Research Driven CRO: So analysieren wir Shopify Shops in 7 Schritten

Eine niedrige Conversion Rate ist selten das eigentliche Problem – sie ist ein Symptom. Wer einen Shopify-Shop strukturiert optimieren will, braucht zuerst einen klaren Blick auf den Funnel: Wo verlassen Nutzer den Shop, und unterscheidet sich das Verhalten zwischen Mobile und Desktop, zwischen neuen und wiederkehrenden Kunden? Erst wenn diese Fragen beantwortet sind, lässt sich sinnvoll fragen: Warum passiert das – und was kann man dagegen tun?

Bei tante-e basiert Conversion Rate Optimierung auf zwei Bausteinen: einer quantitativen Analyse (Funnel, Traffic-Quellen, Landingpage-Performance, PLP, PDP) und einer qualitativen Analyse (Heatmaps, Scrollmaps, On-Site-Suche, Nutzerbefragungen). Aus der Synthese beider entstehen 20–50 konkrete, priorisierte Maßnahmen pro Shop – unterteilt in Quick Wins, A/B-Testkandidaten und strategische Implementierungen.

Dieser Artikel gibt einen tiefgehenden Einstieg in das Thema datengetriebene Shop Analyse und basiert auf dem Praxiswissen unseres CRO-Experten Leonard.

Unser Ansatz bei tante-e: Research Driven CRO

Research-Driven CRO bedeutet: Wir optimieren nicht auf Basis von Bauchgefühl oder Best Practices. Wir analysieren systematisch, bevor wir eine einzige Änderung vornehmen.

Der Kern des Ansatzes lässt sich in einem Satz zusammenfassen: Wir analysieren nicht isolierte Seiten. Wir analysieren Bewegungsmuster.

Das macht den Unterschied. Wer nur auf eine Seite schaut, sieht Symptome. Wer die Bewegung des Users durch den gesamten Shop verfolgt, findet die Ursache.

Zwei Perspektiven, eine Empfehlung

Unser Analyse-Rahmen kombiniert zwei Ebenen:

Ebene	Frage	Methode
Quantitativ	Wo verliert der Shop Kunden?	GA4, Shopify Analytics, Funnel-Daten
Qualitativ	Warum verhalten sich User so?	Heatmaps, Session Recordings, Interviews

Erst wenn beide Perspektiven zusammengeführt werden, entsteht eine belastbare Empfehlung.

Die Analyseschritte im Überblick

Wir arbeiten uns systematisch durch sechs Bereiche – vom ersten Touchpoint bis zur Kaufentscheidung:

• Funnel – Wo verlieren wir Momentum?
• Traffic – Wer kommt mit welchem Verhalten?
• Landingpages – Wo betreten User den Shop?
• PLP – Finden sie passende Produkte?
• PDP – Aktivieren wir sie sicher zum Kauf?
• Qualitative Analyse – Warum verhalten sie sich so?
• Priorisierung – auf Basis des PXL Frameworks

Dieser Pfad folgt der tatsächlichen Customer Journey und stellt sicher, dass wir die richtigen Ursachen erkennen, bevor wir anfangen zu optimieren.

Schritt 1: Der Funnel – wo verliert der Shop Momentum?

Bevor wir konkrete Optimierungsmaßnahmen in Betracht ziehen, brauchen wir ein klares Bild davon, wo im Shop Nutzer abspringen. Der Ausgangspunkt jeder Analyse von unserem CRO-Experten Leonard ist deshalb der Conversion Funnel: eine strukturierte Abfolge von Schritten, die ein Besucher durchläuft, bevor er kauft.

Die fünf Funnel-Stufen im Überblick:

Stufe	Was sie misst
Session Start	Alle User, die den Shop betreten
View Product	User, die eine Produktseite aufrufen
Add to Cart	User, die ein Produkt in den Warenkorb legen
Begin Checkout	User, die den Checkout starten
Purchase	User, die tatsächlich kaufen

Zwischen jeder dieser Stufen gibt es einen Übergang – und an jedem Übergang verliert ein Shop einen Teil seiner Nutzer. Die entscheidende Frage ist: Wo ist der Verlust unverhältnismäßig hoch?

Wie wir den Funnel auswerten

Wir nutzen dafür primär GA4 und Shopify Analytics – beide haben unterschiedliche Stärken:

• Shopify Analytics eignet sich gut für AOV (Average Order Value) und die direkte Conversion Rate.
• GA4 ist stärker bei der Segmentierung: Welcher Kanal performt wie? Wie verhält sich Mobile vs. Desktop? Welche Einstiegsseiten konvertieren?

Ein konkretes Beispiel aus der Praxis: Dieselbe Landingpage, die bei Desktop eine View-Product-Rate von 47 % erzielt, kommt auf Mobile auf 70 % – ein deutlicher Hinweis darauf, dass Mobile-Nutzer anders ankommen und anders navigieren. Ohne diese Aufschlüsselung würde dieser Unterschied unsichtbar bleiben.

Der Funnel ist der Startpunkt. Was wir dort finden, bestimmt, wo wir als nächstes hinschauen.

Schritt 2: Traffic-Analyse – nicht jede niedrige Conversion Rate ist ein UX-Problem

Wenn die Conversion Rate eines Shops niedrig ist, ist der erste Impuls oft: Wir müssen die Seiten verbessern. Neues Design, bessere Produktbilder, klarere Texte. Das kann richtig sein, muss es aber nicht.

Denn die Conversion Rate hängt nicht nur davon ab, wie gut ein Shop aussieht. Sie hängt auch davon ab, wer überhaupt im Shop landet.

Was bedeutet das konkret?

Folgende Situation: Du betreibst einen Onlineshop. Gleichzeitig verschickst du einen Newsletter an deine Bestandskunden – und gleichzeitig läuft eine bezahlte Anzeige bei Google. Beide Kanäle bringen Menschen auf die gleiche Produktseite. Aber die Menschen sind völlig unterschiedlich:

• Newsletter-Empfänger kennen die Marke bereits, haben vielleicht schon einmal bestellt und klicken mit einer konkreten Kaufabsicht.
• Google-Ads-Nutzer sehen die Marke zum ersten Mal und sind noch in der Orientierungsphase.

Das Ergebnis aus der Praxis zeigt, wie groß dieser Unterschied sein kann:

Kanal	Conversion Rate	Add-to-Cart-Rate
E-Mail (Bestandskunden)	3,3 %	22,38 %
Paid Search (CPC)	1,12 %	7,99 %

Die Add-to-Cart-Rate – also der Anteil der Besucher, die ein Produkt in den Warenkorb legen – ist beim E-Mail-Kanal fast dreimal so hoch wie beim bezahlten Traffic. Nicht weil die Seite für E-Mail-Nutzer besser ist. Sondern weil diese Nutzer einfach schon kaufbereiter ankommen.

Was bedeutet das für die Analyse?

Würde man jetzt einfach die Gesamt-Conversion Rate des Shops betrachten und sagen „die ist zu niedrig, wir müssen den Shop optimieren", würde man an der falschen Stelle ansetzen.

Deshalb schauen wir uns immer zuerst die Traffic-Quellen einzeln an, bevor wir über Seitenoptimierungen nachdenken. Die zentrale Frage ist:

Haben wir ein Problem mit der Seite – oder ein Problem mit dem Traffic?

Konkret prüfen wir dabei:

• Welche Kanäle bringen die meisten Besucher, und welche bringen die meisten Käufer?
• Wie unterscheiden sich Conversion Rate und Add-to-Cart-Rate je nach Herkunft des Traffics?
• Gibt es Kanäle, die viel Traffic liefern, aber weit unter dem Shop-Durchschnitt performen?

Erst wenn diese Fragen beantwortet sind, wissen wir, ob ein Optimierungsproblem auf der Seite selbst liegt.

Schritt 3: Landingpages – nicht jede Einstiegsseite hat dieselbe Aufgabe

Wenn jemand auf einen Link zum Shop klickt – ob in einer E-Mail, einer Anzeige oder einem Google-Ergebnis – landet diese Person auf einer Landingpage. Das ist die erste Seite, die ein Besucher zu sehen bekommt. Es kann sich dabei prinzipiell um jede Seite im Shop handeln – die Startseite, eine Kategorie, ein Produkt oder auch eine eigens erstellte Kampagnenseite. Entscheidend ist: Von welcher Seite aus startet der Besuch?

Das Problem entsteht, wenn man Besucher auf eine Seite schickt, die nicht zur Erwartung passt, die sie durch den Link aufgebaut haben. Jemand sieht z. B. eine Anzeige für „vegane Sneaker" und landet auf der allgemeinen Sneaker-Kategorie, die auch nicht-vegane Produkte enthält – das erzeugt Verwirrung, und der Besucher springt ab.

Welche Aufgabe hat eine Landingpage?

Eine Landingpage hat genau eine Aufgabe: Sie muss die Erwartung des Nutzers bestätigen und ihn dazu bringen, weiterzuscrollen oder direkt zu kaufen. Sie ist also weniger ein Design-Thema und mehr ein Relevanz-Thema.

Konkret stellt sich unser Data Analyst Leonard bei jeder Einstiegsseite folgende Fragen:

• Passt der Inhalt zur Quelle? Wer über eine Google-Anzeige für ein konkretes Produkt kommt, sollte nicht zuerst durch eine Kategorie navigieren müssen.
• Ist die Seite für den Kanal optimiert? Eine Seite für kalten Paid-Traffic braucht andere Elemente als eine Seite für Newsletter-Abonnenten.
• Beantwortet die Seite die implizite Frage des Nutzers? Die Landing Page sollte die Erwartung des Users unmittelbar erfüllen.

Was passiert, wenn das nicht stimmt?

Die Bounce Rate steigt – das heißt, mehr Besucher verlassen den Shop, ohne auch nur eine weitere Seite anzusehen. Das ist teuer, weil bezahlter Traffic ins Leere läuft.

Das Gute: Landingpage-Probleme sind oft schnell zu identifizieren. In GA4 lässt sich genau sehen, welche Einstiegsseiten die höchste Absprungrate haben und über welche Kanäle diese Besucher kamen. Aus dieser Kombination ergibt sich direkt, wo der Handlungsbedarf liegt.

Schritt 4: Kollektionsseiten (PLP) – Orientierung entscheidet über Relevanz

Eine Kollektionsseite – auch PLP (Product Listing Page) genannt – ist die Seite, auf der User Produkte durchstöbern, bevor sie auf ein einzelnes Produkt klicken. Sie klingt unscheinbar, ist aber ein kritischer Punkt im Funnel: Wer hier nicht das Richtige findet, klickt nicht weiter.

Welche Aufgabe eine Kollektionsseite erfüllen muss

Die Hauptaufgabe der PLP ist es, Orientierung zu schaffen. Nutzer, die auf einer Kollektion landen, haben noch keine klare Kaufabsicht für ein bestimmtes Produkt – sie orientieren sich. Die Seite muss ihnen in Sekunden das Gefühl geben: Hier bin ich richtig, hier finde ich, was ich suche.

Das klingt einfach, ist in der Praxis allerdings komplizierter. Denn Orientierung ist nicht nur eine Frage des Designs, sondern auch der Relevanz der angezeigten Produkte.

Die entscheidende Kennzahl: Itemlist CTR

Wie gut eine Kollektionsseite Orientierung bietet, lässt sich direkt messen. In GA4 gibt es dafür die Itemlist CTR: Sie misst, wie viele Nutzer, die eine Kollektion aufgerufen haben, auf ein Produkt geklickt haben.

Zielwert: ≥ 80 %

Liegt die CTR darunter, hat ein relevanter Teil der Nutzer die Seite verlassen, ohne ein Produkt anzusehen: ein klares Signal, dass die Kollektion nicht das liefert, was erwartet wurde.

Praxisbeispiel: Ein Shop, der vegane Produkte führt, hat eine allgemeine Kategorie „Körperpflege". Nutzer, die über einen veganen Suchbegriff auf diese Seite kommen, sehen zunächst keine als vegan gekennzeichneten Produkte. Die Itemlist CTR sinkt – nicht weil das Sortiment falsch ist, sondern weil die Seite die Erwartung nicht schnell genug bestätigt.

Was die häufigsten Probleme sind

Niedrige Itemlist CTR entsteht meist durch eines dieser drei Muster:

Problem	Beschreibung
Falsches Sorting	Produkte, die zum Einstieg passen würden, sind zu weit unten.
Fehlende Filter	Nutzer können nicht schnell auf ihr eigentliches Ziel einengen.
Unklare Produktdarstellung	Bilder oder Titel transportieren nicht genug Information auf den ersten Blick.

Wie wir vorgehen

In der Analyse schaut sich unser Experte Leonard zunächst an, über welche Quellen Nutzer auf welche Kollektionen kommen. Eine Kollektion, die primär über Paid Ads bespielt wird, hat andere Erwartungen als eine, die organisch über einen Long-Tail-Suchbegriff gefunden wird. Sorting, Filter und Bildauswahl werden dann gezielt auf diesen Einstieg abgestimmt.

Schritt 5: Produktseiten (PDP) – Aktivierung und Risikoreduktion

Die Produktdetailseite – kurz PDP – ist der Moment, in dem sich entscheidet, ob ein Nutzer kauft oder abspringt. Wer hier landet, hat bereits Interesse gezeigt. Die Seite hat jetzt eine klare Aufgabe: das Interesse in eine Entscheidung verwandeln.

Was auf der PDP passiert

Auf der PDP wechselt das Nutzungsverhalten. Anders als auf der Kollektionsseite, wo Nutzer noch browsen, sind sie hier auf ein konkretes Produkt fokussiert. Zwei Dinge passieren gleichzeitig:

• Aktivierung – der Nutzer möchte verstehen, ob das Produkt das Richtige für ihn ist.
• Risikoreduktion – der Nutzer sucht nach Gründen, die seine Entscheidung absichern (Größentabelle, Rückgabebedingungen, Bewertungen, Material).

Fehlt eines dieser beiden Elemente, sinkt die Wahrscheinlichkeit eines Kaufs, auch wenn das Produkt selbst gut ist.

Die entscheidende Kennzahl: Begin-Checkout-Rate (event-basiert)

Die wichtigste Messgröße auf der PDP ist die event-basierte Add-to-Cart-Rate, also: Wie viele Nutzer, die die PDP aufgerufen haben, legen das Produkt in den Warenkorb?

Zielwert (event-basiert, PDP): 10–15 %

Liegt die Rate deutlich darunter, fehlt es entweder an Aktivierung oder an Vertrauen.

Praxisbeispiel von Leonard: Ein Shopify-Shop hatte bei Sneakern eine Add-to-Cart-Rate von nur 1–2 %, während der Shop-Schnitt bei 4 % lag. Erste Vermutung: schlechte Bilder oder ein Preisproblem. Die qualitative Analyse (Heatmap, Session Recording) zeigte aber: Die Größentabelle war auf der Seite nicht sichtbar. Nutzer suchten sie, fanden sie nicht – und stiegen aus. Eine klassische Lücke in der Risikoreduktion.

Was wir auf der PDP analysieren

Bereich	Leitfrage
Produktinformationen	Sind alle kaufrelevanten Infos vorhanden und schnell auffindbar?
Vertrauenssignale	Gibt es Bewertungen, USPs, Rückgabeinfo?
Mobile Experience	Ist die wichtigste Information auch auf kleinen Screens sofort sichtbar?
Add-to-Cart-Button	Ist er prominent, klar beschriftet, ohne Ablenkung erreichbar?

Warum Mobile besonders wichtig ist

CRO Experte Leonard macht auf einen besonders ausschlaggebenden Datenpunkt aufmerksam: Mobile-Nutzer haben eine View-Product-Rate von 70 % – Desktop-Nutzer nur 47 % – bei gleicher Landingpage. Das heißt: Die Mehrheit des relevanten Traffics kommt mobil an. Eine PDP, die auf Desktop gut funktioniert, aber auf Mobile unübersichtlich ist, verliert den Großteil ihrer Nutzer, bevor die Kaufentscheidung fallen kann.

Schritt 6: Qualitative Analyse – vom Zahlenwerk zur Ursache

Die quantitative Analyse zeigt, wo ein Problem im Funnel liegt. Sie sagt nicht, warum. Genau hier setzt die qualitative Analyse an.

Was qualitative Analyse bedeutet

Qualitative Analyse bedeutet: Wir schauen uns an, was Nutzer auf einer Seite tatsächlich tun. Die wichtigsten Werkzeuge dafür sind:

• Heatmaps – zeigen, worauf geklickt wird und was ignoriert wird
• Scroll Maps – zeigen, wie weit Nutzer scrollen, bevor sie abspringen
• Session Recordings – echte Aufzeichnungen von Nutzersitzungen, die zeigen, wie sich jemand durch eine Seite bewegt

Tools, die wir dafür einsetzen: Microsoft Clarity und Crazy Egg.

Wie wir qualitativ analysieren

Wir schauen uns gezielt die Seiten an, die in der quantitativen Analyse auffällig waren – also Seiten mit schlechten Funnel-Werten. Konkret stellen wir folgende Fragen:

• Wo klicken Nutzer, die eigentlich nicht da klicken sollten? (Hinweis auf verwirrende UI-Elemente)
• Wie weit scrollen Nutzer? (Hinweis darauf, welche Inhalte überhaupt wahrgenommen werden)
• Wo brechen Nutzer in Session Recordings ab? (Hinweis auf den konkreten Frustrationspunkt)

Aus diesen Beobachtungen entstehen Hypothesen, die zur entsprechenden Maßnahme führen.

Der Unterschied zur rein datengetriebenen Arbeit

Quantitative Daten sagen: Auf dieser Seite verlieren wir 60 % der Nutzer. Qualitative Daten sagen: Die Nutzer verlieren sich, weil sie nach dem Lieferdatum suchen und es nicht finden. Beide Perspektiven zusammen ergeben das vollständige Bild und damit die Grundlage für eine fundierte Priorisierung.

Schritt 7: Von der Analyse zur Maßnahme – Priorisierung mit dem PXL Framework

Nach der Analyse steht man in der Regel vor einer langen Liste möglicher Optimierungen. Die entscheidende Frage lautet: Womit fangen wir an? Hier kommt das PXL Framework ins Spiel – ein Priorisierungsrahmen, den wir von CXL übernommen haben und den Leonard in seiner täglichen CRO-Arbeit einsetzt.

Was das PXL Framework ist

PXL ist ein strukturiertes Scoring-Modell, das jede Hypothese oder Maßnahme anhand mehrerer Kriterien bewertet und mit einer Punktzahl versieht. Ziel ist es, subjektive Bauchentscheidungen durch eine nachvollziehbare, datengestützte Reihenfolge zu ersetzen.

Jede Maßnahme wird entlang dieser Kriterien bewertet:

Kriterium	Frage
Datenbasis	Stützt sich die Hypothese auf quantitative oder qualitative Daten?
Sichtbarkeit	Betrifft die Änderung einen Bereich, den viele Nutzer sehen?
Traffic-Impact	Wie viele Nutzer sind potenziell betroffen?
Erwarteter Uplift	Wie groß ist die erwartete Verbesserung?
Umsetzungsaufwand	Wie hoch ist der technische und zeitliche Aufwand?

Jedes Kriterium wird mit Punkten bewertet. Die Summe ergibt den PXL-Score – und damit die Priorität.

Von der Hypothese zur Maßnahme

Der Weg sieht in der Praxis so aus:

• Hypothese formulieren – z. B. „Die Größentabelle ist auf Mobile nicht sichtbar, deshalb steigt ein Teil der Nutzer vor dem Add-to-Cart aus."
• Maßnahme ableiten – Größentabelle mobil prominent platzieren.
• PXL-Score berechnen – Datenbasis vorhanden? Traffic hoch? Aufwand gering?
• Test vorbereiten – je nach Score: direktes Rollout oder kontrollierter A/B-Test.

Das Scoring sorgt dafür, dass das Team über dieselbe Grundlage spricht und dass Ressourcen gezielt dort eingesetzt werden, wo die Wirkung am größten ist.

Fazit: So wird CRO auf Shopify zum nachhaltigen Prozess

Conversion Rate Optimierung funktioniert nicht als einmaliges Vorhaben. Sie funktioniert als strukturierter, kontinuierlicher Prozess.

Was dieser Prozess konkret bedeutet:

• Funnel verstehen, bevor optimiert wird. Wer ohne Datenbasis beginnt, löst die falschen Probleme.
• Jede Seite hat eine Aufgabe. Landingpage, Kollektionsseite, Produktseite und Checkout folgen unterschiedlichen Logiken – und müssen entsprechend gemessen und bewertet werden.
• Qualitative Daten ergänzen, was Zahlen nicht sagen können. Session Recordings und Heatmaps zeigen das Warum hinter dem Was.
• Priorisierung schlägt kurzfristige Handlungen. Das PXL Framework stellt sicher, dass Ressourcen dort eingesetzt werden, wo sie die größte Wirkung haben.
• Learnings sind genauso wertvoll wie Winner. Wer diesen Grundsatz verinnerlicht, optimiert nachhaltiger als jeder, der nur auf positive Testergebnisse wartet.