Einführung der Einflussanalyse in Optimizely Analytics

Die meisten Produktteams stehen vor einer gemeinsamen Herausforderung: zu verstehen, welche Kennzahlen und Verhaltensweisen tatsächlich ihre wichtigsten Ergebnisse beeinflussen. Sie veröffentlichen vielleicht eine Funktion, die Ihre wichtigste Kennzahl verbessert, aber ohne systematische Analyse ist es schwer zu erkennen, ob Sie die richtigen Dinge messen oder ob die entwickelten Funktionen die erwartete Wirkung erzielen. Die Beantwortung von Standardfragen wie „Welche Kennzahl sagt die Kundenbindung am besten voraus?“ oder „Welche Nutzerverhaltensweisen korrelieren mit der Conversion?“ und die Entscheidung, wo im Nutzererlebnis das nächste Experiment durchgeführt werden soll (und mit wem), erfordert üblicherweise entweder fundiertes Raten oder die zeitaufwendige Durchführung von Korrelationsanalysen durch einen Data Scientist. Mit der Einflussanalyse können Sie diese wichtigen Fragen sicher beantworten – ganz ohne Statistikkenntnisse oder tagelanges Warten. Egal ob Produktmanager, Mitglied eines Experimentierteams oder Analyst – mit der Vorlage zur Einflussanalyse erkennen Sie schnell und übersichtlich Zusammenhänge zwischen wichtigen Kennzahlen.

Die Fragen, die Sie wirklich beantworten wollen

„Was bewirkt die Geschäftsergebnisse, die uns wichtig sind?“

Sind es die gesamten Wiedergabestunden oder die Anzahl der angesehenen Titel, die die Kundenbindung nach sechs Monaten vorhersagen? Sie können raten oder es genau wissen.

„Wer sind unsere Nutzer und wie unterscheiden sie sich?“

Werden Nutzer, die ihr Profil vollständig anpassen, eher zu Power-Usern als solche, die lediglich ihre Social-Media-Konten verknüpfen? Dieser Unterschied ist bei der Priorisierung Ihrer Roadmap relevant.

„Was passiert, nachdem Nutzer eine wichtige Aktion ausgeführt haben?“

Welche Verhaltensweisen treten gehäuft im Zusammenhang mit dem Teilen eines Empfehlungslinks in den folgenden sieben Tagen auf? Wenn Sie das verstehen, wissen Sie, wo Sie Ihre Anstrengungen verstärken sollten.

Das sind keine abstrakten Fragen. Sie bestimmen, was Sie als Nächstes entwickeln und ob es funktionieren wird.

So funktioniert es

Die Einflussanalyse untersucht die Beziehungen zwischen Verhaltensweisen, Kohorten und Kennzahlen in Ihrem Akteurdatensatz, z. B. Nutzern, Konten oder anderen für Ihr Unternehmen relevanten Daten. Sie unterstützt neun verschiedene Analysetypen, indem sie jedes Ziel (Ereignis, Kohorte oder Kennzahl) mit jedem Test (Ereignis, Kohorte oder Kennzahl) kombiniert.

Die Vorlage zeigt vier wichtige Kennzahlen an:

1. Wahrscheinlichkeitsauswirkung: Wie viel wahrscheinlicher ist es, dass Akteure, die das Testereignis ausgelöst haben, das Zielereignis auslösen? +50 % bedeutet, dass die Wahrscheinlichkeit einer Konversion, Kundenbindung oder des Erreichens des jeweiligen Ziels um 50 % höher ist.
2. Auswirkung der Kennzahl:Die prozentuale Differenz des durchschnittlichen Kennzahlwerts zwischen Akteuren, die eine bestimmte Aktion durchgeführt haben, und solchen, die dies nicht getan haben. Bei +45 % weisen die Akteure der Testgruppe um 45 % höhere Kennzahlwerte auf.
3. Anteil der Akteure, die am Testereignis teilgenommen haben:Reichweite ist entscheidend. Ein Verhalten, das 2 % der Nutzer betrifft, unterscheidet sich von einem, das 40 % betrifft.
4. Korrelation (R²):Wie stark zwei Kennzahlen korrelieren, von 0 (keine Korrelation) bis 1 (perfekte Korrelation). Bei einem Wert von 0,64 erklärt die Testkennzahl 64 % der Varianz in Ihrer Zielgruppe.

Die Vorlage beantwortet zwei Kernfragen: Wenn ein Nutzer X tut, wie wahrscheinlich ist es, dass er Y tut (und wie viele Nutzer sind davon betroffen)? Und wie gut lässt sich eine Kennzahl durch eine andere vorhersagen?

So sieht das in der Praxis aus

1. Ermittlung der tatsächlichen Kauftreiber: Ereignisse → Ereignis (Richtung: Ursachen)

X-Achse: % der Testteilnehmer

Y-Achse:Wahrscheinlichkeitseinfluss

Welche Nutzeraktionen sagen einen Kauf voraus?

Die Daten zeigen, dass Nutzer, die Inhalte pausiert haben, den höchsten Wahrscheinlichkeitseinfluss aufweisen. Dies unterstreicht, dass Nutzer, die pausieren, mit hoher Wahrscheinlichkeit einen Kauf tätigen. Allerdings haben nur ca. 4 % diese Aktion in den letzten 7 Tagen durchgeführt.

Nutzer, die durchstöbert haben, weisen hingegen einen um 25 % geringeren Wahrscheinlichkeitseinfluss auf, erreichen aber mehr als doppelt so viele Nutzer.

Nächster Schritt: Analysieren Sie das Nutzerverhalten vor und nach dem Stöbern (verwendete Filter, angesehene Artikel, Verweildauer, Abbrüche). Identifizieren Sie Hürden und Momente mit hoher Kaufabsicht und entwickeln Sie anschließend Experimente zur Verbesserung des Nutzererlebnisses. Die Einfluss-Vorlage gibt Ihnen keine konkreten Änderungsvorschläge. Es zeigt Ihnen, wo Sie suchen müssen.

2. Umsatztreiber verstehen: Kennzahlen → Kennzahl

X-Achse: Korrelationswert

Y-Achse: Metrikname

Welche Metrik sagt den Umsatz tatsächlich voraus?

Die Vorlage zeigt, dass der durchschnittliche Werbeumsatz pro Nutzer eng mit der gesamten Wiedergabezeit korreliert (R² von 0,94).

Die Schlussfolgerung:Das bedeutet, dass Ihre Monetarisierungsstrategie funktioniert.

Nutzer, die mehr Inhalte ansehen, generieren proportional mehr Werbeumsatz. Anstatt die Anzeigenplatzierung zu optimieren oder mit Anzeigenformaten zu experimentieren (was relevant wäre, wenn die Korrelation schwach wäre), sollten wir Funktionen priorisieren, die die Wiedergabezeit erhöhen: bessere Empfehlungen, weniger Hürden und eine verbesserte Inhaltsfindung. Dies ist ein Wachstumstreiber, kein Optimierungsproblem.

3. Identifizierung Ihrer wertvollen Segmente: Kohorten → Kohorte

X-Achse:% der Testteilnehmer

Y-Achse: Wahrscheinlichkeit des Einflusses

Die Gruppe „Empfohlene Inhalte angesehen“ hat eine 3,2-fach höhere Wahrscheinlichkeit, dem Treueprogramm beizutreten, als Nutzer, die keine Empfehlungen nutzen.

Die Entscheidung: Es besteht die Möglichkeit, verstärkt in unser Modul für empfohlene Inhalte zu investieren, um die Anzahl der Mitglieder unseres Treueprogramms (und damit unsere Abonnementumsätze) direkt zu erhöhen.

4. Nächste Schritte ermitteln: Ereignis → Ereignisse (Richtung: Effekte)

Bildquelle: Optimizely

Bei der Ereignis → Ereignis-Analyse können Sie die Richtung steuern: Betrachten Sie Verhaltensweisen, die vor dem Zielereignis (Ursachen) oder danach (Auswirkungen) auftreten. Diese zeitliche Steuerung hilft Ihnen, Frühindikatoren von Folgeerscheinungen zu unterscheiden. In diesem Beispiel ist die Richtung auf Auswirkungen eingestellt.

X-Achse: % der Akteure, die den Test durchgeführt haben

Y-Achse: Wahrscheinlichkeit der Auswirkung

Das Fortsetzen der Wiedergabe ist eine häufige Aktion (40 % der Nutzer). Nutzer, die die Wiedergabe von Inhalten fortsetzen, sehen sich anschließend wahrscheinlich die Inhaltsdetails an, wodurch dieses Muster eine hohe Reichweite erzielt.

Entscheidung: Die Korrelation zwischen dem Fortsetzen und dem Anzeigen von Details deutet darauf hin, dass diese Verhaltensweisen für einen relevanten Teil unserer Nutzerbasis miteinander verknüpft sind. Erstellen Sie kontextbezogene Empfehlungen auf der Inhaltsdetailseite, basierend darauf, was die Nutzer gerade fortgesetzt haben. Wenn jemand eine Kochsendung pausiert und fortsetzt, werden ihm beim Aufrufen der Details verwandte Rezepte oder ähnliche Serien angezeigt.

Was dies ermöglicht

Die Einflussanalyse verändert die Herangehensweise von Produktteams an Messung und Priorisierung:

1. Identifizieren Sie die richtigen Kennzahlen für Ihre Ziele: Verstehen Sie, welche Kennzahlen Ihre wichtigsten Ziele tatsächlich vorhersagen, bevor Sie Teamziele oder Experimentziele festlegen.
2. Priorisieren Sie wirkungsvolle Aufgaben: Sehen Sie, welche Verhaltensweisen mit Konversion, Kundenbindung oder Umsatz korrelieren, sortiert nach Wirkungsstärke und Reichweite, damit Sie sich auf das Wesentliche konzentrieren können.
3. Verstehen Sie Ihre Nutzergruppen: Identifizieren Sie, welche Gruppen Ihre wichtigsten Ergebnisse beeinflussen und wie sich verschiedene Nutzergruppen verhalten.
4. Diagnostizieren Sie Kennzahlenänderungen: Wenn sich eine Kennzahl ändert, erkennen Sie schnell, welche Verhaltensweisen oder Gruppen betroffen sind. verändert, um zu verstehen, was die Bewegung antreibt.

Die Vorlage sortiert die Ergebnisse automatisch, um die aussagekräftigsten Zusammenhänge aufzuzeigen: nach Wirkungsstärke und Reichweite für Verhaltensanalysen oder nach Korrelationsstärke beim Vergleich von Kennzahlen.

Die Einflussvorlage ist jetzt in Optimizely Analytics verfügbar. Finden Sie heraus, was Ihre Ergebnisse tatsächlich beeinflusst.