---
title: "Minds-Ergebnisse in SPSS, R und Excel analysieren | Minds"
description: "Exportieren Sie Studienergebnisse als Long-Format-CSV und analysieren Sie sie in Ihrem gewohnten Stack. Eine Zeile pro Persona-Antwort, bereit für Pivottabellen, Kreuztabellen oder Dataframes."
canonical_url: "https://getminds.ai/use-cases/de/analyse-minds-results-in-spss-r-and-excel"
last_updated: "2026-10-02T07:54:34.849Z"
---

# Minds-Ergebnisse in SPSS, R und Excel analysieren

Ein Insights-Team möchte keine neue Umgebung für Analysen. Die gewohnten Kreuztabellen-Konventionen, die Gewichtungsmuster, die Diagrammvorlage, die der Kunde kennt: All das liegt in Werkzeugen, denen das Team bereits vertraut. Eine Research-Ebene, die diese Tools nicht beliefern kann, wird nach der Testphase meist wieder aufgegeben.

Minds exportiert Studienergebnisse als einfache Tabelle im Long-Format. Genau diese Struktur erwarten Ihre bestehenden Analysewerkzeuge.

## Die Struktur des Exports

Die Rohdaten enthalten eine Zeile pro Persona-Antwort und sechs Spalten:

<table>
<thead>
  <tr>
    <th>
      Spalte
    </th>
    
    <th>
      Inhalt
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      Question
    </td>
    
    <td>
      Die gestellte Frage
    </td>
  </tr>
  
  <tr>
    <td>
      Group
    </td>
    
    <td>
      Das Zielgruppensegment, zu dem die Persona gehört
    </td>
  </tr>
  
  <tr>
    <td>
      Persona
    </td>
    
    <td>
      Die einzelne synthetische Persona
    </td>
  </tr>
  
  <tr>
    <td>
      Discipline
    </td>
    
    <td>
      Die Rolle oder der berufliche Kontext der Persona
    </td>
  </tr>
  
  <tr>
    <td>
      Answer
    </td>
    
    <td>
      Die tabellarisch auswertbare Antwort
    </td>
  </tr>
  
  <tr>
    <td>
      Full response
    </td>
    
    <td>
      Die vollständige Begründung hinter der Antwort
    </td>
  </tr>
</tbody>
</table>

Das Long-Format ist entscheidend: Es ist genau das Format, das Pivottabellen, Kreuztabellen-Engines oder `tidyverse`-Pipelines benötigen. Vor der ersten Analyse ist kein Umstrukturieren erforderlich.

## Daten in das jeweilige Tool importieren

**Excel und Google Sheets.** Öffnen Sie die CSV-Datei direkt. Die Datei enthält ein UTF-8-Byte-Order-Mark, sodass Umlaute und Sonderzeichen fehlerfrei dargestellt werden. Erstellen Sie eine Pivottabelle mit Question in den Zeilen und Group in den Spalten für den Standard-Kreuztabellenbericht.

**SPSS.** Exportieren Sie die Studie als `.sav` und öffnen Sie sie direkt. Variablen und Labels sind bereits definiert, ein Importassistent ist nicht erforderlich. Wenn Sie toolübergreifend bei einem Format bleiben möchten, funktioniert die CSV-Datei genauso: Datei → Daten importieren → Textdaten, Trennzeichen Komma, erste Zeile als Variablennamen.

**R.** Nutzen Sie `read.csv("export.csv")` oder `readr::read_csv()` für ein Tibble. Durch das Long-Format liefert `dplyr::count(Question, Group, Answer)` sofort die Häufigkeitsverteilung ohne Data Reshaping. `Full response` bleibt für qualitative Auswertungen verfügbar.

**Q, Displayr, Power BI, Tableau.** Fügen Sie die CSV als Flat-File-Datenquelle hinzu. Verwenden Sie Question als Zeilenvariable und Group als Spaltenvariable.

**Python.** Nutzen Sie `pandas.read_csv()`, danach `crosstab` oder `groupby`. Das ist besonders praktisch, wenn dieselbe Pipeline bereits Ihre sonstigen Befragungsdaten verarbeitet.

## Wann Sie die Datei überspringen können

Wenn Analysen wiederkehrend stattfinden, nutzen Sie stattdessen die API. Endpunkte für Studien, Panels und Analysen authentifizieren sich per Bearer-Token, sodass automatisierte Jobs Dashboards aktualisieren können, ohne dass jemand manuell exportieren muss. Panel-Analysen lassen sich über den [Panel Analytics Connector](/guide/looker-studio) auch in Looker Studio einbinden. Tabellenorientierte Teams können Fragen mit dem [Google Sheets Add-on](/guide/google-sheets) direkt aus einer Tabelle heraus ausführen.

## Ein ehrlicher Hinweis zur Datennatur

Der Export macht synthetische Ergebnisse genauso handhabbar wie Umfragedaten. Dadurch vergisst man leicht, dass es sich nicht um klassische Befragungsdaten handelt. Häufigkeiten aus einem synthetischen Panel beschreiben das Panel, nicht eine reale Grundgesamtheit. Nutzen Sie sie, um Bedingungen zu vergleichen, Einwände aufzudecken und Hypothesen zu priorisieren. Belastbare Aussagen zur realen Prävalenz gehören in eine Stichprobe mit echten Menschen.

Alles andere an Ihrem Workflow bleibt unverändert: Ihre Gewichtung, Ihre Signifikanzstandards, Ihre Diagrammvorlagen, die Erwartungen Ihrer Kunden. Die synthetische Ebene liefert lediglich schneller die Datenbasis dafür.

## Beispiel-Prompt

Stellen Sie dieselbe Frage an alle Zielgruppen, fordern Sie eine kurze strukturierte Antwort plus Begründung an, exportieren Sie die Rohdaten und erstellen Sie eine Kreuztabelle aus Antwort und Gruppe, um zu sehen, welche Segmente abweichen.