Partnerschaft mit Data Science: Die Quant-Qual-Zusammenarbeit

In einer modernen, datengetriebenen Organisation stammen die wirkungsvollsten Insights selten aus einer einzelnen Quelle. Sie entstehen aus der strategischen Partnerschaft zwischen UX Research und Data Science.

Während Sie die Expertise für tiefes, kontextuelles Verständnis von Nutzerverhalten mitbringen, sind Ihre Partner*innen in Data Science und Analytics die Expert*innen für die Identifikation von Verhaltensmustern im großen Maßstab.

Um echten Impact zu erzielen, müssen Sie lernen, diese beiden Welten zu verbinden.

Die Zweibahnstraße

Diese Partnerschaft verwandelt isolierte Datenpunkte in eine kohärente und überzeugende Erzählung. Die Zusammenarbeit fließt in beide Richtungen:

Quant zu Qual: Von statistischen Treibern zur gelebten Erfahrung

Der Workflow beginnt häufig damit, dass Ihre Datenpartner*innen einen kritischen Business Insight identifizieren.

Key Driver Analysis (KDA) ist eine leistungsstarke Technik, die sie einsetzen könnten: eine statistische Methode, um zu identifizieren, welche Faktoren den größten Einfluss auf ein kritisches Ergebnis wie Kundenzufriedenheit oder Retention haben.

Beispiel-Workflow:

1. Data Science findet: KDA auf Supportticket-Daten zeigt, dass der #1-Treiber der Kundenzufriedenheit nicht die Antwortzeit ist, sondern die „Klarheit der vorgeschlagenen Lösung"
2. Statistischer Insight: Sie wissen jetzt, worauf Sie sich konzentrieren sollten
3. Ihr Job: Eine qualitative Studie entwerfen, um herauszufinden, was „Klarheit" im Kontext tatsächlich für Nutzer*innen bedeutet
4. Kombinierter Insight: Quantitativer Treiber + qualitatives Verständnis = handlungsfähige Empfehlung

Der statistische Insight ist der Startpunkt. Ihre Forschung fügt dem abstrakten Treiber die essenzielle gelebte Erfahrung hinzu.

Qual zu Quant: Von der qualitativen Hypothese zur quantitativen Validierung

Umgekehrt werden Sie häufig eine wirkungsvolle Hypothese in einer qualitativen Studie mit kleiner Stichprobe entdecken:

„Nutzer*innen in unseren Interviews äußerten erhebliche Verwirrung über die neuen Preisstufen."

Das ist ein kritischer Insight, aber Stakeholder werden unweigerlich fragen: „Wie viele Personen betrifft das?"

Beispiel-Workflow:

1. Sie finden: Qualitatives Muster der Preisverwirrung
2. Partnerschaft mit Analytics: Können sie messen, ob Nutzer*innen, die die neue Preisseite besuchen, eine höhere Warenkorbabbruchrate haben?
3. Quantitative Validierung: Daten zeigen 23 % höheren Abbruch auf der neuen Preisseite
4. Kombinierter Insight: Qualitatives „Warum" + quantitatives „Wie viele" = unwiderlegbarer Case für eine Änderung

Dieser Prozess validiert Ihre qualitativen Ergebnisse im großen Maßstab und macht sie unmöglich abzutun.

Die bidirektionalen Workflows

Hier sind die spezifischen Übergabeprotokolle für jede Richtung. Nutzen Sie diese als Templates für Ihre Zusammenarbeit.

Workflow 1: Quant zu Qual (Der „Warum"-Handschlag)

Wenn Data Science ein statistisches Muster identifiziert, aber den Mechanismus dahinter nicht erklären kann.

Schritt 1: Der Auslöser Data Science führt eine Key Driver Analysis (KDA) durch und entdeckt etwas Kontraintuitives:

„Lösungsklarheit sagt Kundenzufriedenheit 3x besser vorher als Antwortgeschwindigkeit."

Schritt 2: Das Übergabemeeting Sie erhalten:

• Den abstrakten Treiber („Klarheit")
• Die Daten, die seine Bedeutung zeigen
• Die am stärksten betroffenen Segmente

Schritt 3: Ihr Forschungsdesign Sie entwerfen eine qualitative Studie, um das abstrakte Konzept zu operationalisieren:

• „Wie sieht ‚Klarheit' in der Praxis aus?"
• „Welche spezifischen UI-Elemente oder Sprachmuster signalisieren Klarheit für Nutzer*innen?"

Schritt 4: Die Insight-Synthese Sie kommen mit konkreten Definitionen zurück:

• „Klarheit bedeutet einfache Sprache, kein technischer Jargon"
• „Klarheit bedeutet Schritt-für-Schritt-Fortschrittsindikatoren"
• „Klarheit bedeutet explizite Bestätigung, dass die Aktion funktioniert hat"

Schritt 5: Das Deliverable Kombinierter Insight: Statistischer Treiber + handlungsfähige Design-Spezifikationen = Roadmap-Item.

Workflow 2: Qual zu Quant (Der „Skalierungs"-Handschlag)

Wenn Sie in qualitativer Forschung ein überzeugendes Muster finden, aber dessen Verbreitung validieren müssen.

Schritt 1: Der Auslöser Sie finden ein konsistentes Muster über 8 Interviews:

„Nutzer*innen sind verwirrt von den Preisstufen-Bezeichnungen. Sie können ‚Pro' nicht von ‚Business' unterscheiden."

Schritt 2: Die Hypothesen-Übergabe Sie geben Data Science:

• Die spezifische Hypothese (Preisstufen-Verwirrung)
• Das beobachtete Nutzerverhalten (Zögern, Vergleichsshopping, Abbruch)
• Vorgeschlagene Metriken zur Untersuchung

Schritt 3: Ihre Analyse Data Science markiert Nutzer*innen, die die Preisseite besucht haben, und misst:

• Verweildauer auf der Seite (Verwirrungsproxy)
• Hin-und-her-Navigation (Vergleichsverhalten)
• Conversion Rate vs. Baseline
• Nachgelagerte Abwanderung pro Stufe

Schritt 4: Die Validierung Sie kommen mit quantitativer Evidenz zurück:

„Nutzer*innen, die die Preisvergleichstabelle ansehen, verbringen 2,3x mehr Zeit auf der Seite und konvertieren 18 % weniger als Nutzer*innen, die direkt auf einer Stufe landen."

Schritt 5: Der kombinierte Case Ihr qualitatives „Warum" (Namensverwirrung) + ihr quantitatives „Wie viele" (18 % Conversion-Impact) = unwiderlegbarer Business Case für ein Redesign.

Was Data Science mitbringt

Was UX Research mitbringt

Die Partnerschaft aufbauen

Um diese Partnerschaft aufzubauen, müssen Sie eine gemeinsame Sprache entwickeln. Die Grundlagen ihrer Welt zu lernen, macht Sie zu einer effektiveren Kollaborationspartnerin.

Konzepte, die es wert sind, verstanden zu werden

Regression: Eine Methode zur Quantifizierung von Beziehungen zwischen Variablen (z. B. wie stark sagt „Antwortzeit im Support" den „Zufriedenheitswert" vorher?)

Korrelation vs. Kausalität: Data Science kann zeigen, dass sich zwei Dinge gemeinsam bewegen; experimentelles Design bestimmt, ob eines das andere verursacht

Statistische Signifikanz: Ob ein beobachteter Effekt wahrscheinlich real ist oder durch Zufall entstanden sein könnte

Effektstärke: Wie groß ein Effekt ist, unabhängig davon, ob er statistisch signifikant ist

Feature Importance: In prädiktiven Modellen, welche Variablen am meisten zur Vorhersage beitragen

Für die Verstärkung der strategischen Positionierung durch Data-Science-Partnerschaften, siehe Vom Datensammler zum strategischen Partner: Einfluss, Einwände und Veränderung bewirken.

Häufige Kollaborationsszenarien

„Wir sehen Drop-off, wissen aber nicht warum"

Analytics identifiziert, wo Nutzer*innen einen Flow abbrechen. UX Research führt Beobachtungssessions durch, um die Reibungspunkte zu verstehen, die den Abbruch verursachen.

„Wir haben Survey-Scores, können sie aber nicht interpretieren"

Data Science zeigt, dass Zufriedenheitswerte für ein Segment niedrig sind. UX Research führt Interviews mit Nutzer*innen in diesem Segment, um zu verstehen, was die Unzufriedenheit treibt.

„Wir haben ein Muster gefunden, wissen aber nicht, ob es real ist"

Qualitative Forschung deutet auf ein Präferenzmuster hin. Data Science validiert, ob dieses Muster in Verhaltensdaten im großen Maßstab Bestand hat.

„Wir müssen Fixes priorisieren"

UX Research identifiziert mehrere Usability-Probleme. Data Science hilft zu quantifizieren, welche Probleme die meisten Nutzer*innen betreffen oder den größten geschäftlichen Impact haben, und ermöglicht so evidenzbasierte Priorisierung.

Für den Einfluss von KI- und ML-Fähigkeiten auf die Data-Science-Zusammenarbeit, siehe Was KI für UX Research leisten kann und was nicht.

Weiterführendes

Für Leser*innen, die die statistischen Grundlagen und Machine-Learning-Techniken verstehen möchten, die Ihre Data-Science-Partner*innen verwenden, ist The Elements of Statistical Learning ^[1] ein grundlegendes (wenngleich fortgeschrittenes) Werk.

Sie müssen dieses Material nicht beherrschen, aber Vertrautheit mit den Konzepten hilft Ihnen, bessere Fragen zu stellen und effektivere Kooperationen vorzuschlagen.

Was das für die Praxis bedeutet

Die überzeugendsten Insights verbinden die Rigorosität quantitativer Analyse mit der Tiefe qualitativen Verständnisses. Keine der beiden ist ohne die andere vollständig.

Data Science sagt Ihnen, dass etwas im großen Maßstab passiert. UX Research sagt Ihnen, warum es passiert und was dagegen zu tun ist.

Bauen Sie Beziehungen zu Ihren Data-Science-Partner*innen auf. Lernen Sie genug von ihrer Sprache, um effektiv zusammenzuarbeiten. Schaffen Sie Workflows, die die Stärken beider Disziplinen nutzen.

Das Ergebnis ist Triangulation in ihrer leistungsfähigsten Form: Insights, die sowohl statistisch validiert als auch kontextuell verstanden sind.

Für die quantitativen Analysetechniken, die die gemeinsame Basis mit Data Science bilden, siehe Quantitative Analyse: Von Metriken zu Signifikanz.