Wer in der Produktentwicklung auf Data Analytics setzt, kann seinen Gewinn steigern. Bild: Pixabay/frei

Wer in der Produktentwicklung auf Data Analytics setzt, kann seinen Gewinn steigern. Wie das geht, verraten wir Ihnen im Beitrag. Bild: Pixabay/frei

| von Kirthi Vani und Steve Roberts, Accenture

Böse Zungen könnten behaupten: Datengestützte Produktentwicklung, das hieß früher meist: Erst die Kunden fragen – und dann das Beste hoffen. Doch die Zeiten haben sich geändert. Viele Produktentwickler sind inzwischen weiter. Heute verfeinern und verbessern Produktmanager ihre Entwicklungs-Vorhaben mit experimentellem Vorgehen und umfänglicher Datenanalyse, kurz Data Analytics. Damit steigern sie den Gewinn von Unternehmen, machen aus Big Data den Big Deal. Vorausgesetzt natürlich, sie setzen die Methode der Datenanalyse richtig ein! Nur um sicher zu gehen, sollten sich Produktmanager deshalb diese 6 Tipps zur datengetriebenen Produktentwicklung am besten an die Wand heften:

1. Wie Sie eine Kultur des Experimentierens schaffen

Produktmanager müssen die Freiheit erhalten, Neu-Entwicklungen als Experimente zu verstehen und zu betreiben. Das Arbeiten in kurzen Design-, Mess- und Lern-Sprints muss also erlaubt sein. Und: Perfekte erste Würfe sollte niemand erwarten.

Anleitung: So experimentieren Produktmanager besser

Trial and Error bedeutet keinesfalls den Verzicht auf Vorgaben, Messungen und diszipliniertes Vorgehen. Produktmanager sollten auf jeden Fall:

  • Hypothesengestützt arbeiten und Roadmaps, MLP (Minimum Lovable Product) und User Stories auf der Grundlage überprüfbarer Annahmen beschreiben. Produktmanager tun dies üblicherweise im Rahmen eines Business Case. Allerdings sind die Daten für den speziellen Business Case nicht immer ausreichend spezifiziert. Manager sollten daher einen experimentellen Rahmen schaffen, der definiert, welche Daten erfasst werden müssen, wie sie verwendet werden und welche Kriterien den Erfolg eingrenzen.
  • Erwartungen ausschließen – und zwar schon bei der Vorbereitung. Erwartungen oder Wunschvorstellungen können das Ergebnis eines Versuchs beeinflussen. Steht etwa ein bestimmtes Thema zu sehr im Vordergrund, können die Beteiligten schnell mit einer falschen Hypothese starten. Um dies zu vermeiden, sollten Entwickler Hypothesen stets als Lösungen für die Probleme eines Kunden formulieren.
  • Messwerte automatisch erheben. Händische Analyse-Messungen sind fehleranfällig – also sollten Produktverantwortliche sie vermeiden. Automatisierte Messsysteme (weit verbreitetes Beispiel: Analyse-Software und Algorithmen für A/B-Tests) sind, wenn richtig eingesetzt, fast immer zuverlässiger und zudem schneller.

2. Produktentwicklung: Warum alle Data Analytics nutzen sollten

Ohne freien Zugriff auf Daten gerät selbst die beste Experimentier-Kultur schnell an ihre Grenzen. Produktverantwortliche sollten also darauf hinarbeiten, dass jeder im Entwicklungs-Umfeld jederzeit Zugang zu den Daten hat, die er oder sie für eine Entscheidung benötigt.

Für eine erfolgreiche Datendemokratisierung im Sinne einer Business Intelligence sind klare Regeln und ein stringentes Governance-Modell unerlässlich. Soll heißen: Firmen brauchen geeignete Kontroll-Methoden, mit denen sie überwachen, wie Daten erfasst, qualifiziert und zugänglich gemacht werden. Führende Unternehmen setzen hierzu übrigens oft so genannte Shared Centers of Excellence oder Chief Data Officer, Chief Digital Officer und Chief Data Product Leader ein.

Produkte werden heute mehr ergebnisorientiert definiert. Bild: Accenture
Produkte werden heute weniger erfahrungsbasiert, dafür mehr ergebnisorientiert definiert. Bild: Accenture

Erfolgreiche Produktmanager, die Data Analytics betreiben, geben ihre Daten und Analyse-Erkenntnisse außerdem weiter: Schließlich können diese dabei helfen, auch die Kennzahlen und Leistungswerte nachgelagerter Funktionsbereiche zu verbessern – also etwa der Fertigung, des Lieferketten-Managements oder des Kundenservice.

Außerdem in Zeiten von Big Data wichtig: Die stete Erhöhung von Datenqualität. Die meisten Unternehmen besitzen Unmengen sogenannter dunkler Log-Daten. Diese sind für gewöhnlich unstrukturiert, unmarkiert – und ungenutzt. Sie bieten aber fast immer erhebliches Potenzial für die Definition oder Verbesserung von Produktstrategien. Produktentwickler sollten deshalb unbedingt Werkzeuge für die Daten-Verwertung einsetzen. Diese sollten Daten-Silos verknüpfen, Auswertungen vereinfachen und Visualisierungen sowie Reports automatisch erstellen.

Dass Anwender diese Datenanalyse-Werkzeuge wirklich benutzen können, sollte in Zeiten von Big Data ebenfalls selbstverständlich sein: In wirklich datenorientierten Unternehmen müssen deshalb entsprechende Data-Analytics-Schulungen schlicht Standard sein.

Umfrage: Warum ist datengetriebene Produktentwicklung wichtig?

Eine aktuelle Umfrage von Splunk zeigt: Unternehmen, die Daten auf Grundlage einer durchdachten Wertschöpfung-Methode nutzen, konnten ihren Gewinn in den letzten zwölf Monaten um 83 bzw. 66 Prozent (Brutto- /Nettogewinn) steigern. 93 Prozent dieser Unternehmen äußerten sich zudem überzeugt, bessere und schnellere Entscheidungen als ihre Mitbewerber treffen zu können. Und: 91 Prozent sind der Meinung, dass ihr Unternehmen stark genug ist, um auch die nächsten Jahre erfolgreich zu bestehen.

3. Produktentwicklung: Daten nur zweckbezogen erfassen!

Data Analytics in der Produktentwicklung bedeutet auch eine Verpflichtung zum Datenschutz. Und das heißt für Produktentwickler: Das beliebige Einsammeln von Informationen ohne die Vermittlung eines Gegenwerts ist schlicht unzulässig. Wer beispielsweise Standort-Informationen von den Nutzern einer App allein zu Werbezwecken speichert, verstößt bereits gegen dieses Prinzip. Erhalten die Nutzer allerdings einen Gegenwert – und können zum Beispiel standort-spezifische Nachrichten erhalten oder Dateien geo-taggen, sieht die Sache schon anders aus – und die Datenspeicherung wird vertretbar.

Checkliste für einen verantwortungsvollen Umgang mit Daten:

Um sowohl dem Datenschutz als auch den Wünschen von Kunden entsprechen zu können, sollten Manager aus der Produktentwicklung unbedingt…

  • genau verstehen, wie sich das eigene Unternehmen in Sachen Datenschutz und -Sicherheit positioniert
  • eine klare Vorstellung davon haben, warum Daten überhaupt erfasst werden
  • klar begründen können, warum der Nutzen das Risiko rechtfertigt
  • Erhebungszwecke festhalten und mit den erhobenen Daten speichern
  • Richtlinien und Gesetze kennen, die es im Hinblick auf den Schutz und die Sicherheit von Kundendaten gibt
  • Daten wann immer möglich anonymisieren; sofern dies nicht unmittelbar möglich ist, den Einsatz sogenannter „Privacy-Preserving Computing Techniques“ prüfen (auch die sind nicht in jedem Kontext anwendbar)
  • Tools nutzen, mit denen Daten schon frühzeitig in der Analyse-Phase anonymisiert werden können. Dies ist insbesondere vor dem Hintergrund des Themas Sicherheit und Vertraulichkeit von Daten wichtig
  • Kontrollmechanismen einsetzen, sodass der Nutzer selbst bestimmen kann, wie viele Daten er teilen möchte
  • Informationen bereitstellen zur Herkunft und Validität der erfassten Daten sowie dahingehend, wie das Unternehmen plant, diese zu nutzen

4. Achtung Produktmanager! Überprüfen Sie Annahmen stets!

Wer wirklich sauber arbeiten und Fehlinterpretationen vermeiden will, muss Annahmen stets richtig prüfen, sprich: Auch die sogenannte Nullhypothese validieren.

Beispiel: Nehmen wir an, eine Produktmanagerin hätte entdeckt: "Der Einsatz einer neuen Funktion X geht mit einer erheblichen Erhöhung der Nutzerzahlen einher".

Wenn sie jetzt einen entsprechenden Kausalzusammenhang annimmt (die Einführung des Feature X hat den Nutzerzuwachs verursacht), so darf sie diese Annahme keinesfalls ungeprüft stehen lassen. Die erhöhte Nutzerbindung könnte schließlich auch durch ganz andere Faktoren getrieben sein. Beispielsweise könnte ein Wettbewerber ein Konkurrenzprodukt eingestellt und so Kunden zum Umzug gezwungen haben.

5. KI und Machine Learning in der Entwicklung richtig einsetzen

Die erfolgreichsten Produktmanager setzen nicht nur auf Daten, sondern auch auf Künstliche Intelligenz (KI) – und das gezielt. Eine einmal eingerichtete KI-Infrastruktur führt alle Informationen – ob strukturiert oder unstrukturiert – zusammen und kombiniert sie mit unterschiedlichsten Machine-Learning-Algorithmen. Und die wiederum erzeugen dann Erkenntnisse oder sogar automatisierte Abläufe, deren Wert für die Produktentwicklung weit höher ist, als die Kosten der einzelnen eingesetzten Daten und KI-Ressourcen.

Voraussetzung für einen zielführenden KI-Einsatz ist, dass die Produktentwicklung durch Data Engineers, Data Scientists und DevOps-Spezialisten unterstützt wird. Und: Feste Regeln, etwa für Operating Model und Governance, sind ebenfalls entscheidend. Schließlich kosten KI-Systeme Geld. Vor allem aber sollten Produktmanager darauf bestehen, dass jedes zu nutzende KI-Modell auf einen präzisen Zweck und die Lösung konkreter (Kunden-)Probleme ausgerichtet wurde.

Was ist künstliche Intelligenz? - Quelle: Accenture DACH

6. Produktentwicklung: Setzen Sie auf Growth- oder Outbound-Product-Manager!

Normalerweise verantworten Produktmanager den längerfristigen Erfolg eines Produkts oder Portfolios. Der Übergang zu einer stärker daten-getriebenen Produktentwicklung sorgt aber dafür, dass auch kurzfristige Kennzahlen an Bedeutung gewinnen.

Dies hat gerade in Technologie-Unternehmen dazu geführt, dass Produktentwicklungs-Teams zunehmend um "Growth-" oder auch "Outbound-Manager" ergänzt werden. Growth-Manager definieren die wichtigsten Wachstumskennzahlen für das Produkt (Nutzergewinnung, Wandel, Conversion oder Verringerung der Kundenabwanderung) und prüfen regelmäßig Wachstumstrends auf Grundlage von Kennzahlen, die sie über bestimmte Werkzeuge erhalten (beispielsweise Adobe Analytics oder Google Analytics). Ihre entsprechenden Erkenntnisse geben sie auch an das erweiterte Entwicklungs-Team weiter, damit dieses zur Verbesserung von Nutzer-Erfahrung oder Produkteigenschaften verwenden kann.

Jetzt mehr zu datengetriebener Produktentwicklung erfahren!

Kirthi Vani weiß, wie Sie Produktentwicklung voranbringt. Bild: Accenture

Autor:

Kirthi Vani ist Senior Manager, Platform & Product Strategy, Developer Ecosystems bei Accenture. Gemeinsam mit Kunden entwickelt Kirthi Wachstumsstrategien für neue Märkte auf Grundlage robuster Plattformen und einer besseren Skalierung. Sie hilft neue Produkte mit Fokus auf Nutzererfahrung und Gewinn zu entwickeln. Sie erreichen Kirthi über LinkedIn.

Steve Roberts weiß wie smarte Produkte aussehen. Bild: Accenture

Co-Autor:

Steve Roberts ist Managing Director, Industry X North America West lead bei Accenture. Er leitet die Industry X Sparte von Accenture in den westlichen Regionen der Vereinigten Staaten und Kanada und berät Kunden dahingehend, wie sie ihre Amortisierungszeiten durch die Entwicklung von smarten Produkten, Software und Plattformen beschleunigen können. Sie finden ihn auf LinkedIn.