Wie nutzt man ChatGPT für eine JTBD-Analyse?

Kurze Antwort: Sie können mit ChatGPT eine Jobs-to-Be-Done-Analyse (JTBD) durchführen, indem Sie Transkripte von Kundeninterviews eingeben und mit strukturierten Prompts funktionale, emotionale und soziale Jobs extrahieren. So werden rohe qualitative Daten zu einem klaren Bild davon, wofür Ihre Kunden Ihr Produkt tatsächlich „engagieren“, ohne wochenlange manuelle Auswertung.

Eine JTBD-Analyse manuell durchzuführen ist langsam. Sie sammeln 10 bis 15 Kundeninterviews, lesen tagelang Transkripte und haben am Ende trotzdem eine Tabelle voller unfertiger Erkenntnisse, aus denen niemand Maßnahmen ableitet.

ChatGPT verändert diesen Workflow. Mit den richtigen Prompts fassen Sie Interviewtranskripte in einem Bruchteil der Zeit zu strukturierten JTBD-Ergebnissen zusammen. Dieser Leitfaden zeigt Ihnen Schritt für Schritt, wie das geht, mit Prompts, die Sie heute direkt kopieren und verwenden können.

Am Ende wissen Sie, wie Sie funktionale, emotionale und soziale Jobs aus rohen Interviewdaten extrahieren, die Kräfte hinter dem Wechselverhalten erkennen und diese Erkenntnisse in Messaging und Produktentscheidungen übersetzen.

Was ist Jobs-to-Be-Done und warum ist es für B2B SaaS wichtig?

Jobs-to-Be-Done ist ein Framework, um die Motivation von Kunden zu verstehen. Die Grundidee: Kunden kaufen Produkte nicht wegen ihrer Funktionen. Sie „engagieren“ Produkte, um bei einer bestimmten Aufgabe voranzukommen, die erledigt werden muss.

Für B2B SaaS ist diese Unterscheidung enorm wichtig. Ihre Käufer kaufen keine Software. Sie engagieren sie, um ein geschäftliches Problem zu lösen, ein berufliches Risiko zu verringern oder vor ihrer Führungsebene kompetent dazustehen. Wenn Sie den tatsächlichen Job verstehen, werden Positioning, Messaging und Produkt-Roadmap deutlich schärfer.

Eine JTBD-Analyse identifiziert bei jedem Job in der Regel drei Dimensionen:

Funktionaler Job: Die praktische Aufgabe, die der Kunde erledigen muss („Ich muss meinem CFO jede Woche die Genauigkeit der Pipeline melden“)
Emotionaler Job: Wie sich der Kunde dabei fühlen (oder nicht fühlen) möchte („Ich muss sicher sein, dass die Zahlen stimmen, bevor ich sie präsentiere“)
Sozialer Job: Wie der Kunde von anderen wahrgenommen werden möchte („Mein Team soll mich als jemanden sehen, der die Finanzen im Griff hat“)

Die Herausforderung: Kunden nennen diese Jobs selten direkt. Sie zeigen sich in der Sprache der Interviews, und sie zu erkennen erfordert sorgfältiges Lesen mehrerer Transkripte. Genau hier erweist sich ChatGPT in diesem Workflow als nützlich.

Was Sie vor dem Start brauchen

Bevor Sie ChatGPT öffnen, halten Sie diese Unterlagen bereit:

Mindestens 3 bis 5 Transkripte von Kundeninterviews (mehr ist besser, aber 3 sind machbar)
Transkripte als reiner Text (kopiert aus Otter.ai, Grain oder Ihrem Notiz-Tool)
Grundlegender Kundenkontext: Rolle, Unternehmensgröße und ob es sich um einen Neukunden, einen abgewanderten Kunden oder einen langjährigen Nutzer handelt

Die Qualität Ihrer JTBD-Ergebnisse hängt vollständig von der Qualität Ihrer Interviewdaten ab. Sind Ihre Transkripte dünn, wird auch die Analyse dünn. Gute JTBD-Interviews bitten Kunden, den Moment zu schildern, in dem sie zum ersten Mal ein Problem bemerkt haben, was sie zuvor versucht haben und was sie schließlich zum Handeln bewogen hat. Fehlt diese Tiefe in Ihren Transkripten, führen Sie vor dem Start einige neue Interviews durch.

Schritt 1: Transkript für die Analyse vorbereiten

ChatGPT funktioniert am besten, wenn Sie saubere, klar gekennzeichnete Eingaben liefern. Bereinigen Sie das Transkript kurz, bevor Sie es einfügen:

Entfernen Sie Füllwörter und Überschneidungen im Gespräch, falls Ihr Transkriptions-Tool das nicht bereits getan hat
Kennzeichnen Sie die Sprecher eindeutig (z. B. „Interviewer:“ und „Befragter:“)
Fügen Sie oben einen einzeiligen Kontexthinweis ein: Rolle, Unternehmenstyp und Kundenstatus

Öffnen Sie dann eine neue ChatGPT-Konversation und verwenden Sie diesen Setup-Prompt:

Prompt:

"I am going to share a customer interview transcript with you. Your job is to analyse it using the Jobs-to-Be-Done framework. Do not summarise the transcript. Instead, identify the functional, emotional, and social jobs the customer is describing. Look for the language they use around struggle, progress, and desired outcomes. Wait for me to paste the transcript before you begin."

Damit richten Sie ChatGPT darauf aus, das Transkript analytisch zu betrachten, statt nur zusammenzufassen, was gesagt wurde. Zusammenfassen ist das Standardverhalten und nicht das, was Sie hier wollen.

Schritt 2: Die drei Job-Dimensionen extrahieren

Sobald Sie das Transkript eingefügt haben, verwenden Sie diesen Extraktions-Prompt:

Prompt:

"Based on this transcript, identify:

The functional job: what practical outcome is this customer trying to achieve?
The emotional job: how do they want to feel, or what feeling are they trying to avoid?
The social job: how do they want to be perceived by colleagues, managers, or stakeholders?

For each job, quote the specific line or phrase from the transcript that supports your identification. Do not invent jobs that are not evidenced in the transcript."

Die Anweisung, belegende Zitate anzugeben, ist wichtig. Sie verhindert, dass ChatGPT plausibel klingende Jobs erfindet, die auf nichts basieren, was der Kunde tatsächlich gesagt hat. Jeder identifizierte Job sollte sich auf eine reale Aussage zurückführen lassen.

Schritt 3: Die vier Kräfte des Wechsels identifizieren

Das JTBD-Framework enthält ein Modell namens Four Forces, das erklärt, warum Kunden von einer Lösung zu einer anderen wechseln (oder warum sie bleiben). Diese Kräfte sind:

Push: Die Frustrationen mit der aktuellen Situation, die Kunden wegtreiben
Pull: Die Anziehungskraft der neuen Lösung
Anxiety: Die Ängste und Zweifel in Bezug auf den Wechsel
Inertia: Die Gewohnheiten und Bindungen, die Kunden an Ort und Stelle halten

Für SaaS-Positioning und Sales-Messaging ist das wertvoll. Verwenden Sie nach dem Schritt der Job-Extraktion diesen Prompt:

Prompt:

"Now analyse the same transcript through the lens of the Four Forces of switching:

Push: what frustrations or problems were driving this customer away from their previous solution?
Pull: what attracted them to a new solution or to our product specifically?
Anxiety: what doubts or fears did they express about making a change?
Inertia: what habits, relationships, or sunk costs were keeping them in place?

Again, quote the transcript to support each force you identify."

Dieser Prompt ist besonders für Sales-Teams nützlich. Die Kräfte Push und Pull lassen sich direkt auf Einwandbehandlung und Value-Proposition-Formulierungen übertragen. Wenn Sie nach einer solchen Recherche Ihr GTM-Messaging überarbeiten, kann es sich auch lohnen, spezialisierte Copywriter für B2B SaaS in Betracht zu ziehen oder bewährte Inbound-Marketing-Agenturen für B2B SaaS zu vergleichen, die wissen, wie sich Kundensprache in Demand Generation übersetzen lässt.

Schritt 4: Erkenntnisse aus mehreren Transkripten zusammenführen

Die Analyse eines einzelnen Interviews liefert Ihnen nur einen Datenpunkt. Der eigentliche Wert entsteht durch Mustererkennung über mehrere Interviews hinweg. Genau hier scheitert die manuelle Auswertung meist, und hier spart ChatGPT die meiste Zeit.

Führen Sie die Schritte 1 bis 3 für jedes Transkript in separaten Konversationen durch und bringen Sie die Ergebnisse dann in einer neuen Konversation für die Synthese zusammen.

Prompt:

"I am going to share JTBD analysis outputs from [X] customer interviews. Each output includes functional, emotional, and social jobs, plus the Four Forces of switching.

Your task is to:

Identify the jobs that appear across multiple interviews (these are your primary jobs)
Identify jobs that appear only once or twice (these may be segment-specific or edge cases)
Identify any contradictions or tensions between what different customers said
Produce a ranked summary: the top 3 functional jobs, top 2 emotional jobs, and top 2 social jobs based on frequency and strength of language used

Here are the analysis outputs: [paste outputs]"

Die priorisierte Zusammenfassung wird zu Ihrer praktischen JTBD-Map. Sie ist das Dokument, das Sie in Positioning-Workshops, Messaging-Reviews und Gespräche zur Produktpriorisierung mitbringen.

Schritt 5: Jobs in Messaging und Produkt-Input übersetzen

Eine JTBD-Analyse entfaltet ihren Wert erst, wenn sie etwas verändert. Mit diesen Folge-Prompts machen Sie aus der Synthese nutzbare Ergebnisse.

Für Positioning und Messaging:

"Based on this JTBD map, write three positioning statements for [product name]. Each statement should speak directly to one of the top functional jobs and address the primary emotional job. Use the language customers used in the interviews, not marketing language."

Für Texte auf der Startseite oder Landingpage:

"Using the top functional and emotional jobs from this analysis, write a hero section headline and subheadline for [product name]. The headline should name the job. The subheadline should address the anxiety or inertia that stops people from switching."

Als Input für die Produkt-Roadmap:

"Review this JTBD map and identify any functional jobs that our product does not currently address well. List them as potential feature or improvement areas, with the customer language that signals the unmet need."

Jeder dieser Prompts wandelt die rohe Analyse in etwas um, womit ein bestimmtes Team sofort arbeiten kann. Fließen diese Erkenntnisse in einen Website-Relaunch ein, kann die Zusammenarbeit mit einer der besten Web-Design-Agenturen für B2B SaaS oder mit geprüften Web-Design- und UX-Experten für B2B SaaS helfen, die Botschaft bis in die tatsächliche User Journey zu tragen.

Häufige Fehler, die Sie vermeiden sollten

Die Anweisung zum Beleg weglassen. Wenn Sie ChatGPT nicht bitten, das Transkript zu zitieren, erzeugt es plausibel klingende Jobs ohne Grundlage in echten Daten. Verlangen Sie immer einen Beleg.

Transkripte aus schlechten Interviews verwenden. Eine JTBD-Analyse setzt voraus, dass Kunden über ihren Entscheidungsprozess, ihre Schwierigkeiten und ihre gewünschten Ergebnisse sprechen. Bestehen Ihre Transkripte überwiegend aus Feedback zu Funktionen oder Zufriedenheitsbewertungen, lassen sich daraus keine aussagekräftigen Jobs ableiten.

Das Ergebnis als endgültig betrachten. ChatGPT ist ein Tool zur Synthese, kein Researcher. Prüfen Sie die Ergebnisse gemeinsam mit jemandem, der bei den Interviews dabei war. Korrigieren Sie alles, was wiedergibt, was der Kunde gemeint hat, falsch.

Alles in einer langen Konversation durchführen. ChatGPT verliert in langen Konversationen den Kontext. Halten Sie jede Transkriptanalyse in einer eigenen Konversation und führen Sie die Ergebnisse anschließend für die Synthese zusammen.

So nutzt SaaS Hackers diesen Workflow

Bei SaaS Hackers ist dieser Ansatz Teil eines umfassenderen Research-Frameworks für das Positioning von B2B SaaS. Der Schritt der JTBD-Synthese dauert bei 8 bis 10 Transkripten in der Regel 2 bis 3 Stunden, gegenüber 2 bis 3 Tagen manueller Analyse. Das Ergebnis fließt direkt in die Arbeit an der Messaging-Architektur ein, die wir mit Kunden durchführen.

Die konstanteste Erkenntnis: Emotionale und soziale Jobs sind für Kaufentscheidungen fast immer stärker als funktionale, und sie fehlen fast immer im SaaS-Messaging. Richtig eingesetzt, macht ChatGPT sie sichtbar.

FAQs

Wie nutzt man ChatGPT am besten für eine Jobs-to-Be-Done-Analyse?

Am besten fügen Sie einzelne Transkripte von Kundeninterviews in ChatGPT ein und verwenden strukturierte Prompts, die funktionale, emotionale und soziale Jobs mit direkten Zitaten als Beleg identifizieren. Werten Sie jedes Transkript separat aus und nutzen Sie dann einen Synthese-Prompt, um Muster über alle Interviews hinweg zu finden. So erhalten Sie in Stunden statt Tagen eine priorisierte JTBD-Map.

Wie viele Kundeninterviews brauche ich für eine JTBD-Analyse mit ChatGPT?

Drei Interviews sind das Minimum, damit Mustererkennung überhaupt aussagekräftig ist. Fünf bis acht Interviews bringen die wichtigsten Jobs zuverlässig zutage. Ab etwa zehn nimmt der Zusatznutzen in der Regel ab, es sei denn, Sie segmentieren nach Kundentyp, Unternehmensgröße oder Anwendungsfall.

Kann ChatGPT Kundeninterviews für JTBD-Research ersetzen?

Nein. ChatGPT fasst die Daten zusammen, die Sie ihm geben. Es kann aus dem Nichts keine echten Kundenerkenntnisse erzeugen. Die Qualität Ihrer JTBD-Analyse hängt vollständig von der Qualität der Interviews ab, die Sie führen. ChatGPT beschleunigt den Analyseschritt, nicht den Research-Schritt.

Was ist der Unterschied zwischen funktionalen, emotionalen und sozialen Jobs in JTBD?

Funktionale Jobs sind die praktischen Aufgaben, die ein Kunde erledigen muss. Emotionale Jobs beschreiben, wie er sich dabei fühlen (oder nicht fühlen) möchte. Soziale Jobs beschreiben, wie er von anderen wahrgenommen werden möchte. Im B2B SaaS spielen bei jeder Kaufentscheidung alle drei eine Rolle, doch die meisten Produkte sprechen in ihrer Botschaft nur den funktionalen Job an. Teams, die diese Erkenntnisse über alle Akquisekanäle hinweg umsetzen wollen, vergleichen am Ende oft SEO-Agenturen für B2B SaaS, Content-Marketing-Agenturen für B2B SaaS oder breiter aufgestellte Digitalstrategie-Agenturen für B2B SaaS.

Ist das Jobs-to-Be-Done-Framework für SaaS-Produkte in der Frühphase nützlich?

Ja, wohl sogar mehr als für ausgereifte Produkte. SaaS-Teams in der Frühphase entwickeln oft auf Basis angenommener statt tatsächlicher Bedürfnisse. Eine JTBD-Analyse auf Grundlage von schon 3 bis 5 Interviews, bevor Sie ein Feature bauen oder Positionierungstexte schreiben, verringert das Risiko, etwas zu entwickeln, wofür Kunden Ihr Produkt nicht beauftragen würden. Wenn Sie in dieser Phase externe Unterstützung brauchen, lohnt sich ein Blick auf spezialisierte Agenturen für B2B-SaaS-Start-ups oder auf das breitere Verzeichnis der Top-Agenturen, um passende Expertise zu finden.