„Wie hoch ist die durchschnittliche Conversion-Rate im E-Commerce?“ wird tausendfach im Monat gefragt und führt fast immer in die falsche Richtung. Ein fremder Durchschnitt vermischt Branchen, Warenkörbe und Geschäftsmodelle, misst also alle und niemanden. Dieser Leitfaden zeigt, warum Benchmarks enttäuschen, was sie ersetzt (eigene Norm plus einige harte Schwellen) und wie eine solche Normtabelle Ergebnis-Reviews verändert: weg vom Vergleich mit einer Legende, hin zum Lesen des eigenen Shops.
Demonstration
Gleiche Conversion-Rate, zwei verschiedene Geschäfte
Eine Zahl, zwei Shops, null gemeinsame Schlüsse:
Shop A · Zubehör, Warenkorb 15 €
Shop B · Möbel, Warenkorb 225 €
Derselbe Wert ist im einen Shop ein Alarmsignal, im anderen ein Grund zum Stolz. Ein Benchmark, der Warenkorb, Branche und Traffic nicht kennt, sagt nichts aus, und veröffentlichte Durchschnitte kennen keinen dieser Faktoren.
Fünf Variablen
Fünf Variablen, die den Vergleich entwerten
Branche und Kaufzyklus
Ein Nahrungsergänzungsmittel kauft man in Minuten, Möbel in Wochen. Die Conversion-Rate pro Sitzung misst völlig unterschiedliche Prozesse.
Warenkorbwert
Je teurer der Warenkorb, desto niedriger die Conversion-Rate, ganz natürlich. Ein Vergleich ohne AOV vergleicht Äpfel mit Rechnungen.
Markenanteil
Traffic aus Markensuchen konvertiert um ein Mehrfaches besser. Ein Shop mit starker Marke „gewinnt“ den Benchmark ohne bessere Website.
Geräte- und Quellenmix
Mobile konvertiert anders als Desktop, Social anders als Suche. Der Shop-Durchschnitt hängt stärker vom Mix ab als von der Qualität.
Methodik des Berichts
Welche Shops, welcher Markt, welche Sitzungsdefinition und welcher Zeitraum: meist unbekannt. Sie vergleichen sich mit einer Stichprobe, die Sie nicht kennen.
Ersatz
Eigene Norm: der einzige Benchmark, der Ihren Shop kennt
Arbeitsdefinition
Die eigene Norm ist der Bereich typischer Werte einer Kennzahl, ermittelt aus der Historie des Shops: der vergleichbare Zeitraum des Vorjahres und der Durchschnitt der letzten vollständigen Zeiträume, unter Berücksichtigung von Saison und Wochentag. Der Shop vergleicht sich mit sich selbst zum vergleichbaren Zeitpunkt, denn nur dieser „Wettbewerber“ hat exakt dieselbe Branche, denselben Warenkorb, dieselbe Marke und denselben Traffic-Mix.
Normtabelle in der Praxis (Shop für Unterwäsche, September, Beispieldaten):
| Kennzahl | Meine Norm (Bereich) | Aktueller Monat | Bewertung |
|---|---|---|---|
| Conversion-Rate Mobile | 1,1–1,4 % | 1,3 % | im Normbereich |
| Conversion-Rate Desktop | 2,2–2,6 % | 1,8 % | darunter: Checkout nach dem Update prüfen |
| Durchschnittlicher Warenkorb | 24–27 € | 29,50 € | darüber: Mix prüfen (günstiger Bestseller ausgefallen?) |
| MER | 4,4–5,0 | 4,7 | im Normbereich |
| Unbezahlte Bestellungen | 5–7 % | 6,2 % | im Normbereich |
| GA4-Abdeckung | 93–95 % | 94 % | im Normbereich |
Achten Sie darauf, wie sich die Art des Gesprächs ändert: Statt „Sind 1,8 % gut?“ (eine Frage ohne Antwort) heißt es „Warum liegt Desktop unter dem eigenen Bereich?“ (eine Frage mit Vorgehen: Zerlegung und Diagnose aus dem Leitfaden zur Ursachensuche bei Umsatzrückgängen). Abweichungen von der eigenen Norm sind auch der Alert-Mechanismus, der im Leitfaden zu Monitoring und Anomalien beschrieben ist.
Ausnahmen
Harte Schwellen: externe Vergleiche, die gelten
Einige externe Bezugswerte sind sinnvoll, weil sie aus einer Rechnung folgen, die für jeden gilt:
- Break-even-ROAS und MER aus der eigenen Marge: 100 / Marge in % ist die mathematische Grenze Ihres Shops. Die vollständige Rechnung steht im Leitfaden „Welcher ROAS ist gut?“.
- Versandkosten im Verhältnis zum Warenkorb: Die Preisliste des Versanddienstleisters ist objektiv. Ein Warenkorb, dessen Marge den Versand nicht trägt, ist unabhängig von Benchmarks ein Problem (Schwellenrechnung: Leitfaden zum kostenlosen Versand).
- Vollständigkeit der Messung: Eine GA4-Abdeckung nahe der eigenen Norm und Produktstatus im Merchant Center ohne Ablehnungen sind Grundvoraussetzungen sauberer Messung.
- Markttrend als Richtungshinweis: Wenn öffentliche Daten einen wachsenden Markt zeigen und der Shop im Jahresvergleich stagniert, ist das ein Hinweis auf Marktanteilsverlust. Dafür reicht die Richtung, ohne konkrete Kennzahlen zu vergleichen.
Der teuerste Einsatz eines Benchmarks
Entscheidungen, die ein fremder Durchschnitt erzwingt: Preise senken, „weil die Conversion unter dem Durchschnitt liegt“, den Shop umbauen, „weil der Warenkorb zu klein ist“. Ist die eigene Norm stabil und sind die physikalischen Schwellen erfüllt, repariert ein solcher Schritt ein Ergebnis, das niemand beschädigt hat, und beschädigt eines, das funktioniert hat.
DataOrganizer
Wie DataOrganizer den Shop mit seiner eigenen Norm vergleicht
Der Vergleich mit sich selbst braucht nur eines: die Historie aller Kennzahlen an einem Ort. DataOrganizer hält sie aus den verbundenen Quellen vor, sodass Normbereiche, Vergleiche Jahr zu Jahr und Saison zu Saison sowie Anomalien gegenüber dem eigenen Muster direkt aus den Daten berechnet werden. Ein Monatsreview sieht so aus:
September im Vergleich zu Ihrer Norm:
| Kennzahl | Vorjahr | Ø 3 Mon. | Aktuell | Bewertung |
|---|---|---|---|---|
| Umsatz | 103 Tsd. € | 108 Tsd. € | 117 Tsd. € | +14 % ggü. Vj.: über der Norm |
| Conversion-Rate Desktop | 2,4 % | 2,3 % | 1,8 % | unter dem Bereich: Checkout prüfen |
| MER | 4,6 | 4,8 | 4,7 | im Normbereich |
| Kategorie: Nachtwäsche | 16 Tsd. € | 14,5 Tsd. € | 12,3 Tsd. € | −23 % ggü. Vj. trotz Saison: prüfen |
Insgesamt über der Norm dank zweier Kategorien, aber zwei Abweichungen nach unten verdienen eine Diagnose: Die Desktop-Conversion liegt seit drei Wochen unter dem eigenen Bereich (fällt mit dem Template-Update zusammen), und die Kategorie Nachtwäsche ist im Jahresvergleich schwächer, obwohl gerade ihre Hochsaison läuft. Keine dieser Beobachtungen brauchte einen einzigen fremden Durchschnitt.
Methodischer Hinweis: Die Zahlen in den Beispielen dienen der Veranschaulichung. Die eigene Norm setzt vergleichbare Zeiträume voraus: Nach großen Änderungen (neues Template, geänderte Preispolitik, neuer Kanal) werden die Bereiche ab dem Datum der Änderung neu bestimmt. Veröffentlichte Benchmarks taugen als Kuriosität für die Kaffeepause; Entscheidungen trifft man auf Basis der Norm und der physikalischen Schwellen.
Zum Merken
Der einzige Shop mit identischer Branche, identischem Warenkorb, gleicher Marke und gleichem Traffic-Mix sind Sie selbst vor einem Jahr. Eine Tabelle eigener Normen plus physikalische Schwellen beantwortet jedes „Ist das gut?“, auf das ein fremder Durchschnitt keine Antwort hat.
FAQ
Häufige Fragen zu E-Commerce-Benchmarks
Wie hoch ist die durchschnittliche Conversion-Rate im E-Commerce?
Veröffentlichte Werte liegen meist bei 1–3 %, vermischen aber Branchen, Warenkörbe und Märkte und sagen daher nichts über Ihren Shop. Der praktische Bezugspunkt ist Ihre Conversion aus dem vergleichbaren Zeitraum plus der Trend; ein fremder Durchschnitt trifft keine Entscheidung.
Warum führen Benchmarks in die Irre?
Fünf Variablen verzerren den Vergleich: Branche und Kaufzyklus, Warenkorbwert, Anteil des Marken-Traffics, Geräte- und Quellenmix sowie die unbekannte Methodik des Berichts. Das Vergleichsergebnis sagt mehr über die Stichprobe als über den Shop.
Womit sollte man sich vergleichen?
Mit der eigenen Norm (Bereiche aus vergleichbaren Zeiträumen: Jahresvergleich, Saison, Wochentage, je Kategorie und Gerät) und mit physikalischen Schwellen: Break-even-ROAS aus der Marge, Versandkosten vs. Warenkorb, Vollständigkeit der Messung. Diese beiden Bezugssysteme reichen für Entscheidungen.
Wie baut man eine eigene Norm auf?
Für jede zentrale Kennzahl wird ein Bereich aus der Historie bestimmt: der vergleichbare Zeitraum des Vorjahres plus der Durchschnitt der letzten vollständigen Perioden, aufgeschlüsselt nach Wochentagen, wo der Rhythmus eine Rolle spielt. Aktuelle Werte liest man als: in der Norm / darüber / darunter, und Abweichungen werden diagnostiziert.
Wie hilft DataOrganizer?
DataOrganizer hält die Historie der Kennzahlen aus allen Quellen vor. So werden Normbereiche und Jahresvergleiche aus den Daten berechnet, Anomalien orientieren sich am eigenen Muster des Shops, und der Chat beantwortet „Ist dieser Monat gut?“ mit einem Abgleich mit Ihrer Norm je Kategorie.
Spickzettel zum gesamten Leitfaden
Statt Benchmarks: zwei Bezugssysteme
1. Eigene Norm. Kennzahlenbereiche aus vergleichbaren Zeiträumen (Jahresvergleich, Saison, Wochentage), je Kategorie und Gerät. Der einzige Benchmark, der Ihren Warenkorb, Ihre Marke und Ihren Traffic kennt.
2. Physikalische Schwellen. Break-even-ROAS aus der Marge, Versandkosten vs. Warenkorb, Vollständigkeit der Messung: errechnete Werte, die für alle gelten.
3. Entscheidungen ohne fremde Durchschnitte. DataOrganizer hält die Historie aller Kennzahlen zusammen, sodass Normtabelle, Jahresvergleiche und Anomalien zum eigenen Muster sich selbst aktualisieren und die Frage „Ist das gut?“ eine Antwort aus Ihren Daten bekommt.
DataOrganizer · der Shop im Vergleich mit seiner eigenen Norm
Verbinden Sie Ihre Quellen: Normbereiche, Jahresvergleiche je Kategorie und Anomalien zum eigenen Muster werden aus den Daten berechnet. Demokonto sofort verfügbar, Sie zahlen nur für verbundene Quellen.
