Stories Connecting Dots Ep. 35: Niko Noll - ProductAnalyst.ai

Nico Noll: ProductAnalyst.ai - Produktdaten wirklich nutzen

Was für ein Gespräch! Nico Noll ist seit Jahren Produktspezialist. Er hat Hunderte von PMs trainiert – in Unternehmen, in Workshops, als Coach. Und baut jetzt sein eigenes Ding, lebt den Traum vom eigenen Produkt: ProductAnalyst.ai. Ein Tool, das aus dem eigenen Schmerz entstanden ist: jahrelang als PM in Firmen gesessen, Daten eigentlich vorhanden, in der Praxis aber doch unerreichbar und nicht actionable.

Die Grundidee ist einfach und gleichzeitig strukturell: Produktdaten sind in fast jeder Firma vorhanden. Aber niemand nutzt sie wirklich für Entscheidungen. Der Bottleneck ist nicht die Datenmenge – sondern der Zugang und die Interpretation.

Die Datenlücke im Produktmanagement

Das racking läuft, die Events werden geloggt - sehr viele sogar. Mixpanel, Amplitude, PostHog, Google Analytics – irgendeins davon ist fast immer vorhanden. Aber wenn ein PM wirklich wissen will, welche Verhaltensmuster Churn vorhersagen, welche Nutzer nach dem Onboarding abspringen, welche Segmente sich grundlegend anders verhalten – wartet er auf einen Data Analyst, ein Dashboard oder beides. Beide Optionen: langsam, teuer, oft nicht vorhanden.

Nico hat das als PM bei Xing noch als Luxus erlebt: Frontend-Analyst und BI-Analyst ständig verfügbar. Das ist die Ausnahme. Die Regel: entweder kein Datenteam, oder eines das permanent überlastet ist.

These 1: Die meisten Produktentscheidungen passieren ohne aktuelle, granulare Daten – nicht weil die Daten fehlen, sondern weil der Zugang zu aufwändig ist. Granulare Fragen kosten Wochen. Und bleiben deshalb meistens ungestellt, erst recht unbeantwortet.

These 2: Das eigentliche Problem ist kein Technologie-Problem. Das Zugangsproblem tut so als sei es ein Analyseproblem.

Was Product Analyst AI macht – und was nicht

Kein "Vibe Analytics" – kein CSV in ChatGPT werfen und hoffen. Stattdessen ein System mit klaren Guardrails: Generalisierte statistische Funktionen auf der einen Seite. Firmenspezifischer Kontext auf der anderen.

Der Ansatz: Man trennt, was generalisierbar ist (statistische Methoden, Berechnungslogik, Segmentierungs-Funktionen) von dem, was firmenindividuell ist (Event-Namen, Business-Definitionen, Segment-Strukturen). Beides zusammen ergibt ein System, das verlässliche Antworten liefert.

Was aktuell funktioniert: Alltagsfragen im Produktmanagement. Wie viele Nutzer zeigen dieses Verhaltensmuster? Wie unterscheidet sich die Churn Rate zwischen unseren Segmenten? Was passiert im Durchschnitt in den ersten 30 Tagen nach Anmeldung?

Was noch nicht geht: Die explorativen Zwei-Stunden-Sessions mit einem Senior Data Analyst. Die komplexen strategischen Analysen. Das ist bewusst kein Ziel – Pareto-Logik. 80 % der Fragen, die sich Teams täglich stellen, sind gut beantwortbar. Damit fängt man an.

These: Wenn dieselbe Frage vom CEO und vom PM ins System kommt, muss dieselbe Antwort rauskommen. Das ist der Unterschied zwischen einem Tool für echte Entscheidungen und einem, das nur das gute Gefühl liefert, irgendwas analysiert zu haben.

Context Engineering – der eigentliche Unterschied

Hier wird's technisch. Aber lohnt sich.

Ein LLM ohne Kontext macht Annahmen. Und tut das mit erschreckendem Selbstbewusstsein. Markus bringt ein gutes Beispiel: ein Bootcamp-Curriculum reviewen. ChatGPT spuckt ohne spezifischen Kontext generisches Zeug aus. Dann die tiefen fachlichen Fehler benennen, nochmal fragen – plötzlich sagt das Modell, es habe jetzt erst das nötige Wissen aktiviert und kann tatsächlich tief reingehen.

Das LLM weiß, was es braucht. Es bekommt es nur meistens nicht.

Was Product Analyst AI deswegen baut: einen Kontext-Layer. Was bedeuten die Event-Namen wirklich – denn die heißen oft nicht "conversion_event", sondern irgendein kryptischer String. Wie wird Churn Rate in dieser Firma berechnet? Welche Segmente gibt es, die immer wieder auftauchen? Welche Metriken sind already definiert?

Das alles wird einmal erarbeitet – aktuell noch manuell im Onboarding – und dann dem Agent als strukturierter Kontext zur Verfügung gestellt. Der Agent zieht sich Kontext und ruft deterministische Berechnungsfunktionen auf. Kombiniert beides. Gibt verlässliche Antworten.

These 1: Prompt-Qualität ist weniger wichtig als Kontext-Management. Wer Kontext strukturiert einbaut, kriegt dramatisch bessere Ergebnisse.

These 2: Die Leute, die heute schon großen Wert aus AI ziehen, und die, die sagen "ist ja alles generisch" – die unterscheiden sich fast ausschließlich darin, wie gut sie Kontext managen.

Datenzugang für alle – nicht nur Produkt

Customer Success fragt sich, ob der Upsell vom letzten Quartal bei einem Account überhaupt genutzt wird. Sales will wissen, welche Kunden Absprungs-Signale zeigen. Marketing würde gerne sehen, welche Features tatsächlich zur Aktivierung führen. All das steckt in den Daten.

Aber Mixpanel-Zugang hat meist nur Produkt. Und selbst dort weiß oft keiner wirklich, was in den Daten steckt.

Das ist das größere Bild hinter Product Analyst AI: nicht nur PMs bedienen, sondern Datenzugang für alle Teams im Unternehmen ermöglichen. Ohne dass jeder Mixpanel lernen muss. Ohne Ticket an das Datenteam. Ohne drei Wochen warten.

These: Die meisten Firmen haben ein Datenzugangs-Problem – und halten es für ein Datenanalyse-Problem. Der Fix ist nicht mehr Dashboards bauen. Der Fix ist, Fragen direkt beantwortbar zu machen.

AI im Unternehmer-Alltag – was sich wirklich verändert hat

Als Zweier-Founding-Team können Nico und sein Co-Founder heute Arbeit tun, die früher entweder liegengeblieben wäre oder externe Ressourcen erfordert hätte, die man als kleines Team schlicht nicht hat.

Konkret: Aus der LinkedIn-Connection-Liste 5.000 relevante Unternehmen herausfiltern. Neue Anmeldungen automatisch qualifizieren – bei welcher Firma arbeiten die, welches Problem könnten sie haben, passen die zu uns? Ein Python-Script, das früher einen halben Tag manueller Arbeit bedeutet hätte, entsteht jetzt in Minuten.

Nico sagt es direkt: Das revolutioniert jeden Teil seiner Arbeit. Nicht im Sinne von "ich muss nicht mehr denken". Im Gegenteil – die Qualität der eigenen Gedanken ist jetzt der Bottleneck, nicht die Umsetzbarkeit manueller Aufgaben.

These 1: KI nimmt keine Jobs weg. Sie ermöglicht Arbeit, die vorher schlicht nicht stattgefunden hat – weil die Ressourcen fehlten.

These 2: Mit AI-Unterstützung wird man als Unternehmer nicht effizienter in dem, was man schon gemacht hat. Man kann plötzlich Dinge tun, die vorher schlicht nicht im Bereich des Möglichen lagen.

Der Suchtfaktor – und warum Abstand wichtig bleibt

Nico läuft. Viel. Idealerweise Trailrunning in den Bergen. Und er reist. Montenegro, Bali. Nicht als Auszeit, sondern als notwendiger Kontrastwechsel.

Der Hintergrund: Wenn repetitive Arbeit wegfällt und fast nur noch strategisches Denken übrig bleibt, wird mentale Klarheit zum eigentlichen Bottleneck. Früher konnte man "Kopf ausschalten und einfach machen". Das geht jetzt nicht mehr.

Gleichzeitig: AI-Tools haben einen extremen Suchtfaktor. Schnelle Ergebnisse, ständige Dopaminstöße – Bumm, Ergebnis. Noch eine Iteration, bang, besser. Markus vergleicht das direkt mit Social Media. Und trifft damit einen Nerv.

Naval Ravikant hat dazu einen passenden Tweet: "Play long-term games with long-term people." Das ist genau das Gegenteil vom Hustle-ADHS, das gerade in AI-Kreisen kursiert.

These 1: Je mächtiger AI-Tools werden, desto wichtiger wird der Rhythmus drumherum. Wer das nicht aktiv gestaltet, verbrennt.

These 2: Außerhalb der eigenen Bubble bleiben ist gerade strategisch wichtig – nicht nur persönlich. Wer nur innerhalb der AI-Early-Adopter-Welt lebt, verliert das Gefühl dafür, was die Mehrheit der Menschen braucht und versteht.

Signal vs. Noise – wie man nicht den Überblick verliert

Alle haben FOMO gerade. Die Größten der Szene inklusive. Die Frage ist nicht mehr, ob man was verpasst – sondern wie man trotzdem handlungsfähig bleibt.

Nicos Antwort: Drei, vier Leute finden, die nicht Meinungen teilen, sondern zeigen, wie sie es machen. Denen folgen. Den Rest ausblenden.

These: Taktisch in AI-Tools einzutauchen ist gerade einer der strategischsten Schritte, die man machen kann. Wer versteht, wie diese Werkzeuge wirklich funktionieren, hat einen fundamentalen Vorteil – genau wie beim Aufkommen des Internets oder von Mobile.

Links

Gast:

• Product Analyst AI → https://productanalyst.ai
• Nico auf LinkedIn → https://linkedin.com/in/niconoll
• Nico auf Twitter/X → https://twitter.com/niconoll

Im Gespräch erwähnte Tools:

• Amplitude → https://amplitude.com
• PostHog → https://posthog.com
• Mixpanel → https://mixpanel.com
• Google Analytics → https://analytics.google.com
• ChatGPT → https://chat.openai.com
• Tweet von Naval Ravikant

Mein nächster AI Augmented PM Kurs, Start 18.05.2026

Kapitel

00:00 Einführung in Product Analyst AI 03:31 Die Lücke im Datenmanagement 06:16 Die Rolle der AI in der Datenanalyse 09:35 Komplexität der Datenfragen 12:19 Parametrisierung und Kontextualisierung 15:25 Herausforderungen der Dateninterpretation 18:32 Die Zukunft der Datenanalyse mit AI 21:23 Demokratisierung von Datenzugang 27:52 Die Herausforderungen der Datenanalyse 31:56 Die Entstehungsgeschichte des Produkts 35:13 Die Rolle von AI im Unternehmertum 38:13 Technologische Einflüsse auf Produktentwicklung 41:07 Intelligente Nutzerinteraktionen mit AI 43:22 Das Leben außerhalb der Arbeit 48:26 Langfristige Perspektiven in einer schnelllebigen Welt 52:46 Outro