Ein Support-Archiv umfasst oft Tausende von Nachrichten. Doch wer einfach nach „Export“ sucht, erfährt nicht unbedingt, warum Exporte Probleme bereiten. Manche Kund*innen fragen, wo die Funktion zu finden ist, andere melden eine beschädigte Datei, und wieder andere erwähnen einen Export nur, um ein ganz anderes Problem zu beschreiben. Eine Inhaltsanalyse macht genau diese Unterschiede greifbar, um sie systematisch zu untersuchen.
Die Inhaltsanalyse untersucht Kommunikation, indem sie Material in Kategorien ordnet und Merkmale oder Bedeutungen analysiert. Sie kann quantitativ, qualitativ oder eine Mischung aus beidem sein. Die Quelle kann Text, Bild, Audio oder eine andere Kommunikationsform sein – die Methode geht weit über das bloße Zählen von Wörtern hinaus.
Definieren, was analysiert wird
In einer hypothetischen Support-Studie gilt es zunächst zu klären, was die Basiseinheit ist: eine Nachricht, eine Konversation oder ein*e Kund*in? Zehn Nachrichten in einem einzigen, ungelösten Gespräch dürfen nicht stillschweigend als zehn verschiedene Kund*innen mit demselben Problem gewertet werden. Lege den Zeitraum und die Auswahlkriterien fest und bedenke auch, ob das Archiv Personen ausschließt, die frustriert aufgegeben haben, ohne den Support zu kontaktieren.
Die Übersicht zur Inhaltsanalyse der Columbia University bietet hier eine solide methodische Grundlage. Für die Praxis sind eine klare Fragestellung und ein definierter Materialbestand der entscheidende Ausgangspunkt – so wird die Analyse nicht ständig um die Beispiele herumgestrickt, die gerade ins Auge springen.
Kategorien praxistauglich gestalten
Leite Kategorien aus der Forschungsfrage, bestehendem Wissen oder einer ersten explorativen Sichtung des Materials ab. Definiere klar, was in welche Kategorie gehört, was ausgeschlossen ist und ob eine Einheit mehrere Codes erhalten darf. Halte auch Beispiele für knifflige Grenzfälle fest – etwa wenn jemand ein Export-Feld nicht findet, weil die Rolle schlicht nicht die nötigen Rechte hat.
Teste das Coding zuerst in einem Pilotlauf, bevor du den gesamten Datensatz analysierst. Wenn eine konsistente Klassifizierung wichtig ist, zeigt das unabhängige Codieren einer Stichprobe durch mehrere Personen schnell unklare Regeln auf. Nutze passende Maße für die Übereinstimmung und sieh dir Abweichungen genau an, anstatt einen einzelnen Gesamtwert als Beweis dafür zu nehmen, dass jede Kategorie gleichermaßen gut funktioniert.
Einige Analysen konzentrieren sich auf explizite Inhalte – etwa ob ein Feature genannt wird –, andere interpretieren implizite Bedeutungen. Das stellt ganz unterschiedliche Anforderungen an die eigene Urteilskraft. Beschreibe das gewählte Vorgehen transparent, statt so zu tun, als sei jede Kategorie ein objektiver Fakt, der nur darauf wartet, gezählt zu werden.
Interpretation nah am Material halten
Wenn eine Konversation mehrere Codes erhalten kann, ergeben die Prozentwerte der Kategorien in der Summe unter Umständen mehr als 100 %. Halte die Bezugsgröße und die Coding-Regeln fest. Zahlen aus einem Support-Archiv bilden erst einmal nur dieses Archiv oder die Stichprobe ab – sie lassen sich nicht automatisch auf die Erfahrungen aller Kund*innen übertragen.
Halte repräsentative Auszüge und Ausnahmen für spätere Prüfungen griffbereit – natürlich unter Beachtung des Datenschutzes. Eine Kategorie wie „Berechtigungen“ wird erst dann wirklich nützlich, wenn der Bericht erklärt, welche Berechtigungen unter welchen Umständen und mit welchen Folgen gemeint sind.
Eine Sentiment-Analyse kann erfassen, wie die Tonalität einer Rückmeldung ist, während eine thematische Analyse Bedeutungsmuster noch tiefer aufschlüsselt. Wähle den Ansatz, der deine Frage am besten beantwortet. Eine steigende Zahl ist ein Anlass, den Kontext zu prüfen – kein Ersatz dafür, ihn zu verstehen.