„Finde die Kernfrage.“ „Bilde eine Hypothese.“ „Schau weiter, breiter und aus einer höheren Perspektive.“
Klingt alles richtig.
Für einen echten Anfänger liegt die erste Hürde aber viel früher:
Mir fällt weder die richtige Frage noch eine Hypothese ein.
Dann sagt ein erfahrener Kollege: „Dir fehlt Input. Recherchiere etwa 30 Minuten, stoppe fünf Minuten und schreib auf, was du jetzt weißt und was noch offen ist.“
Man probiert es.
30 Minuten Recherche. 5 Minuten Synthese. „Moment. Vielleicht ist A die Ursache?“
Fortschritt.
Und sofort beginnt Kapitel zwei.
„Wir haben keine Daten, um A zu prüfen.“ „Dann brauchen wir zusätzliche Messung.“ „Dafür müssen wir etwas implementieren.“ „Danach testen.“ „Danach beobachten.“ „Jetzt sieht B verdächtiger aus als A.“ „Für B brauchen wir ein weiteres Log.“ „Und nebenbei haben wir C und D gefunden.“
Brrrrrrrr…
Mehr Arbeit.
Das ist die selten erzählte Fortsetzung des Hypothesendenkens.
Dieser Leitfaden verbindet für das erste Jahr den ganzen Kreislauf:
recherchieren → zusammenfassen → Problem eingrenzen → Hypothese → messbar machen → verändern → beobachten → aktualisieren → entscheiden, welche Hypothesen man nicht verfolgt.
1. Erstes Missverständnis: Hypothesendenken ist kein Geistesblitz-Wettbewerb
Einem Anfänger zu sagen „Der Umsatz sinkt, nenne zehn Ursachen“ ist schwierig, weil ihm die Bausteine der Domäne fehlen.
Im Web: Impressions, CTR, Ranking, Kanal, neue/bestehende Nutzer, Land, Sprache, Seite, interne Navigation.
Im Vertrieb: Opportunities, Conversion, Dealgröße, Verlustgründe, Quelle, Vertriebsmitarbeiter, Zyklus.
In der Fertigung: Ausschuss, Stillstand, Rüsten, Maschine, Material, Bediener, Los, Temperatur, Schicht.
Erfahrene sehen eine Abweichung und Variablen tauchen automatisch auf.
Anfänger haben diese Liste noch nicht.
„Denk härter nach“ kann bedeuten, aus einem leeren Regal Ware zu holen.
Forschung zum simulationsbasierten Inquiry Learning zeigt, dass grundlegende Domäneninformationen Lernenden mit wenig Vorwissen helfen können, relevante Variablen zu verstehen und später Wissen aufzubauen.[1] Das ist keine direkte Studie mit Junior Consultants, aber ein nützliches Prinzip: Hypothesen brauchen Material.
2. Bei null→eins nicht sofort originelle Hypothesen verlangen
Zuerst vollständige Denkbeispiele zeigen.
- Beobachtung: Umsatz -20 %
- erste Trennung: weniger Kunden oder geringerer Warenkorb?
- Daten: Kunden stabil, Warenkorb sinkt
- nächste Trennung: Produktmix oder Rabatt?
- Daten: Rabatt stabil, Anteil teurer Produkte sinkt
- Hypothese: Kunden wählen seltener höherwertige Produkte
- nächster Check: Views, Bestand, Positionierung, Änderungen der Botschaft
Der Anfänger sieht die ganze Kette.
Worked-Example-Forschung zeigt Vorteile vollständiger Lösungsbeispiele besonders zu Beginn: geringere kognitive Belastung sowie bessere Behaltens- und Transferleistungen.[2]
„Denk selbst“ kann Freiheit sein.
Oder Wandern ohne Karte.
3. Das erste Jahr ist eine Reihenfolge zum Abmontieren der Stützräder
Der folgende Zwölf-Monats-Plan behauptet nicht, dass genau diese Monatsgrenzen wissenschaftlich optimal sind. Er überträgt Lernprinzipien auf die Arbeit.
Monate 1–2: lernen, welche Variablen existieren
Das erste Ziel ist nicht Recht zu haben.
Es ist zu wissen, worauf Menschen in diesem Bereich schauen.
Lerne Kennzahlen, Prozessschritte, Rollen, Restriktionen, Normalbereiche, Auffälligkeiten und zeitliche Reihenfolgen.
Täglich:
- einen echten Fall ansehen,
- notieren, was der Erfahrene zuerst prüft,
- einmal fragen: „Warum genau das zuerst?“
Viele vollständige Fälle sehen.
Nicht „A bedeutet immer B“ lernen.
Die Kandidatenliste des Experten lernen.
Monate 3–4: Vergleichsreflex aufbauen
Probleme entstehen oft aus Unterschieden.
Fragen:
- Seit wann?
- Wo tritt es auf und wo nicht?
- Was blieb unverändert?
- Was unterscheidet sich vom Normalfall?
- Was änderte sich direkt vorher?
„Warum sinkt der Umsatz?“ ist riesig.
„Nur Neukunden? Nur Region X? Nur Produkt A? Seit letztem Monat? Nach der Preisänderung?“ ist brauchbar.
Monate 5–6: Vermutungen testbar formulieren
Form:
Wenn X die Hauptursache ist, sollten wir Y beobachten.
Und:
Wenn Y nicht auftritt, wird X schwächer.
Damit kann die Intuition von Daten angegriffen werden.
Eine Studie zum Inquiry Learning zeigte, dass partielle Hypothesen als Scaffolding komplexere Hypothesen und bessere Datensammlung unterstützen konnten.[3]
Monate 7–8: wenn die Antwort nicht existiert, Messung bauen
Die Antwort steht nicht im Internet. Das Dashboard enthält die nötige Aufteilung nicht.
Jetzt braucht es Instrumentation:
- Log-Felder,
- Umfragefragen,
- Fehlerkategorien,
- Produkt×Region,
- Baseline vor der Änderung,
- Interventions- und Vergleichsgruppen.
Recherche endet nicht bei der Suchmaschine.
Wenn Evidenz nicht existiert, gehört das Design eines Systems, das Evidenz erzeugt, zur Arbeit.
Monate 9–10: Implementierung → Test → Beobachtung → Update
Hypothese A → Messung → kleine Änderung → Test → Beobachtung → behalten/ändern/verwerfen → nächste.
Bei Fehlern fragen:
Warum hielt ich diese Hypothese damals für stark?
Eine Studie von 2024 fand, dass angeleitete Selbst-Erklärungen zu Problemlösefehlern die Fehlerkorrektur und nahen Transfer verbesserten.[4]
Eine Meta-Analyse von 35 Studien zur Monitoring-Genauigkeit fand insgesamt einen kleinen positiven Effekt; hilfreich waren unter anderem Interventionen auf Ebene der Gesamtaufgabe, metakognitives Wissen und externe Standards.[5]
Prognose und Ergebnis nebeneinanderlegen.
Monate 11–12: jetzt gibt es zu viele Hypothesen
Das Problem dreht sich um.
Nicht zu wenig.
Zu viele.
Bewerte:
- Einfluss auf die Entscheidung,
- Plausibilität,
- Testkosten,
- wie viele Hypothesen ein Test reduziert,
- ob das Ergebnis die nächste Handlung ändert.
Decision Analysis nutzt den Begriff Value of Information: Informationen sind wertvoll, wenn die Reduktion von Unsicherheit die Entscheidung verbessern kann.[6]
Einfache Frage:
Welche Entscheidung ändert sich, wenn ich das weiß?
Wenn keine, warten.
4. „30 + 5“ ist keine Magie, sondern die Notbremse gegen Recherche-Schwarze-Löcher
Es gibt keinen besonderen Nachweis, dass 30 und fünf Minuten überall optimal sind.
Der Wert liegt im erzwungenen Stop.
Aufschreiben:
- was weiß ich,
- was weiß ich nicht,
- stärkste Hypothese,
- was müsste sichtbar sein,
- nächste Datenquelle.
Regel:
Wenn die nächste Frage nicht in einen Satz passt, noch nicht weiter suchen.
5. Dann wächst die Arbeit: Probleme sehen erzeugt Aufgaben
Anfänger: „Sieht normal aus.“
Mittel: „Conversion sinkt.“
Fortgeschrittener: „Gesamt-Conversion sinkt, bestehende Kunden sind stabil. Der Rückgang liegt bei Neukunden aus einem Kanal, Traffic ist stabil und seit letztem Monat bricht der Übergang Erstgespräch → Angebot ein.“
Glückwunsch.
Neue Arbeit.
Brrrrrrrr…
Kanalanalyse, Mitarbeitervergleich, Gesprächsprüfung, Change Logs, Messvalidierung, Experiment.
Hypothesendenken macht zuerst unsichtbare Arbeit sichtbar.
Danach kommt die höhere Fähigkeit:
entscheiden, welche sichtbare Arbeit man nicht macht.
6. Der Endzustand ähnelt Forscher + Engineer + Analyst
Research. Hypothesis. Instrumentation. Intervention. Observation. Update. Prioritization.
Viele Berufe teilen diesen Zyklus.
7. Wenn der Anfänger leerläuft, sechs Ursachenboxen geben
| Box | Frage |
|---|---|
| Input | Hat sich Menge oder Qualität des Inputs verändert? |
| Prozess | Hat sich Ablauf, Regel oder Pfad verändert? |
| Output | Hat sich Produkt, Ergebnis oder Darstellung verändert? |
| Menschen | Haben sich Kunden, Mitarbeiter oder Nutzer verändert? |
| Umwelt | Haben sich Wettbewerb, Saison, Markt oder Regulierung verändert? |
| Messung | Hat sich die Messmethode verändert? |
Boxen machen einen unendlichen Suchraum handhabbar.
8. Für Trainer: nicht nur „denk mehr“, sondern Scaffolding schrittweise entfernen
Level 0: vollständiger Fall. Level 1: erste Problemteilung vorgeben. Level 2: Kandidaten vorgeben. Level 3: nur sechs Boxen. Level 4: nur fragen „Was ist das Problem und was prüfst du als Nächstes?“
Eine Studie von 2026 fand höhere Testleistungen in Sequenzen mit tatsächlichem Problemlösen als in einer Worked-Examples-only-Bedingung.[7]
Beispiele am Anfang bedeuten nicht Antworten für immer.
9. Wochenroutine für das erste Jahr
Jeder Fall:
- Beobachtung in einem Satz,
- drei Vergleichsachsen,
- 1–3 Hypothesen,
- „wenn X, dann Y“,
- Ergebnis.
Bei jedem Recherche-Stopp:
- gelernt,
- offen,
- Hypothese,
- nächste Daten,
- welche Entscheidung ändert sich?
Wöchentlich: eine falsche Hypothese und eine übersehene Variable prüfen.
Monatlich: eigene Variablenliste aktualisieren.
10. Häufige Fehler
- Nur Input.
- Zu frühe völlige Freiheit.
- Erste Hypothese lieben.
- Recherchemenge mit Entscheidungsqualität verwechseln.
- Alles testen.
Nummer fünf wird mit wachsender Fähigkeit gefährlicher.
11. Was die Forschung trägt — und was nicht
Gut begründbar sind:
- Domäneninformationen für Anfänger,
- Worked Examples zu Beginn,
- partielle Hypothesen als Scaffolding,
- strukturierte Selbst-Erklärung von Fehlern,
- externe Standards,
- später echtes Problemlösen.[1][2][3][4][5][7]
Nicht belegt sind: 30+5 als universales Optimum, dieser Kalender als einzig richtiger Weg oder direkte 1:1-Übertragung von Studien mit Lernenden auf Junior-Mitarbeiter.
Forschung ist Karte, nicht Zauberrezept.
12. Ende: besser werden heißt nicht automatisch weniger Arbeit
Jahresanfang: „Mir fällt keine Kernfrage ein.“
Später: „Ich habe drei Hypothesen.“
Noch später: „Ich brauche zusätzliches Logging.“
Jahresende: „Ich habe zwölf Hypothesen, aber sieben würden die nächste Entscheidung nicht ändern, also verfolge ich sie nicht.“
Das ist echte Entwicklung.
Der Preis ist aber nicht zwingend Freizeit.
Glückwunsch. Jetzt sehen Sie Probleme, die vorher unsichtbar waren.
Messen. Implementieren. Testen. Beobachten. Analysieren. Neu hypothesieren.
Brrrrrrrr…
Die letzte Fähigkeit ist nicht, alles zu untersuchen.
Sondern zu entscheiden:
was jetzt noch nicht untersucht werden sollte.
Quellen (7)
- Kuang, L., et al. Journal of Research in Science Teaching doi.org
- Chen, O., et al. Educational Psychology, 2023 doi.org
- Kuang, L., et al. Journal of Computer Assisted Learning, 2020 doi.org
- Contemporary Educational Psychology, 2024 doi.org
- Janssen, N., & Lazonder, A. W. Educational Psychology Review, 2024 doi.org
- Value in Health, 2020 doi.org
- Zeitlhofer, I., & Zumbach, J. International Journal of Educational Research, 2026 doi.org
