Absprungrate (Bounce Rate)

Definition: Die Absprungrate (englisch: Bounce Rate) ist eine der bekanntesten Kennzahlen im Web Analytics und gibt den prozentualen Anteil aller Sitzungen an, in denen ein Nutzer eine Website besucht, aber nach dem Aufruf nur einer einzigen Seite ohne weitere Interaktion wieder verlässt. In Universal Analytics (UA) galt eine Sitzung als Absprung, wenn lediglich ein einziger Pageview-Treffer ausgelöst wurde – also kein zweiter Seitenaufruf, kein Event und kein weiterer Treffer innerhalb der Sitzung stattfand. In Google Analytics 4 (GA4) wurde das Konzept grundlegend neu definiert: Die Bounce Rate ist hier das rechnerische Komplement zur Engagement Rate und ergibt sich damit als 100 % minus Engagement Rate. Eine Sitzung gilt in GA4 als engagiert – und damit nicht als Absprung –, wenn mindestens eine der folgenden Bedingungen erfüllt ist: der Nutzer verbringt mindestens zehn Sekunden aktiv auf der Seite, er löst ein Conversion-Ereignis aus oder er ruft mindestens zwei Seiten bzw. Screens auf. Diese Neudefinition macht die GA4-Absprungrate konzeptionell aussagekräftiger, erschwert aber direkte historische Vergleiche mit UA-Daten erheblich. Branchenübergreifende Benchmarks zeigen, dass Absprungraten stark nach Seitentyp, Kanal und Branche variieren: Blogs und redaktionelle Inhalte weisen typischerweise Werte zwischen 65 % und 90 % auf, E-Commerce-Produktseiten zwischen 20 % und 45 %, während Landing Pages für bezahlte Kampagnen je nach Qualität zwischen 30 % und 70 % liegen können. Eine hohe Absprungrate ist nicht per se negativ; sie muss immer im Kontext der Seitenzielsetzung, des Traffics und weiterer Metriken wie Verweildauer und Conversion Rate bewertet werden.

Erläuterung

Die Absprungrate gehört seit den Anfängen des Web Analytics zu den meistdiskutierten Metriken, wird aber auch am häufigsten missverstanden. Schon Avinash Kaushik, ehemaliger Analytics Evangelist bei Google, betonte in seinem einflussreichen Werk „Web Analytics 2.0" (2009), dass die Bounce Rate ohne Kontextualisierung durch weitere Metriken nahezu bedeutungslos sei. Ein Nutzer, der einen Blogartikel vollständig liest, die gesamte Seite nach unten scrollt und danach die Website verlässt, ohne eine zweite Seite aufzurufen, wird in Universal Analytics als Absprung gewertet – obwohl er intensiv mit dem Inhalt interagiert hat. GA4 begegnet diesem Dilemma durch die Einführung des Engagement-Begriffs, der Mindest-Interaktionssignale berücksichtigt. Für eine fundierte Analyse empfehlen Brian Clifton und andere Experten der Branche, die Absprungrate stets nach Kanal, Seitentyp, Gerätekategorie und Zeitraum zu segmentieren, anstatt eine einzige zusammenfassende Kennzahl zu betrachten. Die Verbindung mit Scroll-Tracking-Ereignissen – wie dem in GA4 automatisch erfassten scroll-Event bei 90 % der Seite – erlaubt eine deutlich differenziertere Bewertung: Eine hohe Absprungrate auf einer Seite mit hoher Scroll-Tiefe und langer Verweildauer signalisiert zufriedene Besucher, keine schlechte User Experience. Umgekehrt sind hohe Absprungraten auf transaktionalen Seiten wie Checkout-Schritten, Kontaktformularen oder Produktdetailseiten ein ernstzunehmender Optimierungshinweis, der weitere qualitative Analyse durch Heatmaps und Session Recordings erfordert.

Ursachen für eine hohe Absprungrate

Irrelevanter Traffic: Besucher, die über breit gefasste Keywords oder schlecht ausgerichtete Anzeigen auf die Seite gelangen, finden den gesuchten Inhalt nicht und verlassen sie umgehend. Eine sorgfältige Keyword-Segmentierung und Anzeigen-Targeting-Überprüfung kann diesen Effekt erheblich reduzieren.
Langsame Ladezeiten: Studien von Google zeigen, dass die Absprungwahrscheinlichkeit mit steigender Ladezeit exponentiell zunimmt – bei einer Ladezeit von mehr als drei Sekunden springen bereits über die Hälfte aller mobilen Nutzer ab, bevor die Seite vollständig geladen ist. Core Web Vitals wie LCP und FID sind daher direkt mit der Absprungrate verknüpft.
Schlechte mobile Darstellung: Seiten, die nicht responsiv gestaltet sind oder auf Mobilgeräten schlecht lesbar sind, weisen regelmäßig deutlich höhere Absprungraten auf als ihre Desktop-Entsprechungen.
Fehlende Handlungsaufforderungen: Fehlt ein klarer Call-to-Action oder eine interne Verlinkungsstruktur, die Besucher zu weiteren Inhalten führt, navigieren sie nach dem Lesen nicht weiter und verlassen die Seite.
Technische Fehler: Defekte Seiten, Fehler-404-Weiterleitungen oder JavaScript-Probleme können dazu führen, dass die Seite nicht korrekt geladen wird und Nutzer sie sofort wieder verlassen.

Unterschied GA4 vs. Universal Analytics

Definition in Universal Analytics: Eine Sitzung gilt als Absprung, wenn exakt ein einziger Treffer (typischerweise ein Pageview) ausgelöst wird. Ein Nutzer, der eine Seite aufruft und eine Minute liest, ohne ein Event auszulösen, zählt als Absprung.
Definition in GA4: Die Bounce Rate ist das Komplement der Engagement Rate. Sitzungen gelten als nicht engagiert (= Absprung), wenn keine der drei Engagement-Bedingungen (10 Sekunden, Conversion oder zweiter Pageview) erfüllt ist. Das macht die GA4-Bounce-Rate strukturell niedriger als die UA-Bounce-Rate.
Auswirkung auf Benchmarks: Historische Benchmark-Werte aus der UA-Ära lassen sich nicht direkt auf GA4 übertragen. Unternehmen, die beide Systeme parallel betrieben haben, berichten typischerweise von um 10–20 Prozentpunkte niedrigeren Absprungraten in GA4 im Vergleich zu UA für identische Zeiträume.
Scroll-Events als Engagement-Signal: GA4 erfasst durch Enhanced Measurement automatisch ein scroll-Event, wenn ein Nutzer 90 % der Seitenlänge gescrollt hat. Dieses Event erfüllt zwar allein noch nicht die Engagement-Bedingung (erst ab 10 Sekunden), zeigt aber zusammen mit der Zeitbedingung, dass tiefes Lesen als kein Absprung gewertet wird.

Analyse und Optimierung der Absprungrate

Segmentierung nach Kanal: Organischer Traffic weist in der Regel niedrigere Absprungraten auf als bezahlter Display-Traffic. Ein Vergleich nach Kanal identifiziert, welche Traffic-Quellen qualitativ schwächere Besucher liefern und Optimierungspotenzial im Targeting bieten.
Seitentypen-Analyse: Produktseiten, Blogbeiträge und Landing Pages haben strukturell unterschiedliche Absprung-Erwartungswerte. Eine separate Analyse pro Seitentyp vermeidet irreführende Gesamtbetrachtungen.
A/B-Tests für hohe Absprung-Seiten: Für Seiten mit unerwartet hoher Absprungrate empfehlen sich A/B-Tests mit verbesserten Headlines, schnelleren Ladezeiten oder anderen CTA-Positionen, um den kausalen Einfluss einzelner Faktoren zu isolieren.
Qualitative Ergänzung: Heatmaps, Session Recordings und Exit-Surveys (z. B. über Hotjar oder Microsoft Clarity) liefern Erklärungen für quantitative Absprung-Muster, die rein analytisch nicht erkennbar sind.

Praxistipp: Betrachten Sie die Absprungrate niemals isoliert, sondern immer im Verbund mit der durchschnittlichen Engagement-Zeit, der Scroll-Tiefe und der Conversion Rate der jeweiligen Seite. Erstellen Sie in GA4 einen benutzerdefinierten Bericht, der für jede wichtige Landingpage die Bounce Rate, die durchschnittliche Sitzungsdauer und die Conversion Rate nebeneinanderstellt. Seiten mit hoher Absprungrate, aber hoher Conversion Rate sind kein Problem – Seiten mit hoher Absprungrate und niedriger Conversion Rate hingegen sollten priorisiert optimiert werden. Nutzen Sie das scroll-Event in GA4 als kostenloses Engagement-Signal, um zwischen aktivem Lesen und echten Absprüngen zu unterscheiden.