Social Proof: Was Zielgruppenangaben belegen und was nicht

„Über 10.000 zufriedene Kunden“

Der Satz steht auf unzähligen Startseiten. Er soll zeigen, dass andere sich schon entschieden haben — und dass man selbst wenig falsch machen kann. Das Prinzip dahinter heißt Social Proof und gilt als eine der verlässlichsten Regeln im Marketing.

Verlässlich ist daran weniger, als der Ruf vermuten lässt. Die Forschung trennt zwei Formen, die die Praxis vermischt, und sie kennt einen Fall, in dem genau dieselbe Botschaft das Gegenteil bewirkt.

Zwei Formen, die nicht dasselbe tun

Deskriptive Norm: Was andere tun. „Die meisten Gäste verwenden ihre Handtücher mehrfach.“ Diese Form beschreibt Verhalten. Sie wirkt, weil sie eine unklare Lage auflöst: Wenn ich nicht weiß, was üblich ist, ist das Verhalten der anderen die beste verfügbare Auskunft.

Injunktive Norm: Was man tun sollte. „Bitte verwenden Sie Ihre Handtücher mehrfach.“ Diese Form bewertet. Sie wirkt schwächer auf das unmittelbare Verhalten, trägt aber eine Information, die der deskriptiven fehlt: eine Richtung.

Die Unterscheidung ist nicht akademisch. Sie entscheidet, ob eine Botschaft zuverlässig oder unberechenbar ist.

Der Boomerang: Wenn die Norm nach unten zieht

Schultz und Kollegen (2007) hängten 287 Haushalten einer kalifornischen Gemeinde ihren Stromverbrauch im Vergleich zum Durchschnitt der Nachbarschaft an die Tür. Das Ergebnis ging in beide Richtungen.

Das d misst, wie groß ein Effekt ist; 0,5 gilt als mittelgroß. Beide Verschiebungen sind also keine Randerscheinung — die Botschaft hat bei der einen Hälfte so viel angerichtet, wie sie bei der anderen gebracht hat.

Das ist kein Messfehler, sondern die Logik der deskriptiven Norm: Sie nennt einen Zielwert, und Menschen nähern sich ihm von beiden Seiten. Der Anstieg war nicht mehr nachweisbar, sobald die Rückmeldung zusätzlich ein wertendes Zeichen trug — einen von Hand gemalten Smiley, lachend für sparsame Haushalte, traurig für die verbrauchsstarken. Die injunktive Norm fängt in dieser Studie also ab, was die deskriptive anrichtet — bei diesen 287 Haushalten. Im späteren Großversuch galt das nicht für alle Gruppen, dazu weiter unten.

Zwei Details machen den Befund noch unbequemer. Nach vier Wochen hielt der Boomerang bei den sparsamen Haushalten an (d = 0,59), während die Ersparnis bei den verbrauchsstarken ohne das wertende Zeichen nicht mehr signifikant war: Der Schaden überdauerte den Nutzen. Und die Kombination beider Normen sparte bei den verbrauchsstarken Haushalten zwar mehr als die deskriptive allein (1,72 gegenüber 1,22 Kilowattstunden), der Unterschied war aber nicht signifikant. Das wertende Zeichen verhindert den Boomerang; es verstärkt die Botschaft nicht nachweislich.

Dieselbe Mechanik ist schon siebzehn Jahre früher gezeigt worden. Im vierten Experiment von Cialdini, Reno und Kallgren (1990) lag derselbe Müll einmal verstreut, einmal zu Haufen zusammengekehrt. Der Kehrhaufen signalisiert Missbilligung — eine injunktive Norm. Lenkte ein Helfer die Aufmerksamkeit darauf, warfen 45 Prozent bei verstreutem Müll etwas weg, aber nur 18 Prozent beim zusammengekehrten. Ohne Aufmerksamkeitslenkung war der Unterschied verschwunden (33 gegen 29 Prozent).

Zwei Belege aus derselben Forschungslinie sind allerdings keine unabhängige Replikation, und Cialdini ist Mitautor beider Arbeiten. Die injunktive Norm als Schutz gegen den Boomerang bleibt damit schwach belegt. Es hängt an dieser einen Studie, einer kalifornischen Gemeinde und 287 Haushalten. Dass dieselbe Kombination inzwischen millionenfach verschickt wird (siehe den nächsten Abschnitt), ändert daran nichts: Dort gehen beide Normen gemeinsam hinaus, und der Anteil der injunktiven lässt sich nicht herausrechnen.

Für einen Shop heißt das: „Die meisten wählen das mittlere Paket“ kann Kunden, die beim großen Paket waren, zum mittleren ziehen. Ob das gewollt ist, hängt davon ab, was Sie verkaufen wollen — und niemand prüft das, bevor der Satz auf die Seite kommt.

Was im Großversuch daraus wurde

Die Autoren haben 2018 eine Rückschau auf ihre eigene Studie veröffentlicht (Schultz et al., 2018). Für die Praxis ist sie die nützlichste der hier ausgewerteten Arbeiten, weil sie den Weg vom Feldexperiment mit 287 Haushalten zur Massenanwendung beschreibt.

Das Unternehmen Opower verschickt seit 2008 Stromrechnungen mit genau dieser Rückmeldung — Nachbarschaftsvergleich plus wertendes Zeichen. Inzwischen sind es über 60 Millionen Haushalte, und jede Einführung ist als randomisierter Versuch angelegt: Bei einem Versorger mit 100.000 Haushalten erhält die eine Hälfte die Berichte, die andere nicht.

Zwei Zahlen daraus sind für Shoptexte die wichtigsten. Erstens: Über mehr als hundert Einführungen liegen die Einsparungen zwischen 2 und 5 Prozent. Das ist die Größenordnung, die eine sauber gebaute Normbotschaft im Dauerbetrieb bringt — kein Hebel, der eine Konversionsrate umwirft. Zweitens: Nach dem Ende der Berichte halbierte sich der Effekt (Allcott & Rogers, 2014). Er verschwand nicht, aber er lebt von der Wiederholung.

Und der Boomerang ist auch im Großversuch aufgetreten. Eine Neuauswertung der Daten (Costa & Kahn, 2013) fand eine Gruppe, deren Verbrauch durch die Botschaft stieg: politisch konservative Haushalte über der Norm, die nicht an Umweltorganisationen spendeten und keinen Ökostrom bezogen. Das wertende Zeichen fängt den Boomerang also nicht bei allen ab. Es kommt darauf an, ob sich der Empfänger mit der Bezugsgruppe überhaupt identifiziert — womit der nächste Abschnitt zusammenhängt.

Eine offene Frage geben die Autoren selbst mit. Welche Zahl eine starke deskriptive Norm ergibt, weiß niemand: Ihre eigene Studie nannte einen Mittelwert, andere Arbeiten nennen Prozentwerte. Erste Befunde deuten darauf hin, dass eine niedrige, aber schnell steigende Zahl motivieren kann, eine hohe, aber fallende dagegen nicht. Für „Über 10.000 zufriedene Kunden“ heißt das: Die Form der Zahl ist nicht geprüft, auch nicht in dieser Literatur.

Was 91 Feldexperimente zusammen ergeben

Bergquist, Nilsson und Schultz (2019) haben zusammengetragen, was zwischen 1982 und 2019 an Feldexperimenten mit Normbotschaften zu umweltbezogenem Verhalten veröffentlicht wurde: 91 Experimente aus 74 Arbeiten, 227.730 beobachtete Fälle, 18 Länder. Über alles hinweg wirken Normen gegenüber Kontrollbedingungen mit d = 0,32 (95 %-Intervall 0,28 bis 0,37).

Die für Shoptexte entscheidende Zahl ist aber eine andere. Die Analyse trennt zwei Wege, auf denen eine Norm beim Empfänger ankommt: ausgesprochen als Botschaft — ein Schild, ein Brief, ein Satz auf einer Seite — oder ablesbar aus der Umgebung, etwa an einem sauberen Gehweg oder an ausgeschalteten Lichtern.

Der Unterschied zwischen beiden Zeilen ist deutlich (p < 0,001). Alles, was sich in einem Shop formulieren lässt, steht in der unteren Zeile — ein Text ist immer eine ausgesprochene Botschaft. Und 0,18 liegt unter dem, was üblicherweise als kleiner Effekt gilt. Die Autoren erklären den Abstand damit, dass eine ausgesprochene Norm einen Absender hat und damit als Beeinflussungsversuch erkennbar wird (siehe Reaktanz); eine Umgebung hat keinen.

Das passt zur Größenordnung aus dem Opower-Programm. Dort liegen die Einsparungen bei 2 bis 5 Prozent, hier liegt die Botschaftsform bei d = 0,18. Beides sagt dasselbe: Eine sauber gebaute Normangabe ist ein kleiner, verlässlicher Zugewinn — kein Hebel, der eine Konversionsrate umwirft.

Eine Einschränkung gehört direkt dazu. Die Studien mit ablesbaren Normen untersuchten überwiegend das Wegwerfen von Müll. Übermittlungsform und Verhaltensbereich fallen also zusammen, und nur eine einzige der eingeschlossenen Arbeiten hat beide Formen direkt gegeneinander geprüft. Der Abstand ist groß genug, um ihn ernst zu nehmen, aber er ist nicht sauber isoliert.

Wo Goldsteins Handtuchschild in dieser Sammlung steht, ist aufschlussreich. Experiment 1 ist mit d = 0,19 geführt, dessen Intervall bei genau 0,00 beginnt, Experiment 2 mit d = 0,11. Die beiden deutschen Wiederholungen von Bohner und Schlüter stehen mit d = −0,06 und d = −0,80 darin, also mit umgekehrtem Vorzeichen. Die meistzitierte Studie des Felds gehört zu seinen schwächsten.

Wie spezifisch sollte die Bezugsgruppe sein?

Goldstein, Cialdini und Griskevicius (2008) prüften in einem einzigen Hotel mehrere Fassungen desselben Handtuchschilds. Hier sind die Zahlen.

Im ersten Experiment schlug die deskriptive Norm den üblichen Umweltappell: 44,1 gegenüber 35,1 Prozent Wiederverwendung (N = 433, Φ = 0,09). Das Φ misst die Stärke des Zusammenhangs zwischen zwei Ja-Nein-Merkmalen und reicht von 0 bis 1; Werte um 0,1 gelten als klein. Im zweiten Experiment standen fünf Schilder gegeneinander. Die Fassung mit der Norm desselben Zimmers erreichte 49,3 Prozent und damit mehr als die drei übrigen Normfassungen zusammen (42,8 Prozent, N = 1.318, Φ = 0,06).

Drei Einschränkungen gehören dazu, die in der üblichen Wiedergabe fehlen.

Die Zimmer-Fassung wurde gegen den Durchschnitt der drei anderen geprüft, nicht gegen die allgemeine Gästenorm allein. Diese lag bei 44,0 Prozent, Staatsbürgerschaft bei 43,5, Geschlecht bei 40,9 — und die drei unterschieden sich untereinander nicht (alle p > 0,42). Der direkte Zweikampf „alle Gäste“ gegen „Gäste dieses Zimmers“ wird im Aufsatz nicht als eigener Test berichtet.

Der Effekt ist klein. Φ = 0,06 bedeutet einen Unterschied von gut sechs Prozentpunkten. Für ein Feldexperiment ist das ein ordentlicher Befund, aber nichts, was eine Konversionsrate umwirft.

Es ist ein Hotel, zwei Experimente, ein Team. Das zweite Experiment wiederholt das erste nicht unabhängig, sondern am selben Ort mit denselben Autoren.

Ein vierter Befund schärft die Regel, statt sie einzuschränken. Die Befragten stuften „Gast in diesem Zimmer“ als die unwichtigste der geprüften Gruppenzugehörigkeiten ein, deutlich unwichtiger als Geschlecht oder Staatsbürgerschaft. Genau diese beiden, die den Leuten wichtig waren, wirkten nicht besser als die allgemeine Gästenorm. Nähe heißt in dieser Studie also gleiche Situation, nicht ähnliche Menschen.

Ein unabhängiges Team hat diese Regel überprüft, und sie hat die Prüfung nicht bestanden. Bohner und Schlüter (2014) haben Goldsteins Aufbau in zwei deutschen Hotels wiederholt, mit 724 und 204 beobachteten Gästen.

Der Zimmer-Vorteil kehrte sich um, und zwar signifikant (78,0 gegen 85,6 Prozent, p = 0,017). In der zweiten Studie ging die Tendenz zwar wieder in Goldsteins Richtung, blieb aber ohne Signifikanz — und diese Studie war mit 204 Beobachtungen zu klein, um kleine Effekte überhaupt zu finden. Die Teststärke lag nach eigener Angabe der Autoren bei 0,21 bis 0,30 — das heißt, auch wenn es den Effekt gibt, hätte diese Studie ihn in gut sieben von zehn Fällen verfehlt.

Noch unbequemer: Keine Normfassung schlug den schlichten Umweltappell. In Studie 1 lagen alle vier Normfassungen zusammen bei 81,9 Prozent gegen 83,7 — kein Unterschied. In Studie 2 war der Umweltappell den Normfassungen sogar überlegen (93,3 gegen 76,5 Prozent, p = 0,039). Und die Ausgangslage war eine andere: Schon ohne jede Botschaft verwendeten 64,3 Prozent ihr Handtuch wieder — mehr als in jeder einzelnen Bedingung bei Goldstein.

Zwei weitere Prüfungen gehen in dieselbe Richtung, beide sind hier zweiter Hand über Bohner und Schlüter referiert: Schultz und Kollegen (2008) fanden in den USA eine rein deskriptive Norm gegenüber einer Kontrollgruppe wirkungslos — erst zusammen mit einer injunktiven Norm wirkte sie — und sahen die allgemeine Norm vor der Zimmer-Norm. Reese und Kollegen (2014) fanden in Österreich und der Schweiz keinen Vorteil irgendeiner Normfassung gegenüber dem Umweltappell.

Für einen deutschsprachigen Markt folgt daraus eine klare Empfehlung. Es gibt keinen geprüften Grund, eine Normangabe einem klar formulierten Sachargument vorzuziehen. Die engere Bezugsgruppe ist kein Hebel, sondern ein Risiko.

Die Lage ist damit nicht „unerforscht“, sondern „erforscht und praktisch ohne Befund“ — ein Unterschied, der für die Praxis zählt. Ungeprüft bleibt allein, wie gut sich ein Hotelbefund überhaupt auf einen Shop übertragen lässt.

Praxisfälle

Was wir bewusst nicht empfehlen

• Erfundene Aktivitätszahlen. „1.284 Personen sehen sich das gerade an“ ohne reale Grundlage ist irreführend. Das ist keine Gestaltungsfrage.
• Die Minderheitsnorm aus Ehrlichkeit. „Bisher nutzen wenige unser Produkt“ ist wahr und arbeitet gegen Sie. Nennen Sie etwas anderes Überprüfbares.
• Social Proof vor der Nutzenfrage. Wer noch nicht weiß, wofür ein Produkt gut ist, wird von einer Mengenangabe nicht überzeugt. Social Proof löst Unsicherheit über die Wahl, nicht über den Zweck.

Ethik-Check: Nudge oder Sludge?

Grenzen & Kritik