Sie benötigen eine schlanke Datentaxonomie, um Self-Service-Analysen zu skalieren

Das Taxonomie-Design geht Hand in Hand mit der Produktanalyse. Unabhängig von Ihrer Branche, Unternehmensgröße, Produktportfolio oder Datenreife können Sie ohne eine schlanke Taxonomie keine skalierbare Produktanalyse etablieren. Dies ist besonders wichtig, wenn Sie bedenken, dass die meisten Unternehmen plattform- und produktübergreifende User Journeys verfolgen und ihre Produktanalyseinstrumente so einrichten müssen, dass zukünftige Szenarien antizipiert werden.

Mit anderen Worten, Sie müssen Ihre Datentaxonomie von dem Moment an zukunftssicher machen, an dem Sie eine Produktanalyselösung einführen. Befolgen Sie die nachstehenden Grundprinzipien, um Ihre Produktanalysen langfristig auf Erfolgskurs zu bringen.

Best Practices für die Zukunftssicherheit Ihrer Produktanalyse und Datentaxonomie

1. Investieren Sie viel in die Taxonomie Ihres ersten Produkts

Produktanalyse ist ein Teamspiel und erfordert, dass Sie klare Rollen und Verantwortlichkeiten für die am Prozess beteiligten Personen definieren. Ein starkes Setup erfordert die Beteiligung von zwei kritischen Rollen:

• Ein Geschäftsleiter (häufig Leiter oder VP des Produkts), der die wichtigsten Anwendungsfälle definiert, die von der Produktanalyse abgedeckt werden müssen
• Ein technischer Leiter (häufig in leitender technischer Funktion), der die technische Seite der Analytics-Implementierung vorantreibt

Beide Rollen sollten eine plattform- und teamübergreifende Sicht auf das Produkt haben, um Entscheidungen auf Produktebene treffen zu können. Wenn mehrere Produkt- und Engineering-Teams an der Implementierung beteiligt sind, ist es entscheidend, dass diese beiden Rollen in der Lage sind, die Teams zu koordinieren. Dadurch wird die Konsistenz der Produktanalyse unabhängig von der Anzahl der beteiligten Teams sichergestellt. Das breitere Führungsteam auf dem Laufenden zu halten, schafft oft zusätzliche Dynamik und Begeisterung rund um die Produktanalyse und hilft, die Arbeit in der unternehmensweiten Roadmap zu verbessern.

Sobald Ihr Team bereit ist, die Produkttaxonomie zu erstellen, sollten Sie sich ein Gesamtbild darüber machen, wo sich Ihr Produkt befindet, bevor Sie sich mit den wesentlichen Details befassen. Denken Sie dazu Top-down-Fragen durch, die die Produktanalyse für Ihr Team beantworten wird, wie zum Beispiel:

Wenn Sie in Ihrem/Ihren Team(s) ein gemeinsames Verständnis zu diesen grundlegenden Fragen herstellen, werden Sie immer in der Lage sein, die Abdeckung Ihrer Produktanalysen zu erweitern und tiefer in die Bereiche mit dem größten Potenzial einzutauchen (z. Offs).

Nachdem Sie die Anwendungsfälle für die Produktanalyse definiert haben, ist es an der Zeit, Ihre Datentaxonomie zu definieren. Diese besteht nämlich aus:

• Veranstaltungen
• Ereigniseigenschaften (Ereigniskontext)
• Benutzereigenschaften (Kontext eines Benutzers).

Ihr Ziel in dieser Phase ist es, die Taxonomie so schlank wie möglich zu halten, ausgerichtet an den obigen Fragen. Unserer Erfahrung nach reicht die Instrumentierung von nur 20-30 Events aus, um etwa 90 % der Fragen zu beantworten, die Teams ständig stellen.

Oft liefern nur eine Handvoll Veranstaltungen solide Antworten auf allgemeine Geschäftsfragen. Dies verschafft Ihrem Unternehmen ein Verständnis für die realen (nicht nur beabsichtigten ) User Journeys und erschließt neue Erkenntnisse, wie zum Beispiel:

• die wahren Personas des Produkts
• die Reibungspunkte in den User Journeys
• warum einige Benutzer konvertieren und andere nicht
• welche UI-Verbesserungen in Abgabemomenten vorgenommen werden sollten

Weitere Informationen zum Dokumentieren von Ereignissen, Ereigniseigenschaften und Benutzereigenschaften finden Sie im Datentaxonomie-Playbook von Amplitude. Zu den wichtigsten Punkten gehören, die Taxonomie schlank zu halten, konsistente Namenskonventionen zu verwenden und das richtige Gleichgewicht zwischen Instrumentierungsereignissen und Eigenschaften zu finden.

2. Halten Sie sich vom Tracking von UI-Elementen auf niedriger Ebene fern

Nach unserer Erfahrung mit dem Professional-Services-Team von Amplitude ist das Tracking von untergeordneten und unwichtigen UI-Elementen das Zeichen Nr. 1 für nicht skalierbare Produktanalysen. Oft spiegelt es einen Instrumentierungsansatz wider, der die Definitionen von Ereignissen und Ereigniseigenschaften verwechselt .

Beispielsweise könnte Ihr Produktteam an einer Wette arbeiten, um den Bezahlvorgang Ihres Produkts zu verbessern. Während sie an dieser Wette arbeiten, testen sie möglicherweise einige Iterationen, die UI-Elemente hinzufügen oder entfernen. Beim Versuch, die Leistung jedes Tests zu messen, kann es eine natürliche Tendenz geben, Ereignisse zu verfolgen wie:

• Kontrollkästchen angeklickt
• Schaltfläche angeklickt
• Umschalten gewischt
• Feldtext angeklickt

Wenn sich Ihre ursprüngliche Taxonomie mit UI-Elementen wie den oben genannten füllt, ist es möglicherweise an der Zeit, einen Schritt zurückzutreten und sich neu zu gruppieren. Ja, das Team hat an der Verbesserung des Checkout-Flows gearbeitet und diese Elemente angepasst, aber denken Sie daran: Das Ziel dieses Flows ist immer noch, dass die Benutzer sich nahtlos darin bewegen können. Was das Unternehmen als User Journey in Analytics sehen möchte, ist wahrscheinlich „Kasse gestartet“ → „Zahlungsmethode ausgewählt“ → „Zahlungsdetails ausgewählt“ → „Transaktion übermittelt“. Diese Art von Flow ist viel informativer und skalierbarer als etwas wie: „Schaltfläche angeklickt“ → „Kontrollkästchen ausgewählt“ → „Feldtext angeklickt“. Wenn Sie beim Auswerten der Konvertierung zwischen den Schritten immer noch nach Granularität suchen, können Sie dies mit zwei alternativen Methoden angehen:

1. Instrumentieren Sie UI-Elemente in den Ereigniseigenschaften von Ereignissen. Beispielsweise kann ein Ereignis „Transaktion gesendet“ eine Eigenschaft haben, die angibt, ob der Benutzer die Aktion mit einem Kontrollkästchen, einem Klick auf eine Schaltfläche oder einem anderen UI-Element ausgeführt hat.
2. Verwenden Sie A/B-Tests, um die Konversion bei Schritten mit hohem Drop-off zu verbessern . Wenn Sie beispielsweise zwischen den Schritten 1 und 2 einen hohen Abfall beobachten, ist es oft effektiver, einen A/B-Test mit einer modifizierten Benutzeroberfläche durchzuführen und objektive Ergebnisse auf Ihrer Probe zu beobachten, als mehrere Elemente während des Iterationsprozesses zu instrumentieren.

3. Stellen Sie die Verbindung zu Geschäftsergebnissen her

Letztendlich sollte Ihr Produktanalyse-Setup zeigen, wie Ihre digitalen Produkte Ihr Geschäft vorantreiben.

Mit einer gut instrumentierten Datentaxonomie gibt es viele Faktoren, die Ihr Team in der User Journey untersuchen kann, wie zum Beispiel:

• Personen
• gemeinsame Wege
• Auswirkungen von Releases auf Schlüsselkennzahlen
• Konvertierungstreiber
• Benutzerreisen
• und mehr

Wir sehen, dass Teams, die in der Produktanalyse erfolgreich sind, immer den Kreis schließen zwischen den Ereignissen, die sie verfolgen, dem Geschäft, in dem sie tätig sind, und dem „Engagement-Spiel“, das ihr Produkt spielt.

(Das Engagement-Spiel bezieht sich auf eines der drei primären „Spiele“, die Ihr Produkt antreibt: Transaktion, Aufmerksamkeit oder Produktivität. Lesen Sie mehr über diese Methoden im Playbook Mastering Engagement von Amplitude.)

Wenn Ihr Produkt beispielsweise in das „Produktivitätsspiel“ fällt, könnten Sie einen großartigen Onboarding-Trichter haben, aber dieser großartige Onboarding-Trichter reicht nicht aus, um Ihre Geschäftsziele zu erreichen. Ihr Produkt muss letztendlich das Produktivitätsversprechen erfüllen; Das bedeutet, dass Benutzer zurückkehren sollten, um die Kernfunktionen zu verwenden, die den Wert (Produktivität) für sie steigern. Stellen Sie sicher, dass Sie nicht nur den Erfolg Ihres Onboarding-Flows verfolgen, sondern auch Produktanalysen nutzen, um zu bewerten, wie Benutzer kritische Aktionen wiederholen.

4. Verfolgen Sie nicht alles auf einmal

Tracking-Daten werden heutzutage in den meisten digitalen Unternehmen als ein Muss angesehen, und die Technologiebranche macht es immer einfacher, riesige Datenmengen zu sammeln, zu speichern und zu verarbeiten. Unternehmen, die mit Produktanalysen beginnen und bereits über ein CDP oder ein Data Warehouse verfügen, neigen oft dazu, den Schritt des Taxonomie-Designs zu überspringen und einfach damit zu beginnen, all die wertvollen Daten, die sie bereits gesammelt haben, einzufließen.

Die Praxis der Professional Services bei Amplitude besinnt sich auf das alte Prinzip: Weniger ist mehr. Es ist immer besser, Ihren Amplitude-Benutzern eine Reihe von 10 relevanten und selbsterklärenden Ereignissen zu zeigen, als eine Liste mit 600 Ereignissen (oft mit Duplikaten und ohne wichtige Ereigniseigenschaften) für Personen zu zeigen, die nur einen Einblick darüber benötigen, wie viele aktive Benutzer da draußen sind oder was die kritische Konversionsrate ist.

Es liegt vollständig in Ihren Händen, eine schlanke und prägnante Taxonomie zu instrumentieren, die skalierbare Self-Service-Produktanalysen vorantreibt – die Art von Analyse, die Ihre Kollegen gerne bei täglichen Aufgaben verwenden werden.

Von einem Produkt zu produktübergreifender Analytik

Die Bereitstellung einer schlanken Erstimplementierung von Produktanalysen erschließt Erkenntnisse für jedes digitale Team: Marketing, Produkt, Engineering und mehr. Mit diesen zuverlässigen Erkenntnissen ziehen Sie auch die Organisation in Richtung einer datenbasierten Kultur. Teams beginnen, sich von Datenengpässen zu Self-Service-Analytics zu bewegen und den Zyklus zu Erkenntnissen von Wochen auf Minuten zu verkürzen.

Die schlanke Taxonomie des ersten Produkts setzt den Standard der Produktanalyse im Unternehmen und lässt andere Teams dem Beispiel folgen. Erfolgreiche produktübergreifende Analysen sind nur möglich, wenn jedes Produkt über eine gut instrumentierte Taxonomie verfügt, die mit den Geschäftsergebnissen verbunden ist, die das Unternehmen erreichen möchte.