Conversion-Optimierung im Online-Shop: Analyse, Hypothesen, Tests

Conversion-Optimierung wird oft mit einer Liste von Tipps verwechselt: Button-Farbe, Vertrauenssiegel, Countdown. Das ist der Grund, warum sie in vielen Shops nichts bringt. Die Tipps sind nicht falsch, aber sie passen nicht auf jeden Shop, und niemand weiß hinterher, was gewirkt hat. Dieser Leitfaden beschreibt die Methode: wie du analysierst, wo Besucher verloren gehen, daraus Hypothesen formulierst, sie priorisierst, umsetzt und misst. Was die Conversion-Rate als Kennzahl ist und wie du sie berechnest, steht im Artikel zur Conversion-Rate im Online-Shop. Hier geht es um das Vorgehen.

Was Conversion-Optimierung ist und was nicht

Conversion-Optimierung ist ein Kreislauf aus fünf Schritten: Analyse, Hypothese, Priorisierung, Umsetzung, Messung. Dann wieder von vorn. Der Kreislauf unterscheidet sich von der Tipp-Liste in drei Punkten:

• Er beginnt mit deinen Daten, nicht mit einer allgemeinen Empfehlung.
• Jede Änderung hat eine Erwartung, die vorher aufgeschrieben ist.
• Jede Änderung wird gemessen, an einer Kennzahl, die nah an der Änderung liegt.

Was Conversion-Optimierung nicht ist: eine Rabattaktion. Rabatte erhöhen die Conversion-Rate fast immer, senken aber die Marge. Sie gehören zur Preisstrategie, nicht zur Optimierung.

Voraussetzungen: Messung, Fallzahl, Zeit

Drei Dinge müssen stehen, bevor der erste Durchlauf Sinn hat.

Die Messung stimmt. Bestellungen und Umsatz in GA4 weichen nur wenige Prozent vom Shop-Backend ab, und die vier Standard-Ereignisse view_item, add_to_cart, begin_checkout und purchase sind vorhanden. Wenn nicht, ist das die erste Aufgabe, vor jeder Optimierung.

Die Fallzahl reicht. Bei 30 Bestellungen im Monat ist die Conversion-Rate zu grob, um Verbesserungen zu erkennen. Dann arbeitest du an offensichtlichen Fehlern und an Reichweite. Ab einigen hundert Bestellungen im Monat werden Segment-Vergleiche lesbar, ab einigen hundert Bestellungen je Variante werden A/B-Tests möglich.

Es gibt einen festen Rhythmus. Ein Durchlauf dauert zwei bis vier Wochen. Ohne festen Termin für Analyse und Auswertung bleibt es beim ersten Durchlauf.

Schritt 1: Analyse – wo verlierst du Besucher?

Ziel der Analyse ist nicht, alles zu wissen, sondern die eine Stelle zu finden, an der der größte Verlust entsteht. Zwei Arten von Daten gehören zusammen: Zahlen, die zeigen, wo es hakt, und Beobachtungen, die zeigen, warum.

Die Zahlen: Trichter und Segmente

Der Trichter hat vier Schritte, die GA4 über die Standard-Ereignisse liefert: Produktansicht, Warenkorb, Checkout-Start, Kauf. In der explorativen Trichteranalyse baust du ihn nach; die Funktion ist in der Google-Hilfe zur Trichteranalyse beschrieben, den Aufbau Schritt für Schritt zeigt der Artikel zum Kauf-Trichter in GA4.

Beispiel, konstruiert: 20.000 Produktansichten, 1.800 Warenkörbe (9 %), 900 Checkout-Starts (50 % der Warenkörbe), 630 Käufe (70 % der Checkout-Starts). Der größte relative Verlust liegt zwischen Warenkorb und Checkout-Start. Dort beginnt die Analyse, nicht auf der Produktseite.

Den Trichter teilst du anschließend nach drei Dimensionen auf: Gerät (mobil gegen Desktop), Kanal (Markensuche, generische Suche, Ads, Social, E-Mail) und Landingpage-Typ (Kategorie, Produkt, Startseite, Blog). Fast immer steckt der Verlust in einem Segment, nicht im Gesamtwert. Ein Trichter, der nur mobil einbricht, hat andere Ursachen als einer, der nur bei Social-Traffic einbricht. Warum die mobile Rate strukturell niedriger liegt und was davon behebbar ist, steht im Artikel zur mobilen Conversion-Rate.

Die Beobachtungen: warum es hakt

Zahlen zeigen die Stelle, nicht den Grund. Für den Grund gibt es fünf Quellen, die jeder Shop hat:

1. Testkauf als Neukunde, auf dem eigenen Handy, in schlechtem Netz, ohne gespeicherte Daten. Jede Irritation notieren. Das ist die billigste Analysemethode und wird am seltensten gemacht.
2. Kundenservice-Fragen. Was Kunden vor dem Kauf fragen, fehlt auf der Seite. Eine Liste der letzten 50 Fragen ist eine fertige Hypothesen-Quelle.
3. Interne Suche. Suchbegriffe ohne Treffer und Suchbegriffe, nach denen niemand kauft, zeigen Lücken im Sortiment oder in der Navigation.
4. Retourengründe. Wiederkehrende Gründe sind ein Textproblem auf der Produktseite.
5. Sitzungsaufzeichnungen oder Umfragen, wenn du ein Tool dafür einsetzt; Consent-Fragen vorher mit Datenschutzbeauftragtem oder Anwalt klären. Fünf Aufzeichnungen von Abbrüchen im Checkout zeigen oft mehr als ein Monat Zahlen.

Ergebnis der Analyse ist ein Satz: „Der größte Verlust liegt bei [Trichterschritt] im Segment [Gerät/Kanal/Seite], und die Beobachtungen deuten auf [Grund].“

Schritt 2: Hypothesen formulieren

Eine Hypothese verbindet Beobachtung, Änderung, erwartete Wirkung und Kennzahl. Das Muster:

Weil wir [Beobachtung] sehen, erwarten wir, dass [Änderung] zu [Wirkung] führt, gemessen an [Kennzahl].

Zwei Beispiele, eines brauchbar, eines nicht:

Brauchbar: „Weil 50 % der mobilen Warenkörbe nicht in den Checkout gehen und im Warenkorb die Versandkosten erst nach Eingabe der Adresse erscheinen, erwarten wir, dass eine Versandkostenanzeige im Warenkorb die Rate Warenkorb zu Checkout-Start mobil erhöht, gemessen über 14 Tage gegen die 14 Tage davor.“

Nicht brauchbar: „Ein grüner Kaufbutton verbessert die Conversion.“ Keine Beobachtung, keine Kennzahl, keine Segment-Angabe. Das ist eine Meinung.

Sammle Hypothesen in einer Liste, nicht im Kopf. Aus einer Analyse entstehen typischerweise fünf bis fünfzehn. Die meisten werden nie umgesetzt, und das ist richtig so.

Schritt 3: Priorisieren

Nicht die spannendste Hypothese kommt zuerst, sondern die mit dem besten Verhältnis aus Wirkung und Aufwand. Eine einfache Bewertung mit vier Kriterien auf einer Skala von 1 bis 3 reicht:

Summe bilden, absteigend sortieren, die oberste Hypothese umsetzen. Beispiel aus der Praxis-Logik: „Versandkosten im Warenkorb anzeigen“ trifft alle Sitzungen mit Warenkorb (3), sitzt am größten Verlust (3), ist durch Trichter und Testkauf belegt (3) und in vielen Shopsystemen eine Einstellung (3). Zwölf Punkte. „Produktvideos für alle Artikel“ hätte Reichweite 3, Wirkung 1 bis 2, Sicherheit 1, Aufwand 1. Das kann warten.

Schritt 4: Umsetzen und testen

Es gibt zwei Wege, eine Änderung zu prüfen, und die Fallzahl entscheidet, welcher passt.

A/B-Test: Zwei Varianten laufen gleichzeitig, Besucher werden zufällig verteilt. Das ist die sauberste Methode, weil Saison, Kampagnen und Wochentage beide Varianten gleich treffen. Sie braucht aber einige hundert Bestellungen je Variante, sonst ist das Ergebnis Zufall. Wann ein Test im kleinen Shop aussagekräftig ist und wie du ihn aufsetzt, steht im Artikel zu A/B-Tests im kleinen Shop.

Vorher-Nachher-Vergleich: Eine Änderung, zwei volle Wochen vorher gegen zwei volle Wochen nachher, an der Kennzahl aus der Hypothese. Weniger sauber, weil sich in der Zwischenzeit anderes ändern kann, aber für die meisten kleinen Shops der einzige gangbare Weg. Drei Regeln machen ihn belastbar:

• Nur eine Änderung im Messzeitraum. Keine parallele Kampagne, kein neues Theme, kein Preiswechsel.
• Volle Wochen vergleichen, damit Wochentagsmuster ausgeglichen sind.
• Die Trichter-Kennzahl messen, nicht den Umsatz. Wer die Versandkosten früher zeigt, misst Warenkorb zu Checkout-Start, nicht die Gesamt-Conversion-Rate.

Bei offensichtlichen Fehlern, etwa einem Element, das auf dem Handy die Zahlungsauswahl überdeckt, brauchst du keinen Test. Beheben, notieren, weiter.

Schritt 5: Messen und dokumentieren

Am Messtermin beantwortest du drei Fragen: Hat sich die Kennzahl aus der Hypothese bewegt? In die erwartete Richtung? Ist die Bewegung größer als das normale Rauschen der Vorwochen? Wenn ja: behalten und notieren. Wenn nein: zurückdrehen oder behalten, weil es keinen Schaden angerichtet hat, und notieren.

Die Notiz ist der wichtigste Teil. Ein Logbuch mit Datum, Hypothese, Änderung, Kennzahl vorher, Kennzahl nachher, Entscheidung. Nach einem halben Jahr weißt du, was in deinem Shop wirkt, und wiederholst keine Analyse. Wenn du ein Dashboard nutzt, hilft eine Ansicht, die den Trichter vor und nach einem Datum gegenüberstellt; in ecomando zeigt die Trichter-Messung die vier Schritte nebeneinander und den Vergleich zum Vorzeitraum.

Die typischen Baustellen im Überblick

Die Methode findet die Baustelle; die Lösung je Baustelle steht in den Detailartikeln dieses Clusters. Ein kurzer Überblick, wo die meisten Shops landen:

Produktseite (Produktansicht zu Warenkorb). Fehlende Versand- und Lieferangaben, zu wenige Bilder, unklare Verfügbarkeit, fehlende Antworten auf die häufigsten Fragen. Der Aufbau, der sich bewährt hat, steht im Artikel Produktseite optimieren.

Warenkorb (Warenkorb zu Checkout-Start). Überraschungen bei Versandkosten, fehlende Freigrenzen-Anzeige, unklare Lieferzeit, ein Gutscheinfeld, das zum Suchen nach Codes einlädt.

Checkout (Checkout-Start zu Kauf). Kontozwang, zu viele Felder, fehlende Zahlungsart, Fehlermeldungen ohne Hinweis, langsame Schritte. Was du Schritt für Schritt prüfst, steht im Artikel Checkout optimieren.

Mobil. Ladezeit, Layout-Sprünge, Elemente, die Schaltflächen verdecken, Formulare ohne passende Tastatur. Als Orientierung für die Ladezeit gelten die offiziellen Schwellen der Core Web Vitals: LCP bis 2,5 Sekunden, INP bis 200 Millisekunden, CLS bis 0,1, jeweils am 75. Perzentil, nachzulesen auf web.dev.

Vertrauen. Fehlendes Impressum im Footer, keine erkennbaren Kontaktwege, keine Bewertungen mit Text, unklare Rückgabebedingungen. Wirkt vor allem bei Neukunden und bei Traffic aus Anzeigen.

Navigation und Suche. Besucher, die nicht finden, was sie suchen, kaufen nicht. Interne Suche ohne Treffer, Kategorien ohne sinnvolle Filter, Sortierung nach Neuheit statt nach Relevanz.

Vorlage: Hypothesen-Liste

Eine Zeile je Hypothese, in einer Tabelle oder einem Dokument.

Nr.:            ____
Datum Analyse:  ________
Beobachtung:    Trichterschritt ______  Segment ______  Wert ______
                Beleg (Zahl / Testkauf / Kundenfrage): ______________
Hypothese:      Weil ____________, erwarten wir, dass ____________
                zu ____________ führt.
Kennzahl:       ____________  (Vergleich: 14 Tage vorher / nachher)
Bewertung:      Reichweite __  Wirkung __  Sicherheit __  Aufwand __  Summe __
Status:         offen / umgesetzt am ______ / gemessen am ______
Ergebnis:       vorher ______  nachher ______  Entscheidung: behalten / zurück

Zehn ausgefüllte Zeilen sind ein Quartalsplan. Die Spalte „Ergebnis“ ist nach einem halben Jahr wertvoller als jeder Benchmark, weil sie für deinen Shop gilt.

Typische Fehler

• Mit der Lösung anfangen. „Wir brauchen Bewertungen“ ohne Beleg, dass Vertrauen die Abbruchstelle ist.
• Gesamt-Conversion-Rate als Messgröße. Sie hängt von Kanalmix, Saison und Kampagnen ab und zeigt eine einzelne Änderung fast nie.
• Mehrere Änderungen gleichzeitig. Danach ist nicht mehr erkennbar, was gewirkt hat.
• Zu früh auswerten. Drei Tage nach der Änderung ist der Wert Zufall. Zwei volle Wochen sind das Minimum.
• Nur Desktop testen. Der Testkauf auf dem eigenen Rechner mit gespeicherten Daten findet die Probleme nicht, die mobile Neukunden haben.
• Analyse ohne Notiz. Nach drei Monaten dieselbe Auswertung noch einmal.
• Rabatt als Optimierung. Die Rate steigt, die Marge sinkt, und die Kunden lernen, auf den nächsten Rabatt zu warten.

Checkliste: ein Durchlauf in vier Wochen

• Woche 1: Messung geprüft (GA4-Bestellungen gegen Backend, vier Ereignisse vorhanden)
• Woche 1: Trichter für 90 Tage gebaut, nach Gerät, Kanal, Landingpage aufgeteilt
• Woche 1: Größten Verlust und Segment in einem Satz notiert
• Woche 1: Testkauf als Neukunde auf dem Handy, Kundenservice-Fragen und interne Suche gesichtet
• Woche 1: Fünf bis fünfzehn Hypothesen nach dem Muster formuliert
• Woche 2: Hypothesen bewertet, oberste ausgewählt, Kennzahl und Messzeitraum festgelegt
• Woche 2: Änderung umgesetzt, Datum im Logbuch, keine weitere Änderung geplant
• Woche 4: Zwei volle Wochen vorher gegen nachher verglichen
• Woche 4: Entscheidung notiert, nächste Hypothese aus der Liste
• Vierteljährlich: Trichter neu analysiert, weil sich die Baustelle verschiebt

Conversion-Optimierung ist kein Projekt mit Ende, sondern ein Rhythmus. Der erste Durchlauf behebt meist einen offensichtlichen Fehler. Der Wert entsteht ab dem dritten, wenn Logbuch und Hypothesen-Liste anfangen, dir zu sagen, wie dein Shop funktioniert.