Otomatik izleme [Hala] Kötü!

Yıllar önce bir dijital analitik konferansındaydım ve dijital pazarlama analitiği için "etiketlemesiz" bir seçenek sunan yeni bir pazarlama satıcısının standını ziyaret ettim. İlgimi çekti çünkü profesyonel kariyerimin çoğunu dijital analitik çözüm mimarisi ve etiketleme hakkında yazarak geçirdim. Sesini duyduktan sonra, sunduklarının cazibesini görebiliyordum. Çözüm mimarisi, tasarım yapmak veya geliştiricilere bir veri katmanı oluşturmaları ve analitik olayları ve özellikleri ayarlamaları için yalvarmak zorunda kalmadan müşterilerinizden ihtiyaç duyabileceğiniz tüm verileri "otomatik olarak takip edebileceğinizi" hayal edin. Bunu kim istemez ki?

Ama düşündükçe, bunun ne kadar korkunç bir fikir olacağını anlamaya başladım! Dijital analizin ilk günlerinde, web sayfalarını “DOM kazıma” yoluyla toplamak yaygındı. DOM kazıma, HTML etiketlerindeki verileri almanıza ve bunları analitik değişkenlere yapıştırmanıza izin verdi. Bu yöntem hızlıydı ama aynı zamanda son derece kırılgandı. DOM kazımanın yerini kısa süre sonra veri katmanları ve etiket yönetim sistemleri aldı. İkincisi daha fazla zaman aldı, ancak çok daha az kırılgandı (bu geçişin iyi bir geçmişi için bunu okuyun). Etiketleme için otomatik izleme yaklaşımlarını kullanmak, DOM kazıma günlerine geriye doğru bir adımdır ve kırılganlığının çoğunu geri getirir.

Ancak her birkaç yılda bir, kuruluşların otomatik izleme veya "etiketlemesiz" çözümleri yeniden gözden geçirmelerini sağlamak için yenilenen bir baskı var ve buralarda olmayanların kusurlarını deneyimlemek için buna kanıyor ve geçmişin hatalarını tekrarlıyor. Yalnızca birkaç hafta veya ay boyunca kullanılacak bir dijital mülk inşa etmiyorsanız, bir kuruluşa dijital analitik için otomatik izleme yaklaşımını kullanmasını tavsiye edeceğim herhangi bir durum düşünemiyorum. İşte bu çözümlerden kaçınma nedenlerinin kısa bir özeti:

• Çok Fazla Veri – Otomatik izleme ürünleri doğal olarak çok fazla veri toplar ve başarılı olmak için ihtiyaç duyduğunuz anlamlı verileri bulmanızı zorlaştırır.
• Kötü Veri – Otomatik izleme ürünleri, veri toplamayı kolaylaştırır, ancak bu verilerin çoğu, geliştiricilerin web sitelerinde veya uygulamalarda her değişiklik yaptığında olay tanımlarını ve CSS eşleştirme kurallarını temizlemesine gerek kalmadan bu verilerin çoğu kötü veya kullanılamaz hale gelir. Bir geliştirici tarafından yapılan basit bir ad değişikliği, yeni ad sabitlenene/rasyonelleştirilene kadar bazı temel ölçümlerinizi boşa çıkarabilir. Topladığınız verilerin doğru olduğundan emin olmak için harika bir iş çıkarsanız bile, dijital analitik benimsemenin zor olduğunu öğrendim. Kritik veri noktalarınız düzeltilene kadar belirli süreler boyunca yanlışsa, başarılı olmaya çalıştığınızı hayal edin. Birçok kuruluşta, insanlar verileri kullanmak yerine "içgüdülerine güvenmek" için bahaneler arıyorlar ve düşük veri kalitesi onlara dijital analitik verilerini görmezden gelme bahanesi verebilir.
• Zamandan Tasarruf Etmez – Kurucu ortaklarımızdan Jeffrey Wang'ın dediği gibi: “Otomatik izleme işi ortadan kaldırmaz. İşi daha az ölçeklenebilir bir sürece kaydırıyor.” Otomatik izleme, aksi takdirde web sitelerinde/uygulamalarda izlemek istedikleri şeyleri önceden düşünmek zorunda kalacak olanlar için zaman kazandırır, ancak etiketleme konusunda takıntılı olması gereken analistler, veri kalitesi kaynakları veya ürün yöneticileri için daha fazla iş yapar. Bu nedenle, kuruluşunuzdakiler bir otomatik izleme çözümü için baskı yapıyorsa, motivasyonun onlara zaman kazandırma olasılığı vardır. Ya da organizasyonun verileri daha iyi sonuçlar elde etmek için kullanmadığını düşünmeleri, bu yüzden sadece en az dirençli yolu istemeleri olabilir.
• Güvenlik/Gizlilik Sorunları – Otomatik izleme ürünleri, yanlışlıkla toplanması amaçlanmayan hassas veya özel verileri yakalayabilir (daha fazla bilgi için Google'ın "otomatik izleme şifrelerini" kullanmaktan çekinmeyin). GDPR ve CCPA gibi yeni direktifler, kişisel verilerin kötüye kullanılması nedeniyle kuruluşlara para cezası uyguladığından, bu giderek daha tehlikeli hale geliyor.

Amplitude'ün kurucu ortaklarımızdan biri olan Jeffrey Wang, Amplitude'ün ürünümüze neden bilerek otomatik izleme eklemediğini açıklarken, bu endişelerin birçoğu yıllar önce ana hatlarıyla belirtilmişti. Amplitude'ün rekabet ettiği kuruluşlar bile, otomatik izlemenin kötü bir strateji olduğu konusunda hemfikirdir.

Veri Düzeyleri

Geçenlerde meslektaşım John Cutler'ın otomatik izlemeyle ilgili bir çağrısını dinleme zevkini yaşadım. Çağrıda, Amplitude'u bir rakiple karşılaştıran bir müşteri adayı vardı ve büyük farklılıklardan biri otomatik izlemeydi, bu müşteri adayı onlara yardımcı olabileceğini düşündü. John, dijital analitik söz konusu olduğunda temelde üç veri seviyesi olduğunu açıkladı:

• Düzey 0 – Bunlar, kuruluşunuz için en kritik veri noktalarıdır. Kuruluşunuz yeni bir alana veya iş modeline büyük bir dönüş yapmadıkça asla değişmeyecekler. Örneğin, bir B2B kampanya yönetimi ürünü, neredeyse kesin olarak, bir dizi oldukça kararlı özelliğe sahip bir Kampanya Oluşturdu etkinliğine sahip olacaktır.
• Seviye 1 – Bunlar orta vadede faydalı olacak veri noktalarıdır. Muhtemelen önümüzdeki bir veya iki yıl için faydalıdırlar, ancak web sitesi/uygulama değiştikçe değişme şansları vardır. B2B örneğine devam edersek, bu, işe alım videosu başlatma ve tamamlamalarını izlemeyi içerebilir. Şu anda, kampanya oluşturma akışı videoları yeni müşterilere gösteriyor, ancak bundan bir yıl sonra, kampanya oluşturma oranlarını artırdıkları kanıtlanmazsa videolar kaldırılabilir.
• Seviye 2 – Bunlar daha geçici ve çoğu zaman çok ayrıntılı olan veri noktalarıdır. Bunlar sadece birkaç hafta veya birkaç ay civarında olabilir. Bunun bir örneği, belirli bir bağlantıya, bir geçişe veya formdaki bir düğmeye yapılan tıklamaları izlemek olabilir. Şu anda birileri için ilginç, ancak o kadar fazla değer katmıyor ve muhtemelen birkaç hafta içinde kaybolacak veya sağladığı öğrenme anlaşıldığında etiketlenmesi durabilir ve büyük olasılıkla önemli ölçüde değişmeyecektir.

Çoğu kuruluş için, nispeten az Düzey 0 olay ve özellik, çok daha fazla Düzey 1 öğe olacaktır ve yüzlerce Düzey 2 öğe olabilir. Zamanınızın çoğu Düzey 0 ve Düzey 1 öğelerine harcanmalıdır. Seviye 2 öğeleri, geliştirme sürecine entegre edilmiş etiketleme ile doğal olarak gerçekleşmelidir. Bu kavramın bu kadar ilginç olmasının nedeni, otomatik izleme çözümleri için yapılan vakaların çoğunun, analitik etiketlemeyi proaktif olarak uygulamak için ne kadar çalışma gerektiğine dayanmasıdır. Ancak, nispeten az sayıda veri noktasını etiketleyerek analitik ihtiyaçlarınızın %80'ine cevap verebileceğinizi fark ettiğinizde, zaman tasarrufu argümanı (ki bu zaten yanlıştır) basitçe buharlaşır.

John'un tartışmasında, daha geleneksel bir proaktif etiketleme uygulamasından otomatik izlemenin çabasını ve değerini karşılaştıran bu harika diyagramı çizdi. Gördüğünüz gibi, otomatik izleme çözümü daha az çabayla daha fazla değerle başlar, ancak kısa süre sonra çaba başına giderek daha az değere dönüşür. Geleneksel yaklaşım, başlangıçta biraz daha fazla çaba ve zaman geçtikçe çaba başına daha fazla değer alırken.

Uzun zamandır, yanıtlamak istedikleri iş sorularını tanımlayan ve etiketleme gerçekleşmeden önce bu iş sorularını bir çözüm mimarisiyle eşleştiren kuruluşların savunuculuğunu yaptım. Verileri takip edip nasıl kullanılabileceğini anlamaya çalışmak yerine, hangi verileri toplamayı planladığınızı ve neden toplamayı planladığınızı önceden belirlemenin zaman ayırmaya değer olduğuna inanıyorum. Hayattaki çoğu şey gibi, içine ne koyarsan onu çıkarırsın. Bu nedenle, otomatik izleme çözümlerinin tuzağına düşmeyin ve dijital analitikte başarının bir sprint değil, bir maraton olduğunu kabul edin.

Ya Bir Şey Unuttuysam?

Sözde zaman tasarrufuna ek olarak, otomatik izleme için duyduğum başka bir argüman, gerekli verilerin atlanması veya unutulmasıyla ilgili. Genellikle şöyle bir şey olur: "Gereksinim toplama yoluyla ihtiyaç duyacağım tüm verileri önceden tahmin etmemin hiçbir yolu yok, bu nedenle bazı iş soruları olması durumunda tüm verilerimi toplamak için bir otomatik izleme çözümüne ihtiyacım var. önceden tahmin etmediğim ortaya çıkıyor…”

Elbette, bir şeyin ortaya çıktığı ve bir iş kararı vermek zorunda kalmanızı istediğiniz verileri kaçırdığınız durumlar olacaktır. İş gereksinimleri toplama konusunda ne kadar iyi olursanız olun, ihtiyaç duyulacak her olayı ve mülkü tahmin edemezsiniz. Ancak yukarıda tartışılan Düzey 0, Düzey 1 ve Düzey 2 öğelerine geri dönerseniz, kaçırılan bir şeyin, kuruluşunuz için en kritik veri noktalarını temsil eden Düzey 0 öğesinin çok nadir olduğunu gördüm. Düzey 0 öğeleri kuruluşunuz için oldukça açık olmalıdır. Gözden kaçırdığınız bazı Düzey 1 öğeleriniz olabilir, ancak yeni Düzey 1 öğeleri ekleyememeniz ve işle ilgili sorunuzu yanıtlamak için yeterli veriyi elde etmek için birkaç hafta beklemeniz olası değildir. Bir soru, 24 saat içinde cevaplanması gereken kadar önemliyse, ihtiyaç toplama sırasında ortaya çıkması gerekirdi. Seviye 2 öğeleri, şeylerin büyük şemasında daha da az önemli olmalıdır. Eksik olan öğelerin birçoğunun Seviye 2 olması muhtemeldir çünkü bunlar ya kritik değildir ya da gereksinimlerin toplanması sırasında mevcut olmayan yeni şeyleri temsil eder. Çoğu durumda, bazı yeni etiketler eklemek ve bu eksik verileri almak için birkaç gün veya hafta beklemek uygundur.

Kültür

Otomatik takip konusunda bahsetmek istediğim son şey, kurum kültürü alanıdır. Çoğu zaman olduğu gibi, teknoloji kararları size bir organizasyonun kültürü ve organizasyon içindeki ekipler hakkında çok şey söyler. Otomatik takip çözümlerine bakan analitik ekiplerini gördüğümde, kafamda dönüp duran düşüncelerden bazıları şunlardır:

• Uygulamalarını önceden planlamak onlar için neden bu kadar zor? Bazen bir otomatik izleme çözümü arzusu, analitik ekibinin işin neye ihtiyacı olduğunu gerçekten bilmediği gerçeğini maskeliyor. Belki de her ihtimale karşı her şeyi takip etmelerini sağlayacak bir ürün aramak yerine iç paydaşlarıyla daha fazla zaman geçirmeleri gerekiyor.
• Uygulama kaynaklarına ulaşmaları neden bu kadar zor? Bir analitik ekibi iyi bir iş çıkarıyorsa, kuruluş için kritik ve stratejik olarak algılanmalıdır. Doğru yapılan analitik, kuruluşların para kazanmasına veya tasarruf etmesine yardımcı olur, öyleyse bir kuruluş neden uygulama çabalarına kaynak ayırmasın? Belki de otomatik izleme çözümü, analitik ekibinin kuruluşun çalışmalarına değer vermediği gerçeğinden kaçınmasını kolaylaştırır.
• Yeni bir analitik ürünü onların sorunlarını çözecek mi? Bazen bir analitik çözümünden diğerine geçmek, her şeyi silip yeni bir başlangıç ​​yapmak için harika bir yol gibi görünebilir, ancak kuruluşunuzun mevcut çözümün başarısız olmasına neden olan kültürel sorunları varsa, denemeden önce bu sorunları düzeltmeniz önerilebilir. yeni bir satıcı. Bunu yapmamak, aynı sorunların yeni bir araçla tekrarlanmasına neden olabilir.

Son düşünceler

Kuruluşların otomatik izleme ürünleriyle ilgili derslerini almış olmaları nedeniyle bu yazının nihayetinde gereksiz olduğunu ummakla birlikte, tarihin tekerrür etmemesi için bazen geçmişte öğrendiğimiz şeyleri kendimize hatırlatmak önemlidir. Kuruluşunuz bir otomatik izleme çözümüne bakmaya zorlanıyorsa, yukarıda belirtilen olası sorunları, farklı veri düzeylerini, önceden planlamanın faydalarını ve kararı yönlendirebilecek temel kültürel yönleri dikkate almanızı öneririm. .