Die modulare CDP und was sie für die Produktanalyse bedeutet

Mehrere Trends verändern die Produktanalytik heute. In meinem letzten Beitrag habe ich darüber gesprochen, wie Apps in ein zentralisiertes Cloud Data Warehouse verlagert werden und warum Produktanalysen direkt auf dem Data Warehouse aufgebaut werden sollten.

Data Warehouses verändern auch die Art und Weise, wie Unternehmen ihre Kundendaten in CDPs (Customer Data Platforms) speichern. CDPs wurden im letzten Jahrzehnt als Drehscheiben für die Sammlung, Umwandlung und Aktivierung von Daten populär, die durch Kundeninteraktionen über digitale Berührungspunkte hinweg generiert wurden.

Jetzt erleben wir das Aufkommen einer neuen Art von CDP: die modulare CDP. Dieser neue Ansatz baut auf dem Data Warehouse auf. Er bietet ein modulares System aus erstklassigen Tools anstelle der starren, monolithischen Architektur, die man bei herkömmlichen CDPs findet. In diesem Beitrag werde ich die Entwicklung von der CDP zur modularen CDP darstellen und erläutern, wie sich dieser Wandel auf die Zukunft der Produktanalyse auswirkt.

Eine kurze Geschichte der CDPs

Eine CDP ist eine All-in-One-Datenplattform, die für Marketing- und Produktteams entwickelt wurde. CDPs dienen als Datenbank für alle Kundeninformationen mit einer gebündelten Aktivierungsschicht, die die Daten für die Marketing Automation nutzt. Bevor es CDPs gab, gab es das Web-Tag-Management.

Als Grundlage für digitale Werbung und Marketing fordert ein Tag einen unsichtbaren Inhalt im Web an, z.B. ein transparentes Tracking-Pixel. In den frühen 2010er Jahren kamen CDPs als Ersatz für Tags auf, um deren zahlreiche Einschränkungen zu beseitigen.

CDPs verfolgen einen kundenzentrierten Ansatz bei der Verwaltung von Kundeninformationen. Anstelle des "fire and forget" von Tags sammeln CDPs Kundendaten zentral über SDKs oder APIs, wandeln sie um und leiten sie zur Aktivierung an nachgelagerte Apps weiter. Sie funktionieren über das Web, mobile und andere Plattformen. Die meisten CDPs haben ein bestimmtes Schema, um die Nutzung durch nachgelagerte Anwendungen zu vereinfachen. Es liegt also am Unternehmen, sich an die CDP-Spezifikationen zu halten, um den größten Nutzen daraus zu ziehen.

Heute stellen CDPs eine beständige, einheitliche Kundendatenbank dar, die folgende wichtige Funktionen bietet:

1. Datenerfassung: Datenerfassung in Echtzeit aus jeder Datenquelle, einschließlich des vollständigen Kundenkontexts.
2. Datenspeicherung und -verwaltung: Speichern Sie schematisierte Daten auf unbestimmte Zeit und bieten Sie Zugriffskontrolle und Governance.
3. Datenumwandlung: Anreicherung der gesammelten Daten, vor allem durch Identitätsauflösung, die die kanalübergreifenden Interaktionen einer Person zu einem einheitlichen Profil zusammenführt.
4. Datenaktivierung: Synchronisieren Sie Profile und Zielgruppensegmente mit nachgelagerten Apps, z.B. mit Marketingkanälen.

Die Zukunft: modulare CDP

Obwohl CDPs anfangs ein Katalysator für das Wachstum waren, haben sie sich zunehmend zu einem Engpass bei der Übernahme moderner Datenpraktiken entwickelt. Ihre grundlegende Einschränkung besteht darin, dass sie auf einer simplen Datenschicht aufbauen, was viele Rich-Data-Anwendungen daran hindert, die Kundeninformationen optimal zu nutzen.

Composable CDPs gehen dieses Problem an, indem sie ein standardkonformes Cloud Data Warehouse als Datenplattform verwenden, um die herum ein ganzes Ökosystem von Bausteinen im Lego-Stil aufgebaut werden kann, um erstklassige Lösungen für unterschiedliche Anforderungen zu bieten.

Dies ist eine Weiterentwicklung der CDP-Architektur hin zu einer größeren Datenzentrierung, die das Data Warehouse zur einzigen Quelle der Wahrheit und zur Rechenplattform für alle Kundenanforderungen macht:

• Datenerfassung: Erweitert, um auch Nicht-Clickstream-Daten (wie z. B. den Status) aus Anwendungsdatenbanken, SaaS-Tools von Drittanbietern usw. zu erfassen und so eine 360-Grad-Sicht auf den Kunden zu erhalten.
• Datenumwandlung: Die einfachen Dinge sind nach wie vor einfach, z.B. die Identitätsauflösung durch DBT, aber dank der vollen Leistungsfähigkeit von SQL sind auch fortgeschrittenere Funktionen verfügbar. Benutzer können Joins durchführen oder komplexe Berechnungen vornehmen, z. B. ML-basierte Identitätsauflösung mit Zingg.
• Datenmodellierung: Behalten Sie die volle Kontrolle über Ihr Datenmodell, um es an Ihre geschäftlichen Anforderungen anzupassen, jetzt und in Zukunft.
• Datenaktivierung: Die ausgefeilten Funktionen des Data Warehouse zur Datenmanipulation ermöglichen ein reichhaltigeres Ökosystem von Datenaktivierungstools, wodurch Datensilos vermieden werden.

Die großen Cloud Data Warehouses von heute (z.B. Snowflake, Databricks) positionieren sich als Composable CDP der Wahl. Um diese Plattformen herum hat sich ein reichhaltiges Ökosystem von durchdachten und gut integrierten Daten-Apps und -Diensten entwickelt.

Produktanalytik und CDP

Das Aufkommen der modularen CDP führt zu einem Wandel in der Produktanalytik. Produktanalysetools der ersten Generation, wie Mixpanel und Amplitude, nehmen Produktinstrumentierungsdaten auf, die sie aus ihrem SDK oder einer CDP beziehen. Die Daten werden in ihren Computersilos gespeichert und die Analysen beschränken sich auf die von diesen Tools bereitgestellten Out-of-Box-Funktionen.

Im Gegensatz dazu kann die nächste Generation von Produktanalysetools die umfangreichen Daten- und Rechenfunktionen nutzen, die das Data Warehouse bietet. Es ist daher keine Überraschung, dass 80 % der Produktanalysetools der ersten Generation die Daten der Messgeräte in das Data Warehouse exportieren, um umfassendere Analysen durchzuführen. Dies führt zu mehr Komplexität und Kosten.

Werfen wir einen Blick darauf, wie ein typischer Produktanalyse-Workflow mit Optimizely Warehouse-Native Analytics auf einer modularen CDP aussieht:

• Datenerfassung: Ziehen Sie Instrumentierungsdaten aus Segment, Snowplow oder Rudderstack zusammen mit Geschäftsdaten aus Ihren Anwendungsdatenbanken oder SaaS-Tools von Drittanbietern mit Fivetran. Legen Sie all diese Daten in einem Cloud Data Warehouse ab, z. B. Snowflake, Databricks, AWS Redshift oder Google BigQuery.
• Datentransformation und -modellierung: Erstellen Sie ein Datenmodell in Optimizely Warehouse-Native Analytics mit der vollen Flexibilität eines SQL-fähigen Data Warehouse für allgemeine Zwecke und nutzen Sie dabei möglicherweise Open Source-Tools wie dbt.
• Produkt- und Verhaltensanalytik mit Optimizely Warehouse-Native Analytics: Beginnen Sie mit Self-Service-Produktanalyseschablonen und fahren Sie dann für ein tieferes, umfassenderes Verständnis der Produktnutzung und des Kundenerlebnisses mit der Ad-hoc-Datenexploration fort.