Zusammenfassung
Die Realität von UX Research ist chaotisch, frustrierend und zutiefst menschlich. Teilnehmende widersprechen sich selbst, Stakeholder tun sich schwer mit Ambiguität, und die Arbeit an der Front beinhaltet unangenehme Situationen, auf die kein Template vorbereitet. Dieses Stück ist ein Gegenentwurf zur polierten Content-Marketing-Version von Research: eine Erinnerung daran, dass Expertise nicht darin besteht, Templates zu befolgen, sondern bessere Entscheidungen mit den verfügbaren Ressourcen zu treffen.
Es gibt die Version von UX Research, die Sie auf LinkedIn sehen, und dann gibt es die Version, die die meisten von uns tatsächlich machen.
In sozialen Medien kann das Feld wie ein Labor perfekter Methoden und dogmatischer Treue zu Frameworks wirken. Es ist eine Welt aus eleganten Whitepapers, herunterladbaren Guides und Schritt-für-Schritt-Templates.
Wir müssen uns daran erinnern, dass viele dieser Ressourcen Content Marketing sind. Obwohl sie oft nützlich sind, ist ihr primäres Ziel, ein Produkt oder einen Service zu verkaufen, nicht das nuancierte, kritische Denken zu vermitteln, das echte Research erfordert.
Die Angst, „nicht zu genügen"
Diese polierte Darstellung kann ein Gefühl der Unsicherheit erzeugen: das Gefühl, dass Ihre Arbeit mit ihren realen Einschränkungen und skeptischen Stakeholdern irgendwie nicht ausreicht.
Die Gefahr, sich zu stark auf diesen Template-Ansatz zu verlassen, ist, dass Sie schlecht passende Studien produzieren. Schlimmer noch: Sie riskieren, Ihre eigene Expertise abzuwerten. Wenn der Job nur darin besteht, eine Abfolge von Templates anzuwenden, signalisieren Sie Stakeholdern, dass Forscher*innen durch eine Checkliste ersetzt werden können, oder, im modernen Kontext, durch eine KI.
Für die Unterscheidung zwischen unvollkommener, aber echter Forschung und Research-Theater, siehe UX Research-Theater vermeiden: Wenn Aktivitäten wie Research aussehen, aber keine sind.
Die chaotische Datenrealität
Wenn Sie endlich zur Research kommen, sind die erhobenen Daten selten ein sauberer, modellhafter Datensatz. Sie sind chaotisch.
Teilnehmende werden sich widersprechen. Sie werden abgelenkt sein. Ihr Internet wird ausfallen. Sie werden Antworten geben, die nicht sauber in Ihr Framework passen.
Und wenn Sie diese chaotischen, nuancierten Daten präsentieren, werden Sie feststellen, dass Stakeholder, die in einer Welt sauberer Metriken leben, manchmal mit Ambiguität kämpfen. Sie wollen ein 100 % vollständiges Bild, das reale Daten niemals liefern können. Sie wollen oft direkt von einem einzelnen Nutzerzitat zu einer unternehmensweiten strategischen Schlussfolgerung springen.
Oder sie wollen Ihre Research komplett ignorieren.
Ein Dazwischen gibt es oft nicht.
Das Stakeholder-Übersetzungsproblem
Die Einbindung von Stakeholdern bringt eigene Herausforderungen mit sich.
Sie wollen bei der Formulierung der Forschungsfragen mithelfen, was wertvoll ist. Aber sie verstehen oft nicht, dass Sie eine*n Nutzer*in nicht einfach fragen können: „Was ist Ihr primäres unerfülltes Bedürfnis bezüglich unserer Q3-Strategieziele?"
Sie müssen sorgfältig beantwortbare Fragen aus größeren Geschäftszielen ableiten. Die Übersetzung von „Geschäftsfrage" zu „Forschungsfrage" zu „Interviewfrage" ist eine Kompetenz, die kein Template vermitteln kann.
Für Strategien, um von der Übersetzung zum strategischen Einfluss zu gelangen, siehe Vom Datensammler zum strategischen Partner: Einfluss, Einwände und Veränderung bewirken.
Die praktischen Realitäten, die niemand erwähnt
Unter Nicht-Forscher*innen herrscht ein weitverbreitetes Unverständnis für bestimmte praktische Realitäten:
Screening kostet Geld und Zeit: Sie können nicht einfach Dutzende Personen „ausscreenen", ohne sie für ihre Zeit zu kompensieren. Jeder Screener, den Sie hinzufügen, erhöht die Recruiting-Komplexität und -Kosten.
„Mit Nutzer*innen reden" ist keine Research: Die Phrase „redet einfach mit Nutzer*innen" verschleiert den Unterschied zwischen lockerem Gespräch und strukturierter Befragung, die sauber analysiert werden kann. Ersteres produziert Anekdoten; Letzteres produziert Insights.
Repräsentative Stichproben erfordern Aufwand: Wenn Sie Ihre Arbeit richtig gemacht haben, haben Sie „repräsentative" Personen rekrutiert. Das bedeutet, Sie werden häufig mit Menschen sprechen, die weit außerhalb Ihrer gewohnten Peergroup liegen.
Für die organisationalen Dynamiken hinter diesen praktischen Realitäten, siehe Das Research-Ökosystem navigieren: Rollen, Titel und Stakeholder-Mindsets.
Die menschliche Frontlinie
Und dann gibt es die chaotische Frontlinie des Interviews oder Tests selbst.
Wenn Sie gut rekrutiert haben, sprechen Sie mit echten Nutzer*innen, nicht mit Kolleg*innen, nicht mit Menschen, die so denken wie Sie, nicht mit technikaffinen Early Adopters, die sich in Research-Settings wohlfühlen.
Es kann unangenehm sein. Es kann schwer sein. Manchmal ist es schlicht unbequem.
Eine teilnehmende Person kämpft vielleicht mit etwas, das Sie für offensichtlich hielten. Sie äußert möglicherweise Meinungen, die Sie überraschen. Sie wird frustriert, verstummt oder teilt ungebeten persönliche Details mit.
Nichts davon taucht in den Fallstudien auf.
Warum das wichtig ist
Das ist keine Beschwerde. Es ist ein Realitätscheck.
Die chaotische Realität von Research zu verstehen, ist das, was Praktizierende von Menschen trennt, die nur über Research gelesen haben. Es ist auch das, was die Arbeit wertvoll macht: Die Fähigkeit, Ambiguität zu navigieren, zwischen Welten zu übersetzen und Signal aus Rauschen zu extrahieren, ist genau die Expertise, die sich nicht in Templates pressen lässt.
Was Sie tatsächlich brauchen
Um diese Arbeit gut zu machen, brauchen Sie:
- Systeme und Frameworks: Building Blocks, Components of Experience und andere mentale Modelle helfen Ihnen, Entscheidungen zu treffen, wenn Templates nicht passen
- Entscheidungsheuristiken: Faustregeln, die auf Erfahrung basieren, nicht nur auf theoretischem Wissen
- Stakeholder-Fluency: Die Fähigkeit, zwischen Research-Sprache und Business-Sprache zu übersetzen
- Komfort mit Ambiguität: Reale Daten sind chaotisch; Ihre Aufgabe ist es, das Signal zu finden
So sieht ein nüchterner Ansatz für Research aus. Nicht die Befolgung perfekter Prozesse, die nur in Marketingmaterialien existieren, sondern das Handwerk, rigorose Arbeit innerhalb realer Einschränkungen zu leisten.
Der KI-Kontext
Sie fragen sich vielleicht, warum fundamentales Wissen im Zeitalter von KI wichtig ist, wenn Tools in großem Maßstab transkribieren, zusammenfassen und analysieren können.
KI ist ein fantastisches Werkzeug, das die Qualität und Geschwindigkeit unserer Arbeit steigern kann. Sie hilft bei arbeitsintensiven Aufgaben wie Transkription und Datenanalyse.
Aber ein Werkzeug ist nur so gut wie die Person, die es einsetzt. KI-Output ist nur bis zu dem Punkt nützlich, an dem Sie generell verstehen, was Sie tun, und die Ergebnisse angemessen steuern und bewerten können.
KI befreit Sie nicht von dem nicht-linearen, abstrakten Denken, das dieser Job erfordert. Sie müssen zuerst fundamentales Wissen aufbauen.
Für den Aufbau einer Karriere, die diese praktischen Realitäten berücksichtigt, siehe Eine Research-Karriere im Zeitalter der KI aufbauen.
Der Weg nach vorn
Der Weg nach vorn führt nicht über mehr Templates oder mehr Tools. Er führt über ein tieferes Verständnis der Grundlagen:
- Warum Research-Methoden so funktionieren, wie sie funktionieren
- Wie man sie an spezifische Kontexte anpasst
- Wann man Regeln bricht und wann man sie befolgt
- Wie man Erkenntnisse an Menschen kommuniziert, die anders denken
Das ist es, was Praktizierende, die Anweisungen befolgen, von denen trennt, die Research für jede Fragestellung maßschneidern und die chaotische Realität navigieren können, diese Forschung mit realen Menschen und echten Stakeholdern durchzuführen.
Die polierte LinkedIn-Version von UX Research ist nicht falsch, sie ist nur unvollständig. Der Rest dieses Knowledge Hub zielt darauf ab, das zu ergänzen, was die Marketingmaterialien auslassen.