Secure Customer Index (SCI): Berechnung und Grenzen

Secure Customer Index berechnen: drei Fragen, vier Segmente und ein Rechenbeispiel. Was über Burkes erweiterten SCI öffentlich dokumentiert ist.

Der Secure Customer Index (SCI) ist der Anteil Ihrer Kunden, die auf drei Fragen jeweils die beste Antwort geben: Sie sind sehr zufrieden, sie werden ganz sicher wieder kaufen und sie werden Sie ganz sicher weiterempfehlen (Burke 2007, S. 2). Burke, Inc. hat den Index später auf fünf Fragen erweitert. In den hier geprüften öffentlich zugänglichen Quellen habe ich jedoch keine Angabe gefunden, wie viele Punkte die einzelnen Antworten erhalten.

Den klassischen SCI mit drei Fragen können Sie deshalb selbst berechnen, Schritt für Schritt, wie ich es unten zeige. Die erweiterte Fassung lässt sich aus diesen Quellen allein nicht originalgetreu nachbauen. Was Sie stattdessen tun können, steht am Ende des Artikels.

SCI-Rechner

Wie der Rechner aus Ihren Antworten den Index und die vier Segmente berechnet, erkläre ich weiter unten.

Wie Sie Ihre Daten anordnen, zeigt die Beispieldatei: Excel, CSV. Sie enthält die Antworten der elf Kunden des Fahrradladens aus dem Beispiel unten und ordnet in Excel jede Person direkt einem Segment zu. Den SCI rechnet sie samt 95-%-Konfidenzintervall aus.

Der Rechner läuft in Ihrem Browser und sendet keine Daten.

Der klassische Secure Customer Index

Betrachten wir ein Beispiel. Eine Kundin ist mit ihrem Fahrradladen sehr zufrieden. Die Reparatur war schnell und günstig. Trotzdem sagt sie, sie wisse nicht, ob sie wiederkommt, denn sie zieht bald um. Ein anderer Kunde ist nur eher zufrieden, wird aber ganz sicher wiederkommen, weil es im Ort keinen anderen Laden gibt. Wer nur nach der Zufriedenheit fragt, sieht diese Unterschiede nicht.

Genau hier setzt der SCI an. Er ergänzt die Zufriedenheit um zwei weitere Seiten der Loyalität: die Absicht, wieder zu kaufen, und die Absicht, weiterzuempfehlen (Burke 2007, S. 2).

In meinem Kurs führe ich den SCI auf D. Randall Brandt zurück (Brandt 1996, zitiert nach Marx 2026, Folie 70). Eine frühe Veröffentlichung zum Thema erschien schon 1995 (Prus und Brandt 1995). Burke, Inc. führt den Index unter dem eingetragenen Namen Secure Customer Index® und beschreibt ihn als eigenes Verfahren (Burke 2007, S. 2). Wer ihn zuerst entwickelt hat, kann ich aus den mir vorliegenden Quellen nicht sicher sagen. Für die Rechnung spielt das keine Rolle, denn die Regeln sind dieselben.

Die drei Fragen und die Skala

Alle drei Fragen haben in der deutschen Fassung meines Kurses eine Skala mit fünf Stufen (Marx 2026, Folie 70):

Die dritte Frage heißt je nach Geschäft Wiederkauf, Wiederverwendung oder Weiternutzung. Gemeint ist immer dasselbe: Bleibt die Person Kunde?

Die Skala ist symmetrisch. Zwei Stufen liegen auf der positiven Seite, zwei auf der negativen, und in der Mitte steht eine neutrale Antwort. Ich kodiere die Stufen von 1 bis 5, so dass 5 immer die beste Antwort ist.

Die vier Segmente

Burke teilt alle Befragten in vier Segmente ein (Baker-Prewitt 2007, Folie 13). Die englischen Bezeichnungen und meine deutschen Namen:

• Secure (Secure Customers): auf allen drei Fragen die beste Stufe, also dreimal die 5.
• Günstige Einstellung (Favorable Customers): auf allen drei Fragen die beste oder zweitbeste Stufe, aber nicht Secure. Alle drei Antworten sind also 4 oder 5, mindestens eine ist eine 4.
• Indifferente (Indifferent Customers, manchmal „Vulnerable“, so bei Brandt und Maritz): alle übrigen Kombinationen.
• Gefährdete (At Risk Customers): auf mindestens einer Frage die schlechteste oder zweitschlechteste Stufe, also mindestens einmal eine 1 oder 2.

Bei Gefährdeten reicht also eine einzige schlechte Antwort, bei Burke „on any SCI® scale“ (Baker-Prewitt 2007, Folie 13).

Der Secure Customer Index selbst ist der Anteil der Secure-Kunden (Burke 2007, S. 2):

Dabei ist n_Secure die Zahl der Personen mit dreimal der 5. n ist die Zahl der Personen mit genau einer gültigen Antwort von 1 bis 5 auf jeder der drei Fragen. Personen mit fehlenden oder ungültigen Werten bleiben außerhalb der Berechnung und werden getrennt gezählt. Die Anteile der drei anderen Segmente rechnen Sie genauso, nur mit der Zahl der Personen im jeweiligen Segment.

In welcher Reihenfolge Sie prüfen

Die Reihenfolge der Prüfung ist wichtig. Ich prüfe jede Person so:

1. Hat die Person dreimal eine 5? Dann ist sie Secure.
2. Sonst: Liegen alle drei Antworten bei 4 oder 5? Dann hat sie eine günstige Einstellung.
3. Sonst: Ist mindestens eine Antwort eine 1 oder 2? Dann ist sie gefährdet.
4. Alle, die übrig bleiben, sind Indifferente.

Warum Gefährdete vor Indifferenten? Weil Burke die Indifferenten nicht über eine eigene Bedingung festlegt, sondern als Rest: „All other combinations“ (Baker-Prewitt 2007, Folie 13). Den Rest kann man erst bestimmen, wenn alle anderen Segmente vergeben sind.

Ein Beispiel zeigt, was sonst passiert. Eine Person antwortet 4, 3 und 2. Wer nur auf die 3 in der Mitte schaut, steckt sie zu den Indifferenten. Die 2 bei der dritten Frage entscheidet aber: Diese Person wird wahrscheinlich nicht wiederkommen, sie ist gefährdet.

Zwischen Günstige Einstellung und Gefährdete gibt es keinen Konflikt, denn wer überall 4 oder 5 gewählt hat, hat keine 1 oder 2. Von den 125 möglichen Antwortkombinationen sind übrigens 98 gefährdet, 19 indifferent, 7 günstig und nur 1 Secure. Das sagt nichts über Ihre Kunden, aber es zeigt, wie viel Gewicht eine einzige 1 oder 2 hat.

Durchgerechnet: elf Kunden eines Fahrradladens

Ein Fahrradladen hat elf Kunden befragt (erfundene Antworten, jeweils in der Reihenfolge Zufriedenheit, Weiterempfehlung, Wiederverwendung):

Schritt 1, die vollständigen Antworten zählen: Zehn von elf Personen haben alle drei Fragen beantwortet. Person 11 hat die dritte Frage ausgelassen.

Schritt 2, die Segmente zählen: 3 Secure, 2 mit günstiger Einstellung, 3 Indifferente, 2 Gefährdete. Zur Kontrolle: 3 + 2 + 3 + 2 = 10.

Schritt 3, die Anteile an den zehn vollständigen Antworten:

• Secure: 3 von 10 = 30 %
• Günstige Einstellung: 2 von 10 = 20 %
• Indifferente: 3 von 10 = 30 %
• Gefährdete: 2 von 10 = 20 %

Schauen Sie auf Person 7. Sie ist sehr zufrieden und würde ganz sicher weiterempfehlen, ist aber unentschieden, ob sie wiederkommt. Ein reiner Zufriedenheitswert hätte sie zu den besten Kunden gezählt. Und Person 9 ist eher zufrieden, wird aber wahrscheinlich nicht wiederkommen. Für den Laden ist sie besonders interessant, denn bei ihr lohnt sich ein Gespräch.

Was tun mit fehlenden Antworten?

Burke sagt in den mir vorliegenden Unterlagen nichts darüber, wie Personen mit fehlenden oder ungültigen Antworten behandelt werden. Mein Rat: Ordnen Sie nur Personen mit einer gültigen Antwort von 1 bis 5 auf jeder der drei Fragen einem Segment zu. Rechnen Sie alle Anteile auf dieser Basis und nennen Sie die Zahl der ausgeschlossenen Personen gleich daneben. Also: „SCI 30 %, Basis 10 Personen, 1 Person mit unvollständigen Antworten nicht berücksichtigt.“

Warum nicht einfach durch 11 teilen? Dann käme 3 / 11 ≈ 27,3 % heraus. Person 11 würde damit stillschweigend als „nicht Secure“ gezählt, obwohl ihre ersten beiden Antworten die bestmöglichen sind. Wir wissen schlicht nicht, wo sie steht. Hier macht das ≈ 2,7 Prozentpunkte aus. Bei mehr unvollständigen Antworten kann dieser Unterschied größer ausfallen.

So rechnen Sie den klassischen SCI mit Ihren Daten

Ermitteln Sie in QUESTIONSTAR zunächst mit einem zusammengesetzten Filter die Zahl der Personen, die auf jeder der drei Fragen einen gültigen Antwortwert von 1 bis 5 haben. Zählen Sie anschließend mit einem zweiten Filter diejenigen, die auf allen drei Fragen eine 5 gewählt haben. Die zweite Zahl teilen Sie durch die erste und multiplizieren mit 100. So erhalten Sie den SCI in Prozent.

Für alle vier Segmente gibt es zwei Wege. Sie exportieren die Rohdaten als CSV-, Excel- oder SPSS-Datei und ordnen die Personen in Excel, SPSS oder R nach den vier Regeln zu. Oder Sie verbinden QUESTIONSTAR per MCP mit einem KI-Assistenten wie ChatGPT oder Claude und bitten ihn zum Beispiel: „Berücksichtige nur Personen mit genau einer gültigen Antwort von 1 bis 5 auf jeder der drei Fragen 4, 5 und 6. Ordne diese Personen einem Segment zu. Prüfe in dieser Reihenfolge: Secure, wenn alle drei Antworten 5 sind. Günstige Einstellung, wenn alle drei Antworten 4 oder 5 sind. Gefährdete, wenn mindestens eine Antwort 1 oder 2 ist. Alle übrigen sind Indifferente. Nenne Anzahl und Anteil je Segment, bezogen auf die vollständig und gültig antwortenden Personen, sowie deren Gesamtzahl. Nenne die Zahl der wegen fehlender oder ungültiger Antworten ausgeschlossenen Personen separat.“ Gerechnet wird dann vom Assistenten, nicht von QUESTIONSTAR. Prüfen Sie zwei oder drei Personen von Hand nach.

Als personenbezogen markierte Fragen werden bei aktivierter Schutzfunktion nicht an den Assistenten übertragen. Nicht entsprechend markierte Antworten, insbesondere Freitexte, können trotzdem personenbezogene Angaben enthalten. Prüfen Sie vor der Übertragung, welche Antworten an den KI-Anbieter gehen und ob dessen Vertragsbedingungen für Ihre Daten geeignet sind.

Sie können auch den SCI-Rechner oben nutzen. Mit „Drei Spalten einfügen“ oder „Datei laden“ geben Sie die drei Antworten je Person ein, und der Rechner ordnet nach denselben Regeln zu.

Der erweiterte SCI von Burke

Burke hat den klassischen Index später ausgebaut. Die drei Fragen hätten in vielen Branchen gut funktioniert, man habe aber eine bessere Vorhersage und eine feinere Unterscheidung zwischen Kunden gesucht (Baker-Prewitt 2007, Folie 12). Der klassische SCI kennt ja nur „Secure“ oder „nicht Secure“. Der neue Index soll Loyalität als Kontinuum abbilden, also in Abstufungen (Burke 2007, S. 2).

Was bekannt ist

Wie die Fragen ausgewählt wurden. Burke hat nach eigenen Angaben 26.197 verschiedene Wege geprüft, einen Loyalitätsindex zu bilden. Ausgangspunkt waren 16 Dimensionen der Loyalität, darunter Vertrauenswürdigkeit, wahrgenommener Wert, Qualität und Preis im Verhältnis zur Qualität. Geprüft wurden alle Kombinationen aus drei bis sieben Fragen (Baker-Prewitt 2007, Folien 14 und 15).

Die fünf Fragen. Aus dieser Menge blieben fünf übrig (Baker-Prewitt 2007, Folie 16; Marx 2026, Folie 71). Die drei klassischen Fragen sind wieder dabei. Burke hat sie bewusst behalten, damit Unternehmen ihre bisherigen Messungen leichter umstellen können (Burke 2007, S. 3).

Die beiden neuen Punkte sind also Aussagen, denen man zustimmt oder nicht. Die ersten drei sind Fragen.

Die Studie. Burke hat in zwei Wellen online befragt. In der ersten Welle bewerteten Kunden bis zu zwei Unternehmen, bei denen sie kaufen, und gaben an, welchen Anteil ihrer Einkäufe in dieser Kategorie sie dort tätigen, den sogenannten Share of Wallet. 18 Monate später wurden dieselben Kunden erneut befragt, ob sie noch bei diesen Unternehmen kaufen und mit welchem Anteil. Die Unternehmen stammten aus verschiedenen Branchen, mit Privatkunden (B2C) wie mit Firmenkunden (B2B) (Burke 2007, S. 2). Wie viele Personen und Unternehmen teilgenommen haben, steht in beiden Dokumenten nicht.

Die Ergebnisse, wie Burke sie berichtet. Burke vergleicht, wie stark drei Kennzahlen mit dem Share of Wallet zusammenhängen. Die Zahlen sind indexiert: Der Zusammenhang der Gesamtzufriedenheit mit dem Share of Wallet wird jeweils gleich 100 gesetzt (Burke 2007, S. 3-4, Abb. 1-4; Baker-Prewitt 2007, Folie 17).

Ein Wert von 207 bedeutet: Der Zusammenhang des erweiterten SCI mit dem späteren Share of Wallet ist gut doppelt so stark wie der Zusammenhang der Gesamtzufriedenheit. Burke schreibt dazu, der neue SCI übertreffe die Zufriedenheit um 107 % (Burke 2007, S. 3).

Lesen Sie diese Tabelle bitte mit Vorsicht. Es sind Burkes eigene Angaben, eine unabhängige Prüfung kenne ich nicht. Die Unterlagen nennen weder die Zahl der Befragten noch die eigentlichen Korrelationen. Und das ist wichtiger, als es klingt. Nehmen wir an, die Zufriedenheit hinge nur mit 0,10 mit dem Share of Wallet zusammen. Dann entspräche 207 einer Korrelation von ≈ 0,21. Läge sie bei 0,30, entspräche 207 einer Korrelation von ≈ 0,62. Das eine wäre ein schwacher, das andere ein starker Zusammenhang. Aus den indexierten Werten allein lässt sich nicht sagen, welcher Fall vorliegt.

Was nicht bekannt ist

Wie aus den fünf Antworten eine Zahl wird, beschreibt Burke nur sehr knapp. Die Loyalität einer Person oder Gruppe werde dargestellt als „proportion of ‚points‘ attained across the five dimensions“, also als Anteil der Punkte, die über die fünf Dimensionen erreicht werden (Burke 2007, S. 2). An anderer Stelle spricht Burke von der „point allocation construction“ des neuen SCI, also von einer Bauweise über die Vergabe von Punkten (ebd.).

In den geprüften Quellen fehlen Angaben dazu,

• wie viele Punkte es für welche Antwort gibt,
• welche Skala die beiden neuen Aussagen haben,
• ob die fünf Fragen gleich viel zählen oder unterschiedlich gewichtet werden,
• wie die Punkte einer Gruppe zusammengefasst werden,
• ob der erweiterte Index wieder Segmente kennt.

Ich habe die beiden Burke-Dokumente und weitere Literatur geprüft, aber keine vollständige Scoringvorschrift gefunden.

Warum die öffentlichen Unterlagen zum Nachbauen nicht reichen

Der erweiterte SCI ist für mich wie ein Auto ohne Schlüssel: gut gebaut, aber ohne die Scoringvorschrift kommen Sie nicht los. Loyalität in Abstufungen zu messen und den Index am späteren Kaufverhalten zu prüfen, finde ich interessant. Für eine eigene originalgetreue Berechnung reichen die hier geprüften Unterlagen jedoch nicht aus.

Die Scoringvorschrift fehlt. Ohne Angaben zur Punktevergabe, Gewichtung und Zusammenfassung können Sie aus eigenen Antworten keinen überprüfbaren Burke-Wert berechnen.

Ein eigenes Schema ist ein anderer Index. Ein selbst gewähltes Punkteschema kann andere Werte liefern. Ohne dieselbe Scoringvorschrift sind solche Werte weder mit Burke-Werten noch untereinander unmittelbar vergleichbar.

Burkes Ergebnisse gelten nur für Burkes Schema. Die Werte 207 oder 290 aus der Tabelle oben beschreiben Burkes Index in Burkes Studie. Ein selbst gebautes Schema erbt diese Stärke nicht. Ob es ebenso gut mit dem Kaufverhalten zusammenhängt, müssten Sie selbst prüfen.

Selbst gebaute Schemata kursieren. Mir sind im Netz Varianten begegnet, die ab einem Wert von 0,9, 0,8 oder 0,7 bestimmte Segmente vergeben, ohne Formel für den Wert und ohne Quelle für die Schwellen. Von Burke stammen diese Schwellen nach allem, was ich gefunden habe, nicht. Ich rate davon ab, sie zu übernehmen.

Eine Summe kann Wichtiges verdecken. Söderlund hat untersucht, ob man Loyalität sinnvoll mit mehreren Fragen in einem Wert misst. Sein Ergebnis: Die Absicht, wieder zu kaufen, und die Absicht, weiterzuempfehlen, können zwei getrennte Konstrukte sein, im Original „two discrete constructs“. Fasst man sie zusammen, verdeckt das wahrscheinlich wichtige Seiten der Loyalität, „is likely to conceal significant aspects of loyalty“ (Söderlund 2006). Person 7 im Beispiel oben zeigt das im Kleinen: Weiterempfehlung 5, Wiederverwendung 3. In einer Summe wäre dieser Unterschied verschwunden.

Auch andere Anbieter verwenden eigene Berechnungsverfahren. Der American Customer Satisfaction Index (ACSI) ist nach Angaben seines Anbieters ein gewichteter Mittelwert aus drei Fragen. Die Gewichte werden mit proprietärer Software geschätzt (ACSI, o. J.). Dieses Beispiel sagt jedoch nichts darüber aus, wie Burke die fünf SCI-Fragen gewichtet. Wie die einzelnen Messgrößen des erweiterten SCI zu gewichten wären, fragte auch Van Bennekom in einem Vortrag. Eine Antwort gibt seine Folie nicht (Van Bennekom 2012, Folie 28).

Burke selbst weist übrigens darauf hin, dass ein auf das eigene Unternehmen zugeschnittener Index im Einzelfall besser zum Kaufverhalten passen kann als ein Standardindex. Am besten prüfe man das mit zwei Befragungswellen und nehme dafür zusätzliche Kandidaten-Fragen in den Fragebogen auf (Baker-Prewitt 2007, Folie 18). Ob ein Index Kaufverhalten vorhersagt, lässt sich erst prüfen, wenn entsprechende Verhaltensdaten vorliegen.

Was Sie stattdessen tun können

Mein Rat: Berechnen Sie den klassischen SCI, und stellen Sie die beiden neuen Fragen von Burke daneben, jede mit ihrem eigenen Anteil. So nutzen Sie die zusätzliche Information, ohne Verschiedenes zusammenzuzählen, wie Söderlund warnt.

Für die beiden Aussagen „hat sich meine Loyalität verdient“ und „Ich ziehe … allen anderen Anbietern vor“ nehme ich eine symmetrische Zustimmungsskala mit fünf Stufen: stimme überhaupt nicht zu (1), stimme eher nicht zu (2), weder noch (3), stimme eher zu (4), stimme voll und ganz zu (5). Diese Skala ist meine Wahl. Eine entsprechende Skalenbeschreibung habe ich in den beiden Burke-Dokumenten nicht gefunden. Weitere Beschriftungen finden Sie in der Liste verbreiteter Likert-Skalen.

Beispiel: der Fahrradladen mit fünf Fragen

Die zehn Kunden mit vollständigen Antworten aus dem Beispiel oben haben auch die beiden Aussagen bewertet (erfundene Antworten):

Im Bericht stehen dann drei Zahlen nebeneinander:

• Secure Customer Index: 3 von 10 = 30 %
• Anteil mit 5 bei „Loyalität verdient“: 3 von 10 = 30 %
• Anteil mit 5 bei „bevorzugt vor allen anderen“: 3 von 10 = 30 %

Drei gleiche Werte, aber nicht dieselben Personen. Von den drei Secure-Kunden gibt nur Person 1 auch bei beiden Aussagen eine 5. Person 4 dagegen ist „nur“ günstig eingestellt, stimmt beiden Aussagen aber voll zu. Und Person 7, die ganz sicher weiterempfehlen würde, stimmt der Aussage, den Fahrradladen allen anderen Anbietern vorzuziehen, eher nicht zu. Genau solche Muster gehen verloren, sobald Sie alles zu einer Zahl verrechnen.

Wenn Sie trotzdem eine Zahl brauchen

Manchmal verlangt ein Bericht oder ein Zielsystem eine einzige Zahl. Dann können Sie einen transparenten Ersatz bauen. Wichtig ist, dass Sie ihn so nennen, wie er ist: Das ist eine eigene Annahme, nicht die Methode von Burke.

Mein Vorschlag: Alle fünf Fragen haben eine Skala von 1 bis 5. Jede Antwort bekommt Punkte, 1 = 0, 2 = 25, 3 = 50, 4 = 75 und 5 = 100. Der Index einer Person ist der Mittelwert ihrer fünf Punktzahlen. Damit gewichte ich alle fünf Fragen gleich und behandle die Abstände zwischen den Antwortstufen als gleich groß. Das sind Annahmen dieses Ersatzindex:

Dabei ist x_ij die Antwort der Person i auf Frage j (von 1 bis 5) und I_i ihr Index zwischen 0 und 100. Der Ausdruck 25 · (x − 1) macht aus 1, 2, 3, 4, 5 genau die Punkte 0, 25, 50, 75, 100.

Im Beispiel: Eine Kundin antwortet 5, 4, 4, 5 und 3. Das ergibt 100, 75, 75, 100 und 50 Punkte, zusammen 400. Geteilt durch 5 ist ihr Index 80.

Der Index einer Gruppe ist der Mittelwert der Personenwerte:

Dabei ist n die Zahl der Personen mit fünf vollständigen, gültigen Antworten von 1 bis 5 und Ī der Gruppenindex. Personen mit fehlenden oder ungültigen Werten werden nicht einbezogen und getrennt gezählt.

Rechnen wir eine kleine Gruppe von fünf Personen durch (erfundene Antworten, Reihenfolge Zufriedenheit, Weiterempfehlung, Wiederverwendung, Loyalität verdient, bevorzugt):

Im Beispiel nach Formel (3): (80 + 100 + 75 + 50 + 90) / 5 = 395 / 5 = 79.

Ein Gruppenindex von 79 heißt übrigens nicht, dass 79 % der Kunden etwas Bestimmtes getan oder gesagt haben. Es ist ein Durchschnitt von Punkten. Der klassische SCI derselben fünf Personen liegt bei 20 %, denn nur Herr B. hat bei den ersten drei Fragen dreimal die 5 gewählt. Beide Zahlen messen etwas anderes.

Ein anderes Schema, eine andere Zahl

Jetzt der wichtigste Vorbehalt. Die Punkte 0, 25, 50, 75 und 100 sind eine Entscheidung, keine Naturkonstante. Man könnte genauso gut sagen: Nur eine 5 ist wirklich gut und bekommt 100 Punkte, eine 4 bekommt 50, alles darunter 0.

Für Frau A. mit 5, 4, 4, 5 und 3 ergibt das 100, 50, 50, 100 und 0 Punkte, zusammen 300, geteilt durch 5 also 60 statt 80. Für die ganze Gruppe: Frau A. 60, Herr B. 100, Frau C. 50, Herr D. 10 und Frau E. 80, im Mittel 300 / 5 = 60 statt 79.

Dieselben 25 Antworten ergeben also einmal 79 und einmal 60. Die 19 Punkte Unterschied kommen allein aus dem Schema, nicht aus den Kunden. Das ist genau das Problem, das ich oben beim erweiterten SCI beschrieben habe, nur dass Sie hier beide Schemata kennen.

Was folgt daraus für Ihren Ersatzindex? Vergleichen Sie den Wert nur mit sich selbst über die Zeit, nie mit Werten anderer Unternehmen oder mit Burke. Schreiben Sie das Schema auf, am besten direkt in jeden Bericht. Und ändern Sie es nicht mehr, sobald Sie die erste Messung haben. Sonst vergleichen Sie zwei verschiedene Kennzahlen miteinander.

Das Beispiel mit fünf Personen zeigt nur die Rechnung. Ob sich eine beobachtete Veränderung statistisch absichern lässt, hängt unter anderem von ihrer Größe, der Streuung und dem Befragungsdesign ab. Wie viele Antworten Sie brauchen, lesen Sie im Artikel Berechnung der Stichprobengröße.

Übrigens, auch den Ersatzindex rechnen Sie mit den aus QUESTIONSTAR exportierten Rohdaten (CSV, Excel oder SPSS) oder per MCP mit einem KI-Assistenten, der dann rechnet. Der Hinweis zum Datenschutz von oben gilt ebenso.

Häufige Fragen zum Secure Customer Index

Was ist der Secure Customer Index?

Der Secure Customer Index (SCI) ist eine Kennzahl für Kundenloyalität aus drei Fragen: Zufriedenheit, Weiterempfehlung und Wiederkauf. Er gibt an, welcher Anteil der Kunden auf allen drei Fragen die beste Antwort wählt. Diese Kunden gelten als „secure“, also als sicher gebunden. Mehr dazu oben.

Wie berechnet man den SCI?

Sie zählen die Personen mit drei vollständigen, gültigen Antworten von 1 bis 5 und darunter diejenigen mit dreimal der 5. Die zweite Zahl teilen Sie durch die erste. Haben 3 von 10 Personen dreimal die 5 gewählt, liegt der SCI bei 30 %.

Was unterscheidet Secure, Favorable, Indifferente und At Risk?

Secure sind Personen mit dreimal der besten Stufe. Favorable, auf Deutsch Günstige Einstellung, wählen überall die beste oder zweitbeste Stufe, sind aber nicht Secure. At Risk, auf Deutsch Gefährdete, haben auf mindestens einer Frage die schlechteste oder zweitschlechteste Stufe gewählt. Alle übrigen sind Indifferente (Baker-Prewitt 2007, Folie 13). Prüfen Sie Gefährdete vor Indifferenten.

Kann ich den erweiterten SCI von Burke selbst berechnen?

Aus den hier geprüften öffentlich zugänglichen Quellen allein nicht. Die fünf Fragen sind dokumentiert, eine vollständige Vorschrift für Punktevergabe, Skalen, Gewichtung und Gruppenwert habe ich darin nicht gefunden. Sie können den klassischen SCI berechnen und die beiden neuen Fragen als eigene Anteile daneben stellen. Oder Sie bauen einen eigenen Index mit offengelegten Punkten und kennzeichnen ihn als eigene Annahme. Mehr dazu oben.

SCI oder NPS?

Der Net Promoter Score beruht auf einer einzigen Frage nach der Weiterempfehlung auf einer Skala von 0 bis 10. Der SCI nimmt Zufriedenheit und Wiederkauf hinzu und zeigt damit Fälle, die der NPS nicht sieht, etwa Kunden, die gern empfehlen, aber selbst unsicher sind, ob sie wiederkommen. Beide lassen sich nicht ineinander umrechnen, weil Skalen und Regeln verschieden sind. Mein Rat: Entscheiden Sie sich für eine Kennzahl als Hauptwert und bleiben Sie über die Zeit dabei. Mehr zum NPS im Artikel Net Promoter Score (NPS).

Quellen

ACSI (o. J.). The Science of Customer Satisfaction. American Customer Satisfaction Index. theacsi.com, abgerufen am 08.11.2026.

Baker-Prewitt, J. (2007). Keeping Customer Relationship Measurement Programs Relevant: Using Your Resources Wisely. Burke, Inc., Vortrag, North American Conference on Customer Management, Oktober 2007. Folien 12-18.

Brandt, D. R. (1996). Secure Customer Index. Maritz Research. Zitiert nach Marx (2026), Folie 70.

Burke, Inc. (2007). Advances in Customer Loyalty Measurement. White Paper, Pub. No. 0702. S. 2-4.

Marx, P. (2026). Grundlagen der Umfrageforschung (Foliensatz). Folien 70-71 (Kapitel 2.4, Secure Customer Index).

Prus, A. und Brandt, D. R. (1995). Understanding Your Customers: What You Can Learn from a Customer Loyalty Index. Marketing Tools, Juli/August 1995, S. 10-14.

Söderlund, M. (2006). Measuring customer loyalty with multi-item scales: A case for caution. International Journal of Service Industry Management, 17(1), 76-98. DOI 10.1108/09564230610651598.

Van Bennekom, F. C. (2012). Understanding the Two Major Customer Insight Metrics: CEM & NPS. Session 403, ICMI ACCE 2012 (Folien © 2009). Folie 28. icmi.com

In den Unterlagen von Burke (2007) ist Secure Customer Index als eingetragene Marke gekennzeichnet.

Sollten Sie beim Lesen auf inhaltliche Fehler oder Ungenauigkeiten aufmerksam geworden sein, so wäre der Autor für einen Hinweis dankbar. Das gilt besonders, falls Sie eine veröffentlichte Beschreibung der Punktevergabe im erweiterten SCI kennen. Schreiben Sie an redaktion@questionstar.de.

Ich wünsche Ihnen viele Kunden, die dreimal die 5 wählen!

Dr. Paul Marx

Autor: Dr. Paul Marx
Dr. Paul Marx ist Gründer und Geschäftsführer von QUESTIONSTAR und war Professor für Marketing an der Universität Siegen.