Doppelt so viele Besucher und trotzdem kein zusätzlicher Download: Wenn deine KI das als Wachstum feiert, liest sie die falsche Zahl. Servus, ich bin Lissy. Heute machen wir aus einer auffälligen App-Statistik eine brauchbare Arbeitsentscheidung. Der Anlass ist AppTraction, ein neues Analyseprogramm für den Mac. Wir gehen den Weg vom Wochenbericht bis zur nächsten Untersuchung durch. Mit einem erfundenen Zahlenbeispiel, das du auch ohne eigene App nachbauen kannst.
John, der Entwickler von AppTraction, beschreibt auf Hacker News einen ziemlich nachvollziehbaren Umweg. Zuerst holte er die Daten aus Apples App Store Connect in eine native Mac-App. Dann verband er Claude über eine strukturierte Datenschnittstelle mit den Kennzahlen. Laut seinem Bericht fielen dabei Platzierungen seiner Apps in Australien und Großbritannien auf, die er vorher übersehen hatte.
Außerdem lieferte die KI eine Erklärung für schwächere Verkäufe seiner Brotback-App: eine wiederkehrende Sommerflaute. Das ist zunächst Johns Beobachtung. Wir haben weder seine Verkaufsdaten noch eine unabhängige Untersuchung dazu. Eine plausible Saisonerklärung kann zutreffen. Sie kann aber auch einen Produktfehler verdecken. AppTraction verbindet Kennzahlen mit Veröffentlichungen und eigenen Ereignisnotizen auf einer Zeitachse. Für einen selbstständigen App-Entwickler heißt das: Beim Wochenbericht kann die KI zunächst auffällige Veränderungen heraussuchen. Danach geht die konkrete Frage zurück an den Menschen, der das Produkt betreibt. Welche Veränderung braucht eine Handlung? Apples vorhandene Tabellen bleiben die Vergleichsquelle. Wer dort seine Frage schon beantworten kann, muss kein zusätzliches Programm kaufen.
Für unseren Übungsfall betreibt eine erfundene Entwicklerin eine App mit einer kostenlosen Einstiegsfunktion. In Woche A hat die Produktseite tausend Aufrufe und hundert erstmalige Downloads. In Woche B sind es zweitausend Aufrufe und wieder hundert Downloads. Wir vereinfachen bewusst: gleiche Zählweise, gleich lange Wochen, vollständig vorliegende Daten. Es sind keine Messwerte von AppTraction oder John.
Die Downloadrate sinkt damit von zehn auf fünf Prozent. Die Besucherzahl hat sich verdoppelt, die Zahl der Downloads ist gleich geblieben. Schon diese zwei Sätze beschreiben den Fall besser als ein jubelnder Wachstumsbericht. Aber auch die Aussage, die Produktseite sei schlechter geworden, wäre voreilig. Vielleicht kam in Woche B eine neue Besuchergruppe hinzu, die gar nicht nach dieser Funktion suchte.
Der erste Auftrag an die KI lautet deshalb: Nenne Zeitraum, Zähler und Nenner für jede Aussage. Vergleiche zuerst die gesamten Wochen und zerlege danach nach Ländern oder Zugangswegen, soweit diese Daten vorhanden sind. Unterscheide erstmalige Downloads von erneuten Downloads. Wenn ein Feld fehlt, lass die Antwort offen. Ergänze keine passende Zahl aus Erfahrung.
So entsteht eine kleine Analysenotiz. Oben steht der Befund mit den Ausgangswerten. Darunter steht, welche Aufschlüsselung fehlt. Sie soll verhindern, dass die erste hübsche Erklärung bereits als Geschäftsentscheidung durchgeht.
Jetzt kommt die Zeitachse dazu. In unserem erfundenen Fall begann am Montag der zweiten Woche eine Werbekampagne in einem weiteren Land. Am Mittwoch erschien außerdem eine neue App-Version. Schreib beides als getrennte Ereignisse auf, mit Datum und verständlichem Namen. Die Website von AppTraction empfiehlt solche Einträge ausdrücklich für Werbung, Preisänderungen und Platzierungen im Store. Daraus folgt aber kein automatischer Ursachenbeweis. Wenn Veröffentlichung und Kampagne in derselben Woche liegen, passen beide zum zeitlichen Verlauf. Die KI soll deshalb zwei konkurrierende Erklärungen liefern und jeweils die Beobachtung nennen, die zwischen ihnen unterscheiden würde.
Für die Kampagnen-Erklärung wäre das: Die zusätzliche Reichweite kommt vor allem aus dem neu beworbenen Land, während die Downloadrate in den bisherigen Ländern ungefähr gleich bleibt. Für ein Problem mit der Produktdarstellung wäre das: Auch die bisherigen Besuchergruppen laden seltener herunter. Wenn die benötigte Aufschlüsselung fehlt, steht genau das im Bericht. Dann ist der nächste Schritt Daten beschaffen, nicht die Werbung abdrehen.
Ich mag an diesem Ablauf, dass aus einer KI-Antwort ein konkreter Arbeitsauftrag wird. Eine zeitliche Nachbarschaft liefert einen Ansatz. Ob sich der Ansatz hält, entscheidet die nächste Beobachtung.
Für den eigenen Versuch brauchst du einen Mac, die Testversion von AppTraction und einen passenden KI-Zugang. Laut Anbieter kann das ein vorhandener Zugang über Claude Code oder Codex sein, alternativ OpenRouter. Dessen Nutzung zählt weiter gegen deinen Tarif. Bei der Systemversion widersprechen sich die Quellen: Die Website nennt macOS fünfzehn oder neuer, der Launch-Beitrag macOS sechsundzwanzig. Schau vor dem Download nach, was die aktuelle Version verlangt. Für die erste Sitzung nimm die angebotene Demo. Der vollständige Import eigener Historie kann laut Website bis zu vier Tage dauern. Daran sollte eine kurze Lernübung nicht hängenbleiben.
Plane 45 Minuten. Zehn Minuten für Demo und Orientierung, fünfzehn für eine einzige Veränderung zwischen zwei Zeiträumen. Lass dir Ausgangswerte und Rechenweg nennen. Verwende die restlichen zwanzig Minuten für den Vergleich mit der angezeigten Tabelle und zwei mögliche Erklärungen. Das ist unser Übungsbudget, keine gemessene Einrichtungszeit. Wenn die Demo andere Zahlen enthält, nimm ihre Werte und erfinde keine passende Kampagne dazu.
Dein Ergebnis ist eine Seite: Befund, Rechenweg und die nächste offene Frage. Erfolg heißt hier: Jede genannte Zahl lässt sich in den Ausgangsdaten finden, die Rechnung stimmt, und die KI bezeichnet eine mögliche Ursache als Vermutung. Brich ab, sobald sie fehlende Werte ergänzt oder du die Herkunft nicht nachvollziehen kannst. Ohne Mac geht derselbe Denkablauf mit unserem erfundenen Beispiel und einer Tabellenkalkulation.
Mit eigenen Daten trägt die Person die Analyse, die heute auch den App-Vertrieb verantwortet. Sie legt den Vergleichszeitraum fest und ergänzt bekannte Aktionen. Die KI sortiert Auffälligkeiten und formuliert mögliche Erklärungen. Der Mensch entscheidet beispielsweise, ob zuerst die Herkunft der zusätzlichen Besucher untersucht wird. Für den Datenzugang empfiehlt die Website als eingeschränkte Variante einen Sales-and-Reports-Schlüssel für Analysen. Einen Admin-Schlüssel nur aus Bequemlichkeit einzutragen, wäre für unseren Lesetest unnötig breit. Schlüssel können laut Website nur die dafür berechtigten Kontoinhaber oder Administratoren anlegen. Wenn dir diese Berechtigung fehlt, bleib bei der Demo, statt fremde Zugangsdaten einzusammeln.
Auch lokal hat hier eine genaue Bedeutung. Die App speichert die Daten laut Anbieter auf dem Mac. Bei KI-Fragen gehen die benötigten Inhalte direkt an den ausgewählten KI-Anbieter. Das ist etwas anderes als vollständig lokale Verarbeitung. Der im Gründerbericht beschriebene Lesezugang macht außerdem nicht die ganze Anwendung schreibgeschützt. Die Website bietet auch Änderungen an Store-Einträgen und Antworten auf Rezensionen an. Die lassen wir aus dieser Analysesitzung heraus.
Selbst testen lohnt sich für App-Betreiber, die wiederkehrend an der Interpretation ihrer Zahlen hängen. Wer keine App im Apple-Ökosystem betreibt, braucht dieses Produkt nicht. Die Methode bleibt brauchbar: zwei vergleichbare Zeiträume, ein sauberer Befund und eine unterscheidbare nächste Frage. Mei, lieber eine weniger spektakuläre Erklärung, mit der du weiterarbeiten kannst, als ein fertiger Roman über deinen Umsatz.
Nimm dir für den nächsten Wochenbericht genau eine auffällige Kennzahl vor. Lass die KI den Befund mit Zähler und Nenner aufschreiben und erst danach eine mögliche Ursache nennen. So bekommst du eine nächste Untersuchung, statt vorschnell am Produkt zu drehen. Schreib mir eine Mail, wenn dich bei deinen Berichten eher fehlende Daten oder zu glatte Erklärungen aufhalten. Die Adresse steht in den Shownotes, zusammen mit dem Übungsauftrag und den Quellen zu AppTraction. Pfiat euch, eure Lissy.