Datenanalyse als Schlüssel zum Online-Marketing-Erfolg
Die häufigste Fehlentscheidung in Google Ads, Paid Social und Display ist keine strategische, sondern eine statistische: Eine Anzeige hat nach 40 Klicks zwei Conversions, die andere eine – also gewinnt die erste. Eine Kampagne läuft drei Tage schlechter als die Woche davor – also wird das Gebot gesenkt. In beiden Fällen entscheidet Zufall, und wer ihn für ein Signal hält, optimiert im Kreis.
Dieser Artikel erklärt das Werkzeug, das dagegen hilft, ohne Formelsammlung: die Normalverteilung, was sie mit Stichprobengrössen zu tun hat, und wie du daraus ableitest, wann eine Zahl belastbar ist und wann nicht.
Aktualisiert im September 2026. Anrede und Struktur überarbeitet, der statistische Teil präzisiert: Klicks und Conversions sind keine normalverteilten Grössen, aber ihre Raten lassen sich bei genügend Beobachtungen mit der Normalverteilung beurteilen – das ist der Punkt, auf den es ankommt. Neu sind die Faustformel und das Beispiel.
Was die Normalverteilung beschreibt
Die Normalverteilung – die Glockenkurve – beschreibt, wie sich Messwerte um einen Mittelwert gruppieren: die meisten nahe dran, wenige weit weg, symmetrisch nach beiden Seiten. Wie breit die Glocke ist, sagt die Standardabweichung. Das Modell taucht überall auf, wo viele kleine Zufallseinflüsse zusammenkommen – in der Natur, in der Wirtschaft, und in der Frage, wie stark eine gemessene Conversion-Rate von der wahren abweicht.
Der entscheidende Punkt ist der letzte. Eine einzelne Kennzahl aus deinem Konto – die CTR dieser Woche, die Conversion-Rate dieser Anzeige – ist eine Stichprobe. Der wahre Wert, den die Anzeige langfristig hätte, ist unbekannt. Was die Statistik dir gibt, ist eine Aussage darüber, wie weit deine Stichprobe vom wahren Wert entfernt sein könnte. Und diese Abweichung folgt bei genügend Beobachtungen einer Normalverteilung.
Warum kleine Datenmengen täuschen
Je weniger Beobachtungen, desto breiter die Glocke – desto weiter kann der gemessene Wert vom wahren entfernt sein. Das ist kein Randproblem, sondern die Regel in kleinen und kurz laufenden Kampagnen.
Ein Beispiel: Eine Anzeige hat eine wahre Conversion-Rate von 5 Prozent. Nach 40 Klicks erwartest du zwei Conversions. Tatsächlich ist es völlig normal, null, eine, drei oder vier zu sehen. Die gemessene Rate liegt dann irgendwo zwischen 0 und 10 Prozent – ein Bereich, in dem jede Vergleichsanzeige zufällig besser oder schlechter aussehen kann. Nach 4’000 Klicks liegt die gemessene Rate mit hoher Wahrscheinlichkeit zwischen 4,3 und 5,7 Prozent. Erst jetzt ist ein Unterschied zu einer anderen Anzeige mit 6,5 Prozent eine Aussage, keine Laune.
Dasselbe gilt für Zeiträume. Drei Tage sind eine Stichprobe, eine Woche ist eine grössere, vier Wochen eine, mit der sich arbeiten lässt. Wer Gebote aufgrund von Tageswerten anpasst, reagiert auf Rauschen.
Die Faustformel für die Praxis
Für eine Rate wie CTR oder Conversion-Rate lässt sich die Unsicherheit mit einer einfachen Näherung abschätzen. Der Bereich, in dem der wahre Wert mit rund 95 Prozent Wahrscheinlichkeit liegt, ist etwa:
gemessene Rate ± 2 × √(Rate × (1 − Rate) / Anzahl Beobachtungen)
Zwei Anwendungen, die du im Kopf machen kannst:
| Du willst … | Dann brauchst du grob … |
|---|---|
| eine Conversion-Rate um 5 % auf ±1 Prozentpunkt genau kennen | rund 1’900 Klicks |
| eine Conversion-Rate um 2 % auf ±0,5 Prozentpunkte genau kennen | rund 3’100 Klicks |
| zwei Anzeigen mit 3 % und 4 % Conversion-Rate sicher unterscheiden | mehrere tausend Klicks pro Anzeige |
| eine CTR um 5 % auf ±0,5 Prozentpunkte genau kennen | rund 7’600 Impressionen |
Für Conversions statt Klicks gilt eine noch einfachere Regel, die auch Googles Smart Bidding zugrunde liegt: Unter etwa 30 Conversions pro Auswertungseinheit und Zeitraum lässt sich kaum etwas sagen; verlässlich wird es ab 50 bis 100. Warum das für die Wahl der Gebotsstrategie entscheidend ist, steht im Beitrag zu manuellen Gebotsstrategien.
Der schnellste Test, ob ein Unterschied real ist: Rechne für beide Varianten den Bereich aus der Formel oben aus. Überlappen sich die Bereiche, ist der Unterschied nicht belegt – egal, wie deutlich er in der Tabelle aussieht. Google Ads macht diese Rechnung im Bereich «Tests» (Experimente) für dich und zeigt an, ab wann ein Ergebnis statistisch belastbar ist.
Was das für den Alltag heisst
Aggregieren statt segmentieren. Je feiner du das Konto aufteilst – nach Anzeigengruppe, Gerät, Region, Tageszeit –, desto kleiner werden die Stichproben pro Zelle und desto mehr Rauschen siehst du. Optimiere auf der Ebene, auf der genügend Daten liegen, und geh erst dann eine Stufe tiefer. Das ist auch der Grund, warum die granulare Kontostruktur von 2017 heute nicht mehr funktioniert – mehr dazu im Beitrag zur Kontostruktur.
Zeiträume verlängern. Vergleiche Vier-Wochen-Blöcke, nicht Tage. Bei saisonalem Geschäft: gleiche Zeiträume gegen das Vorjahr, nicht gegen den Vormonat.
Tests sauber aufsetzen. Ein A/B-Test braucht eine vorher festgelegte Laufzeit oder Stichprobengrösse. Wer abbricht, sobald eine Variante vorne liegt, findet fast immer einen Gewinner – und fast immer den falschen.
Signifikanz ist nicht Relevanz. Ein Unterschied von 0,1 Prozentpunkten kann bei Millionen Klicks statistisch belegt sein und trotzdem geschäftlich bedeutungslos. Prüfe beides: Ist der Unterschied real, und ist er gross genug, um etwas zu ändern?
Fazit
Die Normalverteilung ist kein akademisches Konzept, sondern die Antwort auf die Frage, die du bei jeder Kennzahl stellen solltest: Wie sicher ist diese Zahl? Die Antwort hängt fast ausschliesslich davon ab, wie viele Beobachtungen dahinterstehen. Wer das verinnerlicht, hört auf, Tageswerte zu optimieren, und fängt an, Entscheidungen auf Daten zu stützen, die sie tragen können.