Nutzung von Nutzerdaten zur Gewinnung von Design-Erkenntnissen: Die Rolle der KI

Im Bereich des digitalen Produktdesigns haben wir uns von einer Ära des intuitiven Designs zu einer neuen Ära der datengesteuerten Entscheidungsfindung entwickelt. Jeder Klick, jeder Aufenthalt, jeder Abbruch ist ein stilles Feedback der Nutzer, das reichhaltige Design-Erkenntnisse birgt. Da die Datenmenge jedoch exponentiell wächst, ist es für menschliche Analysten schwierig, aussagekräftige Muster aus riesigen Informationsmengen zu extrahieren. Hier kommt die künstliche Intelligenz ins Spiel - sie kann nicht nur erstaunlich große Datensätze verarbeiten, sondern auch subtile Zusammenhänge aufdecken, die Menschen möglicherweise übersehen. Dieser Artikel untersucht, wie KI die Art und Weise verändert, wie wir Design-Erkenntnisse aus Nutzerdaten gewinnen, und neue Möglichkeiten für Produktinnovationen eröffnet.

Von Daten zu Erkenntnissen: Die Grenzen traditioneller Methoden

Traditionelle Methoden der Nutzerforschung und Datenanalyse stützen sich in der Regel auf:

• Strukturierte Umfragen und Interviews
• Analyse von A/B-Testergebnissen
• Manuelle Überprüfung von Nutzerverhaltensprotokollen
• Validierung vordefinierter Annahmen

Diese Methoden sind zwar effektiv, haben aber auch deutliche Einschränkungen. Eine Studie von McKinsey hat gezeigt, dass Unternehmen im Durchschnitt nur 12 % der von ihnen gesammelten Daten analysieren, wobei der Anteil der Tiefenanalyse sogar noch geringer ist (2 %). Ein wesentlicher Grund dafür ist, dass die Datenmenge die menschliche Verarbeitungskapazität übersteigt und vordefinierte Rahmen zu kognitiven Verzerrungen führen können.

Als die E-Commerce-Plattform Etsy beispielsweise noch auf traditionelle Analysemethoden setzte, konnte sie weniger als 5 % der Nutzerverhaltensdaten verarbeiten, was bedeutet, dass 95 % der potenziellen Erkenntnisse ignoriert wurden. Noch wichtiger ist, dass traditionelle Methoden oft nur die Fragen beantworten können, "die wir zu stellen wissen", und nicht die blinden Flecken aufdecken können, von denen wir "nicht wissen, dass wir sie nicht wissen".

KI-gestützte neue Paradigmen für Dateneinblicke

KI-Technologien, insbesondere Fortschritte im Bereich des maschinellen Lernens und des Deep Learning, bringen drei wichtige Veränderungen für die Gewinnung von Design-Erkenntnissen mit sich:

1. Skalierbares Verständnis unstrukturierter Daten

KI ist in der Lage, zuvor schwer quantifizierbare unstrukturierte Daten zu verarbeiten und zu verstehen, wie z. B.:

• Nutzerkommentare und Feedback-Texte
• Social-Media-Dialoge und Stimmungen
• Kundenservice-Gesprächsaufzeichnungen
• Von Nutzern generierte Bilder und Videoinhalte

Netflix nutzt Natural Language Processing, um Millionen von Nutzerkommentaren zu analysieren und nicht nur explizit geäußerte Inhaltspräferenzen zu erkennen, sondern auch subtile Stimmungsänderungen zu erfassen. Durch die Analyse von Nutzerkommentaren zu verschiedenen Episodenenden entdeckten sie beispielsweise die unterschiedlichen Emotionen der Zuschauer in Bezug auf offene und vollständig geschlossene Episodenenden - eine Erkenntnis, die sich direkt auf nachfolgende Entscheidungen zur Inhaltsproduktion auswirkte.

2. Entdeckung von multivariaten Datenassoziationen

KI-Algorithmen sind in der Lage, komplexe Assoziationen über Datensätze hinweg zu entdecken, die über die menschliche Intuition hinausgehen können:

• Die Beziehung zwischen Nutzerverhalten und Umweltfaktoren
• Verbindungen zwischen scheinbar unzusammenhängenden Mustern der Funktionsnutzung
• Subtile Wendepunkte in langen Nutzungsverläufen

Die elektronische Gesundheitsanwendung Headspace verwendet maschinelles Lernen, um die Beziehung zwischen den Meditationsgewohnheiten der Nutzer und anderen Verhaltensweisen innerhalb der Anwendung zu analysieren, und entdeckte ein unerwartetes Muster: Nutzer, die nach drei geführten Meditationen sofort ihre Fortschrittsdaten einsehen, haben eine um 32 % höhere Wahrscheinlichkeit, die Anwendung weiterhin zu nutzen. Diese Erkenntnis veranlasste das Team, den Prozess der Erfolgsdarstellung neu zu gestalten, um ihn natürlicher in das Erlebnis nach der Meditation zu integrieren und die Nutzerbindung zu erhöhen.

3. Vorausschauende Erkenntnisse und kontextuelle Anpassung

KI kann nicht nur historische Daten analysieren, sondern auch zukünftige Trends und Bedürfnisse vorhersagen:

• Identifizierung potenzieller Frustrationspunkte, auf die Nutzer bald stoßen werden
• Vorhersage von Veränderungen in der Häufigkeit der Funktionsnutzung
• Vorhersage der Entwicklung personalisierter Bedürfnisse

Das KI-System der Musik-Streaming-Plattform Spotify ist in der Lage, anhand des Hörverlaufs, der aktuellen Uhrzeit, des Standorts und sogar des Wetters vorherzusagen, welche Art von Musik ein Nutzer hören möchte. Diese vorausschauenden Erkenntnisse ermöglichen es Spotify, geeignete Inhalte anzubieten, bevor der Nutzer seine Bedürfnisse explizit äußert, und so ein überraschendes Erlebnis zu schaffen: "Woher wussten sie, dass ich das gerade hören wollte?". Interne Daten zeigen, dass diese prädiktiven Empfehlungen die wöchentliche Hörzeit der Nutzer um durchschnittlich 8 % erhöht haben.

Praktischer Rahmen für die KI-gestützte Gewinnung von Erkenntnissen

Die Integration von KI in den Prozess der Gewinnung von Design-Erkenntnissen erfordert einen systematischen Ansatz. Im Folgenden finden Sie einen praktischen Rahmen:

Datenerfassung und Vorbereitung

Eine erfolgreiche KI-Analyse erfordert zunächst die Integration von Daten aus verschiedenen Quellen:

• Produktnutzungsdaten (Clickstreams, Verweildauer, Konversionspfade)
• Nutzer-Feedback-Daten (Kommentare, Bewertungen, Kundendienstprotokolle)
• Umgebungs- und Kontextdaten (Zeit, Ort, Geräteeigenschaften)
• Geschäftsdaten (Konversionsrate, Kundenbindung, Umsatzkennzahlen)

Die Datenaufbereitung ist nicht nur eine technische Frage, sondern auch eine strategische. Die Luxus-E-Commerce-Plattform Farfetch hat eine einheitliche Kundendatenplattform eingerichtet, die Online-Browsing-Verhalten und Offline-Shop-Interaktionsdaten integriert, um eine kanalübergreifende Perspektive für die KI-Analyse zu ermöglichen. Diese Integration ermöglicht es ihnen, subtile Muster zu erkennen, wie z. B. den Anteil der Nutzer, die "in der mobilen App surfen, aber den Kauf auf dem Desktop abschließen", der mit 37 % deutlich über dem Branchendurchschnitt liegt.

Generierung von Erkenntnissen und Validierungsprozess

Die von der KI generierten Erkenntnisse erfordern einen strukturierten Validierungsprozess:

1. Mustererkennung: Verwendung von unüberwachtem Lernen zur Identifizierung natürlicher Cluster und Anomalien in den Daten
2. Hypothesengenerierung: Automatische Generierung möglicher Erklärungen und Hypothesen auf der Grundlage von Mustern
3. Priorisierung: Bewertung der Priorität von Erkenntnissen auf der Grundlage der Auswirkungen auf das Geschäft und der Durchführbarkeit
4. Experimentelle Validierung: Testen wichtiger Erkenntnisse durch kleine Experimente

Die Design-Kollaborationsplattform Figma verwendet diesen Prozess, um die Muster der Erstellung und Weitergabe von Designdateien durch Nutzer zu analysieren, und entdeckte eine wichtige Erkenntnis: Designer ändern ein Design durchschnittlich 14 Mal, bevor sie es zum ersten Mal mit Entwicklern teilen, aber nur die letzten 3 Änderungen haben einen wesentlichen Einfluss auf die endgültige Implementierung. Auf der Grundlage dieser Erkenntnis entwickelte Figma eine Funktion namens "Entwicklermodus", die es Designern ermöglicht, früher und effektiver mit Entwicklungsteams zusammenzuarbeiten, was den Nachbesserungsaufwand um 40 % reduziert.

Ethische Überlegungen und Transparenz im Design

Die KI-gestützte Gewinnung von Erkenntnissen muss auf einer ethischen Grundlage aufgebaut sein:

• Respektierung der Privatsphäre und der Datenhoheit der Nutzer
• Vermeidung der Verstärkung bestehender Vorurteile und Ungleichheiten
• Aufrechterhaltung von Transparenz und Erklärbarkeit in Entscheidungsprozessen

Die Datenanalyse von Signal, einer Kommunikationsanwendung, zeigt, wie man wertvolle Erkenntnisse gewinnen kann, ohne die Privatsphäre zu gefährden. Sie verwenden die Technik der differenziellen Privatsphäre, um Nachrichtenmuster zu analysieren, ohne persönliche Nutzerdaten preiszugeben, und entdeckten, dass die Nutzer eine viel höhere Nachfrage nach der Funktion des Nachrichtenlesebestätigung haben als erwartet. Diese Erkenntnis veranlasste sie, die Entwicklung dieser Funktion zu priorisieren und gleichzeitig detaillierte Datenschutzeinstellungen zu entwerfen.

Anwendungsfälle von KI-Erkenntnissen im Designprozess

Fallstudie 1: Wie eine Carsharing-Plattform das Nutzererlebnis neu gestaltet

Eine führende Carsharing-Plattform sah sich mit einer hohen Abwanderungsrate von Nutzern nach der Aktivierung konfrontiert. Traditionelle Analysen zeigten, dass die grundlegenden Reibungspunkte bei der Nutzung (wie z. B. komplizierte Buchungsabläufe) bereits optimiert worden waren, aber das Problem der Abwanderung bestand weiterhin.

Sie setzten ein KI-Analysesystem ein, das App-Nutzungsdaten, Standortinformationen, Wetterdaten und Nutzerfeedback integrierte. Die KI-Analyse deckte ein unerwartetes Muster auf: Bei 42 % der neuen Nutzer, die zum ersten Mal ein Auto mieteten, verweilten nach dem Erreichen des Fahrzeugstandorts ungewöhnlich lange in der App (durchschnittlich 3,2 Minuten) und stornierten dann die Buchung.

Eine weitere Analyse ergab, dass 78 % dieser Nutzer versuchten, das Auto zum ersten Mal bei Regen oder in der Nacht zu benutzen, während die App nicht genügend Echtzeit-Anleitungen enthielt. Auf der Grundlage dieser Erkenntnis entwickelte das Designteam kontextsensible Anleitungsfunktionen, darunter:

• Eine Augmented-Reality-Fahrzeugortung, die sich bei schlechten Lichtverhältnissen automatisch aktiviert
• Spezielle Buchungstipps und Vorbereitungshinweise für Fahrten bei Regen
• Eine Live-Video-Unterstützungsoption für Erstnutzer

Diese Verbesserung führte zu einer Steigerung der Abschlussrate von Erstnutzern um 24 % und einer Erhöhung der langfristigen Bindungsrate um 18 %.

Fallstudie 2: Die personalisierte Transformation einer Finanzanwendung

Ein Fintech-Unternehmen, das eine Spar-App betreibt, wollte die Häufigkeit und den Betrag der Einzahlungen der Nutzer erhöhen. Traditionelle Motivationstheorien schlugen die Implementierung von Punkt- und Belohnungssystemen vor, aber die Ergebnisse von A/B-Tests waren enttäuschend.

Sie setzten Deep-Learning-Modelle ein, um Nutzerverhaltensdaten aus zwei Jahren zu analysieren, darunter:

• Höhe und Häufigkeit der Einzahlungen
• Lesemuster der Bildungsinhalte innerhalb der App
• Nutzung von Social-Media-Funktionen
• Festlegen und Ändern von Finanzzielen

Die KI-Analyse deckte eine komplexe Erkenntnis auf: Das Sparverhalten der Nutzer wird von vier verschiedenen Motivationsmustern bestimmt, während das Produktdesign nur eines davon berücksichtigt. Insbesondere erkannte die KI, dass "soziale Vergleichs"-Nutzer (etwa 31 %) kaum von traditionellen Belohnungsmechanismen beeinflusst werden, aber ihre Sparbereitschaft deutlich steigt, wenn sie die Sparleistung von Gleichaltrigen vergleichen.

Auf der Grundlage dieser Erkenntnis entwickelte das Produktteam eine adaptive Benutzeroberfläche, die in der Lage ist, den Motivationstyp des Nutzers zu erkennen und sich entsprechend anzupassen:

• Verstärkung der visuellen Fortschrittsverfolgung für zielorientierte Nutzer
• Bereitstellung anonymer Gruppenvergleiche für Nutzer mit sozialem Vergleich
• Vereinfachung automatischer Einzahlungsprozesse für Gewohnheitsnutzer
• Bereitstellung personalisierter Finanzbildungsinhalte für bildungsorientierte Nutzer

Sechs Monate nach der Implementierung dieses Individualisierungsplans stiegen die gesamten Nutzereinsparungen um 27 % und der Anteil aktiver Nutzer um 19 %.

Auf dem Weg zu einem kollaborativen Mensch-Maschine-Modell der Erkenntnisgewinnung

Obwohl sich KI bei der Datenanalyse auszeichnet, bleibt das effektivste Modell für die Erkenntnisgewinnung die Zusammenarbeit zwischen Mensch und Maschine:

Erweiterung statt Ersatz

KI sollte als Erweiterung des Denkens von Designern und nicht als Ersatz für sie dienen:

• KI ist gut darin, Muster und Anomalien zu erkennen
• Menschen sind gut darin, den Kontext zu verstehen und Bedeutung zu geben
• KI kann den Umfang der Analyse erweitern
• Menschen können die Relevanz und den Wert von Erkenntnissen beurteilen

Das Dreamcatcher-System des Designsoftware-Unternehmens Autodesk demonstriert dieses kollaborative Modell, bei dem KI-Algorithmen auf der Grundlage von Designparametern Tausende von potenziellen Lösungen generieren, die Designer dann bewerten, filtern und verbessern, um Designs zu erstellen, die sowohl technische Anforderungen erfüllen als auch einen menschlichen Wert haben.

Eine Brücke von der Einsicht zur Innovation

Der letztendliche Wert von Dateneinblicken liegt in ihrer Umwandlung in innovatives Design:

• Aufbau einer Verbindung zwischen der Erkenntnisbibliothek und dem Designsystem
• Entwicklung eines kontinuierlichen Kreislaufs von "Hypothese - Test - Lernen"
• Förderung einer datengetriebenen Erkenntniskultur innerhalb der Organisation

Der dänische Spielzeuggigant Lego hat eine "Insights-to-Action-Plattform" eingerichtet, die es globalen Designteams ermöglicht, auf KI-generierte Nutzererkenntnisse zuzugreifen und diese in Produktideen umzusetzen. Die KI-Analyse ergab beispielsweise, dass die Frustrationspunkte von 6- bis 8-jährigen Kindern beim Bau komplexer Modelle auf bestimmte Verbindungsteile konzentriert sind, was direkt zur Entwicklung neuer Verbindungsteile führte, wodurch die Abbruchrate in diesem Alter reduziert wurde.

Zukünftige Aussichten: Die neuen Grenzen der Design-Erkenntnisse

Mit dem Fortschritt der KI-Technologie entwickelt sich die Gewinnung von Design-Erkenntnissen in mehrere zukunftsweisende Richtungen:

Multimodale Erkenntniskonvergenz

Künftige KI-Systeme werden in der Lage sein, eine Vielzahl von Datenmodalitäten zu integrieren, darunter:

• Text- und Sprachdaten
• Visuelle und Verhaltensdaten
• Biofeedback- und Emotionsdaten
• Umgebungs- und soziale Kontextdaten

Die Virtual-Reality-Plattform VRChat hat bereits mit dieser multimodalen Analyse experimentiert, indem sie die Bewegungspfade der Nutzer in der virtuellen Umgebung, die Blickrichtung, die Sprachinteraktion und die Gesten integriert, um eine volldimensionale Karte des Nutzererlebnisses zu erstellen. Diese Analyse ergab, dass das Nutzerverhalten in virtuellen sozialen Räumen in viel stärkerem Maße von realen sozialen Normen beeinflusst wird als erwartet, was ihre Raumgestaltungsprinzipien veränderte.

Echtzeitanpassung und dynamisches Design

Die KI-gestützte Gewinnung von Erkenntnissen beschränkt sich nicht mehr auf die nachträgliche Analyse, sondern kann die Echtzeitanpassung unterstützen:

• Dynamische Anpassung von Elementen der Benutzeroberfläche
• Prädiktive Empfehlungen für Inhalte und Funktionen
• Kontextsensitive Umschaltung von Interaktionsmodi

Das von der Streaming-Plattform HBO Max implementierte "Dynamic User Journey"-System ist in der Lage, das Layout der Benutzeroberfläche und die Strategien zur Inhaltsempfehlung dynamisch an den Echtzeit-Nutzerstatus (z. B. Erkundungsmodus, gezielte Suche oder zufälliges Browsen) anzupassen. Diese dynamische Anpassung hat die Entdeckungsrate von Inhalten um 22 % und die Gesamtdauer der Nutzung der Plattform durch die Nutzer um 17 % erhöht.

Kollektive Intelligenz und verteilte Erkenntnisse

Künftige KI-Systeme werden in der Lage sein, Erkenntnisse über Produkt- und Dienstleistungsgrenzen hinweg zu integrieren:

• Methoden des Verbundlernens, die die Privatsphäre respektieren
• Plattformen für den Austausch von Erkenntnissen in vertikalen Branchen
• Offene Standards für den Erkenntnisaustausch

Der Bereich der Medizintechnik hat begonnen, diese Richtung zu erforschen, wie z. B. das von dem Medizingerätehersteller Philips geleitete Projekt "Patient Experience Alliance", das es mehreren Krankenhäusern und Geräteanbietern ermöglicht, Nutzungsdaten unter Wahrung der Privatsphäre der Patienten auszutauschen, um den Verbesserungszyklus medizinischer Schnittstellen zu beschleunigen.

Schlussfolgerung: Der menschliche Wert von Dateneinblicken

Bei dem Streben nach datengesteuerten und KI-gestützten Lösungen sollten wir nicht vergessen, dass das Endziel von Design-Erkenntnissen darin besteht, sinnvollere menschliche Erfahrungen zu schaffen. Die starke Analysefähigkeit der KI muss mit einem tiefen menschlichen Verständnis kombiniert werden, um wirklich wertvolle Designinnovationen zu schaffen.

Die erfolgreichsten Designteams betrachten KI als ein Werkzeug zur Erweiterung der menschlichen Kreativität und nicht als eine Black Box, die menschliche Urteile ersetzt. Mit dem technologischen Fortschritt wird die Verschmelzung von Datenanalyse und Design Thinking zu persönlicheren, anpassungsfähigeren und sinnvolleren Produkterlebnissen führen und eine echte Resonanz zwischen Technologie und Menschlichkeit schaffen.

In diesem datenreichen Zeitalter wandelt sich die Rolle des Designers von einem reinen visuellen und interaktiven Schöpfer zu einem Interpreten von Erkenntnissen und einem Sinngeber. Die Beherrschung der KI-gestützten Dateneinblicke wird zu einer Kernkompetenz für zukünftige Designer.