Datengetriebene Conversion-Optimierung: So steigerst du Conversion-Rates systematisch

Datengetriebene Conversion-Optimierung stellt jede Änderung unter Beweispflicht: erst Daten auswerten, dann eine Hypothese formulieren, dann testen und messen. Wer diesen Zyklus konsequent durchläuft, verbessert Conversion-Rates systematisch – unabhängig davon, ob gerade mehr Budget vorhanden ist oder nicht.

Das Wichtigste in Kürze

• Jede Optimierungsmaßnahme braucht eine Hypothese nach dem Schema "Wenn ich X ändere, dann passiert Y, weil Z" – ohne sie ist jedes Testergebnis interpretierbar und damit wertlos.
• Die Stichprobengröße entscheidet über die Aussagekraft: Bei E-Mail-A/B-Tests sind mindestens 1.000 Empfänger pro Variante empfohlen, damit Unterschiede zuverlässig messbar sind.
• Die größten Conversion-Hebel liegen meist nicht im Design, sondern in der Botschaft, dem Angebot oder dem Timing der Ansprache.
• ActiveCampaign liefert mit Site Tracking, Lead Scoring und Automation-Split-Tests die Datenbasis für alle drei Ebenen.
• Optimierung ist kein Einmalprojekt: Märkte und Zielgruppen verändern sich – wer Monate nicht testet, verliert die Ergebnisse früherer Tests wieder.

Was datengetriebene CRO von Bauchgefühl-Optimierung unterscheidet

Viele Teams verändern Websites und E-Mails nach Meinungen: Der Chef findet den Button zu klein, die Agentur empfiehlt einen anderen Betreff, jemand hat gelesen, dass Testimonials konvertieren. Jede dieser Entscheidungen kann richtig sein – und sie kann komplett falsch liegen. Ohne Datengrundlage lässt sich das im Nachhinein nicht prüfen, und ohne Prüfung lernt das Team nichts.

Datengetriebene Optimierung trennt Meinung und Messung. Eine Änderung gilt dann als bestätigt, wenn ein kontrollierter Test zeigt, dass Variante A unter vergleichbaren Bedingungen besser abschneidet als Variante B. Das klingt aufwändig, ist aber in der Praxis nach wenigen Wochen Routine.

Die Hypothesen-Methode als Grundlage

Das Handwerkszeug ist einfach: Bevor du irgendetwas änderst, formulierst du eine Hypothese nach dem Schema "Wenn ich X ändere, dann passiert Y, weil Z." Zum Beispiel: "Wenn ich den Betreff der ersten Follow-up-E-Mail von 'Herzlich willkommen' auf 'Dein nächster Schritt in 3 Minuten' ändere, dann steigt die Öffnungsrate, weil der neue Betreff einen konkreten Nutzen kommuniziert statt einer Begrüßungsfloskel."

Dieses Schema zwingt dazu, eine Kausalität zu begründen – nicht nur eine Korrelation zu hoffen. Es macht außerdem Ergebnisse lernbar: Wenn die Hypothese zutrifft, weißt du warum. Wenn sie nicht zutrifft, weißt du, welche Annahme falsch war – und kannst die nächste Hypothese schärfer formulieren.

Was datengetriebene Optimierung nicht ist

Häufig wird CRO mit dem Testen möglichst vieler Variablen gleichgesetzt: Welche Farbe konvertiert besser? Welcher Betreff öffnet mehr? Das ist kein System, sondern Raten mit Protokoll. Wer fünf Variablen gleichzeitig ändert, kann nachher nicht sagen, welche die Conversion bewegt hat.

Echte datengetriebene Optimierung testet eine Variable, für die es eine begründete Hypothese gibt. Das erfordert Disziplin – zahlt sich aber aus, weil jeder abgeschlossene Test das Wissen über die Zielgruppe erweitert und auf die nächste Hypothese einzahlt.

Die vier Stellen im Funnel, wo die meisten Conversions verloren gehen

Wer seinen E-Mail-Funnel mit ActiveCampaign aufgebaut hat, hat in der Regel mehrere Stellen, an denen Interessenten abspringen oder weitergeführt werden. Die Praxis zeigt, dass an vier Punkten die meisten Entscheidungen fallen – und dass genau diese vier Punkte am seltensten systematisch optimiert werden.

Der erste Kontaktpunkt: Lead-Magnet und Opt-in-Formular

Das Opt-in ist die erste Conversion – und viele unterschätzen, wie viel hier schon entschieden wird. Ein Formular mit einer konkreten Versprechen-Formulierung konvertiert messbar anders als eine generische Einladung zum Newsletter-Abonnement. Entscheidend ist dabei nicht nur die Opt-in-Rate, sondern die Qualität der eingetragenen Kontakte, gemessen an ihrem späteren Verhalten.

In ActiveCampaign siehst du nach einigen Wochen, welche Formulare nicht nur Kontakte sammeln, sondern Kontakte, die danach interagieren und kaufen. Dieser Zusammenhang ist der entscheidende Hebel: Opt-in-Optimierung, die nur die Eintragungsrate erhöht, ohne auf spätere Kaufraten zu achten, kann die Gesamtperformance des Funnels verschlechtern.

Die ersten 72 Stunden: Onboarding-Sequenz

Was in den ersten Tagen nach dem Opt-in passiert, bestimmt, ob jemand ein aktiver Kontakt wird oder in der Liste unsichtbar bleibt. Automationen, die in dieser Phase generische Willkommensmails versenden, vergeben die Phase mit der höchsten Aufmerksamkeit. Neue Kontakte erwarten in dieser Zeit Relevanz – und Relevanz bedeutet, dass die E-Mails zum konkreten Kontext passen, in dem jemand sich eingetragen hat.

Tag-basierte Segmentierung ab dem ersten Kontakt verändert das grundlegend: Wer sich über ein B2B-spezifisches Angebot eingetragen hat, befindet sich in einem anderen Entscheidungskontext als jemand, der über einen allgemeinen Marketing-Blog kam. Beide in dieselbe Sequenz zu schicken, führt zu schlechteren Öffnungsraten, was sich mittelfristig auf Sender-Reputation und Zustellbarkeit auswirkt.

Der Aktivierungsmoment: wenn Interesse zu Kaufabsicht wird

In jeder E-Mail-Sequenz gibt es einen Punkt, an dem aus passivem Interesse aktive Kaufabsicht wird. Das zeigt sich im Verhalten: Wer die Preisseite mehrfach aufruft, wer auf einen Link in einer produktspezifischen E-Mail klickt, wer auf eine bestimmte Automation mit einem Engagement-Trigger reagiert. Ohne Tracking bleibt dieser Moment unsichtbar – und damit ungenutzt.

ActiveCampaigns Site Tracking und Lead-Scoring-System macht diesen Moment sichtbar und auswertbar. Statt zu raten, wer kaufbereit ist, definierst du Verhaltensschwellenwerte – und die Kommunikation passt sich automatisch an, sobald ein Kontakt sie überschreitet.

Der Abschluss: Kaufprozess und letzte Überzeugungsarbeit

Bei Kaufprozessen gilt: Jeder zusätzliche Schritt, jedes zusätzliche Formularfeld, jede vermeidbare Unterbrechung senkt die Abschlussquote. Das bedeutet nicht, dass du jeden Prozess auf einen Klick reduzieren musst – es bedeutet, dass jeder Schritt, den du hinzufügst, einen nachweisbaren Grund braucht. Wenn du weißt, dass deine Zielgruppe an einem bestimmten Punkt abbricht, hast du einen testbaren Hebel.

Welche Daten du brauchst – und welche ablenken

Ein häufiger Fehler bei CRO-Projekten: zu viele Metriken, zu wenig Fokus. Wer zwanzig KPIs gleichzeitig beobachtet, sieht überall Bewegung und nirgends klare Ursachen. Für eine saubere datengetriebene Optimierung reichen am Anfang sechs Metriken:

Diese sechs Metriken reichen für die ersten Monate aus. Erst wenn du ein stabiles Bild dieser Basisdaten hast, lohnt es sich, tiefer zu gehen – in Heatmaps, Session-Recordings oder detailliertes Klickverhalten. Wer zu früh zu viele Signale auswertet, verliert den Fokus auf die Punkte, an denen der größte Hebel liegt.

A/B-Tests richtig aufsetzen: Stichproben, Laufzeit, Signifikanz

A/B-Tests sind das Kernwerkzeug datengetriebener Optimierung – und gleichzeitig das am häufigsten falsch eingesetzte. Zwei Fehler dominieren: zu kurze Laufzeiten und zu kleine Stichproben. Beide führen dazu, dass Ergebnisse zufällig entstanden sind, aber wie echte Erkenntnisse behandelt werden.

Wie viele Empfänger ein E-Mail-Test braucht

Für E-Mail-A/B-Tests gelten mindestens 1.000 Empfänger pro Variante als Orientierungswert, damit Unterschiede in Öffnungs- und Klickraten zuverlässig messbar sind. Bei kleineren Listen ist das nicht immer möglich – dann sollte ein Test mindestens eine Woche laufen, um tageszyklische Schwankungen auszugleichen.

ActiveCampaign ermöglicht Split-Tests für E-Mail-Kampagnen und für Automationen. Der Unterschied ist relevant: Ein Kampagnen-Split-Test vergleicht zwei Versionen einer Sendung an denselben Kontaktstamm. Ein Automation-Split-Test vergleicht ganze Sequenzen über Wochen hinweg – er zeigt, welche Gesamtstrecke besser konvertiert, und ist damit das mächtigere, aber auch aufwändigere Instrument.

Was statistische Signifikanz bedeutet

A/B-Testing-Tools berechnen automatisch, ob ein Ergebnis statistisch belastbar ist – das heißt, ob es mit ausreichender Sicherheit nicht durch Zufall entstanden ist. In den gängigen Tools ist dieser Schwellenwert voreingestellt; du siehst direkt, ob ein Test auswertbar ist oder ob noch mehr Daten gesammelt werden müssen.

Wichtig zu wissen: Ein großer Teil aller A/B-Tests liefert kein statistisch signifikantes Ergebnis – das ist normal und kein Zeichen dafür, dass die Methode nicht funktioniert. Es bedeutet, dass der getestete Unterschied zu gering ist oder die Stichprobe zu klein war, um einen Effekt nachzuweisen. Auch ein Null-Ergebnis ist ein Ergebnis: Es zeigt, dass an diesem Punkt kein großer Hebel liegt – was dir sagt, wo du suchen solltest.

Eine Variable, eine Frage, ein Test

Die wichtigste Regel beim Testen: nur eine Variable pro Test. Wenn du gleichzeitig Betreff, Absenderadresse und E-Mail-Layout änderst und Variante A gewinnt, weißt du nicht, was den Unterschied gemacht hat. Du weißt nur, dass A besser war – und kannst das Ergebnis weder erklären noch auf andere Kontexte übertragen.

In der Praxis empfiehlt sich folgende Priorität für E-Mail-Tests: zuerst Betreffzeile und Preheader, weil sie den größten Einfluss auf die Öffnungsrate haben. Dann Call-to-Action-Formulierung und Platzierung für die Klickrate. Dann Versandzeitpunkt. Zuletzt E-Mail-Länge und Inhaltsstruktur. Wer sich an diese Reihenfolge hält, bearbeitet die wirkungsstärksten Punkte zuerst.

Eine Schritt-für-Schritt-Anleitung zu A/B-Tests mit konkreten Beispielen findest du im Leitfaden zu A/B-Testing mit ActiveCampaign.

ActiveCampaign als Optimierungs-Cockpit nutzen

ActiveCampaign ist als Marketing-Plattform konzipiert, die mehr tut als E-Mails versenden – es liefert die Datenbasis für datengetriebene Optimierung auf drei Ebenen: Website-Verhalten, Kontaktqualität und Automation-Performance. Wer nur den E-Mail-Versand nutzt, lässt den größten Teil des Potenzials ungenutzt.

Site Tracking: Verhalten auf deiner Website verknüpft mit E-Mail-Reaktionen

Mit Site Tracking verknüpfst du das Seitenverhalten eines Kontakts mit seinem Verhalten in deinen E-Mails. Du siehst dann: Wer die Preisseite vor einem Kauf mehrfach besucht hat, wer einen Blog-Artikel zu einem bestimmten Thema gelesen hat, bevor er auf einen Link in der Follow-up-Sequenz klickte, welche Inhaltskombination den kürzesten Weg zum ersten Kauf produziert.

Diese Verbindung macht Optimierung konkret: Wenn du erkennst, dass Kontakte, die eine bestimmte Seite besucht haben, deutlich häufiger kaufen als der Durchschnitt, hast du einen Hebel. Du kannst entweder mehr Kontakte auf diese Seite führen – oder eine Automation auslösen, sobald ein Kontakt sie besucht.

Das Setup in ActiveCampaign: Einstellungen → Tracking → Site Tracking aktivieren, dann das JavaScript-Snippet auf deiner Website einbinden. Bestehende Kontakte, deren E-Mail-Adresse das System erkennt, werden ab diesem Moment getrackt – neue Besucher erst nach ihrer ersten Conversion.

Lead Scoring: Kaufabsicht automatisch erkennen

Lead Scoring weist Kontakten Punkte zu, basierend auf ihrem Verhalten. Das Ziel ist, Kaufabsicht sichtbar zu machen, bevor sie sich in einer direkten Anfrage zeigt. Ein einfaches Bewertungsmodell könnte so aussehen:

• E-Mail geöffnet: +5 Punkte
• Link in E-Mail geklickt: +15 Punkte
• Preisseite besucht: +30 Punkte
• Demo- oder Beratungsseite besucht: +50 Punkte
• Seit 30 Tagen keine Interaktion: -20 Punkte (Decay)

Wichtig beim Aufbau eines Score-Modells: Definiere zuerst, welchen Score-Schwellenwert du als kaufbereit einordnest, und prüfe das gegen deine tatsächlichen Kaufdaten. Wenn deine bisherigen Kunden im Schnitt einen Score von 80 hatten, bevor sie kauften, ist das dein Richtwert. Wenn du noch keine Daten hast, startest du mit einem Modell und passt es nach 60 bis 90 Tagen an – auf Basis der Werte, die tatsächlich gekaufte Kontakte zu diesem Zeitpunkt hatten.

Wer tiefer in den Aufbau eines Lead-Scoring-Modells einsteigen will, findet in unserem Beitrag zu Lead Scoring in ActiveCampaign eine schrittweise Anleitung mit konkreten Bewertungskriterien.

Automation-Split-Tests: ganze Sequenzen gegeneinander testen

ActiveCampaign erlaubt es, innerhalb einer Automation einen Split-Schritt einzufügen, der Kontakte zufällig auf verschiedene Pfade verteilt. Das macht es möglich, ganze Sequenzen zu vergleichen – nicht nur einzelne E-Mails. Du kannst zum Beispiel testen, ob eine kürzere Sequenz (3 E-Mails über 7 Tage) besser konvertiert als eine längere (6 E-Mails über 14 Tage).

Nach vier bis sechs Wochen siehst du, welcher Pfad mehr Kontakte zur Ziel-Conversion geführt hat – sei es ein Kauf, eine Anfrage oder eine andere definierte Aktion. Der Einrichtungspfad in ActiveCampaign: Automationen → Automation öffnen → Aktion hinzufügen → Bedingung/Test → Pfad-Split auswählen → Prozentwert für jede Variante festlegen.

Diese Art von Test ist aufwändiger als ein einfacher Betreff-Test, zeigt aber, welche strategischen Entscheidungen über Länge, Kadenz und Inhaltsschwerpunkte wirklich tragen – und nicht nur, welcher Betreff an einem Dienstag besser öffnete.

So startest du mit datengetriebenem CRO – 4-Wochen-Einstieg

Für Teams, die noch kein strukturiertes CRO-Programm haben, ist ein schrittweiser Start besser als ein umfassendes Projekt. Das Ziel der ersten vier Wochen: Basisdaten sammeln, die größten Hebel identifizieren und den ersten A/B-Test vollständig abschließen – inklusive Auswertung und dokumentierter Schlussfolgerung.

1. Woche 1 – Baseline dokumentieren: Alle relevanten Metriken aus ActiveCampaign exportieren und festhalten: Öffnungsraten je Automation-Schritt, Klickraten, Drop-Off-Punkte. Site Tracking aktivieren, sofern nicht bereits aktiv. Diese Baseline ist der Vergleichswert für alle späteren Tests – ohne sie weißt du nach einem Test nicht, ob sich etwas verbessert hat.
2. Woche 2 – Schwachstellen lokalisieren: Den Funnel Schritt für Schritt durchgehen und den Punkt mit dem stärksten Drop-Off markieren. Fünf bis zehn Kundeninterviews führen – die wirkungsvollste Frage ist nicht "Warum haben Sie gekauft?", sondern "Was hätte Sie fast davon abgehalten?" Antworten auf diese Frage zeigen direkt die Einwände, die im Funnel noch nicht adressiert werden.
3. Woche 3 – Ersten Test einrichten: Eine Hypothese für den identifizierten Schwachpunkt formulieren, eine Variante erstellen und den A/B-Test in ActiveCampaign einrichten. Mindestens sieben Tage Laufzeit einplanen, bei kleineren Listen eher 14 Tage. Den Test nicht vorzeitig abbrechen, auch wenn eine Variante früh vorne liegt.
4. Woche 4 – Auswerten und iterieren: Ergebnis dokumentieren – auch wenn kein klarer Gewinner hervorgeht. Null-Ergebnisse sind ebenfalls Erkenntnisse. Nächste Hypothese ableiten, entweder als Vertiefung des getesteten Punkts oder als nächster Drop-Off-Punkt aus der Baseline. Ab hier läuft das CRO-Programm als kontinuierlicher Zyklus: Daten → Hypothese → Test → Auswertung → nächste Hypothese.

Ein Team, das diesen Zyklus einmal verinnerlicht hat, braucht für Phasen 3 und 4 oft weniger als einen halben Arbeitstag pro Woche. Der Aufwand liegt am Anfang – in der Qualität der Baseline und der ersten Hypothesen.

Typische Fehler und wie du sie vermeidest

CRO-Projekte starten oft gut und verlieren nach wenigen Wochen an Schärfe. Die Ursache ist in den meisten Fällen nicht fehlendes Wissen, sondern fehlende Disziplin in der Methodik. Hier sind die vier häufigsten Fehler mit Ursache und Gegenmittel:

Test zu früh abbrechen

Ursache: Ein Test zeigt nach drei Tagen einen deutlichen Vorsprung für Variante A. Das Team bricht ab und implementiert die Variante.
Problem: Kurze Laufzeiten überschätzen Effekte systematisch, weil tageszyklische Schwankungen noch nicht ausgeglichen sind. Was am Montag und Dienstag besser performed, kann über eine volle Woche betrachtet gleichauf liegen.
Gegenmittel: Minimale Laufzeit vorab festlegen – bei E-Mails mindestens sieben Tage, bei Automation-Split-Tests mindestens vier Wochen. Diese Grenze nicht unterschreiten, unabhängig vom Zwischenstand.

Zu viele Tests gleichzeitig

Ursache: Das Team hat fünf Ideen und startet alle gleichzeitig.
Problem: Testergebnisse können sich gegenseitig beeinflussen. Außerdem fehlt die Aufmerksamkeit, um jeden Test sauber auszuwerten und zu dokumentieren.
Gegenmittel: Maximal einen Test pro Funnel-Ebene gleichzeitig – Betreff-Ebene, Inhalts-Ebene, Sequenz-Ebene. Das sind drei Tests, wenn sie sich nicht überschneiden. Mehr als das überfordert die Kapazität zur Auswertung.

Daten sammeln, ohne daraus zu lernen

Ursache: Tests laufen, werden ausgewertet, aber Erkenntnisse werden nicht dokumentiert.
Problem: Nach sechs Monaten testet das Team dieselben Variablen erneut, weil niemand weiß, was bereits getestet wurde. Das ist verbrannte Kapazität.
Gegenmittel: Ein Test-Log führen – Hypothese, Ergebnis, Schlussfolgerung, Datum. Das geht in einer Tabelle mit vier Spalten und ist in zehn Minuten pro Test aufgebaut.

Conversion-Rate isoliert optimieren

Ursache: Die Opt-in-Rate steigt durch ein aggressives Lead-Magnet-Versprechen stark an.
Problem: Die Kontaktqualität sinkt – mehr Einträge, aber schlechtere Öffnungsraten und niedrigere Kaufraten. Die Performance am Ende des Funnels verschlechtert sich, obwohl am Eingang alles besser aussieht.
Gegenmittel: Immer den gesamten Funnel im Blick behalten. Opt-in-Rate, Engagement-Rate und Kaufrate müssen gemeinsam gemessen werden, nicht isoliert.

Wann datengetriebene Conversion-Optimierung nicht das richtige Werkzeug ist

CRO-Methoden lösen kein Grundsatzproblem. Wenn das Angebot selbst nicht überzeugend ist oder die Zielgruppe falsch definiert wurde, kann keine Betreffzeilen-Optimierung das kompensieren. Datengetriebene Optimierung verbessert das, was bereits grob stimmt – sie korrigiert keine falsche Richtung.

Außerdem braucht CRO eine Mindestmenge an Daten. Bei sehr kleinen Listen unter 500 Kontakten oder bei Produkten mit wenigen Verkäufen pro Monat dauert es lang, bis Tests zu signifikanten Ergebnissen kommen. Hier ist qualitative Forschung – Kundeninterviews, strukturierte Nutzertests – oft effizienter als quantitative A/B-Tests. Beides schließt sich nicht aus: Qualitative Erkenntnisse liefern die Hypothesen, quantitative Tests bestätigen sie.

Schließlich ist der Zeitaufwand real: Eine saubere CRO-Praxis erfordert, dass jemand im Team die Verantwortung für Tests, Dokumentation und Auswertung trägt. Projekte, die CRO ohne klare Zuständigkeit "nebenbei" machen, verlieren die Methodik nach wenigen Wochen – und mit ihr die Ergebnisse.

Häufige Fragen

Wie viele A/B-Tests sollte ich pro Monat laufen lassen?

Das hängt von der Listengröße und der Anzahl der Touchpoints ab. Als Orientierung: Ein Team mit einer aktiven Liste von 5.000 Kontakten kann realistisch zwei bis drei Tests pro Monat sauber auswerten. Mehr ist nicht besser, wenn die Kapazität zur Auswertung fehlt – ein schlecht dokumentierter Test bringt keinen Erkenntnisgewinn, weil die Schlussfolgerungen fehlen, auf denen der nächste Test aufbauen könnte.

Kann ich A/B-Tests auch mit einer kleinen Liste machen?

Ja, aber mit eingeschränkter statistischer Aussagekraft. Bei weniger als 500 Empfängern pro Variante sind Testergebnisse kaum statistisch belastbar. Trotzdem lohnt sich der Aufwand: Du entwickelst eine Hypothesen-Praxis, die du skalierst, sobald deine Liste wächst. Qualitativ siehst du oft Richtungen, auch wenn die statistische Signifikanz fehlt – und diese Richtungen kannst du mit qualitativen Interviews absichern.

Wie lange dauert es, bis ein CRO-Programm messbare Ergebnisse zeigt?

Erste Erkenntnisse aus A/B-Tests nach zwei bis vier Wochen. Spürbare Verbesserung der Funnel-Performance nach zwei bis drei Monaten, wenn Tests konsequent abgeschlossen und Erkenntnisse implementiert werden. Compound-Effekte – mehrere aufeinander aufbauende Optimierungen, die sich gegenseitig verstärken – zeigen sich nach sechs bis zwölf Monaten kontinuierlicher Arbeit.

Welche Metriken sollte ich nicht für CRO-Entscheidungen nutzen?

Vanity Metrics wie Follower-Zahlen, reine Seitenaufrufe ohne Kontextbezug oder durchschnittliche Sitzungsdauer eignen sich schlecht als CRO-Grundlage, weil sie kein Verhalten abbilden, das direkt mit Conversions zusammenhängt. Auch Öffnungsraten allein reichen nicht – wenn jemand immer öffnet, aber nie klickt, liegt das Problem im Inhalt, nicht im Betreff.

Was ist der Unterschied zwischen Conversion-Rate-Optimierung und Funnel-Optimierung?

Conversion-Rate-Optimierung verbessert die Rate an einem einzelnen Touchpoint – zum Beispiel die Klickrate einer E-Mail oder die Abschlussrate eines Formulars. Funnel-Optimierung betrachtet die gesamte Strecke vom ersten Kontakt bis zum Kauf und identifiziert, welche Stufe den stärksten Engpass hat. Beides gehört zusammen: Die Funnel-Analyse zeigt, wo du anfangen sollst. Die Conversion-Rate-Optimierung setzt an diesem Punkt an.

Wer den E-Mail-Funnel datengetrieben optimieren will und dabei Unterstützung in der Einrichtung und Auswertung sucht, kann auf die Erfahrung aus über 200 betreuten Unternehmen zurückgreifen – das Leistungsangebot von Advertal gibt einen Überblick, welche Projektformen möglich sind.