9. November 2026Aktualisiert am Fathy Shalaby23 Min. Lesezeit
Produktexperimente wählen: 55 Methoden nach Risiko und Evidenz
Die meisten Ideen scheitern im Test. Benenne die riskanteste Annahme, lege fest, wie stark die Evidenz sein muss, und wähle die günstigste von 55 Methoden.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Produktexperimente sind kleine, geplante Tests einer einzelnen Annahme, auf der dein Plan aufbaut – mit einem Erfolgskriterium (Pass Signal), das du vorab schriftlich festlegst. Um das richtige Experiment auszuwählen, formulierst du diese Annahme, bestimmst das Risiko (Desirability, Usability, Feasibility oder Viability), entscheidest, wie stark die Evidenz sein muss, und wählst dann die günstigste Methode, die diese Stärke liefert. Dieser Leitfaden sortiert 55 Methoden genau danach – inklusive Zeit- und Arbeitsaufwand für jeden Test.
Die wichtigsten Erkenntnisse
Die meisten Ideen scheitern, wenn man sie testet. Nur ein Drittel der bei Microsoft getesteten Ideen verbesserte tatsächlich die Kennzahl, für die sie gedacht waren, und nur etwa 10 % der kontrollierten Experimente bei Google führten zu echten geschäftlichen Veränderungen (Kohavi and Longbotham, 2023).
Teste die riskanteste Annahme, nicht die gesamte Idee. Marty Cagans vier große Produktrisiken sind Value, Usability, Feasibility und Business Viability (SVPG, 2017).
Evidenz hat unterschiedliche Qualitätsstufen. Was Leute sagen, ist am schwächsten; Geld oder eine Unterschrift ist am stärksten. Die Strategyzer-Bibliothek zu Testing Business Ideas bewertet 44 Experimente von 1 bis 5 nach Kosten, Setup-Zeit, Laufzeit und Evidenzstärke.
Günstig bedeutet nicht schwach. In dieser Bibliothek erreicht ein Concierge-Test bei den Kosten eine 1 von 5, bei der Evidenzstärke aber eine 5 von 5.
Lege das Erfolgskriterium fest, bevor du startest. Wer die Messlatte im Nachhinein verschiebt, macht sich meistens nur selbst etwas vor.
Die meisten Produktideen scheitern nicht daran, dass das Team handwerklich schlecht gebaut hat. Sie scheitern an einer Vermutung, die vorher niemand überprüft hat.
Die Zahlen von Teams, die systematisch messen, sind ernüchternd. Ron Kohavi und Roger Longbotham haben die Daten zusammengetragen: Ein Drittel der bei Microsoft getesteten Ideen bewegte die Zielmetrik; Jim Manzi schrieb, dass etwa 10 % der Google-Experimente zu geschäftlichen Veränderungen führten; und Netflix geht Berichten zufolge davon aus, dass 90 % der getesteten Ansätze falsch liegen (Kohavi and Longbotham, 2023). Diese Unternehmen beschäftigen exzellente Produktleute. Ihre ersten Vermutungen sind trotzdem meistens falsch.
Auf den Check zu verzichten, wird später umso teurer. CB Insights analysierte 431 durch Risikokapital finanzierte Startups, die seit 2023 aufgeben mussten, und ermittelte für 385 von ihnen die Gründe: 70 % ging das Kapital aus, 43 % hatten einen mangelhaften Product-Market Fit, 29 % nannten schlechtes Timing und 19 % eine untragbare Unit Economics (CB Insights, 2026). Mehrfachnennungen waren möglich. Ein fehlender Product-Market Fit und unrentable Unit Economics sind genau die Zweifel, die ein günstiges Experiment Monate vor dem Ausgehen des Geldes aufdecken kann.
Mit einem Produktexperiment überprüfst du eine Vermutung, bevor du echtes Budget hineinsteckst. Du brauchst dafür kein großes Research-Team und auch nicht alle 55 Methoden aus diesem Leitfaden. Du brauchst genau den einen Test, der deine Meinung über die kritischste Annahme deines Plans ändern könnte.
Was ist ein Produktexperiment?
Ein Produktexperiment ist ein kleiner, geplanter Test einer einzelnen Annahme mit einem Ergebnis, das du vor Beginn definierst. Gute Produktexperimente bestehen aus vier Elementen:
Die Annahme, formuliert als eine Aussage, die sich als falsch erweisen kann. „Freelancer verlieren Aufträge, weil Follow-ups liegenbleiben“ – und nicht „Freelancer brauchen das hier“.
Die Methode: die kleinste denkbare Aktion, die belastbare Evidenz zu genau dieser Annahme liefert.
Die Metrik: eine Kennzahl, plus ein Signal für das, was sich auf keinen Fall verschlechtern darf.
Das Erfolgskriterium (Pass Signal): das vorab definierte Resultat, ab dem du die Annahme als bestätigt ansiehst.
Teresa Torres bringt den entscheidenden Schritt auf den Punkt: Höre auf, ganze Ideen zu testen – teste stattdessen die Annahmen, auf denen sie aufbauen (Product Talk, 2023). Eine Idee wie „eine Reminder-App für Tierärzte“ enthält ein Dutzend Annahmen. Die meisten sind unkritisch. Eine oder zwei könnten das Projekt komplett kippen – und genau die verdienen ein Experiment. Wenn du von einem Feature-Wunsch ausgehst, hilft dir das Product Problem Statement Template, daraus eine überprüfbare Annahme zu machen.
Welche vier Produktrisiken kann ein Experiment testen?
Jede Annahme birgt eine bestimmte Art von Risiko – und diese Risikoart bestimmt, welche Testmethoden funktionieren. Marty Cagan von der Silicon Valley Product Group unterscheidet vier Risiken (SVPG, 2017):
Risiko
Cagans Kernfrage
Strategyzers Begriff
Typische Verantwortung
Günstiger erster Test
Starker Test
Value
Werden Kunden es kaufen oder nutzen wollen?
Desirability
Product Manager
Kundeninterview, Fake Door
Concierge, Letter of Intent
Usability
Verstehen Nutzer, wie sie es bedienen müssen?
Unter Desirability geführt
Product Designer
Papier-Prototyp
Usability-Test am echten Build
Feasibility
Können wir es mit unserer Zeit, unseren Skills und unserer Tech bauen?
Feasibility
Lead Engineer
Experteninterview, Technical Spike
Wizard of Oz, Mash-up
Business Viability
Funktioniert es für den Rest unseres Geschäftsmodells?
Viability
Product Manager
Pricing-Umfrage, Marktforschung
Funnel-Test, Letter of Intent
Bland und Osterwalders Testing Business Ideas (Wiley, November 2019, 368 Seiten) unterteilt Risiken in drei Fragen: Wollen Kunden es haben, können wir es bauen, und bringt es nachhaltig Umsatz (Wiley; Strategyzer, 2025). In der dortigen Experiment-Bibliothek werden Usability-Tests wie Card Sorting oder klickbare Prototypen unter Desirability geführt. Cagan trennt Usability ganz bewusst ab – und wir tun das auch: Ob Nutzer etwas wollen („they want it“) oder ob sie es bedienen können („they can use it“), scheitert an völlig unterschiedlichen Dingen und erfordert andere Tests.
Torres ergänzt eine fünfte Dimension, Ethical Risk: Sollten wir das überhaupt bauen? Cagans Rat zur Reihenfolge ist eindeutig: Nimm die großen Risiken früh in Angriff, besonders Value und Business Viability. Wenn du tiefer einsteigen willst, was als echter Beweis für die einzelnen Risiken gilt, lies was als Evidenz für die vier Produktrisiken zählt.
Wie stark ist die Evidenz aus verschiedenen Experimenten?
Je höher die Stufe, desto verlässlicher ist das Ergebnis.
Nicht jede Evidenz wiegt gleich viel. Ein freundliches Wort und eine unterschriebene Absichtserklärung sind beides „positives Feedback“ – aber nur eines davon sollte deine Roadmap bestimmen. Alex Osterwalder betont genau diesen Unterschied: Was Kunden sagen und was sie tun, sind zwei Paar Schuhe. Interviews und Umfragen liefern wertvolle, aber schwache Evidenz; ein simulierter Kaufabschluss dagegen liefert starke Evidenz (Strategyzer, 2017).
Stärke
Was es bedeutet
Beispiel
Wie du es behandelst
Was Leute sagen
Jemand hat dir etwas erzählt
Ein Interview, eine Umfrage
Ein Grund, einen stärkeren Test aufzusetzen
Frühes Signal
Echtes Verhalten, aber mit geringem Einsatz oder indirekt
Ein Klick auf eine Anzeige, ein Suchtrend
Ein Hinweis darauf, wo du tiefer bohren solltest
Was Leute tun
Jemand hat eine reale Handlung vollzogen
Eine Aufgabe abgeschlossen, die E-Mail-Adresse hinterlegt
Gute Evidenz für genau diese konkrete Handlung
Geld oder Unterschrift
Jemand hat etwas von echtem Wert hergegeben
Eine Zahlung, eine unterschriebene Absichtserklärung
Die stärkste Evidenz, die du vor dem Launch bekommen kannst
Specky nutzt exakt diese Leiter. Eine Annahme gilt nur dann als gestützt (Supported), wenn sie durch echtes Verhalten („Was Leute tun“) oder durch Geld bzw. eine Unterschrift untermauert wurde. Alles Schwächere bleibt ein frühes Signal – egal, wie vielversprechend es klingen mag.
Kostet ein stärkerer Test immer mehr?
Nein. Das Poster der Strategyzer-Experiment-Bibliothek bewertet jede Methode auf einer Skala von 1 bis 5 – und Kosten und Evidenzstärke bewegen sich völlig unabhängig voneinander (Strategyzer Experiment Library). Ein paar Beispiele:
Sehr stark, aber hier baust du bereits echten Code
Die wichtigste Lektion: Der teure Teil eines starken Tests ist meist deine Arbeitszeit, nicht dein Budget. Ein Concierge-Test kostet kaum Geld, aber Wochen an manueller Arbeit.
Wie wählst du das richtige Produktexperiment aus?
Beantworte diese fünf Fragen der Reihe nach:
Was ist die Annahme? Formuliere sie in einem einzigen Satz, der sich als falsch herausstellen kann.
Welche Risikoart liegt vor? Wollen sie es (Desirability)? Können sie es bedienen (Usability)? Können wir es bauen (Feasibility)? Lässt sich damit Geld verdienen (Viability)?
Was würde es kosten, falschzuliegen? Eine Annahme, die über die nächsten sechs Monate entscheidet, braucht stärkere Evidenz als die Farbe eines Buttons. Barry O'Reilly beschreibt diese Evidenz-Schwellenwerte treffend: Ein Raketenstart erfordert eine ungleich höhere Hürde als ein Registrierungs-Flow (Thoughtworks, 2014).
Was ist der günstigste Test, der ausreichende Evidenz liefert? Starte unten auf der Leiter, wenn du noch wenig weißt. Klettere höher, sobald die Einsätze steigen.
Was gilt als bestanden? Halte dein Erfolgskriterium schriftlich fest, bevor du startest. O'Reillys Argument ist schlüssig: Vorab definierte Signale verhindern, dass man sich das Ergebnis hinterher schönredet.
Unsere Faustregel dazu: Wenn ein Irrtum dich eine Arbeitswoche kostet, reicht es völlig aus, was Leute sagen. Kostet er dich ein ganzes Quartal, brauchst du Evidenz dafür, was Leute tun. Steht und fällt damit eine Neueinstellung, ein ganzes Jahr oder deine Runway: Verlange echtes Geld oder eine Unterschrift.
Wenn du mehrere Annahmen hast und nicht weißt, welche die kritischste ist, ordne sie zuerst. Unser Leitfaden zu Assumption Mapping und das kostenlose Assumption-Map-Tool sortieren Annahmen nach Wirkung und Wissensstand – damit du deine Tests dort ansetzt, wo es wirklich darauf ankommt.
Entscheidungsmatrix: Welcher Test für welches Risiko und Evidenzlevel?
Suche die Zeile für dein Risiko. Wandere nach rechts, bis du die Evidenzstärke erreichst, die der potenzielle Schaden eines Irrtums verlangt. Wähle die günstigste Methode in dieser Zelle.
Zeit- und Aufwandsangaben stammen aus den Methodentabellen unten und basieren auf einem kleinen Team. Lies eine Zeile von links nach rechts, um zu sehen, wie du die Evidenz steigerst. Lies eine Spalte von oben nach unten, um Risiken bei gleicher Evidenzstärke zu vergleichen.
Welche Produktexperimente beantworten welche Frage? Alle 55 Methoden im Überblick
Jede der folgenden Methoden verlinkt auf eine eigene Anleitung mit kopierbarer Vorlage, vorab definiertem Erfolgskriterium und einem durchgerechneten Praxisbeispiel.
Desirability: Ist das Problem real und wer leidet darunter?
Starte hier, wenn du dir noch unsicher bist, ob der Schmerzpunkt wirklich existiert. Die meisten dieser Tests kosten dich nur wenige Tage und keinen einzigen Klick im Code-Editor.
du genug Traffic hast, um Ursache und Wirkung sauber zu belegen
Usability: Können Nutzer es bedienen – und kommen sie wieder?
Diese Tests konfrontieren Nutzer mit etwas, das dem fertigen Produkt sehr nahekommt. Leichte Bedienbarkeit und wiederkehrende Nutzung sind zwei unterschiedliche Fragen – lies dir die Kriterien daher genau durch.
du das Ergebnis manuell liefern und dafür Geld verlangen kannst
Feasibility: Können wir es bauen und betrieblich liefern?
Manche Ideen werden von Nutzern geliebt und sind trotzdem technisch unmöglich umzusetzen. Nutze diese Methoden, wenn die Zweifel auf deiner Seite des Tisches liegen.
keine der 54 Methoden oben exakt zu deiner Situation passt
Wie sieht das Klettern auf der Evidenzleiter in der Praxis aus?
Das folgende Szenario ist ein durchgespieltes Beispiel, um das Vorgehen greifbar zu machen. Nimm an, du vermutest: Betreiber unabhängiger Fitnessstudios verlieren Mitglieder, weil sie nicht rechtzeitig bemerken, wer nicht mehr zum Training kommt.
Fünf Kundeninterviews bestätigen: Die Betreiber haben bereits aktiv versucht, dieses Problem zu lösen. Das fällt unter „Was Leute sagen“ und kostet dich eine Woche.
Ein Fake Door Test zeigt, dass Studiobetreiber ihre E-Mail-Adresse für ein Lösungsangebot hinterlassen. Sagen wir, 40 von 400 Besuchern aus einem Branchen-Newsletter tragen sich ein – das sind 10 %. Jetzt hast du echtes Verhalten („Was Leute tun“).
Ein Concierge-Test liefert wöchentliche Abbrecher-Listen manuell per Hand an fünf Studios – und drei davon zahlen im zweiten Monat dafür. Jetzt hast du Verbindlichkeit („Geld oder Unterschrift“).
Ausgehend von den Werten in der Tabelle dauern die Schritte 1 bis 3 etwa fünf Wochen: eine für Interviews, eine für den Fake Door Test, drei für den Concierge. Jeder Schritt war aufwendiger als der vorherige – aber jeder einzelne wurde erst durch den Erfolg des vorangegangenen Schritts gerechtfertigt. Wäre einer der Tests gescheitert, hättest du sofort abgebrochen und dir sämtliche Folgekosten gespart.
Achte darauf, was in dieser Sequenz ganz bewusst weggelassen wurde: Niemand hat eine Umfrage verschickt, um zu fragen, ob Betreiber ein solches Churn-Tool „nutzen würden“. Und niemand hat auf gut Glück ein Dashboard gebaut, um zu sehen, ob sich Traffic einstellt. Jeder Test hat exakt die jeweils riskanteste Frage beantwortet – und keinen Millimeter mehr. Wie sich das in den gesamten Discovery-Zyklus einfügt, erfährst du im Leitfaden zum Product-Discovery-Prozess.
Wie viele Produktexperimente und Testpersonen brauchst du?
Es gibt keine feste Anzahl an Experimenten. Teste so lange weiter, bis die kritischste Annahme deines Plans durch Evidenz gestützt ist, die dem potenziellen Schaden eines Irrtums angemessen ist. Die Strategyzer-Zusammenfassung des Buchs empfiehlt eine pragmatische Taktung: Führe im ersten Monat drei bis fünf kleine Experimente zu deinen Annahmen mit der höchsten Priorität durch – und starte jeweils mit dem kleinstmöglichen Test, der die Annahme bestätigen oder verwerfen kann (Strategyzer, 2025).
Kombiniere schwache und starke Signale. Ein „Sagen“-Test zeigt dir, worauf du achten musst; ein „Tun“-Test belegt, ob es der Realität standhält. Zwei „Sagen“-Tests, die dasselbe behaupten, sind am Ende immer noch nur zwei Meinungen.
Die Zahl der Testpersonen hängt stark von der Methode ab:
Usability-Tests: fünf Personen pro Runde. Jakob Nielsens Modell belegt, dass fünf Nutzer rund 85 % der Usability-Probleme aufdecken und 15 fast alle. Er rät daher, das Budget lieber auf mehrere kleine Runden aufzuteilen (Nielsen Norman Group, 2000).
Umfragen: Ziele auf etwa 50 valide Antworten aus einem klar umrissenen Segment ab, bevor du einer Prozentzahl vertraust. Unser Leitfaden für Discovery-Umfragen erklärt die statistischen Hintergründe.
Split-Tests: Sie verlangen echten, statistisch relevanten Traffic. Kohavi und Longbotham betonen, dass ein 50/50-Split nach einer kurzen Anlaufphase zur Fehlerprüfung die höchste statistische Aussagekraft (Power) liefert. Fehlt dir dieser Traffic, greife lieber zu einem Fake Door Test oder einer Landingpage. Unser Leitfaden zu A/B-Testing für PMs führt dich durch die Mathematik.
Letters of Intent und Vorverkäufe: Hier reicht oft schon eine Handvoll, sofern es sich um echte Entscheidungsträger mit eigenem Budget handelt.
Was sind die häufigsten Fehler bei Produktexperimenten?
Die gesamte Idee statt der riskantesten Annahme testen. „Wird das hier funktionieren?“ kann niemals sauber scheitern. „Zahlen Inhaber 50 € im Monat für eine manuell erstellte wöchentliche Liste?“ hingegen schon.
Blind die Methode wählen, die man ohnehin schon beherrscht. Teams, die gerne Umfragen bauen, machen für jedes Problem eine Umfrage. Lass immer die Art des Risikos über die Methode entscheiden.
Gesagtes mit tatsächlichem Handeln verwechseln. Zwanzig begeisterte Interviews bleiben methodisch trotzdem auf der untersten Sprosse der Leiter.
Das Erfolgskriterium erst im Nachhinein formulieren. Ein Messwert, den du erst bewertest, nachdem du die Zahlen kennst, ist kein Experiment, sondern eine Rechtfertigungsgeschichte.
Split-Tests ohne ausreichenden Traffic durchführen. Ein paar hundert Besuche reichen statistisch fast nie aus, um zu belegen, dass eine Änderung das Ergebnis verursacht hat.
Die ungemütlichen Risiken umschiffen. Gründer lieben Desirability-Tests. Cagans Rat lautet jedoch, Value und Business Viability frühzeitig anzugehen – und mangelnde Feasibility bringt eine ansonsten geliebte Idee genauso schnell zu Fall.
Zu schnell zu hoch klettern. Eine Crowdfunding-Kampagne vor dem allerersten persönlichen Interview aufzusetzen bedeutet, wochenlange Arbeit zu investieren, um Dinge zu lernen, die dir ein zwanzigminütiges Gespräch verraten hätte.
Wann solltest du auf ein Produktexperiment verzichten?
Verzichte auf ein Experiment, wenn eine Entscheidung günstig ist und sich problemlos rückgängig machen lässt; das Ausrollen und anschließende Beobachten ist in dem Fall bereits der Test. Unser Beitrag über reversible und irreversible Produktentscheidungen hilft dir bei der Unterscheidung. Verzichte ebenfalls darauf, wenn du das Feature ohnehin bauen wirst – ganz egal, was der Test ergibt. Ein Test ohne Konsequenzen ist reines Innovationstheater. Und wenn keine der 55 Methoden auf dein Umfeld passt – etwa bei jahrelangen Ausschreibungsprozessen im öffentlichen Sektor –, dann konzipiere ein maßgeschneidertes Experiment, statt eine unpassende Methode mit Gewalt durchzudrücken.
Ist es ethisch vertretbar, Dinge zu testen, die noch gar nicht existieren?
Viele Methoden – darunter Fake Doors, 404-Tests, Vorverkäufe und der Wizard of Oz – zeigen Interessenten etwas, das im Hintergrund noch nicht fertig existiert. So bleibst du dabei fair und transparent:
Kläre Nutzer direkt auf dem Folgebildschirm darüber auf, dass das Feature noch in der Entwicklung ist, und bedanke dich ehrlich für ihr Interesse.
Nimm niemals Geld an, das du nicht unverzüglich zurückerstatten oder für das du die Leistung nicht sicher erbringen kannst. Nenne transparente Lieferdaten.
Wenn bei einem Wizard-of-Oz-Test im Hintergrund ein Mensch die Arbeit heimlich manuell erledigt, kläre die Teilnehmenden im Nachgang auf, sobald das für sie relevant sein könnte.
Frage stets um Erlaubnis, bevor du etwas aufzeichnest, und speichere nur E-Mail-Adressen, die Nutzer dir freiwillig für den explizit genannten Zweck überlassen haben.
So setzt du das in Specky um
Fülle ein Lean Canvas auf der Assumptions-Seite aus, und Specky leitet automatisch die dahinterliegenden Annahmen für dich ab. Jede Annahme wird auf einem Board nach Auswirkung und Evidenz platziert, wobei die riskantesten direkt durchnummeriert werden. Klicke auf eine Karte, wähle einen passenden Test, und der Experimentierplan füllt sich von selbst mit den nötigen Schritten, einem Pass Signal und dem empfohlenen Zeitrahmen.
Wer die Durchführung übernimmt, hängt von der Methode ab: Einige Tests laufen als KI-gestützte Interviews über Vouch unter vouch.specky.space. Für andere erstellt Specky automatisch Landingpages und sammelt Rückmeldungen ein. Bei quantitativen Checks liest das Tool deine angebundenen Analytics aus. Für alle übrigen Methoden führst du den Test selbst durch, während Specky deinen Plan, die Hypothesen und die Ergebnisse sauber strukturiert festhält. Jede der oben verlinkten Anleitungen weist dich darauf hin.
Trägst du ein Ergebnis ein, verschiebt sich die Annahmen-Karte automatisch und aktualisiert jede Wette (Bet), die darauf aufbaut. Wird auch nur eine zentrale Annahme widerlegt, markiert Specky die gesamte Wette als widerlegt. Eine Wette gilt im System erst dann als gestützt (Supported), wenn jede einzelne ihrer Grundannahmen durch belastbare Evidenz belegt wurde.
Häufig gestellte Fragen (FAQ)
Was ist ein Produktexperiment?
Ein Produktexperiment ist ein kleiner, geplanter Test einer einzelnen Annahme über ein Produkt – versehen mit einem Erfolgskriterium (Pass Signal), das du vorab festlegst. Es ermöglicht einem Team herauszufinden, ob eine Hypothese stimmt, bevor dafür echtes Entwicklungsbudget investiert wird. Ein sauberes Experiment benennt die Annahme, die Methode, die zu messende Kennzahl und den Schwellenwert, der als Bestätigung gilt.
Wie wähle ich das richtige Produktexperiment aus?
Formuliere die Annahme, bei der du dir am unsichersten bist, bestimme ihr Produktrisiko (Desirability, Usability, Feasibility oder Viability) und entscheide, wie stark die Evidenz angesichts der Kosten eines Fehlers sein muss. Wähle anschließend die günstigste Methode, die diese Evidenzstärke erreicht. Zu Beginn reichen oft qualitative Gespräche völlig aus. Steht mehr auf dem Spiel, müssen Nutzer aktiv handeln oder bezahlen.
Was sind die vier Arten von Produktrisiken?
Marty Cagans vier Risiken lauten: Value (Kaufen oder nutzen Kunden es?), Usability (Verstehen Nutzer die Bedienung?), Feasibility (Können wir es mit den vorhandenen Ressourcen technisch bauen?) und Business Viability (Funktioniert das Geschäftsmodell für das Unternehmen?). Strategyzers Testing Business Ideas nutzt drei Kategorien (Desirability, Feasibility und Viability) und ordnet Usability-Tests der Desirability unter.
Was gilt als stärkste Evidenz bei der Produktvalidierung?
Geld oder eine rechtlich bindende Unterschrift ist die stärkste Evidenz – etwa durch eine Bezahlung, eine Anzahlung oder einen unterzeichneten Letter of Intent. Das schlägt reines Nutzerverhalten („Was Leute tun“), was wiederum deutlich verlässlicher ist als reine Meinungen („Was Leute sagen“). Osterwalders Daumenregel besagt: Evidenz wird umso belastbarer, je näher sie an einen echten Kaufabschluss heranreicht. Deshalb übertrifft ein simulierter Kauf jede Umfrage und jedes Interview.
Sollte ich mit Kundeninterviews oder einer Landingpage starten?
Starte mit Interviews, wenn du noch nicht sicher weißt, ob das Problem in der Realität überhaupt existiert – denn du brauchst die exakten Worte und Formulierungen der Zielgruppe, um später ein treffendes Angebot zu texten. Starte mit einer Landingpage, wenn das Problem glasklar umrissen ist und du dein Nutzenversprechen in einem Satz auf den Punkt bringen kannst. Viele Teams kombinieren beides innerhalb von zwei Wochen: zuerst Interviews, gefolgt von einer Landingpage, die auf diesen Erkenntnissen aufbaut.
Wie viele Experimente sollte ich vor dem Bauen durchführen?
Es gibt dafür keine starre Zahl. Teste schlicht so lange weiter, bis die kritischste Annahme deines Vorhabens durch Daten gestützt wird, die das Risiko eines Scheiterns rechtfertigen. Als Orientierung schlägt die Zusammenfassung von Strategyzers Handbuch drei bis fünf kleine Experimente für deine wichtigsten Kernannahmen im ersten Monat vor. Brich sofort ab, sobald ein entscheidender Test ein klares negatives Ergebnis liefert.
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