Häufigster Fehler bei der Conversion-Funnel-Analyse

Eine der häufigsten Analysen auf Basis von Digital Analytics ist die Conversion-Funnel-Analyse. Damit soll in Erfahrung gebracht werden, wie erfolgreich die Website eigentlich aus den Nutzern tatsächliche Kunden macht. Und an welchen Stellen die Website diesbezüglich versagt und viele Nutzer verliert, bevor sie zu Kunden werden. Dieser „Weg“ durch die Website vom Nutzer-Einstieg bis zur erfolgreichen Bestellung wird Schritt für Schritt in einem Funnel-Modell dargestellt und es wird dabei geschaut, bei welchem Schritt wie viele Nutzer den Funnel verlassen.

Diese Funnel-Analyse hat aber einen großen Haken: Der Weg des Nutzers bis zur Bestellung folgt keiner linearen Idealstrecke durch die Website. Dafür braucht man sich lediglich sein eigenes Verhalten beim Online-Shopping vor Augen zu führen. Ein solches lineares Funnel-Modell bildet nicht wirklich die Realität ab wie Nutzer sich auf Websites bewegen und eine Analyse eines solchen linearen Funnel-Modells liefert deswegen leider auch keine realistischen und brauchbaren Erkenntnisse.

Tipps_fuer_deine_Conversion-Funnel_Analyse

Ein besserer Ansatz zur Conversion-Funnel-Analyse 

Wie kann man die Website-Performance denn nun besser analysieren? Ein erster hilfreicher Schritt ist es, den Online-Shop in zwei Teile zu gliedern, nämlich den Shopping- und den Checkout-Teil.

Zum Shopping-Teil zählen alle Seiten und Elemente, die dem Nutzer bei der Produktauswahl helfen, also bspw. Produktlisten, Produktdetailseiten, die Produktsuche und die Produktfilter. Der Checkout-Teil umfasst alle Schritte der Kaufabwicklung, sprich üblicherweise vom Warenkorb bis zur Bestellbestätigungsseite. 
 
Im Shopping-Teil bewegt der Nutzer sich kreuz und quer, verlässt den Shop und steigt später wieder ein, kommt mal über Google Ads, mal über den Newsletter in den Shop. Konfiguriert ein Produkt bis zum letzten Detailgrad durch, um dann am nächsten Tag wieder ganz von vorne mit einem anderen Produkt zu starten. Das kann einem bei der Analyse sprichwörtlich in den Wahnsinn treiben bzw. dafür sorgen, dass man beim Blick auf die Daten schlichtweg nichts erkennen kann oder schlimmstenfalls die falschen Schlüsse zieht.
 
Im Checkout-Teil bewegt sich der Nutzer hingegen tatsächlich größtenteils linear Schritt für Schritt in Richtung Confirmation-Page. Die gewünschten Artikel sind im Warenkorb gesammelt und sollen nun möglichst zügig und einfach bestellt werden. Also schnell durch den Checkout geklickt. Doch auch hier gibt es ein paar Besonderheiten, die man bei der Analyse beachten sollte, z.B. die Checkout-Abkürzung via Paypal Express. Mehr dazu weiter unten.
 

„Ich kann mich nicht entscheiden was ich kaufen will“ – 

Der Shopping-Teil des Conversion-Funnels

Ein Funnel-Modell mit einem idealen Navigationspfad für den Shopping-Teil zu erstellen, macht wie gesagt wenig Sinn. Zu viele Abzweigungen und „U-Turns“ im Nutzerverhalten, die man nicht alle bedenken kann. Besser ist es, einzelne (Erfolgs-)Schritte des Nutzers anzuschauen, nämlich Schritte, die der Nutzer in seinem Kopf in Richtung Kaufentscheidung macht. Das kann der Schritt der Produktauswahl sein, also z.B. der Schritt von der Produktliste zur Produktdetailseite. Oder der Schritt, wenn ein Produkt in den Warenkorb gelegt wird. Diese „Micro-Conversions“ sind geeignete Indikatoren, wie gut der Online-Shop den Nutzer in seiner Kaufentscheidung voranbringt.

Nun kannst Du diese Micro-Conversions messen, indem du für jede einzelne einen „Micro-Funnel“ anlegst. So gut wie alle Analytics-Tools bieten solche Funnel an (auch wenn die Visualisierung meistens leider unbrauchbar ist). Nachteil dieser Funnel ist es, dass sie selten rückwirkend funktionieren. Erst nachdem sie angelegt wurden, füllen sie sich mit Daten.

So kannst Du Funnel-Modelle auch rückwirkend auf Deine Daten anwenden

Alternativ kannst Du sog. Abfolgesegmente nutzen. Diese lassen Dich die Micro-Conversions auch rückwirkend betrachten. Du kannst z.B. als Segment-Bedingung festlegen, dass jene Nutzer ins Segment zählen, die von einer Produktliste zu einer Produktdetailseite gingen. Diese Segmente kannst Du sofort auf Deine bisher gesammelten Daten anwenden.

Ein weiterer Vorteil der Segmente ist noch, dass du ihren „Scope“ entweder auf Session- oder Nutzer-Level setzen kannst. Bei Produkten, die teurer sind oder deren Kaufentscheidung kognitiv ansprechender sind (Bsp.: Versicherungen oder Reisen) macht es Sinn, es auch als Erfolg zu werten, wenn der Nutzer nach mehreren Website-Aufrufen schließlich ein Produkt endlich in den Warenkorb gepackt hat (was Du mit dem Nutzer-Scope erreichst).

Google_Analytics_Segmente
Beispiel einer Abfolgesegmentierung in Google Analytics
Wie berechnest Du jetzt am besten die Conversionrate dieser Micro-Conversion-Segmente? Nimm einfach die Anzahl der Nutzer, die in Dein erstelltes Segment fallen und dividiere sie durch die Anzahl an Nutzern, die in ein Segment ausschließlich mit dem ersten Schritt als Bedingung fallen. So hast du bspw. die Anzahl an Nutzern, die von der Produktliste zur Produktdetailseite gehen und kannst diese Anzahl durch die Anzahl aller Nutzer, die auf einer Produktliste waren, dividieren. So erhältst du den Anteil an Nutzern, die von der Produktliste zur Produktdetailseite weitergingen als Indikator, wie gut deine Produktlisten sind.
Conversion_Funnel_Schritt_Berechnung

Meine Tracking-Empfehlung hierfür ist, dass du idealerweise deine Produktlisten und Produktdetailseiten nicht nur einzeln trackst, sondern sie auch in Deinen Daten als Seitentypen zusammenfassen kannst. Dann musst Du Dir nicht mit komplexen regulären Ausdrücken, die bestimmte URL-Muster zusammenfassen, helfen.

„Mit dem Warenkorb schnell durch die Kasse und ab nach Hause“ – Der Checkout-Teil des Conversion-Funnels

Diese Schritte erfolgen größtenteils tatsächlich linear und zeitnah. Der Nutzer will die Kaufabwicklung möglichst schnell und hürdenlos vollenden. Hier macht also die typische Funnel-Betrachtung mit den Ausstiegsraten zwischen den einzelnen Funnel-Schritten durchaus Sinn.
 

Es gibt aber ein paar Besonderheiten, die im Checkout-Teil auftreten können. Häufig gibt es den Fall, dass ich als Nutzer die Möglichkeiten habe, als Gastkunde zu bestellen, mich als Kunde neu zu registrieren oder mich in mein Kundenkonto einzuloggen. Je nach Auswahl kann der Checkout-Teil dann länger oder kürzer ausfallen. Beim bereits vorhandenen Kundenkonto fällt z.B. die Eingabe der persönlichen Daten weg, weil diese bereits vorhanden sind. 

Checkout-Abkürzungen wie Paypal-Express oder Amazon Pay

Dies kann auch der Fall sein, wenn die Nutzer die Möglichkeit haben, den Checkout über Paypal Express oder Amazon Pay zu machen. Auch dann passt der lineare Weg durch den Checkout nicht mehr. Mit Klick auf den Paypal-Express-Button überspringt der Nutzer mehrere Checkout-Schritte, indem er auf die Paypal-Seite geleitet wird und sich hier einloggt. Anschließend steigt er weiter hinten in der Checkout-Strecke (z.B. auf der Prüfen- oder Bestellbestätigungsseite) wieder ein. Wenn man diese möglichen Checkout-Abkürzungen im Tracking nicht bedenkt, sehen diese Nutzer in den Analytics-Daten wie Checkout-Abbrüche aus.
 
Am besten setzt man für den Nutzer eine entsprechende Markierung (in Google Analytics z.B. mit einer benutzerdefinierten Dimension), welche den gewählten Checkout-Typ enthält (Gast-Login, Neuanmeldung, Kundenkonto, Paypal Express). Je nach Typ können die Daten für den Checkout-Funnel dann entsprechend segmentiert betrachtet werden. Weiterleitungen innerhalb des Checkouts auf externe Websites (Nutzer dreht eine Runde über Paypal.com und steigt dann hinten auf der Prüfen-Seite wieder in Deinen Shop ein) nimmst Du am besten als Domain mit auf die Verweis-Ausschlussliste deines Analytics-Tools. So verhinderst Du, dass fälschlicherweise eine neue Session beim Wiedereinstieg gezählt wird und Dir deine Datenqualität vermiest. 
 

Bonitätsprüfungen richtig handlen

Eine zweite Checkout-Besonderheit sind Bonitätsprüfungen, die im Hintergrund der Website laufen und für den Nutzer selbst gar nicht sichtbar sind. Durch eine geringe Bonität können für einzelne Nutzer gezielt Zahlungsarten wie „Kauf auf Rechnung“ nicht angeboten werden. Oder es werden sogar bestimmte Produkte nicht verkauft und dem Nutzer scheinbar als ausverkauft angezeigt. Solche Maßnahmen erzwingen also den Checkout-Abbruch und können wiederum die Ergebnisse Deiner Funnel-Analyse verfälschen. Also am besten dem Nutzer ebenfalls im Hintergrund eine kurze Markierung für Dein Analytics-Tool setzen, wenn er bewusst aus dem Checkout „gekickt“ wird.

 

Weitere Besonderheit: Produktkonfiguratoren

Besonderheit Nummer 3 sind Produkte, die im Checkout-Teil individuell konfiguriert werden können. Das können bspw. Pauschalreisen sein, in denen im Checkout der Abflugort ausgewählt wird (und je nach Abflugort variiert der Reisepreis). Oder ein Mobilfunktarif wird im Checkout noch mit Zusatzoptionen ausgestattet. Hier wollen die Nutzer dann häufig erst einmal sehen, was letztendlich der tatsächliche, komplette Preis wäre (und nicht der „Ab-Preis“ wie es bei Reiseangeboten anfangs angezeigt wird). Diese Schritte für die Produkkonfiguration gehören in diesem Falle auch eher zum Shopping-Teil Deines Online-Shops. Hier werden viele Ausstiege statt finden, weil der Preis zu hoch ist oder der interessierte Nutzer noch andere Produkte anschaut. Also ein natürliches Shopping-Verhalten, welches – wenn nicht entsprechend in den Daten berücksichtigt – zu Alarm wegen hoher Ausstiegsraten führt. Diese Schritte also in Deine Auswertung lieber zum Shopping-Teil zählen. 

Empfohlene Beiträge

Noch kein Kommentar, Füge deine Stimme unten hinzu!


Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.