Das Eisberg-Modell ist die zentrale Metapher in meinem Buch Customer Insights. Es teilt Kunden-Wissen in zwei Ebenen: Was wir sehen können und was darunter liegt. Die Metapher ist einfach, aber die Konsequenzen für Insight-Arbeit sind praxisrelevant.
Die zwei Ebenen
Über Wasser — sichtbares Verhalten. Alles, was ein Unternehmen in seinen eigenen Datensystemen messen kann: Klicks, Käufe, Retouren, Service-Anrufe, Newsletter-Öffnungen, App-Nutzung. Diese Ebene ist zugänglich, quantifizierbar und verlässlich.
Unter Wasser — Motivation und Kontext. Warum Kunden tun, was sie tun: Werte, Lebensumstände, emotionale Zustände, konkurrierende Prioritäten, Job-to-be-Done. Diese Ebene ist nicht direkt messbar — sie erschließt sich nur durch qualitative Arbeit.
Die Metapher ist bewusst simpel — die wichtigere Aussage ist: Die sichtbare Ebene ist typisch nur 10–20 Prozent der tatsächlichen Masse. Wer nur damit arbeitet, hat ein verzerrtes Bild.
Warum die meisten Unternehmen nur Ebene 1 sehen
Drei strukturelle Gründe, warum in der Praxis fast ausschließlich mit der oberen Ebene gearbeitet wird.
Grund 1 — Zugänglichkeit. Ebene-1-Daten liegen in Systemen, die sowieso da sind (CRM, Shop-Logs, Newsletter-Tool). Ebene-2-Daten brauchen aktive Forschung und sind teurer zu bekommen.
Grund 2 — Skalierbarkeit. Ebene 1 kann man zentimetergenau auf Millionen-Profile anwenden. Ebene 2 ist per Definition n=10–100 Interviews — das lässt sich nicht durch mehr Daten ersetzen.
Grund 3 — Produktivitätsdruck. „Bauen wir eine Kampagne" ist mit Ebene 1 schneller umsetzbar. Ebene-2-Arbeit dauert Wochen bis Monate.
Die Konsequenz: Die meisten Marketing-Abteilungen optimieren im Blindflug, weil sie die Motivation hinter dem Verhalten nicht verstehen.
Wann welche Ebene brauchen
Ebene 1 reicht für:
- Operative Kampagnen-Entscheidungen mit klaren Segmenten
- A/B-Tests bekannter Varianten
- Churn-Modellierung bei gut definierten Mustern
- Performance-Marketing-Optimierung
Ebene 2 brauchst du für:
- Neues Produkt, neues Segment, neuer Markt — wenn Ebene-1-Daten fehlen
- „Warum ist die Conversion-Rate so niedrig?" — wenn die Zahlen allein das Warum nicht erklären
- Markenpositionierung und Value-Proposition-Arbeit
- Wenn zwei Ebene-1-Interpretationen gleich plausibel scheinen (dann braucht's qualitative Klärung)
Faustregel: Starte mit Ebene 1. Wenn Ebene 1 ein Muster zeigt, das du nicht erklären kannst, wechsle zu Ebene 2.
Methoden-Mix in der Praxis
Ebene-1-Methoden:
- ABC-Analyse — Wer sind die wertvollen Kunden?
- Segmentierung — Wie clustern sich Kunden?
- Customer Lifetime Value — Was ist ein Kunde wert?
- Descriptive/Predictive Analytics — Was ist passiert, was wird passieren?
Ebene-2-Methoden:
- Tiefeninterviews (8–15 Kunden, je 60–90 Minuten, strukturiert)
- Ethnografische Beobachtung (Begleitung im Alltag oder Kauf-Prozess)
- Jobs-to-be-Done-Interviews (fokussiert auf den „Hire-Moment")
- Usability-Forschung — wo Ebene 1 das Verhalten, Ebene 2 die Friktion zeigt
- Longform-Surveys (nicht 5-Punkt-Likert, sondern offene Fragen mit qualitativer Auswertung)
Häufige Fehler
Fehler 1 — Ebene 2 mit Umfragen verwechseln. Eine 1.000-Antworten-Umfrage ist nicht automatisch Ebene-2-Arbeit. Wenn die Fragen geschlossen sind und auf Bauchgefühl geraten, bleibt es oberflächliche Ebene-1-Ergänzung.
Fehler 2 — Personas als Ebene-2-Ergebnis verkaufen. Personas sind Kommunikationshilfe, nicht Forschungs-Output. Eine gute Persona basiert auf echter Ebene-2-Arbeit; eine schlechte wird im Workshop gemalt.
Fehler 3 — Ebene 2 als „weiche" Arbeit abwerten. Gute qualitative Forschung ist methodisch strenger als viele quantitative Analysen. „Weich" heißt nicht „beliebig".
Fehler 4 — Ebene 1 und 2 getrennt halten. Die Stärke kommt aus der Kombination. Wer beide Ebenen nicht zusammen liest, verschenkt den Insight-Wert.
Anwendungs-Beispiel
Ein Retailer beobachtet auf Ebene 1: Die Newsletter-Click-Rate sinkt trotz konstanter Content-Qualität um 20 Prozent in 6 Monaten. Ebene-1-Analysen (A/B-Tests, Segment-Auswertungen) liefern keine klare Ursache.
Ebene-2-Arbeit (8 Interviews mit aktiven Lesern) zeigt: Leser nehmen den Newsletter als überoptimiert wahr — zu viele personalisierte Angebote, zu wenig kuratierte Redaktion. Die Marke verliert an „Magazinecharakter".
Der Fix ist nicht mehr Personalisierung, sondern weniger. Ohne Ebene-2-Einblick hätte das Team vermutlich in die falsche Richtung optimiert.
Methodisch weiter geht's mit ABC-Analyse (erste Ebene-1-Analyse) oder Konsumentenverhalten-Modelle (Ebene-2-Frameworks). Das Gesamtbild: Customer-Insights-Pillar.