Nowy standard. Twoje centrum tworzenia inteligentnego, szybkiego i zrównoważonego oprogramowania AI

Zobacz teraz
Słownik/Metryki wzrostu SaaS

Analityka SaaS

Analityka SaaS mierzy, jak klienci korzystają z produktu programistycznego i co ten sposób użycia mówi o przychodach.

Czym jest analityka SaaS?

Analityka SaaS wykorzystuje dane behawioralne, by odpowiedzieć na dwa pytania: kto czerpie wartość z produktu, a kto zaraz odejdzie. Łączy dane produktowe na poziomie zdarzeń z danymi subskrypcyjnymi i rozliczeniowymi. Dzięki temu spadek liczby cotygodniowych logowań można powiązać z konkretną datą odnowienia umowy.

Tę dziedzinę często myli się z analityką webową, która mierzy ścieżkę do momentu rejestracji: skąd przyszedł ruch i co po drodze doprowadziło do konwersji. Właśnie tu zaczyna się analityka SaaS. Jej dane pochodzą z uwierzytelnionej sesji, w której każde zdarzenie należy do znanego użytkownika w ramach znanego konta. Pytanie zmienia się z „kto przyszedł” na „co wydarzyło się po opłaceniu usługi”.

Różnicę robi model subskrypcyjny. Przy jednorazowej sprzedaży przychód ujmuje się w momencie transakcji, a późniejsze zachowanie klienta staje się kwestią wsparcia. W SaaS przychód wpływa stopniowo przez lata, więc klient, który przestał otwierać produkt w drugim miesiącu, staje się problemem finansowym w miesiącu dziewiątym. Dane o użyciu to jedyny sygnał dostępny z tak dużym wyprzedzeniem.

Wiele zespołów ostatecznie pracuje na dwóch powiązanych rodzinach danych. Analityka produktu obejmuje zachowania na poziomie zdarzeń: które funkcje są przyswajane i jak często konta wracają. Analityka przychodów obejmuje umowę: upgrade'y, downgrade'y, rozwój konta i rezygnacje. Po połączeniu przez identyfikator konta pokazują, jakie zachowania poprzedzają określone wyniki finansowe.

Jak analityka SaaS chroni i zwiększa powtarzalne przychody?

Sygnały użycia pozwalają dostrzec przychody z rozwoju konta, zanim zauważy je zespół sprzedaży. Konta, które dochodzą do limitu miejsc lub wdrażają drugi proces, najczęściej dokupują więcej, a same dane kontraktowe nie dają sprzedaży sposobu, by je znaleźć.

Te same sygnały pozwalają wychwycić utratę przychodu, zanim faktycznie do niej dojdzie. Odnowienie, które nie dochodzi do skutku w Q4, zwykle zostało przegrane już w Q1, podczas onboardingu, który nigdy nie doprowadził do wartościowego rezultatu. To luka, której raportowanie finansowe nie widzi, bo w tamtym momencie w umowie nic się nie zmieniło. Dane o użyciu pozwalają prześledzić nieudane odnowienie aż do tego zatrzymanego onboardingu, dlatego zespoły, które wcześnie wdrażają pomiar, zwykle wykrywają wzorzec churnu, gdy jest jeszcze czas na reakcję.

Jak działa analityka SaaS?

  • Inżynierowie dodają do produktu wywołania śledzące uruchamiane przy zdefiniowanych działaniach użytkownika, a każde z nich zawiera właściwości takie jak ID konta, ID użytkownika, poziom planu i obiekt, na którym wykonano działanie. Zdarzenia, którego wcześniej nie objęto pomiarem, nie da się przeanalizować wstecz, więc plan śledzenia jest w praktyce decyzją o tym, jakie pytania firma będzie mogła zadać za rok.

  • Mapowanie tożsamości łączy zdarzenia z kontami. Jeden użytkownik może logować się z dwóch urządzeń, a jedno konto może obejmować setki użytkowników. Narzędzia analityczne utrzymują powiązanie między uwierzytelnionym użytkownikiem a organizacją, która płaci. Jeśli ta warstwa działa błędnie, wszystkie późniejsze wskaźniki na poziomie konta też są błędne, i to w sposób trudny do wychwycenia.

  • Dane trafiają do hurtowni i są modelowane. Surowe zdarzenia są pełne szumu i mają strukturę dostosowaną do zbierania danych, a nie do analizy. Zespoły przekształcają je w modelowane tabele: jeden wiersz na konto na tydzień, jeden wiersz na zmianę subskrypcji, jeden wiersz na kamień milowy aktywacji. To tutaj pojęcia biznesowe, takie jak „aktywne konto”, zyskują definicję.

  • Wskaźniki definiuje się raz i wykorzystuje ponownie. Warstwa semantyczna lub warstwa wskaźników przechowuje kanoniczną definicję miesięcznego przychodu powtarzalnego i aktywnego konta, dzięki czemu liczba w prezentacji dla zarządu zgadza się z liczbą na dashboardzie zespołu produktowego. Bez tej warstwy dwa zespoły raportujące „wskaźnik aktywacji” pokażą dwa różne wyniki i spędzą spotkanie na ich uzgadnianiu.

  • Analiza opiera się na kohortach i segmentach. Zagregowane liczby ukrywają niemal wszystko, co naprawdę warto wiedzieć. Podział według miesiąca rejestracji pokazuje, czy produkt poprawia się z czasem; podział według poziomu planu, wielkości firmy lub kanału pozyskania pokazuje, którym klientom produkt rzeczywiście odpowiada. Płaska ogólna krzywa retencji często ukrywa sytuację, w której jeden segment się poprawia, a inny się załamuje.

  • Wnioski są dystrybuowane i monitorowane. Efektem są zarówno cykliczne dashboardy, jak i alerty o przekroczeniu progów. Alerty mają większe znaczenie niż liczba dashboardów, bo powiadomienie o spadku użycia trafia do zespołu odpowiedzialnego za konto w dniu, w którym to się dzieje.

Jakich narzędzi zespoły używają w analityce SaaS?

  • Platformy analityki produktu: Amplitude, Mixpanel i PostHog zbierają strumienie zdarzeń i udostępniają analizę lejków oraz kohort bez potrzeby używania SQL. Powstały z myślą o Product Ownerach analizujących zachowania, a domyślnie przechowują własną kopię danych o zdarzeniach.

  • Analityka subskrypcji i przychodów: ChartMogul i Baremetrics łączą się z systemami rozliczeniowymi, takimi jak Stripe, i zamieniają surowe dane z faktur w zmiany MRR oraz kohortową retencję przychodów. Odpowiadają na pytania finansowe, na które narzędzia produktowe nie potrafią odpowiedzieć, bo nie mają danych rozliczeniowych.

  • Stosy warehouse-native: Snowflake i BigQuery przechowują dane surowe i modelowane, dbt odpowiada za transformacje i definicje wskaźników, a Looker lub Metabase udostępniają wyniki. To podejście jest droższe we wdrożeniu i najmniej ogranicza zakres możliwych połączeń, bo zachowania w produkcie, dane z CRM, zgłoszenia do wsparcia, punkty styku marketingowego i faktury znajdują się w tabelach kontrolowanych przez zespół.

Jakie są kluczowe cechy analityki SaaS?

  • Konto jest podstawową jednostką analizy. Umowy podpisują organizacje. Produkt B2B może pokazywać rosnące zaangażowanie pojedynczych użytkowników, a jednocześnie płacące za niego konta mogą konsolidować się do mniejszej liczby miejsc, czego raportowanie na poziomie użytkownika w ogóle nie wychwyci.

  • Historia jest ograniczona wcześniejszymi decyzjami o pomiarze. Dodanie zdarzenia dziś daje dane dopiero od dziś. Porównania rok do roku przestają być wiarygodne, gdy definicja zmienia się w trakcie okresu, dlatego zespoły analityczne poświęcają czas na odtwarzanie tego, co dany wskaźnik oznaczał w poprzednim kwartale.

  • Kohorty wyjaśniają najwięcej. Jeden wskaźnik retencji uśrednia klientów, którzy dołączyli przy różnych cenach i w różnych procesach onboardingu. Podział według okresu rejestracji zamienia tę średnią w odpowiedź na pytanie, czy produkt rzeczywiście staje się lepszy.

  • Definicje bywają sporne i muszą mieć właściciela. „Aktywne konto” może oznaczać pojedyncze logowanie albo regularne, cotygodniowe korzystanie z kluczowego procesu. Każda definicja daje uzasadniony, ale inny wynik, dlatego ktoś musi za nią odpowiadać i utrzymywać ją niezmiennie między działami.

  • Użycie wyprzedza przychód o całe miesiące. Luka między zmianą zachowania a jej finansową konsekwencją jest sednem wartości tego podejścia, a zarazem powodem, dla którego tak trudno uzasadniać tę pracę z kwartału na kwartał.

Jakie korzyści daje analityka SaaS?

  • Churn staje się widoczny, gdy wciąż da się go odwrócić. Spadająca częstotliwość sesji i malejąca liczba aktywnych miejsc pojawiają się na długo przed wypowiedzeniem. Dzięki temu zespoły customer success dostają listę kont, którymi trzeba się zająć.

  • Decyzje o funkcjach zyskują podstawę w danych. Dane o użyciu pozwalają odróżnić prośbę powtarzaną przez trzech głośnych klientów od potrzeby wspólnej dla całego segmentu. Pokazują też, których wdrożonych funkcji nikt nigdy nie otworzył.

  • Problemy z onboardingiem wychodzą na jaw w ciągu kilku dni. Analiza lejka dla pierwszej sesji pokazuje, gdzie zatrzymują się nowe konta, zamieniając ogólne poczucie, że onboarding działa słabo, w konkretny ekran do poprawy.

  • Szanse na rozwój konta pojawiają się automatycznie. Konta zbliżające się do limitów użycia albo wdrażające sąsiednie procesy można przekazywać do sprzedaży w momencie, gdy zaczynają się kwalifikować.

  • Zmiany cen można modelować przed wdrożeniem. Rozkład użycia pokazuje, ile kont znajduje się blisko granicy proponowanego poziomu. Dzięki temu dyskusja o cenach zamienia się w szacunek z określonym przedziałem.

Jakie wyzwania i kompromisy wiążą się z analityką SaaS?

  • Pomiar degraduje się wraz ze zmianami w produkcie. Zmienione nazwy właściwości i usunięte przyciski psują definicje zdarzeń. Dashboardy nadal pokazują liczby, które wyglądają wiarygodnie. Rozwiązaniem jest nadzorowany plan śledzenia z przeglądem przed każdym wydaniem, co dodaje kolejny etap do procesu publikacji i sprawia, że analityka staje się zależnością wpływającą na tempo pracy inżynierów.

  • Dane behawioralne pokazują korelację, ale są odczytywane jak związek przyczynowy. Konta korzystające z danej funkcji mają lepszą retencję, więc sama funkcja wygląda na przyczynę, choć może tylko wskazywać klientów, którzy i tak byli już zaangażowani. Rozstrzygają to kontrolowane eksperymenty, ale większość produktów B2B ma zbyt mało kont, by test osiągnął istotność statystyczną w mniej niż kwartał, więc zespoły wybierają między powolną pewnością a szybkim zgadywaniem.

  • Definicje wskaźników rozjeżdżają się między zespołami. Warstwa semantyczna z jedną kanoniczną definicją rozwiązuje problem uzgadniania i sprawia, że centralny zespół danych staje się strażnikiem każdego nowego wskaźnika, przez co pytanie na pięć minut zamienia się w zgłoszenie czekające w czyjejś kolejce.

  • Zasady prywatności i rezydencji danych ograniczają możliwe połączenia. Anonimizacja identyfikatorów użytkowników i przechowywanie danych regionalnych w danym regionie spełniają wymogi RODO, ale osłabiają powiązanie na poziomie konta, od którego zależy analiza. Produkty sprzedawane regulowanym odbiorcom często godzą się na bardziej zgrubny obraz zachowań jako cenę wejścia na te rynki.

Jaka jest różnica między analityką SaaS a analityką webową?

Obszar

Analityka SaaS

Analityka webowa

Pytanie, na które odpowiada

Co klienci robią wewnątrz produktu

Jak odwiedzający trafiają na stronę i dokonują konwersji

Przedmiot danych

Znane konta i uwierzytelnieni użytkownicy

Anonimowe sesje i źródła ruchu

Główne źródło danych

Pomiar zdarzeń w produkcie i dane rozliczeniowe

Odsłony stron i parametry kampanii

Typowy horyzont czasowy

Od miesięcy do lat, w całym cyklu życia umowy

Od dni do tygodni, w ramach okna konwersji

Grupy wskaźników

Aktywacja, retencja, rozwój konta, adopcja funkcji

Ruch, współczynnik odrzuceń, współczynnik konwersji, atrybucja

Kto z tego korzysta

Produkt, customer success, finanse, revenue operations

Marketing i generowanie popytu

FAQ o analityce SaaS

Analityka SaaS: potrzebujesz wsparcia ekspertów?

Monterail tworzy oprogramowanie na zamówienie z wykorzystaniem najnowszych technologii. Porozmawiajmy o tym, jak możemy pomóc w Twoim projekcie.

EXPLORE WEB DEVELOPMENT SERVICES