11. Juli 2026Aktualisiert am Fathy Shalaby14 Min. Lesezeit
Product Sense: Wie Senior PMs mit unvollständigen Daten gute Entscheidungen treffen
Product Sense ist kein Bauchgefühl, sondern kalibriertes Urteilsvermögen. So funktioniert Intuition, wann du ihr trauen kannst, wie viele Belege jede Entscheidung braucht und welche Gewohnheit dich besser macht.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Product Sense, oft auch Produktintuition genannt, ist die Fähigkeit, gute Produktentscheidungen zu treffen, wenn die Daten unvollständig sind. Es ist kein Bauchgefühl. Es ist kalibriertes Urteilsvermögen: zu wissen, welche Art von Beleg du hast, was er wert ist, was deine Meinung ändern würde und wann Warten mehr kostet als sich zu irren. Senior PMs liegen nicht durch Magie öfter richtig; sie sind besser kalibriert.
Das Wichtigste in Kürze
Shreyas Doshi beschreibt Product Sense als „die Fähigkeit, in der Regel richtige Produktentscheidungen zu treffen“, und zwar bei erheblicher Mehrdeutigkeit, und sieht darin eine Fähigkeit, die jeder verbessern kann (Maven).
Intuition ist nur unter den richtigen Bedingungen verlässlich: in einem regelmäßigen statt chaotischen Umfeld, mit Übung und mit zutreffendem, zeitnahem Feedback zu deinen Entscheidungen (Gary Klein über Kahneman & Klein, 2009).
Experten entscheiden durch Wiedererkennen. In Kleins Forschung bei Feuerwehreinsätzen stützten sich 117 von 134 Entscheidungspunkten auf Wiedererkennen statt auf den Vergleich von Optionen, und 78 % der Entscheidungen dauerten unter einer Minute (ShadowBox, 2025).
Produktarbeit liefert selten schnelles Feedback, deshalb ist die Intuition von PMs schwächer, als sie sich anfühlt. Bei Microsoft verbesserte nur rund ein Drittel der gut konzipierten Experimente die Zielmetrik (Kohavi, Crook & Longbotham, 2009).
Die Gewohnheit, die das Urteilsvermögen schärft, ist einfach: Schreib vor jeder Entscheidung eine falsifizierbare Vorhersage auf und prüf sie später.
Was ist Product Sense?
Jeder PM kennt den Moment. Die Daten sind nicht eindeutig, Stakeholder wollen bis Freitag eine Antwort, und die Discovery ist zwei Wochen alt, nicht zwei Monate. Du musst bauen, beerdigen oder Zeit gewinnen, und jede Wahl hat ihren Preis. Junior PMs erstarren hier oft: Sie bitten um mehr Research oder starten eine Umfrage, die drei Wochen dauert und die falsche Frage beantwortet. Senior PMs entscheiden. Nicht, weil sie mehr Daten haben, sondern weil sie unvollständige Signale lesen, richtig gewichten und sich festlegen, bleiben dabei aber offen dafür, falsch zu liegen.
Shreyas Doshi: die Fähigkeit, in der Regel richtige Produktentscheidungen zu treffen, sowohl im großen Ganzen als auch im Detail, selbst bei erheblicher Mehrdeutigkeit. Er nennt kognitive Empathie, Geschmack, Produktstrategie und Kreativität als Hebel (Maven).
Jules Walter, in Lenny's Newsletter: die Fähigkeit, konsequent Produkte zu bauen, die die beabsichtigte Wirkung auf ihre Nutzer haben, aufgebaut auf zwei Teilen: Empathie, um bedeutsame Bedürfnisse zu finden, und Kreativität, um sie zu lösen (Lenny's Newsletter, 2022).
Beide verstehen Product Sense als erlernbare Fähigkeit, nicht als Veranlagung. Dieser Beitrag konzentriert sich auf den Teil, den Interviews selten prüfen: gut entscheiden, wenn die Belege dünn sind.
Product Sense vs. Bauchgefühl vs. datengetriebene Entscheidungen
Bauchgefühl
Product Sense
Auf die Daten warten
Was die Entscheidung treibt
Mustererkennung, die du nicht geprüft hast
Muster plus ein ausdrückliches Lesen der Belege
Nur, was gemessen wird
Tempo
Schnell
Schnell genug
Langsam
Haupt-Schwachstelle
Selbstsicher und falsch in neuen Situationen
Übermut, wenn nie geprüft wird
Das Zeitfenster verpassen; Analyse-Paralyse
Woran du merkst, dass es funktioniert
Gar nicht
Vorhersagen sind protokolliert und geprüft
Ergebnisse kommen, oft zu spät, um noch zu zählen
Das deutlichste Zeichen für gutes Product Sense ist nicht, dass jemand immer recht hat. Es ist, dass er selten überrascht ist, wenn er falsch liegt. Er wusste, dass die Unsicherheit da war, und hat entschieden, weil die Kosten des Wartens höher waren als die Kosten eines Fehlgriffs.
Wie funktioniert Produktintuition wirklich?
Gary Kleins Forschung mit Einsatzleitern der Feuerwehr erklärt, was Experten unter Druck tun. Sein Team erwartete, dass sie Optionen vergleichen. Meistens taten sie es nicht. Bei 134 Entscheidungspunkten folgten 117 dem, was Klein das Recognition-Primed-Decision-Modell (RPD) nannte, und 78 % der Entscheidungen fielen in unter einer Minute (ShadowBox, 2025).
RPD besteht aus drei Zügen:
Die Situation erkennen. Der Experte sieht sie als vertraut an, wodurch die relevanten Hinweise, plausible Ziele, Erwartungen und eine typische Handlung auftauchen.
Die erste brauchbare Option nehmen. Optionen werden nacheinander betrachtet, nicht nebeneinander.
Sie gedanklich durchspielen. Der Experte spielt die Handlung gedanklich vor. Sieht das Ergebnis akzeptabel aus, handelt er. Wenn nicht, passt er sie an oder probiert die nächste Option.
PMs machen dasselbe, wenn eine Feature-Anfrage „komisch riecht“ oder ein Metrik-Einbruch „nach Tracking-Bug aussieht“. Die Mustersammlung stammt aus Hunderten von Kundengesprächen, Launches und Post-Mortems. Deshalb wächst Product Sense mit Erfahrung, und deshalb sollte ein PM, der neu in einem Markt ist, seinen Instinkten dort weniger trauen.
Wann kannst du deiner Produktintuition trauen?
Daniel Kahneman hat seine Karriere damit verbracht, die Verzerrungen der Intuition zu dokumentieren; Klein hat seine damit verbracht zu zeigen, wie gut Experten sie nutzen. 2009 veröffentlichten sie gemeinsam einen Aufsatz dazu, wann welche Sicht gilt. Klein fasste die Kriterien, auf die sie sich einigten, später zusammen: eine regelmäßige Situation statt einer chaotischen oder hyperkomplexen, die Möglichkeit zu üben und zutreffendes, zeitnahes Feedback zu den Folgen von Entscheidungen (Psychology Today, 2024).
Produktmanagement scheitert oft am dritten Test. Feedback zu einer Roadmap-Wette kann ein Quartal brauchen und vermischt sich mit Saisonalität, Marketing und anderen Launches. Ron Kohavis Team bei Microsoft formulierte es unverblümt: Es ist demütigend zu sehen, wie schlecht Experten darin sind, den Wert von Features einzuschätzen, sie selbst eingeschlossen. Nur etwa ein Drittel der gut konzipierten Experimente verbesserte die Metrik, auf die sie zielten (Kohavi, Crook & Longbotham, 2009).
Die ehrliche Antwort lautet also: Vertrau deiner Intuition mehr dort, wo das Feedback schnell kommt und die Domäne vertraut ist, und weniger dort, wo das nicht der Fall ist.
Entscheidungstyp
Feedback-Tempo
Wie regelmäßig die Domäne ist
Intuition trauen?
UI-Texte, Onboarding-Schritte im eigenen Produkt
Tage
Hoch
Ja, danach mit Daten prüfen
Anfragen aus einem Segment priorisieren, das du gut kennst
Wochen
Mittel bis hoch
Meist, mit schnellem Belegcheck
Pricing und Packaging
Monate
Mittel
Teilweise; vor dem Festlegen testen
Einstieg in einen neuen Markt oder ein neues Segment
Quartale
Niedrig
Kaum; zuerst beobachtende Belege besorgen
Was sind die drei Stufen von Produktbelegen?
Jedes Signal, das du sammelst, liegt auf einer von drei Stufen. Belege schnell einzusortieren ist die Kernfähigkeit. Eine tiefere Behandlung nach Risikoart findest du in was als Beleg für die vier Produktrisiken zählt.
Stufe 1: Proxy-Belege
Proxy-Belege sind indirekt. Sie deuten etwas an, ohne es zu beweisen: ein Muster in Support-Tickets, ein Einbruch in einer Funnel-Metrik, ein Einwand aus dem Vertrieb, der dreimal im Monat auftaucht, ein Nutzer, der einen Workaround beschreibt. Sie sind günstig zu sammeln und leicht misszuverstehen. Proxy-Belege sagen dir, dass etwas passiert, nicht warum. Nur auf sie zu handeln ist der Weg, die falsche Lösung für das richtige Problem zu bauen.
Stufe 2: Beobachtende Belege
Beobachtende Belege entstehen, wenn du Menschen dabei zusiehst, wie sie dein Produkt oder nahe Alternativen nutzen: Kundeninterviews (besonders Switch-Interviews), Session-Aufzeichnungen, Usability-Tests. Sie sagen dir, warum etwas passiert. Sie kosten mehr als Proxy-Belege, und sie zu ignorieren kostet noch mehr. Widerspricht die Beobachtung deinen Proxy-Signalen, gewinnt meist die Beobachtung. Die meisten PMs investieren hier zu wenig; gute Fragen für Kundeninterviews machen es günstiger.
Stufe 3: Kausale Belege
Kausale Belege stammen aus kontrollierten Experimenten: A/B-Tests, Feature-Flag-Rollouts mit Holdback, Vorher-nachher-Messungen mit sauberer Baseline. Nur sie sagen dir, was passieren wird, wenn du etwas änderst. Sie brauchen eine ausreichend große Stichprobe, ein sauberes Design und meist mehrere Wochen Laufzeit. Die meisten Entscheidungen brauchen sie nicht. Der häufige Fehler ist, sie für alles zu verlangen und ein Experiment zu fahren, wo ein Interview die Frage schneller beantwortet hätte. Unser Leitfaden zu A/B-Tests zeigt, wann es sich lohnt.
Wie viele Belege brauchst du, bevor du eine Produktentscheidung triffst?
Es hängt von zwei Dingen ab: wie umkehrbar die Entscheidung ist und was sie kostet.
Umkehrbarkeit
Investition
Nötige Belege
Beispiel
Schwer umkehrbar
Hoch
Kausal
Pricing für alle Bestandskunden ändern
Leicht umkehrbar
Mittel
Beobachtend
Ein neuer Onboarding-Flow hinter einem Feature-Flag
Leicht umkehrbar
Gering
Proxy, plus Tendenz zum Handeln
Eine Einstellungsseite neu anordnen
Die meisten alltäglichen Produktentscheidungen gehören in die untere Zeile. Die meisten Teams behandeln sie wie die obere. Jeff Bezos machte denselben Punkt im Aktionärsbrief von Amazon 2016: Die meisten Entscheidungen sollten mit „etwa 70 % der Informationen, die du gerne hättest“ getroffen werden, und Langsamkeit kostet meist mehr, als sich zu irren, solange du schlechte Entscheidungen schnell erkennst und korrigierst (Amazon, 2017). Unser Beitrag zu One-Way- und Two-Way-Door-Entscheidungen zeigt, wie du erkennst, in welcher Zeile du bist.
Wie baust du Product Sense auf? Die Kalibrierungs-Gewohnheit
Product Sense wird durch eine einzige Praxis schärfer: deine Vorhersagen nachzuhalten. Sie erzeugt das zeitnahe Feedback, das laut Kahneman und Klein die Intuition braucht und das Produktarbeit von allein selten liefert.
Schreib vor einer Entscheidung auf, was du erwartest. Kein Wunsch, sondern eine falsifizierbare Vorhersage: „Wenn wir diese Änderung ausliefern, steigt die Day-30-Retention in der betroffenen Kohorte um mindestens 5 %.“ Oder: „Drei Monate nach dem Launch nutzen weniger als 10 % der Nutzer dieses Feature mehr als einmal.“ Ergänze, wie sicher du bist. Wenn genug Zeit vergangen ist, prüfst du.
Das ist unbequem, denn Vorhersagen schaffen Verantwortlichkeit. Es ist aber auch die einzige Schleife, die die Kalibrierung verbessert. Du lernst, welche Arten von Entscheidungen du gut triffst und welche du immer wieder falsch bepreist. Zwei Fehler tauchen immer wieder auf:
Die Akzeptanz von Features überschätzen, für die das Team brennt. Kohavis Erfolgsquote von eins zu drei ist die Außensicht, an der du diese Begeisterung messen kannst.
Unterschätzen, wie zäh bestehendes Verhalten ist. Nutzer behalten ihren Workaround, lange nachdem dein besserer Weg erschienen ist.
Die eigenen Fehlermuster zu kennen ist mehr wert als jedes Framework.
Vorlage für ein Vorhersage-Log (zum Kopieren)
DECISION: [what we decided, one line]
DATE / OWNER: [date] / [name]
EVIDENCE LEVEL: [proxy / observational / causal]
PREDICTION: [metric] will move from [X] to [Y] by [date]
CONFIDENCE: [50 / 60 / 70 / 80 / 90%]
WOULD CHANGE MY MIND: [the signal that would make me reverse]
CHECK DATE: [date]
RESULT: [what happened] HIT / MISS
LESSON: [what I'd weigh differently next time]
Führ das Log am selben Ort wie deine Entscheidungen; ein Product Decision Log eignet sich gut, weil Begründung und Vorhersage dort zusammenstehen.
Durchgespieltes Beispiel: die eigene Kalibrierung bewerten (zur Veranschaulichung)
Angenommen, ein PM protokolliert über zwei Quartale 30 Vorhersagen. Zwölf waren mit „80 % sicher“ markiert; 7 davon traten ein, eine Trefferquote von 58 %. Zehn waren mit „60 % sicher“ markiert; 6 traten ein, eine Trefferquote von 60 %. Die 60-%-Entscheidungen sind gut kalibriert. Die 80-%-Entscheidungen sind um etwa 22 Punkte zu selbstsicher.
Beim Nachgraben zeigt sich: 4 der 5 Fehlschläge bei 80 % waren Akzeptanz-Prognosen für Features, für die sich das Team eingesetzt hatte. Die Lösung ist nicht, keine Akzeptanz mehr vorherzusagen. Sie besteht darin, diese Entscheidungen ein Band herabzustufen, auf 60–70 %, und beobachtende Belege zu verlangen, bevor mehr als zwei Wochen Arbeit hineinfließen.
Wie liest du schwache Signale?
Starke Signale sind leicht: ein Einbruch der Aktivierung um 40 %, dieselbe Beschwerde in acht Interviews. Bei schwachen Signalen kommt es auf Product Sense an: der eine Kunde mit ungewöhnlichem Workflow, ein kleiner Rückgang in einer Nebenmetrik, der zu keiner Hypothese passt, der Vertriebsmitarbeiter, der sagt, Kunden nennen etwas nie ein Hindernis, fragen aber immer danach.
Drei Praktiken helfen:
Trenne Beobachtung von Interpretation. „Das ist verwirrend“ ist eine Beobachtung. „Sie wollen eine einfachere UI“ ist eine Interpretation und kann falsch sein; die Verwirrung könnte das Wertversprechen betreffen. Halte die rohe Beobachtung fest, bevor du nach der Erklärung greifst.
Such nach Konvergenz über Quellen hinweg. Ein schwaches Signal bedeutet wenig. Dasselbe Muster in Support-Daten, einem Interview und einem Sales-Call in derselben Woche ist eine Untersuchung wert.
Frag, was dich zum Umdenken bringen würde. Bevor du entscheidest, was ein Signal bedeutet, benenne den Beleg, der deine Deutung ändern würde. Wenn nichts es täte, rationalisierst du, statt zu argumentieren.
Wann solltest du ohne ausreichende Daten entscheiden?
Du wirst nie genug Daten haben. Die Frage ist, ob mehr Signal die Verzögerung wert ist. Meist ist es das nicht. Verzögerung ist in den meisten Produktorganisationen unterbewertet: Entwickler warten, Designer iterieren an nicht validierter Arbeit, Wettbewerber ziehen vorbei.
Die richtige Frage lautet nicht „Habe ich genug Daten?“, sondern „Was ist der günstigste Test, der meine Meinung ändern würde?“
Wenn nichts deine Meinung ändern würde, hast du dich schon entschieden. Triff die Entscheidung und steh dazu.
Wenn es ein fünfminütiger Metrik-Check, ein einstündiges Kundengespräch oder ein zweiwöchiges Experiment ist, mach das zuerst.
Wenn der günstigste Test drei Monate kausale Daten bedeutet und die Entscheidung klein und umkehrbar ist, entscheide jetzt und lern aus der Realität.
So klingt ein typischer Satz bei gutem Product Sense: „Ich bin zu etwa 65 % sicher, dass das richtig ist. Was mich auf 85 % bringen würde, ist eine weitere Interviewrunde zum Aktivierungs-Flow. Wenn sie bestätigen, was ich sehe, bauen wir. Wenn sie widersprechen, finden wir erst heraus, warum, bevor wir investieren.“ Das ist kein Absichern. Es ist jemand, der weiß, wo er in der Beleglage steht und was der nächste richtige Schritt ist.
Wie entwickelst du Product Sense schneller?
Walter schlägt vier Praktiken vor: Menschen bei der Nutzung von Produkten beobachten, die Produkte zerlegen, die du täglich nutzt, von der Art lernen, wie starke Produktdenker Probleme rahmen, und neugierig bleiben auf Veränderungen in Technologie und deiner Domäne (Lenny's Newsletter, 2022). Ergänze zwei, die gezielt Kalibrierung aufbauen:
Sprich jede Woche mit Kunden. Der Kontakt baut die Mustersammlung auf, von der RPD abhängt. Continuous Discovery macht daraus eine Gewohnheit.
Führ das Vorhersage-Log ein ganzes Quartal lang. Zehn protokollierte Entscheidungen lehren mehr als hundert ungeprüfte.
Wann versagt Produktintuition?
In einem neuen Markt. Deine Muster stammen von woanders. Kleins Bedingungen gelten noch nicht.
Ohne Feedback-Schleife. Wenn du Ergebnisse nie prüfst, bringt Erfahrung Selbstvertrauen, nicht Genauigkeit.
Wenn Begeisterung Belege ersetzt. Beim Lieblings-Feature des Teams ist die Kalibrierung meist am schlechtesten.
Wenn Selbstsicherheit mit Kalibrierung verwechselt wird. Die lauteste Person im Raum ist nicht die am besten kalibrierte.
Wenn du das Problem überspringst. Starke Instinkte für Lösungen können ein schwaches Verständnis des Bedarfs verdecken; siehe Problemraum vs. Lösungsraum.
Wo Specky ins Spiel kommt
Kalibrierung braucht zwei Dinge, die die meisten Teams verlieren: die Begründung zum Zeitpunkt der Entscheidung und das Ergebnis danach. Speckys Decision Log hält die Entscheidung und die Belege dahinter fest, der Product Graph verknüpft diese Belege mit Kundengesprächen, Tickets und Analytics, und nach dem Launch prüft Specky, ob die Wette ihre Metrik bewegt hat. So schließt sich die Feedback-Schleife, die Intuition braucht, und dein Urteil stützt sich auf Belege, auf die du zeigen kannst.
Häufig gestellte Fragen
Was ist Product Sense?
Product Sense ist die Fähigkeit, bei Mehrdeutigkeit gute Produktentscheidungen zu treffen: Nutzer zu verstehen, zu beurteilen, welche Probleme zählen, und vorherzusagen, wie Änderungen ankommen. Shreyas Doshi beschreibt es als die Fähigkeit, in der Regel richtige Produktentscheidungen zu treffen, Jules Walter als konsequent Produkte mit der beabsichtigten Wirkung zu bauen. In der Praxis verbindet es Empathie, Domänenwissen, Kreativität und gut kalibriertes Urteilsvermögen über Belege.
Ist Product Sense dasselbe wie Produktintuition?
Sie überschneiden sich. Produktintuition meint meist den schnellen, musterbasierten Teil: das sofortige Gefühl, dass etwas falsch oder richtig ist. Product Sense ist breiter und umfasst die bewussten Teile, etwa das Problem zu rahmen, Belege zu gewichten und eine Lösung zu wählen. Gutes Product Sense nutzt Intuition als schnellen ersten Tipp und prüft ihn, bevor es sich festlegt, an den Belegen.
Kann man Product Sense lernen?
Ja. Doshi und Walter sehen es beide als Fähigkeit, und Kleins Forschung zeigt, dass Experten-Intuition aus Übung in einem regelmäßigen Umfeld mit zeitnahem Feedback entsteht. PMs können das beschleunigen, indem sie wöchentlich Nutzer beobachten, Produkte zerlegen, studieren, wie starke Produktdenker Probleme rahmen, und Vorhersagen protokollieren, um Feedback zu ihrem eigenen Urteil zu bekommen.
Wie zeigst du Product Sense im PM-Interview?
Interviewer achten auf strukturiertes Denken über Nutzer und Trade-offs. Klär zuerst das Ziel und das Nutzersegment, beschreib das Problem des Nutzers konkret, priorisiere ein Problem und begründe, warum, schlag ein paar Lösungen vor und wähle eine, und nenn dann die Metrik, die zeigen würde, dass es funktioniert, sowie die Risiken. Zu sagen, was du vor einer Festlegung noch lernen müsstest, zeigt Urteilsvermögen, keine Schwäche.
Wie viele Daten brauchst du, bevor du eine Produktentscheidung triffst?
Es hängt von Umkehrbarkeit und Kosten ab. Schwer umkehrbare, teure Entscheidungen wie Preisänderungen brauchen kausale Belege. Umkehrbare Wetten mittlerer Größe brauchen beobachtende Belege, etwa Interviews oder Usability-Tests. Kleine, umkehrbare Änderungen brauchen nur ein Proxy-Signal und eine Tendenz zum Handeln. Jeff Bezos empfahl, die meisten Dinge mit etwa 70 % der Informationen zu entscheiden, die man gern hätte.
Woran erkennst du, ob deine Produktintuition etwas taugt?
Protokolliere vor Entscheidungen Vorhersagen mit einer Sicherheitsstufe und prüfe sie an einem festen Datum. Vergleiche nach 20 bis 30 Einträgen deine Trefferquote in jedem Sicherheitsband mit der behaupteten Sicherheit. Wenn deine „zu 80 % sicher“-Entscheidungen zu etwa 80 % eintreten, bist du gut kalibriert. Treten sie zu 60 % ein, stufe diese Art von Entscheidung herab.
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