Productanalyse

Productanalyse is het meten en analyseren van hoe mensen een product gebruiken, gericht op het verbeteren van het product zelf in plaats van op het meten van marketingprestaties. Waar traditionele webanalyse is georganiseerd rond sessies, pagina's en verkeersbronnen, is productanalyse georganiseerd rond gebruikers, gebeurtenissen, functies en gedrag in de loop van de tijd, wat de verschillende vragen weerspiegelt die elk beoogt te beantwoorden.

De kerneenheid is de gebeurtenis: een afzonderlijke actie die een gebruiker uitvoert, vastgelegd met eigenschappen die de context beschrijven. Vanuit een goed ontworpen gebeurtenisstroom volgen de standaardanalyses: trechters die laten zien waar gebruikers afhaken in een gedefinieerde reeks, retentiecurves die laten zien hoe het gebruik zich gedurende dagen en weken na het eerste gebruik ontwikkelt, functie-adoptie die laat zien welk percentage gebruikers een functionaliteit ooit gebruikt en hoe vaak, padanalyse die laat zien wat mensen daadwerkelijk doen in plaats van wat de beoogde flow veronderstelt, en cohortvergelijkingen die laten zien of recente gebruikers zich anders gedragen dan eerdere gebruikers.

De onderscheidende bijdrage ligt in het koppelen van gedrag aan resultaten op het niveau van individuele functionaliteiten. Vragen die marketinganalyses niet kunnen beantwoorden, zoals of gebruikers die een bepaalde functionaliteit omarmen, deze langer behouden, welke volgorde van acties in de eerste week het gebruik op de lange termijn voorspelt, en welke onderdelen van het product door bijna niemand worden gebruikt ondanks de onderhoudsinspanningen die ze vergen, kunnen direct worden beantwoord. De bevinding dat een specifieke actie in de eerste week sterk correleert met retentie is een terugkerend patroon in productgerichte bedrijven en leidt er doorgaans toe dat het onboardingproces wordt aangepast om gebruikers naar die actie te leiden.

De kwaliteit van alles hangt af van de taxonomie van de gebeurtenissen, en dit is waar de meeste implementaties mislukken. Gebeurtenissen met inconsistente namen, verschillende definities op verschillende platforms, ad-hoc toevoegingen door individuele teams of het ontbreken van de benodigde eigenschappen voor segmentatie, leiden tot een dataset die geen antwoorden kan geven zonder eerst een grondig onderzoek. Een gedocumenteerd trackingplan, waarin elke gebeurtenis, de bijbehorende eigenschappen, de triggercondities en de eigenaar worden gedefinieerd, dat vóór de implementatie is overeengekomen en wordt bijgehouden naarmate het product verandert, maakt het verschil tussen een bruikbare dataset en een kostbare.

Correlatie en causaliteit worden hier gemakkelijker door elkaar gehaald dan in de meeste analyses, omdat gedragsdata zich lenen voor een causale interpretatie. Dat gebruikers die een bepaalde functie vaker gebruiken, bewijst niet dat die functie de oorzaak is van de retentie; meer betrokken gebruikers gebruiken mogelijk simpelweg meer functies. Het is vaak zinloos om op basis van dergelijke bevindingen de functie aan iedereen op te dringen, omdat de causale verbanden de andere kant op wijzen. Het vaststellen van causaliteit vereist experimenten, en daarom werken productanalyse en gecontroleerde tests samen in plaats van als alternatieven.

De relatie tussen productanalyse en traditionele webanalyse verdient een duidelijke beslissing in plaats van parallelle accumulatie. Veel organisaties gebruiken beide, met overlappende instrumenten, uiteenlopende definities en twee sets cijfers die nooit helemaal overeenkomen. Dit leidt tot vergaderingen over welk rapport correct is in plaats van over wat er moet gebeuren. Een werkbare aanpak definieert de reikwijdte van elke tool expliciet, doorgaans marketing- en acquisitiemeting in de ene en in-productgedrag in de andere, met een gedeelde identificatiecode die beide verbindt en één overeengekomen bron voor elke metric die in beide voorkomt. Wanneer dezelfde vraag met beide tools beantwoord kan worden, moet het antwoord eenmaal gedocumenteerd worden in plaats van onafhankelijk opnieuw berekend te worden door degene die de vraag krijgt.

Zowel privacy als de hoeveelheid gegevens vereisen zorgvuldig beheer, aangezien gedetailleerde gedragsregistratie grote datasets genereert met informatie over identificeerbare personen en onderworpen is aan dezelfde toestemmings- en bewaarplichten als elke andere verwerking van persoonsgegevens. In de praktijk worden het registratieplan en de analysemogelijkheden vastgesteld door Data analyticsDe instrumentatie wordt geïmplementeerd als onderdeel van productontwikkeling in plaats van achteraf aangepast, en de daaruit voortvloeiende bevindingen dragen bij aan de prioritering in product onderzoekwaarbij gedragsmatig bewijs en kwalitatief inzicht samen worden afgewogen.