Wie aus scheinbar wertlosen Rückmeldungen konkrete Nutzerinsights werden
Die meisten Produktteams sammeln täglich wertvolle Nutzerdaten – doch nur wenige nutzen ihr Potenzial. Interviews, Feedback und Transkripte liegen oft ungenutzt in Ordnern, während Teams nach sinnvollen Handlungsempfehlungen suchen. Die Lösung liegt in der thematischen Analyse qualitativer Daten. Dieser Ansatz verwandelt unstrukturierte Aussagen in klare Muster, die Produktentwickler direkt nutzen können. Besonders bei der Identifikation von Schmerzpunkten entlang der Nutzerreise zeigt sich der Mehrwert dieser Methode.
Vom Rohmaterial zur strukturierten Analyse: Der Aufbau der Nutzerforschung
Bevor Daten analysiert werden können, müssen sie systematisch erhoben werden. Ein bewährter Ansatz ist die Unterteilung der Nutzer in Phasengruppen. Diese Einteilung erfolgt nicht willkürlich, sondern orientiert sich an den unterschiedlichen Stadien der Nutzerreise. Gruppe eins umfasst Nutzer, die den Prozess bereits abgeschlossen haben. Gruppe zwei besteht aus Nutzern, die sich gerade in der Durchführung befinden. Gruppe drei setzt sich aus Nutzern zusammen, die den Prozess noch nicht gestartet haben. Diese Differenzierung ist entscheidend, da sich Blockaden und Hindernisse je nach Phase stark unterscheiden können.
Die Interviewplanung folgt einem klaren Schema:
- Erstellung eines detaillierten Forschungsplans mit vordefinierten Fragen
- Abstimmung des Plans mit dem Forschungsteam zur Qualitätssicherung
- Festlegung von Interviewterminen und Vorbereitung der technischen Infrastruktur
Als technische Grundlage dienen Tools wie Otter.ai, Fireflies oder die integrierten Transkriptionsfunktionen von Google Meet und Zoom. Wichtig ist eine vorherige Einwilligung der Nutzer zur Aufnahme und Transkription der Gespräche. Nur so lassen sich später alle Aussagen lückenlos auswerten.
Interviews durchführen: Die Kunst des aktiven Zuhörens
Die eigentliche Datenerfassung erfolgt während der Interviews. Hier kommt es weniger auf die vorbereiteten Fragen an als auf die Fähigkeit, auf unerwartete Aussagen zu reagieren. Ein Nutzer könnte etwa eine scheinbar unwichtige Randbemerkung machen, die später einen entscheidenden Hinweis auf ein ungelöstes Problem liefert. Solche Momente erfordern Follow-up-Fragen, um die wahren Schmerzpunkte zu identifizieren.
Ein Beispiel aus der Praxis: Ein Nutzer äußert sich positiv über die schnelle Lieferung, während ein anderer die gleiche Funktion als unzuverlässig beschreibt. Beide Aussagen sind valide – sie reflektieren jedoch unterschiedliche Phasen der Nutzerreise. Diese Nuancen gehen verloren, wenn alle Aussagen in einen Topf geworfen werden. Erst die thematische Analyse deckt solche Unterschiede systematisch auf.
Die Herausforderung der Auswertung: Vom Chaos zur Klarheit
Nach Abschluss der Interviews beginnt die eigentliche Arbeit. Statt 20 Transkripten zu lesen, jedes einzelne zu analysieren und widersprüchliche Aussagen zu sortieren, braucht es eine strukturierte Methode. Die thematische Analyse bietet hier einen systematischen Rahmen. Sie teilt sich in zwei Hauptphasen:
1. Kodierung: Muster in Aussagen identifizieren
Jede Aussage wird mit einem prägnanten Code versehen, der das Kernanliegen des Nutzers zusammenfasst. Beispiele für Codes:
Aktivierungsaufwand(z. B. „Es dauerte fünf Minuten, bis ich fertig war“)Liefergeschwindigkeit(z. B. „Die Lieferung kam schnell an“)Verständlichkeit(z. B. „Die Anleitung war leicht zu befolgen“)
Diese Codes entstehen nicht willkürlich, sondern folgen klaren Regeln. Jeder Code muss die Kernaussage des Nutzers widerspiegeln und darf nicht interpretativ sein. Durch die Wiederholung bestimmter Codes über mehrere Transkripte hinweg zeigen sich erste Muster.
2. Themenbildung: Codes zu übergeordneten Kategorien zusammenfassen
Ähnliche Codes werden zu Themen gruppiert, die ein umfassenderes Nutzerproblem beschreiben. Aus den Codes Aktivierungsaufwand, Verständlichkeit und Dokumentationsbereitschaft lässt sich beispielsweise das Thema Aktivierungsbarrieren ableiten. Subthemen ermöglichen es, die feinen Unterschiede innerhalb eines Themas zu bewahren. So könnte sich zeigen, dass technische Hürden bei Neunutzern andere Ursachen haben als bei erfahrenen Nutzern.
Nach Abschluss der Analyse entstehen 8 bis 10 zentrale Themen, die sich über alle Nutzerphasen erstrecken. Die Stärke dieser Methode liegt darin, universelle Probleme von phasenspezifischen Herausforderungen zu unterscheiden.
Künstliche Intelligenz als Beschleuniger – aber kein Ersatz
Die manuelle Kodierung von 20 Transkripten kann mehrere Tage in Anspruch nehmen. Hier kommt der Einsatz von KI-Tools ins Spiel. Tools wie ChatGPT, Claude oder spezialisierte Plattformen wie Dovetail können die initiale Kodierung übernehmen. Sie identifizieren wiederkehrende Formulierungen, markieren Stimmungslagen und schlagen Codes vor.
Wichtig ist jedoch, die Ergebnisse kritisch zu hinterfragen. KI liefert eine solide Ausgangsbasis, doch die Interpretation der Muster bleibt Aufgabe des Forschungsteams. Nur durch menschliche Expertise lassen sich die wahren Ursachen hinter den Daten erkennen und in konkrete Produktverbesserungen übersetzen.
Fazit: Von der Analyse zur Umsetzung
Thematische Analyse verwandelt unübersichtliche Nutzerdaten in handlungsrelevante Erkenntnisse. Sie deckt nicht nur Schmerzpunkte auf, sondern zeigt auch, wie diese im Kontext der gesamten Nutzerreise einzuordnen sind. Der Einsatz von KI beschleunigt den Prozess, ersetzt aber nicht die menschliche Interpretation. Produktteams, die diesen Ansatz systematisch anwenden, profitieren von fundierteren Entscheidungen und einer stärkeren Nutzerorientierung. Die nächste Herausforderung liegt nun darin, die identifizierten Themen priorisiert anzugehen – und so die Nutzererfahrung kontinuierlich zu verbessern.
KI-Zusammenfassung
Kullanıcı görüşmeleriyle elde edilen karmaşık verileri tematik analizle nasıl anlamlı içgörülere dönüştürebilirsiniz? Adım adım yöntem ve yapay zekanın rolü.
