Veröffentlicht am 17. September 2022

3 Gründe, warum Produktanalytik direkt auf Ihrem Data Warehouse arbeiten sollte

icon

Produktanalysetools nehmen der Produktentwicklung das Rätselraten ab. Sie geben den Teams einen "Röntgenblick" darauf, wie Benutzer und Kohorten mit dem Produkt umgehen, und zwar so detailliert wie die Klickrate auf eine Schaltfläche oder der Abfall bei jedem Schritt einer User Journey.

Trotz dieser Vorteile haben viele Produktmanagement-Teams noch immer keine Analysetools eingeführt, vor allem, weil ihre bestehende Architektur viele reale Anforderungen nicht erfüllen kann.

In diesem Beitrag erkläre ich, warum die Produktanalyse direkt mit dem modernen Data Warehouse/Data Lakehouse arbeiten sollte und wie dies viele der Herausforderungen und Beschränkungen der heutigen Analytik löst.

Eine kurze Geschichte der Produktanalytik

Bevor es eine vollwertige Produktanalysesoftware gab, gab es Webanalysetools wie Google Analytics, die aggregierte Statistiken über das Website-Engagement lieferten, z.B. Seitenaufrufe, Sitzungsdauer usw. Mixpanel und andere Produktanalysetools der ersten Generation machten dann einen Quantensprung, indem sie die detaillierten Ereignisse aufzeichneten, aus denen sich die Reise eines Benutzers zusammensetzt. Zu den Ereignissen gehört jede Art der Interaktion eines Benutzers mit einer App. Beispiele sind das Anklicken einer Anmeldeschaltfläche, der Abschluss eines Kaufs oder das Durchsuchen eines Empfehlungs-Feeds. Ereignisse geben einen viel tieferen Einblick in das Benutzerverhalten als Seitenaufrufe allein.

Frühe Produktanalysetools haben auch die Reichweite der Nachverfolgung über das Internet hinaus auf andere digitale Berührungspunkte wie Mobiltelefone und E-Mail erweitert. Zusammengenommen verbesserten diese Änderungen die Fähigkeit der Entwicklungsteams, die treibenden Kräfte für das Engagement zu identifizieren und ihre Produkte zu entwickeln. Jede UX-Entscheidung konnte vollständig durchdacht und mit Daten begründet werden. Heute ist die Akzeptanz von Analysetools hoch, obwohl es immer noch Reibungsverluste gibt, die viele Teams davon abhalten, den Wechsel zu vollziehen.

Warum die Produktanalyse in das Data Warehouse gehört

Seit dem Aufkommen der Produktanalytik hat sich die Bedeutung von Ereignisdaten nicht geändert - sie ist nur noch wichtiger geworden. Eines hat sich jedoch geändert: die Art und Weise, wie Unternehmen mit ihren Daten arbeiten und sie verwalten.

Unternehmen benötigen heute Produktanalysen, die direkt mit dem Data Warehouse arbeiten.

Hier sind drei Gründe dafür:

  1. Vermeidung von Datenduplikaten und ETL-Pipelines

    Viele Analysetools der ersten Generation haben sich organisch entwickelt, um Produktnutzungsdaten in ihren internen Speicher aufzunehmen. Dabei handelt es sich um proprietäre Datenspeicher, die oft den Aufbau von ETL-Pipelines (Extrahieren, Transformieren, Laden) erfordern, um Datensilos zu überbrücken. Eine Vielzahl von Ad-hoc-Datenpipelines ist für Dateningenieure sehr kostspielig zu pflegen und erfüllt nicht die zentrale Geschäftsanforderung, die darin besteht, die Kontrolle darüber zu behalten, wo die Daten gespeichert werden.

    Die Analysetools der nächsten Generation gehen diese Probleme direkt an, indem sie das Data Warehouse eines Unternehmens als modulare CDP nutzen, d.h. als modularisierte Version eines Kundendatenspeichers mit Softwareebenen, die ein Unternehmen individuell anpassen kann. Ein Unternehmen kann alle seine Daten an einem Ort aufbewahren, und das Analysetool ist mit diesem Datenspeicher verbunden, so dass unnötige Doppelarbeit vermieden wird. Das bedeutet, dass es keine Datensilos mehr gibt und die Kosten für das Data-Engineering-Team sinken.
  2. Beseitigen Sie den Tunnelblick

    Die Produktanalyse hat ihren Ursprung in der Analyse eines Clickstreams und die meisten Tools der ersten Generation beschränken sich noch immer auf einen einzigen Ereignisstrom. Im Gegensatz dazu kann es für das Verständnis des Benutzerverhaltens erforderlich sein, zusätzliche Interaktionen zu analysieren, z. B. aus Backend-Datenbanken oder SaaS-Tools von Drittanbietern (z. B. Benutzerabwanderung nach Ausgaben in Salesforce). Bestehende Tools erschweren diesen allgemeinen Bedarf übermäßig, so dass die Benutzer Gefahr laufen, einen Tunnelblick zu entwickeln, d.h. nur einen kleinen Ausschnitt des Erlebnisses der Benutzer zu sehen.

    Ein Data Warehouse ist das natürliche Repository für alle Daten eines Unternehmens, einschließlich Produktinstrumentierungsdaten von digitalen Touchpoints, Transaktionen aus der Anwendungsdatenbank, SaaS-Daten von Drittanbietern wie Kundensupport-Tickets usw. Die Nutzung eines Data Warehouse ermöglicht es Produktteams, den gesamten Kontext des Erlebnisses eines Benutzers in die Produktanalyse einzubeziehen, was zu hochwertigen, umfassenden Erkenntnissen führt, anstatt den Tunnelblick herkömmlicher Analysearchitekturen zu nutzen.
  3. Bieten Sie eine größere Erweiterbarkeit

    Produktanalysetools der ersten Generation unterstützen von Haus aus eine feste Anzahl von Abfragen. Wenn ein Team eine neue Frage beantworten muss, greift es in der Regel auf ein separates Business Intelligence (BI)-Tool oder ein Python-Notebook zurück und umgeht so die Produktanalyse, während es gleichzeitig einen Modellierungsaufwand und Konsistenzprobleme verursacht. Das Iterieren von Abfragen wird zu einem sehr zeitaufwändigen und manuellen Prozess.

    Produktanalysen, die auf Data Warehousing aufsetzen, können erweiterte oder Ad-hoc-Analysen unterstützen und die Replikation der Analysen in einem BI-Tool aufschieben oder überflüssig machen. Der Data-Warehouse-Ansatz ist extrem skalierbar für die Bedürfnisse eines Unternehmens und kann eine Reihe von Anwendungsfällen und Komplexitätsgraden bewältigen. Diese Behauptung geht tiefer, als sie hier Platz findet, aber bleiben Sie dran für zukünftige Updates unseres Teams zu diesem Thema.

Zusammenfassend

Die Produktanalytik der ersten Generation hat einen schlechten ROI, weil sie auf einem veralteten Datenstapel basiert, der nur begrenzte analytische Funktionen bietet.

Das Aufkommen des Cloud Data Warehouse als ausgereifte Allzweckplattform eröffnet eine breite Palette von Möglichkeiten für die Produktanalyse.

Mit Optimizely Warehouse-Native Analytics ist es unsere Vision, ein Erlebnis für die Produktanalyse zu schaffen, das direkt auf dem Data Warehouse arbeitet und weit über die heutigen Anwendungsfälle hinaus skaliert.