Inhaltsverzeichnis
Was ist KI-Tagging?
KI-Tagging wird manchmal als Auto-Tagging, automatisches Tagging oder automatisiertes Tagging bezeichnet. Der wesentliche Unterschied besteht darin, dass KI-Tagging mehr leistet als das bloße Erfassen von Aktivitäten: Es hilft dabei, die Produktstruktur zu interpretieren, damit Teams entscheiden können, was es wert ist, verfolgt zu werden, und wie diese Tags organisiert werden sollten.
In der Produktanalyse und in digitalen Adoptionstoolssind Tags das, was Verhalten verständlich macht. Ein Seiten-Tag kann Besuche eines Dashboards verfolgen, während ein Feature-Tag die Nutzung einer Schaltfläche, eines Filters oder eines Workflow-Schritts erfassen kann. Wenn Tags vollständig und gut gepflegt sind, können Teams ihren Analysen vertrauen, In-App-Guides gezielter ausrichten präzisere Segmente erstellen und KI-Systemen ein besseres Verständnis des Produkts vermitteln.
Wie funktioniert KI-Tagging?
KI-Tagging analysiert in der Regel die Anwendungsstruktur eines Produkts, die Navigation, Seitenmuster und UI-Elemente, um zu ermitteln, welche Teile des Produkts es wert sein könnten, verfolgt zu werden. Anschließend können Tags mit nützlichen Metadaten empfohlen werden, z. B. ein vorgeschlagener Name, eine Beschreibung, ein Produktbereich, eine Regel oder eine Seite-zu-Feature-Beziehung.
Ein effektiver KI-Tagging-Workflow sollte Folgendes umfassen:
- Vorgeschlagene Seiten- und Feature-Tags
- Vorgeschlagene Tag-Namen und -Beschreibungen
- Vorgeschlagene Produktbereiche oder Gruppierungen
- Übereinstimmungsregeln, die definieren, was jeder Tag verfolgt
- Konfidenz- oder Qualitätssignale für vorgeschlagene Tags
- Empfehlungen zur Verbesserung, Korrektur oder Entfernung vorhandener Tags
- Manuelle Überprüfung vor der Anwendung von Änderungen
Dieser letzte Punkt ist entscheidend. KI-Tagging kann den manuellen Aufwand beim Finden und Definieren von Tags reduzieren, sollte jedoch die menschliche Kontrolle nicht aufheben. Produktteams müssen weiterhin entscheiden, welche Vorschläge relevant sind, wie granular ihre Tagging-Strategie sein soll und ob die resultierende Struktur widerspiegelt, wie das Unternehmen das Produkt versteht.
Warum ist KI-Tagging wichtig?
Manuelles Tagging erzeugt einen dauerhaften Instrumentierungsrückstand. Teams benötigen häufig schnell Produktanalysen, müssen aber zunächst entscheiden, welche Seiten und Funktionen sie verfolgen möchten, Regeln definieren, alles einheitlich benennen und diese Tags aktuell halten, wenn sich das Produkt verändert.
Wenn die Tagging-Abdeckung unvollständig oder veraltet ist, wirkt sich das auf die gesamte Produktorganisation aus. Analysen spiegeln nur das wider, woran jemand gedacht hat, ein Tag zu setzen. In-App-Guides können auf den falschen Bereich abzielen oder die beabsichtigte Zielgruppe verfehlen. Segmente werden auf Basis unvollständiger Verhaltensdaten erstellt. KI-generierte Erkenntnisse sind durch Lücken in der Produkt-Roadmap begrenzt. Teams verbringen Zeit damit, die Instrumentierung zu pflegen, anstatt auf Erkenntnisse zu reagieren.
KI-Tagging hilft, diese Last zu verringern, indem es das Tagging von einer vollständig manuellen Einrichtungsaufgabe in einen geführten Überprüfungs-Workflow verwandelt. Das Ziel ist nicht, alles automatisch zu taggen. Das Ziel ist, die Abdeckung der richtigen Dinge mit weniger manuellem Aufwand aufzubauen und aufrechtzuerhalten.
Jeder Analysebericht, jedes Guide-Ziel, jedes Verhaltenssegment und jede KI-generierte Erkenntnis hängt von einer klaren Produktübersicht ab. Wenn die richtigen Seiten und Funktionen nicht getaggt sind, arbeiten Teams auf Basis eines unvollständigen Bildes davon, wie sich Nutzer tatsächlich durch das Produkt bewegen.
KI-Tagging hilft beim Aufbau dieser Karte, indem künstliche Intelligenz eingesetzt wird, um Seiten, Funktionen, Produktbereiche und Interaktionen in einem digitalen Produkt zu identifizieren und anschließend strukturierte Tags vorzuschlagen, die Teams prüfen und anwenden können. Diese Tags helfen dabei, rohe Produktnutzungsdaten in organisierte, aussagekräftige Daten umzuwandeln, indem Produktaktivitäten klare Namen, Regeln, Beschreibungen und Beziehungen erhalten.
KI-Tagging vs. Auto-Tagging
Auto-Tagging ist ein übergeordneter Begriff für das automatische Anwenden oder Vorschlagen von Tags. KI-Tagging ist eine spezifische Form des Auto-Taggings, die künstliche Intelligenz nutzt, um die Produktstruktur zu verstehen, bedeutsame Seiten und Funktionen zu identifizieren und strukturierte Tags zu empfehlen.
KI-Tagging vs. Autocapture
KI-Tagging ist mit Autocapture verwandt, aber beide sind nicht dasselbe.
Autocapture zeichnet rohe Benutzeraktivitäten auf, wie z. B. Klicks, Seitenaufrufe und andere Ereignisse, oft ohne dass Teams jedes Ereignis im Voraus definieren müssen. Dies kann eine breite Abdeckung von Nutzerverhalten ermöglichen, jedoch fehlen rohen erfassten Ereignissen möglicherweise aussagekräftige Namen, Hierarchien, Produktbereiche oder Geschäftskontext.
KI-Tagging fügt Struktur hinzu. Es hilft dabei zu ermitteln, welche erfassten Interaktionen relevant sind, benennt sie auf eine für Teams verständliche Weise und organisiert sie in nützliche Seiten, Funktionen und Produktbereiche.
Kurz gesagt: Autocapture erfasst Aktivitäten; KI-Tagging hilft dabei, Aktivitäten in eine organisierte Produktkarte umzuwandeln.
Ersetzt KI-Tagging das manuelle Tagging?
KI-Tagging kann den manuellen Aufwand für die Erstellung und Pflege von Tags reduzieren, ersetzt jedoch nicht das Produkturteil. Teams müssen weiterhin entscheiden, welche Vorschläge sie akzeptieren, welche Namenskonventionen sie verwenden, wie detailliert ihre Tag-Struktur sein soll und welche Teile des Produkts für Analysen, Guide-Targeting, Segmentierung und KI am wichtigsten sind.
Ein KI-System könnte beispielsweise mehrere Schaltflächen, Filter, Seiten oder Navigationselemente identifizieren. Ein Product Manager entscheidet möglicherweise, nur die Elemente zu verfolgen, die mit aussagekräftigen Workflows oder Adoptionszielen verknüpft sind. KI-Tagging beschleunigt die Erkennung und Einrichtung, während menschliche Prüfer die Tagging-Strategie am Geschäftskontext ausrichten.
Was macht ein KI-generiertes Tag zuverlässig?
Ein zuverlässiges Tag hängt von einer stabilen Regel ab. Wenn ein Tag auf einem starken Bezeichner basiert, z. B. einem benutzerdefinierten HTML-Attribut oder einer Element-ID, bleibt es mit größerer Wahrscheinlichkeit funktionsfähig, wenn sich das Produkt ändert. Wenn ein Tag auf schwächeren Selektoren basiert, z. B. sichtbarem Text oder der Position eines Elements auf der Seite, kann es bei Änderungen an Texten, Layout oder Code nicht mehr funktionieren.
Gute KI-Tagging-Systeme sollten schwächere Regeln kennzeichnen, damit Teams diese überprüfen können. In manchen Fällen können Produkt- und Entwicklungsteams wichtigen UI-Elementen stabilere Bezeichner hinzufügen, damit künftige Tag-Vorschläge robuster sind.
Wie verbessert KI-Tagging die Produktanalyse?
Produktanalysen hängen von einem klaren Verständnis davon ab, was Benutzer im Produkt tun. Wenn wichtige Seiten oder Funktionen nicht getaggt sind, können Teams Adoptionsmuster, Abbruchpunkte, Workflow-Reibungspunkte oder Verbesserungsmöglichkeiten übersehen.
KI-Tagging hilft dabei, die Produktanalyse zu verbessern indem es einfacher wird, die Tag-Abdeckung aufzubauen und aufrechtzuerhalten. Mit einer besseren Abdeckung können Teams Fragen beantworten wie:
- Welche Funktionen werden von Nutzern tatsächlich angenommen?
- Wo brechen Nutzer in einem Workflow ab?
- Welche Accounts interagieren mit den besonders wertvollen Bereichen des Produkts?
- Welche Teile des Produkts benötigen besseres Onboarding oder bessere Anleitungen?
- Wie unterscheidet sich das Verhalten je nach Rolle, Segment, Plan oder Lifecycle-Phase?
Je vollständiger und strukturierter die Produktkarte ist, desto verlässlicher ist die Analyse.
Unterstützt KI-Tagging In-App-Guides, Segmente und KI?
Ja. Tags werden nicht nur für das Reporting verwendet. Sie helfen Teams auch dabei, In-App-Guides gezielt auszuspielen, Verhaltenssegmente zu definieren und KI-Tools ein strukturiertes Verständnis des Produkts zu vermitteln.
Bei In-App-Guides helfen präzise Tags Teams dabei, Nachrichten am richtigen Ort, an die richtigen Nutzer und zum richtigen Zeitpunkt auszuspielen. Bei der Segmentierung helfen vollständige Tags Teams dabei, Zielgruppen auf Basis tatsächlichen Produktverhaltens zu definieren. Bei KI liefern strukturierte Tags einen klareren Kontext darüber, wie das Produkt aufgebaut ist und wie Nutzer damit interagieren.
KI-Tagging trägt dazu bei, die Produktkarte zu stärken, auf die Analyse, Guides, Segmente und KI-Systeme gleichermaßen angewiesen sind.
KI-Tagging in Pendo
In Pendoläuft KI-Tagging innerhalb des Visual Design Studio. Es liest die Routing-Konfiguration und das DOM einer Anwendung und schlägt anschließend Seiten- und Feature-Tags zur Überprüfung vor.
Jeder Vorschlag kann einen vorgeschlagenen Namen, eine Regel, eine Beschreibung, einen Produktbereich und eine Seite-zu-Feature-Beziehung enthalten. Pendo AI-Tagging kann außerdem neue Tag-Vorschläge, Verbesserungen bestehender Tags sowie Korrekturen oder Entfernungen für fehlerhafte oder nicht verwendete Tags aufzeigen.
AI-Tagging ist kein eigenständiges Pendo-Produkt. Es ist eine Funktion, die dazu beiträgt, dass mehrere Pendo-Funktionen auf Basis einer saubereren Produktübersicht arbeiten. Sobald Seiten und Features getaggt sind, können Teams diese Struktur in Product Analytics, In-App-Guides, Segmenten und KI-gestützten Workflows wie Leo.
Pendo AI-Tagging basiert auf einem Überprüfungsprozess. Es wird nichts erstellt, geändert oder gelöscht, bis ein Benutzer die Vorschläge überprüft und die ausgewählten Änderungen akzeptiert. Pendo umfasst außerdem Schutzmaßnahmen für Tag-Qualität und Datenverarbeitung, darunter clientseitige Bereinigung vor der KI-Analyse sowie Selektor-Präferenzen, die stärkere Regeln wie benutzerdefinierte HTML-Attribute und Element-IDs priorisieren.
Häufige Fragen zum AI-Tagging
Ist AI-Tagging dasselbe wie Auto-Tagging?
AI-Tagging ist eine Form des Auto-Taggings. Auto-Tagging ist das übergeordnete Konzept der automatischen Anwendung oder des Vorschlagens von Tags, während AI-Tagging künstliche Intelligenz einsetzt, um die Produktstruktur zu verstehen und aussagekräftige Tags zu empfehlen.
Ist AI-Tagging dasselbe wie Autocapture?
Nein. Autocapture zeichnet rohe Aktivitäten auf, während KI-Tagging dabei hilft, Aktivitäten in benannte Seiten, Features und Produktbereiche zu gliedern. Autocapture schafft Abdeckung; KI-Tagging fügt Struktur und Bedeutung hinzu.
Kann KI-Tagging Tags automatisch ändern oder löschen?
Das hängt vom System ab, aber ein prüfungsbasierter Workflow ist am sichersten. Beim KI-Tagging in Pendo werden Änderungen erst übernommen, wenn ein Benutzer auswählt, welche Vorschläge akzeptiert werden sollen.
Funktioniert KI-Tagging mit vorhandenen Tags?
Ja, KI-Tagging kann vorhandene Tags unterstützen, indem es Verbesserungen vorschlägt, fehlerhafte Tags identifiziert oder Entfernungen für Tags empfiehlt, die nicht mehr zur Produktstruktur passen.
Ersetzt KI-Tagging das manuelle Tagging?
KI-Tagging reduziert den manuellen Aufwand beim Erstellen und Pflegen von Tags, aber Teams müssen Vorschläge weiterhin prüfen und entscheiden, was erfasst werden soll.
Ist KI-Tagging dasselbe wie automatisches Feedback-Tagging?
Nein. Das automatische Feedback-Tagging kategorisiert qualitatives Feedback, wie z. B. Anfragen oder Kommentare. Das KI-Produkt-Tagging identifiziert Seiten und Funktionen in einer Anwendung für Analysen, Guides, Segmentierung und KI-Einblicke.
Deckt das KI-Tagging Track-Events ab?
Nicht immer. Im aktuellen KI-Tagging-Release von Pendo konzentriert sich das KI-Tagging auf Seiten und Funktionen aus der Anwendungsstruktur. Benutzerdefiniert programmierte Track-Events liegen außerhalb des Umfangs des aktuellen Release.
