Wenn die Conversion-Rate insgesamt steigt, aber in jedem Segment sinkt

Beide Gruppen aus der Kundengewinnung konvertieren seltener. Trotzdem steigt die gesamte Conversion-Rate auf mehr als das Dreifache. Es fehlt kein Ereignis und es liegt kein Rechenfehler vor.

Das folgende hypothetische Beispiel hat zwei Gruppen: E-Mail und Suche. Jeder erfasste Einstieg wird nach derselben Regel genau einer Gruppe zugeordnet, in beiden Zeiträumen. Die Zahlen dienen der Erklärung; sie sind weder Zenovay-Kundenergebnisse noch Benchmarks für diese Kanäle.

Zeitraum	Gruppe	Erfasste Einstiege	Abschlüsse	Rate
A	E-Mail	100	20	20%
A	Suche	1.900	38	2%
A	Gesamt	2.000	58	2,9%
B	E-Mail	1.000	180	18%
B	Suche	1.000	15	1,5%
B	Gesamt	2.000	195	9,75%

E-Mail fällt von 20 auf 18 Prozent. Suche fällt von 2 auf 1,5 Prozent. Trotzdem steigt die Gesamtrate von 2,9 auf 9,75 Prozent, bei derselben Gesamtzahl an Einstiegen.

Der Unterschied liegt im Publikumsmix: Der Anteil von E-Mail steigt von 5 auf 50 Prozent. Die Rate ist niedriger als zuvor, aber weiterhin höher als bei Suche. Mehr Traffic in dieser Gruppe verändert den Gesamtwert.

Die Gesamtrate beantwortet eine andere Frage

Das ist ein Beispiel für das Simpson-Paradoxon: Die Richtung eines Gesamtvergleichs kann sich innerhalb jeder Teilgruppe umkehren. Es ist ein bekannter statistischer Effekt, keine neue Entdeckung und kein Fehler in der Berechnung.

Die Gesamtrate fragt, welcher Anteil der erfassten Einstiege dieses Zeitraums den Funnel abgeschlossen hat. Die Gruppenraten fragen, was innerhalb von E-Mail und Suche passiert ist. Die relativen Gruppengrössen haben sich verändert. Der Gesamtvergleich hält den Publikumsmix daher nicht konstant.

Im zweiten Zeitraum gibt es tatsächlich mehr Abschlüsse: 195 statt 58. Das kann ein wertvolles Geschäftsergebnis sein. Es zeigt aber nicht, dass der Ablauf für eine der Gruppen einfacher geworden ist. Die beobachtete Rate ist in beiden gesunken.

Bevor ein Redesign dafür gelobt wird, sollte klar sein, welche Aussage gemeint ist: mehr Ergebnisse insgesamt, ein anderes Publikum oder bessere Conversion innerhalb einer vergleichbaren Gruppe.

Den Publikumsmix konstant halten

Eine hilfreiche beschreibende Prüfung wählt einen Referenzmix und wendet ihn auf die Gruppenraten beider Zeiträume an. Hier nehmen wir den Mix aus Zeitraum A: 5 Prozent E-Mail und 95 Prozent Suche.

Für Zeitraum B ergibt sich: 0,05 × 18% + 0,95 × 1,5% = 2,325%.

Zeitraum	Beobachtete Gesamtrate	Rate mit dem Mix aus Zeitraum A
A	2,9%	2,9%
B	9,75%	2,325%

Bei konstantem Mix sinkt die Rate. So lassen sich veränderte Gruppengewichte von veränderten Raten innerhalb der Gruppen trennen.

Die Referenzpopulation sollte vor der Bewertung gewählt und dokumentiert werden. Beide Zeiträume brauchen dieselben, sich gegenseitig ausschliessenden Gruppen. Hat eine Gruppe in einem Zeitraum keine erfassten Einstiege, ist ihre Rate nicht definiert. Diese fehlende Rate darf nicht stillschweigend als null behandelt werden.

Die Berechnung lässt sich mit dieser eigenständig ausführbaren PostgreSQL-Abfrage nachvollziehen. Sie verwendet nur die vier hypothetischen Gruppenzeilen oben:

WITH sample(period, segment, entries, completions) AS (
  VALUES ('A', 'Email', 100, 20),
         ('A', 'Search', 1900, 38),
         ('B', 'Email', 1000, 180),
         ('B', 'Search', 1000, 15)
), rates AS (
  SELECT *, completions::numeric / entries AS rate
  FROM sample
), baseline AS (
  SELECT segment,
         entries::numeric / SUM(entries) OVER () AS weight
  FROM sample WHERE period = 'A'
)
SELECT r.period,
       ROUND(100.0 * SUM(r.completions) / SUM(r.entries), 3)
         AS observed_pct,
       ROUND(100.0 * SUM(r.rate * b.weight), 3)
         AS fixed_mix_pct
FROM rates r JOIN baseline b USING (segment)
GROUP BY r.period ORDER BY r.period;

Eine Neugewichtung beantwortet eine Vergleichsfrage. Sie belegt weder die Ursache einer Redesign-Wirkung noch das genaue Verhalten eines künftigen Publikums.

Schrittraten haben einen eigenen Nenner

Dieselbe Sorgfalt gilt innerhalb eines Funnels. Angenommen, 1.000 erfasste Einstiege führen zu 400 Registrierungen und 100 Abschlüssen. Die Gesamtrate beträgt 10 Prozent. Von der Registrierung zum Abschluss sind es 25 Prozent. Beide Berechnungen stimmen, weil sie unterschiedliche Nenner verwenden.

In Zenovay vergleicht die gesamte Funnel-Rate erfasste Abschlüsse mit erfassten Einstiegen. Für Übergänge nach dem ersten Schritt verwendet die Aufschlüsselung den vorherigen Schritt als Nenner. Jede Rate sollte zusammen mit ihren Fallzahlen und ihrem Geltungsbereich gelesen werden.

Personen, Sitzungen, Funnel-Einstiege und Ereignisse sind unterschiedliche Zähleinheiten. Jemand kann mehrfach zurückkehren oder eine Aktion wiederholen. Ein erfasster Einstieg ist keine verifizierte Einzelperson. Die Einheit muss beim Berichtsvergleich ausdrücklich benannt werden.

Definitionen und Beobachtungszeit stabil halten

Ein kleinerer Nenner kann die Rate auch ohne zusätzlichen Abschluss erhöhen: 100 von 1.000 sind 10 Prozent; 100 von 500 sind 20 Prozent. Ein späterer Einstiegspunkt näher am Checkout verändert die Messung, selbst wenn der Bericht seinen Namen behält.

Einstiegsregel, Abschlussereignis, Zähleinheit und Gruppendefinitionen müssen gleich bleiben. Änderungen an URL-Regeln oder Funnel-Schritten gehören dokumentiert. Ändert sich die Bedeutung der Kennzahl, braucht es eine neue Ausgangsbasis.

Auch die Zeit zählt. Die Einstiege von gestern hatten weniger Gelegenheit, einen langen Ablauf abzuschliessen, als jene von vor zwei Wochen. Für einen Kohortenvergleich werden ein Einstiegszeitraum und eine feste Nachbeobachtungszeit gewählt. Beide Gruppen müssen diese Zeit erhalten. Ein Kalenderbericht über Ereignisse und ein Bericht, der Einstiegskohorten verfolgt, sind unterschiedliche Ansichten.

Das ist eine Methode zum Kohortenvergleich, keine Behauptung, dass jeder Funnel-Bericht diese Steuerung anbietet.

Was diese Berechnung zeigen kann und was offenbleibt

Die Tabelle zeigt eine Umkehrung durch Aggregation. Sie erklärt nicht, warum sich die Rate einer Gruppe verändert hat. Beobachtete Raten können auch durch Zufallsschwankungen variieren, besonders bei kleinen Fallzahlen.

Relevante Segmente werden vorab festgelegt. Neben den Prozentzahlen stehen Einstiege und Abschlüsse. Eine Aussage darüber, ob eine Produktänderung eine Verbesserung verursacht hat, braucht ein geeignetes Experiment oder ein anderes begründbares kausales Design. Ein segmentierter Vorher-Nachher-Bericht allein liefert diesen Beleg nicht.

Eine überprüfbare Schlussfolgerung wäre: „Die Abschlüsse stiegen von 58 auf 195 bei jeweils 2.000 erfassten Einstiegen. Die Raten beider Gruppen sanken, während der E-Mail-Anteil von 5 auf 50 Prozent stieg. Mit dem konstant gehaltenen Mix aus Zeitraum A ergibt sich für Zeitraum B eine Rate von 2,325 Prozent, gegenüber zuvor 2,9 Prozent.“

Das hilft mehr als „Die Conversion wurde besser“. Es zeigt dem Team, was sich geändert hat, welcher Vergleich besser ausfällt und welche Frage noch zu klären ist.