Nästa generations analysresultat av produkt- och kundresan

På Optimizely Warehouse-Native Analytics är vi i framkant av en revolution inom produktanalysområdet. Optimizely Warehouse-Native Analytics plattform för warehouse-native product analytics frigör enorma affärsvärden som traditionella första generationens verktyg som Amplitude/Mixpanel inte har kunnat göra.

Moderna warehouse-native-arkitekturer har fördelar när det gäller kostnader, säkerhet, integritet och styrning. Ett enda analysverktyg som Optimizely Warehouse-Native Analytics, som arbetar direkt ovanpå den enda sanningskällan i lagret, har fördelar med konsekventa, pålitliga analyser som man kan lita på för att fatta datadrivna affärsbeslut. Men det handlar om mycket mer än att bara få klassisk produktanalys att fungera ovanpå datalagret.

Traditionell produktanalys är åtskild och arbetar bara med produktinstrumentationsflöden. I bästa fall kan du komplettera analyserna minimalt med några egenskaper från lagret som på konstgjord väg kopplas till användar- eller händelseobjekt genom smärtsam omvänd ETL. Men analytikerna vill ofta ha mycket mer. De vill kunna analysera en mängd olika enheter i datalagret, t.ex. konto, kampanj, annons, prenumeration, arbetsyta, projekt, dokument, kontrakt, undersökning, butik, chatt, samtal osv. De vill också konsumera dessa på ett naturligt sätt, modellera dem och relationerna mellan dem som de finns i lagret. Optimizely Warehouse-native Analytics ger möjlighet att göra exakt detta, vilket resulterar i att öppna upp en enorm klass av analyser som är mycket mer affärspåverkande än att bara studera funktionsanvändning i ett traditionellt första generationens produktanalysverktyg. Detta är analysresultat av hela kundresan. Vi kallar detta för "analysresultat av kundresan" eller "kundanalys".

Analysresultat av kundresan omfattar produktanalys och är mycket bredare och har större affärspåverkan än traditionell åtskild produktanalys.

Den tidiga utvecklingen av produktanalys

Låt oss först försöka förstå hur traditionella produktanalysverktyg som Amplitude/Mixpanel utvecklades. De dök upp för ett decennium sedan när ett stort antal mobilappar och produktledda SaaS-tjänster blev genomgripande. Det var viktigt att få en förståelse för hur användarna använde produkterna, särskilt när det gällde konsumentorienterade produkter där kundomsättningen var hög. På den tiden fanns det inga bra alternativ för att göra detta på ett bra sätt. De analysverktyg som fanns tillgängliga var främst BI-verktyg som Tableau och Qlik. Dessa verktyg var bra för att rapportera om ERP-, CRM-, HCM- osv. data i lagret. Men de kunde inte användas för produktanalys på grund av följande

1. 1. Händelsedata från produktinstrumentering nådde aldrig traditionella (lokala eller till och med tidiga molnbaserade) datalager. Datalagren var inte utformade för att ta in, lagra och bearbeta händelsedata på ett effektivt och kostnadseffektivt sätt.
   2. BI-verktygen var inte utformade för att uttrycka eller beräkna händelseorienterade analyser.
   3. Snabba digitala produkt- och marknadsföringsteam behövde en snabb lösning som inte var beroende av långsamma datateam på centrala företag.

Som ett resultat av ovanstående begränsningar uppstod specialbyggda, paketerade verktyg för produktanalys; verktyg som inkluderade allt i en enda SaaS-tjänst - instrumentering, lagring, beräkning och visualiseringar. För en gångs skull kunde produkt- och tillväxtteam få insyn i hur deras produkter användes. De kunde utföra grundläggande analyser som segmentering av händelser, trattar, sökvägar etc. med hjälp av färdiga mallar. De kunde använda dessa analyser för att optimera produktfunktionerna. Detta var ett stort genombrott.

Behov av nästa generation av produktanalys

Produkt- och tillväxtavdelningarna började använda den första generationens verktyg. Stora summor pengar spenderades på dessa verktyg som blev mycket dyra när företagen växte och deras händelsevolymer ökade snabbt. Det fanns en tro på att affärspåverkande beslut skulle fattas baserat på analyser i dessa verktyg och att utgifterna för dessa verktyg skulle löna sig. Men så var inte fallet.

Tänk dig ett traditionellt produktanalysverktyg som visar att konverteringsgraden har ökat efter lanseringen av en ny funktion. Men vad händer om majoriteten av de kunder som konverterade till slut avbokade genom att ringa ditt callcenter? De uppgifterna finns inte i det åtskilda produktinstrumentflöde som traditionella verktyg arbetar med. Den finns i ett annat affärssystem som är otillgängligt för första generationens produktanalysverktyg. Kan du på samma sätt förstå hur en produktförändring påverkar supportärenden/samtal - data som finns i Zendesk? Kan du förstå produktengagemang per prenumerationsnivå - data som finns i Salesforce? Kan du bli varnad för produktfriktion eller ökat engagemang i konton vars förnyelse kommer om en månad - data som finns i NetSuite?

Kan du bryta ner prenumerationsintäkterna per kundgrupp? Kan du prioritera produktfrågor baserat på hur de påverkar intäkterna? Kan du göra målgruppsinriktade kampanjer/erbjudanden/vård av rätt kunder baserat på deras livstidsvärde?

Det räcker inte längre att förstå snävt definierade produktmått som bara baseras på data från produktinstrumentering. I takt med att moderna företag utvecklas mot produktledd tillväxt blir produktteamen snabbt intäktscenter och måste gå från produktmätetal till affärsmätetal, där produktinstrumentationsdata bara är en källa till input. De behöver ett verktyg för affärsanalys som ger en bredare vy. De behöver business analytics för att få större genomslagskraft och inflytande på C-suite.

Första generationens verktyg har gjort svaga försök att hantera detta med förenklade "omvänd ETL"-lösningar. Men dessa lösningar är besvärliga, ofullständiga och dyra. Så i takt med att kunderna växer slutar det alltid med att de får göra allt mer av grovjobbet i BI-verktygen.

Sammanfattningsvis uppstår behovet av nästa generations produktanalys på grund av följande begränsningar i första generationens verktyg:

1. 1. Analyserna i den första generationens verktyg är så åtskilda och bygger på så begränsade data (ofta av dålig kvalitet) att de inte kan användas för att fatta beslut som påverkar verksamheten i någon större utsträckning.
   2. Kostnaden är så hög att avkastningen på investeringen (ROI) helt enkelt inte finns där när man jämför med fördelarna.
   3. Utöver de första, grundläggande analyserna i dessa verktyg fick affärsteamen i slutändan ringa datateam för att bygga rapporter för den andra nivån av insikter, ofta med svårigheter att förklara kraven, vänta i veckor på att få rapporter och inte kunna få analyser tillräckligt snabbt för att de skulle vara användbara.
   4. Datateamen kämpar med att extrahera data från "svarta hål" i de egenutvecklade produktanalysverktygen till datalagret och med att använda ett BI-verktyg (fel verktyg för produktanalys, men det enda tillgängliga verktyget!) för att ta fram rapporter.
   5. Analysarbetet blir fragmenterat mellan olika produktanalysverktyg och BI-verktyg, med mycket låg tilltro till de siffror som produceras av den första generationens produktanalysverktyg.
   6. Säkerhetsteam, med allt högre krav på regelefterlevnad och styrning, begränsar de data som kan skickas till externa analystjänster, vilket bidrar till att minska det analytiska värdet av dessa verktyg.

Traditionell produktanalys har inte levt upp till sina löften. Det är inte konstigt att majoriteten av produktanalyserna idag inte görs i traditionella produktanalysverktyg! De görs (smärtsamt nog!) i BI-verktyg. Men behovet av produktanalys har bara ökat i takt med att allt mer programvara konsumeras som SaaS-tjänster och produktledd tillväxt blir den primära affärsmetoden för allt fler produktledda företag. Att ha en djup förståelse för produktanvändning och kundbeteende är avgörande för att överleva på en konkurrensutsatt marknad.

För att effektivt kunna tillgodose de ökande behoven av produktanalys och göra den mer effektiv behöver vi en ny generation verktyg som Optimizely Warehouse-native Analytics.

Utveckla från produktanalys till analysresultat av kundresan

Det första steget i uppgraderingen av produktanalys är att inte tänka på produktanalys längre, utan snarare tänka på ett bredare "analysresultat av kundresan" eller "Customer Analytics". Analysresultat av kundresan är analys av produktinstrumentdata och all annan affärsdata från kunden (försäljning, support, ekonomi, marknadsföring, framgång etc.).

Analytics handlar inte längre bara om användningen av produktfunktioner, utan snarare om hur användningen påverkar verksamheten - t.ex. genererade intäkter eller eskaleringar av supportärenden. Det handlar om att behålla kunder som inte är missvisande eftersom det nu korrekt inkluderar avbeställningar utanför produkten. Det handlar om att optimera rätt uppsättning funktioner för rätt uppsättning konton som genererar mest intäkter. Det handlar om att mäta marknadsföringens effekt, inte bara genom antalet registreringar efter en kampanj, utan genom det långsiktiga ekonomiska värdet av förvärvade kunder. Det handlar om att förstå kundresan inte bara i produkten utan också i alla kanaler som butik, support, chatt, lojalitetsprogram, partners etc. Det handlar om att framgångs- och supportteam kan öka CSAT och kundlojalitet genom att förstå beteenden hos användare i deras konton. Det handlar om att operativa team ska kunna utvärdera affärspåverkan av upplevelser av produkter och webbplatser och använda detta för att prioritera problem bättre.

Analysresultat av kundresan ger en delad, konsekvent och lättillgänglig bild av kundbeteendet för alla kundorienterade team i företaget, över alla kundkontaktpunkter - i produkten eller utanför produkten.

Bryta ned åtskilda data

Det första steget för att förverkliga visionen om analysresultat av kundresan är att bryta åtskilda datasilos och konvergera till ett enda datalager. I dagens företag är datalagret/datasjön det obestridda gemensamma lagret för all data. Moderna molnbaserade datalager som Snowflake, BigQuery, Redshift och Databricks har gjort det möjligt att konsolidera all data till ett enda lager. Lagret har alltid varit den centrala platsen för data som används i affärsrapportering, men den stora förändringen nu är att moderna lager också blir den centrala platsen för händelseorienterad data, t.ex. clickstream, IoT, loggar, enhetsdata, utöver den traditionella statliga datan (affärstransaktioner från POS, orderfångst, leveranskedja, försäljning, ekonomi, HR etc.) Det är nu möjligt att snabbt och effektivt ta in och lagra storskaliga händelsedata också i lagret.

Datalagret/sjön är tyngdpunkten för all data i företaget - händelsedata och statusdata.

Alla applikationer, inklusive analysresultat av produkt- och kundresan, bör anpassa sig till denna förändring och omorganisera sig för att undvika att kopiera data ut till sina egna åtskilda silos. Optimizely Warehouse-Native Analytics är byggt från grunden som en warehouse-native plattform och gör aldrig en kopia av dina data, någonsin.

Nästa generations CDP:er

CDP-området, som är direkt relaterat till analysresultat av produkt- och kundresan, håller också på att omdefinieras. CDP:er uppstod som en marknadsföringslösning som var frikopplad från företagets centrala datasystem och team. Även om de gav ett snabbt värde under de första åren har de drabbats av samma problem som åtskilda system. Idag byggs nästa generations komponerbara CDP:er upp på nytt ovanpå datalagret med de bästa verktygen - RudderStack och Snowplow för instrumentering, Hightouch och Census för aktivering, DBT för datatransformationer relaterade till identitetslösning, sessionering etc., Optimizely Warehouse-native Analytics för analys och lagerintegrerade AI/ML-funktioner för attribution och prediktion.

Kärnan i analysresultatet av kundresan är naturligtvis kundenheten. Ju högre kvalitet och rikedom på kundentiteten, desto bättre analyser.

Nästa generations CDP:er, med sina rika kunddatamodeller, är en möjliggörare för rikare analysresultat av kundresan.

Bryta ned åtskilda analysmetoder

När du har en enda källa för alla data i lagret/sjön är nästa steg att ha ett enda analysverktyg för alla kundorienterade analyser som kan utnyttja dessa data. Analysverktyg har ett lager av metadata (t.ex. definition av mätvärden) ovanför tabellerna i lagret/sjön. Att ha en version av dessa metadata i många olika verktyg resulterar i flera sanningskällor, vilket inte är önskvärt. Det blir svårt att dela kontext mellan flera verktyg, även om de arbetar med samma underliggande lager, eftersom de alla har sin egen representation av kontext, t.ex. en kohort av användare som hoppade av mellan två steg i en tratt. Med ett enda analysresultat av kundresan undviker man dessa problem med fragmenterade och svaga analyser.

Ett enda analysverktyg av kundresan tillgodoser behoven hos produkt-, tillväxt-, marknadsförings-, försäljnings-, framgångs- och supportteam för alla deras analysbehov.

Detta har inte varit möjligt historiskt eftersom händelseorienterade system (t.ex. Product Analytics) och tillståndsorienterade system (t.ex. BI) är uppbyggda på olika sätt när det gäller representation av metadata och beräkningsmekanismer. Detta är dock bara det sätt på vilket dessa system har utvecklats historiskt. Även om det är tekniskt utmanande att bygga är det möjligt att ha ett enda analysverktyg som kan föra samman de händelse- och tillståndsorienterade världarna - Optimizely Warehouse-Native Analytics har bevisat det.

Bygga förtroende

Med ett enda analysverktyg som arbetar utifrån en enda sanningskälla utan kopior byggs förtroendet för siffror upp inom organisationen. En retention-siffra, till exempel, som beräknas i detta enda verktyg är samma siffra som citeras av alla team och kan presenteras för C-Suite med tillförsikt. Verktyget bör ha funktioner för granskning så att man kan se exakt vilken SQL som skickades till det underliggande lagret för oberoende verifiering av analytiska beräkningar.

När man litar på siffrorna ökar användningen av analysverktyg i alla team i företaget och affärsvärdet ökar.

Generera avkastning på investerat kapital

Med en bredare plattform för analysresultat av produkter och kundresor är avkastningen mycket högre. Kostnaderna blir lägre utan datakopior och utan hantering av dataflyttningsjobb. Processerna blir effektiva utan bortkastad tid på att felsöka avvikelser mellan åtskilda system. Kostnaderna för säkerhet och styrning minskar med en enda kopia av data under företagets kontroll och med noggrant kontrollerad åtkomst till det centrala lagret. Eftersom analyserna blir mer affärsnyttiga genom att de innehåller ett rikare affärskontext och betjänar flera team, kan utgifterna för analyserna lätt motiveras.

Analysresultat av kundresan kan potentiellt ge en storleksordning bättre ROI än traditionella produktanalysverktyg.

Konsolidering

Om man tänker på analysresultat av kundresan som en kombination av produktanalys, marknadsanalys och digital kundupplevelseanalys och kartlägger det med dagens leverantörer, ser man en hel del fragmentering och överlappning. Men en välbehövlig konsolideringstrend har redan inletts. Utöver detta behöver vi se en konsolidering av majoriteten av de händelseorienterade analysresultat som idag görs i generiska BI-verktyg, till ett förstklassigt analysresultat av kundresan. Det är detta som Optimizely Warehouse-native Analytics bygger mot.

Optimizely Warehouse-Native Analytics syftar till att tillhandahålla ett sammanhängande, men komponerbart, analysresultat av kundresan på en modern datalager/lakehouse-arkitektur.

Uppgradera till nästa generation av analytics med Optimizely Warehouse-Native Analytics

Optimizely Warehouse-Native Analytics inleder nästa generations analysresultat av produkt- och kundresan - specialbyggda från grunden för den moderna datastacken. Detta är en del av en större vision om att vara "Analytics Cloud" - go-to-plattformen i företag för all affärsorienterad analys.

Med Optimizely Warehouse-native Analytics kan du fatta datadrivna beslut med självförtroende i ett enda, konsekvent, pålitligt, kostnadseffektivt självbetjäningsverktyg. Gör en verklig inverkan på affärsresultat med Optimizely Warehouse-native Analytics.