Publicerad september 17, 2022

3 skäl till att produktanalys bör fungera direkt på ditt datalager

icon

Verktyg för produktanalys gör att produktutvecklingen inte längre behöver vara en gissningslek. De ger teamen "röntgenblick" över hur användare och kohorter engagerar sig i produkten, så detaljerat som klickfrekvensen på en knapp eller nedgången i varje steg i en användarresa.

Trots dessa fördelar är det många Product Management-team som fortfarande inte har infört analysverktyg, främst för att deras äldre arkitektur inte kan tillgodose många verkliga behov.

I det här inlägget förklarar jag varför produktanalys bör fungera direkt på det moderna datalagret/datasjöhuset och hur detta löser många av de utmaningar och begränsningar som finns för analys idag.

En kort historik över produktanalys

Innan det fanns fullfjädrade produktanalysprogram fanns det webbanalysverktyg som Google Analytics, som tillhandahöll aggregerad statistik om engagemang på webbplatsen, t.ex. sidvisningar, sessionslängder etc. Mixpanel och andra första generationens produktanalysverktyg tog sedan ett stort kliv framåt genom att kartlägga de detaljerade händelser som ingår i en användarresa. Händelser inkluderar alla sätt som en användare kan interagera med en app. Exempel är att klicka på en registreringsknapp, slutföra ett köp eller bläddra igenom ett rekommendationsflöde. Händelser ger en mycket djupare inblick i användarnas beteende än enbart sidvisningar.

Tidiga verktyg för produktanalys utökade också spårningens räckvidd bortom webben till att omfatta andra digitala kontaktpunkter som mobil och e-post. Tillsammans förbättrade dessa förändringar radikalt utvecklingsteamens förmåga att identifiera drivkrafter för engagemang och utveckla sina produkter. Varje UX-beslut kunde vara helt genomtänkt och motiverat med data. I dag är användningen av analysverktyg hög, även om det fortfarande finns hinder som gör att många team inte vågar ta steget fullt ut.

Varför produktanalys hör hemma i datalagret

Sedan produktanalysens intåg har betydelsen av händelsedata inte förändrats - den har bara blivit viktigare. Men en sak har förändrats, och det är hur företag arbetar med och hanterar sina data.

Företag idag behöver produktanalys som fungerar direkt på datalagret.

Här är tre anledningar till varför:

  1. Undvik dataduplicering och ETL-pipelines

    Många första generationens analysverktyg utvecklades organiskt för att ta in produktanvändningsdata i deras interna lagring. Det här är proprietära datalager som ofta kräver att man bygger ETL-pipelines (extrahera, transformera, ladda) för att överbrygga åtskilda datasilos. En mängd ad hoc-datapipelines är mycket dyra för dataingenjörer att underhålla, samtidigt som de inte löser kärnverksamhetens behov av att behålla kontrollen över var data lagras.

    Nästa generations analysverktyg tacklar dessa problem direkt genom att utnyttja ett företags datalager som en komponerbar CDP, en modulariserad version av ett kunddatalager med mjukvarulager som en organisation kan anpassa. Ett företag kan samla alla sina data på ett ställe och analysverktyget har gränssnitt mot datalagret, vilket gör att onödig duplicering undviks. Detta innebär att det inte längre finns några åtskilda datalager och att kostnaderna för datateknikteamet minskar.
  2. Eliminera tunnelseende

    Produktanalys har sitt ursprung i analys av en klickström och de flesta verktyg i den första generationen begränsar fortfarande användarna till en enda händelseström. För att förstå användarnas beteende kan det däremot krävas analys av ytterligare interaktioner, t.ex. från backend-databaser eller SaaS-verktyg från tredje part (t.ex. användarnas churn efter utgifter i Salesforce). Befintliga verktyg gör detta vanliga behov alltför svårt, vilket gör användarna sårbara för tunnelseende - att bara ha insyn i en smal del av användarupplevelsen.

    Ett datalager är det naturliga förvaret för alla företagets data, inklusive produktinstrumentdata från digitala kontaktpunkter, transaktioner från applikationsdatabasen, tredjepartsdata från SaaS som t.ex. ärenden till kundsupport osv. Genom att utnyttja ett datalager kan produktteam tillämpa hela sammanhanget för en användarupplevelse i produktanalyser, vilket resulterar i högkvalitativa, breda insikter istället för tunnelseende från traditionella analysarkitekturer.
  3. Större utökningsbarhet

    Första generationens verktyg för produktanalys stöder en fast uppsättning frågor som levereras direkt. När ett team behöver svara på en ny fråga är det vanligt att man går tillbaka till ett separat BI-verktyg (Business Intelligence) eller en Python-anteckningsbok, vilket innebär att man undviker produktanalys helt och hållet samtidigt som man introducerar modelleringskostnader och konsekvensproblem. Att iterera på frågor blir en mycket tidskrävande och manuell process.

    Produktanalys i lager på datalager kan gå längre när det gäller att stödja avancerade eller ad hoc-analytiska behov, vilket skjuter upp eller eliminerar behovet av att replikera analysen i ett BI-verktyg. Datalagringsmetoden är extremt skalbar för en organisations behov och kan hantera en rad olika användningsområden och komplexitetsnivåer. Det finns mer djup i detta påstående än vad som ryms här, men håll ögonen öppna för framtida uppdateringar från vårt team i detta ämne.

Avslutning

Första generationens produktanalys har dålig ROI eftersom den bygger på en äldre datastack med begränsade analytiska funktioner.

Framväxten av molndatalagret som en mogen plattform för allmänna ändamål öppnar upp för ett brett spektrum av möjligheter för produktanalys.

Med Optimizely Warehouse-Native Analytics är vår vision att bygga en produktanalysupplevelse som fungerar direkt på datalagret och skalar långt bortom dagens användningsfall.