Eine kleine Geschichte und die aktuelle Realität für B2B-SaaS-Anwendungen
Jahrzehntelang waren Analysen und Dashboards eine „Nebensächlichkeit“, etwas, das sich das Management wünschte („Executive Dashboards“), um einen Überblick über die Aktivitäten und Prozesse im Unternehmen von oben nach unten zu bieten.
Mit dem Aufkommen von Ad-hoc-Tools für Business Intelligence (BI) wurde eine neue Generation von Analysten, Datenanalysten und Datenwissenschaftlern, damit beauftragt, Managementteams Dinge zu erzählen, die sie von fehlerhaften oder zumindest in Frage gestellten traditionellen Systemen (wie ERP, Abrechnung, Reservierung und Vermietung, Handel, Einzelhandel und vielen anderen) sowie zusammenfassenden Dashboards für Führungskräfte nicht wussten. Diese BI-Tools waren traditionell getrennt und unabhängig von den Betriebssystemen, die sie unterstützten.
Denken Sie über Ihre SaaS-Benutzerpersönlichkeiten nach
Kurz zu Datenanalysten und Datenwissenschaftlern und ihren Fähigkeiten... Wichtig ist, dass je nach B2B-SaaS-Anwendung ein kleiner Teil Ihrer Benutzer, vielleicht < 5%, Datenanalysten oder Wissenschaftler sein werden...
Ein Datenanalyst versteht wahrscheinlich Daten, wie sie strukturiert und organisiert oder modelliert sind und wahrscheinlich, wie sie abgefragt werden. Ein Datenwissenschaftler hat vielleicht einen statistischen Hintergrund oder ist sich bewusst, wie man prädiktive und andere analytische Algorithmen schreibt. Er könnte sich mit den Prinzipien des maschinellen Lernens oder der künstlichen Intelligenz auskennen. Sowohl Datenanalysten als auch Datenwissenschaftler wüssten sicherlich, welche Diagrammauswahl für einen bestimmten Datensatz verwendet werden sollte (z. B. wann ein Punkt, ein Sankey, ein Balken, eine Linie, ein Kreis oder eine Kombination verwendet werden sollte...?).
Die heutigen SaaS-Benutzer sind jedoch alltägliche Benutzer, in der Regel keine Datenanalysten und Datenwissenschaftler. Sie benötigen nicht nur Analysen, um ihr Management zufrieden zu stellen oder um Berichte zum Ende des Berichtszeitraums zu überprüfen und zu versenden, sondern sie benötigen tagtäglich Analysen, um Aufgaben zu priorisieren, alltägliche Prozesse zu optimieren und Dinge für sich und andere effizient zu erledigen.
Die Herausforderung von Daten überall
Die Herausforderung besteht darin, dass wir, insbesondere im Zeitalter der Digitalisierung, wirklich gut darin sind, immer größere Datenmengen zu generieren und zu sammeln (denken wir zum Beispiel an E-Commerce, EHR, automatisierter Handel, Lieferkette und Logistik, VoIP, IoT-Sensoren — denken wir nicht einmal an KI), und diese zu durchforsten, ist für das Wachstum und den Erfolg, ja sogar das Überleben eines Unternehmens unverzichtbar geworden.
Selbst von Organisationen des öffentlichen Dienstes wird erwartet, dass sie durch Regierungen, Gemeinden und Aufsichtsbehörden für Transparenz sorgen, damit sie nicht nur wissen, sondern auch zeigen, wie die steuerzahlende Öffentlichkeit (die Wählerschaft des nächsten Jahres) von ihren Initiativen profitiert. Für immer mehr Unternehmen geht es darum, sich zu differenzieren und der Konkurrenz immer einen Schritt voraus zu sein, indem sie die Umsatzchancen maximieren und gleichzeitig die Kosten minimieren, um die Effizienz zu steigern.
Kurz gesagt, Datenanalysen sind die Waffe der Wahl für alle Unternehmen, die Verbesserungen vorantreiben und in einem wettbewerbsintensiven oder stressigen Umfeld erfolgreich sein wollen.
Hat sich etwas geändert?
Ja. Obwohl das Datenvolumen und die Datenvielfalt (ja, auch Geschwindigkeit, Wert und Wahrhaftigkeit) explosionsartig angestiegen sind, sind Analysen in modernen SaaS-Lösungen nicht mehr die ausschließliche Domäne von Spezialisten wie Datenanalysten oder Datenwissenschaftlern. Alltägliche Geschäftsleute erwarten und von ihnen wird erwartet, dass sie ihre relevanten Zahlen im Griff haben und vielleicht finden, sogar innovieren oder erstellen neue Indizes/KPIs (LTV, NPS, RFM, OKR, EPS, ROI, BSC...), um kontinuierlich Probleme/Anomalien zu identifizieren, sie zu verstehen und zu korrigieren oder zu optimieren.
Diese Generation von Analytics-Benutzern sind meistens überhaupt keine Analysten. Sie verfügen in der Regel weder über eine formelle Ausbildung in den Bereichen Daten oder Datenwissenschaften noch über Statistiken, und sie werden auch nicht in diesen Bereichen geschult. Sie interessieren sich weniger für Analytik. Wenn sie es wären, würden sie wahrscheinlich ein BI-Tool verwenden und sich selbst Analysten nennen! Sie sind viel mehr daran interessiert, Dinge schnell, einfach und effizient zu erledigen, als riesige Datensätze zu durchsuchen, um obskure Inkonsistenzen zu finden, die erklärt werden müssen.
Nützliche Funktionen/Ressourcen für die Analyse von SaaS-Lösungen
Anbieter von SaaS-Lösungen suchen nicht nach BI-Tools, die von Datenanalysten oder Datenwissenschaftlern bevorzugt werden, sondern schauen sich an, wie sie Analysen zu einem zugänglichen, dynamischen, intuitiven, interaktiven, „Denk nicht einmal drüber nach“, durchdringenden Teil der meisten, wenn nicht alle Prozesse machen können, durch die sie Benutzer in ihren SaaS-Lösungen führen.
Insbesondere Benutzer der jüngeren Generation sind es gewohnt, sich mithilfe von Online-Ressourcen Fragen selbst beantworten zu lassen. Es ist also normal, dass sie während der Navigation in einer SaaS-Lösung oder einem SaaS-Prozess jederzeit kontextbezogenes, analytisches Feedback erwarten oder sogar einfordern.
Die gute Nachricht ist, dass Computersysteme und Analyseplattformen sehr gut gerüstet sind, um diesen alltäglichen Benutzern zu helfen, ohne dass eine Schulung, Erfahrung oder Fachwissen erforderlich ist. Wie?
- Hardware: Leistung und Kapazität von Computersystemen haben exponentiell zugenommen und, was noch besser ist, sie sind „auf Abruf“ mit scheinbar unendlichem Umfang verfügbar.
- Elastische Preisgestaltung: Mit der allmählichen Akzeptanz cloudbasierter Systeme ist es möglich, Serverressourcen dynamisch an die Anforderungen der SaaS-Kunden anzupassen, d. h. Serverressourcen dynamisch anzufordern.
- Analytische Technologie: Im Gegensatz zu herkömmlichen SQL-basierten operativen relationalen Datenbanken sind Analyseserver für Analysefunktionen wie Abweichungen, Vergleiche, ausgeklügelte Gewichtung/Bewertung, Geschäftsregeln und Schwellenwerte für die Verwaltung nach Ausnahmen optimiert.
- Browserbasiert: SaaS-Anwendungen und ihre Analyseplattform-Brüder sind über ähnliche Frameworks für die Benutzererfahrung verfügbar und zugänglich und können durch APIs/Plugins erweitert werden, die beiden gemeinsam sind.
- Whitelabeling und Theming: Offensichtlich können analytische Inhalte in einem beliebigen Teil oder in mehreren Teilen einer Webseite gerendert werden, typischerweise über einen Iframe oder ein Div. Sicherheitsparameter und andere Parameter werden an den analytischen Inhalt übergeben, um zu bestimmen, welcher analytische Inhalt für einen Benutzer gerendert werden kann. Alle Farben, Schriften, Themen und Verhaltensweisen können und sollten vollständig mit der Benutzererfahrung des Hosts übereinstimmen.
- Dynamisch und interaktiv: Erfahrene Nutzer der jüngeren Generation sind voller Fragen. Es reicht nicht aus, diesen Benutzern einen Bericht als Flat-Table zum Drucken oder Exportieren in eine Tabelle zu geben. Sie wollen „dynamisch“, d. h., dass die Daten korrekt und aktuell sind und interaktiv sind. Das bedeutet, dass die Daten bei Bedarf navigiert werden können, um die Zahlen hinter den Zahlen und das Warum-hinter-dem-Was zu verstehen und eine glaubwürdige und angemessene Vorgehensweise zu validieren oder zu verifizieren.
- Plattformübergreifend: Es spielt keine Rolle mehr, ob Sie über Linux, Windows, macOS auf einem Desktop, Tablet oder Telefon auf SaaS und seine Analysen zugreifen und auch nicht, wo oder in welchem Format sich die Daten befinden.
- Semantische Ebene: Durch den Aufbau einer semantischen Ebene oder eines Datenmodells wird die typische Komplexität eines physischen Datenmodells für Benutzer, die keine Analysten sind, einfacher zu verstehen und sich darin zurechtzufinden.
- Zentralisierung/Konsolidierung: Durch das Einbinden einer semantischen Ebene profitiert das Unternehmen von einem „Build-once-use-many“ -Modell, das die zentrale Wartung an einer oder wenigen Stellen erleichtert und weniger „bewegliche Teile“ bedeutet, die kaputt gehen könnten.
- Sicherheit und Unternehmensführung: Ein zentralisiertes Modell oder ein Modell mit Vorlagen erleichtert auch die Verwaltung von Sicherheit und Unternehmensführung. Die Sicherheit wird normalerweise (bereits) in der SaaS-Host-Anwendung verwaltet. Dies sollte nicht dupliziert und erneut in der Analyseplattform verwaltet werden müssen. In der Regel handelt es sich dabei um einen spontanen „Handschlag“ zwischen dem Host und der Analytik, bei dem alles eingerichtet und vergessen wird.
- Parameter von Analytik zu Host: Wir neigen dazu, uns vorzustellen, dass der SaaS-Host analytische Inhalte „steuert“, aber wenn wir möchten, dass die Analysen die Aktionsausführung im Host steuern, insbesondere im großen Maßstab, muss der analytische Host auch Parameter an den Host übergeben, damit wir zum richtigen Teil des Hosts navigieren können, um etwas zu tun (z. B. neu planen, erneut senden, neu zuweisen, neu anordnen) und weitere Parameter nicht nur zur Ausführung einer Aktion, sondern auch mehrerer Parameter für mehrere Aktionen übergeben.
- Bereitstellungsmodelle: Cloud-Modelle beseitigen leider nicht die gesamte Komplexität der Kundenbereitstellung. Erfreulicherweise bietet die Verwendung von Parametern, Images, Containern und Orchestrierungstools wie Kubernetes DevOps-Spezialisten viele Möglichkeiten, um eine schnelle und skalierbare Bereitstellung zu ermöglichen.
- Integration mit KI: KI wächst schnell und verspricht, Fachwissen in ein Unternehmen zu bringen, das sie nutzt. Sehen Sie sich unsere KI-/LLM-Gedanken für Datenanalyse an.
Was bedeutet das für Anbieter von SaaS-Lösungen?
Analytik ≈ Analyse
Wo bleibt der unerschrockene SaaS-Lösungsanbieter? Hoffentlich stellen wir allmählich fest, dass es bei Analysen weniger oder zumindest nicht nur um Analysen geht, sondern mehr darum, Dinge in Ihrem SaaS zu erledigen.
Eine andere Art, dies auszudrücken, ist „statt Fragen zu beantworten... Antworten zu automatisieren“.
Wenn wir über „Embedded Analytics“ einfach als BI (für Analysten) nachdenken, das in ein SaaS-Produkt eingefügt wird, muss das wahrscheinlich überdacht werden. Es wäre nicht unangemessen zu erwarten, dass zumindest einige Ihrer Kunden das bereits haben.
Nutzer profitieren von Analysen
Die Realität ist, dass SaaS-Benutzer von Analysen profitieren, um:
- Unterstützen Sie sie mit dynamischem, interaktivem, umfassendem, immersivem und allgegenwärtigem (analytischem) „Gut zu wissen“ -Feedback in ihren täglichen In-SaaS-Prozessen, nicht nur auf Übersichtsebene (Dashboards) (Analytics-dashboards), sondern auch auf Detailebene, vielleicht auf Datensatzebene (eine Person, ein Produkt, ein Regal, eine Bestellung, eine Rechnung, ein Kunde...).
- Führen Sie sie auf dem kürzestmöglichen Weg zu den bestmöglichen Ergebnissen
- Helfen Sie ihnen, die bestmöglichen Ergebnisse auf die schnellste, einfachste und effektivste Art und Weise und in großem Maßstab zu erzielen.
Anstatt nur zu fragen, was möchten Sie analysieren? Fragen wir uns, warum Sie analysieren möchten und welche Verbesserungen Sie durch Analysen erzielen könnten?
Host-zu-Analytics+ Analytics-zu-Host
Sobald wir diese Fragen beantwortet haben, können wir die relevanten Parameter und die Navigation zwischen der Analytik und der Host-SaaS-Lösung verknüpfen, um mithilfe von Geschäftsregeln und variablen Parametern die bestmöglichen Verbesserungen in kürzester Zeit zu erzielen, ohne dass „Propellerköpfe“ die Entscheidungsprozesse steuern.
Wert für Ihr SaaS
Übrigens, der SaaS-Lösungsanbieter (Sie) wird gleichzeitig entwickeln unbezahlbares, differenziertes geistiges Eigentum, das sowohl für Investoren als auch für Kunden von Wert ist.
Analytik als integrierter und eingebetteter Bestandteil der SaaS-Angebote ist ein Bereich mit kontinuierlichem Wachstum und Innovation. Die Komplexität liegt im Backend (Datenmanagement), aber das Frontend (Diagramme, Filter, Tabellen, Karten...) ist leistungsstark und fesselnd. Es ist ein „Augenschmaus“, der Kunden dazu veranlasst, Entscheidungen zu treffen, sich für Ihre differenzierte SaaS-Plattform einer anderen vorzuziehen.
Wäre es unrealistisch, von bestehenden Kunden mehr Neugeschäft (MRR/ARR) in kürzerer Zeit (kürzere Vorlaufzeiten zwischen Interessenten und Kunden), einen höheren durchschnittlichen Transaktionswert (differenzierter Premium-Wert) und höhere Wallet-Share-Erweiterungen für neue Premium-Inhalte (analytische Inhalte) zu erwarten?
Eine detailliertere Analyse der Embedded Dashboards und ihres Wettbewerbsvorteils finden Sie hier Forbes-Artikel.