KI in der Marktforschung: Open-Ends schneller und besser auswerten

Open-ended survey responses – sogenannte Open-Ends – sind der wertvollste und gleichzeitig der am schwierigsten auszuwertende Teil jeder Befragung. Sie enthalten die ungefilterte Stimme der Befragten: Gründe, Nuancen, Ideen und Kritik, die in geschlossenen Fragen nie auftauchen würden.

Doch die Realität sieht so aus: In vielen Marktforschungsinstituten werden Open-Ends entweder manuell codiert – mit enormem Zeitaufwand und Qualitätsschwankungen – oder schlicht ignoriert, weil die Auswertung zu teuer oder zu langsam wäre. KI verändert diese Gleichung grundlegend.

Eine typische Befragung mit 2.000 Teilnehmern und drei offenen Fragen erzeugt 6.000 Freitextantworten. Bei größeren Studien – Brand Tracking, Kundenzufriedenheit, Mitarbeiterbefragungen – sind es schnell 20.000 bis 100.000 Texte.

Die traditionelle Auswertung sieht so aus:

1. Ein Codierteam liest alle Antworten
2. Ein Codeplan wird erstellt (20-50 Kategorien)
3. Jede Antwort wird einer oder mehreren Kategorien zugeordnet
4. Ergebnisse werden aggregiert und in den Bericht übernommen

Das klingt strukturiert – ist in der Praxis aber mit erheblichen Problemen verbunden:

• Zeitaufwand: 6.000 Texte manuell zu codieren dauert 3-5 Arbeitstage – bei Kosten von 3.000-8.000 Euro
• Inter-Coder-Reliabilität: Verschiedene Codierer ordnen denselben Text unterschiedlich zu. Studien zeigen Übereinstimmungsraten von nur 70-80%
• Codeplan-Bias: Der Codeplan wird oft auf Basis der ersten 100-200 Antworten erstellt. Themen, die später auftauchen, werden in Restkategorien gedrängt
• Skalierungsproblem: Bei wachsenden Fallzahlen steigen Kosten und Zeitaufwand linear
• Zeitdruck: In agilen Forschungszyklen ist manuelles Codieren der Flaschenhals

Moderne KI-Systeme für Textanalyse kombinieren mehrere NLP-Verfahren, um Open-Ends schneller, konsistenter und tiefgehender auszuwerten als manuelle Codierung:

1. Automatische Themenextraktion

Statt eines vordefinierten Codeplans erkennt die KI eigenständig, welche Themen in den Antworten vorkommen. Das ist besonders wertvoll, weil:

• Überraschende Themen nicht in Restkategorien verschwinden
• Die Themenstruktur die Daten widerspiegelt, nicht die Annahmen der Forscher
• Aufkommende Trends früh erkannt werden

2. Sentiment-Analyse pro Thema

Die KI erkennt nicht nur, worüber gesprochen wird, sondern auch wie – positiv, negativ oder neutral. Das transformiert Open-Ends von einer qualitativen zu einer quantitativen Datenquelle. Beispielhaftes Ergebnis (fiktiv): „78% der Nennungen zum Thema Kundenservice sind positiv, aber 65% zum Thema Wartezeit sind negativ."

3. Automatische Codierung

Wenn ein Codeplan bereits existiert, kann KI die Zuordnung übernehmen – mit einheitlichen Kriterien. Das ist besonders relevant für Tracking-Studien, bei denen Vergleichbarkeit über Wellen hinweg entscheidend ist.

4. Zusammenfassungen und Zitate

KI kann die wichtigsten Aussagen pro Thema zusammenfassen und repräsentative Zitate identifizieren – Material, das direkt in Präsentationen und Berichte fließt.

Die Frage, die Marktforscher zu Recht stellen: Ist die KI-Auswertung gut genug? Die Antwort hängt von der Aufgabe ab:

Bei der Themenidentifikation:

• KI findet häufig zusätzliche Themen – vor allem Nischenthemen und aufkommende Trends
• Die Zuordnungsqualität lässt sich an einer Stichprobe prüfen und mit der Inter-Coder-Reliabilität manueller Codierung vergleichen
• KI arbeitet konsistent: Alle Texte werden nach denselben Kriterien zugeordnet

Bei der Sentiment-Erkennung:

• KI erkennt Ironie und Sarkasmus besser als frühe Modelle, erreicht aber noch nicht die menschliche Intuition in Grenzfällen
• Für die aggregierte Auswertung (Prozentanteil positiv/negativ pro Thema) ist die Zuordnung in der Regel gut genug, wenn Sie Stichproben prüfen
• Bei aspektbasiertem Sentiment übertrifft KI manuelle Auswertung, weil sie konsistent jeden einzelnen Text analysiert

Nicht jede Marktforschungsstudie profitiert gleich stark von KI-gestützter Textanalyse. Hier die Bereiche mit dem höchsten Impact:

Brand Tracking

Offene Fragen wie „Was verbinden Sie mit Marke X?" erzeugen riesige Textmengen über mehrere Wellen. KI ermöglicht konsistente Codierung über Wellen hinweg und erkennt Verschiebungen in der Markenwahrnehmung, die im manuellen Prozess untergehen.

Kundenzufriedenheitsstudien

NPS-Kommentare, offene Zufriedenheitsfragen, Verbesserungsvorschläge – hier liegt der größte Schatz an unstrukturiertem Feedback. KI zeigt automatisch und aspektbasiert, welche Themen mit Zufriedenheit und Unzufriedenheit einhergehen.

Produkttests & Konzepttests

Verbale Reaktionen auf Produktkonzepte enthalten Nuancen, die Skalen nicht einfangen. KI erkennt emotionale Reaktionen, Bedenken und spontane Assoziationen – und quantifiziert sie.

Ad Testing

Offene Fragen zur Werbewirkung erzeugen besonders vielfältige Antworten. KI kann Recall-Elemente, emotionale Reaktionen und Botschaftsverständnis gleichzeitig analysieren.

Mitarbeiterbefragungen

Interne Befragungen enthalten oft die ehrlichsten und detailliertesten Freitextantworten. KI ermöglicht die systematische Auswertung; der sorgfältige Umgang mit personenbezogenen Angaben ist gerade bei Mitarbeiterfeedback entscheidend.

KI-Textanalyse ersetzt nicht den gesamten Forschungsprozess – sie integriert sich in bestehende Workflows:

1. Fragebogendesign: Wie bisher, mit offenen Fragen an strategisch relevanten Stellen
2. Feldarbeit & Datenerhebung: Unverändert (Online-Panel, CATI, CAWI etc.)
3. Datenaufbereitung: Export der Freitextdaten (z. B. CSV oder Excel)
4. KI-Analyse: Upload in die Textanalyse-Plattform, automatische Themen- und Sentimentanalyse
5. Review & Verfeinerung: Forscher prüfen die KI-Ergebnisse, benennen Themen um, fügen Kontext hinzu
6. Integration: Ergebnisse fließen als strukturierte Variablen zurück in den Datensatz oder direkt in den Bericht

Der entscheidende Vorteil: Schritt 4 geht deutlich schneller als manuelles Codieren. Die gesparte Zeit kann in tiefere Interpretation und bessere Beratung investiert werden – den Teil, in dem menschliche Expertise unersetzlich ist.

deepsight wurde von Anfang an mit den Anforderungen der Marktforschung entwickelt. Die deepsight Cloud-Plattform bietet:

• Fremdsprachige Antworten werten Sie mit der integrierten Übersetzung aus (KI-gestützt, wahlweise DeepL oder Google)
• Betrieb auf Microsoft Azure in der EU; KI-Funktionen über Azure OpenAI, ebenfalls in der EU; AVV nach Art. 28 DSGVO
• Eigene Anonymisierung ohne Sprachmodell: Personenbezogene Angaben werden erkannt und maskiert, bevor die Analysen laufen. Ist die Übersetzung aktiv, wird vor der Maskierung übersetzt. Die Anonymisierung erkennt nicht jede Angabe – prüfen Sie Ergebnisse vor der Weitergabe.
• Themenextraktion und aspektbasierte Sentimentanalyse in einem Workflow
• Export als Excel oder CSV (Originaldaten mit Code-Spalten) sowie Reports mit PowerPoint-Export
• Besondere Systemanbindungen setzen wir als individuelles Projekt um
• Eigenes Codebook – auch mit über- und untergeordneten Kategorien – für konsistente Codierung über Wellen hinweg

Erfahren Sie mehr auf unserer Seite für Marktforschungsinstitute – mit konkreten Anwendungsfällen.

Open-Ends waren lange das Stiefkind der Marktforschung – zu aufwendig in der Auswertung, zu teuer für große Fallzahlen, zu inkonsistent für Tracking. KI löst alle drei Probleme: Sie analysiert schneller, günstiger und konsistenter (einheitliche Kriterien über Wellen hinweg).

Für Marktforschungsinstitute bedeutet das: Open-Ends werden vom Kostenfaktor zum Differenzierungsmerkmal. Wer seinen Kunden schnelle, tiefgehende und zuverlässige Open-End-Auswertungen bieten kann, hat einen echten Wettbewerbsvorteil.

Lernen Sie deepsight in einer persönlichen Demo kennen. Anschließend erhalten Sie einen Testzugang. Den Testumfang stimmen wir gemeinsam auf Ihr Vorhaben ab.