Als Conversion gilt jede vorab definierte Zielhandlung: ein Kauf, eine Newsletter-Anmeldung, ein Formularabsand, eine Terminbuchung oder ein Download. Die Optimierung stützt sich auf die Analyse des Nutzerverhaltens, daraus abgeleitete Hypothesen und kontrollierte Tests, meist A/B-Tests.
Was als Conversion zählt und wie die Rate berechnet wird
Was als Conversion gilt, hängt vom Geschäftsmodell und der Position in der Customer Journey ab.
Im Onlineshop ist es der abgeschlossene Kauf, im B2B häufig die Kontaktanfrage oder Demo-Buchung, bei Content-Angeboten der Newsletter-Abschluss oder Download.
Sinnvoll ist die Unterscheidung in Makro-Conversions (das primäre Geschäftsziel) und Mikro-Conversions (Zwischenschritte wie „In den Warenkorb“ oder Konto-Erstellung). An Mikro-Conversions lassen sich Engpässe im Funnel früher erkennen.
Die Conversion Rate berechnet sich als Conversions geteilt durch Sitzungen mal 100.
Bei 10.000 Besuchen auf einer Landingpage und 500 abgesendeten Formularen liegt die Rate bei 5 Prozent (500 ÷ 10.000 = 5 %).
Für belastbare Werte eignen sich „Unique Visitors“ als Bezugsgröße besser als reine Sitzungen, sonst verzerren mehrfache Besuche derselben Person das Ergebnis.
Wer Makro- und Mikro-Conversions getrennt misst, sieht, an welcher Stelle im Funnel Nutzer abspringen. Das ist der Ausgangspunkt jeder späteren Hypothese.
So läuft ein CRO-Prozess ab
Ein CRO-Prozess durchläuft fünf Phasen als wiederholten Zyklus: Research, Hypothese, Priorisierung, Test, Learning.
In der Research-Phase wird der Funnel analysiert. Über quantitative Daten (Analytics, Klickpfade) und qualitative Daten (Heatmaps, Session Recordings, Interviews) lässt sich feststellen, wo Nutzer scheitern.
Aus diesen Beobachtungen entstehen Hypothesen der Form „wenn Element X geändert wird, steigt Kennzahl Y, weil …“.
Nach der Priorisierung folgt der Test gegen die bestehende Version.
Am Ende steht die Learning-Phase: Die Gewinnervariante wird ausgerollt, die Erkenntnis dokumentiert und in die nächste Research-Phase eingespeist.
Die Reihenfolge ist entscheidend: Qualitative Analyse steht vor dem quantitativen Test. Wer direkt in A/B-Tests einsteigt, ohne vorher Nutzerverhalten beobachtet zu haben, prüft meist nur Bauchgefühl-Hypothesen.
Getestet wird typischerweise dort, wo Traffic konzentriert ist und Handlungen stattfinden: Homepage, Landingpages, Formulare, Preisseiten und Checkout-Flows.
Priorisierung mit PIE, PXL oder TIR
Da mehr Testideen entstehen, als sich parallel umsetzen lassen, ordnen etablierte Frameworks die Hypothesen.
Das PIE-Framework bewertet jede Idee nach Potenzial (erwarteter Uplift), Importance (Traffic-Anteil der betroffenen Seite) und Ease (Umsetzungsaufwand), meist auf einer Skala von 1 bis 10.
Das PXL-Framework von Peep Laja ersetzt die subjektive Skala durch Ja/Nein-Fragen, etwa ob die Änderung über der Falz sichtbar ist oder ein Testimonial betrifft. Das macht die Bewertung objektiver.
Das TIR-Framework von Bryan Eisenberg bewertet Time, Impact und Resources auf einer 1-bis-5-Skala. Für den Einstieg genügt PIE. Sobald die Zahl paralleler Tests wächst und mehrere Beteiligte priorisieren, reduziert PXL die subjektive Streuung in der Bewertung.
Methoden und Tools im Einsatz
CRO stützt sich auf zwei Datenarten, die sich ergänzen.
Quantitative Daten zeigen, was passiert: Web-Analytics wie Google Analytics oder Matomo liefern Funnel-Kennzahlen, A/B-Testing-Plattformen wie Optimizely, VWO, AB Tasty oder Convert Experiences vergleichen Varianten gegen die Originalversion.
Qualitative Daten zeigen, warum es passiert: Heatmaps und Session Recordings aus Hotjar, Microsoft Clarity, Mouseflow oder Smartlook zeigen, wo Nutzer klicken, scrollen und abbrechen. Microsoft Clarity ist kostenlos und findet über Metriken wie Rage Clicks und Dead Clicks Friktionspunkte. Das ist ein sinnvoller Einstieg, wenn noch kein Budget für kostenpflichtige Tools vorhanden ist.
Der praktische Fehler ist, mit A/B-Testing zu beginnen, ohne vorher qualitativ zu recherchieren. Ein Test kann nur zwischen den Varianten entscheiden, die vorgelegt werden, er zeigt nicht, welche Varianten überhaupt sinnvoll wären. Diese Vorarbeit leisten Heatmaps, Recordings und Interviews.
A/B-Test richtig aufsetzen
Zwei Fehler entwerten A/B-Tests regelmäßig.
Der erste ist der zu früh abgebrochene Test: Sobald Variante B nach wenigen Tagen „vorne liegt“, wird sie zum Gewinner erklärt, obwohl die Stichprobe zu klein für eine belastbare Aussage ist.
Der zweite ist der unterpowered Test, also eine zu kleine Stichprobe von vornherein. Eine Auswertung von 115 A/B-Tests durch Georgi Georgiev (Analytics-Toolkit) ergab, dass fast 70 Prozent unterpowered waren. Ihr Ergebnis ist damit statistisches Rauschen.
Praktisch heißt das: Vor Testbeginn wird über eine Power-Analyse berechnet, wie viele Besucher pro Variante nötig sind, um einen erwarteten Uplift bei einem Signifikanzniveau von 95 Prozent (Alpha = 0,05) nachzuweisen.
Aus dieser Zahl und dem täglichen Traffic ergibt sich die minimale Laufzeit. Zusätzlich sollte mindestens ein vollständiger Geschäftszyklus abgedeckt sein, meist eine ganze Woche, damit Wochenend- und Werktags-Nutzer beide im Sample enthalten sind.
Wer parallel mehrere Elemente ändert, kann den Effekt am Ende keiner einzelnen Änderung zuordnen. Dafür sind multivariate Tests der geeignete Rahmen, nicht ein aufgeblähter A/B-Test.
Was ist eine gute Conversion Rate?
Ein pauschaler „guter“ Wert existiert nicht, die Kennzahl schwankt nach Branche, Gerät und Kanal.
Im deutschen E-Commerce liegt die durchschnittliche Conversion Rate 2025 branchenübergreifend bei etwa 2,0 bis 2,3 Prozent (uptain Conversion Rate Report 2025).
Die Spreizung zwischen Branchen ist groß: Gewohnheitsprodukte wie Tabak und E-Zigaretten führen mit 7,30 Prozent, weil Kaufentscheidung und Wiederkauf-Frequenz anders funktionieren als bei erklärungsbedürftigen Anschaffungen.
Auch Gerät und Kanal bewegen den Wert. Desktop-Nutzer konvertieren mit 3 bis 4 Prozent typischerweise doppelt so häufig wie Mobile-Nutzer mit 1,5 bis 2 Prozent.
Bezahlter Suchtraffic über Google Ads Search liegt im Schnitt bei 3,75 bis 4,40 Prozent, weil die Suchintention konkreter ist. Social Ads liegen mit rund 0,90 bis 1,50 Prozent niedriger. Ein aussagekräftiger Vergleich stellt also nicht die eigene Gesamt-CVR gegen einen Durchschnittswert, sondern die eigene CVR pro Branche, Gerät und Kanal gegen den passenden Referenzwert.
Ein zusätzlicher Praxisfaktor: Rund 40 Prozent der Nutzer verlassen laut Nielsen Norman Group eine Seite bei Ladezeiten über 3 Sekunden. Performance ist damit oft der schnellere Hebel als Layout-Änderungen.
Wann sich Conversion Optimierung lohnt und wann nicht
CRO nutzt bestehenden Traffic besser aus und erhöht dadurch den ROI von Marketingausgaben, ohne dass zusätzliche Klicks eingekauft werden. Der Ansatz funktioniert, wenn drei Voraussetzungen erfüllt sind: ausreichend Traffic für statistisch belastbare Tests, ein passendes Angebot für die adressierte Zielgruppe und ein Produkt, das das Versprechen der Seite einlöst.
Fehlt Traffic, wird jeder Test zur Geduldsprobe: Läuft er wochenlang, veralten die Bedingungen (Kampagnen, Saison, Sortiment), läuft er kürzer, ist er unterpowered.
In dieser Situation ist Traffic-Aufbau der vorrangige Hebel. Passt die Zielgruppe nicht zum Angebot, kann keine Button-Farbe und keine Formularverkürzung den Unterschied ausgleichen. Hier liegt die Baustelle bei Positionierung und Kanal-Auswahl. Und wenn das Produkt selbst schwach ist, hohe Retourenquoten hat oder Erwartungen enttäuscht, verschiebt CRO nur das Problem in den After-Sales. In diesen Fällen ist es sinnvoller, zunächst Traffic, Positionierung oder Produkt anzugehen, bevor CRO als Optimierungsschicht darauf aufsetzt.
FAQ
Ist Conversion Optimierung dasselbe wie Conversion Rate Optimierung?
In der Praxis werden beide Begriffe synonym verwendet, ebenso das englische Kürzel CRO. Einzelne Quellen versuchen eine Feindifferenzierung, wonach Conversion Optimierung den gesamten Prozess und Conversion Rate Optimierung nur die Kennzahl-Effizienz meine. Dieser Unterschied ist aber kein Konsens und für die Anwendung ohne Belang.
Wann sollte man Traffic aufbauen statt zu optimieren?
Wenn die Testlaufzeit für eine statistisch belastbare Auswertung so lang wird, dass sich Rahmenbedingungen zwischenzeitlich ändern, ist die Traffic-Basis zu klein für CRO. Als Orientierung: Wer bei angenommenem Uplift und aktueller CVR mehrere Wochen Testlaufzeit pro Variante bräuchte, sollte zunächst über SEO, SEA oder andere Kanäle den Besucherstrom erhöhen.
Wie lange muss ein A/B-Test laufen?
Bis die vorab über eine Power-Analyse berechnete Stichprobengröße pro Variante erreicht ist, nicht bis eine Variante „vorne liegt“. Zusätzlich sollte mindestens ein vollständiger Geschäftszyklus abgedeckt sein, in der Regel eine volle Woche, damit unterschiedliches Nutzerverhalten an Werktagen und Wochenenden im Sample enthalten ist.