Ett dokument är inte en användare
Nyligen stötte jag på en intressant användning av produktanalys hos ett dokumenthanteringsföretag. De använde ett av de första generationens produktanalysverktyg på marknaden för att göra analyser av dokumentresor och livscykler. Den kärnenhet som de behövde modellera var ett dokument. Tyvärr var den första generationens produktanalysverktyg som de använde utformat för användarcentrerade applikationer i stil med "varukorgar". Detta tvingade företaget att försöka modellera ett dokument som en användare. Som ett resultat kämpade de för att generera värdefulla analyser med den här kontextuellt felaktiga modellen. Låter det här bekant?
Även om applikationer tenderar att vara användarcentrerade finns det många som inte är det. Kärnenheter kan vara dokument, biljett, server, konto, enhet, projekt, uppgift, plan osv. Enheter som återspeglar människor som utför handlingar måste modelleras på ett annat sätt än de som återspeglar icke-människor på vilka handlingar utförs av människor. Nästa generations produktanalyssystem tillhandahåller flexibla datamodeller som kan modellera din unika verksamhet och ge mycket rikare analyser.
Specialbyggd produktanalys kontra produktanalys för allmänna ändamål
För över tio år sedan såg vi den första generationens verktyg för produktanalys växa fram. Med sina SDK:er för instrumentering gav de möjlighet att fånga upp händelser i användarinteraktion i produkter. Utöver instrumenteringen tillhandahöll dessa verktyg färdiga rapporteringsmallar för vanligt förekommande analyser, t.ex. segmentering av händelser, konvertering, retention, resor osv. Dessa verktyg var specialbyggda för mycket specifika analyser med en rapportmall för varje typ av analys. Därför bakade de in en enkel datamodell med användare, händelse och session. En färdig datamodell har fördelen att den är enkel att använda, men begränsar uppsättningen analytiska frågor som kan ställas och besvaras.
Generella analysverktyg som Business Intelligence (BI)-verktyg utformades som universella plattformar för att stödja ett brett spektrum av analysbehov. Med generiska abstraktioner av relations- och dimensionsmodeller kunde de utföra praktiskt taget alla analytiska beräkningar med hjälp av SQL, vilket möjliggjorde en mängd olika användningsfall. BI-verktygen stödde också svar på ad hoc-frågor genom gränssnitt som gjorde det enkelt att komponera frågor. Även om de har abstraktioner för att modellera alla enheter och deras relationer till andra enheter, saknar BI-verktyg några av de specialiserade funktionerna för modellering av händelseströmmar (t.ex. modellering av en sekvens av händelser med tid mellan händelserna). Tekniskt sett skulle man kunna göra detta med SQL, men det skulle vara mycket besvärligt att uttrycka (flera sidor SQL för en enda analys) och ofta ineffektivt att beräkna.
Nästa generations produktanalys
En ny typ av produktanalysverktyg håller på att växa fram som utökar funktionerna i traditionella verktyg av första generationen. Dessa verktyg har rapporteringsmallar för grundläggande produktanalys, men gör det möjligt att från vilken punkt som helst göra en explorativ ad hoc-analys. Grunden till detta är en datamodell som i grunden är relationell med BI-flexibilitet, men som har utökningsbarhet för händelseorientering som är typisk för produktanalys. I kombination med denna flexibla datamodell finns ett visuellt gränssnitt för ad hoc-analyser och fullt SQL-stöd.
Så ett dokument kan modelleras som just ett dokument. Du arbetar naturligt med alla dina affärsenheter så som du ser dem i källsystemen eller i datalagret. Du ställer frågor på ett naturligt sätt utifrån denna rika, inbyggda datamodell, t.ex. Vad är det genomsnittliga antalet undertecknare för dokument i personaliserade planer jämfört med företagsplaner? Hur ser trenden ut för produktanvändningen per vecka för konton som ska förnyas inom de närmaste 30 dagarna?
Med nästa generations verktyg undviker du att behöva tvinga in din affärsmodell i en datamodell som är utformad för något helt annat. Istället kan du använda funktioner för modellering som verkligen återspeglar din unika verksamhet. Detta gör det möjligt att ställa och besvara ett stort antal kontextrika frågor på ett språk som är intuitivt och naturligt för alla intressenter. När den här funktionen finns tillgänglig ovanpå all data i ditt datalager kan du få tillgång till bredare produktinsikter som är korrelerade med affärsresultat.
Warehouse-native product & behavioral analytics
Optimizely Warehouse-Native Analytics inleder nästa generation av självbetjäningsproduktanalys - med kraften i BI, som fungerar nativt från ditt datalager.
