Was Nutzer wirklich in unseren Szenarien lernen — und was nicht
Содержание
Wer Finanzbildung verspricht, muss belegen können, was tatsächlich gelernt wird. Wir haben daher anonymisierte Daten aus zwölf Monaten Nutzung ausgewertet. Nicht, um Erfolge zu feiern, sondern um ehrlich zu benennen, wo unsere Grenzen liegen. Das Ergebnis ist nüchtern und für uns lehrreich.
Was sich messbar verändert
Nutzer, die mindestens drei Szenarien durchlaufen, treffen anschließend in simulierten Entscheidungen konsistenterere Wahlen. Sie berücksichtigen Nebenkosten eher, prüfen Versicherungsbedingungen länger und revidieren frühere Entscheidungen häufiger. Diese Verhaltensänderung lässt sich in unseren Daten nachweisen. Was wir nicht messen können, ist die Übertragung in die reale Finanzwelt. Wir wissen, dass Nutzer in der Simulation vorsichtiger werden. Ob sie das auch bei ihrer echten Mietkaution tun, bleibt ungewiss. Wir kommunizieren diesen Unterschied transparent, statt ihn zu verschleiern.
Verhaltensänderungen in Simulationen sind nachweisbar, ihre reale Übertragung bleibt ungewiss.
Was nicht funktioniert
Einige Annahmen haben sich nicht bestätigt. Wir dachten, Nutzer würden langfristige Planung besser verstehen, wenn sie virtuelle Sparziele verfolgen. Stattdessen haben sich viele auf kurzfristige Optimierung konzentriert, ähnlich wie im echten Leben. Auch der Versuch, komplexe Steuerfragen durch spielbare Szenarien zu vermitteln, scheiterte weitgehend. Die Thematik erfordert mehr Kontext, als ein interaktives Format sinnvoll bieten kann. Diese Erkenntnisse haben uns gezwungen, Szenarien zu streichen und andere zu vereinfachen. Nicht jede finanzielle Entscheidung lässt sich simulieren.
Nicht jedes Finanzthema eignet sich für spielbasierte Vermittlung; einige Szenarien wurden gestrichen.
Der Unterschied zwischen Wissen und Handeln
Unsere Daten zeigen eine klare Trennung: Nutzer verstehen nach Szenarien oft, was theoretisch richtig wäre, handeln dennoch anders. Das ist kein Versagen unserer Simulationen, sondern ein Abbild realer Verhaltensmuster. Wir haben daher begonnen, explizit zu kommunizieren, dass Wissen nicht automatisch Handlung bedeutet. Einige Szenarien enthalten nun absichtlich Situationen, in denen das rational beste Vorgehen emotional schwer durchzuhalten ist. Das Ziel ist nicht, perfekte Entscheidungen zu trainieren, sondern die Spannung zwischen Ratio und Emotion erfahrbar zu machen.
Wissen und Handeln fallen auseinander; wir simulieren diese Spannung bewusst.
Wie wir unsere Ergebnisse prüfen
Wir vergleichen unsere Daten nicht mit idealisierten Zielen, sondern mit Verhaltensstudien aus der Verbraucherforschung. Wenn unsere Nutzer ähnliche Fehlermuster zeigen wie reale Verbraucher, betrachten wir das als Zeichen für Realismus, nicht als Mangel. Gleichzeitig arbeiten wir mit einem unabhängigen Institut zusammen, das unsere Methodik überprüft. Deren Bericht aus dem vergangenen Jahr hat bestätigt, dass unsere Szenarien valide sind, aber auch aufgezeigt, wo wir die Messung verbessern müssen. Diese externe Prüfung ist für uns unverzichtbar.
Externe Prüfung und Vergleich mit Verbraucherstudien sichern die Validität unserer Daten.
Was wir als Nächstes untersuchen
Wir planen, die Langzeitwirkung unserer Szenarien zu erfassen. Bisher haben wir nur das Verhalten während und unmittelbar nach der Nutzung gemessen. Ob die gelernten Muster nach Monaten noch wirksam sind, wissen wir nicht. Diese Lücke wollen wir schließen, ohne die Privatsphäre der Nutzer zu gefährden. Ein weiteres Projekt beschäftigt sich mit der Frage, ob die Art der Darstellung — Zahlen, Grafiken oder narrative Texte — das Lernverhalten beeinflusst. Auch hier erwarten wir keine universellen Antworten, sondern nuancierte Erkenntnisse für unser Design.
Langzeitstudien und Darstellungsformen sind die nächsten Felder unserer internen Forschung.