Produktanalytik im Vergleich zu Embedded Analytics erklärt (2024)

Produktanalyse bezieht sich auf die Verwendung von Datenanalysetechniken, um Einblicke in die Nutzung, Leistung und das Nutzerverhalten eines Produkt „Software as a Service“ (SaaS).

Embedded Analytics bezieht sich auf die Integration von Analysefunktionen direkt in SaaS-Anwendungen oder Geschäftsprozesse, sodass Benutzer auf Einblicke in ihre eigenen Daten zugreifen können, ohne die Anwendungsumgebung verlassen zu müssen.

Produktanalytik

SaaS-Produktanalysetools erfassen, verarbeiten und analysieren Daten, die durch Benutzerinteraktionen mit einer Softwareanwendung oder Plattform generiert werden.

1. Der Prozess beginnt mit der Instrumentierung der Softwareanwendung oder Plattform mit Tracking-Code oder SDKs (Software Development Kits).
2. Dieser Code wird je nach Art der zu erfassenden Daten in das Frontend, das Backend oder beides der Anwendung integriert.
3. Der Tracking-Code erfasst verschiedene Arten von Ereignissen und Benutzerdaten, wie Klicks, Seitenaufrufe, Funktionsnutzung, Benutzerattribute und benutzerdefinierte Ereignisse, die von den Entwicklern der Anwendung definiert wurden.
4. Sobald der Tracking-Code bereitgestellt ist, beginnt er mit der Erfassung von Daten, wenn Benutzer mit der Anwendung interagieren.
5. Die Daten werden in der Regel asynchron über HTTP-Anfragen oder andere Kommunikationsprotokolle an die Server des Analysetools gesendet.

Die Daten können Informationen wie Zeitstempel, Benutzer-IDs, Sitzungs-IDs, Gerätetypen, Betriebssysteme, Browsertypen und andere relevante Metadaten enthalten. Wie wird das verwendet?

Nutzerverhalten verstehen

Ob es um die Priorisierung von Produktmerkmalen, die Optimierung von Marketingstrategien oder die Verbesserung der Benutzererfahrung geht — Produktanalysen helfen Anbietern von SaaS-Lösungen dabei, Entscheidungen auf der Grundlage empirischer Daten und nicht auf subjektiven Annahmen zu treffen. Zu den gängigen Messbereichen gehören:

• Benutzerakzeptanz: Die Anzahl der Benutzer, die sich für das Produkt anmelden, und wie oft sie es verwenden.
• Nutzerinteraktion: Kennzahlen wie die in der Anwendung verbrachte Zeit, Anzahl der Sitzungen und Häufigkeit der Anmeldungen.
• Nutzung der Funktionen: Welche Funktionen des Produkts werden am häufigsten verwendet und welche werden nicht ausreichend genutzt.
• Kundenbindung und Abwanderung: Wie viele Nutzer nutzen das Produkt im Laufe der Zeit weiter (Kundenbindung) und wie viele kündigen ihre Abonnements (Abwanderung).
• Konversionsraten: Der Prozentsatz der Nutzer, die eine gewünschte Aktion ausführen, z. B. ein Upgrade auf einen kostenpflichtigen Tarif durchführen oder einen bestimmten Workflow innerhalb des Produkts abschließen.
• Kundenzufriedenheit: Feedback, das durch Umfragen oder andere Mittel gesammelt wurde, um die Zufriedenheit der Benutzer mit dem Produkt zu messen.

Agile Produktentwicklung

Durch A/B-Tests, Kohortenanalysen und Funneloptimierung können Lösungsanbieter ihre Produkte iterativ verfeinern, Problembereiche angehen und die Benutzerfreundlichkeit verbessern.

Nutzerorientiertes Engagement, Kundenbindung und Differenzierung:

Durch die Analyse des Nutzerverhaltens und des Feedbacks können Unternehmen maßgeschneiderte Strategien entwickeln, um die Kundenbindung zu erhöhen, die Kundenabwanderung zu reduzieren und dauerhafte Beziehungen zu ihrem Kundenstamm zu pflegen.

Integrierte Analytik

Ganz gleich, ob sich Ihre SaaS-Lösung auf folgende Bereiche konzentriert: Bildung und E-Learning, Energie und Versorgung, Finanzen und Bankwesen, Gesundheitswesen, Versicherungen, Einzelhandel und E-Commerce, Telekommunikation, Transport und Logistik oder andere Branchen, die B2B-SaaS-Lösungen bedienen — analytische Erkenntnisse werden eines der drei wichtigsten Kriterien sein, um eine Lösung einer anderen vorzuziehen.

Lassen Sie uns die beiden Begriffe „eingebettet“ und „Analytik“ im Zusammenhang damit untersuchen, wie Anbieter von B2B-SaaS-Lösungen dies nutzen wollen, um ihren Kunden einen Mehrwert zu bieten:

eingebettet

Embedded (Analytics) lässt sich auf drei Ebenen des Technologie-Stacks betrachten: (i) Daten, (ii) Logik und (iii) UX.

Eingebettete DATEN

Datenquellen können menschlich sein. Wenn Personen mit Ihrer Anwendung interagieren, geben sie Daten ein. Oft gibt es IoT-Sensoren, die Daten sammeln, während Maschinen automatisierte Aufgaben ausführen. Vielleicht überwachen sie Umgebungsbedingungen, oder Ihre Anwendung überwacht Statusänderungen, die sich aus Geschäftsregeln oder Anwendungslogik ergeben. Daten können aus anderen Anwendungen oder möglicherweise aus Datenquellen von Drittanbietern stammen, z. B. aus Benchmark-Daten.

Wie werden diese Daten gespeichert?

Die erste, vielleicht größte Herausforderung besteht darin, dass Daten möglicherweise in verschiedenen Formaten gespeichert werden, in unterschiedlichen operativen Datenquellen wie RDBMS, die mit der Structured Query Language (SQL) abgefragt werden, No-SQL-Datenrepositorys, Dateien und Dateisystemen sowie anderen (häufig mit dem REST-Webservice verbundenen) Datenquellen.

ETL

Es muss eine Möglichkeit geben, normalerweise einen ETL-Prozess (Extraktion, Transformation und Laden), auf automatisierter, fortlaufender Basis (Datenerfassung hört normalerweise nicht auf), diese verschiedenen Datenquellen in einem einzigen Format zusammenzuführen, das dynamisch aktualisiert, rationalisiert und modelliert wird. Auf diese Weise kann ein realistischer und glaubwürdiger analytischer Wert abgeleitet werden, ohne dass Betriebssysteme belastet werden müssen. Dies entspricht wahrscheinlich 60 bis 80% des Zeit- und Arbeitsaufwands.

Technologische Sorgfalt

Es gibt verschiedene Möglichkeiten, diese analytische Ansicht der Daten zu speichern, und die Auswahl einer geeigneten Technologie hierfür erfordert eine gewisse Sorgfalt.

Eine naheliegende Wahl wäre ein RDBMS. Der Vorteil davon ist der Technologie wird heute mit ziemlicher Sicherheit sowohl in Ihrem Unternehmen als auch bei Ihren Kunden verwendet.

Eine weitere Wahl für analyseorientierte Anwendungen sind In-Memory-Datenrepositorys. Diese werden in der Regel mit einer für Analysen optimierten Abfragesyntax kombiniert.

Berichterstattung oder Analytik?

SQL eignet sich gut für einfache Abfragen, ideal für Algorithmen, die nur wenige Durchläufe der Daten oder eine optimale Verwendung der Fremdschlüssel erfordern, was zu flachen Tabellenstrukturen führt... manchmal visualisiert als Berichte.

Analytik ist oft nicht so. Analytische Benutzererfahrungen können aus Kombinationen aus interaktiven Tabellen und anderem bestehen Dynamisch arbeitende Visualisierungen gemeinsam untersuchen wir Zahlen hinter den Zahlen, Warum-hinter dem Was und suchen nach den Ursachen von Anomalien... nicht nur nach flachen Tabellen.

Verwenden einer Abfragemethode, die ausnutzen kann dimensionale Modelle im Speicher bedeutet, dass die Dateninfrastruktur so konzipiert ist, dass sie in Echtzeit auf analytische Reisen reagiert, was für SQL-orientierte RDBMS eine Herausforderung sein kann.

Integrierte LOGIK

Sobald ein Repositorium für analytische Daten als „einzige Version der Wahrheit“ für analytische Zwecke ausgewählt wurde, müssen Überlegungen angestellt werden, um „echte“ oder „wahrheitsgemäße“ Antworten auf Fragen zu finden, die sich „summieren“. Dazu gehören Berechnungen, Bewertungen, KPIs, Filter und Aggregationen, die Geschäftsregeln widerspiegeln, die von den Endkunden verstanden und akzeptiert werden:

Filter und Aggregationen

Selbst mit einfachen Filtern und Aggregationen wie einer „Summe“ oder einer „Anzahl“ ist es überraschend, wie schnell daraus eine „Diskussion“ oder sogar eine Debatte wird... „was und wie zählen?“ oder „was und wie summieren?“.

Fehlende oder ungenaue Daten führen zu verzerrten Ergebnissen, die das Vertrauen der Kunden untergraben. Vielleicht führt das Filtern in eine Richtung zu einem Ergebnis, während ein ähnlicher Filter auf eine andere Art zu einem besorgniserregend anderen Ergebnis führt.

Aus diesem Grund verifizierte Definitionen (z. B. was ist „Kosten“ oder „Gewinn“ oder ein „Kunde“?... zum Beispiel), die beschreiben, wie Dinge gezählt und aggregiert werden, sind wichtig für die Glaubwürdigkeit der Lösung und die Zufriedenheit des Kunden.

Geschäftsregeln und Schwellenwerte für die Verwaltung nach Ausnahmefällen

Was passiert, wenn ein Kunde etwas kauft? Wird diese Person oder dieses Unternehmen unterschiedlich kategorisiert, gezählt und gemessen? Ändern sich die Prozesse für diesen Kunden, um Loyalität und wiederkehrende Käufe zu fördern?

Geschäftsprozesse und Regeln steuern diese Prozesse und müssen sich auch in den Analysen widerspiegeln. Wir kennzeichnen den Status von Personen und Dingen, damit sie gemessen und analysiert werden können.

Schwellenwerte für die Verwaltung nach Ausnahmen sind hierfür hilfreich. Zum Beispiel:

• Wenn hohe Umsätze „gut“ sind, sollten wir eine Definition für Umsatz haben und einen (vermutlich numerischen) Schwellenwert definieren, ab dem Umsätze „gut“ sind, damit die Kunden sehen können, wie, warum und wo das passiert, und weiter profitieren können.
• Wenn niedrige Gewinne „schlecht“ sind, sollten wir eine Definition für Gewinn haben (wie wird ein Prozentsatz des Umsatzes berechnet?) und definieren Sie einen (vermutlich numerischen) Schwellenwert, unter dem die Gewinnmargen „schlecht“ sind und vermutlich Aufmerksamkeit erfordern.

Navigation

Bei Dashboards möchten Benutzer natürlich mit der Navigation beginnen, um die Zahlen hinter dem Dashboard zu erkunden. Das ist ein Vorteil der Verwendung eines dimensionalen Modells. Anstatt jede analytische Interaktion zu codieren, können Dimensionen und Kennzahlen verwendet werden, um Navigationspfade anzuzeigen, ohne dass alles codiert werden muss.

Sicherheit

Die Kombination von dimensionaler Navigation und Sicherheit führt zu robuster, granularer und einfach zu wartender Sicherheit auf Zellebene... mit anderen Worten, es wird automatisch bestimmt, welche Benutzer über welche Dimensionen hinweg Zugriff auf welche Kennzahl haben.

Es sollte keine Notwendigkeit geben, die Benutzerverwaltung zu duplizieren, und es sollte auch keinen Grund geben, das Sicherheitsregime, das Sie bereits in Ihrem SaaS haben, zu duplizieren. Das erwartete Szenario wäre ein Übersetzungsskript oder ein „Handshake“, bei dem die Host-Anwendung dynamisch Sicherheitsparameter für jeden Benutzer sendet und das Modell alles ausschließt, was der Benutzer aufgrund seiner Rollen und Berechtigungen nicht sehen kann.

Berechnungen, KPIs, Ergebnisse

Es gibt einfache Berechnungen wie das Addieren von Auftragszeilen oder vielleicht Branchen-Benchmarks (wie CAC, NPS, LTV, Bewertung...), aber diese können komplexer werden und manchmal ist diese Raffinesse eine Differenzierung für Ihren Kunden.

Raffinierte Variablen können in Form dynamischer Variablen auftreten, die möglicherweise auf der betrieblichen Leistung basieren (z. B. was sich gut oder schlecht verkauft), oder in der Verwendung statistischer Formeln oder Modelle (z. B. auf einer Regression basierende Prognose).

Sie könnten noch einen Schritt weiter gehen und Ihre eigenen prädiktiven und anderen Algorithmen entwickeln und Ergebnismengen in Ihren eingebetteten Analysen verarbeiten.

Eingebettete UX

Obwohl sie oft im Mittelpunkt der SaaS-Produkt- und Entwicklungsteams stehen, sind analytische Visualisierung und Benutzererfahrung die relativ einfachen Teile der Gleichung. Hier Visualisierungen (manchmal auch „Widgets“ oder „Gadgets“ genannt), am häufigsten:

• Tabellen
• Charts
• Messgeräte
• Landkarten
• Maßgeschneiderte Visualisierungen
• Filter
  

werden einzeln, mehrfach oder in Kombination als Teil Ihrer UX gerendert.

Es ist üblich, dass Benutzer das Wort „Dashboards“ verwenden, als ob Analysen ausschließlich aus Dashboards bestehen würden. Analytische Visualisierungen, entweder einzeln oder in Kombination, bieten jedoch in der Regel einen Mehrwert, da sie nicht nur Dashboards, sondern auch kontextbezogen und durchgängig in Ihre SaaS-Lösung eintauchen:

• Für eine SaaS-Lösung für das Flottenmanagement in einem Fahrzeug, Schiff, Flugzeug, Container, Frachtbrief oder einer Sendung
• Für eine Workforce-Management-SaaS-Lösung, in einem einzelnen Mitarbeiter, Standort oder einer Ressource wie einem Raum oder einem (remoten/virtuellen) Schreibtisch
• Für eine SaaS-Lösung zur Immobilienverwaltung, in einer Gebäudeeinheit oder in einer verwalteten Anlage wie einem Aufzug, einem Kessel oder einer Klimaanlage
• Für eine SaaS-Lösung im Gesundheitswesen, in einem Bett, einem Patienten, einem medizinischen Fachpersonal oder einem Gerät wie einem Scanner
• Für eine SaaS-Lösung für die Beschaffung, in einer Bestellung, einem Lieferanten, einem Artikel oder einer SKU
  

‍

Die Vorstellung, dass es bei Analysen nur um Dashboards geht, wird dem Wert eingebetteter Analysen nicht gerecht. Analysen sollten überall dort präsent sein, wo sie einen Mehrwert bieten... potenziell auf jeder Detailebene, auch auf der Ebene einzelner Datensätze.

Bei eingebetteten Analysen erwarten Sie sofort einsatzbereite Visualisierungen. Visualisierungen von Drittanbietern können als Plug-in integriert werden, oder Sie entwerfen Ihre eigenen (in der Regel Javascript) benutzerdefinierten Visualisierungen wie Grundrisse, Maschinen- oder Prozessablaufdiagramme.

Sie erhalten eine Methode, um Daten und variable (Filter-) Parameter in diese Visualisierungen einzuspeisen, um die visualisierten Daten im Kontext des Prozesses oder eines Teils der Anwendung und je nachdem, wer der Benutzer ist, widerzuspiegeln.

Es wird auch ein Theming geben, das normalerweise über CSS hinausgeht, sowie ein Mittel, um das Verhalten der Visualisierung zu definieren... zum Beispiel, was passiert, wenn Sie auf das Segment eines Kreisdiagramms klicken... vielleicht rendert das einen Filter oder einen Drilldown zu einer detaillierteren Perspektive.

<iframe><div>Diese analytischen Benutzererfahrungen, die einzelne oder mehrere Visualisierungen umfassen, werden in der Regel mithilfe von HTML oder in Webseiten eingefügt.

Analytik

In 3 Phasen zur eingebetteten Analytik

Ein erster Schritt für Anbieter von SaaS-Lösungen ist die Entwicklung einer API, mit der Kunden Daten aus der SaaS-Anwendung exportieren können. Das ist schade, denn dadurch wird die Möglichkeit für Lösungsanbieter umgangen, dem Kunden in der Regel durch analytisches geistiges Eigentum einen Mehrwert zu bieten.

Die nächste Option ist die Verwendung von Javascript-Visualisierungsbibliotheken. Diese ermöglichen es, attraktive analytische Frontend-Benutzererlebnisse zu schaffen, aber sie lösen das Problem nicht wirklich... nämlich Datenkomplexität, Datenintegrität und Abfrageleistung.

In der Folge könnte ein SaaS-Lösungsanbieter die Einbettung eines BI-Tools in Betracht ziehen, wobei zwei Herausforderungen bestehen: (i) BI-Tools eignen sich ideal für Datenanalysten und Datenwissenschaftler in einem eigenständigen Szenario, sie sind weniger geeignet, um in Anwendungen zu verschwinden, in denen der Benutzer kein Datenanalyst oder Datenwissenschaftler ist; (ii) ihre Lizenzierung und Preisgestaltung sind für SaaS-Lizenzmodelle oft eine Herausforderung.

Die Idee mit Embedded Analytics besteht darin, die besten aller Ansätze (Exporte, Visualisierung und dynamische/interaktive Benutzererlebnisse) auf einer Plattform zu vereinen.

Analysieren oder Dinge erledigen?

Wenn das Wort „Analytik“ verwendet wird, kann die Annahme, dass der Hauptzweck die Analyse sein kann. Lösungsanbieter beginnen damit, BI-ähnliche Funktionen in ihrem SaaS-Produkt bereitzustellen. Dies bedeutet oft, dass der Schwerpunkt auf Self-Service und Ad-hoc-Analysen liegt.

Obwohl Analysen für Nicht-Analysten von Interesse sein können, lautet die wichtigste zu beantwortende Frage: „Was tun mit dieser Analyse?“ oder „Welche Maßnahmen sollen aus dieser Analyse abgeleitet werden?“

Für eingebettete Analysen erfordert dies eine enge Integration mit dem Host-SaaS, um nicht nur zu Teilen der Anwendung zu navigieren, in denen Aktionen ausgeführt werden können, sondern auch potenziell in großem Maßstab (mehrere Aktionen), auf Knopfdruck, wo jede Aktionsausführung individuell parametrisiert wird.

Fazit

Product Analytics und Embedded Analytics sind beide wichtige Funktionen, die SaaS-Lösungsanbietern einen Mehrwert bieten, aber sie sind keineswegs dasselbe.

Product Analytics hilft Ihnen dabei, Ihre SaaS-Nutzung und Ihr Produktengagement intern zu überwachen, während Embedded Analytics den Wert Ihrer SaaS-Analysefunktionen für Ihre Kunden nutzbar macht.

Lassen Sie uns sicherstellen, dass wir für jeden ein klares Verständnis haben, bevor wir untersuchen, welchen Wert sie bringen können, vielleicht gemeinsam.

Sehen Sie unsere Integrierte Analytik Seite, um zu sehen, wie wir einbetten.