Gör slut på dataklyftan: Förena produktanalys och BI

Efter att ha varit i BI-utrymmet i många år med Oracle och grundat ThoughtSpot, och nu bygga Optimizely Warehouse-native Analytics i produktanalysutrymmet, har jag insett några intressanta trender.

TL; DR - Mer än 50% av produktanalysen görs (smärtsamt!) I BI-verktyg, och mer än 50% av analysen som görs i produktanalysverktyg är BI (gjort dåligt!). Klyftan mellan produktanalysverktyg och BI-verktyg beror på hur dessa verktyg har utvecklats historiskt, vilket har lett till stor smärta och missade affärsmöjligheter. Men idag konvergerar produktanalys- och BI-plattformar till en enda sammanhängande plattform för affärsanalys, centrerad kring företagets datalager/lake. Detta frigör massivt värde, med kraftfulla analyser som ger bättre affärsresultat för produktledda företag.

Produktanalys fick en framträdande roll för över tio år sedan när ett stort antal mobilappar och produktledda SaaS-tjänster blev allt vanligare. Det var viktigt att få en förståelse för hur användarna använde produkterna, särskilt när det gällde konsumentorienterade produkter med hög churn. 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

• 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.
• BI-verktygen var inte utformade för att uttrycka eller beräkna händelseorienterade analyser.
• Snabba digitala produkt- och marknadsföringsteam behövde en snabb lösning som inte var beroende av långsamma datateam på centrala företag.

Inom BI har vi haft tre generationer av verktyg. BI började med statisk rapportering, utvecklades till OLAP-analys, gick från centraliserade (Oracle BI, Cognos, Business Objects) till avdelningsbaserade (Tableau, Qlik) och tillbaka till centraliserade modeller, med nuvarande system centraliserade på molndatalagret. BI har dock förblivit fokuserat på dimensionell "slice-and-dice"-rapportering av statusdata (affärstransaktioner från POS, ordermottagning, supply chain, försäljning, ekonomi, HR etc.) i lagret, vilket naturligtvis är ett kritiskt behov för alla företag. BI-verktyg är utformade för dimensionell analys av aggregerade mätvärden enligt "stjärnschema". BI-verktyg och SQL är inte utformade för att uttrycka händelseorienterad analys, t.ex. trattar, beteendekohorter, vägar, flöden etc.

Datalagren är inte optimerade för att effektivt bearbeta händelseorienterade frågor. Naiva försök att köra produktanalytiska arbetsbelastningar med ett BI/SQL-verktyg på lager leder till mycket dålig frågeprestanda och höga kostnader. Dessa arbetsbelastningar kännetecknas av extremt stora volymer tidsseriedata och frågor som involverar tidsordnade sekvenser som delas upp av User, vilket kräver dyra shuffle-operationer.

Som ett resultat har vi haft två parallella analyssystem som utvecklats under det senaste decenniet - produktanalysverktyg som Amplitude, Mixpanel, Heap med ett paketerat erbjudande inklusive egenutvecklad och sluten instrumentering, lagring och beräkning; och BI-system som Tableau, Looker, Power BI, ThoughtSpot, som arbetar med data i datalager.

Så vad är problemet med att ha två separata system?

Produktanalys i första generationens verktyg som Amplitude och Mixpanel har fokuserat på att bara analysera strömmar av produktinstrument för att ge produktchefer insyn i produktanvändningen. Denna åtskilda vy har alltid varit mycket begränsande. Detta har förvärrats ytterligare på senare tid med PLG-drivna rörelser, där företag vill ha en 360-gradersvy av sina kunder - över alla interaktionskanaler och med sammanhang från alla affärssystem.

Tänk dig ett traditionellt produktanalysverktyg som visar att konverteringsgraden har ökat efter lanseringen av en ny funktion. Men tänk om majoriteten av de kunder som konverterade i slutändan 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 när kunderna växer slutar det alltid med att de gör mer och mer av det tunga arbetet i BI-verktygen. Detta är problematiskt eftersom:

• Data måste exporteras från produktanalysverktygen till datalagret för att nästa nivå av analys ska kunna göras med BI-verktyg. Detta kräver felbenägna ETL-jobb som ökar TCO.
• I scenarier där data från produktinstrumentering redan finns i datalagret är det en enorm kostnad att omvänt ETL-era en kopia av dessa data till första generationens produktanalysverktyg. Lagerdatamodellerna kan vara komplexa och omfatta många olika enheter som på konstgjord väg måste stoppas in i den rigida Event-User-modellen i traditionella produktanalysverktyg. Dessutom skickas ofta bara en delmängd av data från lagret till dessa verktyg för att hålla nere kostnaderna - vilket leder till inkonsekvenser mellan de två systemen.
• BI-verktyg är inte utformade för produktanalys. Att bygga in BI-verktyg är därför mycket besvärligt för datateamen. Detta leder till enorma kostnader eftersom affärsanvändarna skickar upprepade förfrågningar om nya rapporter. Överbelastade datateam har inte tid att utföra arbete av högre värde. Affärsteamen måste vänta i flera veckor på att få rapporter.
• Analysarbetet blir fragmenterat, där en del görs i ett produktanalysverktyg och en del i ett BI-verktyg. Det oundvikliga problemet med att "siffrorna integår ihop" dyker upp och mycket tid går åt till att felsöka och rationalisera siffror i flera olika verktyg och datakopior.
• Användarna tappar förtroendet för siffrorna från produktanalysverktygen och väntar i stället i veckor på att få grundläggande BI-rapporter på hög nivå. ROI för produktanalys minskar och möjligheten att göra analyser som påverkar verksamheten går förlorad.

Den stora klyftan

Så här ser verkligheten ut idag:

Mer än 50% av produktanalysen görs (plågsamt nog!) i BI-verktyg, och mer än 50% av den analys som görs i produktanalysverktyg är BI (dåligt gjort!).

Bilden nedan sammanfattar för- och nackdelarna med dessa två system för produktanalys.

Den stora konvergeringen

Skillnaden mellan verktyg för produktanalys och BI-verktyg beror på hur dessa verktyg har utvecklats historiskt, vilket har lett till stora problem och missade affärsmöjligheter. Men idag konvergerar produktanalys- och BI-plattformar till en enda sammanhängande plattform för affärsanalys, centrerad kring företagets datalager/lake. Detta frigör massivt värde, med kraftfulla analyser som ger bättre affärsresultat för produktledda företag. Optimizely Warehouse-native Analytics ligger i framkant av denna revolution.

Optimizely Warehouse-native Analytics erbjuder allt det goda med ett specialbyggt, malldrivet verktyg för produktanalys. Men det är utformat på ett annorlunda sätt från grunden. Det bygger på en välbekant relationsmodell för tillståndsdata i lagret, med en händelseorientering ovanpå. Som ett resultat kan Optimizely Warehouse-Native Analytics kraftfulla modellerings- och frågemotor hantera alla analytiska beräkningar - över händelse- och tillståndsdata. Du kan sömlöst gå fram och tillbaka från en mallad rapport till ad hoc-analys och sprida sammanhanget i båda riktningarna och fullt ut. Du kan använda alla relevanta data i datalagret.

Optimizely Warehouse-Native Analytics innovativa frågegenereringsmotor gör det möjligt att leverera optimala kostnads-/prestandaförhållanden för produktanalysfrågor som arbetar i skala upp på datalager. Optimizely Warehouse-Native Analytics använder en sofistikerad frågekompilator som har flera optimeringar / heuristiker inbyggda för att få dessa arbetsbelastningar att köras med acceptabel kostnad och latens. Frågekompilatorn i Optimizely Warehouse-Native Analytics har inbyggt stöd för tekniker som automatisk sampling, materialisering och indexering.

Den moderna datastacken

Den moderna datastack som blir alltmer populär kännetecknas av två saker - warehouse-native-arkitekturer och komponerbara CDP:er. Optimizely Warehouse-Native Analytics arkitektur och POV är i linje med dessa två egenskaper. Optimizely Warehouse-Native Analytics är på en resa för att bygga"Analytics Cloud" - go-to-plattformen i företag för all affärsorienterad analys.

Analytics Cloud - den självklara plattformen i företag för all affärsorienterad analys.

Lagerbaserad arkitektur

Företag använder sig i allt högre grad av modellen att centralisera all data i moderna datalager i molnet. Detta inkluderar händelsedata från produktinstrumentering, IoT, enheter, sensorer, loggar etc. Moderna datalager erbjuder fördelen med billig lagring och elastisk beräkning där du bara betalar för det du använder i frågor. Det är nu möjligt att strömma in och lagra data i PB-skala upp i datalager.

Komponerbar CDP

Paradigmet med komponerbar CDP innebär att all kunddata centraliseras i lagret istället för i åtskilda silos som traditionella CDP-system som Segmentering använder. Komponerbar CDP kännetecknas också av bästa klassens instrumentering, analys, experimentering, AI / ML och aktiveringsverktyg som fungerar nativt ovanpå datalagret.

Vad ska du göra om du har både ett första generationens produktanalysverktyg och ett BI-verktyg?

Gör dig av med ditt föråldrade första generationens produktanalysverktyg. Byt till Optimizely Warehouse-native analytics. Centralisera alla dina produktinstrumentdata i datalagret i ett öppet format som är tillgängligt för alla att konsumera.

Använd ditt BI-verktyg för det som det är utformat för - produktionsrapportering med en producent-/konsumentmodell, för finans, HR, försäljning, supply chain etc. Gör all produkt- och kundorienterad analys i Optimizely Warehouse-native Analytics. Gör Optimizely Warehouse-native Analytics till standardverktyget för alla analytiker och konsumenter inom produkt-, teknik-, marknads-, tillväxt-, framgångs- och supportteam.

Bilden nedan visar var Optimizely Warehouse-Native Analytics passar in med dina BI-verktyg.

Uppgradera till nästa generations analytics med Optimizely Warehouse-Native Analytics

Känn dig aldrig mer begränsad av ditt produktanalysverktyg. Ring aldrig dina datateam för att bygga en rapport i ett BI-verktyg för din nästa nivå av analytiska frågor. Kopiera aldrig data från ditt säkra centrallager. Kompromissa aldrig med datafideliteten och lev med grova eller ungefärliga analyser. Känn dig aldrig begränsad av att du inte har tillgång till alla historiska data. Betala aldrig ett straffpris för att ditt företags tillväxt genererar mer händelsedata; betala i stället endast för användning och värde. Lägg aldrig tid på att försöka ta reda på källan till sanningen för dina mätvärden. Känn dig aldrig rädd för att lägga fram siffror från ditt produktanalysverktyg till ledningen.

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