Marktforschung:
Codelisten & Coding
Wie aus offenen Nennungen belastbare, auswertbare Daten werden.
Diese Wissenskarte erklärt Schritt für Schritt, wie in der Marktforschung offene Antworten codiert werden: von der ersten Sichtung der Nennungen über den Aufbau einer sauberen Codeliste bis zum fertigen Codeplan, zur Qualitätssicherung und zum verantwortungsvollen Einsatz von KI im Codierprozess. Alle Kapitel sind ausklappbar und durchsuchbar; Praxisbeispiele und Regeln machen den Ablauf nachvollziehbar.
Gutes Coding ist keine Fleißarbeit, sondern Handwerk: klare Codes, saubere Regeln, geprüfte Qualität.
Offene Antworten sind der wertvollste und zugleich unhandlichste Teil einer Befragung: Jede Person formuliert anders. Coding macht aus dieser Vielfalt auswertbare Daten – ohne die Aussagen der Befragten zu verfälschen.
Was bedeutet Coding?
In der Marktforschung bezeichnet Coding das systematische Zuordnen offener Antworten zu inhaltlichen Kategorien, den sogenannten Codes. Jede Antwort wird gelesen, inhaltlich eingeordnet und erhält eine oder mehrere Codenummern aus einer festen Liste. So entsteht aus Freitext eine Datenstruktur, die sich zählen, vergleichen und grafisch darstellen lässt.
Definition
Coding ist die regelgeleitete Übersetzung offener Antworten in ein Kategoriensystem. Grundlage ist eine Codeliste, die festlegt, welche inhaltliche Aussage welchen Code erhält.
Warum wird codiert?
Offene Fragen liefern Antworten in den eigenen Worten der Befragten – mit Begründungen, Nuancen und Aspekten, an die im Fragebogen niemand gedacht hat. Genau darin liegt ihr Wert. Auswerten lassen sie sich in dieser Form aber nicht: Hunderte unterschiedliche Formulierungen ergeben keine Häufigkeit, keinen Vergleich zwischen Zielgruppen und keine Zeitreihe. Erst wenn inhaltlich gleiche Aussagen zu Kategorien zusammengefasst sind, wird aus den Antworten ein Ergebnis – etwa: „34 Prozent nennen den Preis als Wechselgrund."
Ziel: Bedeutungen, nicht Wörter
Codiert wird nicht der Wortlaut, sondern die Aussage dahinter. „Zu teuer", „der Preis war zu hoch" und „ich wollte weniger bezahlen" verwenden drei verschiedene Formulierungen, treffen aber dieselbe Aussage – sie erhalten denselben Code. Umgekehrt kann dasselbe Wort je nach Zusammenhang Unterschiedliches bedeuten: „Der Service war schnell" lobt das Tempo, „der Service war schnell genervt" kritisiert die Freundlichkeit. Wer nur nach Wörtern sortiert, codiert an der Bedeutung vorbei.
Der Weg von der Frage zum Ergebnis
Was ist ein Verbatim?
Ein Verbatim ist die wörtlich festgehaltene Antwort einer befragten Person – ungekürzt und unverändert, inklusive Umgangssprache und Tippfehlern. Auf die Frage „Warum haben Sie den Anbieter gewechselt?" lautet ein Verbatim zum Beispiel: „naja der alte wurde einfach immer teurer, und der neue hatte grad ein angebot". Codiert wird immer auf Basis dieser Originalantworten; sie bleiben auch nach dem Coding erhalten und können jederzeit nachgelesen werden.
Mehrfachcoding: eine Antwort, mehrere Codes
Viele Antworten enthalten mehr als eine Aussage. Das Verbatim „Die Beratung war freundlich, aber die Wartezeit war viel zu lang" sagt zwei Dinge: Lob für die Freundlichkeit und Kritik an der Wartezeit. Es erhält deshalb zwei Codes – einen aus der Kategorie „Freundlichkeit des Personals", einen aus „Wartezeit". Würde nur ein Code vergeben, ginge die Hälfte der Aussage verloren.
Typischer Fehler
Zu viele Kategorien. Wer für jede Formulierungsvariante einen eigenen Code anlegt, erhält am Ende dutzende Codes mit je ein bis zwei Nennungen – die Auswertung zeigt dann nur Kleinstwerte und kein Muster. Faustregel: Eine Kategorie muss sich inhaltlich klar von den anderen abgrenzen und oft genug vorkommen, um im Ergebnis etwas auszusagen. Seltene Einzelaspekte gehören in eine Restkategorie.
Merksatz
Codiert werden nicht Wörter, sondern Bedeutungen.
Praxis
In größeren Marktforschungsstudien entstehen häufig hunderte unterschiedliche Formulierungen. Durch eine gut entwickelte Codeliste lassen sich inhaltlich gleiche Aussagen zuverlässig zusammenfassen, ohne dass die Originalantworten verloren gehen.
MAX erklärt
Warum erhalten diese drei Aussagen denselben Code?
„Zu teuer." · „Der Preis war zu hoch." · „Ich wollte weniger bezahlen."
Alle drei Aussagen beschreiben denselben Grund: Preis. Die Wörter
unterscheiden sich, die Bedeutung nicht – und codiert wird die Bedeutung.
Coding ist ein Schritt in einer längeren Kette. Wer den gesamten Forschungsprozess kennt, versteht, woher das Material kommt und wohin die Ergebnisse gehen. Elf Stationen führen von der ersten Idee bis zur Entscheidung.
1 · Idee
Am Anfang steht eine unternehmerische Frage: Warum kündigen Kunden? Kommt das neue Produkt an? Aus diesem Erkenntnisbedarf entsteht der Auftrag für die Studie.
2 · Forschungsfrage
Die Idee wird zu einer präzisen, beantwortbaren Frage geschärft – inklusive Zielgruppe und Erkenntnisziel. Hier wird auch die Grundgesamtheit definiert, für die die Ergebnisse gelten sollen.
3 · Fragebogen
Die Forschungsfrage wird in konkrete Fragen übersetzt – geschlossene für Messwerte, offene für Begründungen. Auch der Screener und die Ziel-Länge des Interviews werden hier festgelegt.
4 · Pretest
Der Fragebogen wird an wenigen Personen getestet: Verständlichkeit, Dauer, Filterführung, Technik. Was hier auffällt, ist billig zu beheben – im Feld wird es teuer.
5 · Stichprobe
Grundgesamtheit definieren, Auswahlverfahren festlegen, Fallzahl und Quoten planen. Hier entscheidet sich, für wen die Ergebnisse später gelten.
6 · Feldphase
Die Daten werden erhoben; Quoten, Rücklauf und Qualität werden laufend überwacht und nachgesteuert. Die Feldsteuerung reagiert täglich – nicht erst am Feldende.
7 · Datenbereinigung
Die Rohdaten werden plausibilisiert und bereinigt – Duplikate, Durchklicker und Widersprüche fliegen raus. Übrig bleibt die auswertbare Nettostichprobe.
8 · Coding
Offene Antworten werden über die Codeliste in auswertbare Kategorien übersetzt – das Kernthema dieser Wissenskarte. Codiert werden Bedeutungen, nicht Wörter.
9 · Auswertung
Häufigkeiten, Gruppenvergleiche und Zusammenhänge werden berechnet – gewichtet und mit Blick auf die Schwankungsbreite. Kleine Basen werden ausgewiesen statt überinterpretiert.
10 · Reporting
Die Ergebnisse werden verdichtet und verständlich aufbereitet – mit Methodik, Basen und Einordnung. Ein guter Bericht zeigt auch, was die Daten nicht hergeben.
11 · Entscheidung
Die Erkenntnisse fließen in unternehmerische Entscheidungen – dafür wurde die Studie gemacht. Gute Marktforschung endet nicht mit dem Bericht, sondern mit einer Handlung.
Verwandte Themen
Das Codieren offener Nennungen hat sich von manuellen Strichlisten über spezialisierte Eingabemasken und regelbasierte Textanalyse bis zu KI-gestützten Vorschlägen entwickelt. Geblieben ist die Kernaufgabe: Bedeutung nachvollziehbar in stabile Kategorien zu übersetzen.
Hinweis
Neue Technik ersetzt nicht die methodischen Grundlagen. Klare Definitionen, dokumentierte Entscheidungen, Probecodierungen und Qualitätskontrollen bleiben auch dann notwendig, wenn eine KI Vorschläge erzeugt.
Geschlossene Fragen liefern vorgegebene Antwortkategorien; offene Fragen lassen Befragte in eigenen Worten antworten. Das Coding verdichtet diese Verbatims, ohne ihren Sinn zu verändern. Fragetyp, Kontext und mögliche Mehrfachaussagen bestimmen die Codierregel.
Typische Fragetypen
Ungestützte Bekanntheit: Marken- oder Produktnamen werden möglichst wortgetreu zugeordnet. Schreibvarianten und offensichtliche Tippfehler können zusammengeführt werden.
Gründe und Gefallen: Eine Antwort kann mehrere eigenständige Aussagen enthalten; Mehrfachcodierung ist häufig sinnvoll.
Verbesserungsvorschläge: Konkrete Maßnahmen, allgemeine Kritik und nicht auswertbare Antworten benötigen getrennte Regeln.
„Die App ist übersichtlich, aber der Login dauert zu lange.“
→ 110 Benutzerfreundlichkeit positiv
→ 230 Login / Zugang langsam
„Weiß nicht, eigentlich alles okay.“
→ 900 keine konkrete Verbesserung genanntEine Codeliste verbindet Nummer, Bezeichnung, Definition und Entscheidungsregel. Haupt- und Subcodes bilden die analytische Struktur; Netto-Codes fassen Untercodes für die Auswertung zusammen. Restkategorien bleiben eng definiert und überprüfbar.
100 NETTO: Geschmack [nicht direkt codieren]
110 Geschmack positiv „lecker“, „schmeckt gut“
120 zu süß explizite Kritik an Süße
130 zu wenig intensiv „fad“, „kaum Geschmack“
190 Geschmack – sonstiges nur wenn kein Subcode passt
200 NETTO: Verpackung [nicht direkt codieren]
210 Gestaltung positiv
220 schwer zu öffnen
290 Verpackung – sonstiges
900 nicht auswertbar leer, unverständlich, keine AussageMerksatz
Codes sollen sich inhaltlich möglichst wenig überschneiden. Jeder Code braucht genügend Trennschärfe, aber die Codeliste darf nicht so fein werden, dass einzelne Formulierungen zu eigenen Kategorien werden.
Ein belastbarer Codeplan entsteht iterativ: Material sichten, Kategorien bilden, Regeln formulieren, an einer Stichprobe testen und kontrolliert freigeben. Änderungen während der Feldphase werden versioniert und auf bereits codierte Fälle zurückgeführt.
Entscheidungsregel
Neue Codes werden nicht wegen einer einzelnen ungewöhnlichen Formulierung angelegt, sondern wenn sie analytisch relevant, wiederholt oder vom Auftraggeber ausdrücklich benötigt sind.
Vor Beginn werden Codiereinheit, Mehrfachcodierung, Prioritätsregeln und der Umgang mit unklaren Antworten festgelegt. Offene Fälle gehen in eine Klärungsliste; Änderungen am Codeplan lösen bei Bedarf eine kontrollierte Nachcodierung früherer Antworten aus.
Praxis
„Der Service war freundlich, aber ich musste 20 Minuten warten“ enthält zwei bewertbare Aussagen. Bei erlaubter Mehrfachcodierung erhält die Antwort sowohl „Service freundlich“ als auch „Wartezeit zu lang“. Eine pauschale Kategorie „Service gemischt“ würde Information verlieren.
Typischer Fehler
Codierer:innen entscheiden wiederkehrende Grenzfälle stillschweigend unterschiedlich. Gegenmittel: Fälle sammeln, gemeinsam entscheiden, Regel im Codeplan ergänzen und betroffene Datensätze gezielt nachprüfen.
Qualität entsteht durch klare Regeln und überprüfbare Kontrollen. Geeignet sind Probecodierung, unabhängige Doppelcodierung einer Stichprobe, dokumentierte Konfliktklärung, Prüfung von Restcodes und unklaren Fällen sowie ein Abgleich vor und nach Codeplanänderungen.
Typischer Fehler
Eine hohe einfache Übereinstimmung kann täuschen, wenn ein dominanter Code fast immer vergeben wird. Deshalb neben der Übereinstimmungsquote auch Fehlerarten, Codeverteilung und – passend zum Studiendesign – ein zufallskorrigiertes Reliabilitätsmaß betrachten.
Sprachmodelle können Antworten vorsortieren, semantisch ähnliche Nennungen clustern, passende Codes vorschlagen und Unsicherheiten markieren. Sie liefern jedoch keine methodische Wahrheit: Kontext, Zielsetzung, Randfälle und Freigabe bleiben menschliche Aufgaben.
MAX erklärt
Die KI ist wie eine sehr schnelle Assistenz: Sie liest viel Material und macht Vorschläge. Ob ein Vorschlag zur Frage, zur Codeliste und zur späteren Auswertung passt, entscheidet weiterhin ein verantwortlicher Mensch.
Chancen
Schnelle Erstsichtung, konsistente Vorschlagsformate, Auffinden ähnlicher Aussagen und Konzentration menschlicher Prüfung auf unsichere Fälle.
Grenzen
Halluzinationen, übersehene Ironie, wechselnde Ergebnisse, systematische Verzerrungen und fehlendes Projektwissen. Deshalb braucht jede produktive Nutzung definierte Kontrollpunkte und eine dokumentierte Verantwortung.
Ein KI-gestützter Workflow beginnt nicht mit dem Prompt, sondern mit geprüften Daten, einer klaren Aufgabe und einer versionierten Codeliste. Die KI erzeugt Vorschläge; Menschen prüfen Unsicherheit, Grenzfälle und Qualität, bevor Ergebnisse exportiert werden.
Hinweis
Kapitel 09 bewertet Möglichkeiten und Risiken. Dieses Kapitel beschreibt den operativen Ablauf. Die spätere IbetMax Demo-Engine veranschaulicht genau diesen Prozess ohne API, Kundendaten oder automatische KI-Entscheidung.
KI kann entlang des Forschungsprozesses als Assistenz eingesetzt werden – von der Strukturierung erster Fragen bis zur sprachlichen Aufbereitung von Ergebnissen. Methodendesign, Datenschutz, Freigabe und Interpretation bleiben verantwortliche Facharbeit.
Planung
KI kann Hypothesen ordnen, Varianten einer Forschungsfrage formulieren und auf mögliche Verständlichkeitsprobleme im Fragebogen hinweisen. Stichprobe, Messmodell und Eignung der Methode müssen fachlich begründet werden.
Feldphase
In der Feldphase können auffällige Antwortmuster, ungewöhnliche Bearbeitungszeiten oder Qualitätsabweichungen priorisiert werden. Ein Verdacht ist noch kein Beweis; Ausschlussregeln benötigen nachvollziehbare Kriterien.
Coding
Beim Coding unterstützt KI beim Clustern, Vorcodieren und Erkennen neuer Themen. Kapitel 09 erläutert Chancen und Grenzen, Kapitel 10 den kontrollierten Ablauf.
Analyse
KI kann Muster beschreiben, Analyseideen formulieren oder Textgruppen zusammenfassen. Statistische Zusammenhänge, Gewichtung und Signifikanz müssen mit geeigneten Verfahren berechnet und fachlich interpretiert werden.
Reporting
Berichtsentwürfe, Überschriften und verständliche Zusammenfassungen lassen sich vorbereiten. Zahlen, Quellen, Basen, Filter und Aussagen müssen vor Veröffentlichung gegen die freigegebenen Ergebnisse geprüft werden.
Grenzen
Sprachmodelle können plausible, aber falsche Inhalte erzeugen. Zusätzlich sind Datenschutz, Vertraulichkeit, Urheberrechte, Verzerrungen und Reproduzierbarkeit zu beachten. KI unterstützt; die verantwortliche Stelle entscheidet.
Sprachmodelle können große Mengen offener Nennungen vorsortieren und Vorschläge machen – das spart Zeit, ersetzt aber weder Codeplan noch Prüfung. Sechs Einsatzfelder zeigen, was heute realistisch funktioniert und wo die Grenzen liegen.
Clusterbildung
KI gruppiert ähnliche Nennungen zu thematischen Clustern, bevor ein Mensch das Material sichtet. Das beschleunigt den Überblick über tausende Verbatims erheblich. Grenze: Cluster sind noch keine Codes – sie sind thematisch grob, überschneiden sich und folgen keiner Codierlogik. Die Kategorienbildung bleibt eine fachliche Entscheidung.
Synonymerkennung
Sprachmodelle erkennen zuverlässig, dass „günstig", „billig", „preiswert" und „im Angebot" dieselbe Aussage tragen – genau die Fähigkeit, die wörterbuchbasierte Textanalyse nie hatte. Grenze: Der Kontext entscheidet weiterhin. „Schnell" ist mal Lob, mal Teil einer Kritik – dieselbe Vokabel, zwei Bedeutungen.
Vorschlag von Hauptcodes
Aus dem Rohmaterial kann KI einen ersten Entwurf für Hauptcodes ableiten: Welche Themenfelder kommen vor, wie ließen sie sich benennen? Das ist ein brauchbarer Startpunkt für die Codeplan-Entwicklung. Die Entscheidung, welche Themen für das Erkenntnisziel relevant sind und wie sie abgegrenzt werden, trifft der Mensch.
Vorschlag von Untercodes
Unterhalb eines Hauptcodes kann KI Differenzierungen vorschlagen – etwa „Wartezeit an der Kasse" vs. „Wartezeit in der Hotline". Die richtige Detailtiefe kennt das Modell aber nicht: Ob ein Untercode genug Nennungen trägt und zum Erkenntnisinteresse passt, zeigt erst die Prüfung am Material.
Qualitätskontrolle
KI kann bestehende Codierungen gegenprüfen: Wo weicht die Codevergabe vom Muster vergleichbarer Verbatims ab, wo wurden mögliche Zweitaussagen übersehen? Solche Hinweislisten machen Stichprobenprüfungen gezielter – entschieden wird jeder markierte Fall von einem Menschen.
Menschliche Prüfung
Verantwortung und Endkontrolle bleiben beim Menschen: Stichproben gegen das Original-Verbatim, alle Grenzfälle (Ironie, Mehrdeutigkeit), Freigabe der Codeliste und der Ergebnisse. KI-Vorschläge sind Arbeitserleichterung – in den Bericht kommt nur, was geprüft wurde.
Merksatz
KI sortiert vor – der Mensch entscheidet, was ein Code ist und was er bedeutet.
Typischer Fehler
KI-Vorschläge ungeprüft übernehmen, weil sie plausibel klingen. Ein Sprachmodell codiert auch falsche Zuordnungen in überzeugendem Ton – ohne Stichprobenprüfung gegen die Original-Verbatims fällt das erst im Bericht auf.
Mensch vs. KI – drei Beispiele
| Verbatim | Mensch | KI | Erklärung |
|---|---|---|---|
| „War billiger als woanders." | Code: Preis | Code: Preis | Eindeutige Aussagen codiert KI zuverlässig vor – hier spart sie echte Zeit. |
| „Ging alles fix, aber die Hotline war schnell genervt." | Zwei Codes: Lob Tempo, Kritik Freundlichkeit | Risiko: beide „schnell" gleich gewertet oder nur eine Aussage erkannt | Mehrfachcoding plus Wortsinn im Kontext – genau die Kombination, die Prüfung braucht. |
| „Na toll, nach drei Tagen schon kaputt." | Kritik: Haltbarkeit/Qualität (Ironie erkannt) | Risiko: „toll" als Lob gewertet | Ironie kippt die Bedeutung ins Gegenteil – solche Fälle gehören immer in die menschliche Prüfung. |
Vier Übungen mit steigendem Schwierigkeitsgrad – vom einfachen Hauptcode bis zum Grenzfall. Erst selbst überlegen, dann die Lösung aufklappen.
Übung 1 · Einfaches Coding
Frage im Fragebogen: „Warum haben Sie Produkt X gekauft?" – fünf Antworten liegen vor. Welcher Hauptcode passt?
1 War günstig.
2 Preis war gut.
3 Im Angebot.
4 Billiger als andere.
5 Preis-Leistung war gut.Lösung anzeigen
Hauptcode: Preis. Alle fünf Antworten treffen dieselbe Aussage in unterschiedlichen Worten – klassischer Fall von „Bedeutungen statt Wörter". Auf Untercode-Ebene ließe sich differenzieren: Nennung 3 betont die Aktion („im Angebot"), Nennung 5 das Preis-Leistungs-Verhältnis. Ob sich diese Untercodes lohnen, hängt davon ab, wie oft sie im Gesamtmaterial vorkommen.
Übung 2 · Mehrfachcoding
Eine Antwort lautet: „Günstig und außerdem gefällt mir die Verpackung." Ein Code oder mehrere?
Lösung anzeigen
Zwei Codes. Die Antwort enthält zwei eigenständige Aussagen: den Preis („günstig") und das Gefallen an der Verpackung. Sie erhält je einen Code aus beiden Kategorien – Mehrfachcoding ist bei offenen Fragen der Normalfall. Nur ein Code würde die halbe Aussage unterschlagen.
Übung 3 · Neuer Untercode?
Unter dem Hauptcode „Lieferung" sammeln sich diese Verbatims. Lohnt sich ein neuer Untercode – und wenn ja, welcher?
1 Kam superschnell an.
2 Lieferung war nach zwei Tagen da.
3 Versand ging fix.
4 Paket war ordentlich verpackt.
5 Schnelle Zustellung, top.Lösung anzeigen
Ja – „Liefergeschwindigkeit". Vier der fünf Aussagen (1, 2, 3, 5) loben dasselbe: das Tempo der Lieferung. Das kommt oft genug vor, um als eigener Untercode etwas auszusagen. Vorsicht bei Nennung 4: „ordentlich verpackt" gehört inhaltlich zur Verpackung, nicht zur Liefergeschwindigkeit – wer nur auf das Wort „Paket" schaut, codiert am Inhalt vorbei.
Übung 4 · Grenzfall
Drei Antworten, die es in sich haben. Warum ist Coding hier schwierig?
1 Na super, nach einer Woche schon kaputt. Tolle Qualität!
2 Der Service war schnell.
3 Das Ding ist echt krass.Lösung anzeigen
Drei verschiedene Probleme. Nennung 1 ist Ironie: „super" und „tolle Qualität" bedeuten das Gegenteil – codiert wird Kritik an der Haltbarkeit. Nennung 2 ist mehrdeutig: Ohne Kontext bleibt offen, ob das Tempo gelobt oder nur beschrieben wird; der Codeplan braucht eine Regel für solche Fälle. Nennung 3 ist umgangssprachlich offen: „krass" kann positiv wie negativ gemeint sein – im Zweifel wird nach dokumentierter Regel codiert (z. B. „unklar/nicht interpretierbar") statt geraten.
Aus der Praxis
Genau solche Grenzfälle sind der Grund, warum Codier-Teams eine Eskalationsregel vereinbaren: Unklare Verbatims werden gesammelt und gemeinsam entschieden – nicht von jedem Codierer anders.
Drei anonymisierte, typische Szenarien – wie sie in ähnlicher Form in vielen Instituten und Betrieben vorkommen. Jeder Fall zeigt Ausgangslage, Fragestellung, die typische Herausforderung und einen bewährten Lösungsweg.
Fall 1 · Trackingstudie Markenbekanntheit
Ausgangslage: Ein Markenartikler misst quartalsweise die ungestützte
Markenbekanntheit – jede Welle liefert offene Nennungen.
Fragestellung: Welche Marken werden spontan genannt, und wie verändert
sich das über die Zeit?
Typische Herausforderung: Die Codeliste muss über alle Wellen stabil
bleiben, gleichzeitig tauchen neue Marken und Schreibvarianten auf. Wer
zwischendurch umbaut, zerstört die Zeitreihe.
Mögliche Lösung: Versionierte Codeliste mit festem Änderungsfenster:
Neue Codes werden nur zum Wellenstart ergänzt, Schreibvarianten laufen über
eine gepflegte Synonymliste, jede Änderung wird dokumentiert und bei Bedarf
nachcodiert.
Fall 2 · Kundenzufriedenheit nach Servicekontakt
Ausgangslage: Ein Dienstleister befragt Kundinnen und Kunden kurz nach
dem Kontakt mit der Hotline – mit einer offenen Frage nach den Gründen der
(Un-)Zufriedenheit.
Fragestellung: Woran liegt es konkret, wenn Kunden unzufrieden sind –
Erreichbarkeit, Freundlichkeit, Lösungskompetenz?
Typische Herausforderung: Die Antworten sind emotional, enthalten oft
mehrere Aussagen in einem Satz und gelegentlich Ironie. Ein Code pro Antwort
reicht nie.
Mögliche Lösung: Konsequentes Mehrfachcoding mit klaren
Abgrenzungsregeln je Servicethema, getrennte Codes für positive und negative
Aussagen zum selben Aspekt und eine Eskalationsregel für ironische oder
unklare Verbatims.
Fall 3 · Produktentwicklung im Konzepttest
Ausgangslage: Ein Hersteller testet ein neues Produktkonzept und fragt
offen nach Verbesserungsvorschlägen.
Fragestellung: Welche Aspekte des Konzepts sollen aus Kundensicht
verändert werden?
Typische Herausforderung: Kreative, sehr heterogene Nennungen – viele
Einzelideen, die in keine Kategorie passen. Die Restkategorie wächst und
wächst.
Mögliche Lösung: Gröbere Hauptcodes entlang der Konzeptbausteine
(z. B. Design, Funktion, Preis, Handhabung), regelmäßige Sichtung der
Restkategorie während der Feldphase und eine zweite Codierrunde, sobald sich
darin wiederkehrende Ideen abzeichnen.
Merksatz
Jede Studienart stellt andere Anforderungen an die Codeliste – Stabilität im Tracking, Differenzierung in der Zufriedenheit, Offenheit im Konzepttest.
Typischer Fehler
Eine Codeliste aus einem alten Projekt unverändert übernehmen. Was im Tracking funktioniert, versagt im Konzepttest – die Liste muss zum Material und zum Erkenntnisziel passen, nicht zur Ablage.
Ein kleines synthetisches Beispiel zeigt die Logik vom Verbatim bis zur Auszählung. Es dient dem Verständnis und bildet keine echte Studie oder belastbare Marktkennzahl ab.
Ausgangsmaterial
1;„einfach zu bedienen“
2;„übersichtlich, aber langsam“
3;„zu viele Schritte beim Login“
4;„schnell und verständlich“
5;„weiß nicht“Codierung und Auszählung
| Code | Bezeichnung | Fälle | Anteil an 5 Fällen |
|---|---|---|---|
| 110 | Benutzerfreundlichkeit positiv | 3 | 60 % |
| 210 | Geschwindigkeit negativ | 1 | 20 % |
| 220 | Login zu aufwendig | 1 | 20 % |
| 900 | nicht auswertbar | 1 | 20 % |
Mehrfachcodierung
Fall 2 erhält zwei Codes. Deshalb kann die Summe der Codehäufigkeiten größer als die Zahl der Befragten sein. Prozentbasen und Mehrfachnennungen müssen im Bericht eindeutig gekennzeichnet werden.
Gute Coding-Prompts definieren Aufgabe, Fragekontext, Codelistenversion, Entscheidungsregeln, erlaubte Mehrfachcodes und ein maschinenlesbares Ausgabeformat. Beispiele helfen bei Grenzfällen; sie ersetzen keine dokumentierte Qualitätsprüfung.
Grundlagen
Eine Anfrage sollte nur notwendige Informationen enthalten, Unsicherheit ausdrücklich erlauben und verbieten, unbekannte Codes zu erfinden. Weitere Grundlagen zu Modellen und Prompting erläutert der LLM-Kompass.
Prompt-Baukasten
Rolle: methodische Assistenz. Kontext: Frage und Ziel. Regeln: gültige Codes, Ein-/Ausschlüsse, Mehrfachnennungen. Ausgabe: Fall-ID, Codes, kurze Begründung, Unsicherheit. Kontrolle: keine Freigabe ohne menschliche Prüfung.
Beispiele
Aufgabe: Schlage für jedes Verbatim passende Codes vor.
Kontext: Frage „Was sollte an der App verbessert werden?“
Codeliste: Version 1.4, nur die unten aufgeführten Codes verwenden.
Regeln: Mehrfachcodes erlaubt; keine Aussage = 900; nichts erfinden.
Ausgabe: fall_id | code_vorschlag | begründung | sicherheit
Bei Unsicherheit: status „prüfen“ statt einer erzwungenen Zuordnung.Ein sinnvoller Benchmark lässt dasselbe, zuvor festgelegte Material unabhängig von Menschen und einem KI-Verfahren codieren. Regeln, Modellversion, Prompt, Stichprobe und Auswertung werden vor dem Vergleich dokumentiert.
Testaufbau
Eine freigegebene Codeliste und eine getrennte Referenzcodierung bilden die Vergleichsbasis. Die KI darf die Referenzlösung nicht sehen. Wiederholungen mit identischen Einstellungen zeigen, wie stabil die Vorschläge sind.
Kriterien
Zu betrachten sind nicht nur Trefferquoten, sondern auch falsch positive und fehlende Codes, Abweichungen je Kategorie, Restcode-Anteil, Unsicherheitsmarkierungen, Nachbearbeitungszeit und methodisch passende Reliabilitätsmaße.
Ergebnisse
IbetMax veröffentlicht hier bewusst keine erfundenen Leistungswerte. Ein belastbares Ergebnis darf erst nach einem dokumentierten Testlauf mit definiertem Material, Verfahren und Prüfstandard ergänzt werden.
Fair vergleichen
„Mensch gegen KI“ ist zu grob. Entscheidend ist, ob ein kontrollierter Mensch-KI-Workflow bei gleicher Qualitätsanforderung schneller, konsistenter oder nachvollziehbarer arbeitet.
Ein Coding-Projekt braucht neben der eigentlichen Zuordnung klare Übergaben, Versionen, Rollen und Freigaben. Dieser organisatorische Ablauf ergänzt den KI-Arbeitsprozess aus Kapitel 10 und gilt ebenso für rein manuelles Coding.
Ablauf
Rollen
Auftraggeber: definiert Erkenntnisziel und Freigaben. Codeplan-Verantwortung: pflegt Kategorien und Regeln. Codierer:innen: wenden die Regeln an und melden Grenzfälle. Qualitätssicherung: prüft unabhängig und dokumentiert Abweichungen. Rollen können personell kombiniert werden, Verantwortlichkeiten sollten trotzdem getrennt beschrieben sein.
Werkzeuge
Je nach Umfang genügen Tabellenkalkulation, versionierte Codeliste und Prüfprotokoll. Größere Projekte nutzen Codiermasken, Datenbanken, Import-/Exportprüfungen und gegebenenfalls eine kontrollierte KI-Schnittstelle. Das Werkzeug muss zum Risiko und zur Nachvollziehbarkeit passen.
Offene Antworten können Namen, Arbeitgeber, Orte, Gesundheitsangaben oder andere personenbezogene Informationen enthalten. Dass Daten bereits in einer Cloud liegen, erlaubt nicht automatisch ihre Weitergabe an einen zusätzlichen KI- oder API-Anbieter.
Datenminimierung und Zweckbindung
Nach Art. 5 DSGVO sollen nur Daten verarbeitet werden, die für den festgelegten Zweck erforderlich sind. Für einen Coding-Schritt werden direkte Identifikatoren häufig nicht benötigt. Projekt-ID, Fragekontext und Verbatim können genügen; unnötige Kontakt-, Adress- oder Profildaten bleiben außerhalb des Arbeitsdatensatzes.
Anonym oder pseudonym?
Anonymisierte Daten lassen sich mit vertretbaren Mitteln keiner Person mehr zuordnen. Pseudonymisierte Daten verwenden beispielsweise eine Fall-ID, können aber über Zusatzwissen wieder zugeordnet werden und bleiben deshalb personenbezogene Daten. Freitext muss zusätzlich geprüft werden, weil Identifikatoren im Verbatim selbst stehen können.
Cloud ist kein einheitlicher Schutzraum
Kundenplattform, Hosting, Analysewerkzeug und Sprachmodell können unterschiedliche Empfänger mit eigenen Standorten, Verträgen, Speicherfristen und Unterauftragnehmern sein. Jede zusätzliche Übermittlung muss gesondert bewertet werden.
Warum IbetMax nur eine Demo baut
Die IbetMax Demo-Engine veranschaulicht den Workflow ausschließlich mit synthetischen Beispieldaten und ohne API-Schlüssel. Sie simuliert Vorschläge, Prüfungen und Freigaben im Browser, verarbeitet aber keine Kundendaten, ruft kein Sprachmodell auf und erhebt nicht den Anspruch eines geschlossenen Produktionssystems für ein Marktforschungsinstitut. Die interaktive Demo-Engine öffnen.
Was ein Institut zusätzlich benötigen würde
| Bereich | Vor einem Produktivbetrieb zu klären |
|---|---|
| Rechtsgrundlage & Rollen | Verantwortliche Stelle, Zweck, Rechtsgrundlage, Auftragsverarbeitung, Weisungen und Informationspflichten dokumentieren. |
| Datenfluss | Quellen, Felder, Empfänger, Serverstandorte, Unterauftragnehmer und mögliche Drittlandübermittlungen vollständig abbilden. |
| Technik | Geschütztes Backend statt API-Schlüssel im Browser, Verschlüsselung bei Übertragung und Speicherung, Rollen- und Rechtekonzept sowie getrennte Mandanten. |
| Lebenszyklus | Aufbewahrungs- und Löschfristen, Backups, Betroffenenrechte, Berichtigung, Export und dokumentierte Projektlöschung umsetzen. |
| Qualität & Kontrolle | Modell-, Prompt- und Codeplanversionen protokollieren, Human-in-the-loop festlegen, Stichproben und Fehlermanagement durchführen. |
| Risiko & Betrieb | Technische und organisatorische Maßnahmen prüfen, Vorfälle behandeln, Anbieter regelmäßig bewerten und falls erforderlich eine Datenschutz-Folgenabschätzung durchführen. |
Offizielle Grundlagen
Maßgeblich sind insbesondere Art. 5, 25 und 32 DSGVO. Die BfDI erläutert den vorsichtigen Umgang mit personenbezogenen Daten in Entwicklung und Tests und empfiehlt für KI-Entwicklung möglichst wenige personenbezogene Eingaben sowie vorrangig synthetische oder anonymisierte Testdaten. Diese Wissenskarte ist eine fachliche Orientierung und keine Rechtsberatung.
Fachbegriffe rund um Marktforschung, Codelisten und Coding – ausgelegt auf
300+ Einträge. Neue Begriffe werden zentral in
marktforschung-coding.js (Liste
MFC_TERMS) gepflegt und hier automatisch
gruppiert, gefiltert und verlinkt.
Erst verstehen. Dann strukturieren. Dann zählen.
Codelisten und Coding machen aus tausenden offenen Antworten belastbare Zahlen. Gute Ergebnisse entstehen durch klare Regeln, überprüfbare Qualität, menschliche Verantwortung und einen Datenschutz, der bereits beim Entwurf des Workflows beginnt.