Account Health analysieren
Tiefer Einblick in die Produktnutzung eines B2B-Kontos zur Vorbereitung von QBRs, Bewertung des Verlängerungsrisikos, Identifizierung von Expansionsmöglichkeiten oder Priorisierung von CS-Maßnahmen.
Anleitung
Schritt 0: Konto identifizieren & Kontext entdecken
Kontoidentifikator ermitteln:
- Firmenname, Org-ID, Konto-ID oder Gruppen-Eigenschaftswert
- Benutzer fragen, falls nicht angegeben
Nach vorhandener Arbeit suchen:
Mit Amplitude:search nach bestehenden Dashboards, Diagrammen oder Notizbüchern für dieses Konto suchen. Falls gefunden, Benutzer fragen, ob eine neue Analyse oder eine Überprüfung der bestehenden gewünscht wird.
Schritt 1: Schnelle Gesundheitsbewertung
Mit Amplitude:query_dataset diese Abfragen parallel ausführen:
Nutzungstrend:
- Ereignis:
_active, Metrik:uniques, Gruppieren nach: Kontoeigenschaft - Zeit: Letzte 60 Tage, tägliches Intervall
- Zeigt: Aktivität zu- oder abnehmend?
Engagement-Qualität:
- DAU und MAU für das Konto berechnen
- DAU/MAU-Verhältnis (Stickiness) ermitteln
- Zeigt: Wie engagiert sind aktive Benutzer?
Benutzerdynamik:
- Anzahl aktiver Benutzer Woche für Woche
- Zeigt: Team wächst oder schrumpft?
Zustand klassifizieren:
- Gesund: Wachsende MAU, DAU/MAU >40%, positiver WoW
- Gefährdet: Stagnierende/rückläufige MAU, DAU/MAU 20-40%, negativer WoW
- Kritisch: Starker Rückgang, DAU/MAU <20%, anhaltend negativer WoW
Schritt 2: Analyse auf Benutzerebene
Mit Amplitude:query_dataset und Gruppierung auf Benutzerebene:
Power-User:
- Top 3-5 Benutzer nach Ereignisvolumen (Champions zum Nutzen)
Abgewanderte Benutzer:
- Benutzer, die im vorherigen Zeitraum aktiv waren, aber nicht im aktuellen (Rückhalte-Risiken)
Lizenzauslastung:
- Aktive Benutzer in den letzten 30 Tagen im Vergleich zur Gesamtzahl der Lizenzen
Schritt 3: Feature-Nutzungsanalyse
Mit Amplitude:query_dataset gruppiert nach Ereignissen/Features:
Feature-Breite:
- Welche Kernfunktionen werden genutzt (Benutzer nach 5-10 Schlüsselfeatures fragen)
- Übernahmerate pro Feature
Feature-Trends:
- Nutzung über die letzten 90 Tage pro Feature
- Wachsende vs. rückläufige Features identifizieren
Fokus je nach Zustand:
- Falls Gefährdet/Kritisch: Verlassene Features finden (vor 60-90 Tagen genutzt, nicht in den letzten 30)
- Falls Gesund: Expansionsmöglichkeiten finden (Premium-Features, die noch nicht ausprobiert wurden)
Schritt 4: Konto-Feedback-Analyse
Feedbackquellen abrufen:
Mit Amplitude:get_feedback_sources prüfen, was verfügbar ist.
Feedback-Erkenntnisse abrufen:
Mit Amplitude:get_feedback_insights gefiltert nach:
- ampId für jeden Benutzer im Konto
- dateStart/dateEnd: Letzte 90 Tage
- types:
bug,painPoint,complaint,request,lovedFeature
Bestimmte Erwähnungen abrufen:
Für die Top 3-5 Erkenntnisse mit Amplitude:get_feedback_mentions Zitate abrufen.
Mit Verhalten korrelieren:
- Beschwerde über Feature X? Nutzung von Feature X abfragen
- Anfrage für Feature Y? Prüfen, ob sie an Limits stoßen, die Y lösen würde
- Lob für Feature Z? Validieren, dass sie starke Nutzer von Z sind
Schritt 5: Account Health Report präsentieren
Ausgabe wie folgt strukturieren:
Account Health Report: [Kontoname]
Zusammenfassung
[2-3 Sätze: Gesundheitsbewertung, wichtigster Trend, primäre Empfehlung]
Gesundheitsbewertung: [🟢 Gesund | 🟡 Gefährdet | 🔴 Kritisch]
[Ein satz Begründung mit Schlüsselkennzahl]
Wichtige Kennzahlen
| Kennzahl | Aktuell | Trend | Status |
|---|---|---|---|
| MAU | X | ↑↓→ Y% | 🟢🟡🔴 |
| DAU/MAU | X% | ↑↓→ Y% | 🟢🟡🔴 |
| Lizenzauslastung | X% | ↑↓→ | 🟢🟡🔴 |
| Übernommene Features | X/Y | ↑↓→ | 🟢🟡🔴 |
🚨 Risikofaktoren (falls vorhanden)
- [Problem] - [Auswirkung]
- Nutzungsdaten: [Kennzahl/Trend]
- Kundenfeedback: [Thema mit X Erwähnungen] - [repräsentatives Zitat]
✅ Positive Signale
- [Was funktioniert] - [Beleg aus Nutzung + Feedback]
👥 Benutzer-Intelligenz
Champions (Nutzen)
- [Benutzer-ID/Name]: [Aktivitätszusammenfassung] - Aktion: [Spezifische CS-Empfehlung]
Gefährdet (Einbinden)
- [Benutzer-ID/Name]: [Letztes aktives Datum / rückläufiges Muster] - Aktion: [Check-in-Empfehlung]
Inaktiv (>30 Tage)
- [Anzahl] Benutzer ([X]% der Lizenzen)
💡 Top-Schmerzpunkte & Anfragen
Schmerzpunkte
- [Thema] (X Erwähnungen)
- [Kurze Beschreibung]
- Beleg: [Verhaltensdaten] + "[Zitat]" - [Quelle, Datum]
- Aktion: [Was zu tun ist]
Feature-Anfragen
- [Thema] (X Erwähnungen)
- [Was sie wollen]
- Beleg: "[Zitat]" - [Quelle, Datum]
- Roadmap-Status: [Auf der Roadmap/Nicht geplant/In Prüfung]
Was sie lieben ❤️
- [Feature]: "[Zitat]"
📊 Feature-Übernahme
Hohe Nutzung: [Feature] - [X Benutzer] (↑Y%) Rückläufig: [Feature] - [X Benutzer] (↓Y%) - Untersuchen Ungenutzt (Upsell): [Premium-Feature] - Könnte [Schmerzpunkt] lösen
🎯 Empfehlungen
🔥 Diese Woche
- [Spezifische Aktion mit Benutzer-/Kontaktname]
📅 Diesen Monat
- [Strategische Aktion mit Kontext]
💰 Expansionsmöglichkeiten
- [Upsell-Signal mit Beleg]
📎 Details
- Analysedatum: [Datum]
- Zeitraum: [Letzte X Tage]
- Vertrauensniveau: [Hoch/Mittel/Niedrig basierend auf Datenvolumen]
Best Practices
- Benutzer immer nennen – CS benötigt Kontaktpersonen, keine Aggregate
- Feedback mit Verhalten verknüpfen – Beschwerden mit Nutzungsdaten validieren
- Empfehlungen konkret formulieren – „Sarah wegen Feature X anrufen“, nicht „Engagement verbessern“
- Trends zeigen, keine Momentaufnahmen – Richtung wichtiger als Punktwert
- Datenlücken kennzeichnen – Geringes Volumen, fehlende Eigenschaften oder unvollständige Daten notieren
- Nach Auswirkung priorisieren – Probleme fokussieren, die mehrere Benutzer oder Champions betreffen
Häufige Muster
Abwanderungsrisiken:
- Champion abgewandert + rückläufige Gesamtnutzung
- Mehrere Beschwerden über dasselbe Problem + verhaltensbezogene Hinweise auf Reibung
- Lizenzauslastung rückläufig + negatives Feedback
Expansionssignale:
- Planlimits erreicht (Benutzer, API, Speicher)
- Anfragen für Premium-Features + hohes Engagement
- Neue Benutzer werden hinzugefügt + positives Feedback