Bei unserem Online Meetup zum Thema Customer Journey verbessern mit Behavioral Economics & intelligenter Technologie blieben einige Fragen unbeantwortet. Wir haben sie zusammengetragen und von den Vortragenden beantworten lassen.

Gibt es ein übergeordnetes Wertesystem, das diese vorgestellten Methodiken gemeinsam einordnet?

Was inovex und elaboratum vereint – und was auch die Motivation für die gemeinsame Veranstaltung war – ist unsere Überzeugung, dass die Kombination aus intelligenter Technik und angewandter Psychologie ein enormes Potenzial für die Verbesserung der Nutzererfahrung hat. Nach der gemeinsamen Veranstaltung sind wir uns noch sicherer als zuvor: Technik braucht Psychologie. Psychologie braucht Technik.

Die Beispiele bezogen sich alle stark auf Marketing und die Online-Welt. Gibt es auch positive Erfahrungen bzgl. der Lenkung von Kunden bei Kundenservices?

Wichtig ist die Betrachtung und Optimierung der gesamten Customer Journey. Eine exzellente Kundenerfahrung ist mit der ersten Bestellung nicht abgeschlossen, sondern fängt gerade erst an. Genauso ist die Customer Experience nicht auf die Online-Welt zu begrenzen. Im Rahmen der fortschreitenden Digitalisierung finden immer mehr Interaktionen über digitale Kanäle außerhalb der klassischen Online-Welt statt. Die Grenzen zur ursprünglichen, ortsgebundenen Online-Erfahrung lassen sich angesichts all der Smartphones, Tablets und ähnlicher mobiler Geräte immer weniger stark ziehen. Somit nimmt auch die Anzahl der Kundenservices zu, die in digitalen Kontexten stattfinden. Die vorgestellten Ansätze und Methoden lassen sich also auf die gesamte Customer Journey anwenden und damit unbedingt auch auf die Services sowie auf die digital unterstützten Interaktionen in der “realen” Welt.

Könnt ihr bitte noch ein Beispiel geben, wie man die anfangs erwähnte Verlust-Aversion nutzen kann?

Verlust-Aversion heißt: Menschen nehmen Verluste intensiver wahr als Gewinne. Was wir als Verlust oder Gewinn wahrnehmen, hängt dabei häufig von der Darstellung ab. Ein Beispiel: Einige Reiseanbieter legen ihren Kunden die passende Reiserücktrittsversicherung bereits mit in den Warenkorb. Kunden haben zwar die Freiheit, die Versicherung abzuwählen – das fühlt sich dann aber tendenziell als Verlust an. Im Ergebnis werden mehr Leute die Versicherung abschließen als wenn diese lediglich als Zusatzoption angeboten wird.

Warum gibt es trotz des Fachwissens (von beiden Seiten) z. B. noch so schlechte Amazon-Vorschläge (Beispiel: “Dasselbe Buch noch einmal kaufen”)?

Wie genau Amazon oder andere Online-Händler ihre Empfehlungen berechnen, können wir von außen nicht genau beurteilen. Mögliche Gründe für schlechte Vorschläge können unzureichende System-Integrationen sein (das Empfehlungssystem bekommt nichts oder zu spät etwas von den Käufen mit) oder die Nutzung von stark vereinfachten methodischen Ansätzen (z. B. reine Empfehlung der Topseller).

Wie Vorschläge von Recommender-Systemen wahrgenommen werden, hängt in jedem Fall stark von der jeweiligen Darstellung ab. Ob eine Empfehlung beispielsweise von Fachleuten, von anderen Kunden oder einem Algorithmus kommt, weckt unterschiedliche Erwartungen und wirkt sich unterschiedlich auf die Kundenentscheidung aus.

Der ausgeschriebene Kfz-Verkaufspreis ist oft nicht der, zu dem abgeschlossen wird. Wo kommen zuverlässige Labels her?

Falls Autos tatsächlich zu einem anderen Preis verkauft werden als im Angebot vermerkt, ist diese Information für die Modelle nicht transparent und kann somit nicht in die Preisbewertung einfließen. Aus der Erfahrung hat sich jedoch gezeigt, dass bereits der eingetragene Verkaufspreis ein hilfreiches (wenn auch möglicherweise nicht perfektes) Signal zur Preisbewertung ist.

Gibt es Ethikgrundsätze, die elaboratum in Projekte bringt? Es geht ja durchaus bei Recommendern & Co. in das Kundenverhalten manipulierende Ansätze.

Mit PsyConversion beeinflussen wir Entscheidungen. Die Frage nach den ethischen Grenzen liegt hier selbstverständlich nahe und ist uns bei elaboratum besonders wichtig. Wir haben uns im Team auf einen Code of Conduct verständigt, nachdem wir unsere Beratungs- und Konzeptionsleistungen strikt ausrichten. Der wichtigste Leitsatz: Das Interesse des Kundens steht ehrlich und unmittelbar im Vordergrund. Wir unterstützen keine Ideen, bei denen Kunden in die Irre geführt werden oder Kundenbedürfnisse untergraben werden.

Was war der Beweggrund, ein Deep Learning Recommender Systems zu wählen vs. z. B. Collaborative Filtering? Wie habt ihr den Erfolg gemessen?

Deep Learning wurde im konkreten Projekt insbesondere für die Vorverarbeitung der textuellen Informationen verwendet (Extraktion von kategorialen Werten aus Freitext-Feldern). Der Erfolg wurde nach dem Deployment des Recommenders anhand des direkten Nutzer-Feedbacks gemessen (via Tracking).

Hat es bei der Preisampel noch keine Beschwerden gegeben? Kommt mir vor wie Google-Rating — Es gibt ja hier die Käufer-Journey und die Verkäufer-Journey, die zum Erfolg kommen wollen … auf der Plattform, die ihr vertretet.

Da die Preisampel mehr als grobe Orientierung gedacht ist und weniger als bewertendes Merkmal wahrgenommen wird, sind uns keine negativen Rückmeldungen bekannt; wir können aber nicht ausschließen, dass diese bei unserem Kunden aufgetreten sind.

Die bisherigen Empfehlungen (Bsp. Netflix, Google, Algorithmen in Social Media …) lassen mich als Kunden aber noch die menschliche Komplexität vermissen. Als Mensch bin ich nicht eindimensional und möchte mich nicht aufgrund bisheriger Entscheidungen in einer Filterblase wiederfinden, sondern auch andere Bereiche sehen. Wie kann man dies berücksichtigen mit KI/ML?

Dies ist ein sehr nachvollziehbarer Wunsch – hierzu gibt es beispielsweise Ansätze im Bereich der “Diversification” der Empfehlungslisten, wie beispielsweise https://openproceedings.org/2009/conf/edbt/YuLA09.pdf oder http://www2.informatik.uni-freiburg.de/~cziegler/papers/WWW-05-CR.pdf. Grundsätzlich ist das Muster hierbei, die Modelle eben gerade nicht eindimensional aufzubauen, sondern zum Beispiel über alternative Modelle neue Aspekte und Erkenntnisinteressen einzubringen.

Gibt es Erfahrungswerte bezüglich der Datenmenge, wann eine Erkenntnis aus der Anwendung eines Patterns valide ist?

In dieser Allgemeinheit ist das schwierig zu beantworten – insbesondere auch was die Definition von “valide” betrifft. Manche Muster, die bereits in einer kleinen Datenmenge relativ selten auftreten, können bereits im konkreten Kunden-Use-Case nützlich sein; andere werden erst durch sehr häufiges Auftreten in sehr großen Datenmengen relevant.

Sind im Buch die diversen Behavior Patterns beschrieben und deren Einsatzmöglichkeit?

Exakt: Das Sachbuch PsyConversion von Dr. Philipp Spreer beschreibt 101 Behavior Patterns und erklärt den Einsatz zur Optimierung moderner Customer Journeys. Klare Kaufempfehlung. 🙂

Mehr zum Thema Omnichannel