Mehr Nutzerdaten sammeln dank optimiertem Cookie-Consent-Banner – und warum das ein 7-stelliges Umsatzplus bedeuten kann
In Deutschland stimmen laut einer Statista-Umfrage lediglich 44 % der Nutzung von Cookies auf einer Website zu. Das ist für Unternehmen problematisch, weil ihnen dadurch wertvolle Nutzerdaten vorenthalten bleiben und die Wirkung bzw. Aussagekraft von A/B-Tests zur Optimierung der Website verringert wird.
Wir haben uns in mehreren Projekten mit bis zu 3.000 – bezüglich Alter und Geschlecht auf die Verteilung der Bevölkerung in Deutschland repräsentativen – Teilnehmer:innen mit den Einflussfaktoren auf die Opt-in-Rate von Cookie Consent Bannern beschäftigt und die Learnings zur Gestaltung optimierter Consent Layer in diesem Artikel zusammengefasst.
Was ist das Erste, was Nutzer:innen auf einer Website sehen?
Nein, es ist nicht das Logo und auch nicht das von der Marketingabteilung sorgfältig ausgewählte Titelbild mit einer cleveren Value Proposition.
Es ist der Datenschutzhinweis, meist in Form eines Cookie Consent Layers.
Wir alle kennen ihn und akzeptieren bereitwillig alles; um ihn schnellstmöglich wegzuklicken, um endlich auf der gewünschten Seite surfen zu können.
Oder stimmt die Annahme, dass Nutzer:innen blind allem zustimmen, gar nicht?
Was dich nachfolgend erwartet:
Jede:r dritte Nutzer:in liest keine Hinweise in Cookie Consent Bannern
36 Prozent der Befragten lesen nach eigenen Angaben keine Cookie-Hinweise, plus weitere neun Prozent, wenn sie das Unternehmen bereits kennen. Knapp ein Drittel lesen „hin und wieder“ und 23 Prozent behaupten, die Consent-Hinweise immer zu lesen.
Letzteres kann man natürlich anzweifeln, das Ergebnis ist aber gleichwohl ein deutlicher Indikator für eine bewusste Interaktion. Insbesondere in Deutschland lebende Nutzer:innen sind sehr sensibel für das Thema Datenschutz und haben womöglich eine warnende Stimme im Hinterkopf, wann immer sie den Browser öffnen.
Derartige Gefühle bedeuten für uns als Optimierer:innen zunächst eine gute Gelegenheit, um Unsicherheiten zu adressieren und in positive Emotionen aufzulösen.
Die Gestaltung von Cookie-Bannern ist allerdings eine Herausforderung.
Rechtliche Vorgaben für das Cookie Consent Banner Design
Das Telekommunikation-Telemedien-Datenschutz-Gesetz (kurz TTDSG) macht inzwischen sehr viele und konkrete Vorgaben, wie ein rechtskonformes Cookie-Banner auszusehen hat. Verstöße haben in der Vergangenheit für Schlagzeilen gesorgt und auch wenn es heute wohl weniger als zehn Prozent sein dürften, so begegnen uns doch immer wieder mal rechtswidrige Cookie-Banner.
Damit ihr hier kein Risiko eingeht und euren Nutzer:innen rechtskonforme Datenschutzhinweise präsentiert, müssen unter anderem die folgenden Vorgaben erfüllt sein:
- Nutzer:innen müssen freiwillig und in informierter Weise durch eine unmissverständliche abgegebene Willenserklärung zustimmen; das heißt, sie müssen verstehen, welche Daten von wem (insbesondere Dritten) und zu welchem Zweck erhoben werden und wo diese verarbeitet werden.
- Nutzer:innen müssen eine aktive, bestätigende Handlung vornehmen, die eindeutig der Speicherung und Verarbeitung zustimmt; das heißt, eine Einwilligung durch „Nichtstun“ (etwa einen Countdown abwarten oder Weiterscrollen) ist nicht rechtens.
- Eine Ablehnung muss auf erster Ebene möglich sein; das „Verstecken“ der entsprechenden Option (z. B. hinter einem Link oder durch Ausgrauen des Buttons) ist rechtswidrig. Zudem dürfen keine Checkboxen ausgewählt sein, die zur Ablehnung abgewählt werden müssten.
Dieses Vorgabenkorsett rührt leider auch daher, dass viele Unternehmen Dark Pattern genutzt haben, um die Opt-in-Rate zu maximieren – Nutzer:innen dabei aber eher getäuscht als aufgeklärt. Es besteht also scheinbar ein Interessenkonflikt zwischen „informierter Entscheidung“ aufseiten der Nutzer:innen und der Opt-in-Optimierung seitens der Unternehmen.
Wie lösen wir diesen auf?
Na so, wie wir das immer tun: durch Experimentieren!
Opt-in-Optimierung beim Cookie Consent – Beispiele aus unserem Daily Business
Cookie-Consent-Banner zu optimieren ist wichtig, um möglichst viele Verhaltensdaten über die eigene Website zu sammeln und damit das Verständnis über die eigene Zielgruppe zu verbessern. Im Folgenden zeigen wir verschiedene Ansätze, um Consent-Banner zu gestalten, und fassen unsere Learnings aus diversen Experimenten zusammen.
Beispiel 1: Cookie-Consent-Optimierung durch Behavior Patterns
In diesem ersten Beispiel wurden verschiedene Ansätze getestet, um die Zustimmungsrate zu optimieren. Im Fokus stand dabei die Aufklärung, also was es konkret für Nutzer:innen bedeutet, wenn sie Cookies zulassen bzw. ablehnen.
In Variante 1 wurden die zwei Behavior Patterns Contrast und Loss Aversion eingesetzt, in der Variante 2 Loss Aversion und Sympathy. Im Ergebnis waren beide Varianten besser als die Control, Variante 2 hat mit einer Steigerung der Zustimmungsrate um 26 Prozent das beste Ergebnis erzielt.
| Alles akzeptieren | Alles ablehnen | Die Seite direkt verlassen | |
|---|---|---|---|
| Control | 60 % | 35 % | 5 % |
| Variante 1 Contrast / Loss Aversion | 78 % (+18 %) | 20 % | 2 % |
| Variante 2 Loss Aversion / Sympathy | 86 % (+26 %) | 8 % | 6 % |
Ergänzend dazu haben wir die Varianten auch emotional anhand von semantischen Differenzialen, also Gegensatzpaaren, bewerten lassen, um noch besser zu verstehen, wie die Veränderungen auf Nutzer:innen wirken. Das Ergebnis zeigt deutlich, wie die Wahrnehmung sich in den Varianten im Vergleich zur Control verändert hat.
Beispiel 2: Optimierung auf Basis von Limbic® Types
In diesem zweiten Beispiel haben wir Limbic® Types genutzt und in einer Variante primär den Stimulanz-Bereich adressiert und in einer zweiten Variante den Dominanz-Bereich.
Das Ergebnis spricht eine ähnliche Sprache wie im ersten Beispiel:
| Alles akzeptieren | Alles ablehnen | Einstellungen vornehmen | Die Seite direkt verlassen | |
|---|---|---|---|---|
| Control | 45 % | 28 % | 15 % | 12 % |
| Variante 1 Stimulanz | 66 % (+21 %) | 20 % | 9 % | 5 % |
| Variante 2 Dominanz | 72 % (+27 %) | 14 % | 8 % | 6 % |
Die emotionale Bewertung der Varianten fiel in diesem Beispiel sogar noch deutlicher aus: beide wirken deutlich sympathischer, einladender und transparenter als die Control.
Ein drittes Beispiel unseres eigenen Cookie Consent Layers findest du in diesem Artikel – inkl. Q&A mit Dr. Ralf Schadowski, Sachverständiger für Datenschutz und IT-Sicherheit im Bundesverband BISG e. V. und weiteren Beispielen für rechtskonforme Consent Layer.
Im letzten Experiment konnten wir mit der Variante, wie im Bild unten zu sehen, die Zustimmungsrate um gute 53 Prozent steigern.
Tipps zur Opt-in-Optimierung von Cookie-Consent-Bannern
- Wähle ein Layer, das insbesondere in puncto optischen Stil und sprachlicher Tonalität zu deiner Organisation passt.
- Verwende Behavior Patterns, um die Wirkung deines Cookie-Consent-Banners gezielt zu verändern.
- Reduziere den Cognitive Load für deine Nutzer:innen, sodass ihnen die Entscheidung für die Einwilligung leichter fällt.
- Beachte die emotionalen Präferenzen deiner Nutzer:innen, um ihnen das Gefühl zu geben, dass du ihre Sprache sprichst?
- Teste dein Layer, um die besten Opt-In Raten zu erhalten.
Getestet haben wir all diese Experimente übrigens nicht mit A/B-Tests, denn diese würden schon eine Zustimmung voraussetzen …
Cookie Consent Layer Testing – mittels PreVision® statt A/B-Test
Da die Verwendung von A/B-Testing-Tools der Zustimmung der Nutzer:innen bedarf, eignet sich diese Methodik nicht zur Optimierung des Cookie Consent Layers. Wir haben daher einen eigenen Service namens PreVision® entwickelt.
PreVision® ermöglicht es, in kurzer Zeit Tausende Nutzer:innen zu befragen, um wertvolles Feedback einzuholen und Business-relevante Entscheidungen abzusichern. Dank modularem Aufbau ist alles ohne Tech-Aufwand flexibel anpassbar und es erfolgt im Kontext der Consent-Optimierung stets die Prüfung, dass alle möglichen Varianten rechtskonform sind.
Ein derartiges Projekt besteht aus folgenden Schritten:
Schritt 1: Die Ist-Situation analysieren und Varianten entwickeln
Zunächst schauen wir uns den aktuellen Consent Layer (unsere „Control Variante“) an. Wir prüfen diesen auf Rechtskonformität, bewerten aber bspw. auch schon das Brand Matching (also inwieweit Sprache und Tonalität zur Marke passen) und suchen Inspiration aus Best Practice Beispielen in unserer Datenbank (einen Ausschnitt siehst du im folgenden Screenshot).
Mit Behavior Patterns – und dem obligatorischen Legal Check durch einen Juristen – gestalten unsere UX-Designer:innen dann verschiedene Varianten, die wir mithilfe von PreVision® vergleichen wollen. In der Regel entwerfen wir drei bis vier Varianten, die wir gemeinsam mit der (ggf. hinsichtlich ihrer Rechtskonformität angepassten) Control durch das Panel bewerten lassen wollen.
Schritt 2: Vorbereitung und Durchführung, oder: Wie wir mit PreVision® das größte Potenzial identifizieren
Im zweiten Schritt entwickeln wir den modularen Fragebogen (Auswahl und Reihenfolge passender Fragen), stellen anhand definierter Kriterien die passende Stichprobe zusammen und definieren die Kennzahl(en), die wir messen wollen. Das kann die Klickmotivation sein (Cookies akzeptieren oder ablehnen), aber auch die emotionale Bewertung im Sinne des Störgefühls, das Nutzer:innen beim Thema Cookies und Datenschutz empfinden.
Die Grundlage von PreVision® ist ein monadischer Test. Das Zielpublikum wird also zufällig in mehrere Gruppen unterteilt und jeder Gruppe wird eine von mehreren Varianten präsentiert (pro Variante befragen wir ca. 500 Teilnehmer:innen) und Fragen dazu gestellt.
Der Vorteil dieses Vorgehens ist, dass Nutzer:innen nicht beeinflusst werden, wie das bspw. bei einem direkten Vergleich zweier Varianten der Fall sein kann. In der Realität sehen sie ja auch nur ein Cookie-Consent-Banner auf einer Seite.
Wir achten dabei auch darauf, dass Teilnehmende maximal fünf Minuten zur Beantwortung der Fragen benötigen, um die Qualität ihrer Antworten durch abnehmendes Interesse nicht negativ zu beeinflussen. Zudem kontrollieren wir die Datenqualität durch zwei Screening-Verfahren und einer manuellen Prüfung, um bspw. Bots auszuschließen und Antworten zu identifizieren, die nicht authentisch erscheinen. Dadurch gewährleisten wir eine hohe Aussagekraft der Ergebnisse.
Wir können auf Basis dieser Ergebnisse sehr gut bewerten, welche Variante am besten angenommen wurde.
Danach lösen wir die Monade auf und machen zusätzlich einen Direktvergleich, um einzelne Elemente wie Überschriften, Bilder oder Buttons zu analysieren. Durch den Vergleich der Varianten in Kombination mit qualitativen Fragen können wir Vorlieben identifizieren und die Wirkung von Wordings, Farben etc. bewerten.
Schritt 3: Auswertung der Ergebnisse
Dabei betrachten wir sowohl Häufigkeitsauszählungen, wo wir schauen, welche Version z. B. am häufigsten als Favorit benannt wurde oder wo die primäre Klickmotivation am höchsten ist. Dazu gehört jedoch auch immer eine statistische Überprüfung, um entscheiden zu können, ob die Präferenz für den Gewinner auch tatsächlich Bestand hat. Dabei orientieren wir uns an den „klassischen“ Gütekriterien wie einem Signifikanzniveau von p < 0,05 und 95 % Konfidenz, bevor wir ein Ergebnis als signifikant ansehen.
💡 Eine Variante ist nicht immer als Ganzes optimal. Es kam schon vor, dass wir im Ergebnis eine optimierte Variante durch die Kombination bestimmter Elemente aus verschiedenen Varianten erstellt haben; etwa die Headline aus einer Variante, das Bild aus einer zweiten und das Button-Design aus einer dritten (siehe Beispiel unten).
Das folgende Beispiel zeigt die allgemeine Präferenz der Version 1 (quantitativ), doch erst durch die Auswertung zusätzlicher qualitativer Fragen können wir eine Aussage darüber treffen, welche Prinzipien dieser Präferenz zugrunde liegen.
Hier: Kontrolle durch die Schalter in Kombination mit dem Komfort der Ein-Klick-Auswahl.
Qualitatives Feedback werten wir manuell aus, in dem wir die Antwortmöglichkeiten nach gemeinsamen Themen oder Tendenzen durchsuchen, also ob bestimmte Argumente oder Signalwörter besonders häufig genannt wurden. Einzelmeinungen spielen für die Auswertung eine untergeordnete Rolle, tauchen aber insbesondere dann im Reporting auf, wenn sie wichtige Sonderfälle wie Feedback von Menschen mit Sehbehinderung enthalten. Das ist mit Blick auf das 2025 in Kraft tretende Barrierefreiheitsstärkungsgesetz (BFSG) ein wichtiger Aspekt.
Ergänzend dazu fragen wir noch soziodemografische Informationen ab, um
- im Sinne der Gleichverteilung über die verschiedenen Gruppen statistisch valide zu arbeiten und
- eventuelle Unterschiede zwischen „älteren“ und „jüngeren“ Zielgruppen zu identifizieren. Das kann zum Beispiel für Varianten auf Basis von Limbic® Types relevant sein.
Mit PreVision® die Cookie-Consent-Rate steigern; und noch vieles mehr
- quantitatives und qualitatives Feedback kombinieren, um
- Störgefühle von Nutzer:innen zu identifizieren und gezielt anzusprechen,
- Aussagen über statistisch signifikante Unterschiede einzelner Varianten treffen,
und speziell im Kontext von Cookie Consent Layern
- rechtskonforme und für Nutzer:innen komfortable Cookie-Banner entwickeln, um
- die Erfolgsquote der Cookie-Einwilligung zu maximieren.
Überdies ist PreVision® überall dort geeignet, wo bspw. A/B-Tests nicht möglich sind. Wir haben damit bereits Texte in Werbemitteln optimiert, (Re)Design-Konzepte schon während der Entwicklungsphase optimiert, die Markenwirkung evaluiert und Pricing Strategien informiert.
Falls du mehr über PreVision® erfahren willst oder vielleicht schon einen konkreten Anwendungsfall im Kopf hast, melde dich gerne bei uns.
Profitiere von unserer Erfahrung
Aus diversen Projekten wissen wir, dass sinkende Cookie-Consent-Raten in großen Unternehmen schnell zu finanziellen Einbußen im 7-stelligen Bereich führen können. Doch es ist möglich, den Negativtrend zu stoppen und umzukehren. Schon in einem einzigen, 4-wöchigen Projekt konnten wir einem großen Telekommunikationskonzern zu einer 22,1 % höheren Cookie-Akzeptanzrate verhelfen. Die Auswirkungen dessen sind nicht nur finanziell spürbar, sondern vor allem als ein Gefühl der Kontrolle über die Erhebung von Nutzerdaten und folglich der gesamten Marketingeffizienz.
