Die 7 wichtigsten Retail-Kennzahlen für erfolgreiches E-Commerce Marketing

Retail-Kennzahlen im E-Commerce sind dann nützlich, wenn sie direkt in Handlungsentscheidungen münden: Welches Segment bekommt welche Kampagne? Wann beginnt eine Reaktivierungsstrecke? Welcher Kanal lohnt sich bei diesem Kundenwert? Dieser Beitrag zeigt die sieben Kennzahlen, die dafür am meisten tragen – und wie du sie in ActiveCampaign konkret umsetzt.

Das Wichtigste in Kürze

• Customer Lifetime Value, Kauffrequenz und Retention Rate sind die drei Kennzahlen, die die meisten anderen erklären und die du zuerst aufbauen solltest.
• ActiveCampaign bildet alle sieben Kennzahlen über Custom Fields, Tags, Scores und Deep-Data-Integration ab – das Grundgerüst läuft ab dem Plus-Plan.
• Vanity Metrics wie Öffnungsrate entscheiden nicht über Shop-Profitabilität; CLV und Retention Rate schon.
• Das Setup lohnt sich erst, wenn du mindestens zwei Segmente unterschiedlich bespielen willst – darunter reicht eine einfache Post-Purchase-Sequenz.
• Typische Fehler: Tracking ohne Zielgröße, Scoring ohne definierten Schwellenwert, zu viele Tags ohne Auswertungsplan.

Warum die meisten Shop-Betreiber die falschen Kennzahlen messen

Öffnungsrate, Klickrate, Conversion Rate – das sind die Zahlen, die in fast jedem E-Commerce-Dashboard prominent stehen. Sie sind nicht wertlos, aber sie erklären nicht, warum ein Shop profitabel ist oder nicht. Wer tausende Euro in Akquise investiert, aber nicht weiß, wie viel ein neuer Kunde in drei Jahren einbringt, trifft Budgetentscheidungen auf Basis von Bauchgefühl.

Das Kernproblem ist ein Kategorienfehler: Öffnungsrate ist eine Kampagnen-Metrik. Sie sagt aus, wie gut eine einzelne E-Mail funktioniert hat. Retention Rate und Customer Lifetime Value sind Geschäftsmetriken. Sie sagen aus, ob das Geschäftsmodell funktioniert. Beide Kategorien braucht man – aber sie beantworten unterschiedliche Fragen, und wer sie durcheinanderbringt, optimiert Kampagnen in einem Shop, der strukturell nicht profitabel ist.

Die sieben Kennzahlen in diesem Beitrag sind Geschäftsmetriken. Sie messen, was Kunden über ihren gesamten Lebenszyklus tun, nicht nur ob sie eine E-Mail angeklickt haben. Wer sie kennt und in ActiveCampaign abbildet, kann Marketing gezielt steuern statt auf Aggregatdaten zu reagieren.

Customer Lifetime Value – die Kennzahl, die alle anderen zusammenhält

Der Customer Lifetime Value (CLV) beschreibt, wie viel Umsatz ein Kunde vom ersten bis zum letzten Kauf einbringt. Er ist die einzige Zahl, die dir sagt, wie viel du für Akquise ausgeben kannst, ohne langfristig ins Minus zu rutschen. Alle anderen Kennzahlen in diesem Beitrag sind entweder direkte Treiber des CLV oder Frühindikatoren dafür, dass er sinkt.

CLV berechnen: eine nachbaubare Formel

Die einfachste CLV-Formel für den Einstieg: durchschnittlicher Bestellwert × durchschnittliche Kauffrequenz pro Jahr × durchschnittliche Kundenbindungsdauer in Jahren. Ein Beispiel, das du direkt nachrechnen kannst: Ein Kunde bestellt im Schnitt für 75 Euro, kauft zweimal im Jahr und bleibt 2,5 Jahre aktiv. CLV = 75 × 2 × 2,5 = 375 Euro. Liegen deine Akquisekosten pro Neukunde bei 60 Euro, ist das Verhältnis vertretbar. Liegen sie bei 250 Euro, hast du ein strukturelles Problem.

Diese Rechnung liefert den historischen CLV auf Basis vergangener Daten. Shops mit gut gefülltem CRM können darüber hinaus den prognostischen CLV berechnen, der Kaufwahrscheinlichkeiten einbezieht. Für den Einstieg reicht die einfache Formel. Entscheidend ist, sie nicht nur als Gesamtdurchschnitt zu kennen, sondern für Kundensegmente zu berechnen: Neukunden, Stammkunden, VIP-Kunden. Der Unterschied zwischen diesen Gruppen zeigt dir, wo dein Wachstum wirklich herkommt.

CLV in ActiveCampaign abbilden

ActiveCampaign speichert den CLV nicht automatisch – du baust ihn aktiv auf. Das Grundgerüst besteht aus drei Custom Fields: Erstkaufdatum, Gesamtumsatz und Anzahl Bestellungen. Diese drei Felder werden bei jedem Kauf über eine Automation aktualisiert, die vom Shop-System getriggert wird. Bei WooCommerce und Shopify läuft das über die Deep-Data-Integration, die ActiveCampaign nativ mitbringt – Bestelldaten landen direkt im Kontaktdatensatz, ohne Middleware.

Sobald diese Felder befüllt sind, kannst du Segmente anlegen: Kunden mit Gesamtumsatz über einem definierten Schwellenwert, Kunden mit weniger als zwei Bestellungen in den letzten zwölf Monaten, Kunden mit mehr als vier Bestellungen. Diese Segmente steuern automatisch, welche Automationsstrecke greift – und genau das ist der Punkt: Der CLV muss etwas auslösen, sonst ist er nur ein gut gepflegtes Feld.

Kauffrequenz und durchschnittlicher Warenkorb – zwei Hebel, eine Wirkung

Kauffrequenz und Warenkorbwert sind die direkten Treiber des CLV. Wer beide getrennt betrachtet, erkennt schnell, was im eigenen Shop das größere Hebelpotenzial hat. Ein Shop mit hohem Warenkorbwert, aber niedriger Kauffrequenz profitiert am meisten von einer gezielten Reaktivierungsstrategie. Ein Shop mit hoher Frequenz, aber niedrigem Warenkorb profitiert mehr von Cross-Selling-Kommunikation und Bundle-Angeboten.

In ActiveCampaign bildest du die Kauffrequenz als Custom Field ab, das bei jeder Bestellung automatisch aktualisiert wird. Eine gängige Einteilung: einmaliger Käufer (1 Bestellung), Gelegenheitskäufer (2–4 Bestellungen pro Jahr), Stammkunde (5 oder mehr). Diese Einteilung bestimmt, in welche Segment-Automation ein Kontakt fällt. Einmalige Käufer bekommen eine gezielte zweite Bestellung aktiv angestoßen. Stammkunden erhalten Loyalitäts-Kommunikation, die anders gewichtet ist als Akquise-E-Mails.

Den durchschnittlichen Warenkorbwert berechnest du aus dem Custom Field für Gesamtumsatz geteilt durch Anzahl Bestellungen – beides hast du bereits aus dem CLV-Setup. Eine Automation berechnet bei jeder neuen Bestellung den aktuellen Durchschnitt und trägt ihn ins entsprechende Custom Field ein. So hast du jederzeit einen aktuellen Wert pro Kontakt, nicht nur einen Shop-Gesamtdurchschnitt aus dem Analytics-Dashboard.

Retention Rate und Churn: wann ein Kunde verloren geht

Die Retention Rate misst den Anteil der Kunden, die in einem definierten Zeitraum wiederkaufen. Ihr Gegenstück, die Churn Rate, misst den Anteil, der abwandert. Im E-Commerce ist Churn oft unscharf definiert: Anders als bei Abonnements kündigt ein Kunde nicht aktiv – er kauft einfach nicht mehr. Deshalb braucht man eine klare Definition, ab wann ein Kontakt als inaktiv gilt.

Inaktivität definieren und Churn früh erkennen

Eine in der Praxis bewährte Methode: Du legst je nach typischer Wiederkauffrequenz deiner Branche ein Inaktivitätsfenster fest. Bei Produkten, die Kunden alle 8–12 Wochen neu bestellen (Verbrauchsartikel, Nahrungsergänzung, Körperpflege), ist 90 Tage ohne Kauf ein Frühwarnsignal. Bei saisonalen Sortimenten oder Einrichtungsgegenständen kann das Fenster zwölf Monate betragen. Die Zahl ergibt sich aus deinen Bestelldaten, nicht aus einer allgemeinen Daumenregel.

In ActiveCampaign setzt du diese Logik als datumbasierten Trigger um: Wenn das Custom Field Letzter Kauf weiter als X Tage zurückliegt und noch keine neue Bestellung vorliegt, startet eine Reaktivierungsstrecke. Das Engagement-Scoring ist dabei ein wichtiger Ergänzungsindikator: Wer inaktiv ist und auch E-Mails nicht mehr öffnet, reagiert anders als wer noch klickt, aber nicht kauft. Die Kombination beider Signale macht die Reaktivierungskommunikation deutlich treffsicherer.

Retention Rate und Churn lassen sich auch als Kohorten-Analyse auswerten: Wie viele Kunden, die in Quartal X erstmals kauften, haben sechs Monate später erneut gekauft? Diese Sichtweise ist aufschlussreicher als ein Gesamtdurchschnitt, weil sie zeigt, ob sich die Kundenbindung über Zeit verbessert oder verschlechtert – und ob Maßnahmen aus dem Vorquartal gewirkt haben.

Engagement-Scoring: wer ist wirklich dabei?

Ein Kunde kann auf viele Arten mit einem Shop in Kontakt kommen, ohne zu kaufen: E-Mails lesen, Produktseiten besuchen, Bewertungen lesen, den Warenkorb füllen und verlassen. All diese Signale zusammenzufassen ist der Zweck des Engagement-Scores. Er macht sichtbar, wer kurz vor einem Kauf steht, wer gerade abkühlt und wer in die Reaktivierungsautomation gehört.

ActiveCampaign hat dafür einen eingebauten Lead-Scoring-Mechanismus. Du definierst Ereignisse und weist ihnen Punkte zu. Ein praxistaugliches Basismodell für E-Commerce:

• E-Mail geöffnet: +1 Punkt, verfällt nach 30 Tagen ohne weiteres Öffnen
• E-Mail-Link geklickt: +3 Punkte, verfällt nach 30 Tagen
• Produktseite besucht (Site Tracking): +2 Punkte
• Warenkorb-Seite aufgerufen: +5 Punkte
• Kauf abgeschlossen: +10 Punkte, setzt Decay-Timer zurück
• Produktbewertung abgegeben: +7 Punkte
• Keine Aktivität für 45 Tage: −5 Punkte

Wichtig ist, dass du Schwellenwerte definierst, bevor du das Scoring aktivierst. Ohne Schwellenwert ist der Score eine Zahl ohne Konsequenz. Eine gängige Einteilung: Über 30 Punkte bedeutet aktives VIP-Segment mit dichterem Kommunikationsrhythmus. Zwischen 10 und 30 Punkten liegt die Standard-Pflege. Unter 10 Punkten greift die Reaktivierungsautomation. Kontakte, die nach 90 Tagen auf 0 oder darunter sind, kommen in eine Bereinigungssequenz.

Retourenquote: nicht nur ein Kostenfaktor

Retouren sind in vielen E-Commerce-Sortimenten unvermeidbar, besonders im Fashion-Bereich. Die Retourenquote als Kennzahl ist deshalb nicht primär ein Kostenproblem, sondern ein Informationsproblem: Wo gibt es die höchste Rücklaufquote, und was ist die Ursache? Zu ungenaue Produktbeschreibungen, irreführende Größenangaben, schlechte Verpackung und nicht erfüllte Erwartungen hinterlassen alle erkennbare Muster in den Rückgabedaten – wenn du sie auswertbar machst.

In ActiveCampaign führst du die Retourenquote pro Kontakt als Custom Field: Anzahl Bestellungen vs. Anzahl Retouren. Kontakte mit überdurchschnittlich hoher Retourenquote können in ein spezielles Segment verschoben werden, das gezieltere Produktempfehlungen erhält – weniger automatisches Upselling auf ähnliche Artikel, mehr Kommunikation, die Erwartungen präziser setzt.

Ein konkretes Setup: Bei jeder Retoure triggert das Shop-System eine Automation, die eine Kurzumfrage mit einem einzigen Feld sendet – Rückgabegrund. Die Antworten werden als Tag gespeichert, zum Beispiel retoure-groesse, retoure-qualitaet oder retoure-falschertikel. Über diese Tags wertest du monatlich aus, welcher Rückgabegrund am häufigsten vorkommt, und kannst redaktionelle oder logistische Verbesserungen priorisieren. Die Umfrage selbst läuft in ActiveCampaign über ein einfaches Formular, dessen Übermittlung einen Webhook-Trigger auslöst.

Net Promoter Score im E-Commerce: wann er trägt und wann nicht

Der NPS ist einfach zu erheben: Wie wahrscheinlich würdest du uns weiterempfehlen? – auf einer Skala von 0 bis 10. Antworten von 9–10 gelten als Promoter, 7–8 als Passive, 0–6 als Detraktoren. Der NPS-Wert ergibt sich aus der Differenz: Prozentsatz der Promoter minus Prozentsatz der Detraktoren.

Im E-Commerce funktioniert der NPS dann gut, wenn er kurz nach einer konkreten Erfahrung erhoben wird – nach dem ersten Kauf, nach der Produktlieferung, nach einem Support-Kontakt. Ein NPS, der einmal jährlich in einem allgemeinen Newsletter landet, misst vor allem, wer in der richtigen Stimmung ist, als er die E-Mail öffnet. Das ist kein zuverlässiges Signal.

In ActiveCampaign baust du den NPS-Workflow in die Post-Purchase-Automation ein. Sieben bis zehn Tage nach bestätigter Lieferung geht die Anfrage raus. Die Antwort wird über einen Webhook als Custom Field gespeichert. Basierend auf diesem Wert verzweigt die Automation:

• Promoter (9–10): automatische Bitte um Plattform-Bewertung und optionale Weiterempfehlung
• Passive (7–8): kurze Nachfrage, was besser sein könnte, mit einem einfachen Freitextfeld
• Detraktoren (0–6): persönliche E-Mail ohne automatisierte Angebote, mit Möglichkeit für direktes Feedback

Was der NPS nicht misst: warum ein Kunde Promoter oder Detraktor ist. Deshalb sollte er bei Detraktoren mit einer offenen Folgefrage kombiniert werden. Die Antwort dort liefert oft konkretere Hinweise als der Score selbst.

So richtest du das E-Commerce-Tracking in ActiveCampaign ein – Schritt für Schritt

Das folgende Setup verbindet alle sieben Kennzahlen zu einem funktionsfähigen System. Es setzt voraus, dass du einen Shop mit WooCommerce oder Shopify betreibst und ActiveCampaign mit Deep Data verbinden willst.

1. Deep-Data-Integration aktivieren: ActiveCampaign → Einstellungen → Integrationen → WooCommerce oder Shopify verbinden. Sobald aktiv, synchronisiert ActiveCampaign Bestelldaten, Bestellwerte und Bestellstatus automatisch in den Kontaktdatensatz.
2. Custom Fields anlegen: Unter Kontakte → Felder verwalten die Felder Erstkaufdatum (Datum), Letzter Kauf (Datum), Gesamtumsatz (Zahl), Anzahl Bestellungen (Zahl), CLV-Segment (Dropdown: Einsteiger / Stammkunde / VIP), NPS-Wert (Zahl) und Retourenquote (Zahl) anlegen.
3. Bestellautomation aufsetzen: Automationen → Erstellen → Auslöser Kauf abgeschlossen. Die Automation aktualisiert bei jedem Kauf die Custom Fields für Gesamtumsatz, Anzahl Bestellungen und Letzter Kauf. Sie berechnet den durchschnittlichen Bestellwert und weist das CLV-Segment zu.
4. Engagement-Score konfigurieren: Kontakte → Lead Scoring → Neues Score-Modell. Ereignisse und Punktwerte wie oben beschrieben eintragen. Verfalls-Regeln hinzufügen, damit inaktive Kontakte automatisch Punkte verlieren.
5. Site Tracking aktivieren: ActiveCampaign → Einstellungen → Tracking → Site-Tracking-Code in den head-Bereich deines Shops einfügen. Danach sind Produktseitenbesuche und Warenkorbseiten als Trigger und Scoring-Ereignisse verfügbar.
6. Reaktivierungsautomation anlegen: Auslöser: Feld Letzter Kauf ist älter als X Tage UND Lead-Score kleiner als definierter Schwellenwert. Die Automation startet eine mehrstufige Reaktivierungssequenz. Wer am Ende nicht reagiert, wird aus aktiven Segmenten entfernt und einem Bereinigungspfad zugewiesen.
7. NPS-Automation einrichten: Auslöser Kauf abgeschlossen, Wartezeit 7–10 Tage, dann NPS-E-Mail. Webhook oder Formular-Aktion schreibt die Antwort in das Custom Field NPS-Wert. Bedingung verzweigt auf Promoter-, Passiv- und Detraktor-Strecke.

Welcher ActiveCampaign-Plan bietet was für E-Commerce-Tracking?

Nicht jede der sieben Kennzahlen ist auf jedem Plan sofort vollständig verfügbar. Diese Tabelle zeigt, was du je nach Plan umsetzen kannst:

Das Grundgerüst aus CLV, Kauffrequenz, Site Tracking und Retourenquote läuft bereits ab Plus. Für fortgeschrittene Setups mit Kanal-Attribution und Predictive Sending braucht man Professional. Wer gerade startet: Plus reicht für die ersten drei bis vier Kennzahlen, die im Alltag den größten Unterschied machen.

Typische Fehler beim Kennzahlen-Setup

Die häufigsten Probleme entstehen nicht im Aufbau einzelner Kennzahlen, sondern im Zusammenspiel mehrerer Systeme und im fehlenden Folgeschritt nach dem Setup. Diese Fehler führen in der Praxis am häufigsten zu einem fehlerhaften oder ungenutzten Datenbild:

• Tracking ohne Zielgröße: CLV wird berechnet, aber nie genutzt, um Segmente oder Automationen zu steuern. Das Ergebnis sind gepflegte Felder, die niemand auswertet. Besser: vor dem Setup festlegen, welche konkreten Segmente und Automations-Trigger aus dem CLV abgeleitet werden.
• Scoring ohne Schwellenwert: Lead-Score-Modelle laufen monatelang, ohne dass jemals eine Automation an einem Score-Wert hängt. Der Score ist dann eine Visualisierung, keine Handlungsgrundlage.
• Zu viele Tags ohne Auswertungsplan: Jeder Kauf, jede Produktkategorie, jede Aktion bekommt einen eigenen Tag. Nach einem Jahr hat ein Kontaktdatensatz 80 Tags, von denen niemand mehr weiß, was sie ursprünglich bedeuten sollten. Besser: Tags nach einem festen Schema vergeben und eine Namenskonvention festlegen, bevor man beginnt.
• Marketingeinwilligung und Kaufdaten nicht sauber verbunden: Transaktionsdaten und Marketingkommunikation sind rechtlich unterschiedlich geregelt. Wer Automationen auf Kontakte aufbaut, die keinen Marketing-Opt-in haben, riskiert bei werblichen E-Mails DSGVO-Probleme. Das Consent-Feld muss Teil der Segmentierungslogik sein.
• Historische Daten nicht importiert: Wer ActiveCampaign neu verbindet und nur Daten ab dem Aktivierungsdatum synchronisiert, hat für alle Bestandskunden CLV = 0. Eine einmalige Migration der historischen Bestelldaten über die API oder einen Import-CSV ist deshalb ein notwendiger erster Schritt.

Wann dieses Setup nicht passt

Das oben beschriebene System lohnt sich erst ab einer Mindestgröße. Wer weniger als 500 aktive Kontakte in ActiveCampaign hat oder pro Monat weniger als 50 Bestellungen abwickelt, wird aus Segmentierungen kaum handlungsfähige Gruppen destillieren. In diesem Stadium ist eine einfache Post-Purchase-E-Mail-Sequenz effektiver als ein ausgefeiltes Scoring-Modell.

Das System passt außerdem schlecht zu Shops mit strukturell einmaligen Kaufentscheidungen: Hochzeitsmode, Umzugskartons, Sondermaschinenbau. Dort ist CLV als Kernkennzahl ungeeignet; relevanter sind Average Order Value und Customer Acquisition Cost. Das Kennzahlen-Setup sollte dem Kaufverhalten folgen, nicht einer allgemeinen Best Practice.

Und: Alles setzt voraus, dass die Shop-Integration sauber Bestelldaten liefert. Wer mit einem selbstentwickelten Shop-System arbeitet, das keine Standard-Webhooks hat, braucht zuerst eine technische Integrationsschicht – zum Beispiel über Make oder eine direkte API-Anbindung –, bevor die Automationen greifen. Der erste Schritt ist also nicht ActiveCampaign konfigurieren, sondern sicherstellen, dass die Datenpipeline stabil läuft.

Häufige Fragen

Wie hoch sollte der Customer Lifetime Value im Verhältnis zu den Akquisekosten sein?

Grundsätzlich gilt: Je geringer die Marge, desto enger muss das Verhältnis zwischen CLV und Akquisekosten sein. Wer die eigenen Zahlen kennt, erkennt schnell, ob das Verhältnis tragbar ist oder ob strukturell zu viel für Neukunden ausgegeben wird. Den Zielwert kannst du nur aus deinen eigenen Margen, deiner Wachstumsphase und deinen Kanalkosten ableiten – eine allgemeine Daumenregel ersetzt diese Rechnung nicht.

Welche Shop-Systeme lassen sich nativ mit ActiveCampaign für E-Commerce-Tracking verbinden?

ActiveCampaign unterstützt Deep-Data-Integrationen nativ für WooCommerce, Shopify, BigCommerce und Magento. Bestellungen, Warenkorbabbrüche und Produktdaten werden direkt in den Kontaktdatensatz synchronisiert, ohne zusätzliche Middleware. Alle anderen Systeme wie PrestaShop, OXID oder eigene Systeme benötigen eine Custom-Integration über die ActiveCampaign-API oder einen Automationsdienst wie Make oder Zapier.

Was ist der Unterschied zwischen Engagement-Scoring und Lead Scoring in ActiveCampaign?

In ActiveCampaign ist Lead Scoring der technische Name für die Funktion, die du für beides nutzt. Im B2B-Kontext wird der Score oft zur Vertriebspriorisierung verwendet. Im E-Commerce-Kontext misst dasselbe System das Kundenengagement nach dem Kauf. Die Logik ist identisch, der Zweck ist unterschiedlich: nicht Leads qualifizieren, sondern Bestandskunden nach Aktivität einteilen und daraus Automations-Trigger ableiten.

Wie gehe ich mit Kunden um, die hohen CLV haben, aber NPS-Detraktoren sind?

Diese Kombination ist kritisch: Ein Kunde, der viel kauft, aber unzufrieden ist, hat ein kurzes Haltbarkeitsdatum. Er kauft aus Gewohnheit oder mangels besserer Alternative – empfiehlt aber nicht weiter, und beim nächsten überzeugenden Konkurrenzangebot wechselt er. Diese Gruppe braucht persönlichen Kontakt, keine automatisierten Angebote. In ActiveCampaign filterst du dieses Segment über eine UND-Bedingung: CLV-Segment = VIP UND NPS-Wert unter 7.

Wann ist es sinnvoll, demografische Daten in die Segmentierung einzubeziehen?

Demografische Daten wie Alter, Geschlecht oder Standort tragen dann zur Segmentierung bei, wenn sie tatsächlich unterschiedliches Kaufverhalten erklären – und nicht, weil sie einfach zu erheben sind. In vielen Shops erklärt das Kaufverhalten (Kauffrequenz, bevorzugte Produktkategorie, Warenkorbwert) deutlich mehr als Demografie. Wenn du demografische Daten erhebst, brauchst du einen DSGVO-konformen Opt-in-Prozess und eine klare Antwort darauf, welche Kommunikation sich dadurch konkret ändert.

Wer alle sieben Kennzahlen auf einmal aufbauen will, verliert sich meistens im Setup und endet mit halbfertigen Automationen. Der praktischere Weg ist: CLV, Kauffrequenz und Engagement-Scoring zuerst, weil sie die Grundlage für alle anderen Segmentierungsentscheidungen bilden. Retention Rate und NPS kommen dazu, sobald die Basisdaten zuverlässig fließen. Wer dabei Unterstützung bei der technischen Umsetzung in ActiveCampaign sucht, findet auf unserer Advertal-Serviceseite einen Überblick, was Advertal dabei begleitet.