Durch die Ermittlung des Customer Lifetime Values (CLV) identifiziert man wertvolle Kunden für das Unternehmen, indem man den Ertrag und das Ertragspotential berechnet. So können die Kunden anhand des Deckungsbeitrages segmentiert werden – indem beispielsweise zwischen profitablen und weniger profitablen Kunden unterschieden wird - und entsprechende Marketingstrategien für die unterschiedlichen Kundensegmente entwickelt werden.
Neben der Einteilung der Kundensegmente unter der Berücksichtigung des Deckungsbeitrages, ist die Erhebung weiterer Merkmale der jeweiligen Kundensegmente nützlich, um die Zielgruppen genauer zu bestimmen und kennenzulernen. So können Lookalike Audiences erstellt und targetiert werden.
Zudem erfährt die jeweilige Marketingabteilung, welche Ausgaben für die Akquise angemessen sind und welche Akquisitionskanäle die wertvollsten Kunden hervorbringen. Anhand von Erfahrungswerten – also dem ermittelten CLV – generiert das Unternehmen ein Wissen darüber, welche Kunden nachhaltig gebunden werden können und wie hoch die Investition in personalisierte Nachrichten und Retargeting-Maßnahmen für das jeweilige Segment sein sollte.
Die Phasen des Customer Lifetime Values werden unter dem Begriff Kundenlebenszyklus zusammengefasst. Im Folgenden werden die unterschiedlichen Phasen benannt und für das Verständnis kurz skizziert.
Die erste Phase ist die Anbahnungsphase. Bevor der Kunde in diese Phase eintritt müssen Investitionen in entsprechende Marketingaktivitäten getätigt worden sein sowie ein Interesse des potentiellen Kunden vorliegen. In der darauffolgenden Sozialisationsphase gewöhnt sich der Kunde an das Unternehmen/Produkt und wird in der darauffolgenden Penetrationsphase über weitere Angebote oder Zusatzangebote informiert.
Bei Inanspruchnahme weiterer Leistungen, oder einer generellen Kundenbindung an das Unternehmen, befindet sich der Kunde in der Reifephase - die durch einen erhöhten Umsatz gekennzeichnet ist. Sollte der Kunde daraufhin keine weiteren Unternehmensangebote in Anspruch nehmen, tritt dieser in die Krisen- und Trennungsphase ein. In diesen Phasen richtet das Unternehmen – je nach Kundenwert – Reaktivierungsmaßnahmen ein oder die Kundschaft löst sich nachhaltig auf.
Für die Berechnung des Customer Lifetime Values gibt es eine Vielzahl von komplizierten und weniger komplizierten Verfahren. Die folgende Funktion ist für das grundlegende Verständnis ausgelegt und hilft, das CLV-Konzept zu verstehen.
et ist der (erwarteter) Umsatz der Geschäftsbeziehung in der Periode t. at ist die (erwartete) Investition in der Geschäftsbeziehung in der Periode t. Mit i werden die Abzinsungen der Perioden über einen Kalkulationszinssatz mit einbezogen. T entspricht der voraussichtlichen Dauer der Geschäftsbeziehung, also der Kundenlebenszeit.
Zunächst wird anhand von Erfahrungswerten die durchschnittliche Kundenlebenszeit ermittelt. Innerhalb der Kundenlebenszeit finden in bestimmten Abständen Käufe statt, sodass man einen durchschnittlichen Umsatz pro Periode bestimmen kann.
Die Differenz aus dem Umsatz und den Investitionskosten wird für jede Periode durch den Kalkulationszinssatz it geteilt und der Wert der t-ten Periode mit den weiteren Periodenwerten t addiert. Die Formel sollte in aller Regel um die Erstinvestition ergänzt werden, die vom Ergebnis abgezogen wird. So erhält man den durchschnittlichen Wert eines Kunden innerhalb seiner Kundenlebenszeit.
Als Grundvoraussetzung um die eigenen Kunden so präzise wie möglich kennenzulernen und einen für das Unternehmen repräsentativen CLV auszurechnen, müssen die transaktionsbezogenen Daten als Kaufhistorie vorliegen.
Da es sich nur um Erfahrungswerte und darauf aufbauende Prognosen handelt, ist der Customer Lifetime Value stets mit Unsicherheiten verbunden. Dementsprechend wird über einen großen Datensatz und einer langen Kaufhistorie die Wahrscheinlichkeit für grobe Ungenauigkeiten minimiert.
Um die geräteübergreifende Kundeninteraktionen zu erfassen und somit relevante Kunden zu identifizieren ist die Verwendung eines Customer Relationship Management Systems notwendig, da hier die Kundeninteraktionen mit dem Unternehmen erfasst werden und die Berichtsfunktion zuverlässig ist.
Es können Dashboards erstellt und Informationen aus den sozialen Netzwerken über die Einstellungen zu Marken, Produkten und Unternehmen offengelegt werden. Diese weiteren Informationen helfen dann auch bei der Segmentierung von Kunden und der Erstellung einer Lookalike-Audience.
Der CLV ist insbesondere im Online Marketing ein sehr hilfreicher Indikator, da Kundendatensätze über Webanalyse-Tools und CRM-Systeme unmittelbar erstellt werden können. Gerade in diesem Zusammenhang ist jedoch festzuhalten, dass die Mehrheit der Online Shops den Großteil ihrer Kunden nur selten dauerhaft bindet. Es handelt sich zumeist um eine kurzfristige Kaufbefriedigung seitens des Kunden.
Folgekäufe sind in den ersten 90 Tagen am wahrscheinlichsten. Das bedeutet, dass dieser Zeitraum ideal für E-Mail Marketing und Retargeting-Maßnahmen ist, um die Kaufhäufigkeit eines Kunden zu erhöhen. Im Online Marketing besteht der klare Vorteil darin, dass über die Analyse entsprechender Kundendatensätze das richtige Angebot zur richtigen Zeit an die richtige Person unterbreitet werden kann.
Unter Miteinbezug entsprechender Informationen aus dem CRM-System lassen sich die Kunden nicht nur über den tatsächlichen Wert innerhalb einer Periode, sondern zusätzlich über Signale in sozialen Netzwerken segmentieren. Dementsprechend können so Lookalike-Audiences bestimmt werden. Weiterhin ist die Identifikation relevanter Akquisitionskanäle möglich. So kann die Wahrscheinlichkeit einer fehlgeleiteten Neukundenakquise reduziert werden.
Nachdem profitable Kunden ermittelt wurden, ermöglichen Maßnahmen, wie die Integration von Up- und Cross-Selling Angeboten, Rabatte bei Warenkorbabbrüchen oder gezieltes Newsletter-Marketing, eine Steigerung der Kauffrequenz.
Neben quantitativen existieren in aller Regel qualitative Faktoren. So ist das Weiterempfehlungspotential gewisser Kunden zunächst nicht bestimmbar, jedoch ein wichtiger Aspekt in der Gewinnung neuer oder der Pflege bestehender Kunden.
Zudem weichen die mithilfe der Wertermittlung prognostizierten Umsätze immer von der Realität ab. Historische Daten ermöglichen eine ungefähre Ermittlung zukünftiger Umstände, aber der Miteinbezug wirtschaftlicher Trends oder gesellschaftlichen Entwicklungen ist nicht möglich. So sind die Prognosen stets als grober Richtwert aufzufassen.
Mithilfe der Ermittlung des Customer Lifetime Values können sich Unternehmen auf die langfristigen und wertvollen Geschäftsbeziehungen konzentrieren, indem aktuelle und potentielle Kundenwerte ermittelt werden.
Somit ist ein Maßstab für Investitionsentscheidungen gegeben, der einen gezielten Ausbau bestimmter Kundenbeziehungen ermöglicht. Der große Vorteil ist, dass verlustreiche oder nicht lohnenswerte Kundeninvestitionen vermieden werden können.
Im folgenden Abschnitt informieren wir euch über die Testvorbereitung und den Ablauf von A/B-Tests. Hierzu zählt die richtige Hypothesenbildung, die Unterteilung der Ergebnisse in primäre und sekundäre Ziele und die korrekte Durchführung des Testvorgangs.
Der Test beginnt bereits mit der Entwicklung einer geeigneten Hypothese, um zu definieren, was überhaupt untersucht werden soll und welche Variable in entsprechende Varianten aufgeteilt wird. Die Hypothese enthält stets eine Zielformulierung, in der eine Auswirkung der Variable auf das Ziel unterstellt wird. So könnte eine Hypothese wie folgt lauten: „Eine Farbänderung des CTA-Buttons führt zu einem Anstieg der Conversions.“
Mithilfe einer Hypothese lassen sich dann die Key-Performance-Indikatoren identifizieren, die während des A/B-Tests erhoben werden sollen. In unserem Beispiel wird die Variable „Farbe CTA-Button“ geändert und die Anzahl der Conversions als Indikator für die Bewertung herangezogen.
Die möglichen Erkenntnisse aus einem A/B-Test können durchaus vielschichtig sein und die jeweiligen KPIs liefern zusätzliche Informationen über das Nutzerverhalten, die nicht immer eindeutig zu interpretieren sind. So kann es der Fall sein, dass der Absatz im Online Shop steigt, aber der Wert des durchschnittlichen Warenkorbs sinkt.
Die primären Ziele sind diejenigen, die das ursprüngliche Motiv für die Erstellung des A/B-Tests darstellen. Die sekundären Ziele eines A/B-Tests sind die zusätzlichen Informationen, die über das Nutzerverhalten entstehen. So ist die Hypothese anfangs auf mögliche Schwächen in der Formulierung zu testen und in ihrer Relevanz einzuordnen.
Die Websitebesucher weisen nie die gleichen Eigenschaften auf und saisonale Schwankungen, wie etwa zu Weihnachten, führen beispielsweise in Online Shops zur Verzerrung durchschnittlicher Konversionsraten. Dementsprechend sollten A/B-Tests über längere und konstante Zeiträume (mehrere Wochen) durchgeführt werden und eine große Stichprobengesamtheit gewährleistet sein. Websitebesitzer mit geringem Traffic sollten den Testzeitraum entsprechend verlängern.
Nachdem alle relevanten Daten erfasst wurden, ist das Ergebnis des A/B-Tests dahingehend zu überprüfen, ob ein statistischer Zusammenhang zwischen den unterschiedlichen Varianten und der Konversionsrate besteht. Das Testergebnis ist dann statistisch signifikant, wenn die formulierte Alternativhypothese von unseren Daten gestützt wird.
Zunächst muss ein Signifikanzniveau festgelegt werden. Normalerweise wird der Schwellenwert auf 95% gesetzt, womit das Signifikanzniveau bei 5% liegt. Am Ende des Beitrages kommen wir hierauf zurück.
Nach der Datenerhebung wird die Anzahl der Konversionen und Nicht-Konversionen durch die Gesamtzahl der Besucher geteilt, um die prozentualen Anteile zu errechnen. Als Beispiel nehmen wir für die A-Variante 300 und für die B-Variante 600 Konversionen (insgesamt 900) und für Nicht-Konversionen bei der A-Variante 900 und für die B-Variante 1.200 (insgesamt 2.100). Das ergibt einen Stichprobenumfang von 3.000 Websitebesucher, von denen – unabhängig der einzelnen Varianten - 30% konvertiert und 70% nicht konvertiert sind.
Nachdem wir die prozentualen Anteile an konvertierten und nicht-konvertierten Besuchern errechnet haben, können wir die Anteile als Faktor für die Gesamtbesucherzahlen der jeweiligen Varianten nehmen, um den Erwartungswert für Konversionen und Nicht-Konversionen für die jeweiligen Varianten auszurechnen.
So kommen 1.200 von den 3.000 Besuchern von der Variante A. Dementsprechend multiplizieren wir die Besucheranzahl der Variante A mit den errechneten prozentualen Anteilen für die Conversions und Nicht-Conversions (1.200 x 0,3 = 360 und 1.200 x 0,7 = 840). Wir wiederholen die Rechnung mit den Werten für Variante B (1.800 x 0,3 = 540 und 1.800 x 0,7 = 1.260). Jetzt verfügen wir über die durchschnittlichen Erwartungswerte.
Nun können wir die Abweichung von unseren erhobenen Daten mit den ermittelten Erwartungswerten ausrechnen und die Ergebnisse in Beziehung setzen. Das Ergebnis wird als Chi-Quadrat-Wert bezeichnet. Um diesen zu erhalten wird folgende Rechnung angewendet: ((erwarteter Wert – tatsächlicher Wert)² / erwarteter Wert) = Chi-Quadrat-Wert.
Für die „Variante 1 – Conversions“ und die Variante 1 – keine Conversions“ sehen die Rechnung dann wie folgt aus: ((360 – 300)² / 360) = 10 und ((840 – 900)² / 840) = 4,29. Für die „Variante 2 – Conversions“ erhalten wir den Wert 6,67 und für „Variante 2 – keine Conversions“ 2,89. Nachdem wir alle Ergebnisse aufsummiert haben erhalten wir den Wert 23,85.
Mit einem Blick auf die Chi-Quadrat-Tabelle kann der Wert eingeordnet werden. Die Tabelle zeichnet am Zeilenanfang die Freiheitsgrade „n“ und in den Spalten die ausgewählten Wahrscheinlichkeiten „p“ aus. Wir haben ein Signifikanzniveau in Höhe von 5% festgelegt und zwei Varianten erstellt, die dem „Freiheitsgrad n = 1“ entsprechen.
Nun können wir aus der Tabelle den kritischen Chi-Quadrat Wert ablesen (Zeile n1 und Spalte p0.95), der 3,84 entspricht. Da wir mit unseren fiktiven Häufigkeiten auf den Wert 23,85 kommen, wurde eine statistische Signifikanz nachgewiesen. Das bedeutet das die Evidenz der Annahme, dass die Änderung der Variablen die Conversion-Rate nicht beeinflusst, anhand unserer Stichprobendaten sehr gering ist.
Im folgenden Abschnitt listen wir für euch die häufigsten Fehler auf, die in der Durchführung eines A/B-Tests begangen werden. Diese reichen vom Setup und der Einrichtung eines A/B-Tests bis hin zur Analyse und Interpretation der erhobenen Daten.
Wenn die Alternativhypothese nicht spezifisch genug ist, da die Formulierung zu vage beziehungsweise zu allgemein gehalten ist, wird die Messbarkeit mithilfe Key Performance Indikatoren erschwert. Ohne der Bestimmung einer eindeutigen Variable kann kein A/B-Test realistisch ausgeführt werden.
Ein weiterer Fehler ist eine zu geringe Stichprobengröße und somit fehlende Repräsentativität im Bezug zur Grundgesamtheit. Es gibt viele Online-Rechner mit Hilfe derer die ideale Stichprobengröße für eure Website errechnet werden kann. Unter Umständen kann die eigenständige Berechnung des Stichprobenumfangs als ungeübter Statistiker kompliziert sein.
Um aussagekräftige Ergebnisse zu erhalten und die Verzerrung über Zufälle größtenteils auszuschließen, muss neben der Stichprobengröße auch der Testzeitraum für den A/B-Test berechnet werden. Hierfür werden die Stichprobengröße der Variante am Tag, die Conversion-Rate und die relative Verbesserung der Conversion-Rate unter Miteinbezug des Schwellenwerts herangezogen. Auch hier gibt es Online-Rechner die den optimalen Testzeitraum bestimmen.
Mit der richtigen Formulierung von Hypothesen und Ableitung der relevanten Key-Performance Indikatoren sowie einer stringenten Testdurchführung und Auswertung, steht einem erfolgreichen A/B-Test nichts im Wege. Es ist jedoch wichtig im Hinterkopf zu behalten, dass für eine langfristige Optimierung der Website-Conversions viele weitere Faktoren eine Rolle spielen und die Veränderung von Webelementen nur einen Teilausschnitt darstellt.
A/B-Tests finden ihre Anwendung vor Allem als Online-Experiment für Websites, Apps, Newsletter oder Online-Kampagnen. Das Ziel der Experimente ist stets, ein vordefiniertes Konversionsziel, wie beispielsweise Registrierungen und Klicks zu optimieren oder den Produktabsatz zu erhöhen.
Bei einem A/B-Test handelt es sich um die Bewertung von zwei Varianten eines Systems mithilfe eines Experiments, in dem die Originalversion mit der Testvariante anhand von Key-Performance-Indikatoren verglichen wird. Das bedeutet, dass beispielsweise eine zweite Variante einer Webseite erstellt wird, die mit der ursprünglichen Variante auf ihre Nutzerinteraktion hin verglichen wird.
Es lassen sich im Allgemeinen drei Testarten unterscheiden. Im folgenden Abschnitt informieren wir euch über die Unterschiede von klassischen A/B-Tests, Split-Tests und multivariaten Verfahren.
Ein klassischer A/B-Test findet unter ein und derselben URL statt, indem beispielsweise einzelne Elemente innerhalb einer Webseite geändert werden. Ein Split-Test ist ein Weiterleitungstest und ist somit von zwei unterschiedlichen URLs abhängig. Hier wird der Website-Traffic auf eine neue URL umgeleitet, die die Variante B darstellt.
Während in klassischen A/B-Tests stets eine unabhängige Variable verändert wird, ermöglichen Multivariate-Tests das Testen von Hypothesen durch die Veränderung mehrerer Variablen. Dementsprechend werden mehrere Varianten erstellt, die das Produkt der Kombinationen der zu verändernden Elemente sind (Varianten des Elements „A“ x Varianten des Elements „B“ = Varianten insgesamt).
Der Vorteil von multivariaten Tests ist, dass durch die Identifikation der besten Kombination von Elementen im Vergleich zum klassischen A/B-Test eine erhöhte Validität der Ergebnisse zu erzielen ist. Ein Voraussetzung für diese Testart ist jedoch, dass der Website-Traffic hoch genug ist, um repräsentative Ergebnisse erzielen zu können.
Ein A/B-Test sollte sorgfältig vorbereitet werden, um die Qualität zu gewährleisten. Hierbei ist die gelungene Hypothesenbildung essentiell, um überhaupt die entsprechenden Varianten erstellen zu können. Zudem sollten die Key-Performance-Indikatoren identifiziert werden, um die Hypothese zu bestätigen oder zu verwerfen.
Zunächst wird eine Hypothese gebildet, die die zu untersuchende Variable definiert und somit den A/B-Test einleitet. Es ist wichtig starke Hypothesen zu bilden, um einen erfolgreichen A/B-Test zu generieren. Das bedeutet, dass das mutmaßliche Problem klar identifizierbar und eine mögliche Lösung für das Problem abzuleiten ist.
Das zu erwartende Ergebnis muss ebenso formulierbar und anhand von Key-Performance-Indikatoren messbar sein. So könnte eine hinreichende Hypothese wie folgt aussehen: „Eine Änderung der Farbe des In-den-Warenkorb-Buttons von grau zu rot erzeugt eine höhere Bereitschaft das Produkt zu kaufen und erhöht somit den Absatz um 10 Prozent“.
Im Zentrum der vergleichenden Auswertung steht die Nutzerinteraktion mit den jeweiligen Varianten (A und B). Für die Messbarkeit der Veränderung oder der Interaktionen darf daher nur immer eine Variable der ursprünglichen Version geändert werden, um die jeweiligen Veränderungen der Indikatoren, wie beispielsweise das Kaufverhalten der Website-Besucher, genau zuordnen zu können.
Zudem sollte ein ausreichender Website-Traffic (Stichprobengesamtheit) gewährleistet sein, um aussagekräftige Ergebnisse zu erhalten und um Zufälle ausschließen zu können. Neben diesen Voraussetzungen sollte ein A/B-Test nicht im Kontext saisonaler Schwankungen durchgeführt werden, da beispielsweise eine erhöhte Kaufbereitschaft im Dezember eher auf Weihnachtseinkäufe anstatt auf eine gelungene Änderung des „Jetzt-Kaufen-Buttons“ zurückzuführen ist.
Nachdem eine Hypothese aufgestellt und ein/e Element/Variable identifiziert wurde, ist es an der Zeit mit dem A/B-Test zu beginnen. Die ursprüngliche Version (Variante A) fungiert als Kontrollversion der Seite und die Variante B ist dementsprechend die Testversion der Webseite. Der Besucherstrom wird, je nach Auswahl der prozentualen Verteilung (50:50, 40:60, 30:70), auf die beiden Varianten per Zufallsprinzip aufgeteilt.
Daraufhin wird nach einem vordefinierten Zeitraum und einer ausreichenden Anzahl von Besuchern auf die zuvor getätigte Hypothese und den zu messenden Indikatoren zurückgegriffen, um schlussendlich die Performance der Varianten entgegenzustellen und zu vergleichen.
Sollte die Variante A zu einer Konversionsrate von 15% geführt haben und die Variante B 30% aller Besucher zu einem Kauf angeregt haben, so ist letztere zu wählen und der A/B-Test war erfolgreich.
Typische Elemente die in A/B-Tests getestet werden sind Titel und Überschriften, Call-to-action – Buttons, weitere Arten von Buttons, Bilder, die Seitenstruktur, Formulare, Preise und die Navigation auf der Seite.
Änderungen im Titel und Überschriften beziehen sich häufig auf die Schriftart, den Inhalt, Form oder Farbe. Buttons und spezielle Call-to-action – Buttons können in ihrer Farbe, der Schrift, Platzierung, Größe oder verwendeten Wörter geändert werden.
Ebenso gibt es unzählige Variationsmöglichkeiten in der Bildgestaltung. Zum Einen können verschiedene Bilder getestet, die Platzierung geändert oder eine Größenvariationen erstellt werden. Zum Anderen kann das Bild an sich bearbeitet werden, indem der Farbton, die Sättigung oder die Helligkeit verändert wird.
Die Seite kann umstrukturiert werden, indem Bilder oder Banner einen neuen Platz bekommen, die Navigation mehrere Conversion-Funnel einbindet oder beliebte Produkte verlinkt werden. Auch Formulare bieten Veränderungspotential. Neben einer Neustrukturierung der Spalten und dem Entfernen von optionalen Feldern können Formulare ebenso in ihrem Wortlaut geändert werden.
A/B-Tests sind nur ein Puzzleteil für den Erfolg von Online-Marketingmaßnahmen, da es unzählige weitere Variablen gibt, die die Konversionsrate oder das Ziel von Websites beeinflussen. Beispielsweise spielt die Qualität des generierten Traffics oder des Angebots auf der Website eine entscheidende Bedeutung. Ebenso ist der unmittelbare Wettbewerb und die eigene Markenbekanntheit mit einzubeziehen.
Mit A/B-Tests können Vermutungen in Form von Hypothesen statistisch untersucht werden. Das bedeutet, dass noch weitere Methoden für die Optimierung der Konversionsrate zum Einsatz kommen müssen, um alle Puzzleteile zu einem Gesamtbild zusammenzufügen. Unter Anderem konkretisieren und visualisieren Heatmaps und Session Recordings die Ergebnisse von A/B-Tests, während Usability-Tests qualitative Daten generieren und Web Analytics Metriken Conversion Probleme eingehender beschreiben und identifizieren.
Neben den grundlegenden Metriken zur Webanalyse bietet Matomo mit den sogenannten Heatmap und Session Recording Funktionen visuelle Erweiterungen an, mit denen das Besucherverhalten auf der Website eins zu eins aufgezeichnet wird. So erhält der Nutzer einen unmittelbaren Einblick in die Aktivitäten und Interaktionen der jeweiligen Websitebesucher.
Mithilfe Matomos Heatmap Funktion werden drei Screenshots einer ausgewählten Webseite erstellt. Jeder Screenshot enthält farbliche Abstufungen, die die jeweiligen Aktivitäten der aufgenommenen Websitebesucher symbolisieren.
Die Farben sind den typischen Temperaturempfindungen zugeordnet. Blaue Bereiche (kalt) symbolisieren wenig Aktivitäten, während grüne (kühl), gelbe (warm) und orangene (heiß) vermehrte Aktivitäten der Websitebesucher aufzeigen. Die Farbe Rot (sehr heiß) signalisiert stark frequentierte Interaktionen der Besucher mit dem jeweiligen Bereich.
Die Grundlage für die farbliche Visualisierung der Websitebereiche bilden Samples, also repräsentative Stichproben. Der Nutzer kann die Bedingungen für die Aufnahme von Samples unter den Einstellungen selbst definieren.
Die Click Map ist eine der drei URL-Screenshots und zeigt die Bereiche und Elemente der Website an, die vermehrt angeklickt wurden. Über diese Heatmap erfährt der Matomo-Nutzer, welche Webelemente von besonderem Interesse sind und wonach der durchschnittliche Besucher sucht. Zudem sind Elemente identifizierbar, die den Eindruck erzeugen, anklickbar zu sein.
Mithilfe der Analyse von Click Maps kann die Usability der Website deutlich erhöht werden, indem beispielsweise die Elemente und Klickoptionen nach den Vorstellungen des Besuchers angeordnet und erstellt werden. Der Websitebetreiber hat zudem die Möglichkeit, die Klickbereitschaft zu relevanten CTA-Buttons zu untersuchen und entsprechende Veränderungen vorzunehmen.
Die Hover Heatmap zeichnet die Mausbewegungen auf und visualisiert somit die durchschnittliche räumliche Verteilung der getätigten Bewegungen auf der Webseite. Das Interessante daran – es besteht eine signifikante Korrelation zwischen Maus- und Augenbewegungen. Zwar ersetzt die Aufnahme der Mausbewegung nicht das Eye-Tracking, dennoch ist die Maus- den Augenbewegungen gegenüber oft asynchron und somit nachgelagert.
So lassen sich Bereiche auf der Webseite identifizieren, die Aufmerksamkeit erzeugen oder interessante Inhalte enthalten. Im Umkehrschluss können somit auch uninteressante oder irrelevante Bereiche der Seite erkannt und umgestaltet werden. Auch hier erhält der Nutzer einen direkten Einblick in das Nutzungsverhalten der Besucher und kann entsprechende Optimierungsmaßnahmen umsetzen.
Matomos Scroll Map visualisiert die Scrolltiefe der Besucher. Auch hier signalisieren die Farben die jeweilige Sichtbarkeit der Seitenbereiche, indem beispielsweise rote Bereiche eine Sichtbarkeit von 100% erzielen, während blaue Bereiche nur von bis zu 10 % der Besucher wahrgenommen werden. Die Prozentangaben werden rechts neben der Maus angezeigt.
Der Nutzer erhält so einen Einblick in die durchschnittliche Scroll-Bereitschaft der Websitebesucher und erkennt auf einem Blick, welche Webelemente oder Inhalte überhaupt wahrgenommen werden. Möglicherweise werden relevante Inhalte oder Kernbotschaften überhaupt nicht wahrgenommen, da die Scroll-Bereitschaft der Besucher gering ist. Infolgedessen kann die Platzierung von Webinhalten, wie beispielsweise CTA-Buttons, umstrukturiert oder die Webseite interaktiver gestaltet werden, sodass die Scroll-Bereitschaft steigt.
Die Session Recording Funktion ergänzt die Heatmaps durch eine unmittelbare Einsicht in das Verhalten einzelner User. Matomo zeichnet über Session Recordings die Interaktionen der Besucher mithilfe eines Videos auf. Es werden sämtliche Mausklicks, die Mausführung, das Scrolling und Seitenaufrufe aufgenommen. Die Aufnahmen können zu jedem beliebigen Zeitpunkt pausiert und neu gestartet werden.
Die Fragen - welche Inhalte die Besucher ansprechen, wo Ansprünge stattfinden und welche Wege zur Konversion führen - lassen sich durch die aufgenommenen Samples der Websitebesucher unmittelbar klären. Die Aufnahmen sind den jeweiligen Besuchern zuzuordnen und befinden sich ebenso in den einzelnen Besucherprofilen. Die individuellen Profile enthalten zudem die Zeit und Dauer des Besuchs, den Ort und Informationen zum genutzten Endgerät.
Die Heatmap und Session Recording Funktionen von Matomo sind eine brauchbare Ergänzung zu den restlichen Analysemöglichkeiten des Webanalyse-Tools. Die Costumer Journey wird visualisiert und über Session Recordings sogar eins zu eins aufgezeichnet. So lassen sich die Platzierungen, die Qualität und Relevanz von Websiteelementen an den Erwartungen und die generellen Verhaltensmuster der Besucher anpassen. Matomo schafft somit eine brauchbare und faktenbasierte Grundlage zur Optimierung der Usability und somit zur Erhöhung der angestrebten Conversions.
