Wann (und wie) du Analytics zu deiner KI-gebauten App hinzufügst

Vor ein paar Wochen hat eine Gründerin, die ich kenne, ihre App gelauncht — ein Tool, mit dem kleine Pilates-Studios ihre Kurs-Wartelisten verwalten können. Sie hat es in etwa einer Woche mit einem KI-App-Builder gebaut. Es ging an einem Donnerstag online. Am Sonntag erzählte sie mir, sie habe keine Ahnung, ob es überhaupt jemand nutzt.

“Wie viele Anmeldungen hattest du?” “Ich weiß es nicht.” “Nutzen die Leute, die sich angemeldet haben, das Tool wirklich?” “Ich weiß es nicht.” “Bleibt irgendwo jemand hängen?” “Ich weiß es nicht.”

Sie war nicht nachlässig. Sie hatte in der App nur noch keine Analytics. Und wie viele nicht-technische Gründer:innen war sie davon ausgegangen, sie würde Analytics “später hinzufügen, wenn es mehr Nutzer:innen gibt”. Das Problem ist, dass dieses “später” nie kommt, denn ohne Analytics weißt du nicht, wie viele Nutzer:innen es gibt — also kannst du auch nicht erkennen, wann “später” ist.

Wenn du eine App mit einem KI-App-Builder gebaut hast und davorsitzt und überlegst, ob du Tracking hinzufügen sollst, ist dieser Beitrag für dich. Wir klären, wann du anfängst, was du messen solltest, was du ignorieren kannst und den denkbar einfachsten Weg, es zu tun, ohne selbst zum Daten-Menschen zu werden.

Die kürzestmögliche Antwort

Füge deiner KI-gebauten App am ersten Tag grundlegende Analytics hinzu, bevor du überhaupt Nutzer:innen hast. Kein schickes Dashboard. Keine Verhaltens-Heatmap. Nur drei oder vier Dinge. Welche genau, klären wir gleich.

Der Grund, es vor dem Launch zu tun, ist rein praktisch: Es ist viel einfacher, Tracking zu einer App mit null Nutzer:innen hinzuzufügen, als es nachträglich in eine App einzubauen, die schon läuft und auf die sich Menschen verlassen. Dein KI-Builder kann es sauber einbauen, solange die App klein ist. Sobald echte Nutzer:innen darauf zugreifen, fühlt sich jede Änderung riskanter an und du schiebst es immer weiter auf.

Warum Leute das überspringen und es nicht sollten

Der häufigste Grund, warum nicht-technische Gründer:innen Analytics überspringen, ist, dass es ihnen peinlich ist, wie wenige Nutzer:innen sie haben. Sie denken: Ich füge Analytics hinzu, sobald mir die Zahl nicht mehr peinlich ist. Das ist genau verkehrt herum. Du versuchst doch gerade, zu einer Zahl zu kommen, die dir nicht peinlich ist. Ohne Analytics kannst du nicht erkennen, ob irgendetwas, das du tust, funktioniert.

Der zweite Grund ist, dass Analytics-Tools einschüchternd aussehen. Du hörst “Google Analytics”, “Mixpanel”, “PostHog”, “Amplitude” und deine Augen werden glasig. Die meisten dieser Tools sind für Produktmanager:innen in Unternehmen mit zwölf Leuten gebaut, deren Job es ist, nur auf Charts zu starren. Das brauchst du nicht. Du musst vier Dinge wissen, und fast jedes Tool sagt dir diese vier Dinge.

Die vier Dinge, die du am ersten Tag messen solltest

Wenn deine KI-gebaute App so ähnlich ist wie die, die ich sehe — ein kleines SaaS, ein internes Tool, ein Marktplatz, ein Verzeichnis, ein Nischenprodukt — dann sind das die vier Zahlen, die am Anfang wirklich zählen.

1. Wie viele Menschen auf der App landen

Das ist die einfachste. Einfach “wie viele einzelne Personen haben heute die Startseite besucht”. Die meisten Analytics-Tools geben dir das geschenkt, sobald du sie installierst. Es ist der Nenner für alles andere.

Du wirst versucht sein, diese Zahl zwanghaft im Blick zu behalten. Lass es. Sie schwankt von Tag zu Tag stark. Schau auf den Wochentrend.

2. Wie viele dieser Menschen sich anmelden (oder deinen “ersten echten Schritt” gehen)

Was auch immer die erste Verbindlichkeit ist, die deine App verlangt — sich anmelden, eine kostenlose Testphase starten, das erste Projekt anlegen, eine Demo buchen — miss, wann das passiert. Das ist dein Conversion-Event.

Wenn du mit 100 Besucher:innen und 4 Anmeldungen gestartet bist, liegt deine Anmelderate bei 4 %. Das ist eine Zahl, die du jetzt zu bewegen versuchen kannst. Wenn du mit 100 Besucher:innen gestartet bist und keine Ahnung hast, wie viele sich angemeldet haben, gibt es nichts zu optimieren.

3. Wie viele dieser Menschen am nächsten Tag (oder in der nächsten Woche) wiederkommen

Das ist die wichtigste Zahl, die früh niemand misst. Sie heißt Retention, und bei KI-gebauten Apps ist sie oft das, was dir still und leise verrät, ob du etwas Echtes hast oder ob du nur eine Eintags-Spielerei gebaut hast.

Du brauchst hier nichts Ausgeklügeltes. Nur: Von den Leuten, die sich diese Woche angemeldet haben, wie viele kamen in der folgenden Woche wieder und haben etwas getan? Wenn die Antwort ungefähr null ist, hast du ein Problem, das keine noch so große Menge an Startseiten-Traffic lösen wird.

4. Wo Menschen abspringen

Wenn du irgendeine Art von Ablauf hast — Anmeldung, Onboarding, erste Aufgabe, Checkout — miss jeden Schritt. Nicht jeden Klick. Nur die benannten Schritte. Damit du sehen kannst: 100 haben die Anmeldung begonnen, 80 ihre E-Mail eingegeben, 50 sie bestätigt, 20 sind im Dashboard angekommen.

Dieser Funnel ist das einzige nützlichste Debugging-Werkzeug, das du je für eine KI-gebaute App haben wirst, denn er sagt dir genau, worauf du dich konzentrieren musst. Wenn 100 die Anmeldung starten und 80 die E-Mail eingeben, aber nur 50 sie bestätigen, hast du ein E-Mail-Problem (vielleicht landet die Bestätigungsmail im Spam, vielleicht wird sie gar nicht verschickt). Jetzt hast du etwas Konkretes, das du deinen KI-Builder reparieren lassen kannst.

Was du ignorieren solltest

Hier ist, was du am Anfang nicht messen solltest, weil es deine Zeit verschwendet und dir das Gefühl gibt, du müsstest mehr tun, als du solltest:

• Jeder einzelne Button-Klick. Du musst nicht wissen, dass 14 Leute auf den “Über uns”-Link geklickt haben. Du wirst diese Daten nie nutzen.
• Verweildauer. Klingt bedeutsam, ist es nicht. Wenn jemand einen Tab offen lässt und Mittagessen geht, zählt das als “20 Minuten engagiert”.
• Absprungrate. Wirklich nützlich für Content-Websites; bei App-artigen Produkten meist nur Rauschen.
• A/B-Tests. Mach das erst, wenn du Hunderte Nutzer:innen pro Variante pro Woche hast. Mit acht Nutzer:innen kannst du keinen A/B-Test machen.
• Demografie, Scroll-Tiefe, Heatmaps. Irgendwann nützlich. Jetzt nicht.

Die Faustregel: Wenn eine Kennzahl keine Entscheidung verändern würde, die du diese Woche triffst, dann miss sie noch nicht.

So fügst du es tatsächlich hinzu (die nicht-technische Version)

Die meisten KI-App-Builder machen das fast schon verdächtig leicht. Du gibst dem Builder einen Satz wie:

“Füge Analytics-Tracking hinzu. Nutze [Tool-Name]. Erfasse, wenn jemand die Startseite besucht, wenn er sich anmeldet, wenn er wiederkommt und sich einloggt, und bei jedem Schritt des Onboarding-Ablaufs.”

Wenn du ein Tool wie PostHog oder Plausible nutzt, generieren sie ein kleines Code-Schnipsel (ein oder zwei Zeilen), das in den Head der App kommt. Dein KI-Builder kann es für dich einfügen. Wenn du Google Analytics nutzt, dasselbe — Google gibt dir ein Schnipsel, du gibst das Schnipsel deinem Builder, dein Builder installiert es.

Für die benannten Events (Anmeldung, Login, Onboarding-Schritt) beschreibst du sie in einfachem Deutsch. “Wenn die Person das Anmeldeformular erfolgreich abschließt, sende ein Event namens signup_completed.” Der Builder schreibt den Code. Du nicht.

Drei Tools, die ich für eine frische KI-gebaute App in Betracht ziehen würde, in dieser Reihenfolge:

1. Plausible — Kinderleicht, datenschutzfreundlich, mit einem aufgeräumten Dashboard. Der kürzeste Weg von null Analytics zu nützlichen Analytics. Kostet etwa 9 $/Monat.
2. PostHog — Bis zu einem großzügigen Limit kostenlos, mächtiger, lässt dich Funnels und Retention auswerten, ohne das Dashboard zu verlassen. Lohnt sich in dem Moment, in dem du einen echten Funnel zu verfolgen hast.
3. Google Analytics 4 — Kostenlos, allgegenwärtig, mühsam zu lernen. Nutze es, wenn du Marketing betreibst und die Integration brauchst. Sonst lass es.

Such dir eins aus. Installier nicht zwei. Zwei Analytics-Tools bedeuten doppelt so viel Arbeit und null Mal so viel Erkenntnis.

Die Disziplin, die sich wirklich auszahlt

Hier ist das, was Analytics von einer Eitelkeitsübung in ein nützliches Werkzeug verwandelt: Du musst nach einem festen Plan draufschauen.

Setz dich einmal pro Woche für 15 Minuten hin und beantworte vier Fragen:

1. Wie viele Menschen haben diese Woche im Vergleich zur letzten Woche vorbeigeschaut?
2. Wie viele haben sich angemeldet?
3. Wie viele der Anmeldungen aus der letzten Woche sind wiedergekommen?
4. Wo im Ablauf sind die Leute abgesprungen?

Das war’s. Versuch nicht, “die Daten zu erkunden”. Öffne nicht zehn Reports. Beantworte die vier Fragen, schreib die Zahlen in eine Notiz-App oder eine Tabelle, und mach weiter. Nach vier Wochen siehst du Trends. Nach acht Wochen weißt du, welche deiner Änderungen funktioniert haben und welche nicht.

Die Gründerin, die ich am Anfang dieses Beitrags erwähnt habe, hat am Montag nach unserem Gespräch Plausible zu ihrer Pilates-Studio-App hinzugefügt. Es hat sie etwa 20 Minuten gekostet — die meiste Zeit ging dafür drauf, dem KI-Builder zu sagen, wie er die Events benennen soll. Zwei Wochen später konnte sie mir mit Sicherheit sagen, dass ihre drei besten Anmeldungen von einem einzigen Instagram-Post kamen, den eine Kundin gemacht hatte, dass niemand das Onboarding abschloss, weil der dritte Schritt zu früh nach einer Zahlungsmethode fragte, und dass von ihren 11 aktiven Studios 7 mindestens dreimal in die App zurückgekehrt waren. Keine dieser Tatsachen existierte, bevor sie Analytics hinzugefügt hatte. Alle veränderten, was sie als Nächstes tat.

Du brauchst kein Dashboard mit 40 Charts. Du musst wissen, ob das Ding lebt. Füge die vier Zahlen hinzu. Schau einmal pro Woche drauf. Der Rest kann warten.