Product-Market Fit erreichen: Ohne das Budget zu verbrennen

PMF wird wie ein Moodboard benutzt – dabei ist es am ehesten ein Muster aus Verhaltensdaten: Retention, die sich einpendelt, unaufgeforderte Weiterempfehlungen, eingehende Nachfrage, mit der man kaum Schritt hält. Ohne verlässliche Messung verwechseln Teams Launch-Buzz mit echter Nachfrage. Voraussetzung ist ein MVP, dem man vertrauen kann: Produktionsqualität und Validierung vor dem Bau.

Diese Unschärfe ist teuer. Sie bedeutet, dass Gründer oft nicht wissen, ob sie PMF haben oder nicht. Sie verwechseln frühe Begeisterung mit nachhaltiger Nachfrage. Sie interpretieren Stille als Bestätigung. Sie bauen weiter, wenn sie eigentlich mit Nutzern sprechen sollten – oder sprechen mit Nutzern, wenn sie eigentlich shippen sollten.

Eine konkretere Betrachtung hilft.

Was PMF wirklich ist

PMF ist kein Gefühl. Es ist ein Muster beobachtbarer Signale, das insgesamt darauf hindeutet, dass das Produkt Nachfrage aus dem Markt zieht – anstatt sich in ihn hineinzudrücken.

Marc Andreessens ursprüngliche Definition – «in einem guten Markt mit einem Produkt zu sein, das diesen Markt befriedigen kann» – ist korrekt, aber zu abstrakt, um handlungsleitend zu sein. Ein nützlicherer Rahmen: PMF existiert, wenn ein bedeutendes Segment von Nutzern ohne das Produkt wirklich schlechter dran wäre, es aktiv nutzt – und andere mitbringt.

Der «bedeutende Segment»-Teil ist wichtig. Man kann PMF in einem kleinen Segment haben und keinen PMF im breiteren Markt. Das ist anfangs sogar gut – enges PMF ist der Ausgangspunkt für fast jedes erfolgreiche Produkt. Der Fehler ist, breites PMF zu beanspruchen, bevor man es verdient hat, was dazu führt, zu früh zu skalieren ohne das Signal, das das rechtfertigen würde.

Die drei Signale, die echtes PMF anzeigen

Retention ist das primäre Signal. Wenn Nutzer akquiriert werden und ohne äusseren Anreiz zurückkommen – ohne Re-Engagement-Mails, Incentives oder Ankündigung eines neuen Features –, ist das bedeutsam. Retention-Kurven, die sich auf einem nennenswerten Prozentwert einpendeln, zeigen, dass ein echtes Segment das Produkt in sein Verhalten integriert hat. Kurven, die weiter gegen null abfallen, sagen, dass das Produkt keinen nachhaltigen Wert liefert.

Unaufgeforderte Weiterempfehlungen sind das zweite Signal. Wenn Nutzer anderen von dem Produkt erzählen, ohne gefragt zu werden – ohne Empfehlungsprogramm, ohne Prompt im Onboarding-Flow –, sagen sie etwas. Es bedeutet, dass das Produkt genug Wert geschaffen hat, dass Teilen natürlich wurde. Das ist etwas anderes, als wenn jemand empfiehlt, weil man darum gebeten hat oder weil ein Rabatt winkt.

Eingehende Nachfrage, mit der man kaum Schritt halten kann, ist das dritte Signal. Irgendwann im PMF-Prozess hört man auf, die gesamte Arbeit zu tun, um Nutzer hereinzubringen – und beginnt, den Strom von Menschen zu managen, die bereits entschieden haben, dass sie wollen, was man hat. Das bedeutet nicht, Marketing oder Sales einzustellen. Es bedeutet, dass diese Aktivitäten eine andere Qualität bekommen: sie verstärken etwas Echtes, anstatt Interesse herzustellen.

Diese drei Signale erscheinen nicht gleichzeitig. Typischerweise kommt zuerst Retention, dann Weiterempfehlungen, dann eingehender Druck. Wer starke Retention, aber nach vernünftiger Zeit keine Weiterempfehlungen hat, deutet das meistens auf eine Positionierungs- oder Netzwerkeffekt-Lücke hin – nicht auf eine Wertlücke im Produkt.

Sean Ellis’ Test und seine Grenzen

Sean Ellis’ Frage – «Wie enttäuscht wärst du, wenn dieses Produkt verschwände?» – wurde aus gutem Grund bekannt: einfach, richtungsweisend, und sie produziert eine Zahl, die man verfolgen kann. Der von ihm identifizierte Schwellenwert – 40 Prozent der Nutzer sagen «sehr enttäuscht» – ist eine vernünftige Heuristik für frühes PMF-Signal.

Der Test hat aber echte Grenzen. Erstens misst er Nutzer-Sentiment zu einem Zeitpunkt – das ist bestenfalls ein Leading Indicator. Menschen können sagen, sie wären sehr enttäuscht, und dann drei Monate nicht zurückkommen. Zweitens braucht er eine Nutzerbasis, die gross genug ist, um aussagekräftig zu sein – vor dem Launch oder in sehr frühen Phasen ist er deshalb kaum brauchbar. Drittens unterliegt er Selektionsbias: Die Nutzer, die auf eine Umfrage antworten, sind möglicherweise nicht repräsentativ für die gesamte Nutzerbasis.

Den Ellis-Test als einen Datenpunkt nutzen, nicht als Schlussfolgerung. Wenn 40 Prozent oder mehr der aktiven Nutzer «sehr enttäuscht» sagen, ist das ein starkes Signal. Wenn es 15 Prozent sind, sollte man nicht schlussfolgern, PMF verfehlt zu haben – sondern schauen, was an diesen 15 Prozent anders ist und ob sie ein engeres Segment repräsentieren, in das man doppelt investieren sollte.

Warum Gründer PMF an den falschen Orten suchen

Es gibt zwei häufige Fehlermuster.

Das erste ist, zu früh nach PMF zu suchen – bevor ein echtes Produkt vorhanden ist. Ein schöner Onboarding-Flow zeigt kein PMF. Gutes Design zeigt kein PMF. Ein Prototyp, der in User-Interviews Begeisterung erzeugt, zeigt kein PMF. PMF erfordert ein echtes Produkt mit echten Nutzern, die echte Entscheidungen treffen. Das bedeutet: Es lässt sich nicht beurteilen, bevor etwas gebaut und gelauncht wurde, das Menschen wirklich nutzen können – wiederholt, unter Bedingungen, die ihrer echten Nutzung ähneln.

Das zweite Fehlermuster ist, PMF zu breit zu suchen – über zu viele Segmente gleichzeitig. Wenn das Produkt kleine Restaurants, Enterprise-Gastrokonzerne und Lieferdienst-Plattformen bedient, findet man kein sauberes PMF-Signal über alle drei gleichzeitig. Segment-Retention verhält sich unterschiedlich, Empfehlungsmuster sind verschieden, und der «Job to be done» ist oft nicht derselbe. Gründer, die breites PMF über mehrere Segmente jagen, landen bei unklaren Daten, die nichts Nützliches sagen.

Die nötige Disziplin: Das Segment mit dem stärksten Frühsignal auswählen und tief einzutauchen. Wer in einem Segment enges PMF hat, kann anfangen zu fragen, ob benachbarte Segmente zugänglich sind.

Wie man systematisch auf PMF zusteuert

Es gibt keine Abkürzung. Aber es gibt einen Prozess, der die Suche effizienter macht.

Mit einer engen Segment-Hypothese beginnen. Nicht «KMUs», sondern «operationsfokussierte Gründer in zwei-bis-zehn-Personen-SaaS-Unternehmen, die ihre erste Einstellung managen». Je enger die Hypothese, desto interpretierbarer die Daten, wenn sie zurückkommen.

Die kleinste Version des Produkts bauen, die die zentrale Wert-Hypothese testet. Das ist nicht dasselbe wie das kleinste Produkt, das man shippen kann – es ist das Kleinste, das das Erlebnis erzeugt, von dem man wettet, dass es Retention und Weiterempfehlungen generiert. Ein zu feature-spartes Produkt erzeugt das Signal nicht – nicht weil die Wert-Hypothese falsch ist, sondern weil Nutzer keinen Weg zum Wert finden.

Gezielt für das Zielsegment launchen – nicht für das eigene Netzwerk, nicht für eine allgemeine ProductHunt-Zielgruppe. Die Daten aus einem allgemeinen Launch sind viel schwerer zu interpretieren, weil unklar bleibt, welchem Sub-Segment die engagierten Nutzer angehören.

Retention in sinnvollen Zeitintervallen messen. Was «sinnvoll» bedeutet, hängt von der natürlichen Nutzungsfrequenz ab – täglich für ein Kommunikationstool, wöchentlich für ein Planungstool, monatlich für ein Reporting-Tool. Retention nicht in Intervallen messen, die nicht zur natürlichen Nutzungsweise passen.

Mit retained Nutzern und mit abgesprungenen Nutzern sprechen. Die retained Nutzer erzählen, was funktioniert und warum. Die abgesprungenen zeigen, wo die Lücke zwischen Versprechen und Realität liegt. Beide Gespräche sind essenziell – und die meisten Gründer investieren zu viel in das erste und zu wenig in das zweite.

Am Segment iterieren, nicht nur am Produkt. Wenn Daten konstant schwache Retention zeigen, ist der Instinkt meist, Features hinzuzufügen. Aber das Problem ist oft, dass die falschen Menschen angesprochen werden – Menschen, für die das Problem nicht akut genug ist oder für die die bestehende Lösung nicht schlecht genug ist, um echte Wechselmotivation zu schaffen. Das Zielsegment neu zu definieren ist oft produktiver als ein weiteres Feature zu bauen.

PMF und das MVP

Das MVP ist ein Werkzeug, um PMF zu finden – das ist seine Aufgabe. Viele Gründer behandeln das MVP als Ziel, als etwas, das man abschliesst, launcht und übergibt. Aber das MVP ist nicht fertig, wenn es launcht. Es ist fertig, wenn es ein klares PMF-Signal produziert: entweder bestätigt, dass ein echtes Segment echten Wert darin gefunden hat, oder diese Hypothese klar genug widerlegt, dass man weitergehen kann.

Deshalb spielt Produktionsqualität bei der MVP-Entwicklung eine Rolle. Ein Prototyp, der unter echten Nutzungsbedingungen zusammenbricht, kann keine echten Retention-Daten liefern. Eine Landing Page ohne funktionierendes Produkt kann nicht zeigen, ob Menschen zurückkommen. Die Qualitätsschwelle für PMF-Forschung ist höher, als die meisten Gründer erwarten – weil das Signal, das gesucht wird, echte Bedingungen erfordert, keine simulierten.

Das ist auch der Grund, warum der Weg vom MVP zum PMF fast immer länger dauert, als geplant. Bauen braucht Zeit. Distribution braucht Zeit. Retention-Daten brauchen per Definition Zeit zum Akkumulieren. Wer drei Monate budgetiert, um PMF zu finden, trifft Entscheidungen auf Basis von vier Wochen Retention-Daten – das ist fast nie genug.

Mehr Zeit budgetieren als nötig erscheint. Solvent genug bleiben, um zu iterieren, wenn die erste Version das Signal nicht produziert. Und jeden Datenpunkt – positiv oder negativ – als nützliche Information darüber behandeln, wo der echte Wert liegt.

PMF ohne Raten

Wer Retention- und Akquisitionsdaten braucht, denen man in einer Seed-Runde oder einem Scale-Schritt vertrauen kann: Discovery Call. Wir prüfen, ob unser 12-Wochen-Sprint die Lücke zwischen MVP und belastbarem PMF-Signal schliesst.