Optimierung von Entscheidungsarchitekturen: Teil 4 – Entflechtung

Das erwartet euch in diesem Artikel

  • Was bedeutet “Entflechtung”, und inwiefern hilft sie bei komplexen Entscheidungen?
  • Wie lassen sich durch Filter die Bedürfnisse und Denkweisen der Nutzer berücksichtigen?
  • Welche zentralen Fragen sind dabei im Vorfeld zu klären?

In dieser Artikelserie lernt ihr alles, was ihr zum Thema Entscheidungsarchitekturen wissen müsst:

Optimierung von Entscheidungsarchitekturen: Teil 1 – Fehlerantizipation

Optimierung von Entscheidungsarchitekturen: Teil 2 – Feedback

Optimierung von Entscheidungsarchitekturen: Teil 3 – Defaults

Optimierung von Entscheidungsarchitekturen: Teil 4 – Entflechtung


In den vorangegangenen Teilen unserer Serie über Entscheidungsarchitekturen haben wir euch gezeigt, wie ihr durch Fehlerantizipation, Feedback und das Setzen von Defaults die Entscheidungen eurer Nutzer beeinflussen könnt. Im aktuellen Beitrag geht es um Entflechtung – eine Art von Nudge (engl. für Stups oder Schubs), der besonders dann zum Einsatz kommt, wenn Nutzer komplexe Entscheidungen treffen müssen.

Wie treffen wir einfache und komplexe Entscheidungen?

Menschen gehen sehr unterschiedlich vor, wenn sie einfache oder komplexe Entscheidungen treffen. Bei einfachen Entscheidungen werden in der Regel alle relevanten Attribute (d. h. die wichtigsten Eigenschaften) der verschiedenen Optionen gegeneinander abgewogen.

Mal angenommen, jemand steht im Supermarkt, um Eier einzukaufen. Die verschiedenen Packungen unterscheiden sich nach Größe, Preis, Herkunft und Haltungsart der Hühner. Dennoch ist das Angebot so begrenzt, dass sich jedes Attribut und jedes Produkt berücksichtigen lässt. Ein höherer Preis wird dabei beispielsweise durch eine artgerechte Haltung aufgewogen, weshalb dieses Vorgehen auch “Kompensatorische Strategie” (vgl. Borcherding 1983) genannt wird.

Anders sieht es bei komplexen Entscheidungen wie zum Beispiel dem Kauf eines neuen Sofas aus. Hier ist es völlig unmöglich, alle Produkte und alle möglichen Attribute gleichzeitig zu berücksichtigen. Würde jemand genau das versuchen, käme es schnell zu Informationsüberflutung und der sogenannten Paralyse durch Analyse (Abb. 1). Diese beschreibt den Zustand, in den man gerät, wenn man immer mehr Daten analysiert und versucht, all dies bei der Entscheidungsfindung zu berücksichtigen. Das hat zur Folge, dass man am Ende gar nicht mehr in der Lage ist, eine Entscheidung zu treffen.

Menschen müssen daher einen Weg finden, die Masse an Informationen zu reduzieren, und dazu wird üblicherweise die Elimination-by-Aspects-Strategie (vgl. Tversky 1972) eingesetzt. Hierbei wird für jedes Attribut ein Schwellenwert festgelegt (Beispiel: “Das Sofa darf maximal 1.500 Euro kosten”), und alle Optionen bzw. Produkte, die diesen Schwellenwert überschreiten, werden eliminiert. Das wiederholt man so lange für verschiedene Attribute, bis die Optionen auf ein überschaubares Set reduziert sind. Sprich: Die komplexe Entscheidung wird entflochten.

Comic: Prozess

Abb. 1: Wer sich bei einer komplexen Entscheidung zu lange mit allen möglichen Optionen und deren Attributen beschäftigt, kann sich am Ende gar nicht mehr entscheiden.

Wie sollte eine Website die Nutzer bei der Entflechtung unterstützen?

Wenn ihr dieses Vorgehen bei der Gestaltung eurer Website berücksichtigt, könnt ihr die Entscheidungsprozesse eurer Nutzer besser strukturieren und dadurch vereinfachen.

Um den Nutzer bei der Entflechtung zu unterstützen bzw. diese überhaupt erst zu ermöglichen, ist Folgendes von zentraler Bedeutung: Es gilt, die Bedürfnisse und die Denkweise des Nutzers zu berücksichtigen und diese in der Struktur der Seite widerzuspiegeln.

So kann zum Beispiel die Reihenfolge, in der Produkte oder Produktkategorien angezeigt werden, den Nutzer in seiner Entscheidung entweder behindern oder unterstützen.

Kategorien werden in der Navigation häufig in alphabetischer Reihenfolge dargestellt (s. Abb. 2). Das erscheint zunächst einmal naheliegend, dürfte aber in den seltensten Fällen die Dimension sein, nach der ein Nutzer diese Produkte sortieren würde.

Bei der Möbelseite unten ist es viel wahrscheinlicher, dass ein Nutzer die Produkte nach ihrer Funktion (Sitzmöbel, Aufbewahrung etc.) oder nach dem Wohnbereich (Wohnzimmer, Esszimmer etc.) sortiert. Eine abweichende Reihenfolge widerspricht der Denkstruktur des Nutzers. Sie macht die Entscheidungsfindung schwieriger, da zunächst mehr Kategorien gefunden und anschließend durchsucht werden müssen.

Auch die Reihenfolge, in der die Produkte selbst angezeigt werden, kann eine Rolle spielen. Man denke nur einmal an eine Seite, die Wandfarbe verkauft und diese nicht nach Farbschattierung, sondern alphabetisch nach Farbnamen sortiert. Nutzer finden sich hier wohl kaum zurecht.

Screenshot: Sortierung

Abb. 2: Eine alphabetische Sortierung von Kategorien erscheint naheliegend, spiegelt aber oftmals nicht die Denkweise der Nutzer wider. (Quelle: Screenshot moebel.de)

Filter, wie man sie im E-Commerce auf Kategorieseiten findet, sind weitere wichtige Mittel zur Entflechtung. Sie ermöglichen es den Nutzern, die Elimination-by-Aspects-Strategie anzuwenden: In einer Filterkategorie (wie zum Beispiel beim Attribut Farbe) wählen sie diejenigen Filterwerte (rot, blau …) aus, welche die Produkte beschreiben, die sie im finalen Entscheidungsset behalten wollen. Unter den verbleibenden Produkten kann dann die kompensatorische Entscheidungsstrategie angewendet werden.

Was ist bei der Verwendung von Filtern zu beachten?

Filter sind also ein extrem wichtiges Instrument zur Entflechtung. Bei deren Erstellung ist allerdings einiges zu beachten. Denn ein und dieselben Filter sind nicht bei allen Produkten in einem Online-Shop gleichermaßen zielführend, da die Produkte bzw. ihre Attribute stark voneinander abweichen können. Zur Erklärung: Während es bei Schuhen sinnvoll ist, unter anderem nach Absatzhöhe zu filtern, bietet sich bei Oberteilen ein Filter für die Ärmellänge o. ä. an. Andersrum funktioniert es nicht.

Gerade in größeren Shops mit vielen verschiedenen Produkten sollte daher ausreichend Zeit in die Filterpflege investiert werden, um für alle Produktgruppen ausschließlich passende Filterkategorien zu schaffen. Hier sind kleinere Shops mit einer überschaubaren Produktauswahl im Vorteil, da sie ihre Filterkategorien besser auf die Kundenbedürfnisse abstimmen können. Auf diese Art und Weise bieten kleinere Shops – wie auch im Offline-Bereich – eine persönlichere Einkaufserfahrung.

Ein weiterer Punkt, der bei der Filter-Erstellung zu beachten ist, ist die Benennung der Filterkategorien und -werte. Besonders die Filterkategorien müssen für den Nutzer intuitiv Sinn ergeben. Denn wenn sich Nutzer zunächst die Filterwerte ansehen müssen, um die Kategorie zu verstehen, entsteht ihnen ein erheblicher Mehraufwand, sofern diese nicht bereits ausgeklappt dargestellt sind. Das ist allerdings vor allem auf mobilen Endgeräten nur selten der Fall (vgl. Abb. 3). Im schlechtesten Fall müssen die Nutzer erst mehrere Kategorien öffnen und wieder schließen, ehe sie den gewünschten Filter anwenden können.

Screenshot: Sortierung

Abb. 3: Welche Filterwerte verbergen sich wohl hinter dem Begriff “Sortimentsauswahl”?  Wärt ihr darauf gekommen, dass man hier auswählen kann, ob die Produkte in der Filiale verfügbar oder online bestellbar sind? (Quelle: Screenshot roller.de)

Jargon zu vermeiden, gehört ebenfalls zu einer sinnvollen Benennung der Filterkategorien und -werte. Denn schließlich sind diese nur nützlich, wenn die Nutzer sie verstehen können, ohne viel darüber nachdenken zu müssen. Lässt sich der Jargon in manchen Fällen nicht vermeiden, sind zusätzliche Informationen wie Bilder oder Zusatzerklärungen (etwa per Info-i) nützlich.

In manchen Fällen helfen auch Filterhierarchien, um dem Nutzer die Kategorisierung verständlicher zu machen. Abb. 4 zeigt ein Beispiel, in dem eine Hierarchie die nötige Struktur schaffen würde. Sucht jemand nach Stiefeln und hat die Filterwerte “Chelsea Boots”, “Boots”, “Stiefel”, “Stiefelette” und “Schnee Boots” zur Auswahl, ist nicht eindeutig, welcher dieser Werte ausgewählt werden muss. All diese Begriffe überschneiden sich zum Teil sehr stark und beschreiben am Ende doch wieder nur Stiefel. Zudem ist es in diesem Beispiel nicht möglich, mehr als einen Filterwert auf einmal auszuwählen. Nutzer müssen also bis zu fünf Filterwerte nacheinander aufrufen, um das gewünschte Produkt zu finden.

Screenshot: Sortierung

Abb. 4: Suche ich Stiefel nun unter “Chelsea Boots”, “Boots”, “Stiefel”, “Stiefelette” oder gar unter “Schnee Boots”? Eine Überkategorie “Stiefel” wäre also hilfreich gewesen. Allerdings helfen hier die Bilder, die Unterschiede zumindest ansatzweise zu verstehen. (Quelle: Screenshot deichmann.com)

Kommen wir nun zu einem weiteren wichtigen Aspekt von Filtern: der Usability. Im obigen Beispiel kann eine Nutzerin immerhin an den Bildern erkennen, dass ihre gesuchten Stiefel entweder unter “Boots” oder unter “Chelsea Boots” zu finden sind. In diesem Fall wäre es jedoch sehr viel benutzerfreundlicher und einfacher, wenn beide Filterwerte gleichzeitig ausgewählt werden könnten.

Dies trifft ebenso auf andere Filterkategorien zu. Beispielsweise könnte jemand auf der Suche nach einem dunklen Sofa sein, ohne auf die eigentliche Farbe festgelegt zu sein. Idealerweise sollte er dann die Möglichkeit haben, mehrere dunkle Farben (blau, grau, schwarz …) gleichzeitig auszuwählen.

Auch beim Filtern nach dem Preis ist es wichtig, die Nutzung möglichst flexibel zu gestalten (s. Abb. 5). So ist es für einen Nutzer mit einem persönlichen Preislimit von 70 Euro nur wenig hilfreich, wenn sich Produkte lediglich in einem Preisrahmen von 50 bis 100 Euro ein- oder ausschließen lassen.

Screenshot: Sortierung

Abb. 5: Hier lässt sich die Preisspanne auch individuell festlegen. Das ist besonders hilfreich, wenn das gesuchte Produkt nicht so recht in die vorgegebenen Preisbereiche passt. (Quelle: Screenshot amazon.de)

Ein anderer Aspekt, der die Usability von Filtern stark beeinflussen kann, ist der Zeitpunkt der Anwendung. Wird die Seite nach jeder Filterauswahl direkt neu geladen, kann das den Nutzerflow unterbrechen – vor allem bei langen Seitenladezeiten. Und gerade bei Produkten mit mehr als einem Filter sollten Nutzer erst die gewünschten Filteroptionen auswählen können, bevor diese im nächsten Schritt per Klick angewendet werden.

Ebenso kann es den Nutzerflow unterbrechen, wenn die Seite nach der Anwendung eines Filters direkt wieder nach oben springt – insbesondere dann, wenn sich die Filter im Seitenbereich und nicht oberhalb der Produkte befinden und die Seite automatisch neu geladen wird (siehe oben). Will der Nutzer weitere Filter anwenden, muss er diese zunächst erst einmal wiederfinden. Dadurch verliert er gegebenenfalls den „roten Faden“.

Andererseits hat der Sprung an den Seitenanfang den Vorteil, dass die Produkte, die an erster Stelle stehen und wahrscheinlich am relevantesten sind, zuerst gesehen werden. Hier ist daher abzuwägen, was der Nutzer in diesem Moment am ehesten braucht.

Ein weiteres Mittel zur Entflechtung ist das kollaborative Filtern. Mit dieser Methode, die auf den Verhaltensmustern und Vorlieben größerer Nutzergruppen basiert, lassen sich die Interessen einzelner Nutzer “vorhersagen”. Hierbei handelt es sich um eine Data-Mining-Technik. Ohne selbst Informationen einzugeben, erhält der Nutzer automatisch Produktempfehlungen.

Die Logik dahinter: Die bereits bekannten Vorlieben einer Nutzergruppe, die sich ähnlich verhält wie der aktuelle Nutzer, treffen wahrscheinlich auch auf diesen zu. Es kann somit von seinem Verhalten auf seine Interessen geschlossen werden. Websites wie Amazon, Netflix und Spotify verwenden diese Methode.

Auch dies ist damit eine Form der Entflechtung, da der Nutzer nicht mehr aus einer überwältigenden Anzahl von Optionen auswählen muss. Vielmehr kann er bei seiner Entscheidung einfach den Empfehlungen folgen und muss nur noch zwischen wenigen vorausgewählten Optionen abwägen.

Diese Fragen sind bei Filtern zu berücksichtigen

Es ist wie gesagt wichtig, bei der Einrichtung von Filtern die Nutzerbedürfnisse zu antizipieren. Denn fehlen Filter, die aus Sicht der Nutzer für ihre Entscheidungsfindung nötig sind, dann wechseln sie schnell zu einem anderen Shop. Wer aber zum Beispiel einen neuen Vorhang für eine bestehende Aufhängung sucht und die entsprechende Filteroption in einem Shop vorfindet, der wird dort sicherlich gerne einkaufen.

Folgende Fragen solltet ihr euch daher unter anderem stellen:

  • Welche Informationen benötigen die Nutzer aller Voraussicht nach, um eine Entscheidung treffen zu können? Einige Filterkategorien wie Preis, Nutzerbewertungen, Material und Größe treffen in der Regel auf viele Produkte zu, während andere deutlich produktspezifischer sind.
  • Welche Begriffe verwenden Nutzer für bestimmte Produkte? Unterscheiden sie sich vielleicht von den Begriffen, die Experten verwenden? Laien sprechen zum Beispiel eher von einer “Glühbirne”, während Experten meist “Leuchtmittel” sagen.
  • Welche Filter werden am meisten genutzt? Diese sollten leicht auffindbar am Anfang der Filterliste stehen.
  • Wie viele Filter werden im Schnitt angewendet? Sind es mehrere, sollte die Seite nicht automatisch nach jeder Auswahl neu laden.

Fazit

Ob automatisches kollaboratives Filtern oder die Verwendung von gut durchdachten manuellen Filtern – beide Methoden helfen den Nutzern auf Websites und in Online-Shops, möglichst schnell und bequem die für sie richtige Entscheidung zu treffen. So stärkt ihr die Kundenbindung, weil die Kunden zufrieden sind und gerne wiederkommen.

Im nächsten Teil dieser Serie beschäftigen wir uns mit einer weiteren Methode, um komplexe Entscheidungsprozess zu vereinfachen, dem sogenannten Mapping.

Quellen:

Borcherding, K. (1983), Entscheidungstheorie und Entscheidungshilfeverfahren für komplexe Entscheidungssituationen, in: Irle, M. (Hrsg.), Handbuch der Psychologie, Band 12: Marktpsychologie, 2. Halbband (S. 65-173). Göttingen: Hogrefe.

Tversky, A. (1972). Elimination by aspects: A theory of choice. Psychological Review,

76, 31-48.

Über den Autor

Dr. Jessica Strozyk

Nach meinem Studium der Psychologie habe ich an der University of St Andrews, Schottland, promoviert und war im Anschluss für mehr als fünf Jahre in Forschung und Lehre an der Universität Tübingen tätig. Seit Mai 2018 setze ich nun mein in dieser Zeit gesammeltes kognitionspsychologisches Wissen bei der Berliner Agentur LEAP/ in die Praxis um.