Analyse der digitalen Customer Journey: ein neuartiger Rahmen für sequentielles Verhaltensmodellieren

Warum Ihre Klicks in Gesundheits‑Apps zählen

Jeder Tipp, jede Wischbewegung und jeder geöffnete Bildschirm in einer Gesundheits‑App erzählt stillschweigend, was Sie zu tun versuchen — einen Arzttermin buchen, Laborwerte prüfen oder eine Nachricht lesen. Wenn Millionen Menschen solche Apps nutzen, stapeln sich diese Geschichten zu riesigen, verästelten Aufzeichnungen, die mit bloßem Auge kaum zu entziffern sind. Dieses Papier stellt eine neue Methode vor, um diese Aufzeichnungen zu entwirren, damit Gesundheitsanbieter die Hauptwege erkennen, Stellen feststellen können, an denen Nutzer hängen bleiben, und ihre digitalen Dienste flüssiger, sicherer und weniger frustrierend gestalten können.

Vom Klick‑Chaos zu klaren Journeys

Die Autoren konzentrieren sich auf die „digitale Customer Journey“, also die Abfolge von Schritten, die eine Person beim Benutzen einer Website oder mobilen App unternimmt, um eine Aufgabe zu erledigen. In stark frequentierten Online‑Diensten — etwa E‑Commerce, Banking oder Gesundheitswesen — sind zahllose Pfade möglich, was Designer als „Spaghetti‑Modell“ bezeichnen: eine unübersichtliche, sich überschneidende Klickkarte, die kaum zu interpretieren ist. Die Studie geht dieses Problem mit Daten aus der App einer großen israelischen Krankenversicherung an, in der etwa 120.000 Nutzer täglich rund 5,5 Millionen Ereignisse erzeugten. Ziel ist es, diese Komplexität auf eine kleine Anzahl typischer Journeys zu reduzieren, die dennoch das Wesentliche widerspiegeln, wie sich Menschen tatsächlich durch die App bewegen.

Algorithmen beibringen, häufige Aufgaben zu erkennen

Der erste Teil des Rahmens behandelt jede Nutzersitzung — einen Besuch in der App vom Ein‑ bis zum Ausloggen — wie ein kurzes Dokument, das aus „Wörtern“ besteht, wobei jedes Wort eine Aktion ist, etwa das Öffnen eines Bildschirms oder das Drücken einer Taste. Eine Technik namens Topic Modeling, ursprünglich entwickelt, um Themen in großen Textsammlungen zu finden, wird verwendet, um Sitzungen zu gruppieren, die ähnliche Aktionen teilen. Einfach gesagt lernt der Algorithmus, dass manche Sitzungen überwiegend Termine vereinbaren, andere Testergebnisse prüfen und wieder andere einen Arzt kontaktieren. Eine erweiterte Version kann diese Themen sogar in einem Baum anordnen und breite Oberkategorien oben (zum Beispiel „Arztinteraktionen“) in spezifischere Unterkategorien aufspalten (etwa „Rezept anfordern“ oder „Arztnachrichten lesen“).

Den Schritten folgen, nicht nur sie zählen

Zu wissen, welche Aktionen typischerweise zusammen auftreten, ist nur die halbe Geschichte; entscheidend ist die Reihenfolge, in der sie stattfinden. Im zweiten Teil des Rahmens zoomen die Autoren auf jede Sitzungsgruppe und modellieren den Schritt‑für‑Schritt‑Ablauf mit Markov‑Ketten, einer einfachen mathematischen Methode, um abzuschätzen, wie wahrscheinlich es ist, dass eine Aktion auf eine andere folgt. Das macht es möglich, die typischsten Pfade innerhalb jedes Journey‑Typs hervorzuheben und zu sehen, welche Klicks häufig in einer Sackgasse enden, zum Beispiel durch einen technischen Fehler oder ein vorzeitiges Verlassen der Sitzung. Durch den Vergleich, wie Topic Modeling und das schrittweise Modell Sitzungen zu Gruppen zuordnen, kann die Methode außerdem „ambivalente“ Journeys identifizieren, in denen Nutzer offenbar mehrere Aufgaben vermischen — ein nützlicher Hinweis darauf, dass das App‑Design möglicherweise nicht der mentalen Erwartung der Nutzer entspricht.

Echte Probleme in einer Gesundheits‑App aufgedeckt

Die Anwendung dieses Rahmens auf die Gesundheits‑App deckte konkrete Designmängel auf, die man von Hand nur schwer entdeckt hätte. In einem terminbezogenen Journey endete der häufigste reale Pfad mit einer Fehlermeldung statt mit der erwarteten Bestätigungsseite — ein Hinweis auf einen technischen Fehler im letzten Prozessschritt. In einem anderen Fall klickten Nutzer, die Laborwerte prüften, oft eine Schaltfläche, die eine Testname‑Erklärung anzeigen sollte; statt Informationen innerhalb der App zu zeigen, leitete sie auf eine externe Website weiter, woraufhin viele ihre Sitzung einfach abbrechen. Die Analyse zeigte auch, wie verschiedene Altersgruppen dieselbe Funktion unterschiedlich nutzen — beispielsweise buchen jüngere Nutzer häufiger Termine für Familienmitglieder — und liefert damit Ansatzpunkte, Erlebnisse für bestimmte Segmente anzupassen.

Was das für Alltagsnutzer bedeutet

Für Nicht‑Experten ist die Kernbotschaft: Eine sorgfältige Analyse von Klick‑Daten kann über hübsche Diagramme hinausgehen und genau die Bildschirme und Schritte identifizieren, die Verwirrung, Zeitverschwendung oder abgebrochene Aufgaben verursachen. Durch die Kombination zweier komplementärer Werkzeuge — eines, das die Haupttypen von Journeys findet, und eines, das die wahrscheinlichsten Aktion‑für‑Aktion‑Pfade nachzeichnet — bietet der Rahmen Gesundheitsorganisationen einen praktischen Weg, ihre Apps zu verbessern, Fehler zu reduzieren und Menschen dabei zu helfen, wichtige Aufgaben online abzuschließen. Derselbe Ansatz lässt sich in Shopping‑, Banking‑ und Lernplattformen einsetzen, um digitale Dienste intuitiver und zuverlässiger zu machen, ohne dass Nutzer etwas anderes tun müssen als bisher: die App zu nutzen.

Zitation: Bar-El, L., Chalutz-BenGal, H., Gazit, S. et al. Analyzing the digital customer journey: a novel framework for sequential behavior modeling. Sci Rep 16, 14553 (2026). https://doi.org/10.1038/s41598-026-43762-8

Schlüsselwörter: digitale Customer Journey, Gesundheits‑Apps, Nutzerverhalten, Ereignisprotokollanalyse, sequentielles Modellieren