Studie 2026
Kundenzufriedenheit im Autohaus: Was Kunden wirklich wollen 

In einer Branche, in der Kennzahlen, Studien und Prognosen längst zum Alltag gehören, bleibt eine Perspektive oft erstaunlich unterbeleuchtet: die der Endkunden. Dabei ist ihre Erfahrung im Autohaus entscheidend für Markenwahrnehmung, Loyalität und Weiterempfehlung und damit für nachhaltigen wirtschaftlichen Erfolg.

Unsere Studie schließt genau hier eine wichtige Lücke.

Das Ergebnis: fundierte Insights zur tatsächlichen Service- und Betreuungsqualität an den entscheidenden Touchpoints – am Point of Sale und Point of Service.

Unsere Studie basiert auf über 19.000 verifizierten Kundenbewertungen von 474 Autohausgruppen (Januar bis Dezember 2025) aus den Bereichen Verkauf und Service. Um Verzerrungen durch unterschiedliche Vertriebskanäle zu minimieren, kombinierten wir spontane Online-Bewertungen mit Antworten aus Callcentern, E-Mail-Umfragen und telefonischem Feedback. Vor der Analyse wurden alle Einträge sorgfältig dedupliziert, die Sprache normalisiert und alle personenbezogenen Daten entfernt.

Wir verwendeten ein Mixed-Methods-Design: eine quantitative Basislinie aus Sternebewertungen und Besuchsgründen für faire Vergleiche sowie eine qualitative, KI-gestützte Analyse von Freitexten, um Themen, Stimmungen und Muster in großem Umfang zu identifizieren. Kernstück ist das rpc Automotive Retail Codebook – eine branchenspezifische Taxonomie für die Automobilindustrie, die in zwei Schritten entwickelt wurde: datengetriebene Themenfindung mittels Transformer-basiertem semantischem Clustering auf Satzebene, gefolgt von der MECE-Verfeinerung in Expertenworkshops. Ein Prozess mit menschlicher Beteiligung validierte die Taxonomie und ergänzte unterrepräsentierte, aber für die Nutzererfahrung wichtige Themen. Das Codebuch ist modular aufgebaut und versioniert, um die Vergleichbarkeit über mehrere Jahre hinweg zu gewährleisten. 

Jeder Textabschnitt wurde einer zweistufigen LLM-Annotation unterzogen: Themenzuordnung anhand des Codebuchs und Stimmungsanalyse auf einer Skala von 0 bis 5. Zur Qualitätssicherung verwendeten wir domänenspezifische Eingabeaufforderungen, Interrater-Reviews mit erfahrenen Kodierern, Stichprobenprüfungen in Grenzfällen und Driftüberwachung. Die Bias-Kontrollen umfassten die Sensitivität gegenüber Kanalmix, den Umgang mit Klassenungleichgewichten und die Stimmungskalibrierung anhand menschlicher Labels und auf die Automobilindustrie abgestimmter Lexika. Die Clustering-Parameter wurden mittels Holdout-Validierung auf Stabilität geprüft. 

Anschließend fassten wir die Ergebnisse in intuitiven Metriken zusammen: dem Themenanteil als Indikator für Aufmerksamkeit und einem Netto-Sentiment-Score (-100 bis +100) zur Bestimmung von Richtung und Intensität. Die Darstellung von Relevanz und Stimmung ergibt eine zweiachsige Themenmatrix, die Vorzeigeprojekte, kritische Punkte, Hygienefaktoren und potenzielle Konfliktherde differenziert. Abschließend verglichen wir die leistungsstärksten und -schwächsten Gruppen im Vertrieb und Service, um die operativen Unterscheidungsmerkmale herauszuarbeiten. 

Unsere Pipelines sind datenschutzkonform gestaltet, schließen personenbezogene Daten aus und aggregieren auf Gruppenebene. Codebuch, Eingabeaufforderungen und Modellkonfigurationen werden zur Gewährleistung der Transparenz versioniert. Entscheidend ist, dass Fachexperten die KI-Ergebnisse prüfen und interpretieren – so werden aus den ursprünglichen Aussagen konkrete Handlungsempfehlungen abgeleitet, die im vollständigen Bericht detailliert aufgeführt werden.