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.

Jetzt ausprobieren → oder Methoden ansehen
🧠 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.
▾
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
MIXED METHODS
🚀
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
MIXED METHODS
🎯
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
MIXED METHODS
👥
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
KI-GESTÜTZT
💰
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
QUANTITATIV
❤️
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
MIXED METHODS
⚔️
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
QUANTITATIV
🎓
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
QUANTITATIV
✍️
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
MIXED METHODS
🎭 Persona-Modellierung

Multidimensionale Zielgruppen-Personas als Forschungsbasis

Personas in Unisurvey werden über mehr als 20 Kriterien aus der Forschungspraxis beschrieben – und bilden die gemeinsame Grundlage für alle quantitativen und qualitativen Methoden.

⭐
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
Technikaffin Nachhaltigkeitsorientiert Urban, Großstadt Akademischer Abschluss
Erfasste Kriterien
Alter, Geschlecht, Bildung Einkommen, Beruf, Branche Wohnort, Haushaltstyp Persönlichkeit (Big Five) Werte & Lebensstil Einstellungen & Haltungen Kaufverhalten & -frequenz Entscheidungsstil Markenpräferenzen Preis- & Qualitätssensibilität Mediennutzung & Kanäle Social-Media-Verhalten Innovationsbereitschaft Risikobereitschaft Nachhaltigkeitsorientierung Hedonismus vs. Utilitarismus Kategorieerfahrung Kundenzufriedenheit / NPS Verhältnis zu KI & Technologie 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)
Qualität
35.2%
Preis
28.6%
Nachhaltig.
19.4%
Design
10.8%
Marke
6.0%
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.
✉️ 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