När (och hur) du lägger till analys i din AI-byggda app

För några veckor sedan lanserade en grundare jag känner sin app — ett verktyg för små pilatesstudior att hantera väntelistor till sina pass. Hon byggde den på ungefär en vecka med en AI-appbyggare. Den gick live på en torsdag. På söndagen sa hon till mig att hon inte hade någon aning om någon använde den.

“Hur många registreringar hade du?” “Jag vet inte.” “Använder folk som registrerade sig den faktiskt?” “Jag vet inte.” “Fastnar någon någonstans?” “Jag vet inte.”

Hon var inte vårdslös. Hon hade bara inte fått in analys i appen än. Och som så många icke-tekniska grundare hade hon antagit att hon skulle lägga till analys “senare, när det finns fler användare”. Problemet är att “senare” aldrig kommer, för utan analys vet du inte hur många användare det finns, så du kan inte säga när “senare” är.

Om du har byggt en app med en AI-appbyggare och stirrar på den och undrar om du ska lägga till spårning, så är det här inlägget för dig. Vi går igenom när du ska börja, vad du ska mäta, vad du ska strunta i och det enklast tänkbara sättet att göra det utan att förvandla dig själv till en dataperson.

Det kortast möjliga svaret

Lägg till grundläggande analys i din AI-byggda app dag ett, innan du har några användare. Inte en flashig instrumentpanel. Inte en beteendeheatmap. Bara tre eller fyra saker. Vi kommer till vilka.

Skälet att göra det innan lansering är rent praktiskt: det är mycket lättare att lägga till spårning i en app med noll användare än att skarva på det i en app som redan är igång och som folk är beroende av. Din AI-byggare kan koppla in det rent medan appen är liten. När väl riktiga användare börjar använda den känns varje ändring mer riskabel, och du fortsätter skjuta upp det.

Varför folk hoppar över det här och inte borde

Den vanligaste anledningen till att icke-tekniska grundare hoppar över analys är att de skäms över hur få användare de har. De tänker: Jag lägger till analys när jag inte längre skäms över siffran. Det är precis bakvänt. Du försöker ta dig till en siffra du inte skäms över. Utan analys kan du inte se om något du gör fungerar.

Det andra skälet är att analysverktyg ser skrämmande ut. Du hör “Google Analytics”, “Mixpanel”, “PostHog”, “Amplitude” och blir glasartad i blicken. De flesta av de verktygen är byggda för produktchefer på företag med tolv personer vars jobb är just att titta på diagram. Du behöver inte det. Du behöver veta fyra saker, och nästan vilket verktyg som helst berättar de fyra sakerna för dig.

De fyra sakerna att mäta dag ett

Om din AI-byggda app är något i stil med de jag ser — en liten SaaS, ett internt verktyg, en marknadsplats, en katalog, en nischprodukt — så är det här de fyra siffrorna som faktiskt spelar roll i början.

1. Hur många personer som landar på appen

Det här är den enklaste. Bara “hur många unika personer besökte startsidan idag”. De flesta analysverktyg ger dig det gratis i samma ögonblick du installerar dem. Det är nämnaren för allt annat.

Du kommer att frestas att kolla den här siffran tvångsmässigt. Låt bli. Den är brusig dag för dag. Titta på veckotrenden.

2. Hur många av dem som registrerar sig (eller tar ditt “första riktiga steg”)

Vad än det första åtagandet din app ber om är — registrera sig, starta en gratis provperiod, skapa sitt första projekt, boka en demo — mät när det händer. Det här är din konverteringshändelse.

Om du lanserade med 100 besökare och 4 registreringar är din registreringsgrad 4 %. Det är en siffra du nu kan försöka flytta. Om du lanserade med 100 besökare och inte har någon aning om hur många som registrerade sig, har du inget att optimera.

3. Hur många av dem som kommer tillbaka nästa dag (eller nästa vecka)

Det här är den viktigaste siffran som ingen mäter tidigt. Den kallas retention, och för AI-byggda appar är det ofta det som tyst berättar för dig om du har något på riktigt eller om du har byggt en engångsnyhet.

Du behöver inget flashigt här. Bara: av de som registrerade sig den här veckan, hur många kom tillbaka veckan efter och gjorde något? Om svaret är ungefär noll har du ett problem som ingen mängd trafik till startsidan kommer att lösa.

4. Var folk hoppar av

Om du har någon form av flöde — registrering, onboarding, första uppgiften, kassa — mät varje steg. Inte varje klick. Bara de namngivna stegen. Så att du kan se: 100 påbörjade registrering, 80 angav sin e-post, 50 bekräftade den, 20 kom fram till instrumentpanelen.

Den tratten är det enskilt mest användbara felsökningsverktyg du någonsin får för en AI-byggd app, för den berättar exakt var du ska fokusera. Om 100 påbörjar registrering och 80 anger e-post men bara 50 bekräftar, har du ett e-postproblem (kanske hamnar bekräftelsemejlet i skräpposten, kanske skickas det inte alls). Nu har du något specifikt att be din AI-byggare fixa.

Vad du ska strunta i

Här är vad du inte ska mäta när du precis börjar, för det slösar din tid och får dig att känna att du borde göra mer än du borde:

• Varje knappklick. Du behöver inte veta att 14 personer klickade på “Om oss”-länken. Du kommer aldrig att använda den datan.
• Tid på sidan. Låter meningsfullt, är det inte. Någon som lämnar en flik öppen medan de går på lunch räknas som “20 minuters engagemang”.
• Avvisningsfrekvens. Genuint användbar för innehållssajter; mest brus för app-formade produkter.
• A/B-tester. Gör inte det här förrän du har hundratals användare per variant per vecka. Du kan inte A/B-testa med åtta användare.
• Demografi, scrolldjup, heatmaps. Användbart så småningom. Inte nu.

Tumregeln: om ett mätvärde inte skulle ändra ett beslut du fattar den här veckan, mät det inte än.

Hur du faktiskt lägger till det (den icke-tekniska versionen)

De flesta AI-appbyggare gör det här nästan misstänkt enkelt. Du ger byggaren en mening i stil med:

“Lägg till analysspårning. Använd [verktygsnamn]. Mät när någon besöker startsidan, när de registrerar sig, när de kommer tillbaka och loggar in, och vid varje steg i onboarding-flödet.”

Om du använder ett verktyg som PostHog eller Plausible genererar de en liten kodsnutt (en eller två rader) som läggs i appens head. Din AI-byggare kan klistra in den åt dig. Om du använder Google Analytics, samma sak — Google ger dig en snutt, du ger snutten till din byggare, din byggare installerar den.

För de namngivna händelserna (registrering, inloggning, onboarding-steg) beskriver du dem på vanlig svenska. “När användaren slutför registreringsformuläret utan fel, skicka en händelse som heter signup_completed.” Byggaren skriver koden. Inte du.

Tre verktyg jag skulle överväga för en ny AI-byggd app, i ordning:

1. Plausible — Stendumt enkelt, integritetsvänligt, har en ren instrumentpanel. Kortaste vägen från ingen analys till användbar analys. Kostar runt 9 dollar/månad.
2. PostHog — Gratis upp till en generös gräns, kraftfullare, låter dig göra trattar och retention utan att lämna instrumentpanelen. Värt det i samma stund du har en riktig tratt att mäta.
3. Google Analytics 4 — Gratis, allestädes närvarande, plågsamt att lära sig. Använd det om du ska köra marknadsföring och behöver integrationen. Hoppa över det annars.

Välj ett. Installera inte två. Två analysverktyg är dubbelt jobbet och noll gånger insikten.

Disciplinen som faktiskt lönar sig

Här är grejen som förvandlar analys från en fåfängeövning till ett användbart verktyg: du måste titta på det enligt ett schema.

En gång i veckan, sätt dig i 15 minuter och svara på fyra frågor:

1. Hur många besökte den här veckan jämfört med förra?
2. Hur många registrerade sig?
3. Av förra veckans registreringar, hur många kom tillbaka?
4. Var i flödet hoppade folk av?

Det är allt. Försök inte “utforska datan”. Öppna inte tio rapporter. Svara på de fyra frågorna, skriv ner siffrorna i en anteckningsapp eller ett kalkylark, och gå vidare. Efter fyra veckor ser du trender. Efter åtta veckor vet du vilka av dina ändringar som fungerade och vilka som inte gjorde det.

Grundaren jag nämnde i början av inlägget lade till Plausible i sin pilatesstudio-app måndagen efter vårt samtal. Det tog henne ungefär 20 minuter — det mesta gick åt till att tala om för AI-byggaren vad händelserna skulle heta. Två veckor senare kunde hon med säkerhet berätta för mig att hennes tre bästa registreringar kom från ett enda Instagram-inlägg som en kund gjorde, att ingen slutförde onboardingen eftersom det tredje steget bad om en betalmetod för tidigt, och att av hennes 11 aktiva studior hade 7 kommit tillbaka till appen minst tre gånger. Inget av de fakta existerade innan hon lade till analys. Allt förändrade vad hon gjorde härnäst.

Du behöver ingen instrumentpanel med 40 diagram. Du behöver veta om grejen lever. Lägg till de fyra siffrorna. Titta på dem en gång i veckan. Resten kan vänta.