Den komponerbara CDP:n och vad den innebär för produktanalys

Det finns flera trender som förändrar produktanalysen idag. I mitt tidigare inlägg talade jag om hur appar flyttar till ett centraliserat datalager i molnet och varför produktanalys bör byggas direkt på datalagret.

Datalager förändrar också hur företag lagrar sina kunddata i CDP:er (kunddataplattformar). CDP:er blev populära under det senaste decenniet som nav för insamling, transformation och aktivering av data som genereras av kundinteraktioner över digitala kontaktpunkter.

Nu ser vi framväxten av en ny typ av CDP: den komponerbara CDP :n. Denna nya metod är uppbyggd kring datalagret. Det erbjuder ett modulärt system med förstklassiga verktyg istället för den stela, monolitiska arkitektur som finns i traditionella CDP:er. I det här inlägget kommer jag att kartlägga utvecklingen från CDP till komponerbar CDP och hur detta skifte påverkar framtiden för produktanalys.

En kort historik över CDP:er

En CDP är en allt-i-ett-dataplattform som är byggd för marknadsförings- och produktteam. CDP:er fungerar som en databas med all kundinformation med ett aktiveringslager som utnyttjar data för marketing automation. Innan det fanns CDP:er fanns det hantering av webbtaggar.

En tagg, som är grundläggande för digital reklam och marketing, begär en osynlig del av innehållet på webben, t.ex. en transparent spårningspixel. I början av 2010-talet dök CDP:er upp som en ersättning för taggar för att komma till rätta med deras många begränsningar.

CDP:er har ett datacentrerat synsätt på hanteringen av kundinformation. Istället för taggarnas "elda och glöm" samlar CDP:er in kunddata centralt med hjälp av SDK:er eller API:er, omvandlar dem och skickar dem vidare till appar i senare led för aktivering. De fungerar över webb, mobil och andra plattformar. De flesta CDP:er har ett bestämt schema för att förenkla nedströmskonsumtionen, så det är upp till företaget att följa CDP:ns specifikationer för att få ut mesta möjliga av den.

Idag är CDP:er en beständig, enhetlig kunddatabas som tillhandahåller följande viktiga funktioner:

1. Datainsamling: Inläsning av data i realtid från alla datakällor, inklusive fullständig kundkontext.
2. Datalagring och styrning: Lagra schematiserad data på obestämd tid, tillhandahålla åtkomstkontroll och styrning.
3. Datatransformation: Berika insamlade data, främst genom identitetslösning, som sammanfogar en individs interaktioner i olika omnikanaler till en enhetlig profil.
4. Aktivering av data: Synkronisera profiler och målgruppssegment till appar nedströms, t.ex. marknadsföringskanaler.

Framtiden: komponerbar CDP

Även om CDP:er tidigt var en katalysator för tillväxt har de i allt högre grad blivit en flaskhals när det gäller att införa moderna datapraxis. Deras grundläggande begränsning är att de bygger på ett förenklat datalager, vilket hindrar många applikationer med rik data från att utnyttja kundinformationen fullt ut.

Komponerbara CDP:er löser detta genom att använda ett standardkompatibelt molndatalager som dataplattform kring vilken ett helt ekosystem av byggstenar i legoblockstil kan byggas för att tillhandahålla förstklassiga lösningar för olika behov.

Detta är en utveckling av CDP-arkitekturen mot större kundfokuserad datahantering, där datalagret lyfts fram som den enda sanningskällan och beräkningsplattformen för alla kundbehov:

• Datainsamling: Utökad till att även samla in icke-klickströmsdata (som status) från applikationsdatabaser, tredjepartsverktyg för SaaS etc., vilket ger en 360-gradersvy av kunden.
• Transformation av data: Det enkla är fortfarande enkelt, t.ex. identitetslösning genom DBT, men mer avancerade funktioner är tillgängliga tack vare SQL:s fulla kraft. Användare kan göra sammankopplingar eller komplexa beräkningar, t.ex. ML-baserad identitetslösning med Zingg.
• Datamodellering: Återfå full kontroll över din datamodell för att matcha dina affärsbehov, nu och i framtiden.
• Aktivering av data: Datalagrets sofistikerade funktioner för datamanipulation möjliggör ett rikare ekosystem av verktyg för dataaktivering, så att man undviker åtskilda data.

Dagens stora datalager i molnet (t.ex. Snowflake, Databricks) positionerar sig som det komponerbara valet av CDP. Ett rikt ekosystem av genomtänkt utformade och väl integrerade data-appar och tjänster har vuxit fram runt dessa plattformar.

Produktanalys och CDP

Framväxten av den komponerbara CDP:n driver på en förändring inom produktanalys. Första generationens verktyg för produktanalys, som Mixpanel och Amplitude, tar emot data från produktinstrumentering som hämtas från deras SDK eller från en CDP. Datan placeras i deras åtskilda databehandlingsenheter och analyserna begränsas till de funktioner som verktygen erbjuder.

Nästa generations verktyg för produktanalys kan däremot utnyttja den rika uppsättning data och beräkningsfunktioner som datalagret erbjuder. Det är därför ingen överraskning att 80 % av första generationens produktanalysverktyg exporterar instrumentdata till datalagret för mer omfattande analyser. Detta leder till ökad komplexitet och högre kostnader.

Låt oss ta en titt på hur ett typiskt arbetsflöde för produktanalys ser ut med hjälp av Optimizely Warehouse-native Analytics på en komponerbar CDP:

• Datainsamling: Hämta instrumenteringsdata från Segment, Snowplow eller Rudderstack, tillsammans med affärsdata från dina applikationsdatabaser eller tredjepartsdata från SaaS-verktyg med hjälp av Fivetran. Landa alla dessa data i ett datalager i molnet, till exempel Snowflake, Databricks, AWS Redshift eller Google BigQuery.
• Datatransformation och modellering: Bygg en datamodell i Optimizely Warehouse-native Analytics med full flexibilitet i ett SQL-funktionellt datalager för allmänna ändamål, eventuellt med hjälp av verktyg med öppen källkod som dbt.
• Produkt- och beteendeanalys med Optimizely Warehouse-Native Analytics: Utgå från självbetjäningsmallar för produktanalys och fortsätt sedan med ad hoc-datautforskning för djupare och rikare förståelse av produktanvändning och kundupplevelse.