Empfehlungen und virale Mechanik: exponentielles Wachstum gestalten

Alle erzählen von Dropbox, also fang damit an, was dort wirklich steht

Jeder Vortrag über Empfehlungen greift zu Dropbox. Der Gründer Drew Houston hat die Zahlen im April 2010 in einer öffentlichen Präsentation gezeigt. Dropbox hatte im September 2008 100.000 registrierte Nutzer und im Januar 2010, 15 Monate später, 4.000.000, vor allem durch Mundpropaganda und virale Funktionen. Zu diesem Zeitpunkt kamen 35 % der täglichen Anmeldungen aus dem Empfehlungsprogramm und weitere 20 % aus geteilten Ordnern und anderen viralen Funktionen.¹ Von 100.000 auf 4.000.000 ist ein Faktor von 40, das oft zitierte "Wachstum um 3.900 %" stimmt also rechnerisch.

Zwei Details aus derselben Präsentation zählen mehr als die Schlagzeile. Erstens hatte Dropbox bezahlte Suchanzeigen versucht, und das ist gescheitert: Kosten pro Neukunde von 233 bis 388 Dollar für ein Produkt für 99 Dollar. Zweitens hat das Empfehlungsprogramm mit einem Anreiz für beide Seiten, inspiriert vom Anmeldebonus bei PayPal, die Anmeldungen laut Präsentation dauerhaft um 60 % gesteigert ("permanently increased signups by 60%").¹ Die Mechanik läuft bis heute. Ein Konto Dropbox Basic bekommt pro Empfehlung 500 MB, bis zu 16 GB, und wer sich über den Link anmeldet, bekommt ebenfalls 500 MB.²

Dropbox hatte also ein Produkt, das Menschen teilen wollten, einen Markt, den Suchanzeigen nicht erreichten, und eine Belohnung, die das Produkt selbst war. Das ist keine Formel, die du in einen Fahrradladen kopieren kannst. Was du kopieren kannst, ist die Rechnung und die Gewohnheit, sie zu messen.

Durch den ganzen Artikel nutze ich ein erfundenes Unternehmen. Speichenwerk verkauft aus einer Halle in Leipzig online Zubehör fürs Radfahren, unter speichenwerk.example, und wird von Selin geführt. Niemand davon ist echt, und jede Zahl in ihren Beispielen ist erfunden, damit ich jeden Schritt zeigen kann.

Belohnungen für beide Seiten machen aus einem Gefallen ein Geschenk

Die erste Entscheidung in jedem Empfehlungsprogramm ist, wer belohnt wird. In einem einseitigen Programm bekommt nur die Person etwas, die empfiehlt: "Empfiehl uns weiter, bekomm 10 €." In einem zweiseitigen bekommen es beide: "Schenk 10 €, bekomm 10 €", oder bei Dropbox je 500 MB.

Das Argument für zweiseitig ist psychologisch. Bei einer einseitigen Belohnung bittet die Empfehlende eine Freundin um etwas, das der Empfehlenden selbst etwas bringt. Das ist unangenehm, und viele sagen dann lieber gar nichts. Bei einer zweiseitigen Belohnung überreicht die Empfehlende etwas von Wert. Das Gespräch ändert sich von "tu mir einen Gefallen" zu "hier, nimm das". Forschung zum Empfehlungsprogramm einer deutschen Bank weist auch auf die Kehrseite von Belohnungen hin: Wer für eine Empfehlung bezahlt wird, wirkt auf die Freundin vielleicht weniger vertrauenswürdig.³ Der Freundin einen Teil des Werts zu geben, hilft auch dabei.

Die alte Fassung dieses Artikels sagte, zweiseitige Programme schlügen einseitige "um ungefähr das Doppelte". Eine Studie hinter einer solchen allgemeinen Zahl habe ich nicht gefunden, also habe ich sie gestrichen. Die 60 % von Dropbox sind eine Firma zu einem Zeitpunkt.¹ Die richtige Zahl für deinen Shop ist die, die du misst.

Beispiel: Selin testet einseitig gegen zweiseitig

Acht Wochen lang teilt Selin ihre Neukunden per Zufall in zwei Gruppen zu je 500 auf. Beide bekommen einen Empfehlungslink auf der Kontoseite und in der Bestellbestätigung.

Gruppe A bekommt ein einseitiges Angebot: 10 € Guthaben, wenn eine Freundin eine erste Bestellung aufgibt. Von den 500 teilen 60 ihren Link. Ihre Links bringen 150 neue Besucher, und 15 davon geben eine erste Bestellung auf.

Gruppe B bekommt ein zweiseitiges Angebot: Die Freundin bekommt 10 € Rabatt auf die erste Bestellung, und die Empfehlende bekommt 10 € Guthaben. Von den 500 teilen 85. Ihre Links bringen 230 neue Besucher, und 35 geben eine erste Bestellung auf.

Die empfohlenen Kunden pro ursprünglichem Kunden sind:

$$\frac{15}{500} = 0{,}03 \qquad \frac{35}{500} = 0{,}07$$

Ist der Unterschied echt oder Rauschen? Ein Test für zwei Anteile (erklärt in Grundlagen: Hypothesentests) fasst beide Gruppen zu $\frac{50}{1.000} = 0{,}05$ zusammen, ergibt einen Standardfehler von $\sqrt{0{,}05 \times 0{,}95 \times \left(\frac{1}{500} + \frac{1}{500}\right)} = 0{,}0138$ und eine Teststatistik von $\frac{0{,}07 - 0{,}03}{0{,}0138} = 2{,}90$. Das ist ein p Wert von rund $0{,}004$, Zufall ist also sehr unwahrscheinlich.

Dann die Kosten. Gruppe A hat 10 € pro empfohlenem Kunden bezahlt, insgesamt 150 €. Gruppe B hat 20 € pro empfohlenem Kunden bezahlt, insgesamt 700 €. Selins bezahlte Anzeigen kosten sie 24 € pro Neukunde. Das zweiseitige Angebot kostet pro empfohlenem Kunden doppelt so viel, liegt immer noch unter ihren Kosten für bezahlte Kunden und bringt mehr als doppelt so viele. Für ihren Shop gewinnt zweiseitig. Die Zahlen sind erfunden. Die Methode, eine zufällige Aufteilung und acht Wochen, funktioniert mit echten Kunden.

Wähl die Belohnung, die deine Kunden wirklich wollen

Dropbox hat Speicher verschenkt, weil Speicher der Grund war, Dropbox zu nutzen. Die üblichen Möglichkeiten sind Geld oder Guthaben (Guthaben holt die Empfehlende in den Shop zurück), mehr vom Produkt selbst (Speicher, Funktionen, ein Gratismonat), exklusiver Zugang bei Produkten, mit denen Menschen gern gesehen werden, eine Spende an eine benannte gemeinnützige Organisation für Kunden, die sich für eine Empfehlung lieber nicht bezahlen lassen, und gestufte Belohnungen für die wenigen, die viel empfehlen.

Ein Beispiel: Selins Kunden sind vor allem Vereinsfahrer und Pendler. Ein Guthaben für die nächste Bestellung passt zu beiden, weil Schläuche und Bremsbeläge immer wieder gekauft werden. Eine Mitgliederstufe würde zu den Vereinsfahrern passen, aber das ist ein zweites Programm, das betreut werden will, also hebt sie es sich als späteren Test auf.

Der virale Koeffizient zählt, wie viele Kunden jeder Kunde bringt

Der virale Koeffizient, meist $K$ geschrieben, ist die nützlichste Zahl in der Arbeit mit Empfehlungen. David Skok definiert ihn in einem viel zitierten Beitrag über virales Wachstum als die Zahl der Einladungen mal ihre Conversion Rate.⁴

$$K = i \times c$$

Dabei ist $K$ der virale Koeffizient, die Zahl neuer Kunden, die ein Kunde mitbringt. $i$ ist die durchschnittliche Zahl der Einladungen pro Kunde, gezählt über alle Kunden, auch die vielen, die keine verschicken. $c$ ist die Rate, mit der aus diesen Einladungen Kunden werden. $i$ und $c$ sind einfache Raten, Ereignisse geteilt durch Gelegenheiten, wie in Grundlagen: Verhältnisse und Raten erklärt.

Es hilft, $i$ in zwei Teile zu zerlegen: den Anteil der Kunden, die überhaupt jemanden einladen, und wie viele Menschen jeder davon erreicht.

Was der Wert von $K$ bedeutet:

• $K$ über 1: Jeder Kunde bringt mehr als einen neuen Kunden, das Wachstum nährt sich also selbst, ohne bezahlte Akquise. Skok sagt es deutlich: Solange der virale Koeffizient nicht größer als 1 ist, hast du kein echtes virales Wachstum.⁴
• $K$ gleich 1: Jeder Kunde ersetzt sich selbst, aus einem einzigen bezahlten Kunden wird also ein langsamer, gleichmäßiger Strom.
• $K$ unter 1: Jede Kette von Empfehlungen läuft aus. Das Programm bringt trotzdem Kunden, braucht aber bezahlte oder organische Akquise, die es füttert.

Beispiel: Selins viraler Koeffizient

Im März haben 1.000 Menschen eine erste Bestellung aufgegeben. In den zwei Monaten danach haben 180 von ihnen ihren Empfehlungslink geteilt. Ihre Links brachten 520 neue Besucher, und 78 dieser Besucher gaben eine erste Bestellung auf.

Der Anteil derer, die geteilt haben, ist $\frac{180}{1.000} = 0{,}18$. Jede Person, die geteilt hat, erreichte $\frac{520}{180} = 2{,}89$ Menschen. Über alle 1.000 Kunden sind die Einladungen pro Kunde $i = \frac{520}{1.000} = 0{,}52$. Die Conversion Rate ist $c = \frac{78}{520} = 0{,}15$. Also:

$$K = 0{,}52 \times 0{,}15 = 0{,}078$$

$K$ liegt also bei rund 0,08: Jeder Neukunde bringt 0,08 weitere. Das ist weit von viral entfernt. Das schwächste Glied ist offensichtlich: 82 % der Kunden teilen nie.

Dieselbe Rechnung in Python, für jede Monatskohorte:

def viral_coefficient(customers, sharers, invitations, converted):
    """K Faktor für eine Kohorte von Neukunden."""
    share_rate = sharers / customers
    reach_per_sharer = invitations / sharers if sharers else 0
    i = invitations / customers          # Einladungen pro Kunde, alle mitgezählt
    c = converted / invitations if invitations else 0
    return {
        "share_rate": share_rate,
        "reach_per_sharer": reach_per_sharer,
        "i": i,
        "c": c,
        "k": i * c,
    }

march = viral_coefficient(customers=1000, sharers=180, invitations=520, converted=78)
for name, value in march.items():
    print(f"{name:18} {value:.3f}")

Auch ein Koeffizient unter eins lässt jeden bezahlten Kunden weiter reichen

Skok selbst erwartet, dass viele Unternehmen unter 1 bleiben und die Lücke mit bezahlter Akquise schließen, ein Modell, das er hybrid viral nennt.⁴ Die alte Fassung dieses Artikels ergänzte, die meisten Produkte lägen zwischen 0,1 und 0,4, mit einer Tabelle von Richtwerten nach Kategorie. Diese Zahlen konnte ich nicht belegen, also habe ich sie gestrichen. Was ich genau zeigen kann, ist, was ein $K$ unter 1 wert ist.

Ein bezahlter Kunde bringt $K$ empfohlene Kunden. Die bringen $K^2$, die wiederum $K^3$ und so weiter. Die Summe ist eine geometrische Reihe:

$$T = P \times \left(1 + K + K^2 + K^3 + \dots\right) = \frac{P}{1 - K}$$

Dabei ist $T$ die Gesamtzahl der Kunden, die du am Ende hast, $P$ die Zahl der Kunden, für die du bezahlt hast, und $K$ der virale Koeffizient, der unter 1 liegen muss, damit sich die Reihe auf eine endliche Summe einpendelt. Der Faktor $\frac{1}{1 - K}$ ist der Multiplikator auf jeden bezahlten Kunden. Wachstum, das sich auf sich selbst aufbaut, steht in Grundlagen: Zinseszins.

Die alte Fassung hatte hier etwas falsch. Sie sagte, ein $K$ von 0,3 mache aus jedem bezahlten Kunden 1,43 Kunden, was stimmt, und das senke die effektiven Kosten pro Kunde um 43 %, was nicht stimmt. Kosten 1,43 Kunden jetzt so viel wie früher einer, fallen die Kosten pro Kunde auf $\frac{1}{1{,}43} = 0{,}70$ des früheren Werts, eine Senkung um 30 %, und das vor den Belohnungen. Die 43 % sind der Zuwachs an Kunden, nicht die Ersparnis bei den Kosten. Die Mathematik des Wachstumsmarketings hinter den Akquisekosten (Customer Acquisition Cost, CAC) funktioniert genauso.

Beispiel: was Selins Koeffizient wert ist

Mit $K = 0{,}078$ ist der Multiplikator:

$$\frac{1}{1 - 0{,}078} = 1{,}085$$

Aus je 1.000 Kunden, für die Selin bezahlt, werden rund 1.085 Kunden. Ihre bezahlten Kosten von 24 € pro Neukunde werden zu $\frac{24}{1{,}085} = 22{,}12$ € pro Kunde, wenn die Empfehlungen mitzählen, rund 8 % weniger, vor den Kosten der Belohnungen, die das letzte Beispiel wieder dazurechnet.

Hebt sie den Anteil der Kunden, die teilen, von 18 % auf 30 % und ändert sonst nichts, wird $i$ zu $0{,}30 \times 2{,}89 = 0{,}87$, $K$ zu $0{,}87 \times 0{,}15 = 0{,}13$ und der Multiplikator zu $\frac{1}{1 - 0{,}13} = 1{,}15$. Das schwächste Glied lässt sich meist am leichtesten bewegen.

Die Zykluszeit entscheidet, wann die empfohlenen Kunden kommen

Die virale Zykluszeit ist die Dauer einer Runde der Schleife: vom Moment, in dem ein Kunde dazukommt, bis zu dem Moment, in dem die Menschen dazukommen, die er eingeladen hat. Skok begründet ihre Bedeutung mit YouTube gegen Tabblo, eine Seite zum Teilen von Fotos aus derselben Zeit. Auf YouTube sah jemand ein lustiges Video und schickte den Link sofort weiter. Bei Tabblo kam eine Freundin vielleicht erst wieder, wenn sie selbst Fotos zu teilen hatte, und das konnte Monate dauern.⁴

Skok hat auch einen verbreiteten Fehler in Formeln für virales Wachstum korrigiert: Sie nehmen an, dass der gesamte Kundenstamm in jedem Zyklus weiter Einladungen verschickt.⁴ In seinem Modell lädt jeder Kunde einmal ein, im Zyklus nach seinem Beitritt. Als Formel:

$$N(t) = N_0 \times \frac{K^{\,t / c_t + 1} - 1}{K - 1}$$

Dabei ist $N(t)$ die Gesamtzahl der Kunden nach $t$ Tagen, $N_0$ die Zahl, mit der du startest, $K$ der virale Koeffizient, $c_t$ die Zykluszeit in Tagen und $\frac{t}{c_t}$ die Zahl der abgeschlossenen Zyklen. Es ist die geometrische Reihe aus dem vorigen Abschnitt, nach einer bestimmten Zahl von Zyklen abgebrochen, und sie gilt für $K$ über wie unter 1. Den Hintergrund liefert Grundlagen: Zinseszins. Skoks eigenes Beispiel bestätigt sie: Starte mit 10 Nutzern, $K = 2$ und einem Zyklus von zwei Tagen, und nach 20 Tagen hast du $10 \times (2^{11} - 1) = 20.470$ Nutzer. Halbiere den Zyklus auf einen Tag, und du hast über 20 Millionen.⁴

Die alte Fassung dieses Artikels behauptete, bei einem $K$ unter 1 bringe es mehr, die Zykluszeit zu halbieren, als $K$ zu verdoppeln. Ihr eigenes Szenario zeigt das Gegenteil, also habe ich es korrigiert. Unter 1 pendelt sich die Reihe auf $\frac{N_0}{1 - K}$ ein, egal wie schnell die Zyklen laufen. Ein kürzerer Zyklus bringt dich schneller zu dieser Summe, kann sie aber nicht größer machen. $K$ zu verdoppeln hebt die Summe selbst.

Beispiel: den Zyklus halbieren gegen den Koeffizienten verdoppeln

Nimm an, ein Unternehmen startet mit 1.000 Kunden und läuft 84 Tage. Drei Szenarien:

• $K = 0{,}4$ mit einem Zyklus von 14 Tagen: sechs Zyklen, $1.000 \times \frac{1 - 0{,}4^7}{1 - 0{,}4} = 1.664$ Kunden.
• $K = 0{,}8$ mit einem Zyklus von 14 Tagen: sechs Zyklen, $1.000 \times \frac{1 - 0{,}8^7}{1 - 0{,}8} = 3.951$ Kunden.
• $K = 0{,}4$ mit einem Zyklus von 7 Tagen: zwölf Zyklen, $1.000 \times \frac{1 - 0{,}4^{13}}{1 - 0{,}4} = 1.667$ Kunden.

Die waagrechte Achse zeigt die Tage seit dem Start, die senkrechte die Gesamtzahl der Kunden. Die beiden Linien mit $K = 0{,}4$ enden am selben Punkt, bei rund 1.667, und der kürzere Zyklus kommt einfach in einem Monat statt in drei dorthin. Die Linie mit $K = 0{,}8$ steigt weiter, auf mehr als das Doppelte. Unter 1 geht es bei der Zykluszeit um Liquidität und Timing. Beim Koeffizienten geht es darum, wie viele Kunden du bekommst.

Über 1 wird die Zykluszeit dramatisch, weil die neueste Generation von Kunden $K^{t / c_t}$ mal so groß ist wie die erste, und ein halbierter Zyklus verdoppelt den Exponenten. Den Zyklus zu halbieren, ist dasselbe, wie $K$ pro altem Zyklus zu quadrieren. Mit $K = 1{,}2$ ergeben dieselben 84 Tage 12.916 Kunden bei einem Zyklus von 14 Tagen und 48.497 bei einem von 7 Tagen. Ob das ein verdoppeltes $K$ schlägt, hängt von $K$ selbst ab, denn Quadrieren schlägt Verdoppeln erst über 2. Das praktische Argument für die Zykluszeit ist Skoks Punkt mit YouTube: Ein Zyklus kann von Monaten auf Minuten schrumpfen.

Das Modell in Python, für deine eigenen Zahlen:

def customers_after(days, start, k, cycle_days):
    """Skoks Modell: Jeder Kunde lädt einmal ein, im Zyklus nach seinem Beitritt."""
    cycles = days // cycle_days
    if k == 1:
        return start * (cycles + 1)
    return start * (k ** (cycles + 1) - 1) / (k - 1)

for k, cycle in [(0.4, 14), (0.8, 14), (0.4, 7), (1.2, 14), (1.2, 7)]:
    print(f"K={k}, cycle={cycle} days: {customers_after(84, 1000, k, cycle):,.0f}")

Den Zyklus verkürzen, ohne die Grenze zu überschreiten

Die Wege, einen Zyklus zu verkürzen, laufen meist darauf hinaus, Verzögerung zu entfernen:

• Frag früh, solange der Kunde am zufriedensten ist. Bei einem Shop ist das meist kurz nach der Lieferung, nicht im Checkout.
• Mach den Link leicht auffindbar: auf der Kontoseite, in der Bestellbestätigung, auf einer Karte im Paket.
• Sag Empfehlenden sofort Bescheid, wenn die Bestellung der Freundin verschickt ist und ihr Guthaben da ist. Das schließt die Schleife und regt das nächste Teilen an. Die Psychologie hinter diesem Anstoß steht in Onboarding und Gewohnheitsbildung.
• Nutz eine echte Frist, etwa doppeltes Guthaben für Empfehlungen im Dezember, mit einem echten Enddatum.

Zwei Taktiken aus der alten Fassung dieses Artikels sind weg. Kunden für verschickte Einladungen zu belohnen statt für Freunde, die kaufen, bezahlt Menschen dafür, Nachrichten zu verschicken, und der nächste Abschnitt erklärt, warum das in Deutschland ein rechtliches Problem ist. Fertig formulierte Nachrichten, die Kunden an Freunde mailen sollen, haben dasselbe Problem.

Ein Beispiel: Selin verschiebt ihren Hinweis auf das Empfehlungsprogramm vom Checkout in die Versandmail, legt eine gedruckte Karte ins Paket und schickt der Empfehlenden eine Mail, wenn die Bestellung der Freundin verschickt wird. Nichts davon sagt der Kundin, wen sie wie kontaktieren soll.

Das deutsche Recht zu Empfehlungsmails und belohnten Empfehlungen

Die erste Regel steht in § 7 des Gesetzes gegen den unlauteren Wettbewerb (UWG). Werbung per elektronischer Post ohne vorherige ausdrückliche Einwilligung des Adressaten ist danach stets eine unzumutbare Belästigung (§ 7 Abs. 2 Nr. 2 UWG). Die wichtigste Ausnahme betrifft deine eigenen Kunden: Hast du die Mailadresse im Zusammenhang mit einem Verkauf bekommen, darfst du sie für Werbung für eigene ähnliche Waren nutzen, solange der Kunde nicht widersprochen hat und bei der Erhebung und bei jeder Mail klar auf sein Widerspruchsrecht hingewiesen wird (§ 7 Abs. 3 UWG).⁵ Für die Freundin gilt diese Ausnahme nicht, denn sie hat bei dir nichts gekauft.

Wie das für Empfehlungsfunktionen ausgeht, hat der Bundesgerichtshof am 12. September 2013 entschieden (Az. I ZR 208/12, Empfehlungs E Mail). Auf der Website eines Unternehmens konnten Nutzer ihre eigene Mailadresse und die eines Dritten eingeben, worauf die Website eine automatisch erzeugte Mail mit einem Hinweis auf das Unternehmen an den Dritten schickte. Der BGH urteilte, eine solche Funktion sei nicht anders zu beurteilen als eine unverlangt verschickte Werbemail des Unternehmens selbst. Dass der Versand letztlich auf den Willen eines Dritten zurückgeht, ändere nichts an der Einordnung als Werbung, und das Unternehmen hafte als Täter, weil die Funktion gerade zu diesem Zweck bereitgestellt war und das Unternehmen beim Empfänger als Absender erschien. Das Urteil stützte sich auf § 7 Abs. 2 Nr. 3 UWG in der damaligen Fassung, dieselbe Regel für elektronische Post steht heute in Nr. 2.⁶⁵

Die zweite Regel betrifft die Aktion selbst. Nach dem Digitale Dienste Gesetz (DDG) müssen Angebote zur Verkaufsförderung wie Preisnachlässe, Zugaben und Geschenke in digitalen Diensten klar als solche erkennbar sein, und die Bedingungen für ihre Inanspruchnahme müssen leicht zugänglich sowie klar und unzweideutig angegeben sein.⁷ Ein Empfehlungsguthaben braucht also klare Bedingungen. Und ein "doppeltes Guthaben nur diese Woche" braucht eine Woche, die wirklich endet, denn die unwahre Angabe, ein Angebot sei nur für einen sehr begrenzten Zeitraum verfügbar, ist nach Nr. 7 des Anhangs zum UWG stets unzulässig.⁸

Bei Empfehlungen in sozialen Medien zählt der kommerzielle Zweck. Unlauter handelt nach § 5a Abs. 4 UWG, wer den kommerziellen Zweck einer geschäftlichen Handlung nicht kenntlich macht, sofern er sich nicht unmittelbar aus den Umständen ergibt. Bei einer Handlung zugunsten eines fremden Unternehmens liegt ein kommerzieller Zweck vor, wenn der Handelnde dafür ein Entgelt oder eine ähnliche Gegenleistung erhält oder sich versprechen lässt.⁹ Eine Kundin, die ihren Empfehlungscode gegen Guthaben öffentlich postet, bekommt genau so eine Gegenleistung. Das DDG verlangt zudem, dass kommerzielle Kommunikation klar als solche zu erkennen ist.⁷ Und wenn du Bewertungen belohnst statt Empfehlungen, gilt Nr. 23c des Anhangs zum UWG, der gefälschte Bewertungen und die falsche Darstellung von Bewertungen und Empfehlungen in sozialen Medien zur Verkaufsförderung stets verbietet.⁸ Halte die beiden Programme auseinander.

Der Ablauf geht von oben nach unten, und es geht darum, wer was tut. Das Unternehmen schreibt nur seinen eigenen Kunden, und die Freundin kommt aus eigener Entscheidung.

Beispiel: Selin prüft ihr Programm gegen die Regeln

Selin hatte ein Formular "erzähl drei Freunden davon" geplant, das jeder Freundin per Mail einen Rabatt schicken sollte. Das ist genau die Konstellation aus dem Urteil des BGH, denn der Shop würde die Mails selbst verschicken,⁶ also streicht sie es. Der Code steht auf der Kontoseite und auf der Karte im Paket. Ihre Versandmail erwähnt das Programm in einer Zeile, mit einem Link auf die Bedingungen und ohne vorformulierte Nachricht. Die Bedingungen sagen, wer mitmachen kann (ein Neukunde mit einer neuen Lieferadresse), wann das Guthaben gutgeschrieben wird (wenn die Bestellung der Freundin verschickt wird) und dass das doppelte Guthaben im Dezember am 31. Dezember um Mitternacht endet. Sie ergänzt eine Zeile in den Bedingungen, die Kundinnen, die ihren Code öffentlich posten, bittet, klarzumachen, dass sie dafür ein Guthaben bekommen.

Virale Effekte bringen Nutzer, Netzwerkeffekte machen jeden Nutzer mehr wert

Ein viraler Effekt ist eine Mechanik der Akquise: Bestehende Nutzer bringen neue, durch Empfehlung, durch Teilen oder weil die Nutzung das Produkt anderen zeigt. Bei Dropbox kamen 20 % der täglichen Anmeldungen aus geteilten Ordnern und anderen viralen Funktionen, getrennt vom Empfehlungsprogramm.¹ Ein Produkt kann viral sein, ohne durch mehr Nutzer besser zu werden.

Ein Netzwerkeffekt ist eine Mechanik des Werts. Das Produkt wird für jeden Nutzer wertvoller, je mehr Menschen es nutzen. Das Telefon ist der klassische Fall: Ein Telefon ist nutzlos, eine Million sind ein Netz. Ein Produkt kann Netzwerkeffekte haben, ohne sich von selbst zu verbreiten.

Netzwerkeffekte gibt es in ein paar Arten: direkt (mehr Nutzer derselben Art, wie bei Messengern), indirekt oder seitenübergreifend (Käufer ziehen auf einem Marktplatz Verkäufer an), über Daten (mehr Nutzung verbessert Suche oder Empfehlungen, unsichtbar für die Person, die empfehlen könnte) und über Kompatibilität (sobald genug Menschen ein Format nutzen, braucht es jeder). Hat ein Produkt beide Effekte, verstärken sie sich gegenseitig: Der virale Effekt zeigt sich in der Akquise, der Netzwerkeffekt vor allem in der Bindung.

Beispiel: eine App für Dienstpläne in Dresden

Dienstdeck ist eine erfundene App für die Dienstpläne von Cafépersonal aus Dresden, unter dienstdeck.example. 40 Cafés nutzen sie, jedes mit rund 12 Beschäftigten, die ein Konto brauchen, um ihre Schichten zu sehen. Die App hat einen eingebauten viralen Effekt: Wer den Job wechselt, bittet das nächste Café oft, sie auch zu nutzen.

Nimm an, 30 % der 480 Beschäftigten wechseln im Jahr den Job, das sind 144 Menschen, und 5 % davon überzeugen ihr neues Café, sich anzumelden. Das sind $144 \times 0{,}05 = 7{,}2$ neue Cafés im Jahr, der jährliche virale Koeffizient liegt also bei rund $\frac{7{,}2}{40} = 0{,}18$.

Was Dienstdeck nicht hat, ist ein Netzwerkeffekt zwischen Cafés. Der Dienstplan eines Cafés wird nicht besser, weil ein anderes Café die App nutzt. Will die Gründerin einen, muss sie ihn bauen, zum Beispiel indem Beschäftigte Schichten zwischen Cafés derselben Gruppe tauschen können. Das ist eine Produktentscheidung, keine Empfehlungskampagne.

Menschen empfehlen für den Status, um zu helfen oder für die Belohnung

Warum Menschen empfehlen, bestimmt, welche Mechanik wirkt. Dieser Artikel sortiert Empfehlungen nach drei Motiven, als Arbeitsmodell, nicht als Gesetz. Die meisten Kunden mischen alle drei, es geht also darum, das wichtigste für deine besten Kunden zu finden.

Status: Teilen sagt etwas Gutes über die Person, die empfiehlt, also passt es zu Produkten, mit denen Menschen gern gesehen werden. Öffentliches Teilen, sichtbarer Fortschritt, exklusiver Zugang und Anerkennung passen dazu. Geld kann hier schlecht ankommen, weil Bezahlung den Glanz nimmt.

Einer Freundin helfen: Die Empfehlende glaubt, dass die Freundin wirklich etwas davon hat, und das passt zu Produkten, die ein echtes Problem lösen. Eine Belohnung, die die Freundin bevorzugt, und einfaches persönliches Teilen passen dazu.

Die Belohnung: Die Empfehlende ist auf den Anreiz aus, und das passt zu Finanzprodukten und austauschbaren Waren. Ein klarer Wert, einfaches Tracking, schnelle Auszahlung und klare Bedingungen passen dazu.

Es gibt einen belegten Grund, sich die Mühe zu machen. Eine Studie mit rund 10.000 Kunden einer deutschen Bank über fast drei Jahre fand, dass empfohlene Kunden einen höheren Deckungsbeitrag hatten, eine höhere Bindungsrate und einen um mindestens 16 % höheren durchschnittlichen Wert als vergleichbare Kunden, die auf anderen Wegen gewonnen wurden.³ Das ist eine Bank, also ist es ein Grund, den Wert deiner eigenen empfohlenen Kunden zu messen, keine Zahl, die du in den Plan eines Shops einsetzt. Den Wert eines Kunden über die Zeit behandelt Grundlagen: Customer Lifetime Value.

Beispiel: Selins Mechanik zu ihren Kunden passen

Selin stellt 50 Kunden, die kürzlich empfohlen haben, eine Frage: Warum hast du geteilt? Die Antworten fallen in drei Gruppen. Vereinsfahrer sagen, sie wollten, dass ihre Vereinskollegen die Ausrüstung sehen, das ist Status. Pendler sagen, eine Freundin habe sich mit einem pannenanfälligen Reifen herumgeärgert, das ist Helfen. Eine kleinere Gruppe wollte einfach das Guthaben.

Für die Vereinsfahrer ergänzt sie eine Galerie "gefahren von" für Kunden, die zustimmen. Für die Pendler bleibt das zweiseitige Guthaben. Für die Guthabenjäger macht sie Bedingungen und Auszahlung schnell und klar. Drei Motive, drei kleine Änderungen, ein Programm.

Mundpropaganda verbreitet sich aus sechs Gründen, Bergers STEPPS

Viele Empfehlungen passieren ganz ohne Belohnung. Mehr dazu steht in Retention und Referral und Social Proof und Vertrauen. Ein viel genutztes Modell dafür, warum über Dinge gesprochen wird, stammt von Jonah Berger, aus seinem Buch Contagious, das sechs Prinzipien beschreibt, die Dinge sich verbreiten lassen.¹⁰ In einem Interview mit Knowledge at Wharton hat Berger sie unter dem Akronym STEPPS zusammengefasst.¹¹

• Social Currency (soziale Währung): Menschen sprechen über Dinge, die sie gut aussehen lassen.
• Triggers (Auslöser): "top of mind, tip of tongue". Hinweise im Alltag erinnern Menschen an ein Produkt und bringen sie dazu, darüber zu sprechen.
• Emotion: Was uns berührt, teilen wir. Je erregter Menschen sind, desto eher geben sie etwas weiter.
• Public (Sichtbarkeit): Sehen Menschen andere etwas tun, machen sie es eher nach.
• Practical Value (praktischer Nutzen): Nachrichten, die man brauchen kann. Menschen teilen Informationen, um anderen zu helfen.
• Stories (Geschichten): Ideen reisen in Erzählungen. Bergers Bild ist ein trojanisches Pferd, außen spannend, mit der Marke darin versteckt.¹¹

Das Prinzip der Emotion beruht auf einer veröffentlichten Studie. Berger und Katherine Milkman untersuchten drei Monate Artikel der New York Times und fanden, dass Inhalte, die stark erregende Gefühle wie Ehrfurcht, Wut oder Angst auslösen, viraler waren, während Inhalte mit wenig erregenden Gefühlen wie Traurigkeit weniger viral waren, auch nachdem berücksichtigt war, wie überraschend, interessant oder nützlich der Inhalt war.¹²

Eines von Bergers Beispielen für ein langweiliges Produkt, das bemerkenswert wurde, ist Blendtec, ein Hersteller von Mixern, dessen Videos "Will it blend?" alle möglichen Gegenstände in einen Mixer stecken, ein iPhone eingeschlossen.¹¹ Niemand teilt einen Mixer. Viele teilen einen Mixer, der ein Handy frisst.

Beispiel: Selins STEPPS Prüfung

Selin bewertet ihren Shop bei jedem Prinzip von 0 bis 10, ohne Gewichtung, weil die Werte dazu da sind, das schwächste Glied zu finden, nicht zum Zusammenzählen. Soziale Währung 6: Vereinsfahrer werden gern in guter Ausrüstung gesehen. Auslöser 3: Nichts in der Woche einer Radfahrerin erinnert sie an den Shop. Emotion 4: Ein gut gepacktes Paket freut, aber niemand staunt. Sichtbarkeit 5: Das Logo des Shops ist auf ein paar Produkten. Praktischer Nutzen 8: Ihre Anleitungen zur Montage sind wirklich nützlich. Geschichten 3: Es gibt keine Geschichte, die Menschen weitererzählen.

Die beiden schwächsten sind Auslöser und Geschichten. Für einen Auslöser verknüpft sie eine kurze Mail mit etwas, das jede Radfahrerin erlebt, dem ersten kalten Samstag im Herbst, mit einer Checkliste für die Winterausrüstung. Für eine Geschichte schreibt sie auf, wie der Shop angefangen hat, mit der Reparatur ihres eigenen Pendlerrads in einem Leipziger Hinterhof. Beides gibt Kunden etwas zu erzählen.

Der Net Promoter Score sagt dir, wer empfehlen könnte, nicht wie viele es tun

Der Net Promoter Score (NPS) wurde von Fred Reichheld von Bain and Company im Dezember 2003 in einem Artikel der Harvard Business Review mit dem Titel "The one number you need to grow" eingeführt.¹³ Bain beschreibt die Methode so: Frag Kunden, wie wahrscheinlich sie dich einer Freundin oder einem Kollegen empfehlen, bewerte die Antworten von 0 bis 10 und zieh den Anteil der Kritiker (0 bis 6) vom Anteil der Promotoren (9 oder 10) ab. Passive vergeben 7 oder 8.¹⁴

$$NPS = 100 \times \left(\frac{n_{\text{prom}}}{n} - \frac{n_{\text{det}}}{n}\right)$$

Dabei ist $NPS$ der Net Promoter Score, von minus 100 bis plus 100. $n_{\text{prom}}$ ist die Zahl der Befragten, die 9 oder 10 vergeben haben, $n_{\text{det}}$ die Zahl derer, die 0 bis 6 vergeben haben, und $n$ die Gesamtzahl der Befragten. Die Differenz zweier Anteile behandelt Grundlagen: Prozente.

Bain beschreibt Promotoren als treue, begeisterte Fans, die weit eher als andere Kunden bleiben und mehr kaufen.¹⁴ Das ist Bains Aussage über das eigene System. Die alte Fassung dieses Artikels ging weiter und sagte, der NPS korreliere in den meisten Branchen mit Wachstum. Das habe ich gestrichen, weil ich es mit keiner Quelle belegen konnte, die ich abrufen konnte. Was dir der NPS sicher liefert, ist eine Liste der Menschen, die am ehesten empfehlen.

Beispiel: von Selins Umfrage zu ihren Empfehlungen

Selin befragt 400 Kunden nach ihrer zweiten Bestellung. 180 vergeben 9 oder 10, 140 vergeben 7 oder 8, und 80 vergeben 0 bis 6:

$$NPS = 100 \times \left(\frac{180}{400} - \frac{80}{400}\right) = 25$$

Ein Wert aus einer Stichprobe ist unsicher. Der Standardfehler des Anteils der Promotoren ist $\sqrt{\frac{0{,}45 \times 0{,}55}{400}} = 0{,}025$, rund 2,5 Punkte, und mit nur 100 Antworten wären es rund 5 Punkte (siehe Grundlagen: Stichproben). Eine Bewegung um ein paar Punkte von einem Quartal zum nächsten ist also meist Rauschen.

Der nützliche Schritt ist, die Umfrage mit den Daten zu den Empfehlungen zu verbinden. In den zwei Monaten danach haben 54 der 180 Promotoren ihren Link geteilt (30 %), 11 der 140 Passiven (8 %) und 2 der 80 Kritiker (2,5 %). Promotoren sind 45 % der Befragten und über 80 % derer, die geteilt haben. Also bittet Selin Promotoren direkt nach ihrer Bewertung ums Teilen, stellt Passiven eine weitere Frage ("was würde daraus eine 10 machen?") und meldet sich bei Kritikern, um zu klären, was schiefgelaufen ist. Der Code unten macht die Verknüpfung.

import pandas as pd

survey = pd.DataFrame({"customer_id": range(400),
                       "score": [10] * 180 + [7] * 140 + [3] * 80})
shared_ids = set(range(0, 54)) | set(range(180, 191)) | set(range(320, 322))
survey["shared"] = survey["customer_id"].isin(shared_ids)

def segment(score):
    if score >= 9:
        return "promoter"
    if score >= 7:
        return "passive"
    return "detractor"

survey["segment"] = survey["score"].apply(segment)
shares = survey["segment"].value_counts(normalize=True)
nps = 100 * (shares.get("promoter", 0) - shares.get("detractor", 0))
print(f"NPS: {nps:.0f}")
print(survey.groupby("segment")["shared"].agg(["count", "sum", "mean"]))

Alles zusammen: ein Empfehlungsprogramm, das Selin betreiben kann

Der Reihe nach: $K$ und die Zykluszeit an den Kunden messen, die du schon hast, das schwächste Glied beheben, die Belohnung wählen und an einer zufälligen Aufteilung testen, die Kosten pro empfohlenem Kunden mit denen eines bezahlten vergleichen, im Rahmen von § 7 UWG und den Regeln für Verkaufsförderung bleiben und Promotoren in dem Moment fragen, in dem sie sagen, dass sie dich empfehlen würden.

Beispiel: Selins Programm auf einer Seite

Selins Zahlen nach der Arbeit oben: Der Anteil der Kunden, die teilen, steigt von 18 % auf 30 %, jede Person, die teilt, erreicht weiter 2,89 Menschen, und das zweiseitige Angebot hebt die Conversion Rate dieser Besuche von 15 % auf 18 %. Dann ist $i = 0{,}30 \times 2{,}89 = 0{,}87$ und $K = 0{,}87 \times 0{,}18 = 0{,}16$.

Der Multiplikator auf bezahlte Kunden ist $\frac{1}{1 - 0{,}16} = 1{,}19$, je 1.000 Kunden, für die sie bezahlt, bringen also rund 190 weitere. Jetzt kommen die Belohnungen wieder dazu. Die 1.000 bezahlten Kunden kosten $1.000 \times 24 = 24.000$ €, und die 190 empfohlenen kosten $190 \times 20 = 3.800$ € an Belohnungen, die 1.190 Kunden kosten also $\frac{27.800}{1.190} = 23{,}36$ € pro Kunde. Der Durchschnitt sinkt nur ein wenig. Der nützliche Blick ist der auf die Grenze: Jeder zusätzliche Kunde aus einer Empfehlung kostet 20 €, weniger als die 24 €, die ein bezahlter kostet, also lohnt sich jede Empfehlung, noch bevor zusätzliche Treue mitgezählt ist. Speichenwerk wird dadurch nie viral. Es ist trotzdem ein Programm, das sich zu betreiben lohnt.

Virales Wachstum ist Ingenieursarbeit, keine Magie

Die Mathematik ist kurz. $K$ sagt dir, ob sich das Wachstum selbst nährt oder gefüttert werden muss. Unter 1 sagt dir $\frac{1}{1 - K}$, wie viel weiter jeder bezahlte Kunde reicht, und die Zykluszeit, wie bald. Über 1 wird die Zykluszeit zum wichtigsten Hebel. Belohnungen für beide Seiten, der richtige Anreiz, das richtige Motiv und die Prinzipien von STEPPS sind alles Wege, $K$ zu heben, und der NPS sagt dir, wen du fragen solltest.

Die eigentliche Lehre von Dropbox ist nicht "verschenk Speicher". Sie lautet: die Zahlen verstehen, die Mechanik daran ausrichten, warum deine Kunden über dich sprechen würden, und alles messen.

Ich baue und optimiere Empfehlungssysteme seit über zehn Jahren, im eCommerce, im SaaS und im B2B. Der Code in diesem Artikel ist ein Ausgangspunkt, den du an deine eigenen Daten und deine Analytics anpasst.

Footnotes

1. Drew Houston, Dropbox: Startup Lessons Learned, Präsentation, SlideShare, April 2010, https://www.slideshare.net/gueste94e4c/dropbox-startup-lessons-learned-3836587

2. Dropbox, How to refer friends to Dropbox, Dropbox Hilfe, aktualisiert am 30. September 2026, https://help.dropbox.com/storage-space/earn-space-referring-friends

3. Philipp Schmitt, Bernd Skiera und Christophe Van den Bulte, Referral programs and customer value, Journal of Marketing, Band 75, Heft 1, Seiten 46 bis 59, American Marketing Association, 2011, https://faculty.wharton.upenn.edu/wp-content/uploads/2012/04/Schmitt-Skiera-vandenBulte-2011-Referral-Programs-Customer-Value.pdf

4. David Skok, Lessons learned: viral marketing, For Entrepreneurs, 6. Dezember 2009, https://www.forentrepreneurs.com/lessons-learnt-viral-marketing/

5. 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

6. Bundesgerichtshof, Urteil vom 12. September 2013, Az. I ZR 208/12, Empfehlungs E Mail, Leitsatz und Randnummern 2, 20 bis 24, Volltext bei Lexetius, https://lexetius.com/2013,3982

7. Bundesministerium der Justiz, Digitale Dienste Gesetz (DDG), § 6 Besondere Pflichten bei kommerziellen Kommunikationen, Absatz 1 Nr. 1 und 3, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/ddg/__6.html

8. Bundesministerium der Justiz, Gesetz gegen den unlauteren Wettbewerb (UWG), Anhang (zu § 3 Absatz 3), Nr. 7 und Nr. 23c, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/uwg_2004/anhang.html

9. Bundesministerium der Justiz, Gesetz gegen den unlauteren Wettbewerb (UWG), § 5a Irreführung durch Unterlassen, Absatz 4, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/uwg_2004/__5a.html

10. Jonah Berger, Contagious: Why Things Catch On, jonahberger.com, https://jonahberger.com/books/contagious/

11. Knowledge at Wharton, 'Contagious': Jonah Berger on why things catch on, Wharton School, University of Pennsylvania, https://knowledge.wharton.upenn.edu/article/contagious-jonah-berger-on-why-things-catch-on/

12. Jonah Berger und Katherine L. Milkman, What makes online content viral?, Journal of Marketing Research, 2012, https://jonahberger.com/wp-content/uploads/2013/02/ViralityB.pdf

13. Frederick F. Reichheld, The one number you need to grow, Harvard Business Review, Dezember 2003, https://hbr.org/2003/12/the-one-number-you-need-to-grow

14. Bain and Company, Measuring your Net Promoter Score, Net Promoter System, https://www.netpromotersystem.com/about/measuring-your-net-promoter-score/