Wie wertet man offene Antworten aus einer Mieterbefragung aus?

Nicht durch Zusammenfassen, sondern durch Codieren: Jede Antwort bekommt einen Themencode aus einem festen Kategorienschema, dazu eine Sentiment-Einstufung. Beides wird als neue Variable im Datensatz gespeichert und lässt sich anschließend wie jedes andere Merkmal auszählen, filtern und kreuztabellieren – etwa Thema gegen Wohnanlage oder gegen Wohndauer. Eine KI kann diese Codierung übernehmen, die früher Personentage an Handarbeit gekostet hat.

Warum reicht eine KI-Zusammenfassung der Kommentare nicht aus?

Weil eine Zusammenfassung ein Text ist und keine Daten. Sie lässt sich nicht filtern, nicht kreuztabellieren und nicht mit der Vorwelle vergleichen. Die entscheidende Frage – betrifft ein Thema alle Bestände oder vor allem einen bestimmten? – bleibt unbeantwortet. Ein Thema mit 7 % der Nennungen im Gesamtbestand kann in einer einzelnen Wohnanlage bei 22 % liegen; im ersten Fall ist es ein Ärgernis, im zweiten ein Auftrag.

Wie bleiben mehrere Befragungswellen vergleichbar?

Indem man der KI eine eigene Themenliste vorgibt, statt sie die Kategorien selbst finden zu lassen. Am besten eignet sich der Maßnahmenkatalog, mit dem das Bestandsmanagement ohnehin arbeitet. Codiert die KI in jeder Welle auf dasselbe Raster, sind die Anteile direkt vergleichbar. Ohne feste Liste erfindet sie beim nächsten Mal neue Kategorien und die Zeitreihe ist nicht mehr auswertbar.

Regelbasierte Codierung oder KI-Codierung: was ist besser?

Regelbasierte Codierung arbeitet mit einer Stichwortliste und scheitert an Schreibvarianten und Tippfehlern. Hausflur, Flur, Treppe und Aufgang meinen dasselbe, lösen aber keine Regel aus, die auf „Treppenhaus“ wartet, und ein vertippter Begriff ebenfalls nicht. Ein Sprachmodell erkennt die Bedeutung auch ohne das Stichwort. Die Kategorien gibt weiterhin ein Mensch vor, und eine Stichprobe von 50 bis 100 Antworten zeigt, ob die Zuordnung trägt.

Wie prüft man, ob die KI-Codierung stimmt?

Mit einer Stichprobe: 50 bis 100 codierte Antworten ziehen und mit der zugewiesenen Kategorie daneben lesen. Das dauert etwa eine halbe Stunde. Zusätzlich ist die Größe der Restkategorie ein guter Indikator – bleibt sie klein, passt das Schema; wächst sie auf 15 bis 20 Prozent, fehlt eine Kategorie. Typische Schwachstellen sind Ironie und Antworten, die mehrere Themen in einem Satz nennen.

Ist die KI-Auswertung offener Antworten datenschutzkonform?

Freitextfelder sind der heikelste Teil einer Befragung, weil Antworten wie „der Nachbar im dritten Stock“ faktisch personenbeziehbar sind, auch bei anonymer Erhebung. Für die Codierung gehen diese Texte an ein Sprachmodell – welches das ist, sollte bewusst entschieden werden. In DataLion hinterlegt jeder Workspace sein eigenes KI-Modell samt Endpunkt, sodass ein selbst betriebenes oder EU-gehostetes Modell möglich ist. Für die Veröffentlichung sollte man mit den codierten Variablen arbeiten statt mit wörtlichen Zitaten.

Gilt das nur für Mieterbefragungen?

Nein. Die Mieterbefragung ist hier nur das Beispiel, weil dort besonders viel Freitext anfällt. Codieren statt Zusammenfassen funktioniert bei jeder Befragung mit offener Frage – Mitarbeiter-, Kunden-, Mitglieder- oder Gästebefragung. Es ändern sich nur die Kreuzungsdimensionen: statt Wohnanlage und Wohndauer eben Abteilung und Betriebszugehörigkeit oder Filiale und Kundensegment.

Lassen sich auch importierte Altdaten mit KI codieren?

Ja. Die Codierung hängt nicht daran, wo die Daten erhoben wurden: Jede offene Textspalte im Datensatz lässt sich nach Thema und Sentiment codieren – auch die abgetippten Papierbögen der letzten Befragung oder der Export aus dem Vorgängertool. Die abgeleiteten Variablen landen anschließend genauso im Codebuch wie bei einer selbst erhobenen Welle. Wenn Sie der KI dabei dieselbe Themenliste vorgeben, sind Altdaten und neue Welle direkt vergleichbar.

Mieterbefragung: offene Antworten mit KI auswerten

In fast jeder Mieterbefragung steht am Ende dieselbe Frage: „Was sollten wir in Ihrer Wohnanlage als Erstes verbessern?" Sie ist die ergiebigste Frage im ganzen Bogen, und die einzige, bei der die Mieter selbst bestimmen, worüber gesprochen wird. Bei 5.000 angeschriebenen Haushalten und einer ordentlichen Rücklaufquote kommen dort schnell mehrere tausend Kommentare zusammen.

Und dann passiert damit: wenig. Im Bericht steht ein Kasten mit acht ausgewählten Zitaten, danach geht es weiter mit den Mittelwerten. Der Grund ist selten Desinteresse. Codieren von Freitext ist Handarbeit: Jemand muss jeden Kommentar lesen und einer Kategorie zuordnen, und bei 4.000 Kommentaren sind das mehrere Personentage.

Diese Handarbeit übernimmt heute eine KI. Wie man sie einsetzt, entscheidet allerdings darüber, ob am Ende ein Text herauskommt oder Daten. Der naheliegende Weg liefert den Text.

Das Beispiel in diesem Text ist eine Mieterbefragung, weil dort besonders viel Freitext zusammenkommt. Das Verfahren selbst hat mit Wohnungswirtschaft nichts zu tun: Es gilt genauso für die offene Frage am Ende einer Mitarbeiter-, Kunden-, Mitglieder- oder Gästebefragung. Wo im Folgenden „Wohnanlage" steht, lesen Sie Standort, Abteilung, Filiale oder Kundensegment.

Der Fehler: offene Antworten von der KI zusammenfassen lassen

Der erste Reflex ist, alle Kommentare in ein Chatfenster zu kippen und um eine Zusammenfassung zu bitten. Man bekommt dann fünf gut formulierte Absätze: Die Mieter wünschen sich sauberere Treppenhäuser, ärgern sich über die Parkplatzsituation, loben die Freundlichkeit des Teams.

Das ist nicht falsch. Es ist nur wertlos, sobald jemand nachfragt.

Denn eine Zusammenfassung ist ein Text. Man kann sie nicht filtern, nicht kreuztabellieren und nicht mit der Vorwelle vergleichen. Die Frage „Betrifft das Treppenhaus-Thema alle Bestände oder vor allem den Nordring?" lässt sich daraus nicht beantworten. Dabei hängt die Entscheidung genau an dieser Frage. Ein Thema, das über den gesamten Bestand hinweg 7 % der Nennungen ausmacht, kann in einer einzelnen Wohnanlage bei 22 % liegen. Im ersten Fall ist es ein Ärgernis, im zweiten ein konkreter Auftrag an das Objektmanagement.

Dazu kommt: Die nächste Zusammenfassung in zwei Jahren wird andere Worte wählen. Zwei Zusammenfassungen lassen sich nicht gegeneinander rechnen.

Offene Antworten codieren statt zusammenfassen

Die klassische Marktforschung kennt für offene Antworten kein „Zusammenfassen", sondern das Codieren: Jede Antwort bekommt einen Code aus einem festen Kategorienschema. Aus Freitext wird eine Variable, und Variablen kann man auszählen, filtern, kreuzen und über Wellen hinweg vergleichen.

Das lässt sich einer KI übertragen. In DataLion erzeugt die Textanalyse für offene Nennungen aus einer offenen Frage drei neue Variablen im Datensatz:

Thema – die inhaltliche Kategorie der Antwort
Sentiment – die Tonlage, standardmäßig dreistufig (negativ / neutral / positiv)
Sentiment-Score – dieselbe Tonlage als Zahl, damit sich Mittelwerte bilden lassen

Diese drei stehen anschließend ganz normal im Codebuch, mit Werte-Labels und allem, was dazugehört. Der Unterschied zur Zusammenfassung: Das Ergebnis ist kein Text über die Daten, sondern Teil der Daten.

Von Hand, per Regel, per KI: drei Wege, Freitext zu codieren

Codieren ist eine alte Disziplin der Marktforschung. Verändert hat sich, wer die Zuordnung übernimmt.

Von Hand. Ein Codierer liest jede Antwort und vergibt einen Code aus dem Kategorienschema. Qualitativ ist das bis heute der Maßstab: Ein geübter Mensch versteht Ironie, hält Bezüge über zwei Sätze zusammen und merkt, wenn jemand über etwas anderes redet als über die Frage. Bezahlt wird es in Personentagen, und deshalb bleibt es bei großen Befragungen meistens ungetan.

Per Regel. Der schnelle Ausweg ist eine Stichwortliste: Wer „Treppenhaus" schreibt, bekommt den Code Treppenhausreinigung. Das läuft in Sekunden und scheitert an der Sprache. Mieter schreiben Hausflur, Flur, Treppe, Aufgang. Sie schreiben Trepenhaus und Treppenhuas. Für denselben Ort schreiben sie Müllhäuschen, Containerplatz und Tonnenstellplatz. Jede Schreibweise, an die niemand gedacht hat, landet in der Restkategorie, und jeder Tippfehler ebenfalls. Wer das Wörterbuch so lange nachpflegt, bis die Trefferquote stimmt, hat es zur nächsten Welle verändert, und die Zeitreihe wackelt aus einem neuen Grund.

Per KI mit menschlicher Vorgabe. Ein Sprachmodell braucht die Stichwortliste nicht. Es liest „im Aufgang riecht es seit Wochen" und legt die Antwort auf die Treppenhausreinigung, obwohl das Wort nirgends steht. Tippfehler stören es nicht. Was ihm fehlt, ist Ihr Kategorienschema. Damit verschiebt sich die Arbeitsteilung: Der Mensch legt die Kategorien fest und liest eine Stichprobe gegen, die Maschine macht die Zuordnung. Ohne die menschliche Hälfte wird aus der Codierung schnell wieder Text.

Mit eigenem Kategorienschema codieren, damit die Wellen vergleichbar bleiben

Wenn man die KI machen lässt, findet sie ihre Kategorien selbst. Das ist für eine erste Sondierung nützlich und ein Problem, sobald die zweite Welle ansteht. Denn beim nächsten Mal denkt sie sich wieder neue aus. Aus „Treppenhausreinigung" wird „Sauberkeit der Gemeinschaftsflächen", und schon ist die Zeitreihe kaputt.

Dagegen hilft eine unscheinbare Einstellung in der Textanalyse: Sie können eine eigene Themenliste vorgeben. Dann verzichtet die KI auf ihre eigene Kategoriensuche und codiert ausschließlich auf Ihr Raster.

Und dieses Raster haben Sie schon. Es ist der Maßnahmenkatalog, mit dem Ihr Bestandsmanagement ohnehin arbeitet:

Treppenhausreinigung · Heizung und Energiekosten · Parken · Lärm und Nachbarschaft · Erreichbarkeit und Bearbeitungsdauer · Außenanlagen und Grün · Abrechnung und Kommunikation · Lob

Codiert man auf diese Liste, fällt das Ergebnis direkt in die Zuständigkeiten Ihres Hauses, und die nächste Welle ist ohne Zusatzarbeit vergleichbar. Was nirgends hineinpasst, landet in einer Restkategorie; deren Größe ist ein gutes Warnsignal. Bleibt sie klein, passt Ihr Schema. Wächst sie auf 15 oder 20 %, redet Ihre Mieterschaft über etwas, wofür Sie noch keine Schublade haben. Das ist selten eine unwichtige Information.

Themen kreuztabellieren: nach Wohnanlage, Wohndauer und Welle

Ab hier hört die KI-Arbeit auf und die Auswertung fängt an. Weil Thema und Stimmung normale Merkmale sind, gilt für sie in Kreuztabellen alles, was für „Altersgruppe" auch gilt:

Thema × Wohnanlage. Die Rangfolge der Themen je Bestand. Hier zeigt sich, ob ein Thema ein Grundrauschen ist oder ein lokales Problem. An dieser Unterscheidung hängt, ob investiert wird.
Thema × Wohndauer. Neuzugezogene nennen fast immer andere Dinge als Mieter, die seit dreißig Jahren da sind. Wer nur den Gesamtwert liest, hört vor allem die Gruppe, die mehr schreibt.
Sentiment-Score je Bestand. Ein Mittelwert je Wohnanlage, als Ergänzung zur Zufriedenheitsskala. Er misst, wie Leute reden, wenn sie frei formulieren dürfen.
Thema × Welle. Ist der Anteil der Heizungs-Nennungen nach der Sanierung gesunken? Bei stabilem Schema ist das eine Zahl statt einer Einschätzung.

Diese vier Kreuzungen sind das Muster, das sich übertragen lässt: Thema × Organisationseinheit, Thema × Zugehörigkeitsdauer, Sentiment-Score je Einheit, Thema × Welle. In einer Mitarbeiterbefragung heißt die erste Dimension Abteilung, im Handel Filiale, in einer Kundenbefragung Segment. Die Auswertung bleibt Zeile für Zeile dieselbe.

Der praktische Effekt: Die offene Frage wandert aus dem Anhang in den Auswertungsteil des Berichts.

Ein fertiges Beispiel dafür liegt öffentlich: Im Beispiel-Dashboard einer Mieterbefragung stehen die kodierten Kommentare neben den Skalenfragen, und die Filterleiste zerlegt sie nach Quartier und Wohndauer. Die Daten darin sind simuliert.

Grenzen der KI-Codierung und wie Sie die Qualität prüfen

Automatische Codierung ist gut, nicht unfehlbar. Drei Dinge sollten Sie einplanen:

Ironie und Understatement. „Die Heizung funktioniert hervorragend, wenn man Pullover mag" ist für ein Sprachmodell eine harte Nuss. Solche Fälle sind selten, aber sie existieren.

Mehrthemige Antworten. Viele Kommentare nennen zwei oder drei Dinge in einem Satz. Die Codierung entscheidet sich für ein Hauptthema; das ist vertretbar, verschiebt aber die Anteile leicht zugunsten dessen, was Mieter zuerst nennen.

Die Restkategorie. Ihre Größe ist die beste Qualitätskennzahl, die Sie haben.

Die Gegenmaßnahme ist banal: Ziehen Sie 50 bis 100 codierte Antworten und lesen Sie sie mit der zugewiesenen Kategorie daneben. Das dauert eine halbe Stunde und sagt Ihnen zuverlässiger als jede Genauigkeitsangabe, ob Sie dem Ergebnis trauen können. Damit im Bericht sichtbar bleibt, was aus der Maschine kommt, kennzeichnet DataLion die abgeleiteten Merkmale mit dem Zusatz „(AI-classified)".

Datenschutz und DSGVO: Freitext ist der heikelste Teil der Befragung

Für die Wohnungswirtschaft ist dieser Punkt nicht akademisch. Geschlossene Fragen sind harmlos; im Freitextfeld schreiben Menschen aber Dinge wie „der Nachbar im dritten Stock links stellt seit Monaten…". Solche Antworten sind faktisch personenbeziehbar, auch wenn die Befragung anonym erhoben wurde.

Daraus folgen zwei Dinge. Erstens: Für die Codierung verlassen diese Texte Ihr System und gehen an ein Sprachmodell. Welches das ist, sollten Sie bewusst entscheiden. In DataLion hinterlegt jeder Workspace sein eigenes KI-Modell samt Endpunkt, sodass ein selbst betriebenes oder EU-seitig gehostetes Modell möglich ist statt eines beliebigen Anbieters. Zweitens: Für die Veröffentlichung sollten Sie mit den codierten Variablen arbeiten, nicht mit Zitatstrecken. Themenanteile lassen sich gefahrlos in der Mitgliederzeitschrift abdrucken, wörtliche Zitate über den Nachbarn im dritten Stock nicht.

Excel, CSV, SPSS oder Papier: jede offene Textspalte lässt sich codieren

Codiert wird jede offene Textspalte im Datensatz – gleich, ob die Antworten in DataLion erhoben oder als Excel-, CSV- oder SPSS-Datei importiert wurden, ob es hundert Kommentare sind oder zehntausend, ob sie aus der laufenden Welle stammen oder aus dem Archiv, das Ihnen ein Institut vor Jahren geliefert hat. Auch die abgetippten Papierbögen der letzten Befragung lassen sich nachträglich codieren. Geben Sie beide Male dieselbe Themenliste vor, sind Altbestand und neue Welle unmittelbar vergleichbar.

Offene Antworten auswerten: die vier Schritte

Themenliste festlegen, bevor die Befragung startet. Nehmen Sie den Maßnahmenkatalog Ihres Bestandsmanagements statt einer eigens erfundenen Systematik; acht bis zwölf Kategorien reichen.
Die Vergleichsdimension mitführen, hier die Wohnanlage. Ein QR-Code je Bestand, ein gemeinsamer Datensatz. In anderen Befragungen ist es der Standort, die Abteilung oder die Filiale. Ohne diese Dimension bleibt die Themenauswertung ein Gesamtwert, und der löst nichts aus.
Codieren lassen und stichprobenartig prüfen. 50 bis 100 Antworten gegenlesen, Restkategorie im Blick behalten.
Kreuzen, nicht zusammenfassen. Thema gegen Bestand, gegen Wohndauer, gegen Welle. Erst hier entsteht der Erkenntnisgewinn, für den Sie die offene Frage überhaupt gestellt haben.

Die eingesparte Zeit ist angenehm, wiegt aber am wenigsten. Mehr zählt, dass die offene Frage aufhört, ein Zitatkasten zu sein. Sie wird eine Auswertung wie jede andere Frage im Bogen.

Offene Antworten aus der Mieterbefragung: codieren statt zusammenfassen