User Research ist auch eine technische Disziplin #wuc2021

Auf dem diesjährigen World Usability Congress in Graz – oder um genau zu sein: im CX-Teil “Beyond CX” – haben Dr. Jonas Rende und ich einen Vortrag darüber gehalten, wie Unternehmen Kundenerwartungen nutzen können, um Erlebnisse zu verbessern und damit ihren Erfolg zu steigern. Es ging dabei aber nur vordergründig um den methodischen Aspekt von Kundenerwartungen und -bedürfnissen.

Jonas ist Senior Data Scientist bei DATEV und führt den Aufbau der Technologie-Landschaft für Customer und User Experience. Deshalb haben wir auch darüber gesprochen, was aus technologischer Sicht notwendig ist, dass sich Unternehmen überhaupt zuverlässig an Kundenerwartungen und -bedürfnissen orientieren können.

Aber mal von vorn

Positive Erlebnisse entstehen immer dann, wenn es gelingt, Bedürfnisse und Erwartungen zu erfüllen bzw. zu übertreffen. Dabei beginnt die Herausforderung schon mit dem Erkennen der wesentlichen Bedürfnisse und Erwartungen. Dazu kommt, dass die Geschwindigkeit, in der sich die Welt und menschliche Bedürfnisse bzw. Erwartungen verändern, rasant zugenommen hat. COVID hat dabei viele Aspekte, wie z.B. die Digitalisierung von Prozessen, massiv beeinflusst. Es hat sich sehr viel in sehr kurzer Zeit verändert. Ich glaube, dass wir aktuell noch gar nicht abschätzen können, was diese Veränderungen für Unternehmen langfristig bedeuten. Weiterhin hat die zunehmende Menschzentrierung bzw. Kundenorientierung von Unternehmen einen großen Einfluss. Dinge, die vor 3-4 Jahren noch in Ordnung waren, sind heute, auch im Business-to-Business-Umfeld, nicht mehr akzeptabel. Es gibt mittlerweile viele gute Beispiele für die Ausgestaltung von Kundenerlebnissen, die zeigen, dass es geht. Das Erkennen der Veränderungen von Bedürfnissen und Erwartungen muss deshalb viel konkreter, treffsicherer und schneller als bisher erfolgen.

Klassische User Research-Methoden und -Prozessen reichen dafür nicht mehr aus. Es wird ein ganzheitlicher und datengetriebener Ansatz für die Menschzentrierung bzw. Kundenorientierung von Unternehmen benötigt.

Mit Kundenorientierung bzw. Menschzentrierung meine ich die Fähigkeit eines Unternehmens, positive menschliche Erfahrungen zu generieren. Kundenorientierung bedeutet aus den Interaktionen zwischen Menschen und Unternehmen kontinuierlich zu lernen und sich zu verbessern. Und, weil sich die Welt und damit auch Bedürfnisse sowie Erwartungen so schnell verändern muss dieses kontinuierliche Lernen möglichst in Echtzeit passieren.

Was sind Kundenerwartungen?

Die Erwartungen, die Menschen an ein Erlebnis haben, basieren zum Beispiel auf ihrer Persönlichkeit und den bisherigen Erfahrungen. Sie sind geprägt von Versprechen und dem aktuellen Kontext in dem sich der Mensch befindet. Die Erwartungen sind fließend und emotional. Erwartungen sind eine Annahme darüber, was passieren wird und man sich fühlen wird. Erwartungen haben einen wesentlichen Einfluss auf das Erlebnis. (Siehe “Warum wir User Experience anders denken sollten“)

Damit Kundenerwartungen in der praktischen Arbeit gut verwendet werden können, sollten sie möglichst gut formuliert sein. Erwartungen …

  • … sind neutral formuliert.
  • … sind keine vollständige oder verschachtelte Sätze.
  • … sind kurz und knapp. Sie sollten ca. 5-7 Wörter enthalten.
  • … sollte ein Verb oder ein Adjektiv enthalten.
  • … werden im Laufe der Zeit angepasst.

Menschliche Erlebnisse und Erwartungen in Echtzeit messen

Der wichtigste Schritt für den obengenannten Lernprozess ist die Überarbeitung der Messverfahren für Customer und User Experience. Es genügt nicht mehr alle 12 Monate nach Zufriedenheit zu fragen. Unternehmen, die kontinuierlich aus menschlichen Erlebnissen lernen wollen, brauchen ein Netzwerk an Sensoren und eine Technologie-Landschaft für menschliche Erlebnisse und menschliches Verhalten.

Einer dieser Sensoren können Mini-Fragebögen sein, die am Ende von (Arbeits-)prozessen oder nach der Interaktion mit Kontaktpunkten (z.B. Service) angezeigt werden. In diesen wird z.B. mittels CSAT-Skala nach der Zufriedenheit gefragt. Außerdem wird mit einem Freitext-Feld nach einer kurzen Begründung gefragt. Optional können 2-5 Fragen zur Erfüllung von Kundenerwartungen ergänzt werden, von denen man annimmt, dass sie die Zufriedenheit in diesem Prozess oder an diesem Kontaktpunkt stark beeinflussen. In so einem Setup mit einer Freitext-Begründung zu arbeiten, klingt erstmal gewagt. Letztendlich müssen die Freitexte ja gelesen werden, um sie auszuwerten. Dazu später mehr.

Bild eines Fragebogens
Beispiel eines Fragebogen zur Messung von Kundenerlebnis und Kundenerwartungen von DATEV

Bei der Konstruktion des Fragebogens gibt es zwei große Herausforderungen. Die erste besteht darin, die richtigen Kundenerwartungen zu finden.

Um Erwartungen zu definieren, können klassische quantitative User Research Methoden verwendet werden. Aber, das ist sehr zeitaufwendig. Da sich die Erwartungen schnell ändern, kann es passieren, dass die so erhobenen Daten schon nicht mehr der Realität entsprechen, wenn sie ausgewertet sind. Deshalb ist es sinnvoller die Erwartungen auf Basis praktischer Erfahrungen von Kolleg*innen zu definieren, die Teil der Interaktion sind oder sich mit dem (Arbeits-)prozess aus Anwendersicht gut auskennen. Das ist aber nur der Beginn. Danach setzt das kontinuierliche Lernen aus den echten Interaktionen ein. Die einzelnen Statements zu den Kundenerwartungen werden wie oben beschrieben in den Fragebogen integriert. Bei jeder Erwartungsaussage wird nicht nur danach gefragt, ob die Erwartung erfüllt wurde oder nicht. Es wird auch gefragt, ob diese Erwartung besteht und ob sie wichtig ist. Im Zusammenspiel aus diesen Antworten und der Zufriedenheit kann man im Laufe der Zeit datengetrieben ermittelt werden, welche Kundenerwartungen relevant sind und wie diese erfüllt werden.

Die zweite Herausforderung ist: wie man die enorme Menge an Freitexten in Echtzeit auswerten kann, die solche Fragebogen-Sensoren bei Tausende Kund*innen und viele Prozesse bzw. Kontaktpunkte erzeugen.

Wie wertet man tausende Freitext-Feedbacks in Windeseile aus?

Natürlich lautet die Antwort an dieser Stelle nicht, dass man einfach mehr UX Researcher*innen einstellen kann, um diese Herauforderung zu bewältigen. Die Zutaten für eine Antwort sind Kompetenz, Technologie, Daten und Visualisierung.

Kompetenz

UX Research-Teams oder UXR-Communtities, die diese Herausforderung meistern wollen, brauchen neben UX Researcher*innen auch Software-Entwickler*innen, Dateningenieur*innen und Datenwissenschaftler*innen. Neben methodischen Kenntnissen spielen technische und statistische Kenntnisse eine sehr wichtig Rolle. Die technischen Skills ermöglichen unter anderem die Eigenentwicklung von Komponenten zur Befragung die von Kontaktpunkten (z.B. Softwareanwendungen) komfortabel eingesetzt werden können. Dies steigert bei vollen Backlogs die Akzeptanz des Systems.

Technologie

Damit eine sogenannte Insight-Engine enstehen kann, die dazu in der Lage ist, werden eine geeignete Architektur, Grafikkarten, viele Sensoren und unterschiedliche Komponenten benötigt. Die eingesetzten Technologien für UX Research müssen sich dabei nahtlos in die IT-Landschaft des Unternehmens einbetten. Es werden Schnittstellen zu internen Systemen, wie z.B. CRM-Systemen, benötigt. Alle Datensätze im Unternehmen müssen mit einer kunden- oder personenbezogenen ID versehen werden, um eine übergreifende Auswertung zu ermöglichen. Dafür wiederum müssen Zustimmungen eingeholt und verwaltet werden. Es muss sichergestellt werden, dass nur die Personen nach Feedback gefragt werden, die dem auch zugestimmt haben. Freitext-Antworten müssen automatisiert anonymisiert werden, um sicherzustellen, dass keine personenbezogenen Daten ohne Zustimmung enthalten sind. Es muss sichergestellt werden, dass die Daten aus der Insight-Engine nicht für die Leistungskontrolle von Mitarbeiter*innen missbraucht werden.

Daten

Der Kern der Antwort liegt in der automatisierten Bewertung der Textfelder. Hier lautet das Zauberwort “Text Analytics”. Textanalyse ermöglicht es, einen ersten datengetriebenen Hinweis auf die Themen zu extrahieren, über die in den Freitexten gesprochen wird. Für diese Analyse wird ein domänenspezifisches Sprachmodell genutzt. Also ein Sprachmodell, welches die Sprache der Kund*innen des Unternehmens kennt. Der Einsatz von fertigen vortrainierten Sprachmodellen ist zwar denkbar. Er funktioniert aber leider nur dann, wenn die Kund*innen keine fachspezifischen Begriffe oder Slang nutzen. Das Sprachmodell “lernt” über tausende Beispiele von Kundenfeedbacks und deren menschliche Bewertung (Labeling), selbst Kundenfeedbacks zu bewerten. Für das Training können öffentlich zugängliche deutsche Textdaten (z.B. Wikipedia), domänenspezifische öffentliche Textquellen (z.B. German legal) und firmeneigene Textdaten genutzt werden. Letzteres sorgt dafür das die Treffsicherheit der eingesetzten Modelle die, der vortrainierten Modelle signifikant übersteigt. Mit Hilfe des trainierten Sprachmodells ist man in der Lage zu erkennen, welche Stimmung ein Freitext hat (Sentiment-Analyse) und worum es in diesem Freitext geht. (Klassifizierung)

Datenvisualisierung als Lernhilfe

Nun ist es leider nicht genug Erlebnisse und Erwartungen automatisch messen und auswerten zu können. Das Ganze ist nur dann hilfreich, wenn die Mitarbeiter*innen auch kontinuierlich daraus lernen können. Daher kommt der Visualisierung der Daten für Mitarbeiter*innen eine sehr wichtige Rolle zu. Je einfacher und leichter die Mitarbeiter*innen die Daten nutzen können, umso höher ist die Akzeptanz in der Breite. Es lohnt sich auch bei der Visualisierung von Daten einen menschzentrierten Ansatz zu verfolgen. Die zentrale Frage hier ist, wie die Daten ausgewertet und visualisiert sowie wo die Daten bereitgestellt werden müssen, damit sie Mitarbeiter*innen dabei helfen können, die Erlebnisse von Anwender*innen und Kund*innen kontinuierlich zu verbessern.

Außerdem spielt die Unternehmenskultur bei diesem Ansatz eine wichtige Rolle. Stellt die Organisation kontinuierliches Lernen über herkömmliche Kontrollmechanismen zu Fehlervermeidung? Wie sehr sind sich Führungskräfte und Mitarbeiter*innen über das Potential dieser Daten bewußt? Wie wichtig ist es dem Unternehmen, dass Anwender*innen und Kund*innen ein positives Erlebnis haben? Welche Rolle spielen Kundenerlebnisse aus Sicht des Managements beim unternehmerischen Erfolg? Je nachdem wo Dein Unternehmen steht, kann es notwendig sein, sich zunächst mit diesen Fragen zu beschäftigen bevor der oben beschriebene Ansatz erfolgsversprechend angegangen werden kann.

Fazit

Die Fähigkeit kontinuierlich und in Echtzeit aus den Interaktionen zwischen Menschen und Unternehmen lernen und sich verbessern zu können, ist eine der wesentlichen Erfolgsfaktoren des nächsten Jahrzehnts. Dieses Lernen funktioniert, wenn es auf Basis eines Echtzeit-Datenflusses von Kundenfeedback erfolgt und in die Kultur des Unternehmens eingebettet ist. Data Science und Data Engineering werden dabei zu wichtige Kompetenzen von UX Researcher*innen.

War dieser Artikel hilfreich für Dich?

Kommentar verfassen

Scroll to Top