Was vorher fertig sein muss
Ein klar formulierter Job-to-be-Done mit benannten Beneficiaries und Kontext liegt vor, an dem sich Desired Outcomes anlagern.
Was vor Start vorliegen muss
Outcome-Statement-Template („Minimiere/Maximiere [Metric] beim [Job Step]“); Interview-Leitfaden mit Outcome-Mining-Fragen; Survey-Tool für quantitative Bewertung (z. B. Qualtrics, Typeform); Statistik-Tool für Opportunity-Score-Berechnung; CSV-Export für Segmentierung.
Ein Lead Researcher mit ODI-Erfahrung (intern oder extern); zwei bis vier Interviewer; Statistik-Analyst für Auswertung; Sponsor mit Innovation-Mandat; optional Sales- oder CS-Stimme für Rekrutierung.
JTBD und Beneficiaries; Marktgröße und Sample-Plan; Recruiting-Quellen; Mess-Skala (typisch 5- oder 10-Punkt für Importance und Satisfaction); Definition Done für Studie; Innovations-Mandat (was passiert mit Underserved Outcomes).
Mehrere Wochen (Outcome-Mining 1-2 Wochen, Survey 2-3 Wochen, Auswertung 1 Woche)
Outcome-Mining-Interview-Plan eingerichtet. Survey-Tool konfiguriert. Statistik-Sheet für Opportunity-Score vorbereitet (Formel: Importance + max(Importance - Satisfaction, 0)). Sample-Strategie (Mindest-Sample pro Segment 100+) festgelegt.
Die eine Frage, die diese Methode beantwortet
Welche Desired Outcomes sind für welche Kundensegmente wichtig und unzureichend erfüllt, und wo liegt der quantitativ größte Innovations-Hebel?
Marker: Phase
| Schritt | Dauer | Aktion | Hinweis |
|---|---|---|---|
1Phase 1: Outcome Mining | 1-2 Wochen | 10-15 qualitative Interviews mit JTBD-Beneficiaries. Outcome-Statements im Format „Minimiere/Maximiere [Metrik] beim [Job-Schritt]“ extrahieren. Pro Job 50-150 Outcome-Statements anvisieren. | Outcome-Statements sind keine Featurewünsche. Format strikt einhalten. Wenn Interviewter „App mit X“ sagt, zurück übersetzen in Outcome („Minimiere Zeit zwischen Schritt A und B“). |
2Phase 2: Outcome-Konsolidierung | 2-3 Tage | Outcome-Statements clustern, Duplikate konsolidieren, sprachlich harmonisieren. Endliste 50-100 Outcomes. Pro Outcome Job-Step-Bezug und ggf. Beneficiary-Typ. | Wenn nach Konsolidierung < 30 Outcomes übrigbleiben, war Mining zu eng. Wenn > 150, Mining zu breit. Beneficiaries klar trennen, sonst werden Outcomes vermischt. |
3Phase 3: Quantitative Studie | 2-3 Wochen | Survey mit allen Outcomes. Pro Outcome zwei Fragen: Wichtigkeit und aktuelle Zufriedenheit (jeweils 1-10 oder 1-5). Mindest-Sample 200+ aus Zielsegment, idealerweise mehrere Segmente. | Survey-Müdigkeit ist Risiko (50+ Outcomes × 2 Fragen). Randomisierung der Outcome-Reihenfolge. Mindest-Sample pro Segment für Subgroup-Auswertung. |
4Phase 4: Opportunity Score berechnen | 1-2 Tage | Pro Outcome: Mean(Importance) und Mean(Satisfaction). Opportunity Score = Importance + max(Importance - Satisfaction, 0). Outcomes nach Score sortieren. Schwellen: > 15 = Underserved (Innovations-Hebel), 10-15 = Appropriately Served, < 10 = Overserved. | Wenn alle Top-Outcomes Score < 12 haben, ist Markt entweder gut bedient oder Sample ist verzerrt. Sample-Charakteristik prüfen, ggf. Segmentierung anpassen. |
5Phase 5: Segmentierung nach Underserved Patterns | 2-3 Tage | Cluster-Analyse (z. B. K-Means) über Antwort-Pattern. Identifiziert Segmente mit unterschiedlichen Underserved-Outcome-Profilen. Pro Segment Top-Opportunities. Segmentgröße im Markt schätzen. | Demographische Segmentierung allein verfehlt oft den Mehrwert. ODI-Segmentierung über Outcome-Pattern ist der eigentliche Hebel. |
6Phase 6: Innovations-Hypothesen | 1-2 Tage | Pro Top-Segment und Top-Outcome Hypothesen für Lösungen oder Wertbotschaften. Innovations-Backlog mit Priorität nach Opportunity Score und Segmentgröße. Sponsor-Review. | Hypothesen sind noch keine Lösungen. Lösungen entstehen in Discovery-Sprints. ODI liefert das Ziel, nicht das Mittel. |
Was am Ende rauskommt
Outcome-Statement-Bibliothek, Opportunity-Score-Tabelle, Segmentierungs-Report mit Opportunity-Profilen pro Segment, Top-Opportunities-Liste, Innovations-Hypothesen-Backlog, Sample- und Methoden-Beschreibung.
Studie pro Markt oder Zielgruppe als eigene Version mit Datum. Outcome-Bibliothek wächst, Updates getrackt. Folge-Studien referenzieren Vorversion für Delta-Analyse (z. B. nach Marktveränderung).
Kompakte Arbeitsvorlage für Outcome-Driven Innovation mit Kontext, Input, Ergebnisartefakten und nächstem Schritt.
# Outcome-Driven Innovation Arbeitsvorlage
## Ziel
Innovationsmethodik nach Ulwick, die Kundenwünsche als messbare gewünschte Ergebnisse erfasst.
## Kontext
Wann und wofür nutzen wir diese Methode?
## Input
Welche Daten, Beobachtungen, Entscheidungen oder Materialien liegen vor?
## Durchführung
Kurze Notizen entlang des Run Sheets.
## Ergebnisartefakte
- Desired Outcome Statements:
- Opportunity-Landschaft:
- Segmentierung nach Underserved Needs:
- Innovations-Hypothesen:
## Annahmen und offene Fragen
- ...
## Entscheidung / Nächster Schritt
Owner, Datum und Erfolgssignal.Konkret gefülltes Szenario
## ODI-Studie — Solo-Selbstständige DACH, Job „Steuerlast monatlich kennen“ (18.05.2026)
**Outcome Mining**: 12 Interviews, 87 Outcome-Statements, nach Konsolidierung 64.
**Survey**: n = 312 Solo-Selbstständige DACH, Umsatz 100-500k EUR. Feldzeit 14 Tage.
**Top-Opportunities (Score > 15)**:
1. Minimiere die Zeit, um eine verlässliche Steuerprognose zu erstellen. Importance 9.2, Satisfaction 3.4. Score 15.0.
2. Minimiere die Wahrscheinlichkeit, dass ich beim Steuerberater-Gespräch ahnungslos wirke. Imp 8.8, Sat 2.9. Score 14.7.
3. Minimiere den Aufwand, Belege zu sortieren. Imp 8.4, Sat 4.1. Score 12.7.
4. Maximiere das Vertrauen in die Prognose-Genauigkeit. Imp 8.6, Sat 4.3. Score 12.9.
**Segmentierung** (3 Cluster):
- Segment A „Steuerangst“ (38%): hohe Imp und niedrige Sat bei allen Klarheit-Outcomes. Underserved.
- Segment B „Effizienz“ (34%): Imp hoch bei Belege-Sortieren, niedrig bei Klarheit. Appropriately served.
- Segment C „Kontrolle“ (28%): Imp hoch bei Vertrauen und Genauigkeit. Underserved bei Genauigkeit.
**Innovations-Hypothesen** (Auszug):
- Segment A: Echtzeit-Prognose mit Vertrauens-Score. Top-Outcomes 1, 2, 4 adressiert.
- Segment C: Audit-Trail und Genauigkeits-Indikator. Top-Outcome 4.
**Folgeschritte**: Discovery-Sprints für Segment A starten (38% des Markts, höchstes Opportunity-Profil).Symptome erkennen, gegensteuern
Statements lauten „App soll automatisch buchen“ statt „Minimiere Buchungszeit“.
Format strikt: Minimize/Maximize + Metric + Job-Step. Während Interviews konsequent zurückübersetzen. Wer Feature sagt, wird gefragt: was wäre das gewünschte Outcome?
Survey mit 80 Antworten, Cluster-Analyse instabil, Opportunity-Scores haben hohe Varianz.
Mindest-Sample 200+ gesamt, mindestens 100 pro Segment. Bei kleineren Märkten qualitativ statt quantitativ und Befunde als Hypothesen, nicht als Studie verkaufen.
Outcomes klingen für jeden Markt gleich („Maximiere Zufriedenheit“), kein Spezifika.
Outcomes müssen Job-Schritt-spezifisch sein. Wenn ein Outcome für drei Märkte gleich ist, ist es zu abstrakt. Job in mehr Steps zerlegen.
Segmente nach Alter, Branche, Region gebildet, Opportunity-Profile sind aber gleich.
Cluster-Analyse über Antwort-Patterns. Demographie nur sekundär. ODI-Wert kommt aus pattern-basierten Segmenten, die demographisch oft überraschen.
Top-Opportunity ist „App mit OCR-Funktion“ statt Outcome-Statement.
Outcome- und Lösungs-Ebene strikt trennen. ODI liefert Outcome-Ziele, Discovery findet Lösungen. Wer Lösungen vorab fixiert, verschenkt den Methodenwert.
Studie liefert klare Underserved-Outcomes, niemand hat Mandat oder Budget zum Bauen.
Sponsor-Mandat vor Start klären. Wenn Innovations-Kapazität fehlt, Studie verschieben. Ergebnisse ohne Konsequenz demotivieren Team und Kunden.
Done-Signale, in unter einer Minute prüfbar
Zum Steckbrief für Zweck, ähnliche Methoden und Quellen — oder direkt zur nächsten Methode im Katalog.