3. November 2026Aktualisiert am Fathy Shalaby13 Min. Lesezeit
Kundeninterviews auswerten: eine Synthese-Vorlage
Mach aus Interviewnotizen Produktevidenz: eine Methode in sechs Schritten, eine kopierbare Synthese-Vorlage, ein Raster für das Vertrauensniveau und was die Forschung zu Stichprobengröße und KI sagt.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Um Kundeninterviews auszuwerten, hältst du binnen eines Tages nach dem Gespräch fest, was jede Person tatsächlich getan und gesagt hat, trennst diese Beobachtungen von deiner Interpretation, gruppierst sie über Interviews hinweg nach der Situation, in der die Leute steckten, und formulierst Erkenntnisse, die auf ihre Evidenz und auf eine konkrete Produktentscheidung zurückverweisen. Alles andere, von Haftnotizen bis zum KI-Tagging, ist nur ein Weg, diese vier Dinge schneller zu tun.
Aus einem Kundeninterview können ein Transkript, eine Seite Notizen und ein Dutzend Ideen entstehen. Das ist noch keine Produkterkenntnis. Dieser Leitfaden gibt kleinen Produktteams, Product Engineers und KI-Buildern eine wiederholbare Methode, eine kopierbare Vorlage für die Synthese von Kundeninterviews und die Forschung hinter den Faustregeln.
Das Wichtigste in Kürze
Plane die Zeit ein. GOV.UK empfiehlt etwa 1 Stunde Analyse für je 2 Stunden Forschung (GOV.UK); die Nielsen Norman Group sagt, plane für die Analyse mindestens so viel Zeit ein wie für die Erhebung (NN/g, 2022).
Werte zuerst jedes Interview für sich aus und such dann nach Mustern. Teresa Torres beginnt die interviewübergreifende Synthese nach drei bis vier Interviews (Product Talk).
Themen stabilisieren sich früher, als man erwartet: In der Studie von Guest und Kolleg:innen mit 60 Interviews waren 34 von 36 häufigen Codes bis Interview 6 aufgetaucht (NN/g, 2021).
Interviews zeigen dir, was passiert und warum, nicht wie oft. Für die Häufigkeit nimmst du Analytics oder eine Umfrage.
KI beschleunigt den ersten Durchgang, muss aber geprüft werden: In einer Studie stimmte sie mit menschlichen Codierer:innen nur bei 36–47 % der Codes auf Einzelebene überein (Prescott et al., 2024).
Was ist der Unterschied zwischen Interviewanalyse und Synthese?
Die beiden Wörter werden oft austauschbar benutzt, sind aber getrennte Aufgaben:
Interviewanalyse: Was ist in diesem einen Gespräch passiert, und was bleibt unklar?
Synthese: Welche Muster und bedeutsamen Unterschiede zeigen sich über Gespräche hinweg, und was bedeuten sie für eine Entscheidung?
Die Analyse passiert pro Interview, so schnell wie möglich; Teams, die Continuous Discovery betreiben, machen sie jede Woche. Die Synthese passiert über eine Reihe von Interviews zur selben Entscheidung. Beides zu vermischen ist der häufigste Grund, warum eine Synthese schiefgeht: Teams springen von einem einprägsamen Gespräch zu einem Muster. Ein Customer-Discovery-Workflow für Product Engineers hilft dir, die Gespräche vorzubereiten, und der Leitfaden zu Kundeninterview-Fragen behandelt, was du fragen solltest. Die folgenden Schritte beginnen, wenn das Gespräch endet.
Sie lassen sich gut kombinieren. Ein typisches Setup für kleine Teams: ein Snapshot pro Interview, Evidenzzeilen für alles Entscheidungsrelevante und eine Affinity-Session, sobald eine Interviewrunde abgeschlossen ist.
So wertest du Kundeninterviews aus, Schritt für Schritt
1. Benenne die Entscheidung, bevor du die Notizen sortierst
Schreib die Produktentscheidung auf, die du verbessern willst, und die Unsicherheit dahinter. Zum Beispiel:
Entscheidung: Sollen wir einen automatisierten Wiederherstellungs-Flow für fehlgeschlagene Importe bauen?
Unbekannt: Verlieren Leute regelmäßig Zeit mit der Wiederherstellung fehlgeschlagener Importe, oder ist das nur ein gelegentlicher Ärger?
Evidenz, die helfen würde: Ein aktuelles Beispiel, die Schritte, die sie unternommen haben, wie oft es vorkommt und was sie taten, als der Import fehlschlug.
So wird die Analyse nicht zur Jagd nach interessanten Zitaten. Die Frage darf sich beim Lernen ändern, aber halte die Änderung fest, damit das Team weiß, welche Entscheidung jede Erkenntnis stützt. Der Leitfaden zum Product-Discovery-Prozess zeigt, woher diese Entscheidung kommt.
2. Halte Beobachtungen fest, bevor du Bedeutung hinzufügst
Notiere kurz nach jedem Gespräch konkrete Momente, solange der Kontext frisch ist. Der GOV.UK-Leitfaden zur Analyse einer Research-Session verlangt von Teams, jede Beobachtung – ein Zitat oder ein Verhalten – auf eine eigene Notiz zu schreiben, bevor man darüber spricht, was sie bedeutet, und Erkenntnisse und Maßnahmen auf Notizen unterschiedlicher Farben festzuhalten (GOV.UK).
Halte vier Dinge getrennt:
Beobachtung: Die Teilnehmerin öffnete eine Tabelle, entfernte zwei Spalten und versuchte den Upload erneut.
Worte der Teilnehmerin: Ein kurzes, exaktes Zitat mit Zeitstempel im Transkript.
Interpretation: Der Importprozess erklärt möglicherweise nicht, welche Spalten erforderlich sind.
Idee: Eine Vorschau zeigen und die Nutzer:innen vor dem Upload die Spalten zuordnen lassen.
Die letzten beiden sind nützlich, aber keine Evidenz. Halte neben jedem Zitat und jeder Handlung eine Quellenangabe fest, damit Kolleg:innen es prüfen können.
3. Fülle die Synthese-Vorlage aus, eine Zeile pro Moment
Leg pro nützlichem Moment eine Evidenzzeile an, nicht pro breitem Thema. Ein einzelnes Interview kann mehrere Situationen enthalten.
Feld
Was du festhältst
Quelle
Interview-ID, Datum und ein Link oder Zeitstempel
Situation
Was die Person erreichen wollte und was den Anlass dazu gab
Evidenz
Die konkrete Handlung oder das kurze Zitat, möglichst nah am Original
Workaround
Was sie heute tut, einschließlich anderer Tools oder Personen
Konsequenz
Zeit, Risiko, Verzögerung, verlorene Arbeit oder eine andere konkrete Auswirkung
Interpretation
Ein mögliches Bedürfnis oder eine Erklärung, als Hypothese gekennzeichnet
Unbekannt
Was dieses Interview nicht geklärt hat
Nächster Schritt
Eine Entscheidung, Folgefrage oder ein Test, der die Unsicherheit verringern könnte
Nutze auf einem gemeinsamen Board einen Teilnehmercode statt persönlicher Angaben. Nimm nur Aufnahmen, Zitate oder identifizierende Informationen auf, die deine Einwilligung zur Forschung weiterzugeben erlaubt. Eine einheitliche Vorlage für Kundeninterviews macht Zeilen verschiedener Interviewer:innen vergleichbar.
Fiktives Beispiel
Angenommen, ein Teilnehmer beschreibt, wie er eine CSV-Datei bereinigt, bevor er sie hochlädt. Die Beobachtung: Er entfernte zwei Spalten und versuchte es erneut. Die Konsequenz: Der erste Upload scheiterte und er wiederholte die Aufgabe. „Nutzer brauchen einen KI-gestützten Import-Assistenten“ ist eine Interpretation und eine Lösungsidee, keine Erkenntnis.
Der nächste Schritt könnte sein, eine weitere Person bei derselben Aufgabe zu beobachten und zu prüfen, ob das Scheitern an unklaren Anforderungen, uneinheitlichen Dateien oder etwas anderem liegt. Dieses Beispiel ist erfunden; es ist kein Kundenergebnis von Specky.
4. Vergleiche Muster, ohne Unterschiede einzuebnen
Gruppiere die Zeilen nach einer Interviewrunde um eine Nutzersituation, etwa „einen fehlgeschlagenen Import wiederherstellen“ oder „die richtigen Daten vor einem Review finden“. Das ist Affinity Mapping: Die Nielsen Norman Group empfiehlt, Notizen zuerst unabhängig voneinander zu schreiben, etwa 5 bis 10 Minuten lang, um Verzerrungen zu vermeiden, sie dann zu Clustern zu ordnen und die Cluster zu priorisieren, zum Beispiel per Punktevergabe (NN/g, 2024).
Vermeide es, nach Lösungswörtern wie „Dashboard“ oder „KI“ zu gruppieren; verschiedene Leute benutzen dasselbe Wort für unterschiedliche Probleme. In der Sprache der thematischen Analyse beginnst du mit deskriptiven Codes (worum es in den Daten geht), bevor du interpretative vergibst (was du glaubst, dass es bedeutet) (NN/g, 2022).
Halte für jedes mögliche Thema fest:
Das Thema in einem Satz.
Welche Interview-IDs es stützen, mit Quellenangaben.
Welche Interviews nicht passen oder einen anderen Ablauf zeigen.
Für welches Segment oder welchen Kontext das Thema gilt.
Was du noch lernen musst.
Mach aus „drei Leute haben es erwähnt“ nicht „die meisten Kund:innen haben dieses Problem“. Interviewstichproben werden zum Lernen gewählt, nicht zur Schätzung der Verbreitung.
5. Schreib Erkenntnisse, die eine Entscheidung verändern können
Eine nützliche Erkenntnis verbindet eine Situation mit Evidenz und erklärt, warum sie wichtig ist. Halte sie so eng, dass das Team ihr widersprechen kann:
Wenn [bestimmte Nutzer:in oder bestimmter Kontext] versucht, [Aufgabe], [beobachtetes Verhalten oder Workaround], was zu [belegter Konsequenz] führt. Wir wissen noch nicht, [wichtige Unsicherheit].
Die GOV.UK-Hinweise zum Teilen von Erkenntnissen empfehlen eine Überschrift, die sagt, was du gelernt hast, ein bis zwei Sätze Fakten und ein bis zwei Sätze dazu, warum es wichtig ist, mit 5 bis 10 Erkenntnissen pro Runde (GOV.UK). Eine kurze Erkenntnis mit Links zu ihrer Quelle schlägt ein langes Deck, das niemand nachverfolgen kann.
Füge ein Vertrauensniveau hinzu, nach dem Raster unten.
6. Mach aus Erkenntnissen einen nächsten Schritt, keinen Backlog-Dump
Wähle für jede Erkenntnis eine Aktion:
Discovery fortsetzen, wenn die Situation oder Ursache noch unklar ist.
Einen Prototyp testen, wenn die Unsicherheit Usability oder Workflow betrifft.
Eine weitere Quelle prüfen, wenn die Entscheidung von Häufigkeit oder Geschäftsauswirkung abhängt.
Eine Anforderung schreiben, wenn Problem und gewünschtes Verhalten verstanden sind.
Noch nichts tun, wenn die Evidenz keine aktuelle Entscheidung verändert.
Verknüpfe jede Anforderung mit ihrer Erkenntnis und ihren Quellen, damit Builder sehen, warum die Änderung existiert und welche Annahmen offen bleiben. Der Weg von der Erkenntnis zum Ticket wird in So stoppst du den Insight Decay behandelt. Um aus geprüfter Evidenz eine Spec zu entwerfen, ist der kostenlose KI-PRD-Generator von Specky ein möglicher Ausgangspunkt; prüfe jede Anforderung anhand der ursprünglichen Evidenz.
Wie bewertest du das Vertrauensniveau einer Interview-Erkenntnis?
„Hohes Vertrauen“ sollte bedeuten, dass die Evidenz für den genannten Kontext direkt und konsistent ist, nicht dass die Erkenntnis universell wahr wäre. Ein einfaches Raster:
Vertrauen
Evidenzmuster
Typischer nächster Schritt
Hoch
Beobachtetes Verhalten (keine Meinung) von 3+ unabhängigen Personen im selben Segment, keine ungeklärten Widersprüche
Eine Anforderung schreiben oder eine Lösung testen
Mittel
Konsistente Geschichten von 2–3 Personen oder Verhalten von 1 Person plus stützende Tickets oder Analytics
Gezieltes Follow-up oder Prototyp-Test
Niedrig
Eine eindrückliche Geschichte oder Meinungen darüber, was Leute tun würden
Als Signal behalten; nicht darauf aufbauen
Umstritten
Glaubwürdige Evidenz, die in unterschiedliche Richtungen weist
Nach einem Segment oder einer Bedingung suchen, die die Spaltung erklärt
Diese Schwellen sind ein Ausgangspunkt, kein Benchmark. Lege deine eigenen fest, bevor du die Evidenz ansiehst.
Wie viele Kundeninterviews musst du auswerten?
Es gibt keine einzelne Zahl, aber die Forschung liefert brauchbare Spannen. Die Nielsen Norman Group empfiehlt, mit etwa 5 bis 6 Teilnehmenden zu beginnen und nur weitere zu rekrutieren, solange du noch Neues lernst (NN/g, 2021). Derselbe Artikel fasst zwei klassische Studien zusammen:
Guest, Bunce und Johnson (2006) analysierten 60 Interviews in Sets zu je 6. Von 36 häufigen Codes waren 34 innerhalb der ersten 6 Interviews aufgetaucht und 35 innerhalb von 12.
Griffin und Hauser (1993) schätzten, dass 20 bis 30 Interviews 90 bis 95 % der Kundenbedürfnisse für eine Produktkategorie aufdecken.
Eine systematische Übersichtsarbeit von 2022 mit 23 Studien fand Sättigung innerhalb von 9 bis 17 Interviews, vor allem bei relativ homogenen Gruppen mit eng gefassten Fragen (Hennink & Kaiser, 2022). Wenn deine Nutzer:innen mehrere Segmente umfassen, plane mehr ein und werte jedes Segment getrennt aus, bevor du sie zusammenführst.
Kann KI bei der Auswertung von Kundeninterviews helfen?
Ja, als erster Durchgang, den ein Mensch prüft. Zwei peer-reviewte Vergleiche zeigen das Muster:
Prescott et al. (2024): ChatGPT und Bard reproduzierten 71 % (5 von 7) der Themen, die menschliche Codierer:innen induktiv fanden, und brauchten etwa 20 Minuten statt 567. Die Übereinstimmung bei der Codierung einzelner Items lag aber bei 36–47 %, und die Autoren empfehlen hybride Ansätze (JMIR AI).
Sakaguchi et al. (2025): Bei 30 japanischen klinischen Interviews stimmte ChatGPT-4 bei mehr als 80 % der deskriptiven Themen mit menschlichen Forschenden überein, aber nur bei etwa 30 % der Themen, die kulturelle oder emotionale Interpretation erfordern (JMIR).
Beide Studien stammen aus der Gesundheitsforschung, nicht aus der Product Discovery; nimm die Zahlen also als Warnung, nicht als Prognose. Die praktische Regel: Gib der KI eine begrenzte Aufgabe. Lass sie Beobachtungen extrahieren, Zitate wörtlich mit Zeitstempeln übernehmen, widersprüchliche Evidenz auflisten und Interpretationen getrennt kennzeichnen, und prüfe ihr Ergebnis dann am Transkript. Füge keine vertraulichen oder personenbezogenen Daten in ein Tool ein, es sei denn, deine Einwilligung, dein Vertrag und deine Datenschutzregeln erlauben es. Prompts und eine Prüftabelle findest du unter KI-gestützte Synthese von Kundenforschung.
Kopierbare Vorlage zur Synthese von Kundeninterviews
Füg das in ein Dokument ein und mach pro Forschungsrunde eine Kopie:
Entscheidung, die wir treffen müssen:
Frage, die wir beantworten wollen:
Teilnehmende und Rekrutierungskontext:
Vertretene Segmente (und Anzahl pro Segment):
Evidenzzeile (pro Moment wiederholen)
- Interview-ID / Quellenlink / Zeitstempel:
- Nutzersituation und Auslöser:
- Was die Person getan oder gesagt hat:
- Aktueller Workaround:
- Konsequenz:
- Beobachtung, Interpretation oder Idee:
- Was uns das nicht sagt:
Mögliches Thema (pro Thema wiederholen)
- Erkenntnis (Wenn... dann... was zu... führt. Wir wissen noch nicht...):
- Stützende Interview-IDs und Quellenangaben:
- Widersprechende oder abweichende Fälle:
- Segment oder Kontext, in dem es gilt:
- Vertrauen (hoch / mittel / niedrig / umstritten) und Begründung:
- Offene Frage:
- Nächster Schritt (fortsetzen / Prototyp / Quelle prüfen / Anforderung / noch nichts):
Häufige Fehler bei der Auswertung von Interviews
Warten, bis alle Interviews abgeschlossen sind. Details verblassen innerhalb weniger Tage. Werte zuerst jedes Gespräch aus und synthetisiere dann.
Erwähnungen zählen statt Personen. Eine Kundin, die eine Beschwerde wiederholt, ist ein Datenpunkt.
Nach Feature-Wünschen gruppieren. Gruppiere nach Situation und Job; Wünsche sind Interpretationen.
Widersprüche wegmitteln. Eine Spaltung offenbart oft ein Segment, das dein erstes Thema verdeckt hat.
Die Entscheidung überspringen. Eine Synthese ohne benannte Entscheidung liefert interessante Decks und keine Veränderung.
Häufig gestellte Fragen
Wie viele Kundeninterviews sollte ich gemeinsam auswerten?
Werte jedes Gespräch aus, solange es frisch ist, und vergleiche dann Interviews, die dieselbe Entscheidung und denselben Nutzerkontext betreffen. Such nach drei bis vier Interviews nach Mustern, wie Torres es vorschlägt, und rechne damit, dass die Hauptthemen für ein einigermaßen einheitliches Segment innerhalb von etwa 6 bis 17 Interviews auftauchen. Keine Zahl macht qualitative Interviews statistisch repräsentativ; für die Verbreitung brauchst du andere Methoden.
Was tue ich, wenn sich Interviewte widersprechen?
Behalte beide Fälle. Prüfe, ob sich die Personen in Rolle, Erfahrung, Auslöser, Rahmenbedingungen oder Workarounds unterscheiden. Ein Widerspruch kann ein Segment oder eine Bedingung offenlegen, die dein erstes Thema verdeckt hat. Markiere das Thema als umstritten, halte fest, was die Spaltung erklären würde, und plane ein Follow-up-Interview oder einen Test, der genau darauf zielt, statt den Unterschied wegzumitteln.
Ist Interview-Synthese dasselbe wie ein JTBD-Interview?
Nein. Ein Jobs-to-be-Done-Interview ist eine Art, ein Gespräch zu führen: Es rekonstruiert die Umstände und den Fortschritt hinter einer Entscheidung. Synthese ist die Arbeit, Evidenz aus einer oder mehreren Sessions zu ordnen und zu interpretieren, egal in welchem Interviewstil. Du kannst und solltest JTBD-Interviews oft mit denselben Evidenzzeilen und demselben Vertrauensraster synthetisieren.
Wie lange dauert die Auswertung eines Kundeninterviews?
Rechne für die Analyse eines einzelnen Interviews grob mit der halben Interviewlänge zusätzlich, in Einklang mit der GOV.UK-Faustregel von 1 Stunde Analyse pro 2 Stunden Forschung. Torres' Interview-Snapshot dauert 15 bis 25 Minuten nach einem Interview von 20 bis 30 Minuten. Eine vollständige thematische Codierung von Transkripten dauert deutlich länger und eignet sich eher für größere Studien als für einen wöchentlichen Rhythmus.
Was ist das beste Tool für die Interview-Synthese?
Das beste Tool ist das, das jede Erkenntnis mit ihrer Quelle verknüpft hält. Eine Tabelle mit den Spalten der Evidenzzeilen oben reicht für die meisten kleinen Teams. Whiteboards eignen sich für Affinity-Sessions, und Research-Repositories helfen, wenn mehrere Personen Interviews führen. Was auch immer du nutzt: Jede Erkenntnis braucht einen funktionierenden Link zurück zum Moment im Transkript, der sie stützt.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing