5 Fehler in der Nutzerforschung, die zu irreführenden Ergebnissen führen

Von FabricLoop Team · Mai 2026 · 4 Min. Lesezeit

Es gibt eine Form von Nutzerforschung, die schlimmer ist als gar keine: Forschung, die zu selbstsicheren, aber falschen Schlussfolgerungen führt. Betreibt ein Team keine Forschung, weiß es, dass es mit Annahmen arbeitet. Betreibt es schlechte Forschung, glaubt es, Belege zu haben — und hört auf zu suchen.

Die fünf Fehler unten sind keine exotischen Sonderfälle. Sie treten in den meisten Produktteams meistens auf — und zwar so, dass sie von innen überraschend schwer zu erkennen sind.

"Das Ziel von Nutzerforschung ist nicht, deine Instinkte zu bestätigen. Es geht darum, deine Intuition durch Belege zu ersetzen — auch durch den Beleg, dass du falsch lagst."

Die fünf Fehler

Fehler

Wie es sich in der Praxis zeigt

Fehler 1 Nach hypothetischem zukünftigem Verhalten fragen

Das Team fragt „Würdest du eine Funktion nutzen, die X macht?" Nutzer sagen Ja. Das Team baut sie. Niemand nutzt sie. Menschen sind optimistisch, was ihr zukünftiges Ich betrifft, und schätzen schlecht ein, was sie tatsächlich tun werden. Frage immer nach vergangenem Verhalten: „Erzähl mir vom letzten Mal, als du mit X umgehen musstest."

Fehler 2 Nutzer interviewen, die das Produkt bereits lieben

Research-Panels voller Power-User und Fürsprecher liefern wohlwollendes, positives, verbesserungsorientiertes Feedback. Was sie nicht liefern, sind Erkenntnisse darüber, warum Menschen gegangen sind, warum sie nie konvertiert haben oder was das Produkt braucht, um ein neues Segment zu erreichen. Sprich auch mit abgewanderten Nutzern und Nicht-Nutzern — das ist unbequem, aber unverzichtbar.

Fehler 3 Suggestivfragen, die bestehende Überzeugungen bestätigen

„Wie hilfreich fandest du das neue Dashboard?" ist eine Suggestivfrage. „Erzähl mir vom letzten Mal, als du das Dashboard genutzt hast" ist es nicht. Suggestivfragen erzeugen höfliche Zustimmung, nicht ehrliche Bewertung. Die Verbundenheit des Researchers mit seiner Hypothese sickert in die Formulierung der Frage ein, und Nutzer — die sozial sensibel sind — folgen dem Signal.

Fehler 4 Bei „was" haltmachen, ohne „warum" zu fragen

Ein Nutzer sagt: „Ich hätte gerne eine Möglichkeit, die Liste zu filtern." Der Researcher notiert „Nutzer wollen Filterung." Aber Filterung ist eine Lösung, keine Bedürfnis. Was versucht der Nutzer tatsächlich zu tun, wobei Filterung helfen würde? Die Antwort auf „warum" ist, wo die Design-Erkenntnis steckt — und sie zeigt oft eine bessere Lösung als die, die der Nutzer vorgeschlagen hat.

Fehler 5 Qualitative Forschung als quantitativ behandeln

„Drei von fünf Nutzern sagten, sie fanden es verwirrend" ist keine Statistik. Es ist ein Richtungshinweis von fünf Menschen. Qualitative Forschung sagt dir, was und warum; sie kann dir nicht sagen, wie viele. Wer sie mit numerischer Genauigkeit präsentiert, gibt Stakeholdern falsche Sicherheit und verleitet oft dazu, im großen Maßstab das Falsche zu optimieren.

Warum diese Fehler so hartnäckig sind

Die meisten Fehler in der Nutzerforschung sind interessengeleitet. Das Team hat bereits eine Richtung, in die es gehen möchte — eine Funktion, die es bauen möchte, eine Hypothese, an die es glaubt, einen Stakeholder, den es zufriedenstellen möchte. Forschung wird zu einem Ritual, um eine bereits getroffene Entscheidung zu legitimieren, nicht zu einem echten Versuch, sie zu testen.

Die Lösung ist nicht, Researcher für sich genommen disziplinierter zu machen. Es ist, die Rolle „entscheiden, was gebaut wird" von „Forschung durchführen, die diese Entscheidung untermauert" zu trennen. Wenn der Researcher auch die Person ist, die die Funktion vorgeschlagen hat, ist Bestätigungsbias fast unvermeidlich.

Eine nützliche Norm Schreib vor jeder Research-Session auf, welches Ergebnis dich dazu bringen würde, deine Meinung zu ändern. Wenn du es nicht benennen kannst, machst du keine Forschung — du machst Theater. Die Fähigkeit, ein widerlegendes Ergebnis zu nennen, ist der Unterschied zwischen ernsthafter Untersuchung und Bestätigungsbias mit Zusatzschritten.

Zur Stichprobengröße Für Usability-Tests offenbaren fünf bis acht Teilnehmer die Mehrheit der Probleme — der Grenznutzen sinkt schnell. Für Problem-Discovery-Interviews sind zwölf bis fünfzehn normalerweise genug, um Sättigung zu erreichen. Für alles, was du quantitativ auf eine große Grundgesamtheit verallgemeinern willst, brauchst du eine richtige Umfrage mit einer repräsentativen Stichprobe — nicht zehn Interviews.

Wie FabricLoop ehrliche Forschung unterstützt Rohnotizen aus Interviews, Auswertung und Entscheidungen an einem Ort zu halten macht es schwieriger, unbequeme Erkenntnisse still zu verwerfen. Wenn die Belege neben der Entscheidung sichtbar sind, kann das Team sehen, ob die Schlussfolgerung aus dem Gelernten folgte — oder ihr vorausging.

10 Erkenntnisse aus diesem Artikel

Schlechte Forschung ist schlimmer als keine Forschung — sie erzeugt falsches Vertrauen und hält Teams davon ab, weiter zu suchen.
Frage niemals nach hypothetischem zukünftigem Verhalten. Frage stattdessen nach spezifischem vergangenem Verhalten.
Research-Panels aus Fürsprechern liefern wohlwollendes, verbesserungsorientiertes Feedback — keine Erkenntnisse darüber, warum Menschen gehen oder nie konvertieren.
Sprich mit abgewanderten Nutzern und Nicht-Nutzern. Das Feedback ist unbequem, aber unverzichtbar.
Suggestivfragen erzeugen höfliche Zustimmung, nicht ehrliche Bewertung. Achte sorgfältig auf deine Formulierung.
Wenn ein Nutzer eine Lösung vorschlägt („Ich will Filterung"), frag immer nach dem Warum. Die Antwort führt meist zu einer besseren Lösung.
Qualitative Forschung sagt dir, was und warum. Sie kann dir nicht sagen, wie viele. Präsentiere sie nicht mit numerischer Präzision.
Die meisten Forschungsfehler sind interessengeleitet — die Entscheidung wurde bereits getroffen, und Research dient dazu, sie zu legitimieren.
Trenne die Person, die Features vorschlägt, von der Person, die die Forschung durchführt, die sie bewertet.
Schreib vor jeder Research-Session auf, welches Ergebnis dich dazu bringen würde, deine Meinung zu ändern. Kannst du das nicht, betreibst du keine Forschung.