Welche vier Arten von Kennzahlen gibt es?

Die vier Arten im Überblick

Die vier klassischen Arten von Kennzahlen sind Input, Output, Outcome und Impact. Diese Unterscheidung stammt aus dem Bereich Monitoring und Evaluation und ist inzwischen weit über die Entwicklungszusammenarbeit hinaus verbreitet – sie wird in der empirischen Forschung, in Organisationsanalysen und in wissenschaftlichen Abschlussarbeiten genutzt, um Ergebnisse auf unterschiedlichen Wirkungsebenen messbar zu machen.

Jede dieser vier Kennzahlenarten beantwortet eine andere Frage: Was wurde eingesetzt? Was wurde erzeugt? Was hat sich verändert? Und welche langfristigen Wirkungen entstanden? Diese Logik hilft dabei, Daten strukturiert zu erfassen und Ergebnisse nicht zu vermischen.

Input-Kennzahlen: Was wird eingesetzt?

Input-Kennzahlen erfassen alle Ressourcen, die in ein Projekt, eine Maßnahme oder eine Studie eingebracht werden. Dazu zählen finanzielle Mittel, Personal, Zeit, Materialien und Infrastruktur.

In einer Bachelorarbeit könnte ein Input beispielsweise die Stichprobengröße sein – also wie viele Ressourcen in die Datenerhebung geflossen sind. In einem Evaluationsprojekt wäre es das Budget für Schulungen oder die Anzahl eingesetzter Fachkräfte.

Laut dem Monitoring-Framework von UNAIDS beziehen sich Input-Indikatoren auf Ressourcen wie finanzielle Mittel, Personal, Materialien oder Curricula. Sie beschreiben den „Einsatz“, aber noch kein Ergebnis – weshalb Input-Kennzahlen allein nie ausreichen, um den Erfolg einer Maßnahme zu belegen.

Output-Kennzahlen: Was wird produziert?

Output-Kennzahlen messen die unmittelbaren, direkt beobachtbaren Ergebnisse einer Aktivität. Sie beantworten die Frage: Was wurde tatsächlich geleistet oder produziert?

Typische Beispiele für Outputs

• Anzahl durchgeführter Beratungsgespräche
• Anzahl ausgelieferter Fragebögen
• Zahl der Teilnehmenden an einem Training
• Zahl der veröffentlichten Berichte

Outputs lassen sich gut quantifizieren und sind häufig leicht zu messen. Das verleitet dazu, sie mit tatsächlichen Wirkungen gleichzusetzen – was jedoch ein klassischer Fehler ist. Dass 200 Personen an einem Workshop teilgenommen haben (Output), sagt noch nichts darüber aus, ob sich ihr Verhalten danach verändert hat (Outcome).

Der Leitfaden des britischen DFID betont genau diesen Unterschied: Outputs beschreiben, was ein Projekt produziert – nicht, was es erreicht. Wer Outputs mit Outcomes verwechselt, überschätzt die tatsächliche Wirksamkeit seiner Maßnahme systematisch.

Outcome-Kennzahlen: Was verändert sich?

Outcome-Kennzahlen sind anspruchsvoller zu messen als Inputs oder Outputs. Sie erfassen mittelfristige Veränderungen bei einer Zielgruppe – etwa in Wissen, Einstellungen, Fähigkeiten oder Verhalten.

Wann spricht man von einem Outcome?

Ein Outcome beschreibt eine Veränderung, die direkt mit einer Intervention in Zusammenhang steht – ohne schon die langfristigen, gesellschaftlichen Folgen zu adressieren. Typische Outcome-Kennzahlen in wissenschaftlichen Studien sind:

• Verbesserung des Wissensstandes (z. B. gemessen mit Pre-Post-Tests)
• Veränderung von Einstellungen oder Überzeugungen (z. B. via Likert-Skala)
• Verhaltensänderungen in einer Zielpopulation
• Verbesserter Zugang zu Dienstleistungen

UNAIDS beschreibt Outcome-Indikatoren als Veränderungen bei Zielgruppen in Wissen, Einstellungen, Fähigkeiten, Verhalten oder Zugang zu Dienstleistungen. Entscheidend ist: Diese Veränderungen müssen messbar sein – weshalb eine sorgfältige Operationalisierung in der empirischen Forschung so wichtig ist. Wer Outcomes erheben möchte, braucht geeignete Messinstrumente und ein klares Konzept statistischer Kennzahlen.

Impact-Kennzahlen: Was bleibt langfristig?

Impact-Kennzahlen erfassen langfristige, kumulative Effekte einer Maßnahme – häufig auf Bevölkerungsebene und über viele Jahre hinweg. Sie sind die ambitionierteste Kategorie und gleichzeitig die schwierigste zu messen.

Ein Impact ist nicht das direkte Ergebnis einer einzelnen Intervention, sondern entsteht aus dem Zusammenspiel vieler Faktoren. Deshalb lassen sich Impact-Kennzahlen selten einem einzigen Programm eindeutig zurechnen. Das ist kein Messfehler – sondern ein strukturelles Merkmal dieser Kennzahlenart.

Beispiele für Impact-Kennzahlen

• Rückgang der HIV-Neuinfektionen in einer Region (Gesundheit)
• Gesunkene Schulabbruchquote nach zehn Jahren (Bildung)
• Reduzierte Armutsgefährdungsquote (Soziales)
• Langfristige Beschäftigungsquote nach Qualifizierungsprogramm (Arbeitsmarkt)

Die OECD betont in ihrer Ergebnislogik für die Entwicklungszusammenarbeit, dass Organisationen typischerweise mehr Kontrolle über Inputs, Aktivitäten und Outputs haben, aber nur noch teilweise Kontrolle über Outcomes – und kaum über Impacts. Das hat direkte Konsequenzen dafür, welche Kennzahlen für welche Entscheidungsebene relevant sind.

Die Wirkungslogik als Zusammenhang

Die vier Kennzahlenarten sind keine isolierten Kategorien – sie folgen einer Wirkungslogik (auch: Theory of Change oder Wirkungskette). Ressourcen fließen in Aktivitäten, die Outputs erzeugen, die zu Outcomes führen, aus denen langfristig Impacts entstehen.

Diese Logik hilft dabei, Kennzahlen nicht wahllos zu sammeln, sondern gezielt auszuwählen. Wer nur Outputs misst, weiß nicht, ob seine Maßnahme wirkt. Wer nur Impacts berichtet, kann keine operative Steuerung vornehmen. Eine ausgewogene Kennzahlenstruktur deckt alle Ebenen ab – proportional zu den Zielen der Studie.

Der DFID-Leitfaden empfiehlt ausdrücklich, Datenquellen und Erhebungsansätze passend zur jeweiligen Kennzahlenart zu wählen. Das bedeutet: Für Output-Kennzahlen genügen oft administrative Daten, während Outcome-Kennzahlen Befragungen oder Tests erfordern und Impact-Kennzahlen häufig Längsschnittstudien oder Registerdaten verlangen.

Bedeutung für empirische Abschlussarbeiten

Für Studierende, die eine statistische Auswertung in ihrer Bachelorarbeit oder Masterarbeit durchführen, ist die Unterscheidung der vier Kennzahlenarten aus mehreren Gründen relevant.

Kennzahlenarten klar benennen

Wer in seiner Arbeit Ergebnisse berichtet, sollte deutlich machen, auf welcher Ebene diese Ergebnisse liegen. Handelt es sich um einen Output (z. B. Rücklaufquote des Fragebogens) oder um einen Outcome (z. B. gemessene Veränderung einer Einstellung)? Diese Unterscheidung gehört in die Diskussion der Ergebnisse und schützt vor Überinterpretation.

Hypothesen auf der richtigen Ebene formulieren

Häufig werden Hypothesen zu weitreichend formuliert – also auf Impact-Ebene, obwohl die Studie nur Outcomes messen kann. Eine realistische Eingrenzung auf die tatsächlich messbare Wirkungsebene macht Arbeiten methodisch sauberer und verteidigungsfähiger.

Operationalisierung und Messinstrumente abstimmen

Aus der Kennzahlenart folgt direkt, welche Messinstrumente geeignet sind. Outcome-Kennzahlen erfordern validierte Skalen, Fragebögen oder Tests – und damit eine fundierte statistische Analyse der erhobenen Daten. Wer das bereits bei der Studienplanung berücksichtigt, spart sich spätere Probleme bei der Auswertung.

Die professionelle Begleitung einer empirischen Auswertung beginnt idealerweise genau hier: bei der Frage, welche Kennzahlenarten zur Fragestellung passen und wie sie methodisch korrekt erhoben werden. Wer Inputs, Outputs, Outcomes und Impacts sauber voneinander trennt, legt das Fundament für eine belastbare Ergebnisdarstellung – unabhängig davon, ob es sich um eine Bachelorarbeit, eine Masterarbeit oder eine Dissertation handelt.

Weiterführende Orientierung bietet unser Beitrag darüber, was „Auswerten“ in der Statistik konkret bedeutet – besonders wenn Sie noch am Anfang Ihrer methodischen Planung stehen.