Landingpage-Conversion optimieren: ein praxisnaher Ratgeber

Welche Conversions Sie zählen und wodurch Sie teilen

Legen Sie fest, was als Ergebnis gilt, bevor Sie die Seite ändern. Bei einer Vertriebsanfrage zählen Sie eine Anfrage erst, wenn das empfangende System sie bestätigt hat, und zwar über eine Kennung, die Dubletten verhindert. Ein Klick auf einen Button oder das Neuladen einer Dankeseite belegt nicht, dass ein neuer Lead angekommen ist.

Sie können eine Seite anhand von Sitzungen oder Nutzern diagnostizieren, solange Zähler und Nenner dieselbe Grundgesamtheit und denselben Zeitraum abdecken. Unser A/B-Test-Beispiel arbeitet mit Nutzern, die zufällig einer Variante zugewiesen werden. Sie sehen bei Folgebesuchen dieselbe Version und zählen höchstens einmal als Conversion. Jeder Nutzer kommt mit seiner ersten Zuweisung zu A oder B in die Stichprobe, auch wenn er die Website schon früher besucht hat. Bei Folgebesuchen bleibt er in dieser Gruppe, ohne erneut gezählt zu werden. Beziehen Sie Menschen ein, die abspringen oder auf einen Fehler stoßen: Entfernen Sie sie nach der Zuweisung, verschwindet genau das Problem, das Sie messen wollen.

Schließen Sie bekannte Bots und interne Tests nach Regeln aus, die Sie vor der Analyse festlegen und auf A und B gleichermaßen anwenden. Vergleichen Sie nicht die Conversions Ihrer gesamten Plattform mit dem Traffic nur des getrackten Teils. Beschränken Sie beide Zahlen auf dieselbe beobachtbare Grundgesamtheit und dokumentieren Sie Abweichungen vom CRM. Zu Event-Einrichtung, Attribution und Reporting lesen Sie unseren Ratgeber zur Messung der Landingpage-Performance.

Einen Funnel lesen: ein Rechenbeispiel

Exportieren Sie Daten aus einem Zeitraum vor jeder Änderung und halten Sie Seite, Quelle, Gerät, Datum und Werbeaktionen fest. Angenommen, wir analysieren 2.000 mobile Nutzer über 28 Tage, also vier volle Wochen. Für jeden Nutzer zählen wir Anfragen, die innerhalb von sieben Tagen nach seiner Ankunft eingehen, und geben dem Vertrieb weitere sieben Tage ab der Anfrage, sie zu bewerten. Im Test verwenden wir dieselben Fenster.

Die Conversion-Rate der Seite beträgt 80 / 2.000 = 4 %, die qualifizierten Leads pro Nutzer 48 / 2.000 = 2,4 %. Von den 300 Personen, die das Formular beginnen, kommen 220 nie zu einer gültigen Anfrage. Das zeigt, wo Sie nach einer Hürde suchen sollten, aber noch nicht, warum sie besteht. Auch die 1.600 Nutzer, die nie klicken, verdienen Aufmerksamkeit: Vielleicht wollen sie das Angebot nicht, vielleicht verstehen sie es nicht.

Wiederholen Sie die Rechnung nach Quelle und Gerät. Tritt das Problem nur mobil auf, vergleichen Sie diese Erfahrung mit der auf dem Desktop, bevor Sie die ganze Seite ändern. Mit der explorativen Trichteranalyse in GA4 definieren Sie Schritte und Segmente. Wählen Sie einen geschlossenen Trichter, wenn nur Nutzer zählen sollen, die beim vorgesehenen ersten Schritt einsteigen. Die Reihenfolge der Events und die Frage, ob Nutzer auch bei späteren Schritten einsteigen können, beeinflussen die Ergebnisse.

Herausfinden, warum Besucher abbrechen

Testen Sie das Formular auf zwei Geräten, die Ihre Zielgruppe nutzt: einem Smartphone und einem Desktop. Führen Sie auf jedem Gerät die sechs folgenden Prüfungen durch, insgesamt also zwölf. Notieren Sie jeweils Gerät, Browser, erwartetes und tatsächliches Verhalten. Prüfen Sie bei jeder abgeschickten Anfrage auch deren Kennung im empfangenden System.

1. Schicken Sie in allen Feldern gültige Eingaben ab. Es muss genau eine Anfrage mit den richtigen Daten ankommen.
2. Lassen Sie ein Pflichtfeld leer. Neben dem Feld sollte eine klare Fehlermeldung erscheinen.
3. Geben Sie eine ungültige E-Mail-Adresse ein. Sie sollten sie korrigieren können, ohne die übrigen Eingaben zu verlieren.
4. Bedienen Sie das Formular per Tastatur. Prüfen Sie Feldbeschriftungen, die Fokusreihenfolge und ob Sie den Button erreichen und auslösen können.
5. Unterbrechen Sie in einer Testumgebung während des Absendens die Verbindung. Sie sollten eine Fehlermeldung erhalten und es erneut versuchen können, ohne eine doppelte Anfrage zu erzeugen.
6. Laden Sie die Bestätigungsseite neu. Sie darf keinen zweiten Lead anlegen und keine zweite Conversion zählen.

Schlägt eine Prüfung fehl, beheben Sie das Problem und wiederholen die Prüfung, bevor Sie Texte oder Gestaltung bewerten. Halten Sie Test-Leads getrennt von echten Vertriebsanfragen. Für Beschriftungen, Hinweise und Fehlermeldungen hilft das W3C-Tutorial zu barrierefreien Formularen.

Läuft das Formular, beobachten Sie, wie Menschen sich entscheiden

Sie können mit fünf Personen beginnen, die die Leistung nutzen könnten. Bitten Sie jede, das Angebot mit eigenen Worten zu erklären, eine für ihre Entscheidung wichtige Bedingung zu finden und eine Testanfrage abzuschicken. Notieren Sie, wo sie hängenbleiben und was sie nicht verstehen, ohne eine Antwort vorzugeben. Stoßen drei Personen auf dieselbe Hürde, haben Sie einen Ansatzpunkt für die weitere Untersuchung. Daraus folgt noch nicht, dass 60 % aller Besucher betroffen sind.

„Was erwarten Sie, nachdem Sie das hier abgeschickt haben?“
„Welche Informationen fehlen Ihnen noch für Ihre Entscheidung?“
„Zeigen Sie mir, wie Sie eine Anfrage senden. Wenn Sie auf der Live-Seite sind, hören Sie vor der Bestätigung auf.“

Vergleichen Sie diese Beobachtungen mit Formularfehlern und Einwänden, die Vertrieb oder Support sammeln. Heatmaps und Aufzeichnungen können zeigen, wo Sie hinschauen sollten, aber ein verfehlter Klick verrät noch keine Absicht. Weicht das Versprechen in der Anzeige von dem auf der Seite ab, finden Sie Hinweise zur Konsistenz der Botschaft in unseren Ratgebern zu Landingpages für Google Ads und zu Landingpages für Meta Ads.

Prioritäten setzen und die Hypothese formulieren

Trennen Sie bestätigte Fehler von Alternativen, die einen Test lohnen. Wenn eine Anfrage fehlschlägt, müssen Sie den Fehler beheben; zwei glaubwürdige Darstellungen desselben Angebots brauchen einen Vergleich. Priorisieren Sie Hypothesen, die mehrere Beobachtungen bei einem Schritt stützen, den viele Nutzer erreichen. Wägen Sie den Aufwand gegen den erhofften Nutzen ab.

Formulieren Sie eine Aussage, die Beobachtung, Hürde und geplante Änderung verbindet. In diesem Beispiel lautet sie: „Manche mobilen Nutzer, die das Formular beginnen, fürchten, dass sich sofort ein Vertriebsmitarbeiter meldet. Eine Erklärung neben dem Button, wer wie antwortet, sollte die gültigen Anfragen erhöhen und dabei mindestens 55 % akzeptierte Leads halten.“ Die versprochene Reaktion muss zum tatsächlichen Service passen. Nennen Sie keine Antwortzeiten, die das Team nicht einhalten kann.

In diesem Beispiel nehmen wir einen Rückgang der Lead-Akzeptanzrate von 60 % auf 55 % in Kauf, wenn die Anfragen so weit steigen, dass die Entscheidungsregel des Testplans erfüllt ist. Für Ihre Seite vereinbaren Sie die Grenze mit den Menschen, die die Anfragen bearbeiten, nach der Qualität, die sie brauchen, und der Zeit, die ihnen für die Bewertung bleibt. Bestimmen Sie einen Verantwortlichen, schätzen Sie die Stunden für Texte, Entwicklung und QA getrennt und führen Sie Buch über zurückgestellte Hypothesen. Ist das Angebot selbst unklar, arbeiten Sie zuerst an Ihrem Angebot und Leadmagneten, bevor Sie kosmetische Änderungen testen.

Einen A/B-Test mit machbarer Stichprobe und Laufzeit planen

Nehmen Sie mobile Nutzer auf, die zum ersten Mal in dieses Experiment kommen und die von Ihnen definierten Teilnahmeregeln erfüllen. Die aktuelle Seite bleibt A, in B kommt die Erklärung neben dem Formular hinzu. Weisen Sie denselben Traffic zufällig beiden Versionen zu, mit je 50 % Wahrscheinlichkeit. Das Angebot bleibt unverändert, und jeder Nutzer sieht bei Folgebesuchen dieselbe Version. Erfassen Sie den Kontakt mit der Variante und die spätere Anfrage mit derselben Kennung, die Ihr Messaufbau erlaubt. Senden Sie keine E-Mail-Adressen oder andere personenbezogene Daten in Analytics-Events.

Die Stichprobengröße hängt von der Ausgangsrate und vom Effekt ab, den Sie erkennen wollen. Für ein binäres Ergebnis mit unabhängigen Nutzern, eine Normalapproximation für zwei Gruppen, eine Ausgangsrate von 4 %, ein Ziel von 5 %, ein zweiseitiges Signifikanzniveau von 5 % und eine Power von 80 % ergeben sich etwa 6.745 Nutzer pro Gruppe. Runden Sie die Planung auf 7.000 für A und 7.000 für B auf, zusammen 14.000 Nutzer. Der Zielwert von 5 % ist nur eine Eingabe für die Berechnung der Stichprobengröße. Erst die Ergebnisse zeigen, ob B diese Steigerung erreicht.

Wenn Sie die Stichprobengröße selbst berechnen möchten, nutzen Sie power.prop.test in R mit p1 = 0.04, p2 = 0.05, sig.level = 0.05, power = 0.80 und alternative = two.sided. Die Funktion liefert Beobachtungen pro Gruppe und kann leicht von der Näherung abweichen. Rechnen Sie neu, wenn Sie Kennzahl, Aufteilungsverhältnis oder statistisches Modell ändern.

power.prop.test(p1 = 0.04, p2 = 0.05,
  sig.level = 0.05, power = 0.80,
  alternative = "two.sided")

Die 500 täglichen Nutzer sind ein anderes Traffic-Szenario als die 2.000 Nutzer der ersten Diagnose. Bei nur 2.000 Nutzern alle 28 Tage würde es etwa 196 Tage dauern, 14.000 zusammenzubekommen, weit über der vorgesehenen Grenze von 42 Tagen. Setzen Sie dann auf Recherche und überwachte Korrekturen oder wählen Sie eine Hypothese, die einen größeren Effekt erzeugen könnte, und berechnen Sie die Stichprobe neu. Halten Sie fest, warum der ursprüngliche Test nicht machbar ist.

Eine Power von 80 % beschreibt die geplante Fähigkeit des Tests, den angenommenen Effekt zu erkennen. Sie bedeutet keine Wahrscheinlichkeit von 80 %, dass B gewinnt. Das Signifikanzniveau von 5 % beschreibt unter den Annahmen der gewählten Methode das Risiko, einen Unterschied zu entdecken, obwohl keiner besteht. Es gibt nicht die Wahrscheinlichkeit an, dass genau dieser Schluss falsch ist. Halten Sie diese Festlegungen im Testprotokoll fest und verwenden Sie eine einheitliche Methode. Bei einem Test mit fester Stichprobe dürfen Sie nicht in dem Moment abbrechen, in dem die Ergebnisse zu Ihren Gunsten ausschlagen.

Anfragen mit qualifizierten Leads vergleichen

Entscheiden Sie, wer einen Lead akzeptiert und nach welchen Kriterien, etwa einer Anfrage, die zur Leistung passt, und nutzbaren Kontaktdaten. In diesem Beispiel erfolgt die Qualifizierung innerhalb von sieben Tagen nach der Anfrage. Wenden Sie bei beiden Varianten dieselben Kriterien an, möglichst ohne dem Prüfer zu zeigen, welche Seite den Lead erzeugt hat.

B bringt 35 Anfragen mehr, aber nur fünf akzeptierte Leads mehr. Der beobachtete Anstieg der primären Rate beträgt 4,5 % − 4 % = 0,5 Prozentpunkte oder (4,5 % / 4 %) − 1 = 12,5 % relativ. Er liegt unter dem Mindestwert von einem Prozentpunkt, der vor dem Start festgelegt wurde. Auch der akzeptierte Anteil liegt unter der betrieblichen Grenze von 55 %. Diese Grenze stützt eine betriebliche Entscheidung; für sich genommen belegt sie keinen statistisch signifikanten Unterschied bei der Leadqualität.

Das Beispiel setzt voraus, dass jede Anfrage innerhalb des vereinbarten Fensters bewertet wurde. Warten einige Leads noch auf die Prüfung, führen Sie sie getrennt und vergleichen die akzeptierten Anteile von A und B erst nach Ablauf der Frist. Bei Käufen wenden Sie dieselbe Logik auf Marge und Rückerstattungen an, mit Beobachtungszeiträumen, die zum Produkt passen.

Unsicherheit einordnen und entscheiden

Es genügt nicht, 4,5 % mit 4 % zu vergleichen. Für diese Zahlen reicht ein über die Normalapproximation berechnetes 95-%-Konfidenzintervall für B − A von −0,17 bis +1,17 Prozentpunkten. Berechnen Sie es als Differenz ± 1,96 × Standardfehler, wobei Standardfehler = √[pA × (1 − pA) / nA + pB × (1 − pB) / nB]. Hier gilt pA = 0,04, pB = 0,045 und nA = nB = 7.000.

Das Intervall schließt null ein und deckt sowohl einen Rückgang als auch einen Anstieg ab. Nach der gewählten Methode ist der Unterschied nicht statistisch signifikant. Das belegt nicht, dass beide Versionen gleich wirken. Behalten Sie A: B erreicht weder den minimalen nützlichen Effekt noch die Schwelle für die Leadqualität. Der kleine Unterschied bei den akzeptierten Leads belegt keine geschäftliche Verbesserung.

Prüfen Sie auch, ob die beobachtete Verteilung zur erwarteten Aufteilung Ihres Tools passt und ob in einer Variante Events fehlen. Weichen die Gruppengrößen unerwartet ab oder fehlen Daten, klären Sie die Ursache, bevor Sie Conversion-Raten deuten. Sichern Sie außerdem Kampagnendetails, Daten, Versionen und Ausschlüsse. Wer nachträglich ein kleines Segment mit günstigen Ergebnissen sucht, löst damit einen nicht eindeutigen Test nicht auf.

Die Änderung umsetzen und im Live-Betrieb prüfen

Erfüllt eine Variante die vereinbarte Entscheidungsregel, übernehmen Sie die freigegebene Version in den Produktivcode und halten die bisherige Version für einen Rollback bereit. Prüfen Sie Angebotstext, Formularbestätigung, CRM-Kennungen und Event-Zahlen. Wiederholen Sie nach dem Release die zwölf Funktionsprüfungen und halten Sie Testdaten wieder getrennt.

Entfernen Sie Experimentcode, den Sie nicht mehr brauchen, und prüfen Sie auf doppeltes Tracking. Erheben Sie nach dem Release Daten über einen Zeitraum, der dem Test entspricht, und lassen Sie dieselbe Zeit für Anfragen und Lead-Prüfung. Der Vergleich kann Umsetzungsfehler oder Traffic-Änderungen aufdecken, isoliert aber die Wirkung der Änderung nicht so, wie es die zufällige Zuweisung zu A und B getan hat.

Behalten Sie Barrierefreiheit und Geschwindigkeit im Blick. Zu Bildern, Layoutstabilität und Ladezeiten lesen Sie unseren Ratgeber zu Ladezeit und Landingpage-Conversions. Unterscheiden Sie Labormessungen von Core Web Vitals aus Messungen bei echten Nutzern. Für URL- und Canonical-Einrichtung während eines Experiments folgen Sie den Empfehlungen von Google zu Website-Tests.

Diagnose, Experiment und Ergebnis festhalten

Protokollieren Sie jede Hypothese vor der Entwicklung, auch wenn Sie einen Fehler direkt beheben oder den Test wegen zu geringen Traffics auslassen.

Kopieren Sie diese Felder in ein gemeinsames Dokument oder eine Tabelle. Bewahren Sie den ursprünglichen Plan neben dem Fazit auf und überschreiben Sie ihn nicht mit dem, was Sie hinterher beobachtet haben.

ID / URL / Version / Verantwortlicher / Zeitraum
Segment / gezählte Einheit / Ausschlüsse
Ausgangs-Funnel: Ankünfte, Klicks, Starts, Anfragen, akzeptierte Leads
Beobachtetes Signal / Quelle / vermutete Hürde
Geplante Änderung / Stunden / Priorität und Begründung
A / B / Zuweisung / primäre Kennzahl
Stichprobe pro Gruppe / minimaler Effekt / statistische Methode
Stichtag für die Aufnahme / Frist / Fenster für Anfragen und Prüfung
Qualitätsgrenzen / technische Stoppregel / Ergebnisse der 12 Prüfungen
Ergebnisse von A und B: Nutzer, Anfragen, akzeptierte Leads, Raten
Absolute und relative Differenz / Intervall / Auffälligkeiten
Entscheidung / Begründung / nächster Schritt / Kontrolle nach dem Release

Brauchen Sie ein Team für Recherche, Entwicklung und Analyse, deckt die CRO-Leistung von Qreativa den Prozess ab. Trägt die Seite Ihr Angebot nicht mehr, prüfen Sie den nötigen Aufwand für die Landingpage-Entwicklung, bevor Sie Experimente auf einer Seite laufen lassen, die ersetzt werden muss.