Är det åtskilda data som förvränger din produktanalys?

I mitt förra inlägg skrev jag om hur du kan höja nivån på ditt svänghjul för produktledd tillväxt (PLG) genom att dra nytta av insikter från olika funktionella områden, t.ex. data om produktanvändning, supportärenden, konsumtion osv. Förr i tiden hade varje funktionsområde eller verktyg sitt eget isolerade datalager, vilket gjorde tvärfunktionell analys till ett enormt åtagande.

Moderna datalager i molnet, med sitt rika ekosystem för dataintegration, visar sig äntligen vara ett gångbart alternativ som "den enda sanningskällan". Tyvärr vill äldre analysleverantörer fortfarande få dig att tro att datasilor är acceptabla så länge du kan "bryta" dem[1, 2] - vilket bara är en fin term för att kopiera externa data till deras silo. Detta tillvägagångssätt skapar inkonsekvens i dina data och insikter som du inte kan lita på, vilket förnekar hela analysens värdeprop. I det här inlägget ska jag visa dig ett bättre sätt.

Hur vi kom hit

Först, hur hamnade vi här? Låt mig spola tillbaka lite. Produktanalys växte fram ur tagghantering i början av 2010-talet. Tagghantering kretsade kring datainsamling och lagring, och eftersom det inte fanns något behov av att integrera dessa data med andra delar av verksamheten blev dessa system i huvudsak datasilos. Första generationens verktyg för produktanalys ärvde denna arkitektur och skapade sina egna åtskilda områden för datainsamling från produkt- eller webbanalys. Men på grund av PLG och andra orsaker började kunderna kräva analyser av instrumentdata och andra affärsdatakällor. Lösningen? Kopiera all extern data som du behöver till analysleverantörens åtskilda silo. Det här var på gränsen till acceptabelt innan datalager i molnet blev den enda sanningskälla som de är idag, men nu är det bara en dålig idé att göra det här. Låt oss se varför.

Varför åtskilda analysmetoder är dåliga

Som användare av olika första generationens produktanalysverktyg tidigare i min karriär har jag haft min beskärda del av ångest med datasilos. Detta är också en av de mest citerade smärtpunkterna med första generationens verktyg som vi hör från våra kunder. När användare säger saker som "produktmåtten matchar inte siffrorna från vårt datalager", "insikterna är inkonsekventa" eller "jag litar inte på de data som tas in i xyz-verktyget ", är det tecken på att du inte längre har en enda sanningskälla. Jag skulle vilja kategorisera dessa smärtpunkter i fyra huvudområden.

1. Inkonsekventa data

   Implementatörer som för in externa data i ett produktanalysverktyg arbetar vanligtvis enligt ett förinställt schema, men det gör inte dina användare. Resultatet blir att dina produktanvändningsdata som "berikas" med externa data ger olika insikter beroende på när någon hämtar data och när de senast berikades. Vad värre är, den resulterande inkonsekvensen orsakar förvirring eftersom insikterna inte stämmer överens med ditt datalager.

2. Saknad data

   En lurig fråga: vad har flygresor och dina affärsdatakällor gemensamt? Svar: båda drabbas av slumpmässiga förseningar och avbokningar. Medan datalagret så småningom kommer ikapp med förlorade data som fylls på och korrigeras, är samma datarensningsprocesser inte skalbara för varje enskild åtskild datasilo. Resultatet: data som saknas.

3. Datamodell

   Våra kunder rapporterar ofta att de analytiska åtskildheterna inte bara gäller själva datan utan även påverkar datamodellen . Resultatet blir att definitionerna av viktiga mätvärden inte stämmer överens mellan BI-verktyget och produktanalysverktyget. Vissa av våra kunder spårar till exempel unika användare eller kunder på ett annat sätt än de standardvärden som används i den första generationens produktanalysverktyg.

4. Styrning

   En lurig fråga: vad är det bästa sättet att genomdriva datastyrning i en åtskild app? Svar: att inte ha en åtskild app över huvud taget. Produktanalysverktyg skapades för att göra det möjligt för produktteam att arbeta självständigt, utan att behöva förlita sig på data- eller BI-team. Med det ökande fokuset på regelefterlevnad och säkerhet har detta löfte börjat försvinna, eftersom datateam ofta måste ta itu med datastyrning för varje åtskild miljö som de måste stödja.

Vägen framåt

På Optimizely Warehouse-native Analytics anser vi att åtskilda datamiljöer är problematiska i sig och att inget lappande och lagande kan mildra deras konsekvenser för ditt företag. Vår strategi är att eliminera dem helt och hållet genom att erbjuda produkterbjudande direkt ovanpå ditt datalager utan någon dataförflyttning.

Ditt datalager förblir din enda sanningskälla, så Optimizely Warehouse-native Analytics kan ge dig insikter som du kan lita på.