Kriterien für erfolgreiche Software Usage Analytics (SUA)

Nutzungsdaten zeigen schwarz-auf-weiß, ob ein Produkt beim Kunden ankommt oder ob es Zeit wird, die Geschäftsstrategie zu überdenken. Bei der Implementierung von Software Usage Analytics gibt es jedoch zentrale Kriterien zu beachten.

Wie lässt sich Kundenzufriedenheit messen? Um diese Frage zu beantworten, setzen Unternehmen oft eine ganze Batterie an Feedback-Instrumenten ein. Dazu gehören qualitative Methoden wie das klassische Kundengespräch, die E-Mail-Umfrage, die Auswertung von Anrufen im Support-Center oder die Rücksprache mit dem Vertrieb. Web Analytics Tools (Google Analytics, Microsoft App Insights) kommen zum Einsatz, um rudimentäre Daten über den User Flow in einer Software zu erfassen. Was diese Vorgehensweisen gemein haben: Sie geben häufig nur den Blick auf einen Teilausschnitt frei, sind selten repräsentativ und liefern kaum Kontext, um Rückschlüsse auf einzelne Kundensegmente zu ziehen.

Entwicklerteams stehen vor der Frage, ob sie das Analysetool Inhouse entwickeln oder sich lieber auf eine kommerzielle Lösung verlassen sollen.

Software-Anbieter haben daher in den letzten Jahren verstärkt in die Software Usage Analytics investiert und holen Kundenfeedback damit direkt über die Nutzung der Anwendung ein. Die Nachverfolgung und Auswertung von Benutzerinteraktionen gibt einen sehr detaillierten und datenbasierten Einblick in die Art und Weise, wie Anwender die Software in der Praxis nutzen. Was wird die Software beim täglichen Arbeiten genutzt? Und für welche Funktionen wäre ein Kunde eventuell bereit mehr zu zahlen?

Reifegrad von Software Usage Analytics (SUA) nimmt zu

Laut einer weltweiten Umfrage von Revenera (Monetization Monitor: Software Usage Analytics 2022) setzen bereits 62 Prozent der Softwareanbieter auf Software Usage Analytics und sammeln und erfassen methodisch Telemetriedaten. Bis 2024 soll der Anteil auf 80 Prozent ansteigen. Dazu trägt auch der anhaltende Trend in Richtung nutzungsbasierte Geschäftsmodelle bei – allen voran SaaS. 41 Prozent der Produktmanager gehen davon aus, dass sich die Adoption von Lösungen rund um Usage Analytics in den nächsten eineinhalb Jahren weiter fortsetzt.

Dabei verbessert sich der Reifegrad der Lösungen zusehends – vor allem, was die Automatisierung der Datenerfassung angeht. Nur noch rund ein Drittel der Anbieter greift hier auf manuelle, zeitaufwändige Prozesse zurück (2022: 44%).

Fünf Anforderungen zur Implementierung

Die Implementierung solcher automatisierten Systeme setzt allerdings Zeit, Ressourcen und Expertise voraus. Entwicklerteams stehen vor der Frage, ob sie das Analysetool Inhouse entwickeln oder sich lieber auf eine kommerzielle Lösung verlassen sollen. Egal für welchen Weg sich Unternehmen letztendlich entscheiden, sie sollten in jedem Fall die folgenden Kriterien berücksichtigen.

1. Klarer Fahrplan & Zielsetzung

Die Entwicklung komplexer Softwaresysteme erfordert eine umfassende Vorab-Planung und eine genaue Zielsetzung. Der Aufbau eines Systems zur Software Usage Analytics ist da keine Ausnahme. Hier gilt es im ersten Schritt, abteilungsübergreifend eine Methodik festzulegen, um sicherzustellen, dass Fragen unterschiedlicher Stakeholder mit Hilfe des Analysetools auch tatsächlich beantwortet werden können. Idealerweise gehören daher sowohl Entwicklerchefs als auch C-Level Produktmanager, IT-Leiter sowie Vertriebs- und Marketingverantwortliche ins Team.

Gemeinsam lässt sich klären, wer Zugang zu welchen Informationen benötigt und wie das System Ad-hoc-Analysen (Exploration & Discovery) unterstützt. Darüber hinaus werden eindeutige Metriken und Metadaten für das Reporting definiert. Dazu zählen beispielswiese Informationen über die Hardware, auf der die Software läuft, Statistiken über Installationen und Laufzeiten sowie generelle und Feature-bezogene Nutzungsdaten.

Eine Kernfrage der Planung betrifft die Konfiguration der Telemetrie. Der Zeitpunkt der Datenübertragung ist hier maßgebend. Entwickler müssen zu diesem Zweck Ereignisse (Events) beziehungsweise Benutzeraktionen identifizieren, die von besonderem Wert für die Nutzungsanalyse sind, und festlegen, welche Daten beim Eintreten dieser Events gesammelt werden sollen. Darüber hinaus beinhaltet die Konfiguration das Einrichten von Protokollformaten, Kommunikationsprotokollen, Prozessen, Synchronisierungszeitplänen, Caching und Handhabung bei Offline-Nutzung.

Schließlich geht es bei der Planung auch darum, die Verfügbarkeit von Ressourcen zu klären. Um Software Usage Analytics in der Cloud zu betreiben, fallen Kosten für Instanzen an. Soll das System hingegen intern gehostet werden, sind neben einer skalierbaren Hardware-Infrastruktur auch weitere Software, Backup, Firewalls, Anti-Malware nötig.

2. Daten sammeln: Konfiguration der Telemetrie

Die automatisierte Datenerfassung ist das A&O von Software Usage Analytics. Dementsprechend umfangreich ist die To-Do-Liste für den Aufbau der Telemetrie zwischen Client und Server. Gefragt sind sichere und schlanke Kommunikationsprotokolle, um sensible Daten zu verschlüsseln und so zuverlässig und unterbrechungsfrei zurück an den Softwareanbieter zu übertragen. Die Client-Server-Protokolle müssen dabei in der Lage sein, Proxies, Firewalls, Webfilter-Gateways und anderen Netzwerkkonfigurationen zu umgehen. Für das Aggregieren, Komprimieren und Optimieren der Datenübertragung ist zudem eine individuelle Anwendungslogik erforderlich, die auch bei Kommunikationsfehlern (zum Beispiel: „Netzwerk nicht verfügbar”) greift.

Im Vergleich zu anderen quantitativen Methoden punktet die Software Usage Analytics mit einer sehr genauen Segmentierung von Benutzerprofilen. Voraussetzung dafür ist, dass die Systeme automatisch Kunden- oder Benutzer-Installations-IDs generieren. Dieser (anonyme) Maschinenfingerabdruck ermöglicht es, Trends bei der Nutzung für jede Installation nachzuverfolgen und Installationsprofile mit Download-Quellen oder Marketingkampagnen zu verknüpfen. Softwareanbieter erhalten so auf unterschiedlichen Aggregationsebenen einen Einblick darüber, wie Anwender ihre Produkte nutzen – egal ob es sich dabei um ein bestimmtes Kundensegmente oder alle User innerhalb eines Kundenkontos handelt.

3. Daten speichern und verwalten: Auswahl der Datenbank

Bei der Software Usage Analytics steht Qualität vor Quantität. Doch selbst bei einer kleinen Zahl an definierten Metriken, entstehen in der Regel Terabytes an Daten, die es zu speichern, zu verknüpfen und zu analysieren gilt. Die zu Grunde liegenden Datenbanken sollten daher über eine hohe Skalierbarkeit verfügen.

Zwischen kommerziellen Lösungen und Eigenentwicklungen gibt es hier noch weitere Unterschiede: So ist bei vielen Dritt-Systemen eine individuelle Anpassung der zu verfolgenden und zu erfassenden Metriken nur begrenzt möglich. Im schlimmsten Fall werden nur Daten erfasst, die für das Produktmanagement-Team keine echte Relevanz besitzen und als „Datenmüll“ in den Speichersystemen verbleiben. Inhouse entwickelte Systeme wiederum sind oft zu einseitig auf bestimmte Nutzungsdaten ausgerichtet. Ändern sich dann im Laufe der Zeit die Anforderungen, kann es schwierig sein, neue Metriken einzubinden, ohne den Client-Code komplett umschreiben zu müssen. Einen guten Mittelweg stellen daher in der Software hinterlegte Remote-Control-Funktionen dar: So können Anwender über ein Dashboard das Tracking von Metriken flexibel stoppen, starten oder anpassen.

4. Daten visualisieren: Erstellen von Reports

Um der Komplexität der Datenmenge Herr zu werden, sind neben hoher Skalierbarkeit und Flexibilität auch Visualisierungs-Frameworks entscheidend. Denn selbst der größte Datenpool hilft nur wenig, wenn es an der visuellen Aufbereitung und dem Kontext fehlt, um Analysen einordnen und nutzen zu können. Interaktive Dashboards, aussagekräftige Berichte mit Drill-Down-Funktionalität sowie Export-Möglichkeiten gehören daher zur Grundausstattung einer jeden Software Usage Analytics-Lösung.

Da die Analyse der Softwarenutzung zudem für unterschiedliche Abteilungen sowie ein breites Spektrum an Führungskräften, Managern und Entwicklern von Wert ist, sollten die Systeme idealerweise auch individuelle, anwenderspezifische Ansichten ermöglichen – und zwar in Echtzeit. Lassen sich bei einer Benutzergruppe beispielsweise Updates der Software nicht mehr durchführen, können die technischen Verantwortlichen schneller reagieren, das Problem lösen und so den Support vor einer Flut an Kundenanfragen bewahren.

5. Datenschutz und Privatsphäre

Beim Erfassen, Speichern und Sammeln all dieser Daten, wie steht es da mit dem Datenschutz? Hier ist klarzustellen: Die Produktnutzungsanalyse basiert auf anonymisierten Daten und bewegt sich somit im Rahmen der Datenschutzbestimmungen. Der Blick auf den einzelnen Nutzer ist für die Evaluierung des Softwareprodukts weder relevant noch beabsichtigt. Vielmehr werden die Daten aggregiert, um übergeordnete Trends und Muster im Nutzerverhalten aufzudecken.

Um ein hohes Maß an Datensicherheit zu garantieren, sollten die Systeme über granulare Zugangskontrollen auf allen Ebenen verfügen. Opt-in/Opt-out Optionen stellen zusätzlich sicher, dass Anwender das Tracking ihrer Softwarenutzung jederzeit beenden oder einschränken können. Darüber hinaus müssen bei der Konzeption von Usage Analytics-Systemen regionale Datenschutzbestimmungen genau verfolgt und Compliance-konform umgesetzt werden. In der EU heißt das u. a. eine lokale Speicherung der Daten, um einen DSGVO-konformen Umgang zu garantieren.

Fazit

Wie erfolgreich die Software Usage Analytics tatsächlich ist, hängt wie immer stark vom Buy-in der beteiligten Teams, den technischen Rahmenbedingungen sowie anderen Faktoren ab. Ist die Implementierung jedoch erstmal erfolgreich, gewinnen Unternehmen wertvolle KPIs, um ihre Roadmap bedarfsorientiert zu planen und die Zufriedenheit ihrer Kunden nicht nur zu messen, sondern kontinuierlich zu verbessern.