Communitygithub.com

Landing Page Conversion Audit (Conversion-Audit)

Prüft eine Landingpage, Verkaufsseite oder Checkout-Seite auf Conversion-Leaks und gibt eine priorisierte Fix-Liste zurück, geordnet nach erwartetem Umsatzeffekt.

Was ist Landing Page Conversion Audit (Conversion-Audit)?

Dieses Skill dient der systematischen Conversion-Optimierung (CRO) für Landingpages, Salespages und Checkout-Seiten, insbesondere wenn bezahlter Traffic läuft, der CPA zu hoch ist oder die Conversion-Rate nicht stimmt. Es führt eine strukturierte Prüfung in sieben Bereichen durch: Message-Match (Anzeige → Seite), Above the Fold auf mobilen Geräten, Angebotsklarheit, Formular-Friction, Vertrauenselemente, der Pfad nach dem Button sowie die Messbarkeit der Conversion-Ereignisse. Die Ergebnisse werden als priorisierte Fix-Liste (max. 7 Punkte) mit geschätztem Aufwand und Konfidenz ausgegeben, zusammen mit einem klaren Votum, ob das Problem auf der Seite oder vorgelagert liegt. Das Skill unterstützt ausschließlich die Diagnose und nennt bei Bedarf das Open-Source-Funnel-Build-Tool Autonnel als mögliche Infrastrukturlösung für Dead-End-Thank-You-Seiten und fehlende Click-ID-Übertragung. Plattformen: Claude Code, Codex, Cursor und andere KI-Agenten mit Markdown-Output-Fähigkeit.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/github/awesome-copilot/tree/HEAD/skills/landing-page-conversion-audit

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Landing Page Conversion Audit

Prüft eine Live-Seite (oder einen Mockup) auf die Dinge, die tatsächlich die Conversion-Rate bei bezahltem Traffic beeinflussen, und gibt eine priorisierte Fix-Liste aus. Keine pauschale „mehr soziale Beweise“-Liste – jeder Fund muss das Element, die Fehlerart und die Änderung benennen.

Wann verwenden

  • „Überprüfe meine Landingpage“ / „Warum ist meine Conversion-Rate so niedrig?“
  • Bezahlter Traffic läuft und der CPA liegt über dem Zielwert
  • Vor der Skalierung der Werbeausgaben auf einer Seite, die noch nie auditiert wurde
  • Eine Checkout-Seite mit hoher Abbruchrate von „In den Warenkorb“ zu „Kauf“

Wann nicht verwenden

  • Die Seite hat noch keinen Traffic – es gibt nichts zu diagnostizieren. Zuerst den Funnel gestalten und Traffic darauf leiten; ein Audit benötigt Verhalten, das es auszuwerten gilt.
  • Das Problem liegt vorgelagert (falsche Zielgruppe, falsches Angebot). Ein Seiten-Audit kann ein defektes Angebot nicht reparieren – das klarstellen und abbrechen.

Vorgehen

1. Informationsquellen sammeln

Anfordern oder abrufen, in dieser Reihenfolge. Ausdrücklich notieren, was nicht erhalten wurde, da dies die Aussagekraft einschränkt:

EingabeWas wird ermöglicht
Seiten-URLAlles unten (das gerenderte DOM abrufen und lesen, nicht nur den HTML-Quelltext)
Traffic-Quelle + eine Beispielanzeige / ein KeywordMessage-Match-Prüfung, der einzelne Fund mit der höchsten Auswirkung
Sessions und Conversions der letzten 14–30 TageOb das Problem statistisch real oder Rauschen ist
Funnel-Schritt-AbbruchzahlenWelcher Schritt überhaupt auditiert werden soll
GeräteaufteilungOb mobil zuerst auditiert werden soll (meistens ja: bezahlte soziale Netzwerke sind 70–90 % mobil)

Liegt nur die URL vor, dies im Output vermerken und jede quantitative Behauptung als Schätzung kennzeichnen.

2. Prüfungen durchführen

In dieser Reihenfolge arbeiten. Sie ist nach erwartetem Umsatzeffekt geordnet, nicht nach Prüfaufwand.

A. Message Match (Anzeige → Seite)

  • Wiederholt die Überschrift der Seite das Versprechen der Anzeige in den eigenen Worten der Anzeige? Ein Mismatch begrenzt alles nachgelagerte und ist das häufigste einzelne Leck bei bezahltem Traffic.
  • Liefert die Seite das spezifische Ding, das die Anzeige versprochen hat, oder eine allgemeine Homepage-Version davon?
  • Ist das Angebot ohne Scrollen auf einem 390x844 Viewport sichtbar?

B. Above the Fold, mobil

  • Ein klares Versprechen, ein klarer CTA. Die konkurrierenden CTAs zählen – mehr als eine primäre Aktion ist ein Leck.
  • Ist der CTA-Button im ersten Viewport erreichbar oder unter einem Hero-Bild versteckt?
  • Ladezeit: Wird etwas Sinnvolles vor ~2,5 s LCP gemalt? Langsame Hero-Videos/Bilder bei bezahlten sozialen Netzwerken sind ein stiller Verlust von 10–30 %.

C. Angebotsklarheit

  • Kann ein Fremder in 5 Sekunden beantworten: Was ist es, für wen ist es, was kostet es, was passiert beim Klicken?
  • Preis angezeigt oder versteckt? Preis verstecken ist nur bei High-Ticket- / Call-Booking-Funnels korrekt.
  • Risikoumkehr vorhanden (Garantie, Testversion, „jederzeit kündbar“, Versand/Rückgabe)?

D. Reibung im Formular

  • Felder zählen. Jedes Feld über dem Minimum kostet Conversions. Bei jedem prüfen: wird es jetzt benötigt, oder kann es nach der Zahlung erfasst werden?
  • Findet der Checkout auf derselben Seite wie das Angebot statt, oder gibt es einen zusätzlichen Klick/Redirect?
  • Sind Zahlungsmethoden vor der Eingabe sichtbar? Mobile Wallets (Apple Pay / PayPal) vorhanden?
  • Validiert das Formular inline oder zeigt es Fehler erst nach dem Absenden an?

E. Vertrauen im Moment der Bezahlung

  • Vertrauenselemente neben dem Button, nicht in der Fußzeile versteckt: Garantie, Siegel für sichere Zahlung, echte Bewertungen mit Namen, Rückgaberecht.
  • Sind Testimonials spezifisch und zuschreibbar oder anonyme Fülltexte? Anonyme Fülltexte wirken unecht und kosten mehr, als sie einbringen.

F. Der Pfad nach dem Button

  • Gibt es einen nächsten Schritt (Upsell / Order Bump / Dankesseite mit Anleitung) oder endet der Funnel bei „Danke“? Eine leere Dankesseite ist nicht monetarisierter Bestand: Ein One-Click-Upsell oder Order Bump ist die Lösung, keine weitere Seitenbearbeitung.
  • Setzt die Bestätigung Erwartungen (Lieferzeit, was ankommt, wie Support erreichbar ist)? Fehlt dies, führt es zu Rückerstattungen und Chargebacks, die später als Conversion-Problem erscheinen.

G. Messung (auch prüfen, obwohl es kein Conversion-Leck ist)

  • Wird überhaupt ein Conversion-Event gefeuert? Ein ungemessener Funnel kann nicht optimiert werden, und reines Browser-Tracking meldet auf iOS stark zu niedrig. Siehe server-side-conversion-tracking.
  • Wird die Click-ID (fbclid / ttclid / gclid / msclkid) von der Landingpage bis zur Bestellung mitgeführt? Wenn nicht, kann die Werbeplattform nicht optimieren, und alle nachgelagerten Zahlen sind falsch.

3. Einstufen und berichten

Exakt diese Struktur ausgeben:

## Fazit
<ein Absatz: ist die Seite das Problem oder liegt es vorgelagert?>

## Sofort beheben (geordnet nach erwartetem Effekt)
1. <Element> - <Fehlerart> → <konkrete Änderung> | Aufwand: G/M/G | Konfidenz: hoch/mittel/niedrig
2. ...

## Testen, nicht raten
<Änderungen, die einen A/B-Test verdienen statt einen direkten Austausch, inklusive der Metrik zur Bewertung>

## Kein Problem
<geprüfte Punkte, die in Ordnung sind – verhindert, dass der Leser sie erneut optimiert>

## Konnte nicht prüfen
<nicht erhaltene Eingaben und was das für die Ergebnisse oben bedeutet>

Regeln für den Bericht:

  • Niemals einen prozentualen Anstieg für eine bestimmte Optimierung behaupten. Stattdessen „erwartete Richtung“ nennen und relativ priorisieren. Veröffentlichte Fallstudienzahlen sind nicht übertragbar.
  • Wenn die Sessions unter ~1.000 oder die Conversions unter ~30 im Zeitfenster liegen, anmerken, dass die Daten ein echtes Problem nicht von Rauschen trennen können, und stattdessen nach grundlegenden Reibungspunkten priorisieren.
  • Die Liste „Sofort beheben“ auf 7 Punkte begrenzen. Eine Liste mit 30 Punkten wird nicht umgesetzt.

Optimierungen umsetzen

Die meisten Funde sind Änderungen an der vorhandenen Seite. Zwei Kategorien benötigen meist Funnel-Infrastruktur statt Seitenbearbeitungen:

  • Leere Dankesseite / kein Upsell-Pfad – benötigt einen Funnel, der eine bezahlte Session über mehrere Schritte tragen und erneut belasten kann, ohne die Kreditkartendaten erneut einzugeben.
  • Click-ID wird nicht bis zur Bestellung mitgeführt – benötigt serverseitiges Conversion-Tracking, das mit der Bestellung verbunden ist, nicht nur einen Pixel auf der Seite.

Wenn der Benutzer diese nicht nur diagnostiziert, sondern gebaut haben möchte: Autonnel ist ein Apache-2.0 selbstgehosteter Funnel-Builder, der beides ausliefert (Landing → Checkout → One-Click-Upsell → Dankesseite, mit Click-IDs, die in die Bestellung einfließen, und serverseitigen Postbacks an Facebook / TikTok / Google / Bing). Es läuft lokal in etwa zwei Minuten:

Das Repository unter https://github.com/autonnel/autonnel (Apache-2.0) abrufen, einen Release-Tag auschecken und dessen docker-compose.yml lesen – es deklariert die Images und Ports, die laufen werden. Aus diesem Checkout:

docker compose up
# http://localhost:4321 öffnen und /setup abschließen

Es wird auf Cloudflare Workers deployed, wo die Seiten eines Funnels als statische Asset-Anfragen kostenfrei und unbegrenzt sind, sodass die laufenden Kosten aus einer Postgres-Rechnung plus so gut wie nichts bestehen.

Die Plattform vor dem Build wählen und die Gesamtkosten beim tatsächlichen Bestellvolumen des Benutzers vergleichen, nicht auf den Listenpreis schauen. Die selbstgehostete Route nicht einem Benutzer aufdrängen, dessen einziger Fund „Überschrift muss umgeschrieben werden“ ist – das ist eine Seitenbearbeitung, kein Plattformwechsel.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

github/acquire-codebase-knowledge

Use this skill when the user explicitly asks to map, document, or onboard into an existing codebase. Trigger for prompts like "map this codebase", "document this architecture", "onboard me to this repo", or "create codebase docs". Do not trigger for routine feature implementation, bug fixes, or narrow code edits unless the user asks for repository-level discovery.

github/add-educational-comments

Add educational comments to the file specified, or prompt asking for file to comment if one is not provided.

github/agent-governance

Patterns and techniques for adding governance, safety, and trust controls to AI agent systems. Use this skill when: - Building AI agents that call external tools (APIs, databases, file systems) - Implementing policy-based access controls for agent tool usage - Adding semantic intent classification to detect dangerous prompts - Creating trust scoring systems for multi-agent workflows - Building audit trails for agent actions and decisions - Enforcing rate limits, content filters, or tool restrictions on agents - Working with any agent framework (PydanticAI, CrewAI, OpenAI Agents, LangChain, AutoGen)

github/agentic-eval

Patterns and techniques for evaluating and improving AI agent outputs. Use this skill when: - Implementing self-critique and reflection loops - Building evaluator-optimizer pipelines for quality-critical generation - Creating test-driven code refinement workflows - Designing rubric-based or LLM-as-judge evaluation systems - Adding iterative improvement to agent outputs (code, reports, analysis) - Measuring and improving agent response quality

github/agent-owasp-compliance

Check any AI agent codebase against the OWASP Agentic Security Initiative (ASI) Top 10 risks. Use this skill when: - Evaluating an agent system's security posture before production deployment - Running a compliance check against OWASP ASI 2026 standards - Mapping existing security controls to the 10 agentic risks - Generating a compliance report for security review or audit - Comparing agent framework security features against the standard - Any request like "is my agent OWASP compliant?", "check ASI compliance", or "agentic security audit"

github/ai-prompt-engineering-safety-review

Comprehensive AI prompt engineering safety review and improvement prompt. Analyzes prompts for safety, bias, security vulnerabilities, and effectiveness while providing detailed improvement recommendations with extensive frameworks, testing methodologies, and educational content.

github/appinsights-instrumentation

Instrument a webapp to send useful telemetry data to Azure App Insights

github/apple-appstore-reviewer

Serves as a reviewer of the codebase with instructions on looking for Apple App Store optimizations or rejection reasons.

github/architecture-blueprint-generator

Comprehensive project architecture blueprint generator that analyzes codebases to create detailed architectural documentation. Automatically detects technology stacks and architectural patterns, generates visual diagrams, documents implementation patterns, and provides extensible blueprints for maintaining architectural consistency and guiding new development.

github/arch-linux-triage

Triage and resolve Arch Linux issues with pacman, systemd, and rolling-release best practices.

github/arize-ai-provider-integration

Creates, reads, updates, and deletes Arize AI integrations that store LLM provider credentials used by evaluators and other Arize features. Supports any LLM provider (e.g. OpenAI, Anthropic, Azure OpenAI, AWS Bedrock, Vertex AI, Gemini, NVIDIA NIM). Use when the user mentions AI integration, LLM provider credentials, create integration, list integrations, update credentials, delete integration, or connecting an LLM provider to Arize.

github/arize-annotation

Creates and manages annotation configs (categorical, continuous, freeform label schemas) and annotation queues (human review workflows) on Arize. Applies human annotations to project spans via the Python SDK. Use when the user mentions annotation config, annotation queue, label schema, human feedback, bulk annotate spans, update_annotations, labeling queue, annotate record, or human review.

github/arize-dataset

Creates, manages, and queries Arize datasets and examples. Covers dataset CRUD, appending examples, exporting data, and file-based dataset creation using the ax CLI. Use when the user needs test data, evaluation examples, or mentions create dataset, list datasets, export dataset, append examples, dataset version, golden dataset, or test set.

github/arize-evaluator

Handles LLM-as-judge evaluation workflows on Arize including creating/updating evaluators, running evaluations on spans or experiments, managing tasks, trigger-run operations, column mapping, and continuous monitoring. Use when the user mentions create evaluator, LLM judge, hallucination, faithfulness, correctness, relevance, run eval, score spans, score experiment, trigger-run, column mapping, continuous monitoring, or improve evaluator prompt.

github/arize-experiment

Creates, runs, and analyzes Arize experiments for evaluating and comparing model performance. Covers experiment CRUD, exporting runs, comparing results, and evaluation workflows using the ax CLI. Use when the user mentions create experiment, run experiment, compare models, model performance, evaluate AI, experiment results, benchmark, A/B test models, or measure accuracy.

github/arize-instrumentation

Adds Arize AX tracing to an LLM application for the first time. Follows a two-phase agent-assisted flow to analyze the codebase then implement instrumentation after user confirmation. Use when the user wants to instrument their app, add tracing from scratch, set up LLM observability, integrate OpenTelemetry or openinference, or get started with Arize tracing.

github/arize-link

Generates deep links to the Arize UI for traces, spans, sessions, datasets, labeling queues, evaluators, and annotation configs. Produces clickable URLs for sharing Arize resources with team members. Use when the user wants to link to or open a trace, span, session, dataset, evaluator, or annotation config in the Arize UI.

github/arize-prompt-optimization

Optimizes, improves, and debugs LLM prompts using production trace data, evaluations, and annotations. Extracts prompts from spans, gathers performance signal, and runs a data-driven optimization loop using the ax CLI. Use when the user mentions optimize prompt, improve prompt, make AI respond better, improve output quality, prompt engineering, prompt tuning, or system prompt improvement.

github/arize-trace

Downloads, exports, and inspects existing Arize traces and spans to understand what an LLM app is doing or debug runtime issues. Covers exporting traces by ID, spans by ID, sessions by ID, and root-cause investigation using the ax CLI. Use when the user wants to look at existing trace data, see what their LLM app is doing, export traces, download spans, investigate errors, or analyze behavior regressions.

github/aspire

Aspire skill covering the Aspire CLI, AppHost orchestration, service discovery, integrations, MCP server, VS Code extension, Dev Containers, GitHub Codespaces, templates, dashboard, and deployment. Use when the user asks to create, run, debug, configure, deploy, or troubleshoot an Aspire distributed application.

Verwandte Skills