17. Mai 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
Priorisierungs-Frameworks im Produktmanagement: Warum die Tabelle dich im Stich lässt
RICE, ICE und MoSCoW sind Kommunikationswerkzeuge, keine Entscheidungsmaschinen. Sechs Frameworks im Vergleich, wie kleine Änderungen an den Eingaben ein Ranking kippen und wie du sie kombinierst, ohne dich hinter einer Zahl zu verstecken.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Priorisierungs-Frameworks im Produktmanagement wie RICE, ICE, MoSCoW, Kano und WSJF sind strukturierte Methoden, um Vorhaben nach Wert, Aufwand und Sicherheit zu vergleichen. Sie sind Kommunikationswerkzeuge, keine Entscheidungsmaschinen. Ein Score hält fest, was das Team über Reichweite, Wirkung und Aufwand annimmt, damit sich diese Annahmen hinterfragen lassen. Nutze ein Framework, um Arbeit innerhalb einer bereits gewählten Strategie zu ordnen – niemals, um diese Strategie zu ersetzen.
Wichtigste Erkenntnisse
Priorisierung gehört zu den schwersten Teilen des Jobs. In der Umfrage von Craft.io unter 500 Produktprofis aus dem Jahr 2023 lagen Priorisierung und Kapazitätsplanung mit je 41 % gleichauf als größte Herausforderung (Craft.io, 2023).
Das Framework löst die Politik selten. Von denen, die Priorisierung als größte Herausforderung nannten, machten 35 % Uneinigkeit über die Methode verantwortlich, und 30 % sagten, Entscheidungen richteten sich nach der bestbezahlten oder lautesten Person im Raum (gleiche Quelle).
Wirkungsschätzungen sind meist zu optimistisch. Bei Microsoft verbesserte nur ein Drittel der getesteten Ideen die Kennzahl, auf die sie ausgelegt waren (Kohavi et al., 2012).
Der Autor von RICE selbst sagt, es „sollte nicht als feste Regel verwendet werden“ (Intercom, 2018).
Zwei Scores, die höchstens etwa 20 % auseinanderliegen, sind ein Gleichstand. Sieh die Lücke als Anlass zur Diskussion, nicht als Urteil.
Was sind Priorisierungs-Frameworks im Produktmanagement?
Ein Priorisierungs-Framework macht aus einem Haufen möglicher Vorhaben eine geordnete Liste, indem es zu jedem Eintrag dieselben Fragen stellt. Die Fragen unterscheiden sich je nach Framework, und damit auch die Verzerrungen, die jedes davon mitbringt.
Das sind die sechs, denen du am häufigsten begegnest:
RICE fragt, wie viele Menschen eine Änderung in einem bestimmten Zeitraum erreicht, wie stark sie jeden Einzelnen bewegt (3 = massiv, 2 = hoch, 1 = mittel, 0,5 = gering, 0,25 = minimal), wie sicher du dir bist (100 % hoch, 80 % mittel, 50 % niedrig) und wie viele Personenmonate sie kostet. Multipliziere die ersten drei Werte und teile durch den Aufwand. Im Intercom-Artikel gilt alles unter 50 % Confidence als „totaler Mondschuss“ (Intercom, 2018). Der Leitfaden zum RICE-Priorisierungs-Framework geht auf jede Eingabe im Detail ein, und KI mit dem RICE-Framework nutzen zeigt, wie du die Eingaben mit Belegen untermauerst.
MoSCoW sortiert den Umfang in Must, Should, Could und Won't-have-this-time. Das Agile Business Consortium definiert Must als „Minimum Usable SubseT“ und empfiehlt, in der Regel höchstens 60 % des Aufwands auf Musts zu verwenden und rund 20 % als Could-have-Puffer zu halten (Agile Business Consortium). Es beantwortet „Was muss bis zum Stichtag fertig sein?“, nicht „Was schafft den meisten Wert?“.
ICE bewertet Impact, Confidence und Ease, meist auf Skalen von 1–10, und multipliziert die Werte. Itamar Gilad schreibt es Sean Ellis zu und ergänzt einen Confidence Meter, damit die Sicherheit von Belegen abhängt: Meinungen und Anekdoten erhalten fast null bis wenig Punkte (Itamar Gilad). Diese Korrektur ist wichtig, denn eine Confidence-Schätzung von 1–10 ist die schwächste Eingabe der Formel.
Warum scheitern Priorisierungs-Frameworks?
Frameworks scheitern aus demselben Grund, aus dem Tabellen beeindrucken: Sie machen aus Vermutungen Zahlen mit Nachkommastellen. Vier Fehlerbilder tauchen immer wieder auf.
1. Scheingenauigkeit
Ein Score von 12,4 ist nicht wirklich besser als 12,2. Jede Eingabe ist eine Schätzung, und das Multiplizieren von Schätzungen verstärkt ihren Fehler. Kohavi und seine Kollegen fanden heraus, dass bei Microsoft nur ein Drittel der getesteten Ideen die Kennzahl verbesserte, die sie bewegen sollten (Kohavi et al., 2012). Wenn zwei Drittel der Impact-Schätzungen danebenliegen, ist die zweite Nachkommastelle Rauschen.
2. Schlechte Eingaben
Impact ist meistens ein Bauchgefühl. Der Aufwand ist oft ein Best-Case, der unter Druck genannt wird. Die Reichweite lässt sich leicht aufblasen, wenn man jeden Account zählt statt nur die, die den Workflow tatsächlich nutzen. Die Formel kann eine schlechte Eingabe nicht reparieren. Sie versteckt sie nur.
3. Die lauteste Stimme gewinnt trotzdem
Die Craft.io-Umfrage 2023 ergab, dass 30 % derjenigen, die mit der Priorisierung am meisten kämpfen, sagen, Entscheidungen richteten sich nach der bestbezahlten oder lautesten Person, und 35 % sagen, ihnen fehlten die richtigen Daten für die Entscheidung (Craft.io, 2023). Ein Framework, dem niemand aus der Führung traut, wird zum Theater: Das Team bewertet, die Führungskraft überstimmt, und die Scores werden still angepasst.
4. Keine Strategie über den Scores
Ein Framework vergleicht Einträge miteinander. Es weiß nicht, welches Ergebnis das Unternehmen in diesem Quartal anstrebt. Pendos Analyse von 615 Produktabonnements ergab, dass 80 % der Features selten oder nie genutzt wurden, während 12 % 80 % der täglichen Nutzung ausmachten (Pendo, 2019). Mehr Features genauer zu bewerten behebt nicht, dass die falschen gebaut werden.
Rechenbeispiel: Wie zwei kleine Änderungen ein RICE-Ranking kippen
Dieses Beispiel ist illustrativ. Angenommen, ein B2B-Team mit sechs Personen entscheidet zwischen zwei Vorhaben für das nächste Quartal.
Vorhaben
Reach (Kunden/Quartal)
Impact
Confidence
Effort (Personenmonate)
RICE-Score
A: CSV-Massenimport
400
1
80 %
2
160
B: Slack-Benachrichtigungen
1.000
0,5
50 %
1,5
167
B gewinnt mit 7 Punkten Vorsprung, etwa 4 %. Ändere nun bei jedem eine Eingabe:
Ein Entwickler schätzt A neu auf 1,5 statt 2 Personenmonate. A wird zu 400 × 1 × 0,8 ÷ 1,5 = 213.
Kundengespräche deuten darauf hin, dass Benachrichtigungen eher ein Nice-to-have sind, also sinkt Bs Impact von 0,5 auf 0,25. B wird zu 1.000 × 0,25 × 0,5 ÷ 1,5 = 83.
Eine neue Schätzung und ein Gespräch haben A vom zweiten Platz auf einen Vorsprung von mehr als dem 2,5-Fachen gebracht. Keine der beiden Änderungen ist ungewöhnlich. Deshalb ist das nützliche Ergebnis einer Scoring-Runde die Liste der Eingaben, bei denen sich die Leute uneinig waren, nicht das Ranking.
Eine praktische Regel: Wenn zwei Einträge höchstens etwa 20 % auseinanderliegen, behandle sie als Gleichstand und entscheide nach Strategiepassung, Abhängigkeiten oder danach, wie du die Sicherheit am günstigsten erhöhst. Das ist eine Faustregel, kein Forschungsergebnis. Probiere deine eigenen Zahlen im kostenlosen RICE-Rechner aus.
Welches Priorisierungs-Framework solltest du verwenden?
Wähle das Framework, das zur anstehenden Entscheidung und zu deinen Daten passt. Quantitatives Scoring lohnt sich nur, wenn du Reach und Impact an echten Nutzungsdaten prüfen kannst.
Deine Situation
Verwende
Warum
Fixer Launch-Termin, Streit mit Stakeholdern über den Umfang
MoSCoW
Klärt, was ausgeliefert werden muss; hält Musts bei höchstens 60 % des Aufwands
Reifes Produkt mit Analytics- und Support-Daten
RICE
Reach und Impact lassen sich an Telemetrie prüfen
Growth-Team mit vielen kleinen Experimenten
ICE mit Confidence Meter
Schnell, und belegbasierte Confidence bremst den Optimismus
Vorhaben mit Fristen, Strafen oder sinkendem Wert
WSJF / Cost of Delay
Bringt die Zeitkritikalität in den Score
Entscheiden, was Pflicht und was Begeisterung ist
Kano
Trennt Basismerkmale von Begeisterungsmerkmalen
Vor dem Product-Market-Fit, eine Handvoll aktiver Kunden
Keines davon
Zu wenig Daten; priorisiere die riskanteste Annahme, die du testen kannst
Quantitativ vs. qualitativ: der Reifetest
Nutze quantitative Frameworks (RICE, ICE, WSJF), wenn du „Wie viele Nutzer berühren diesen Workflow pro Monat?“ aus Daten beantworten kannst, nicht aus dem Gedächtnis. Nutze qualitatives Sortieren (MoSCoW, Kano, ein einfaches Ranking der Probleme), wenn du in der Discovery bist, wenn der Termin fix ist oder wenn die Abstimmung das eigentliche Problem ist. Teams in der Frühphase profitieren meist mehr davon, Probleme nach Belegen zu ordnen; siehe Feature-Wünsche in einem kleinen Team priorisieren.
Wie priorisierst du nach Ergebnissen statt nach Features?
Ergebnisorientierte Priorisierung dreht die Reihenfolge der Fragen um. Statt „Welchen Score hat dieses Feature?“ fragst du „Welche Vorhaben bewegen das Ergebnis, das wir für dieses Quartal gewählt haben?“ und bewertest nur diese.
Wähle ein oder zwei Ergebnisse für den Zeitraum, etwa „die Aktivierung in Woche 1 von 28 % auf 35 % steigern“ (illustrativ). Eine ergebnisorientierte Roadmap oder ein kurzes OKR-Set liefert dir diese.
Filtere den Backlog. Alles ohne plausiblen Weg zum Ergebnis fliegt aus der Scoring-Runde, egal wie hoch es punkten würde.
Bewerte den Rest mit einem Framework und belegbasierter Confidence.
Benenne die Wette. Schreibe für das oberste Vorhaben die erwartete Wirkung auf und das Datum, an dem du sie prüfst.
Prüfen und neu bewerten. Wenn das Ergebnis vorliegt, aktualisiere Impact und Confidence für ähnliche Vorhaben.
Wenn der Fokus des Unternehmens auf Churn liegt, sollte ein Akquise-Feature, das bei Reach hoch punkten würde, trotzdem warten. Das Framework bringt die Arbeit in eine Reihenfolge; das Ergebnis entscheidet, was überhaupt im Rennen ist.
Wie kombinierst du MoSCoW und RICE?
Die meisten starken Teams mischen Frameworks, statt sich für eines zu entscheiden. Ein gängiger Hybrid nutzt MoSCoW für den Umfang und RICE für die Reihenfolge.
Stimme die Musts mit den Stakeholdern ab. Halte sie laut DSDM-Empfehlung bei etwa 60 % der Kapazität des Zeitraums.
Sortiere den Rest in Should, Could und Won't-this-time. Wer die Won'ts aufschreibt, verhindert, dass sie sich wieder einschleichen.
Bewerte innerhalb jeder Kategorie mit RICE. Musts werden zuerst nach Abhängigkeit geordnet, dann nach Score.
Markiere Gleichstände und Vorhaben mit niedriger Confidence. Alles unter 50 % Confidence bekommt eine Discovery-Aufgabe, bevor es einen Build-Platz erhält.
Halte die Entscheidung fest und was sie ändern würde, in einem Decision Log.
Kopierbare Priorisierungsvorlage
Ergebnis in diesem Zeitraum:
Kapazität (Personenmonate): Must-Budget (≤60 %):
| Vorhaben | MoSCoW | Reach | Impact (0,25–3) | Confidence (50/80/100 %) | Beleg für Confidence | Effort (PM) | RICE | Bewegt das Ergebnis? (J/N) | Entscheidung |
|------|--------|-------|-----------------|-------------------------|-------------------------|-------------|------|----------------------|----------|
Gleichstände (innerhalb von ~20 %):
Eingaben, bei denen wir uns uneinig waren:
Vorhaben, die vor dem Scoring Discovery brauchen:
Review-Datum:
Die Spalte, die am meisten leistet, ist „Beleg für Confidence“. Steht dort „Bauchgefühl des PMs“, sollte die Confidence nicht 80 % betragen.
Häufige Fehler bei Priorisierungs-Frameworks
Den Score mit der Entscheidung verwechseln. Intercoms eigener Vorbehalt: Ein niedriger bewertetes Vorhaben kann zuerst drankommen müssen, weil es eine Abhängigkeit oder für wichtige Kunden Pflicht ist.
Ease oder Effort dominieren lassen. ICE und RICE belohnen beide billige Arbeit. Wer sie ungeprüft laufen lässt, füllt die Roadmap mit kleinen, sicheren Verbesserungen, während größere Wetten nie durchkommen.
Neu bewerten, um eine bereits getroffene Entscheidung zu rechtfertigen. Wenn sich Scores nach der Meinung einer Führungskraft ohne neue Belege ändern, schreibe das ehrlich auf.
Ein Framework für jede Entscheidung nutzen. Eine Compliance-Frist, ein Growth-Test und ein Plattform-Umbau brauchen unterschiedliche Werkzeuge.
Zu viel bewerten. 80 Einträge zu bewerten dauert Stunden und bringt wenig. Filtere zuerst nach Ergebnis und bewerte dann die 10–15, die übrig bleiben.
Die Schätzungen nie überprüfen. Wenn du den prognostizierten Impact nie mit den tatsächlichen Ergebnissen vergleichst, werden deine Impact-Scores nicht besser.
Wo Specky ins Spiel kommt
Speckys Priorisierungsansicht bewertet einen Backlog mit RICE, ICE oder deinen eigenen gewichteten Kriterien. Das KI-Scoring schlägt Reach, Impact, Confidence und Effort anhand des Kontexts in deinem Product Graph vor (Kundengespräche, Feedback, Tickets und Produktdaten) und schreibt zu jedem Score eine Begründung in einem Satz, damit das Team über die Argumentation diskutiert statt über eine nackte Zahl. Du kannst jede Eingabe ändern, das Ranking bleibt deine Entscheidung, und das Ergebnis lässt sich im Decision Log festhalten. Um Frameworks ohne Anmeldung zu vergleichen, beginne mit Produkt-Features priorisieren.
Häufig gestellte Fragen
Was ist das beste Priorisierungs-Framework für Produkte?
Das eine beste Framework gibt es nicht; das richtige hängt von der Entscheidung ab. RICE passt zu reifen Produkten mit Nutzungsdaten, MoSCoW zu Abstimmungen über den Umfang bei fixem Termin, ICE zu schnellen Experiment-Backlogs und WSJF zu zeitkritischer Arbeit. Viele Teams kombinieren zwei: MoSCoW, um den Umfang abzustimmen, und RICE, um die Arbeit innerhalb jeder Kategorie zu ordnen.
Was ist der Unterschied zwischen RICE und ICE?
RICE ergänzt Reach und misst den Aufwand in Personenmonaten, während ICE beides in gröbere Bewertungen von Impact und Ease zwischen 1 und 10 zusammenfasst. RICE dauert länger, zwingt dich aber dazu, abzuschätzen, wie viele Menschen eine Änderung berührt. ICE ist schneller und passt zu Growth-Experimenten, aber der Ease-Faktor schiebt tendenziell kleine, risikoarme Ideen nach oben.
Ist MoSCoW ein Priorisierungs-Framework?
Ja, aber es kategorisiert, statt zu ranken. MoSCoW sortiert den Umfang für einen festen Zeitraum in Must, Should, Could und Won't-have-this-time. Das Agile Business Consortium empfiehlt, Musts bei etwa 60 % des Aufwands zu halten. Die Reihenfolge innerhalb einer Kategorie gibt es nicht vor, deshalb koppeln Teams es oft mit einer Scoring-Methode.
Warum wirken RICE-Scores willkürlich?
Weil die meisten Eingaben Schätzungen sind, die miteinander multipliziert werden, sodass sich kleine Fehler aufschaukeln. Impact ist die schwächste Eingabe: Bei Microsoft bewegte nur ein Drittel der getesteten Ideen die Kennzahl, auf die sie zielten. Binde Confidence an Belege wie Kundengespräche, Nutzungsdaten oder einen Test, und behandle knappe Scores als Gleichstand statt als Ranking.
Wie oft solltest du neu priorisieren?
Bewerte neu, wenn sich die Belege ändern, und prüfe die Liste mindestens einmal pro Planungszyklus (für ein kleines Team etwa alle 4–6 Wochen). Wöchentliches Neubewerten ohne neue Daten mischt nur Vermutungen neu. Ein guter Auslöser ist das Ergebnis einer ausgelieferten Wette: Vergleiche den prognostizierten Impact mit dem, was passiert ist, und passe ähnliche Vorhaben an.
Kann ein Priorisierungs-Framework HiPPO-Entscheidungen verhindern?
Nicht allein. Ein Framework macht die Argumentation sichtbar, wodurch sich ein Überstimmen leichter erkennen und besprechen lässt, doch 30 % der PMs, die mit der Priorisierung am meisten kämpfen, berichten trotzdem, sich nach der bestbezahlten oder lautesten Person zu richten. Erst das Ergebnis zu vereinbaren und Überstimmungen mit ihren Gründen zu protokollieren, bringt mehr als eine bessere Formel.
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