People Behind Products: Lern Ayse Delikaya kennen, Junior UX Researcher

Ayse, du arbeitest jetzt seit mehr als 2 Jahren bei ImmoScout24. Was ist deine aktuelle Position und warum hast du dich für eine Karriere im Bereich UX Research entschieden? 

Ich habe einen Psychologie-Hintergrund und fühle mich bei ImmoScout24 als UX Researcher in meinem "natürlichen Habitat". Meine Leidenschaft für die Forschung entdeckte ich schon sehr früh an der Universität. Deshalb habe ich während meines Studiums immer wieder in der wissenschaftlichen Forschung gearbeitet. So war ich bereits in verschiedenen Fachbereichen der Biopsychologie, der medizinischen Psychologie und der integrativen Lebenswissenschaften tätig. Ursprünglich war es mein Ziel, Professorin für biologische Psychologie zu werden, da ich mich sehr für die Psychoneuroendokrinologie begeisterte. Allerdings merkte ich schnell, dass mir die akademischen Forschungsbedingungen nicht zusagten. Ich vermisste die praktischen Anwendungsaspekte; alles war so geregelt und festgelegt und es gab wenig Raum für Kreativität. Zudem langweilte ich mich nach einer Weile, denn es war furchtbar, sich 5 Jahre lang mit nur einer Studie zu beschäftigen.

Da mein Studienabschluss näher rückte, begann ich, meine Optionen zu erkunden. Ich wollte unbedingt in die Forschung, aber nicht im akademischen Bereich und so kristallisierte sich UX Research als die perfekte Schnittstelle für mich heraus. Ich schnupperte als Werkstudentin bei ImmoScout24 rein und war von Anfang an begeistert. Der Grund dafür? Ich darf mich mit meinem Lieblingsthema beschäftigen: Menschen! Und dabei habe ich das große Privileg, den Menschen in ihren täglichen Erfahrungen einen Nutzen zu bieten, anstelle eines Prozesses, der sich über 15 Jahre hinzieht.

Die Möglichkeit nach der Gesamtmiete bei Mietwohnungen zu suchen ist eines der Features, die du mitentwickelt hast. Was möchte ImmoScout24 mit der Entwicklung diesem Feature bewirken?

Die Funktion nach der Gesamtmiete, also der Warmmiete, zu filtern ermöglicht es, Ergebnisse zu erhalten, die auch im tatsächlichen Budget liegen. Bisher konnte man nur über die Nettokaltmiete suchen, die jedoch keine Heizkosten oder sonstige Nebenkosten enthält. Das hatte zur Folge, dass eine Wohnung mit 600€ beworben werden konnte, aber durch die Nebenkosten zahlte man am Ende rund 850€. Wir wussten, dass unsere Nutzer:innen Wohnungen nicht basierend auf der Nettokaltmiete auswählten, sondern anhand der tatsächlichen Warmmiete, die sie letztendlich jeden Monat zahlten. Außerdem hatten wir das Feedback von preisbewussten Nutzer:innen, die in ihren Ergebnislisten viele Objekte sahen, welche bei genauem Betrachten das Gesamtbudget überstiegen.

Da der Anteil der Nebenkosten von Inserat zu Inserat variiert, führt eine Schätzung der Nettomiete dazu, dass den Nutzer:innen auch Objekte angezeigt werden, die über ihrem eigentlichen Budget liegen. Für die meisten Inserate hatten wir zwar eine Auflistung der Nebenkosten, aber nicht für alle. Das hielt uns davon ab, einen einfachen Filter zu bauen. Also mussten wir kreativ werden.

Wie haben du und dein Team dieses Feature entwickelt?

Die Funktion Mietwohnungen nach der Komplettmiete zu filtern war ein zentraler Kritikpunkt unserer Wohnungssuchenden und stellte uns vor eine große Herausforderung. Meine Kolleg:innen hatten schon ein paar Mal versucht, dieses Problem anzugehen. Als ich in das Unternehmen kam, konnte ich mir meine eigene Herausforderung aussuchen. So entschied ich mich dafür, den Fokus auf die Filterbedürfnisse unserer Nutzer:innen zu legen und diese mit einem Methodenmix anzugehen.

Wir wussten bereits von dem Problem nach der Warmmiete zu filtern und versuchten herauszufinden, ob dies auch in der derzeitigen angespannten Marktsituation noch zutrifft. Das tat es. Also erforschten wir das eigentliche Problem hinter dem Wunsch nach einem Filter: Wer sind unsere preisbewussten Nutzer:innen, wer verlangt diesen Filter? Warum möchten sie wissen, wie hoch die Warmmiete ist? Warum reicht die Nettokaltmiete nicht aus? Welche andere Probleme haben sie? Würde diese oder jene Lösung funktionieren? Warum ja, warum nein?

Um ein Beispiel zu nennen: Von unseren preisbewussten Nutzer:innen erfuhren wir von der angespannten Marktsituation, welche tatsächlich eine Art FOMO (fear of missing out), also die Angst etwas zu verpassen, auslöste. Die Nutzer:innen wollten auf keinen Fall Inserate verpassen. Ein simples Filtern von Inseraten ohne die zuzüglichen Nebenkosten würde nicht ausreichen. Es war also wichtig, dass wir alle verfügbaren Angebote zeigen, die Mietsuchenden sehen wollen. So kamen wir auf die Idee, ein Modell zu entwickeln, welches die voraussichtliche Gesamtmiete für Inserate auch ohne zusätzliche Kosteninformationen darstellt. Gemeinsam mit unserem Product Owner Markus Meixner und unserem Designer Chris Lüders haben wir Prototypen gebaut und mit steigender Komplexität getestet.

Nachdem wir eine Benutzeroberfläche gefunden hatten, die in unseren Tests ihren Nutzen und ihre Benutzerfreundlichkeit unter Beweis stellen konnte, machte sich das Data-Science-Team an die Arbeit und baute das Kalkulationsmodell. Auf diese Weise bedienten wir gleich zwei Segmente auf einmal: Wir konnten den Wunsch unserer Nutzer:innen erfüllen und wir steigerten die Qualität der Leads für Vermieter:innen, da nun vermehrt Kontaktanfragen von passenden Bewerber:innen kamen. Zudem gaben wir den Vermieter:innen, die noch keine Daten hatten, eine grobe Schätzung, wie hoch die Nebenkosten sein würden. Es war eine Win-Win-Situation für alle.

Sobald das Modell fertig war und entsprechende Kapazitäten bei den Entwickler:innen vorhanden waren, testeten wir die Funktion mit einem kleinen Teil unserer Nutzer:innen. Die Ergebnisse sahen sehr vielversprechend aus. Wir waren begeistert! Auch mit dem vollständigen Roll-out erreichten wir unsere Zielvorgaben, die Akzeptanz stieg und die Bewertungen sahen gut aus. Tatsächlich war die Funktion so gut, dass sie jetzt in der Standardeinstellung unserer App ist.

Was ist für die Zukunft geplant? Wird es Verbesserungen oder Anpassungen für dieses Feature geben?   

Die Funktion nach der Warmmiete zu filtern hat sich bereits in der ersten Einführung als sehr erfolgreich erwiesen und das Problem unserer Anwender effektiv gelöst. Es handelt sich nicht um ein MVP (Minimum Viable Product), sondern um ein fertiges Produkt. Deshalb sind auch keine Anpassungen am Filter selbst geplant. Unsere Daten zeigen, dass Nutzer mit der Suche nach der Warmmiete weniger Objekte sehen, dafür aber mehr Eigentümer der Objekte kontaktieren. Das bedeutet, dass weniger Zeit und Energie aufgewendet wird, um ein neues Zuhause oder Büro zu finden. Unser großartiges Team arbeitet ständig daran, das Nutzererlebnis zu verbessern und es sind spannende neue Funktionen in der Planung, also bleibt dran!

Auf welche anderen Projekte konzentrierst du dich im Moment?

Ich arbeite mit einem großen Team an einer Vielzahl von Projekten, die sich hauptsächlich auf alle möglichen Arten der Kommunikation unserer Plattform mit den Nutzer:innen konzentrieren. Dazu gehören Push-Nachrichten, Mails, gespeicherte Benachrichtigungen, etc. Ihr werdet schon bald mehr von uns hören.