Marketing-Statistiken kritisch prüfen: Quellen bewerten und eigene Benchmarks aufbauen

Marketing-Statistiken zu prüfen bedeutet: Primärquelle finden, Stichprobe und Methode bewerten, Übertragbarkeit auf den eigenen Markt klären. Viele Zahlen, die in Präsentationen und Blogposts kursieren, sind aus dem Kontext gerissen, veraltet oder entstammen Befragungen, deren Methodik sie nicht tragen. Dieser Beitrag zeigt dir, wie du den Unterschied erkennst – und wann eigene Daten mehr tragen als jeder Branchenbenchmark.

Das Wichtigste in Kürze

• Eine Statistik ist nur dann verwertbar, wenn du sie auf die Primärquelle zurückführen und die Methode bewerten kannst.
• Stichprobengröße und Auswahlverfahren bestimmen, wie weit du eine Zahl auf deinen Markt übertragen darfst.
• Im DACH-B2B-Marketing passen die meisten US-Branchenwerte nicht direkt, weil Opt-in-Praxis, Kaufprozesse und Marktsegmente erheblich abweichen.
• ActiveCampaign-eigene Berichte erlauben es dir, über mehrere Monate hinweg eigene Referenzwerte aufzubauen, die zu deiner Liste und deinem Markt passen.
• Wenn kein externer Benchmark passt, ist eine qualitative Formulierung glaubwürdiger als eine Zahl ohne belastbare Grundlage.

Woran du erkennst, ob eine Statistik belastbar ist

Jede Statistik, die in einem Marketing-Kontext kursiert, hat einen Ursprung. Das Problem: Zwischen der Originalerhebung und dem Blogpost, in dem du die Zahl siehst, liegen oft drei bis fünf Nacherzählungsstufen, bei denen sich der Kontext verändert, die Einschränkungen verschwinden und die Zahl größer oder präziser wirkt als sie ist. Belastbar wird eine Statistik erst, wenn du die Kette zurückverfolgt hast.

Die Kette zur Primärquelle

Der erste Schritt: Finde den Originalbeleg. Wenn ein Blogpost eine Zahl nennt, suche nach der verlinkten Quelle. Wenn der Post keine Quelle nennt, ist das bereits ein Warnsignal. Wenn er auf einen anderen Blogpost verlinkt, der auf ein Whitepaper verweist, öffne das Whitepaper und prüfe, wer es herausgegeben hat – und ob das Whitepaper selbst eine Erhebungsgrundlage nennt oder nur eine aggregierte Zusammenfassung ohne Methodik ist.

Primärquellen sind: veröffentlichte Studien mit beschriebener Methodik, Erhebungen von Behörden und Verbänden mit dokumentiertem Auswahlverfahren, Eigenauswertungen von Plattformbetreibern über ihre eigenen Nutzerdaten sowie akademische Arbeiten, die einem Peer-Review-Prozess unterlagen. Sekundärquellen – also Zusammenfassungen, Whitepapers von Softwareanbietern, redaktionelle Branchen-Reportagen – können als Einstieg dienen, ersetzen aber nicht die Primärquelle, wenn es auf die genaue Zahl ankommt.

Wenn du die Primärquelle nicht findest, hast du zwei Optionen: die Aussage weglassen oder sie qualitativ formulieren. „E-Mail-Marketing hat eine vergleichsweise hohe Reichweite je eingesetztem Euro“ ist eine Aussage, hinter der du stehen kannst. „E-Mail-Marketing hat einen ROI von X%“ ist eine Behauptung, die einen konkreten Beleg braucht. Der Unterschied klingt klein, hat aber erhebliche Auswirkungen auf deine Glaubwürdigkeit, wenn jemand nachfragt.

Stichprobe und Auswahlverfahren verstehen

Selbst wenn du die Primärquelle findest, musst du zwei weitere Fragen beantworten: Wen hat man befragt, und wie wurden die Befragten ausgewählt? Eine Befragung, an der sich Nutzer eines Softwareanbieters freiwillig beteiligt haben, ist kein repräsentativer Querschnitt des Marktes. Sie beschreibt die Nutzer dieses Anbieters – die eine bestimmte Betriebsgröße, ein bestimmtes Budget und bestimmte Vorerfahrungen mitbringen. Ob das auf deinen Kontext zutrifft, kannst nur du beurteilen.

Die Stichprobengröße sagt dir etwas über die statistische Belastbarkeit der Zahlen. Für eine Gesamtaussage zu einer Branche sind Befragungen mit wenigen Dutzend Teilnehmenden zu klein, um Prozentwerte mit einer Nachkommastelle sinnvoll auszuweisen. Statistisch signifikante Unterschiede zwischen Subgruppen erfordern in der Regel deutlich höhere Stichprobengrößen je Gruppe – weil jede Subgruppe für sich ausreichend Fälle braucht, damit der Unterschied nicht auf Zufallseffekte zurückführbar ist.

Bei Verhaltensanalysen – also wenn Öffnungsraten, Klickraten oder Conversion-Raten verglichen werden – kommt ein weiteres Kriterium hinzu: Haben alle Gruppen unter vergleichbaren Bedingungen gehandelt? Wenn ein Segment seine E-Mails montags morgens bekommt und ein anderes dienstags nachmittags, ist ein Unterschied in der Klickrate schwer zu interpretieren. Die Kontrolle von Störvariablen trennt eine aussagekräftige Auswertung von einer zufälligen Beobachtung.

Was Aktualität wirklich bedeutet

Das Erhebungsjahr ist kein bürokratisches Detail – es entscheidet, ob eine Zahl überhaupt noch in deinen Kontext passt. Im E-Mail-Marketing haben sich Öffnungsraten seit der Einführung von Apples Mail Privacy Protection strukturell verändert: Viele Öffnungen, die heute gemessen werden, sind keine echten menschlichen Öffnungen, sondern Pre-Loads durch den Mailserver. Eine Öffnungsraten-Studie aus der Zeit vor dieser Änderung ist mit Daten danach nicht direkt vergleichbar.

Dasselbe Prinzip gilt für jede regulatorische oder technische Änderung, die Messwerte strukturell verschiebt. Im DACH-Raum hat die DSGVO die Einwilligungspraxis verändert und damit die Ausgangsbedingungen für E-Mail-Marketing-Metriken. Kampagnendaten, die unter anderen Bedingungen entstanden sind, lassen sich nicht einfach als Benchmark übernehmen. Wenn du eine Studie zitierst, gehört das Erhebungsjahr zur Angabe – und wenn das Jahr mehr als zwei, drei Jahre zurückliegt, prüfe, ob sich in der Zwischenzeit etwas Wesentliches am Messgegenstand verändert hat.

Warum viele Branchenzahlen auf deinen Markt nicht übertragbar sind

Selbst eine methodisch saubere Studie kann für deine Situation unbrauchbar sein, wenn Kontext und Erhebungsgeografie nicht stimmen. Das betrifft das DACH-Umfeld besonders häufig, weil ein Großteil der breit rezipierten Marketing-Statistiken in den USA entsteht – mit anderem rechtlichem Rahmen, anderen Marktsegmenten und anderem Kaufverhalten. Einblicke aus unserer Arbeit mit über 200 Unternehmen im Advertal-Netzwerk zeigen: Die Unterschiede zwischen US- und DACH-Benchmarks sind nicht marginal, sondern systematisch.

DACH-spezifische Unterschiede

In Deutschland gilt das Double-Opt-in-Verfahren als Standard für E-Mail-Marketing. Das bedeutet, die Listen bestehen im Regelfall aus Kontakten, die aktiv bestätigt haben, dass sie E-Mails empfangen wollen. Das verändert die Grundstruktur einer Liste im Vergleich zu Märkten, in denen Single-Opt-in oder implizite Einwilligung üblich sind. Öffnungsraten, Klickraten und Abmelderaten sind deshalb nicht einfach mit US-Benchmarks vergleichbar – die Ausgangsbasis ist eine andere.

B2B-Kaufprozesse im DACH-Raum sind typischerweise länger, mehrere Entscheidungsträger sind beteiligt, und Vertrauen in den Anbieter spielt eine ausgeprägtere Rolle als in vielen US-Studien angenommen wird. Eine Conversion-Rate-Studie, die amerikanische SaaS-Unternehmen im direkten Onlineverkauf beschreibt, liefert wenig Orientierung für einen Beratungsanbieter oder ein Unternehmen mit erklärungsbedürftigen Leistungen, das über mehrstufige Vertriebsprozesse verkauft.

Sprachliche Unterschiede spielen ebenfalls eine Rolle. Betreffzeilen, die im englischsprachigen Raum gut funktionieren, wirken auf Deutsch oft fremd oder zu direkt. Empfehlungen zur Formulierung von Betreffzeilen, die aus englischsprachigen Tests stammen, lassen sich nicht direkt übertragen – weder in der Struktur noch in der Tonalität. Das gilt auch für inhaltliche Muster wie Dringlichkeits-Elemente oder persönliche Ansprachen, die kulturell unterschiedlich aufgenommen werden.

Sektor- und Segmentunterschiede

Benchmark-Zahlen, die den Markt als Ganzes beschreiben, verstecken die Varianz zwischen Sektoren, Unternehmensgrößen und Listenqualitäten. Ein Publikumsverlag mit einer langjährig aufgebauten B2C-Abonnentenliste hat vollständig andere Ausgangswerte als ein Softwareanbieter, der gerade seine erste Automation aufgebaut hat. Wenn beide denselben Branchen-Benchmark als Maßstab nehmen, vergleichen sie sich mit einem Durchschnittswert, der keinen der beiden treffend beschreibt.

Dasselbe gilt für Listengröße und -alter. Große Listen verhalten sich anders als kleine. Sehr aktive Listen – weil Kontakte regelmäßig engagiert werden – entwickeln andere Öffnungsprofile als Listen, die monatlich einen Newsletter bekommen. Ein Benchmark, der das alles vermischt, ist für deinen konkreten Fall eine grobe Annäherung, keine verlässliche Referenz. Du erkennst ihn daran, dass die Studienautoren keine Aufschlüsselung nach diesen Dimensionen liefern – oder dass du in der Segmentaufschlüsselung nicht findest, welcher Anteil des Samples deinem eigenen Kontext entspricht.

Wann Benchmark-Daten weiterhelfen – und wann sie schaden

Benchmarks sind nicht wertlos. Sie werden falsch eingesetzt, wenn man von ihnen präzise Aussagen erwartet, die sie nicht liefern können. Richtig eingesetzt geben sie Orientierung – und das ist sinnvoll, wenn du eine neue Maßnahme startest und noch keine eigenen Vergleichswerte hast. Einige Anwendungsfälle, in denen ein Benchmark seinen Zweck erfüllt: Wenn du mit einem Kanal startest, den du noch nicht genutzt hast, gibt dir ein Branchenwert einen ersten Anhaltspunkt für eine Ausgangshypothese. Wenn deine Öffnungsraten weit unterhalb eines plausiblen Rahmens liegen, ist das ein Signal zum Nachschauen – nicht eine Bestätigung, dass du schlechter als andere bist, aber ein Hinweis, dass ein technisches Problem vorliegen könnte.

Schädlich werden Benchmarks, wenn du Budgetentscheidungen oder Zielvorgaben auf Werte aufbaust, die du nicht überprüft hast und die deinen Kontext nicht beschreiben. Wenn ein Ziel wie „mindestens X% Öffnungsrate“ auf einem Benchmark beruht, der eine andere Branche, eine andere Geografie und eine andere Listenqualität beschreibt, ist das Ziel arbiträr. Das Risiko: Du triffst Entscheidungen – Kampagne stoppen, Strategie wechseln, Versandfrequenz erhöhen –, die auf einem falschen Maßstab beruhen. Was als Optimierung aussieht, kann die eigentliche Ursache eines Problems verschleiern.

Die nützlichste Funktion externer Benchmarks ist die eines ersten Filters: Du nimmst den Wert, beobachtest, was du selbst erreichst, und überprüfst dann, welche Unterschiede sich aus dem abweichenden Kontext erklären lassen. Damit schaffst du einen Ausgangspunkt für eine eigene Auswertung – und das ist wertvoller als die Zahl selbst. Wer Conversion-Rate-Vergleiche über Branchen hinweg nutzt und dabei die strukturellen Unterschiede ausblendet, findet im Beitrag zu Conversion-Rate-Benchmarks und den Grenzen des Vergleichens eine Einordnung, warum der Blick auf die eigene Entwicklung oft mehr trägt.

Eigene Datenbasis aufbauen – Schritt für Schritt

Eigene Referenzwerte entstehen nicht über Nacht, aber du musst dafür nicht warten, bis eine Studie über deine Branche veröffentlicht wird. Du brauchst ein klares Setup in deinem E-Mail-Marketing-Werkzeug und einen konsistenten Beobachtungszeitraum von mindestens drei Monaten. Was danach entsteht, ist für Entscheidungen belastbarer als jede externe Zahl – weil es deine Liste, deinen Markt und deinen Versandrhythmus beschreibt.

Was ActiveCampaign direkt misst

ActiveCampaign stellt dir im Bereich Berichte mehrere Auswertungsebenen bereit. Das Campaign Performance-Dashboard zeigt dir je Kampagne: Öffnungsrate, Klickrate, Abmelderate und – sofern du Site Tracking konfiguriert hast – welche Kontakte nach dem Klick auf der Website welche Seiten aufgerufen haben. Du kannst Kampagnen über Zeiträume hinweg vergleichen und siehst, ob sich Werte systematisch verschieben.

Auf der Automations-Ebene siehst du, wie viele Kontakte welche Schritte durchlaufen haben, wo sie ausgestiegen sind und welche Bedingungen wie oft ausgelöst wurden. Das gibt dir Aufschluss über deine Automation-Performance jenseits reiner E-Mail-Metriken – du siehst, ob Kontakte die vorgesehene Strecke tatsächlich durchlaufen oder schon früh herausfallen, und an welcher Stelle ein strukturelles Problem sitzen könnte.

Das in ActiveCampaign integrierte Split-Testing erlaubt dir, gezielt einzelne Variablen zu testen: Betreffzeilen, Absenderadressen, Inhalte, Versandzeitpunkte. Die Ergebnisse werden dir pro Variante ausgewiesen, sodass du über mehrere Tests hinweg verstehst, welche Muster bei deiner Zielgruppe tragen – und das ohne externe Studie, die möglicherweise nicht auf deinen Kontext zutrifft. Typische Fehlinterpretationen beim Lesen solcher Auswertungen – zum Beispiel das Verwechseln von Korrelation und Kausalität oder das Ziehen von Schlüssen aus zu kleinen Stichproben – beschreibt der Beitrag zu typischen Fehlschlüssen in der Marketing-Datenanalyse ausführlicher.

Einen eigenen Referenzrahmen aufbauen

Der Aufbau eines aussagekräftigen Referenzrahmens folgt einer einfachen Logik: Du dokumentierst Ausgangswerte, führst Maßnahmen konsistent durch und vergleichst danach, was sich verändert hat. Das klingt trivial, aber in der Praxis fehlt dieser Schritt häufig – was dazu führt, dass Verbesserungen nicht erkannt werden und Verschlechterungen nicht zugeordnet werden können.

1. Lege zu Beginn eines neuen Projekts oder einer neuen Kampagnenserie die Startwerte fest: Öffnungsrate, Klickrate, Conversion-Rate (sofern messbar) und Abmelderate, alles bezogen auf deine aktuelle Liste und deinen aktuellen Versandrhythmus. Notiere auch die Listengröße und die Zusammensetzung nach Akquisitionskanälen – das gibt dir später den Kontext für Abweichungen.
2. Halte Veränderungen am Setup mit Datum fest. Wenn du die Versandfrequenz erhöhst, eine neue Segmentierung einführst, das E-Mail-Design änderst oder einen neuen Akquisitionskanal hinzufügst, trägt jede dieser Änderungen zur Entwicklung der Metriken bei. Ohne Dokumentation kannst du hinterher nicht sagen, was eine Verbesserung verursacht hat.
3. Werte nach einem vollständigen Quartal aus. Drei Monate reichen aus, um saisonale Einflüsse einzuordnen und echte Trends von kurzfristigen Schwankungen zu trennen. Berechne den Quartalsdurchschnitt je Metrik und verwende ihn als deinen internen Benchmark – nicht den Branchenwert.
4. Baue Segmentvergleiche ein. Prüfe, ob bestimmte Kontaktgruppen – nach Akquisitionskanal, nach Lead-Scoring-Stufe, nach Branche oder nach Listenalter – systematisch andere Werte zeigen als der Rest. Das gibt dir Hinweise auf Potenziale, die in Gesamtdurchschnittswerten unsichtbar bleiben, und macht zukünftige Entscheidungen zielgenauer.
5. Überprüfe nach zwei oder drei Quartalsdurchläufen, ob sich deine Referenzwerte stabilisiert haben. Stabile Werte zeigen, dass du einen verlässlichen Messzeitraum erreicht hast. Starke Schwankungen zwischen Quartalen sind ein Hinweis, dass entweder die Liste sich stark verändert hat oder externe Einflüsse (Urlaubszeiten, Marktereignisse) noch herausgerechnet werden müssen.

Nach diesem Prozess hast du Referenzwerte, die zu deiner Liste, deiner Branche und deinem Markt passen. Sie sind für Entscheidungen verlässlicher als jeder externe Benchmark – weil sie beschreiben, was in deinem konkreten Kontext normal und was auffällig ist.

Zahlen sauber kommunizieren, ohne Glaubwürdigkeit zu verspielen

Wenn du mit Zahlen arbeitest – in Präsentationen, Berichten oder öffentlichen Beiträgen – entscheidest du mit jeder Zahl, wie glaubwürdig du wirkst. Eine Zahl ohne Einordnung lädt zur Fehlinterpretation ein. Eine Zahl mit klarer Herkunft und beschriebenen Bedingungen stärkt deine Aussage, auch wenn sie weniger spektakulär klingt.

Was Zahlen immer brauchen

Jede Zahl, die du in einem professionellen Kontext nennst, sollte von vier Angaben begleitet werden: Zeitraum der Messung, Datenbasis (wie viele Fälle, welche Quelle), Definition der gemessenen Größe (was genau wurde als Conversion gezählt, was als Öffnung) und Einschränkungen der Übertragbarkeit. Das klingt nach Mehraufwand, macht deine Aussagen aber erheblich widerstandsfähiger – weil du sagst, was du tatsächlich weißt, und nicht mehr versprechen musst, als du halten kannst.

Ein konkretes Beispiel für den Unterschied in der Kommunikation: Die Aussage „Automatisierte E-Mail-Sequenzen haben in diesen 18 Kampagnen eine höhere Klickrate erzielt als einmalige Newsletter an dieselben Kontakte, gemessen von Januar bis Juni über eine Liste mit B2B-Kontakten aus dem DACH-Raum“ ist weniger einprägsam als eine Prozentzahl – aber sie ist nachprüfbar, ehrlich und belastbar. Wenn jemand die Zahl hinterfragt, kannst du die Basis zeigen.

Qualitative Formulierungen als Alternative

Wenn du keine belegte Zahl hast, aber eine Aussage treffen willst, die trotzdem Substanz hat, sind qualitative Formulierungen die richtigere Wahl. „Kontakte, die eine Automation durchlaufen haben, zeigen in unserer Erfahrung ein anderes Kaufverhalten als Kontakte, die direkt auf eine Anzeige geklickt haben“ ist eine aussagekräftige Beobachtung – ohne eine Prozentzahl, die du möglicherweise nicht belegen kannst.

Formulierungen wie „deutlich höher“, „in der Regel kürzer“ oder „in den meisten Projekten“ sind dort richtig, wo eine Zahl keine sauberere Aussage liefert als eine qualitative Beschreibung. Sie sind nicht schwächer – sie sind ehrlicher, und das zahlt langfristig auf Glaubwürdigkeit ein. Wer jede Behauptung mit einer Zahl belegen will und dafür keine saubere Quelle hat, erfindet entweder – oder er vermeidet die Aussage ganz. Beides ist schlechter als eine qualitativ formulierte, aber belegte Beobachtung.

Externe Statistiken korrekt zitieren

Wenn du eine externe Zahl übernimmst, nenne die Quelle direkt im Text, nicht in einer Fußnote. Also: „laut dem Campaigns Performance Report von ActiveCampaign“ oder „nach Angaben des Statistischen Bundesamts“ – so, dass die Lesenden die Quelle selbst nachschlagen können. Das macht die Aussage transparent und schützt dich davor, für eine Zahl zu haften, die aus einer Quelle stammt, die du nicht kontrollierst.

Wenn die Quelle eine Studie eines Anbieters ist, der ein Interesse am Ergebnis hatte, gehört das zur Einordnung: „laut einer Auswertung von Anbieter X unter ihren eigenen Kunden“. Diese Einschränkung macht die Zahl nicht wertlos – sie verändert aber, wie man sie lesen sollte. Ein Anbieter, der berichtet, dass sein Produkt zu besseren Ergebnissen führt, beschreibt möglicherweise eine selektierte Nutzergruppe, die sein Produkt aktiv und kompetent einsetzt. Das ist nicht dasselbe wie eine unabhängige Markterhebung.

Häufige Fragen

Welche Quellen für Marketing-Statistiken sind besonders zuverlässig?

Besonders zuverlässig sind Daten mit beschriebener Erhebungsmethode, veröffentlichter Stichprobengröße und nachvollziehbarem Auswahlverfahren. Dazu gehören Erhebungen nationaler Statistikbehörden und Berichte von Verbänden, die ihre Methodik offenlegen. Plattformspezifische Daten – also Auswertungen, die ein Anbieter aus den Daten seiner eigenen Nutzer erstellt – sind methodisch oft transparent, beschreiben aber die Nutzerschaft dieses Anbieters, nicht den Markt insgesamt. Das ist kein Ausschlusskriterium, aber ein Einordnungsrahmen.

Wie groß muss eine Stichprobe sein, damit eine Statistik aussagekräftig ist?

Eine pauschale Mindestzahl gibt es nicht – die notwendige Stichprobengröße hängt von der Grundgesamtheit, der Merkmalsvarianz und der gewünschten Präzision der Aussage ab. Als grobe Orientierung: Prozentwerte mit einer Nachkommastelle sind bei sehr kleinen Stichproben nicht sinnvoll auszuweisen. Wenn eine Studie Subgruppen vergleicht, muss jede Subgruppe für sich ausreichend Fälle umfassen. Eine Studie, die einen Unterschied zwischen zwei Segmenten behauptet, ohne die Stichprobengröße je Segment anzugeben, ist mit Vorsicht zu lesen.

Darf ich US-Studien im DACH-Marketing-Kontext zitieren?

Du darfst sie nennen, wenn du die Einschränkung mitlieferst: andere Opt-in-Praxis, andere Marktstruktur, anderes Kaufverhalten. Als erste Orientierung ist das legitim. Problematisch wird es, wenn du einen US-Benchmark als Ziel für eine DACH-Kampagne formulierst oder als Beleg für eine Aussage verwendest, die deinen spezifischen Kontext beschreiben soll. Der Kontext entscheidet, ob die Zahl trägt.

Wie lange dauert es, bis ich eigene belastbare Benchmarks habe?

Einen ersten Referenzwert kannst du nach einem vollständigen Quartal ableiten, wenn du in diesem Zeitraum mindestens vier bis sechs Kampagnen unter vergleichbaren Bedingungen versendet hast. Belastbar im Sinne von: ausreichend stabil, um Entscheidungen darauf zu stützen, wird ein eigener Benchmark nach zwei bis drei Quartalen konsistenter Messung. Voraussetzung ist, dass du Änderungen am Setup mit Datum dokumentiert hast – sonst kannst du Trends nicht von methodischen Verschiebungen trennen.

Was tue ich, wenn für meine Branche keine passenden Benchmarks existieren?

Dann kommunizierst du ohne externe Benchmarks – und das ist keine Schwäche. Du beschreibst stattdessen die Entwicklung deiner eigenen Metriken: „Seit wir die Segmentierung verfeinert haben, sehen wir eine deutliche Verbesserung der Klickrate in dieser Kontaktgruppe.“ Das ist aussagekräftiger als eine Zahl aus einem Kontext, der deiner Situation nicht entspricht. Ergänzend kannst du Verbände, Fachpublikationen oder Plattformberichte als Orientierungsrahmen benennen – solange du deutlich machst, dass du keine direkte Vergleichbarkeit behauptest.

Wer das Measurement-Setup in ActiveCampaign strukturiert aufbauen will – eigene Berichte einrichten, Segmentvergleiche systematisieren, Referenzwerte konsequent dokumentieren –, findet bei der Advertal ActiveCampaign-Agentur Unterstützung für die Einrichtung eines eigenen Reporting-Setups, das zum eigenen Markt und zur eigenen Listensituation passt.