Zweck
Dieser Skill regelt, wie rohe Research-Inputs — Nutzerfeedback, qualitative Interviews, Marktsignale und Produktbeobachtungen — in strukturierte, entscheidungsreife Artefakte überführt werden. Er verhindert die typischen Synthese-Fehler: verwässerte Insights, falsches Clustering, fehlende Evidenzverknüpfungen und Opportunity-Statements ohne betriebswirtschaftliche Fundierung.
Wende diesen Skill an, wann immer Research-Daten für Product-, Design-, Strategie- oder Stakeholder-Zielgruppen organisiert, thematisch geclustert, priorisiert oder aufbereitet werden müssen.
Quellentypen & Umgang damit
Jeder Research-Input-Typ erfordert eine andere Synthese-Perspektive. Bestimme vor dem Start, welche Typen vorliegen.
Nutzerfeedback (schriftlich, In-App, Umfrageantworten)
Extrahiere wörtliche Zitate mit Signalwert (Frustration, Verwirrung, Begeisterung, Workarounds).
Versieh jedes Zitat mit: Quellkanal, Sentiment (negativ / neutral / positiv) und betroffenem Feature-Bereich.
Clustere nach wiederkehrendem Thema — nicht nach Feature oder Produktbereich, sondern nach zugrunde liegendem Nutzerbedürfnis oder Fehlermodus.
Mindestschwelle pro Cluster: 3 unabhängige Datenpunkte, bevor von einem Muster gesprochen wird.
Qualitative Interviews (UX-Research, Sales Calls, Customer Success, Onboarding)
Erfasse: genanntes Ziel, tatsächliches Verhalten, Reibungspunkt, genutzter Workaround, emotionales Signal.
Unterscheide zwischen dem, was Nutzende zu wollen sagen, und dem, was ihr Verhalten als tatsächlichen Bedarf offenlegt.
Kennzeichne Widersprüche zwischen Teilnehmenden — sie sind oft die wertvollsten Signale.
Ordne Insights der Rolle bzw. dem Segment der teilnehmenden Person zu, nicht Einzelnamen (datenschutzkonforme Kennzeichnung: z. B. „Enterprise-Nutzer, Logistikbranche, 3 Jahre Zugehörigkeit").
Marktbeobachtungen (Wettbewerbsanalyse, Analystenreports, Trendsignale, Social Listening)
Fasse die Beobachtung und die Glaubwürdigkeit ihrer Quelle zusammen (Primär- vs. Sekundärforschung).
Bewerte die Relevanz: Handelt es sich um ein aufkommendes Muster, einen validierten Trend oder um Rauschen?
Stelle den Bezug zum internen Produktkontext her: Bestätigt, hinterfragt oder erweitert das die aktuelle Ausrichtung?
Stelle Marktbeobachtungen nicht als Nutzerbedürfnisse dar — sie erfordern eine eigene Triangulation.
Inputs zu Produktchancen (interne Hypothesen, Stakeholder-Anfragen, Roadmap-Lücken)
Formuliere jeden Input als Problemstellung, nicht als Lösung: „Nutzende können X nicht, was zu Y führt" — nicht „Wir sollten Z bauen."
Validiere gegen die Research-Evidenz, bevor daraus eine Opportunity wird.
Kennzeichne, wenn einer Opportunity belegende Nutzer- oder Marktevidenz fehlt.
Synthese-Prozess
Halte diese Reihenfolge ein. Überspringe Schritte nur, wenn der Research-Scope diesen Input-Typ ausdrücklich nicht umfasst.
Schritt 1 — Intake & Quelleninventar
Liste alle vorliegenden Inputs auf: Quellentyp, Umfang (z. B. 12 Interview-Transkripte, 340 Feedback-Tickets), Zeitraum und abgedeckte Population. Benenne, was fehlt oder unbekannt ist.
Schritt 2 — Extraktion atomarer Insights
Zerlege jede Quelle in ihre kleinsten sinnvollen Einheiten — eine Beobachtung pro Insight-Karte. Jede Karte enthält:
Rohevidenz (Zitat, Paraphrase oder beobachtetes Verhalten)
Quellenlabel (anonymisiert)
Input-Typ
Vorläufiges Tag (Themenkandidat)
Schritt 3 — Affinity Clustering
Gruppiere Insight-Karten nach zugrunde liegendem Bedürfnis, Fehlermodus oder Job-to-be-done — nicht nach UI-Element oder Feature. Benenne jedes Cluster mit einer verbgeführten Insight-Aussage: „Nutzende können Daten aus mehreren Quellen nicht zusammenführen, ohne die Plattform zu verlassen." Vermeide Clusternamen wie „Dashboard-Probleme" oder „Onboarding-Feedback".
Qualitätsprüfungen für Cluster:
Hat das Cluster Evidenz aus mindestens 2 verschiedenen Quellentypen? (Stärkeres Signal)
Gibt es Ausreißer-Insights, die in kein Cluster passen? (Bewahre sie — nicht erzwungen einsortieren)
Sind Cluster so groß, dass sie aufgeteilt werden sollten? (Zielgröße: 3–7 Insights pro Cluster)
Schritt 4 — Mustervalidierung
Bewerte für jedes Cluster:
Häufigkeit: Wie viele Datenpunkte stützen es?
Schweregrad: Wie teuer ist das Problem für Nutzende (Zeit, Fehler, Abwanderungsrisiko)?
Breite: Welche Nutzersegmente sind betroffen?
Strategische Passung: Deckt sich das mit der aktuellen Produktausrichtung oder legt es einen blinden Fleck offen?
Schritt 5 — Opportunity-Framing
Überführe validierte Cluster in Opportunity-Statements nach dieser Struktur:
Opportunity: [Nutzersegment] braucht eine Möglichkeit, [Ziel zu erreichen], ohne [aktuelle Reibung/Einschränkung], weil [zugrunde liegender Grund, warum das zählt].
Ergänze: Anzahl der stützenden Belege, betroffene Segmente, Schweregrad (Hoch / Mittel / Niedrig) und offene Fragen, die weitere Forschung erfordern.
Schritt 6 — Synthese-Narrativ
Schreibe ein kurzes Narrativ (150–300 Wörter), das die wichtigsten 3–5 Erkenntnisse zu einer schlüssigen Geschichte verbindet. Beantworte: Womit kämpfen Nutzende am stärksten? Wo bestätigt oder widerspricht der Markt? Was sollten Produktteams als Nächstes untersuchen?
Output Formats
Wähle das Format nach Zielgruppe und Anwendungsfall.
A — Insight-Zusammenfassung (für Team-Sharing, Slack, asynchrones Lesen)
## Research Snapshot — [Thema / Sprint / Datum]
**Quellen:** [Input-Typen und Anzahl auflisten]
**Zeitraum:** [Erhebungszeitraum]
**Population:** [Abgedeckte Segmente]
### Wichtigste Erkenntnisse
1. [Insight-Aussage] — gestützt durch [N] Datenpunkte aus [Quellentypen]
2. ...
3. ...
### Zentrales Zitat
> "[Wörtliches Zitat]" — [Anonymisiertes Teilnehmerlabel]
### Offene Fragen
- [Frage, die weitere Untersuchung erfordert]
B — Opportunity Brief (für Produkt-/Strategieentscheidungen)
## Opportunity Brief — [Titel der Opportunity]
**Problemstellung:** [Verbgeführte, nutzerzentrierte Problemformulierung]
**Betroffene Segmente:** [Rollen, Tarife oder Kontexte]
**Evidenzbasis:** [N Interviews, N Feedback-Items, N Marktsignale]
**Schweregrad:** Hoch / Mittel / Niedrig
**Strategische Passung:** [Deckt sich mit / hinterfragt / erweitert die aktuelle Ausrichtung]
### Stützende Evidenz
- [Zitat oder Verhaltensbeobachtung] — [Quellenlabel]
- ...
### Marktkontext
[1–2 Sätze zum relevanten Marktsignal, falls vorhanden]
### Empfohlene nächste Schritte
- [Research-Maßnahme oder Validierungsexperiment]
- [Einzubeziehende Stakeholder]
### Offene Fragen
- [Ungeklärte Unsicherheit]
C — Vollständiger Synthesebericht (für Quartalsreviews, Leadership-Readouts, große Discovery-Zyklen)
Struktur:
Executive Summary (max. 150 Wörter — Erkenntnisse, Implikationen, empfohlene Maßnahmen)
Research-Scope & Methodik
Kernthemen (ein Abschnitt pro Cluster, mit Evidenztabelle)
Landschaft der Produktchancen (Opportunity Briefs, priorisiert)
Markt- & Wettbewerbskontext
Limitationen & Konfidenzniveau
Empfohlene nächste Schritte
Nutze create_text_document für Format A und B. Nutze create_html_document für Format C, wenn eine gestaltete, stakeholder-fertige Aufbereitung nötig ist.
Clarification — When to Ask
Frage nur dann vor dem Start nach, wenn:
keine Research-Inputs bereitgestellt wurden → „Mit welchen Research-Materialien arbeitest du? (z. B. Interview-Transkripte, Feedback-Exporte, Umfragedaten, Wettbewerbsnotizen)"
die Zielgruppe völlig unklar ist → „Wer wird diese Synthese nutzen — Produktteam, Leadership, externe Stakeholder?"
das Ausgabeformat bei einer vollständigen Synthese mehrdeutig ist → „Soll das eine schnelle Insight-Zusammenfassung, ein Opportunity Brief oder ein vollständiger Synthesebericht werden?"
Frage nie nach:
Wie viele Cluster erstellt werden sollen — bestimme das aus den Daten und erläutere deine Begründung.
Ob Zitate enthalten sein sollen — nimm immer mindestens ein wörtliches Zitat pro zentraler Erkenntnis auf.
Ob Lücken gekennzeichnet werden sollen — kennzeichne immer, was fehlt; unvollständige Evidenz ist selbst ein Syntheseergebnis.
Quality Rules
Wende diese Prüfungen an, bevor du eine Synthese-Ausgabe finalisierst:
Keine unbelegten Behauptungen: Jedes Insight muss auf mindestens eine benannte Evidenzquelle zurückführbar sein.
Kein Solutionismus: Die Synthese legt Probleme und Chancen offen, keine Features oder Roadmap-Punkte.
Keine Scheingenauigkeit: Weise qualitativen Daten keine Prozentwerte oder quantitativen Gewichte zu, sofern die zugrunde liegende Stichprobengröße das nicht rechtfertigt.
Abweichende Signale bewahren: Wenn Evidenz dem dominanten Muster widerspricht, nimm sie auf — unterdrücke Minderheitsbefunde nicht.
Segmentschärfe: Gib an, für welches Nutzersegment eine Erkenntnis gilt; vermeide „Nutzende empfinden generell…" ohne Einschränkung.
Konfidenz-Kalibrierung: Kennzeichne jede Erkenntnis als Bestätigt (3+ belegende Quellen), Indikativ (2 Quellen) oder Vorläufig (1 Quelle, Validierung nötig).
Ton & Sprache
Schreibe für Entscheidende, die auf Basis der Erkenntnisse handeln — direkt, konkret und evidenzgeführt.
Nutze Aktivkonstruktionen: „Teilnehmende brachen den Flow ab, als…" statt „Es wurde beobachtet, dass Flows abgebrochen wurden…"
Vermeide abschwächende Formulierungen, die das Signal verwässern: nicht „Nutzende könnten möglicherweise Schwierigkeiten haben", sondern „Nutzende scheiterten durchgängig daran, X abzuschließen (bestätigt in 7 Interviews)."
Deutschsprachige Ausgaben folgen derselben Struktur — wende für Register und Formulierung die Regeln des Tone of Voice Skill an.