In diesem Artikel geht es um die Absprungrate bzw. Bounce Rate. Auf folgende Themen werde ich dabei näher eingehen:

• Definition
• Was ist eine gute/schlechte Absprungrate?
• Einflussfaktoren
• Bounce Rate optimieren
• Interpretation
• Wie lässt sich die Bounce Rate Messung verändern?
• Probleme mit der Absprungrate beheben
• Sonstiges

Definition

Ein Absprung oder Bounce findet immer dann statt, wenn ein Nutzer nur eine Seite aufruft und die Webseite dann sofort wieder verlässt ohne eine weitere Seite aufgerufen zu haben. Technisch gesehen ist ein Absprung bei Google Analytics eine Sitzung, bei der nur eine einzige Anfrage an den Analytics-Server geschickt worden ist. Eine Anfrage kann ein Seitenaufruf sein oder auch das Auslösen eines Events. Letzteres kann ebenfalls die Absprungrate beeinflussen, wie wir später sehen werden.

Die Absprungrate ist hingegen der Prozentsatz aller Sitzungen, bei denen Nutzer nur eine Seite aufgerufen oder eine Anfrage an den Analytics-Server geschickt haben.

Was ist eine gute/schlechte Absprungrate?

Dies lässt sich nicht so leicht beantworten. Was eine gute bzw. schlechte Bounce Rate ist, hängt primär zunächst von der Branche ab.

Es gibt jedoch verschiedene Studien und Benchmarks, an die man sich orientieren kann. Eine dieser Studien ist diese hier. Folgende Bounce-Rate-Werte wurden dabei als Richtwerte ermittelt:

• 0% – 45% für E-Commerce-Webseiten
• 25% – 55% für B2B-Webseiten
• 30% – 55% für Leadgenerierungswebseiten
• 35% – 60% für Content-orientierte Webseiten
• 60% – 90% für Landingpages
• 65% – 90% für Blogs

Einflussfaktoren

Neben der Branche gibt es verschiedene Einflussfaktoren auf die Bounce Rate, die man bei der Analyse im Hinterkopf behalten sollte. Ich gehe hier vom folgenden Beispiel aus (die Einflussfaktoren sind fett markiert):

1. Ein bestimmter Nutzer-Typ…
2. …kommt über einen beliebigen Channel…
3. …über irgendein Gerät…
4. …auf einen bestimmten Seitentyp unserer Webseite…
5. …und findet dort eine bestimmtes Content-Format.

Schauen wir uns die Einflussfaktoren genauer an:

• Nutzer-Typ: Bei neuen Nutzern ist die Bounce Rate tendenziell höher als bei wiederkehrenden Nutzern.
• Channel: Auch sollte man den Channel im Hinterkopf behalten. SEA weist aufgrund der sehr strikt und zielgerichtet optimierten Landingpages oft höhere Bounce Rates auf als vergleichsweise der Direct-Traffic (Stichwort “wiederkehrende Nutzer”).
• Gerät: Während Nutzer auf Desktop “klickfreudiger” sind, klicken mobile Nutzer im Vergleich weniger auf interne Links, um weiter auf der Seite zu bleiben.
• Seitentyp: Startseiten weisen oft eine geringe Bounce Rates auf, da dort meist viele interne Links zu finden sind und diese auch als eine Art Verteilerseite dient. Onepager haben hingegen meist hohe Absprungraten.
• Content-Format: Reiner Text wird höhere Bounce Rates erzeugen (These: Nutzer liest -> bekommt alle Informationen -> verlässt die Seite) als ein Konfigurator, wo sich der Nutzer durchklicken muss.

Bounce Rate optimieren

Mit den Einflussfaktoren im Hinterkopf gibt es verschiedene Ansätze wie man die Bounce Rate optimieren kann. Dabei sollte immer der Nutzer und dessen Bedürfnisse im Fokus stehen.

• Verbessere den Pagespeed der Seite, da höhere Ladezeiten zu höheren Absprungraten führen
• Vermeide “nervige” Popups, die dazu führen, dass deine Nutzer abspringen
• Die Hauptnavigation sollte klare Benennungen bekommen
• Verlinke aus dem Text heraus mit relevanten Begriffen auf relevante, weiterführende Seiten
• Benutze prominente Call-To-Actions
• Stelle relevanten Content für die jeweilige Zielgruppe bereit
• Platziere die interne Suche prominent
• Externe Links sollten in neuen Fenstern geöffnet werden
• Ein ansprechendes Design hat positive Auswirkungen auf die Absprungrate
• Strukturiere den Inhalt sinnvoll für eine bessere Lesbarkeit
• Vermeide übermäßig viel Werbung
• Stelle für mobile Nutzer eine mobile Webseiten-Version bereit
• Halte deinen Content aktuell
• Technische Fehler auf der Seite vermeiden
• SEO: Stelle sicher, dass Title und Meta-Description (die die Nutzer auf der SERP sehen) zum Seiteninhalt passen (keine falsche Erwartungshaltung erzeugen)

Interpretation

Bei der Interpretation der Bounce Rate kommt es darauf, ob sie grundsätzlich zu hoch oder zu gering ist (siehe Referenzwerte oben). Gehen wir davon aus der Benchmark besagt, dass 40 % eine “normale” Bounce Rate ist. Die Webseite weist jedoch eine Absprungrate von 80 % vor. In diesem Fall gibt es 2 Interpretationsansätze:

• 80 % sind gut, da die Nutzer das finden was sie suchten und die Seite wieder nach dem Einstieg sofort verlassen.
• 80 % sind schlecht, da die Nutzer die Inhalte nicht relevant finden und die Seite nach dem Einstieg sofort wieder verlassen, anstatt sich weiter auf der Webseite umzusehen.

Auch wenn man unter dem Benchmark liegen würde – z.B. 20 % – gäbe es wieder 2 Interpretationsmöglichkeiten:

• 20 % sind gut, da sich die Nutzer weiter mit der Webseite und den Inhalten beschäftigen, indem sie weitere Seiten aufrufen.
• 20 % sind schlecht, da die Nutzer nach dem Einstieg womöglich nicht sofort finden, wonach sie suchten und sich so durch die Webseiten klicken müssen.

Wie man sehen kann liegt die Interpretation der Bounce Rate in der subjektiven Wahrnehmung eines jeden Einzelnen. Aus diesem Grund sollte man die Bounce Rate (und auch andere Kennzahlen) nicht immer isoliert allein betrachten. Aus diesem Grund gibt es auch KPIs – ein Zusammenschluss aus mehreren Kennzahlen – die besser für die Interpretation geeignet sind. Heißt konkret, dass man die Bounce Rate einer weiteren Kennzahl gegenüberstellen sollte, um die Aussagekraft zu erhöhen. Sehr gern wird die Absprungrate zusammen mit der Verweildauer (Achtung: Hier ist Google Analytics nicht genau in der Messung. Mehr dazu in meinem Beitrag zum Thema “Datenqualität“) analysiert.

In diesem Fall kann es verschiedene Szenarien geben, die auch eine bessere Interpretation ermöglichen:

• Hohe Absprungrate und hohe Verweildauer: Der Nutzer springt ab, hat sich jedoch lange und intensiv mit den Inhalten beschäftigt.
• Hohe Absprungrate und niedrige Verweildauer: Der Nutzer springt ab und hat sehr schnell festgestellt, dass der Inhalt nicht seiner Intention entspricht.
• Niedrige Absprungrate und hohe Verweildauer: Der Nutzer hat sich lange und intensiv mit den Inhalten beschäftigt und hat sich weiter auf der Webseite umgesehen, da sein Interesse geweckt wurde.
• Niedrige Absprungrate und niedrige Verweildauer: Der Nutzer hat schnell festgestellt, dass auf der Seite nicht das zu finden war, wonach gesucht wurde und hat sich dann weiter auf der Webseite umgesehen, ob der findet was er sucht.

Wie lässt sich die Bounce Rate Messung verändern?

Will man die Messung und Zählung der Bounce Rate verändern bzw. beeinflussen, gibt es verschiedene Möglichkeiten:

• Verwednung von 2 Hits
• Non Interaction Einstellung
• Filternutzung
• Sampling bei der Datenanalyse
• Adjusted Bounce Rate
• Sonderfall DSGVO

Verwednung von 2 Hits
Weiter oben unter “Definition” hieß es: “Technisch gesehen ist ein Absprung bei Google Analytics eine Sitzung, bei der nur eine einzige Anfrage an den Analytics-Server geschickt worden ist.” Dabei kann “Anfrage” durch “Hit” ersetzt werden. Die Hits, die die Bounce Rate verringern können, sind:

• Pageview-Hits (pageview)
• Event-Hits (event)
• Ecommerce-Transaction-Hits (ecommerce:addTransaction)
• Ecommerce-Transaction-Item-Hits (ecommerce:addItem)
• Social-Plugin-Hits (social)

Sobald nach dem ersten Hit ein zweiter Hit ausgelöst wird, zählt die Sitzung nicht mehr als “Bounce”. Vor allem wenn nach dem Pageview ein Event ausgelöst wird, kann mittels der Non-Interaction-Einstellung die Bounce Rate beeinflusst werden.

Non-Interaction-Einstellung
Bei der Implementierung von Events gibt es die Möglichkeit den Non-Interaction-Wert (non-interaction value) festzulegen. Mit diesen Wert legt man fest ob das Auslösen des Events Einfluss auf die Bounce Rate haben soll oder nicht. Dazu sollte man sich merken:

• Ist der Wert true, dann wird die Absprungrate nicht reduziert
• Ist der Wert false, dann wird die Absprungrate reduziert

Wie dies technisch mit Google Analytics umgesetzt wird, kann hier nachgeschlagen werden: analytics.js, gtag.js.

Im Google Tag Manager ist es ein Feld innerhalb des GA-Tags, welches auf true oder false gesetzt werden muss:

Filternutzung
Die Benutzung von Filtern zum Ausschluss bestimmter Zugriffe kann die Bounce Rate ebenfalls beeinflussen. Wenn wir bestimmte Seitenbereiche innerhalb einer Datenansicht per Filter ausschließen, kann dies die Absprungwerte einiger Seiten “verfälschen”. Beispiel:

1. Nutzer steigt direkt ins Verzeichnis /blog/ ein
2. Nutzer surft innerhalb von /blog/ und ruft dort mehrere Seiten auf
3. Nutzer geht dann zur Startseite
4. Nutzer verlässt die Seite

Hätte man nun einen Filter für das Blog-Verzeichnis in der Datenansicht, so hätte die Startseite einen Bounce, obwohl der Nutzer vorher mehrere Seiten aufgerufen hat. Der Filter führt dazu, dass die Startseite der Einstieg aber auch zugleich die Ausstiegsseite ist. Dies führt dazu, dass ein Bounce gezählt wird.

Sampling bei der Datenanalyse
Wenn man in der kostenlosen Google Analytics Version einen großen Zeitraum wählt und dabei viele Daten verarbeitet werden müssen, dann kommt es häufig zum Daten-Sampling. Dabei wird nur ein Teil der Daten seitens Google Analytics verarbeitet und im Anschluss hochgerechnet. Der Grund ist Performance. Google will den Nutzer nicht lange warten lassen, bis Daten ausgegeben werden. Tritt dies ein, so hat man auch womöglich Absprungraten, die nicht 100 % der Realität entsprechen.

Adjusted Bounce Rate
Wie wir oben gesehen haben, ist die isolierte Betrachtung der Bounce Rate nicht immer zielführend. Diese sollte immer in Zusammenhang mit anderen Kennzahlen betrachtet werden, damit die Aussagekraft steigt. Da die isolierte Betrachtung eben Schwächten aufweist, kam im Online Marketing das Konzept der “Adjusted Bounce Rate” auf. Man hat sozusagen die Bounce Rate durch die Implementierung eines Event-Trackings verändert. Hier wird ein Event nach einer bestimmten Zeit (Timer) gesendet, der Non-Interaction-Wert wird auf “false” gesetzt und immer wenn ein Nutzer länger als die definierte Zeit auf der Seite war, wird kein Bounce mehr gezählt. Die Bounce Rate wird “manipuliert”. Der Gedanke dabei ist:

Wenn der Nutzer auf eine Seite kommt, länger als 60 Sekunden (kann auch ein anderer Wert sein) auf der Seite bleibt und dann abspringt, so soll dies nicht in die Bounce Rate Messung berücksichtigt werden. Grund: Da der Nutzer länger als 60 Sekunden mit der Seite interagiert hat, muss er ja zufrieden sein.

Im Google Tag Manager sieht dies wie folgt aus und ist relativ schnell umgesetzt:

Man sollte jedoch folgende Aspekte dabei im Hinterkopf behalten und genau überlegen, ob man die Standard Bounce Rate Messung tatsächlich verändern möchte:

• Durch die Implementierung der “Adjusted Bounce Rate” verändert man die Default-Messung der Bounce Rate durch Google Analytics. Dadurch stimmt die ursprüngliche Definition der Absprungrate durch Google Analytics nicht mehr.
• Die Standard-Absprungrate ist somit nicht mehr über alle Seiten hinweg betrachtbar.
• Die angepasste Bounce Rate lässt sich dann nicht mehr über alle Properties und Google Analyitcs Konten mehr vergleichen, wenn nicht alle diese Methode im Einsatz haben.

Alternativ kann man zwar die oben genannte Google Tag Manager Implementierung einsetzen, jedoch ohne dass das Event Auswirkungen auf die Bounce Rate hat (Non-Interaction). Im Anschluss kann man eine benutzerdefinierte Kennzahl erstellen, die genau diesen Case abgreift. Dazu werde ich noch eine eigene Anleitung auf meinem Blog veröffentlichen.

Sonderfall DSGVO
Auch die im Rahmen der DSGVO (seit dem 25.05.2018) eingesetzten Cookie-Banner bzw. Cookie-Consent-Tools müssen hierzu beachtet werden. Je nachdem, ob es es sich um ein Opt-In oder Opt-Out handelt, kann die Bounce Rate ungewollt beeinflusst werden.

Beim Opt-In muss der Nutzer zuerst zustimmen, bevor Daten durch Google Analytics gesammelt werden können. Erst wenn der Nutzer der Datensammlung zustimmt, wird er erfasst. Je nachdem wie das Opt-In technisch umgesetzt wird, gibt es 2 Fälle. Gehen wir davon aus, der Nutzer kommt auf die Seite. Der Cookie-Banner wird angezeigt und der Nutzer klickt direkt auf “Akzeptieren”. Dann kann folgendes passieren:

• Pagereload nach dem Akzeptieren: Wird sofort ein Pagereload erzeugt, um auf der gelandeten Seite die Cookies zu schreiben, dann ist die Einstiegsseite für Google Analytics klar und der Nutzer kann im Anschluss ganz normal erfasst werden. Springt er dann z.B. sofort wieder ab, dann kann ein Bounce der jeweiligen Seite zugerechnet werden. Problematisch wird es hier nur, wenn der Nutzer auf die Seite kommt und nicht sofort der Datensammlung zustimmt. Beispiel: Der Nutzer landet auf der Startseite, besucht noch 2 weitere Unterseiten und klickt erst auf der dritten Unterseite auf “Akzeptieren”, so wird er erst ab da erfasst. Die vorherigen 3 Seitenaufrufe werden nicht erfasst. Verlässt er nun die Seite auf Unterseite 3, so wird dies als Bounce gezählt, obwohl der Nutzer eigentlich vorher schon auf der Seite gesurft hat. Dies verfälscht die Daten.
• Kein Pagereload nach dem Akzeptieren: Wird kein Pagereload erzeugt, so ist die Einstiegsseite nicht mehr bekannt. Erst wenn der Nutzer eine weitere Seite aufruft, werden die Cookies gesetzt und der Nutzer kann “verfolgt” werden. Heißt: Wenn der Nutzer auf der zweiten Seite abspringt, wird dies als Bounce gezählt, obwohl es schon der 2 Seitenaufruf ist. Zudem ist die Einstiegsseite verfälscht.

Bei der Opt-Out-Variante werden die Nutzer zunächst ganz normal erfasst und müssen der Datensammlung aktiv widersprechen, um nicht erfasst zu werden. Klickt der Nutzer also an einer Stelle auf “Ablehnen” ist der Nutzer für Google Analytics nicht mehr sichtbar. Auch hier können Absprünge gezählt werden obwohl es keine sind. Zudem kann auch die Ausstiegsseite verfälscht werden, da aufgrund der “Unsichtbarkeit” die eigentliche Ausstiegsseite nicht mehr bekannt ist.

Probleme mit der Absprungrate beheben

• Niedrige oder keine Verweildauer bei Bounce-Seiten: Da die genaue Verweildauer auf der Ausstiegsseite aufgrund eines fehlenden Hits direkt vor dem Verlassen der Seite nicht genau ermittelt werden kann, haben Bounce-Seiten sehr häufig eine Verweildauer von 0 Sekunden. Ausnahme ist, wenn auf der jeweiligen Seite Events vom Nutzer ausgelöst werden, wo Google Analytics dann die Zeit zwischen dem aktuellen und dem letzten Hit herausrechnen kann.
• Auffallend geringe Bounce Rate: Prüfe hier ob es Events gibt, die mit “Non-Interaction: False” eingestellt sind. Zudem sollte analysiert werden, ob der Tracking-Code überall auf allen Seiten vorhanden ist.
• Bounce Rate über 100 %: Dies kommt vor, wenn “Sitzungen “eingeschlafen” sind und daher mit Events statt Seitenaufrufen neu anfangen.” Markus Baersch hat das auf seinem Blog ausführlich erläutert. Als Beispiel nennt Markus das Scroll-Tracking. Ruft ein Nutzer Seite A auf und klickt dort auf einen Link, der in einem neuen Tab öffnet und kommt dann nach über 30 Minuten zurück zu Seite A, so ist die Sitzung von Seite A abgelaufen (standardmäßig in Google Analytics). Scrollt der Nutzer nun auf Seite A und löst dort ein Scroll-Event als Non-Interaction-Hit aus, um dann anschließend über einen internen Link zu Seite B zu gelangen, wo er aber dann nichts mehr macht – kein Interaction-Hit, kein weiterer Seitenaufruf mehr – so entsteht eine Bounce Rate über 100 % für Seite B.

Sonstiges

Absprungrate vs. Ausstiegsrate
Oft gibt es Verwirrungen bei der Interpretation der 2 Kennzahlen “Absprungrate” und “Ausstiegsrate”. Der Unterschied ist ganz einfach:

• Absprung: Bezieht sich immer auf die erste Seite. Die Absprungrate sagt also, wie viele Nutzer die jeweilige Seite gesehen und sofort wieder verlassen haben ohne eine weitere Seite auf der Webseite zu besuchen (siehe auch oben unter “Definition”).
• Ausstieg: Bezieht sich immer auf die letzte Seite. Die Ausstiegsrate sagt also, wie viele Nutzer die jeweilige Seite als letzte Seite innerhalb einer Sitzung gesehen haben.