6 Praxisbeispiele für Produktanalytik im Einsatz
Datengetriebenes Produktmanagement. Das machen heutzutage doch alle coolen Leute, oder? Vielleicht hast du recherchiert und herausgefunden, dass „datengetrieben“ zu sein bedeutet, dass diese Produktmanager Produktanalysen intensiv in ihren Arbeitsalltag einbinden.
Aber die Frage ist: Was machen sie mit den Analysedaten? Wie nutzen sie sie im echten Leben?
Zum Glück habe ich eine Liste mit 6 Anwendungsfällen für Produktanalysen zusammengestellt, die dich inspirieren können.
Want more from The CPO Club?
Sign up for a free membership to complete reading this article:
Have an account? Log In
Was sind Produktanalysen und warum solltest du dich dafür interessieren?
Produktanalyse ist der Prozess, bei dem Daten zu deinem digitalen Produkt (einschließlich Nutzeraktivitäten, Finanzen usw.) gesammelt, analysiert und auf deren Grundlage alltägliche sowie strategische Produktentscheidungen getroffen werden.
Die Nutzung von Produktanalysen verbessert die Qualität deiner Entscheidungen als Produktmanager enorm, da du deine Ideen oder Lösungen durch Daten untermauern und nachweisen kannst.
Als quantitative Daten ergänzen sie außerdem die qualitativen Erkenntnisse, die du durch Kundeninterviews gesammelt hast, und vermitteln dir so ein vollständiges Bild vom Zustand deines Produkts und dem Verhalten der Kunden oder Nutzer.
Du kannst Produktanalysen für dein Produkt aktivieren, indem du ein spezialisiertes Produktanalyse-Tool einrichtest, das die Aktivitäten deiner Nutzer überwacht und dir Berichte über deren Interaktionen zusendet.
Diese Tools aggregieren dann die gesammelten Nutzungsdaten aus deinem Produkt und ermöglichen dir, individuelle Berichte zu erstellen, um Antworten auf Fragen zur Nutzung deines Produkts zu finden.
Jetzt, da wir wissen, worum es bei Produktanalysen geht, können wir uns einige praxisnahe Anwendungsfälle anschauen.
Beispiel #1: Entrümple dein UI von Funktionen, die niemand nutzt
Großartige Produkte sind nicht die, die mehr Funktionen als die Konkurrenz haben. Tatsächlich werden Produkte mit zu vielen Funktionen für die Nutzer meist unübersichtlich und für das Entwicklungsteam kaum noch zu warten.
Deshalb sorgen gute Produktteams dafür, dass ihr Produkt ausschließlich Funktionen enthält, die den Nutzern auch echten Mehrwert bieten. Dafür werden regelmäßig neue Features hinzugefügt, von denen man glaubt, dass sie genutzt werden – und solche entfernt, die keinen Wert mehr bringen.
Die nächste offensichtliche Frage ist: Nach welchen Kriterien wählt man die Funktionen, die entfernt werden sollten? Ganz einfach: Überprüfe ihre Nutzung mit einem Produktanalyse-Tool!
Mit einem ereignisbasierten Produktanalyse-Tool wie Mixpanel entrümpeln
Um die Nutzung eines Features nachzuverfolgen, musst du dazu ein Event einrichten, das immer dann ausgelöst wird, wenn der Nutzer diese Funktion nutzt. Angenommen, du hast solche Events für die zu messenden Funktionen erstellt, dann brauchst du nur noch einen Bericht zur Nutzung dieses Features zu erstellen.
Lass uns das anhand eines Beispiels verdeutlichen: Stell dir vor, du leitest Spotify, den Musik-Streamingdienst, den viele von uns verwenden, und möchtest herausfinden, ob es sich lohnt, die Shuffle-Funktion zu entfernen.
Dazu erstellen wir einen neuen Insights-Bericht, der wie folgt aussieht.
Hier haben wir das infrage stehende Feature – „Shuffle“ – sowie eine Referenzfunktion (meist eine Kernaktion des Produkts oder die North Star), mit der wir sie vergleichen möchten, ausgewählt – in diesem Fall „Song abspielen“. Für beide haben wir die Option „Count DAU“ gewählt, um die Zahl der einzigartigen Nutzer anzuzeigen, die täglich Shuffle und Streaming nutzen.
Anschließend haben wir eine einfache Formel hinzugefügt, die den Prozentsatz der Song-Streamer berechnet, die auch die Shuffle-Funktion genutzt haben.
Anhand dieses Diagramms können wir zwei wichtige Schlüsse ziehen:
- Gerade einmal 0,5 % aller Musik-Streamer nutzen das Shuffle-Feature.
- Die Nutzung des Shuffle-Features ist im vergangenen Monat kontinuierlich von 1,3 % auf 0,5 % gesunken.
Basierend auf diesen Nutzungsstatistiken können wir Shuffle als einen würdigen Kandidaten betrachten, um unser UI zu bereinigen und zu entrümpeln.
Beispiel #2: Erkennen und Beheben von Nutzererlebnis-Problemen, die Ihren Setup- oder AHA!-Moment-Flow stören
Die ersten Schritte, die Ihre Nutzer in Ihrem Produkt machen, haben einen starken Einfluss auf deren Bindung und Lebenszeitwert. Zumindest habe ich das in zahlreichen Produkten, die ich geleitet habe, immer wieder gesehen.
Jede Verbesserung im Prozess, in dem Nutzer Ihr Produkt einrichten und ihren AHA!-Moment erreichen, wird sich letztlich in einer höheren Nutzerbindung widerspiegeln.
Zum besseren Verständnis: Nutzer erreichen ihren Setup-Moment, wenn sie alle notwendigen Konfigurationen bei der Anmeldung erledigt haben (z. B. Eingabe der Kreditkartendaten und Verifizierung in einer Zahlungs-App). Der AHA!-Moment ist der Punkt auf der Nutzerreise, an dem sie erstmals den Nutzen und Mehrwert Ihres Produkts erleben (z. B. eine sofortige Überweisung mit Ihrer Zahlungs-App durchführen).
Es ist meist ganz normal, dass in diesem Prozess Nutzererlebnis-Probleme auftreten, die dazu führen, dass weniger Menschen ihren Setup- und Gewöhnungsmoment erreichen. Die gute Nachricht ist jedoch, dass Sie diese ganz einfach mit einem Analysetool oder UX-Heatmaps wie diesen finden können. Mit solchen Daten können Teams herausfinden, an welchen Stellen Nutzer abspringen, welche Schritte für Reibung sorgen und wie man die Konversion verbessert.
Passend dazu: 10 beste UX-Design-Tools für Produktentwickler
Wie man Produktanalyse-Funnels in Heap zur Fehlersuche beim Konvertieren nutzt
Eine der praktischsten Methoden, um Nutzerreisen zu verfolgen und zu analysieren (einschließlich derjenigen, die zu Ihrem Setup- und AHA!-Moment führen), sind Funnels. Ein Funnel ist eine Liste von Ereignissen in einer bestimmten Reihenfolge, bei der Sie sehen können, wie viele Nutzer von einem Ereignis zum nächsten wechseln.
So sieht eine Funnel-Analyse für eine einfache Anmeldeseite aus, bei der es ein einziges E-Mail-Feld und einen Absende-Button gibt.
Für unsere Anmeldeseite verfolgen wir Nutzer anhand folgender Ereignisse:
- Ansicht der Anmeldeseite.
- Ausfüllen des E-Mail-Feldes durch den Nutzer.
- Klick auf den Absende-Button.
Wie man sieht, haben über 1.200 Nutzer die Anmeldeseite besucht. Allerdings haben nur 17% dieser 1.200 ihre E-Mail eingetragen, und 90% derjenigen, die ihre E-Mail angegeben haben, haben auch auf den Absende-Button geklickt.
Dieser Funnel zeigt uns, dass mit dem E-Mail-Feld etwas nicht stimmt und wir herausfinden müssen, was genau das Problem ist.
Dafür können wir entweder einen Usability-Test unseres Anmeldebildschirms durchführen oder das Heap-Session-Replay ansehen, also die Echtzeit-Videoaufzeichnung der Interaktion des Nutzers mit Ihrem Produkt.
Im Fall des E-Mail-Feldes könnten Sie feststellen, dass die E-Mail-Validierung frustrierend ist und Ihre Nutzer nach wenigen Versuchen, ihre E-Mail einzugeben, aufgeben.
Beispiel #3: Messung des Feature-Impacts während des schrittweisen Rollouts
Wie oft haben Sie schon ein neues, glänzendes Feature zu Ihrem Produkt hinzugefügt, das ein völliger Fehlschlag war (sprich: die Nutzung nicht verbessert oder sogar verschlechtert hat)? Selbst den fähigsten Produktmanagern ist das schon mehrmals passiert.
Da wir nicht immer wissen können, ob das neu gebaute Feature ein Erfolg oder Misserfolg wird, ist es sinnvoll, es zunächst an eine kleine Nutzergruppe auszurollen, zu prüfen, ob und wie sie es nutzen (und ob es Ihre wichtigsten Kennzahlen wie Bindung oder Lebenszeitwert verbessert)—und dann, falls es erfolgreich war, für alle anderen freizugeben.
Sowohl der schrittweise Rollout als auch die Messung der Auswirkungen lassen sich mit einer spezialisierten Produktanalyse-Lösung umsetzen, die essenzielle Analyse-Software-Funktionen wie Amplitude bietet.
Experimente einrichten und durchführen mit fortschrittlicher Produktanalyse-Software wie Amplitude
Amplitude kommt mit einer erweiterten Funktion namens Experiments. Damit lassen sich entweder A/B-Tests durchführen oder Features stufenweise ausrollen. Ich gehe hier nicht ins Detail, wie man ein Experiment anlegt, denn das ist ein Thema für ein andermal. Sie können sich jedoch die Dokumentation zu diesem Feature anschauen, in der alles von API-Kommunikation über Integrationen, Benachrichtigungen bis hin zur Preisgestaltung erklärt wird.
Stellen Sie sich nun vor, Sie haben als Teil Ihres Onboardings eine Video-Anleitung hinzugefügt und möchten die Anzahl der Personen steigern, die darauf klicken und sich das Video ansehen. Dafür haben Sie zwei Lösungen erarbeitet, bei denen das Video jeweils an einer anderen Stelle im Onboarding angezeigt wird.
Um herauszufinden, ob Ihre Lösungen funktionieren (und welche besser funktioniert), können wir ein Experiment aufsetzen, wobei 25% der Nutzer Variante A und weitere 25% Variante B erhalten.
Wenn wir dieses Experiment starten und es eine Weile laufen lassen, um statistisch signifikante Nutzerdaten zu erhalten, sehen wir Folgendes.
Das obige Diagramm ist ein Conversion Funnel vom Besuch der Startseite bis zum Starten des Videos. Wie wir sehen können, ist Variante A der Gewinner und kann die Conversion für den Videostart um 3,4 % optimieren.
Abhängig von der Situation können Sie dies entweder als Erfolg oder als Misserfolg betrachten. Für die Conversion-Rate des Video-Öffnens würde ich sagen, dass dies ein Misserfolg ist und es sich nicht lohnt, den Aufwand für eine Ausrollung an alle zu betreiben. Wenn das Ergebnis eines Experiments jedoch eine Steigerung der Bindung um 3,4 % wäre, wäre das ein bedeutender Erfolg.
Beispiel #4: Überwachung der Produktgesundheit
Produkte sind wie lebendige Organismen, die sich wohlfühlen oder "krank" werden können. Um sicherzustellen, dass Sie immer über die Gesundheit Ihres Produkts informiert sind und Probleme identifizieren sowie beheben können, müssen Sie das “Herzschlag”-Signal Ihres Produkts in Form eines Produkt-Gesundheitsdashboards überwachen.
Durch die Überwachung erkennen Sie möglicherweise Einbrüche oder Spitzen bei den wichtigsten Produktmetriken und KPIs wie WAU oder Stickiness, die untersucht werden müssen, oder Sie sehen, dass Ihr Nutzerengagement allmählich sinkt – ein Signal dafür, dass Ihr Produkt einen Neustart benötigt.
Glücklicherweise lässt sich ein Produkt-Gesundheitsdashboard mit jedem Business-Intelligence-Tool (z. B. Mixpanel oder Amplitude) einfach erstellen.
Überwachung der wichtigsten Produktkennzahlen mit Mixpanel
Dashboards in Mixpanel bestehen aus mehreren verwandten Berichten, die Sie nebeneinander platzieren. Für ein Produkt-Gesundheitsdashboard sollten Sie folgende Berichte in Betracht ziehen:
- DAU, WAU oder MAU für Ihre zentrale Aktion (z. B. einen Song bei Spotify streamen). Die Wahl zwischen diesen drei hängt von der natürlichen Frequenz der Kernaktion ab. Beim Musikstreaming ist es täglich, daher wäre DAU die richtige Wahl.
- Stickiness (DAU/WAU, WAU/MAU usw.). Dies zeigt den Prozentsatz der Nutzer, die engagiert sind und zu Ihrem Produkt zurückkehren.
- Anmeldungen im Zeitverlauf und Konvertierungen von Free → Paid im Zeitverlauf. Behalten Sie diese beiden Werte im Auge und stellen Sie sicher, dass sie stetig wachsen.
- Churn. Dies ist die Anzahl der Nutzer, die Sie über einen bestimmten Zeitraum verloren haben. Ein Anstieg dieses Wertes sollte Sie beunruhigen.
- Retention. Hier wird angezeigt, wie viele Nutzer nach einer bestimmten Zeit (z. B. 90 Tage) bei Ihnen geblieben sind.
So sieht ein typisches Produkt-Gesundheitsdashboard in Mixpanel aus.
Sie können selbstverständlich weitere Berichte zu Ihrem Dashboard hinzufügen, sofern sie die Gesundheit Ihres Produkts darstellen.
Beispiel #5: Entscheidung über Release/Freigabe, wenn Ihr QA-Team einen schwerwiegenden Fehler gefunden hat
Eine der schwierigsten Produktentscheidungen, die wir treffen müssen, ist die Freigabe einer neuen Version. Und das ist schwierig, denn Releases sind fast nie frei von Fehlern. Besonders kompliziert wird es, wenn ein Fehler entdeckt wird, der das Kundenerlebnis erheblich beeinträchtigen könnte.
Aber warum ist das so kompliziert? Wenn ein gravierender Fehler gefunden wird, sollte dieser erst behoben werden, bevor die Version veröffentlicht wird – richtig? Stellen Sie sich aber vor, dass Ihr Team noch eine weitere Woche zur Behebung benötigt und das Marketing-Team bereits Zusagen und Vorbereitungen getroffen hat, die schwer rückgängig zu machen sind.
In dieser Situation haben Sie zwei Möglichkeiten:
- Geben Sie grünes Licht für die Freigabe und nehmen Sie die Konsequenzen des schwerwiegenden Fehlers in Kauf.
- Liefern Sie Ihrem Marketing-Team ein überzeugendes Argument, den Launch zu verschieben.
Beide Alternativen erscheinen ungünstig. Aber keine Sorge: Es besteht die Möglichkeit, dass der betreffende Fehler viel weniger Auswirkungen hat als zunächst angenommen und Sie die Version ohne größere Konsequenzen veröffentlichen können.
Um die Auswirkungen des Fehlers zu messen, können wir Daten aus unserer Produkt-Analytikplattform heranziehen.
Nutzung von Google Analytics zur Berechnung des Bug-Impacts
Stellen Sie sich vor, Sie haben einen Fehler, der gelegentlich zu Abstürzen Ihrer mobilen App auf Android 6.0.1 führt und die Customer Journey vollständig unterbricht. Um die Auswirkungen dieses Fehlers zu verstehen, müssen wir wissen, wie viele Nutzer diese Android-Version verwenden.
Glücklicherweise ist Google Analytics neben Nutzungsdaten auch in der Lage, technische Daten von unseren Nutzern zu erfassen und zu speichern, wie z. B. Gerätetypen, Betriebssystemversionen, Bildschirmgrößen usw.
Wenn wir also den Bericht „Technische Details“ öffnen und die Option „OS mit Version“ wählen, erfahren wir, dass nur 1,2 % der gesamten Nutzerschaft auf Android 6.0.1 sind.
Auch wenn diese Daten bereits ein Indikator dafür sind, dass wir für das Release grünes Licht geben können, können wir noch einen Schritt weiter gehen und den potenziellen finanziellen Einfluss berechnen, indem wir den Umsatz prüfen, den wir von Nutzern mit Android 6.0.1 erzielen.
Vergleichen wir den Gesamtumsatz zwischen „allen Nutzern“ und „Android 6.0.1 Nutzern“, sehen wir Folgendes.
Offensichtlich erzielen die Nutzer, bei denen nach dem Release Abstürze auftreten, keinen Umsatz für uns. Deshalb wird die Version mit dem Bug keine finanziellen Konsequenzen für uns haben. Bonus!
Beispiel #6: Identifizierung von Nutzerkohorten, die Ihre Marketingaktivitäten wert sind
Nicht alle Ihre Nutzer sind gleich. Einige von ihnen sind die Power-User, die den Großteil der Produktnutzung (sowie den Großteil Ihres Umsatzes) ausmachen, während andere inaktiv sind und kaum Hoffnung auf Engagement oder Monetarisierung besteht.
Sie möchten natürlich die Nutzer identifizieren, die Ihnen den meisten Umsatz bringen können, und Ihre Marketingaktivitäten auf sie fokussieren. Doch wie gelingt das?
Nun, Sie können Ihre Produktanalysedaten nutzen, indem Sie verschiedene Nutzerkohorten identifizieren und ihre wichtigsten Nutzungs- und Monetarisierungskennzahlen vergleichen.
Kohortenanalyse mit Amplitude
Kohorten sind Gruppen von Nutzern, die ein gemeinsames Merkmal teilen. Sie können Kohorten erstellen basierend auf:
- Plattform (z. B. Mac- und Windows-Nutzer). Ich hatte ein Produkt, bei dem die Mac-Nutzer einen 30 % höheren LTV im Vergleich zu Windows-Nutzern hatten.
- Geografie (z. B. Nutzer aus Frankreich und Griechenland). Je nach Produkt kann es in bestimmten Ländern besonders gut monetarisieren, während es in anderen unterdurchschnittlich abschneidet.
- Registrierungsdatum (z. B. Nutzer, die sich im November und Januar angemeldet haben). Stellen Sie sich vor, Ihre Black Friday-Kampagne war ein voller Erfolg. Sie haben die richtigen Personen angesprochen und Ihre November-Kohorte hat einen viel höheren LTV als die anderen Monate.
- Nutzerverhalten oder Nutzung bestimmter Funktionen (z. B. Nutzer, die Songs mischen und solche, die es nicht tun). Wenn Sie eine Funktion entwickeln, möchten Sie natürlich, dass deren Nutzer mehr Engagement und einen höheren LTV aufweisen. Andernfalls war die Funktion kein Erfolg und es lohnt sich, sie zu entfernen.
Erstellen wir nun einige Kohorten in Amplitude und vergleichen sie.
Angenommen, Sie möchten herausfinden, ob es sich lohnt, Marketinginvestitionen für Japan zu tätigen. Wir können in Amplitude folgendermaßen eine Kohorte für japanische Nutzer erstellen.
Anschließend können wir die Häufigkeit von Kaufaktionen japanischer Nutzer im Vergleich zu allen anderen vergleichen.
Wie wir sehen, kaufen japanische Nutzer häufiger als der Durchschnitt. Es lohnt sich also, Ihr Marketingteam dazu zu bringen, gezielt auf Japan abzuzielen.
Fazit
Produktanalysen erleichtern Ihnen als Produktmanager das Leben, indem Sie datengesteuerte Design-Entscheidungen treffen können, statt sich nur auf Intuition und Bauchgefühl zu verlassen.
Fundierte Entscheidungen auf Basis von Analysedaten zu treffen ist großartig, aber Sie sollten dort nicht haltmachen. Einige der anderen großartigen Tools, die Sie nutzen können, um ein noch besserer Produktmanager zu werden, sind:
- Kundenfeedback-Schleifen, um sicherzustellen, dass jeder die Stimme Ihrer Kunden hört.
- Produkt-Wireframes, um Ihr Design schnell und unkompliziert weiterzuentwickeln.
- PRDs, um alle Beteiligten auf die Umsetzungsdetails des Features abzustimmen, und mehr.
- Produktanalyse-Kurse sind wertvolle, renditestarke Ressourcen, die Sie in Ihrer Rolle effektiver machen.
Neben dem Lesen dieser Leitfäden können Sie auch unseren Newsletter abonnieren und sich viele spannende Inhalte rund ums Produktmanagement direkt in Ihren Posteingang liefern lassen!