Vad är produktanalys? Den kompletta guiden

Framgångsrika produkt- och kundteam behöver produktanalysresultat för att förstå användarresan och fatta verkligt kundfokuserade, datadrivna beslut. Utan dem flyger du i blindo - och i ett hyperkonkurrenskraftigt landskap räcker det inte med att bara leverera funktioner och hoppas på det bästa.

Men modern produktanalys går långt bortom fåfänga mätvärden och grundläggande rapportering. Det handlar om att ställa de mest relevanta och skarpa frågorna och att använda ett brett spektrum av data för att koppla ihop produktanvändning och affärseffekter.

För att driva hållbar produktledd tillväxt behöver dagens team djupa, tvärfunktionella insikter som spänner över hela kundlivscykeln. Det innebär insyn i allt från en användares första upplevelser med ditt varumärke, till deras första "aha-upplevelse" när de inser dess värde, till deras dagliga funktionsanvändning, kamp, framgångar och interaktioner i flera kanaler. Produktanalys bör ge dig en helhetsbild av alla kontaktpunkter som i slutändan driver nöjdhet, behållande av kunder och customer lifetime value.

Det är här som nästa generations verktyg för produktanalys förändrar spelplanen. Genom att göra det enkelt att förena, visualisera och modellera komplexa användar- och beteendedata över kanaler, ger warehouse-native verktyg som Optimizely Warehouse-Native Analytics produktcentrerade företag en 360-gradersvy av kundupplevelsen.

Denna omfattande guide kommer att täcka grunderna i produktanalys, utforska utvecklingen av moderna verktyg, dela med sig av tips från verkligheten och visa hur Optimizely Warehouse-Native Analytics framtidsinriktade tillvägagångssätt tar produktanalys till nästa nivå - för alla i företaget.

Vad handlar produktanalys om?

I ett nötskal beskriver produktanalys praxis att utnyttja användardata och beteendeinsikter för att informera strategi, driva innovation och optimera kundupplevelsen. Från att analysera detaljerade användarbeteenden till att avslöja "varför" bakom kundbortfall handlar det om att använda data för att driva medvetna, kontinuerliga förbättringar och tillväxt som bygger på fakta - inte på magkänsla eller instinkter.

Varför produktanalys är viktigt

Produktanalys eliminerar gissningar och möjliggör datainformerat beslutsfattande i hela organisationen.

Viktiga fördelar med effektiv produktanalys är bland annat

• Validering av produktens marknadsanpassning genom att analysera aktivering, användning och kritiska "aha"-upplevelser
• Prioritera roadmaps för produkter med stor genomslagskraft baserat på användning av funktioner, hur länge de används och hur de påverkar intäkterna
• Optimera hela användarresan genom att koppla samman insikter från produkt, marknadsföring, försäljning och support
• Minimera kundbortfall genom att identifiera avhoppspunkter och beteenden som kan leda till risker för att kunden inte stannar kvar
• Demokratisering av datadrivna beslut med självbetjäningsanalyser som är tillgängliga för alla roller i en organisation
• Rigoröst mäta den exakta effekten av varje release, experiment och tillväxtinitiativ genom kohortanalyser och mer
• Möjliggöra effektiv produktledd tillväxt genom att knyta produktdata till mätvärden för marknadsföring, försäljning, support och expansion

Vem använder produktanalys?

Företag som fokuserar på produktledd tillväxt vet att effektiva produktanalyser skapar värde i hela organisationen, inte bara i produktteamen.

Product Managers validerar hypoteser genom att mappa funktionsadoptioner till konverteringar och intäkter nedströms. De prioriterar roadmaps baserat på kvantifierade effektmått, mäter varje lansering/release och knyter förändringar till strategiska KPI:er.

Tillväxtteam tillskriver marknadsförings- och förvärvsinsatser i toppen av tratten hela vägen till aktiverad produktanvändning, konverteringar och pågående fasthet. De kan utforma nya taktiker genom att utforska hur kanaler korrelerar med produktbeteenden.

Product ops effektiviserar flöden som onboarding och implementering med hjälp av insikter från omfattande analysresultat av kundresan som omfattar produkt-, marknadsförings-, försäljnings- och supportdata.

Customer success-teamen får insyn i churn- och expansionsrisker genom att analysera kohorter av produktanvändning i samband med andra kundsignaler - och sedan driva kampanjer i rätt tid.

Marknadsföringsteam förbättrar avkastningen på sina kampanjer genom att bygga avancerade segmenteringar baserade på produktkvalificeringskriterier och mappa annonsutgifter till aktiverad användning genom hela tratten.

Ledningsgrupper fastställer datadrivna strategier, OKR och tillväxtmål baserat på kvantifierbara effekter som belyses genom enhetlig produktanalys.

Genom att bryta ner åtskilda data och kombinera data om produktanvändning och kundresor kan moderna, warehouse-native analytics bidra till smart, kundfokuserat beslutsfattande i alla företag.

Ta en titt på vår uppdelning för att lära dig mer om hur produkt- och marknadsföringsanalys konvergerar .

Viktiga mätvärden för produktanalys

För effektiv produktanalys behöver teamen insikter i nyckeltal som mäter användarnas acceptans, engagemang, kvarhållande och mycket mer.

Vanliga produktmått som spåras inkluderar:

Mätetal för antagande

Aktiveringsgrad

Det här är den procentandel av nya registreringar som upplever produktens kärnvärde och gör en kritisk "aha"-åtgärd. För att mäta aktivering måste du definiera en specifik åtgärd, händelse eller upplevelse som är relevant för din produkt. För ett projekthanteringsverktyg kan aktiverade användare vara de som skapar och delar sin första tavla, medan det för en plattform för strömmande ljud kan vara att lyssna på X minuter av innehåll. Att öka aktiveringsgraden är nyckeln till att driva tillväxt i toppen av tratten och visa att produkten passar marknaden.

Tid-till-värde
Det här måttet visar hur snabbt användarna tar till sig din produkt och når milstolpar efter att de registrerat sig, vilket indikerar en lyckad onboarding och aktivering. Du mäter vanligtvis tid-till-värde genom att sätta upp analyser av tratten och spåra händelseförloppet och tiden som förflutit mellan milstolparna för registrering och aktivering. En kortare tid till värde påverkar intäktsmätningar nedströms som konvertering från provperiod till betald, uppgraderingar av prenumerationer etc.

Dagliga/veckovisa/månatliga aktiva användare

Stickiness-mått som DAU, WAU och MAU mäter återkommande användning av din produkt. Det är en indikator på produktadoption, vanebildning och användarlojalitet, vilket är avgörande för att behålla kunder och maximera customer lifetime value.

Mätetal för engagemang

Sessionslängd

Den genomsnittliga längden på en användares session med din produkt eller tjänst hjälper dig att förstå hur användarna engagerar sig och om de får tillräckligt med värde per besök för att fortsätta komma tillbaka. Du mäter det genom att spåra tiden mellan användarsessionens start- och sluthändelser och ta genomsnittet eller medianen i din användarbas. Förbättrade mätvärden för medianen av sessionslängden kan också signalera att nya funktioner eller korrigeringar är framgångsrika.

Användning och införande av funktioner

Insikter om procentuell användning av specifika produktfunktioner, funktioner eller moduler är avgörande för att validera dina utvecklingsinsatser och produkt-marknadsanpassning. Du spårar dem genom att använda produktanalys för funktioner som ingår och användarflöden av intresse.

Konverteringar och avhopp i tratten

Det är viktigt att analysera hur stor andel av användarna som slutför definierade steg eller en hel resa i din produkt, jämfört med dem som överger ett visst steg i tratten. Detta hjälper dig att hitta områden där användarna upplever friktion snarare än att röra sig smidigt genom kritiska produktflöden så att du kan optimera deras resa. Du mäter konverteringar och avhopp genom visualisering och analys av tratten och spårar processen från startpunkten genom varje steg till den slutliga konverteringen.

Mätetal för kvarhållande/avhopp

Customer lifetime value (CLV/CLTV)

Detta är prognoser för de totala intäkter som en kund kommer att generera under hela sitt engagemang med din produkt eller tjänst. De vanligaste modellerna tar hänsyn till bruttointäkter, churn rate och overheadkostnader. Att öka CLV är ett ständigt mål för alla företag som fokuserar på produktledd tillväxt.

Churn-frekvens

Den takt med vilken kunder säger upp abonnemang eller inte förnyar sina betalda planer (dvs. "churn") är ett avgörande mått som direkt påverkar din tillväxtpotential. Du kan mäta churn både i antal användare (logo churn) och i procent av återkommande intäkter (revenue churn).

Dessa produktmått är viktiga diagnosverktyg, men för att verkligen driva produktledd tillväxt krävs mer än att bara rapportera om händelser och siffror.

Produktfokuserade team måste förstå produktmåtten i ett sammanhang med ständigt föränderliga resultatindikatorer och insikter om kundresan.

Det kan innebära att tänka på produktanvändningsmönster i förhållande till kontointäkter, att koppla samman specifika produktupplevelser eller användarflöden med hög respektive låg kundlojalitet. Eller så kan det handla om att kombinera data om källor och kostnader för kundförvärv med produktanvändning, så att du kan förstå exakt vilka marknadsföringskanaler och segmenteringar som ger aktiverade användare av högsta kvalitet och identifiera mönster över kohorter. Det är också värdefullt att förstå hur kontaktpunkter för kundtjänst och support - som chattar, ärenden eller samtalsvolymer - hänger ihop med kundlojalitet, kundbortfall och expansionsintäkter.

Det här är bara några exempel på möjligheterna med modern produktanalys.

Nyckeln är att ha flexibiliteten att ställa skarpa frågor genom att skära och tärna olika datakällor, något som möjliggörs av komponerbara, warehouse-native analytics-plattformar.

För det behöver du ett nästa generations produkt- och kundanalysverktyg som Optimizely Warehouse-Native Analytics.

Bortom grunderna: Utvecklande verktyg för produktanalys

Låt oss ta en titt på de viktigaste trenderna inom produktanalysverktyg.

Traditionella BI-verktyg (Business Intelligence) som Looker och Tableau utformades för att tillhandahålla analyser från datalager som innehåller ERP, CRM och andra strukturerade affärsdatakällor. De är dock begränsade när det gäller produktanalys eftersom de inte byggdes för att hantera stora volymer produktanvändningsdata från händelseströmmar och de är beroende av tekniska analytiker för att köra komplexa frågor, vilket skapar flaskhalsar.

Första generationens produktanalysverktyg som Heap, Amplitude och Mixpanel uppstod för att fylla detta gap, så att team äntligen kunde analysera rik användarbeteendedata med funktioner som trattar, kohortanalys och segmentering.

Dessa äldre verktyg har dock en viktig nackdel: de instrumenterar och fångar upp produktanvändning i åtskilda datasilos med "svarta lådor". För att gå bortom grundläggande produktanvändningsdata och få sammanhang kring affärsmått som intäkter, konverteringar och förvärvskällor har teamen varit tvungna att duplicera och flytta data från verktygen till datalager för separat analys.

Som Yali Sassoon, Co-Founder på Snowplow, uttrycker det

"Första generationens verktyg gjorde det möjligt för oss att förstå beteenden på nya sätt , men de börjar slå i taket när användarresan blir komplex och vi ställer djupare frågor över flera datakällor."

Nya, warehouse-native analytics-plattformar löser detta genom att köras direkt från ett komponerbart CDP-lager som fungerar som en enda sanningskälla. Nästa generations verktyg som Optimizely Warehouse-Native Analytics ger företag möjlighet att utforska rika förstapartsdata om produkter, kunder och företag.

Optimizely Warehouse-Native Analytics kraftfulla självbetjäning för datamodellering och visualisering innehåller ett brett utbud av förbyggda mallar och lättanvända block som gör det tillgängligt för alla intressenter. Men det viktigaste är att det också gör det möjligt för team att göra ad hoc-undersökningar, göra en strategisk förändring för att undersöka nya frågor och skära och dela upp data på alla nivåer. Det ger en oöverträffad tillgång till hela kundresan, 360.

5 viktiga tips för effektiv produktanalys

För att få ut mesta möjliga av din produktanalys krävs ett holistiskt, strategiskt tankesätt och några viktiga bästa praxis. Här är 5 tips för att maximera värdet och effekten av dina insikter.

1. Ställ rätt frågor

De bästa produktanalyserna kommer från en tydlig definition av de viktigaste målen eller utmaningarna som du vill lösa.

Så här uttrycker Yali på Snowplow det:

"Du bör alltid börja med att fråga dig själv: Vilken är frågan vi vill besvara? 80 % av värdet frigörs om du bara ställer rätt frågor. De bästa Product Managers är de som använder data för att ställa de mest intressanta frågorna."

Vilka frågor du ställer beror på dina unika organisatoriska behov och mål, men bra frågor att börja med kan till exempel vara

"Vilka onboarding-flöden leder till de högsta produktaktiveringsgraderna och kortast tid till värde?"

"Vilka är de viktigaste skillnaderna i användarbeteende mellan kunder som förnyar till premiumnivåer jämfört med dem som slutar efter ett år?"

"Vilka är de främsta anledningarna till att kunder kontaktar support under de första 60 dagarna och hur påverkar det deras långsiktiga kundlojalitet?"

"Hur skiljer sig produktanvändningsmönstren mellan inbound SQLs som använt sig av sales marketing jämfört med trials från en specifik betald reklamkanal?"

Effektiv produktanalys handlar inte bara om att visa upp mätvärden: det handlar om att dyka ner i "varför" genom gradvis smartare uppföljningsfrågor. Det är därför ad hoc-utforskning som gör att du kontinuerligt kan göra en strategisk förändring mellan rapporter och data är så viktig för att hitta svar.

2. Instrumentera på ett heltäckande sätt

För att driva robust produktanalys måste instrumenteringen fånga alla meningsfulla användarinteraktioner och beteendedata på dina webbplatser, appar, servrar och andra digitala gränssnitt.

Vi rekommenderar att du använder en komponerbar warehouse-first-strategi för instrumentering.

Optimizely Warehouse-native Analytics partners med de bästa instrumenteringsverktygen i klassen som Segment, RudderStack och Snowplow. Detta ger datateam möjlighet att samla in, omvandla och ladda granulerade händelseströmmar tillsammans med andra källor till lagret.

Med en komponerbar CDP-arkitektur blir alla dina förstapartsdata ett enhetligt, säkert innehåll för produktanalys och utforskning.

3. Samarbeta tvärfunktionellt

Genom att bryta ned åtskilda organisatoriska strukturer kan man få rikare produktinsikter som är knutna till verklig affärspåverkan.

I ett företag inom e-handel kan till exempel samarbete mellan produktanalys, marknadsföring, försäljning och kundframgångsteam avslöja blockerare som ökad drop-off för kunder som använder en viss betalningsmetod - något som skulle ha varit svårt för teamen att fånga upp isolerat.

Implementera processer som veckovisa datagranskningssessioner mellan team, Slack-kanaler för att dela resultat, lunch & learns som visar upp användningsfall, öppen delning av datamodeller/dashboards med mera. Det här är lättare att göra om alla team arbetar med data från ett datalager med en enda sanningskälla.

Att använda verktyg med tydliga datavisualiseringar med självbetjäning hjälper också till att dela viktiga insikter på ett övertygande och lättförståeligt sätt till en rad olika aktieägare.

4. Kontinuerlig övervakning av viktiga mätvärden

Automatiserad övervakning och varning för kritiska produkt-KPI:er gör att du kan ingripa proaktivt innan det slutar med att du släcker bränder. Det är också ett bra sätt att snabbt upptäcka positiva trender och möjligheter.

Inom Optimizely Warehouse-native Analytics kan du bygga produktionsdatamodeller och ställa in kontinuerlig övervakning med meddelanden baserat på definierade regler, anpassningsbara tröskelvärden och brusreduceringskontroller.

Du kan till exempel bli varnad om en ny funktions adoptionsmått sjunker under prognostiserade intervall, vilket möjliggör snabb testning och återgång vid behov. Eller upptäck ögonblicket när ett nytt aktiveringsflöde börjar överträffa det ursprungliga.

Kontinuerlig övervakning håller dig ansluten till din produkt och visar både risker och möjligheter i realtid.

5. Välj rätt verktyg

Alla dessa bästa praxis för produktanalys kräver naturligtvis att du har rätt verktyg för att få fram tillförlitliga, meningsfulla och användbara insikter på ett effektivt sätt.

I allmänhet bör du leta efter flexibla verktyg som kan kombinera händelsedata med andra källor, möjliggöra självbetjäningsevent för ad hoc-datautforskning och undvika att skapa fler datasilor.

Optimizely Warehouse-Native Analytics warehouse-native plattform innehåller alla dessa funktioner - och har hjälpt många företag att fördjupa sin produktanalys.

Till exempel ersatte det spelbaserade fitnessföretaget Ergatta äldre verktyg för digital produktanalys med Optimizely Warehouse-Native Analytics nästa generations lösningar. På så sätt kunde de enkelt kombinera data om användningen av appen med insikter om marknadsföring, demografi, prenumerationer och supportärenden - vilket förbättrade time to market och införandet av nya program/funktioner samt återaktivering och återengagemang av inaktiva användare.

"Optimizely Warehouse-native Analytics är den heliga graalen inom produktanalys. Du behöver inte flytta dina data någonstans. Det sitter direkt på ditt datalager, ser över alla datauppsättningar och stöder både traditionell BI-analys och modern händelsecentrerad produktanalys. Det är också självbetjäning, så att du kan utöka räckvidden och effekten till alla i organisationen, inte bara tekniska team."

- Chang Yu, VP, Product på Ergatta

Framtidsinriktad produktanalys

I takt med att företagen satsar allt mer på produktledd tillväxt har det blivit avgörande att ha funktioner för produktanalys som är bäst i klassen. Traditionella verktyg och fragmenterade datakällor räcker helt enkelt inte till.

För att verkligen förstå dina kunder, optimera deras upplevelser och växa på ett hållbart sätt behöver du analysverktyg som bygger på en framtidsinriktad datastack.

Det är precis vad Optimizely Warehouse-Native Analytics komponerbara, warehouse-native tillvägagångssätt levererar. Genom att ge alla team möjlighet att flexibelt analysera hela kundresan genom självbetjäning av datautforskning, revolutionerar Optimizely Warehouse-Native Analytics hur produktcentrerade företag driver tillväxt.

Om du är redo att ta din produktanalys till nästa nivå, begär en demo idag.