Hinweis:
Dieser Blogartikel ist älter als 5 Jahre – die genannten Inhalte sind eventuell überholt.
Da Daten ohne Kosten verteilt und kopiert werden können, ist es mitunter schwierig, ein Alleinstellungsmerkmal für einen Online-Dienst oder eine Webseite zu finden. Die Nutzung von Daten, die während des Gebrauchs einer Website oder eines Dienstes anfallen, die Interaktionsdaten, können ein Alleinstellungsmerkmal für das Produkt erzeugen. Dies ist sowohl aus geschäftlicher Sicht als auch aus technischer Sicht sinnvoll, wie ich in meinem letzten Artikel über den Feedback Loop verdeutlicht habe. Heute werde ich meiner Ankündigung gerecht, eine Checkliste mit den wichtigsten Aspekten für die Erstellung eines Feedback Loops zu präsentieren.
Hier kommen meine 7 Checkpoints für die Erstellung eines guten Feedback Loops:
Ziel-Definition
Beginnen Sie mit dem Ziel. Welches Alleinstellungsmerkmal wollen Sie erzeugen? Damit sie nicht im luftleeren Raum agieren, ist mein Vorschlag, sich aus dem Methodenbaukasten des Geschäftsmodell-Designs zu bedienen und die Value Proposition Canvas anzuwenden. Allerdings nicht in der vorgesehenen Form, sondern mit einem kleinen Twist: Normalerweise steht auf der linken Seite des VPC das Produkt und auf der rechten Seite der Kunde mit seinen Jobs. Für die Ziel-Definition der Feedback Loop bietet es sich nun an, auf die linke Seite die Produktnutzung zu schreiben. Die Produktnutzung wird also selbst zum eigentlichen Produkt, mit entsprechenden Gain Creators und Pain Relievers. Dieses Produkt bieten Kund:innen/Nutzer:innen uns an. Die Gain Creators oder Pain Relievers können auf der Seite des Unternehmens, also bei Ihnen, dazu genutzt werden, Gains und Pains zu befriedigen. Die Nutzung des Produkts durch den/die Nutzer:in, also sein Feedback, dient dazu, Ihre Herausforderungen zu lösen. Wenn sie also mögliche Gains und Pains mit Ihren Herausforderungen kombinieren, können Sie das Ziel der Feedback Loop definieren.
Ein Beispiel von LinkedIn: Headhunter bezahlen LinkedIn Geld für den Zugang zu einer guten Suche, damit sie passende Kandidaten im Netzwerk besser finden. Für Headhunter ist es wichtig, validierte Skills der Kandidat:innen als Suchkriterium zu nutzen. LinkedIn muss also dafür sorgen, dass zu jedem Profil validierte Skills hinterlegt sind, in einer möglichst einheitlichen und vergleichbaren Form. Jetzt gilt es also, Nutzer:innen davon zu überzeugen, diese Daten in der entsprechenden Qualität preiszugeben.
Diese Methode haben wir in unserem Beitrag auf der Konferenz „mtp Engage“ im April 2017 vorgestellt.
Value Proposition
Nach der Definition, welchen Mehrwert Sie als Unternehmen von der Feedback Loop haben, gilt es nun den Mehrwert des Feedbacks für den Kunden zu definieren. Wir gehen an dieser Stelle davon aus, dass unser Produkt grundsätzlich einen Mehrwert bietet. Um beim Beispiel von LinkedIn zu bleiben: Nutzer:innen finden es grundsätzlich sinnvoll, ihre Kontakte über LinkedIn zu pflegen und ein Profil mit ihren Kenntnissen anzulegen. Wir können uns also auf den Mehrwert aus der Datenerzeugung konzentrieren. Hierbei hilft die Perspektive, dass Daten auf bestimmte Weise Nutzen stiften. Sie unterstützten Entscheidungen, sie dienen der sozialen Interaktion, befriedigen Neugierde oder werden zu Entertainment-Zwecken genutzt. Der Feedback Loop sollte also darauf aufbauen, dass ein Mehrwert für den Kunden aus einem dieser Aspekte heraus kreiert wird. Dabei stehen die Nutzer:innen und die Nutzung im Mittelpunkt. Sie empfinden einen direkten Mehrwert.
Bleiben wir beim LinkedIn-Beispiel: Jede:r Nutzer:in kann zu seinem/ihrem Profil Skills aus einem Katalog hinzufügen. Weiterhin können andere Nutzer:innen die Skills bewerten. Da der/die Nutzer:in neugierig ist, wie andere seine/ihre Skills einschätzen, muss er/sie selbst Skills bewerten. Je mehr Skills er/sie bewertet, desto mehr Bewertungen bekommt er/sie selbst. Außerdem schlägt LinkedIn weitere Skills vor, so dass die Skill-Beschreibung vollständiger wird. Dabei hilft es, wenn Nutzer:innen des Services in einen gewissen Flow kommt.
Flow
Der Aspekt des Flows ist bei vielen digitalen Produkten entscheidend. Hierbei sind insbesondere die User Experience und Interface Designer:innen gefragt. Datenprodukte können einerseits einen Beitrag für den Flow leisten. Die Interaktion erzeugt zum Beispiel Daten, für deren Aggregation über alle Nutzer:innen sich der/die Einzelne interessiert. DJ Patil sei hier mit dem Satz „Give data back to the user to create additional value“ zitiert. Andererseits dient die User Experience natürlich auch dazu, die Feedback Loop aufrechtzuerhalten.
LinkedIn schlägt einem immer wieder neue Personen vor, deren Skills man bewerten soll. Dieser Vorschlag erfolgt so fließend, dass man geneigt ist, immer weiter die Skills der anderen zu bewerten. Damit genügend Menschen zusammenkommen, die Feedback geben können, benötigt man eine Community.
Community pflegen
In dem Moment, in dem die soziale Interaktion mit dem Produkt zum Mehrwert für Kund:innen wird, spielen auch andere Kund:innen eine Rolle. Neugier, Entertainment und Interaktion mit anderen Menschen stehen selten alleine, sondern werden besonders spannend im Vergleich zu anderen Nutzern. Daher sollte man die Gruppe der eigenen Nutzer:innen und Kund:innen als Community begreifen und diese auch als solche behandeln. Dabei geht es vor allem darum, den Austausch zwischen den Mitgliedern der Community einfach zu gestalten und die Community, ggf. durch Gamification-Ansätze, zum Austausch zu motivieren.
Im Falle von LinkedIn stehen hier die Likes, Shares und Kommentare im Vordergrund. Bei LinkedIn ist der Community-Gedanke relativ offensichtlich, daher möchte ich an dieser Stelle die Rezeptwelt von Vorwerk zum „Thermomix“ (https://www.rezeptwelt.de/) erwähnen. Vorwerk pflegt die Community seiner Nutzer:innen, um die Vielfalt an Rezepten zu verbreitern und damit die Interaktion mit dem Gerät zu erhalten.
Serendipity
Einen wichtigen Aspekt darf man bei Feedback Loops nicht vergessen: Die Gefahr des Overfittings. Wenn Sie ein Modell trainieren, kann es passieren, dass dieses Modell sehr gut zu den Trainingsdaten passt, aber keine oder wenig Aussagekraft über neue Input-Daten hat. Dies kann zum Beispiel passieren, wenn Sie ein Empfehlungssystem mit Feedbacks von einer bestimmten Kundengruppe trainieren. In dem Fall kann es sein, dass das Modell nicht oder schlecht zu den Bedürfnissen einer anderen Kundengruppe passt. Daher ist es sinnvoll, in Empfehlungen immer wieder etwas Zufall einfließen zu lassen. Ein gängiger Wert für Zufall gegenüber Vorhersagen aus dem Modell liegt zwischen 10 und 20 Prozent.
Bei den LinkedIn-Skills können Sie diese Idee beobachten, nämlich wenn Ihnen plötzlich Skills zur Bewertung vorgeschlagen werden, die Sie noch nie gesehen haben oder die auch nicht in Ihren Skills vorkommen.
Klein anfangen
Viele Feedback-Produkte fangen mit sehr einfachen Mitteln an. Zum Beispiel kann man mit simplen Aggregationen starten: Wie viele Menschen waren auf der Seite? Wer hat sich was angesehen? Sobald man den Feedback-Mechanismus im Griff hat, kann man sich ausgefalleneren Methoden widmen.
So hat LinkedIn zunächst ausgewertet, wer und wie viele Personen sich ein Profil angesehen haben. Aus dieser Aggregation wurden später die Empfehlungen, z. B.: Wen könnte der/die Nutzer:in noch kennen? Vielleicht baut LinkedIn den Dienst irgendwann mit Predictions aus und sagt den Nutzer:innen wen man noch kennenlernen wird?
Platform Mindset: Use for Different Products
Zum Schluss möchte ich noch auf den Plattform-Gedanken hinweisen. Transaktionsdaten, die in einem Dienst erzeugt werden, können hilfreich für einen weiteren Dienst sein oder sogar dessen Grundlage bilden. Die unterschiedlichen Produkte können sich damit gegenseitig helfen. Dafür ist ein zentraler Bestandteil, dass sich die Produktmanager:innen der einzelnen Produkte regelmäßig austauschen. Inhaltlich sollten sie dabei über ihre spezifischen Herausforderungen sprechen und mit der umgekehrten Value Proposition Canvas nach Datenlösungen suchen. Technisch sollten sie an einem gemeinsamen Datenmodell arbeiten. Das heißt nicht, dass alle Daten von Anfang an in einem gemeinsamen Datenmodell integriert sein müssen. Datenobjekte, die einen gemeinsamen Wert darstellen, sollten allerdings kontinuierlich in ein gemeinsames Modell überführt werden.
Fazit
Der Einstieg in einen gelungenen Feedback Loop sollte sich so einfach wie möglich gestalten. Es ist nicht notwendig, im ersten Schritt gleich die ausgefallensten maschinellen Lernverfahren zu benutzen. Manchmal reicht auch schon eine einfache Aggregation, um einen Mehrwert für den Kunden anzubieten. Man muss auch nicht gleich in einem kompletten Ökosystem denken, um die Vorteile des Feedbacks auszunutzen.
Dazu interessiert mich natürlich auch Ihre Meinung und ich freue mich auf Kommentare!
