Heute hat etwa ein Drittel der Amerikaner eine Dating-App oder -Seite genutzt und 12 % waren entweder in einer festen Beziehung oder haben jemanden geheiratet, den sie über Online-Dating kennengelernt haben, laut einem aktuellen Bericht von Pew Research. Die richtige Person zu treffen, mag wie Magie erscheinen, aber wenn du eine Dating-App oder -Website nutzt, ist das Treffen der richtigen Person ein kalkulierter Prozess. Online-Dating war schon immer eine datengesteuerte, wissenschaftliche und effektive Methode, um Menschen zu verbinden, die gemeinsame Ziele und Interessen haben.
Es gibt eine Vielzahl von Online-Dating-Apps, die im Laufe der Jahre entstanden sind und so ziemlich alle Interessen, Gesellschaftsgruppen und Zugehörigkeiten abdecken. OkCupid gibt es seit den Anfängen, und heute ist der Einsatz von Business Intelligence (BI) und Produktanalyse-Tools der Grund für den Erfolg der Plattform.
Informiert von den Daten, angetrieben vom Herzen
Daten sind der Kern der Mission hier bei OkCupid. Unsere Datenobsession ist der Grund, warum OkCupid mehr als 4 Millionen Verbindungen pro Woche aufbaut, über 200 Millionen im Jahr, 5 Millionen Kontaktempfehlungen pro Tag und mehr Erwähnungen im Hochzeitsteil der New York Times als jede andere Dating-App hat.
Ich bin seit drei Jahren bei OkCupid und leite unser Data Science-Team, das sich um die Plattform-Analyse kümmert. Es ist aufregend zu sehen, wie sich bedeutsame menschliche Verbindungen entwickeln, doch es ist selten, eine Dating-App zu öffnen und sofort die Liebe zu finden. Die Nutzer müssen eine Weile bleiben, damit die App ihre Vorlieben, Abneigungen, Deal-Breaker und andere Informationen lernen kann, um ein passendes „Match“ zu finden.
Eines der Hauptunterscheidungsmerkmale von OkCupid ist die Verwendung von Fragen, um einen „Match Score“ zu erstellen, der die Kompatibilität einer Person mit einer anderen Person bestimmt. Je mehr Fragen wir stellen, desto mehr Informationen erhalten wir und desto besser können wir Nutzer mit anderen zusammenbringen. Dazu müssen wir aber die riesigen Datenmengen verstehen, die wir erhalten.
Erstellen der perfekten Daten-Infastruktur
Der Schwerpunkt des Datenanalyse-Teams liegt auf dem Verständnis, wie die OkCupid-Plattform funktioniert und was wir tun können, um sie zu verbessern. Unsere Arbeit reicht von der traditionellen Berichterstattung der Business Intelligence (BI) bis hin zur Algorithmenentwicklung und -optimierung mit einem Makrofokus auf User Experience (UX) und Produktoptimierung.
Die Daten-Infrastruktur bei OkCupid besteht aus mParticle, Looker und der Product-Intelligence-Plattform (PI) Amplitude. mParticle sammelt und speichert unsere Kundendaten, die wir an Looker für allgemeine Geschäftsberichte und an Amplitude für tiefere Analysen des Nutzerverhaltens und unserer Customer Experience senden.
Als mein Team anfing, Amplitude zu nutzen, hatten wir die Vorstellung, dass es hauptsächlich für Event-Tracking und Segmentierung gedacht ist. Mit der Zeit lernten wir, dass wir damit das Engagement messen, Nutzerkohorten identifizieren, verschiedene User Journeys analysieren und führende Indikatoren für Conversion und Retention finden können. Amplitude ist explizit für diese Art der Analyse konzipiert. Das bedeutete, dass wir viel schneller auf aussagekräftige Insights zugreifen konnten.
BI und Amplitude: Better Together
Die Entwicklung eines möglichst ansprechenden und unterhaltsamen Produkts erfordert eine Menge A/B-Tests und Datenanalysen. So können wir feststellen, welche Aspekte unseres Produkts den Kunden gefallen, und Möglichkeiten finden, das Engagement zu steigern. Es spielt keine Rolle, ob es sich um einen High-Intent-Nutzer handelt, der nach einer langfristigen Beziehung sucht, oder um einen GelegenheitsNutzer, der nach etwas Gelegentlichem sucht. Wir müssen verstehen, wer diese verschiedenen Nutzer sind, wie sie sich auf der Plattform engagieren und welche Verhaltensweisen und Motivationen dazu führen, dass sie der Plattform treu bleiben oder sie mit der Zeit verlassen.
Traditionelle BI-Tools wie Looker, Tableau oder Power BI können diese Analyse durchführen, aber sie verlangen einen hohen Zeitaufwand für den Aufbau von Datenmodellen, um unsere Produktfragen zu beantworten. Sie haben auch ihre Grenzen, wenn es um die Tiefe der Insights geht, die wir aus den vorhandenen Daten gewinnen können.
Mit Amplitude können wir unstrukturierte Daten sinnvoll nutzen und beginnen, unsere verschiedenen Nutzer und ihre Journeys in unserem Produkt zu verstehen. Auf dieser Basis können wir eine strukturiertere Berichterstattung aufbauen, Product Experiences identifizieren, die Kunden am wertvollsten finden – und mehr davon in OkCupid einbauen.
Mit Amplitude können wir zum Beispiel die verschiedenen Verhaltensweisen identifizieren und verstehen, die darauf hindeuten, dass Nutzer lange in der App bleiben. Und für die Nutzer, die sich anmelden und die App dann schnell wieder verlassen, liefert uns Amplitude Nutzerpfade. Diese können wir analysieren, um festzustellen, was am häufigsten passiert, bevor ein Nutzer seine Sitzung beendet. Infolgedessen können wir herausfinden, welche Aspekte von OkCupid wir ändern sollten – oder ganz entfernen.
Ein traditionelles BI-Tool wie Looker kann auf alle Informationen in unserem Data Warehouse zugreifen und traditionelle Aggregationen und Pivots sehr einfach ausführen. Aber Amplitude glänzt beim Umgang mit Zeitreihenanalysen und allem, was nicht gut strukturiert ist.
Ein konkretes Beispiel: Mit einem BI-Tool lässt sich die folgende Frage leicht beantworten: „Wie viele Likes hat ein Nutzer im Laufe der Zeit erhalten?“ Hier bietet Amplitude einen zusätzlichen Wert, denn es ist wichtig zu verstehen, was den Nutzer auf seinem Weg zu diesen Likes geführt hat. Ist ein Nutzer durch eine Benachrichtigung, die Navigation oder andere Funktionen der App zu dem Like-Button gekommen? Welchen Weg gingen Nutzer von dort aus und was war ihr typisches Engagement-Muster mit den verschiedenen Funktionen? Anstatt also nur zu wissen, dass ein Nutzer heute 20 Leuten ein Like gegeben hat, können wir anfangen, eine Geschichte über die Erfahrungen und Vorlieben dieses Nutzers zu bilden. Vielleicht haben sie heute 20 Personen geliked und viel Zeit damit verbracht, jedem von ihnen eine Nachricht zu schicken. Das unterscheidet sich von jemandem, der heute 20 Personen geliked hat, dies aber kurz hintereinander getan hat.
Die Nuancen in den Erfahrungen unserer Kunden sind schwer zu sehen, wenn wir es mit Aggregationen zu tun haben. Looker baut auf etablierten Datenspeichersystemen auf. Um eine Frage wie die obige zu beantworten, müsstest du also einen Nutzerdefinierten Bericht erstellen, mehrere Datensätze zusammenfügen oder sogar SQL schreiben. Bei der Verwendung von Amplitude sind die Unterschiede leicht zu erkennen, wenn wir die User Journey vor uns haben.
Bessere Teamarbeit und schnellere Launches
Amplitude wird hauptsächlich von meinem Data Science-Team und unseren Produktteams genutzt. Beide Gruppen stellen Fragen rund um User Journeys und Engagement, aber sie brauchen auch Antworten auf unterschiedliche Arten von Fragen. Wir haben zum Beispiel ein Team, das sich um unseren Onboarding-Flow kümmert. Dieses Team kümmert sich um Ausstiegspunkte neuer Nutzer. Ein anderes Team konzentriert sich mehr auf die langfristige Bindung. Sie legen also viel mehr Wert auf „Sticky Behaviors“, also solche, die dafür sorgen, dass die Leute immer wieder auf die Seite zurückkehren und somit die Chance auf Erfolg in der Liebe erhöhen.
Mit Amplitude können wir alle unsere verschiedenen Diagramme und Dashboards erstellen, speichern und diese in der gesamten Organisation verbreiten. Das bedeutet, dass wir keine Doppelarbeit leisten müssen; die Teams tauschen regelmäßig Ergebnisse aus und treffen Entscheidungen auf der Grundlage desselben Datensatzes. Auch wenn wir einen Selbstbedienungsansatz für unsere Daten haben, ist es ein wirklich kollaborativer Prozess, der uns Zeit spart und zu fundierteren Entscheidungen führt.
Mit Amplitude können wir uns die strukturierten Daten ansehen, ohne zusätzliche Entwicklungszeit für die Erstellung neuer Ansichten aufwenden zu müssen. Wann immer wir ein neues Feature starten, richten wir einfach ein Ereignis dafür in mParticle ein und senden es mit den entsprechenden Nutzer- und Ereigniseigenschaften an Amplitude. Bisher musste ein Analyst für die genaue Datenverfolgung innerhalb der Plattform manuelle Abfragen in Python oder SQL schreiben. Mit Amplitude sind wir nicht auf die Hilfe eines Analysten angewiesen. Wir können beobachten, wie die neuen Ereignisse in Echtzeit geladen werden, und sie sofort in Amplitude-Diagrammen bewerten.
Diese leistungsstarke Kombination aus Teamarbeit und Funktionalität hat letztlich zur Folge, dass wir sofort verstehen, ob eine Produktwette funktioniert oder nicht, und viel schneller iterieren können als früher.
Eine konkrete Richtung in Zeiten des Wandels
Die weit verbreiteten Lockdowns haben die Dating-Normen in diesem Jahr verschoben. Anstatt den Verlust traditioneller Dating-Protokolle zu beklagen, hatten wir eine neue Frage zu beantworten: Wie verändern die Menschen ihr Nutzungsverhalten auf unserer Plattform, um sich an eine COVID-19-Dating-Welt anzupassen?
Zunächst einmal haben wir festgestellt, dass die Nutzer viel mehr Zeit damit verbringen, sich in Unterhaltungen zu vertiefen. Persönliche Begegnungen sind nicht mehr so einfach möglich, sodass man mehr Zeit aufwenden muss, um jemanden innerhalb der App näher kennenzulernen. Dank unserer leistungsstarken Kombination aus BI und PI können wir schnell auf konkrete Daten zu diesen neuen Mustern zugreifen. Wir schaffen noch mehr Möglichkeiten für Nutzer, tiefere virtuelle Verbindungen zu knüpfen, und können so einen Teil der Leere füllen, die die physische Distanzierung für viele Menschen geschaffen hat.
Die Liebe durch Datenanalyse zu finden erscheint vielleicht nicht romantisch, aber wir wissen, dass es funktioniert. Unsere Mission bei OkCupid war es schon immer, die Liebe in die Welt zu bringen. Und mit den richtigen Daten – auf die richtige Art und Weise angewandt – helfen wir Menschen, genau das zu tun.
5 -minute Read,
Posted on January 13, 2021
