- Die Absprungrate ist ein Symptom, keine Diagnose. Sie zeigt dir, dass Besucher gehen, aber nicht warum. Wer sie direkt „optimiert“, ohne die Ursache zu kennen, behandelt die falsche Stelle.
- In GA4 bedeutet Absprung etwas anderes als früher. Als Absprung zählt eine Sitzung, die kürzer als zehn Sekunden war, kein Schlüsselereignis ausgelöst hat und nur eine Seite umfasste. Die Absprungrate ist damit das Gegenstück zur Engagement Rate.
- Prüfe zuerst dein Tracking. Fehlerhafte Consent-Übergabe, interner Traffic oder doppelte Events verzerren die Absprungrate regelmäßig. Bevor du deinen Shop umbaust, stelle sicher, dass die Zahl stimmt.
- Segmentiere nach Quelle, Landingpage und Gerät. Ein Durchschnittswert versteckt fast immer das eigentliche Problem. Meistens ist es eine bestimmte Kampagne, eine bestimmte Seite oder ein bestimmtes Gerät.
- Das Ziel ist Umsatz pro Nutzer, nicht eine niedrigere Absprungrate. Eine niedrigere Absprungrate, die keinen zusätzlichen Umsatz bringt, ist wertlos. Ich messe deshalb am Average Revenue per User, nicht an Engagement-Kennzahlen.
Die Absprungrate sagt dir, dass etwas passiert, nicht warum
„Unsere Absprungrate ist zu hoch, was können wir dagegen tun?" Diese Frage höre ich regelmäßig, und meistens ist sie schon falsch gestellt. Denn die Absprungrate ist ein Symptom. Sie sagt dir, dass Besucher deinen Shop verlassen, ohne sich mit ihm auseinanderzusetzen. Sie sagt dir aber nichts darüber, warum.
Und genau hier passieren die teuersten Fehler. Ein Shop baut wegen einer hohen Absprungrate den Hero-Bereich neu, ein anderer legt ein Pop-up auf, ein dritter wirft das Theme weg. Alle drei behandeln das Symptom, ohne die Ursache zu kennen.
Ich bin überzeugt, dass man viele Probleme erst erkennt, wenn man sieht, wie echte Nutzer mit einer Seite interagieren, oder sie direkt nach ihren Gedanken fragt. Die Absprungrate ist der Startpunkt für diese Suche, nicht ihr Ergebnis. Sie zeigt dir, wo du suchen solltest. Was du dort findest, liefert dir erst die Analyse.
In diesem Artikel zeige ich dir, wie wir bei einer hohen Absprungrate vorgehen: erst die Zahl verstehen, dann die Daten prüfen, dann segmentieren, dann das Warum herausfinden und erst ganz am Ende etwas ändern. Das ist dieselbe Logik, mit der wir in jedes Projekt starten. Was Conversion-Optimierung grundsätzlich bedeutet und warum Daten die Basis von allem sind, erklärt Was ist Conversion Rate Optimierung? Einfach erklärt.
Was die Absprungrate in GA4 wirklich misst
Viele Shopbetreiber haben noch die alte Definition im Kopf: Ein Absprung ist ein Besuch, bei dem nur eine Seite aufgerufen wurde. Das war die Logik in Universal Analytics. In Google Analytics 4 ist das anders, und dieser Unterschied ist wichtig, um die Zahl richtig zu lesen.
GA4 geht von sogenannten engagierten Sitzungen aus. Eine Sitzung gilt als engagiert, wenn sie mindestens eine von drei Bedingungen erfüllt: Sie dauert zehn Sekunden oder länger, sie löst ein Schlüsselereignis aus, oder sie umfasst mindestens zwei Seitenaufrufe. Die Engagement Rate ist der Anteil dieser engagierten Sitzungen. Die Absprungrate ist ihr Gegenstück – also der Anteil der Sitzungen, die keine dieser Bedingungen erfüllt haben.
| Universal Analytics (alt) | Google Analytics 4 (heute) |
|---|---|
| Absprung = nur eine Seite aufgerufen | Absprung = keine engagierte Sitzung |
| Wer eine Seite zehn Minuten liest, springt trotzdem ab | Wer zehn Sekunden bleibt, springt nicht ab |
| Ein Kauf auf der Einstiegsseite war theoretisch ein Absprung | Ein Schlüsselereignis macht die Sitzung engagiert |
| Absprungrate war die zentrale Kennzahl | Engagement Rate ist die zentrale Kennzahl, Absprungrate ihr Gegenstück |
Für die Praxis heißt das: Eine hohe Absprungrate in GA4 bedeutet, dass ein großer Teil deiner Besucher innerhalb von zehn Sekunden wieder weg war, ohne eine zweite Seite zu sehen und ohne etwas zu tun, das du als wichtig definiert hast. Das ist eine deutlich aussagekräftigere Zahl als früher. Sie beschreibt nicht „hat nur eine Seite gesehen", sondern „hat sich praktisch nicht auf den Shop eingelassen".
Ein Hinweis, der oft übersehen wird: Die Absprungrate ist in vielen GA4-Standardberichten nicht sichtbar. Du musst sie dir über angepasste Berichte oder Explorationen einblenden. Und sie hängt direkt davon ab, welche Ereignisse du als Schlüsselereignisse definiert hast. Wie du GA4 so aufsetzt, dass diese Kennzahlen belastbar sind, beschreibe ich in Google Analytics 4 für CRO einrichten.
Wann eine hohe Absprungrate völlig normal ist
Bevor du in Aktionismus verfällst: Nicht jede hohe Absprungrate ist ein Problem. Es gibt Situationen, in denen sie schlicht erwartbar ist, und es wäre Zeitverschwendung, dagegen anzuarbeiten.
Informationssuchende Besucher
Wiederkehrende Kunden mit klarer Absicht
Kalter Traffic aus Awareness-Kampagnen
Seiten mit klarer Einzelaufgabe
Problematisch wird eine hohe Absprungrate dort, wo eigentlich Kaufabsicht da sein sollte: auf Produktseiten, auf Landingpages bezahlter Kampagnen mit Kaufintention, auf Kategorieseiten aus der Suche. Wenn dort ein großer Teil der Besucher innerhalb von zehn Sekunden wieder weg ist, verlierst du Menschen, für die du bezahlt hast und die kaufen wollten.
Schritt 1: Prüfe zuerst deine Daten
Das klingt banal, ist aber der Schritt, bei dem wir am häufigsten fündig werden. Der häufigste Fehler, den ich bei neuen Kunden sehe, liegt im Zusammenspiel von Tracking und Cookie Consent. Und genau solche Fehler wirken sich direkt auf die Absprungrate aus.
Ein paar typische Muster, die eine Absprungrate künstlich in die Höhe treiben oder verfälschen:
| Tracking-Problem | Wirkung auf die Absprungrate | Wie du es erkennst |
|---|---|---|
| Consent-Signale falsch übergeben | Folgeereignisse werden nicht erfasst, Sitzungen wirken nicht engagiert | Auffällige Sprünge nach Banner-Änderungen |
| Seitenaufrufe nicht bei jedem Wechsel ausgelöst | Echte Mehrseitenbesuche erscheinen als Absprünge | Unplausibel wenige Seiten pro Sitzung |
| Schlüsselereignisse fehlen oder falsch definiert | Nutzer mit relevanten Aktionen zählen als Absprung | Kaum Unterschied zwischen Käufern und Nicht-Käufern |
| Interner Traffic nicht gefiltert | Team-Besuche verzerren Kennzahlen | Auffällige Werte aus Firmennetzwerken |
| Eigene Domains als Verweisquellen | Sitzungen werden zerteilt, künstliche Einstiege entstehen | Eigene Domain oder Zahlungsanbieter als Quelle |
Besonders tückisch sind Theme-Updates und neue Apps. Sie können still Ereignisse beschädigen, ohne dass es jemand merkt. Wenn deine Absprungrate an einem bestimmten Datum plötzlich gesprungen ist, schau zuerst, was an diesem Tag am Shop oder am Banner geändert wurde.
Für mich ist Tracking kein einmaliger Setup-Schritt, sondern ein Prozess, der regelmäßig validiert werden muss. Ohne diese Grundlage optimierst du auf einem verzerrten Bild.
Schritt 2: Segmentieren statt Durchschnitte lesen
Wenn die Daten stimmen, kommt der wichtigste analytische Schritt: die Zahl zerlegen. Eine Gesamt-Absprungrate ist ein Durchschnitt über völlig unterschiedliche Besucher, Seiten und Geräte. Und Durchschnitte verstecken fast immer das eigentliche Problem.
Wir zerlegen die Absprungrate typischerweise entlang von vier Dimensionen, am liebsten in einer freien Exploration in GA4, in der sich die Dimensionen kombinieren lassen:
Nach Quelle und Kampagne. Hat eine einzelne Kampagne eine drastisch höhere Absprungrate als der Rest? Dann liegt das Problem vermutlich nicht im Shop, sondern im Zusammenspiel zwischen Anzeige und Landingpage.
Nach Landingpage. Welche Einstiegsseiten verlieren überdurchschnittlich viele Besucher? Hier zeigt sich, ob ein bestimmter Seitentyp oder eine bestimmte Seite das Problem ist.
Nach Gerät. Ist die Absprungrate mobil deutlich höher als am Desktop? Da in vielen unserer Projekte über 90 Prozent des Traffics mobil ist, ist das oft der entscheidende Befund.
Nach neuen und wiederkehrenden Nutzern. Neue Nutzer brauchen Orientierung und Vertrauen, wiederkehrende haben oft eine konkrete Absicht. Beide Gruppen springen aus unterschiedlichen Gründen ab.
| Muster in den Daten | Wahrscheinliche Ursache | Nächster Schritt |
|---|---|---|
| Eine Kampagne weit über dem Durchschnitt | Anzeige verspricht etwas anderes als die Seite zeigt | Anzeige und Landingpage nebeneinanderlegen |
| Mobil deutlich schlechter als Desktop | Ladezeit, Layout oder Bedienung auf dem Smartphone | Recordings mobil ansehen, Ladezeit messen |
| Eine Landingpage auffällig schlecht | Seitenspezifisches Problem mit Inhalt oder Aufbau | Heatmap und Recordings dieser Seite analysieren |
| Neue Nutzer schlechter als wiederkehrende | Fehlende Orientierung oder fehlendes Vertrauen | Einstieg aus Sicht eines Erstbesuchers prüfen |
| Alles gleichmäßig hoch | Grundsätzliches Problem mit Angebot oder Traffic-Qualität | Product-Market-Fit und Zielgruppe hinterfragen |
Die letzte Zeile ist die unbequemste. Wenn die Absprungrate über alle Kanäle, Seiten und Geräte gleichmäßig hoch ist, liegt das Problem selten in einem einzelnen Element. Dann passt häufig das Angebot nicht zur Zielgruppe oder der Traffic nicht zum Angebot. Dazu gleich mehr.
Die vier häufigsten Ursachen für echte Absprünge
Wenn Daten und Segmentierung stimmen, laufen echte, problematische Absprünge aus meiner Erfahrung fast immer auf eine von vier Ursachen hinaus.
1. Der Erwartungsbruch zwischen Anzeige und Seite
Der Nutzer hat in einer Anzeige ein bestimmtes Produkt, einen bestimmten Preis oder ein bestimmtes Versprechen gesehen. Auf der Seite findet er etwas anderes: eine allgemeine Startseite statt des beworbenen Produkts, einen anderen Preis, eine andere Bildsprache, einen anderen Ton. Das Gehirn registriert den Bruch in Sekundenbruchteilen, und der Nutzer ist weg.
Deshalb analysieren wir in jedem Projekt den gesamten Funnel, von der Werbeanzeige bis zum Kaufabschluss, und suchen gezielt nach Brüchen und Inkonsistenzen. Viele hohe Absprungraten entstehen nicht im Shop, sondern an der Nahtstelle zwischen Marketing und Shop.
2. Der falsche Traffic oder das falsche Angebot
Traffic allein bringt keinen Umsatz, wenn Besucher nicht kaufen wollen. Entscheidend ist, dass Nachfrage, Angebot und Zielgruppe zusammenpassen. Wenn eine Kampagne auf eine zu breite oder falsche Zielgruppe ausgesteuert ist, kommen Besucher, die mit deinem Angebot schlicht nichts anfangen können. Keine Seitenoptimierung der Welt ändert das. Diesen Zusammenhang vertiefe ich in Umsatz steigern im Online-Shop.
3. Zu langsam oder mobil unbrauchbar
Zehn Sekunden sind die Grenze, ab der GA4 eine Sitzung als engagiert zählt. Wenn deine Seite mobil vier oder fünf Sekunden braucht, bis das Wichtigste sichtbar ist, hat der Nutzer die Hälfte dieser Zeit schon mit Warten verbracht. Springende Layouts, blockierende Pop-ups und winzige Touch-Ziele tun ihr Übriges. Wie du Ladezeit strukturiert angehst, beschreibe ich in Shopify Page Speed optimieren.
4. Motivation, Orientierung und Vertrauen fehlen im ersten Blick
In den ersten Sekunden beantwortet der Nutzer unbewusst drei Fragen: Ist das relevant für mich? Finde ich mich hier zurecht? Kann ich dem vertrauen? Wenn der sichtbare Bereich einer Seite keine dieser Fragen schnell beantwortet, entscheidet sich der Nutzer gegen das Weiterlesen. Das ist keine rationale Abwägung. Menschen entscheiden heuristisch, emotional und kontextabhängig. Kognitive Leichtigkeit ist dabei einer der stärksten Hebel: Je müheloser eine Seite zu erfassen ist, desto eher bleibt jemand.
Schritt 3: Vom Absprung zum Warum
Die Segmentierung zeigt dir, wo das Problem sitzt. Um zu verstehen, warum Nutzer an dieser Stelle gehen, brauchst du qualitative Daten. Das ist der Teil der Analyse, der am häufigsten übersprungen wird, und gleichzeitig der, aus dem die besten Ideen entstehen.
Session-Recordings. Über Tools wie Microsoft Clarity oder Hotjar siehst du, was Nutzer in den Sekunden vor dem Absprung tun. Scrollen sie gar nicht? Warten sie auf ein Bild? Tippen sie mehrfach auf etwas, das nicht reagiert? Suchen sie nach einer Information, die nicht da ist? Zwanzig Recordings einer auffälligen Landingpage sagen oft mehr als zwanzig Berichte.
Heatmaps und Scrolltiefe. Sie zeigen, wie weit Nutzer kommen und worauf sie klicken. Wenn der Großteil nie unter den ersten Bildschirm scrollt, muss alles Entscheidende dort stehen.
Umfragen. Eine einzige Frage im richtigen Moment, etwa „Was fehlt dir auf dieser Seite?" oder „Was hat dich hergeführt?", liefert oft direkte Antworten. Wir befragen Nutzer sowohl vor als auch nach dem Kauf, weil beide Perspektiven unterschiedliche Hürden sichtbar machen.
Motivfeldanalyse. Über den Motivkompass nach Dirk Eilert verstehen wir, welche emotionalen Grundbedürfnisse die Zielgruppe antreiben. Eine Seite, die in Ton und Bildsprache an der Motivstruktur der Zielgruppe vorbeikommuniziert, verliert Besucher, obwohl sie technisch einwandfrei ist. Ich habe erlebt, wie eine wärmere, verbindendere Sprache bei einer gemeinschaftsorientierten Zielgruppe einen deutlich messbaren Effekt hatte. Nicht das Element selbst entscheidet, sondern die psychologische Passung.
Die Absprungrate ist nicht dein Ziel
Jetzt der Punkt, an dem ich deutlich werden muss. Die Absprungrate zu senken, ist kein Geschäftsziel. Es ist bestenfalls ein Zwischenschritt.
Es gibt viele Wege, die Absprungrate kosmetisch zu verbessern, ohne einen Euro mehr zu verdienen. Ein Pop-up, das nach drei Sekunden erscheint und angeklickt werden muss. Ein Karussell, das Nutzer zum Wischen verleitet. Inhalte, die künstlich auf mehrere Seiten verteilt werden. All das macht Sitzungen „engagierter", ohne dass ein einziger Nutzer mehr kauft. Wer auf die Absprungrate optimiert, optimiert im schlimmsten Fall auf Beschäftigung statt auf Kaufbereitschaft.
Für mich ist deshalb schon die Conversion Rate allein keine ausreichende Kennzahl, und Engagement-Kennzahlen sind es noch viel weniger. Umsatz entsteht aus Conversion Rate und Warenkorbwert. Deshalb messe ich am Average Revenue per User, weil diese Kennzahl beide Hebel kombiniert und die tatsächliche Business-Performance abbildet. Warum, erkläre ich ausführlich in Warenkorbwert erhöhen.
Rechenbeispiel: Was eine Landingpage-Verbesserung wert ist
- Landingpage einer bezahlten Kampagne: 30.000 Sitzungen / Monat
- Absprungrate 65 % → 10.500 engagierte Sitzungen
- Conversion Rate (engagiert): 6 % → 630 Bestellungen
- Average Order Value: 70 € → 44.100 € Umsatz
- Nach Optimierung auf 55 % Absprungrate:
- Engagierte Sitzungen → 13.500
- Bestellungen bei gleicher CR → 810
- Zusätzlicher Umsatz: +12.600 € / Monat
Die Rechnung setzt voraus, dass die zusätzlich gehaltenen Besucher genauso kaufbereit sind wie die bisherigen. Genau das ist nicht garantiert und muss im Test überprüft werden. Wenn eine Variante die Absprungrate senkt, aber vor allem Besucher hält, die ohnehin nicht kaufen, bleibt der Umsatz gleich. Deshalb bewerten wir jede Änderung am Umsatz pro Nutzer, nicht an der Absprungrate. Wie du solche Rechnungen mit deinen Zahlen aufsetzt, zeigt Conversion Rate berechnen und einordnen.
Von der Diagnose zum Test
Am Ende der Analyse steht keine Liste von Änderungen, sondern eine Liste von Hypothesen. Das ist ein wichtiger Unterschied. Eine Hypothese lautet nicht „Wir bauen den Hero-Bereich neu", sondern: „Wenn wir das beworbene Produkt direkt im ersten Bildschirm zeigen, springen weniger Nutzer aus der Kampagne X ab, weil der Bruch zwischen Anzeige und Seite verschwindet."
Diese Hypothesen priorisieren wir mit einem Scoring aus erwartetem Impact, Reichweite, Problemdruck und Qualität der zugrunde liegenden Erkenntnisse. Ich bin überzeugt, dass eine gute Priorisierung einer der größten Erfolgshebel im CRO ist, weil sie entscheidet, worauf Zeit und Ressourcen eingesetzt werden. Eine auffällige Absprungrate auf einer Seite mit viel Paid Traffic landet dabei meist weit oben, weil dort jeder verlorene Besucher bereits bezahlt ist.
Dann wird getestet. Nicht jede Änderung, die in der Analyse plausibel klingt, funktioniert in der Realität. Aus über 1.000 A/B-Tests weiß ich, wie oft vermeintlich offensichtliche Verbesserungen nichts bewirken und scheinbar kleine Details große Effekte haben. Bei Löwenkind haben wir über kontinuierliches Testing die Conversion Rate von drei bis vier auf konstant sechs bis sieben Prozent gebracht. Kein einzelner großer Umbau, sondern viele abgesicherte Schritte, jeder aus einer konkreten Erkenntnis abgeleitet.
Zusammengefasst sieht der Weg von der hohen Absprungrate zum Umsatz so aus:
- 01Zahl verstehen. Was misst die Absprungrate in GA4 genau, und auf welchen Seiten ist sie überhaupt relevant?
- 02Daten prüfen. Tracking, Consent, Schlüsselereignisse, interner Traffic. Stimmt die Zahl?
- 03Segmentieren. Quelle, Landingpage, Gerät, neue und wiederkehrende Nutzer. Wo sitzt das Problem?
- 04Warum verstehen. Recordings, Heatmaps, Umfragen, Motivfeldanalyse. Was hält Nutzer ab?
- 05Hypothesen priorisieren. Nach Impact, Reichweite und Problemdruck, nicht nach Bauchgefühl.
- 06Testen und am Umsatz pro Nutzer messen. Nicht an der Absprungrate.
Wie dieser Prozess im Detail abläuft, beschreibe ich in Wie ein bewährter CRO-Prozess funktioniert. Und falls du in der Analyse bis zum Warenkorb kommst und dort die größten Verluste siehst, findest du die nächsten Schritte in Warenkorbabbrüche reduzieren.
Häufig gestellte Fragen
Einen pauschalen Richtwert halte ich für wenig hilfreich, weil die Absprungrate zwischen Kanälen, Seitentypen und Geschäftsmodellen stark schwankt. Aussagekräftiger ist der Vergleich mit dir selbst: Wie entwickelt sich die Absprungrate einer bestimmten Seite bei einem bestimmten Kanal über die Zeit, und wie steht sie im Vergleich zu deinen anderen Seiten?
Die Absprungrate in GA4 ist der Anteil der Sitzungen, die nicht engagiert waren. Engagiert ist eine Sitzung, wenn sie mindestens zehn Sekunden dauert, ein Schlüsselereignis auslöst oder mindestens zwei Seitenaufrufe umfasst. Die Absprungrate ist damit das Gegenstück zur Engagement Rate.
Prüfe zuerst, ob sich am Tracking etwas geändert hat: ein neuer Cookie-Banner, ein Theme-Update, eine neue App oder geänderte Schlüsselereignisse. Solche Änderungen verzerren die Absprungrate häufig, ohne dass sich das Nutzerverhalten verändert hat. Erst danach lohnt sich der Blick auf Kampagnen und Seiten.
Die Absprungrate aus Google Analytics selbst ist kein direkter Rankingfaktor. Relevant ist sie trotzdem, weil sie auf ein Problem mit Relevanz oder Nutzererfahrung hinweisen kann. Wer eine Seite verlässt, weil sie nicht hält, was die Suche versprochen hat, ist ein verlorener Kunde – unabhängig vom Ranking.
Mobil wirken mehrere Faktoren gleichzeitig: langsamere Ladezeiten, kleinere Bildschirme, geteilte Aufmerksamkeit und oft ein Einstieg über In-App-Browser aus Social Media. Da in vielen Shops der Großteil des Traffics mobil ist, lohnt es sich fast immer, die Absprungrate nach Gerät zu segmentieren.
Zuerst herausfinden, warum Nutzer abspringen: Passt die Seite zur Anzeige, lädt sie schnell genug, beantwortet der erste Bildschirm Relevanz, Orientierung und Vertrauen? Recordings und Umfragen zeigen die konkrete Hürde. Änderungen sollten dann getestet und am Umsatz pro Nutzer gemessen werden, nicht an der Absprungrate.
Kosmetisch vielleicht, weil Interaktionen Sitzungen engagiert wirken lassen. Wirtschaftlich selten, weil ein Pop-up die Ursache nicht löst und mobil oft zusätzliche Reibung erzeugt. Wer auf die Absprungrate optimiert statt auf Kaufbereitschaft, verbessert eine Zahl, ohne mehr zu verkaufen.
Google Analytics 4 für die quantitative Seite, idealerweise mit freien Explorationen für die Segmentierung. Dazu Microsoft Clarity oder Hotjar für Session-Recordings und Heatmaps sowie ein Umfragetool für direkte Nutzerfragen. Der Google Tag Manager hilft, zusätzliche Interaktionen zu erfassen.
Oft an der Nahtstelle. Wenn eine einzelne Kampagne deutlich schlechter abschneidet als der Rest, liegt der Bruch meist zwischen Anzeige und Landingpage. Wenn die Absprungrate überall gleichmäßig hoch ist, lohnt sich der Blick auf Angebot, Zielgruppe und Traffic-Qualität, bevor du die Seiten umbaust.
Als Diagnosewerkzeug ja, als Ziel nein. Sie zeigt, wo Besucher verloren gehen, aber nicht, ob eine Änderung mehr Umsatz bringt. Ich messe Optimierungen am Average Revenue per User, weil diese Kennzahl Conversion Rate und Warenkorbwert kombiniert und den tatsächlichen Geschäftserfolg abbildet.
Hohe Absprungrate, aber du weißt nicht, warum?
Erstgespräch anfragen
Über den Autor: Chris Dengler
Chris ist CRO-Stratege und Gründer von Convertlab. Mit über 1.000 durchgeführten A/B-Tests und dem selbst entwickelten Double Diamond Framework hat er Shopify Brands im DACH-Raum zu nachweislich messbarem Wachstum verholfen.