Um offene Umfrageantworten auszuwerten, sammelst du sie in einer Tabelle, liest eine Stichprobe, schreibst eine kurze Liste von Codes für die Gründe, die du siehst, und versiehst jede Antwort damit. Dann zählst du die Codes nach Kundengruppe und belegst jedes Ergebnis mit einem Zitat. Das ist alles. Die Methode ist alt und Handarbeit, und sie funktioniert immer noch besser als eine Wortwolke.
Das lohnt sich, weil in offenen Antworten die Gründe stecken. Eine Bewertung sagt dir, dass Leute unzufrieden sind. Codierte Antworten sagen dir, welches Problem du zuerst lösen solltest und wer sich darum kümmern muss. Dieser Ratgeber geht jeden Schritt mit einem Beispiel durch und zeigt dann, wo KI dir Zeit spart und wo sie unbemerkt danebenliegt.
Das Wichtigste in Kürze
- Erst lesen, dann codieren. Deine Codes sollten aus den Antworten kommen, nicht aus deinen Annahmen.
- Codiere den Grund, nicht das Thema. Hinter „Preis“ stecken vier verschiedene Probleme mit vier verschiedenen Lösungen.
- Zähl nach Kundengruppe und stell jeder Zahl ein Zitat zur Seite.
- Lass die KI ein Codebuch anwenden, das du geschrieben hast. Lass sie nicht entscheiden, was wichtig ist.
Fang mit Antworten an, die sich auszuwerten lohnen
Keine Methode rettet leere Antworten. Wenn die meisten „gut“, „k. A.“ oder „nichts“ schreiben, gibt es nichts zu codieren.
Schau dir also zuerst die Fragen an. „Was hätte dich fast davon abgehalten, dich anzumelden?“ bringt Antworten, mit denen du arbeiten kannst. „Sonstige Anmerkungen?“ bringt Rauschen. Am meisten helfen Rückfragen: Aus „zu kompliziert“ wird „Ich habe nicht gefunden, wie ich mein Team einlade“, und das kann jemand beheben. In unserer Liste mit offenen Fragen für Umfragen findest du Fragen, die ausführliche Antworten bringen.
Wähle eine Methode, die zu deiner Menge passt
Wie du auswertest, hängt davon ab, wie viele Antworten du hast.
| Antworten | Was funktioniert | Zeitaufwand |
|---|---|---|
| Unter 50 | Alle lesen. Notieren, was immer wieder vorkommt. Zitate herausziehen. | Ein bis zwei Stunden |
| 50 bis 500 | Codieren in einer Tabelle, wie in den Schritten unten | Ein halber bis zwei Tage |
| Ab 500 | Eine Stichprobe von Hand codieren, dann das Codebuch mit KI oder Textanalyse-Tools auf den Rest anwenden und stichprobenartig prüfen | Je nach Tool, plus deine Zeit fürs Prüfen |
Egal wie groß die Menge ist, das Denken bleibt gleich. Du legst fest, was die Kategorien sind. Tools helfen dir nur, sie schneller anzuwenden.
Offene Umfrageantworten in 7 Schritten auswerten
Diese Methode funktioniert in Google Sheets oder Excel. Spezielle Software brauchst du nicht.
Sammle alle Antworten in einer Tabelle
Eine Zeile pro Antwort. Leg Spalten an für die ID der befragten Person, die Kundengruppe (Tarif, Rolle, Kundendauer oder Bewertung), die Frage, die Antwort und zwei oder drei leere Code-Spalten. Über die ID-Spalte kannst du jede Zahl auf die Originalantwort zurückführen, auch nach dem Sortieren.
Lies zuerst eine Stichprobe
Lies 30 bis 50 Antworten, bei großen Mengen etwa ein Zehntel, ohne etwas zu codieren. Notier dir die Gründe, die immer wieder auftauchen. Hier merkst du, worüber Kunden wirklich sprechen, statt was du von ihnen erwartet hast.
Entwirf ein Codebuch
Mach aus deinen Notizen 5 bis 15 Codes. Gib jedem einen kurzen Namen und eine Definition in einem Satz. Benenne den Grund, nicht das Thema: „Export nicht gefunden“ ist nützlich, „UX-Probleme“ nicht.
Codiere jede Antwort
Geh jede Antwort durch und vergib einen oder mehrere Codes. Nimm „Sonstiges“ für alles, was nicht passt, und schau dort oft hinein. Wenn „Sonstiges“ mehr als etwa jede zehnte Antwort ausmacht, fehlt dir ein Code. Wenn du einen neuen hinzufügst, geh zurück und prüf die früheren Zeilen noch einmal.
Zähle und vergleiche nach Gruppen
Zähl jeden Code mit einer Pivot-Tabelle. Teile die Zahlen dann nach Kundengruppe auf. Ein Grund, der insgesamt selten ist, kann bei deinen größten Kunden das Hauptproblem sein. Gib ihn als Anteil der Leute an, die geantwortet haben.
Zieh Zitate heraus
Such für jeden wichtigen Code zwei oder drei Antworten aus, die ihn klar in den eigenen Worten des Kunden ausdrücken. Zitate machen ein Ergebnis greifbar für Leute, die die Daten nie gesehen haben.
Formuliere Ergebnisse als Sätze
„Neue Teams bleiben bei der Einrichtung hängen, weil der Einladen-Button schwer zu finden ist“ ist ein Ergebnis. „Onboarding: 23 Nennungen“ nicht. Schreib den Satz, mit dem ein Kollege etwas anfangen kann, und ergänze dann die Zahl und ein Zitat.
Jeff Sauros Anleitung zum Codieren von Freitextkommentaren bei MeasuringU beschreibt denselben Prozess ausführlicher, einschließlich Konfidenzintervallen für deine Prozentwerte.
Codiere den Grund, nicht das Thema
Der häufigste Fehler ist, nach Thema zu codieren. Themen sind leicht zu erkennen, deshalb fühlt es sich richtig an. Aber hinter einem Thema stecken oft mehrere Probleme, jedes mit einer anderen Lösung.
Nimm „Preis“. Das kann es tatsächlich bedeuten:
| Themen-Code | Gründe, die darin stecken | Wer es löst |
|---|---|---|
| Preis | Preis unklar: wusste nicht, was es kosten würde | Preisseite |
| Überraschende Kosten: eine Gebühr oder ein Limit, das spät auffiel | Abrechnung und Tariflimits | |
| Nutzen noch unklar: hatte es vor dem Bezahlen nicht funktionieren sehen | Onboarding | |
| Über dem Budget: wollte es, konnte es sich aber nicht leisten | Tarife und Pakete |
Wenn du „Preis: 30 % der Antworten“ meldest, wird das Team wahrscheinlich über den Preis streiten. Wenn du meldest, dass die meisten dieser Antworten „Nutzen noch unklar“ waren, wandert die Lösung ins Onboarding. Dieselben Daten, eine ganz andere Entscheidung.
Beispiel für ein Codebuch
Hier ein kleines Codebuch für die Frage „Was hätte dich fast davon abgehalten, dich anzumelden?“
| Code | Definition | Beispielantwort |
|---|---|---|
| Preis unklar | Wusste nicht, was es kosten würde | „Ich war nicht sicher, ob Gäste als Nutzerplätze zählen.“ |
| Sorge vor Einrichtung | Erwartete eine langsame oder technische Einrichtung | „Sah aus, als bräuchte man dafür einen Entwickler.“ |
| Vertrauen | Unsicher wegen des Unternehmens oder der Datensicherheit | „Hatte noch nie von euch gehört, also habe ich erst Bewertungen gelesen.“ |
| Fehlende Funktion | Brauchte etwas, das nicht zu sehen war | „Konnte nicht erkennen, ob es mit unserem Login-System funktioniert.“ |
| Wechselkosten | Hatte schon in ein anderes Tool investiert | „Wir müssten Daten aus zwei Jahren umziehen.“ |
| Kein Hindernis | Hat nicht gezögert | „Nichts, ich brauchte es schnell.“ |
| Sonstiges | Alles andere, wird wöchentlich geprüft | „Meine Chefin war im Urlaub.“ |
Halte die Definitionen kurz. Wenn zwei Leute dieselbe Antwort unterschiedlich codieren würden, muss die Definition nachgeschärft werden. Auch „Kein Hindernis“ lohnt sich zu erfassen. So bleiben die Probleme im richtigen Verhältnis.
Ein durchgerechnetes Beispiel
Fünf Leute haben die Frage oben beantwortet. So würden sie codiert.
| ID | Tarif | Antwort | Codes |
|---|---|---|---|
| 101 | Team | „Auf der Preisseite stand nicht, ob Gäste als Nutzerplätze zählen.“ | Preis unklar |
| 102 | Solo | „Eigentlich nichts, ich brauchte es schnell.“ | Kein Hindernis |
| 103 | Solo | „Ich dachte, die IT müsste es einrichten, und unsere IT ist langsam.“ | Sorge vor Einrichtung |
| 104 | Team | „Nicht sicher, ob es mit unserem Login-System klarkommt, und der Preis pro Nutzer hat mich verwirrt.“ | Fehlende Funktion, Preis unklar |
| 105 | Team | „Wir zahlen schon für ein Umfrage-Tool.“ | Wechselkosten |
Antwort 104 bekommt zwei Codes. Das ist normal, und genau deshalb lässt du Platz für mehr als einen Code pro Zeile. Es bedeutet auch, dass deine Prozentwerte zusammen über 100 % liegen können. Sag das dazu, wenn du sie teilst.
Sobald jede Zeile codiert ist, erledigt die Pivot-Tabelle den Rest. Vielleicht stellst du fest, dass „Preis unklar“ fast nur aus Team-Tarifen kommt, während Solo-Nutzer die Einrichtung nennen. Das sind zwei Ergebnisse mit zwei Zuständigen: die Preisseite fürs Marketing und der Einrichtungsablauf fürs Produktteam.
Fehler, die die Ergebnisse verzerren
- Zu breite Codes. „Produktfeedback“ passt auf alles und sagt dir nichts.
- Wortwolken. Sie zählen Wörter, nicht Bedeutung. „Nicht einfach“ und „einfach“ lassen beide „einfach“ größer aussehen.
- Allein codieren. Bitte einen Kollegen, dieselben 20 Antworten zu codieren. Wo ihr euch uneinig seid, schärf die Definition nach.
- Zählen ohne Kontext. Ein Grund, den ein paar große Kunden nennen, kann wichtiger sein als einer, den viele Gratis-Nutzer nennen.
- Zahlen ohne Zitate. Leute vertrauen dem, was sie in den eigenen Worten der Kunden lesen können.
- Codieren vor dem Lesen. Wenn du das Codebuch zuerst schreibst, findest du, was du erwartet hast, und übersiehst den Rest.
Offene Antworten mit ChatGPT oder Claude auswerten
Allgemeine KI-Chat-Tools wie ChatGPT und Claude sind gut bei den langwierigen Teilen: lesen, zusammenfassen und Codes vergeben. Schwächer sind sie bei der Entscheidung, welche Codes es überhaupt geben sollte. Die Forschung bestätigt diese Aufteilung.
Als Forscher Sprachmodellen eine feste Liste von 50 Kategorien für Antworten aus einer britischen Wahlumfrage gaben, kam das beste Modell nah an einen menschlichen Codierer heran: 93,9 % Genauigkeit gegenüber 94,7 % bei einem zweiten Menschen. Bei einem schwierigeren Test mit neueren Antworten war der Abstand größer. Und als Langer Research das KI-Codieren offener Antworten testete, stieß das Team auf „schlechte Kategorienbildung, Fehlzuordnungen und die Unfähigkeit, Nuancen oder Wertungen zu erkennen“.
Zusammengenommen heißt das: KI schneidet gut ab, wenn ein Mensch die Kategorien festlegt, und tut sich schwer, wenn sie sie selbst erfinden soll. Die Faustregel ist also einfach. Du schreibst das Codebuch. Die KI hilft beim Anwenden.
Bevor du etwas einfügst
Umfrageantworten sind Kundendaten, also behandle sie auch so.
- Prüf zuerst die Regeln in deinem Unternehmen. Viele Teams haben festgelegt, welche KI-Tools Kundendaten sehen dürfen. Frag nach, bevor du etwas einfügst.
- Entferne persönliche Angaben. Lösch Namen, E-Mail-Adressen, Telefonnummern, Firmennamen und alles andere, was jemanden identifiziert. Behalte nur die ID-Spalte und die Antwort.
- Prüf die Dateneinstellungen deines Kontos. Ob deine Chats zum Training von Modellen genutzt werden dürfen, hängt vom Tool, vom Tarif und von deinen Einstellungen ab. Business-Tarife regeln das oft anders als kostenlose. Schau also für das Konto nach, das du nutzt.
- Füg die Antworten in Portionen ein. 30 bis 50 Antworten auf einmal halten jede Antwort der KI kurz genug, um sie richtig zu prüfen. Bei sehr langen Texten rutschen Fehler unbemerkt durch.
Prompts zum Kopieren
Diese Prompts funktionieren in ChatGPT, Claude oder jedem ähnlichen Chat-Tool.
1. Codes aus einer Stichprobe entwerfen (Schritt 3)
Hier sind 40 Kundenantworten auf die Frage „deine Frage“.
Schlag 8 bis 12 Codes vor, die den GRUND hinter jeder Antwort beschreiben, nicht das Thema.
Gib für jeden Code einen kurzen Namen, eine Definition in einem Satz und zwei Beispielantworten aus der Liste an.
Nutze nur Gründe, die in den Antworten vorkommen. Erfinde keine.
Antworten mit IDs einfügen
2. Dein Codebuch anwenden (Schritt 4)
Hier ist mein Codebuch: Code-Namen und Definitionen einfügen.
Codiere jede Antwort unten. Eine Antwort kann mehr als einen Code haben.
Nutze „Sonstiges“, wenn nichts passt. Erstelle keine neuen Codes.
Gib eine Tabelle mit drei Spalten zurück: ID, Codes und ein paar Wörter aus der Antwort, die den Code begründen.
30 bis 50 Antworten mit IDs einfügen
3. Zitate finden (Schritt 6)
Wähle aus den Antworten unten die drei aus, die den Grund „Code-Name“ am klarsten in den eigenen Worten des Kunden ausdrücken.
Zitiere sie wörtlich. Bearbeite oder kombiniere sie nicht.
Prüf ihre Arbeit
- Prüf 20 Zeilen pro Portion. Lies die Antwort, dann den Code. Wenn mehr als ein paar falsch sind, korrigier die Definitionen und lass es noch einmal laufen.
- Prüf, ob die Zitate echt sind. Such jedes Zitat in deiner Tabelle. KI-Tools glätten oder verschmelzen Antworten manchmal.
- Lies „Sonstiges“ selbst. Dort stecken meistens die Überraschungen.
So präsentierst du die Ergebnisse
Lange Berichte liest niemand. Beschränk die Zusammenfassung auf eine Seite.
Frage: die genaue Frage, gestellt an wen zwischen Daten. N Personen haben geantwortet.
Wichtigste Ergebnisse
1Ergebnis als Satz. X von N Antworten. „Zitat“ „Zitat“
2Ergebnis als Satz. X von N Antworten. „Zitat“ „Zitat“
3Ergebnis als Satz. X von N Antworten. „Zitat“ „Zitat“
Unterschiede zwischen Gruppen
[z. B. Team-Tarife nennen X viel häufiger als Solo-Tarife.]
Was uns überrascht hat
Eine Sache, mit der niemand gerechnet hat.
Vorgeschlagene nächste Schritte
[Wer sich welches Ergebnis ansehen sollte und was man ausprobieren könnte.]
Vollständige codierte Tabelle: Link
Wenn du anhand der Ergebnisse entscheiden willst, was gebaut wird, macht unser Ratgeber zum Priorisieren von Feature-Wünschen dort weiter, wo dieser aufhört. Für das große Ganze, also wie du Zahlen und Worte kombinierst, lies qualitative vs. quantitative Forschung.
So hilft dir Diaform
Diaform erleichtert den ersten Teil: Antworten zu bekommen, die sich auszuwerten lohnen. Es sammelt offene Antworten in kurzen Gesprächen und fragt nach, wenn eine Antwort vage ist. So bekommst du weniger „passt schon“. Jedes abgeschlossene Gespräch erhält eine KI-Zusammenfassung sowie Antworten pro Frage mit einem Stimmungslabel (positiv, negativ, neutral oder gemischt) und einer Einschätzung der Antwortsicherheit. Auf Wunsch bekommst du markante Zitate, und das vollständige Transkript ist immer verfügbar.
Du kannst Antworten durchsuchen und filtern, zum Beispiel um alle negativen Antworten auf einmal zu lesen, und sie dann als CSV exportieren und die Codier-Schritte oben in deiner eigenen Tabelle durchführen. Damit es klar ist: Diaform gruppiert Antworten nicht für dich in Themen. Das Codebuch bleibt bei deinem Team, aber du startest mit klareren Antworten und fertigen Zusammenfassungen. Sieh dir an, wie es für Produktfeedback funktioniert, oder starte einen 14-tägigen kostenlosen Test.
