Hur och varför Warehouse-Native Analytics bygger nästa generations produktanalys på Snowflake

(Den här artikeln publicerades först på Snowflake Blog: Inuti datamolnet)

Händelsedata för att spåra en användarresa har alltid varit viktigt för produktanalys - men vi ser nu förändringar i hur företag arbetar med och hanterar sina data, inklusive händelsedata.

Denna utveckling har till stor del drivits på av molnets omvälvande inverkan. De förändringar av affärsmodeller och grundläggande tekniker som detta har lett till har gett upphov till nästa generations funktioner för praktiskt taget alla programvarukategorier, inklusive produktanalys. Nästa generations produktanalys är nu warehouse-native, ett arkitektoniskt tillvägagångssätt som gör det möjligt att separera kod och data. I den här modellen underhåller leverantörer av nästa generations produktanalys koden för analysapplikationen som en ansluten app, medan kunderna hanterar data i sin egen dataplattform i molnet.

Första generationens produktanalys

2009 introducerade Mixpanel viktiga funktioner för att kartlägga detaljerade händelser på de sätt som en användare kan interagera med en app - på webben eller i en mobilapp. Mixpanel skulle radikalt förbättra det sätt på vilket marknadsförings-, produkt- och utvecklingsteam kunde identifiera drivkrafter för engagemang och utveckla sina produkter. Varje beslut skulle kunna motiveras med data.

Första generationens verktyg har integrerade produktinstrumentbibliotek som samlar in och lagrar data i svarta lådor inom sina slutna analysplattformar. Eftersom de endast fångar upp digitala produkthändelser och är frånkopplade från den stora majoriteten av företagets data, arbetar de bara med en mycket liten delmängd av kunddata. I bästa fall kan de ta in en begränsad uppsättning egenskaper från ett företags datalager med hjälp av omvända ETL-verktyg.

Produktanalys idag

Baserat på samtal med kunder och potentiella kunder uppskattar Optimizely Warehouse-Native Analytics att 80% av företagen tvingas duplicera och exportera produktinstrumentationsdata till ett datalager och berika dem med andra affärsdata för att

• Få en fullständig bild av kundresor på kund- och kontonivå
• Förstå attribution
• Få tvärfunktionella affärsinsikter som är intressanta för chefer och andra intressenter

Förutom många problem med datahantering skapar detta tillvägagångssätt ett stort beroende av data- och analysteam för att tillhandahålla anpassade SQL- och BI-rapporter. BI-verktygen är dock inte utformade för analys av tidsserier och händelsedata, vilket gör att de inte passar ihop med typiska produktanalysvisualiseringar som trattar och vägar. Dessutom går sammanhanget förlorat när man går från de rikare datamodellerna i den lagerbaserade metoden tillbaka till första generationens verktyg. Och det är inte förvånande att det kan ta timmar att skriva och testa anpassad SQL för frågor av typen trattar och sökvägar, och att det tar två eller flera veckor att få fram anpassade rapporter. Det hindrar den naturliga nyfikenheten hos produktteam och tillväxtmarknadsförare som vill få fram insikter snabbt.

Den första generationens verktyg för produktanalys handlade främst om att spåra och hantera händelser i frontend. Därför behöver dessa verktyg ofta kompletteras med bredare lösningar för att få in back-end-instrumentering via lösningar som Segment, Rudderstack eller Snowplow. Oavsett vilket är spårning fortfarande det viktigaste när det gäller implementeringsinsatser och tillhörande affärsvärde. Den första generationens verktyg erbjuder visserligen funktioner för analys, men de förplanerade rapporterna är ofta otillräckliga och användarna klagar ständigt över bristen på BI-funktioner som de är vana vid från verktyg som Tableau.

Möjligheten

Första generationens verktyg för produktanalys introducerades för över ett decennium sedan, och under den tiden har det skett en annan viktig teknisk utveckling: den moderna datastacken. Den grundläggande principen för den moderna datastacken är att all data samlas på en central, molnbaserad plats som Snowflake. En gemensam central lagringsplats ger fördelar när det gäller konsekvens, säkerhet, styrning och hanterbarhet. Viktigast av allt är att den enda sanningskällan för alla data kan bidra till att undvika eller helt eliminera dataduplicering och dyra ETL-pipelines.

I den moderna datastacken finns analysverktyg och funktioner som BI och AI/ML redan direkt på dataplattformen. Så varför skulle inte produktanalys kunna fungera på samma sätt?

Med andra ord bör produktanalys också vara en native app till kundens dataplattform och levereras som en enda ansluten app som erbjuder förstklassiga analytiska funktioner. Problemet är att arbetsbelastningen för produktanalys är extremt komplex och kräver möjlighet att ställa frågor om händelseströmmar och relationsdata samtidigt. Det är svårt nog att få dessa arbetsbelastningar att fungera, än mindre självbetjäning.

Optimizely Warehouse-native Analytics: Den anslutna appen för dataplattforms-nativ produktanalys

Optimizely Warehouse-Native Analytics tar sig an dessa utmaningar med en ansluten app för nästa generations produkt- och beteendeanalys som körs nativt ovanpå Snowflake som en självbetjäningsanalysplattform. Optimizely Warehouse-Native Analytics separerar applikationskod från instrumentering och annan affärsdata, som kunderna själva hanterar i sin egen Snowflake-instans.

Som en ansluten applikation ställer Optimizely Warehouse-Native Analytics direkt frågor mot alla händelse- och referensdata i Snowflake, samtidigt som BI:s analytiska kraft används för självbetjäning av produktanalys. Detta gör att du kan:

• Få självbetjäningssvar på alla frågor genom att utgå från ett rikt bibliotek med rapportmallar, med möjlighet att göra en sömlös strategisk förändring fram och tillbaka mellan alla rapporter och ad hoc visuell datautforskning.
• Undvika att skriva och underhålla komplex SQL för frågor av typen trattar och patchar, men ha möjlighet att utnyttja SQL för specialiserad analys.
• Kombinera produktinstrumentering med all affärsdata i din dataplattform för kontextrik analys.

Det är dags att fokusera på "analytics"

Där första generationens verktyg fokuserade på "produkten" i produktanalys, fokuserar nästa generations lösningar på "analysen". De börjar med en moln- och plattforms-native approach och använder den anslutna app-modellen för att leverera förstklassiga funktioner för produkt- och beteendeanalys. Optimizely Warehouse-native Analytics utnyttjar styrkan i en ansluten app för att erbjuda avancerad beteendeprofilering med analys av händelseströmmar, samtidigt som man utnyttjar de flexibla modellerings- och analysfunktionerna i BI, direkt på Snowflake.

I stället för att bara rapportera om produktmått kan affärsanvändare nu på djupet förstå de omnikanala beteendemönster som driver adoption, engagemang och viktiga affärsmått som intäkter och kvarhållande på kontonivå. Det är enkelt att komma igång. Anslut bara till Snowflake och var igång på mindre än en timme. För att lära dig mer, besök Optimizely Warehouse-native Analytics.