Gjør produktanalyser gode igjen

I løpet av ferien stilte noen meg dette spørsmålet -"Hvorfor er det slik at Amplitude, markedslederen innen produktanalyse, bare er verdsatt til ~ 1 milliard dollar etter å ha eksistert i over et tiår? Er det et tegn på at produktanalyseområdet er dødt?".

Mitt svar var i et nøtteskall:"Produktanalyse er ikke dødt. Langt ifra. Det er enda viktigere i dag. Men måten vi tenker på produktanalyse på, og verktøyene vi har brukt til det, må endres radikalt. Området trenger en omstart".

La meg forklare dette.

Den tidlige utviklingen av produktanalyse

La oss først prøve å forstå hvordan tradisjonelle produktanalyseverktøy som Amplitude utviklet seg. De dukket opp for ti år siden, da et stort antall mobilapper og produktstyrte SaaS-tjenester ble utbredt. Det var avgjørende å få en forståelse av brukernes produktbruk, spesielt i forbrukerorienterte produkter med høy turnover. På den tiden fantes det ingen gode alternativer for å gjøre dette på en god måte. Analyseverktøyene var først og fremst BI-verktøy som Tableau og Qlik. Disse verktøyene var gode for rapportering på ERP-, CRM-, HCM- osv. data i lageret. Men de kunne ikke brukes til produktanalyse, fordi

1. Hendelsesdata fra produktinstrumentering nådde aldri tradisjonelle datavarehus. Datavarehusene var ikke utviklet for å ta inn, lagre og behandle hendelsesdata på en effektiv og kostnadseffektiv måte.
2. BI-verktøyene var ikke utviklet for å uttrykke eller beregne hendelsesorienterte analyser.
3. Digitale produkt- og markedsføringsteam i rask bevegelse trengte en rask løsning som ikke var avhengig av trege sentrale datateam i bedriften.

Som et resultat av de ovennevnte begrensningene dukket det opp spesialbygde, pakkeløsninger for produktanalyse, verktøy som inkluderte alt i én enkelt SaaS-tjeneste - instrumentering, lagring, databehandling og visualiseringer. For en gangs skyld kunne produkt- og vekstteamene få innsyn i bruken av produktet. De kunne utføre grunnleggende analyser som hendelsessegmentering, trakter, stier osv. ved hjelp av ferdige maler. De kunne bruke disse analysene til å optimalisere produktfunksjonene. Dette var et stort gjennombrudd.

Desillusjonens dal

Produkt- og vekstteamene begynte å ta i bruk disse verktøyene i stor skala. Det ble brukt enorme summer på disse verktøyene, som ble svært kostbare etter hvert som selskapene vokste, og hendelsesvolumene økte raskt. Det var en tro på at det ville bli tatt beslutninger som hadde innvirkning på virksomheten, basert på analyser i disse verktøyene, og at utgiftene til disse verktøyene ville lønne seg. Men skuffelsen meldte seg raskt:

1. Analysene i disse verktøyene var så siloformede og baserte seg på så begrensede data (og ofte av så dårlig kvalitet) at det ikke var mulig å ta beslutninger som hadde noen vesentlig innvirkning på virksomheten.
2. Kostnadene var så høye at avkastningen på investeringen ikke var til stede sammenlignet med fordelene.
3. Utover de første, grunnleggende analysene i disse verktøyene endte forretningsteamene opp med å ringe datateamene for å få utarbeidet rapporter for det andre innsiktsnivået, og de slet ofte med å forklare kravene, ventet i ukevis på å få rapportene og fikk ikke analysene raskt nok til at de kunne brukes til noe.
4. Datateamene slet med å trekke ut data fra proprietære produktanalyseverktøy og inn i datavarehuset, og med å bruke et BI-verktøy (feil verktøy for produktanalyse, men det eneste tilgjengelige!) til å produsere rapporter.
5. Analysene ble fragmentert på tvers av produktanalyse- og BI-verktøy, med svært lav tillit til tallene som ble produsert av produktanalyseverktøyene.
6. Sikkerhetsteamene, med stadig strengere krav til samsvar og styring, begrenset dataene som kunne sendes til eksterne analysetjenester, noe som bidro til å redusere deres analytiske verdi.

I dag er vi i ferd med å bli desillusjonerte når det gjelder produktanalyse

Produktanalyse har ikke holdt det den lovet. Bedrifter som har brukt mye penger på tradisjonelle produktanalyseverktøy, trapper ned på investeringene sine. Produktanalyseverktøy har gått fra å være et must til å bli et nice-to-have. Det er ikke rart at de fleste produktanalyser i dag ikke gjøres i tradisjonelle produktanalyseverktøy! De gjøres (smertefullt nok!) i BI-verktøy. Denne trenden akselererer, og det er grunnen til at markedslederne innen produktanalyse er lavt verdsatt.

Har behovet for produktanalyse forsvunnet?

Ikke i det hele tatt. Behovet for produktanalyse har ikke forsvunnet. Det har snarere økt, ettersom stadig mer programvare konsumeres som SaaS-tjenester på abonnementsbasis, og produktstyrt vekst blir den primære forretningsmetoden for stadig flere produktstyrte selskaper. Å ha en dyp forståelse av produktbruk og kundeatferd er avgjørende for å overleve i et konkurranseutsatt marked. Behovet for produktanalyse er absolutt til stede, og behovet vokser. TAM er stort og fortsatt i stor grad uutnyttet. Men vi trenger en grunnleggende omstart i måten vi tenker produktanalyse på.

Utvikling fra produktanalyse til kundeanalyse

Det første steget i omleggingen av produktanalyse er å ikke tenke på produktanalyse lenger, men heller tenke på en bredere "kundeanalyse". Kundeanalyse er analyse på tvers av produktinstrumentdata og alle andre kundedata (salg, support, økonomi, markedsføring, suksess osv.).

Customer Analytics har innvirkning på virksomheten, mens Product Analytics ikke har det

Analyse handler ikke lenger bare om bruk av produktfunksjoner, men også om hvordan bruken påvirker virksomheten - for eksempel genererte inntekter eller supportopptrappinger. Det handler om tall for oppbevaring av kunder som ikke er misvisende, fordi de nå inkluderer avbestillinger utenfor produktet. Det handler om å optimalisere de riktige funksjonene for de riktige kontoene, som genererer mest inntekter. Det handler om å måle effekten av markedsføringen, ikke bare i form av antall påmeldinger etter en kampanje, men i form av den langsiktige økonomiske verdien av de nye kundene. Det handler om å forstå kundereiser, ikke bare i produktet, men også på tvers av alle kanaler som butikk, support, chat, lojalitetsprogrammer, partnere osv. Det handler om at suksess- og supportteamene kan øke CSAT og kundelojalitet ved å forstå atferden til brukerne av kontoene deres. Det handler om at driftsteamene skal kunne evaluere den forretningsmessige effekten av produkt- og nettstedsopplevelser og bruke dette til å prioritere problemer på en bedre måte.

Customer Analytics gir en delt, konsistent og lett tilgjengelig oversikt over kundeatferd for alle kundeorienterte team i bedriften, på tvers av alle kundekontaktpunkter - i eller utenfor produktet.

Ingen flere datasiloer. Ingen flere analysesiloer.

Bryte datasiloen

Det første skrittet mot å realisere visjonen om Customer Analytics er å bryte datasiloene og samle alle data i ett og samme datalager. I dagens bedrifter er datavarehuset/datasjøen det ubestridte datalageret for alle data. Moderne datavarehus/datalagre i skyen, som Snowflake, BigQuery, Redshift og Databricks, har innledet konsolideringen av alle data i ett enkelt lager. Mens lageret alltid har vært det sentrale stedet for data som brukes i forretningsrapportering, er den store endringen nå at moderne datavarehus/datalagre også er i ferd med å bli det sentrale stedet for hendelsesorienterte data, f.eks. klikkstrømmer, IoT, logger og enhetsdata. Det er nå mulig å ta inn og lagre også denne typen data i lageret/innsjøen raskt og effektivt.

Datavarehuset/-sjøen er tyngdepunktet for alle data i bedriften - hendelsesdata og tilstandsdata

Alle applikasjoner, inkludert Customer Analytics, bør tilpasse seg denne endringen og omstille seg for å unngå å kopiere data ut til sine proprietære siloer.

Neste generasjons CDP-er

CDP-området, som er direkte relatert til produktanalyse, er også i ferd med å bli omdefinert. CDP-er oppsto som en markedsføringsløsning som var frakoblet de sentrale datasystemene og -teamene i bedriften. Selv om de ga rask verdi i de første årene, har de lidd under de samme problemene som silosystemer. I dag bygges neste generasjons komponerbare CDP-er opp på nytt på toppen av datavarehuset med de beste verktøyene i klassen - RudderStack og Snowplow for instrumentering, Hightouch og Census for aktivering, DBT for datatransformasjoner knyttet til identitetsoppløsning, sesjonisering osv. og ML-funksjoner i varehusets økosystem for attribusjon og prediksjon.

Kjernen i Customer Analytics er selvfølgelig kundeenheten. Jo høyere kvalitet og rikdom på kundeenheten, desto bedre blir analysene.

Neste generasjons CDP-er, med sine omfattende kundedatamodeller, gjør det mulig å gjennomføre mer omfattende kundeanalyser.

Bryter analysesiloen

Når du har én enkelt kilde til alle dataene i lageret/datasjøen, er neste trinn å ha ett enkelt analyseverktøy for alle kundeorienterte analyser som kan utnytte disse dataene. Analyseverktøy har et lag med metadata (for eksempel definisjon av måleparametere) over tabellene i lageret/innsjøen. Å ha en versjon av disse metadataene i mange forskjellige verktøy resulterer i flere sannhetskilder, noe som absolutt må unngås. Det blir vanskelig å dele kontekst på tvers av flere verktøy, selv om de bruker samme underliggende lager, fordi hvert verktøy har sin egen representasjon av konteksten, f.eks. en kohort av brukere som har falt fra mellom to stadier av en trakt. Med ett enkelt kundeanalyseverktøy unngår man disse problemene med fragmenterte og svake analyser.

Ett enkelt kundeanalyseverktøy dekker behovene til produkt-, vekst-, markedsførings-, salgs-, suksess- og supportteamene for alle deres analysebehov

Dette har ikke vært mulig tidligere fordi hendelsesorienterte systemer (som Product Analytics) og tilstandsorienterte systemer (som BI) har ulik arkitektur når det gjelder metadatarepresentasjoner og beregningsmekanismer. Det er imidlertid slik disse systemene har utviklet seg historisk. Selv om det er teknisk utfordrende, er det mulig å ha ett enkelt analyseverktøy som kan forene hendelses- og tilstandsorienterte verdener.

Bygge tillit

Med ett enkelt analyseverktøy som arbeider ut fra én enkelt sannhetskilde uten kopier, bygges det opp tillit til tallene i organisasjonen. Et tall for oppbevaring, for eksempel, som beregnes i dette ene verktøyet, er det samme tallet som oppgis av alle team, og kan presenteres for toppledelsen med tillit. Verktøyet bør ha revisjonsfunksjoner som gjør det mulig å se nøyaktig hvilken SQL som ble utstedt til det underliggende lageret/innsjøen, slik at alle analytiske beregninger kan verifiseres uavhengig av hverandre.

Med tillit til tall kommer mer bruk av analyser på tvers av alle team i bedriften, og mer forretningsverdi

Skap avkastning på investeringen

Med en bredere Customer Analytics-plattform er avkastningen mye høyere. Kostnadene blir lavere uten datakopier og administrasjon av dataflyttingsjobber. Prosessene blir effektive uten bortkastet tid på å feilsøke avvik på tvers av siloene. Sikkerhets- og styringskostnadene reduseres med én enkelt kopi av dataene under virksomhetens kontroll, og med nøye kontrollert tilgang til det sentrale datalageret. Etter hvert som analysene får større innvirkning på virksomheten ved at de inkorporerer en rikere forretningskontekst og betjener flere team, kan utgiftene til analyser lett rettferdiggjøres.

Kundeanalyseverktøy kan potensielt gi en størrelsesorden bedre avkastning på investeringen enn tradisjonelle produktanalyseverktøy.

Konsolidering av leverandører og verktøy

Hvis du tenker på kundeanalyse som en kombinasjon av produktanalyse, markedsføringsanalyse og analyse av digitale opplevelser, og kartlegger det med dagens leverandører, ser du mye fragmentering og overlapping. Men en sårt tiltrengt konsolideringstrend har allerede begynt. Contentsquares oppkjøp av Heap, Adobes kunngjøring av et produktanalysetilbud, Mixpanel som lanserer markedsføringsanalyse, Amplitude som lanserer session replay, FullStory som tilbyr produktanalyse osv. er tegn på denne konsolideringen. I tillegg til dette må vi se en konsolidering av de fleste hendelsesorienterte analysene som i dag gjøres i generiske BI-verktøy, til et førsteklasses Customer Analytics-verktøy.

Den dominerende leverandøren på dette området kommer til å være en som kan tilby en sammenhengende, men komponerbar, Customer Analytics-pakke på en moderne datavarehus-/lakehouse-arkitektur.

Gartners magiske kvadrant for kundeanalyse?

Gartners Magic Quadrant (MQ) for et område er ofte et tegn på modenhet i dette området. Vanligvis dukker det opp en MQ når andre generasjon verktøy dukker opp i en bred, veldefinert og sammenhengende kategori. Min spådom er at vi i løpet av de neste par årene vil se en Gartner MQ for kundeanalyse, som omfatter produktanalyse, markedsføringsanalyse og analyse av digitale opplevelser.

Gjør produktanalyse stor igjen!

Jeg bruker uttrykket på spøk, og uten å ha til hensikt å provosere noen politiske fjær, la meg komme med en bønn om å "gjøre produktanalyse flott igjen!" Dette er fortsatt et nytt område der så mye som en tredjedel av markedet ikke engang er utnyttet. La dette nye segmentet få en god start med en moderne analyseplattform. La oss gjøre det rette for den delen av markedet som har blitt desillusjonert. La oss tilby en ny type analyse som skaper stor verdi for dem.