Community-Bewertungen richtig lesen

Auf einer Duftseite steht 8,2 von 10, darunter eine kleinere Zahl in Klammern. Die meisten lesen die erste und überspringen die zweite. Dabei entscheidet die zweite darüber, ob die erste überhaupt etwas bedeutet.

Wir führen 4308 Originale. Für 1490 davon liegen Community-Wertungen vor: Gesamtwertung, Flakon, Sillage, Haltbarkeit und Preis-Leistung, jede mit eigener Stimmenzahl. Sie stammen aus der Bewertungsgemeinschaft von Parfumo und sind Selbsteinschätzungen von Käufern, keine Labordaten – das gilt für alles, was in diesem Artikel aus ihnen folgt. Die übrigen 2818 Einträge tragen keine einzige Wertung; sie stehen bei uns, weil ein Dupe-Shop sie als Vorlage nennt, nicht weil jemand sie bewertet hätte. Zu Fragrantica, der anderen großen Plattform, haben wir keine Daten, und deshalb sagen wir über deren Zahlen nichts.

Was folgt, ist kein Misstrauensvotum gegen diese Werte. Es ist der Versuch, aus 1490 Wertungssätzen abzulesen, welche Unterschiede tragfähig sind und welche man getrost ignorieren kann.

Die Skala ist viel schmaler, als sie aussieht

Nominell geht die Duftwertung von 0 bis 10. Tatsächlich belegt sind bei uns 6,5 bis 9,6. Der Median liegt bei 8,0, die Standardabweichung – das übliche Maß dafür, wie weit die Werte um den Mittelwert streuen – bei 0,403. 1256 der 1490 Düfte, also gut vier von fünf, liegen zwischen 7,5 und 8,5. Nur 22 Düfte stehen unter 7,0, nur 11 bei 9,0 oder darüber.

Praktisch heißt das: Zwischen einem Duft mit 8,1 und einem mit 8,3 liegt nichts, worauf sich eine Kaufentscheidung stützen ließe. Beide sitzen im dicksten Teil der Verteilung. Erst ab etwa einem halben Punkt lohnt sich das Hinsehen, und ab einem ganzen Punkt reden wir über zwei wirklich verschiedene Lager.

Interessant wird es beim Vergleich der Teilkategorien. Die Gesamtwertung ist von allen die am stärksten zusammengedrückte:

Die Flakonnote streut fast doppelt so weit wie die Duftnote, die Preis-Leistungs-Note mehr als doppelt so weit. Über ein Design oder über einen Preis lässt sich offenbar leichter streiten als über einen Duft – oder genauer: Beim Duft trauen sich weniger Leute in die Randbereiche der Skala. Die Zahl, auf die alle schauen, ist damit ausgerechnet die, die am wenigsten unterscheidet.

Wer bewertet, hat sich selbst dafür entschieden

Niemand wird ausgelost, um einen Duft zu benoten. Die Statistik nennt das Selbstselektion: Die Untersuchten entscheiden selbst, ob sie zur Stichprobe gehören. Das Ergebnis ist auch dann nicht repräsentativ, wenn die Demografie zufällig passt, weil sich vor allem meldet, wer ein starkes Interesse am Gegenstand hat. Das klassische Lehrbuchbeispiel ist die Umfrage des Literary Digest von 1936: 10 Millionen verschickte Fragebögen, 2,38 Millionen Rückläufer, daraus die Vorhersage von 57,08 Prozent für Alf Landon. Er bekam 37,54 Prozent.

In unseren Daten lässt sich der Effekt direkt ablesen. Sortiert man die 1490 Düfte nach Stimmenzahl, sieht das so aus:

In der obersten Zeile gibt es keinen einzigen schlechten Duft. Der niedrigste Wert unter allen 83 dünn bewerteten Düften ist 7,8 – ein Wert, den in den anderen Gruppen ein Viertel bis ein Drittel des Feldes unterschreitet. Das liegt nicht daran, dass wenig beachtete Düfte besser wären. Es liegt daran, dass sie fast nur von Leuten bewertet werden, die sie gesucht, gekauft und gemocht haben. Wer einen Nischenduft nicht mag, hat ihn meist nie in der Hand gehabt.

Die beiden bestbewerteten Einträge unserer Datenbank sind zwei Kinderdüfte von Petite Beaute, Spongebob Squarepants – Patrick mit 9,6 aus 207 Stimmen und Spongebob mit 9,5 aus 328. Beide 14,90 Euro für 50 ml, beide mit Werten von 9,4 bis 9,8 in jeder einzelnen Kategorie, Haltbarkeit und Sillage eingeschlossen. Am anderen Ende steht Rabanne Invictus von 2013 mit 6,5 aus 2180 Stimmen, dahinter DKNY Be Delicious mit 6,6 aus 758 und Lancôme La Vie est Belle mit 6,6 aus 2106 – Düfte, die man in jeder Drogerie an jeder Kasse riecht.

Daraus folgt nicht, dass Spongebob besser riecht als Invictus. Es folgt, dass die Wertung misst, wie einig sich diejenigen sind, die sich zum Bewerten entschieden haben. Bei einem Massenerfolg bewerten auch die mit, die ihn geschenkt bekommen und an drei Kollegen gerochen haben. Bei einem Fanprodukt bewerten fast nur Fans. Auch Chanel Coco steht mit 9,1 sehr weit oben – dahinter stehen 152 Stimmen, die wenigsten in unserem gesamten Bestand.

Der Halo zieht die Nebenkategorien mit

Der Halo-Effekt beschreibt, dass Menschen faktisch unabhängige oder nur mäßig zusammenhängende Eigenschaften fälschlicherweise als verbunden wahrnehmen. Edward Lee Thorndike prägte den Begriff, nachdem er im Ersten Weltkrieg untersucht hatte, wie Offiziere ihre Soldaten beurteilten: Wer ein hübsches Gesicht und eine gute Haltung hatte, bekam auch in völlig unabhängigen Fähigkeiten bessere Noten.

Genau dieses Muster steckt in den Teilnoten. Die Korrelation zwischen Gesamtwertung und Flakonnote beträgt bei uns 0,433, zwischen Gesamtwertung und Haltbarkeit 0,365, zwischen Gesamtwertung und Sillage 0,349 – jeweils ein moderater, aber klar sichtbarer Gleichlauf. Wer den Duft mag, findet auch die Flasche schöner und hält ihn für länger haltbar. Ob das an der Wahrnehmung liegt oder daran, dass teure Düfte tatsächlich beides mitbringen, entscheiden unsere Daten nicht.

Dass die Kategorien sich trennen können, zeigt der Gegenfall: Marc Gebauer Air Tiger hat mit 9,7 die höchste Haltbarkeitsnote unseres gesamten Bestands und kommt trotzdem nur auf 7,0 Gesamtwertung – aus 1650 Stimmen, also keine dünne Basis. Eine Spitzennote in einer Teilkategorie hebt das Gesamturteil nicht automatisch mit.

Die eine Spalte, die dem Sog entkommt, ist die Preis-Leistung. Ihre Korrelation mit der Gesamtwertung liegt bei −0,097, also praktisch null. Stattdessen hängt sie am Preis: −0,614 gegen den Preis pro Milliliter. Und sie hängt gegenläufig an der Flakonnote, −0,472 – je schöner die Flasche, desto schlechter das Preis-Leistungs-Urteil. Das ist die Spalte, die tatsächlich eigene Information trägt, und sie ist zugleich die mit den wenigsten Stimmen: 697 im Schnitt gegen 1077 bei der Duftnote. In allen 1490 Fällen ohne Ausnahme haben weniger Leute die Preis-Leistung bewertet als den Duft.

Bei Shop-Bewertungen liegt alles zwischen 4,6 und 4,9

Für Dupe-Shops führen wir ebenfalls Bewertungen, aber von Handelsplattformen statt aus einer Duftcommunity. Bisher sind es acht Shops, erfasst am 3. und 5. August 2026. Die Spanne über alle: 4,60 bis 4,90 von 5, im Mittel 4,72. Vier Quellen kommen vor – Trustpilot, Trusted Shops, judge.me und in fünf Fällen die Angabe des Shops auf der eigenen Seite, ohne externe Prüfstelle.

Eine Spanne von drei Zehnteln über acht Anbieter ist keine Sortierhilfe. Der Grund ist zum Teil schlichte Arithmetik: Kazaar Fragrances stand am 3. August bei 4,70 aus 13093 Bewertungen. Hundert Ein-Stern-Bewertungen am Stück würden diesen Schnitt auf rund 4,67 drücken. Ein Durchschnitt aus fünfstelliger Stimmenzahl ist praktisch eingefroren; er beschreibt die Vergangenheit des Shops, nicht seinen aktuellen Zustand.

Zwischen unseren beiden Messungen im Abstand von zwei Tagen kamen bei Kazaar 14 Bewertungen dazu, bei Epris Fragrances 15. Bei L'ARISÉ fiel die Zahl von 1996 auf 1973 – solche Zähler sind bei manchen Plattformen ein rollierendes Zeitfenster, den Grund im Einzelfall kennen wir nicht. Die Durchschnittsnote bewegte sich in allen drei Fällen um exakt null.

Dazu kommt, dass diese Zahlen manipulierbar sind. Fälschungen werden mit Sockenpuppen-Konten geschrieben oder gekauft; für Amazon nennt die deutsche Wikipedia die Schätzung, dass durchschnittlich jede 40. Bewertung eine Fälschung ist. Der Gesetzgeber hat darauf reagiert: Nach § 5b Absatz 3 UWG gilt als wesentliche Information, ob und wie ein Unternehmer sicherstellt, dass veröffentlichte Bewertungen von Verbrauchern stammen, die die Ware tatsächlich gekauft oder genutzt haben. Wer diese Angabe auf einer Shop-Seite nicht findet, hat schon eine Antwort.

Was praktisch übrig bleibt

Drei Handgriffe machen aus den Zahlen brauchbare Information. Erstens: Stimmenzahl vor Nachkommastelle. Bei uns liegt der Median bei 722 Stimmen je Duft, fünf Prozent der Einträge kommen mit weniger als 296 aus. Unter etwa 300 Stimmen ist die Wertung eine Aussage über eine kleine, wohlgesonnene Gruppe. Unser Bestand hat dabei noch einen künstlichen Boden – der niedrigste Wert überhaupt sind 152 Stimmen. Auf einer Shop-Produktseite mit zwölf Rezensionen sieht die Lage deutlich schlechter aus.

Zweitens: Die Teilnoten getrennt lesen und dabei wissen, welche davon vom Gesamturteil mitgezogen wird. Haltbarkeit und Sillage laufen der Gesamtwertung hinterher, die Preis-Leistung nicht. Drittens: Zwei Düfte nur dann über ihre Wertung vergleichen, wenn sie ähnlich viele Stimmen haben. Ein 8,3 aus 250 Stimmen und ein 7,9 aus 4000 sind keine vergleichbaren Größen.

Rabanne Invictus: 6,5 Punkte aus 2180 Stimmen, die niedrigste Duftwertung unseres Bestands – und sieben Dupes ab 27 Cent pro Milliliter gegenüber 1,21 Euro beim Original →

Was keine dieser Zahlen leistet, ist eine Vorhersage für die eigene Haut. Eine Gesamtwertung fasst zusammen, wie mehrere hundert fremde Nasen einen Duft an mehreren hundert fremden Körpern erlebt haben. Sie sagt nichts darüber, ob die Basisnote bei einem selbst nach zwei Stunden kippt.

Und eine Lücke bleibt bei uns offen, die wir nicht klein reden: Wir speichern je Duft einen Wertungsstand, keine Zeitreihe. Wird ein Parfum reformuliert und rutscht die Wertung daraufhin ab, sehen wir davon nichts – wir sehen nur den Durchschnitt aus alter und neuer Rezeptur, in dem die früheren Stimmen umso schwerer wiegen, je länger der Duft schon auf dem Markt ist. Bei Klassikern mit vier- und fünfstelligen Stimmenzahlen ist das kein Randproblem, sondern die wahrscheinlichste Fehlerquelle überhaupt.