Vereinsbedarf Deitert ist ein spezialisierter Onlineshop für Vereinsbedarf mit einem starken Fokus auf Schützenvereine. Das Sortiment reicht von Schützenbekleidung, Trachten und Uniformzubehör über Orden und Abzeichen bis hin zu Pokalen, Medaillen, Fahnen und individuellen Sonderanfertigungen.
Vor unserer Zusammenarbeit hatte Deitert seinen Onlineshop bereits relauncht. Der neue Shop funktionierte grundsätzlich gut – die erhoffte Entwicklung bei Conversion und Wirtschaftlichkeit blieb allerdings hinter den Erwartungen zurück.
Gleichzeitig wird genau diese Wirtschaftlichkeit im E-Commerce immer wichtiger: Wenn eingekaufter Traffic teurer wird, reicht es nicht, einfach mehr Besucher auf den Shop zu schicken. Mehr aus dem vorhandenen Traffic herauszuholen wird zum entscheidenden Wachstumshebel.
Unsere Aufgabe war deshalb klar: Den neuen Shop nicht noch einmal neu denken, sondern ihn systematisch besser machen.
44 A/B Tests statt einer einmaligen CRO-Runde
Gemeinsam mit Deitert haben wir 44 A/B Tests durchgeführt. 18 getestete Veränderungen wurden anschließend dauerhaft ausgerollt.
Das entspricht einer Deployment Rate von rund 41 %.
Für uns ist genau das eine der entscheidenden Kennzahlen eines funktionierenden Experimentation-Programms. Denn das Ziel von A/B Testing ist nicht, möglichst viele Tests „signifikant“ zu bekommen. Es geht darum, herauszufinden, welche Veränderungen für diesen konkreten Shop tatsächlich funktionieren – und diese Learnings anschließend in den Shop zu überführen.
Die Ergebnisse zeigen sich nicht nur in einzelnen Experimenten, sondern auch in der Entwicklung der zentralen Shop-KPIs.
Die User Conversion Rate lag zu Beginn unserer Zusammenarbeit im Juli 2025 bei 4,13 %. Im Februar 2026 waren es 5,01 % – eine relative Steigerung von 21,3 %.
Noch stärker entwickelte sich der Umsatz pro Nutzer: Der ARPU stieg im gleichen Zeitraum von 3,39 € auf 4,42 € und damit um 30,4 %.
Gerade die Kombination beider Kennzahlen ist relevant: Eine höhere Conversion Rate allein sagt noch nicht zwangsläufig, dass ein Shop wirtschaftlich besser performt. Der parallel gestiegene ARPU zeigt, dass sich auch der Umsatz pro Nutzer deutlich positiv entwickelt hat.
Beispiel aus 44 Tests: Die Hürde im Checkout reduzieren
Nicht jede Conversion-Optimierung braucht einen kompletten Checkout-Relaunch. Manchmal geht es darum, eine bestehende Option genau dort sichtbarer zu machen, wo Nutzer eine Entscheidung treffen müssen.
Bei Deitert war die Gastbestellung im Checkout gegenüber anderen Optionen weniger prominent platziert.
Unsere Hypothese: Wenn wir die Gastbestellung weiter nach vorne bringen und gleichwertig präsentieren, reduzieren wir die wahrgenommene Hürde für den Kauf. Dadurch sollten mehr Nutzer ihre Bestellung abschließen – mit positivem Effekt auf Bestellungen, AOV und ARPU.
Das Ergebnis: +2,41 % mehr Bestellungen
Das Experiment steht exemplarisch für unseren Ansatz: Nicht möglichst große Veränderungen testen, sondern konkrete Reibungspunkte identifizieren, eine nachvollziehbare Hypothese formulieren und anschließend mit echten Nutzerdaten prüfen, ob die vermeintliche Verbesserung tatsächlich eine ist.
Bevor wir Daten vertrauen, muss das Tracking stimmen
Parallel zur Conversion-Optimierung gab es noch eine zweite Baustelle: die Datengrundlage.
Das bestehende Tracking lief ausschließlich clientseitig und hatte einige der typischen Probleme gewachsener E-Commerce-Setups: Adblocker und Browserrestriktionen führten zu Datenverlusten, Conversion APIs fehlten, das Consent-Setup war fehlerhaft und in den Traffic Reports tauchten überproportional viele Nutzer unter direct / none beziehungsweise (not set) auf.
Noch problematischer: Conversions wurden teilweise gar nicht erfasst.
Eine schlechte Grundlage für ein Programm, bei dem Entscheidungen anhand von Daten getroffen werden sollen.
Deshalb haben wir das Tracking parallel zur CRO-Arbeit grundlegend neu aufgebaut.
Neben einem Server-Side-Setup wurden die relevanten E-Commerce-Events sauber implementiert, Conversion APIs inklusive Deduplizierung angebunden und bestehende Consent-Probleme behoben.
Das Ergebnis ist nicht einfach „mehr Tracking“.
Es ist eine belastbarere Datengrundlage für Analytics, Marketing und Conversion-Optimierung – und damit die Voraussetzung dafür, dass Entscheidungen nicht auf Daten getroffen werden, denen eigentlich niemand so richtig vertrauen kann.
