Qualitative und quantitative Forschung: Eine falsche Dichotomie

Statt einer scharfen Trennlinie ist es zutreffender, qualitative und quantitative Forschung als zwei Enden eines Kontinuums zu betrachten. In der Praxis verbinden viele UX-Studien Elemente aus beiden.

Forschung hilft uns grundsätzlich mit zwei Dingen: Messen und Verstehen.

Quantitative Forschung misst

Das primäre Ziel quantitativer Forschung ist es, ein Phänomen numerisch zu messen und dann, mit einer ausreichend großen Stichprobe, diese Ergebnisse von der Stichprobe auf eine breitere Population zu generalisieren (z. B. vergangene, aktuelle und zukünftige Kundenbasis).

Sie beantwortet Fragen wie:

• Wie viel?
• Wie viele?
• Wie oft?

Sie arbeitet mit Zahlen, Metriken und statistischer Analyse.

Anwendungsbeispiele:

• Einen A/B Test durchführen, um zu sehen, welcher Button mehr Klicks bekommt
• Einen groß angelegten Survey zur Messung der Kundenzufriedenheit durchführen
• Task-Completion-Raten über Produktversionen hinweg benchmarken

Stärke: Quantitative Forschung liefert objektive, skalierbare Daten, die auf die gesamte Nutzerpopulation extrapoliert werden können. Sie erzeugt Ergebnisse, die schwer als anekdotisch abzutun sind.

Häufig wird quantitative Forschung evaluativ eingesetzt: um zu messen, zu definieren und zu benchmarken.

Für die statistischen Analysetechniken hinter quantitativen Maßen, siehe Quantitative Analyse: Von Metriken zu Signifikanz.

Qualitative Forschung versteht

Qualitative Forschung beantwortet Fragen nach dem "Was" und "Warum" und erkundet Motivationen, Wahrnehmungen und Kontext. Sie arbeitet traditionell mit einer kleineren Anzahl reichhaltiger Geschichten, Beobachtungen und direkter Zitate.

Anwendungsbeispiele:

• Interviews führen, um zu verstehen, warum Nutzer*innen einen Checkout-Flow abbrechen
• Nutzer*innen in ihrer natürlichen Umgebung durch Contextual Inquiry beobachten
• UX Tests mit Think-Aloud Protocol durchführen, um Denkprozesse zu verstehen

Stärke: Die große Stärke qualitativer Forschung liegt in ihrer Fähigkeit, die reichhaltigen, menschlichen Gründe hinter den Zahlen aufzudecken. Sie erklärt das "Warum", das quantitative Daten nicht liefern können.

Häufig wird qualitative Forschung generativ eingesetzt: um zu verstehen, zu explorieren und Hypothesen zu generieren.

Die eigentliche Trennlinie

Hier entsteht oft Verwirrung: Das Datenformat allein, Worte versus Zahlen, definiert nicht den Forschungstyp.

Umgekehrt ist die Verwendung eines standardisierten Instruments, das eine Zahl erzeugt (wie die System Usability Scale, SUS), in einem UX Test mit nur wenigen Teilnehmenden keine quantitative Forschung. In diesem Kontext dient die Zahl als qualitativer Indikator für die Nutzerwahrnehmung, nicht als statistisch signifikante Messung.

Die eigentliche Trennlinie ist das primäre Ziel:

Für die Bausteine, die die qualitativ-quantitative Unterscheidung operationalisieren, siehe Bausteine und Kernmethoden: Ein Framework für UX Research.

Die Stärke von Mixed Methods

Erfahrene Forschende wissen, dass die wirkungsvollsten Erkenntnisse aus der Kombination beider Ansätze entstehen. Das ist der Kern eines Mixed-Methods-Ansatzes.

Beispiel: Analytics können zeigen, was passiert ("70 % der Nutzer*innen springen auf der Preisseite ab"), aber nur qualitative Forschung kann erklären, warum ("Nutzer*innen vertrauen der Seite nicht, weil sie keine bekannten Zahlungslogos sehen").

Kein Ergebnis allein ist so handlungsrelevant wie beide zusammen:

• Die quantitativen Daten zeigen das Ausmaß des Problems
• Die qualitativen Daten erklären, wie es behoben werden kann

Die Reihenfolge Ihrer Forschung

Eine weitere praktische Anwendung von Mixed Methods ergibt sich beim Design strukturierter quantitativer Studien. Um verlässliche Daten zu erhalten, müssen Sie sicher sein, dass Sie die richtigen Dinge messen.

Häufige Herausforderungen:

• Wissen, ob Sie die richtigen Antwortoptionen für eine Multiple-Choice-Frage definiert haben
• Sicher sein, dass Sie die kritischsten Nutzeraufgaben in einer Benchmark-Studie testen
• Eine klare, nutzerzentrierte Definition von "Erfolg" haben

Das führt zu einer einfachen Heuristik für die Reihenfolge:

Dieser generative, qualitative Schritt stellt sicher, dass Ihre anschließende quantitative Messung auf einem soliden Fundament des Nutzerverständnisses aufgebaut ist. Das verhindert die verbreitete Falle, die falschen Dinge mit hoher Präzision zu messen.

Triangulation

Der Prozess, verschiedene Datenquellen zu kombinieren, um robustere Ergebnisse zu erhalten, wird auch als Triangulation bezeichnet.

Durch die Kombination der reichhaltigen, kontextuellen Geschichten aus qualitativer Forschung mit den skalierbaren Zahlen aus quantitativer Forschung entsteht ein umfassendes, überzeugendes und erkenntnisreiches Bild der User Experience.

Arten der Triangulation:

• Methodentriangulation: Verschiedene Forschungsmethoden einsetzen (Interviews + Analytics + Surveys)
• Datentriangulation: Daten zu verschiedenen Zeitpunkten oder von verschiedenen Gruppen erheben
• Investigator-Triangulation: Mehrere Forschende analysieren dieselben Daten

Wenn mehrere Ansätze zum selben Ergebnis kommen, steigt das Vertrauen in dieses Ergebnis erheblich.

Verbreitete Missverständnisse

"Qualitative Forschung ist nur Meinung"

Qualitative Daten werden systematisch erhoben und analysiert. Gute qualitative Forschung ist methodisch rigoros: mit definierten Protokollen, dokumentierten Analyseprozessen und Methoden zur Sicherstellung von Konsistenz. Es handelt sich nicht um lockere Gespräche.

"Quantitative Forschung ist immer besser, weil Zahlen"

Zahlen ohne Kontext können irreführend oder bedeutungslos sein. Ein statistisch signifikantes Ergebnis kann praktisch irrelevant sein. Quantitative Ergebnisse ohne qualitative Erklärung scheitern oft daran, Handlungen auszulösen, weil Stakeholder nicht verstehen, was sie damit anfangen sollen.

"Man braucht riesige Stichproben für nützliche Forschung"

Stichprobenanforderungen hängen vom Ziel ab. Wenn Sie Probleme tiefgehend verstehen wollen, können 5-8 Teilnehmende in einer qualitativen Studie die Mehrheit der Probleme aufdecken. Wenn Sie auf eine Population mit statistischer Sicherheit generalisieren wollen, brauchen Sie größere Stichproben. Aber auch dann hängt "groß" von der geplanten Analyse ab.

Aufkommende Trends: Qualitative Forschung im großen Maßstab

Ein aufkommender Trend ist "Qualitative at Scale": Neue Technologien wie KI-moderierte Interviews könnten es ermöglichen, Hunderte qualitative Sitzungen in der Zeit durchzuführen und auszuwerten, die früher für eine Handvoll nötig war.

Bei methodisch fundierter Umsetzung könnte dieser Ansatz Forschenden erlauben, tiefe, kontextuelle Insights aus deutlich größeren Stichproben zu gewinnen als bisher möglich und so qualitative Tiefe mit quantitativer Reichweite zu verbinden.

Ob aus zehn Interviews oder tausend: Die große Stärke qualitativer Forschung bleibt bestehen: die reichhaltigen, menschlichen Gründe hinter den Zahlen aufzudecken.

Für den detaillierten qualitativen Analyse-Workflow, siehe Qualitative thematische Analyse: Von Codes zu Insights.

Was das für die Praxis bedeutet

Beim Planen von Research fragen Sie sich:

1. Was ist das Ziel? Verstehen (qualitativ) oder messen (quantitativ)?
2. Was weiß ich bereits? Genug, um zu messen, oder muss ich zuerst explorieren?
3. Was brauchen Stakeholder? Zahlen zum Tracken? Erklärungen zum Handeln? Beides?
4. Wie trianguliere ich? Welche anderen Datenquellen können Ergebnisse bestätigen?

Die Qual-vs.-Quant-Rahmung ist weniger nützlich als die Frage: Welche Kombination aus Verstehen und Messen liefert uns, was wir brauchen, um diese Entscheidung zu treffen?

Mehr darüber, wie qualitative und quantitative Forschung mit verschiedenen Datenquellen zusammenhängen, erfahren Sie unter Aktive vs. passive Datenerhebung.

Für die Wahl zwischen Within- und Between-Subjects-Designs, siehe Wahl eines Studiendesigns: Between, Within und Mixed.

Für das übergeordnete Framework, das qualitative und quantitative Ansätze integriert, siehe Das Applied Research Framework: Wie alles zusammenhängt.