Bruna fand die Reibung im Checkout, die seine Funnel-Daten nicht zeigen konnten

Über Bruna

Bruna ist eine niederländische Buchhandelskette. Sie verkauft direkt online, betreibt ein landesweites Netz stationärer Filialen und gehört zu Audax. Dadurch hat die Website eine doppelte Rolle: Sie ist ein direkter Vertriebskanal und ein wichtiger Lead-Kanal für die Filialen. Die Drive-to-Store-Strategie von Audax zeigt sich an mehreren Stellen der Customer Journey, sodass jede Änderung im Checkout sowohl die Online-Conversion als auch die Filialbesuche beeinflusst.

Schritt zwei des Bruna-Checkouts, in dem Käufer zwischen Lieferung nach Hause und kostenloser Abholung in einer Bruna-Filiale wählen. Dieses Projekt war eine Partnerschaft zu dritt. NeoSEM, die bestehende Online-Marketing-Agentur von Bruna, übersetzte die Erkenntnisse in konkrete Optimierungen und setzte sie um. Exatom lieferte die Formularanalyse, die Verhaltensdaten auf Feldebene und relevante Benchmarks. Audax setzte als Muttergesellschaft den Drive-to-Store-Rahmen, in den die Änderungen passen mussten.

Die Herausforderung

Bruna und NeoSEM hatten Zugriff auf Funnel-Daten auf Schrittebene. Sie sahen, in welchem Schritt Besucher den Checkout oder die Kontoregistrierung abbrachen, aber nicht warum. Reibung auf Feldebene war völlig unsichtbar.

Bruna sah, welcher Checkout-Schritt Käufer verlor, aber nicht, welches Feld die Ursache war.

• Nur Funnel-Daten. In Projekten wie diesem war NeoSEM normalerweise auf die verfügbaren Funnel-Daten beschränkt.
• Zwei Strecken im Fokus. Der Checkout und die CRM-getriebene Kontoregistrierung wirkten sich beide direkt auf Umsatz und Customer Lifetime Value aus.
• Jede Änderung doppelt abgewogen. Weil die Website auch Filialbesuche erzeugt, ließ sich keine Optimierung allein an der Online-Conversion messen.

Das Ziel war strukturelles Conversion-Wachstum in Checkout und Kontoerstellung, indem die Reibung in beiden gefunden und beseitigt wurde.

Die Lösung

Das Projekt lief in zwei Phasen. Im Kick-off vereinbarten Exatom und Bruna den Umfang, die Prioritäten, die Aufgabenverteilung und die Abhängigkeiten dazwischen.

Dann gingen die Exatom-Tags live. Die Messung ist vollständig cookielos und privacy-first: Es werden keine personenbezogenen Daten gespeichert, und es ist keine Einwilligung über ein Cookie-Banner nötig. Dadurch waren die Daten vollständig und nicht durch Besucher verzerrt, die ihre Einwilligung verweigern, was gerade im Checkout am meisten zählt. Ab diesem Moment erfasste jedes Eingabefeld Interaktionen, Fehler, Korrekturen, Autofill-Verhalten und Verweildauer, ohne dass eine Sitzung oder ein Besucher individuell identifizierbar war. Validierungsregeln, HTML-Attribute wie type und autocomplete sowie Fehlermeldungen wurden automatisch von der Seite ausgelesen.

Vor Beginn der Analyse validierte das Team die Daten und bestätigte, dass jedes Event korrekt erfasst wurde. So stand ein verlässlicher Datensatz als Grundlage für die Analyse bereit.

In der Analysephase arbeitete NeoSEM in Exatom mit fünf Kennzahlen pro Feld: Fehlerrate, Korrekturrate, Autofill-Rate, durchschnittliche Conversion Rate und Zeit bis zur Conversion. Die Benchmarks von Exatom halfen, die Verbesserungspotenziale zu untermauern und die Prioritäten festzulegen.

Wie Exatom Bruna hilft

Autofill mit den richtigen HTML-Attributen wiederherstellen

Die Formularanalyse liest die HTML-Attribute jedes Feldes aus, und mehrere Felder hatten die falschen. Wo der korrekte autocomplete-Wert fehlt, kann der Browser das Feld nicht automatisch ausfüllen.

Die Daten zeigten, was das kostete: eine niedrigere Autofill-Rate und eine längere Zeit bis zur Conversion. Besucher mussten alles selbst tippen, öfter tippen, sich öfter korrigieren und den Kontext jedes Feldes selbst erschließen. Das erhöht die kognitive Belastung und damit die Wahrscheinlichkeit, dass ein Besucher geht. Die Attribute wurden korrigiert, für eine höhere Autofill-Rate und eine kürzere Zeit bis zur Conversion.

Ein Pflichtfeld entfernen, das niemand nutzte

Sowohl im Checkout als auch in der Kontoregistrierung mussten Besucher eine Anrede angeben. Es war ein Pflichtfeld, dargestellt als Radiobuttons, und Besucher übersahen es oft. Es erwies sich als größte Quelle von Fehlermeldungen im ersten Schritt.

Die Angabe hätte für das Marketing genutzt werden können, wurde es aber nicht. Also entschied sich das Team, das Feld komplett zu entfernen.

Initialen im Vornamenfeld akzeptieren

Auch ein einfaches Namensfeld machte Probleme. Besucher gaben im Vornamenfeld regelmäßig nur ihre Initiale ein, doch die Validierung verlangte mindestens zwei Zeichen. Eine einzelne Initiale löste eine Fehlermeldung aus, was die kognitive Belastung erhöhte und zu Abbrüchen führte.

Der Fix bestand darin, das Minimum zu senken, sodass eine Initiale akzeptiert wird.

Das Rätselraten beim Feld für Rabattcode und Geschenkkarte beenden

Das Feld für Rabattcode und Geschenkkarte erwies sich als komplex. Eine einzige Strecke unterstützt mehrere Kartentypen mit sehr unterschiedlichen Regeln: numerische Karten mit fester Länge, alphanumerische Codes mit variablem Aufbau und in manchen Fällen eine erforderliche PIN. Diese ganze Komplexität landete beim Käufer. Ohne klare Struktur, automatische Formatierung oder Validierung pro Kartentyp mussten Käufer selbst herausfinden, welches Format erwartet wurde.

Die Daten zeigten bei diesem Feld eine erhöhte Fehlerrate, Korrekturrate und Zeit bis zur Conversion. Das geschah genau in dem Moment, in dem ein Käufer sich bereits zum Kauf entschieden hatte, und machte ein unterstützendes Feld zu einem Conversion-Risiko. Das Feld wurde mit Validierung pro Kartentyp, automatischer Formatierung und klareren Fehlermeldungen neu strukturiert.

Den Bezahlbutton auf Mobilgeräten ins Blickfeld holen

Auf Mobilgeräten wiederholt der letzte Checkout-Schritt zunächst die Bestelldaten. In Kombination mit Heatmaps kam das Team zu dem Schluss, dass zu wenige Besucher den Button „Bestellen und bezahlen“ sofort sahen.

NeoSEM entwarf ein Layout mit dem Button weiter oben im Blickfeld und rollte es als Experiment in seiner Testplattform aus. Ziel war eine höhere Startrate im letzten Checkout-Schritt und am Ende mehr Käufe.

Die Ergebnisse

• Eine höhere Autofill-Rate und eine kürzere Zeit bis zur Conversion, durch korrigierte HTML-Attribute, damit Browser die Felder wieder ausfüllen können.
• Die größte Quelle von Fehlermeldungen in Schritt eins beseitigt, weil das Anredefeld, das keinen Marketingnutzen hatte, entfernt wurde.
• Klarere Regeln in zwei Feldern, durch eine Vornamen-Validierung, die Initialen akzeptiert, und ein Feld für Rabattcode und Geschenkkarte mit Validierung und Formatierung pro Kartentyp.
• Ein mobiles Experiment im letzten Schritt, das einen weiter oben platzierten Bezahlbutton testet, um die Startrate des letzten Checkout-Schritts zu erhöhen.

Der Fall zeigt, dass Checkout-Conversion nicht nur in den großen Schritten verloren geht. Oft sickert sie durch kleine, technische Details in einzelnen Feldern weg. Mit Exatom wurde Reibung sichtbar, die klassische Funnel-Daten strukturell nicht zeigen. Das Ergebnis waren schärfere Entscheidungen, gezielte Experimente und Optimierungen, die kognitive Belastung und Besucherverhalten direkt angehen, mit nachweislich höherer Conversion als Resultat.

Bei Bruna haben wir Exatom eingesetzt, um Reibung im Checkout und in der Kontoregistrierung genau zu lokalisieren. Nicht auf Sitzungsebene, sondern auf Feldebene. Dadurch war sofort klar, wo Nutzer hängen blieben, zögerten oder unnötige Fehler machten. Diese Erkenntnisse waren konkret genug, um direkt damit zu arbeiten. Exatom passt perfekt zu unserem CRO-Ansatz: datengetrieben, praxisnah und auf messbare Ergebnisse ausgerichtet.

Klaas Bongers
E-Commerce Manager, Bruna.nl

Wie es weitergeht

Derselbe Tag, der die Felder misst, zeichnet auch Form Session Replays auf, sodass sich die nächste Frage beantworten lässt, indem man beobachtet, was Besucher in einem Feld tun, und nicht nur zählt. Für das Geschenkkartenfeld könnten Smart Nudges das erwartete Format genau dann erklären, wenn ein Käufer zögert, und Autofixes könnten ungültige Eingaben blockieren, bevor die Validierung sie ablehnt, ohne Entwickler. Das sind Vorschläge, keine Implementierungen.

Andere Händler sind diesen Weg schon gegangen. Brooks Running EMEA weitete seine Feld-Fixes auf ganz Europa aus, und INNO steigerte den Abschluss des letzten Schritts mit einem einzigen Smart Nudge. Eureka, der KI-CRO-Assistent von Exatom, macht aus denselben Felddaten eine priorisierte Liste von Fixes. Um herauszufinden, wo in Ihrem eigenen Checkout oder Ihren Formularen Conversion verloren geht, fordern Sie eine Demo an oder sehen Sie sich die Preise an.