17. Mai 2026Aktualisiert am Fathy Shalaby10 Min. Lesezeit
Feature Factory: 10 Warnsignale, dass dein Team ohne Evidenz ausliefert
Eine Feature Factory liefert viel aus und lernt wenig. Zehn Warnsignale, ein Scorecard-Test in fünf Minuten und die Änderungen, die ein Team von Output zu Outcomes bringen.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Eine Feature Factory ist ein Produktteam, das seinen Erfolg daran misst, wie viel es ausliefert, und nicht daran, ob die Arbeit für Kunden oder das Unternehmen etwas verändert hat. John Cutler hat das Muster 2016 benannt. Die zehn Warnsignale unten decken Kultur, Prozess und Nachverfolgung ab. Wenn vier oder mehr davon auf dein Team zutreffen, lieferst du wahrscheinlich ohne Evidenz aus.
Das Wichtigste in Kürze
John Cutlers Beitrag von 2016 nannte 12 Anzeichen einer Feature Factory, angefangen bei „keine Messung“ und „Launches feiern“ (Cutler, 2016).
Marty Cagan zieht dieselbe Linie zwischen Feature-Teams, die eine Roadmap vorgesetzt bekommen und am Output gemessen werden, und befähigten Produktteams, die Probleme bekommen und an Outcomes gemessen werden (SVPG, 2019).
Pendos Analyse von 2019 ergab, dass 80 % der Features im durchschnittlichen Softwareprodukt selten oder nie genutzt werden – bei börsennotierten Cloud-Unternehmen entspricht das bis zu 29,5 Milliarden US-Dollar an Entwicklungsausgaben (Pendo, 2019).
Meinungsgetriebene Priorisierung verfehlt Wert in beide Richtungen: Eine Bing-Idee lag über sechs Monate im Backlog und steigerte dann den Umsatz um 12 %, als sie endlich getestet wurde (HBR, 2017).
Der schnellste Weg hinaus ist klein: die Metrik vor dem Bauen definieren und nach dem Launch prüfen.
Was ist eine Feature Factory?
Der Begriff stammt von John Cutler, dessen Beitrag „12 Signs You’re Working in a Feature Factory“ vom November 2016 Teams beschrieb, die ständig ausliefern, wenig messen und selten fragen, ob etwas funktioniert hat (Cutler, 2016). Der Ausdruck blieb hängen, weil er etwas benannte, das viele Teams spürten, aber nicht beschreiben konnten.
Zwei weitere Frameworks beschreiben dasselbe Scheitern aus anderen Blickwinkeln:
Feature-Teams vs. Produktteams. Cagans Essay von 2019 stellt Feature-Teams, denen Stakeholder eine priorisierte Roadmap mit Features vorgeben und die an dem gemessen werden, was sie ausliefern, den befähigten Produktteams gegenüber, die Probleme und Geschäftsergebnisse bekommen und die Lösung per Discovery selbst erarbeiten ().
Die Build Trap. Melissa Perri beschreibt Organisationen, die „Features raushauen, um ihren Zeitplan zu erfüllen statt die Bedürfnisse der Kunden“, sodass der Output zum Ziel wird statt des Werts, den er schaffen sollte (Melissa Perri).
Alle drei beschreiben dieselbe Ursache: Die Erfolgsmetrik des Teams ist der Output, deshalb wird Evidenz optional.
Was kostet es, ohne Evidenz zu bauen?
Die am häufigsten zitierte Zahl stammt aus Pendos Feature Adoption Report 2019: Über 615 Pendo-Abonnements hinweg wurden 80 % der Features im durchschnittlichen Produkt selten oder nie genutzt, und Pendo schätzte, dass börsennotierte Cloud-Softwareunternehmen bis zu 29,5 Milliarden US-Dollar in ihre Entwicklung investiert hatten (Pendo, 2019). Das sind die Kundendaten eines einzelnen Anbieters, kein universelles Gesetz, aber die Richtung deckt sich mit dem, was die meisten PMs in ihren eigenen Analytics sehen. Mehr zu dieser Zahl findest du in Warum 80 % der Features nie genutzt werden.
Ungenutzte Features sind auch nach dem Launch nicht gratis. Jedes verursacht Oberfläche in der UI, Support-Fragen, Testfälle und Code, der gepflegt werden muss.
Die Kehrseite ist genauso real: gute Ideen, die nie gebaut werden, weil die Priorisierung auf Meinungen beruht. Ron Kohavi und Stefan Thomke beschreiben die Idee eines Bing-Mitarbeiters, die Darstellung von Anzeigenüberschriften zu ändern. Sie erforderte nur wenige Tage Entwicklungsaufwand, doch die Program Manager stuften sie unter Hunderten von Vorschlägen niedrig ein, und sie lag über sechs Monate im Backlog. Als ein Entwickler schließlich einen einfachen A/B-Test durchführte, steigerte sie den Umsatz um 12 %, ohne die Kennzahlen zur Nutzererfahrung zu verschlechtern – was die Autoren allein in den USA auf über 100 Millionen US-Dollar pro Jahr schätzen (HBR, 2017). Eine Feature Factory baut die falschen Dinge und lässt die richtigen aus.
Was sind die 10 Warnsignale einer Feature Factory?
Signale in der Kultur
1. Die Roadmap wird von der Meinung des Höchstbezahlten bestimmt. Prioritäten ändern sich nach einem Führungsmeeting, nicht nach neuer Kundenevidenz. Kurztest: Kann bei deinen Top-3-Roadmap-Punkten jemand die Kundenevidenz dahinter nennen?
2. Velocity ist die Hauptkennzahl. Story Points, geschlossene Tickets und Release-Zahlen werden jeden Sprint berichtet; Adoption, Retention und Conversion selten oder nie. Cutler führt es als eigenes Anzeichen auf, PMs an Output und Velocity zu messen (Cutler, 2016).
3. Launches werden gefeiert, Ergebnisse nicht besprochen. Auf der All-Hands-Folie steht „ausgeliefert“. Niemand meldet sich 30 Tage später mit „und das hat sich verändert“.
Signale im Prozess
4. Arbeit geht direkt von der Idee zum Ticket. Keine Problembeschreibung, keine Kundengespräche, kein Prototyp. Discovery ist etwas, das „wir machen, wenn wir Zeit haben“. Unser Leitfaden zum Product-Discovery-Prozess zeigt, wie der fehlende Schritt aussieht.
5. Ein lauter Kunde kann das Quartal umlenken. Die E-Mail eines einzelnen hochwertigen Kunden löst einen großen Build aus, ohne zu prüfen, ob andere Kunden das Problem teilen. Auf Cutlers Liste steht auch, Features zu bauen, um Deals abzuschließen, obwohl die finanzielle Rechtfertigung dünn ist.
6. Die Roadmap listet Features statt Outcomes. Jede Zeile ist ein Liefergegenstand mit Datum. Keine sagt, welches Kundenverhalten oder welche Geschäftskennzahl sie verändern soll. Die Alternative zeigen Outcome-basierte Roadmaps.
7. Die Umsetzenden können nicht erklären, warum ihre Arbeit wichtig ist. Frag einen Entwickler oder Designer, wie seine aktuelle Aufgabe Churn, Aktivierung oder Umsatz beeinflusst. Lautet die Antwort „der PM wollte es“, kommt die Strategie nicht im Team an.
Signale in der Nachverfolgung
8. Niemand prüft die Ergebnisse nach dem Launch. Das Team wechselt zum nächsten Ticket, sobald der Code in Produktion ist. Das Ausliefern gilt als Ende des Prozesses statt als Beginn des Lernens.
9. Nie wird etwas entfernt. Features kommen hinzu, werden aber auf Basis von Daten fast nie gestrichen oder überarbeitet. Cutler spricht das direkt an: Teams verwerfen selten Arbeit und haben oft nicht die Sicherheit, zuzugeben, dass eine Wette gescheitert ist.
10. Keine Iteration nach Version eins. Sobald ein Feature live ist, gilt es als „fertig“, selbst wenn die frühe Nutzung zeigt, dass Menschen damit kämpfen. Feedback fließt nie in einen zweiten Durchgang zurück.
Wie bewertest du dein Team? Eine Feature-Factory-Scorecard in fünf Minuten
Bewerte jedes Signal mit 0 (trifft nicht zu), 1 (trifft manchmal zu) oder 2 (trifft meistens zu). Sei ehrlich; die Punktzahl ist für dich.
#
Warnsignal
Punkte (0–2)
1
Roadmap von der Meinung des Höchstbezahlten bestimmt
2
Velocity ist die Hauptkennzahl
3
Launches gefeiert, Ergebnisse nicht besprochen
4
Ideen gehen direkt in Tickets
5
Ein lauter Kunde lenkt das Quartal um
6
Roadmap listet Features statt Outcomes
7
Umsetzende können nicht erklären, warum ihre Arbeit wichtig ist
8
Keine Prüfung nach dem Launch
9
Nie wird etwas entfernt
10
Keine Iteration nach Version eins
Summe (max. 20)
So liest du das Ergebnis:
0–5: Ihr seid überwiegend outcome-getrieben. Behaltet die Gewohnheiten bei, die euch hierhin gebracht haben.
6–11: Gemischt. Nimm die zwei Signale mit der höchsten Punktzahl und behebe sie zuerst.
12–20: Feature Factory. Beginne mit Signal 8: Eine Prüfung nach dem Launch ist die günstigste Änderung und macht jedes andere Problem sichtbar.
Diese Schwellen sind eine Faustregel, um ein Gespräch zu beginnen, kein Benchmark.
Ist schnelles Ausliefern etwas Schlechtes?
Nein. Tempo ist ein Vorteil, wenn du in die richtige Richtung läufst. Ist die Roadmap eine Wunschliste von Features statt einer Liste von Outcomes, bringt schnelleres Liefern dich nur früher ans falsche Ziel. Diese Lücke ist gewachsen, seit KI-Coding-Tools die Bauzeit verkürzen; wir betrachten sie in Die Illusion der Produkt-Velocity.
Tempo schützt ein stetiger Fluss an Evidenz. Teresa Torres definiert Continuous Discovery als wöchentliche Kundenkontakte des Teams, das das Produkt baut (Product Talk). Teams, die jede Woche mit Kunden sprechen, können schnell sein, weil sie früh merken, wenn sie falschliegen. Ohne diese Gewohnheit wird jedes Experiment zu einem Projekt, das gelingen muss, und Teams, die nicht scheitern dürfen, hören auf zu experimentieren.
Wie kommst du aus einer Feature Factory heraus?
Definiere die Erfolgsmetrik, bevor du Code schreibst. Notiere für jeden Punkt, der mehr als ein paar Tage Arbeit bedeutet, die Zahl, die sich bewegen soll, und um wie viel. Kannst du keine nennen, bist du noch nicht bereit, es zu bauen.
Prototypen früh. Teste die riskanteste Annahme mit dem billigsten Artefakt: einer Skizze, einem klickbaren Prototyp oder einer Fake Door. Lohnt sich ein Prototyp für ein Feature nicht, lohnt sich selten der Bau. Unsere Übersicht Was als Evidenz für jedes Produktrisiko zählt hilft dir, den passenden Test zu wählen.
Definiere „fertig“ neu. Ändere es von „Code in Produktion“ zu „Code in Produktion und die Metrik geprüft“.
Rolle erst an einen Ausschnitt aus. Nutze Feature Flags, um an einen kleinen Teil der Nutzer auszuliefern, mit dem Rest zu vergleichen und dann auszuweiten. So sammelst du Evidenz, bevor die gesamte Nutzerbasis für einen Fehler zahlt.
Schreibe die Roadmap als Outcomes um. Jede Zeile wird zu einem Problem mit Zielmetrik; Features werden darunter zu Lösungskandidaten.
Halte ein vierteljährliches Kill Review ab. Liste Features mit niedriger Nutzung auf und entscheide bei jedem, ob du es verbesserst, behältst oder entfernst.
Praxisbeispiel: ein Quartal, gemessen
Dieses Beispiel ist illustrativ. Ein SaaS-Team mit 12 Entwicklern liefert in einem Quartal 30 Features aus und berichtet dem Vorstand „30 ausgeliefert“. Der PM führt die Scorecard durch und kommt auf 13.
Das Team geht die 30 Launches noch einmal durch:
Bei 8 war vor dem Bau eine Erfolgsmetrik notiert.
Von diesen 8 bewegten 3 ihre Metrik um den Zielwert.
Die anderen 22 hatten keine Metrik, also kann niemand sagen, ob sie funktioniert haben.
Im nächsten Quartal verpflichtet sich das Team auf 15 Wetten statt 30, jede mit einer Metrik und einem Review-Termin nach 30 Tagen. Am Quartalsende haben 6 der 15 ihr Ziel erreicht, 5 sind nicht eindeutig und bekommen eine zweite Iteration, und 4 sind gescheitert und werden zurückgerollt. Die Vorstandsfolie lautet jetzt „6 Outcomes bewegt, 4 Ideen verabschiedet“ statt „30 ausgeliefert“. Weniger Launches, doppelt so viele belegte Erfolge und eine klare Liste dessen, was nicht mehr gepflegt werden muss.
Wann ist „Feature Factory“ die falsche Diagnose?
Sehr frühe Startups. Vor dem Product-Market-Fit kann es die Forschungsmethode sein, viele kleine Dinge schnell auszuliefern – solange jedes Release als Test behandelt wird und jemand das Ergebnis anschaut.
Vertragliche oder regulatorische Arbeit. Compliance-Features und zugesagte Kundenlieferungen brauchen keine Wachstumsmetrik. Kennzeichne sie als Verpflichtungen, damit sie den Rest der Roadmap nicht verzerren.
Plattform- und Schuldenarbeit. Refactoring hat selten eine Kundenmetrik. Cutlers eigene Liste warnt davor, sie zugunsten glänzender Features zu ignorieren.
Vertriebsgetriebene Features mit echter Wirtschaftlichkeit. Für einen Deal zu bauen kann richtig sein, wenn der Umsatz die langfristige Komplexität rechtfertigt. Das Warnzeichen ist, es standardmäßig zu tun, ohne diese Rechnung.
Wo Specky ins Spiel kommt
Specky hilft Teams, die Factory zu verlassen, indem es Evidenz an der Arbeit hält. Es liest Gespräche, Feedback, Slack, Jira und Analytics in einen Product Graph ein, entwirft Specs und Tickets mit inline zitierter Kundenevidenz und prüft nach dem Launch, ob die Wette aufgegangen ist, sodass Signal 8 nicht mehr der Normalfall ist.
Häufig gestellte Fragen
Was ist eine Feature Factory im Produktmanagement?
Eine Feature Factory ist ein Team oder Unternehmen, das das Ausliefern von Features als Ziel behandelt. Erfolg wird am Output gemessen, etwa an veröffentlichten Features oder geschlossenen Story Points, statt an Outcomes wie Adoption, Retention oder Umsatz. John Cutler machte den Begriff 2016 mit einem Beitrag bekannt, der 12 Anzeichen auflistet, darunter fehlende Messung, das Feiern von Launches und dass Arbeit selten gestrichen wird.
Wer hat den Begriff Feature Factory geprägt?
John Cutler, ein Produkt-Coach, der später bei Amplitude arbeitete, veröffentlichte im November 2016 „12 Signs You’re Working in a Feature Factory“ auf seinem Blog. Ende 2019 schrieb er einen Nachfolgebeitrag. Die Idee überschneidet sich mit Marty Cagans Unterscheidung zwischen Feature-Teams und Produktteams sowie mit Melissa Perris Build Trap.
Was ist der Unterschied zwischen einem Feature-Team und einem Produktteam?
In Marty Cagans Darstellung erhält ein Feature-Team von Stakeholdern eine priorisierte Roadmap mit Features und wird daran gemessen, sie zu liefern. Ein befähigtes Produktteam erhält ein Problem und ein Geschäftsergebnis, erarbeitet die Lösung per Discovery und wird daran gemessen, ob sich das Ergebnis bewegt hat. Die Menschen können dieselben sein; der Unterschied liegt darin, wofür sie verantwortlich sind.
Wie misst du Outcomes statt Output?
Notiere vor dem Bauen das Kundenverhalten oder die Geschäftskennzahl, die sich durch die Arbeit ändern soll, dazu Ziel und Review-Datum. Prüfe sie nach dem Launch und halte das Ergebnis neben der ursprünglichen Entscheidung fest. Verfolge den Anteil der ausgelieferten Arbeit, der eine Metrik hatte, und den Anteil, der sie erreicht hat. Diese beiden Zahlen sagen mehr als Velocity.
Kann ein schnelles Startup vermeiden, zur Feature Factory zu werden?
Ja, wenn das Tempo dem Lernen dient. Liefere klein aus, definiere, was jedes Release beweisen soll, und sieh dir das Ergebnis an, bevor du den nächsten Schritt entscheidest. Wöchentlicher Kundenkontakt, wie in Teresa Torres’ Continuous Discovery, hält die Evidenz im Fluss. Das Risiko wächst, wenn Teams skalieren und Output nach oben berichten, weil er sich leichter zählen lässt.
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