Croissant erst richtig. Was aber, wenn die Kennziffern in den roten Bereich abstürzen oder die Geschäftsentwicklung nicht recht vorankommt?

Mangelnder Erfolg im eCommerce kann viele Ursachen haben, von der Marketingkonzeption bis zu Produktauswahl und Preisgestaltung. Wenn es aber um die Optimierung der Website geht, kann ein differenzierter Blick in die Server-Protokolle einige Hinweise auf Schwachstellen und Verbesserungspotentiale liefern.

Nach dem in der letzten Ausgabe einige Kennziffern für einen schnellen Überblick zur Shop-Performance vorgestellt wurden (Gute Zahlen, Schlechte Zahlen, Mai/03) sollen diesmal Hinweise gegeben werden, wie man einem schwächelndem Online-Shops zuleibe rücken kann.

Logfiles, also die aufgezeichneten Protokolle der Interaktionen zwischen Webserver und Besucher, werden gewöhnlich durch marktübliche Software beim Shopbetreiber oder direkt beim Provider ausgewertet und aufbereitet. Diese Statistiken führen dann unter Umständen recht lange Listen mit "Top-Sites", Top-Browsern", Top-IP-Adressen" etc. auf, aus denen einigermaßen die Nutzer-Bewegungen im Online-Shop ersichtlich werden. Schon hier kann die Auflistung der häufigsten Ausstiegsseiten Anlaß für einen kritischen Blick auf das Online-Angebot geben.

Um den flüchtigen Besuchern wirklich in den Blick zu bekommen, lassen sich den Logfiles jedoch noch einige weitere Hinweise entlocken.

1. Vergleich Ausstiegsseiten und "Einzige Seite" Die Ausstiegseiten hatten wir schon erwähnt, sie werden in den allermeisten Standardtools angegeben und zeigen, welche Seite ein Besucher als letzte aufgerufen hat, bevor er sich anderen Dingen als dem Online-Shop zugewendet hat. In den allermeisten Fällen ist die Startseite die häufigste Ausstiegsseite. Die Optimierung einer Startseite hinsichtlich den Erwartungen eines Besuchers sollte auch ohne Logfile-Analyse selbstverständlich sein, schließlich ist sie das Aushängeschild eines Online-Shops.

Die Startseite ist außerdem gewöhnlich die häufigste Einstiegsseite und logischerweise auch die Seite, die am häufigsten als "Einzige Seite" gesehen wird. Nicht auf den ersten Blick sichtbar sind dagegen jene Seiten, die ein negatives Saldo erreichen (, wenn die Anzahl der Fälle als Ausstiegsseite von jenen als "Einzige Seite" abgezogen wird). Einfach ausgedrückt: Seite A war 100 Mal die Ausstiegseite, aber nur 10 Mal die "Einzige Seite". Das bedeutet, dass 90 Nutzer sich durchaus interessiert im Online-Shop umgesehen haben, aber nach Ansicht eben dieser Seite lieber ausgestiegen sind. Gut, wenn dies die "Danke für Ihre Bestellung"-Seite ist, schlecht, wenn dies die "Über uns"-, "Referenzen"- oder "Unsere Lieferbedingungen"-Seite ist.

2. Konversionspfad
Ein Online-Shop ist keine öffentliche Bibliothek. Das Ziel für den Betreiber ist nicht primär, dass die Nutzer viele interessante Informationen finden oder sich sonstwie lange aufhalten. Der Hauptzweck ist die Bewegung des Nutzers von der Startseite über die Produktseite und den Warenkorb zur Kasse. Alles andere ist zunächst sekundär. Auf dem Weg durch diesen Bestelltunnel gehen ein Großteil der Besucher, die schon etwas in den Warenkorb gelegt haben, wieder verloren. Um Schwachstellen aufzudecken, also jener Seiten, bei den der Nutzer etwas anderes macht, als die Bestellung abzuschließen, ist es notwendig, eine Pfadanalyse beginnend von der ersten bis zur letzten Warenkorbseite anzufertigen. Dies ist nicht immer ganz einfach und nicht alle Logfile-Analyse-Programme bieten diese Möglichkeit, aber es ist der beste Weg, um den Bestelltunnel gegen ungewollte oder offene Abzweigungen abzusichern.

3. Nutzer-Gruppen
Eine der ergiebigsten Methoden zur Optimierung von Internet-Angeboten ist die Analyse nach unterschiedlichen Nutzergruppen. Zunächst kann recht einfach die Effektivität von Referrern (Herkunftsseiten), also Werbebannern, Partnerschaften, Mailings oder Suchmaschinen überprüft werden. Um die Bewegungen der jeweiligen Nutzergruppen sichtbar zu machen, ist es sinnvoll die Besucher von Referrer A, mit denen von Referrer B usw. anhand aussagekräftiger Kennziffern zu vergleichen:

• Wie hoch ist die Konversionsrate von Gruppe A,B,C,...?
• Wie viele Seiten haben die jeweiligen Gruppen angeschaut ?
• Wie oft kommen Nutzer einzelner Gruppen wieder?
• etc.