Bygga en skalbar analysarkitektur för det moderna SaaS-företaget

Founders och tekniska ledare letar ofta efter den perfekta dataanalysstacken som bara ska fungera och uppfylla alla deras behov. Verkligheten är att behoven förändras i takt med att företagen växer, vilket innebär att en analysarkitektur också bör anpassas. I det här inlägget kommer jag att kartlägga analysresan från de tidigaste stadierna i ditt företag när du kanske fortfarande arbetar i garaget, till de senaste stadierna när du har att göra med analys i företagsskala.

Produktutvecklingsfasen

I produktutvecklingsfasen före kunden är det naturligt att inte tänka på analys. Du har ju trots allt inga data att analysera ännu. När du utvecklar produkten ska du dock alltid ha produktens telemetri/instrumentering i åtanke (t.ex. Snowplow, Rudderstack eller Segment). Detta kommer att vara avgörande för att få insikter om hur din produkt används och antas och för att bedöma om du har uppnått produkt-marknadsmässighet. Tänk igenom hur du vill organisera komponenterna i din applikation och den tillhörande datainsamlingen för att undvika att behöva lägga till instrument upprepade gånger. Din instrumentering kan vara mycket begränsad i det här skedet, men inkludera den i alla designdiskussioner och få in den i utvecklarnas DNA.

Fas för kundförvärv

Nu när din produkt befinner sig i alfa- eller betastadiet börjar designpartners och testkunder strömma till. Du har lanserat din webbplats och har börjat bygga upp innehåll för att stödja kundresan. Du har många leadkällor, inklusive annonser, e-post, webinarer och mycket mer, men vilka driver flest registreringar av kostnadsfria tester på din webbplats? Vilka delar av innehållet ger störst effekt?

I den här fasen är det viktigt att vara datadriven. Du kan börja mäta effektiviteten i dina marknadsföringsinvesteringar genom att utnyttja de inbyggda funktionerna för analys i dina marknadsföringslösningar (t.ex. Google Analytics, LinkedIn Ads, Outreach, HubSpot, Salesforce). Så småningom kommer du att behöva sammanställa alla dessa data för att få en fullständig bild av kundresan. Detta kommer bara att bli svårare, särskilt när din stack ballonger från 10 till 100, som i många stora företag. Om du har resurserna kan det vara ett bra tillfälle att fundera på en kunddatastrategi och kanske en enda sanningskälla i ett datalager.

Tidig kundadoptionsfas

Du har officiellt lanserat din produkt. Ett betydande antal kunder har börjat använda den och du börjar lära dig vad som fungerar och vad som inte fungerar. När du samlar in data itererar du snabbt på produktfunktioner baserat på dessa insikter. I den här fasen kommer den mesta produktfeedbacken genom direkt kommunikation med de tidiga kunder som är mest tillgängliga. Du måste dock börja bygga strukturen för integrerad, skalbar analys:

1. Slutför din strategi för produktinstrumentering
   Den moderna metoden för instrumentering är att använda ett instrumentbibliotek som är frikopplat från alla analysverktyg och som inte har några åsikter. Leverantörer som Segmentering, RudderStack och Snowplow erbjuder förstklassiga instrumenteringsbibliotek som täcker mobil, webb och backend. Viktigast av allt är att de inte tvingar in dig i någon leverantörsspecifik datamodell. Du kan samla in data i öppna format som alla analysverktyg kan använda.
2. Sätt upp ett datalager i molnet
   Det här kan verkaförhastat. Vanligtvis sätter företag upp lager mycket senare i sin livscykel. Men med moderna datalager i molnet som Snowflake är det enkelt att starta upp ett lager och hantera det med mycket liten ansträngning. Med sin elasticitet, automatiska avstängning och betal-per-användning-modeller är det också mer överkomligt för även en startup i ett tidigt skede. Du kan köra ett lager för några hundra dollar i månaden med tanke på den lilla mängden data i detta skede.

Datalager håller på att bli tyngdpunkten för all företagsdata. Lagret kommer att vara kärnan i alla analytiska initiativ du kan genomföra. De instrumentbibliotek som nämns ovan ger färdiga sätt att enkelt landa data i datalagret. För icke-produktdata kan du använda ett modernt ELT-verktyg som Fivetran eller Matillion för att flytta data från dina marknadsförings- och försäljningssystem till ditt datalager. Dessa ELT-verktyg har ett rikt bibliotek med connectorer till de flesta affärssystem och är också specialbyggda för det moderna molnlagret. Använd ett datatransformationsverktyg som DBT för eventuella transformationer av data i lagret.

1. Inför ett verktyg för produktanalys. I framtiden kommer ett effektivt verktyg för produktanalys att fungera inbyggt i ett datalager. Undvik att ha dina data åtskilda i en analysleverantörs SaaS-tjänst med svart låda. Även om detta kanske inte verkar viktigt i början, kan det snabbt leda till ohanterlig datakvalitet och dålig analytisk synlighet när du växer. Det kan snart sluta med flera ETL- och omvända ETL-pipelines, avvikande mätvärden mellan olika team på grund av flera sanningskällor och höga kostnader för att hantera flera analysverktyg.

En annan sak att tänka på är om ditt produktanalysverktyg kan uppfylla dina analysbehov utan att du behöver ett BI-verktyg utöver det. Se till att det produktanalysverktyg du väljer kan analysera all data i ditt lager. Du vill kunna kombinera data från produktinstrumentering med data från dina affärssystem för att få en 360-gradersvy av din kundresa.

I det här skedet kanske du inte har så mycket data. Din instrumentering kanske fortfarande är under utveckling. Du kanske ännu inte har data som flödar in från alla dina affärssystem. Det är helt okej. Det viktiga är att komma igång med analysarbetet och etablera ett ramverk. Att visa värdet av även grundläggande analyser uppmuntrar ingenjörerna att lägga till fler instrument (instrumentering är ofta en låg prioritet för ingenjörer). Ännu viktigare är att det skapar en kultur av datadrivet beslutsfattande inom alla funktioner i företaget. Företag som tidigt lägger en analytisk grund ökar sina chanser att lyckas dramatiskt, och de kan spara miljontals dollar på att bygga om sin stack för analys längre fram.

Tillväxtfas

Du har etablerat produkt-marknads-anpassning. Din kundbas växer. Din produkt har ett stort fotavtryck med många funktioner. I den här fasen omfattar din analysstrategi följande:

1. Att göra analys till centrum för allt beslutsfattande. I ett företag som gör detta på rätt sätt kommer varje produkt- eller kunddiskussion att börja med att man tar fram en dashboard med analysinsikter. Hela företaget bör enas om ett enda verktyg för all analys. Be alla funktionella chefer att bygga upp och visa affärsmått som är relaterade till deras funktion i det här verktyget. De bör kunna förstå drivkrafterna för dessa mätvärden i samma verktyg. De ska enkelt kunna testa hypoteser kring faktorer som influencerar dessa mätetal. Med den grund som du har lagt kommer du att ha
   1. en enda sanningskälla för alla dina mätetal - inga fler motstridiga värden för mätetal som antal aktiva användare, konverteringsgrad, customer lifetime value, kundanskaffningskostnad etc.
   2. övergripande analyser, där varje funktion kan relatera sina analyser till angränsande funktioner. En tillväxtmarknadsförare skulle till exempel kunna korrelera kampanjkanaler med aktivering och engagemang i produkten. En Customer Success Manager skulle kunna förstå sambandet mellan produktanvändning, kontoprofiler och uppgraderingar.
2. Formalisera ett team för datateknik. Du kanske redan har ett par personer som fokuserar på datateknik och som sannolikt är kopplade till marknadsföring, produkt eller teknik. Nu är det dags att centralisera ett datateknikteam som äger datalagret, instrumenteringssystemen, ELT-verktygen/jobben och analysverktygen. Det här teamet ser till att datadriften fungerar smidigt, att data är ordentligt säkrade och att affärsanvändare har styrd tillgång till data. Det här teamet kan också omfatta datavetare som inför ett verktyg för maskininlärning (ML).

Observera att varje affärsfunktion bör kunna sköta sin egen analys utan att behöva förlita sig på datateknikteamet - det analysverktyg du väljer bör underlätta detta. I stället för att fastna i upprepade förfrågningar om rapporter från verksamheten bör datateknikteamet arbeta med analyser av högt värde och se till att de data som verksamheten får tillgång till är rätt data.

Expansionsfas

Du är en välkänd aktör inom ditt område. Du fokuserar på att expandera till nyare branscher, nyare produktlinjer, internationella marknader osv. Du har ett ekosystem av leverantörer, partners, återförsäljare, implementatörer och andra. Kanske funderar du på en börsintroduktion. I den här fasen behöver du göra följande:

1. Lägga till ett rapporteringsverktyg för Business Intelligence (BI). Välja ett BI-verktyg för produktionsrapportering. Leta efter ett verktyg som tillhandahåller den typ av rapportering du behöver: finansiella rapporter, specialiserade visualiseringar, schemalagd distribution av rapporter, funktioner för export/utskrift och inbäddning i partners system. Säkerställ att det BI-verktyg du väljer kan arbeta direkt från ditt datalager.
2. Underlätta datadelning och aktivering. Ditt produktanalysverktyg kan hjälpa dig att bygga och generera logiska vyer av dina data i ditt datalager, som kan användas av ditt verktyg för datadelning och aktivering - på så sätt behöver du inte duplicera data. Du kan sedan använda funktionerna för datadelning i ditt lager för att på ett säkert sätt dela relevanta delar av dina data inom ditt ekosystem. Dataaktiveringsverktyg kan också flytta data från ditt lager till ett utvalt affärssystem för specifika åtgärder, t.ex. att skicka en kohort av användare till Marketo för en marknadsföringskampanj.

Slutsats

Genom att planera i förväg och centralisera din analysarkitektur - runt ditt datalager- får du den största flexibiliteten för att lagra, analysera och aktivera dina data.

Optimizely Warehouse-Native Analytics erbjuder ett nästa generations produktanalysverktyg som fungerar naturligt ovanpå ditt datalager. Optimizely Warehouse-native Analytics hjälper team att generera insikter från alla sina datakällor med hjälp av kraften i BI.