Unterwegs? Hör dir den Artikel in unserem Podcast Cave Bits an!
Weitere Folgen von Cave Bits anhören
Wir alle tun es: uns an Bauchgefühle und persönliche Theorien klammern, selbst wenn wir Entscheidungen für unser Unternehmen treffen. Aber bei Conversion Rate Optimization (CRO) kann es sich verheerend auswirken, sich auf Ahnungen zu verlassen. Das kann zu schlecht konzipierten Experimenten führen, die das Ziel verfehlen und keine echten Ergebnisse liefern.
Indem du einen datengestützten Ansatz für CRO wählst, kannst du das Rätselraten hinter dir lassen und sehen, was eine datengestützte CRO-Hypothese leisten kann.
In diesem Artikel führe ich dich durch die Entwicklung datengestützter Hypothesen, die deine CRO-Tests auf Erfolgskurs bringen. Du lernst außerdem, wie du Daten effektiv nutzt, echte Conversion-Probleme identifizierst und Hypothesen aufbaust, die echte Ergebnisse liefern.
Was ist eine datengestützte Hypothese im CRO?
Eine Hypothese im CRO (und so gut wie überall sonst) ist eine testbare Aussage, die folgendermaßen aussieht:
„Wir vermuten, dass sich eine bestimmte Metrik (manchmal als primäre Metrik oder North-Star-Metrik der Hypothese bezeichnet) um einen bestimmten Prozentsatz verändert, wenn wir eine bestimmte Bedingung einführen (etwas, das wir ändern möchten).”
Eine datengestützte Hypothese fügt dieser Formel einen sehr wichtigen Teil hinzu:
„Wir vermuten, dass sich eine bestimmte Metrik um einen bestimmten Prozentsatz verändert, wenn wir eine bestimmte Bedingung einführen, weil die uns vorliegenden Daten darauf hindeuten, dass sich das Nutzerverhalten dadurch auf eine bestimmte Weise verändern wird.”
Sie basiert auf echten Daten und Insights, nicht auf Rätselraten oder dem Bauchgefühl von irgendjemand anderem.
Ich bin mir ziemlich sicher, dass dir schon aufgefallen ist, dass manche Leute vorschlagen, einfach die Button-Größe oder -Farbe zu ändern, um jedes Funnel-Leck zu beheben, das sie in GA4 sehen. Aber woher wissen sie so sicher, dass es an der Button-Größe liegt?
Wo sind die Daten, die darauf hindeuten, dass Nutzer den Button nicht bemerken oder sich von einem größeren Button ablenken lassen? Ohne solche Daten ist das nur Rätselraten.
Manuel Da Costa, ein CRO-Spezialist, bringt es gut auf den Punkt: Bei CRO geht es nicht nur ums Reden – es geht darum, auf Basis eines soliden, datengestützten Plans zu handeln.
Wie könnte also eine datengestützte Hypothese aussehen? Hier ein Beispiel:
„Wenn wir die Anzahl der Formularfelder in unserem Checkout-Prozess reduzieren, erwarten wir, dass die Warenkorbabbruchrate sinkt und die Conversions steigen, weil unsere Daten aus Google Analytics eine Abbruchrate von 40 % in dieser Phase zeigen und unsere Formularanalyse darauf hindeutet, dass Nutzer mit Feldern wie „Adresse, Zeile 2″ und „Festnetznummer” zu kämpfen haben. Die Daten aus unserer Analyse zeigen, dass unsere aktuelle Warenkorbabbruchrate bei 65 % liegt und unsere durchschnittliche Conversion Rate bei 2,5 % – wir erwarten, dass wir Erstere um 15 % senken und Letztere um 5 % steigern, indem wir die Formulare vereinfachen.”
Welche Daten können genutzt werden, um eine Hypothese zu untermauern
Es gibt jede Menge Datenquellen, die du zur Untermauerung deiner Hypothese nutzen kannst. Je mehr verschiedene Arten von Datenquellen du nutzen kannst, desto besser.
1. Quantitative Analytics
Nutzerverhalten über Website-Analytics (wie GA4 oder Adobe Analytics) oder Conversion-Funnel-Analyse (wie sie Mouseflow mit seinem Conversion-Funnel-Optimization-Tool bietet) zu quantifizieren, ist ein wertvoller Ausgangspunkt für die Hypothesenentwicklung.
Aber sich allein auf quantitative Daten zu verlassen, kann zu unvollständigen Hypothesen führen. Du siehst die Daten, aber du siehst nicht die zugrunde liegenden Gründe dahinter. Ohne diese Informationen ist es schwierig, Nutzermotivationen und die zugrunde liegenden Ursachen von Website- oder Produktproblemen zu interpretieren.
Hier, was ich meine.
Stell dir vor, du bist Inhaber eines E-Commerce-Shops und bemerkst, dass eine beträchtliche Anzahl von Menschen ihren Warenkorb auf der Versandseite abbricht. Quantitative Daten könnten dir sagen, dass die durchschnittliche Warenkorbabbruchrate an dieser Stelle 50 % beträgt. Aber das erklärt nicht, warum Menschen abspringen.
Um ein besseres Verständnis zu bekommen, kannst du beobachten, wie Nutzer mit der Versandseite interagieren. Und du könntest herausfinden, dass die Versandoptionen für sie vielleicht verwirrend sind. Das sind jetzt schon qualitative Daten.
2. Behavior Analytics
Im obigen Beispiel hat dir das Eintauchen in Nutzerverhaltensdaten geholfen, die Gründe für die hohe Warenkorbabbruchrate herauszufinden. Jetzt kannst du deine Hypothese formulieren. Sie wird ungefähr so aussehen:
„Wir vermuten, dass wir die Warenkorbabbruchrate um 10 % senken, wenn wir die Beschreibung der Versandoptionen ändern, weil die Daten aus Google Analytics einen Abbruch von 50 % an dieser Stelle zeigen und unsere Movement-Heatmap-Daten darauf hindeuten, dass unsere Versandoptionen verwirrend sind.”
Anschließend kannst du damit fortfahren, dein Experiment zu dokumentieren und durchzuführen (und gezielte Änderungen vorzunehmen, um den Checkout-Prozess zu verbessern).
Während quantitative Daten dir helfen können, Verbesserungsbereiche zu identifizieren, sind qualitative Daten wichtig, um die zugrunde liegenden Gründe zu verstehen.
Um qualitative Daten zu sammeln, brauchst du unter anderem ein Behavior-Analytics-Tool wie Mouseflow. Behavior-Analytics-Plattformen bieten verschiedene Möglichkeiten, Nutzerverhalten zu analysieren, wobei die bekanntesten Website-Heatmap-Tools und Session-Recording-Tools sind.
Heatmaps visualisieren Nutzerklicks, Mausbewegungen und Scrollverhalten und helfen dir zu erkennen, welche Bereiche deiner Website oder App die meiste Aufmerksamkeit erhalten. Hier erfährst du mehr darüber, was du über deine Nutzer verstehen kannst, indem du Heatmaps interpretierst.
Session Recordings erfassen echte Nutzerinteraktionen auf deiner Website oder App, sodass du ihr Verhalten beobachten kannst, als würdest du direkt neben ihnen am Computer sitzen, während sie deine Website durchstöbern. Das kann besonders nützlich sein, um Usability-Probleme wie verwirrende Navigation, unklare Anweisungen oder unerwartete Fehler zu identifizieren. Hier erfährst du mehr darüber, was du beim Ansehen von Session Replays lernen kannst.
Hier ist etwas, das meiner Meinung nach viele übersehen: Session Recordings können sehr überzeugend sein, um Stakeholder zu Änderungen zu bewegen.
„Nichts überzeugt Stakeholder besser als eine Videodemonstration von Nutzern, die auf deiner Website spektakulär scheitern.”
3. Nutzerfeedback
Nutzerfeedback ist eine weitere wertvolle Informationsquelle für die Hypothesenentwicklung. Ich vermute, das ist einer der Gründe, warum Behavior-Analytics-Plattformen Feedback-Umfrage-Tools als eines ihrer Features anbieten.
Damit hörst du ungefilterte Meinungen und Vorschläge von echten Menschen, die dein Produkt oder deine Website nutzen. Nutzerfeedback kann erklären, warum Nutzer bestimmte Aspekte mögen oder nicht mögen, und liefert Kontext für ihr Verhalten.
Falls du dich fragst, warum du überhaupt User-Feedback-Umfragen durchführen solltest (hier übrigens, wie du Feedback-Umfragen einrichtest), lautet die Antwort: Weder quantitative Daten noch Session Replay oder Heatmaps können die gleiche Tiefe an Verständnis liefern wie Nutzerfeedback. Eine detailliertere Aufschlüsselung, wie Feedback in einen strukturierten Optimierungsprozess passt, findest du in unserem Guide zu Nutzerfeedback.
Beispiel einer Mouseflow-Umfrage zum Sammeln von Feedback über den Checkout-Prozess
Nutzerfeedback ermöglicht es dir, direkt von Nutzern zu hören, und bietet damit eine persönlichere Perspektive, die dir hilft, Verbesserungsbereiche zu identifizieren.
Und es kann außerdem als zusätzliche Datenquelle dienen, um deine Hypothese zu untermauern. Je mehr übereinstimmende Quellen du hast, desto höher ist die Wahrscheinlichkeit, dass deine Hypothese zutrifft oder zumindest etwas Interessantes aufdeckt.
4. Kundengespräche
Quantitative Daten zeigen dir das „Was” auf der Website, qualitative Analytics zeigt dir das „Warum”, und Gespräche mit Kunden offenbaren die Gedanken und Absichten, die sie zu ihrem Verhalten bewegt haben.
Auch wenn ich sehe, dass alle über Customer Insights oder Gespräche reden, tun sich viele Teams immer noch schwer, ihr volles Potenzial auszuschöpfen. Kundengespräche effektiv zu führen, erfordert mehr als nur Fragen zu stellen.
Ein paar Vorschläge für erfolgreiche Kundengespräche
Hier sind unsere drei Vorschläge, um das Beste aus Kundengesprächen herauszuholen:
- Dominiere das Gespräch nicht. Kunden stimmen leicht zu, aber du willst nicht, dass sie deine Meinung bestätigen. Du sprichst mit ihnen, um ihre Meinung zu hören. Frage also statt „Fandest du den Checkout-Prozess einfach?” (suggestiv) lieber „Kannst du mich durch deine Erfahrung mit dem Checkout führen und dabei hervorheben, was reibungslos oder frustrierend war?” (offen).
- Gib dich nicht mit einfachen Antworten zufrieden. Frage statt „Was hältst du vom Produkt?” (allgemein) lieber „Kannst du deinen ersten Eindruck vom Produkt beschreiben? Wie hat es sich für dich angefühlt?” (emotionsfokussiert).
- Lass Insights nicht in der Übersetzung verloren gehen – du musst die Lücke zwischen Gespräch und Handlung schließen. Schließe mit der Frage „Basierend auf deiner Erfahrung: Welche Änderungen würden das Produkt für dich einfacher nutzbar machen?” ab (handlungsorientiert).
Achte genau auf die Bedenken, Einwände und offenen Fragen der Nutzer während des Kaufprozesses.
Es ist außerdem entscheidend, die Buying Journey und den Entscheidungsprozess der Nutzer zu verstehen, indem du Methoden wie aktives Zuhören in Einzelinterviews, Gruppeninterviews oder Brainstorming-Sessions einsetzt.
Schnelle Nutzertests und On-Page-Umfragen können, wenn sie mit Session Recordings und Click Maps der Nutzer verknüpft werden, zusätzlich wertvolle Insights liefern.
Das sind also die vier Hauptquellen für Daten zur Formulierung von Hypothesen. Wenn du aus einer dieser Quellen eine Experiment-Idee bekommst, die du wirklich großartig findest, versuche, die anderen Datenquellen zu nutzen, um sie zu bestätigen oder zu widerlegen.
Mach dir keine Sorgen, wenn sich deine Idee als falsch herausstellt – während du dich durch die Daten arbeitest, wirst du wahrscheinlich Ideen für ein Dutzend weiterer Hypothesen entwickeln. Wenn du mehr Inspiration möchtest und erfahren willst, wie renommierte CRO-Profis auf Hypothesen kommen und aus ihren Experimenten lernen, schau dir unser CRO Journal an, in dem sie ihre Erfahrungen teilen.
Jetzt, wo du eine großartige datengestützte Hypothese erstellt hast, ist es Zeit, dein Experiment zu gestalten.
Wie du ein gutes Experiment für CRO gestaltest
Hier sind drei zentrale Schritte, um sicherzustellen, dass dein Experiment gut gestaltet ist.
Dokumentiere das Experiment
Klare Dokumentation stellt sicher, dass alle Beteiligten aufeinander abgestimmt bleiben, erleichtert spätere Analysen und legt den Grundstein für eine erfolgreiche Umsetzung:
- Metriken: Identifiziere die KPIs, die du messen wirst, und richte sie direkt an deiner Hypothese aus. Trackst du Conversion Rates, Engagement-Metriken oder bestimmte Button-Klicks? Wähle Tools, die zu jedem KPI passen (z. B. Mouseflow für Heatmaps, Google Analytics für Seitenaufrufe).
- Erwartete Ergebnisse: Definiere die erwarteten Ergebnisse für jede Variante. Rate nicht einfach drauflos. Nutze A/B-Testing-Rechner oder historische Daten, um realistische Erwartungen festzulegen.
- Testdauer: Bestimme die optimale Testdauer basierend auf Traffic-Volumen und erwarteter Effektgröße. Ist sie zu kurz, riskierst du uneindeutige Ergebnisse; ist sie zu lang, verschwendest du wertvolle Ressourcen. Die meisten A/B-Testing-Tools haben eingebaute Rechner, die die benötigte Dauer automatisch basierend auf dem Traffic-Volumen der Seite berechnen.
- Learnings: Dokumentiere die Insights aus jedem Experimentierzyklus sowie die Iterationen oder Verfeinerungen, die am Versuchsdesign vorgenommen wurden. Erfasse sowohl quantitative Metriken als auch qualitative Beobachtungen, einschließlich unerwarteter Erkenntnisse und aufkommender Muster.
Analysiere die Ergebnisse auf Insights
Es mag seltsam klingen, aber unabhängig davon, ob das Ergebnis eindeutig war oder nicht, ob es ein Erfolg oder ein Misserfolg war – wichtiger ist, was du daraus gelernt hast. Konzentriere dich also darauf zu verstehen, warum sich deine Hypothese bestätigt oder als falsch erwiesen hat.
Nutze dann Post-Experiment-Segmentierung, um herauszufinden, ob bestimmte Nutzergruppen unterschiedliches Verhalten gezeigt haben. Hier ein paar Ideen für dich:
- Desktop- vs. Mobile-Besucher: Das ist die naheliegendste, kann aber wichtige Verhaltensunterschiede zwischen Desktop- und Mobile-Nutzern aufdecken, die die Ergebnisse beeinflusst haben könnten.
- Persona-gesteuerte Analyse: Analysiere Ergebnisse durch die Linse deiner etablierten User-Personas. Hat eine bestimmte Variante bei einer bestimmten Persona besonders gut angekommen? Das kann gezielte Optimierungsmaßnahmen informieren.
- Erstkäufer vs. Wiederkäufer: Analysiere, wie jede Gruppe mit deiner Website interagiert, und identifiziere Pain Points für Erstnutzer und Loyalitätstreiber für Wiederkäufer.
- High-Value- vs. Low-Value-Kunden: Verstehe das Browsing- und Kaufverhalten deiner wertvollsten Kunden, um die Experience für sie zu optimieren, und identifiziere gleichzeitig Möglichkeiten, Low-Value-Kunden in High-Value-Kunden zu verwandeln.
- Käufer komplementärer Produkte: Analysiere Nutzer, die bestimmte Produktkombinationen kaufen, um Cross-Selling- und Upselling-Möglichkeiten zu identifizieren.
- Wishlist-Nutzer: Analysiere Nutzer, die Produkte zu ihrer Wunschliste hinzufügen, aber nicht kaufen. Prüfe, ob du Anreize oder personalisierte Empfehlungen anbieten kannst, um sie zu konvertieren.
- Promo-Kanal: Analysiere das Nutzerverhalten basierend auf dem Kanal, über den sie die Promotion erhalten haben (E-Mail, Social Media usw.). Das hilft dir zu verstehen, welche Kanäle die meisten Conversions bringen, und zukünftige Promotions entsprechend anzupassen.
Nutze Insights, um zukünftige Experimente zu informieren
Das Lernen hört nie auf, oder? Denk über deine Erkenntnisse nach, um deinen Ansatz kontinuierlich zu verfeinern. Analysiere Ergebnisse, um Bereiche für weitere Erkundung zu identifizieren. Hat ein bestimmtes Element innerhalb einer Variante vielversprechend gewirkt? Erkunde es weiter in einem neuen Experiment, das du zu deiner CRO-Roadmap hinzufügst.
Ich empfehle dir, Ressourcen basierend auf dem Gelernten zuzuteilen und dich auf Bereiche mit dem höchsten potenziellen Impact zu konzentrieren, basierend auf datengestützten Insights.
Abschließende Gedanken zur datengestützten CRO-Hypothese
Sich in all diese Daten zu vertiefen, mag zu kompliziert klingen, aber effektives CRO geht nicht um schnelle Lösungen oder Glückstreffer.
Indem du den in diesem Artikel beschriebenen Schritten folgst, steckst du nicht länger in einem Kreislauf aus leistungsschwachen Tests fest. Stattdessen entwickelst du datengestützte Hypothesen, die gezielte Experimente antreiben, dir verborgene Conversion-Möglichkeiten aufzeigen und den Weg für nachhaltige Optimierung ebnen.
