Auto-track [Masih] Buruk!

Bertahun-tahun yang lalu, saya menghadiri konferensi analitik digital dan saya mengunjungi stan untuk vendor pemasaran baru yang menawarkan opsi "tanpa penandaan" untuk analitik pemasaran digital. Saya tertarik karena saya telah menghabiskan sebagian besar karir profesional saya untuk menulis tentang arsitektur dan penandaan solusi analitik digital. Setelah mendengar nada mereka, saya bisa melihat daya pikat dari apa yang mereka tawarkan. Bayangkan dapat "melacak otomatis" semua data yang mungkin Anda perlukan dari pelanggan Anda tanpa harus menghabiskan waktu melakukan arsitektur solusi, mendesain, atau memohon pengembang untuk membangun lapisan data dan mengatur peristiwa dan properti analitik. Siapa yang tidak menginginkan itu?

Tetapi ketika saya memikirkannya, saya mulai menyadari betapa buruknya ide ini! Pada hari-hari awal analitik digital, mengumpulkan data dengan halaman web “DOM scraping” adalah hal yang biasa. Pengikisan DOM memungkinkan Anda mengambil data dalam tag HTML dan memasukkannya ke dalam variabel analitik. Metode ini cepat, tetapi juga sangat rapuh. Pengikisan DOM segera digantikan oleh lapisan data dan sistem manajemen tag. Yang terakhir membutuhkan lebih banyak waktu, tetapi jauh lebih rapuh (untuk sejarah transisi yang baik, baca ini). Menggunakan pendekatan lacak otomatis untuk pemberian tag adalah langkah mundur ke hari-hari pengikisan DOM dan mengembalikan banyak kerapuhannya.

Tetapi setiap beberapa tahun, ada dorongan baru untuk membuat organisasi mempertimbangkan kembali solusi pelacakan otomatis atau "tanpa penandaan" dan banyak yang tidak mengalami kekurangannya jatuh cinta dan mengulangi kesalahan di masa lalu. Kecuali Anda sedang membangun properti digital yang hanya akan digunakan selama beberapa minggu atau bulan, saya tidak dapat memikirkan situasi apa pun di mana saya akan menyarankan organisasi untuk menggunakan pendekatan lacak otomatis untuk analitik digital. Berikut adalah ringkasan singkat tentang alasan untuk menghindari solusi ini:

• Terlalu Banyak Data – Produk lacak otomatis secara inheren mengumpulkan terlalu banyak data dan menyulitkan untuk menemukan data penting yang Anda perlukan agar berhasil.
• Data Buruk – Produk lacak otomatis memudahkan pengumpulan data, tetapi banyak dari data tersebut menjadi data yang buruk atau tidak dapat digunakan tanpa perlu seseorang membersihkan definisi peristiwa dan aturan pencocokan CSS setiap kali pengembang membuat perubahan pada situs web atau aplikasi. Perubahan nama sederhana oleh pengembang dapat membuang beberapa metrik utama Anda hingga nama baru diperbaiki/dirasionalisasi. Saya telah belajar bahwa mendapatkan adopsi untuk analitik digital itu sulit bahkan jika Anda melakukan pekerjaan yang baik untuk memastikan bahwa data yang Anda kumpulkan akurat. Bayangkan mencoba membuatnya berhasil jika titik data penting Anda salah selama beberapa waktu hingga diperbaiki. Di banyak organisasi, orang mencari alasan untuk “mempercayai naluri mereka” daripada menggunakan data dan kualitas data yang buruk dapat memberi mereka alasan untuk mengabaikan data analitik digital.
• Tidak Menghemat Waktu – Seperti yang dikatakan salah satu pendiri kami Jeffrey Wang: “Pelacakan otomatis tidak menghilangkan pekerjaan. Ini menggeser pekerjaan ke proses yang kurang skalabel.” Pelacakan otomatis menghemat waktu bagi mereka yang sebaliknya harus memikirkan apa yang ingin mereka lacak di situs web/aplikasi, tetapi ini membuat lebih banyak pekerjaan bagi analis, sumber daya kualitas data, atau manajer produk yang harus terobsesi dengan penandaan. Jadi, jika orang-orang di organisasi Anda mendorong solusi pelacakan otomatis, ada kemungkinan motivasinya adalah bahwa hal itu akan menghemat waktu mereka . Atau mungkin karena mereka tidak berpikir bahwa organisasi menggunakan data untuk mendorong hasil yang lebih baik, jadi mereka hanya menginginkan jalur yang paling sedikit resistensinya.
• Masalah Keamanan/Privasi – Produk lacak otomatis dapat secara tidak sengaja menangkap data sensitif atau pribadi yang tidak dimaksudkan untuk dikumpulkan (silakan kunjungi “kata sandi lacak otomatis” Google untuk info lebih lanjut). Ini semakin berbahaya karena arahan baru seperti GDPR dan CCPA memberlakukan denda pada organisasi karena perlakuan buruk terhadap data pribadi.

Banyak dari kekhawatiran ini dijelaskan bertahun-tahun yang lalu oleh Jeffrey Wang, salah satu pendiri Amplitude kami, ketika dia menjelaskan mengapa Amplitude sengaja tidak menambahkan pelacakan otomatis ke produk kami. Bahkan organisasi yang bersaing dengan Amplitude telah sepakat bahwa pelacakan otomatis adalah strategi yang buruk.

Tingkat Data

Baru-baru ini saya senang mendengarkan panggilan rekan saya John Cutler tentang pelacakan otomatis. Saat menelepon, ada prospek yang membandingkan Amplitude dengan pesaing dan salah satu perbedaan besar adalah pelacakan otomatis, yang menurut prospek dapat membantu mereka. John menjelaskan bahwa pada dasarnya ada tiga tingkat data dalam hal analitik digital:

• Level 0 – Ini adalah titik data paling penting untuk organisasi Anda. Mereka tidak akan pernah berubah kecuali organisasi Anda membuat poros besar ke dalam area atau model bisnis baru. Misalnya, produk manajemen kampanye B2B hampir pasti memiliki acara Buatan Kampanye dengan sekumpulan properti yang cukup stabil.
• Level 1 – Ini adalah poin data yang akan berguna untuk jangka menengah. Mereka mungkin berguna untuk satu atau dua tahun ke depan, tetapi ada kemungkinan bahwa mereka mungkin berubah saat situs web/aplikasi berubah. Melanjutkan contoh B2B, ini mungkin termasuk melacak permulaan dan penyelesaian video orientasi. Saat ini, alur pembuatan kampanye menampilkan video kepada pelanggan baru, tetapi setahun dari sekarang, video dapat dihapus jika tidak terbukti meningkatkan rasio pembuatan kampanye.
• Level 2 – Ini adalah titik data yang lebih sementara dan seringkali sangat detail. Ini mungkin hanya ada selama beberapa minggu atau beberapa bulan. Contohnya mungkin melacak klik pada tautan tertentu, sakelar, atau tombol pada formulir. Saat ini, ini menarik bagi seseorang, tetapi tidak menambahkan banyak nilai dan kemungkinan akan hilang dalam beberapa minggu, atau penandaannya dapat berhenti setelah pembelajaran yang diberikan dipahami dan kemungkinan tidak akan berubah secara dramatis.

Untuk sebagian besar organisasi, akan ada relatif sedikit acara dan properti Level 0, lebih banyak item Level 1 dan bisa ada ratusan item Level 2. Sebagian besar waktu Anda harus dihabiskan untuk item Level 0 dan Level 1. Item Level 2 harus terjadi secara alami dengan memiliki penandaan yang terintegrasi ke dalam proses pengembangan. Alasan mengapa konsep ini sangat menarik adalah karena sebagian besar kasus yang dibuat untuk solusi pelacakan otomatis didasarkan pada seberapa banyak pekerjaan yang diperlukan untuk menerapkan penandaan analitik secara proaktif. Tetapi begitu Anda menyadari bahwa Anda dapat menjawab 80% kebutuhan analitik Anda dengan menandai sejumlah kecil titik data, argumen penghematan waktu (yang tetap saja salah) menguap begitu saja.

Dalam diskusi John, dia menggambar diagram hebat ini yang membandingkan upaya dan nilai lacak otomatis dari penerapan penandaan proaktif yang lebih tradisional. Seperti yang Anda lihat, solusi lacak otomatis dimulai dengan nilai lebih dengan sedikit usaha, tetapi segera berubah menjadi semakin sedikit nilai per jumlah usaha. Sementara pendekatan tradisional membutuhkan sedikit lebih banyak upaya pada awalnya dan lebih banyak nilai per upaya seiring berjalannya waktu.

Saya telah lama menganjurkan organisasi untuk mengidentifikasi pertanyaan bisnis yang ingin mereka jawab dan memetakan pertanyaan bisnis tersebut ke arsitektur solusi sebelum penandaan dilakukan. Saya percaya bahwa ada baiknya waktu di muka untuk mengidentifikasi data apa yang Anda rencanakan untuk dikumpulkan dan mengapa daripada melacak data dan kemudian mencoba mencari tahu bagaimana data itu dapat digunakan. Seperti kebanyakan hal dalam hidup, Anda mendapatkan apa yang Anda masukkan ke dalamnya. Jadi, jangan terjebak dalam solusi pelacakan otomatis dan sadari bahwa kesuksesan dalam analitik digital adalah maraton, bukan sprint.

Bagaimana jika Saya Lupa Sesuatu?

Selain penghematan waktu yang seharusnya, argumen lain yang saya dengar dibuat untuk lacak otomatis adalah seputar penghilangan atau pelupaan data yang diperlukan. Biasanya seperti ini: “Tidak mungkin saya dapat mengantisipasi semua data yang akan saya perlukan melalui pengumpulan persyaratan, jadi saya memerlukan solusi pelacakan otomatis untuk mengumpulkan semua data saya jika ada beberapa pertanyaan bisnis yang muncul bahwa saya tidak mengantisipasi di muka ... "

Tentu saja akan ada kasus di mana sesuatu muncul dan Anda kehilangan data yang Anda inginkan untuk membuat keputusan bisnis. Sehebat apapun Anda dalam melakukan business requirements gathering, Anda tidak bisa mengantisipasi setiap event dan property yang akan dibutuhkan. Tetapi jika Anda memikirkan kembali item Level 0, Level 1 dan Level 2 yang dibahas di atas, saya merasa sangat jarang bahwa sesuatu yang terlewatkan adalah item Level 0, yang mewakili titik data paling penting untuk organisasi Anda. Item level 0 harus cukup jelas bagi organisasi Anda. Anda mungkin memiliki beberapa item Level 1 yang muncul yang Anda lewatkan, tetapi kecil kemungkinan Anda tidak dapat menambahkan beberapa item Level 1 baru dan menunggu beberapa minggu untuk mendapatkan data yang cukup untuk menjawab pertanyaan bisnis Anda. Jika sebuah pertanyaan sangat penting sehingga perlu dijawab dalam 24 jam, pertanyaan itu seharusnya muncul selama pengumpulan persyaratan. Item level 2 seharusnya menjadi kurang penting dalam skema besar. Kemungkinan banyak item yang Anda lewatkan adalah item Level 2 karena item tersebut tidak kritis atau mewakili hal-hal baru yang tidak ada selama pengumpulan persyaratan. Dalam kebanyakan kasus, boleh saja menambahkan beberapa tag baru dan menunggu beberapa hari atau minggu untuk mendapatkan data yang hilang ini.

Budaya

Hal terakhir yang ingin saya sebutkan pada topik auto-track adalah area budaya perusahaan. Seperti yang sering terjadi, keputusan teknologi memberi tahu Anda banyak hal tentang budaya organisasi dan tim dalam organisasi. Ketika saya melihat tim analitik yang mencari solusi pelacakan otomatis, berikut adalah beberapa pemikiran yang berputar di kepala saya:

• Mengapa begitu sulit bagi mereka untuk merencanakan implementasi mereka sebelumnya? Terkadang keinginan untuk solusi pelacakan otomatis menutupi fakta bahwa tim analitik tidak benar-benar mengetahui apa yang dibutuhkan bisnis. Mungkin mereka perlu menghabiskan lebih banyak waktu dengan pemangku kepentingan internal mereka daripada mencari produk yang memungkinkan mereka melacak semuanya untuk berjaga-jaga.
• Mengapa begitu sulit bagi mereka untuk mendapatkan sumber daya implementasi? Jika tim analitik melakukan pekerjaan dengan baik, mereka harus dianggap kritis dan strategis bagi organisasi. Analisis yang dilakukan dengan benar membantu organisasi menghasilkan uang atau menghemat uang, jadi mengapa organisasi tidak mencurahkan sumber daya untuk upaya penerapan? Mungkin solusi lacak otomatis memudahkan tim analitik untuk menghindari fakta bahwa organisasi tidak menghargai pekerjaan mereka.
• Akankah produk analitik baru menyelesaikan masalah mereka? Terkadang beralih dari satu solusi analitik ke solusi analitik lainnya sepertinya merupakan cara yang bagus untuk membersihkan dan memulai yang baru, tetapi jika organisasi Anda memiliki masalah budaya bawaan yang menyebabkan solusi saat ini tidak berhasil, mungkin disarankan untuk memperbaiki masalah tersebut sebelum mencoba vendor baru. Kegagalan untuk melakukannya dapat mengakibatkan masalah yang sama terulang dengan alat baru.

Pikiran Akhir

Meskipun saya berharap posting ini pada akhirnya tidak perlu karena fakta bahwa organisasi telah mempelajari pelajaran mereka tentang produk lacak otomatis, terkadang penting untuk mengingatkan diri kita sendiri tentang hal-hal yang telah kita pelajari di masa lalu sehingga sejarah tidak terulang kembali. Jika organisasi Anda ditekan untuk melihat solusi pelacakan otomatis, saya mendorong Anda untuk mempertimbangkan potensi masalah yang diangkat di atas, tingkat data yang berbeda, manfaat perencanaan awal dan aspek budaya yang mendasari yang mungkin mendorong keputusan. .