Knappheit, Dringlichkeit und Verlustaversion: die Psychologie von jetzt oder nie

Jetzt oder nie ist eine Designentscheidung

Hotelportale zeigen dir, wie viele andere gerade dasselbe Hotel ansehen und wie viele Zimmer noch frei sind. Onlineshops sagen dir, dass du in den nächsten drei Stunden bestellen musst, damit das Paket morgen da ist. Ein kostenloser Test fühlt sich am 14. Tag viel schwerer zu kündigen an, als er sich am ersten Tag zu starten anfühlte. Nichts davon ist Zufall. Es ist Verhaltenspsychologie, eingesetzt, damit eine Entscheidung jetzt fällt.

Ehrlich eingesetzt helfen diese Techniken Menschen, eine Entscheidung nicht länger aufzuschieben, die gut für sie ist. Zum Täuschen eingesetzt zerstören sie Vertrauen, und in Deutschland sind manche davon schlicht verboten. Dieser Artikel nimmt sich jeden Effekt einzeln vor (Knappheit, Dringlichkeit, die Angst, etwas zu verpassen, den Besitztumseffekt und den IKEA Effekt), sagt, was die Forschung gefunden hat, wo der Effekt hilft, wo er nach hinten losgeht und wie du ihn sauber misst. Jede Zahl in den Beispielen ist erfunden, damit ich jeden Schritt zeigen kann.

Knappheit lässt Dinge wertvoller wirken

Was knapp ist, wollen Menschen mehr. Robert Cialdini zählt Knappheit in seiner Arbeit über Einfluss zu den Prinzipien der Überzeugung ("people want more of those things they can have less of"). Seine Liste hat inzwischen sieben Prinzipien, seit er Verbundenheit (unity) ergänzt hat, nicht die sechs, mit denen sie oft zitiert wird.¹

Die Alltagsformen kennst du: die limitierte Auflage, "nur noch drei auf Lager", Zugang nur auf Einladung, eine Mitgliedschaft, die bald schließt. Sie alle ziehen an denselben wenigen Mechanismen.

Drei Gründe, warum Knappheit wirkt

Reaktanz. Wird die Freiheit bedroht, zu wählen, spüren Menschen einen Drang, sie wiederherzustellen. Die Psychologie nennt das Reaktanz, seit Jack Brehm die Theorie 1966 vorgeschlagen hat.² Wenn etwas bald nicht mehr zu haben ist, ist genau das so eine Bedrohung, und die Option, die du gleich verlierst, wirkt attraktiver.

Ein Schluss auf andere Menschen. Wenn etwas ausgeht, müssen es andere gewollt haben. Knappheit wird zu einem indirekten Signal für Qualität.

Verlustaversion. Knappheit rahmt die Entscheidung als Verlust. Nicht jetzt zu kaufen heißt, die Gelegenheit zu verlieren. Verluste wiegen ungefähr doppelt so schwer wie gleich große Gewinne: Eine Metaanalyse von 2024 über 607 Schätzungen kam im Mittel auf einen Koeffizienten der Verlustaversion von rund 1,96.³ Wie belastbar diese Zahl ist, zeigt der Artikel zur Preispsychologie.

Die britische Wettbewerbsbehörde Competition and Markets Authority (CMA) fasst die Forschung genauso zusammen: Es gibt viele Belege, dass Verbraucher auf Knappheit reagieren, und zahlreiche Studien finden Effekte von Knappheitsangaben auf Klickraten, Käufe und den wahrgenommenen Wert.⁴

Echte Knappheit und erfundene Knappheit

Hier kommt es darauf an, was stimmt.

Echte Knappheit ist eine ehrliche Angabe über eine echte Grenze. Das Hotel hat wirklich nur noch zwei Zimmer. Die Auflage umfasst wirklich 500 Stück. Der Frühbucherpreis endet wirklich am Freitag.

Erfundene Knappheit ist eine Grenze, die nur existiert, um Druck zu machen. Die "limitierte Auflage", die immer wieder nachproduziert wird. Das "nur noch zwei", das seit sechs Monaten "nur noch zwei" sagt.

Erfundene Knappheit ist nicht selten. Eine automatische Auswertung von rund 11.000 Shopping Websites fand 632 Hinweise auf niedrigen Lagerbestand und 17 Websites, deren Bestandszahlen täuschten: 16 zählten nach festem Zeitplan herunter, und eine erzeugte bei jedem Seitenaufruf eine Zufallszahl.⁵ Manche nutzten dafür fertige Plugins.

Eine Angabe kann wörtlich stimmen und trotzdem in die Irre führen. Der Leitfaden der CMA nennt als Beispiel ein Pop up mit "Schnell sein, wir haben in den letzten 5 Minuten 10 Stück verkauft", das zwar stimmt, obwohl der Lagerbestand hoch ist und niemand sich beeilen muss.⁶ Der Gesamteindruck ist falsch, also kann die Angabe irreführend sein. Das deutsche Recht sieht das genauso, dazu gleich mehr.

Der Druckstapel der Hotelportale

Bei Reiseportalen wurde das Stapeln dieser Signale zum Fall für die Behörden. Ein einzelnes Angebot zeigt vielleicht die freien Zimmer, wie viele Menschen gerade schauen, wie oft es heute gebucht wurde und dass es "sehr gefragt" ist. 2019 sagten Expedia, Booking.com, Agoda, Hotels.com, ebookers und trivago nach einer Untersuchung der CMA in Großbritannien zu, keinen falschen Eindruck mehr von der Verfügbarkeit oder Beliebtheit eines Hotels zu erwecken. Heißt es etwa, dass andere dasselbe Hotel ansehen, machen die Portale seitdem dort klar, dass diese Menschen vielleicht andere Daten suchen.⁷

Ein späteres Diskussionspapier der CMA erklärt, was die Behörde gestört hat: Angaben über andere Betrachter, die auch Menschen mit anderen Reisedaten oder Zimmerarten mitzählten, vage Formulierungen wie "gerade jetzt" und Zimmerzahlen, die auf unvollständigen Informationen beruhten.⁴ Gestapelter Druck wirkt auf die Conversion Rate. Ob er Vertrauen aufbaut, ist eine andere Frage.

Wann Knappheit hilft und wann sie nach hinten losgeht

Sie hilft, wenn die Grenze echt ist und es der Leserin nützt, davon zu wissen: Handgemachtes, kleine Produktionsläufe, Plätze in einem Saal, Reisetermine, Saisonware und Einführungspreise, die wirklich enden.

Sie geht nach hinten los bei Produkten, die offensichtlich überall zu haben sind, denn wer Knappheit bei etwas Reichlichem behauptet, wirkt unehrlich. Sie geht nach hinten los bei Stammkunden, die merken, dass die Mail mit der letzten Chance jede Woche kommt. Und sie geht nach hinten los bei sorgfältigen Käufern, in Gesundheit, Finanzen, Bildung und im B2B, die Druck als Grund lesen, woanders zu schauen.

Beispiel: eine echte Bestandszahl bei einer Leipziger Töpferei

Plagwitzer Keramik (plagwitzerkeramik.example) ist eine erfundene Töpferei in Leipzig, die ihre Becher in Bränden zu je 40 Stück brennt. Sie testet die echte Zahl, die aus dem aktuellen Brand noch übrig ist ("noch 4 aus diesem Brand"), gegen eine Seite ohne Bestandshinweis. Jede Fassung bekommt 5.000 Sitzungen.

Die Kontrollgruppe bringt 160 Bestellungen, eine Conversion Rate von 3,2 %. Die Variante bringt 205, also 4,1 %. Der relative Zuwachs (Lift) ist die prozentuale Veränderung von der Kontrolle zur Variante:

$$\text{lift} = \frac{p_B - p_A}{p_A}$$

Dabei ist $p_A$ die Conversion Rate der Kontrolle und $p_B$ die der Variante, jeweils die Zahl der Bestellungen geteilt durch die Zahl der Sitzungen. Grundlagen: Prozente erklärt die prozentuale Veränderung, und Grundlagen: Verhältnisse und Raten die Raten selbst.

$$\text{lift} = \frac{0{,}041 - 0{,}032}{0{,}032} = 0{,}281$$

Die Variante konvertiert also um 28,1 % besser, absolut sind das $0{,}9$ Prozentpunkte. Ist das mehr als Rauschen? Das beantwortet der z Test für zwei Anteile:

$$z = \frac{p_B - p_A}{\sqrt{p(1-p)\left(\frac{1}{n_A} + \frac{1}{n_B}\right)}}$$

Dabei ist $p$ die gepoolte Conversion Rate beider Gruppen zusammen, und $n_A$ und $n_B$ sind die Sitzungen in jeder Gruppe. Schritt für Schritt erklärt den Test Grundlagen: Hypothesentests.

Die gepoolte Rate ist $365 / 10.000 = 0{,}0365$. Der Standardfehler ist $\sqrt{0{,}0365 \times 0{,}9635 \times (1/5.000 + 1/5.000)} = 0{,}00375$. Also:

$$z = \frac{0{,}009}{0{,}00375} = 2{,}40$$

Ein $z$ von $2{,}40$ ergibt einen zweiseitigen p Wert von rund $0{,}016$, unter der üblichen Schwelle von 5 %. Der Zuwachs ist sehr wahrscheinlich echt.

Jetzt der Teil, den die meisten Tests weglassen. Druck kann Käufe erzeugen, die Menschen bereuen. Nimm als Annahme dieses Beispiels an, dass 8 % der Bestellungen aus der Kontrolle und 11 % aus der Variante zurückkommen. Behalten werden $160 \times 0{,}92 = 147{,}2$ und $205 \times 0{,}89 = 182{,}45$ Bestellungen. Der Nettozuwachs ist $182{,}45 / 147{,}2 - 1 = 0{,}239$, also 23,9 % statt 28,1 %. Hier immer noch ein Gewinn, weil die Zahl stimmte und nützlich war. Miss aber immer, was nach dem Klick passiert.

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

# Plagwitzer Keramik, erfundene Zahlen: Variante zuerst, Kontrolle danach
orders = np.array([205, 160])
sessions = np.array([5000, 5000])
return_rate = np.array([0.11, 0.08])  # eine Annahme des Beispiels

rates = orders / sessions
z, p = proportions_ztest(orders, sessions)  # zweiseitig, gepoolt
kept = orders * (1 - return_rate)

print(f"Conversion: variant {rates[0]:.2%}, control {rates[1]:.2%}")
print(f"Gross lift {rates[0] / rates[1] - 1:.1%}, z = {z:.2f}, p = {p:.3f}")
print(f"Orders kept after returns: {kept[0]:.1f} against {kept[1]:.1f}")
print(f"Net lift {kept[0] / kept[1] - 1:.1%}")

Dringlichkeit ist Knappheit an der Uhr

Dringlichkeit ist dieselbe Idee mit einer Uhr. Das Angebot endet. Der Countdown läuft. Der Sale schließt um Mitternacht.

Sie wirkt unter anderem, weil Menschen die Zukunft abwerten: Eine Belohnung jetzt zählt mehr als dieselbe Belohnung später, und wie stark Menschen abwerten, schwankt zwischen Studien und Situationen enorm.⁸ Eine Frist holt die Entscheidung in die Gegenwart. Die CMA ergänzt, dass Zeitdruck Menschen dazu bringt, sich auf gedankliche Abkürzungen zu verlassen, weniger Eigenschaften anzusehen und aus Gewohnheit zu entscheiden.⁴ Genau das ist das Problem. In einem Experiment, das die CMA zitiert, standen Menschen, die befristete Angebote annahmen, statt auf eine größere Auswahl zu warten, am Ende schlechter da, und ihr Verhalten wurde mit Erfahrung nicht besser.⁴

Wie Dringlichkeit aussieht

Countdown Timer. Eine sichtbare Frist. Wirksam, und genau deshalb schauen Behörden und Gerichte hin. Dieselbe Auswertung der Shopping Websites fand 393 Countdown Timer, davon 157 täuschende auf 140 Websites, Timer, die neu starteten oder abliefen, während das Angebot weiterlief.⁵

Flash Sales. Ein kurzer Sale als Ereignis: "24 Stunden Sale", "nur am Wochenende".

Ablaufende Angebote. Eine persönliche Frist: "dein Code läuft heute Nacht ab".

Bestellschluss für die Lieferung. "Bestell in den nächsten drei Stunden, dann kommt es morgen." Echte Dringlichkeit, die auf echter Logistik beruht.

Den stärksten Druck macht Dringlichkeit zusammen mit Knappheit: "Nur noch drei zu diesem Preis, und der Sale endet in zwei Stunden." Das ist ein möglicher Verlust an zwei Fronten und, wenn eine Hälfte erfunden ist, das doppelte Risiko.

Beispiel: fünf Fassungen von Dringlichkeit bei einem Hamburger Blumenladen

Ottensener Blüten (ottensenerblueten.example) ist ein erfundener Blumenladen in Hamburg. Über eine Saison zeigt er fünf Fassungen, jede in 10.000 Sitzungen, bei einer durchschnittlichen Bestellung von 50 €. Die Raten für Conversion, Retouren und Beschwerden unten sind Annahmen des Beispiels.

Fassung	Conversion	Retouren	Beschwerden pro Sitzung
Ohne Dringlichkeit	2,8 %	7 %	0,2 %
"Nur für kurze Zeit"	3,3 %	8 %	0,3 %
Timer über 24 Stunden	3,9 %	9 %	0,5 %
Timer über zwei Stunden	4,6 %	12 %	1,2 %
Timer plus Bestandszahl	5,2 %	14 %	1,8 %

Der faire Vergleich ist der Nettoumsatz pro Sitzung nach Retouren:

$$\text{RPS} = \frac{n_{\text{orders}} \times (1 - r) \times \bar{v}}{n_{\text{sessions}}}$$

Dabei ist $\text{RPS}$ der Umsatz pro Sitzung (revenue per session), $n_{\text{orders}}$ die Zahl der Bestellungen, $r$ die Retourenquote, $\bar{v}$ der durchschnittliche Bestellwert und $n_{\text{sessions}}$ die Zahl der Sitzungen. Es ist eine Rate wie jede andere, siehe Grundlagen: Verhältnisse und Raten.

Ohne Dringlichkeit: 280 Bestellungen, davon $280 \times 0{,}93 = 260{,}4$ behalten, mal 50 € sind 13.020 €, also $13.020 / 10.000 = 1{,}30$ € pro Sitzung. Mit Timer plus Bestandszahl: 520 Bestellungen, $520 \times 0{,}86 = 447{,}2$ behalten, 22.360 €, also 2,24 € pro Sitzung.

Nach dem Umsatz allein gewinnt die aggressivste Fassung. Jetzt schau auf die Beschwerden pro 100 behaltene Bestellungen: Ohne Dringlichkeit sind es 20 Beschwerden auf 260,4 behaltene Bestellungen, 7,7 pro 100. Mit Timer plus Bestandszahl sind es 180 auf 447,2, also 40,3 pro 100.

Die waagrechte Achse zeigt die fünf Fassungen, von keiner Dringlichkeit bis zur aggressivsten. Die senkrechte Achse zeigt die Beschwerden auf je 100 Bestellungen, die behalten wurden. Der Umsatz pro Sitzung steigt über die Reihe um rund 70 %, die Beschwerden pro behaltene Bestellung aber auf mehr als das Fünffache. Aus Beschwerden werden künftige Kunden, die wegbleiben, Rückbuchungen und Abmahnungen.

Und es gibt eine härtere Grenze. Der Timer über zwei Stunden ist nur zulässig, wenn das Angebot wirklich in zwei Stunden endet. Startet der Timer des Blumenladens jeden Morgen neu, ist der Umsatz egal, denn die Praxis ist verboten.

import pandas as pd

# Ottensener Blüten, erfundene Raten: 10.000 Sitzungen pro Fassung, 50 € durchschnittliche Bestellung
df = pd.DataFrame({
    'treatment': ['No urgency', 'Limited time', '24 hour timer',
                  'Two hour timer', 'Timer plus stock count'],
    'conversion': [0.028, 0.033, 0.039, 0.046, 0.052],
    'returns': [0.07, 0.08, 0.09, 0.12, 0.14],
    'complaints': [0.002, 0.003, 0.005, 0.012, 0.018],
})
sessions, aov = 10_000, 50

df['kept_orders'] = sessions * df['conversion'] * (1 - df['returns'])
df['net_rps'] = df['kept_orders'] * aov / sessions
df['complaints_per_100'] = sessions * df['complaints'] / df['kept_orders'] * 100

print(df[['treatment', 'kept_orders', 'net_rps', 'complaints_per_100']].round(2).to_string(index=False))

Das deutsche Recht verbietet die falsche Frist

In Deutschland regelt das Gesetz gegen den unlauteren Wettbewerb (UWG), welche geschäftlichen Handlungen unlauter sind. Sein Anhang listet Praktiken, die gegenüber Verbrauchern stets unzulässig sind, ohne dass es auf den Einzelfall ankommt. Nummer 7 ist die unwahre Angabe, bestimmte Waren oder Dienstleistungen seien allgemein oder zu bestimmten Bedingungen nur für einen sehr begrenzten Zeitraum verfügbar, um den Verbraucher zu einer sofortigen Entscheidung zu bringen, ohne dass er Zeit und Gelegenheit hat, sich auf Grund von Informationen zu entscheiden.⁹

Wie das in der Praxis aussieht, zeigt ein Fall des Verbraucherzentrale Bundesverbands. Ein Mobilfunkanbieter warb mit einem Sondertarif "nur bis 14.02. 11 Uhr", mit Countdown auf Tage, Stunden, Minuten und Sekunden. Nach Ablauf gab es dieselben Konditionen "nur bis 18.02. 11 Uhr", wieder mit Countdown, und danach noch einmal unter neuem Namen. Das Landgericht Hanau gab der Klage am 5. November 2025 statt: Wer eine zeitliche Grenze für eine Aktion setzt, muss sich grundsätzlich daran halten, und dass der Tarif einen anderen Namen bekam, änderte nichts, weil die Konditionen identisch blieben. Das Urteil ist noch nicht rechtskräftig, die Berufung läuft.¹⁰ Die Leitlinien der Europäischen Kommission zur Richtlinie über unlautere Geschäftspraktiken nennen gefälschte Timer und Angaben über begrenzte Lagerbestände ausdrücklich als Beispiele für falsche Dringlichkeit.¹¹ Endet das Angebot wirklich, wenn der Countdown es sagt, ist der Countdown eine wahre Angabe. Taucht danach dasselbe Angebot wieder auf, ist er es nicht.

Falsche Bestandszahlen und Angaben wie "gerade sehen sich das 12 Personen an" stehen nicht als eigene Nummer im Anhang, sie werden aber nach § 5 UWG als Irreführung beurteilt: Irreführend ist eine geschäftliche Handlung mit unwahren oder sonst zur Täuschung geeigneten Angaben über wesentliche Merkmale wie die Verfügbarkeit, und genauso über den Anlass des Verkaufs, etwa einen besonderen Preisvorteil.¹² Das Pop up aus dem Beispiel der CMA, wörtlich wahr und trotzdem täuschend, fällt in genau diese Kategorie.

Durchgesetzt wird das UWG in Deutschland vor allem privat. Ansprüche auf Beseitigung und Unterlassung haben Mitbewerber, qualifizierte Wirtschaftsverbände und die qualifizierten Verbraucherverbände, etwa der Verbraucherzentrale Bundesverband, der im Fall oben geklagt hat.¹³ Vor einer Klage steht in der Regel die Abmahnung mit der Aufforderung, eine strafbewehrte Unterlassungserklärung abzugeben, und bei einer berechtigten Abmahnung trägst du die erforderlichen Kosten.¹⁴ Ein Bußgeld von bis zu 4 % des Jahresumsatzes sieht das UWG nur für weitverbreitete Verstöße vor, im Rahmen einer koordinierten Durchsetzungsmaßnahme der europäischen Verbraucherschutzbehörden.¹⁵ Und eine Frist auf einen Preis funktioniert nur, wenn der Preis selbst ehrlich ist: Nach der Preisangabenverordnung (PAngV) gehört in jedes Angebot an Verbraucher der Gesamtpreis,¹⁶ und wer eine Preisermäßigung bekannt gibt, muss den niedrigsten Gesamtpreis der letzten 30 Tage vor der Ermäßigung angeben.¹⁷

Die wirtschaftlichen Kosten kommen vor jeder Abmahnung. Die CMA weist darauf hin, dass falsche Knappheit Menschen beibringt, Knappheitsangaben zu ignorieren, sodass ein Händler, dessen Produkt wirklich knapp ist, das nicht mehr glaubwürdig sagen kann.⁴ Jeder falsche Timer entwertet jeden echten.

Bevor eine Angabe über Knappheit oder Dringlichkeit live geht, sollte sie eine einfache Prüfung bestehen:

Der Ablauf geht vom Entwurf oben bis zur Veröffentlichung unten. Jede Frage ist ein Tor, und jeder Pfeil ist ein "ja". Ein "nein" an irgendeinem Tor heißt, dass die Angabe korrigiert oder entfernt wird, bevor sie irgendwohin geht. Nur eine Angabe, die stimmt, auf Live Daten beruht, eingehalten wird und den vollständigen Preis zeigt, kommt unten an.

FOMO ist Knappheit mit Publikum

Die Angst, etwas zu verpassen (Fear of Missing Out, FOMO), ist Knappheit, angewendet auf Zugehörigkeit. Es geht nicht nur darum, dass das Produkt ausgehen könnte. Es geht darum, dass alle anderen es bekommen und du zurückbleibst. "Schließ dich 10.000 Kunden an, die diesen Monat gewechselt haben." "Deine Mitbewerber nutzen das schon."

Wie FOMO wirkt

FOMO verbindet Knappheit mit Social Proof: Etwas ist begrenzt, und andere greifen zu, was seinen Wert zu bestätigen scheint. Dazu kommen Status (hinter die eigenen Leute zurückzufallen, deshalb erwähnen Botschaften an Unternehmen so gern die Konkurrenz) und Erlebnisse (andere haben sie gerade, deshalb setzen Veranstaltungen und Reisen so stark darauf).

Das Alter, und was die Belege wirklich sagen

Eine verbreitete Behauptung lautet, FOMO Marketing wirke bei Menschen unter 35 viel besser und könne Menschen über 40 abschrecken. Die Forschung stützt etwas Engeres. In der Studie, die eine Standardskala für FOMO eingeführt hat, war die Angst, etwas zu verpassen, als persönliche Eigenschaft bei jungen Menschen am höchsten, und bei jungen Männern besonders.¹⁸ Das ist ein Befund über ein Gefühl, gemessen in Befragungen. Er sagt dir nicht, um wie viel eine Buchungszahl auf deiner Seite den Umsatz in jeder Altersgruppe hebt. Das musst du testen, und der Test ist schwieriger, als er aussieht.

Wann FOMO hilft und wann es nach hinten losgeht

Es hilft, wenn der Wert wirklich mit der Zahl der Nutzer wächst (ein Netzwerk, eine Fachcommunity), wenn das Verpassen wirklich endgültig ist (eine Veranstaltung an einem Datum) und in Kategorien, in denen es darum geht, aktuell zu sein, etwa Mode und Unterhaltung.

Es geht nach hinten los bei überlegten Käufen, im B2B, wo nach dem Return on Investment entschieden wird und nicht aus Angst, und vor allem, wenn der Social Proof erfunden ist. "Schließ dich Tausenden Kunden an" klingt hohl bei einem Produkt, das letzte Woche gestartet ist.

Beispiel: ein Münchner Supper Club testet Buchungszahlen nach Alter

Isartafel (isartafel.example) ist ein erfundener Supper Club in München. Er testet eine wahre Angabe ("212 Menschen haben diesen Monat gebucht") gegen keine, in fünf Altersgruppen mit je 2.000 Besuchern pro Gruppe und Fassung.

Altersgruppe	Buchungen Kontrolle	Buchungen mit Angabe	Lift	p Wert
18 bis 24	90	122	35,6 %	$0{,}024$
25 bis 34	84	105	25,0 %	$0{,}118$
35 bis 44	76	85	11,8 %	$0{,}469$
45 bis 54	64	67	4,7 %	$0{,}790$
55 und älter	56	55	minus 1,8 %	$0{,}923$

Jeder p Wert kommt aus demselben z Test wie bei der Töpferei. Nur die jüngste Gruppe liegt unter 0,05. Ein Lift von 25 % bei den 25 bis 34 Jährigen ist nicht signifikant, weil 2.000 Besucher pro Fassung zu wenige sind, um ihn zu erkennen.

Es gibt eine zweite Falle. Fünf unabhängige Tests auf dem Niveau von 5 % ergeben eine Wahrscheinlichkeit von mehr als eins zu fünf ($1 - 0{,}95^5 = 0{,}23$), dass mindestens einer allein durch Zufall "signifikant" wird. Eine Holm Korrektur für die fünf Tests multipliziert den kleinsten p Wert mit fünf: $0{,}024 \times 5 = 0{,}12$. Nach der Korrektur ist keine Gruppe signifikant. Die ehrliche Schlussfolgerung: Das Muster ist ein Hinweis, die Belege fehlen noch, und der nächste Test braucht weit mehr Besucher pro Gruppe. Wie viele, zeigt Grundlagen: Stichprobengröße.

from statsmodels.stats.proportion import proportions_ztest
from statsmodels.stats.multitest import multipletests

# Isartafel, erfunden: 2.000 Besucher pro Fassung in jeder Altersgruppe
groups = {
    '18 to 24': (90, 122), '25 to 34': (84, 105), '35 to 44': (76, 85),
    '45 to 54': (64, 67), '55 and over': (56, 55),
}
n = 2000
p_values = []
for name, (control, message) in groups.items():
    z, p = proportions_ztest([message, control], [n, n])
    p_values.append(p)
    print(f"{name:12} lift {message / control - 1:+.1%}  p = {p:.3f}")

reject, p_holm, _, _ = multipletests(p_values, alpha=0.05, method='holm')
print("Significant after Holm correction:", dict(zip(groups, map(bool, reject))))

Der Besitztumseffekt: Besitz verändert den Preis

Sobald Menschen etwas besitzen, schätzen sie es meist höher. Das ist der Besitztumseffekt (Endowment Effect), und seine bekannteste Demonstration sind die Kaffeebecher Experimente von Daniel Kahneman, Jack Knetsch und Richard Thaler: Die Hälfte der Teilnehmer bekam per Zufall einen Becher, der Preis, den die Besitzer verlangten, lag weit über dem, was die anderen zahlen wollten, und viel weniger Becher wechselten den Besitzer, als die ökonomische Theorie vorhersagte.¹⁹

Wie groß und wie allgemein diese Lücke ist, bleibt umstritten. Charles Plott und Kathryn Zeiler argumentierten, dass ein großer Teil der berichteten Lücke zwischen Zahlungsbereitschaft und Verkaufsbereitschaft daher kommt, wie die Experimente die Frage stellen, und dass es keinen Konsens gibt, wie robust die Lücke ist.²⁰ Sieh den Besitztumseffekt also als echt, aber schwankend, und miss ihn in deinem eigenen Umfeld.

Warum kostenlose Tests angeblich konvertieren

Am ersten Tag eines Tests lautet die Frage "soll ich mir das holen?". Am 14. Tag kann daraus "soll ich das aufgeben?" werden, mit meinen Daten, meinen Einstellungen und meinen Abläufen darin. Die Theorie lautet, dass der Test nicht nur konvertiert, weil er den Wert gezeigt hat, sondern weil er ein Gefühl von Besitz übertragen hat, und etwas aufzugeben fühlt sich wie ein Verlust an. Der Artikel zur Verhaltensökonomie geht tiefer auf die Verlustaversion ein. Verluste wiegen ungefähr doppelt so schwer wie Gewinne,³ nicht genau die oft zitierten 2,25 mal.

Woher das Gefühl von Besitz kommt

Kostenlose Tests, Probefahrten und Testen zu Hause geben dir die Sache zuerst in die Hand. Ein Rückgaberecht von 30 oder 60 Tagen senkt das Risiko der Kundin und gibt, wenn die Theorie stimmt, dem Gefühl von Besitz Zeit zu wachsen, bevor sie über die Rückgabe entscheidet. Besitzanzeigende Formulierungen ("dein Warenkorb", "dein Tarif") helfen vielleicht ein wenig, das ist eine offene Frage und leicht zu testen. Und wer vor dem Kauf anpasst, macht daraus eine eigene Fassung, was zum IKEA Effekt weiter unten führt.

Am stärksten ist der Effekt, wo Menschen vor dem Bezahlen ausprobieren können, wo sich Daten und Verlauf über die Zeit ansammeln und wo Personalisierung das Produkt zu ihrem macht. Schwach ist er bei austauschbaren Produkten ohne etwas zum Personalisieren, bei einmaligen Käufen ohne Beziehung und wenn der Test selbst schlecht ist: Ein frustrierender Test erzeugt keine Bindung.

Beispiel: die Testdauer bei einer Dresdner Software für Dienstpläne

Schichtwerk (schichtwerk.example) ist eine erfundene Firma aus Dresden, die Cafés eine Software für Dienstpläne für 49 € im Monat verkauft. Sie will wissen, ob ein längerer Test besser konvertiert. Ihre Daten zeigen diese Raten vom Test zum zahlenden Kunden, Annahmen des Beispiels:

Nutzung während des Tests	7 Tage	14 Tage	30 Tage
Niedrig	6 %	9 %	11 %
Mittel	12 %	18 %	22 %
Hoch	21,6 %	32,4 %	39,6 %

Der Umsatz des ersten Monats pro gestartetem Test ist die Conversion Rate mal den Monatspreis:

$$R = c \times m$$

Dabei ist $c$ die Rate vom Test zum zahlenden Kunden und $m$ der Monatspreis in Euro. Wie die Raten oben steht das in Grundlagen: Verhältnisse und Raten.

Bei mittlerer Nutzung: $0{,}12 \times 49 = 5{,}88$ für sieben Tage, $0{,}18 \times 49 = 8{,}82$ für 14 Tage und $0{,}22 \times 49 = 10{,}78$ für 30 Tage, in Euro. Länger sieht besser aus, aber der Test über 30 Tage schiebt die erste Zahlung gegenüber dem über 14 Tage um 16 Tage hinaus und kostet mehr Support.

Der größere Haken: Das sind beobachtete Daten, kein Experiment. Die Nutzung wurde nicht per Zufall zugeteilt, und die Testdauer wahrscheinlich auch nicht. Begeisterte Kunden wählen vielleicht längere Tests und nutzen mehr. Um zu lernen, ob die Testdauer selbst die Conversion verursacht, muss Schichtwerk neuen Anmeldungen die Testdauer per Zufall zuteilen und die Gruppen vergleichen.

import pandas as pd

# Schichtwerk, erfundene Raten vom Test zum zahlenden Kunden nach Testdauer und Nutzung
base = {7: 0.12, 14: 0.18, 30: 0.22}           # mittlere Nutzung
multiplier = {'low': 0.5, 'medium': 1.0, 'high': 1.8}
monthly_price = 49

rows = [
    {'trial_days': days, 'engagement': level,
     'conversion': rate * multiplier[level],
     'revenue_per_start': rate * multiplier[level] * monthly_price}
    for days, rate in base.items() for level in multiplier
]
df = pd.DataFrame(rows)
print(df.pivot(index='engagement', columns='trial_days', values='conversion')
        .reindex(['low', 'medium', 'high']).apply(lambda col: col.map('{:.1%}'.format)))
print(df[df['engagement'] == 'medium'][['trial_days', 'revenue_per_start']].round(2))

Der IKEA Effekt: Mühe lässt Dinge mehr wert wirken

Michael Norton, Daniel Mochon und Dan Ariely haben dem IKEA Effekt seinen Namen gegeben: Menschen schätzen Dinge höher, wenn sie sie selbst gebaut haben. In ihrer ersten Studie boten Teilnehmer, die eine schlichte IKEA Aufbewahrungsbox selbst zusammengebaut hatten, im Schnitt 78 US Cent dafür, gegen 48 Cent von Teilnehmern, die eine identische, fertig aufgebaute Box bekamen. Dasselbe Muster zeigte sich bei Origami und Lego. Entscheidend: Der Effekt verschwand, wenn die Teilnehmer etwas bauten und es dann wieder zerlegten oder es nicht fertig bekamen.²¹ Mühe hebt den Wert nur, wenn sie mit Erfolg endet.

Was das für digitale Produkte heißt

Einstellungen wählen, ein erstes Dashboard bauen oder die eigenen Daten importieren ist Mühe, die den Wert heben kann, den Menschen in einem Produkt sehen. Ein Onboarding, das Menschen etwas tun lässt, statt ihnen nur etwas zu zeigen, kann eine stärkere Bindung erzeugen als eine passive Tour. Eine Fassung, die du selbst eingerichtet hast, ist dir mehr wert als eine allgemeine.

Die Falle der versunkenen Kosten

Der IKEA Effekt liegt nah am Trugschluss der versunkenen Kosten (Sunk Cost Fallacy): weiterzumachen, weil man schon so viel hineingesteckt hat. Hal Arkes und Catherine Blumer zeigten das mit Theaterabos: Wer den vollen Preis bezahlt hatte, ging in der ersten Hälfte der Saison in mehr Stücke als jene, die per Zufall einen Rabatt bekommen hatten.²² Nutzer, die Mühe investiert haben, geben sie ungern auf, selbst wenn es etwas Besseres gibt.

Das ist gut für die Bindung und wirft eine faire Frage auf. Bleiben Kunden, weil das Produkt wertvoll ist, oder weil sie sich durch das gefangen fühlen, was sie hineingesteckt haben? Die nachhaltige Fassung schafft einen Wert, der die Mühe rechtfertigt. Die ausbeuterische Fassung schafft Wechselkosten und sonst nichts.

Er hilft bei komplexen Produkten, die von der Einrichtung profitieren, bei Kreativwerkzeugen und bei Fachsoftware, wo Einrichtung und Integrationen echte Arbeit sind. Er geht nach hinten los, wenn die Einrichtung frustriert (Menschen verbinden das Produkt dann mit dem Ärger, nicht mit dem Stolz), wenn die Mühe Beschäftigungstherapie ist, die nichts bringt, und wenn manche Nutzer die Einrichtung gar nicht abschließen können, denn genau das zeigt die Studie selbst: Etwas Unfertiges bringt keinen Wert.

Beispiel: Onboarding Schritte und Bindung bei Schichtwerk

Das Onboarding von Schichtwerk hat fünf Schritte: Profil, Einstellungen, erster Dienstplan, Team einladen, Kasse verbinden. Die Daten, für dieses Beispiel erfunden, zeigen, dass die Bindung nach 90 Tagen mit der Zahl der abgeschlossenen Schritte steigt.

Die waagrechte Achse zeigt, wie viele der fünf Onboarding Schritte ein Kunde abgeschlossen hat. Die senkrechte Achse zeigt den Anteil, der nach 90 Tagen noch zahlt. Jeder Schritt geht mit 12 Punkten mehr Bindung einher. Bei 49 € im Monat ist ein Jahr Umsatz 588 € wert, ein gebundener Anteil von 42 % also rund 247 € pro Kunde und 90 % rund 529 €.

Es ist verlockend, das als "jeder Onboarding Schritt bringt 71 € Wert" zu lesen. Das stimmt nicht. Kunden, die alle fünf Schritte abschließen, waren wahrscheinlich schon vorher entschlossener. Die Korrelation vermischt den IKEA Effekt mit dem, wer diese Kunden ohnehin waren (warum, zeigt Grundlagen: Korrelation). Der Test, der die Frage beantwortet: Gib der Hälfte der neuen Kunden einen fertig ausgefüllten Beispieldienstplan, lass die andere Hälfte ihren ersten Dienstplan selbst bauen, und vergleiche die Bindung.

import numpy as np
import pandas as pd
from scipy import stats

# Schichtwerk, simuliert: 1.000 Kunden, die Bindung steigt mit den abgeschlossenen Schritten
rng = np.random.default_rng(42)
steps = rng.choice([1, 2, 3, 4, 5], size=1000, p=[0.2, 0.25, 0.25, 0.2, 0.1])
retention_prob = np.minimum(0.30 + 0.12 * steps, 0.95)
retained = rng.random(1000) < retention_prob

df = pd.DataFrame({'steps': steps, 'retained_90d': retained})
print(df.groupby('steps')['retained_90d'].mean().round(2))

rho, p = stats.spearmanr(df['steps'], df['retained_90d'])
print(f"Spearman rho {rho:.3f}, p {p:.2g}  (an association, not proof of cause)")

Wer Effekte stapelt, stapelt auch das Risiko

Die stärksten Wege zur Conversion verbinden mehrere Effekte. Zwei Beispiele, so formuliert, dass jeder Teil stimmt:

"Dein Test über 14 Tage endet in drei Tagen. Deine Dienstpläne und deine Mitarbeiterliste bleiben gespeichert, wenn du weitermachst." Das verbindet den Besitztumseffekt (sie nutzen es schon), Dringlichkeit (der Test endet wirklich) und Verlustaversion (was sie aufgeben würden).

"Dein eigener Dienstplan ist fertig. 212 Cafés in Dresden nutzen Schichtwerk. Schließ die Einrichtung ab und starte deine erste Woche." Das verbindet den IKEA Effekt (sie haben ihn gebaut), Social Proof (andere nutzen es) und besitzanzeigende Formulierungen ("dein" Dienstplan).

Eine verbreitete Fassung der ersten Nachricht ergänzt "nur noch zwei Plätze im Pro Tarif, bevor die Anmeldung schließt". Software geht nicht aus. Wenn es keine echte Obergrenze gibt, ist dieser Satz erfundene Knappheit, und eine unwahre Angabe über eine zeitliche Begrenzung ist verboten.

Beispiel: ein Spielzeugmodell fürs Stapeln

Der Code unten modelliert das Stapeln von fünf Taktiken. Jeder Zuwachs und jede "Vertrauenskosten" darin sind Annahmen, keine Messungen. Jede Taktik hebt die Conversion, mit abnehmendem Ertrag (jede weitere Taktik wirkt annahmegemäß mit 80 % der vorigen), und jede zieht etwas von einem Vertrauensindex ab, der den langfristigen Wert skaliert.

from itertools import combinations

# Angenommene Zahlen nur zur Veranschaulichung, keine Messungen
tactics = {
    'scarcity':    {'lift': 0.25, 'trust_cost': 0.05},
    'urgency':     {'lift': 0.30, 'trust_cost': 0.08},
    'social':      {'lift': 0.15, 'trust_cost': 0.03},
    'endowment':   {'lift': 0.40, 'trust_cost': 0.01},
    'ikea_effect': {'lift': 0.20, 'trust_cost': 0.02},
}
baseline_conversion = 0.03
baseline_trust = 0.85

def stack_impact(stack):
    # Stärkste Taktik zuerst, jede weitere mit 80 % der Wirkung der vorigen
    ordered = sorted(stack, key=lambda t: tactics[t]['lift'], reverse=True)
    lift = sum(tactics[t]['lift'] * 0.8 ** i for i, t in enumerate(ordered))
    trust = baseline_trust - sum(tactics[t]['trust_cost'] for t in stack)
    conversion = baseline_conversion * (1 + lift)
    return conversion, trust, conversion * trust / baseline_trust

rows = []
for r in range(1, len(tactics) + 1):
    for combo in combinations(tactics, r):
        conv, trust, adjusted = stack_impact(combo)
        rows.append((' + '.join(combo), len(combo), conv, trust, adjusted))

rows.sort(key=lambda row: row[4], reverse=True)
print(f"{'Stack':45} | Conv   | Trust | Adjusted")
for stack, n, conv, trust, adjusted in rows[:5]:
    print(f"{stack:45} | {conv:.2%} | {trust:.2f}  | {adjusted:.2%}")
everything = [row for row in rows if row[1] == len(tactics)][0]
print(f"\nAll five: {everything[2]:.2%} raw, {everything[4]:.2%} adjusted")

Mit diesen Annahmen bringen alle fünf zusammen die höchste rohe Conversion, 5,89 %, nach der Anpassung ans Vertrauen fällt sie aber auf 4,57 %. Der beste angepasste Stapel ist Knappheit, Social Proof, Besitztumseffekt und IKEA Effekt mit 4,71 %, und er lässt die Dringlichkeit weg, die Taktik mit den höchsten angenommenen Vertrauenskosten.

Die Lehre ist nicht dieser Stapel. Ein Modell wie dieses gibt nur die Annahmen zurück, die du hineingesteckt hast: Ändere die Vertrauenskosten, und der Gewinner ändert sich. Sein Nutzen ist, dass du aufschreiben musst, was jede Taktik deiner Meinung nach kostet, und es dann misst.

Überzeugen ist ehrlich, wenn die Angabe stimmt

Jede Technik hier lässt sich nutzen, um zu helfen oder um auszunutzen.

Ehrliche Nutzung	Ausbeuterische Nutzung
Echte Knappheit, klar gesagt	Erfundene Grenzen, die Druck machen
Echte Fristen, die eingehalten werden	Timer, die neu starten, Sales, die nie enden
Wahre Kundenzahlen und echte Bewertungen	Aufgeblasene Zahlen und gefälschte Bewertungen
Tests, die beim Prüfen helfen, ob es passt	Tests, die Menschen festhalten sollen
Anpassung, die Wert schafft	Beschäftigung, die nur versunkene Kosten erzeugen soll

Neben dem moralischen Argument ist das wirtschaftliche stark. Das Recht hat Zähne: Abmahnungen, Unterlassungsklagen von Mitbewerbern und Verbraucherverbänden und bei weitverbreiteten Verstößen Bußgelder bis zu 4 % des Jahresumsatzes.¹³¹⁵ Falsche Angaben bringen Kunden bei, deine wahren zu ignorieren.⁴ Manipulative Taktiken zerstören Vertrauen, und zerstörtes Vertrauen zeigt sich in weniger Wiederholungskäufen, weniger Empfehlungen und einem niedrigeren Customer Lifetime Value. Und manipulative Praktiken werden öffentlich angeprangert, wo der Schaden jeden kurzfristigen Gewinn übersteigen kann.

Miss den ganzen Weg, nicht den Klick

Diese Effekte beschreiben, wie Menschen tatsächlich entscheiden. Sie zu ignorieren macht dich nicht ethisch. Es macht dich weniger wirksam. Die Manipulation kommt nicht daher, dass jemand Psychologie nutzt. Sie kommt daher, dass jemand über die Wirklichkeit lügt, um sie auszunutzen.

Setz sie also ehrlich ein, und miss über die Conversion hinaus: Retouren, Beschwerden, Bindung und Wiederholungskäufe. Die beste Conversion Rate bedeutet nichts, wenn sich Kunden hereingelegt fühlen und nie wiederkommen. Wie du einen echten Zuwachs von Rauschen unterscheidest, zeigt der Artikel über statistische Signifikanz.

Ich wende Verhaltenspsychologie seit über zehn Jahren auf die Conversion Optimierung an, im eCommerce, im SaaS und im B2B. Der Code in diesem Artikel läuft so, wie er dasteht, und beruht auf erfundenen Zahlen, also pass ihn an deine eigenen Daten an, bevor du einem Ergebnis traust.

Footnotes

1. Robert Cialdini, The science of persuasion: seven principles of persuasion, Influence at Work, https://www.influenceatwork.com/7-principles-of-persuasion/

2. Christina Steindl, Eva Jonas, Sandra Sittenthaler, Eva Traut-Mattausch und Jeff Greenberg, Understanding psychological reactance: new developments and findings, Zeitschrift für Psychologie 223(4), Seiten 205 bis 214, 2015, https://pmc.ncbi.nlm.nih.gov/articles/PMC4675534/

3. Alexander L. Brown, Taisuke Imai, Ferdinand M. Vieider und Colin F. Camerer, Meta analysis of empirical estimates of loss aversion, Journal of Economic Literature 62(2), Seiten 485 bis 516, 2024, https://www.aeaweb.org/articles?id=10.1257/jel.20221698

4. Competition and Markets Authority (Vereinigtes Königreich), Online choice architecture: how digital design can harm competition and consumers, Diskussionspapier CMA155, April 2022, Absätze 4.6 bis 4.12, https://assets.publishing.service.gov.uk/media/624c27c68fa8f527710aaf58/Online_choice_architecture_discussion_paper.pdf

5. Arunesh Mathur, Gunes Acar, Michael J. Friedman, Elena Lucherini, Jonathan Mayer, Marshini Chetty und Arvind Narayanan, Dark patterns at scale: findings from a crawl of 11K shopping websites, Proceedings of the ACM on Human Computer Interaction (CSCW), 2019, https://arxiv.org/abs/1907.07032

6. Competition and Markets Authority (Vereinigtes Königreich), Unfair commercial practices (CMA207), Beispiele für irreführende Handlungen, GOV.UK, 18. November 2025, https://assets.publishing.service.gov.uk/media/691b9bd821ef5aaa6543ee6f/Unfair_commercial_practices_CMA207_18_Nov_2025__2_.pdf

7. Competition and Markets Authority (Vereinigtes Königreich), Hotel booking sites to make major changes after CMA probe, GOV.UK, 6. Februar 2019, https://www.gov.uk/government/news/hotel-booking-sites-to-make-major-changes-after-cma-probe

8. Shane Frederick, George Loewenstein und Ted O'Donoghue, Time discounting and time preference: a critical review, Journal of Economic Literature 40(2), Seiten 351 bis 401, 2002, https://www.aeaweb.org/articles?id=10.1257/002205102320161311

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

10. Verbraucherzentrale Bundesverband, Mobilfunk: Countdown für angeblich befristetes Sonderangebot war irreführend, Urteil des LG Hanau vom 5. November 2025, Az. 6 O 27/25, nicht rechtskräftig, vzbv.de, 4. Februar 2026, https://www.vzbv.de/urteile/mobilfunk-countdown-fuer-angeblich-befristetes-sonderangebot-war-irrefuehrend

11. Europäische Kommission, Leitlinien zur Auslegung und Anwendung der Richtlinie 2005/29/EG über unlautere Geschäftspraktiken (2021/C 526/01), Abschnitt 4.2.7 Datengesteuerte Verfahren und Dark Patterns, Amtsblatt der Europäischen Union C 526, 29. Dezember 2021, EUR Lex, https://eur-lex.europa.eu/legal-content/DE/TXT/HTML/?uri=CELEX:52021XC1229%2805%29

12. Bundesministerium der Justiz, Gesetz gegen den unlauteren Wettbewerb (UWG), § 5 Irreführende geschäftliche Handlungen, Absätze 1 und 2 Nr. 1 und 2, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/uwg_2004/__5.html

13. 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

14. Bundesministerium der Justiz, Gesetz gegen den unlauteren Wettbewerb (UWG), § 13 Abmahnung, Unterlassungsverpflichtung, Haftung, Absätze 1 und 3, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/uwg_2004/__13.html

15. Bundesministerium der Justiz, Gesetz gegen den unlauteren Wettbewerb (UWG), § 19 Bußgeldvorschriften, Absätze 1, 3 und 5, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/uwg_2004/__19.html

16. Bundesministerium der Justiz, Preisangabenverordnung (PAngV), § 3 Pflicht zur Angabe des Gesamtpreises, Absatz 1, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/pangv_2022/__3.html

17. Bundesministerium der Justiz, Preisangabenverordnung (PAngV), § 11 Zusätzliche Preisangabenpflicht bei Preisermäßigungen für Waren, Absatz 1, Gesetze im Internet, 2026, https://www.gesetze-im-internet.de/pangv_2022/__11.html

18. Andrew K. Przybylski, Kou Murayama, Cody R. DeHaan und Valerie Gladwell, Motivational, emotional, and behavioural correlates of fear of missing out, Computers in Human Behavior 29(4), Seiten 1841 bis 1848, 2013, https://doi.org/10.1016/j.chb.2013.02.014

19. Daniel Kahneman, Jack L. Knetsch und Richard H. Thaler, Experimental tests of the endowment effect and the Coase theorem, Journal of Political Economy 98(6), Seiten 1325 bis 1348, 1990, https://econpapers.repec.org/article/ucpjpolec/v_3a98_3ay_3a1990_3ai_3a6_3ap_3a1325-48.htm

20. Charles R. Plott und Kathryn Zeiler, The willingness to pay, willingness to accept gap, the "endowment effect", subject misconceptions, and experimental procedures for eliciting valuations, American Economic Review 95(3), Seiten 530 bis 545, 2005, https://www.aeaweb.org/articles?id=10.1257/0002828054201387

21. 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

22. Hal R. Arkes und Catherine Blumer, The psychology of sunk cost, Organizational Behavior and Human Decision Processes 35(1), Seiten 124 bis 140, 1985, https://econpapers.repec.org/article/eeejobhdp/v_3a35_3ay_3a1985_3ai_3a1_3ap_3a124-140.htm