Was macht Landing Page CRO?
Conversion-Rate-Optimierung bedeutet nicht, Best Practices anzuwenden – es bedeutet, aus echten Nutzerdaten spezifische Hypothesen zu bilden, diese zu testen und iterativ zu verbessern. Der kostspielige Fehler, den dieser Skill verhindert, ist die „Redesign-Roulette“: Eine Reihe ungetesteter „Verbesserungen“ auszuliefern, die Gewinner und Verlierer vermischen, nichts bewegen und nichts lehren, während die bezahlten Ausgaben weiterhin auf eine undichte Seite treffen.
Vorgehensweise
Die Reihenfolge ist strikt: Audit vor Hypothesen (eine Hypothese ohne Beobachtung ist eine Vermutung), Hypothesen vor Priorisierung, Priorisierung vor Tests und Signifikanz vor Urteilen.
Schritt 1: Eingaben sammeln
Vor der Prüfung sammeln. Alles, was angenommen wird, als Vermutung kennzeichnen.
- Seiten-URL und ihr einzelnes Konversionsziel (Formularausfüllung, Kauf, Anmeldung). Eine Seite mit zwei Zielen ist bereits ein Befund.
- Aktuelle CVR und Traffic: eindeutige Besucher pro Woche und Konversionen pro Woche – diese bestimmen die Testmethode in Schritt 5.
- Traffic-Quellen sowie die Anzeigen oder E-Mails, die ihn senden (wird für die Message-Match-Prüfung in Schritt 2 benötigt).
- Verfügbare Tools: Heatmaps, Session-Aufzeichnungen, Analytics-Funnel. Standard: nur Analytics annehmen und die Lücke markieren.
- Einschränkungen: Markenrichtlinien, Entwicklerkapazität, Termin.
Schritt 2: Prüfen, bevor Hypothesen gebildet werden
Zwei Arten von Beweisen sammeln:
- Quantitative: Heatmaps, Scrollmaps, Klickmaps, Session-Aufzeichnungen, Funnel-Abbrüche. Mindestens eine Stunde in Session-Aufzeichnungen verbringen, bevor eine Meinung gebildet wird.
- Qualitativ: Benutzerumfragen, Live-Chat-Transkripte, Verkaufsgesprächsnotizen – Einwände in den eigenen Worten der Nutzer.
Das Audit muss drei Fragen beantworten: Wo verlassen Nutzer die Seite? Worauf klicken sie, was ihnen nicht bei der Konversion hilft? Welche Einwände wiederholen sich wörtlich?
Zuerst die Message-Match-Prüfung durchführen – der häufigste CRO-Fehler: Die Anzeige macht ein spezifisches Versprechen und die Seite liefert eine generische Markenaussage. Jede bezahlte Quelle muss auf einer Seite landen, deren Überschrift direkt das Angebot der Anzeige widerspiegelt. Wenn eine Seite mehrere Kampagnen bedient, dynamische Textersetzung oder dedizierte Seiten pro Hauptkampagnenthema vorschreiben, bevor andere Tests durchgeführt werden.
Anschließend die fünf wirksamsten Elemente in der Reihenfolge des typischen Einflusses prüfen: (1) Überschrift – muss mit dem Versprechen der Anzeige übereinstimmen und einen spezifischen Schmerz ansprechen; (2) primärer CTA – Text, Position, Kontrast; (3) sozialer Beweis – Spezifität schlägt Umfang; ein namentlich genanntes Kunden-Zitat übertrifft eine Sternebewertung; (4) Bild oberhalb der Falz – muss das Ergebnis zeigen, nicht das Produkt; (5) Formular/Checkout-Friction – jedes unnötige Feld senkt die Konversion. Diese beheben, bevor Hintergrundfarben oder Schriftgrößen getestet werden.
Schritt 3: Strukturierte Hypothesen schreiben
Jede Hypothese verwendet dieses genaue Format: „Weil [Beobachtung aus Audit] ändern von [Element] zu [vorgeschlagene Änderung] wird [erwartetes messbares Ergebnis] für [Zielgruppe].“ Keine Beobachtung bedeutet, es ist eine Vermutung und kommt nicht in den Backlog. Hypothesen vor Mockups schreiben – das Denken ist wichtiger als die Ausführung.
Schritt 4: Mit ICE priorisieren
Jede Hypothese mit 1–10 bewerten nach Impact (wie stark bewegt sie die CVR, wenn sie wahr ist), Confidence (Stärke der Beweise dahinter) und Ease (Geschwindigkeit von Bau und Test), dann multiplizieren. Den höchsten Score zuerst durchführen. Höchstens zwei gleichzeitige Tests auf derselben Seite – mehr erschwert die Interpretation. Eine Variable pro Test ändern; ein Test, der Überschrift und CTA gleichzeitig ändert, kann sein Ergebnis nicht zuordnen.
Schritt 5: Testen bis zur Signifikanz
- Standard: keinen Gewinner vor 95 % statistischer Signifikanz mit mindestens 100 Konversionen pro Variante ausrufen.
- Niedriger Traffic (ungefähr unter 1.000 Konversionen pro Monat): auf Bayessche Tests mit einer 90 %-Wahrscheinlichkeits-zu-schlagen-Schwelle umschalten oder größere Änderungen (komplette Abschnitts-Umschreibungen) testen, bei denen der Effekt nachweisbar ist.
- Einen Test niemals vorzeitig beenden, weil eine Variante „besser aussieht“ – die Regression zur Mitte ist real. Die Stichprobengröße oder Laufzeit vor dem Start festlegen und mindestens einen vollständigen Geschäftszyklus (normalerweise ein bis zwei Wochen) laufen lassen, sodass die Mischung aus Wochentagen/Wochenenden repräsentiert ist.
- Jedes Ergebnis, einschließlich Verlusten, in einem Test-Log dokumentieren – eine fehlgeschlagene Hypothese ist immer noch eine Erkenntnis, und eine nicht dokumentierte wird in sechs Monaten wiederholt.
Schritt 6: Ausliefern, protokollieren, wiederholen
Den Gewinner ausrollen, das Ergebnis gegen die Hypothese aufzeichnen, den Backlog neu bewerten (ein Gewinn verändert oft die Confidence bei verwandten Hypothesen) und zu Schritt 4 zurückkehren.
Bearbeitetes Artefakt: Bewerteter Hypothesen-Backlog
SEITE: /demo-request ZIEL: Demo-Formular-Ausfüllung AUSGANGS-CVR: 2,1 % TRAFFIC: 9.400/Woche
| # | Hypothese (weil / ändern von / wird / für) | I | C | E | ICE |
|---|---------------------------------------------------------------------------|---|---|---|-----|
| 1 | Weil 62 % der bezahlten Besucher in <10s abspringen und die Anzeige | 8 | 8 | 9 | 576 |
| | „Rechnungszeit um 80 % reduzieren“ verspricht, während die Überschrift | | | | |
| | „Die moderne Finanzplattform“ lautet, das Ändern der Überschrift hin | | | | |
| | zum Angebot der Anzeige die CVR für bezahlten Traffic erhöhen wird. | | | | |
| 2 | Weil Aufzeichnungen zeigen, dass 40 % der Nutzer das 7-Felder-Formular | 7 | 7 | 6 | 294 |
| | öffnen und bei „Telefonnummer“ abbrechen, das Entfernen von Telefon + | | | | |
| | Unternehmensgröße die Formular-Ausfüllung für allen Traffic erhöhen wird. | | | | |
| 3 | Weil Chat-Transkripte wiederholen „Funktioniert das mit NetSuite?“, das | 6 | 6 | 7 | 252 |
| | Hinzufügen eines NetSuite-Logos + einzeiligen Integrationsnachweis ober- | | | | |
| | halb der Falz die CVR für ERP-basierte Segmente erhöhen wird. | | | | |
REIHENFOLGE: #1 zuerst. Eine Variable. Mindeststichprobe: 100 Konversionen/Variante, 95 % Signifikanz,
voller 2-Wochen-Zyklus. Ergebnis unabhängig vom Ausgang im Test-Log protokolliert.
Liefergegenstand
Ein CRO-Paket erstellen, das Folgendes enthält: die Audit-Ergebnisse (Abbruchpunkte, irreführende Klicks, wörtliche Einwände, Message-Match-Urteil), einen bewerteten Hypothesen-Backlog im obigen Format, den Testplan für die Top-Hypothese (Variable, Stichprobengröße, Signifikanzstandard, Dauer) und eine Test-Log-Struktur zur Aufzeichnung der Ergebnisse.
NICHT
- Nicht vor dem Audit testen – Hypothesen ohne Beobachtungen sind Vermutungen, und das Testen von Vermutungen verbrennt Traffic.
- Nicht mehrere Variablen in einem Test ändern; das Ergebnis wird unzuordenbar und die „Erkenntnis“ ist Rauschen.
- Nicht vorzeitig spicken und anhalten, wenn eine Variante führt – frühe Führungen regredieren, und das Ausrufen solcher Ergebnisse liefert Verlierer aus.
- Nicht mit Mikro-Elementen (Button-Farben, Schriftarten) beginnen, während die fünf wirkungsstarken Elemente noch unbehandelte Befunde aufweisen.
- Keine frequentistischen 95 %/100-Konversions-Tests auf einer Traffic-armen Seite durchführen – der Test wird nie zu einem Ergebnis kommen; Bayessche Schwellen oder größere Änderungen verwenden.
- Nicht vergessen, verlorene Tests zu dokumentieren; nicht dokumentierte Verluste werden teuer wiederholt.
Qualitätskriterien
Nur ausliefern, wenn: jede Hypothese eine spezifische Audit-Beobachtung zitiert; ICE-Werte begründet sind, nicht nur Bauchgefühl; jeder geplante Test eine Variable isoliert; der Signifikanzstandard und die Mindeststichprobe vorab schriftlich festgelegt sind; der Message-Match für jede bezahlte Quelle überprüft wurde; und das Test-Log vor dem Start des ersten Tests existiert.
Eskalation
Netto-neue Seiteninhalte schreiben ist landing-page-copy; die Anzeigenseite schlechter Leistung diagnostizieren ist paid-acquisition-audit; tiefgehende statistische Auswertung eines abgeschlossenen Experiments ist ab-test-analyzer; Funnel-weite Abbrüche über eine Seite hinaus ist funnel-analysis.