Outcome‑Driven Innovation (ODI)
« Back to Glossary Index
Kurzdefinition
Outcome‑Driven Innovation (ODI) ist eine kundenzentrierte Innovationsmethode, die auf Jobs‑to‑be‑Done (JTBD) aufbaut. Sie ersetzt Feature‑Ideen durch **klar definierte, messbare Kund:innen‑Ergebnisse („Desired Outcomes“) **und nutzt strukturierte Outcome‑Statements sowie Opportunity‑Scores, um Marktchancen systematisch zu identifizieren, zu priorisieren und mit höherer Trefferquote zu adressieren. Der Ansatz wurde maßgeblich von Tony Ulwick/Strategyn geprägt.
Zweck & Nutzen
- Risikoarme Innovation: Reduziert Fehlinvestitionen, indem Bedürfnisse vor Lösungen quantifiziert werden.
- Präzise Priorisierung: Lenkt Ressourcen auf unterbediente Outcomes mit hohem Potenzial.
- Gemeinsame Sprache: Verbindet Produkt, Forschung, Design und Tech über messbare Kunden‑Ergebnisse.
- Planbare Pipeline: Liefert eine nachvollziehbare Roadmap von Chancen → Anforderungen → Konzepte → Tests.
Kernprinzipien
- Jobs‑to‑be‑Done als Anker
Menschen „kaufen“ nicht Produkte, sondern Fortschritt bei einem Job (z. B. „eine Finanzentscheidung sicher treffen“). - Desired Outcomes sind messbare Kriterien
Ergebnisse, nach denen Kund:innen den Erfolg bei einem Job bewerten (Zeit, Genauigkeit, Risiko, Aufwand etc.). - Outcome‑Statements sind lösungsneutral & präzise
Typischer Aufbau: „Minimieren der Zeit, um [Schritt] unter [Bedingung] zu [erreichen].“
oder
„Erhöhen der Wahrscheinlichkeit, dass [Ergebnis] beim [Job‑Schritt] eintritt.“ - Quantifizierung über Wichtigkeit & Zufriedenheit
Für jedes Outcome werden Importance (Wichtigkeit) und Satisfaction (Zufriedenheit) erhoben → Lücken zeigen Chancen. - Opportunity‑Scoring als Priorisierung
Unterbediente Outcomes (hoch wichtig, niedrig zufrieden) sind primäre Innovationsfelder.
ODI‑Prozess (in 6 Schritten)
- Job definieren & abgrenzen
Primärer Job, Job‑Steps, Kontext, Constraints klären; „Switching“‑Momente verstehen. - Outcome‑Universe erheben
Outcome‑Statements durch qualitative Research (Interviews/Beobachtungen) generieren; validieren & deduplizieren. - Quantitative Messung
Importance & Satisfaction pro Outcome (z. B. 1–10‑Skalen) großzahlig erfassen; Zielsegmente differenzieren. - Opportunity‑Analyse
Unter‑/überbediente Outcomes identifizieren; Segmente mit abweichenden Lücken erkennen (Segment Discovery). - Konzeptentwicklung
Lösungsoptionen entwickeln, die konkret die Top‑Outcomes verbessern; Anforderungen & Akzeptanzkriterien ableiten. - Testen & Iterieren
Prototypen/Experimente gegen Outcome‑Metriken prüfen; Lernschleifen und Portfolio‑Adjustments.
Messlogik & Formeln (kompakt)
- Eingaben:
- Importance (I): Wie wichtig ist das Outcome? (z. B. 1–10)
- Satisfaction (S): Wie gut ist es heute erfüllt? (z. B. 1–10)
- Opportunity‑Score (eine gängige Heuristik):Opportunity=I+max(I−S,0) Interpretation:
- Hoch → unterbedient (große Lücke, hohe Wichtigkeit) → priorisieren.
- Niedrig → überbedient oder unwichtig → vermeiden bzw. kostensensitiv verbessern.
(Hinweis: Es existieren Varianten und Normalisierungen; wichtig ist die relative Rangfolge und Segment‑Spezifik.)
Beispiel (vereinfacht)
- Job: „Eine Steuererklärung korrekt und ohne Stress einreichen.“
- Outcome‑Statements (Auszug):
- O1: Minimieren der Zeit, um alle relevanten Belege zusammenzustellen.
- O2: Erhöhen der Wahrscheinlichkeit, dass Abzüge korrekt erkannt werden.
- O3: Minimieren der Unsicherheit über den Status der Einreichung.
- Survey‑Ergebnis (hypothetisch):
- O2 hat I=9, S=4 → hoher Opportunity‑Score → Top‑Chancenfeld.
- Lösungsansätze (abgeleitet aus Outcomes):
- Automatische Belegerkennung & Vorschläge für Abzüge, erklärende Sicherheitshinweise, Status‑Tracker.
- Erfolgsmessung:
- Zeit bis zur Einreichung ↓, Fehlerrate ↓, wahrgenommene Sicherheit ↑ — jeweils je Outcome gemessen.
Best Practices
- Outcomes lösungsneutral formulieren (keine UI/Feature‑Wörter).
- Vollständiges Outcome‑Universe abbilden (nicht nur die lautesten Needs).
- Segmentierte Analysen (Neukund:innen vs. Pros, Branchen, Kontexte) – Chancen sind oft segment‑spezifisch.
- Triangulation: Qualitative Einsichten → quantitative Validierung → experimentelle Verifikation.
- Traceability: Jede Anforderung/Lösung zeigt auf welches Outcome sie einzahlt und wie es gemessen wird.
Häufige Fehler
- Outcome ≠ Wunsch‑Feature: Outcomes sind Kriterien, keine Lösungen.
- Nur Durchschnittswerte betrachten → Segmente mit großen Lücken übersehen.
- Kleine, voreingenommene Stichproben → falsche Prioritäten.
- „Einmal & fertig“ statt Living Model: Märkte und Kontexte ändern sich.
- Erfolg ohne Outcome‑KPIs messen (nur Output‑Metriken).
Abgrenzung & verwandte Konzepte
- JTBD: Fundament; ODI ist die quantifizierte JTBD‑Anwendung.
- Kano‑Modell: Ergänzend (Basis/Leistungs/Begeisterungsmerkmale); ODI fokussiert auf messbare Outcome‑Lücken.
- NPS/CSAT: Zufriedenheits‑Indikatoren; ODI zeigt wo Zufriedenheit verbessert werden muss.
- Design Thinking / Lean Startup: Gute Generierung/Validierung von Lösungen; ODI liefert präzise Zielfelder.
- Opportunity Solution Tree (OST): OST visualisiert Outcome → Opportunities → Lösungen; ODI liefert die Datenbasis (Outcome‑Priorisierung) für den Baum.
Merksatz
ODI richtet Innovation an messbaren Kund:innen‑Ergebnissen aus, quantifiziert Chancenlücken und priorisiert dort, wo Wichtigkeit hoch und Zufriedenheit niedrig ist.
Mini‑Template (für den schnellen Start)
Job-to-be-Done:
- Primärer Job:
- Kontext/Bedingungen:
Outcome-Statements (lösungsneutral):
- O1:
- O2:
- O3:
[... vollständiges Outcome-Universum]
Quantifizierung:
- Skala: Importance (1–10), Satisfaction (1–10)
- Stichprobe: Größe, Segmente
Auswertung:
- Opportunity-Score je Outcome (I + max(I - S, 0))
- Top-Chancen je Segment:
- Segment A: O2, O5, O1
- Segment B: O3, O7
Ideen & Anforderungen:
- Lösungshypothese → adressierte Outcomes:
- Akzeptanzkriterien (Outcome-KPIs):
Experimente:
- Testdesign, Metriken, Schwellenwerte, Entscheidungsregeln
``