steigern Sie Ihren Umsatz im Online-Shop mit präziser Web-Analyse

Web-Analyse für E-Commerce: Die Kennzahlen, die wirklich zählen, und die, die Sie ignorieren sollten

Jeder E-Commerce-Shop hat Analytics. Google Analytics, Shopify Analytics, Adobe, Matomo. Die meisten Shops haben mehr Daten, als sie verarbeiten können. Aber Daten ohne Interpretation sind nur Zahlen. Und die falschen Zahlen führen zu falschen Entscheidungen.

Wir haben Shops gesehen, die monatlich 20 Stunden in Analytics-Berichte investierten, und keine einzige messbare Verbesserung daraus zogen. Sie verfolgten die falschen Metriken, interpretierten Korrelationen als Kausalitäten und optimierten Vanity-Metriken statt Umsatz. Dieser Artikel zeigt, welche Kennzahlen wirklich zählen, und wie Sie aus Daten Entscheidungen machen, die Umsatz bringen.

Die drei Kategorien von E-Commerce-Kennzahlen

1. Vanity-Metriken: Sehen gut aus, bringen nichts

Vanity-Metriken sind Zahlen, die sich gut anhören, aber keinen Einfluss auf den Umsatz haben. Sie sind Ablenkung.

Seitenaufrufe: Ein Shop mit 1 Million Seitenaufrufen pro Monat klingt beeindruckend. Aber wenn die Conversion Rate bei 0,1% liegt, sind das 1.000 Käufe. Ein Shop mit 100.000 Aufrufen und 2% Conversion macht 2.000 Käufe, mit einem Zehntel des Traffics. Seitenaufrufe sind keine Erfolgsmetrik. Sie sind eine Kontextmetrik.

Time-on-Site: Längere Verweildauer bedeutet nicht mehr Engagement. Sie bedeutet oft mehr Verwirrung. Ein Kunde, der in 30 Sekunden findet, was er sucht, und kauft, ist besser als einer, der 5 Minuten sucht und dann abspringt.

Wir haben einen Shop gesehen, dessen Time-on-Site nach einem Redesign um 40% stieg, und die Conversion Rate um 15% sank. Die neue Navigation war schöner, aber unübersichtlicher.

Social Shares: Ein Blogartikel mit 500 Shares klingt gut. Aber wenn diese Shares von Nicht-Käufern kommen und keine Conversion generieren, sind sie wertlos. Social Shares sind Branding, nicht Umsatz.

2. Kontext-Metriken: Wichtig für Diagnose, nicht für Ziele

Kontext-Metriken helfen Ihnen zu verstehen, WAS passiert. Sie sollten keine Ziele sein, sie sollten Fragen beantworten.

Bounce-Rate: Eine hohe Bounce-Rate auf einer Landingpage ist schlecht. Eine hohe Bounce-Rate auf einer Blog-Seite ist normal. Eine hohe Bounce-Rate auf einer Produktseite bedeutet: Der Kunde fand nicht, was er erwartete. Die Bounce-Rate allein sagt nichts, sie sagt nur etwas im Kontext der Seite.

Traffic-Quellen: Wissen, woher Ihre Besucher kommen, ist wichtig. Aber der Traffic-Quelle allein zuzuschreiben, welcher Kanal „besser“ ist, führt zu falschen Entscheidungen. Ein organischer Besucher, der konvertiert, ist nicht „besser“ als ein bezahlter Besucher, der konvertiert, solange der Kosten-Per-Acquisition (CPA) unter dem Lifetime Value (LTV) liegt.

3. Umsatz-Metriken: Die einzigen Zahlen, die zählen

Diese Metriken haben einen direkten Zusammenhang mit Ihrem Umsatz. Jede Verbesserung hier bedeutet mehr Umsatz.

Revenue Per User (RPU): Umsatz geteilt durch Besucher. Dies ist die wichtigste Einzelmetrik. Sie kombiniert Traffic-Qualität, Conversion-Rate und durchschnittlichen Bestellwert in einer Zahl. Wenn RPU steigt, verdienen Sie mehr, egal was sonst passiert.

Beispiel aus der Praxis: Ein Modeshop optimierte seine Startseite. Die Conversion Rate stieg von 1,8% auf 2,1%. Der durchschnittliche Bestellwert sank von 85€ auf 78€ (weil die neue Startseite Schnäppchen-Produkte prominent zeigte). Die Conversion Rate stieg, aber RPU sank. Der Shop dachte, er hätte gewonnen. Tatsächlich hatte er verloren.

Conversion Rate by Channel: Nicht die Gesamt-Conversion Rate, die Conversion Rate pro Kanal. Ein Kanal mit 5% Conversion und 1.000 Besuchern bringt 50 Käufe. Ein Kanal mit 1% Conversion und 10.000 Besuchern bringt 100 Käufe. Der erste Kanal ist effizienter, aber der zweite bringt mehr Umsatz. Die Entscheidung: Mehr in den zweiten Kanal investieren, aber den ersten nicht vernachlässigen.

Warenkorb-zu-Checkout-Rate: Wie viele derer, die etwas in den Warenkorb legen, erreichen den Checkout? Diese Metrik zeigt Reibung im Warenkorb-Prozess. Ein Shop mit 40% Warenkorb-zu-Checkout hat ein Warenkorb-Problem. Ein Shop mit 80% hat ein Checkout-Problem. Die Lösungen sind komplett verschieden.

Die wichtigsten Analytics-Setups, die jeder Shop braucht

1. E-Commerce-Tracking in Google Analytics 4

Ohne E-Commerce-Tracking wissen Sie nicht, welche Produkte verkauft werden, welche Kategorien performen und welche Marketingkanäle Umsatz bringen. Das Setup ist einmalig und dauert 2–4 Stunden. Der ROI ist unendlich.

Was Sie tracken müssen: add_to_cart, begin_checkout, purchase, refund, view_item, view_item_list. Ohne diese Events sind Ihre Analytics-Daten wertlos für E-Commerce-Entscheidungen.

2. Funnel-Analyse im Checkout

Der Checkout-Funnel zeigt Ihnen, WO Kunden abbrechnen. Nicht allein, dass sie abbrechen, sondern an welchem Schritt.

Ein Elektronik-Shop hatte eine Checkout-Abbruchrate von 65%. Der Funnel zeigte: Schritt 1 (Adresse) → 92% Durchlauf. Schritt 2 (Versand) → 78% Durchlauf. Schritt 3 (Zahlung) → 61% Durchlauf. Das Problem war nicht der Checkout insgesamt, es war der Zahlungsschritt.

Die Ursache: Die Zahlungsarten wurden erst in Schritt 3 angezeigt. Kunden gaben alle Daten ein und stellten dann fest, dass ihre bevorzugte Zahlungsart fehlte. Nach Anzeige der Zahlungsarten bereits auf der Warenkorb-Seite stieg die Checkout-Durchlaufrate auf 74%.

3. Cohort-Analyse für Kundenbindung

Cohort-Analyse gruppiert Kunden nach ihrem ersten Kaufzeitpunkt und zeigt, wie viele von ihnen nach 30, 60, 90 Tagen erneut kaufen. Dies ist die wichtigste Metrik für langfristiges Wachstum.

Ein Beauty-Shop hatte eine hohe Erstkäufer-Conversion, aber die Cohort-Analyse zeigte: Nach 90 Tagen kauften nur 8% der Erstkäufer erneut. Die Lösung war nicht mehr Erstkäufer-Akquise, es war ein besseres Onboarding. Ein Willkommens-E-Mail-Flow mit Pflege-Tipps, Produkthilfe und Erinnerung zur Nachbestellung steigerte die 90-Tage-Repurchase-Rate auf 23%. Der LTV verdoppelte sich.

Der Analytics-zu-Handlung-Workflow

So machen wir aus Daten Entscheidungen:

1. 1

   Frage stellen.

   „Warum ist unsere Mobile-Conversion 40% niedriger als Desktop?“

2. 2

   Hypothese formulieren.

   „Die Mobile-Produktseite hat zu viele Elemente über dem Fold. Kunden scrollen nicht bis zum CTA.“

3. 3

   Daten sammeln.

   Heatmaps, Scroll-Maps, Session Recordings. Nicht ausschließlich Analytics, qualitative Daten.

4. 4

   Testen.

   A/B-Test: Variante A (aktuell) vs. Variante B (CTA höher platziert).

5. 5

   Entscheiden.

   Wenn B gewinnt: Ausrollen. Wenn A gewinnt: Neue Hypothese formulieren.

6. 6

   Dokumentieren.

   Was haben wir gelernt? Jede Erkenntnis fließt in den nächsten Test ein.

Häufige Fragen zur Web-Analyse

Welches Analytics-Tool sollte ich nutzen?

Google Analytics 4 ist der Standard., umfassend, gut dokumentiert. Für datenschutzbewusste Shops: Matomo (self-hosted). Für Enterprise: Adobe Analytics. Wichtiger als das Tool ist das Setup. Ein schlecht konfiguriertes Premium-Tool ist schlechter als ein gut konfiguriertes Tool.

Wie oft sollte ich Analytics auswerten?

Täglich für operative Metriken (Umsatz, Conversion, Abbruchrate). Wöchentlich für strategische Metriken (Cohort-Analyse, Kanal-Performance). Monatlich für strategische Reviews (LTV, CAC, RPU-Trends). Nie seltener als monatlich, sonst verpassen Sie Probleme, bis sie teuer werden.

Was ist die wichtigste Metrik?

Revenue Per User (RPU). Sie vereint alles, was zählt: Traffic-Qualität, Conversion-Rate, AOV. Wenn Sie nur eine Metrik verfolgen, nehmen Sie RPU.

Wie vermeide ich Analysis Paralysis?

Indem Sie jede Metrik an eine Handlung knüpfen. Wenn eine Metrik keine konkrete Handlung auslöst, verfolgen Sie sie nicht. „Die Bounce-Rate ist 45%“ ist eine Tatsache. „Die Bounce-Rate ist 45%, also testen wir eine neue Headline“ ist eine Handlung. Keine Handlung = keine Metrik.

Sollte ich einen Data Analyst einstellen?

Für Shops unter 1 Mio. € Umsatz pro Jahr: Nein. Nutzen Sie ein CRO-Tool oder einen Freelancer für das Setup und wöchentliche Reviews. Für Shops über 1 Mio. €: Ja, aber stellen Sie jemanden ein, der nicht bloß berichtet, sondern testet. Ein Analyst, der keine Tests durchführt, ist ein teurer Berichterstatter.

Web-Analyse und Data Storytelling

Data Storytelling macht Analysen handlungsorientiert. Ein Elektronik-Shop präsentierte nicht nur Zahlen, sondern Erzählungen. „Der Kunde kommt über Google, findet die Seite, verlässt sie nach 12 Sekunden. Warum?“ Ergebnis: Die Handlungsrate stieg um 56 Prozent.

Web-Analyse und Echtzeit-Dashboards

Echtzeit-Dashboards beschleunigen Entscheidungen. Ein Elektronik-Shop baute ein Echtzeit-Dashboard für Black Friday. Ergebnis: Probleme wurden in 3 Minuten statt 3 Stunden erkannt. Die Reaktionszeit sank um 94 Prozent. Der Umsatz an diesem Tag stieg um 23 Prozent.

Vertiefendes Material dazu finden Sie im Academy-Track Data-Driven Decision Making ↗.