Performance-Marketing im stationären Handel

Das Ziel dieses Modells ist nicht, absolute Wahrheiten zu liefern, sondern eine Orientierung. Es soll stationären Händlerinnen und Händlern helfen, auf Basis vorhandener Kampagnendaten und einiger realitätsnaher Annahmen abzuschätzen, welcher Umsatz und welcher Deckungsbeitrag durch einzelne digitale Maßnahmen ausgelöst worden sein könnten. 

Dabei steht nicht die vollständige Attribution im Mittelpunkt, sondern eine vereinfachte, aber logische Kette von der Online-Interaktion bis zum Kassenbon. Grundlage ist die Überlegung, dass sich aus einem Klick auf eine Anzeige unter bestimmten Bedingungen abschätzen lässt, wie viele Personen das stationäre Geschäft besuchen, wie viele davon kaufen und welcher Umsatz sowie Deckungsbeitrag daraus entsteht. 

Das Modell ist bewusst so aufgebaut, dass Unternehmen ihre eigenen Erfahrungswerte einfließen lassen können, wie etwa beim durchschnittlichen Bon oder bei der Visit-to-Sale-Conversion-Rate im Laden. Lediglich für eine Kennzahl, die sogenannte Click-to-Visit-Rate, ist eine Annahme notwendig, da sie in der Praxis selten direkt messbar ist. Auf diesen kritischen Wert gehen wir im späteren Verlauf noch genauer ein. 

Die Berechnung folgt einer festen Abfolge, bei der jeder Schritt auf den vorhergehenden aufbaut. Ausgangspunkt ist die Anzahl der Klicks auf eine digitale Anzeige, zum Beispiel bei Google oder Meta. Daraus wird abgeleitet, wie viele Personen vermutlich den Laden besuchen. Aus diesen Besuchen ergeben sich Verkäufe, die sich wiederum in Umsätze und Deckungsbeiträge übersetzen lassen. 

Die Schritte im Einzelnen: 

1. Klicks: auf digitale Werbeanzeigen (z. B. aus Google Ads) 
2. Click-to-Visit-Rate: Anteil der Klicks, die zu realen Ladenbesuchen führen 
3. Visit-to-Sale-Conversion-Rate: Anteil der Besucherinnen und Besucher, die einen Kauf tätigen 
4. Verkäufe x durchschnittlicher Bon: ergibt den Umsatz 
5. Umsatz x Marge: ergibt den Deckungsbeitrag 

Das Modell nutzt reale Kampagnendaten als Einstieg und verbindet sie mit Erfahrungswerten aus dem Unternehmen sowie mit Studien gestützten Annahmen zur Kundenbewegung. Auf diese Weise entsteht ein plausibles Bild davon, welche Wirkung Performance-Marketing im stationären Kontext entfalten kann.

Um die Rechenlogik greifbar zu machen, folgt ein konkretes Rechenbeispiel. Es basiert auf fiktiven Zahlen eines Unternehmens, welches im Jahr 2024 verschiedene Kampagnen geschaltet hat. 

Google Ads Beispielkampagne (Suchkampagne mit spezifischen Keywords) 

• Kosten / Budget: 28.000,00 € 
• Klicks: 138.000 
• Click-to-Visit-Rate: 1.88 % » ca. 2.594 Besuche im Laden 
• Visit-to-Sale-Conversion-Rate: 60 % » ca. 1.557 Verkäufe 
• Durchschnittlicher Bon: 120,00 € 
• Umsatz: 186.796,80 € 
• Marge: 48,8 % » Deckungsbeitrag: 63.156,84 € 

TikTok Ads Beispielkampagne (Videoanzeigen) 

• Kosten / Budget: 20.000,00 € 
• Klicks: 99.820 
• Click-to-Visit-Rate: 0,58 % » ca. 579 Besuche im Laden 
• Visit-to-Sale-Conversion-Rate: 60 % » ca. 347 Verkäufe 
• Durchschnittlicher Bon: 120,00 € 
• Umsatz: 41.684,83 € 
• Marge: 48,8 % » Deckungsbeitrag: 342,20 € 

Diese Beispielrechnung zeigt, wie sich digitale Klicks unter bestimmten Annahmen in reale Geschäftsergebnisse übersetzen lassen. Auch wenn es sich nicht um eine exakte Messung handelt, entsteht ein realistischer Näherungswert, der für betriebswirtschaftliche Entscheidungen hilfreich sein kann.

Von allen eingesetzten Kennzahlen im Modell ist die sogenannte Click-to-Visit-Rate (CtV-Rate) die unsicherste – und gleichzeitig entscheidendste – Faktor. Sie beschreibt, welcher Anteil der Personen, die auf eine digitale Anzeige klicken, tatsächlich das stationäre Geschäft betritt. Anders als Klickzahlen oder Umsätze ist diese Größe meist nicht direkt messbar, besonders für kleinere Händlerinnen und Händler ohne integrierte Tracking-Infrastruktur.

Um die CtV-Rate eines stationären Betriebs dennoch fundiert schätzen zu können, wird sie im Modell differenziert ermittelt – basierend auf fünf Einflussgrößen:

1. Intentionslevel der Nutzerinnen und Nutzer:

   Je ausgeprägter das Interesse am beworbenen Thema, desto höher ist die Wahrscheinlichkeit eines Ladenbesuchs. Plattformen wie die Google-Suche oder Amazon Ads weisen in der Regel ein hohes Intentionslevel auf, da Nutzerinnen und Nutzer hier meist bereits mit einer klaren Suchabsicht agieren. Visuelle Plattformen wie Pinterest oder TikTok hingegen verfolgen primär unterhaltende oder inspirierende Zwecke – die Nutzerinnen und Nutzer sind dort selten mit einer konkreten Kaufintention unterwegs. Entsprechend niedrig fällt das Intentionslevel aus. Die zugrunde liegenden Basiswerte reichen in der Modelllogik von 0,3 % (niedrig) bis 1,8 % (hoch).

2. Click-Through-Rate (CTR):

   Die CTR gibt Aufschluss darüber, wie stark Nutzerinnen und Nutzer mit der Anzeige interagieren – also, wie häufig ein sichtbares Werbemittel zum Klick führt. Sie dient im Modell als Indikator dafür, ob der Klick eher impulsiv oder bewusst erfolgt ist. Je nach Plattformintention und CTR-Niveau werden daher unterschiedliche Werte mit Multiplikatoren zwischen 0,5 (sehr niedriges Engagement) und 1,4 (sehr starkes Engagement) gewichtet. Auf diese Weise fließt das qualitative Klickverhalten differenziert in die Schätzung der Click-to-Visit-Rate ein.

3. Art des Call-to-Actions (CTA):

   Auch die Ausgestaltung der Anzeige beeinflusst die Besuchswahrscheinlichkeit. Während vage CTAs wie „Lassen Sie sich inspirieren“ mit einem Multiplikator von 0,7 berechnet werden, fördern visit-orientierte Handlungsaufforderungen wie „Jetzt Route planen“ die Wahrscheinlichkeit eines Ladenbesuchs erheblich (Multiplikator 1,5).

4. Verweildauer:

   Die Verweildauer zeigt, wie intensiv sich Nutzerinnen und Nutzer mit dem Inhalt der Zielseite beschäftigen. Sehr kurze Aufenthalte von unter 10 Sekunden deuten häufig auf versehentliche Klicks oder qualitativ schwache Platzierungen hin – etwa in Onlinespielen. Längere Verweildauern sprechen dagegen für echtes Interesse. Im Modell wird die Verweildauer daher mit Multiplikatoren zwischen 0,5 (sehr kurz) und 1,4 (lang) gewichtet.

5. Produktwert:

   Zuletzt beeinflusst auch der Produktwert die Wahrscheinlichkeit eines zeitnahen Ladenbesuchs. Je höher der Preis, desto länger fällt in der Regel die Entscheidungsphase aus. Ohne entsprechende Gewichtung würden hochpreisige Anschaffungen gleichbehandelt wie spontane Käufe im Niedrigpreissegment. Das Modell korrigiert diesen Effekt durch Multiplikatoren zwischen 0,2 (hochpreisige Produkte) und 1,2 (Niedrigpreisartikel).

Die beschriebenen Faktoren werden multiplikativ miteinander verrechnet, um aus einem generischen CtV-Basiswert einen kontextbezogenen Schätzwert zu generieren. 

Beispiel: Eine Anzeige bei Google Shopping (Intentionslevel: hoch = 1,8 %) für ein Sideboard im Wert von 750 € (Produktwert mittel » Multiplikator 1) mit einer CTR von 6 % (CTR-Niveau: mittel » Multiplikator 1,2), CTA „Filiale finden“ (stark » Multiplikator 1,5) sowie einer Verweildauer von 22 sek. (stark » Multiplikator 1,4) ergibt:

CtV-Rate = 1,8 % x 1,2 x 1,5 x 1,4 x 1 = 4,54 %

Die realistische Einschätzung der CtV-Rate entscheidet maßgeblich über die Qualität der Ergebnisrechnung. Eine zu optimistische Annahme kann den wirtschaftlichen Effekt der Kampagne stark überschätzen – eine zu konservative wiederum sinnvolle Investitionen unterbewerten. Da alle weiteren Schritte im Modell (Umsatz, Deckungsbeitrag etc.) direkt davon abhängen, ist Sorgfalt bei der Wahl dieser Kennzahl unerlässlich.

1. Intentionslevel in Abhängigkeit der Platzierung der Anzeige / Kampagne. Je stärker die Intention, desto höher der Basiswert.

2. Die Bewertung der CTR erfolgt im Kontext des jeweiligen Intentionslevels. Denn: Je höher das Intentionslevel, desto wahrscheinlicher ist auch eine hohe CTR. Umgekehrt bedeutet das, dass eine überdurchschnittliche CTR bei niedriger Intention besonders wertvoll ist – sie weist auf ein ungewöhnlich starkes Interesse hin. Eine hohe CTR bei hoher Intention ist dagegen erwartbar und wird entsprechend geringer gewichtet.

Wenn Intentionslevel gering

Wenn Intentionslevel mittel

Wenn Intentionslevel hoch

3. Berücksichtigung der CTA in Abhängigkeit einer abschluss- bzw. zielorientierten Kommunikation. Je zielorientierter die Kommunikation, desto höher der Multiplikator.

4. Einschätzung der Besucherqualität im Hinblick auf die tatsächliche Auseinandersetzung mit dem Website-Inhalt. Je länger die Verweildauer, desto intensiver das Engagement – desto höher fällt der zugehörige Multiplikator aus.

5. Berücksichtigung des Produktwerts im Hinblick auf die Eintrittshürde. Mit steigendem Preis sinkt die Wahrscheinlichkeit eines spontanen Ladenbesuchs – entsprechend fällt der Multiplikator geringer aus.

Die zentrale Herausforderung bei der Bewertung des Online-Marketings für den stationären Handel liegt in der begrenzten Datenlage. Während Plattformen wie Google und Meta detaillierte Informationen über Klicks, Zielgruppen und Impressionen bereitstellen, endet die Messbarkeit meist an der virtuellen Ladentür. Was danach im stationären Geschäft passiert, bleibt in vielen Fällen im Dunkeln.

Um dennoch eine Annäherung an reale Effekte zu ermöglichen, stützt sich dieses Modell auf zwei Quellen:

1. Interne Erfahrungswerte des Unternehmens, etwa zur Visit-to-Sale-Conversion-Rate im Laden, dem durchschnittlichen Bon oder der Marge.
2. Externe Studien, insbesondere die Cuebiq Attribution Benchmarks 2022. Diese geben Anhaltspunkte zur sogenannten Visit Rate – für den Einzelhandel liegen die Werte dort zwischen 0,15 % und 43,7 %.

Diese Bandbreite zeigt bereits, dass es kein einheitliches Maß gibt, sondern dass Kontexte, Formate und Zielgruppen stark variieren. Für eine Google-Suchanzeige im lokalen Umfeld ist ein realistischer Wert eher im oberen Bereich dieser Skala anzusiedeln, während etwa Videoanzeigen auf Social Media deutlich niedrigere Besuchsraten erwarten lassen.

Klar ist auch: Zur Click-to-Visit-Rate im stationären Handel besteht erheblicher Forschungsbedarf. Es fehlen bislang systematische Studien, die verlässlich quantifizieren, wie viele reale Ladenbesuche durch digitale Werbemaßnahmen ausgelöst werden und das vor allem auf Ebene kleiner und mittlerer Unternehmen. Das Modell in diesem Artikel versteht sich deshalb ausdrücklich nicht als wissenschaftlich abgesicherte Methode, sondern als praktisches Werkzeug mit transparenten Annahmen und realitätsnaher Logik.

Bei der Anwendung des Modells sollte auch seine strukturelle Begrenzung mitgedacht werden. Zum einen erfolgt keine differenzierte Attribution, wie sie in komplexeren Analysen üblich ist, was bedeutet das keine genaue Verteilung der Wirkung auf verschiedene Kanäle oder Kontaktpunkte entlang der Customer Journey erfolgt. Zum anderen folgt das Modell einem stark linearen Denkansatz: Es betrachtet einzelne Maßnahmen isoliert und in direkter Wirkungskette: Vom Klick bis zum Deckungsbeitrag. In der Realität wirkt Marketing jedoch häufig wie ein Teamspiel: Mehrere Maßnahmen entfalten ihre Wirkung gemeinsam, verstärken sich gegenseitig oder bereiten den Boden für spätere Conversions. Diese Wechselwirkungen und Synergieeffekte bleiben im Modell unberücksichtigt, sollten aber bei der Interpretation der Ergebnisse mit einbezogen werden.

Digitale Werbung kann für den stationären Handel ein wichtiger Hebel sein, vor allem dann, wenn sie systematisch gedacht und wirtschaftlich eingeordnet wird. Das in diesem Artikel vorgestellte Modell ermöglicht genau das: eine nachvollziehbare Brücke von Klicks zu Deckungsbeiträgen. Es ersetzt keine exakte Messung, wohl aber das vage Gefühl, dass „das Marketing irgendwie wirkt“.

Die Grundlage dafür sind reale Kampagnendaten, ergänzt durch bewusst gewählte Annahmen und eine klare Rechenlogik. Unternehmen können damit eigene Szenarien durchspielen, Maßnahmen vergleichen und besser entscheiden, wo sich Investitionen lohnen. Besonders wertvoll wird das Modell, wenn es mit betriebseigenen Zahlen befüllt und regelmäßig weiterentwickelt wird.

Kritisch bleibt der Blick auf die Click-to-Visit-Rate. Sie ist der unsicherste, aber entscheidendste Baustein. Je besser hier geschätzt oder sogar gemessen werden kann, desto näher rückt die Modellrechnung an die Realität heran. Bis dahin bietet sie zumindest eins: einen strukturierten Denkansatz, mit dem stationäre Händlerinnen und Händler mehr Kontrolle über den wirtschaftlichen Effekt ihres digitalen Marketings gewinnen.

Deckungsbeitrag PM (€)

=

Klicks x Click-to-Visit-Rate x Visit-to-Sale-Conversion-Rate x Bon (€) x Marge