Onboarding und Habit Formation: die Wissenschaft, wie Produkte kleben bleiben

Die meisten Anmeldungen werden nie zur Gewohnheit

Die meisten Menschen, die sich für ein Produkt anmelden, kommen nie wieder. Das ist kein Fehler. Das ist der Normalfall. Die Produkte, die ihre Kundschaft halten, sind nicht immer besser. Sie haben den Weg von der Anmeldung zur Gewohnheit gestaltet. Sie wissen, welche frühen Handlungen mit langfristiger Nutzung einhergehen, und sie helfen jedem neuen Kunden, diese Handlungen schnell zu erreichen.

Zwei Dinge werden hier leicht verwechselt. Onboarding sind die ersten paar Sitzungen, der Teil, den du Bildschirm für Bildschirm gestalten kannst. Eine Gewohnheit ist, was Monate später passiert, wenn jemand das Produkt öffnet, ohne sich dafür zu entscheiden. Das Onboarding abzuschließen ist nicht dasselbe, wie eine Gewohnheit zu bilden, und gute Produkte arbeiten an beidem.

Dieser Artikel geht die Frameworks der Reihe nach durch: die Handlung finden, die Bindung vorhersagt, die Schritte davor entfernen, das Hook Modell, wie lange Gewohnheiten wirklich brauchen, Habit Stacking, unerledigte Aufgaben, Vorsprünge, der Zielgradient und die deutschen Regeln für Onboarding Mails. Ein erfundenes Unternehmen zieht sich durch alles: Zettelwerk (zettelwerk.example), eine Rechnungsapp für Handwerksbetriebe in Köln, 12 € im Monat nach 14 Tagen kostenlosem Test. Jede Zahl über Zettelwerk ist erfunden, damit ich jeden Schritt zeigen kann.

Aktivierung ist die Handlung, die Bleiben vorhersagt

Der "Aha Moment" ist der Punkt, an dem eine neue Kundin zum ersten Mal den Nutzen bekommt, für den es das Produkt gibt. In der Praxis suchen Teams nach einer Aktivierungskennzahl: einer frühen Handlung, die Kunden, die bleiben, meist erledigt haben, und Kunden, die gehen, meist nicht.

Growth Teams erzählen gern von einer einzigen magischen Zahl, einer bestimmten Zahl von Freunden in einer bestimmten Zahl von Tagen, einer bestimmten Zahl verschickter Nachrichten. Eine frühere Fassung dieses Artikels hatte eine Tabelle davon. Keine dieser Zahlen konnte ich auf eine Quelle zurückführen, die ich prüfen konnte, also sind sie weg. Sie würden dir ohnehin nicht helfen. Deine Aktivierungskennzahl steckt in deinen eigenen Daten, und dort musst du sie finden.

Die Methode ist eine Kohortenanalyse. Nimm alle, die sich in einem Zeitraum angemeldet haben, eine Kohorte. Teile die Kohorte für jede Kandidatenhandlung in die, die sie in ihrer ersten Woche erledigt haben, und die, die es nicht haben, und vergleiche, wie viele in jeder Gruppe später noch Kunden sind.

Der Vergleich nutzt zwei Raten und ihre Differenz:

$$\Delta = r_{\text{did}} - r_{\text{not}}$$

Dabei ist $r_{\text{did}}$ der Anteil der Kunden, die die Handlung erledigt haben und geblieben sind, $r_{\text{not}}$ der Anteil derer, die sie nicht erledigt haben und geblieben sind, und $\Delta$ die Differenz in Prozentpunkten. Beides sind einfache Raten, siehe Grundlagen: Verhältnisse und Raten, und den Unterschied zwischen prozentualer Veränderung und Prozentpunkten erklärt Grundlagen: Prozente.

Rechenbeispiel: die Kandidatenhandlungen von Zettelwerk

Im März begannen 2.000 Handwerksbetriebe einen Test bei Zettelwerk. Sechzig Tage später zahlten 560 davon, 28 %. Zettelwerk schaut sich fünf Dinge an, die jemand in den ersten sieben Tagen tun konnte.

Handlung in der ersten Woche	Erledigt	Geblieben, wenn erledigt	Geblieben, wenn nicht	Differenz
Erste Rechnung verschickt	640	55,0 %	15,3 %	39,7 Punkte
Bankkonto verbunden	400	50,0 %	22,5 %	27,5 Punkte
Logo hinzugefügt	700	36,0 %	23,7 %	12,3 Punkte
Profil vervollständigt	1.200	32,0 %	22,0 %	10,0 Punkte
Produkttour angesehen	900	29,0 %	27,2 %	1,8 Punkte

Nimm die erste Zeile Schritt für Schritt. Von den 640, die eine Rechnung verschickt haben, sind 352 geblieben: $352 / 640 = 0{,}550$. Von den 1.360, die es nicht getan haben, sind 208 geblieben: $208 / 1.360 = 0{,}153$. Also ist $\Delta = 0{,}550 - 0{,}153 = 0{,}397$, rund 40 Punkte. Die beiden Gruppen ergeben zusammen die ganze Kohorte: $352 + 208 = 560$.

Ist das mehr als Rauschen? Das beantwortet der z Test für zwei Anteile:

$$z = \frac{p_1 - p_2}{\sqrt{p(1-p)\left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}$$

Dabei sind $p_1$ und $p_2$ die Bindungsraten der beiden Gruppen, $n_1$ und $n_2$ ihre Größen und $p$ die gepoolte Rate beider Gruppen zusammen. Den Test erklärt Grundlagen: Hypothesentests.

Die gepoolte Rate ist $560 / 2.000 = 0{,}28$. Der Standardfehler ist $\sqrt{0{,}28 \times 0{,}72 \times (1/640 + 1/1.360)} = 0{,}0215$. Also $z = 0{,}397 / 0{,}0215 = 18{,}4$. Weit jenseits des Zufalls.

Die Produkttour ist die nützliche Überraschung. Sie anzusehen trennt kaum die, die bleiben, von denen, die gehen. Eine echte Rechnung zu verschicken schon.

Eine Korrelation ist ein Kandidat, keine Ursache

Hier liegt die Falle. Betriebe, die in Woche eins eine Rechnung verschicken, hatten vielleicht einfach in dieser Woche einen Auftrag abzurechnen. Sie wären sowieso geblieben. Die Tabelle zeigt, welche Handlung mit Bindung einhergeht. Sie zeigt nicht, dass es Bindung erzeugt, Menschen zu dieser Handlung zu schieben. Grundlagen: Korrelation erklärt, warum.

Herausfinden lässt es sich, indem du den Anstoß randomisierst, nicht die Handlung. Zettelwerk zeigt einer zufällig gewählten Hälfte der Aprilkohorte auf dem ersten Bildschirm einen Anstoß: "Rechne den Auftrag ab, den du gerade fertig hast", mit einem schon angelegten Rechnungsentwurf. Die andere Hälfte sieht das übliche Dashboard. Jede Gruppe hat 1.000 Personen.

In der Gruppe mit Anstoß verschicken 44 % in Woche eins eine Rechnung, gegen 32 % in der anderen. Die Bindung nach 60 Tagen liegt bei 31,6 % gegen 28,0 %. Die gepoolte Rate ist $0{,}298$, der Standardfehler $\sqrt{0{,}298 \times 0{,}702 \times (1/1.000 + 1/1.000)} = 0{,}0205$, also $z = 0{,}036 / 0{,}0205 = 1{,}76$, ein zweiseitiger p Wert von etwa 0,08. Vielversprechend, nicht bewiesen.

Wie viele Personen bräuchte der Test? Für 28 % gegen 31,6 % bei 5 % Signifikanz und 80 % Teststärke:

$$n = \frac{(z_{\alpha/2} + z_{\beta})^2 \left[p_1(1-p_1) + p_2(1-p_2)\right]}{(p_1 - p_2)^2}$$

Dabei ist $n$ die Zahl der Personen pro Gruppe, $z_{\alpha/2}$ ist 1,96 für 5 % Signifikanz, $z_{\beta}$ ist 0,84 für 80 % Teststärke, und $p_1$ und $p_2$ sind die beiden Bindungsraten. Grundlagen: Stichprobengröße geht das durch.

Mit den Zahlen: $n = 2{,}80^2 \times (0{,}2016 + 0{,}2161) / 0{,}036^2 = 7{,}84 \times 0{,}4177 / 0{,}001296 \approx 2.527$. Also rund 2.530 pro Gruppe, ungefähr zweieinhalb Monate an Anmeldungen. Der ehrliche Plan ist, den Test weiterlaufen zu lassen, statt im April den Sieg auszurufen.

import numpy as np
import pandas as pd
from statsmodels.stats.proportion import proportions_ztest

# Zettelwerk, simuliert: 2.000 Teststarts, eine Zeile pro Start
rng = np.random.default_rng(42)
n = 2000
users = pd.DataFrame({
    'sent_invoice': rng.random(n) < 0.32,
    'connected_bank': rng.random(n) < 0.20,
    'added_logo': rng.random(n) < 0.35,
    'completed_profile': rng.random(n) < 0.60,
    'watched_tour': rng.random(n) < 0.45,
})
# Erfunden: Bindung hängt vor allem an Rechnungen und der Bankverbindung
score = (0.12 + 0.38 * users['sent_invoice'] + 0.15 * users['connected_bank']
         + 0.04 * users['added_logo'] + 0.01 * users['watched_tour'])
users['retained_60d'] = rng.random(n) < score.clip(0, 0.95)

rows = []
for action in ['sent_invoice', 'connected_bank', 'added_logo',
               'completed_profile', 'watched_tour']:
    did = users[users[action]]['retained_60d']
    did_not = users[~users[action]]['retained_60d']
    z, p = proportions_ztest([did.sum(), did_not.sum()], [len(did), len(did_not)])
    rows.append({'action': action, 'share_did': users[action].mean(),
                 'retained_if_done': did.mean(), 'retained_if_not': did_not.mean(),
                 'difference': did.mean() - did_not.mean(), 'p_value': p})

print(pd.DataFrame(rows).sort_values('difference', ascending=False).round(3).to_string(index=False))
print('Das sind Zusammenhänge. Randomisiere einen Anstoß, bevor du einen davon Ursache nennst.')

Die Zeit bis zum ersten Nutzen ist eine Kurve, die sich verschieben lässt

Sagt eine Handlung Bindung voraus, ist die nächste Frage, wie schnell Menschen sie erreichen. Wer die erste Rechnung in derselben Sitzung verschickt, hat den Nutzen gespürt, bevor die Ablenkungen des Tages kommen. Wer erst in Woche zwei dort ankommt, hat das Produkt vielleicht schon halb vergessen.

Die Bindung einer ganzen Kohorte ist ein gewichteter Durchschnitt über diese Gruppen:

$$R = N \sum_i s_i \, r_i$$

Dabei ist $R$ die Zahl der gebundenen Kunden, $N$ die Zahl der Anmeldungen, $s_i$ der Anteil der Anmeldungen, deren erste Rechnung in Zeitband $i$ fällt, und $r_i$ die Bindungsrate dieses Bands. Die Gewichte $s_i$ ergeben zusammen eins. Es ist dieselbe Summe wie bei einem Erwartungswert, siehe Grundlagen: Erwartungswert.

Rechenbeispiel: die erste Rechnung bei Zettelwerk früher

Die Bindungsraten nach Zeitband unten sind Annahmen des Beispiels.

Die waagrechte Achse zeigt, wie lange nach der Anmeldung die erste Rechnung verschickt wurde. Die senkrechte Achse zeigt den Anteil, der 60 Tage später noch zahlt. Die Botschaft steckt im Gefälle: Jedes Band ist spürbar weniger wert als das davor.

Heute verteilen sich die Anmeldungen mit 15 %, 30 %, 25 %, 18 % und 12 % auf die fünf Bänder. Also $R = 2.000 \times (0{,}15 \times 0{,}50 + 0{,}30 \times 0{,}38 + 0{,}25 \times 0{,}25 + 0{,}18 \times 0{,}14 + 0{,}12 \times 0{,}04)$. Das sind $2.000 \times (0{,}075 + 0{,}114 + 0{,}0625 + 0{,}0252 + 0{,}0048) = 2.000 \times 0{,}2815 = 563$ gebundene Kunden.

Angenommen, ein neuer erster Bildschirm verschiebt die Anteile auf 35 %, 30 %, 17 %, 10 % und 8 %. Die Summe wird $0{,}175 + 0{,}114 + 0{,}0425 + 0{,}014 + 0{,}0032 = 0{,}3487$, also 697 gebundene Kunden, 134 mehr pro Monatskohorte. Bei 12 € im Monat sind das rund 1.600 € mehr Monatsumsatz aus jeder Kohorte, solange sie bleibt.

Die Annahme, die hier die Arbeit macht: dass jemand, der in ein früheres Band rutscht, die Bindungsrate dieses Bands übernimmt. Das ist wieder die kausale Behauptung aus dem vorigen Abschnitt, und sie gilt nur so weit, wie der randomisierte Test sie bestätigt. Nutze die Summe, um zu entscheiden, ob sich ein Test lohnt, nie, um sein Ergebnis zu berichten.

Entferne die Schritte zwischen Anmeldung und erstem Nutzen

Kennst du die Handlung, räum den Weg dorthin frei. Das Verhaltensmodell von BJ Fogg sagt, dass ein Verhalten stattfindet, wenn Motivation, Fähigkeit und ein Auslöser im selben Moment zusammenkommen, und wenn es nicht stattfindet, fehlt mindestens eines der drei.¹ Motivation ist schwer zu steigern. Die Fähigkeit, also wie leicht der Schritt ist, liegt ganz in deiner Hand.

Die praktischen Schritte folgen daraus. Schieb alles auf, was vor dem ersten Nutzen nicht nötig ist: Profil, Logo und Einstellungen können warten. Verkürze die entscheidende Handlung selbst. Stoß an, wenn die Person gerade handeln kann.

Eine Feinheit gibt es, und sie kommt vom IKEA Effekt. Michael Norton, Daniel Mochon und Dan Ariely fanden, dass Menschen eine Aufbewahrungsbox, die sie selbst zusammengebaut hatten, höher schätzten als eine identische, fertig überreichte: Die Bauenden boten im Schnitt 78 US Cent, die anderen 48 Cent. Der Effekt verschwand, wenn die Teilnehmenden etwas bauten und es dann wieder zerlegten oder nicht fertig bekamen.² Ein Produkt mit Beispieldaten zu füllen zeigt den Nutzen also schnell, gibt der Person aber nichts Eigenes. Sie alles von Grund auf bauen zu lassen gibt ihr Mühe, die vielleicht nie fertig wird. Der Mittelweg ist ein kleines Stück echter Arbeit, das sicher gelingt.

Rechenbeispiel: der erste Bildschirm von Zettelwerk, vorher und nachher

Vorher musste ein neuer Nutzer bei Zettelwerk:

1. Die Mailadresse bestätigen.
2. Ein Firmenprofil mit acht Feldern ausfüllen.
3. Ein Logo hochladen.
4. Eine zweiminütige Tour ansehen.
5. "Neue Rechnung" öffnen, einen Kunden anlegen, Positionen hinzufügen und verschicken.

Nach der Änderung macht ein neuer Nutzer Folgendes:

1. Er landet auf "Rechne den Auftrag ab, den du gerade fertig hast", Name und Gewerk sind aus der Anmeldung schon eingetragen.
2. Er tippt Name und Mailadresse des Kunden und den Preis des Auftrags ein.
3. Er drückt auf Senden.

Die Bestätigungsmail, das Profil und das Logo wandern in eine Checkliste, die nach der ersten Rechnung erscheint. Die Tour wird freiwillig. Drei Schritte statt fünf Bildschirme, und das eine Stück Mühe ist ein echter, abgeschlossener Auftrag der Person. Das ist der IKEA Effekt ehrlich genutzt: Die Mühe endet mit Erfolg, und mit Geld, das ihr zusteht.

Das Hook Modell ist eine Landkarte, kein Beleg

Das Hook Modell von Nir Eyal aus seinem Buch Hooked beschreibt eine Schleife in vier Phasen: einen Auslöser, eine Handlung, eine variable Belohnung und eine Investition, die das Produkt für die nächste Runde wertvoller macht.^{3 4} Es ist eine nützliche Art, zu skizzieren, warum jemand wiederkommen sollte. Es ist ein Gestaltungsframework aus einem Buch, nicht das Ergebnis einer Studie, also nutze ich es als Checkliste, nicht als Beweis, dass etwas funktionieren wird.

Jede Phase in einer Zeile. Der Auslöser ist das Signal: äußerlich (eine Mail, eine Benachrichtigung) oder innerlich (ein Gefühl oder eine Situation, die die Person gelernt hat, mit dem Produkt zu verbinden). Die Handlung ist das einfachste Verhalten in Erwartung einer Belohnung. Die Belohnung schwankt, und das hält die Aufmerksamkeit. Die Investition ist etwas, das die Person hineinsteckt, Daten, Inhalte oder Mühe, und das die nächste Schleife besser macht.

Die variable Belohnung ist der Teil, der am häufigsten überverkauft wird. Die Laborforschung dahinter ist enger, als der Vergleich mit dem Spielautomaten nahelegt, und eine Belohnung, die ein Glücksspiel ist, kann genau die Art Gewohnheit aufbauen, die Menschen später bereuen. Der Artikel über das Hook Modell geht durch, was die Studien gemessen haben und wo die Grenze zwischen einer Gewohnheit und einem Haken im schlechten Sinn liegt.

Rechenbeispiel: der Hook von Zettelwerk, ausgeschrieben

1. Auslöser. Äußerlich: eine Benachrichtigung, wenn ein Kunde zahlt. Innerlich, und den muss man sich verdienen: die Freitagssorge, wer noch Geld schuldet.
2. Handlung. Zettelwerk öffnen und die Liste der offenen Rechnungen anschauen. Ein Tipp von der Benachrichtigung aus.
3. Variable Belohnung. Welche Rechnungen diese Woche bezahlt wurden, schwankt wirklich. Nichts ist künstlich erzeugt. Die Abwechslung ist das echte Leben.
4. Investition. Jeder gespeicherte Kunde und jede gespeicherte Position machen die nächste Rechnung schneller.

Jede Phase dient dem Handwerksbetrieb. Diente eine davon nur dem Dashboard von Zettelwerk, wäre das die Phase, die wegkommt.

Gewohnheiten brauchen Monate, nicht 21 Tage

Die meistzitierte Zahl der Gewohnheitsgestaltung ist 66 Tage. Sie stammt aus einer Studie von Phillippa Lally und Kollegen: 96 Freiwillige wählten ein Verhalten beim Essen, Trinken oder bei der Bewegung und führten es 12 Wochen lang täglich im selben Zusammenhang aus, etwa nach dem Frühstück, und bewerteten jeden Tag, wie automatisch es sich anfühlte. 82 lieferten genug Daten. Bei 62 davon passte eine Kurve, die schnell steigt und dann abflacht. Die Zeit bis zu 95 % des persönlichen Plateaus reichte von 18 bis 254 Tagen, und ein einzelner verpasster Tag beeinflusste den Prozess nicht wesentlich.⁵ Der Median lag bei 66 Tagen.⁶ Gardner, Lally und Wardle merken an, dass die populären 21 Tage offenbar aus Anekdoten über Patienten stammen, die sich an eine Schönheitsoperation gewöhnten, nicht aus der Gewohnheitsforschung.⁷

Eine systematische Übersicht von Ben Singh und Kollegen aus dem Jahr 2024 sammelte 20 Studien mit 2.601 Teilnehmenden. Die vier, die eine Zeit bis zur Gewohnheit berichteten, kamen auf Mediane von 59 bis 66 Tagen und Mittelwerte von 106 bis 154 Tagen, mit Einzelwerten von 4 bis 335 Tagen. Die meisten Studien hatten ein hohes Verzerrungsrisiko.⁶

Zwei Vorbehalte, bevor du das auf ein Produkt anwendest. Es ging um tägliche Gesundheitsverhalten, die die Teilnehmenden selbst gewählt hatten. Keine Studie maß eine App, einen Kauf oder eine Benachrichtigung. Und die Kurve wird von Wiederholungen getrieben, nicht vom Kalender.

Rechenbeispiel: Wie viele Wiederholungen bekommt Zettelwerk?

Eine Freiwillige in Lallys Studie, die täglich handelt, kommt in 12 Wochen auf 84 Wiederholungen. Ein Kunde von Zettelwerk, der einmal pro Woche Rechnungen schreibt, kommt in denselben 12 Wochen auf 12, ein Siebtel davon. Braucht eine Gewohnheit auch nur annähernd so viele Wiederholungen wie die täglichen Verhalten, dauert die Rechnungsgewohnheit in Kalenderzeit weit länger als 66 Tage. Das ist meine Schlussfolgerung, kein Befund.

Zettelwerk misst Gewohnheit deshalb über Monate, nicht über den Test. Und es sucht nach einem Verhalten, das sich öfter wiederholt als das Rechnungschreiben: nachsehen, wer bezahlt hat, was ein voll ausgelasteter Handwerksbetrieb an den meisten Tagen tun dürfte.

Habit Stacking bindet das Produkt an eine Routine, die es schon gibt

James Clears Habit Stacking koppelt eine neue Gewohnheit an eine bestehende, in der Form "Nach [bestehende Gewohnheit] werde ich [neue Gewohnheit]". Clear nennt es eine besondere Form einer Durchführungsabsicht und schreibt die Methode BJ Foggs Programm Tiny Habits zu.⁸ Die bestehende Routine wird zum Auslöser, also muss die Person nicht daran denken.

Die Belege darunter betreffen Durchführungsabsichten (Implementation Intentions), Pläne der Form "wenn Situation X eintritt, tue ich Y". Die Metaanalyse von Peter Gollwitzer und Paschal Sheeran über 94 unabhängige Tests fand einen mittleren bis großen Effekt auf das Erreichen von Zielen, $d = 0{,}65$.⁹ Das ist eine standardisierte Effektgröße, kein Versprechen, dass sich die Umsetzung verdoppelt. Gardner, Lally und Wardle machen denselben praktischen Punkt: Ein Auslöser innerhalb einer bestehenden Tagesroutine ist ein bequemer, stabiler Startpunkt für eine neue Gewohnheit.⁷

Für ein Produkt heißt das: nicht raten, wann eine Erinnerung kommen soll. Frag.

Rechenbeispiel: Zettelwerk fragt, wann der Papierkram passiert

Im Onboarding, nach der ersten Rechnung, stellt Zettelwerk eine Frage: "Wann machst du normalerweise deinen Papierkram?" Die Optionen sind "Nach dem letzten Auftrag des Tages", "Freitagnachmittag" und "Sonntagabend", dazu "Ich möchte keine Erinnerungen".

Eine Installateurin in Köln wählt die erste. Ihr Plan lautet: "Wenn ich den letzten Auftrag des Tages fertig habe, schicke ich die Rechnung dafür vom Handy." Zettelwerk schickt eine Erinnerung zu der Zeit, zu der sie meist fertig ist, die sie selbst einstellt, und nie mehr als eine am Tag.

Um zu wissen, ob die Frage hilft, stellt Zettelwerk sie einer zufälligen Hälfte der Neukunden und gibt der anderen Hälfte eine Standarderinnerung um 18:00 Uhr. Verglichen wird, in wie vielen der ersten 12 Wochen jeder Kunde mindestens eine Rechnung verschickt hat. Die Frage kostet nichts, und der Test ist leicht durchzuführen.

Unerledigte Aufgaben ziehen Menschen zurück, nur nicht aus dem üblichen Grund

Onboarding Checklisten berufen sich oft auf den Zeigarnik Effekt: die Behauptung aus Bluma Zeigarniks Experimenten von 1927, dass Menschen unterbrochene Aufgaben besser erinnern als abgeschlossene. Maria Ovsiankina, die ebenfalls mit Kurt Lewin arbeitete, berichtete 1928 einen verwandten Effekt: Menschen neigen dazu, unterbrochene Aufgaben wieder aufzunehmen, wenn sie die Gelegenheit bekommen.¹⁰

Eine Metaanalyse von Romain Ghibellini und Beat Meier aus dem Jahr 2025 fasste 59 Veröffentlichungen zusammen. Sie fand keinen Gedächtnisvorteil für unerledigte Aufgaben, aber eine allgemeine Neigung, sie wieder aufzunehmen. Ihr Fazit: Der Wiederaufnahmeeffekt ist eine allgemeine Tendenz, der Gedächtniseffekt hat keine allgemeine Gültigkeit.¹⁰

Das ändert den Gestaltungsauftrag ein wenig. Eine Checkliste wirkt nicht, weil ein offener Punkt am Gedächtnis nagt. Wenn sie wirkt, dann weil Menschen gern zurückkehren und fertig machen, was sie angefangen haben, sofern das Unfertige vor ihnen liegt und das Fertigmachen leicht ist. Die Checkliste muss also dort sichtbar sein, wo sie zurückkehren, und jeder Punkt muss schnell gehen.

Rechenbeispiel: Bringt die Checkliste von Zettelwerk Menschen zurück?

Zettelwerk zeigt die offenen Einrichtungspunkte (Mail bestätigen, Logo hinzufügen, Bank verbinden) auf dem Startbildschirm. Um die Wiederaufnahme zu messen, schaut es sich Kunden an, die die Einrichtung nicht abgeschlossen haben, und randomisiert, ob die Checkliste erscheint.

Von 1.000 ohne Checkliste kamen 240 innerhalb von sieben Tagen zurück, um mindestens einen Punkt zu erledigen, 24,0 %. Von 1.000 mit Checkliste waren es 310, 31,0 %. Mit demselben z Test wie oben ist die gepoolte Rate $0{,}275$, der Standardfehler $\sqrt{0{,}275 \times 0{,}725 \times 0{,}002} = 0{,}0200$ und $z = 0{,}070 / 0{,}0200 = 3{,}51$, ein p Wert unter $0{,}001$. Die Checkliste bringt Menschen zurück. Ob die erledigten Punkte dann die Bindung nach 60 Tagen heben, ist die nächste Frage, auf dieselbe Weise gemessen.

Ein Vorsprung lässt das Ziel näher wirken

Joseph Nunes und Xavier Drèze machten 2004 ein Experiment in einer Autowaschanlage in Los Angeles. Der Betrieb verteilte 300 Treuekarten. Die eine Version brauchte acht Stempel für eine Gratiswäsche. Die andere brauchte zehn, die ersten zwei als besondere Aktion schon gestempelt. Wirtschaftlich war beides identisch. Nur 19 % der Kunden mit der ersten Karte holten sich die Gratiswäsche, gegen 34 % mit der zweiten. Die zweite Gruppe kam auch schneller wieder.¹¹

Sie nannten es den Endowed Progress Effekt, den Effekt des geschenkten Fortschritts. Ihre Erklärung ist wichtig, weil eine frühere Fassung dieses Artikels sie falsch hatte. Der Vorsprung stellt die Aufgabe als eine dar, die begonnen und noch unvollständig ist, statt als eine, die noch nicht angefangen hat, und der Effekt scheint an dieser Wahrnehmung von Fortschritt zu hängen, nicht am Wunsch, die schon geschenkten Stempel nicht zu verschwenden.¹² Es ist also kein Sunk Cost Effekt. Auch der Grund, der für den Vorsprung genannt wurde, und die Einheiten, in denen Fortschritt gezählt wurde, veränderten die Größe des Effekts.¹²

Fürs Onboarding zählt die ehrliche Version Schritte, die die Person wirklich erledigt hat. Konto anlegen und Mail bestätigen sind echte Schritte. Als erledigt gezeigt, machen sie aus "sechs Dinge zu tun" ein "noch vier von sechs". Erfundener Fortschritt, ein Balken, der grundlos bei 20 % beginnt, ist die Version, die du meiden solltest.

Rechenbeispiel: die Checkliste von Zettelwerk mit echtem Vorsprung

Zettelwerk testet zwei Checklisten, jede an 1.000 zufällig gewählten Neukunden:

1. A: vier Punkte, keiner abgehakt (Logo, Bank, erste Rechnung, Zahlungserinnerung).
2. B: sechs Punkte, "Konto anlegen" und "Mail bestätigen" schon abgehakt, weil die Person beides erledigt hat.

Innerhalb von 14 Tagen erledigen 220 aus Gruppe A jeden Punkt, 22,0 %, und 290 aus Gruppe B, 29,0 %. Der relative Zuwachs ist $(0{,}29 - 0{,}22) / 0{,}22 = 0{,}318$, rund 32 %, siehe Grundlagen: Prozente. Die gepoolte Rate ist $0{,}255$, der Standardfehler $\sqrt{0{,}255 \times 0{,}745 \times 0{,}002} = 0{,}0195$ und $z = 0{,}070 / 0{,}0195 = 3{,}59$, ein p Wert von etwa 0,0003.

Dann die Prüfung, auf die es ankommt: Bleibt Gruppe B auch nach 60 Tagen besser, oder hat sie nur Kästchen abgehakt? Eine Checkliste, deren Zahlen steigen, während die Bindung flach bleibt, ist Dekoration.

Die Anstrengung wächst, je näher das Ziel kommt

Die Zielgradienten Hypothese stellte der Behaviorist Clark Hull 1932 auf. 1934 fand er, dass Ratten in einem geraden Gang schneller liefen, je näher sie dem Futter kamen. Ran Kivetz, Oleg Urminsky und Yuhuang Zheng prüften sie 2006 an Menschen, mit einer echten Treuekarte eines Cafés: Die Kundschaft kaufte öfter Kaffee, je näher sie dem Gratiskaffee kam, die Zeit zwischen den Käufen sank im Schnitt um 20 %. Eine Karte mit zwei schon eingetragenen "Bonusstempeln" ließ Menschen ebenfalls schneller fertig werden, und Kunden, die stärker beschleunigten, blieben eher im Programm.¹³

Ihr Modell beschreibt die Anstrengung als Funktion des Anteils der ursprünglichen Strecke, der noch zu gehen ist:

$$d = \frac{\text{steps remaining}}{\text{steps in total}}$$

Dabei ist $d$ die Zieldistanz, von 1 am Anfang bis 0 am Ziel, also die verbleibenden Schritte (steps remaining) geteilt durch alle Schritte (steps in total). Sinkt $d$, steigt die Anstrengung. Es ist ein schlichtes Verhältnis, siehe Grundlagen: Verhältnisse und Raten.

Deshalb ist "noch ein Schritt" stärker als ein Prozentsatz. Es benennt die kleine Reststrecke. Und deshalb funktioniert ein langer Prozess besser, wenn er in kurze Etappen mit jeweils eigenem Ziel zerlegt ist.

Rechenbeispiel: eine Stempelkarte an einem Kaffeerad in Dresden

Das Kaffeerad Neustadt (kaffeerad.example) ist ein erfundener mobiler Kaffeestand in Dresden mit einer Karte für zehn Stempel. Beim ersten Stempel ist $d = 9 / 10 = 0{,}9$. Beim achten ist $d = 2 / 10 = 0{,}2$.

Angenommen, ein Stammgast kommt zu Beginn der Karte alle 5,0 Tage und gegen Ende alle 4,0 Tage. Die Veränderung ist $(4{,}0 - 5{,}0) / 5{,}0 = -0{,}20$, 20 % schneller, so viel wie der Durchschnitt im Café der Studie. Die Besitzerin kann das in ihren eigenen Kassendaten sehen: den Abstand zwischen den Besuchen gegen die Stempelnummer auftragen. Schrumpft der Abstand gegen Ende, wirkt die Karte. Wenn nicht, ist die Karte ein Rabatt und sonst nichts.

Für Zettelwerk ist dieselbe Idee eine Zeile auf dem Startbildschirm: "Noch ein Schritt: Verbinde dein Konto, dann werden Zahlungen von selbst zugeordnet." Der Schritt muss echt sein, und er muss sich lohnen.

Onboarding Mails und das deutsche Recht

Onboarding läuft über Mails, also kommt das Recht ins Spiel. Die Regel für Werbemails steht in § 7 des Gesetzes gegen den unlauteren Wettbewerb (UWG): Werbung per elektronischer Post ohne vorherige ausdrückliche Einwilligung des Adressaten ist stets eine unzumutbare Belästigung (§ 7 Abs. 2 Nr. 2 UWG). Die wichtigste Ausnahme betrifft deine eigenen Kunden: Hast du die Mailadresse im Zusammenhang mit dem Verkauf einer Ware oder Dienstleistung bekommen, darfst du sie für Werbung für eigene ähnliche Waren oder Dienstleistungen nutzen, solange der Kunde nicht widersprochen hat und bei der Erhebung und bei jeder Mail klar darauf hingewiesen wird, dass er jederzeit widersprechen kann (§ 7 Abs. 3 UWG).¹⁴ Durchgesetzt wird das vor allem über Abmahnungen von Mitbewerbern und Verbänden.¹⁵

Nicht jede Onboarding Mail ist Werbung. Eine Rechnung, eine Bestätigung, eine sachliche Information über den Vertrag ist keine. Aber die Grenze ist eng: Der Bundesgerichtshof hat 2018 entschieden (Az. VI ZR 225/17), dass eine Bitte um eine Kundenzufriedenheitsbewertung per Mail Werbung ist, auch wenn sie in derselben Mail steckt, mit der die Rechnung kommt. Die Rechnung allein wäre keine Werbung gewesen, der angehängte Bewertungsaufruf machte die Mail dazu, und weil der Kunde vorher nicht auf sein Widerspruchsrecht hingewiesen worden war, war sie unzulässig.¹⁶ Für Onboarding heißt das: Sobald eine Mail für ein Upgrade, ein Angebot oder eine weitere Leistung wirbt, oder auch nur um eine Bewertung bittet, gelten die Regeln für Werbung für die ganze Mail.

Bei einem Testprodukt ist die Ausnahme für Bestandskunden heikel. Das Gesetz spricht vom Verkauf einer Ware oder Dienstleistung, und eine kostenlose Testphase ist noch kein Kauf. Verlass dich deshalb nicht darauf, dass die Anmeldung zum Test schon reicht. Der sichere Weg ist ein eigenes, nicht vorangekreuztes Kästchen für Produktneuigkeiten bei der Anmeldung, und spätestens ab dem ersten bezahlten Monat greift die Ausnahme, wenn du bei der Erhebung auf das Widerspruchsrecht hingewiesen hast. Eine Ausnahme für Mails an Unternehmen kennt § 7 Abs. 2 Nr. 2 UWG nicht, die Regel gilt für jeden Adressaten.¹⁴ Handwerksbetriebe sind also genauso geschützt wie Verbraucher.

Rechenbeispiel: die fünf Onboarding Mails von Zettelwerk sortieren

1. "Bestätige deine Mailadresse." Keine Werbung, eine sachliche Mail zum Konto.
2. "Deine erste Rechnung ist beim Kunden angekommen." Keine Werbung, sie berichtet über das Konto.
3. "Dein Test endet in drei Tagen. So geht es weiter, und so kündigst du." Keine Werbung, solange sie sachlich bleibt. Ein Satz wie "Bewerte uns mit fünf Sternen" am Ende würde sie nach dem Urteil des BGH zur Werbung machen.¹⁶
4. "Jetzt upgraden und den ersten Monat für 9 € bekommen." Werbung. Zettelwerk schickt sie nur an die, die bei der Anmeldung das Kästchen für Produktneuigkeiten selbst angekreuzt haben, und die Mail enthält einen Abmeldelink.
5. "Drei Wege, mit Zettelwerk Pro schneller an dein Geld zu kommen." Werbung, weil sie für ein Upgrade wirbt. Dieselben Bedingungen wie bei der vierten.

Der Ablauf beginnt oben mit dem Entwurf. Die erste Frage trennt sachliche Mails von Werbung. Nur Werbung geht weiter zur zweiten Frage, nach Einwilligung oder Bestandskundenausnahme, und jede Werbemail, die rausgeht, enthält einen Weg zum Abmelden. Die sichere Gewohnheit ist, sachliche Mails schlicht informativ zu halten und jede Werbung, auch die Bitte um eine Bewertung, in eine eigene Mail zu packen, die den Regeln für Werbung folgt.

Ein Onboarding Audit, in der richtigen Reihenfolge

Setzt man die Abschnitte zusammen, ist die Reihenfolge der Arbeit:

Der Ablauf geht von oben nach unten, vom Finden der Handlung bis zum Messen des Ergebnisses. Die ersten beiden Schritte entscheiden, worauf du zielst. Die mittleren räumen den Weg frei und bringen Menschen zurück. Die letzten beiden halten es rechtssicher und ehrlich in der Frage, ob irgendetwas davon gewirkt hat.

Bindung wird gestaltet, und dann gemessen

Der Unterschied zwischen Produkten, die zur Gewohnheit werden, und Produkten, die vergessen werden, ist selten Glück. Es ist der Weg von der Anmeldung zum ersten echten Nutzen, und was Menschen danach zurückbringt.

Finde deine Aktivierungshandlung in deinen eigenen Daten, dann teste sie. Entferne die Schritte davor. Nutze das Hook Modell als Landkarte. Rechne damit, dass Gewohnheiten Monate brauchen. Bind Erinnerungen an Routinen, die Menschen schon haben. Zeig unerledigte Aufgaben dort, wo Menschen zurückkehren, zähl nur echten Fortschritt und benenne den letzten Schritt. Halte sachliche Mails sachlich und Werbemails innerhalb der Regeln.

Nichts davon ist ein Trick, wenn jeder Teil wahr ist und der Kundschaft dient. Es ist, wie Menschen sich tatsächlich verhalten, zu ihren Gunsten genutzt. Ich wende diese Frameworks seit über zehn Jahren auf SaaS Onboarding und Kundenbindung an. Der Code in diesem Artikel läuft auf erfundenen Daten, also pass ihn an deine eigenen an, bevor du einem Ergebnis traust.

Footnotes

1. BJ Fogg, Fogg Behavior Model, B=MAP, behaviormodel.org, https://www.behaviormodel.org/

2. Michael I. Norton, Daniel Mochon und Dan Ariely, The "IKEA effect": when labor leads to love, Harvard Business School Working Paper 11 091, 2011 (erschienen im Journal of Consumer Psychology, 2012), https://www.hbs.edu/ris/Publication%20Files/11-091.pdf

3. Nir Eyal mit Ryan Hoover, Hooked: How to Build Habit Forming Products, Portfolio Penguin, https://www.penguin.co.uk/books/278201/hooked/9780241184837

4. Nir Eyal, The Hooked Model: How to Manufacture Desire in 4 Steps, nirandfar.com, https://www.nirandfar.com/how-to-manufacture-desire/

5. Phillippa Lally, Cornelia H. M. van Jaarsveld, Henry W. W. Potts und Jane Wardle, How are habits formed: modelling habit formation in the real world, European Journal of Social Psychology 40(6), Seiten 998 bis 1009, 2010, doi 10.1002/ejsp.674, Eintrag mit Abstract bei Crossref, https://api.crossref.org/works/10.1002/ejsp.674

6. Ben Singh, Andrew Murphy, Carol Maher und Ashleigh E. Smith, Time to form a habit: a systematic review and meta analysis of health behaviour habit formation and its determinants, Healthcare 12(23), 2488, 2024, https://pmc.ncbi.nlm.nih.gov/articles/PMC11641623/

7. Benjamin Gardner, Phillippa Lally und Jane Wardle, Making health habitual: the psychology of habit formation and general practice, British Journal of General Practice 62(605), Seiten 664 bis 666, 2012, https://pmc.ncbi.nlm.nih.gov/articles/PMC3505409/

8. James Clear, How to build new habits by taking advantage of old ones (Habit Stacking), jamesclear.com, https://jamesclear.com/habit-stacking

9. Peter M. Gollwitzer und Paschal Sheeran, Implementation intentions and goal achievement: a meta analysis of effects and processes, Advances in Experimental Social Psychology 38, Seiten 69 bis 119, 2006, Repositorium der Universität Konstanz, https://kops.uni-konstanz.de/entities/publication/2e749bfb-8533-437c-8203-7e788c910c5f

10. Romain Ghibellini und Beat Meier, Interruption, recall and resumption: a meta analysis of the Zeigarnik and Ovsiankina effects, Humanities and Social Sciences Communications 12, 962, 2025, https://www.nature.com/articles/s41599-025-05000-w

11. Joseph C. Nunes und Xavier Drèze, Your Loyalty Program Is Betraying You, Harvard Business Review, April 2006 (die Grafik "The effect of a jump start"), https://hbr.org/2006/04/your-loyalty-program-is-betraying-you

12. Joseph C. Nunes und Xavier Drèze, The endowed progress effect: how artificial advancement increases effort, Journal of Consumer Research 32(4), Seiten 504 bis 512, 2006, Abstract bei EconPapers, https://econpapers.repec.org/RePEc:oup:jconrs:v:32:y:2006:i:4:p:504-512

13. Ran Kivetz, Oleg Urminsky und Yuhuang Zheng, The goal gradient hypothesis resurrected: purchase acceleration, illusionary goal progress, and customer retention, Journal of Marketing Research 43, Seiten 39 bis 58, 2006, https://business.columbia.edu/sites/default/files-efs/pubfiles/1200/goalgradient.pdf

14. Bundesministerium der Justiz, Gesetz gegen den unlauteren Wettbewerb (UWG), § 7 Unzumutbare Belästigungen, Absätze 2 und 3, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/uwg_2004/__7.html

15. Bundesministerium der Justiz, Gesetz gegen den unlauteren Wettbewerb (UWG), § 8 Beseitigung und Unterlassung, Absatz 3, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/uwg_2004/__8.html

16. Verlag Dr. Otto Schmidt, Konsequenzen bei Kundenzufriedenheitsbefragung in der Rechnungs E Mail, zu BGH, Urteil vom 10. Juli 2018, Az. VI ZR 225/17, otto-schmidt.de, 14. September 2018, https://www.otto-schmidt.de/news/wirtschaftsrecht/konsequenzen-bei-kundenzufriedenheitsbefragung-in-der-rechnungs-e-mail-2018-09-14.html