← Home

~30 min · Nicole Watrinet · January 11, 2020

Einwirkung Künstlicher Intelligenz auf das Benutzererlebnis

Wie verändert sich das Benutzererlebnis (UX) digitaler Produkte durch den Einfluss Künstlicher Intelligenz?

Inhaltsverzeichnis

1. Einleitung

1.1 Problemstellung

Die Anzahl an digitalen Produkten wie Websites und Apps auf dem Markt hat sich in den vergangenen Jahren signifikant gesteigert (Statista, 20161). Um sich von der Masse dieser Produkte abzuheben, stellt das Benutzererlebnis einen immer entscheidenderen Differenzierungsfaktor dar. Es ist daher wichtig, direkt auf die BenutzerInnen einzugehen und ihre Wünsche und Bedürfnisse gezielt abzuholen. Diese sind jedoch bei jedem unterschiedlich, was heisst, dass die Benutzerführung und die Inhalte des Produktes dynamisch anpassbar sein sollten. Die DesignerInnen können mit einer statischen Webseite oder App jedoch nicht auf alle individuellen Bedürfnisse eingehen, sondern es entsteht immer ein Kompromiss, der sich am Durchschnitt orientiert. Individuelle Anwendungen für Tausende von UserInnen zu erstellen, scheint für DesignerInnen kaum umsetzbar zu sein. Neue Technologien wie Künstliche Intelligenz können hier zu einem entscheidenden Vorteil verhelfen. Deshalb formuliere ich folgende Hypothese: Das Benutzererlebnis verbessert sich durch den Einfluss von Künstlicher Intelligenz (KI).

1.2 Ziel dieser Arbeit

Mittels Literaturanalyse soll herausgefunden werden, wie KI das Benutzererlebnis der Benutzeroberfläche dynamisch verändert. Es sollen die Vor- und Nachteile des Einsatzes von KI für die Gestaltung eines digitalen Produktes, wie einer Webseite, Software oder App, aufgezeigt werden. Darüber hinaus soll diskutiert werden, ob für die UserInnen ein entscheidender Vorteil im Benutzererlebnis entsteht, wenn KI beim Gestalten und während des Benutzen des Produktes miteinbezogen wird.

KI erlaubt es, automatische Anpassungen vorzunehmen, welche individuelle Lösungen für die UserInnen und die Erstellung ihrer Inhalte ermöglicht. Diese dynamischen Strukturen bilden den Grundstein dieser Arbeit. Anhand von zwei Fallbeispielen, bei welchen die Personalisierung und das Vorbereiten von Inhalten im Vordergrund stehen, möchte ich aufzeigen, wie das Benutzererlebnis durch KI gesteigert werden kann.

2. Theoretischer Teil

2.1 Definitionen

Künstliche Intelligenz

KI, auch oft Artificial Intelligence (AI) genannt, ist eine Technik, welche Maschinen hilft, sich wie Menschen zu verhalten. Big Data ist nötig, um in gesammelten Daten eine Struktur zu erkennen und diese weiterzuverarbeiten (Edureka, 20182).

Machine Learning (ML) ist eine Teilmenge der Künstlichen Intelligenz, welche als Algorithmus oder Modell funktioniert. Es erkennt Muster in Daten und lernt daraus, ohne explizit mit vordefinierten Regeln programmiert zu werden. Danach kann ML ähnliche Muster in neuen Daten voraussagen. ML kann sich also selbst beibringen, zu wachsen und sich zu verändern, wenn es neuen Daten ausgesetzt wird. Damit die Maschine dies kann, muss sie trainiert werden, indem man ihr möglichst viele Daten zur Verfügung stellt und definiert, was die Daten darstellen. Irgendwann kann die Maschine dann selber etwas identifizieren und es kategorisieren. ML-Algorithmen sind nicht von Regeln abhängig, die von menschlichen ExpertInnen definiert wurden. Stattdessen verarbeiten sie Daten in Rohform – zum Beispiel Text, E-Mails, Dokumente, Social-Media-Inhalte, Bilder, Sprache und Video. Ausserdem ist ein ML-System ein Lernsystem, da es nicht programmiert ist, um eine Aufgabe zu erfüllen, sondern um zu lernen, die Aufgabe zu erfüllen (Bhatia, n. d.3).

Im Zusammenhang mit digitalen Produkten kann ML verwendet werden, um das Erlebnis eines Produktes zu verbessern, indem es das Gelernte für die Weiterentwicklung des Benutzererlebnisses nutzt (Edureka, 20182).

Klassischer Algorithmus

Ein klassischer Algorithmus braucht die Eingabe und Logik vom Code, welche der Mensch definiert, um dadurch ein Ergebnis zu erhalten. Im Unterschied zu ML verwenden herkömmliche Algorithmen einen mathematischen Ansatz, während maschinelle Lernalgorithmen grosse Datenmengen benötigen. Traditionell werden Anwendungen programmiert, um bestimmte Entscheidungen zu treffen, meist beruhen diese auf vordefinierten Regeln. Diese Regeln basieren auf der menschlichen Erfahrung mit häufig auftretenden Szenarien. Da die Anzahl der Szenarien jedoch deutlich zunimmt, würde es massive Investitionen erfordern, um Regeln zu definieren, die alle Szenarien genau adressieren. Hier kann ML helfen (Bhatia, n. d.3).

A/B-Testing

A/B-Testing ist ein Testverfahren, das vor allem für Softwareentwicklung und Webdesign verwendet wird. Dabei werden zwei Versionen eines Produktes verglichen. Die eine Hälfte der UserInnen sehen eine Version und die andere eine leicht veränderte Version des Produktes. Dies wird nach dem Zufallsprinzip ausgespielt. Mittels Analyse kann man herausfinden, auf welcher Version man eine bessere Rücklaufquote hat und schliesslich nur noch diese den BenutzerInnen ausspielen (AB Tasty, n. d.4).

Benutzererlebnis/User Experience (UX)

«I invented the term because I thought human interface and usability were too narrow. I wanted to cover all aspects of the person’s experience with the system including industrial design graphics, the interface, the physical interaction and the manual. Since then the term has spread widely [...] .» Don Norman (vgl. Fischer, 20165).

Benutzererlebnis ist ein Gefühl, welches vor der Nutzung eines Produktes, während des Gebrauchs und nach der Verwendung ausgelöst wird. In diesem Kontext handelt es sich um ein digitales Produkt, das dieses Gefühl auslöst, also ein interaktives System wie eine Webseite, eine Software oder eine App. Heutzutage konzentrieren sich Unternehmen darauf, mehr über die Bedürfnisse und Interessen ihres Publikums zu erfahren, damit sie die bestmöglichen Produkte, Dienstleistungen und Erfahrungen liefern können. Dies dient dazu, ein positives Erlebnis zu generieren, damit die Person sich dem Produkt oder der Marke näher fühlt (Haughey, 20196).

2.2 Einfluss der Personalisierung eines digitalen Produktes auf die Bedürfnisbefriedigung

1998, als Jeff Bezos bereits vier Jahre damit beschäftigt war, Amazon aufzubauen, hatte er eine Vision zum Internet, welche er in einem Interview mit der «Washington Post» erläuterte: «Wenn wir 4,5 Millionen Kunden haben, sollten wir nicht nur einen Laden haben. Wir sollten 4,5 Millionen Läden haben» (Harshman, 20177).

Wie Jeff Bezos es sich vorgestellt hatte, ist die Technologie heute so weit fortgeschritten, dass für alle BenutzerInnen ein individuelles Produkt geboten werden kann. Nachfolgend wird der positive Einfluss der Personalisierung digitaler Produkte anhand einiger Studien erläutert.

Vorteile der Web-Personalisierung für die NutzerInnen sind laut MacAulay et al. (2007).Lit. 1 und Shergill & Chen (2005)Lit. 2, dass alle NutzerInnen unterschiedliche Bedürfnisse haben und die Anforderung für die Gestaltung der Webseite sich je nach BenutzerInnen ändert. Online-NutzerInnen empfinden starke Personalisierung als hilfreich und sind eher bereit, weiteren auf sie abgestimmten Inhalt zu entdecken als solchen, der für eine grössere Benutzergruppe statisch konzipiert wurde, meinen Tam & Ho (2006)Lit. 3. Auch bekannt ist, dass die Anpassung von Informationen und Inhalten an bestimmte NutzerInnen die «Last der Informationsflut» (Gauch et al. 2007)Lit. 4, Liang et al. (2006)Lit. 5 und Sieg et al. (2007)Lit. 6) mindert und die Entscheidungsfindung der KonsumentInnen verbessert (Tam & Ho 2006)Lit. 3 – was in der Folge zu einer erhöhten Zufriedenheit mit Online-HändlerInnen führt (Kwon & Kim (2012)Lit. 7, Liang et al. (2006)Lit. 5 und Rust & Miu (2006)Lit. 8). Laut Amber Kemmis (20158) spricht für die Personalisierung eines digitalen Produktes, dass die Frustration der UserInnen verringert wird, indem man für sie irrelevante Inhalte ausschliesst. Des Weiteren bleiben BenutzerInnen länger auf einer personalisierten Webseite. IBM verzeichnete durch Personalisierung des Inhalts auf ihrer Webseite eine Steigerung der durchschnittlichen Verweildauer um 269 Prozent (Banko, 20149). Darüber hinaus fand HubSpot in einer Studie heraus, dass personalisierte Call to Actions eine 42 Prozent höhere Konversionsrate von InteressentInnen zu KundInnen erreichte als wenn für alle BesucherInnen die gleichen Aktionsaufforderungen gewählt wurden (Edwards, 2015 (S.2)10).

2.3 Benutzererlebnis und Künstliche Intelligenz

In gewisser Weise haben UX und ML das gleiche Ziel. Sie versuchen, menschliches Handeln zu interpretieren und vorauszusehen, was eine Person als Nächstes tun wird (CJ Haughey, 20196).

Der Prozess der Erstellung eines besseren UX beruht oft auf KI-Algorithmen. Diese intelligenten Systeme können Informationen über Webseiten-Besucher oder App-Benutzer verarbeiten und dann Änderungen am Modell vornehmen, um es für die zukünftige Nutzung zu optimieren. Durch kontinuierliches Lernen und Anpassen verbessert der KI-Algorithmus die Benutzererfahrung, um eine ansprechendere, personalisierte Erfahrung zu ermöglichen. Dank Innovationen in der maschinellen Lerntechnologie verfügen Unternehmen so über leistungsstarke neue Möglichkeiten, um ein besseres, individualisiertes Benutzererlebnis für digitale Produkte zu liefern (Haughey, 20196).

Das Sammeln von User-Daten ist ein essenzieller Bestandteil von KI. Die Daten werden in drei Kategorien gegliedert: demografische (Name, Geschlecht, Standort, Alter, Beruf usw.), psychografische (Persönlichkeit, Interessen und eigene Meinung) und technografische (Fokus auf die Hardware oder Software, welche der User braucht). KI wird gebraucht, um zu entscheiden, wer als Zielgruppe definiert wird, was diese interessieren könnte, was ihre zukünftigen Anforderungen sind und was es für Gemeinsamkeiten zwischen den verschiedenen Zielgruppen gibt. Anhand dreier Beispiele, Personalisierung, Vorbereitung von Inhalten und Assoziation, soll aufgezeigt werden, wie KI für die UX eingesetzt werden kann. Maschinelles Lernen kann zur 1) Personalisierung eingesetzt werden, um benutzerorientierte Produkte zu entwickeln und so die Personen zielgerecht anzusprechen, indem man auf das Verhalten der BenutzerInnen eingeht. Dabei sammelt das System Erfahrungen durch Benutzerdaten, um Inhalte, Struktur und Layout individuell an die BenutzerInnen anzupassen. Dies ermöglicht es, zum Beispiel Empfehlungen, Suchergebnisse, Benachrichtigungen oder Anzeigen zu verbessern. Darunter fallen auch Vorschläge mit Inhalten wie Videos mit ähnlichen Themen, populäre Videos, von anderen Benutzern mit ähnlichen Interessen geschaute Videos usw. Dieser Teil wird im Kapitel 3.1 anhand eines Fallbeispiels im Detail behandelt. KI kann auch eingesetzt werden, um 2) Inhalte vorzubereiten. Wie bereits erwähnt, ermöglicht ML, Vorhersagen darüber zu treffen, wie sich die BenutzerInnen als Nächstes verhalten könnten, oder zukünftige Entwicklungstendenzen vorherzusagen, indem man vergangene und aktuelle Informationen analysiert, um vorhandene Muster zu untersuchen (Nayak, Ichalkaranje, Jain (Eds.), 2008, S. 24)Lit. 9. Dieses Wissen kann helfen, für die nächsten Aktionen der BenutzerInnen entsprechend die passenden Inhalte vorzubereiten (Drozdov, 201811). Ein konkretes Beispiel dazu wird im Kapitel 3.2 beschrieben. Auch das 3) Assoziieren, also Zusammenhänge zu erkennen, kann mit KI erleichtert werden. Dabei wird das Benutzerverhalten auf einer Webseite analysiert, um herauszufinden, was am ehesten in einer Einkaufssitzung gekauft wird. Amazon nutzt diese Technik bereits sehr gut, indem es dem Nutzer ähnliche Produkte von bereits ausgewählten Artikel anzeigt (Nayak, Ichalkaranje, Jain (Eds.), 2008, S. 24)Lit. 9.

Prozess für das Gestalten eines nutzerzentrierten Benutzererlebnisses

Hinter dem Design, welches als eine Art Lösung funktionale und ästhetische Anforderungen erfüllt, verbirgt sich ein kundenorientierter Prozess. Um zielgerichtet die Bedürfnisse der BenutzerInnen zu stillen, ist der Ablauf eines User-Centered Designs wie folgt: 1) Konzeptualisierung der Idee, 2) Erstellen eines Prototyps und 3) das Testen davon, um es dann 4) auszuwerten und schliesslich 5) zu verbessern. Die einzelnen Iterationen können sich mehrmals wiederholen, bis das Produkt den Bedürfnissen entspricht (Karwowski & Ahram, 2018)Lit. 10.

3. Analyse von Fallbeispielen

KI bietet Unternehmen einen Weg, im Web verborgene Fakten und Trends, welche mit einfachen Analysen nicht ersichtlich sind, aufzudecken. Vielen Firmen hilft es, die enormen Kundendaten, welche gesammelt werden, zu verwerten und Verhaltenstrends sichtbar werden zu lassen. Ein Beispiel dazu ist, das Verhalten der UserInnen zu analysieren, bevor sie bei einem Online-Shop Einkäufe stornieren, und zu bestimmen, was sich gut verkauft und was nicht. Diese Methode nutzt die riesigen Datenmengen, um daraus mit Algorithmen zu lernen und so Muster zu erkennen. Dann werden diese Erkenntnisse zusammengefasst und Lösungsansätze vorgeschlagen (Nayak, Ichalkaranje, Jain (Eds.), 2008, S. 17)Lit. 9. Es gibt viele Gebiete im Web, die von KI profitieren können. Anhand zweier Fallbeispiele soll aufgezeigt werden, wie KI konkret eingesetzt wird. In einem ersten Schritt soll aber zuerst nochmal verdeutlicht werden, wie Personalisierung im Web funktioniert.

Web-Personalisierung

Der Einsatz von digitalen Produkten steigt exponentiell als Haupt-Kommunikationskanal und Informationsquelle. Das Angebot im Web ist mittlerweile so gross, dass NutzerInnen auf der Suche nach bestimmten Informationen oft auf irrelevante Inhalte stossen. Mittel, um Informationen effizienter zu durchsuchen und nur relevante Inhalte an einzelne BenutzerInnen weiterzugeben, drängen sich immer mehr auf. Um Informationen effizienter aus dem Web zu gewinnen, werden Personalisierungstechniken entwickelt, um die Ausgabe an die speziellen Anforderungen der EndbenutzerInnen anzupassen. Das Ziel ist es, eine verbesserte Benutzerfreundlichkeit, Datenkonsolidierung, Nutzerbindung und gezieltes Marketing zu erreichen. Wenn ihre Bedürfnisse nicht erfüllt werden, suchen sich die KundInnen eine andere Plattform, welche besser auf ihre individuellen Bedürfnisse zugeschnitten ist. Die personalisierten Empfehlungen erfolgen unter Verwendung von Informationen, die in Echtzeit erhalten oder zuvor gesammelt wurden. Dies bietet den AnwenderInnen Komfort, um möglichst effizient ihr Ziel zu erreichen.

Die Web-Personalisierung existiert hauptsächlich in drei verschiedenen Kategorien: personalisierte Websuche, personalisierte Inhalte und personalisierte Werbeauslieferung. Es gibt mehrere anerkannte und weitverbreitete Techniken, um die Personalisierung von Benutzerprofilen zu beurteilen. Diese Werte können entweder aus den Eingaben der UserInnen oder dynamisch aus ihrem Nutzungsverhalten abgeleitet werden. Ein Profil sollte die Interessengebiete der BenutzerInnen und alle spezifischen Merkmale charakterisieren, die dem Informationssystem helfen, die relevanten Daten in der richtigen Form, am richtigen Ort und zur richtigen Zeit zu liefern.

Diese Arbeit fokussiert personalisierten Inhalt, der das Ziel hat, das Benutzererlebnis der eigentlichen Dienstleistungsseite zu verbessern. Personalisierter Inhalt beschreibt die Anpassung von Seiten an die Präferenzen der NutzerInnen. Der Grad der Anpassung variiert von einer einfachen Änderung wie Farbe und Layout bis hin zu einer anspruchsvolleren Anpassung, die es ermöglicht, benutzerspezifische Elemente in einem gewünschten Stil anzuzeigen. Das einfachste Beispiel ist die Verwendung von mehrsprachigen Funktionen, die es der Webseite ermöglichen, ein breiteres Publikum in verständlicher Weise zu erreichen. (Nayak, Ichalkaranje, Jain (Eds.), 2008, S. 25 – 26)Lit. 9

3.1 Netflix

Ein personalisiertes Empfeh­lungssystem

Netflix ist derzeit der weltweit führende Streaming-Entertainment-Dienst mit über 158 Millionen zahlenden Abonnenten (Statista, 201912) in über 190 Ländern (Oliver Lindberg, 201913), die zwischen TV-Serien, Dokumentationen und Spielfilmen in einer Vielzahl von Genres und Sprachen auswählen können. Momentan ist Netflix ein aktuelles Beispiel, welches den Einsatz von KI für seine Plattform nutzt. Netflix verwendet die Personalisierung umfassend und präsentiert flexible Inhalte für jedes Mitglied. Dabei steht die Hierarchisierung im Vordergrund, das heisst, die für die UserInnen am wichtigsten oder interessantesten Inhalte werden ihnen zuerst präsentiert. Seit dem Beginn von Netflix veränderte sich der Online-Streaming-Dienst extrem. Früher war die Seite statisch, heute wird Personalisierung in Echtzeit angewendet. Dies führt zur maximalen Dynamik in der Struktur, dem Inhalt und, dem Design der Online-Plattform. 2007 hat Netflix mit dem Streamen von seiner Inhalte begonnen. In den Anfängen arbeiteten sie mit einem einfachen Algorithmus. Das Layout der Plattform besteht seit Beginn aus mehreren Zeilen, welche alle Serien und Filme gliedern. Die Seite ist in Zeilen aufgebaut, damit die UserInnen schneller durch die Menge an Inhalten navigieren können, da nie alle Inhalte auf einem Screen Platz finden würden. Die Titel der einzelnen Zeilen sollen in klare Kategorien aufgeteilt werden, um bei der Suche zu helfen. Der Algorithmus ordnet die Zeilen bei allen UserInnen unterschiedlich an. Zwischen den Rubriken «Weiterschauen», sofern der User schon angefangene Serien oder Filme hat, «Top-10-Auswahl», «Populär auf Netflix» und einigen personalisierten Genre-Zeilen inklusive einer Zeile mit «Weil du dies geschaut hast, schlagen wir dir dies vor» wird gewählt. In Abbildung 1 ein Beispiel, wie die Anordnung aussehen könnte.

Netflix Oberfläche Personalisierte Oberfläche von Netflix Abb. 1

Mit A/B-Testing konnte festgestellt werden, wo welche Zeilen bei welchen UserInnen platziert werden müssen. Irgendwann wurde es zu komplex, um mit der Menge an Zeilen und deren Platzierung umzugehen. Um dieses Problem zu lösen, wollte Netflix mehr personalisierte Zeilen mit benutzerspezifischer Reihenfolge der Videos. So sollte das Benutzererlebnis für jedes Mitglied individueller gestaltet und so verbessert werden.

Wie in Abbildung 2 gezeigt, wurde durch Feedback (Ranking) der User bestimmt, welche Zeilen wohin platziert werden. Innerhalb der Zeilen waren die Videos anfangs aber nicht für den Users sortiert. Abbildung 3 zeigt, wie die BenutzerInnen die Seite scannen – her vertikal als horizontal, was bedeutet, dass Videos, die oben links präsentiert werden, eher wahrgenommen werden als Videos unten rechts.

Ranking Entwicklung des Personalisierungsansatzes von Netflix. Abb. 2

Stufen-Optimierung Das Navigationsmodell von Netflix.Abb. 3

Netflix möchte die ganze Bandbreite seiner Plattform den UserInnen näherbringen und so Mitgliedern helfen, neue Interessen zu entdecken. Deshalb müssen die Empfehlungen genau den Geschmack des Users treffen. Der Fokus sollte nicht nur auf einem Inhalt liegen. Da die Anforderungen immer grösser wurden und der Algorithmus immer komplexer, begann man, mit KI zu arbeiten, um die riesigen Datenmengen der UserInnen besser auswerten und nutzen zu können (Alvino & Basilico, 201514).

3.1.1 Personalisierung der Miniaturbilder (Thumbnails)

Das Hauptziel des personalisierten Empfehlungssystems von Netflix ist es, die richtigen Titel zum richtigen Zeitpunkt und in der richtigen Reihenfolge jedem ihrer Mitglieder auszuspielen (Chandrashekar et. al., 201715). Sie wollen den BenutzerInnen Inhalte liefern, die ihnen gefallen. Dafür ist es wichtig, ein Benutzererlebnis zu generieren, welches intuitiv und unterhaltsam ist. Das hilft den UserInnen, Inhalte auf Netflix möglichst gezielt zu finden. 90 Sekunden reichten für einen Benutzer, um zu entscheiden, ob er Interesse an einem Inhalt hat oder nicht, meint Gopal Krishnan vom Netflix-Tech-Team. Wie kann Netflix den UserInnen helfen, die Inhalte schnell zu beurteilen und herauszufinden, ob sie für sie von Interesse sind oder nicht? Die Lösung liegt im Sprichwort: Ein Bild sagt mehr als tausend Worte. Das Gehirn kann ein Bild viel schneller verarbeiten als einen Text, welchen es noch mit visuellen Informationen verbinden muss. Besonders gut sind Bilder mit ausdrucksstarken Gesichtern, die die Stimmung des Inhalts vermitteln (Krishnan, 201616).

Deshalb trainiert Netflix seinem maschinellen Algorithmus, um für jedes Mitglied das beste Filmcover basierend auf dem Filminhalt auszuwählen. Sie haben in der Regel bis zu einigen Dutzend Bildern für die Cover pro Titel. Die Bilder für einen Titel müssen zudem so vielfältig sein, dass sie ein breites potenzielles Publikum ansprechen, das an verschiedenen Aspekten des Inhalts interessiert ist. Es braucht ein Cover, das nicht nur verschiedene Themen (Genre, Schauspieler, Schauplätze) in einem Titel hervorhebt, sondern auch eine individuelle Ästhetik (Farbe, Stimmung, bild- oder textlastig) (Chandrashekar et. al., 201715).

Mit einem Katalog, der Tausende von Titeln beinhaltet, und einer vielfältigen Mitgliederbasis, die mehr als 100 Millionen KundInnen umfasst, ist es entscheidend, die richtigen Titel für jedes einzelne Mitglied zu empfehlen. Aber die Aufgabe der Empfehlung endet nicht damit. Warum sollten die UserInnen sich um einen bestimmten Titel kümmern, den Netflix empfiehlt? Was kann Netflix über einen neuen und unbekannten Titel sagen, der das Interesse wecken wird? Wie kann der Online-Streaming-Dienst die Nutzer davon überzeugen, dass ein Titel sehenswert ist? Die Beantwortung dieser Fragen ist entscheidend, um den Mitgliedern zu helfen, Inhalte zu entdecken, insbesondere von unbekannten Titeln. Ein Weg, um dieser Herausforderung zu begegnen, ist die Wahl der Coverbilder, die zur Illustration der Titel verwendet werden. Wenn das Miniaturbild, das einen Titel illustriert, etwas einfängt, das die UserInnen anspricht, dann dient es als Tor zu diesem Titel und gibt ihnen einen visuellen «Beweis» dafür, warum der Titel gut für sie sein könnte. Das Video-Miniaturbild kann einen Schauspieler hervorheben, den die UserInnen kennen, einen aufregenden Moment, beispielsweise eine Verfolgungsjagd, festhalten oder eine dramatische Szene enthalten, die die Kernaussage eines Films oder einer TV-Show vermittelt. Wenn man dieses perfekte Bild auf der Homepage der UserInnen präsentiert, dann werden sie mit grosser Wahrscheinlichkeit draufklicken.

Abbildungen 4 und 5 sind Beispiele der Personalisierung von Coverbildern. Wie bei der Ersten zu sehen ist, wird, wenn zum Beispiel die UserInnen oft romantische Filme schauen würde Netflix für den Film «Good Will Hunting» ein Cover zeigen, auf dem die zwei Hauptdarsteller sich in einer romantischen Szene näherkommen. Im Gegensatz dazu wird bei UserInnen, die viel im Genre Komödien unterwegs sind, auf dem Cover der Schauspieler gezeigt, welcher auch in bekannten Komödien spielt. In der darauffolgenden Abbildung werden die Anzeigebilder für den Film «Pulp Fiction» gezeigt, da stellt sich die Frage, welchen Schauspieler die UserInnen besser mögen.

Coverbilder Auswahl Lieber Romantik oder Comedy?Abb. 4

Coverbilder Auswahl Schauspielerin Uma Thurman oder John Travolta?Abb. 5

Natürlich ist es nicht in allen Fällen so klar, wie man die Coverbilder personalisiert, damit sie die UserInnen ansprechen. Deshalb verlässt man sich hier am besten auf die Daten, die die UserInnen hinterlassen, und auf KI, welche einem die Entscheidung abnimmt, welches Bild denn nun das richtige für die UserInnen ist. Insgesamt wird durch die Personalisierung der Cover jedes Titels versucht, das Erlebnis zu verbessern.

Zu verstehen, warum ein User auf ein Cover klickt oder nicht, ist für Netflix sehr wichtig. Nur so können sie sicherstellen, dass den UserInnen die richtigen Inhalte präsentiert werden und diese auch ansprechend sind für die Benutzer.

3.1.2 Netflix und das Benutzererlebnis

Seit dem Start des Online-Streaming-Diensts 2007 hat sich das Benutzererlebnis der Seite stark verändert. Anfangs arbeitete Netflix mit einem Postservice, bei dem man sich Filme nach Hause schicken lassen konnte. Damals war die Webseite noch als Plattform für den Internethandel ausgerichtet. So sah die Oberfläche der Netflix-Homepage 2007 aus.

Netflix Oberfläche 2007 Netflix-Webseite im Jahr 2007Abb. 6

Man konnte Filme dem Warenkorb hinzufügen und diese dann ausleihen. Das Design konzentrierte sich auf Effizienz und darauf, dass die UserInnen so wenig Zeit wie möglich auf der Seite verbringen müssen. 2007 kam dann der Wechsel dazu, dass man die Filme direkt online schauen konnte, da unter dem Film- oder Serientitel ein Play-Button angebracht wurde. Zu dieser Zeit war es revolutionär, dass man Filme direkt online schauen konnte und sie nicht zuerst per Post bestellen musste. 2012 sah dann die Seite schon ein wenig anders aus.

Netflix Oberfläche 2012 Netflix-Webseite im Jahr 2012Abb. 7

Bevor die Filme online geschaut werden konnten, wusste Netflix nie genau, ob die KundInnen die Filme zu Hause tatsächlich schauen oder nicht. Durch das Streamen haben sie mehr Einblick in das Verhalten der UserInnen erhalten. Dies gab Netflix Ideen, wie sie die Inhalte besser und persönlicher gestalten können. Als das Streaming die Hauptfunktion von Netflix wurde, konzentrierte man sich darauf, mit dem UX den Gebrauch von Videoinhalten zu unterstützen. Zum Beispiel wurde die Möglichkeit, direkt von einer Episode zur nächsten zu wechseln, erst hinzugefügt, als Netflix feststellte, dass viele BenutzerInnen bereits dieses Verhalten aufzeigen. Nachdem Netflix sich vom ursprünglichen E-Commerce-Erlebnis entfernt hatte, haben sie sich sehr bemüht, die BenutzerInnen direkt in die Inhalte eintauchen zu lassen, um ihnen das Gefühl zu vermitteln, dass es keine zusätzliche Oberfläche gibt. Dies sieht man schön in der heutigen Umsetzung der Seite aus dem Jahr 2019.

Netflix Oberfläche 2019 Netflix-Webseite im Jahr 2019Abb. 8

«Ich denke, die resultierende Benutzeroberfläche fühlt sich so offensichtlich an, dass die Leute oft nicht erkennen, wie bewusst wir die Details gestaltet haben. Im Kern nimmt Netflix etwas extrem Komplexes und lässt es sehr einfach erscheinen.» Navin Iyengar, Leiter Produktedesign für interaktiven Originalinhalt von Netflix.

Als globaler Service ist es Netflix wichtig, das beste Erlebnis für alle zu generieren, egal aus welchem Land die UserInnen kommen, welche Sprache sie sprechen, aus welcher Kultur sie stammen oder was für einen Hintergrund die Personen haben. Durch die Datenanalyse weiss Netflix, dass seine Plattform mehr am Fernseher als am Mobiltelefon genutzt wird. Netflix muss seine UX stetig verbessern, da sie immer mehr neue Inhalte produzieren, von denen die UserInnen vielleicht noch nie zuvor gehört haben. Dann können die UserInnen herausfinden, was der Inhalt eines Videos ist und warum sie ihn sich ansehen sollten (Lindberg, 201913).

3.2 Gmail Smart Reply

Im Unterschied zu Netflix wird bei Smart Reply der Fokus auf das Vorbereiten von Inhalten gesetzt. So soll es den UserInnen leichter fallen, das Tool zu nutzen. Smart Reply ist eine Funktion, welche Google im Mai 2017 seinem Mailprogramm hinzugefügt hat. Diese sollte dazu dienen, MobiltelefonbenutzerInnen die Arbeit zu erleichtern, indem es KI nutzt, um den Inhalt der Mails zu scannen und dann passende Antworten dafür vorzuschlagen. Die Zusatzfunktion kann auch am Desktop verwendet werden und wurde Ende 2018 für 10 Prozent aller E-Mail Antworten benutzt. Wenn Gmail-BenutzerInnen auf eine erhaltene E-Mail antworten möchten, erhalten sie (wie in Abb. 6 dargestellt) drei Antworten vorgeschlagen, basierend auf dem Inhalt in dem erhaltenen Schreiben. Durch das Analysieren von Milliarden von E-Mails wurde das System Smart Reply trainiert, um eine wachsende Bibliothek an Satzteilen aufzubauen, aus denen es die Vorschläge generiert (Rayome, 201817).

Smart Reply Oberfläche Smart-Reply-Oberfläche auf dem Mobiltelefon.Abb. 9

Abbildung 10 zeigt, wie KI die erhaltene E-Mail analysiert, um danach passende Antwortmöglichkeiten vorschlagen zu können. Viele Faktoren, wie zum Beispiel die Hierarchie des Inhalts, sind für die Auswahl der drei Optionen ausschlaggebend.

KI Analyse E-Mail-AnalyseAbb. 10

Das System findet sinnvolle Antworten, welche dem Inhalt der E-Mail gerecht werden und nicht einfach Schlüsselwörter aus der erhaltenen E-Mail verwenden. Die vorgeschlagenen Ergebnisse sind hilfreich und passen sich dem Schreibstil an.

Der Schlüssel zum Erfolg dieses Systems sind das Vertrauen und die Zuversicht, die die BenutzerInnen Gmail entgegenbringen, wenn sie die Smart Reply-Funktion nutzen (Strope & Kurzweil, 201718).

4. Diskussion

Vor- und Nachteile der Künstlichen Intelligenz beim Gestalten eines Benutzererlebnisses

Ein positiv emotionales Benutzererlebnis hängt von den Interaktionen ab, die das Produkt stärken und die den BenutzerInnen über eine digitale Schnittstelle angeboten werden. Sie erwarten ein Gefühl der Zufriedenheit und Freude bei der Benutzung eines Produktes. Die Akzeptanz und der Erfolg eines Produktes hängen unter anderem vom Benutzererlebnis ab. Viele alltägliche Produkte verwenden heute bereits Algorithmen, um automatisierte Funktionen auszuführen, ohne sich dabei allerdings zu verbessern und oder eine Änderung vorzunehmen. KI erlaubt es hingegen, eine optimale und massgeschneiderte Erfahrung von Produkten und Dienstleistungen für alle BenutzerInnen zu konzipieren. Schliesslich werden jedoch die mitgebrachte Erfahrung der BenutzerInnen und die durch das Benutzen des Produktes erworbene Erfahrung den Erfolg oder einen Verzicht auf das Produkt bestimmen, trotz der im Hintergrund verbundenen KI (Karwowski & Ahram, 2018)Lit. 10.

4.1 Vorteile

KI kann Big Data nutzen, um gezielt und in Echtzeit auf eine Person einzugehen. Die BenutzerInnen ändern sich stetig und KI kann mit dieser Entwicklung mithalten und die Produkte ständig wandeln und verbessern. So stehen die UserInnen immer im Zentrum und ihre Bedürfnisse werden mit dem Produkt direkt angesprochen und zielorientiert gestillt. Das Fallbeispiel von Netflix hat aufgezeigt, dass sein Erfolg in der Einfachheit der Bedienung liegt, welche durch KI optimiert wird. Durch den Einsatz von KI wurden neue Bedürfnisse schnell erkannt und somit die KundInnen in den Mittelpunkt gerückt. Alles passt sich ihnen an und versucht, das Benutzen der Plattform für sie so angenehm wie möglich zu gestalten. Mit der Auswertung und der Nutzung der Daten werden die KundInnen direkt bei der Produktentwicklung miteinbezogen, um so das Produkt stetig zu optimieren (Leder, 201719).

4.2 Nachteile

KI kann nicht genau gesteuert werden, da sie selber lernt und sich anpasst. Das Endergebnis ist somit nicht voll kontrollierbar. Ausserdem ist eine enorm grosse Datenmenge nötig, damit das maschinelle Lernmodell überhaupt arbeiten kann und sinnvolle Ergebnisse erzielt. Das heisst, die UserInnen müssen möglichst viele Daten von sich preisgeben oder durch das Nutzen generieren, damit das Erlebnis noch mehr auf sie zugeschnitten werden kann. Dies ist immer eine Gratwanderung zwischen dem Datenschutz und der Privatsphäre der UserInnen. Personalisierung kann auch abschreckend wirken, wenn zu viele persönliche Daten erhoben werden, wo der Nutzen für die UserInnen nicht direkt ersichtlich ist (Kemmis 20158). Ausserdem ist die Kontrolle von KI durch die Weiterentwicklung des autonomen Algorithmus schwierig. Der Mensch hat irgendwann keinen grossen Einfluss mehr auf das Ergebnis von KI.

5. Schlussteil

5.1 Fazit

Vor dem Einsatz von KI konnten die DesignerInnen nicht individuell auf die UserInnen eingehen. Die digitalen Produkte musste man auf eine Gruppe von Benutzern zuschneiden und konnte somit nicht alle BenutzerInnen gleich zufriedenstellen. Durch KI, welche immer dazulernt und sich stetig verbessert, wird die Anpassungsfähigkeit eines Produktes an die UserInnen gesteigert, und dies in Echtzeit.

Personalisierung ist definiert als Anpassung eines Verbraucherproduktes, von Dienstleistungen und Informationen an die persönlichen Bedürfnisse der NutzerInnen, um die Servicequalität und somit das Benutzererlebnis zu verbessern. Durch die Fallbeispiele habe ich festgestellt, dass KI das Benutzererlebnis verbessern kann. Bei Netflix war die Seite früher statisch, ohne maschinelle Algorithmen, aufgebaut. Heute wird durch KI Personalisierung in Echtzeit angewendet, um den Inhalt agil an die Nutzer anzupassen. Dies führt zur maximalen Dynamik in der Struktur, des Inhalts und des Designs der Online-Plattform. Dadurch können ein grosser Katalog an Inhalten navigierbar gemacht und Menschen mit den Inhalten verbunden werden, die sie interessieren (Lindberg, 201913). Darüber hinaus kann KI, wie beim Gmail-Smart-Reply-Fallbeispiel aufgezeigt, durch das selbständige Vorbereiten von Inhalten und die Herleitung von Verbindungen UserInnen Arbeit abnehmen. Ohne Personalisierung gelangen die UserInnen meist nur über Umwege an ihr Ziel. Dieser Fall zeigt jedoch auch die Herausforderungen beim Einsatz von KI auf einer digitalen Plattform auf. Zurzeit sind die Vorschläge von Smart Reply noch sehr eingeschränkt und lassen dem Nutzer keinen grossen Spielraum für die Antworten. Meist sind sie kurz und knapp, aber oft durchaus sinnvoll. Auf der anderen Seite muss man sich bewusst sein, dass Google alle Mails mitliest und deren Inhalt genau kennt.

Es stellt sich jedoch die Frage, ob es überhaupt nötig ist, das Benutzererlebnis so persönlich zu gestalten. Vielleicht reicht es schon, gewisse Benutzergruppen zu clustern und auf diese einzugehen.

Die Wahrung der Privatsphäre ist eine weitere Herausforderung beim Einsatz von KI. Ich denke, bei Themen wie Netflix, wo es «bloss» um das Fernsehverhalten geht, kann bereits zu weit in die Privatsphäre eingedrungen werden. Die Inhalte, welche man schaut, können Infos über Religion, politisches Interesse oder sonstige Einstellungen aufzeigen. Solange Netflix diese Daten nicht missbraucht, finde ich, nutzt es den UserInnen viel, da ihnen das ganze Erlebnis angenehmer gestaltet wird. Bei der Datensammlung sind soziale Kompetenzen gefragt, um zu wissen, wie weit ein Unternehmen (beispielsweise Netflix oder Google mit Gmail) bei der Personalisierung gehen kann. Abschliessend finde ich, dass personalisierte Webseiten dennoch ein grosser Gewinn sowohl für Marketingexperten als auch für Webseiten-Benutzer sind. Letztlich können Marketingspezialisten Webseiten effizienter nutzen. Gleichzeitig müssen sich die NutzerInnen weniger mit für sie unnötigen Inhalten auseinandersetzen und erhalten nur die Informationen, die sie auch interessieren (Kemmis 20158).

5.2 Ausblick

Datenschutz ist im Web ein grosses Thema. Die Problematik des Eingriffs in die Privatsphäre durch das Sammeln und Nutzen der persönlichen Daten muss beachtet werden. Vor allem im Zusammenhang mit Hyperpersonalisierung muss man sich fragen, wo die Grenzen sind, damit sich der User nicht zu beobachtet fühlt, aber trotzdem direkt auf seine Bedürfnisse eingegangen werden kann. Wie weit kann man gehen, um die Arbeit eines Benutzers zu erleichtern, ohne dass er sich entblösst fühlt? Des Weiteren wäre es interessant zu untersuchen, wie stark sich die individuellen Interessen jedes Users unterscheiden bzw. ob sich Personalisierung auf individueller Ebene überhaupt lohnt oder ob es auch reicht, lediglich Cluster mit gleichen Interessen zu bilden.

6. Anhang

Literaturverzeichnis

  • ↑ Lit. 1 – L. A. MacAulay, et al. (2007). ‘Co-Evolving E-tail and On-Line Communities: Conceptual Framework’. International Journal of Electronic Commerce 11(4):53 – 77.

  • ↑ Lit. 2 – G. S. Shergill & Z. Chen (2005). ‘Web-Based Shopping: Consumers’ Attitudes Towards Online Shopping In New Zealand’. Journal of Electronic Commerce Research 6(2):79 – 84.

  • ↑ Lit. 3 – K. Y. Tam & S. Y. Ho (2006). ‘Understanding the Impact of Web Personalization on User Information Processing and Decision Outcomes’. MIS Quarterly 30(4):865 – 890.

  • ↑ Lit. 4 – S. Gauch, et al. (2007). ‘User Profiles for Personalized Information Access’. In P. Brusilovsky, A. Kobsa, & W. Nejdl (eds.), The Adaptive Web, vol. 4321 of Lecture Notes in Computer Science, chap. 2, pp. 54 – 89. Springer Berlin / Heidelberg.

  • ↑ Lit. 5 – T.-P. Liang, et al. (2006). ‘Personalized Content Recommendation and User Satisfaction: Theoretical Synthesis and Empirical Findings’. Journal of Management Information Systems 23(3):45 – 70.

  • ↑ Lit. 6 – A. Sieg, et al. (2007). ‘Web Search Personalization with Ontological User Profiles’. In Proceedings of the Sixteenth ACM Conference on Conference on Information and Knowledge Management, CIKM ’07, pp. 525 – 534, New York, NY, USA. ACM.

  • ↑ Lit. 7 – K. Kwon & C. Kim (2012). ‘How to Design Personalization in a Context of Customer Retention: Who Personalizes What and to What Extent?’. Electronic Commerce Research and Applications 11(2):101 – 116.

  • ↑ Lit. 8 – R. T. Rust & C. Miu (2006). ‘What Academic Research Tells Us About Service’. Communications of the ACM 49(7):49 – 54.

  • ↑ Lit. 9 – Richi Nayak, Nikhil Ichalkaranje, Lakhmi C. Jain (Eds.) (2008). Evolution of the Web in Artificial lntelligence Environments. Studies in Computational lntelligence. Volume 130. S. 17 – 40,

  • ↑ Lit. 10 – Waldemar Karwowski, Tareq Ahram Editors, Intelligent Human Systems Integrat ion, Proceedings of the 1st International Conference on Intelligent Human Systems Integration (IHSI 2018): Integrating People and Intelligent Systems, January 7 – 9, 2018, Dubai, United Arab Emirates, S. 62 – 68.

Quellenverzeichnis

Abbildungsverzeichnis

Mentoring durch

Ulrike Felsing
HFIAD 2017
Schule für Gestaltung Zürich
ulrike.felsing@sfgz.ch

Vorgelegt von

Nicole Watrinet
HFIAD 2017
Schule für Gestaltung Zürich
nicole.watrinet@sfgz.ch