Konsumentenverhalten ist die Basis der Marketingstrategie, nicht der Nachgedanke

Drei Gründer, drei Geschichten über den Kunden

Werkbuch ist ein erfundenes SaaS auf Rails aus Leipzig für Handwerksbetriebe: Tischler, Elektriker, Fliesenleger, die Sorte Betrieb mit einem Transporter und zwei Azubis. Es macht Terminplanung, Angebote und Rechnungen, und seine drei Gründer sind sich in allem einig außer in der einen Sache, auf die es ankommt. Frag sie, warum sich Kunden anmelden, und du bekommst drei selbstsichere Antworten.

Jana, die das Produkt gebaut hat, sagt, die Leute kommen wegen der Angebote im eigenen Design, weil sie so professionell aussehen wollen wie die großen Betriebe. Moritz, der den Vertrieb macht, sagt, die Leute kommen, weil Doppelbuchungen sie Aufträge kosten und ihr Kalender ein Whiteboard im Transporter ist. Aylin, die das Marketing verantwortet, sagt, die Leute kommen, weil ihr Steuerberater ihnen gesagt hat, sie sollen aufhören, Rechnungen aus einer Tabelle zu schreiben.

Alle drei Geschichten sind plausibel, und mit allen dreien wurden Landingpages, Preismodelle und Anzeigentexte geschrieben. Keine wurde je an dem geprüft, was Kunden im Produkt tatsächlich tun. Ein Shop für Geschenkkörbe hat dasselbe Problem in anderem Gewand: die Inhaberin sieht eine Masse von "Leuten, die gutes Essen mögen", während die Bestellungen sagen, dass jemand, der im Dezember verschenkt, und jemand, der im März für sich selbst kauft, zwei verschiedene Kunden sind.

Strategie soll darauf gebaut sein, wie Menschen entscheiden. Analytics soll der Weg sein, das herauszufinden. Ruht die Strategie auf Gründerfolklore und berichtet die Analytics die Klicks der letzten Woche, tut keine von beiden ihre Arbeit.

Wo dieser Artikel in der Serie steht

Das ist das zweite von 21 Kapiteln der Serie Marketing Analytics, die dem Aufbau von Mike Grigsbys Buch Marketing Analytics folgt.¹ Die Erklärungen, Beispiele und Zahlen hier sind meine eigenen. Das vorige Kapitel, die Statistik, die jeder Marketer wirklich braucht, hat dir das Vokabular gegeben. Dieses liefert die Fragen, die diese Werkzeuge beantworten. Das nächste, was ist ein Insight, und warum die meisten Reports keinen enthalten, fragt, ob eine Antwort eine Entscheidung ändert, und das ist der einzige Test für einen Insight, den ich gelten lasse.

Konsumentenverhalten ist, wie Menschen entscheiden, und jeder Teil davon hinterlässt eine Spur

Konsumentenverhalten beschreibt, wie Menschen einen Bedarf erkennen, suchen, Optionen abwägen, kaufen, nutzen und beurteilen, was sie gekauft haben. Hinter jedem Baustein steckt eine Größe, die du messen kannst.

Bedürfnisse und Motivation. Ein Bedürfnis ist die Lücke zwischen dem, wo jemand steht, und dem, wo er hinwill, und Motivation ist der Druck, den diese Lücke erzeugt. Ein Fliesenleger mit drei Aufträgen am selben Dienstag hat ein dringendes Bedürfnis. Ein Fliesenleger, der irgendwie "professioneller wirken" will, hat ein langsames. Ein Beispiel: Dringlichkeit zeigt sich in der Zeit bis zur ersten Handlung. Der erste Fliesenleger legt innerhalb von zehn Minuten nach der Anmeldung einen Auftrag im Kalender an. Der zweite blättert eine Woche lang durch Angebotsvorlagen.

Wahrnehmung. Menschen reagieren auf das, was sie für dein Produkt halten. Stellt die Startseite von Werkbuch die Rechnungen an den Anfang, sieht jemand mit einem Terminproblem ein Buchhaltungstool und geht wieder. Messen kannst du das daran, was Leute zuerst anklicken und wo sie abspringen.

Lernen. Kunden lernen aus Erfahrung, von anderen Menschen und aus deinem Onboarding, und es zeigt sich als Gewohnheit: die zweite Bestellung eines Geschenkkorbs, die fast genau ein Jahr nach der ersten kommt.

Einstellungen. Eine Einstellung ist eine gespeicherte Bewertung, etwa "Abos sind was für große Firmen". In Transaktionsdaten sind Einstellungen unsichtbar, und deshalb gibt es Umfragen, und deshalb führen Umfragen in die Irre, wie du gleich sehen wirst.

Bezugsgruppen. Niemand entscheidet allein. Ein Tischler fragt die anderen Tischler in der WhatsApp Gruppe, was sie nutzen. Das zeigt sich in Empfehlungsquellen, in einer Verbreitung, die sich nach Gewerk oder Region bündelt, und in den Sätzen, die Leute in Support Chats tippen ("ein Kumpel meinte, ihr macht...").

Der Entscheidungsprozess hat Schleifen, und in den Schleifen verlierst du Menschen

Die Lehrbuchfassung der Kaufentscheidung hat fünf Stufen: Erkennen des Bedarfs, Informationssuche, Bewertung der Alternativen, Kaufentscheidung und Bewertung nach dem Kauf.² Das ist ein nützliches Gerüst. Das Problem ist, dass das Lehrbuch es als gerade Linie zeichnet, und echte Entscheidungen drehen Schleifen.

Jeder Kasten ist eine Stufe, jede Entscheidung eine Gabelung, und die beiden Notizen sind die Schleifen, die die aufgeräumte Fassung weglässt. Jeder Pfeil ist eine Stelle, an der sich Daten erheben lassen und an der der Kunde verloren gehen kann. In der Schleife des Verschiebens leben die Testzugänge von Werkbuch, die "nach dem Sommer" weitermachen wollen.

Nicht kaufen ist eine Wahl, und sie ist erforscht

Das Verschieben ist eine Option, die die Käuferin aktiv wählt. Ravi Dhar hat in sieben Studien gezeigt, dass Menschen eine Wahl häufiger aufschieben, wenn keine Option einen klaren Vorteil hat.³ Abwarten ist die vernünftige Antwort darauf, nicht zu wissen, welche Option die beste ist.

Hier kommt eine berühmte und umstrittene Idee ins Spiel, die Überforderung durch Auswahl (Choice Overload). Sheena Iyengar und Mark Lepper bauten in einem Supermarkt einen Probierstand auf, mit entweder sechs oder 24 Marmeladen. Die große Auswahl lockte mehr Leute an (60 % der Vorbeigehenden blieben stehen, gegen 40 %), aber von denen, die am kleinen Stand stehen blieben, kauften 30 % ein Glas, am großen nur 3 %.⁴

Die Belege seither sind gemischt, und das sage ich jedem offen, der die Marmeladenstudie zitiert. Eine Metaanalyse von 50 Experimenten mit 5.036 Teilnehmenden fand einen durchschnittlichen Effekt der Überforderung von praktisch null, mit großen Unterschieden zwischen den Studien.⁵ Eine spätere Metaanalyse von 99 Beobachtungen fand, dass der Effekt unter bestimmten Bedingungen doch auftritt: bei komplexen Auswahlmengen, schwierigen Entscheidungen, unsicheren Vorlieben und dem Ziel, Aufwand zu sparen.⁶ "Mehr Optionen schaden dem Umsatz" ist also kein Gesetz. "Mehr Optionen können unsichere Menschen in die Schleife des Verschiebens drücken" ist vertretbar, und testbar.

Ein Beispiel: ein Münchner Teeladen zeigt 40 lose Tees auf einer Seite. Besucher, die über "Tee Geschenkideen" kommen, scrollen, gehen und kommen oft Tage später wieder. Ihre Vorlieben sind unsicher, also ist die Frage zum Testen, ob sie auf der langen Seite häufiger aufschieben als auf einer kurzen, kuratierten.

Jobs To Be Done macht aus einer Geschichte einen Test

Die nützlichste Umdeutung, die ich für all das kenne, ist Jobs To Be Done (JTBD). Menschen kaufen keine Produkte, sie "stellen sie ein", um in einer bestimmten Lage auf ein Ziel hin voranzukommen.^{7 8} Der Tischler will keine Planungssoftware. Er will aufhören, Dienstage zu verlieren. Über die Methode habe ich ausführlich in Jobs To Be Done in der Growth Strategie geschrieben, deshalb hier nur der analytische Punkt.

Ein Job ist eine Hypothese über Verhalten mit eingebautem Test. Ein Beispiel: "der Job ist, den Auftrag zu gewinnen und ihn in einem Zug in den Kalender zu bringen" sagt voraus, dass Nutzer, die in derselben Sitzung ein Angebot erstellen und den Auftrag einplanen, häufiger zu zahlenden Kunden werden als Nutzer, die nur eines von beiden tun. Diese Vorhersage kann falsch sein, und genau das macht sie nützlich. Gründerfolklore kann nicht falsch sein. "Die Leute wollen professionell wirken" übersteht jede Datenlage, weil "professionell" alles heißen kann.

Geäußerte und offenbarte Präferenz widersprechen sich, und der Abstand ist der Befund

Diese Unterscheidung leistet mehr als jede andere Idee in diesem Kapitel. Die geäußerte Präferenz ist das, was Menschen sagen, dass sie wollen, in Umfragen, Interviews und im Auswahlfeld "Warum hast du dich angemeldet". Die offenbarte Präferenz ist das, was sie mit ihrer Zeit und ihrem Geld tun.

Die offenbarte Präferenz stammt aus der Volkswirtschaft. Paul Samuelson hat sie 1938 beschrieben: wählt jemand A, obwohl B verfügbar und bezahlbar war, dann ist A gegenüber B als bevorzugt offenbart.⁹ Die Theorie stützt sich auf das, was Menschen wählen, nicht auf das, was sie über ihre Gefühle berichten.

Beide widersprechen sich ständig, und nicht, weil Menschen lügen. Menschen sind schlechte Zeugen ihrer eigenen Motive. 1977 haben Richard Nisbett und Timothy Wilson Experimente ausgewertet, in denen die Erklärungen der Menschen für ihre eigenen Entscheidungen verfehlten, was sie tatsächlich angetrieben hatte.¹⁰ In einem davon bewerteten Kundinnen und Kunden vier identische Paar Nylonstrümpfe, die nebeneinander lagen, und bevorzugten das Paar ganz rechts fast im Verhältnis vier zu eins, und praktisch alle bestritten, dass die Position etwas damit zu tun hatte. Das war eine kleine Studie mit 52 Menschen, und die weitergehende These war umstritten: Ericsson und Simon argumentierten 1980, dass verbale Berichte gute Daten sind, wenn Menschen beschreiben, worauf sie im Moment achten, statt hinterher zu erklären, warum sie gehandelt haben.¹¹ Beide Seiten stützen die praktische Lehre. Frag Menschen, was sie getan und gesehen haben, nicht warum.

Zwei weitere Befunde machen den Abstand greifbar. Eine Metaanalyse von 47 Experimenten fand, dass eine mittlere bis große Veränderung dessen, was Menschen vorhaben (eine Effektstärke von $d = 0{,}66$), nur eine kleine bis mittlere Veränderung dessen bewirkte, was sie danach taten ($d = 0{,}36$).¹² Und Antworten in Umfragen driften zu dem, was sozial akzeptabel klingt, eine gut belegte Verzerrung namens soziale Erwünschtheit.¹³ "Ich will professioneller wirken" ist ein respektabler Grund für ein Auswahlfeld. "Ich habe eine Kundin doppelt gebucht, und sie hat mich angeschrien" ist es nicht.

Ein Beispiel: ein Kölner Küchenmonteur wählt bei der Anmeldung "professioneller wirken" und verbringt dann seine erste Sitzung damit, die Aufträge der nächsten Woche in den Kalender einzutragen. Die geäußerte Präferenz sagt Angebote. Die offenbarte Präferenz sagt Kalender.

Ein Kauf ist eine Wahl zwischen Kaufen und Abwarten

Ökonomen legen ein wenig Rechnung unter die offenbarte Präferenz, und das ändert, wie du einen Funnel liest. In einem Zufallsnutzenmodell ist der Nutzen, den eine Person $i$ aus der Option $j$ zieht,

$$U_{ij} = V_{ij} + \varepsilon_{ij} = \sum_{k=1}^{K} \beta_k x_{ijk} + \varepsilon_{ij}$$

Dabei ist $U_{ij}$ der Gesamtnutzen, $V_{ij}$ der Teil, der sich erklären lässt, $x_{ijk}$ sind die $K$ beobachtbaren Eigenschaften der Option $j$ für die Person $i$ (Preis, Lieferzeit, ob es eine Angebotsvorlage gibt), $\beta_k$ ist das Gewicht, das Menschen auf die Eigenschaft $k$ legen, und $\varepsilon_{ij}$ ist alles, was nicht gemessen wird, behandelt als Zufall. Die Person wählt die Option mit dem höchsten $U_{ij}$. Direkt sieht das niemand. Du siehst die Wahl und schließt aus tausenden Wahlen auf die Gewichte $\beta_k$. Solche Gewichte zu schätzen ist Regression, von null an erklärt unter Grundlagen: Regression.

Folgt der Zufallsteil einer bestimmten Verteilung (der Extremwertverteilung, die übliche Annahme), dann nimmt die Wahrscheinlichkeit, dass eine Person kauft statt abzuwarten, die Logit Form an, die unten steht.¹⁴

$$P(\text{buy}) = \frac{e^{V_{\text{buy}}}}{e^{V_{\text{buy}}} + e^{V_{\text{wait}}}}$$

Dabei ist $P(\text{buy})$ die Wahrscheinlichkeit, jetzt zu kaufen, $V_{\text{buy}}$ der erklärbare Nutzen, jetzt zu kaufen, $V_{\text{wait}}$ der erklärbare Nutzen des Aufschiebens, und $e$ die Basis des natürlichen Logarithmus, etwa $2{,}718$. Wahrscheinlichkeit als Anteil auf lange Sicht erklärt Grundlagen: Wahrscheinlichkeit, die logistische Form Grundlagen: Regression und $e$ Grundlagen: Logarithmen.

Achte darauf, dass auch das Aufschieben einen Nutzen hat. Das meiste Marketing behandelt "hat nicht gekauft" als Abwesenheit. Es ist eine Wahl, meist eine vernünftige, und das Modell gibt ihr einen Platz am Tisch. Kapitel 7 baut daraus eine vollständige logistische Regression.

Rechenbeispiel: ein kostenloser Test gegen das Abwarten

Die Zahlen sind erfunden. Für einen typischen Fliesenleger auf der Preisseite von Werkbuch sei $V_{\text{buy}} = 0{,}4$ und $V_{\text{wait}} = 0$ (eine Option wird immer auf null gesetzt, weil nur der Unterschied zählt). Dann ist $e^{0{,}4} = 1{,}492$ und $e^{0} = 1$, also $P(\text{buy}) = 1{,}492 / 2{,}492 = 0{,}599$, etwa 60 %.

Jetzt führt Werkbuch einen kostenlosen Test ohne Kreditkarte ein, und das Beispiel nimmt an, dass $V_{\text{buy}}$ damit auf 0,9 steigt. Dann ist $e^{0{,}9} = 2{,}460$ und $P(\text{buy}) = 2{,}460 / 3{,}460 = 0{,}711$, etwa 71 %. Dieselbe Verschiebung brächte jemanden von 20 % auf 29 % oder von 90 % auf 94 %, weil die Logit Kurve in der Mitte am steilsten ist. Ein Hebel wirkt am stärksten bei denen, die am nächsten an der Unentschlossenheit sind.

Der Erwartungsnutzen ordnet jeden Marketinghebel einem Term zu

Für einen einzelnen Kauf unter Unsicherheit lohnt es sich, auch die ältere Sicht des Erwartungsnutzens griffbereit zu halten. Er ist der mit den Wahrscheinlichkeiten gewichtete Durchschnitt des Werts jedes möglichen Ausgangs.¹⁵ Für einen Kauf geschrieben, mit den Kosten getrennt abgezogen:

$$EU(\text{buy}) = p \cdot u(\text{works}) + (1 - p) \cdot u(\text{disappoints}) - c$$

Dabei ist $EU(\text{buy})$ der Erwartungsnutzen des Kaufs, $p$ die Überzeugung der Käuferin, dass das Produkt den Job erledigt, $u(\text{works})$ der Wert für sie, wenn es klappt, $u(\text{disappoints})$ der Wert, wenn es enttäuscht (oft negativ, die verschwendete Zeit für die Einrichtung), und $c$ die Kosten an Geld und Aufwand. Es ist ein Erwartungswert mit Nutzen an Stelle von Euro, erklärt unter Grundlagen: der Erwartungswert.

Jeder Marketinghebel lässt sich einem Term zuordnen. Kundenstimmen und ein kostenloser Test heben $p$. Ein klareres Versprechen hebt $u(\text{works})$. Eine Garantie hebt $u(\text{disappoints})$. Eine einfachere Anmeldung senkt $c$. Wenn ein Gründer sagt "wir brauchen mehr Bekanntheit", frage ich, welcher Term seiner Meinung nach das Problem ist. Meistens ist es nicht die Bekanntheit.

Rechenbeispiel: an welchem Term du arbeiten solltest

Die Zahlen sind erfunden, und der Einfachheit halber misst das Beispiel den Nutzen in Euro. Eine Hamburger Elektrikerin glaubt mit der Wahrscheinlichkeit $p = 0{,}6$, dass Werkbuch funktioniert. Klappt es, spart es ihr im Jahr etwa 1.200 € an verlorenen Aufträgen, also $u(\text{works}) = 1.200$. Enttäuscht es, verliert sie etwa 100 € an Abenden für die Einrichtung, also $u(\text{disappoints}) = -100$. Der Tarif kostet 30 € im Monat, also $c = 360$ für das Jahr.

Schritt für Schritt: $0{,}6 \times 1.200 = 720$, dann $0{,}4 \times (-100) = -40$, dann $720 - 40 - 360 = 320$. Positiv, der Kauf ergibt für sie also Sinn, aber nicht mit großem Abstand.

Vergleich jetzt zwei Hebel. Den Preis um 5 € im Monat zu senken, senkt $c$ um 60 € und hebt das Ergebnis auf 380. Drei Bewertungen von anderen Elektrikern, die ihre Überzeugung auf $p = 0{,}75$ heben, ergeben $900 - 25 - 360 = 515$. In diesem Beispiel ist der Beweis mehr als dreimal so viel wert wie der Rabatt, und er kostet Werkbuch keine Marge.

Marketingstrategie wählt, wem du dienst und wie du sie gewinnst

Ohne die Folienschlacht beantwortet Strategie vier Fragen: wem du dienst, was du ihnen bietest, was andere nicht bieten, wie du das sichtbar machst und wie du damit Geld verdienst. Das Vokabular dafür ist Segmentierung, Zielgruppenwahl, Positionierung, Marketing Mix und Wettbewerbsvorteil.

Segmentierung und Zielgruppenwahl

Segmentierung teilt den Markt in Gruppen, die sich unterschiedlich verhalten und auf ein anderes Angebot reagieren würden. Das entscheidende Wort ist verhalten. Unternehmensgröße oder Alter sind nur nützlich, wenn sie Verhalten vorhersagen, und oft tun sie das nicht. Eine gute Segmentierung ist eine, bei der du gern für jede Gruppe eine eigene Kampagne fahren würdest (die Kapitel 13 und 14 gehen hier in die Tiefe). Zielgruppenwahl heißt zu entscheiden, welchen Gruppen du dienst, und, schwerer, welche du ignorierst. Werkbuch kann nicht gleichzeitig das beste Werkzeug für einen Installateur ohne Angestellte und für eine Baufirma mit 40 Leuten sein.

Positionierung

Positionierung heißt zu entscheiden, wie der Markt dein Produkt im Vergleich zu den Alternativen sehen soll, und das dann zu vermitteln. Das klassische Werkzeug ist eine Positionierungslandkarte (Perceptual Map), die die Angebote auf den zwei Eigenschaften abträgt, nach denen Käufer entscheiden.¹⁶ Die Achsen würde ich aus Support Chats und Notizen zu verlorenen Deals nehmen, nicht von den Gründern.

Ein Beispiel: die zwei Achsen von Werkbuch, zur Veranschaulichung von 0 bis 1 bewertet, sind, wie sehr ein Produkt für den Transporter statt für das Büro gebaut ist, und wie sehr es den ganzen Auftrag abdeckt statt nur die Rechnung.

Produkt	Für den Transporter gebaut (0 bis 1)	Ganzer Auftrag an einem Ort (0 bis 1)	Wo es steht
Werkbuch	0,78	0,82	Für den Transporter, ganzer Auftrag
Große Suite A	0,25	0,85	Büro, ganzer Auftrag
Große Suite B	0,35	0,70	Büro, ganzer Auftrag
Rechnungsapp	0,70	0,25	Transporter, nur Rechnungen
Portal des Steuerberaters	0,15	0,40	Büro, überwiegend Rechnungen
Tabelle	0,20	0,15	Büro, nur Rechnungen

Werkbuch steht allein in der Ecke, die für den Transporter gebaut ist und den ganzen Auftrag abdeckt. Eine leere Ecke ist nur dann wertvoll, wenn genug Käufer wollen, was sie bietet. Sonst ist sie aus gutem Grund leer.

Der Marketing Mix

Der Marketing Mix ist das Bündel von Hebeln, mit denen du diese Position besetzt: Produkt, Preis, Distribution und Kommunikation, die vier P.¹⁷ Für ein SaaS Unternehmen sind das die Roadmap, die Tarife, die Kanäle und die Botschaft. Der Mix folgt aus der Positionierung, und die folgt aus dem Verhalten. Die meisten Unternehmen arbeiten sich vom Mix nach oben, und deshalb optimieren sie am Ende Anzeigentexte für ein Versprechen, das niemand wollte.

Wettbewerbsvorteil

Michael Porters zwei Grundtypen des Wettbewerbsvorteils sind niedrigere Kosten und Differenzierung, kombiniert mit der Wahl eines breiten oder eines schmalen Markts.¹⁸ Differenzierung in einem schmalen Markt ist die natürliche Heimat eines kleinen Unternehmens, weil Kostenführerschaft Größe braucht. Aber Andersartigkeit ist nur dann Geld wert, wenn sie auf einer Eigenschaft mit großem $\beta_k$ im Nutzenmodell oben landet. Anders zu sein in etwas, das niemand gewichtet, ist einfach nur seltsam.

Jede Analysetechnik beantwortet eine Frage über Verhalten

Die These dieser ganzen Serie in einem Satz: jede Analysetechnik beantwortet eine Frage zum Konsumentenverhalten, und jede strategische Entscheidung hängt von der Antwort auf mindestens eine davon ab. Die Tabelle unten ist die Landkarte, die bei mir an der Wand hängt, mit dem Kapitel, in dem jede Frage ihre richtige Behandlung bekommt.

Frage zum Verhalten	Technik	Kapitel
Wie viel weniger kaufen sie, wenn wir den Preis erhöhen?	Regression, Elastizität	4
Wie lange wirkt eine Kampagne nach, wenn sie aufhört?	Polynomial Distributed Lags	5
Wie oft im Jahr kommt ein Kunde wieder?	Poisson Regression	6
Wer kauft wahrscheinlich, und was geht mit was?	Logistische Regression, Warenkorbanalyse	7
Wann geht dieser Kunde, und was ist er bis dahin wert?	Survival Analyse, Customer Lifetime Value	8
Hat das neue Layout den Umsatz gehoben, oder war es die Saison?	Panel Regression	9
Wie viel verkaufen wir im nächsten Quartal?	Prognose, Saisonalität	10
Treibt Marketing den Umsatz, oder treibt der Umsatz das Marketingbudget?	Simultane Gleichungen	11
Welche dieser 40 Umfragefragen messen dasselbe?	Faktorenanalyse, Hauptkomponenten	12
Wer sind unsere Kunden, in Gruppen, die sich unterschiedlich verhalten?	Segmentierung, k means, Latent Class	13 und 14
Wohin soll der nächste Euro gehen?	Media Mix Modelling	15 und 16
Warum bleiben sie, und was lässt sie gehen?	Loyalitätsmodelle, Strukturgleichungen	17 bis 19
Hat die Änderung gewirkt, oder hatten wir Glück?	Tests, faktorielle Designs	20

Keine einzige Frage nennt eine Kennzahl aus dem Dashboard. Niemandes Verhalten ist "Sitzungen". Die Kennzahl ist ein Schatten des Verhaltens, und die Technik liest den Schatten.

Rechenbeispiel: drei Überzeugungen werden drei Fragen

Zurück zu Werkbuch. Die Aufgabe ist, aus jeder Geschichte der Gründer etwas zu machen, dem die Daten widersprechen können. Mein Vorgehen hat vier Schritte und passt auf eine Serviette.

1. Schreib die Überzeugung als Satz über eine Person in einer Lage. Nicht "Kunden wollen Professionalität", sondern "ein Tischler, der gerade ein Angebot an einen größeren Betrieb verloren hat, meldet sich an, um besser aussehende Angebote zu verschicken".
2. Nenn das Verhalten, das anders wäre, wenn die Überzeugung stimmt. Dieser Tischler öffnet zuerst den Angebotseditor, nutzt eine Vorlage und verschickt innerhalb weniger Tage ein Angebot.
3. Nenn die Daten, die dieses Verhalten aufzeichnen, und was fehlt. Anmeldezeit, erste genutzte Funktion, verschicktes Angebot, Quelle. Es fehlt: ob er kürzlich ein Angebot verloren hat, und das erfasst nur eine Frage bei der Anmeldung.
4. Schreib die Entscheidung auf, die sich mit der Antwort ändert. Hält die Überzeugung, führt die Startseite mit den Angeboten, und das Onboarding geht eine Vorlage durch. Hält sie nicht, dann nicht.

Für die drei Gründer sieht die Serviette so aus.

Überzeugung der Gründer	Verhalten, wenn sie stimmt	Frage an die Daten	Was ihr widersprechen würde
Die Leute melden sich an, um professioneller zu wirken (Jana)	Der Angebotseditor ist die erste Funktion, eine eigene Vorlage wird früh angewendet	Anteil der Testzugänge, deren erste Handlung ein Angebot ist, und ihre Conversion gegenüber dem Rest	Wer mit Angeboten anfängt, konvertiert nicht besser als die anderen
Die Leute melden sich an, weil Doppelbuchungen sie Aufträge kosten (Moritz)	Der Kalender ist die erste Funktion, mehrere Aufträge in der ersten Sitzung	Anteil der Testzugänge mit drei oder mehr Aufträgen in den ersten 48 Stunden, und ihre Conversion	Wer den Kalender stark nutzt, kündigt wie die, die ihn wenig nutzen
Die Leute melden sich an, weil der Steuerberater es gesagt hat (Aylin)	Rechnungsexport oder Einladung an den Steuerberater früh, Anmeldungen gebündelt vor Steuerterminen	Anteil der Testzugänge, die in Woche eins einen Steuerberater einladen, und die Saisonalität der Anmeldungen	Keine saisonale Spitze, keine Einladungen an Steuerberater

Jetzt die Ergebnisse. Werkbuch hat bei der Anmeldung ein Auswahlfeld "Warum bist du hier", geäußerte und offenbarte Präferenz stehen also nebeneinander. Die Zahlen dienen der Veranschaulichung. Das Muster habe ich in echten Produkten mehr als einmal gesehen.

Bei der Anmeldung genannter Grund	Anteil der Testzugänge	Häufigste erste Funktion	Quote von Test zu zahlend
Professioneller wirken	41 %	Angebotsvorlagen (52 %)	18 %
Keine Doppelbuchungen mehr	33 %	Kalender (71 %)	34 %
Steuerberater oder Buchhaltung	26 %	Rechnungsexport (64 %)	27 %
Alle Testzugänge	100 %		26 %
In der ersten Woche ein Angebot erstellt und eingeplant, egal welcher Grund	22 %		51 %

Janas Geschichte ist das, was Leute am häufigsten sagen, und die Gruppe, die am schlechtesten konvertiert. "Professionell wirken" ist die sozial bequeme Antwort für ein Auswahlfeld, und sie beschreibt ein langsames Bedürfnis. Moritz' Geschichte steht für ein Drittel der Anmeldungen mit fast doppelter Conversion und der engsten Verbindung zwischen genanntem Grund und erster Handlung. Aylins Gruppe konvertiert ordentlich, und es lohnt sich, sie auf die saisonale Spitze zu prüfen, die sie vorhergesagt hat. Zur Kontrolle: der gewichtete Durchschnitt der drei Gruppen ist $0{,}41 \times 18 + 0{,}33 \times 34 + 0{,}26 \times 27 = 25{,}6$, gerundet die 26 % in der Tabelle.

Die letzte Zeile bezahlt die ganze Analyse. Quer über alle drei genannten Gründe konvertierten die 22 % der Testzugänge, die in derselben ersten Woche ein Angebot erstellt und den Auftrag in den Kalender gelegt haben, zu 51 %, fast doppelt so hoch wie der Durchschnitt. Keiner der Gründer hat diesen Job beschrieben. Der Job des Kunden ist nicht "professionell wirken" und nicht "keine Doppelbuchungen". Er lautet "den Auftrag gewinnen und ihn im Kalender festmachen, bevor ich es vergesse". Das ist eine Positionierung, ein Onboarding und eine Überschrift für die Startseite, und es kam aus einer Serviette plus einer SQL Abfrage.

Die waagerechte Achse zeigt die fünf Gruppen: drei, die durch das bestimmt sind, was Leute bei der Anmeldung gesagt haben, alle Testzugänge, und eine, die durch das bestimmt ist, was Leute in ihrer ersten Woche getan haben. Die senkrechte Achse ist der Anteil jeder Gruppe, der zu zahlenden Kunden wurde. Die Lehre steckt in der letzten Säule: die Gruppe, die niemand genannt hat, bestimmt durch Verhalten, konvertiert etwa doppelt so gut wie der Durchschnitt.

Rechenbeispiel: zwei Arten von Korbkäufern

Korbwerk, ein erfundener Shop für Geschenkkörbe in Hamburg, erzählt dieselbe Lehre im Gewand des Handels. Die Inhaberin, Lena, sieht einen Kunden. Die Bestellungen beschreiben zwei. Auch hier dienen die Zahlen der Veranschaulichung.

Merkmal	Wer verschenkt	Wer für sich kauft
Anteil an den Bestellungen	63 %	37 %
Anteil am Umsatz	71 %	29 %
Durchschnittlicher Bestellwert	68 €	47 €
Versand an eine andere Adresse	94 %	6 %
Mit Grußkarte	81 %	2 %
Bestellt im November und Dezember	58 %	24 %
Wiederkauf innerhalb von 12 Monaten	19 %	44 %
Häufigster Abstand bis zum Wiederkauf	52 Wochen	neun Wochen

Die Umsatzanteile folgen aus den Bestellungen und den Bestellwerten: auf 100 Bestellungen bringen die, die verschenken, $63 \times 68 = 4.284$ Euro und die, die für sich kaufen, $37 \times 47 = 1.739$, der Anteil der Geschenke ist also $4.284 / 6.023 = 71\ \%$.

Wer verschenkt, gibt mehr aus, kauft überwiegend in den letzten acht Wochen des Jahres und kommt, wenn überhaupt, fast genau ein Jahr später wieder, um für dieselbe Person erneut zu Weihnachten zu kaufen. Wer für sich kauft, gibt weniger aus, kauft das ganze Jahr über und kommt alle paar Monate wieder. Das sind nicht zwei Segmente eines Shops. Das sind zwei Shops. Wer verschenkt, braucht Anfang November eine Erinnerung, einen Knopf "noch einmal schicken" und ein Lieferversprechen, auf das er sich verlassen kann. Wer für sich kauft, braucht ein Abo oder ein Treueprogramm, das Gebiet von Kapitel 17. Das Verhalten hat Lena die Strategie gesagt, nicht umgekehrt.

Warum zahlt, wer verschenkt, mehr? Ökonomen haben argumentiert, dass ein Geschenk zum Teil als Signal dafür wirkt, wie viel dem Schenkenden die Beziehung wert ist, und deshalb fühlen sich Bargeld oder genau das, was sich jemand gewünscht hat, als Geschenk oft falsch an.¹⁹ Ein Signal wird anders bepreist als Lebensmittel. Der Artikel über Frameworks der Verhaltensökonomie geht weiter darauf ein, wie Kunden tatsächlich entscheiden.

So setzt du das mit drei Tabellen und zwei Wochen um

Du brauchst kein Data Warehouse. Die Daten: eine Kunden oder Kontentabelle mit dem Zeitpunkt der Anmeldung oder ersten Bestellung und der Quelle. Eine Event oder Bestelltabelle mit Zeitpunkten und einer Art. Und welche geäußerte Präferenz auch immer du erhebst, vom Auswahlfeld bei der Anmeldung bis zum ersten Support Chat. Hast du keine, ergänze diese Woche eine Frage bei der Anmeldung. Eine Frage, kein Formular. Für die Frage bei Werkbuch ist ein erster Durchgang in SQL etwa ein Dutzend Zeilen lang.

WITH first_week AS (
  SELECT account_id,
         BOOL_OR(event = 'quote_created')   AS made_quote,
         BOOL_OR(event = 'job_scheduled')   AS scheduled_job
  FROM events e
  JOIN accounts a USING (account_id)
  WHERE e.created_at < a.signed_up_at + INTERVAL '7 days'
  GROUP BY account_id
)
SELECT made_quote, scheduled_job,
       COUNT(*)                          AS trials,
       AVG(CASE WHEN a.paid_at IS NOT NULL THEN 1.0 ELSE 0 END) AS trial_to_paid
FROM first_week f
JOIN accounts a USING (account_id)
WHERE a.signed_up_at < NOW() - INTERVAL '45 days'
GROUP BY 1, 2
ORDER BY trial_to_paid DESC;

Die letzte WHERE Bedingung zählt. Zähl nur Testzugänge, die alt genug sind, um eine faire Chance zum Konvertieren gehabt zu haben, sonst ziehen frische Anmeldungen die Quote nach unten, und deine neueste Funktion sieht schuldig aus. Die Überzeugungen zu formulieren dauert einen Nachmittag. Die Events zu bereinigen dauert den größten Teil einer Woche, weil es immer ein Event gibt, das im März umbenannt wurde. Die Analyse dauert zwei Tage, der Bericht zwei weitere.

Prüfungen, bevor du dem Ergebnis traust

Zuerst die Gruppengrößen. Eine Quote von 51 % bei 14 Konten ist ein Gerücht, bei 400 ist sie ein Befund. Die Methode für Intervalle steht unter Grundlagen: Konfidenzintervalle.

Ein Beispiel: bei 400 Konten mit 51 % ist der Standardfehler $\sqrt{0{,}51 \times 0{,}49 / 400} = \sqrt{0{,}000625} = 0{,}025$, das 95 % Intervall ist also $51\ \% \pm 1{,}96 \times 2{,}5$ Punkte, etwa 46 % bis 56 %. Bequem über 26 %. Bei 14 Konten ist der Standardfehler $\sqrt{0{,}51 \times 0{,}49 / 14} = 0{,}134$, und das Intervall reicht von etwa 25 % bis 77 %, schließt den Durchschnitt also ein. Dieselbe Quote, kein Befund.

Dann die Richtung. Verursacht das Erstellen eines Angebots die Conversion, oder erstellen Leute, die ohnehin konvertiert hätten, zufällig Angebote? Trennen kann das nur ein Test, und das ist Kapitel 20. Dann probier neben sieben Tagen auch drei und 14. Und prüf, ob das Event auf dem Handy feuert, wo die Hälfte deiner Tischler unterwegs ist.

Fehler, die ich am häufigsten sehe

Menschen nach dem Warum fragen und der Antwort glauben. Umfragen sind für Einstellungen da und für Dinge, die in den Daten keine Spur hinterlassen, und bei Motiven sind sie schwach. Stell die geäußerte Antwort neben das offenbarte Verhalten und behandle den Abstand als Befund.

Einen berühmten Effekt als Gesetz zitieren. Die Überforderung durch Auswahl, die Marmeladenstudie und viele ihrer Verwandten aus populären Büchern beruhen auf einzelnen Experimenten, die spätere Arbeiten eingeschränkt oder nicht wiederholen konnten. Nutze sie als Hypothesen für deine eigenen Daten, nie als Beweis.

Nach dem segmentieren, was einfach ist, statt nach dem, was sich unterscheidet. Unternehmensgröße, Region und Alter stehen in jedem CRM, also schneiden die Leute dort. Würden zwei Segmente dieselbe Kampagne bekommen, sind sie ein Segment.

Den Job des Gründers mit dem Job des Kunden verwechseln. Jana hat die Angebotsvorlagen gebaut, weil sie stolz auf sie ist. Der Kunde hat Werkbuch für einen anderen Job eingestellt, und die Roadmap sollte diesem folgen.

Den Entscheidungsprozess als gerade Linie behandeln. Echte Wege pausieren monatelang, starten durch einen Auslöser neu oder überspringen die Suche, weil ein Kumpel dich empfohlen hat. Ein Funnel Report, der eine gerade Linie annimmt, nennt einen aufgeschobenen Kunden verloren und einen zurückkehrenden neu.

Positionierung mit Text verwechseln. Positionierung ist der Platz, den du im Vergleich des Kunden einnimmst, der Text ist, wie du ihn beschreibst. Den Text kannst du jede Woche neu schreiben. Die Position bewegt sich erst, wenn sich das Produkt, der Preis oder der Beweis bewegt. Frameworks wie StoryBrand und die Psychologie, warum Nutzer klicken oder abspringen sind gut zu kennen, aber sie verbessern die Vermittlung eines Versprechens, nicht das Versprechen.

Wie ich das für Kunden mache

Das Ergebnis ist ein Verhaltensbriefing, das steht, bevor irgendjemand ein Modell, eine Kampagne oder ein Redesign anfasst. Es beginnt mit dem kostenlosen Workshop, in dem wir jede Überzeugung darüber aufschreiben, warum Kunden kaufen, in der Form "Person in einer Lage" von oben, und sie danach ordnen, wie viel der Strategie auf jeder ruht. Danach kommen zwei Wochen echte Arbeit auf meine Rechnung. Ich brauche Lesezugriff auf deine Bestellungen oder Events, dein CRM oder deine Kontentabelle und welche geäußerte Präferenz du auch immer erhebst. Ich schreibe die Abfragen, stelle geäußert neben offenbart und prüfe die Gruppengrößen, damit sich niemand über 14 Konten freut.

Was du bekommst, ist ein kurzes Dokument: jede Überzeugung, das Verhalten, das sie bestätigen würde, die Zahl, die wir gefunden haben, das Intervall darum und ein Urteil, bestätigt, widerlegt oder noch nicht testbar, mit der einen Frage, die du für die letzte Sorte bei der Anmeldung ergänzen solltest. Dazu kommt die Positionierungslandkarte auf den Achsen, die deine Käufer wirklich nutzen. Die Abfragen, das Dokument und die Landkarte gehören dir.

Willst du danach die Modelle gebaut haben, gehört das zu Data Science. Willst du die Befunde in Kanäle und Kampagnen übersetzt haben, ist das Growth Hacking Plus, und für einen Onlineshop gibt es zusätzlich ein Modell auf Provisionsbasis, bei dem ich nur gewinne, wenn du gewinnst. Die Preisseite sagt in klaren Worten, was jedes davon kostet. Der Workshop und die zwei Wochen kosten dich nichts außer Zugang und Ehrlichkeit.

Fragen an dein Team oder deine Agentur

• Auf welchen drei Überzeugungen darüber, warum unsere Kunden kaufen, ist die aktuelle Strategie gebaut, und wann haben wir zuletzt eine davon am Verhalten geprüft?
• Was würden Kunden bei jeder Überzeugung anders tun, wenn sie stimmt, und zeichnen wir dieses Verhalten irgendwo auf?
• Wo widersprechen sich unsere geäußerten Gründe und unser offenbartes Verhalten am stärksten, und was haben wir gegen diesen Abstand getan?
• Nach welchen zwei Eigenschaften vergleichen uns unsere Käufer wirklich, und woher wissen wir, dass es diese zwei sind?
• Wenn wir Kunden danach aufteilen, was sie tun, statt danach, wer sie sind, wie viele Gruppen bekommen wir, und würde jede ein anderes Angebot bekommen?
• Welche Frage aus der Tabelle von Verhalten zu Technik würde unsere größte Entscheidung in diesem Jahr ändern, und wer beantwortet sie?

Footnotes

1. Mike Grigsby, Marketing Analytics: A Practical Guide to Improving Consumer Insights Using Data Techniques, dritte Auflage, Kogan Page, 2022, https://www.netgalley.co.uk/catalog/book/267990

2. Maria Gomez Albrecht, Mark Green und Linda Hoffman, Principles of Marketing, Abschnitt 3.3 The Consumer Purchasing Decision Process, OpenStax, 2023, https://openstax.org/books/principles-marketing/pages/3-3-the-consumer-purchasing-decision-process

3. Ravi Dhar, Consumer Preference for a No Choice Option, Journal of Consumer Research, Band 24, Heft 2, Seiten 215 bis 231, 1997, https://doi.org/10.1086/209506 (Kopie unter https://bear.warrington.ufl.edu/brenner/mar7588/Papers/dhar-jcr1997.pdf)

4. Sheena S. Iyengar und Mark R. Lepper, When Choice is Demotivating: Can One Desire Too Much of a Good Thing?, Journal of Personality and Social Psychology, Band 79, Heft 6, Seiten 995 bis 1006, 2000, https://faculty.washington.edu/jdb/345/345%20Articles/Iyengar%20&%20Lepper%20%282000%29.pdf

5. Benjamin Scheibehenne, Rainer Greifeneder und Peter M. Todd, Can There Ever Be Too Many Options? A Meta Analytic Review of Choice Overload, Journal of Consumer Research, Band 37, Heft 3, Seiten 409 bis 425, 2010, https://econpapers.repec.org/RePEc:oup:jconrs:v:37:y:2010:i:3:p:409-425

6. Alexander Chernev, Ulf Böckenholt und Joseph Goodman, Choice overload: A conceptual review and meta analysis, Journal of Consumer Psychology, Band 25, Heft 2, Seiten 333 bis 358, 2015, https://www.kellogg.northwestern.edu/faculty/research/detail/2015/when-product-assortment-leads-to-choice-overload-a-conceptual

7. Clayton Christensen Institute, Jobs to Be Done Theory, Christensen Institute, https://www.christenseninstitute.org/theory/jobs-to-be-done/

8. Clayton M. Christensen, Taddy Hall, Karen Dillon und David S. Duncan, Know Your Customers' "Jobs to Be Done", Harvard Business Review, September 2016, https://hbr.org/2016/09/know-your-customers-jobs-to-be-done

9. Hal R. Varian, Revealed Preference, Übersichtsbeitrag für Samuelsonian Economics and the 21st Century, überarbeitet September 2006 (zu Samuelsons Aufsätzen von 1938 und 1948), https://people.ischool.berkeley.edu/~hal/Papers/2005/revpref.pdf

10. Richard E. Nisbett und Timothy DeCamp Wilson, Telling More Than We Can Know: Verbal Reports on Mental Processes, Psychological Review, Band 84, Heft 3, Seiten 231 bis 259, 1977, https://web.math.princeton.edu/~sswang/literature_general_unsorted/Nisbett-Wilson-PsychologicalReview1977.pdf

11. K. Anders Ericsson und Herbert A. Simon, Verbal Reports as Data, Psychological Review, Band 87, Heft 3, Seiten 215 bis 251, 1980, https://acs.ist.psu.edu/ist597/papers/ericssonS80.pdf

12. Thomas L. Webb und Paschal Sheeran, Does changing behavioural intentions engender behaviour change? A meta analysis of the experimental evidence, Psychological Bulletin, Band 132, Heft 2, Seiten 249 bis 268, 2006, https://eprints.whiterose.ac.uk/1580

13. Ivar Krumpal, Determinants of social desirability bias in sensitive surveys: a literature review, Quality and Quantity, Band 47, Heft 4, Seiten 2025 bis 2047, 2013, https://ideas.repec.org/a/spr/qualqt/v47y2013i4p2025-2047.html

14. Kenneth Train, Discrete Choice Methods with Simulation, zweite Auflage, Kapitel 3 Logit, Cambridge University Press, 2009, https://eml.berkeley.edu/books/choice2nd/Ch03_p34-75.pdf

15. R. A. Briggs, Normative Theories of Rational Choice: Expected Utility, The Stanford Encyclopedia of Philosophy, erstmals 2014, überarbeitet 2023, https://plato.stanford.edu/entries/rationality-normative-utility/

16. Maria Gomez Albrecht, Mark Green und Linda Hoffman, Principles of Marketing, Abschnitt 5.6 Product Positioning, OpenStax, 2023, https://openstax.org/books/principles-marketing/pages/5-6-product-positioning

17. Maria Gomez Albrecht, Mark Green und Linda Hoffman, Principles of Marketing, Abschnitt 1.2 The Marketing Mix and the 4Ps of Marketing, OpenStax, 2023, https://openstax.org/books/principles-marketing/pages/1-2-the-marketing-mix-and-the-4ps-of-marketing

18. Institute for Manufacturing, University of Cambridge, Porter's Generic Competitive Strategies, eine Zusammenfassung von Michael E. Porter, Competitive Advantage, The Free Press, 1985, Kapitel 1, https://www.ifm.eng.cam.ac.uk/research/dstools/porters-generic-competitive-strategies/

19. Colin Camerer, Gifts as Economic Signals and Social Symbols, American Journal of Sociology, Band 94, Supplement, Seiten S180 bis S214, 1988, https://authors.library.caltech.edu/records/nskm8-qzq73