Machen Sie Produktanalytik wieder großartig

Über die Feiertage hat mir jemand diese Frage gestellt: "Wie kommt es, dass Amplitude, der Marktführer im Bereich Produktanalyse, nur mit ~$1 Mrd. bewertet wird, nachdem er seit über einem Jahrzehnt existiert? Ist das ein Zeichen dafür, dass die Produktanalytik tot ist?".

Meine Antwort lautete kurz und bündig: "Product Analytics ist nicht tot. Ganz im Gegenteil. Sie ist heute sogar noch wichtiger. Aber die Art und Weise, wie wir über Produktanalytik denken, und die Tools, die wir dafür verwenden, müssen sich radikal ändern. Der Bereich braucht einen Neustart".

Lassen Sie mich das erklären.

Die frühe Entwicklung der Produktanalyse

Lassen Sie uns zunächst versuchen zu verstehen, wie sich traditionelle Produktanalysetools wie Amplitude entwickelt haben. Sie entstanden vor einem Jahrzehnt, als eine große Anzahl von Mobile Apps und produktbezogenen SaaS-Diensten allgegenwärtig wurde. Es war von entscheidender Bedeutung, ein Verständnis für die Produktnutzung durch die Benutzer zu bekommen, insbesondere bei verbraucherorientierten Produkten, bei denen die Abwanderung hoch war. Zu dieser Zeit gab es keine guten Möglichkeiten, dies gut zu tun. Bei den Analysetools handelte es sich hauptsächlich um BI-Tools wie Tableau und Qlik. Diese Tools waren gut für die Berichterstattung über ERP-, CRM-, HCM- usw. Daten im Lager. Aber sie konnten nicht für Produktanalysen verwendet werden, weil:

1. Ereignisdaten aus der Produktinstrumentierung erreichten nie traditionelle Data Warehouses. Data Warehouses waren nicht darauf ausgelegt, Ereignisdaten auf performante und kostengünstige Weise aufzunehmen, zu speichern und zu verarbeiten.
2. BI-Tools waren nicht dafür ausgelegt, ereignisorientierte Analysen auszudrücken oder zu berechnen.
3. Schnelllebige digitale Produkt- und Marketingteams benötigten eine schnelle Lösung, die nicht von langsam arbeitenden zentralen Unternehmensdatenteams abhängig war.

Infolge der oben genannten Einschränkungen entstanden speziell entwickelte Tools für die Produktanalyse, die alles in einem einzigen SaaS-Service enthalten - Instrumentierung, Speicherung, Berechnung und Visualisierung. Zum ersten Mal waren die Produkt- und Wachstumsteams in der Lage, sich einen Überblick über die Nutzung ihres Produkts zu verschaffen. Sie waren in der Lage, grundlegende Analysen wie Segmentierung, Trichter, Pfade usw. mithilfe vorgefertigter Vorlagen durchzuführen. Sie konnten diese Analysen nutzen, um die Produktfunktionen zu optimieren. Das war ein großer Durchbruch.

Der Tiefpunkt der Desillusionierung

Die Produkt- und Wachstumsteams begannen, diese Tools auf breiter Front zu übernehmen. Es wurden riesige Summen für diese Tools ausgegeben, die sehr teuer wurden, als die Unternehmen wuchsen und ihr Veranstaltungsvolumen schnell zunahm. Es herrschte der Glaube, dass auf der Grundlage der Analysen in diesen Tools geschäftsrelevante Entscheidungen getroffen würden und dass sich die Ausgaben für diese Tools auszahlen würden. Doch schon bald stellte sich Ernüchterung ein:

1. Die Analysen in diesen Tools waren so isoliert und basierten auf so begrenzten (und oft minderwertigen) Daten, dass keine nennenswerten geschäftsrelevanten Entscheidungen auf dieser Grundlage getroffen werden konnten.
2. Die Kosten waren so hoch, dass der ROI im Vergleich zu den Vorteilen einfach nicht gegeben war.
3. Über die ersten, grundlegenden Analysen in diesen Tools hinaus riefen die Geschäftsteams schließlich die Datenteams an, um Berichte für die zweite Ebene der Einblicke zu erstellen. Dabei hatten sie oft Schwierigkeiten, die Anforderungen zu erklären, warteten wochenlang auf Berichte und waren nicht in der Lage, Analysen schnell genug zu erhalten, um sie umsetzen zu können.
4. Datenteams kämpften damit, Daten aus proprietären "schwarzen Löchern" von Produktanalysetools in das Data Warehouse zu extrahieren und ein BI-Tool (das falsche Tool für Produktanalysen, aber das einzige verfügbare Tool!) zur Erstellung von Berichten zu verwenden.
5. Die Analytik wurde auf Produktanalyse- und BI-Tools aufgeteilt, wobei das Vertrauen in die von den Produktanalyse-Tools produzierten Zahlen sehr gering war.
6. Sicherheitsteams mit immer strengeren Compliance- und Governance-Anforderungen schränkten die Daten ein, die an externe Analysedienste gesendet werden konnten, was dazu beitrug, dass deren analytischer Wert sank.

Heute befinden wir uns in der Talsohle der Desillusionierung über die Produktanalytik

Die Produktanalyse hat ihr Versprechen nicht gehalten. Unternehmen, die viel Geld für traditionelle Produktanalysetools ausgegeben haben, ziehen ihre Investitionen zurück. Produktanalysetools sind von einem Muss zu einem Nice-to-have geworden. Es ist kein Wunder, dass die meisten Produktanalysen heute nicht mit traditionellen Produktanalysetools durchgeführt werden! Sie werden (schmerzhaft!) in BI-Tools durchgeführt. Dieser Trend beschleunigt sich, und deshalb ist die Bewertung des Marktführers im Bereich Produktanalyse niedrig.

Ist der Bedarf an Produktanalyse verschwunden?

Ganz und gar nicht. Der Bedarf an Produktanalytik ist nicht verschwunden. Wenn überhaupt, hat er nur zugenommen, da immer mehr Software als SaaS-Services im Abonnement bezogen wird und das produktorientierte Wachstum für immer mehr produktorientierte Unternehmen zur wichtigsten Geschäftsmethode wird. Ein tiefes Verständnis der Produktnutzung und des Kundenverhaltens ist entscheidend für das Überleben in einem wettbewerbsintensiven Markt. Der Bedarf an Produktanalysen ist absolut vorhanden, und er wächst weiter. Das TAM ist groß und noch weitgehend ungenutzt. Aber wir brauchen einen grundlegenden Neustart in der Art und Weise, wie wir über Produktanalytik denken.

Entwicklung von der Produktanalyse zur Kundenanalyse

Der erste Schritt beim Neustart der Produktanalytik besteht darin, nicht mehr an Produktanalytik zu denken, sondern an eine umfassendere "Kundenanalyse". Customer Analytics ist die Analyse von Produktinstrumentierungsdaten und allen anderen Geschäftsdaten des Kunden (Vertrieb, Support, Finanzen, Marketing, Erfolg usw.).

Customer Analytics ist geschäftsrelevant, während Product Analytics dies nicht ist.

Bei der Analyse geht es nicht mehr nur um die Nutzung von Produktfunktionen, sondern vielmehr darum, wie sich die Nutzung auf das Geschäft auswirkt - z.B. in Form von generierten Umsätzen oder verursachten Eskalationen im Support. Es geht um Zahlen zur Kundenbindung, die nicht irreführend sind, weil sie jetzt auch Kündigungen außerhalb des Produkts korrekt berücksichtigen. Es geht um die Optimierung der richtigen Funktionen für die richtige Gruppe von Kunden, die den größten Umsatz generieren. Es geht darum, den Einfluss des Marketings nicht nur an der Anzahl der Anmeldungen nach einer Kampagne zu messen, sondern am längerfristigen wirtschaftlichen Wert der gewonnenen Kunden. Es geht darum, die Customer Journey nicht nur beim Produkt zu verstehen, sondern auch über alle Kanäle wie Shop, Support, Chat, Treueprogramme, Partner usw. Es geht darum, dass Erfolgs- und Support-Teams mehr CSAT und Kundenbindung erreichen, indem sie das Verhalten der Benutzer in ihren Konten verstehen. Es geht darum, dass operative Teams in der Lage sind, die geschäftlichen Auswirkungen von Erlebnissen mit Produkten und Sites zu bewerten und auf dieser Grundlage Probleme besser zu priorisieren.

Customer Analytics bietet eine gemeinsame, konsistente und leicht zugängliche Ansicht des Kundenverhaltens für alle kundenorientierten Teams im Unternehmen, und zwar über alle Berührungspunkte mit dem Kunden hinweg - innerhalb oder außerhalb des Produkts.

Keine Datensilos mehr. Keine Analysesilos mehr.

Durchbrechen des Datensilos

Der erste Schritt zur Verwirklichung der Vision von Customer Analytics besteht darin, Datensilos aufzubrechen und zu einem einzigen Datenspeicher zusammenzuführen. In Unternehmen ist heute der unbestrittene einzige Speicher für alle Daten das Data Warehouse/der Lake. Moderne Cloud Data Warehouses/Lakes wie Snowflake, BigQuery, Redshift und Databricks haben die Konsolidierung aller Daten in einem einzigen Speicher eingeleitet. Während das Warehouse schon immer der zentrale Ort für Daten war, die in der Geschäftsberichterstattung verwendet werden, besteht die große Veränderung nun darin, dass moderne Warehouses/Lakes auch zum zentralen Ort für ereignisorientierte Daten werden, z.B. Clickstream, IoT, Protokolle, Gerätedaten. Es ist jetzt möglich, auch diese Art von Daten schnell und effizient in das Warehouse/den Lake aufzunehmen und zu speichern.

Das Data Warehouse/der Lake ist das Gravitationszentrum für alle Daten im Unternehmen - Ereignisdaten und Zustandsdaten

Alle Anwendungen, einschließlich Customer Analytics, sollten sich an diesen Wandel anpassen und umrüsten, um zu vermeiden, dass Daten in ihre proprietären Silos kopiert werden.

CDPs der nächsten Generation

Auch der CDP-Bereich, der direkt mit der Produktanalyse zusammenhängt, wird neu definiert. CDPs entstanden als eine Marketinglösung, die von den zentralen Unternehmensdatensystemen und -teams abgekoppelt war. Während sie in den Anfangsjahren einen schnellen Nutzen boten, litten sie unter dem gleichen Problem isolierter Systeme. Heute werden modulare CDPs der nächsten Generation auf dem Data Warehouse mit erstklassigen Tools neu aufgebaut - RudderStack und Snowplow für die Instrumentierung, Hightouch und Census für die Aktivierung, DBT für Datentransformationen im Zusammenhang mit der Identitätsauflösung, Sessionisierung usw. und ML-Funktionen im Warehouse-Ökosystem für die Attribution und Vorhersage.

Das Herzstück von Customer Analytics ist natürlich die Entität Kunde. Je höher die Qualität und der Umfang der Kundenentität, desto besser die Analysen.

Die CDPs der nächsten Generation mit ihren umfangreichen Kundendatenmodellen sind ein Wegbereiter für umfassendere Kundenanalysen.

Das analytische Silo durchbrechen

Sobald Sie eine einzige Quelle für alle Daten im Warehouse/See haben, besteht der nächste Schritt darin, ein einziges Analysetool für alle kundenorientierten Analysen zu haben, das diese Daten nutzen kann. Analysetools verfügen über eine Schicht von Metadaten (wie z.B. die Definition von Metriken) über den Tabellen im Warehouse/See. Eine Version dieser Metadaten in vielen verschiedenen Tools zu haben, führt zu mehreren Quellen der Wahrheit, die unbedingt vermieden werden müssen. Die gemeinsame Nutzung von Kontexten durch mehrere Tools, selbst wenn sie mit demselben zugrunde liegenden Speicher arbeiten, wird schwierig, da jedes Tool seine eigene Darstellung des Kontexts hat, z.B. eine Kohorte von Benutzern, die zwischen zwei Stufen eines Trichters abgebrochen sind. Ein einziges Customer Analytics-Tool vermeidet diese Probleme einer fragmentierten und schwachen Analyse.

Ein einziges Customer Analytics-Tool erfüllt die Anforderungen von Produkt-, Wachstums-, Marketing-, Vertriebs-, Erfolgs- und Support-Teams für alle ihre Analyseanforderungen.

Dies war in der Vergangenheit nicht möglich, da ereignisorientierte Systeme (wie Product Analytics) und zustandsorientierte Systeme (wie BI) in ihren Metadaten-Darstellungen und Berechnungsmechanismen unterschiedlich aufgebaut sind. Dies ist jedoch genau die Art und Weise, wie sich diese Systeme historisch entwickelt haben. Ein einziges Analysetool, das die ereignis- und zustandsorientierten Welten zusammenführt, ist zwar eine technische Herausforderung, aber durchaus möglich.

Vertrauen aufbauen

Mit einem einzigen Analysetool, das auf einer einzigen Wahrheitsquelle ohne Kopien basiert, wird innerhalb des Unternehmens Vertrauen in Zahlen aufgebaut. Eine Zahl zur Kundenbindung beispielsweise, die in diesem einzigen Tool berechnet wird, ist die gleiche Zahl, die von allen Teams angegeben wird, und kann der C-Suite mit Vertrauen präsentiert werden. Das Tool sollte über Audit-Funktionen verfügen, damit Sie die genaue SQL-Anweisung sehen können, die an das zugrunde liegende Warehouse bzw. den See ausgegeben wurde, um jede analytische Berechnung unabhängig überprüfen zu können.

Mit dem Vertrauen in die Zahlen steigt auch die Nutzung von Analysen durch alle Teams im Unternehmen und der Geschäftswert.

ROI generieren

Mit einer breiteren Customer Analytics-Plattform ist der ROI viel höher. Die Kosten sind niedriger, da es keine Datenkopien und keine Verwaltung von Datenverschiebungsaufträgen gibt. Die Prozesse sind effizienter, da keine Zeit mit dem Debuggen von Unstimmigkeiten in isolierten Bereichen verschwendet wird. Die Kosten für Sicherheit und Governance werden durch eine einzige Kopie der Daten unter der Kontrolle des Unternehmens und einen sorgfältig kontrollierten Zugriff auf den zentralen Speicher gesenkt. Da Analysen durch die Einbeziehung eines umfassenderen Geschäftskontextes und die Unterstützung mehrerer Teams einen größeren Einfluss auf das Geschäft haben, lassen sich die Ausgaben für Analysen leicht rechtfertigen.

Customer Analytics-Tools können potenziell einen um Größenordnungen besseren ROI bieten als herkömmliche Product Analytics-Tools.

Konsolidierung von Anbietern und Tools

Wenn Sie sich die Kundenanalyse als eine Kombination aus Produktanalyse, Marketinganalyse und Erlebnisanalytik vorstellen und diese auf die derzeitige Anzahl von Anbietern übertragen, sehen Sie eine starke Fragmentierung und Überschneidung. Aber ein dringend notwendiger Konsolidierungstrend hat bereits begonnen. Die Übernahme von Heap durch Contentsquare, die Ankündigung eines Produktanalyseangebots durch Adobe, die Einführung von Marketing Analytics durch Mixpanel, die Einführung von Session Replay durch Amplitude, das Angebot von Product Analytics durch FullStory usw. sind Anzeichen für diese Konsolidierung. Darüber hinaus müssen wir die Konsolidierung der meisten ereignisorientierten Analysen, die heute in generischen BI-Tools durchgeführt werden, in ein erstklassiges Customer Analytics-Tool sehen.

Der dominierende Anbieter in diesem Bereich wird derjenige sein, der in der Lage ist, eine zusammenhängende und dennoch modulare Customer Analytics-Suite auf einer modernen Data Warehouse/Lakehouse-Architektur anzubieten.

Gartner Magic Quadrant für Kundenanalyse?

Der Magic Quadrant (MQ) von Gartner für einen Bereich ist oft ein Zeichen für die Reife dieses Bereichs. Normalerweise erscheint ein MQ, wenn die 2. Generation von Tools in einer breiten, klar definierten, zusammenhängenden Kategorie auftaucht. Ich gehe davon aus, dass wir in den nächsten Jahren einen Gartner MQ für Customer Analytics sehen werden, der Produktanalytik, Marketinganalytik und die Analyse des digitalen Erlebnisses umfasst.

Machen Sie Produktanalyse wieder großartig!

Lassen Sie mich diesen Satz im Scherz und ohne die Absicht, irgendwelche politischen Federn zu rupfen, als Plädoyer dafür verwenden, "Product Analytics wieder großartig zu machen!" Es handelt sich hier um einen noch jungen Bereich, in dem bis zu einem Drittel des Marktes noch nicht einmal erschlossen ist. Lassen Sie dieses neue Segment mit einer modernen Analyseplattform auf dem richtigen Fuß beginnen. Lassen Sie uns den Marktteilnehmern, die desillusioniert sind, einen Gefallen tun. Bieten wir eine neue Art von Analytik an, die einen großen Wert für sie darstellt.