CX-Programme messen heute sehr viel. Zufriedenheit, Weiterempfehlungsbereitschaft, Customer Effort, Kontaktqualität, Prozesswahrnehmung und einzelne Leistungsmerkmale werden regelmäßig erhoben. Die Herausforderung liegt deshalb häufig nicht darin, noch einen zusätzlichen Messwert zu erzeugen. Schwieriger ist die Frage, welche Erkenntnisse wir daraus für die Optimierung ableiten können: Welche Aspekte einer Experience sind relevant? Welche haben im Vergleich Vorrang? Welche stehen mit Zufriedenheit oder anderen Outcomes in Zusammenhang? Und was davon ist belastbar genug, um daraus eine Priorität abzuleiten?

Diese Frage knüpft an unsere bisherige Diskussion zum Feedback-First-Problem an. Dort haben wir argumentiert, dass die Konzentration auf Feedback-Erhebung und Reporting allein zu kurz greift. Kundensignale müssen mit weiteren Datenperspektiven verbunden und so interpretiert werden, dass aus ihnen ein besseres Verständnis der konkreten Problemsituation entsteht.

Dabei unterscheiden wir auch zwischen Customer Insights und CX Insights. Customer Insights adressieren breiter das Verständnis von Verhalten, Bedürfnissen und Motiven von Kund:innen. Für CX Insights kommt der konkrete Experience-Kontext hinzu: Was geschieht in einer bestimmten Kundensituation, welche Faktoren spielen dabei eine Rolle und was bedeutet das für die Optimierung? Diese Verbindung von Customer Research und CX Management haben wir bereits in früheren Shift/CX-Diskussionen aufgegriffen.

Genau hier wird die Methodenfrage interessant. Denn selbst die scheinbar einfache Frage „Was ist Kund:innen wichtig?" lässt sich auf unterschiedliche Weise stellen und beantworten. Eine direkte Wichtigkeitsbewertung misst etwas anderes als ein erzwungener Vergleich. Und beide liefern wiederum eine andere Perspektive als eine statistische Analyse des Zusammenhangs mit einem Experience Outcome.

Wenn alles wichtig ist: Wie kommen wir zu belastbaren Prioritäten?

Ein typisches Beispiel sind direkte Wichtigkeitsabfragen über Rating- beziehungsweise Likert-Skalen. Kund:innen bewerten verschiedene Leistungsmerkmale unabhängig voneinander von „unwichtig" bis „sehr wichtig". Das ist verständlich und erlaubt die Bewertung vieler Aspekte. Gleichzeitig können Schnelligkeit, Verlässlichkeit, Transparenz und kompetente Problemlösung problemlos alle sehr hohe Werte erhalten.

Das Ergebnis kann die Wahrnehmung der Kund:innen korrekt wiedergeben. Für die Frage, wo bei begrenzten Ressourcen zuerst angesetzt werden sollte, fehlt aber weiterhin die Differenzierung.

Die Forschung zur Importance-Messung macht deutlich, dass bereits hinter dem Begriff „Wichtigkeit" unterschiedliche Konstrukte stehen können. Greenland, Combe und Farrell vergleichen in einem realen Forschungsprojekt einer internationalen Bank stated importance mit derived importance. Bei der ersten Variante wird die Bedeutung direkt erhoben; bei der zweiten wird sie analytisch aus Beziehungen zu einer übergeordneten Zufriedenheitsgröße abgeleitet. Die Studie zeigt, dass die daraus entstehenden Empfehlungen von den gewählten Erhebungs- und Analyseverfahren abhängen können.

Damit müssen wir für die Optimierung mindestens drei Fragen auseinanderhalten: Was wird als wichtig bewertet? Was ist im Vergleich wichtiger? Und was steht mit einem gewünschten Experience Outcome in Zusammenhang? Sie liegen nah beieinander, sind aber nicht identisch.

Likert, Ranking, MaxDiff, Kano und Treiberanalyse: fünf unterschiedliche Perspektiven

Die Verfahren lassen sich deshalb weniger als konkurrierende Alternativen verstehen als über die Erkenntnisfrage, die wir mit ihnen beantworten wollen.

Rating beziehungsweise Likert beantwortet zunächst die direkte Frage nach der wahrgenommenen Bedeutung. Gerade wenn viele potenzielle Experience-Faktoren betrachtet werden sollen, ist das eine naheliegende Perspektive. Die Grenze entsteht, wenn viele Faktoren gleichzeitig sehr hohe Bewertungen erhalten und daraus eine eindeutige Verbesserungsreihenfolge abgeleitet werden soll.

Ranking verändert die Aufgabe. Die Befragten müssen eine relative Reihenfolge bilden. Die Priorisierung ist damit expliziter, wird mit einer größeren Zahl von Merkmalen allerdings anspruchsvoller.

MaxDiff beziehungsweise Case-1-Best-Worst Scaling zerlegt diesen Vergleich in wiederholte kleinere Auswahlentscheidungen. Aus einer Teilmenge werden jeweils der wichtigste und der am wenigsten wichtige Aspekt bestimmt. Aus diesen Entscheidungen lässt sich eine relative Priorisierung innerhalb des untersuchten Sets ableiten. Louviere und Kolleg:innen haben den Ansatz 2013 für die Marketingforschung systematisch beschrieben und dabei auch seine Unterschiede zu Category Rating Scales und paarweisen Vergleichen diskutiert.

Kano beziehungsweise die damit verbundene Betrachtung asymmetrischer Zufriedenheitsbeziehungen setzt an einer anderen Frage an. Ein Merkmal muss bei guter und schlechter Performance nicht spiegelbildlich auf die Gesamtzufriedenheit einzahlen. Damit reicht die reine Betrachtung von Wichtigkeit und Performance möglicherweise nicht aus.

Treiber- beziehungsweise Derived-Importance-Analysen wechseln wiederum von der direkten Aussage der Kund:innen zu einer analytischen Perspektive. Sie untersuchen, welche Bewertungen einzelner Experience-Dimensionen mit einer übergeordneten Zielgröße zusammenhängen. Ein solcher statistischer Zusammenhang ist allerdings noch kein Nachweis dafür, dass eine Veränderung dieses Faktors kausal die gewünschte Wirkung erzeugt.

Der Methodenvergleich zeigt damit vor allem eines: Priorität ist kein einzelner Messwert. Je nach Verfahren betrachten wir unterschiedliche Seiten derselben Experience.

MaxDiff und Likert: Warum der Vergleich für CX interessant ist

Besonders anschaulich wird der Unterschied beim direkten Vergleich von Likert und Best-Worst Scaling. Heo, Kim, Park und Back haben beide Verfahren 2022 im Journal of Business Research gegenübergestellt. Ausgangspunkt der Untersuchung ist die starke Nutzung von Likert-Skalen trotz bekannter Einschränkungen bei der Differenzierung von Attributen. Best-Worst Scaling wird als alternative Form zur Messung der relativen Bedeutung mehrerer Merkmale untersucht.

Für unsere CX-Frage ist daran weniger interessant, welches Verfahren „gewinnt". Relevant ist die unterschiedliche Entscheidungssituation. In einer Rating-Abfrage kann eine Person zehn Experience-Faktoren gleichzeitig als sehr wichtig einstufen. Bei MaxDiff muss sie innerhalb kleinerer Sets auswählen, was relativ mehr und was relativ weniger Gewicht erhält.

Damit beantwortet MaxDiff nicht einfach dieselbe Frage präziser. Die Methode verändert die Frage: Aus „Ist dieser Aspekt wichtig?" wird stärker „Welcher dieser wichtigen Aspekte hat im direkten Vergleich Vorrang?".

Auch die wissenschaftliche Nutzung des Ansatzes ist inzwischen breit. Ein transdisziplinärer Review von Schuster und Kolleg:innen identifizierte 526 veröffentlichte BWS-Anwendungen vor 2023. 50 davon entfielen auf den Business-Bereich. In 63,1 Prozent der untersuchten Studien wurde BWS zur Bewertung von Wichtigkeit verwendet; die Zahl der Anwendungen hatte sich nach Analyse der Autor:innen etwa alle vier Jahre verdoppelt.

Das belegt die zunehmende Nutzung des Verfahrens. Es bedeutet aber nicht, dass MaxDiff damit automatisch die geeignete Methode für jede CX-Fragestellung ist.

Relativ weniger wichtig heißt nicht unwichtig

Genau hier entsteht eine für CX wichtige Interpretationsfrage. Ein Faktor auf dem letzten Platz eines MaxDiff-Rankings ist nicht automatisch unwichtig. Er erhält lediglich innerhalb des untersuchten Sets eine geringere relative Priorität. Besteht dieses Set aus zehn grundsätzlich relevanten Faktoren, muss MaxDiff trotzdem zwischen ihnen differenzieren.

Hinzu kommt ein zweites Problem: Relative Wichtigkeit sagt noch nichts darüber aus, wie sich unterschiedliche Leistungsniveaus eines Merkmals auf die Gesamtzufriedenheit beziehen.

Matzler und Kolleg:innen haben anhand einer Untersuchung in einem B2B-Automobilkontext gezeigt, dass die Beziehung zwischen Attributperformance und Gesamtzufriedenheit asymmetrisch sein kann. Die Autor:innen kommen außerdem zu dem Ergebnis, dass daraus problematische Managementempfehlungen bei einer klassischen Importance-Performance-Analyse entstehen können.

Ein Basisfaktor kann beispielsweise bei schlechter Leistung erheblich zur Unzufriedenheit beitragen, während eine sehr gute Erfüllung vergleichsweise wenig zusätzliche Zufriedenheit erzeugt. Andere Faktoren können sich anders verhalten. Die Studie knüpft damit an die Drei-Faktoren- beziehungsweise Kano-Logik an, ohne dass eine Kano-Befragung und die dort verwendete statistische Analyse methodisch gleichgesetzt werden sollten.

Für die Interpretation einer MaxDiff-Priorisierung bedeutet das: Ein relativ nachrangiger Faktor kann für eine konkrete Problemsituation trotzdem relevant sein. MaxDiff zeigt nicht automatisch, welche Merkmale die Gesamtzufriedenheit statistisch treiben, welche asymmetrisch wirken oder welche Veränderung kausal das Journey-Ergebnis verbessert.

Stated und Derived Importance: Auch die analytische Perspektive verändert das Bild

Eine weitere Ebene kommt hinzu, wenn wir direkte Importance-Bewertungen mit analytisch abgeleiteter Bedeutung vergleichen. Die Untersuchung von Greenland, Combe und Farrell zeigt gerade in einem praktischen Bankkontext, dass die Auswahl des methodischen und analytischen Zugangs Einfluss auf die daraus resultierenden Empfehlungen haben kann.

Auch andere Forschungsarbeiten beschreiben systematische Unterschiede zwischen stated und derived importance und interpretieren sie nicht lediglich als Messfehler. Die beiden Perspektiven können unterschiedliche zugrunde liegende Konstrukte erfassen: direkt artikulierte Bedeutung auf der einen Seite und den Zusammenhang mit einer Gesamtbewertung auf der anderen.

Gerade deshalb wäre es zu einfach, deklarierte Wichtigkeit durch eine Treiberanalyse zu „ersetzen". Die Verfahren beantworten unterschiedliche Fragen. Dass ihre Ergebnisse voneinander abweichen, kann selbst eine relevante Erkenntnis sein.

Ein Experience-Aspekt kann von Kund:innen ausdrücklich als sehr wichtig bezeichnet werden und im relativen Vergleich trotzdem nur mittlere Priorität erhalten. Ein anderer Faktor kann direkt weniger auffallen, aber stärker mit der Gesamtzufriedenheit zusammenhängen. Und ein vermeintlich nachrangiger Basisfaktor kann bei schlechter Performance besonders problematisch werden.

Vom Methodenvergleich zum Methodenmix

Für die CX-Priorisierung führt das aus unserer Sicht zu einer interessanteren Konsequenz als der Suche nach der vermeintlich besten Methode. Die unterschiedlichen Verfahren können verschiedene Teile des Erklärungs- und Priorisierungsproblems sichtbar machen.

Eine mögliche Kombination kann beispielsweise mit einer breiteren direkten Bewertung beginnen, um einen größeren Raum potenziell relevanter Experience-Faktoren zu betrachten. MaxDiff kann anschließend innerhalb eines sinnvoll definierten Sets die relative Priorisierung stärker differenzieren. Die Bewertung der tatsächlich erlebten Performance und geeignete Treiberanalysen können eine zusätzliche Perspektive darauf liefern, welche Dimensionen mit einem definierten Outcome zusammenhängen. Wo asymmetrische Beziehungen vermutet werden, können nichtlineare beziehungsweise Drei-Faktoren-Betrachtungen weitere Hinweise liefern.

Das ist kein allgemeingültiges Forschungsdesign. Welche Methoden sinnvoll sind, hängt von Fragestellung, Datenbasis und Research-Design ab. Auch der Entscheidungsraum für ein MaxDiff muss vorher sinnvoll definiert werden. Customer Research, qualitative Erkenntnisse, bestehende VoC-Daten oder andere Analysen können dafür ebenso relevant sein.

Der entscheidende Punkt liegt deshalb nicht in einer festen Reihenfolge wie:

Rating → MaxDiff → Treiberanalyse → Kano

Die Verfahren liefern nicht nacheinander immer bessere Versionen derselben Wahrheit. Sie erzeugen unterschiedliche Erkenntnisperspektiven, die sich ergänzen, widersprechen und dadurch zusätzliche Fragen sichtbar machen können.

Genau darin liegt für uns der Wert eines Methodenmixes.

Aus dem Methodenmix entstehen belastbarere CX Insights

Damit kommen wir zurück zur Ausgangsfrage. Wenn wir CX Insights für die Optimierung nutzen wollen, reicht es nicht, einen einzelnen Score möglichst präzise zu messen. Wir müssen unterscheiden können zwischen deklarierter Relevanz, relativer Priorität, tatsächlicher Experience-Performance und statistischen Zusammenhängen mit einem gewünschten Outcome.

Diese Differenzierung passt zu unserer bisherigen Shift/CX-Einordnung von Customer Insights als analytischer Ebene zwischen Kundensignal und Entscheidung. In unserer aktuellen Abgrenzung von Voice of Customer und Customer Insights beschreiben wir Customer Insights als Übersetzungsleistung, die unterschiedliche Daten in priorisierbare Erkenntnisse überführt.

Für die CX-Optimierung muss diese Erkenntnis zusätzlich an die konkrete Experience-Situation anschließen. Bereits in unseren früheren Beiträgen haben wir deshalb für eine stärkere Verzahnung von Customer Research und CX Management argumentiert.

Der Methodenmix ist damit kein Selbstzweck. Er soll helfen, unterschiedliche Perspektiven auf eine Optimierungsfrage auseinanderzuhalten und anschließend wieder zusammenzuführen: Was ist relevant? Was hat Vorrang? Was funktioniert aktuell gut oder schlecht? Welche Faktoren stehen mit dem gewünschten Ergebnis in Zusammenhang?

Je belastbarer wir diese Fragen beantworten können, desto fundierter wird die Entscheidung darüber, wo wir entlang einer Experience genauer hinschauen und mit einer Optimierung ansetzen sollten.

Von besseren CX Insights zur Journey Intelligence

Genau dort schließt die Diskussion an unseren im Juni veröffentlichten Beitrag „Journey Intelligence: Von Insights zur Journey Accountability" an. Journey Intelligence beschreibt dort für uns die Fähigkeit, Kundensignale aus unterschiedlichen Quellen im Kontext einer konkreten Situation zu verstehen. Dazu gehört ausdrücklich auch die Frage, welche Probleme eine priorisierte Bearbeitung verdienen. Ziel ist ein Verständnis, das eine Entscheidung ermöglicht.

Der differenzierte Methodenmix auf der Insights-Seite liefert dafür einen wichtigen Baustein. Er beantwortet noch nicht, welche konkrete Maßnahme wir ergreifen sollten. Er ersetzt auch nicht den Journey-Kontext, die organisatorische Verantwortung oder die spätere Bewertung der Wirkung einer Intervention. Er kann aber dazu beitragen, besser zu begründen, welche Experience-Probleme wir für relevant halten und warum wir sie priorisieren.

Genau diese Frage wollen wir auch bei der Customer Insights & Journey Management Konferenz am 16. und 17. September 2026 weiterdiskutieren. Wenn aus Kundensignalen bessere Entscheidungen entlang der Journey entstehen sollen, müssen wir nicht nur mehr messen. Wir müssen genauer verstehen, welche methodische Perspektive uns welche Aussage liefert, und wie wir diese Perspektiven für belastbarere CX Insights zusammenbringen.