Für jedes Unternehmen sind quantitative und qualitative Daten entscheidende Quellen, um die Kundschaft besser kennenzulernen und so die Erfahrung eines Produkts zu verbessern, um dessen Performance zu maximieren. Vor diesem Hintergrund nutzt die Experimentierung diese beiden Datensätze, um einen CRO-Ansatz mit zwei klar getrennten Forschungsphasen zu starten: die quantitative Analyse und die qualitative Analyse. Schauen wir uns gemeinsam ihre Unterschiede an und wie man sie bestmöglich in Ihren Data-Marketing-Strategien einsetzt.
Was ist quantitative und qualitative Analyse?
Definition der quantitativen Analyse
Die quantitative Forschung, auch quantitative Analyse genannt, ist eine Methode, die auf Fakten und Zahlendaten beruht, die oft in Form von Statistiken ausgedrückt werden, um das Verhalten von Personen zu verstehen und zu analysieren. Diese Ergebnisse werden nach der Datenerhebung in einer Tabelle oder einem Diagramm analysiert.
In unserem CRO-Ansatz nutzen wir First-Party-Daten unserer Kunden, die aus Analytics-Tools wie Google Analytics 4 oder Piano Analytics stammen.
Beispiel für quantitative Analyse im CRO:
Bei der Analyse des Verkaufstrichters in Google Analytics 4 stellen wir ein präzises, beziffertes Problem fest: 70 % der Nutzer brechen ihren Warenkorb in Schritt 3 ab.
- Die Feststellung: Man weiß, wo die Nutzer abspringen und wie viele es sind.
- Die Grenze: Wir wissen noch nicht, warum sie abspringen (liegt es am Preis? an einem Fehler? an einem zu langen Formular?).
Definition der qualitativen Analyse
Die qualitative Studie beruht auf der Interpretation von Verhaltensdaten. Sie dient dazu, ein beobachtetes Phänomen zu verstehen oder zu erklären.
Diese beschreibende Methode stützt sich auf Studien wie Nutzerinterviews oder Beobachtungen vom Typ „Heatmap“ oder „Session Replay“, die man aus Tools wie Contentsquare oder Air360 extrahieren kann.
Beispiel für qualitative Analyse im CRO:
Um den zuvor erkannten Warenkorbabbruch zu verstehen, nutzen wir Contentsquare, um die Session Replays des Lieferschritts anzusehen.
- Die Beobachtung: Wir stellen fest, dass Nutzer mehrmals auf den Button „Bestätigen“ klicken, die Seite sich aber nicht lädt: Ein Pflichtfeld wird nicht richtig angezeigt.
- Der Insight: Die qualitative Analyse deckt die Ursache des Problems auf (ein Interface-/UX-Fehler), die Zahlen allein nicht erklären konnten.
Was sind die Unterschiede zwischen quantitativer und qualitativer Analyse?
Um die Nutzererfahrung zu optimieren, ist es entscheidend, diese beiden Methoden nicht gegeneinander auszuspielen, sondern sie als zwei Seiten derselben Medaille zu betrachten. Hier eine Vergleichstabelle zur besseren Übersicht:
| Kriterium | Quantitative Analyse | Qualitative Analyse |
|---|---|---|
| Ziel | Lecks identifizieren | Reibungspunkte verstehen |
| Datentyp | Numerisch und statistisch | Subjektiv, visuell und beschreibend |
| Schlüsselfrage | Was? Wo? Wie viel? | Warum? Wie? |
| Methoden | Analyse numerischer Daten | Umfrage, Interview, Verbatims |
| Tools | Google Analytics 4 oder Piano Analytics | Contentsquare oder Usertesting |
Diese beiden sehr unterschiedlichen Ansätze bieten eine echte Chance, wenn sie im Rahmen einer gemischten Methode kombiniert werden.
Warum quantitative und qualitative Forschung kombinieren?
Die isolierte Verwendung einer einzigen Forschungsmethode erlaubt es nicht, die gestellte Frage vollständig zu beantworten, da es ihr an Kontext mangelt.
Tatsächlich birgt die ausschließliche Nutzung der quantitativen oder qualitativen Analyse an sich ein Risiko, denn:
- Nur quantitativ: Die numerischen Ergebnisse ermöglichen es nicht, die Frage „Warum?“ oder „Wie?“ zu beantworten, also die Gründe zu verstehen.
- Nur qualitativ: Die Beobachtungen lassen sich nicht präzise bewerten. Zudem kann der qualitativen Analyse ohne den quantitativen Teil eine Orientierung fehlen.
Das Hinzufügen einer weiteren Datenebene zur Analyse bietet somit eine breitere Sicht, erleichtert das Verständnis und ermöglicht fundierte Insights. Die Kombination beider Methoden schließt die Lücken jedes einzelnen Ansatzes.
3 Beispiele für gemischte Methoden
In der UX-Forschung gibt es mehrere gemischte Methoden, die von Creswell und Plano in ihrem Buch „Designing and Conducting Mixed Methods Research“ vorgestellt werden, von denen jede für einen spezifischen Anwendungsfall geeignet ist.
Die Triangulation
Bei Welyft nutzen wir die Triangulation, um Rohdaten in eine 360°-Sicht auf Ihre Nutzer zu verwandeln. Mehr als nur eine Überprüfung, ist sie ein Werkzeug zur Aufdeckung tiefgreifender Insights.
Der Reichtum dieser Methode liegt in der Vielfalt der Perspektiven, die sie mitbringt:
- Der quantitative Insight: Dank Datenanalyse identifizieren wir Massenverhalten und statistische Reibungspunkte.
- Der qualitative Insight: Durch die Analyse von Session Replays, Interviews oder Nutzertests verstehen wir Emotionen, tiefere Beweggründe und erlebte Frustrationen.
- Der kontextuelle Insight: Durch die Beobachtung des Nutzers in seiner realen Umgebung erfassen wir schwache Signale und unausgesprochene Nutzungsweisen.
Die Sorgfalt der Triangulation muss stets im Verhältnis zum geschäftlichen Risiko der Optimierung stehen. Bei einer geringfügigen Änderung reicht ein begrenztes Bündel an Hinweisen aus, um die Intuition zu bestätigen. Sobald jedoch der Kern der Nutzererfahrung oder das Geschäftsmodell betroffen ist, vervielfachen wir die Datenquellen. Das Ziel ist es, den Forschungsaufwand so anzupassen, dass eine sichere Entscheidungsfindung gewährleistet ist, ohne die für das Projekt nötige Geschwindigkeit zu opfern.
Das explorative Modell
Dieses Modell läuft in zwei aufeinanderfolgenden Phasen ab.
Es beginnt mit einer qualitativen, explorativen Phase, die darauf abzielt, Hypothesen, Irritationen oder noch wenig bekannte Nutzerbedürfnisse durch Interviews, Nutzertests oder die Analyse von Verbatims zu identifizieren.
Diese ersten Erkenntnisse dienen anschließend als Grundlage für eine quantitative Phase, deren Aufgabe es ist, das Ausmaß der beobachteten Phänomene zu messen und die Chancen im großen Maßstab zu priorisieren.
Dieses Modell ist besonders relevant, wenn das Problem schlecht definiert ist oder wenn man einen neuen Produkt- oder Funktionsbereich betritt.
Das erklärende Modell
Wie beim explorativen Modell gliedert sich auch das erklärende Modell in zwei Phasen, beginnt jedoch umgekehrt mit einer quantitativen Analyse.
Die qualitative Analyse setzt anschließend ein, um die beobachteten Phänomene zu erklären.
Und wenn Daten allein nicht ausreichen, um zu entscheiden?
Wo verläuft die Grenze zwischen qualitativer und quantitativer Analyse?
In der Praxis der UX Research ist die Grenze zwischen diesen beiden Welten oft durchlässig. Genau dort holt man das Beste aus jeder Datenquelle heraus. Hier sind vier konkrete Beispiele, bei denen quantitativer und qualitativer Ansatz sich für eine vollständige Analyse vereinen:
| Methode | Quantitativ | Qualitativ |
|---|---|---|
| Vergleichstest (A/B) | Die statistische Präferenzrate für eine Variante. | Die Aussagen, die erklären, warum eine Version gewonnen hat. |
| Card Sorting | Die Ähnlichkeitsmatrix, um die Gruppierungen von Elementen zu sehen. | Die von den Nutzern erfundenen Bezeichnungen für ihre Gruppen. |
| 5-Sekunden-Test | Die Erinnerungsrate pro visuellem Element. | Der spontan in zwei Sätzen beschriebene Gesamteindruck. |
| Verbatim-Cluster | Das statistische Gewicht jedes identifizierten Themas. | Das Lesen der echten Bewertungen, um die Nuance der Emotion zu erfassen. |
Wenn Sie an dieser Grenze bleiben, begnügen Sie sich nicht mehr damit, ein Verhalten zu messen, sondern beginnen, es zu humanisieren, um fundiertere Entscheidungen zu treffen.
Welche Analysemethode sollte man beim CRO wählen?
In Wirklichkeit ist die Gegenüberstellung von Quantitativem und Qualitativem eine Scheindebatte. Um die Leistung eines digitalen Produkts zu maximieren, geht es nicht darum, das eine oder das andere zu wählen, sondern zu wissen, wie man beide miteinander in Dialog bringt.
Bei Welyft begnügen wir uns nicht damit, Zahlen zu sammeln oder Nutzerfrustrationen aufzulisten. Im Rahmen unserer CRO-Audits wenden wir systematisch die Datentriangulation an:
- Mit dem Quantitativen: Wir identifizieren genau, wo die Reibungspunkte im Funnel auftreten.
- Mit dem Qualitativen: Wir entschlüsseln die Motivationen und psychologischen Blockaden hinter diesen Verhaltensweisen.
Diese Perspektive ermöglicht es, die wirklichen Conversion-Hebel zu priorisieren, Entscheidungen auf Basis eines isolierten Signals zu vermeiden und Hypothesen zu formulieren, die zugleich umsetzbar, messbar und belastbar sind.
Das Ergebnis für unsere Kunden? Empfehlungen, die keine Wetten mehr sind, sondern Investitionen. Indem wir Experimente relevanter gestalten, verwandeln wir den CRO-Ansatz in einen vorhersehbaren und nachhaltigen Wachstumsmotor.
