Lehr- und Forschungsprojekt · nicht-kommerziell
Synthetische Marktforschung im Selbsttest.
Wo steht die Methode heute?
Etablierte Forschungsmethoden, synthetisch simuliert über digitale Personas.
Synthetische Marktforschung und digitale Personas versprechen Kosteneinsparungen und Ergebnisse in Rekordzeit. Qualitative Verfahren liefern dabei wertvolle Impulse für Ideen und Konzepte. Quantitative Methoden hingegen sind mit Vorsicht zu genießen: Antworten wirken oft menschlich plausibel, treffen aber regelmäßig auf Validitätsprobleme.
Unisurvey macht diese Methode im Selbsttest erfahrbar – als Sparringspartner in der frühen Konzeptions- und Brainstorming-Phase, um über das eigene Bauchgefühl hinaus zu denken und neue Perspektiven zu eröffnen.
✨ Alles in einem Tool
Vier Wege zu besseren Insights
🧬 Synthetische Persona-Forschung
KI-simulierte Befragungspersonen repräsentieren Ihre Zielgruppen. Markt, Personas und Ziel definieren – dann quantitative oder qualitative Methoden anwenden.
- 15+ Methoden: Conjoint, MaxDiff, Regression, Pricing, Interviews …
- Mixed-Methods-Verknüpfung: Ergebnisse fließen in Folgeanalysen
- Plausibilitätsprüfung + PowerPoint-Gesamtbericht
Hinweis: synthetische Personas, keine digitalen Zwillinge — Personas basieren nicht auf echten Individualdaten.
⚡ NPS & Eye-Tracking
Schnellstart ohne Setup: NPS-Schätzung aus realen Online-Bewertungen und Eye-Tracking-Heatmaps per Vision-KI für Anzeigen, Packaging oder Websites.
- Ein Klick – direkt von der Übersicht aus
📋 Fragebogenentwicklung
Validierte Mess-Skalen für Ihren realen Fragebogen: Konstrukte mit Items und APA-Quelle, alternative Operationalisierungen im Vergleich, DSGVO-konforme Startseite.
- Web-Suche: Items basieren auf publizierten Skalen
- Word-Export – fertig für die echte Feldarbeit
🧭 Statistik-Berater
Unsicher beim Untersuchungsdesign? Die Schnell-Empfehlung priorisiert passende Verfahren; der KI-Experten-Chat berät methodenübergreifend – auch zu Verfahren, die echtes Feld erfordern.
- Empfohlene Tool-Verfahren direkt per Klick starten
🧠 Vergleich Konsole vs. Wrapper
Warum eine spezialisierte Anwendung – und nicht direkt ChatGPT oder Claude?
Unisurvey ist ein „AI-Wrapper” – eine Anwendung, die LLMs über ihre API ansteuert, statt sie über die Chat-Konsole zu bedienen. Für Forschung ist das kein kosmetischer Unterschied. Die Web-Chat-Oberfläche ist für unterhaltsame Einzeldialoge optimiert; sie ist nicht für reproduzierbare, skalierbare und kontextkontrollierte Datenerhebung gebaut.
⚠️
Nachteile der Chat-Konsole
Versteckte System-Prompts
#sycophancy
Plattformen schleusen unsichtbare Anweisungen ein, die das Modell in Richtung Zustimmung und Schmeichelei verzerren können – das „wahre” Modellverhalten ist so schwer zu untersuchen oder zu vertrauen.
Zufälligkeit für natürlich wirkende Antworten
#replicability
Eine erhöhte Temperatur-Einstellung lässt Antworten menschlicher wirken – verhindert aber gleichzeitig, dass derselbe Prompt zweimal dasselbe Ergebnis liefert. Für wissenschaftliche Reproduzierbarkeit ein Problem.
Verzerrung durch frühere Chat-Historie
#reliability
Der bisherige Konversationsverlauf eines Accounts beeinflusst zukünftige Antworten des LLMs – ohne dass das transparent oder kontrollierbar wäre.
Spillovers & Context Rot
#reliability
Lange Konversationen sammeln irrelevanten Kontext an. Frühere Chat-Teile „verseuchen” spätere Antworten – die Qualität nimmt im Verlauf einer Sitzung systematisch ab.
Einzelaufrufe statt Batch
#scalability
Die Web-Oberfläche ist auf manuelle Einzelinteraktion ausgelegt. Wer 10.000 Prompts mit Variationen abschicken will, müsste jeden einzeln tippen – Automatisierung ist nicht vorgesehen.
✅
Vorteile eines AI-Wrappers
#replicability
Modellauswahl – exakte Modellversion fixiert, man weiß immer, was getestet wird. Eigener System-Prompt – volle Kontrolle über die Anweisungen, keine versteckten Plattform-Vorgaben. Temperatur-Konfiguration – auf 0 setzbar für deterministische Ergebnisse. Seed-Setting – sperrt Zufall zusätzlich ab für exakte Reproduzierbarkeit.
#scalability
Schleifen-Aufrufe – tausende Prompts automatisiert nacheinander oder parallel abfeuern. Function Calling – das Modell kann Aktionen im eigenen Code auslösen und komplexe Workflows orchestrieren. Structured Output – Antworten in einer vordefinierten Struktur (z. B. JSON), direkt maschinell weiterverarbeitbar.
#reliability
Context Reset – die Konversationshistorie wird vom Wrapper kontrolliert. Bei jedem neuen Befragten kann ein frischer Kontext gestartet werden, sodass „Context Rot” und Spillovers zwischen Personas systematisch vermieden werden.
Direkter Vergleich – Tabelle (optional)
Sieben Dimensionen Chat-Konsole vs. AI-Wrapper auf einen Blick. Aufklappen, falls Du die wichtigsten Punkte oben noch einmal kompakt nebeneinander sehen willst.
▾
Direkter Vergleich – Tabelle (optional)
Sieben Dimensionen Chat-Konsole vs. AI-Wrapper auf einen Blick. Aufklappen, falls Du die wichtigsten Punkte oben noch einmal kompakt nebeneinander sehen willst.
| Dimension | Chat-Konsole (Web-UI) | AI-Wrapper (API-basiert) |
|---|---|---|
| Modellversion #replicability |
Wird ohne Vorwarnung aktualisiert; man weiß nicht genau, welche Version gerade antwortet. | Exakte Modellversion pinbar – Studien bleiben über Monate vergleichbar. |
| System-Prompt #sycophancy |
Versteckt; vom Anbieter gesetzt – fördert oft Zustimmung & Schmeichelei. | Vollständig sichtbar, frei definierbar, methodisch ausgerichtet. |
| Zufälligkeit (Temperatur) #replicability |
Fest auf einen mittleren Wert eingestellt – identische Prompts liefern unterschiedliche Antworten. | Frei wählbar (0 = deterministisch); zusätzlich Seed setzbar für exakte Wiederholung. |
| Chat-Historie #reliability |
Frühere Konversationen des Accounts beeinflussen Antworten – undurchsichtig. | Kontext wird je Aufruf neu gesetzt – keine Spillovers zwischen Personas. |
| Context Rot #reliability |
In langen Threads häufen sich irrelevante Inhalte an, Qualität sinkt. | Kontextfenster wird kontrolliert befüllt; kein Akkumulieren irrelevanter Inhalte. |
| Skalierung #scalability |
Eingaben manuell und seriell; Stichproben > 50 sind praktisch nicht durchführbar. | Tausende automatisierte Aufrufe, parallelisierbar, mit Function Calling orchestrierbar. |
| Output-Format #scalability |
Freitext – muss manuell weiterverarbeitet werden. | Strukturierte JSON-Outputs nach definiertem Schema – direkt analysierbar. |
Diese sieben Dimensionen bestimmen, ob ein LLM für quantitative Marktforschungs-Designs überhaupt geeignet ist. Unisurvey adressiert sie systematisch – das ist der eigentliche Mehrwert gegenüber der direkten Nutzung eines Chat-Frontends.
⚙️ Workflow
In drei Schritten von der Problemstellung zum Forschungsbericht
1
Forschungskontext definieren
Produkt, Kategorie, Zielmarkt und Forschungsfrage beschreiben. Zielgruppen-Personas mit allen relevanten Attributen anlegen – manuell, KI-generiert oder per Import.
2
Methode wählen & generieren
Quantitative oder qualitative Methode auswählen. Die KI simuliert das Erhebungsdesign auf Basis der Personas und generiert synthetische Einzelergebnisse sowie strukturierte Synthesen.
3
Erkenntnisse verwerten
Ergebnisse als TXT-Dateien exportieren. Optional: KI Copy Writing nutzen, um Kommunikationsstrategie und Textentwürfe direkt aus den Forschungserkenntnissen abzuleiten.
💡 Anwendungsbeispiele
Von der Fragestellung zur Lösung
Durch die Kombination synthetischer Daten mit qualitativen und quantitativen Methoden schafft Unisurvey eine Diskussionsbasis für komplexe Fragen und zeigt mögliche Lösungswege auf.
Test von Werbebotschaften
- Slogan- & Werbewirkungs-Test, um mehrere Headline-Varianten je Persona auf Aufmerksamkeit, Verständnis, Akzeptanz und Kaufabsicht zu bewerten
- Eye-Tracking-Simulation auf Anzeigen-/Banner-Visuals, um vorab zu prüfen, ob die Werbebotschaft tatsächlich Aufmerksamkeit erhält
- Copy Writing, um konkrete, bewertbare Werbebotschaften je Persona in drei Kreativitätsstufen (konservativ, mittel, kreativ) nach den Made-to-Stick-Prinzipien (SUCCES) zu erzeugen
- Visueller Konzept-Test (CVT) für ganze Anzeigen-/Kampagnen-Mockups – Vision-LLM bewertet je Persona
+ 8 weitere Methoden anzeigen
- Fokusgruppen, projektive Verfahren und Tiefeninterviews, um kreative Ideen für Werbebotschaften je Persona zu entwickeln
- ANOVA-Experimente, um die Wirkung verschiedener Werbebotschaften statistisch zu vergleichen
- Copy-Strategy-Modul für professionelle Kommunikationskonzepte mit Headlines, Tonality und Reason Why
- MaxDiff-Skalierung, um aus einer größeren Anzahl Botschafts-Bausteine die wirksamsten Headlines, Claims oder Benefit-Statements je Persona zu priorisieren
- Chat mit virtuellen Twins, um spontane Reaktionen einzelner Personas auf Werbeentwürfe einzuholen und Formulierungen iterativ zu schärfen
- JTBD-Analyse, um vor der Botschaftsentwicklung zu klären, welcher funktionale, emotionale oder soziale „Job" die Werbung im Leben der Zielgruppe erfüllen soll
- Image-Analyse, um zu prüfen, in welche Richtung eine Kampagne das wahrgenommene Markenprofil verschieben würde — Ist-Profil vor und nach dem Werbekontakt
- OLS-Regression der Akzeptanz und Kaufabsicht auf die Bestandteile einer Werbebotschaft (Headline, Bild, Tonalität, CTA), um die isolierten Erklärungsanteile einzelner Elemente datengetrieben zu schätzen
Entwicklung neuer Produktideen
- JTBD-Analyse (Jobs-to-be-Done), um Functional, Emotional und Social Jobs sowie die Forces of Progress (Push/Pull/Anxieties/Habits) je Persona offenzulegen
- Laddering-Interviews (Means-End-Chain), um latente Bedürfnisse und Werte der Zielgruppe aufzudecken
- Conjoint-Analyse, um optimale Produktkonfigurationen und Zahlungsbereitschaften abzuleiten
- MaxDiff-Analyse, um die wichtigsten Features aus Kundensicht zu priorisieren
+ 7 weitere Methoden anzeigen
- Visueller Konzept-Test (CVT), um Verpackungs- oder Produktvisuals vor der Realisierung je Persona prüfen zu lassen
- Tiefeninterviews und Fokusgruppen-Simulation, um Konzept-Skizzen früh mit Personas zu konfrontieren — Reaktionen, Friktionen und Verbesserungsvorschläge in einem geschützten Setting
- Projektive Verfahren (Personifikation, Metaphern), um neue Produktideen mit unbewussten Assoziationen, Bildwelten und Werten der Zielgruppe anzureichern
- Eye-Tracking-Simulation auf Verpackungs- und Produktvisuals, um zu prüfen, welche Designelemente am Regal oder Shelf tatsächlich Aufmerksamkeit binden
- Chat mit virtuellen Twins, um konkrete Konzept-Skizzen direkt mit einzelnen Personas durchzusprechen — schneller und billiger als Konzept-Tests mit realen Probanden
- bald KANO-Modell (bald), um Features in Must-Be, One-Dimensional und Attractive zu klassifizieren – statt linearer Wichtigkeitslogik
- bald Key-Driver / Penalty-Reward (bald), um zu identifizieren, welche Produktattribute echte Begeisterung auslösen und welche bei Fehlen für überproportionale Ablehnung sorgen — methodisch ergänzend zum KANO-Modell
Markenpositionierung & Image-Analyse
- Image-Analyse mit Spiderweb-Diagrammen und Heatmaps, um die Wahrnehmung der eigenen Marke im Wettbewerbsumfeld zu visualisieren
- IAT (Implicit Association Test), um implizite Markenwertungen aufzudecken, die im offenen Interview nicht geäußert würden
- Brand Funnel (McKinsey-Stil), um Awareness, Consideration und Loyalty über Marken hinweg zu vergleichen
- Eye-Tracking-Simulation auf Logos und Markenauftritten, um Markenwahrnehmung im ersten Eindruck zu prüfen
+ 7 weitere Methoden anzeigen
- Projektive Techniken (Personifikation, Metaphern), um unbewusste Markenassoziationen sichtbar zu machen
- Laddering-Interview (Means-End-Chain), um Markenattribute über funktionale Konsequenzen bis hin zu den dahinterliegenden Werten der Zielgruppe abzubilden
- MaxDiff-Skalierung, um aus einer großen Liste denkbarer Markenattribute die für die Zielgruppe wirklich differenzierenden Dimensionen herauszufiltern — Basis für ein schärferes Positionierungsversprechen
- Konstruktentwicklung für markenrelevante latente Variablen (Markenpersönlichkeit nach Aaker, wahrgenommene Qualität, Markenvertrauen) mit Itembatterien, Skalenvorschlägen und Reliabilitätsprüfung
- Visueller Konzept-Test (CVT) auf Logos, Brand-Assets oder Werbeauftritte — Vision-LLM bewertet, ob das Visual die intendierte Markenwirkung tatsächlich trifft
- Tiefeninterviews und Fokusgruppen-Simulation, um Markenwahrnehmung in eigenen Worten und im freien Gespräch der Zielgruppe einzufangen — über skalenbasierte Bewertungen hinaus
- JTBD-Analyse, um die Marke als Werkzeug für einen konkreten „Job" der Zielgruppe zu positionieren — statt als generisches Markenversprechen
Zielgruppen-Segmentierung
- KI-gestützte Persona-Generierung auf Basis realer Marktdaten mit psychographischen Profilen (Big Five, Einstellungen, Lebensstile)
- JTBD-Analyse, um Personas nicht nach demografischen sondern nach „zu erledigenden Jobs” zu unterscheiden
- Benutzerdefinierte Segmentierungskriterien, um Personas entlang spezifischer Kauftreiber zu differenzieren
- Chat mit virtuellen Twins (Persona-Chat) für direkten Dialog mit den synthetischen Zielgruppen und spontane Reaktionstests
+ 8 weitere Methoden anzeigen
- Konstruktentwicklung für latente Variablen (z. B. Innovationsbereitschaft, Nachhaltigkeitsorientierung), um Personas auf belastbaren psychometrischen Skalen zu trennen
- Conjoint-Analyse mit segment-spezifischen Part-Worth-Utilities, um Segmente nicht nur demografisch, sondern nach unterschiedlichen Präferenzstrukturen und Zahlungsbereitschaften zu trennen
- ANOVA / ANCOVA als Kerninstrument der Segmentvalidierung — sind die Unterschiede zwischen Personas auch statistisch belastbar oder nur narrativ behauptet?
- Brand Funnel je Segment, um zu sehen, an welcher Stufe (Awareness, Consideration, Purchase, Loyalty) ein Segment ausscheidet — und entsprechend gezielt anzugreifen ist
- Laddering-Interviews und Tiefeninterviews je Segment, um die qualitative Tiefe und die Wertestruktur hinter jeder Persona zu sichern
- MaxDiff-Skalierung je Persona, um pro Segment unterschiedliche Prioritätsstrukturen für Features, Benefits oder Botschaften offenzulegen — Voraussetzung für segment-spezifisches Marketing
- bald Customer Journey Mapping (bald), um segmentspezifische Touchpoint-Pfade, Pain Points und Erwartungen sichtbar zu machen — statt einer „One-size-fits-all
- bald Key-Driver / Penalty-Reward (bald), um segment-spezifisch zu identifizieren, welche Treiber bei welcher Persona den Ausschlag geben — und welche bei Fehlen besonders bestrafend wirken
Preisoptimierung & Zahlungsbereitschaft
- Conjoint-basierte Marktsimulationen, um den Einfluss von Preisänderungen auf Marktanteile zu modellieren
- Teilnutzenwerte einzelner Produkteigenschaften, um die relative Bedeutung des Preises gegenüber anderen Attributen zu quantifizieren
- Persona-spezifische Analysen, um unterschiedliche Preissensitivitäten nach Segment sichtbar zu machen
- MaxDiff-Skalierung, um aus Preis vs. Features den eigentlichen Werttreiber je Persona zu trennen — Voraussetzung für defensible Premium-Aufschläge
+ 7 weitere Methoden anzeigen
- ANOVA / ANCOVA, um Preisakzeptanz und Zahlungsbereitschaft systematisch zwischen Segmenten und Stimulus-Varianten zu vergleichen — wo wirkt eine Preiserhöhung, wo nicht?
- OLS-Regression der Kaufabsicht auf Preis-, Marken- und Feature-Variablen, um den isolierten Effekt des Preises gegenüber anderen Treibern zu quantifizieren
- Tiefeninterviews zur subjektiven Preiswahrnehmung — wann gilt ein Preis als „fair", „premium" oder „abzockend"? Solche Schwellen lassen sich quantitativ nur schwer fassen
- bald Van Westendorp PSM (bald), um Akzeptanz-/Optimal-/Indifferenz-Preise auf Basis vier paralleler Preisfragen abzuleiten
- bald Gabor-Granger (bald), um die Nachfragekurve und den Revenue-Maximum-Preis über aufsteigende Preisstufen zu schätzen
- bald KANO-Modell (bald), um zu klären, ob ein höherer Preis durch Attractive- oder One-Dimensional-Features gerechtfertigt werden kann
- bald Key-Driver / Penalty-Reward (bald), um zu prüfen, ob der Preis als „Bestrafer
Kundenzufriedenheit & Loyalität
- NPS Analyse auf Basis realer Online-Bewertungen, um den Net Promoter Score je Marke aus echten Kundenstimmen abzuleiten und Wettbewerber direkt zu vergleichen
- OLS-Regression mit validierten Konstrukten (Zufriedenheit, Vertrauen, Commitment), um Loyalitätstreiber zu quantifizieren
- Tiefeninterviews, um emotionale Bindungsfaktoren und Wechselbarrieren qualitativ zu verstehen
- ANOVA / ANCOVA, um Zufriedenheits- und Loyalitätsunterschiede zwischen Segmenten oder Touchpoint-Erlebnissen statistisch abzusichern
+ 8 weitere Methoden anzeigen
- Konstruktentwicklung für Loyalitäts-relevante Konstrukte (Zufriedenheit, Vertrauen, Commitment, Wiederkaufabsicht) mit validierten Itembatterien aus der CRM-Forschung
- JTBD-Analyse, um Zufriedenheit nicht generisch, sondern entlang konkreter „Jobs" der Kunden zu messen — wo erfüllt das Produkt seinen Auftrag, wo nicht?
- Laddering-Interviews, um die Werte hinter Loyalität sichtbar zu machen — Loyalität entsteht oft erst durch Übereinstimmung tieferer persönlicher Werte mit der Marke
- Chat mit virtuellen Twins, um spezifische Service- oder Produktbeschwerden zu vertiefen und Lösungsoptionen direkt am Kundenfeedback zu testen
- bald Customer Journey Mapping (bald), um jeden Touchpoint je Persona auf Pain Points, Erwartungen und Emotionen zu bewerten
- bald Key-Driver / Penalty-Reward (bald), um Treiber mit asymmetrischer Wirkung auf Zufriedenheit (Belohner vs. Bestrafer) zu identifizieren
- bald Brand Funnel mit Conversion-Raten von Awareness bis Re-Purchase, um Schwachstellen in der Customer Journey zu identifizieren
- bald KANO-Modell (bald), um Zufriedenheitstreiber in Must-Be, One-Dimensional und Attractive zu klassifizieren — statt aller Treiber als linear gleichwertig zu behandeln
Wettbewerbsanalyse
- Image-Analyse mit Fit-Ranking, um die eigene Marke systematisch gegen alle Wettbewerber zu bewerten
- Conjoint-basierte Marktsimulationen für What-if-Szenarien: Was passiert, wenn ein Wettbewerber den Preis senkt?
- Brand Funnel im Marktvergleich, um relative Stärken und Schwächen über alle Funnel-Stufen sichtbar zu machen
- NPS-Analyse auf Basis realer Online-Bewertungen, um die eigene Marke direkt gegen Wettbewerber zu benchmarken — mit Promoter-/Passive-/Detractor-Aufschlüsselung
+ 9 weitere Methoden anzeigen
- IAT (Implicit Association Test), um implizite Bewertungen der eigenen Marke vs. Wettbewerber aufzudecken — Wahrnehmungslücken, die im offenen Vergleich nicht geäußert würden
- MaxDiff-Skalierung, um aus einer Liste von Differenzierungsmerkmalen die wirksamsten Hebel gegenüber dem Wettbewerb zu priorisieren
- Eye-Tracking-Simulation auf Produktregalen oder Kampagnen-Visuals, um Aufmerksamkeits-Konkurrenz zwischen eigener Marke und Wettbewerbern zu prüfen
- Tiefeninterviews mit Switchern und Loyalisten, um Wechselgründe, Wettbewerbspräferenzen und Bindefaktoren qualitativ zu verstehen
- Visueller Konzept-Test (CVT) auf Wettbewerbs-Visuals (Logos, Verpackungen, Werbeauftritte) im direkten Vergleich zur eigenen Marke — wo schlägt der Wettbewerb visuell, wo nicht?
- Fokusgruppen-Simulation mit gemischten Markenpräferenzen, um Wettbewerbsdiskussion und gegenseitige Wahrnehmung zwischen Nutzergruppen sichtbar zu machen
- bald Van Westendorp PSM (bald), um Preisakzeptanz-Korridore gegen Wettbewerbsangebote zu vergleichen — und Spielräume für Re-Positionierung zu identifizieren
- bald Gabor-Granger (bald), um die Nachfragekurve gegen Wettbewerbsangebote zu modellieren — wo verschiebt sich Kaufentscheidung zugunsten der Konkurrenz?
- bald Customer Journey Mapping (bald) je Wettbewerber, um Pain Points entlang fremder Journeys als eigene Differenzierungschancen sichtbar zu machen
Akademische Forschungsprojekte
- Validierte Messskalen aus Top-Journals (JM, JMR, JCR) mit korrekter APA-Zitation als Ausgangspunkt für quantitative Erhebungen
- JTBD-Analyse und IAT als wenig genutzte, aber methodisch interessante Verfahren für synthetische Pre-Tests
- ANOVA-Experimentaldesigns mit Kontrollvariablen und OLS-Regressionen, um Hypothesen mit synthetischen Daten vorab zu testen
- Reproduzierbare Designs: pinbare Modellversion, Temperatur 0, Seed-Setting — methodisch sauberer als die Chat-Konsole
+ 9 weitere Methoden anzeigen
- Konstruktentwicklung für latente Variablen mit Itembatterien, Skalenvorschlägen und Reliabilitätsprüfung — als methodische Grundlage für quantitative Erhebungen
- Conjoint- und MaxDiff-Designs zur synthetischen Vorab-Validierung experimenteller Hypothesen, bevor Feldstudien aufgesetzt werden
- Tiefeninterviews und Fokusgruppen-Simulation zur Generierung qualitativer Hypothesen vor der Operationalisierung — synthetisches Pretesting für qualitative Designs
- Visueller Konzept-Test (CVT) als Pretest-Verfahren, um Studien-Stimuli vor dem Feldeinsatz auf systematische Schwachstellen zu prüfen
- Image-Analysen mit Aaker's Brand Personality, Spinnennetz-Diagrammen und Fit-Berechnung — etablierte quantitative Verfahren der Marken- und Werbeforschung mit langer Publikationsgeschichte
- Eye-Tracking-Simulation als methodisch interessantes Verfahren der Aufmerksamkeitsforschung — synthetische Hotspot-Analysen für visuelle Stimuli vor aufwändigen Lab-Studien
- Laddering-Interviews und projektive Verfahren als anerkannte qualitative Designs für tiefenpsychologische, kaufmotivationale und identitätsbezogene Forschungsfragen
- Brand Funnel Analysen mit Conversion-Raten je Stufe, um Hypothesen zu Markenwirkung und Marktdurchdringung empirisch zu testen
- bald KANO-Modell und Key-Driver / Penalty-Reward (bald) als methodisch fortgeschrittene Verfahren der Zufriedenheitsforschung — Standard in CSAT-Studien jenseits linearer Treiberlogik
Kommunikationsstrategie & Copy
- Vollständige Copy-Strategy (8 Schritte) mit Produktcharakterisierung, Werbeziel, SUCCESS-Check und Reason Why
- Slogan- & Werbewirkungs-Test, um den finalen Headline-Kandidaten gegen mehrere Alternativen je Persona zu validieren
- Copy Writing, um konkrete, bewertbare Werbebotschaften je Persona in drei Kreativitätsstufen (konservativ, mittel, kreativ) nach den Made-to-Stick-Prinzipien (SUCCES) zu erzeugen
- JTBD-Analyse, um den „Job” der Botschaft präzise zu treffen – Functional + Emotional + Social Anteile
+ 10 weitere Methoden anzeigen
- Persona-spezifische Headlines, Sublines und Call-to-Actions für zielgruppengerechte Ansprache
- Fokusgruppen-Simulation, um Reaktionen auf Entwürfe vorab qualitativ einzuschätzen
- MaxDiff-Skalierung, um aus einer Sammlung möglicher Kernbotschaften die durchsetzungsstärksten je Persona zu priorisieren — bevor in Copy investiert wird
- Laddering-Interview (Means-End-Chain), um Headlines an die tieferliegenden Werte der Zielgruppe zu koppeln statt nur an oberflächliche Produktnutzen
- Chat mit virtuellen Twins, um spontane Reaktionen auf konkrete Headline- oder Copy-Entwürfe einzelner Personas einzuholen — kostengünstiger als jeder Pretest
- Visueller Konzept-Test (CVT) und Eye-Tracking-Simulation auf finale Kampagnen-Visuals, um Visual-Wirkung, Verständlichkeit und Aufmerksamkeitsverteilung vor dem Roll-out zu prüfen
- Tiefeninterviews zur Verständnis-Validierung — versteht die Zielgruppe die Botschaft tatsächlich so, wie sie gemeint ist, oder gibt es systematische Fehlinterpretationen?
- Image-Analyse vor und nach der Kampagne, um sicherzustellen, dass die Kommunikation die Marke in die gewünschte Richtung positioniert (Soll-Profil vs. Ist-Profil)
- Projektive Techniken (Metaphern, Personifikation), um kreative Tonalitäten und Bildwelten aus der Zielgruppen-Perspektive zu generieren — Input für die kreative Konzeption
- ANOVA-Experimente auf A/B/C-Botschafts-Varianten, um Headline-, Bild- oder CTA-Wirkung statistisch abzusichern, bevor in die Produktion investiert wird
🎭 Persona-Modellierung
Multidimensionale Zielgruppen-Personas als Forschungsbasis
Personas in Unisurvey entstehen aus den entscheidenden Merkmalen – Bedürfnissen, Pain Points, Nutzenerwartungen, Einstellungen und Verhalten – und werden anschließend über mehr als 20 Kriterien vollständig beschrieben. Demografie, Einkommen oder Wohnort dienen nur der Beschreibung, nicht der Bildung.
Gebildet aus Bedürfnissen & Pain Points – nicht aus Demografie
Eine Persona wird über die aussagekräftigen Kriterien gebildet: Bedürfnisse, Pain Points, gewünschter Nutzen, Einstellungen und Verhalten. Alter, Einkommen oder Wohnort beschreiben sie nur ergänzend – sie definieren sie nicht.
Empfohlene Persona-Definition oder individuelle Personas
Unisurvey schlägt auf Basis der Forschungsfrage automatisch eine empfohlene Persona-Struktur vor. Alternativ können eigene, individuell beschriebene Personas frei definiert, angepasst oder kombiniert werden.
KI-Vervollständigung
Unvollständige Felder werden kontextuell und konsistent ergänzt.
Import / Export (TXT)
Personas zwischen Projekten teilen und wiederverwenden – einzeln oder im Batch.
Multi-Probanden-Simulation
Bis zu 10 verschiedene Individuen je Persona – für breitere Perspektivenvielfalt innerhalb eines Zielgruppensegments.
S
Sarah M., 34
Urban Professional · Early Adopter
Will Zeit & Aufwand sparen
Frustriert von komplexen Tools
Erwartet Nachhaltigkeit
Wechselt für echten Mehrwert
① Bildungsbasis – was die Persona ausmacht
Bedürfnisse & Jobs-to-be-Done
Pain Points & Frustrationen
Gewünschter Nutzen
Einstellungen & Haltungen
Kaufverhalten & -frequenz
Entscheidungsstil
Markentreue & -präferenzen
Preis- & Qualitätssensibilität
Mediennutzung & Kanäle
Persönlichkeit (Big Five)
Werte & Lebensstil
Risiko- & Innovationsbereitschaft
Nachhaltigkeitsorientierung
Kategorieerfahrung & NPS
② Ergänzende Beschreibung – nur zur Beschreibung, nicht zur Bildung
Alter & Geschlecht
Bildung
Einkommen, Beruf, Branche
Wohnort & Haushaltstyp
Sprachstil & Kommunikation
🧪 Methoden Überblick
Alle Methoden – ein Tool
Von der ersten Exploration bis zur kommunikativen Verwertung – alle Methoden in einer Anwendung, synthetisch simuliert auf Basis definierter Personas.
Conjoint-Analyse
Präferenzstruktur, Attributwichtigkeiten, Zahlungsbereitschaft, Marktsimulation.
Quantitativ
MaxDiff-Skalierung
Best-Worst Scaling – strukturierte Priorisierung von Items und Botschaften, simuliert über Personas.
Quantitativ
ANOVA / ANCOVA
Mittelwertvergleiche und Gruppenunterschiede mit und ohne Kovariatenkontrolle.
Quantitativ
Regressionsanalysen
Linear, logistisch, multipel – Erklärung und Vorhersage von Verhalten und Einstellungen.
Quantitativ
Brand Funnel Analysen
Awareness → Consideration → Purchase → Loyalty – simulierte Conversion-Raten und Dropout-Stufen entlang der Markenfunnel-Stufen.
Quantitativ
Image Analysen
Markenwahrnehmung entlang produktbezogener (Core / Augmented) und persönlichkeitsbezogener Kriterien – inkl. Brand Personality nach Aaker, Heatmaps und Spinnennetz-Visualisierung je Persona.
Quantitativ
NPS Analysen
NPS-Schätzung auf Basis realer Online-Bewertungen – die KI recherchiert aktuelle Kundenbewertungen, daraus wird ein deterministischer NPS abgeleitet. Kein Persona-Modell, sondern echte Kundenstimmen aus dem Web.
Web-basiert
Konstruktentwicklung
Operationalisierung latenter Variablen mit Itembatterien, Skalenvorschlägen und Reliabilitätsprüfung.
Quantitativ
Tiefeninterview
Problemzentriert, 4-phasig, inkl. KI-Analyse latenter Motive und Synthese.
Qualitativ
Fokusgruppe
Simulierte Gruppendiskussion zwischen Personas, Plenum oder selektiv, mit KI-Synthese-Auswertung.
Qualitativ
Laddering-Interview
Means-End-Chain: Attribut → Konsequenz → Wert. Tiefenstruktur der Kaufmotivation.
Qualitativ
Projektive Verfahren
Personifizierung · Metaphern · Satzvervollständigung · Kollage / Mood Board.
Qualitativ
Chat mit virtuellen Twins
Freie Konversation mit Persona-Simulationen für spontane Konzept- und Reaktionstests.
Qualitativ
KI Copy Writing
8-Schritte Copy-Strategie-Checkliste – direkt aus Forschungserkenntnissen generiert.
KI-gestützt
JTBD-Analyse
Jobs-to-be-Done je Persona: Functional, Emotional & Social Job + Forces of Progress (Push/Pull/Anxieties/Habits).
Quantitativ
Slogan- & Werbewirkungs-Test
Mehrere Headline-/Slogan-Varianten je Persona auf Aufmerksamkeit, Verständnis, Akzeptanz und Kaufabsicht vergleichen.
Quantitativ
Visueller Konzept-Test (CVT)
Vision-LLM bewertet Verpackungs-, Anzeigen- oder Produkt-Visuals je Persona — vor der Realisierung.
Quantitativ
Eye-Tracking-Simulation
Vision-LLM identifiziert Aufmerksamkeits-Hotspots (x/y/Intensität) auf Bildern. Heatmap, Hotspot-Ranking und Erst-Fixation inklusive.
Standalone
IAT (Implicit Association Test)
Implizite Markenassoziationen über Reaktionszeit-Logik – legt Wertungen frei, die im offenen Interview nicht geäußert würden.
Quantitativ
Van Westendorp PSM BALD
Preissensibilitäts-Meter mit Akzeptanz-/Optimal-/Indifferenz-Preisen aus vier parallelen Preisfragen.
Bald verfügbar
Gabor-Granger BALD
Nachfragekurve und Revenue-Maximum aus aufsteigenden Preisstufen je Persona.
Bald verfügbar
KANO-Modell BALD
Klassifikation von Features in Must-Be / One-Dimensional / Attractive / Indifferent / Reverse.
Bald verfügbar
Key-Driver / Penalty-Reward BALD
Identifiziert Treiber mit asymmetrischer Wirkung auf Zufriedenheit (Belohner vs. Bestrafer).
Bald verfügbar
Customer Journey Mapping BALD
Bewertung jedes Touchpoints je Persona — Pain Points, Erwartungen und Emotionen entlang der Journey.
Bald verfügbar
📊 Quantitative Forschung
Statistische Analyseformate auf Basis synthetischer Persona-Daten
Unisurvey setzt aus der Sozial- und Marktforschung bekannte Analyseverfahren ein – angewendet auf synthetisch simulierte Zielgruppen-Personas, um Hypothesen strukturiert zu entwickeln und Perspektiven zu erweitern.
Conjoint-Analyse (CBC / Full-Profile)
Orthogonale Stimuli-Designs, Part-Worth Utilities, Attributwichtigkeiten und Marktsimulation.
MaxDiff-Skalierung
Best-Worst Scaling zur strukturierten Priorisierung von Features, Benefit-Statements oder Kommunikationsbotschaften – simuliert über Personas hinweg.
Varianzanalysen: ANOVA & ANCOVA
Simulierte Gruppenunterschiede zwischen Personas analysieren – mit und ohne Kovariaten/Kontrollvariablen. Identifikation von Mustern in Einstellungen und Verhalten je Segment.
Regressionsanalysen
Lineare, logistische und multiple Regressionen zur Erklärung von Kauf- und Nutzungsverhalten sowie zur Vorhersage von Präferenzen.
Brand Funnel Analysen
Vollständige Analyse der Stufen Awareness → Consideration → Purchase → Loyalty inkl. Conversion-Raten und Dropout-Stellen – simuliert auf Basis synthetischer Personas.
Image Analysen
Markenwahrnehmung entlang produktbezogener (Core / Augmented Product) und persönlichkeitsbezogener Kriterien nach Aaker. Liefert Heatmaps, Spinnennetz-Diagramme sowie Fit-Berechnung je Persona gegen ein individuelles Ideal-Profil.
NPS Analysen (Web-basiert)
NPS-Schätzung auf Basis realer Online-Bewertungen: Die KI recherchiert aktuelle Kundenbewertungen und leitet daraus einen deterministischen Net Promoter Score ab – inklusive Promoter/Passive/Detractor-Aufschlüsselung und Wettbewerbsvergleich. Keine Persona-Simulation, sondern echte Marktdaten.
Konstruktentwicklung für latente Variablen
Unterstützung bei der Operationalisierung latenter Konstrukte (z.B. Vertrauen, Markenbindung, Risikoperzeption) mit geeigneten Itembatterien und Skalenvorschlägen.
Beispiel-Output (Mock)
Marktsimulation
34%
Marktanteil A
€ 47
Opt. Preis
Δ
Segmentmuster
🎙️ Qualitative Forschung
Latente Motive. Unbewusste Einstellungen. Echte Tiefe.
Die KI führt auf Basis definierter Personas qualitative Erhebungsformate durch – von Tiefeninterviews über Fokusgruppen bis hin zu projektiven Verfahren. Alle Antworten sind synthetisch simuliert und dienen der Exploration und Ideengenerierung, nicht dem Ersatz von Feldforschung mit realen Stichproben.
Tiefeninterview (problemzentriert)
Vollständige 4-Phasen-Interviews mit Rapport, Hauptteil, Vertiefung und Abschluss. Mehrere Individuen je Persona simulierbar.
Fokusgruppe (Plenum & selektiv)
Simulierte Diskussion mit allen oder ausgewählten Personas. Die KI generiert auf Basis der Persona-Profile differenzierte Wortbeiträge, Meinungsverschiedenheiten und Konsensbildungen.
Laddering-Interview (Means-End-Chain)
Verbindet Produktattribute mit funktionalen Konsequenzen und dahinterliegenden Werten. Tiefenstruktur der Kaufmotivation sichtbar machen.
Projektive Verfahren (4 Techniken)
Personifizierung, Metaphern & Bilderwelt, Satzvervollständigung und Kollage / Mood Board – um unbewusste Marken- und Produktperzeptionen zu erkennen.
Chat mit virtuellen Twins
Freies simuliertes Gespräch mit einer beliebigen Persona – für schnelle Reaktionstests, Konzeptvalidierungen und spontane Hypothesenchecks auf Basis synthetischer Antworten.
Tiefeninterview · Synthese
INTERVIEWER
Was ist Ihnen bei der Produktwahl besonders wichtig – und warum?
SARAH M.
„Für mich steht Verlässlichkeit an erster Stelle. Ich habe keine Zeit, Fehler zu korrigieren. Das Produkt muss einfach funktionieren – beim ersten Mal.“
🔍 KI-ANALYSE
Dominantes latentes Motiv: Kontrollbedürfnis und Fehlervermeidung. Risikoaversion überlagert Preissensibilität. Kommunikationsansatz: Sicherheit & Zuverlässigkeit als primäre Botschaftsdimensionen.
🧭 Neu: Methoden-Berater
Unsicher, welches Verfahren passt? Lassen Sie sich beraten.
Der integrierte Methoden-Berater unterstützt bei der Wahl des richtigen Untersuchungsdesigns – auf zwei Wegen.
Schnell-Empfehlung
Eine Frage zum Forschungsziel – sofort priorisierte Methodenvorschläge mit Begründung. Ohne Wartezeit, ohne Kosten.
Sofort
KI-Experten-Chat
Ein KI-Marktforschungsexperte berät im Dialog zum kompletten Untersuchungsdesign – über ein breites Spektrum etablierter Verfahren der Marktforschung – auch jene, die externes Feld erfordern (z. B. TURF, ACBC, Ethnografie, Panel-Studien). Empfehlungen, die im Tool simulierbar sind, lassen sich direkt per Klick starten.
KI-gestützt
🔬 Transparenz
So funktioniert die Simulation — und wo ihre Grenzen liegen
Ehrliche Einordnung gehört zur Methodenkompetenz. Unisurvey legt offen, wie synthetische Befragte entstehen, was sie leisten können — und was nicht.
Was sagt die aktuelle Forschung konkret? Sechs Befunde — zum Aufklappen, mit Quellen.
GrenzeSilicon Samples: Der Validitätsbefund
Die bislang umfassendste Bestandsaufnahme von Sarstedt, Adler, Rau & Schmitt (2026) wertete 285 Vergleiche zwischen Silicon Samples (synthetischen Stichproben) und menschlichen Stichproben aus: Nur 24,9 % der Befunde stimmten überein, 9,8 % teilweise — 65,3 % wichen ab. Stabile Konstrukte wie Persönlichkeitsmerkmale lassen sich oft replizieren, etablierte Befunde des Konsumentenverhaltens (z. B. Anker-, Endowment- oder Choice-Overload-Effekte) dagegen häufig nicht (Sarstedt et al., 2024, 2026). Sarstedts Fazit: „qualitativ ja, quantitativ in der Breite noch nicht“ (Sarstedt, 2026). Genau deshalb behandelt Unisurvey quantitative Simulationen als Pretest- und Lehr-Instrument mit Plausibilitätsprüfung — nicht als Ersatz für Feldstudien.
DifferenziertConjoint mit LLMs: Nah am Menschen — bis es neu wird
Brand, Israeli & Ngwe (2025, Arbeitspapier des Marketing Science Institute) ließen GPT identische Conjoint-Studien wie menschliche Stichproben bearbeiten (Zahnpasta, Laptops, Tablets). Für bekannte Produktattribute treffen die Rangfolge der Zahlungsbereitschaften korrekt und liegen erstaunlich nah an den Werten echter Befragter. Bei neuartigen Konzepten halluziniert das Modell jedoch Wert: Ein eingebauter Laptop-Projektor wurde um mehr als das Dreifache überschätzt. Ein Nachtraining des Modells (Fine-Tuning) mit echten Daten derselben Kategorie korrigiert das — verschlechtert aber die Vorhersagen in anderen Kategorien; demografische Unterschiede in der Zahlungsbereitschaft (Einkommen, Geschlecht, politische Orientierung) werden nicht repliziert, stattdessen drohen „Karikaturen“ von Zielgruppen (Brand et al., 2025; Sarstedt et al., 2024). Konsequenz im Tool: Vorsicht bei neuartigen Attributen, Plausibilitätskarte je Lauf.
GrenzeDigitale Zwillinge: Zu positiv, zu wenig Varianz
Kaiser, Kaiser, Schallner, Manewitsch & Rau (2026) verglichen digitale Zwillinge mit einer US-Benchmark-Stichprobe von 461 Softdrink-Käufer:innen (8 Marken, von Coca-Cola bis Moxie). Rein demografisch definierte Zwillinge sagten breite Trends besser als der Zufall vorher (höhere Kaufwahrscheinlichkeit bekannter Marken), überschätzten aber massiv die positiven Einstellungen zu bekannten Marken und zeigten deutlich weniger Varianz als echte Menschen — Übergeneralisierung im Sinne sozialer Erwünschtheit. Unisurveys Design-Konsequenz: Personas werden über Bedürfnisse, Pain Points und Verhalten definiert, Soziodemografie ist nur beschreibend; Anti-Bias-Regeln wirken Gefälligkeits- und Mitte-Tendenzen entgegen. Wichtig zur Einordnung: Mit Unisurvey lassen sich keine digitalen Zwillinge umsetzen. Digitale Zwillinge setzen echte qualitative oder quantitative Daten realer Personen voraus (z. B. Interview-Transkripte oder Befragungsdaten), aus denen individuelle Profile gebildet werden. Unisurveys Personas sind dagegen frei definierte bzw. KI-generierte, bedürfnisbasierte Profile ohne Anbindung an echte Individualdaten — also synthetische Personas (Silicon Samples), keine Zwillinge.
StärkeQualitative KI-Interviews: Belegte Stärke
Chopra & Haaland (2023) zeigten mit einem GPT-4-gestützten Interviewsystem (381 US-Befragte, semistrukturierte Leitfäden mit dynamischen Nachfragen), dass KI-geführte qualitative Interviews skalierbar hohe Qualität erreichen: Die Studie identifizierte zuvor unentdeckte psychologische Barrieren der Aktienmarkt-Teilnahme, die anschließend in klassischen Surveys validiert wurden. Auch Praxisfälle (Colgates Ersatz einer 50.000-$-Studie) berichten hohe Korrelationen mit früheren Human-Befragungen — mit der Einschränkung, dass Validität außerhalb bekannter Daten unbelegt bleibt (Hewett & Yoo, 2026). Die Forschung verortet den größten Nutzen daher in frühen Studienphasen: Exploration, Pretests, Skalen- und Stimulus-Entwicklung (Sarstedt et al., 2024).
StärkeNPS aus echten Reviews statt Befragung
Daum, Pauli & Sarstedt (2025) zeigen, dass LLM-Analysen nutzergenerierter Inhalte (z. B. Google-Reviews) Bewertungen des Kundenerlebnisses liefern, die eng mit Expertenurteilen übereinstimmen — schneller und breiter als klassische NPS-Befragungen, an denen nur ein Bruchteil der Kundschaft teilnimmt. Genau dieses Paradigma nutzt die NPS-Analyse in Unisurvey: reale Web-Reviews statt synthetischer Befragter. Auch hier gilt: LLMs ersetzen menschliches Urteilsvermögen nicht, sie erweitern es.
DifferenziertWann KI — wann Feld? Der Entscheidungsrahmen
Sarstedt et al. (2024) unterscheiden eine „Green Zone“ mit hoher Nützlichkeit in frühen Studienphasen (Desk Research, qualitative Exploration, Skalen-Pretests, Stimulus-Prüfungen) und eine „Caution Zone“ (Vorsichtszone) bei Hauptstudien (quantitative Erhebungen, Hypothesentests) — letztere nur mit rigorosem Benchmarking an echten Daten. Pauwels (2025) ergänzt vier Entscheidungsfaktoren: Kritikalität, Kategorie-Neuartigkeit, emotionale Komplexität, Budget/Zeit. Faustregel: Bei Routinefragen liefert KI-Forschung ~80 % des Erkenntniswerts zu ~20 % der Kosten; bei strategischen, neuartigen oder hochemotionalen Entscheidungen bleibt Human-Forschung auch zum 2–3-fachen Preis überlegen. Methodisch arbeitet Unisurvey API-basiert — fixierte Modellversion, Temperatur 0 für Quantitatives, kontrollierte System-Prompts, frischer Kontext je Aufruf: die von Joerling (2026) geforderten Voraussetzungen für Replizierbarkeit.
Referenzen (APA 7)
Brand, J., Israeli, A., & Ngwe, D. (2025). Using LLMs for market research (Working Paper No. 25-136). Marketing Science Institute.
Chopra, F., & Haaland, I. (2023). Conducting qualitative interviews with AI. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4583756
Daum, A., Pauli, J., & Sarstedt, M. (2025). From surveys to signals: Using LLMs to measure customer experience. Transfer: Zeitschrift für Kommunikation & Markenmanagement, 71(4).
Haenlein, M. (2026). To boldly go where no research has gone before: AI in marketing intelligence. NIM Marketing Intelligence Review, 18(1), 11–17.
Hewett, K., & Yoo, S. (2026). A new frontier of understanding. NIM Marketing Intelligence Review, 18(1), 18–23.
Joerling, M. (2026). Integrating GenAI interactions in marketing studies: A methodological guide. International Journal of Research in Marketing, 43(1), 28–47.
Kaiser, C., Kaiser, M., Schallner, R., Manewitsch, V., & Rau, L. (2026). Leaving insight to digital twins? NIM Marketing Intelligence Review, 18(1), 49–53.
Pauwels, K. (2025). When are humans worth the AI in marketing research? LinkedIn. https://www.linkedin.com/pulse/when-humans-worth-ai-marketing-prof-dr-koen-pauwels-54hyf/
Sarstedt, M. (2026). Synthetische Daten sind kein Ersatz, aber ein Gamechanger. Markenartikel(1–2), 20–21.
Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing, 41(6), 1254–1270.
Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2026). Your next respondent might be an LLM. NIM Marketing Intelligence Review, 18(1), 24–29.
✉️ Kontakt
Ein Lehrprojekt – kein kommerzielles Produkt
Unisurvey ist ein nicht-kommerzielles Projekt, das im Kontext der universitären Lehre entstanden ist. Das Tool ist unter tool.unisurvey.de frei zum Ausprobieren erreichbar. Für Rückfragen, Feedback oder Kooperationen freue ich mich über eine Nachricht.
Melden Sie sich bei Fragen und Anregungen gern bei mir.
webmaster@unisurvey.de