Methoden Seite an Seite ansehen.
Wähle bis zu vier Methoden. Ergänze sie über die Suche und teile den Vergleich über seinen Link.
| Kriterium |  Product Discovery Kano Model |  Delivery Monte Carlo Forecasting |  Decision Making OODA Loop |  Product Strategy DIBB |
|---|---|---|---|---|
Zweckunterschiedlich | Wenn Features nach Wirkung auf Zufriedenheit unterschieden werden sollen, macht sie Erwartungen und Überraschungen vergleichbar. Sie trennt Grundbedürfnis, Leistungsbeitrag und Begeisterung. | Wenn Liefertermine unsicher sind und Einzel-Schätzungen zu viel Sicherheit vortäuschen, zeigt Monte Carlo Forecasting die Bandbreite plausibler Enddaten. Historische Flussdaten werden so nutzbar, dass Risiko, Wahrscheinlichkeit und Erwartungswert sauber auseinanderhalten bleiben. | In dynamischen Situationen veralten Entscheidungen schneller, als sie vorbereitet wurden. Der OODA Loop hält Wahrnehmen, Einordnen, Entscheiden und Handeln als wiederkehrenden Takt zusammen, damit Reaktion nicht in Trägheit kippt. | Wenn eine Produktentscheidung sauber begründet werden muss, macht sie Daten, Annahmen und Wetten gemeinsam sichtbar. Sie hält fest, warum eine Richtung gewählt wurde und woran sie später gemessen wird. |
Komplexitätunterschiedlich | Mittel | Hoch | Mittel | Niedrig |
Zeitunterschiedlich | 1-2 Tage | 30-90 min Setup, danach laufend | 15-60 min je Zyklus | 1-2 h |
Teilnehmendeunterschiedlich | 10-50 | 1-8 | 1-8 | 2-8 |
Formatidentisch | Workshop + Async | Workshop + Async | Workshop + Async | Workshop + Async |
Outputunterschiedlich | Kano Matrix, Feature Classes, Priority Themes | Forecast Percentiles, Throughput Dataset, Risk Communication | Situation Assessment, Decision Loop, Action Updates | DIBB-Dokument, Beliefs-Liste, Bets-Liste, Lernreport |
Tagskeine Überschneidung | ZufriedenheitPriorisierungKunde | PrognoseFlowDelivery | EntscheidungVeränderungLernenStrategie | StrategieEntscheidungAnnahmenHypothese |