Das Marketing-Intelligence-Team von Snowflake hat eine ehrgeizige Vision: Indem es den ROI in Echtzeit prognostiziert, will das Team herkömmliche B2B-Marketing-Analyseverfahren hinter sich lassen. Durch die dynamische Optimierung aller Marketingprogramme sollen diese deutlich effizienter werden: „Bei den meisten Unternehmen werden 40 Prozent der Marketingbudgets durch wirkungslose Kampagnen verschwendet. Entscheidend, um das Marketing zu optimieren, sind Messungen und Transparenz“, betont Lourenço Mello, Leiter Produktmarketing – Solutions bei Snowflake.
Abbau von Datensilos
Hierfür hat das Team seine Daten innerhalb der eigenen Snowflake-Instanz, des „Snowhouse“, zentralisiert. So konnte es Segmentierungsmodelle und Recommendation Engines realisieren und letztendlich eine 360-Grad-Sicht auf die Kund*innen gewinnen. Der entscheidende Bestandteil des Modern Data Stack ist für Snowflake Fivetran. Über 900 Fivetran-Konnektoren bewegen bei Snowflake mehr als 400 Millionen monthly active rows. Dazu gehören Marketing-Analyse-Konnektoren wie Google, Bing und Facebook Ads sowie zentrale SaaS-Tools wie Marketo, Salesforce und Jira. „Fivetran macht es uns sehr einfach: Mit wenigen Klicks können wir uns bei jeder beliebigen Plattform authentifizieren. Anschließend erscheinen die Daten nahtlos und nahezu sofort in Snowflake“, erklärt Carl-Johan Wehtje, BI & Analytics bei Snowflake. Das Marktanalyse-Ökosystem von Snowflake stützt sich vollständig auf die Data Cloud.
dbt-Core-kompatible Datenmodelle von Fivetran erlauben Analysen
Ursprünglich hatte Snowflake seine Datenmodellierungs- und -transformationslogik in einem separaten BI-Tool belassen. Doch jedes Mal, wenn das Unternehmen Modelle aus dem Tool heraus ausführen oder Ad-hoc-Analysen durchführen wollte, mussten die Analyst*innen ihre Modelle komplett neu erstellen – ein zeitaufwendiger und fehleranfälliger Ansatz.
Deshalb entschied sich Snowflake für die Implementierung von dbt Core. Das ermöglichte den Usern deutlich mehr Flexibilität. Die Performance des Teams stieg deutlich, weil die meisten rechenintensiven Vorgänge jetzt an früherer Stelle im Prozess durchgeführt werden.
Die Daten der digitalen Anzeigen auf Google, Facebook und LinkedIn zentralisiert Snowflake mit Fivetran. Die Datenmodelle von Fivetran bereinigen automatisch die Rohdatenquellen und geben sie in einem einzigen Modell aus. „Wir erhalten sofort einen sauberen und konsolidierten Berichtssatz und können uns auf komplexere Berechnungen und Anschlussarbeiten konzentrieren. Dadurch können wir unseren Endnutzer*innen Daten noch schneller zur Verfügung stellen, sodass sie ihre Erkenntnisse daraus ziehen können“, beschreibt Carl-Johan Wehtje. Zudem nutzt Snowflake Airflow, um dbt-Prozesse zu managen und zu bestimmen, wie häufig Modelle und Tabellen aktualisiert werden. Somit können Analyst*innen die Häufigkeit von Datenaktualisierungen anhand von Performance- und Kostenüberlegungen abwägen.
Die wichtigste Ebene: Data Consumption Layer
Auf dem Consumption Layer arbeitet das Marketing-Analytics-Team von Snowflake mit seinen Business-Partnern zusammen, die auch mit den Snowflake-Daten interagieren können. Mit diesem Framework kann sich das Marketing-Analytics-Team darauf fokussieren, Mehrwerte für das Unternehmen zu schaffen. Hierfür nutzt es fortschrittliche Data-Science- und Machine-Learning-Modelle, Attribution Scoring, Forecasting und Segmentierung. Die Ergebnisse der Prognosemodelle werden an Plattformen wie Snowsight, Tableau, ThoughtSpot und andere Tools weitergeleitet:
- Snowsight wird für schnelle, einfache Datenanalysen verwendet. „Es ist ein hervorragender Startpunkt für die Entwicklung detaillierter Reports, weil es direkt in SQL ist“, so Wehtje. „Man kann schnell etwas ausprobieren, iterieren und weiterentwickeln.“
- Tableau kommt für geschäftskritische Dashboards und regelmäßiges Reporting zum Einsatz. Analyst*innen können Kenngrößen an eine breite Business-Zielgruppe weitergeben, die nicht unbedingt denselben Bezugsrahmen hat. „Diese Dashboards machen es für Führungskräfte viel einfacher, die Performance im Quartals- oder Jahresvergleich zu sehen“, erklärt Wehtje.
- ThoughtSpot bietet eine umfassende Self-Service-Reporting-Umgebung für individuellere Reportings. Damit können Citizen Analysts die Daten intuitiv aufschlüsseln und mehrere Ebenen untersuchen. Wehtje macht sich keine Sorgen darüber, dass dadurch unterschiedliche Versionen eines Datensatzes entstehen könnten. „Da wir eindeutige Modelle erstellt haben, verwenden wir im Wesentlichen dasselbe Modell für Ad-hoc-Analysen, Tableau-Dashboards und ThoughtSpot-Dashboards. Jeder sieht immer noch dieselben Daten und erhält die gleichen Ergebnisse und Outputs.“
Die letzte Komponente des Snowflake Data Stack ist die Lösung für die Datenzuordnung und -katalogisierung. Mit wachsendem Datenvolumen steigt auch der Bedarf an Nachvollziehbarkeit, Katalogisierung und Governance. Denn nur so lässt sich verstehen, woher die Daten stammen und wie aktuell sie sind. „Ich halte die Dokumentation für enorm wichtig, aber sie kann auch extrem zeitaufwendig sein“, betont Wehtje. Snowflake setzt hierfür Alation ein. Das Tool nutzt die Metadaten von Snowflake, um automatisch die Datenherkunft und den Inhalt verschiedener Tabellen darzustellen.
So eröffnet der Data Stack Snowflake einen 360-Grad-Blick auf seine Kund*innen. Das gibt dem Marketingteam die Möglichkeit, den Marketing Spend und das Zielgruppen-Targeting erheblich zu optimieren. „Das ist erst der Anfang unseres Weges“, so Wehtje. „Wir arbeiten noch an vielen anderen Dingen, etwa an noch besseren Möglichkeiten für unsere internen Kund*innen, die Daten zu nutzen.“
- title
- Kontakt:
- subtitle
- Fivetran Germany GmbH Arnulfstraße 122 80636 München
- introduction
- E-Mail: info@fivetran.com www.fivetran.com
- image
- Snowflake Case Study
