Methoden Seite an Seite ansehen.
Wähle bis zu vier Methoden. Ergänze sie über die Suche und teile den Vergleich über seinen Link.
| Kriterium |  Growth Hooked Model |  Product Discovery Fake Door Test |  Product Discovery Hypothesis Prioritization Canvas |  Growth A/B Testing |
|---|---|---|---|---|
Zweckunterschiedlich | Bei Produkten mit hoher Wiederkehr zählt nicht nur erster Kontakt, sondern routinisierte Rückkehr. Das Hooked Model beschreibt, wie externe oder interne Auslöser, einfache Aktion, Belohnung und Investition zu einem stabilen Nutzungsritual werden. | Wenn Nachfrage noch unklar ist, misst sie Interesse an einer Funktion, bevor sie gebaut wird. Sie trennt echtes Verhalten von höflicher Zustimmung und hält den Bauaufwand bewusst klein. | Wenn viele Hypothesen konkurrieren, bringt sie Ordnung in Lernreihenfolge und Bedeutung. Sie zeigt, was zuerst getestet werden sollte und warum die Reihenfolge zählt. | Wenn zwei Varianten gegeneinander stehen, entscheiden Diskussionen schnell nach Geschmack statt nach Wirkung. A/B Testing prüft Verhalten unter kontrollierten Bedingungen und trennt echte Verbesserung von Zufall oder Erwartungseffekt. |
Komplexitätunterschiedlich | Mittel | Mittel | Mittel | Hoch |
Zeitunterschiedlich | Mehrere Workshops über Wochen | 1-5 Tage | 60-90 min | 1-4 Wochen |
Teilnehmendeunterschiedlich | 2-8 | Nutzertraffic | 3-8 | 1-6 |
Formatunterschiedlich | Workshop + Async | Async | Workshop | Async |
Outputunterschiedlich | Hooked Loop, Trigger-Map, Reward-Design, Ethik-Check | Click Data, Interest Signal, Learning Decision | Priorisierungs-Canvas, Hypothesen-Backlog | Experiment Result, Decision Log, Learning Summary |
Tagskeine Überschneidung | GrowthVerhaltenRetention | ValidierungExperimenteNachfrageDiscovery | ExperimentePriorisierungDiscoveryHypothese | ExperimenteGrowthAnalyticsValidierung |