Aktivierungsfunnel-Optimierung: Onboarding und Time-to-Value

Die meisten B2B SaaS- und PLG-Produkte verlieren zwischen Anmeldung und Aktivierung 60 bis 80 Prozent ihrer Nutzer, und fast niemand hat kartiert, wo genau. Die PM beschuldigt das Marketing für „schwache Leads". Marketing beschuldigt das Produkt für ein mangelhaftes Onboarding. Der Funnel liegt in einem Mixpanel-Dashboard, das niemand öffnet, und das wöchentliche Growth-Meeting wird zur Debatte über Anzeigenmotive, während die Hälfte der bezahlten Anmeldungen sich nie ein zweites Mal einloggt.

Wenn Sie der Growth Marketer sind, ist das Ihr Problem. Ob die Organisation es zugibt oder nicht: Aktivierung liegt an der Naht zwischen Akquise und Produkt, und diese Naht gehört Ihnen. Die Akquise will mehr Volumen. Das Produkt will saubereren Code. Der Drop-off zwischen Anmeldung und Mehrwert ist das niemandem gehörende Mittelstück, und es ist meistens der größte Hebel im Unternehmen.

Dieses Playbook zeigt, wie Sie ihn in die Hand nehmen.

Den Aha-Moment in Kohortendaten finden, nicht im Kopf des Gründers

Jedes Team, mit dem ich zusammengearbeitet habe, hat einen „Kernwertmoment", den jemand, meistens der Gründer, in einem Deck von 2018 benannt hat. Er ist fast immer falsch, oder zumindest richtungslos bequem. Der Aha-Moment ist die Aktion, bei der Nutzer, die sie in Woche 1 ausführen, eine 2- bis 3-fach höhere Bindungsrate aufweisen als Nutzer, die es nicht tun. Man findet ihn durch die Betrachtung von Bindungskurven, nicht durch Nabelschau.

Die Klassiker sind berühmt, weil sie datenbasiert definiert wurden, nicht bauchgefühlbasiert. Slack hat „2.000 Nachrichten als Team senden" nicht gewählt, weil es in einer Vorstandssitzung gut klang. Sie haben Teams nach Nachrichtenvolumen in den ersten Wochen gruppiert und festgestellt, dass die Bindungsrate oberhalb dieser Schwelle stark anstieg. Dropbox fand heraus, dass „1 Datei in 1 Ordner auf mindestens 1 Gerät" die Kundenbindung besser vorhersagte als die Anzahl der Dateien oder der verwendete Speicherplatz. Figma beobachtete, dass das erste geteilte File die Aktion war, die einen einzelnen Nutzer in ein Team von Nutzern verwandelte.

Das Muster ist jedes Mal dasselbe. Nutzer nach Anmeldewoche in Kohorten einteilen. Jede Kohorte danach segmentieren, ob die Nutzer eine Kandidatenaktion in den ersten 7 Tagen durchgeführt haben. Die Bindungskurve für Tag 7, Tag 14 und Tag 30 für jedes Segment darstellen. Die Aktion, deren Bindungskurven am weitesten auseinanderliegen, ist der Aha-Moment-Kandidat.

Ein praktisches SQL-Muster, in einfachen Worten:

1. Alle Anmeldungen der letzten 12 Wochen abrufen.
2. Für jeden Nutzer kennzeichnen, ob er die Kandidatenaktion innerhalb von 7 Tagen nach der Anmeldung durchgeführt hat.
3. Day-7-, Day-14- und Day-30-Kundenbindung für beide Segmente berechnen.
4. Für 5 bis 10 Kandidatenaktionen wiederholen: hat ein Teammitglied eingeladen, einen Datensatz erstellt, eine Integration verbunden, eine Nachricht gesendet, einen Bericht ausgeführt usw.
5. Die Aktion mit dem größten Bindungsunterschied und einer vernünftigen Adoptionsrate (mindestens 30 Prozent der Nutzer sollten sie erreichen, sonst bleibt die Steigerung theoretisch) ist der Aha-Moment.

Nicht allein nach Steigerung wählen. Eine Aktion, die die Bindungsrate um das 4-Fache steigert, aber nur von 5 Prozent der Nutzer je erreicht wird, ist kein Aha-Moment, sondern ein Power-User-Verhalten. Es braucht sowohl die Steigerung als auch einen Weg, den die meisten Nutzer realistisch gehen können.

Wenn der Gründer besteht, dass der Aha-Moment etwas ist, das die Daten nicht stützen, haben Sie zwei Aufgaben: die Analyse trotzdem vorlegen und das Gespräch führen. Aktivierung ist ein Kundenbindungsproblem, kein Meinungsproblem.

Der 5-stufige Funnel mit realistischen Drop-off-Bereichen

Sobald der Aha-Moment definiert ist, instrumentieren Sie den Weg dorthin als 5 Stufen. Jedes B2B PLG-Produkt lässt sich so modellieren:

1. Anmeldung. E-Mail verifiziert, Konto vorhanden.
2. Einrichtung. Workspace erstellt, erste Konfiguration abgeschlossen, optional ein Teammitglied eingeladen.
3. Erste Aktion. Der Nutzer hat das Objekt erstellt: einen Datensatz, ein Projekt, ein Dokument, einen Deal.
4. Erster Mehrwert (der Aha-Moment). Das Objekt hat etwas Nützliches getan. Das Dashboard hat sich befüllt. Die E-Mail wurde gesendet. Der Teamkollege hat geantwortet.
5. Gewohnheit. 3 oder mehr Mal in Woche 1 zurückgekehrt, oder den Aha-Moment mindestens 3 Mal erreicht.

Realistische Drop-off-Raten für ein typisches PLG B2B-Produkt sehen so aus:

• Anmeldung zu Einrichtung: 30 bis 40 Prozent Drop-off
• Einrichtung zu erster Aktion: 25 bis 35 Prozent Drop-off
• Erste Aktion zu erstem Mehrwert: 20 bis 30 Prozent Drop-off
• Erster Mehrwert zu Gewohnheit: 15 bis 25 Prozent Drop-off

Der Zinseszinseffekt ist brutal. Wenn jede Stufe eine 75-prozentige Durchlaufquote hat, landet man am Ende bei 32 Prozent Aktivierung. Um eine 50-prozentige End-to-End-Aktivierung zu erreichen, muss jede Stufe 85 Prozent oder besser sein. Die meisten Produkte haben eine Stufe, die doppelt so stark leckt wie die anderen. Das ist die Stufe, die zuerst behoben wird.

Hier ein realitätsnahes Beispiel aus einem PLG-CRM, mit dem ich gearbeitet habe:

End-to-End: 22 Prozent. Die Einrichtungs- und die Erster-Mehrwert-Stufe verlieren zu viel. Die Einrichtung lässt sich mit einem kleineren Pflichtfeld-Set und einem Beispiel-Workspace beheben. Der erste Mehrwert lässt sich beheben, indem man in Stufe 1 einen vorbereiteten Deal einfügt, damit die erste Sitzung einen Stufenwechsel demonstrieren kann, ohne 30 Minuten Dateneingabe.

Instrumentierung: Events, Properties und das Dashboard, das nicht lügt

Ein Event pro Stufe auslösen, konsistent benannt, mit demselben Property-Set:

• signup_completed
• setup_completed
• first_action_completed
• first_value_reached
• habit_formed

Folgende Properties an jedes Event anhängen: signup_source (paid, organic, referral, partner), plan (free, trial, paid), team_size (selbst angegeben oder abgeleitet), role (admin, member, viewer), industry, cohort_week. Die Properties zählen mehr als die Events. Ohne sie weiß man, dass 36 Prozent der Nutzer die Einrichtung erreichen, aber nicht, dass 14 Prozent der paid-source-Nutzer die Einrichtung erreichen gegenüber 52 Prozent der referral-source-Nutzer, was die eigentliche Geschichte ist.

Das Dashboard-Layout, das Drop-off sichtbar macht: Kohortenwoche in den Zeilen, die 5 Funnel-Stufen als Spalten, Durchlaufprozentsätze in den Zellen, bedingte Formatierung zur Hervorhebung von Zellen unter 70 Prozent. Eine Ansicht pro Quelle. Eine Ansicht pro Plan. Wenn man das zum ersten Mal einem PM vorlegt, der über „Engagement" redet, ohne Zahlen zu liefern, wird er schweigen.

Die Diagnosen benennen, damit das Team darüber sprechen kann, ohne sie jedes Mal neu herzuleiten:

• Ghost-Anmeldungen. E-Mail verifiziert, nie wieder eingeloggt. Fast immer ein Marketing- oder Erwartungsproblem. Die Landingpage hat etwas versprochen, das das Produkt nicht von Anfang an liefert. Auf der Akquise-Seite beheben, nicht auf der Produkt-Seite.
• Leerer-Anfangszustand-Stalls. Eingeloggt, nichts erstellt. Das Produkt hat ein leeres Dashboard gezeigt und der Nutzer hat abgebrochen. Das ist der größte Aktivierungskiller in B2B PLG. Mehr dazu im nächsten Abschnitt.
• Einrichtungsabbrecher. Einrichtung begonnen, ein Pflichtfeld getroffen, das sie nicht ausfüllen konnten oder wollten. Pflichtfelder rigoros auditieren.
• Mehrwert nie eingetroffen. Das Produkt verwendet, aber der magische Moment hat nie gezündet. Bedeutet meistens, dass der Weg von der ersten Aktion zum ersten Mehrwert zu lang, zu versteckt oder von Daten abhängig ist, die der Nutzer noch nicht hat.

Jede Diagnose hat einen anderen Fix. Sie als eine Sache zu behandeln („unsere Aktivierung ist schlecht") ist der Weg, wie Teams 6 Monate UI-Politur liefern, die die Metrik nicht bewegt.

Das Leerer-Anfangszustand-Problem

Eine First-Run-Oberfläche, die keine Daten anzeigt, ist der mit Abstand größte Aktivierungskiller in B2B PLG. Ein leeres Dashboard fühlt sich wie Hausaufgaben an. Man hat sich angemeldet, um den Mehrwert zu sehen, und jetzt verlangt das Produkt 40 Minuten Arbeit, bevor es irgendetwas zeigt. Man schließt den Tab. Man kommt nicht zurück.

Drei Muster funktionieren, in aufsteigender Investitionsreihenfolge:

Vorab befüllte Beispieldaten. Der Workspace wird mit einem synthetischen Projekt, Deal, Dokument oder Datensatz ausgeliefert, der bereits enthalten ist. Der Nutzer landet auf einem befüllten Dashboard und kann es erkunden. Charts werden gerendert. Filter funktionieren. Das Produkt wirkt lebendig. Die beste Version davon lässt den Nutzer die Beispieldaten mit einem Klick löschen, wenn er bereit ist, zwingt ihn aber nicht zur sofortigen Entscheidung.

Erkunden vor Erstellen. Eine schreibgeschützte Tour durch einen vollständig befüllten Demo-Workspace, dann eine Schaltfläche „Eigenen erstellen". Notion macht eine Version davon. Linear macht eine Version davon. Der Nutzer lernt das Produkt kennen, bevor er es befüllen muss.

Interaktive Produkt-Touren, die ein echtes Artefakt erzeugen. Nicht die „Hier klicken, jetzt hier klicken"-UI-Overlay-Tour, die alle überspringen. Die Tour ist ein geführter 90-Sekunden-Ablauf, der endet, wenn der Nutzer ein echtes Objekt besitzt: seinen ersten Deal, sein erstes Dokument, seine erste Automatisierung. Die Tour ist die erste Aktion, kein Tutorial über die erste Aktion.

Der falsche Fix ist mehr Onboarding-Overlays. Tooltip-Karussells sind das Aktivierungsäquivalent von „Haben Sie es schon mit Aus- und Einschalten versucht?" Sie geben dem Team das Gefühl, produktiv zu sein. Sie bewegen die Metrik nicht.

Fix-Muster für Mehrwert-Stalls

Wenn Nutzer die Einrichtung oder die erste Aktion erreichen, aber nie den ersten Mehrwert erlangen, liegt ein Mehrwert-Stall vor. Die Fix-Muster, nach Hebelwirkung geordnet:

• Templates. Von einem funktionierenden Beispiel starten, nicht von einer leeren Vorlage. Das Template sollte ein echtes Artefakt in ihrem Workspace sein, das sie verändern können, kein „Starterset", das sie erst importieren müssen. Templates steigern die Erster-Mehrwert-Rate mehr als jede andere einzelne Maßnahme, die ich gesehen habe.
• Samples. Synthetische Daten, die der Nutzer bearbeiten, ausführen und ausprobieren kann. Unterscheidet sich von Templates, weil Samples Demonstrationsdaten innerhalb einer leeren Struktur sind, während Templates die Struktur selbst sind.
• Überspringen-Schaltflächen. Power-User das Onboarding ohne Nachteil überspringen lassen. Ein befreundeter Growth-PM hat einmal gemessen, dass 18 Prozent der Trial-Anmeldungen den gesamten Onboarding-Ablauf übersprungen haben, wenn die Option angeboten wurde, und dieses Segment hatte eine höhere Aktivierungsrate als das Segment, das das Onboarding abgeschlossen hat. Schnelle Nutzer wollen in Ruhe gelassen werden. Sicherstellen, dass der Überspringen-Pfad keine Attributionsdaten verliert.
• Checklisten mit sichtbarem Fortschritt. Eine 5-Punkte-Aktivierungscheckliste, dauerhaft in der Seitennavigation, mit Abschlussstatus. Der Trick besteht darin, die Punkte so klein zu machen, dass der erste bereits erledigt ist, wenn die Liste zu Ende gelesen ist. Momentum ist der eigentliche Mechanismus, nicht die Checkliste.
• Menschliche Anstöße. Gründer-E-Mail nach 24 Stunden, wenn der Nutzer Stufe 3 noch nicht erreicht hat. Keine Marketing-E-Mail. Eine kurze, reiner-Text-Nachricht: „Ich habe gesehen, dass Sie sich angemeldet haben, hier ist das, was 90 Prozent der Teams zuerst tun". Öffnungsraten über 50 Prozent. Antwortquoten über 5 Prozent. Aus diesen Antworten lernt man mehr als aus jeder Session-Aufnahme.

Die Muster kombinieren. Templates plus eine Checkliste plus ein 24-Stunden-Anstoß bewegen die Aktivierung mehr als jedes einzelne davon allein.

Onboarding-Änderungen testen (sequenziell, nicht parallel)

Aktivierungstests sind keine Landingpage-Tests. Die Population ist klein. Das Signal ist verrauscht. Die Tests interagieren miteinander auf eine Art, die Auswertungen kontaminiert. Einen Variant nach dem anderen ausführen.

Regeln, an die ich mich halte:

1. Immer nur ein Variant. Zwei parallele Onboarding-Tests werden kollidieren. Ein Nutzer, der in Test As Templates-Variant und Test Bs Checklisten-Variant landet, wurde von beiden behandelt, und die Analyse kann sie ohne mehr Stichprobengröße nicht trennen, als man hat.
2. Mindestens 2 vollständige Wochenkohorenten abwarten. Aktivierungseffekte zeigen sich an Tag 7, manchmal Tag 14. Ein 3-tägiger Test liefert First-Session-Steigerung, die sich nicht überträgt.
3. Day-7-Kundenbindung betrachten, nicht Schritt-Abschluss. Schritt-Abschluss ist eine Vanity-Zahl. Eine neue Checkliste, die den Abschluss von Stufe 3 von 50 auf 70 Prozent steigert, aber die Day-7-Kundenbindung nicht bewegt, ist ein UI-Gewinn und ein Growth-Ergebnis ohne Substanz.
4. Hypothese und MDE vorab registrieren. Bevor der Variant ausgeliefert wird, aufschreiben, welche Steigerung erwartet wird und welche Stichprobengröße nötig ist, um sie mit 80-prozentiger Power zu erkennen. Wenn die Rechnung 4.000 Nutzer pro Arm ergibt und man 600 Anmeldungen pro Woche hat, dauert der Test 13 Wochen. Das im Voraus entscheiden, oder einen anderen Kampf wählen.
5. Schlechte Tests schnell beenden, aber nicht durch Hinschauen. Wenn das Richtungssignal in Woche 1 stark negativ ist, abbrechen. Nicht weiter auf neutrale Ergebnisse schauen und hoffen, dass sie positiv werden. So erzeugt man False Positives und liefert den schlechteren Variant aus.

Das Schwierigste ist, dem Team Nein zu sagen, das in diesem Quartal 5 Onboarding-Tests ausführen möchte. Man kann 2, vielleicht 3, mit Vertrauen ausführen. Mehr als das erzeugt Bewegung, kein Signal.

Die Time-to-Value-Mathematik

Die mediane Time-to-Value (Anmeldung bis Aha-Moment) ist die einzelne aussagekräftigste Metrik für die Aktivierung. Verfolgen Sie sie. Debattieren Sie darüber. Kürzen Sie sie.

Grobe Schwellenwerte, die sich als belastbar erwiesen haben:

• Unter 10 Minuten: gut. Die meisten Nutzer kommen in einer Sitzung ans Ziel.
• Unter 1 Stunde: machbar. Manche Nutzer kommen am zweiten Tag zurück, um fertigzustellen.
• Über 24 Stunden: die meisten Nutzer kommen nicht zurück. Die Sitzung ist vorbei und das Produkt hat den zweiten Besuch nicht verdient.

Die Mathematik beim Kürzen der Time-to-Value ist deutlich positiv. Ein reales Beispiel aus einem B2B-Analytics-Produkt:

• Vorher: Mediane Time-to-Value 45 Minuten (Integration-Setup + Datenwartzeit erforderlich). Day-7-Kundenbindung: 22 Prozent.
• Nachher: Mediane Time-to-Value 8 Minuten (Beispieldatensatz bei Anmeldung, echte Integration optional). Day-7-Kundenbindung: 38 Prozent.

Das ist eine 1,7-fache Steigerung der Day-7-Kundenbindung durch eine einzige Maßnahme. Das Akquise-Team müsste sein qualifiziertes Anmeldevolumen verdoppeln, um dieselbe nachgelagerte Wirkung zu erzielen, wahrscheinlich zu 10-fachen Kosten. Das ist der Grund, warum Aktivierungsarbeit die Growth-Arbeit mit dem höchsten Hebel in den meisten Unternehmen ist: Man kauft keine Nutzer, man hält die, die bereits aufgetaucht sind.

Wie der Aha-Moment auf die Kundenbindung wirkt

Der Grund, warum das alles wichtig ist: Nutzer, die den Aha-Moment in Woche 1 erreichen, weisen eine Bindungsrate von 60 bis 70 Prozent an Tag 30 auf. Nutzer, die ihn nicht erreichen, eine von 15 bis 20 Prozent. Das ist ein 3- bis 4-facher Bindungsunterschied, der sich über die gesamte Kundenlebensdauer summiert.

Eine Überschlagsrechnung zum LTV-Effekt:

• 1.000 monatliche Anmeldungen
• 22 Prozent Aktivierung heute: 220 aktivierte Nutzer, ca. 150 gebunden an Tag 30
• Aktivierung auf 40 Prozent steigern: 400 aktivierte Nutzer, ca. 270 gebunden an Tag 30
• 80 Prozent mehr gebundene Nutzer aus demselben Akquise-Budget

Dasselbe Anzeigenbudget. Dasselbe SEO. Dieselbe Partner-Pipeline. Beinahe doppelt so viele gebundene Nutzer. Das ist die Begründung für die Finanzierung der Aktivierungsarbeit, und es ist die Begründung dafür, sie als Growth Marketer zu übernehmen, anstatt sie an der Naht verrotten zu lassen.

Diagnose-Checkliste für diese Woche

4 Stunden blocken. Das Data Warehouse und das Analytics-Tool öffnen. Diese Liste abarbeiten:

1. Kohortenbindungskurven abrufen. Letzte 12 Wochen Anmeldungen, Bindungsrate an Tag 7, 14, 30. Darstellen.
2. 5 bis 10 Kandidaten-Aha-Aktionen auflisten. Was hofft das Produkt, dass Nutzer tun? Unbewertet auflisten.
3. Bindungsunterschied pro Aktion berechnen. Getan vs. nicht getan, in Woche 1, gegen Day-30-Bindung aufgetragen. Die Aktion mit dem größten Unterschied und mindestens 30 Prozent Adoption finden.
4. Die 5 Funnel-Stufen instrumentieren, wenn sie noch nicht feuern. Das Property-Set hinzufügen (source, plan, team_size, role, cohort_week).
5. Das Kohorte-x-Stufe-Durchlauf-Dashboard erstellen. Eine Zeile pro Kohortenwoche, eine Spalte pro Stufe.
6. Die schlechteste Stufe finden. Die, die doppelt so stark leckt wie die anderen. Die Diagnose benennen (Ghost, leerer Anfangszustand, Einrichtungsabbrecher, Mehrwert nie eingetroffen).
7. Einen Fix liefern. Template, Sample, Überspringen-Schaltfläche oder 24-Stunden-Anstoß. Den Fix der Diagnose anpassen.
8. 2 Kohortenwochen abwarten. Auswertung an Day-7-Kundenbindung, nicht Schritt-Abschluss.

Das ist die Arbeit. Nicht glamourös. Kein Redesign. Kein Re-Plattform. Eine Zahl, eine lecke Stufe, ein Fix, zwei Wochen. Wiederholen, bis die End-to-End-Aktivierung über 40 Prozent liegt. Dann die nächste lecke Stufe finden.

Die Growth Marketer, die ich am meisten respektiere, haben innerhalb von 30 Tagen nach dem Eintritt in ein Unternehmen eine Meinung über ihren Aktivierungsfunnel. Kein Bauchgefühl, sondern eine Zahl, eine Diagnose und eine Warteschlange von drei Fixes, geordnet nach erwarteter Steigerung. Werden Sie diese Person.

Mehr erfahren

• Stellenbeschreibung: Growth Marketing Manager
• Wachstumsexperiment-Design: Hypothese bis MDE bis Auswertung
• Growth-Metriken: Aha-Moment, Aktivierung, Kundenbindung
• Bindungsschleifen, virale Loops, Reaktivierung