Predictive Analytics für UX: Vollständiger Leitfaden & Tools
Selbst mit den besten prädiktiven Analysen am Markt können wir die Zukunft nicht mit 100%iger Genauigkeit vorhersehen. Dennoch – und zum Glück für uns – sind Menschen vorhersehbare Wesen. Das bedeutet, dass Sie das vergangene Verhalten Ihrer Nutzerinnen und Nutzer nutzen können, um recht genau einzuschätzen, was sie als Nächstes tun werden.
Im Produktmanagement und in der Datenanalyse nennen wir diesen Prozess „prädiktive Datenanalyse“ und sie gehört zu den wertvollsten Werkzeugen, um Produkte mit einer herausragenden Nutzererfahrung (UX) zu entwickeln.
Schauen wir uns also an, was prädiktive Analytik bedeutet und wie Sie sie nutzen können, um Ihre UX zu optimieren.
Du willst mehr vom The CPO Club?
Registriere dich für eine kostenlose Mitgliedschaft, um diesen Artikel vollständig zu lesen:
Have an account? Log In
Worum geht es bei prädiktiver Analytik?
Prädiktive Analytik ist ein fortgeschrittener Ansatz aus der Datenwissenschaft, bei dem Produkt- und Nutzerdaten analysiert werden, um vorherzusagen (daher der Begriff „prädiktiv“), welche Aktionen Ihre Nutzerinnen und Nutzer durchführen werden und wie sich Ihr Produkt in Zukunft entwickeln wird.
Im Wesentlichen geht es darum, Ihre Daten mithilfe von statistischen Modellen, spezialisierten Tools und maschinellen Lernalgorithmen zu betrachten, um bestimmte Verhaltensmuster zu erkennen. Wenn man davon ausgeht, dass diese Muster auch zukünftig relativ stabil bleiben, lassen sich diese Daten extrapolieren und fundierte Annahmen über die künftige Nutzung treffen.
Hinweis: Das ist alles sehr oberflächliche Information, aber wir kratzen hier an der Oberfläche einer wertvollen Kompetenz. Um tiefer einzusteigen, empfehle ich Ihnen, unsere Liste der Kurse zu Produktanalytik anzuschauen und alle ein bis zwei Jahre einen davon zu absolvieren.
Die Vorteile prädiktiver Analytik umfassen:
- Höhere Qualität bei Entscheidungen: Mit einem klaren Blick darauf, was als Nächstes kommt, können Sie Entscheidungen treffen, die mit größerer Wahrscheinlichkeit zum Erfolg führen.
- Höhere Effizienz: Prognosen ermöglichen es Ihnen auch, potenzielle Effizienzprobleme in der Zukunft zu erkennen, wenn alles beim Alten bleibt. So erhalten Sie die Chance, Ihre Effizienz im Voraus zu steigern. Das kann helfen, Kosten zu senken, Preise günstiger zu gestalten und einen deutlichen Wettbewerbsvorteil zu erzielen.
- Besseres Risikomanagement: Bestimmte Arten der prädiktiven Analytik helfen Ihnen dabei, bevorstehende geschäftliche/rechtliche/finanzielle Risiken zu erkennen. Auch hier gilt: Sie können diese Risiken verhindern, bevor sie auftreten.
- Bessere Personalisierung für Nutzer: Personalisierte Funktionen und Inhalte sind das Nonplusultra der Nutzererfahrung. Mit prädiktiver Analytik können Sie Ihre Nutzer mit Vorschlägen und Erlebnissen begeistern, die bestmöglich zu ihren Bedürfnissen passen.
Klingt fantastisch, oder?
Ja, aber es gibt einen Haken. Es ist unmöglich, eine zu 100% genaue Vorhersage über zukünftige Ergebnisse zu machen. Schließlich sind wir keine Wahrsager aus einem Fantasy-Rollenspiel.
Welche Prognose Sie auch immer erhalten – sie wird bestenfalls zu 70-80% genau sein. Behalten Sie das im Hinterkopf, wenn Sie auf Basis Ihrer Ergebnisse wichtige Entscheidungen treffen.
Beispiele für prädiktive Analytik bei bekannten Produkten
Der Mangel an absoluter Genauigkeit bedeutet jedoch nicht, dass Sie nicht von diesen Prognosen profitieren können. Im Gegenteil: Prädiktive Analytik ist für einige der berühmtesten Produkterfolge verantwortlich.
Hier sind drei Erfolgsbeispiele namhafter Tech-Unternehmen als Beleg.
Beispiel 1: Die berühmte Empfehlungstechnologie von Netflix
Einer der Hauptgründe, weshalb Menschen Netflix lieben, ist die Fähigkeit, großartige Sendungen zu empfehlen. Tatsächlich ist die Empfehlungstechnologie einer der beiden Schlüsselfaktoren hinter dem Erfolg von Netflix (der andere ist die fantastische Infrastruktur für Content Delivery).
Netflix nutzt künstliche Intelligenz und statistische Verfahren, um die Vorlieben jeder Nutzerin und jedes Nutzers zu verstehen und Sendungen vorzuschlagen, die ihr oder ihm gefallen könnten.
Im Wesentlichen schauen sie sich an, welche Sendungen Sie in der Vergangenheit angesehen haben, ob Sie diese übersprungen oder bis zum Ende geschaut haben und welche Interessen in Ihrer Region bestehen, um Kategorien und Sendungstypen vorherzusagen, die Ihnen gefallen könnten.
Sie erstellen sogar für Ihre Interessen personalisierte Thumbnails.
Wenn Netflix feststellt, dass Sie viele Filme/Sender mit einem bestimmten Schauspieler sehen, bekommen Sie eine Version des Vorschaubildes, auf dem dieser Schauspieler im Vordergrund steht. (Und falls Sie das bisher nicht wussten, werden Sie es ab jetzt immer sehen!)
Amazons antizipierender Versand
Erinnern Sie sich, als ich erwähnte, wie man mit prädiktiver Analytik die Effizienz steigern kann? Genau das macht Amazon mit seinem Prozess des antizipativen Versands.
Wie sich herausstellt, ist das Kaufverhalten von Menschen ziemlich vorhersehbar. Wir tendieren dazu, bestimmte Produkte in regelmäßigen Abständen zu kaufen (z. B. Waschmittel jeden Monat) oder saisonal begrenzt (Weihnachtsdekoration usw.). Zum Glück für Amazon verfügen sie über all diese Daten und können darauf prädiktive Analysen anwenden.
Mit Hilfe ihrer statistischen Modelle sind sie in der Lage, die richtigen Produkttypen (und in der richtigen Menge) im Voraus an ihre Lagerhäuser zu schicken. Das ermöglicht es ihnen, die Versandzeit an Endverbraucher erheblich zu verkürzen und die Menge an Produkten zu reduzieren, die zurück an ein anderes Lager geschickt werden müssen, wo eine höhere Nachfrage herrscht.
So sieht der Prozess in ihren Patentanmeldungen aus.
In diesem speziellen Diagramm zeigt Amazon den Prozess der Änderung der Zieladresse des Produkts in Echtzeit.
Google Maps' Verkehrsvorhersagen
Ich liebe die Verkehrsfunktion in Google Maps. Sie ist unglaublich genau und schnell.
Und wissen Sie, wie sie diese Genauigkeit erreicht haben? Genau – durch prädiktive Analytik!
Google verfügt praktisch über die meisten Daten aus einer beliebigen Stadt. Die überwiegende Mehrheit der Autofahrer benutzt ein Gerät mit Android oder einen anderen Google-Service mit aktivierter Geolokalisierung. Wenn also eine Gruppe von Smartphones auf der Autobahn langsam fährt, markiert Google dies als Stau.
Google ist aber auch in der Lage, deutlich intelligentere Lösungen zur Verkehrsprognose anzubieten. Sie wissen über die wichtigsten Veranstaltungen in nahezu jeder Stadt Bescheid (z. B. ein großes Sportereignis) und berücksichtigen dies auch bei der Planung von Routen. Haben Sie zum Beispiel eine einstündige Fahrt quer durch die Stadt vor sich und ein Spiel beginnt bald, wird der Google-Algorithmus Sie von den Hauptstraßen fernhalten, die wahrscheinlich von Sportfans überfüllt sein werden, wenn Sie die Gegend erreichen.
Bis jetzt haben wir prädiktive Analytik als generisches Werkzeug betrachtet, das Unternehmen zur Verfügung steht. Das heutige Hauptthema ist allerdings, wie Sie diese faszinierende Technik gezielt nutzen können, um Ihr UX zu verbessern. Lassen Sie mich also erklären, wie Sie Ihre UX-Forschung mit prädiktiver Analytik auf ein ganz neues Niveau heben.
Prädiktive Datenanalytik-Methoden für die UX-Forschung
Der Bereich der prädiktiven Analytik ist ziemlich groß, was die verschiedenen Techniken betrifft, die Sie zur Lösung alltäglicher Probleme anwenden können. Heute möchte ich mich aber auf die drei Methoden konzentrieren, die besonders gut auf die UX-Forschung anwendbar sind: Regressionsanalyse, Entscheidungsbäume und Zeitreihenanalyse.
Regression
Wenn Sie einen betriebswirtschaftlichen oder mathematischen Hintergrund haben, kommt Ihnen dieser Begriff vielleicht bekannt vor. Ja, es handelt sich um das klassische statistische Regressionsmodell, das Muster in Ihren Daten erkennt.
Praktisch ausgedrückt ist die Regression (genauer gesagt die lineare Regression) Ihre Trendlinie – eine Linie im Diagramm, die zeigt, ob die von Ihnen analysierte Nutzeraktivität steigt oder fällt.
Trendlinien sind etwas, das mein UX-Team und ich ständig in unseren Amplitude-Diagrammen nutzen, weil sie uns helfen, chaotische Daten in erkennbare Trends zu verwandeln und zu sehen, ob unsere UX-Änderungen einen positiven Effekt hatten.
Hier ein Beispiel für die Regression:
Wir haben vor drei Monaten mit dem UX-Team unseren Akquisitionsprozess optimiert und wollen nun prüfen, ob sich die Anzahl der Anmeldungen seitdem erhöht hat.
Dies ist ein Diagramm der Nutzeranmeldungen in den letzten 90 Tagen – können Sie erkennen, ob es wächst oder nicht?
Natürlich nicht, das Bild ist einfach zu unübersichtlich.
Lassen Sie mich die Messmethode im Diagramm über die Seitenleiste ändern.
Und eine Trendlinie hinzufügen.
Jetzt sieht das Anmeldediagramm so aus.
Mit der hinzugefügten Trendlinie erkennen wir, dass unsere Maßnahmen einen positiven Effekt auf die Akquise hatten. Aber dieser Unterschied ist zu gering, um statistisch signifikant zu sein, daher würde ich sagen, dass unsere UX-Änderungen keine wirkliche Auswirkung hatten.
Entscheidungsbäume
Entscheidungsbäume gehören zu den beliebtesten Strukturen von KI-Modellen, um deine Daten zu analysieren und daraus nützliche Schlussfolgerungen zu ziehen.
Ein neuronales Netzwerk nimmt in diesem Fall deinen ursprünglichen Datensatz und beginnt, ihn basierend auf bestimmten Bedingungen in Untergruppen aufzuteilen, die dann in weitere Gruppen aufgeteilt werden, und so weiter. Dadurch entsteht etwas, das wie ein auf den Kopf gestellter Baum aussieht.
Nachdem dieser Baum erstellt wurde, liefert dir der Algorithmus eine Antwort auf Basis der vorhandenen Daten. Im obigen Beispiel zeigt dir der Entscheidungsbaum, ob du mit dem Bus zur Schule fahren oder zu Fuß gehen solltest.
Schauen wir uns nun an, wie wir mit diesen Modellen UX-Probleme lösen können. Stell dir vor, du möchtest die Warenkorbabbruchrate in deinem Online-Shop senken. Wenn du den Entscheidungsbaum-Algorithmus auf deine Nutzerdaten anwendest, erhältst du folgendes Ergebnis.
Mit Blick auf den obenstehenden Entscheidungsbaum können wir die wichtigsten Faktoren erkennen, die die Abbruchrate beeinflussen. In diesem Fall sollten wir Features/UX hinzufügen, die:
- Menschen dazu ermutigen, den Checkout abzuschließen, bevor ihr Warenkorb größer wird.
- Sicherstellen, dass Versandkosten auf allen Geräten sichtbar und leicht erkennbar sind.
- Menschen dazu motivieren, sich einzuloggen.
- Unsere Seiten schneller machen.
Anschließend können wir weiterhin Vorhersageanalytik-Tools nutzen, um herauszufinden, welcher dieser Faktoren die Abbruchrate am stärksten beeinflusst—was uns hilft, diese Lösungen zu priorisieren.
Zeitreihenanalyse
Die Zeitreihenanalyse ist eine fortgeschrittene Gruppe von Modellierungstechniken. Wie der Name schon sagt, wird diese Art der Analyse auf spezielle Arten von Daten angewendet (hauptsächlich historische Daten, die an bestimmte Zeitpunkte gebunden sind).
Eine der besten Möglichkeiten, die Zeitreihenanalyse in deinen UX-Prozess zu integrieren, besteht darin, deine wichtigsten UX-Kennzahlen (z.B. Engagement, Abwanderung, Bindung etc.) anhand des Nutzerverhaltens in vergangenen Daten vorherzusagen und zu prüfen, ob sie sich in Zukunft verbessern werden oder nicht. Zeigen die Vorhersagen einen Rückgang der Metriken, ist das ein Signal, dass etwas nicht stimmt und du etwas unternehmen solltest.
Ich werde hier nicht näher darauf eingehen, wie man eine Zeitreihenanalyse durchführt, da wir im nächsten Schritt das Forecast-Feature von Amplitude betrachten werden, das diese Methodik verwendet.
Die besten Machine-Learning-Modelle und Services für prädiktive Analysen
Zu all den Vorteilen, die du mit prädiktiver Analytik erhältst, gibt es einen großen Nachteil—sie sind berüchtigt dafür, dass sie manuell schwer durchzuführen sind. Zum Glück gibt es im Internet zahlreiche Research-Tools und Lösungen, die diese analytischen Modelle per Knopfdruck für dich ausführen.
Schauen wir uns also an, wie du die verschiedenen Arten von Tools nutzen kannst, um die Zukunft deiner User Experience vorherzusagen.
Nutzung von Produktanalyse-Tools
Der schnellste und einfachste Weg, prädiktive Analysen durchzuführen, ist die Verwendung von relativ fortschrittlichen Produktanalyse-Tools. Für Routineaufgaben wird meistens Amplitude verwendet. Für komplexere Workflows, bei denen Data Mining erforderlich ist, können fortschrittliche Tools wie Domo oder Tableau in Betracht gezogen werden.
Aktuell ist Amplitude mein täglicher Begleiter für solche Anwendungsfälle. Ich zeige dir jetzt, wie du einige seiner Funktionen verwenden kannst, um die Zukunft deines Produkts vorherzusagen.
Prädiktive Kohorten
Die erste Funktion, die in Amplitude zu finden ist und dir dabei helfen kann, heißt „Prädiktive Kohorten“.
Amplitude nutzt KI-Modelle zur Vorhersage, um Nutzergruppen zu erstellen, die auf ihrer Wahrscheinlichkeit basieren, bestimmte Aktionen auszuführen oder sich in bestimmter Weise zu verhalten.
Später kannst du diese Kohorten in deiner Analyse verwenden, indem du Diagramme erstellst und das Verhalten der Kohortenmitglieder mit dem Rest vergleichst. Außerdem kannst du basierend auf diesen Kohorten A/B-Tests durchführen, um zu sehen, ob sich UX-Änderungen auf das Verhalten auswirken.
Wie man eine prädiktive Kohorte in Amplitude erstellt
- Öffne zunächst einfach den Kohorten-Bereich in Amplitude und klicke auf „Vorhersage einer Kohorte“.
2. Dann können Sie beginnen, das gewünschte Verhalten zu definieren.
In diesem Fall möchten wir Personen gruppieren, die mit hoher Wahrscheinlichkeit Songs und Videos im Wert von mehr als $25 kaufen werden.
Anhand Ihrer Anforderungen analysieren die Modelle von Amplitude Ihre vergangenen und aktuellen Daten und geben Ihnen eine Prognose, die Sie im Bereich Kohorten abrufen können.
3. Wir können diese Prognose in eine nutzbare Kohorte umwandeln, indem wir darauf klicken und sie als Kohorte speichern.
4. Falls gewünscht, haben Sie die Option, die Auswahl zu verfeinern, indem Sie bestimmen, welchen Prozentsatz der Nutzerbasis Sie in Ihre Kohorte aufnehmen möchten. Ich empfehle jedoch, bei der Standardeinstellung zu bleiben und sie mit einem Klick auf die Schaltfläche „Als Kohorte speichern“ zu sichern.
Voila! Jetzt haben Sie eine dynamische Kohorte, die auf prädiktiven Modellen basiert und die Sie praktisch überall in Amplitude nutzen können – einschließlich Ihrer Diagramme, Analysen und A/B-Tests.
Prognose
Eine weitere Funktion, die Amplitude für mich und mein UX-Team sehr nützlich gemacht hat, ist die eigene Prognose-Engine. Sie automatisiert den Prozess und nutzt sowohl Regressionsanalysen, Zeitreihenanalysen als auch eigene KI-Modelle, um Ihnen eine Vorhersage für die gewünschten Kennzahlen zu liefern.
Nach meiner Erfahrung ist eine der praktischsten Anwendungen dieser Funktion für UX die Prognose von Konversionsraten im Aktivierungstrichter.
So prognostizieren Sie die Konversionsraten des Aktivierungstrichters in Amplitude
1. Stellen Sie sich vor, der Aktivierungstrichter für Ihr CRM-Tool für Finanzdienstleistungen besteht aus drei Ereignissen—Anmeldung, Integration hinzufügen und Chance erstellen. Wenn wir uns die Konversionsrate im Zeitverlauf ansehen, sieht sie ungefähr so aus.
Sie haben nun bereits vor einer Woche einige UX-Verbesserungen in den Prozess integriert und möchten nun wissen, ob dies einen spürbaren Effekt hatte. Lassen Sie uns Amplitude bitten, eine Prognose für die nächsten 30 Tage zu erstellen.
2. Klicken Sie auf die Schaltfläche „Anomalie + Prognose“ und anschließend auf „Prognose hinzufügen“.
Die Modelle von Amplitude werden geladen und liefern uns ein Diagramm, das wie folgt aussieht.
Wie wir sehen können, gibt es kein sichtbares Wachstum in unserer Trichter-Konversionsrate (was häufiger vorkommt, als man denkt). Der konkrete Hinweis hier lautet: Es sollten weitere UX-Verbesserungsrunden folgen.
Nutzung von Cloud Predictive Model APIs
Die Nutzung von Produktanalyse-Tools für prädiktive Datenmodellierung ist besonders hilfreich, wenn das zugrunde liegende Problem relativ einfach ist. Wenn Sie jedoch etwas Fortgeschritteneres benötigen, können Sie auf maschinelles Lernen von Drittanbietern über APIs zurückgreifen.
Hier sind zwei Anbieter, die sich für mein Team bisher als nützlich erwiesen haben.
AWS Machine Learning API
Amazons Cloud-Service bietet eine breite Palette an KI-Modellen für Business Intelligence, mit denen Sie sich über die API verbinden können. Zum Portfolio gehören auch Modelle für prädiktive Analysen.
- Es gibt Amazon Forecast, das auf Zeitreihendaten angewendet werden kann – so können Sie beispielsweise den Einfluss Ihrer UX-Maßnahmen auf lange Sicht abschätzen.
- Außerdem gibt es Amazon Personalize, das Ihnen eine skalierbare, anpassbare Personalisierungs-Engine bietet, um Ihren Kunden relevante Produkte und Dienstleistungen vorzuschlagen (ähnlich wie bei Netflix und TikTok).
Google KI-Infrastruktur
Im Gegensatz zu Amazon bietet Google keine vorgefertigten prädiktiven KI-Modelle. Stattdessen erhalten Sie Zugang zu einer umfangreichen Tool-Sammlung, mit der Sie umfangreiche Datenanalysen durchführen und gemeinsam mit Ihrem aktuellen Data-Science-Team eigene, maßgeschneiderte Deep-Learning-Prognosemodelle erstellen können.
Googles Tools sind besonders gut geeignet, um große Datenmengen zu verarbeiten und zukünftige Trends darin zu erkennen (ihre Datenmanagement-Funktionen sind beeindruckend). Neben Vorhersagen kannst du ihr Toolset auch für deskriptive Analysen, Lifecycle-Marketing-Kampagnen, Geschäftsanalysen, Finanzthemen (z. B. Kreditscores) und vieles mehr nutzen.
Wenn also die vorgefertigten Modelle von Amazon dein spezifisches Problem nicht lösen können, ist Google dein Ansprechpartner.
Ein Blick in die Zukunft könnte deine UX retten
Wir alle wünschen uns, die Zukunft vorhersagen zu können. Wenn uns das gelänge, würden wir perfekte Produkte mit dem attraktivsten UX der Welt gestalten – zum Guten oder zum Schlechten. Aber bis dahin ist die prädiktive Analyse das nächstbeste Mittel, um datenbasierte UX-Entscheidungen zu treffen und unsere Kund:innen mit großartigen Erfahrungen zu begeistern.
Vergiss nicht, unseren Newsletter zu abonnieren, um weitere Ressourcen und Leitfäden zum Produktmanagement sowie aktuelle Podcasts, Interviews und weitere Einblicke von Branchenführenden und Expert:innen zu erhalten.