Büyüme için Modern Veri Yığını Nedir?

“Modern veri yığını” terimi, konuşmaların çoğu analitik bağlamında ve bir dizi modern araç ve teknolojinin analitik zanaatını geliştirmeye nasıl yardımcı olabileceği ile son 18 ayda çok ilgi topladı.

Analitik için en yaygın olarak kabul edilen modern veri yığını, aşağıdaki dört kategoriyi kapsayan veri araçlarından oluşur:

• ELT aracılığıyla veri toplama: Veritabanlarından ve üçüncü taraf araçlardan veri çıkarmak için kullanılır
• Veri ambarı: Verilerin bir kopyasını saklamak için kullanılır
• Veri dönüştürme: Verileri dönüştürmek ve analiz için modeller oluşturmak için kullanılır
• İş zekası: Analize hazır veri modellerini kullanarak raporlar oluşturmak için kullanılır

Ancak bu yığın, aşağıdakileri göz ardı ettiği için ürün ve büyüme ekiplerinin ihtiyaçlarına yalnızca kısmen hizmet eder:

• Birincil veya birinci taraf veri kaynaklarından (web siteleri ve uygulamalar) olay verilerinin toplanması
• Bu verileri bir bulut veri ambarında depolamak
• Kullanıcı davranışını anlamak ve ihtilaf noktalarını belirlemek için bu verileri analiz etmek
• Kişiselleştirilmiş müşteri deneyimleri oluşturmak için aşağı akış araçlarındaki verileri etkinleştirme

Bu nedenle, analitik için modern veri yığınının bir uzantısı olarak, büyüme için modern bir veri yığını, ekiplerin yukarıdakileri yapmasını sağlayan araçları içerir.

Bu kılavuzun arkasındaki amaç, pazara giriş (GTM) ekiplerine iş akışlarının kontrolünü ele geçirme ve veri ve mühendislik ekiplerine güvenmeden daha fazlasını yapma yetkisi veren veri yığınının eksiksiz bir dökümünü sunmaktır.

Olay verilerinin toplanması: CDI'ye karşı CDP

Olay verilerinin veya davranışsal verilerin toplanması, büyüme için modern bir veri yığınını benimsemeye yönelik ilk adımdır ve bundan sonraki her şey, GTM çalışanları tarafından kullanılan araçlarda temiz ve doğru verilerin sunulmasına bağlı olduğu için kritik öneme sahiptir.

Amaca yönelik davranışsal veri toplama araçları, birbiriyle örtüşen yeteneklere sahip, birbiriyle yakından ilişkili iki kategoriye ayrılır: müşteri veri altyapısı (CDI) ve müşteri veri platformu (CDP).

CDI teriminin benimsenmemesi, bazı CDI satıcılarının, gerçekte CDP yetenekleri sunmadan ürünlerini CDP olarak adlandırmalarının nedenidir. Ek olarak, giderek daha fazla pazarlama otomasyon aracı satıcısı, ürünlerinin temel olmayan bir özelliğini tanımlamak için CDP terimini kullanıyor ve bir CDP'nin gerçekte ne olduğu konusundaki kafa karışıklığını artırıyor.

CDI esasen bağımsız bir çözümken CDP, CDI yeteneklerini içeren paket bir çözümdür. Farklılıkları mümkün olan en basit terimlerle açıklamama izin verin.

Müşteri veri altyapısı

Bir CDI'nin amacı, birincil veya birinci taraf veri kaynaklarından (web siteleriniz ve uygulamalarınız) davranış verilerini veya olay verilerini toplamak ve verileri veri ambarı çözümleriyle ve olay tabanlı analiz ve aktivasyon.

Ürün ve büyüme ekipleri, tipik olarak, kullanıcı davranışını anlamak için bir ürün analitiği aracında ve kişiselleştirilmiş, veriye dayalı deneyimler oluşturmak için katılım araçlarında davranışsal verileri kullanır; bir CDI'nin işi, bu araçlarda doğru verileri kullanılabilir hale getirmektir.

Ek olarak, CDI'lar, toplanan verilerin yalnızca doğru değil, aynı zamanda beklendiği gibi olmasını sağlamak için veri kalitesi ve yönetişim özellikleri de sunar.

CDI'ları daha derine inmek isterseniz, yakın zamanda yazdığım bu kılavuza bir göz atmanızı tavsiye ederim.

Müşteri veri platformu

Yukarıda bahsedildiği gibi, CDP birleştirilmiş bir çözümdür ve en iyi aşağıdaki formülle anlaşılabilir:

CDP = Kimlik çözünürlüğü, bir sürükle ve bırak görsel arabirimi kullanarak (SQL yazmadan) izleyiciler oluşturma yeteneği ve verileri üçüncü taraf araçlarla senkronize etme yeteneği, bir CDP'nin temel yetenekleridir. Bunların yanı sıra, CDP'ler ayrıca verilerin bir kopyasını kendi veri ambarlarında saklar ve verileri gelecekteki kullanım için hazır hale getirir.

CDP, esasen, verileri etkinleştirmek veya üzerinde işlem yapmak için CDI'nin üstündeki bir katmandır.

Ek olarak, CDP'ler ve hatta bazı CDI'lar, üçüncü taraf araçlardan veri toplama olanağı sunar. Ancak bu, onların temel tekliflerinden biri değildir; Fivetran, Airbyte ve Meltano gibi ELT araçları amaca yöneliktir ve bir veri ambarında üçüncü taraf araçlardan veri toplamak ve depolamak için en uygundur.

Depolama olayı verileri

Bir veri ambarı, esasen analitik için tasarlanmış bir veritabanıdır ve olası tüm veri kaynaklarından (birinci taraf uygulamalar, üçüncü taraf araçlar ve üretim veritabanları) verileri depolamak için kullanılır.

Etkinlik verilerini toplamak için kullandığınız teknolojiden bağımsız olarak, verilerinizin bir kopyasını Snowflake, BigQuery veya Firebolt gibi bir veri ambarında depolamak, çeşitli faydaları olan iyi bir uygulamadır.

Verilerinize sahip olmanın bariz avantajının yanı sıra, bir ambardaki ham verilere erişime sahip olmak, verilerle daha fazlasını yapmanıza olanak tanır; olay verilerini dönüştürmekten ve diğer kaynaklardan gelen verilerle birleştirmekten, verileri analiz etmeden veya etkinleştirmeden önce zenginleştirmeye kadar.

Ek olarak, verilerinizi depolamak, kesintiyi azaltmak için tahmine dayalı modeller veya yukarı satışları güçlendirmek için bir öneri motoru gibi gelişmiş kullanım durumlarına yatırım yapmanızı sağlayacaktır. Verileriniz, geçmiş verilere erişmek için bir ücret ödemeniz gerekebilecek bir üçüncü taraf satıcının deposunda kilitli kalmak yerine , ambarınızda bulunuyorsa, verilerinizi kullanmak daha kolaydır.

Bugün verilere ihtiyacınız olmasa bile, özellikle ambarlar çok uygun fiyatlı hale geldiğinde ve derin teknik bilgi olmadan birkaç saat içinde çalıştırılabildiğinde, verilerinizin bir kopyasını bir veri ambarında depolamaya değer.

Veri toplamayı ve depolamayı bitirdikten sonra, verileri analiz etme ve etkinleştirme zamanı. İyi yürütülürse, veri hattının bu iki aşaması, şirketinizin büyüme yörüngesinde önemli bir fark yaratabilir.

Olay verilerini analiz etme

Bir ürün analizi aracı , olay verilerini analiz etmek ve kullanıcıların ürününüzle nasıl etkileşime girdiğini anlamak için özel olarak oluşturulmuş bir analiz aracıdır.

Müşteri analitiği ve davranış analitiği , kullanıcıların müşteri yolculuğunda nasıl hareket ettiğini görselleştirerek kullanıcı davranışını analiz etmenize olanak tanıdığından, ürün analitiği araçlarını tanımlayan terimlerdir.

Ürün analitiği araçları, öncelikle aşağıdaki durumlarda ürün ve büyüme ekiplerine hizmet verir:

• Ürün ekipleri , kullanılan özelliklere öncelik vererek ve kullanılmayanları kullanımdan kaldırarak Büyüme ekipleri , müşteri yolculuğunu görselleştirerek ve anlaşmazlık noktalarını belirleyerek Etkinlik verilerini huni olarak analiz etme

  Ürün analizi araçlarını destekleyen veriler, web sitenizden ve uygulamalarınızdan birinci taraf veri kaynakları olan olay verileri biçiminde gelir.

  Ayrıca harici uygulamalardan olay verileri gönderebilirsiniz, ancak bu konuda bilinçli olmanız gerekir, aksi takdirde ürün analizi aracınız çok fazla olayla şişirilir. Aşırı olay verileri, hızlı bir şekilde veri kalitesi sorunlarına neden olabilir; bu, verilere olan güven eksikliğinin önde gelen nedenidir.

  

  Veri ambarının hızla benimsenmesiyle şirketler, veri ambarını ürün analitiği araçları için veri kaynağı yapmanın faydalarını keşfediyor.

  

  Halihazırda bir veri ambarında veri depoluyorsanız ve ambarı yönetmek için ayrılmış kaynaklarınız varsa, ambardaki verileri ürün analizi aracınızla eşitlemek iyi bir fikirdir. Ayrı bir veri hattı sürdürme ihtiyacını ortadan kaldırır ve ambardaki verileri aşağı akışa göndermeden önce modellemenize ve zenginleştirmenize olanak tanır.

  Bu yaklaşımın bir diğer kayda değer yararı, bir ürün analizi aracının yanında Looker, Mode veya Preset gibi bir BI aracı kullanan şirketlerin, ambar her iki araç için de kaynak olacağından, ikisi arasında herhangi bir veri tutarsızlığı yaşamamasıdır.

  Etkinlik verilerini etkinleştirme

  Veri etkinleştirme, veriye dayalı deneyimler oluşturmak için kullanılan araçlarda verileri kullanılabilir hale getirme ve bu kişiselleştirilmiş deneyimleri müşteri temas noktalarında oluşturmanın birleşik sürecidir.

  Başka bir deyişle, veriler tarafından desteklenmenin bir sonucu olarak müşteri etkileşimleri bağlamsal, zamanında ve alakalı olduğunda veriler etkinleştirilir veya bunlara göre hareket edilir. Veri aktivasyonu

  Verileri analiz etmek ve içgörü toplamak, yalnızca potansiyel müşteriler ve müşterilerle etkileşim kurmak için kullandığınız araçlardaki verileri etkinleştirerek bu içgörüler üzerinde harekete geçebiliyorsanız iyidir. Verileri verimli bir şekilde etkinleştirerek panolara bakmanın ötesine geçebilir ve verileri anlamlı bir şekilde kullanabilirsiniz.

  Üstün deneyimler sağlamak, davranışsal verilerle desteklenecek temas noktalarındaki her müşteri etkileşimine dayanır. Bu, verilerin, giden e-postalardan ve destek konuşmalarından reklamlara ve uygulama içi deneyimlere kadar bu etkileşimleri güçlendirmek için etkinleştirildiği aşağı akış araçlarında kullanıma sunulduğunda mümkün olur.

  Bu araçlarda veri bulunmadığında, ürününüzün içinde gerçekleştirdikleri eylemlerden veya sahip oldukları etkileşimlerden bağımsız olarak her kullanıcının aynı mesajları, e-postaları ve reklamları deneyimlediği doğrusal deneyimler oluşturmaktan başka yapabileceğiniz pek bir şey yoktur. markanızla.

  Davranışsal verileri, verilerin sonunda etkinleştirildiği aşağı akış araçlarına taşımak için mevcut çeşitli teknolojilere bakalım:

  • Ham olay verilerini senkronize etmek için CDI'lar
  • Ham verileri ve görsel olarak modellenmiş verileri senkronize etmek için CDP'ler
  • Bir veri ambarında SQL kullanılarak modellenen verileri senkronize etmek için ETL'yi ters çevirin
  • Ürün analitiği araçlarında zaten mevcut olan verileri senkronize etmek için ürün analitiği araçlarına göre hedef entegrasyonları

  Yukarıdakilerin tümü aynı amaca yönelik araçlardır; ekiplerin günlük yaşamlarında kullandıkları araçlarda kişiselleştirilmiş, veriye dayalı deneyimler oluşturmasını sağlar.

  CDI'lar ve CDP'ler yukarıda zaten ele alınmıştır, bu nedenle verileri aşağı akış etkinleştirme araçlarında kullanılabilir hale getirmek için kullanabileceğiniz diğer iki teknolojiye geçelim.

  

  ters ETL

  Bulut veri ambarlarının hızla benimsenmesi, veri ambarında bulunan verileri üçüncü taraf araçlarla senkronize ederek etkinleştirmenizi sağlayan veri entegrasyonunda yeni bir paradigma olan Reverse ETL'yi ortaya çıkardı. Bu süreç ve bunu mümkün kılan temel teknoloji, operasyonel analitik olarak da adlandırılır.

  Özel veri ekiplerine sahip şirketler, veri ambarındaki çeşitli kaynaklardan gelen müşteri verilerini konsolide etmeye büyük yatırımlar yapıyor . Hightouch, Grouparoo ve Census gibi ters ETL araçları, veri ekiplerinin depoda depolanan verilerin üzerine SQL kullanarak veri modelleri oluşturmasına (veya dbt gibi araçları entegre ederek mevcut modellerini getirmesine) ve bu modelleri alt üçüncü taraf araçlarla senkronize etmesine olanak tanır.

  Bununla birlikte, bir Tersine ETL aracını uygulamak ve sürdürmek, kurum içi bir veri ekibi veya en azından özel bir veri mühendisi gerektirir; bu, birçok şirketin kaynağa ve hatta ihtiyacına sahip olmadığı bir şeydir.

  Ürün analitiğine göre hedef entegrasyonları

  Amplitude, Heap ve Mixpanel gibi ürün analitiği araçları, veri hedefleri olarak bir dizi aracı destekleyerek, kullanıcı grupları oluşturmanıza ve verilerin etkinleştirildiği aşağı akış araçlarıyla senkronize etmenize olanak tanır. Bu entegrasyonlar, değişen yetenekler sunan farklı araçlarla sürekli olarak gelişmektedir.

  

  Amplitude'ün bir adım daha ileri gittiğini ve kitleleri Amplitude Recommend aracılığıyla üçüncü taraf araçlarla senkronize etme yeteneğini paketlediğini belirtmekte fayda var; bu yaklaşımın bazı dikkate değer faydaları vardır:

  • Verileri analiz etmek için bir ürün analizi aracında kohortlar oluşturmak ve ardından aynı hedef kitleleri CDP, CDI veya Reverse ETL aracında oluşturmak yerine, bunların tümü tek bir entegre sistemde yapılabilir.
  • Etkileşim araçlarıyla iki yönlü entegrasyonlar, kampanya ölçümlerinizi doğrudan ürün analiz aracının içinde analiz etmenize olanak tanıyarak etkileşim kampanyalarınızın gerçek etkisini ölçmenize olanak tanır.

  Sınırlı veri mühendisliği kaynaklarına sahip şirketler, ürün ve büyüme ekiplerinin veri ekiplerine güvenmeden hızlı hareket etmelerini sağlayan bu tür entegre çözümlerden önemli bir değer elde edebilir.

  Veri mühendisliği kaynaklarının sınırlı mevcudiyeti ve çeşitli ekiplerden gelen çok sayıda veri talebi birikimi nedeniyle daha büyük şirketler de bu yaklaşımdan yararlanabilir.

  Büyüme ve katılım için modern bir veri yığınından yararlanın

  Büyüme için modern bir veri yığınını sürdürmek, mutlaka bir büyüme ekibinin sorumluluğunda değildir, ancak verilerin nasıl toplandığını, depolandığını ve hareket ettirildiğini bilmek, büyüme uzmanlarının verilerden içgörüler elde etmesini ve bu içgörüler üzerinde etkili bir şekilde hareket etmesini çok daha kolay hale getirir.

  Ayrıca, bu yığındaki araçların çoğunu kullananlar büyüme ve ürün çalışanları olsa da, talep oluşturma ve satış geliştirmeden destek ve müşteri başarısına kadar modern bir veri yığınının faydaları bir kuruluş genelinde deneyimlenebilir.

  Ekiplere daha üretken olmalarını sağlayan araçlara erişim sağlamak, aynı zamanda kendilerini geliştirmelerine ve daha anlamlı işler yapmalarına olanak tanır - en iyi yeteneklerin çekilmesine ve elde tutulmasına yardımcı olan en önemli iki bileşen.

  ---

  Büyüme için modern bir veri yığınıyla verilerinizi daha ileriye götürmeye hazır mısınız? İyi korunan verilerin etkileşimi ve ana elde tutmayı sağlama gücü hakkında daha fazla bilgi edinin.