9. November 2026Aktualisiert am Fathy Shalaby12 Min. Lesezeit
Web-Traffic-Analyse-Vorlage: Den Schritt finden, der sich zu testen lohnt
Dein Traffic zeigt bereits, wo Besucher ankommen und wo sie abspringen. Lies ihn richtig, finde die größte Lücke und beende Diskussionen darüber, welcher Schritt getestet werden soll.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Eine Web-Traffic-Analyse ist ein eintägiger Desk-Test: Du analysierst die Besuche der letzten 90 Tage auf deiner Website, um zu sehen, welche Seiten aufgerufen werden, woher die Besucher kommen und wo sie abspringen – und wählst dann den Schritt aus, dessen Testen sich als Nächstes am meisten lohnt. Sie nutzt Daten, die du ohnehin erfasst, erfordert kein Recruiting und zeigt, was Besucher getan haben – nie das Warum.
Das Wichtigste auf einen Blick
Es ist eines von fünf Discovery-Experimenten zur „Datenanalyse“ in Testing Business Ideas von David J. Bland und Alex Osterwalder (UPV-Kurs).
In Google Analytics 4 gilt eine Sitzung als „mit Interaktion“ (engaged), wenn sie länger als 10 Sekunden dauert, ein Schlüsselereignis enthält oder mindestens zwei Seitenaufrufe umfasst; die Absprungrate (Bounce Rate) ist der Anteil der Sitzungen, auf die das nicht zutrifft (Google Analytics-Hilfe).
Eine Web-Traffic-Gap-Analyse vergleicht deinen tatsächlichen Traffic mit einem Referenzwert (einem Zielwert, einem früheren Zeitraum oder einem Mitbewerber). Die größte Lücke markiert meist den Schritt, der getestet werden sollte.
Kennzahlen von Mitbewerbern sind Schätzwerte. Über 86 Websites hinweg wies Similarweb 19,4 % weniger Besuche aus als Google Analytics (PLOS ONE, 2022). Nutze sie für Rankings, nicht zum exakten Zählen.
Was ist eine Web-Traffic-Analyse?
Die Web-Traffic-Analyse liest die bereits erfassten Besuche auf deiner Website aus, um drei Fragen zu beantworten: Welche Seiten ziehen Aufmerksamkeit auf sich, woher kommen die Besucher und wo steigen sie aus?
Die Methode stammt aus Testing Business Ideas (2019), das 44 Experimentarten nach Vorbereitungszeit, Laufzeit, Nachweisstärke und Kosten sortiert (Strategyzer). Das Ergebnis ist kein bunter Traffic-Report, sondern eine Entscheidung: Welche einzelne Seite oder welcher Schritt verdient deinen nächsten echten Test?
Wann solltest du eine Web-Traffic-Analyse nutzen – und wann nicht?
Nutze sie, wenn du bereits eine Website mit kontinuierlichen Zugriffen hast und aufhören willst zu raten, wo das Problem liegt. Sie dauert etwa einen Tag und widerlegt Hypothesen oft, bevor sich jemand zu sehr darauf versteift.
Nutze sie nicht:
Bei nur einer Handvoll Besuchern am Tag. Auf einer Seite mit 40 Besuchen in 90 Tagen verändern fünf zusätzliche Ausstiege die Ausstiegsrate um mehr als 12 Prozentpunkte.
Um zu verstehen, warum jemand die Seite verlassen hat. Beobachte stattdessen ein paar Nutzer bei der Verwendung der Seite in einem Usability-Test.
Für das, was nach der Registrierung passiert. Dafür brauchst du einen Product-Analytics-Check.
Welches Risiko wird getestet und wie aussagekräftig ist die Evidenz?
Damit testest du die Desirability (Begehrlichkeit): Zeigen die Menschen Interesse an diesem Teil des Angebots? Die Evidenz ist richtungweisend (directional). Es handelt sich um echtes Verhalten realer Besucher, aber du wertest es im Nachhinein aus – ohne Änderungen und ohne Kontrollgruppe. Es weist auf eine Stelle hin, die es wert ist, getestet zu werden, wie unser Leitfaden zur Auswahl eines Produkt-Experiments erläutert.
Vorlage zur Web-Traffic-Analyse (zum Kopieren)
Öffne das Bild in voller Größe oder kopiere die folgende Textversion.
Wen du rekrutieren musst und wie viele
Niemanden. Du benötigst Daten der letzten mindestens 90 Tage von deiner Website, idealerweise mit ein paar hundert Besuchen pro Monat oder mehr auf den relevanten Seiten. Schließe die Besuche deines eigenen Teams und offensichtliche Bots aus, wenn möglich.
Schritt-für-Schritt-Plan
Formuliere die Annahme. Zum Beispiel: „Personen, die die Preisseite aufrufen, haben das größte Interesse.“
Lege dein Erfolgskriterium (Pass Signal) fest.
Exportiere die Besuche der letzten 90 Tage nach Seite.
Sortiere die Seiten nach Besuchen und nach Ausstiegen.
Halte fest, woher die Besucher auf diesen Seiten kamen.
Untersuche den Pfad von der Einstiegsseite zum nächsten Schritt.
Notiere den einen Schritt, den du als Nächstes testen würdest, und warum.
Fragen, die die Daten beantworten müssen
„Welche Seiten, die mit diesem Problem zusammenhängen, gehören zu den Top 10 nach Besuchen?“
„Wo steigen die meisten Besucher aus?“
„Welche Quelle liefert Besucher, die weitermachen, und welche führt zu Absprüngen?“
„Erhält irgendein Bereich Aufmerksamkeit, in den wir bisher kaum investiert haben?“
„Was hat sich in den letzten 90 Tagen geändert, das dies erklären könnte?“
Was gemessen werden soll
Besuche, Ausstiege und Ausstiegsrate pro Seite. Der Anteil der Besucher, die von der jeweiligen Seite zum nächsten Schritt übergehen. Wichtigste Traffic-Quellen pro Seite.
Erfolgskriterium (vor dem Start festzulegen)
Ausgangspunkt bei Specky: Die Seiten, die mit diesem Problem verknüpft sind, liegen bei den Besuchen oder den Ausstiegen in deinen Top 10. Das ist ein Startwert, kein allgemeingültiger Benchmark. Auf kleineren Websites dient dies nur als grobe Orientierung.
Ergebnisprotokoll
Seite
Besuche (90 Tage)
Ausstiege
Ausstiegsrate
Wichtigste Quelle
Nächsten Schritt gemacht von
Notizen
Was ist eine Web-Traffic-Gap-Analyse?
Eine Web-Traffic-Gap-Analyse stellt deinen tatsächlichen Traffic einem vorab definierten Referenzwert gegenüber und zeigt, wo die Lücke am größten ist. Dieser Referenzwert kann ein Zielwert sein („30 % der Besucher auf der Preisseite sollten eine Testphase starten“), derselbe Zeitraum des Vorjahres oder ein bestimmter Mitbewerber. Wähle die Variante, die zu deiner Annahme passt:
Gap-Typ
Was du vergleichst
Datenquelle
Beantwortete Frage
Schritt-Lücke (Step Gap)
Anteil, der zur nächsten Seite übergeht, im Vergleich zum Zielwert
Deine Analytics (Pfad- oder Trichterbericht)
Wo bricht der Ablauf ab?
Aufmerksamkeits-Lücke (Attention Gap)
Seiten mit vielen Aufrufen im Vergleich zu Seiten, in die investiert wurde
Deine Analytics, sortiert nach Besuchen und Ausstiegen
Ist etwas beliebt, das wir kaum unterstützen?
Such-Lücke (Search Gap)
Suchanfragen, bei denen du rankst, aber kaum Klicks erhältst
Google Search Console, Keyword-Planer
Wonach suchen Nutzer, was wir nicht bedienen?
Mitbewerber-Lücke (Competitor Gap)
Dein Traffic-Mix nach Kanal im Vergleich zur Konkurrenz
Similarweb, Semrush (Schätzwerte)
Welchen Kanal dominiert die Konkurrenz, den wir verpassen?
So führst du die Analyse durch:
Lege den Referenzwert fest, bevor du dir die Daten ansiehst.
Ziehe beide Datensätze für denselben 90-Tage-Zeitraum, dieselben Länder und dieselbe Geräteaufteilung heran.
Berechne jede Lücke in absoluten Nutzerzahlen, nicht nur in Prozentpunkten. Eine Differenz von 20 Prozentpunkten auf einer Seite mit 50 Besuchen ist weniger relevant als eine Differenz von 5 Punkten auf einer Seite mit 5.000 Besuchen.
Schließe einfache Erklärungen aus: saisonale Schwankungen, defekte Links oder eine ausgelaufene Kampagne.
Bestimme die eine Lücke, die du testen willst, und welche Anpassung du dort vornehmen würdest.
Für die Such-Lücke zeigt der Leistungsbericht der Google Search Console Klicks, Impressionen, Klickrate und die durchschnittliche Position nach Suchanfrage und Seite an (standardmäßig für die letzten drei Monate; siehe Search Console-Hilfe). Viele Impressionen bei wenigen Klicks bedeuten: Nutzer sehen die Seite, klicken sie aber nicht an. Der Keyword-Planer schätzt monatliche Suchvolumina für Begriffe, für die du noch nicht rankst; dafür sind jedoch Abrechnungsdaten in Google Ads erforderlich, und Keywords mit sehr geringem Volumen werden ausgeblendet (Google Ads-Hilfe).
Wie genau sind Traffic-Schätzungen von Similarweb und Semrush?
Gut genug, um Websites einzustufen und Kanäle zu vergleichen – ungeeignet, um Besuche exakt zu zählen.
Similarweb kombiniert vier Datenquellen: von Website-Betreibern geteilte Analytics, eigene Software auf Millionen von Geräten, Partnerdaten von Unternehmen wie ISPs sowie öffentliche Daten (Similarweb). Das Unternehmen rät selbst: „focus on relative trends rather than exact numbers“ (Similarweb-Blog).
Semrush modelliert den Traffic über ein Panel aus mehr als 200 Millionen anonymisierten Nutzern in über 190 Ländern, gestützt auf Hunderte Clickstream-Datenanbieter (Semrush Knowledge Base). Semrush weist selbst darauf hin, dass seine beiden Traffic-Tools fast immer unterschiedliche Zahlen liefern, und empfiehlt Betreibern, für die eigene Website Google Analytics zu nutzen (Semrush Knowledge Base).
Unabhängige Untersuchungen:
PLOS ONE (2022). Bei 86 Websites in 26 Ländern wies Similarweb 19,4 % weniger Besuche, 38,7 % weniger Unique Visitors und eine um 25,2 % höhere Absprungrate als Google Analytics aus. Bei 66 Websites (76,7 %) lagen die Werte zu niedrig; nur bei 5 (5,8 %) wichen sie um 5 % oder weniger ab. Die relativen Ränge korrelierten jedoch stark und die Abweichungen folgten einem systematischen Muster (PLOS ONE, 2022).
SparkToro (2022). Bei 641 Websites und 7.692 Website-Monaten lag die Korrelation mit den GA-Nutzern bei 0,790 für Semrush, 0,720 für Datos, 0,659 für Similarweb und 0,504 für Ahrefs (das nur die organische Suche schätzt). Die Fehler betrugen „oft +/-100 % oder mehr“, wobei Similarweb bei Seiten mit unter 5.000 monatlichen Besuchern am ungenauesten abschnitt (SparkToro, 2022).
Die Grundregel: Vergleiche Mitbewerber mit deiner eigenen Website immer innerhalb desselben Tools – vergleiche niemals einen Schätzwert von Similarweb direkt mit deinen eigenen Zahlen aus Google Analytics. Da der Fehler systematisch ist, prüfe deine eigene Seite im jeweiligen Tool, bestimme den Grad der Abweichung und wende diese Korrektur als groben Richtwert auf deine Mitbewerber an.
Wie liest man Ausstiege und Bounces, ohne sich selbst zu täuschen?
Ein Ausstieg markiert die letzte Seite eines Besuchs. Ein Bounce ist in GA4 eine Sitzung von maximal 10 Sekunden Dauer ohne Schlüsselereignis und mit nur einem Seitenaufruf. Ein Hilfeartikel mit hoher Ausstiegsrate erfüllt möglicherweise voll seinen Zweck; bei einer Preisseite ist das eher nicht der Fall. Bereinige die Daten im nächsten Schritt:
Bots. GA4 schließt bekannte Bots anhand der International Spiders and Bots List des IAB automatisch aus, gibt aber nicht an, wie viel gefiltert wurde (Google Analytics-Hilfe).
Das eigene Team. Markiere internen Traffic anhand von IP-Adressen (bis zu 10 Datenfilter pro Property). Ein aktiver Filter verwirft Daten unwiderruflich, teste ihn also vorab (Google Analytics-Hilfe).
Datenaufbewahrung (Data Retention). Standard-Properties speichern Daten auf Ereignisebene 2 oder 14 Monate lang. Diese Begrenzung gilt für explorative Datenanalysen und Trichterberichte, nicht für Standardberichte (Google Analytics-Hilfe). Bei einer Einstellung von 2 Monaten fehlen in einer 90-tägigen Pfadanalyse unbemerkt die Daten eines ganzen Monats.
Praxisbeispiel (hypothetisch)
Dieses Szenario ist fiktiv und dient der Veranschaulichung der Methode. Ein Team, das ein Recruiting-Tool anbietet, geht davon aus, dass seine „Integrations“-Seite der entscheidende Faktor bei Kaufentscheidungen ist. Es wertet die Daten von 90 Tagen aus.
Die Integrationsseite belegt bei den Zugriffszahlen nur Platz 14. Ein Blogartikel zum Thema „Wie man eine Stellenanzeige ohne Bias formuliert“ liegt dagegen auf Platz 3 der Besuche – und fast jeder Besucher springt dort direkt wieder ab. Kaum jemand gelangt zu den Produktseiten.
Das Erfolgskriterium für die Integrationsseite ist nicht erfüllt. Die eigentliche Erkenntnis: Viele Besucher suchen Hilfe beim Verfassen von Stellenanzeigen, erhalten auf der Seite aber keine weiterführenden Optionen. Der nächste Test des Teams ist daher ein passendes Mini-Angebot direkt auf dieser Seite.
Die fiktiven Zahlen: 18.000 Sitzungen im Betrachtungszeitraum. Die Integrationsseite verzeichnete 420 Sitzungen und lag bei den Ausstiegen auf Rang 19 – sie verfehlte die Top 10 bei beiden Kriterien. Der Hilfeartikel erzielte 3.100 Sitzungen, eine Ausstiegsrate von 90 % und 82 % des Traffics über die organische Suche. Nur 1,5 % der Besucher klickten weiter auf eine Produktseite, verglichen mit 9 % im restlichen Blog. Diese Lücke von 7,5 Prozentpunkten entspricht rund 230 potenziellen Nutzern pro Quartal – der größte Hebel auf der gesamten Website.
Web-Traffic-Analyse vs. Product-Analytics-Check vs. Suchtrend-Analyse
Eine sinnvolle Reihenfolge: Suchtrends für die Formulierungen prüfen, Web-Traffic für den Schritt nutzen, an dem das Interesse abbricht, und einen Product-Analytics-Check anschließen, sobald Nutzer im Produkt aktiv sind.
Was sind die häufigsten Fehler bei der Web-Traffic-Analyse?
Einen zu kurzen Zeitraum betrachten. Eine einzelne Woche spiegelt womöglich nur einen Newsletter-Versand oder Feiertage wider.
Ausstiege pauschal als Misserfolg werten. Wer nach dem Finden der passenden Antwort geht, hat sein Ziel erreicht.
Die Herkunft der Besucher ignorieren. Besucher aus der Suche verhalten sich völlig anders als solche, die über einen E-Mail-Newsletter kommen.
Eigene Zugriffe mitzählen. Auf kleineren Websites macht das eigene Team oft einen spürbaren Anteil am Gesamttraffic aus.
Voreilige Schlüsse über das Warum ziehen. Traffic zeigt nur Verhaltensmuster auf. Um die Gründe zu verstehen, musst du mit Nutzern sprechen.
Unterschiedliche Tools mischen. Wer die Schätzung eines Konkurrenten mit seinen eigenen Zahlen aus Google Analytics abgleicht, vergleicht ein Hochrechnungsmodell mit einer direkten Messung.
So führst du die Analyse in Specky durch
Klicke auf der Seite „Assumptions“ auf die jeweilige Annahme, wähle Pick a test und dann Web traffic analysis. Specky ergänzt automatisch die Schritte, das Erfolgskriterium und eine Laufzeit von einem Tag.
Specky ruft die Kennzahlen aus deinen angebundenen Analytics-Tools ab (wie PostHog, Mixpanel, Amplitude oder Pendo). Für diesen Test gibt es keine Ein-Klick-Schaltfläche: Frage die Daten im Chat ab oder exportiere sie direkt aus deinem Tool und hänge sie als Nachweis an.
Falls deine Daten in einem nicht verknüpften Tool liegen, trage die Zahlen manuell samt Quelle und Datum ein.
Klicke auf Start running und halte anschließend das Ergebnis fest.
Ein bestätigtes Kriterium wird auf dem Board als Early signal ausgewiesen (nicht als „Supported“), da die Auswertung historischer Traffic-Daten rein richtungweisenden Charakter hat.
Nächste Schritte je nach Testergebnis
Supported (wird als Early signal angezeigt): Du hast die entscheidende Seite oder den Engpass identifiziert. Teste dort eine Änderung per Split-Test oder überprüfe ein neues Angebot mit einem Fake-Door-Test.
Unclear: Die Datenbasis ist zu klein oder uneinheitlich. Führe einen Analytics-Check über einen längeren Zeitraum durch oder beobachte einzelne Besucher bei der Nutzung der Seite.
Contradicted: Besucher steuern diesen Bereich kaum an oder verweilen nicht darauf. Finde heraus, wofür sie die Seite stattdessen nutzen. Jede Annahme, die darauf aufbaut, wird nun als „Contradicted“ eingestuft.
Häufig gestellte Fragen (FAQ)
Was bringt eine Web-Traffic-Analyse dem Produktteam?
Sie zeigt, welche Seiten Besucher anziehen, woher sie kommen und an welchen Stellen sie abspringen. Das reicht völlig aus, um den nächsten relevanten Testschritt zu bestimmen – und oft auch, um liebgewonnene Annahmen schnell zu verwerfen. Sie erklärt jedoch nicht die Beweggründe der Nutzer; kombiniere sie daher vor einem Redesign mit Interviews oder einem Usability-Test.
Was ist der Unterschied zwischen Ausstiegsrate und Absprungrate?
Die Ausstiegsrate (Exit Rate) gibt an, bei welchem Anteil der Aufrufe einer Seite der Besuch dort endete. Die Absprungrate (Bounce Rate) in GA4 misst den Anteil der Sitzungen ohne Interaktion: 10 Sekunden oder kürzer, ohne Schlüsselereignis und mit nur einem Seitenaufruf. Eine Seite kann daher gleichzeitig eine hohe Ausstiegsrate und eine niedrige Absprungrate haben – etwa wenn Besucher den Inhalt gründlich lesen und danach zufrieden gehen.
Wie viel Traffic wird mindestens benötigt?
Nutze Daten aus mindestens 90 Tagen und sei vorsichtig, wenn die betreffenden Seiten weniger als ein paar hundert Besuche pro Monat verzeichnen. Bei kleinen Fallzahlen genügen wenige Besuche, um Raten um zehn oder mehr Prozentpunkte zu verschieben. Werte solche Resultate nur als grobe Tendenz und sichere sie mit aussagekräftigeren Tests ab.
Wie verlässlich ist Similarweb bei kleineren Websites?
Eher ungenau. Im Vergleich von SparkToro (2022) anhand von 641 Websites lieferte Similarweb bei Seiten mit unter 5.000 monatlichen Besuchern die ungenauesten Werte unter vier Anbietern; die Fehlerquoten lagen bei allen Tools häufig bei 100 % oder mehr. Vergleiche Seiten daher immer nur innerhalb desselben Tools und überprüfe deine eigene Website vorab, um die Abweichung einschätzen zu können.
Lässt sich eine Web-Traffic-Gap-Analyse ohne kostenpflichtige Tools durchführen?
Ja. Das eigene Web-Analytics-Tool reicht für Schritt- und Aufmerksamkeits-Lücken aus. Die Google Search Console deckt Lücken in den Suchergebnissen der eigenen Seite ab, und der Google Ads Keyword-Planer liefert grobe Schätzungen zu Suchvolumina. Similarweb oder Semrush werden nur für Konkurrenzvergleiche benötigt – und diese Zahlen sind ohnehin Schätzwerte, die am besten nur relativ zueinander betrachtet werden.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing