Dadurch kann dem nächsten Nutzer ein minimal besseres Suchergebnis angezeigt werden.
Diese Verbesserung führt gleichzeitig zu einem Alleinstellungsmerkmal. Denn während die Stammdaten (im Falle von Google die Websites und Links) für alle theoretisch zugreifbar sind, sind es die Transaktionsdaten nicht (im Falle von Google die Klicks auf die Links). Die Interaktion des Nutzers mit dem Produkt liefert die notwendige Information, um das Produkterlebnis langfristig besser zu gestalten, als es der Konkurrenz möglich ist.
Bei der Gestaltung der Feedbackschleife sollten die folgenden Aspekte betrachtet werden:
Zieldefinition
Zunächst sollte definiert werden, mit welchem Ziel Feedback eingesammelt werden soll. Die Zielerreichungsgrößen aus der Wertschöpfungskettenanalyse bilden hier einen wertvollen Input. An welchen Stellen werden Informationen über das Nutzerverhalten benötigt, um das Produkt zu verbessern? Man kann den Nutzer eines Dienstes hier durchaus als Leistungsanbieter verstehen, der durch seine Tätigkeit die Dienstleistung verbessert. Die Produktnutzung wird also selbst zum eigentlichen Produkt, nur dass der Anbieter dieses Produkt konsumiert.
Am Beispiel des Fahrzeugmarktplatzes wird das deutlich. Der Anbieter des Marktplatzes weiß zunächst nicht, welches Auto der Nutzer präferiert. Durch sein Such-, Klick- und Weiterleitungsverhalten kann der Anbieter implizit auf die Präferenzen des Nutzers schließen. Das Ziel ist also, ein möglichst gutes Bild über die Präferenzen des Nutzers herauszuarbeiten.
Wert für den Nutzer
Damit der Nutzer das gewünschte Feedback auch gibt, muss dieses auch einen Mehrwert für den Nutzer haben – es ist also fast schon ein eigenes Datenprodukt. Zum Beispiel bietet die Weiterleitung einer Anzeige an einen Bekannten den Mehrwert, die soziale Interaktion zu fördern.
Häufig genutzte Muster, um den Nutzer zu Feedback zu motivieren, sind die Weiterleitung, die Darstellung der persönlichen Auswahl innerhalb einer Grundgesamtheit, die Dokumentation im Sinne eines zeitlichen Verlaufs und Ähnliches.
Flow
Im besten Fall nutzt man das Feedback des Nutzers, um den Nutzer im Flow-Zustand zu halten [Fogg 2002]. Hierbei sind insbesondere die User Experience und Interface Designer gefragt. Die Interaktion erzeugt zum Beispiel Daten, für deren Aggregation über alle Nutzer sich der Einzelne interessiert.
Ein typisches Beispiel findet sich bei YouTube.5 Sobald ein Video beendet ist, wird das nächste geöffnet und abgespielt. Die Beendigung des Streams kann dann als Feedback für die Präferenzen des Nutzers gewertet werden.
Community pflegen
In dem Moment, in dem die soziale Interaktion mit dem Produkt zum Mehrwert für den Nutzer wird, spielen auch andere Kunden 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 und Kunden 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, gegebenenfalls durch Gamification-Ansätze, zum Austausch zu motivieren.
Als Beispiel seien hier die Rezept-Communitys von Geräten zur Unterstützung des Kochens genannt. Die Community sorgt dafür, interessante Rezepte zu definieren und zu bewerten. Dadurch wird das Kocherlebnis mit dem Gerät kontinuierlich verbessert.
Serendipität
Einen wichtigen Aspekt darf man bei Feedbackschleifen nicht vergessen: die Gefahr des Overfittings. Wenn ein Modell trainiert wird, kann es passieren, dass dieses Modell sehr gut zu den Trainingsdaten passt, aber keine oder wenig Aussagekraft für neue Inputdaten hat. Dies kann zum Beispiel passieren, wenn ein Empfehlungssystem nur mit dem Feedback einer bestimmten Kundengruppe trainiert wird. 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. Durch die Zufallsbeimischung wird Serendipität ermöglicht, also die ungeplante Entdeckung von neuen Zusammenhängen.
Klein anfangen
Viele Feedbackprodukte 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 Feedbackmechanismus im Griff hat, kann man sich ausgefalleneren Methoden widmen.
Platform Mindset: Nutzung für verschiedene Produkte
Zum Schluss sei noch auf den Plattform-Gedanken hingewiesen. 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 der einzelnen Produkte regelmäßig austauschen. Inhaltlich sollten sie dabei über ihre spezifischen Herausforderungen sprechen und nach wechselseitigen 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 [Pinto et al. 2004].
Da die Distribution von Daten quasi nichts kostet, hat der Anbieter von Datenprodukten die Freiheit, seinen Markt selbst zu modellieren – beispielsweise indem er wertvolle Daten verschenkt, damit er sich durch noch wertvollere Informationen über die Nutzung dieser Daten »bezahlen« lassen kann (vgl. [Rochet & Tirole 2003]). Wie beim Erfolgsfaktor Community schon angedeutet, ist nicht jeder Nutzer des Datenprodukts gleichzeitig auch ein Käufer. Manche Nutzer bekommen nur deswegen Zugriff auf ein Produkt, damit sie es verbessern und am Ende jemand für das verbesserte Produkt – oder ein Derivat des Produkts – Geld bezahlt. Die Zusammenhänge zwischen den einzelnen Gruppen, Nutzern und Käufern muss man modellieren und gegebenenfalls über den Lebenszyklus hinweg verändern. Manchmal kostet ein Produkt z.B. in der Einführungsphase nichts, wird aber später kostenpflichtig (z.B. der Tesla Autopilot). Oder der Nutzer selbst zahlt nichts, aber das Aggregat ist sehr wertvoll, wie das Beispiel von Foursquare zeigt [Glueck 2017]. Bei der Ausgestaltung dieser Modellierung hilft einem das Konzept der zweiseitigen Märkte aus der Volkswirtschaftslehre (vgl. Abb. 4–2). Eine nähere Betrachtung dieses Aspekts geht über die Zielsetzung dieses Artikels hinaus.
Abbildung 4–5 zeigt die unterschiedlichen Phasen und Schritte der Datenproduktentwicklung noch einmal im Überblick.
Abb. 4–5 Prozessüberblick für die Konzeption und Entwicklung von Datenprodukten
