Web-Analytics: Von Daten zu Entscheidungen
Wir haben in über 100 Projekten Web-Analytics betrieben. Dieser Artikel zeigt die Methoden, die wir nutzen. und die Erkenntnisse, die daraus entstanden sind. Nicht als theoretisches Framework. Sondern als praktische Anleitung.
Der Funnel-Scan mit Segmenten
Die klassische Funnel-Analyse zeigt: 100% Besucher → 35% Produktseite → 10% Warenkorb → 3% Kauf. Das ist nützlich, aber oberflächlich. Die wichtigen Erkenntnisse liegen in den Segmenten.
Ein Fashion-Shop hatte eine Gesamt-Conversion von 1,4 Prozent. Der Funnel sah unauffällig aus. Aber die Segment-Analyse zeigte: Desktop 2,9 Prozent, Mobile 0,8 Prozent, Tablet 2,1 Prozent. Die Mobile-Lücke war das Problem. Ohne Segment-Analyse hätte man den Funnel als „akzeptabel“ eingestuft.
Ein Supplement-Shop hatte 1,9 Prozent Gesamt-Conversion. Nach Traffic-Quelle: Organisch 2,6 Prozent, Google Ads 1,3 Prozent, Instagram 0,7 Prozent. Die Ads landeten auf der Startseite statt auf Kategorien. Die Absprungrate lag bei 72 Prozent. Wir änderten die Landing Pages. Die Ads-Conversion stieg auf 2,4 Prozent. Der ROAS verdoppelte sich.
Die Heatmap-Interpretation
Heatmaps zeigen, wo geklickt wird. Aber sie zeigen nicht, warum. Die Interpretation ist der zentrale Schritt.
Ein Elektronik-Shop zeigte in Heatmaps: 27 Prozent der Klicks gingen auf das Produktbild (Zoom erwartet), aber es gab keinen Zoom. 21 Prozent gingen auf die Bewertungs-Sterne (Details erwartet), aber sie waren nicht klickbar. 16 Prozent gingen auf den Versandkosten-Link im Footer.
Die naive Interpretation: Zoom implementieren, Sterne klickbar machen, Versandkosten prominenter platzieren. Die richtige Interpretation: Die Nutzer suchen nach Informationen, die sie nicht finden.
Wir fügten einen Bild-Zoom hinzu (+14 Prozent Conversion). Wir machten die Sterne klickbar (kein Conversion-Effekt. die Bewertungen selbst waren schlecht). Wir fügten einen „Versand & Rückgabe“-Accordion direkt unter dem Preis hinzu (+7 Prozent Conversion).
Die Session-Recording-Analyse
Session Recordings zeigen, was Nutzer wirklich tun. Nicht was sie sagen, sie tun. Nicht was sie glauben, sie tun. Sondern was sie tatsächlich tun.
Wir analysieren Recordings systematisch: Wir filtern nach Sessions mit Abbruch auf bestimmten Seiten, sortieren nach Länge, und suchen nach Mustern in Gruppen von 50+ Sessions.
Ein Möbel-Shop hatte eine hohe Abbruchquote auf der Checkout-Seite. Die Recordings zeigten ein Muster: Nutzer öffneten das Adressformular, begannen zu tippen, stoppten, scrollten zur Zahlungsauswahl, scrollten zurück, tippten weiter, stoppten wieder.
Die Hypothese: Die Nutzer wollten wissen, welche Zahlungsoptionen verfügbar waren, bevor sie ihre Adresse eingaben. Wir testeten eine Variante, die die Zahlungsoptionen bereits über dem Adressformular anzeigte. Die Abbruchquote sank um 21 Prozent.
Die Kohorten-Analyse
Kohorten-Analyse gruppiert Nutzer nach gemeinsamen Merkmalen und verfolgt ihr Verhalten über Zeit. Die wichtigste Kohorte: Erstkäufer vs. Wiederkäufer.
Ein Supplement-Shop: Erstkäufer 1,9 Prozent Conversion. Wiederkäufer 8,7 Prozent. Der durchschnittliche Warenkorbwert der Wiederkäufer lag um 38 Prozent höher.
Wir fokussierten unsere Strategie auf die ersten 60 Tage nach dem ersten Kauf: Willkommens-E-Mails, Replenishment-Erinnerungen, Cross-Sell-Angebote. Die Wiederkauf-Rate stieg von 24 auf 33 Prozent. Der Customer Lifetime Value stieg um 31 Prozent.
Fazit: Analytics ohne Interpretation sind nur Zahlen
Web-Analytics ist kein technisches Problem. Es ist ein Denkproblem. Wer glaubt, dass Daten für sich sprechen, wird die falschen Schlüsse ziehen. Wer versteht, dass Daten Muster zeigen, die interpretiert werden müssen, gewinnt einen Wettbewerbsvorteil.
Die vier Methoden in diesem Artikel. Funnel-Scan mit Segmenten, Heatmap-Interpretation, Session-Recording-Analyse und Kohorten-Analyse. haben in echten Shop-Projekten messbare Ergebnisse geliefert. Nicht weil die Methoden neu sind. Sondern weil sie systematisch angewendet werden.
Die Bedeutung der richtigen Metriken
Nicht alle Metriken sind gleich wichtig. Viele Shops verfolgen Vanity-Metriken: Seitenaufrufe, Likes, Follower. Das sind Zahlen, die gut aussehen, aber nichts über den Geschäftserfolg aussagen.
Wir konzentrieren uns auf vier Kernmetriken: Conversion Rate (der wichtigste Indikator), durchschnittlicher Bestellwert (zeigt das Kaufverhalten), Customer Lifetime Value (zeigt langfristigen Wert) und Return on Ad Spend (zeigt Marketing-Effizienz).
Ein Fashion-Shop verfolgte nur die Besucherzahl. Er freute sich über 20 Prozent mehr Traffic. bis wir zeigten, dass die Conversion um 15 Prozent gesunken war. Der Traffic kam aus einer neuen Quelle mit niedrigem Kaufintent. Die Metrik „Besucher“ war irrelevant. Die Metrik „Conversion“ zeigte das Problem.
Wenn Sie wissen wollen, was das für Ihren Shop bedeutet, vereinbaren Sie einen Termin. Wir analysieren Ihren Shop und zeigen Ihnen die größten Hebel.
Zuletzt aktualisiert:
