Warum Methodenkompetenz weit über die Forschung hinaus wichtig ist

Florian Kraus über seine Open-Science-Erfahrungen

Sie forschen zu Verhalten und Performance im Kundenkontakt. Dabei arbeiten Sie, wie man sich leicht vorstellen kann, mit Unternehmensdaten, sensiblen Personaldaten und Informationen von Kooperationspartnern. Wo sehen Sie in diesem Bereich die größten Grenzen von Open Science und wo zugleich ihre Chancen?

FK: In meiner Forschung, insbesondere zum Verhalten von Vertriebsmitarbeitenden, arbeite ich tatsächlich häufig mit sehr sensiblen Daten, etwa mit Leistungskennzahlen, Vergütungssystemen oder anderen personenbezogenen Informationen. Die zentrale Grenze liegt daher auf der Hand. Vollständige Offenheit ist in solchen Kontexten schlicht nicht möglich. Gerade darin kann aber auch eine Chance liegen. Open Science zwingt uns, ein bisschen kreativer zu werden, etwa durch synthetische Datensätze, die sich inzwischen mit neuen technischen Möglichkeiten generieren lassen. Dann haben wir dadurch eine sehr detaillierte Dokumentation der Datengrundlage oder über eine nachvollziehbare Offenlegung der Modellierungsschritte, ohne dabei die Rohdaten selbst zugänglich machen zu müssen. In der Folge kann Open Science die Qualität der Forschung in solchen Kontexten sogar erhöhen, weil sie zu größerer methodischer Klarheit und Transparenz zwingt.

Können Sie kurz erläutern, was Sie mit synthetischen Datensätzen auf Basis generativer KI meinen?

FK: Gemeint ist, vereinfacht gesagt, ein datenbasierter digitaler Zwilling, beispielsweise von einem Vertriebsmitarbeiter. Wenn zu einer Person oder zu einer Kundengruppe bereits ausreichende Informationen vorliegen, kann man ein generatives Modell lokal mit diesen Daten arbeiten lassen, ohne die sensiblen Trainingsdaten nach außen zu geben. Auf dieser Grundlage lassen sich dann synthetische Daten erzeugen, die typische Muster, Reaktionen oder Verhaltensweisen beispielsweise dieses Vertriebsmitarbeiters realitätsnah abbilden, ohne mit den ursprünglichen Rohdaten identisch zu sein. Solche Ansätze werden inzwischen auch in der Marktforschung erprobt. Dort geht es etwa darum, generative Modelle auf Basis vorhandener Kundendaten so zu trainieren, dass sie typische Kundenreaktionen simulieren können. Die daraus entstehenden synthetischen Datensätze können dann für Analysen oder zur Veranschaulichung genutzt werden, ohne dass direkt mit den sensiblen Originaldaten gearbeitet werden muss.

Ist die Marketingforschung aus Ihrer Sicht offen genug mit Blick auf Daten, Materialien und Analysewege? Und wo liegen weiterhin die typischen strukturellen Hürden?

FK: Es gibt Fortschritte, gerade im experimentellen Bereich, aber die strukturellen Hürden sind weiterhin erheblich. Ein zentrales Problem sind nach wie vor die Publikationsanreize. Noch immer ist das System stark darauf ausgerichtet, signifikante Ergebnisse zu belohnen. Dabei können gerade auch nicht signifikante Befunde wissenschaftlich aufschlussreich sein, etwa dann, wenn eine plausible Erwartung gerade nicht bestätigt wird. Obwohl das in der Sache weitgehend unstrittig ist, ist der Anreiz eher Signifikanz statt Transparenz. Eine weitere Hürde ist die fehlende Standardisierung. Jedes Journal geht mit Open Science etwas anders um, auch im Marketing. Das ist kein exklusives Problem dieses Fachs, aber es erschwert die Orientierung und die konsistente Umsetzung. Hinzu kommt, dass wir in vielen Bereichen der Marketingforschung stark auf proprietäre Daten angewiesen sind. Gerade in der BWL und besonders im Marketing und Vertrieb entstehen viele interessante Forschungsfragen in Kooperation mit Unternehmen. Die dafür relevanten Daten stammen dann häufig direkt aus der Datenschatzschatulle der Unternehmen und lassen sich nicht ohne Weiteres veröffentlichen. Das ist auch nachvollziehbar. Wenn Unternehmen ihre Daten für Forschungszwecke öffnen, erwarten sie zu Recht, dass sensible Informationen, etwa zu Kund:innen oder internen Prozessen, vertraulich behandelt werden. Insofern ist die Marketingforschung beim Thema Open Science durchaus in Bewegung, aber sie bewegt sich unter Bedingungen, die Offenheit nicht immer einfach machen.

Wie gehen Sie persönlich mit dem Thema Vertraulichkeit um? Stehen für Sie die Interessen der Unternehmen im Vordergrund, weil Sie sonst gar keinen Zugang zu den Daten bekämen? Oder haben Sie kreative Wege gefunden, Offenheit und Vertraulichkeit besser zusammenzubringen?

FK: Ich würde sagen, Open Science ist in solchen Kontexten realistisch, aber nicht in ihrer maximalen Ausprägung. Gerade wenn man eng mit Unternehmen zusammenarbeitet und auf proprietäre Daten angewiesen ist, ist Offenheit keine binäre Frage, sondern eine graduelle. In vielen B2B-Projekten ist eine vollständige Freigabe der Rohdaten oft nicht möglich. Wohl aber lassen sich andere Formen von Transparenz schaffen, etwa durch eine sehr genaue Dokumentation des methodischen Vorgehens, durch die Offenlegung von Auswahlentscheidungen und Analyseschritten oder durch die Bereitstellung des Codes. Auch anonymisierte oder teilweise freigegebene Variablen können unter Umständen zugänglich gemacht werden. Auf einer Skala von 1 bis 10, kann ich es zumindest bis zur 9,5 pushen. Entscheidend ist aus meiner Sicht, diese Fragen möglichst früh zu klären, idealerweise bereits bei der Konzeption des Projekts. Wenn von Anfang an mit dem Unternehmen vereinbart wird, welche Formen der Nutzung, Anonymisierung und Veröffentlichung möglich sind, lässt sich oft deutlich mehr Transparenz herstellen, als man zunächst vermuten würde. Mein Ansatz ist deshalb, so viel Offenheit wie möglich zu versuchen, ohne berechtigte Vertraulichkeitsinteressen zu verletzen. In solchen Projekten geht es meist weniger um ein Alles-oder-nichts als um eine gut austarierte Form von Transparenz.

Haben Sie konkrete Hinweise für Forschende, die mit Unternehmen kooperieren? Was würden Sie jemandem raten, der in solchen Verhandlungen noch wenig Erfahrung hat, aber zumindest Methoden, Fragebögen oder andere unkritische Materialien transparent machen möchte?

FK: Mein erster Rat wäre, das Thema früh und offen anzusprechen. Man sollte deutlich machen, dass die Daten nicht nur für die interne Analyse gebraucht werden, sondern Teil wissenschaftlicher Arbeit sind, also für Publikationen, für Dissertationsprojekte und für die Nachvollziehbarkeit der Forschung insgesamt. Je klarer auf beiden Seiten ist, wofür die Daten genutzt werden und welche Formen von Transparenz wissenschaftlich sinnvoll sind, desto besser. Wichtig ist dabei auch, Unternehmen die Sorge zu nehmen, dass eine Veröffentlichung automatisch mit einer Offenlegung ihrer Identität einhergeht. Das ist in der Forschung in der Regel gerade nicht der Fall. Meist werden Unternehmen nur in allgemeiner Form beschrieben, etwa nach Branche, Größe oder Marktumfeld, ohne dass sich daraus direkte Rückschlüsse ziehen lassen. Zugleich sollte man den Mehrwert der Zusammenarbeit deutlich machen. Unternehmen stellen Daten zur Verfügung und erhalten im Gegenzug wissenschaftlich fundierte Auswertungen, Einblicke und oft auch einen Abschlussbericht mit Ergebnissen, die für die eigene Praxis relevant sein können. Wenn diese Gegenseitigkeit klar benannt wird, lässt sich oft auch konstruktiv darüber sprechen, welche Formen der Transparenz möglich sind, etwa bei Methoden, Code, Fragebögen oder anonymisierten Variablen. Entscheidend ist aus meiner Sicht, diese Fragen nicht erst am Ende zu verhandeln, sondern möglichst früh in die Projektplanung einzubeziehen. Dann ist der Spielraum in der Regel deutlich größer.

Nehmen Sie Unterschiede wahr, wie stark Open-Science-Praktiken von verschiedenen Journals eingefordert, unterstützt oder auch skeptisch betrachtet werden? Welche Entwicklungen beobachten Sie dort derzeit?

FK: Ja, diese Unterschiede sind deutlich. Vor allem die führenden Top-Journals in unserem Feld legen zunehmend größeren Wert auf Open-Science-Praktiken. Dort wird stärker erwartet, dass Studien präregistriert sind und dass Daten, Materialien oder andere Forschungsbestandteile möglichst umfassend dokumentiert und bereitgestellt werden. Bei anderen, weniger hoch gerankten Journals ist diese Entwicklung zum Teil noch weniger ausgeprägt. Dort begegnet man solchen Anforderungen häufig zurückhaltender, und die Erwartungen an Transparenz und Offenlegung sind oft geringer. Daraus kann ein gewisses Fragmentierungsproblem entstehen. Je nachdem, in welchem Journal man publizieren möchte, gelten unterschiedliche Standards. In den führenden Zeitschriften sind die Anforderungen deutlich höher, während sie anderswo noch weniger verbindlich sind. Genau darin liegt im Moment eine der zentralen Herausforderungen.

Das könnte aber auch dazu führen, dass gerade Nachwuchsforschende sagen: „Ich möchte in den führenden Journals publizieren, weiß aber noch gar nicht genau, wie Präregistrierung und andere Open-Science-Praktiken konkret funktionieren.“

FK: Genau deshalb spielt die Doktorand:innenausbildung eine wichtige Rolle. An der Universität Mannheim gibt es dafür strukturierte Programme in den Graduate Schools, in denen Promovierende gerade in der frühen Phase ihrer Forschungsausbildung systematisch an solche Themen herangeführt werden. In diesen Kursen geht es ausdrücklich auch um Fragen wie die Replikationskrise, um den transparenten Umgang mit Daten und um Best Practices für Open Science. Dort wird also nicht nur grundsätzlich über das Thema gesprochen, sondern auch sehr praktisch vermittelt, wie Präregistrierung funktioniert, was in ein entsprechendes Studienprotokoll gehört, welche typischen Fallstricke es gibt und wo Daten, Code oder zusätzliche Materialien später sinnvoll hinterlegt werden können. Gerade für den wissenschaftlichen Nachwuchs ist das wichtig, weil Open Science sonst schnell wie ein abstrakter Anspruch wirkt. In der Ausbildung lässt sich daraus ein konkretes Handwerk machen.

Verändert Open Science den Reviewprozess grundlegend? Und könnten technische Prüfverfahren oder KI-gestützte Checks dabei künftig eine größere Rolle spielen?

FK: Ja, der Reviewprozess wird dadurch anspruchsvoller. Es geht nicht mehr nur um Theorie, Methodik und Befunde, sondern zusätzlich um Reproduzierbarkeit, Präregistrierung und den Umgang mit Daten und Materialien. Technische Prüfverfahren könnten dabei künftig hilfreich sein, sind im Marketing bisher aber noch nicht flächendeckend etabliert. Ich wäre dafür offen, würde solche Systeme im Moment aber noch mit Vorsicht betrachten, weil viele Methoden sehr spezifisch sind und sich nicht ohne Weiteres standardisiert prüfen lassen. Bislang liegt diese Verantwortung deshalb vor allem weiterhin bei den Gutachtenden.

Bleiben wir noch bei einem anderen Punkt, und zwar dem zunehmenden wissenschaftlich anmutenden Textmüll, sprich Fake Science. Braucht es in den BWL-Journals noch stärkere Anforderungen an Präregistrierung, Datenverfügbarkeit und die Offenlegung von Materialien, um wissenschaftliche Qualität besser zu sichern?

FK: Ich würde hier für einen kontextabhängigen Ansatz plädieren. Starre Regeln greifen in der BWL oft zu kurz, gerade weil wir in vielen Fällen mit sensiblen oder proprietären Unternehmensdaten arbeiten. Wenn man hier pauschal maximale Offenheit verlangen würde, könnten manche Studien unter realistischen Bedingungen kaum noch durchgeführt oder publiziert werden. Sinnvoll wären aus meiner Sicht aber klare Mindeststandards. Also Anforderungen, die Transparenz und Nachvollziehbarkeit sichern, ohne an den praktischen Bedingungen der Forschung vorbeizugehen. Mit Blick auf KI, Paper Mills und andere Formen fragwürdiger Publikationen würde ich sagen, dass Open Science hier eher Teil der Lösung als Teil des Problems ist. Je besser Forschungsprozesse dokumentiert sind, je klarer Code, Materialien und methodische Entscheidungen offengelegt werden, desto leichter lässt sich nachvollziehen, was tatsächlich eigenständig erarbeitet wurde, und wo womöglich nur schnell erzeugter Text den Anschein von Wissenschaft erweckt. Gerade in diesem Punkt kann Open Science einen wichtigen Beitrag zur Qualitätssicherung leisten.

Was halten Sie im Umgang mit Unternehmensdaten für besonders praktikabel?

FK: Gut umsetzbar sind aus meiner Sicht vor allem Open Code, also die Offenlegung des verwendeten Auswertungscodes, außerdem Präregistrierungen bei experimentellen Studien und generell mehr Materialtransparenz, also eine genaue Dokumentation dessen, was im Forschungsprozess konkret gemacht wurde. Schwieriger ist dagegen die vollständige Teilung von Datensätzen. Gerade wenn alle Variablen offengelegt werden müssten, stößt man bei Unternehmensdaten schnell an Grenzen, etwa wegen Vertraulichkeitsvereinbarungen. Auch Replikationen sind unter solchen Bedingungen nicht immer leicht umzusetzen, wenn die zugrunde liegenden Daten nur eingeschränkt zugänglich sind.

Welche Verantwortung haben Business Schools und Universitäten, wenn es darum geht, Open Science nicht nur für die Forschung, sondern auch für die spätere Praxis zu vermitteln?

FK: Eine große. Wir bilden nicht nur Forschende aus, sondern auch künftige Entscheidungsträger:innen. Gerade deshalb sollten Transparenz, Nachvollziehbarkeit und Methodenkompetenz Teil der Grundausbildung sein. Wer später Verantwortung trägt, ob in Unternehmen, in der Beratung, im Finanzbereich oder in der Industrie, muss in der Lage sein zu beurteilen, ob die Informationen, auf die er oder sie sich stützt, tatsächlich tragfähig sind.

Gab es in Ihrer eigenen Forschungstätigkeit konkrete Momente, in denen Open-Science-Praktiken Ihren Forschungsprozess erkennbar verbessert haben?

FK: Ja, definitiv. Ein zentraler Punkt sind klarere Hypothesen. Gerade durch Präregistrierung ist man gezwungen, sich früh sehr genau zu überlegen, was eigentlich die Forschungsfrage ist und welche Hypothesen tatsächlich geprüft werden sollen. Allein dieser Schritt verbessert die konzeptionelle Schärfe eines Projekts deutlich. Hinzu kommt eine bessere Dokumentation. Wenn zentrale Entscheidungen, Datengrundlagen und Analyseschritte von Anfang an sauber festgehalten werden, wird der gesamte Forschungsprozess nachvollziehbarer. Und schließlich führt das oft auch zu robusteren Analysen. Wenn Fragestellung, Hypothesen und methodisches Vorgehen klar definiert sind, steigt die Wahrscheinlichkeit, dass die Ergebnisse belastbar und replizierbar sind. In diesem Sinne wirkt Open Science für mich tatsächlich wie ein Qualitätsfilter.

Hat diese intensivere Vorarbeit auch Auswirkungen auf die Zusammenarbeit mit Unternehmen?

FK: Ja, auf jeden Fall. Man hat im Vorfeld sehr viel klarer durchdacht, was genau benötigt wird, wie das Vorgehen aussehen soll und welche Effekte man plausiblerweise erwarten kann. Genau diese Fragen stellen in der Regel auch die Unternehmenspartner:innen. Was brauchen Sie konkret? Wie wollen Sie methodisch vorgehen? Und was versprechen Sie sich davon? Gerade in der Zusammenarbeit mit der Praxis ist es hilfreich, darauf präzise antworten zu können. Unternehmenspartner:innen verfügen in der Regel nicht über den neuesten methodischen Forschungsstand. Das ist auch nicht ihre Aufgabe. Umso wichtiger ist es, das eigene Vorgehen nachvollziehbar erklären zu können, also welche Methoden eingesetzt werden, welche Ergebnisse man realistischerweise erwarten kann und wo die empirische Prüfung dann offen bleibt. Insofern geht das sehr gut zusammen. Vieles von dem, was Open Science an früher Klarheit und Struktur verlangt, entspricht auch genau dem Informationsbedarf, den Praxispartner:innen in gemeinsamen Projekten haben.

Sie hatten vorhin schon angesprochen, dass auch nicht signifikante Befunde wissenschaftlich relevant sein können. Wie offen sollte man aus Ihrer Sicht mit verworfenen Hypothesen oder Nullbefunden umgehen?

FK: Deutlich offener als bisher. Gerade hier hat die BWL aus meiner Sicht noch Nachholbedarf. Natürlich kommt es in vielen Studien vor, dass einzelne Hypothesen nicht bestätigt werden. Wenn aber ein Großteil der erwarteten Effekte ausbleibt, wird es oft schwierig, daraus einen Beitrag zu publizieren. Und genau darin liegt das Problem. Denn auch solche Ergebnisse können wissenschaftlich aufschlussreich sein. Wenn wiederholt etwas untersucht wird und sich kein belastbarer Effekt zeigt, dann ist das ja ebenfalls eine wichtige Erkenntnis. Es deutet darauf hin, dass an dieser Stelle womöglich gerade nicht das liegt, was man theoretisch erwartet hatte. Gleichzeitig ist mir auch klar, dass sich die Frage nach dem geeigneten Publikationsformat stellt. Ein vollständiger Artikel, in dem nahezu ausschließlich nicht signifikante Befunde berichtet werden, passt nicht ohne Weiteres in jede Publikationslogik. Trotzdem wäre es wichtig, solche Ergebnisse systematischer zu dokumentieren und sichtbarer zu machen. Insofern würde ich klar sagen, dass mit nicht signifikanten Ergebnissen sollte deutlich offener umgegangen werden sollte.

Wo ließen sich am ehesten schnelle Fortschritte erzielen, damit Open Science in der BWL im Mainstream ankommen kann?

FK: Am ehesten dort, wo sich Transparenz mit vertretbarem Aufwand erhöhen lässt, etwa bei experimentellen Studien und bei Projekten mit Unternehmensdaten. Ein erster wichtiger Schritt wäre, Hypothesen konsequent präzise zu definieren, sauber zu dokumentieren und in geeigneter Form zugänglich zu machen. Ebenso wichtig ist eine vollständige Dokumentation des verwendeten Codes. Hinzu kommt, dass zumindest die Struktur der Daten offengelegt werden sollte, auch wenn die Daten selbst nicht immer vollständig teilbar sind. Entscheidend ist die Nachvollziehbarkeit des Forschungsprozesses. Wenn solche Elemente zum Standard würden, wäre bereits sehr viel gewonnen. Vieles davon ist grundsätzlich gut umsetzbar und wird von einigen Journals ja bereits eingefordert.

Könnte die betriebswirtschaftliche Forschung aus Ihrer Sicht an Glaubwürdigkeit und gesellschaftlicher Relevanz gewinnen, wenn sie stärker auf Open Science setzt?

FK: Ich würde sagen, die gesellschaftliche Relevanz der BWL steht grundsätzlich nicht infrage. Wenn Unternehmen scheitern, Arbeitsplätze verloren gehen oder wirtschaftliche Krisen eskalieren, hat das sehr konkrete und weitreichende Folgen. Deshalb ist es von erheblicher Bedeutung, besser zu verstehen, wie Unternehmen nachhaltig wirtschaften, wie sie Kundenbeziehungen aufbauen, wie Prozesse effizient gestaltet werden können und wie wirtschaftliche Stabilität gesichert wird. Gerade deshalb ist Glaubwürdigkeit in der BWL-Forschung so wichtig. Wenn es zu Skandalen, fragwürdigen Praktiken oder Vertrauensverlusten kommt, beschädigt das nicht nur einzelne Studien, sondern die Wahrnehmung des Fachs insgesamt. Transparente und methodisch saubere Forschung kann hier einen wichtigen Beitrag leisten. Sie stärkt die Nachvollziehbarkeit von Ergebnissen und damit auch die Glaubwürdigkeit der Disziplin.

Was wäre aus Ihrer Sicht ein realistischer Schritt, damit Open Science in der betriebswirtschaftlichen Forschung breiter akzeptiert wird, ohne die Praxisnähe des Fachs zu verlieren?

FK: Aus meiner Sicht sind Anreizsysteme der entscheidende Hebel. Veränderungen setzen sich selten allein dadurch durch, dass man sie normativ fordert. Sie werden dann wirksam, wenn sie institutionell belohnt und in Karrierewege eingebaut werden. Gerade vor dem Hintergrund des wachsenden Tenure-Track-Systems wird das besonders relevant. Forschungskarrieren hängen heute zunehmend an klar definierten Leistungsindikatoren, vor allem an Publikationen. Wenn diese Karrierewege stärker daran gekoppelt würden, dass Forschung auch bestimmten Open-Science-Standards entspricht, dann entstünde ein wirksamer Anreiz, solche Praktiken tatsächlich umzusetzen. Ein Teil dieses Anreizsystems ist bereits angelegt, weil führende Journals Open-Science-Praktiken zunehmend einfordern. Wer dort publizieren will, muss sich daran orientieren. Noch wirksamer würde es allerdings, wenn auch Universitäten selbst in ihren Bewertungs- und Verstetigungsprozessen stärker berücksichtigen würden, wie Forschung zustande kommt, also nicht nur, was publiziert wurde, sondern auch, ob sie transparent, nachvollziehbar und methodisch sauber durchgeführt wurde. Wenn Open Science auf diese Weise in die institutionellen Anreizstrukturen eingebettet wird, halte ich eine breitere Verankerung in der BWL-Forschung für durchaus realistisch.

Vielen Dank!

Das Gespräch wurde geführt am 27. März 2026 von Dr. Doreen Siegfried.

Über Prof. Dr. Florian Kraus:

Prof. Dr. Florian Kraus ist Professor für Betriebswirtschaftslehre und Marketing an der Universität Mannheim und Inhaber des Dr.-Werner-Jackstädt-Stiftungslehrstuhls für Sales & Services Marketing. Seine Forschungsschwerpunkte liegen unter anderem im Vertriebsmanagement, Service Marketing, Direktvertrieb, Lösungsvertrieb sowie in hybriden Kombinationen von Produkten und Dienstleistungen. Nach Studium, Promotion und Habilitationsphase in Marburg war er als Postdoktorand an der University of Houston (USA) und als Assistant Professor an der Ruhr-Universität Bochum tätig, bevor er 2011 nach Mannheim berufen wurde. Seit 2013 ist er zudem Academic Director der Part-Time- und Full-Time-MBA-Programme der Mannheim Business School.

Kontakt: https://www.bwl.uni-mannheim.de/fakultaet/areas-und-lehrstuehle/faculty-profile/kraus/

ResearchGate: https://www.researchgate.net/profile/Florian-Kraus-7

LinkedIn: https://www.linkedin.com/in/florian-kraus-sales/

Zurück zum Open-Science-Magazin