Alles, was wir in der Web-2.0-Ära über Viral Loops gelernt haben – und wieder vergessen

• Viral Loop ist ein im Produkt selbst angelegter Wachstumsmechanismus, der über Einladungs-, Sharing- und Empfehlungsfunktionen eine messbare und optimierbare Struktur zur Nutzergewinnung schafft
• In der Blütezeit von Web 2.0 entstanden mithilfe von Viral Loops Produkte mit zig Millionen Nutzern, doch mit dem Übergang ins Mobile-Zeitalter ist ein großer Teil dieses Know-hows verloren gegangen
• Wenn im Produkt Einladungs-, Sharing- und Empfehlungsfunktionen gestaltet und der viral factor auf Session- und Kohortenebene quantifiziert werden, lässt sich per Formel nachverfolgen, bis zu welchem Grad kostenlose Nutzer verstärkt werden können
  • Ab 1,0 beschleunigt sich das Wachstum aus eigener Kraft, unter 1,0 verlangsamt sich das Wachstum letztlich
• Es gibt Produkte der Kategorie 1, die auf einfache, starke Sharing-Loops setzen, und Produkte der Kategorie 2, die mehrere Sharing-Loops auf tieferen Funktionen und hoher Retention aufbauen; entsprechend unterscheiden sich Wachstumsmuster und Grenzen erheblich
• Durch den Mobile-Umstieg, Plattformbeschränkungen, den Verlust des Neuheitseffekts und Marktsättigung ist eine Struktur, bei der der viral factor schon in der ersten Session über 1 liegt, heute nahezu unmöglich geworden; wichtig ist nun eine Struktur, bei der mit höherer Retention der kumulierte viral factor über alle Sessions hinweg wächst
• Von AI erzeugte Tools sowie in sozialen Netzwerken trendende Shitposting-, Ragebaiting- und Video-Clip-Formate kommen eher einmaligen Spitzen gleich, können aber in Kombination mit einem im Produkt eingebauten „Erstellen-und-Teilen“-Loop zum langfristigen Ausbau der Nutzerbasis beitragen

---

Die Blütezeit der Viral Loops im Web-2.0-Zeitalter

• In der Web-2.0-Phase von 2005 bis 2010 bauten soziale Netzwerke, UGC-Plattformen, Kollaborationstools und Messenger-Apps systematisch Viral Loops ein und schufen so Nutzerbasen in der Größenordnung von Millionen bis Hunderten Millionen
  • Über E-Mail-Einladungen, den Import von Adressbüchern und Links zum Teilen von Inhalten wurde die Struktur, in der Nutzer andere Nutzer hereinholen, technisch optimiert
  • Es war eine Zeit, in der der viral factor mit A/B-Tests und formelbasierten Methoden verfolgt wurde und man auf „ingenieurmäßig geplantes Wachstum“ setzte
  • Facebook, LinkedIn, YouTube, Spotify und Pinterest wuchsen auf diese Weise
• Gründer und Teams erfolgreicher viraler Produkte wechselten später als Führungskräfte großer Tech-Unternehmen oder VCs weiter, wodurch das Wissen zum Aufbau von Viral Loops faktisch verloren ging
• Nach dem Übergang zu Mobile funktionierten die alten Methoden nicht mehr, sodass ein erheblicher Teil von Wissen und Know-how in der Praxis verwässert wurde
• Dennoch lassen sich dieselben Mathematik- und Denkmuster weiterhin direkt auf heutige Product-Led Growth-, Marketplace-Empfehlungs- und Generative-AI-Sharing-Flows anwenden

Die Grundstruktur des viral factor in Formeln

• Mit Viralität ist hier nicht gemeint, dass ein einzelner Tweet durch die Decke geht, sondern ein struktureller Loop, bei dem im Produkt eingebaute Einladungen, Tagging, Link-Sharing und Empfehlungsprogramme fortlaufend neue Nutzer erzeugen
• Kennzeichnend für diesen Loop ist, dass er messbar ist, sich durch Produktänderungen verbessern lässt und dieselbe mathematische Struktur auf Einladungen, Content-Sharing, Referrals und andere Formen anwendbar ist; im Zentrum steht dabei das Verhältnis namens viral factor
• Der viral factor ist das Verhältnis, bei dem der Nenner aus der Nutzerkohorte besteht, die sich in einem bestimmten Zeitraum registriert hat, und der Zähler aus der Zahl neuer Nutzer, die diese Kohorte im Lauf der Zeit durch Einladungen und Sharing erzeugt hat
  • Beispiel: Wenn 100 Nutzer, die sich vor drei Monaten registriert haben, danach 50 weitere Nutzer hereinholen, beträgt der viral factor zu diesem Zeitpunkt 0,5
  • Wenn 100 Nutzer 150 weitere bringen und diese 150 wiederum 225 weitere bringen, liegt der viral factor bei 1,5
  • Ab 1 erweitert sich der Loop, unter 1 kommt er irgendwann zum Stillstand

Content-Sharing-Loops und Datenmodellierung

• Ein typisches Beispiel für einen Viral Loop ist die Struktur, bei der Nutzer mit AI, Filtern oder Tools etwas erstellen und per Link teilen, woraufhin ein Teil der Betrachter sich selbst anmeldet, um dasselbe zu machen
  • Instagram-Filter, Blogbeiträge und heutige AI-Video-Generatoren folgen demselben Muster
• Um das zu quantifizieren, muss ein Tracking-Link mit sharer_id in die URL eingebaut werden
  • Beispiel: Teilen im Format product.com/vid/[video_id]?sharer_id=[user_id]; bei Nutzern, die sich über diesen Link anmelden, wird sharer_id in ihrer Zeile gespeichert
• Wenn anschließend die id-Liste einer bestimmten Kohorte genommen und gezählt wird, wie oft diese Nutzer als sharer_id anderer Nutzer erscheinen, lässt sich der viral factor berechnen
  • Nutzer ohne sharer_id werden als „Gen-1-/Onramp-Nutzer“ behandelt und von der Berechnung ausgeschlossen; stabiler ist es, das Verhältnis von Gen N zu Gen N+1 zu betrachten
• Ist der viral factor einmal berechnet, führt das fast automatisch zur Frage: „Wie erhöhen wir diesen Wert, und können wir ihn über 1 bringen?“
  • Etwa durch Flows, die im Onboarding um Einladungen bitten, leicht kopierbare Einladungslinks oder ein besseres Sharing-UI
• Sobald die Berechnung auf Basis von sharer_id möglich ist, kann man den Wert als festen Dashboard-Indikator etablieren und die Veränderungen per A/B-Test beobachten
  • Mögliche Experimentvariablen sind der Anteil der Nutzer, die die Sharing-Funktion verwenden, die Zahl der Shares und die Conversion-Rate der Empfänger zur Anmeldung; diese Kombination funktioniert gewissermaßen wie ein „viral factor cookbook“
• Das heißt: Der viral factor lässt sich nicht nur auf Invite-Loops anwenden, sondern allgemein auf Sharing, Kollaboration, Referrals und jede Struktur, in der bestehende Nutzer neue Nutzer hervorbringen

Die Formel „Anzahl Einladungen × Conversion-Rate“ und ihre Grenzen

• Die im Internet weithin bekannte Formel „viral factor = Anzahl Einladungen × Conversion-Rate“ ist intuitiv zwar richtig, hat aber die Grenze, dass sie nur für einladungsbasierte Loops gilt
  • Tatsächlich gibt es viele verschiedene Loops wie Content-Sharing, Kollaborationseinladungen und Empfehlungscodes
• Vor allem aber interessiert man sich eigentlich für das Verhältnis zwischen zwei Nutzerkohorten, weshalb die kohortenbasierte Definition näher am Wesentlichen liegt
• Wer sich nur an Einladungen × Conversion-Rate klammert, steuert auf ein Design zu, das möglichst viele Freunde mit Einladungs-E-Mails bombardieren soll, also auf eine nahezu spamartige Gestaltung, die die Nutzer ermüdet
  • Frühere soziale Netzwerke wie Bebo, Tagged, Hi5 und MySpace nutzten Importfunktionen für Hotmail- und Yahoo-Mail-Adressbücher, um mehr als 200 Einladungs-E-Mails zu verschicken und den viral factor künstlich nach oben zu treiben
  • Das führte zu mehr Sendungen an ungültige Adressen → sinkender Conversion-Rate → Spam-Einstufung durch E-Mail-Anbieter; etwa zehn Jahre lang funktionierte das, doch am Ende war die Ära der E-Mail-Einladungs-Loops vorbei

Kernmetriken viraler Produkte und PMF-Bedingungen

• Um Produkte zu erkennen, die nach einem kurzfristigen viralen Spike Bestand haben, sind Kennzahlen zu Retention, Habit-Bildung, Netzwerkeffekten und Monetarisierung ein nützlicher Maßstab
  • Ob die Kohorten-Retention-Kurve ab einem bestimmten Niveau flach verläuft (Anteil der festgehaltenen Nutzer)
  • Ob actives/registered > 25 % liegt, also ob es im Verhältnis zu den Registrierten genügend tatsächlich aktive Nutzer gibt
  • Ob die Power-User-Kurve eine „Smile“-Form zeigt (also ob es eine stark gebundene Kernnutzerschicht gibt)
• Zusätzlich sind die folgenden Kennzahlen sinnvoll, um ein nachhaltiges Business zu erkennen
  • viral factor > 0,5 (hoch genug, um andere Kanäle zu verstärken)
  • DAU/MAU > 50 % (Hinweis auf tägliche Nutzung als Gewohnheit)
  • Ob bei Märkten oder Logos mit älteren Netzwerken die Beteiligung höher wird (Netzwerkeffekt)
  • Ob D1/D7/D30 über 60/30/15 liegen (frühe Etablierung und Nutzungsfrequenz)
  • Ob Umsatz und Aktivität pro Nutzer im Lauf der Zeit steigen (ob das Produkt tiefer genutzt wird)
  • Ob bei signifikanter Größenordnung mehr als 60 % organisch und nicht über bezahltes Marketing kommen
• Viele virale Apps aus der Web-2.0- und Facebook-Plattform-Ära erreichten sehr hohe anfängliche viral factors und starke Mundpropaganda, verschwanden aber nach dem Spike wieder, weil die Retention nicht trug
  • Mit Viral Loops kann man abgesprungene Nutzer zwar immer wieder neu akquirieren, aber ohne Product-Market-Fit und ein sticky Nutzungsmuster entsteht daraus kein erfolgreiches Business

Zwei Typen viraler Produkte: Kategorie 1 und 2

• Virale Produkte lassen sich im Großen und Ganzen in zwei Kategorien einteilen
  • Kategorie 1: Einfache Apps mit Fokus auf eine einzige Aktion, bei denen die Ergebnisse extrem leicht geteilt werden können (frühes Instagram, YouTube, verschiedene Quiz- und anonyme Apps usw.)
  • Kategorie 2: Komplexe Produkte mit tiefem Funktionsumfang und starker Retention, die verschiedene Sharing- und Kollaborationsfunktionen enthalten (Figma, Slack, frühes Facebook usw.)
• Kategorie 1 kann dank kurzer Flows und hoher Conversion leicht explosiv wachsen und das Muster eines „Über-Nacht-Erfolgs“ erzeugen, hat aber nach dem Spike oft mit Abwanderung und niedriger kumulativer Retention zu kämpfen
• Kategorie 2 braucht lange im Aufbau und wächst anfangs langsamer, hat aber eine Struktur, in der sich über viele Sessions hinweg ein kumulativer Viral Factor aufbauen kann, weil gewonnene Nutzer nur selten wieder abspringen
• Viele der aktuellen AI-Content-Generierungstools folgen dem Muster von Kategorie 1 (einfach generieren → teilen) und haben daher ähnliche Stärken (schnelles Wachstum) und Schwächen (Probleme mit der Bindung nach dem Spike) wie frühere Foto-Filter- und Videodienste

Schrittweise Struktur und Formel einfacher Content-Generierungs-Loops

• Ein einfacher Loop aus Content-Erstellung und Sharing durchläuft die folgenden Schritte
  • Jemand sieht das von einer anderen Person erstellte Ergebnis online →
  • sieht sich das Ergebnis an →
  • klickt auf den Link am Ergebnis und gelangt zum Erstellungstool →
  • nutzt das Tool selbst und erstellt etwas →
  • teilt das erstellte Ergebnis wieder über Social Media, Messenger usw. →
  • mehr Menschen sehen es und wiederholen denselben Prozess
• In jeder Phase gibt es Funnel-Metriken wie View-Rate, Click-Through-Rate, Erstellungsrate, Sharing-Rate und Anzahl der erreichten Personen; wenn das Produkt dieser Werte multipliziert mit „wie viele Personen ein Share im Durchschnitt erreicht (X)“ größer als 1 ist, kann der Loop explosionsartig wachsen
• Nimmt man beispielhaft die folgenden Werte an, muss 0.5(Ansicht) * 0.1(Klick) * 0.2(Erstellung) * 0.5(Teilen) * X größer als 1 sein, damit Viralität entsteht
  • Das Produkt der ersten vier Faktoren ist 0,005, also müssten pro Share mehr als 200 Personen das Ergebnis sehen, damit der Loop auf 1 oder mehr kommt
  • Da diese Werte sehr sensibel reagieren, können schon kleine Änderungen an UI oder Content große Auswirkungen auf den gesamten Loop haben
• Betrachtet man den Viral Factor (v), folgt die gesamte Nutzerverstärkung als geometrische Summe der Zuflüsse je Generation der Struktur 1/(1-v)
  • Ist der Viral Factor klein, zeigt sich in realen Daten oft nur eine so geringe Steigerung, dass sie im Rauschen visuell kaum zu erkennen ist
  • Beispiel: 100 neue Nutzer pro Tag und ein Viral Factor von 0,1 ergeben am Ende nur einen Multiplikator von 1,11, also lediglich rund 11 zusätzliche Nutzer
  • Bei v=0,5 gilt 1/(1-0,5)=2, was bedeutet, dass auf 100 bezahlte Nutzer durch Viralität noch einmal 100 dazukommen
• Das heißt: Bei v=0,5 entsteht ein 2-facher, bei v=0,75 ein 4-facher und bei v=0,9 ein 10-facher Verstärkungseffekt
  • Derselbe Zufluss von 100 Nutzern führt dann zu final 200 (2x), 400 (4x) oder 1000 Nutzern (10x) und erzeugt damit eine spürbare Verstärkung, die die Kosten für bezahltes Marketing erheblich kompensieren kann
• Deshalb reicht es beim tatsächlichen Design nicht, wenn „ein bisschen Viralität nett wäre“; man braucht vielmehr eine Struktur, die auf 0,5 oder mehr gebracht werden kann

Warum die virale Performance mit der Zeit nachlässt

• Virale Loops tendieren dazu, sich mit der Zeit natürlich in Richtung sinkender Performance zu entwickeln
  • Der Neuheitseffekt verschwindet, der Markt sättigt sich, und Plattformen regulieren stärker
• Wenn neue Content-Formen oder Tools auftauchen, neigen Menschen eher dazu, sie anzusehen, anzuklicken und auszuprobieren; mit der Zeit wird dieselbe Form des Sharings jedoch alltäglich, und dieselben Kennzahlen sinken insgesamt wieder
  • So wurden in der Anfangszeit AI-Bilder mit sechs Fingern noch oft geteilt, weil schon das neu wirkte; heute braucht es deutlich mehr Überraschung, um denselben Effekt auszulösen
• Mit zunehmender Marktsättigung sind viele Personen auf der Liste der Freunde, die Nutzer einladen würden, entweder bereits registriert oder nicht interessiert, wodurch die Anzahl wirksamer Einladungen sinkt
  • Außerdem sind Nutzer, die erst spät hinzukommen, oft späte Adopter und tendenziell weniger stark im Word-of-Mouth, was den gesamten Viral Factor drückt
  • Beim Beispiel von Einladungen über E-Mail-Adressbücher gab es bei Aussendungen an mehr als 200 Kontakte hohe Open- und Click-Rates; nachdem jedoch zig Millionen Nutzer erreicht waren, sank schon die Zahl der Kontakte selbst, und Open-/Click-Rates gingen ebenfalls zurück
• Jeder virale Loop läuft auf einer zugrunde liegenden Plattform (E-Mail, Facebook, TikTok usw.)
  • Wenn es zu viele mit Wasserzeichen oder Links überladene Inhalte gibt, kann die Plattform Richtlinien einführen, um das zu unterdrücken
  • Wenn eine Plattform also Inhalte mit Wasserzeichen oder Links nicht mag oder konkurrierende Funktionen einführt, kann die Conversion in einer bestimmten Phase abrupt einbrechen und damit der gesamte Loop kollabieren

Grenzen hypersimpler Apps und Netzwerkeffekte

• Hyper-simple, hyper-virale Apps haben eine Produktstruktur aus wenigen Screens und einigen UI-Elementen; diese Struktur selbst hat das Potenzial, bei ausreichend Content und Netzwerk sehr tiefe Retention zu erzeugen
  • YouTube und Instagram sind mit einer sehr einfachen Core-UI und einem riesigen Content-Netzwerk Beispiele dafür, dass etwas wie eine kleine App wirken kann und trotzdem endlos fesselt
• Solche Produkte können im Laufe der Zeit viele Funktionen hinzufügen und trotzdem dank der Menge an Content und der Netzwerkeffekte mit der Struktur einer kleinen App unendlich Neues zeigen
• Umgekehrt wiederholt sich bei Apps, die nur virale Tricks haben und bei denen sich kein Content, kein Graph und keine Gewohnheiten aufbauen, das Muster, dass nach dem Spike kaum Nutzerbasis übrig bleibt

Grenzen moderner sozialer Viralitätstechniken (Shitposting usw.)

• Was in Social Media zuletzt als „viral“ gilt, ist eine Mischung aus verschiedenen Taktiken wie Ragebait, Shitposting, starken Launch-Videos, TikTok-Clips, Billboards, Influencer-Viralität und der Inszenierung von Gründern als Influencer
• Diese Methoden eignen sich gut, um einmalige Traffic-Spikes zu erzeugen,
  • stoßen aber an Grenzen, wenn es darum geht, bei wachsendem DAU die Relation neue Nutzer / DAU konstant zu halten und dadurch exponentiell zu skalieren
  • Wird dasselbe Format wöchentlich oder monatlich wiederholt, lässt die Wirkung wegen Gewöhnung und Ermüdung tendenziell immer weiter nach
• Trotzdem bleiben diese Taktiken relevant, weil sich der dadurch gewonnene Traffic in wiederholbares Wachstum übersetzen kann, wenn er mit einem internen „Erstellen-und-Teilen“-Loop des Produkts kombiniert wird

Das Ende der Web-2.0-Viralität und der Wechsel zu Mobile

• Auf dem Höhepunkt von Web 2.0 gab es viele Fälle, in denen über E-Mail-Einladungen, das Importieren von Adressbüchern und Facebook-Apps „von null auf Millionen Nutzer“ erreicht wurden
  • Viele Dienste wie Facebook, LinkedIn, YouTube, Spotify und Pinterest sind auf dieser Grundlage gewachsen
  • Dienste wie BirthdayAlar (Geburtstagserinnerungs-E-Mails) und Plaxo (Anfragen zur Aktualisierung von Kontaktdaten) betrieben Einladungs-Loops unter dem Vorwand, die Geburtstage und Kontaktdaten von Freunden aktuell zu halten; dieser Mechanismus führte später weiter zum Aufstieg sozialer Netzwerke
• Mit der Zeit gewöhnten sich Nutzer an diese Muster, E-Mail-Anbieter verschärften ihre Spam-Filter, und entscheidend war vor allem, dass der Mittelpunkt der Welt sich von E-Mail zu Mobile verlagerte, wodurch sich dieselbe Struktur schwer reproduzieren ließ
• Auf Mobile war der Zugriff auf Kontakte zwar möglich, aber durch die UX des einzelnen Auswählens von Telefonnummern für Einladungen war es schwer, wie bei E-Mail gleich 200 Personen auf einmal einzuladen
  • Es gab auch Versuche, Nachrichten über Server wie Twilio stellvertretend per SMS zu versenden, doch das führte zu SMS-Spam-Problemen und Risiken durch Regulierung und Bußgelder, weshalb es nicht nachhaltig war
• Infolgedessen ist die Ära hyper-simpler, hyper-viraler Apps, die im ersten Session einen Viral Factor von über 1 erreichen, faktisch vorbei; heute liegt der übliche Viral Factor meist eher bei 0,2 bis 0,3

Moderne, retention-zentrierte Viralitätsstrategie: Channel-Mix und sessionsübergreifende Summierung

• Das Wachstum von Apps lässt sich heute nicht mehr durch überzogene Einladungsaufforderungen, sondern im Wesentlichen durch die Kombination aus zwei Faktoren erklären
  • 1. mehreren Top-of-Funnel-Kanälen (SEO, Social, PR, Paid Ads, Empfehlungen usw.)
  • 2. einem viralen Faktor, der sich dank starker Retention über die gesamte Sitzungsdauer kumuliert
• Erstens braucht es eine Struktur, die über Paid Marketing, Referral, Mundpropaganda, SEO, Medien und Social Media hinweg kontinuierlich neue Nutzer zuführt
  • Bei Uber stammt etwa die Hälfte der ersten Fahrten aus Paid Marketing, 10–20 % aus Referral, der Rest aus Mundpropaganda, SEO usw.
• Zweitens kann ein Produkt, wenn es über starke Retention verfügt, die viele Nutzersitzungen erzeugt,
  • in jeder Sitzung ein wenig Teilen, Einladen oder Referral anstoßen und so einen gesamten viralen Faktor als Summe der viralen Faktoren pro Sitzung aufbauen
• Statt „Anzahl Einladungen × Conversion Rate“ sollte man es als unendliche Summe betrachten: viraler Faktor von Sitzung 1 + viraler Faktor von Sitzung 2 + …
  • Die einfache Formel Anzahl Einladungen × Conversion Rate unterstellt implizit, dass alle Viralität nur in der ersten Sitzung entsteht; tatsächlich haben Nutzer aber Dutzende oder Hunderte von Sitzungen und können jedes Mal ein wenig teilen oder einladen
  • Die realistischere Sichtweise ist daher, den viralen Faktor als über die gesamte Retention-Kurve aufsummierten Wert aller Sitzungen zu verstehen

Arbeitsteilung der Viralität zwischen Onboarding und späteren Sitzungen

• Erfahrungswerte zeigen, dass die Hälfte des gesamten viralen Faktors in der ersten Sitzung entsteht, die andere Hälfte in späteren Sitzungen
  • In der ersten Sitzung befinden sich Nutzer im „Setup“-Modus, etwa beim Einrichten des Workspace oder beim Einladen von Freunden und Kollegen; deshalb lässt sich die Einladungsfunktion dort natürlich prominent platzieren
  • Ab der zweiten Sitzung befinden sich Nutzer bereits in einem Modus, in dem sie Wertschöpfung erwarten; um sie dann in einen viralen Flow zu ziehen, muss die Funktion kontextuell nützlich sein
• In realen Produkten existieren mehrere Arten von Viral Loops nebeneinander, und jede arbeitet zu einem anderen Zeitpunkt und in einem anderen Kontext
  • Dropbox-Beispiel: Ordnerfreigabe, Einladungsfunktion, Referral-Programm und die Viral Loops anderer Dropbox-Apps tragen jeweils auf unterschiedliche Weise bei
  • Uber-Beispiel: Neben Referral-Credits in der App wirken auch das gemeinsame Fahren mit Freunden, das Teilen der ETA und andere IRL- oder funktionsbasierte Sichtbarkeiten als Loops, die neue Nutzer anziehen
• Die Performance der einzelnen Loops ist unterschiedlich, insgesamt entsteht aber eine Struktur, in der Nutzer über viele Sitzungen hinweg auf verschiedene Arten andere Menschen in das Produkt hineinziehen
• Je höher die Retention, desto mehr Gelegenheiten haben Nutzer, mit mehreren Loops in Kontakt zu kommen; das bildet die Grundlage dafür, den viralen Faktor langfristig auch ohne spamartige UI zu steigern

Zusammenhang zwischen Retention und spamartiger Viralität

• Produkte mit vielen Sitzungen und hoher Retention können schon mit wenig Teilen oder Einladen pro Sitzung einen hohen kumulierten viralen Faktor erreichen und sind daher weniger darauf angewiesen, mit spamartigen Zwangseinladungen zu arbeiten
  • Umgekehrt müssen Produkte mit niedriger Retention und im Schnitt nur 2–3 Sitzungen ihre gesamte Viralität in dieses kurze Fenster pressen und verlangen Einladungen deshalb stark, auffällig und fast schon spamartig
• Das frühe Facebook ist ein Beispiel dafür, wie man im Vergleich zu konkurrierenden sozialen Netzwerken nur eine unaufdringlich in der rechten Leiste platzierte E-Mail-Einladungsfunktion brauchte und dank hoher Retention trotzdem langfristige Viralität erzielte
  • Konkurrenznetzwerke, die dagegen auf spamartige Einladungen setzten, wurden wegen niedriger Retention und Nutzerermüdung am Ende von Facebook verdrängt
• Langfristig hat die Kombination aus hoher Retention + weniger spamartigen Loops sowohl bei der User Experience als auch beim Wachstum Vorteile

Der Wert eines viralen Faktors unter 1 und die „Geschwindigkeit“

• In der Praxis liegt der virale Faktor nur selten über 1; oft stabilisiert er sich eher im Bereich von 0,2 bis 0,3
• Trotzdem bedeutet v=0,2: Wenn man 1000 Personen über Paid- oder andere Kanäle hereinholt, gewinnt man 200 weitere kostenlos hinzu — der Rabatt-Effekt auf den CAC ist also durchaus relevant
• Bei Viralität ist auch das Konzept der Geschwindigkeit (Speed) wichtig
  • Social Apps mit hoher Nutzungsfrequenz erzeugen täglich viele Teilungen und Einladungen; bei gleichem viralen Faktor wachsen sie deshalb schneller
  • Tools wie Dateispeicher- oder Backup-Produkte, die eher im Hintergrund genutzt werden, haben dagegen vielleicht nur etwa einmal im Monat genutzte Empfehlungsfunktionen; dadurch kann die kumulierte Viralität zwar groß sein, das Wachstumstempo aber langsam
• Für Consumer- und Prosumer-Produkte, die langfristig auf Hunderte Millionen Nutzer zielen, ist eine Struktur unverzichtbar, in der „kostenlose bzw. kostengünstige Kanäle“ wie Viralität, SEO und Store-Optimierung jene Größenordnung auffüllen, die allein mit Paid Marketing nur schwer erreichbar wäre

Viral Loops im KI-Zeitalter und Top-of-Funnel-Spikes

• Zusammengefasst sind Shitposting, Ragebaiting, cinematische Launch-Videos, Billboards oder Influencer-Sponsoring eher Werkzeuge zur Erzeugung von Spikes im Top of Funnel als wiederholbare Loops
  • Für sich genommen schaffen sie jedoch keine Struktur, die das Verhältnis neuer Nutzer zu DAU langfristig anhebt, und sie sind weniger reproduzierbar und weniger defensibel als im Produkt selbst verankerte Viral Loops
• Viele generative KI-Tools der aktuellen Generation befinden sich in der Position, Nutzern aus solchen Spikes einen Loop zu bieten, bei dem sie „etwas erstellen → es teilen“, und so einmaliges Interesse teilweise in strukturelles Wachstum innerhalb des Produkts zu verwandeln
• KI-generierte Inhalte passen sehr gut zu Formaten, die auf modernen Social-Plattformen stark funktionieren, etwa Kurzvideos oder eingebettete Clips, weshalb die Verbreitungskraft von Content-Sharing-Loops derzeit besonders hoch ist
• Anders gesagt: Klassische Viralitätstheorie (kohortenbasierter viraler Faktor, Retention, Summierung mehrerer Loops, Channel-Mix) ist weiterhin gültig,
  und letztlich ist auch im KI-Zeitalter die Kombination aus verschiedenen Top-of-Funnel-Spikes + strukturierten Viral Loops innerhalb des Produkts + hoher Retention die zentrale Grundlage für nachhaltiges Wachstum

[laeyoung]

Das erinnert mich an einen Artikel, der vor einem Monat in der New York Times unter dem Titel "Is Going Viral Dead (Ist Viralität tot?)" erschienen ist, deshalb lasse ich den Link hier.

[laeyoung]

Kurz gesagt ging es in dem Artikel darum, dass durch personalisierte Algorithmen das, was früher viral ging und dazu führte, dass alle dieselben Inhalte sahen, in den letzten zehn Jahren weitgehend verschwunden ist.