Konversionsrate-KI-Rechner
Berechnen Sie das KI für Konversionsraten.
Beispieldaten laden
Empfohlen für die meisten Fälle. Genauer, besonders bei kleinen Stichproben oder extremen Anteilen.
Konversionen und Stichprobengröße eingeben
Oder Beispieldaten oben laden
Was ist ein Konfidenzintervall für die Conversion-Rate?
Ein Konfidenzintervall für die Conversion-Rate gibt den Bereich plausibler Werte für Ihre tatsächliche Conversion-Rate basierend auf beobachteten Daten an.
Wenn 150 von 5.000 Besuchern konvertiert haben (3,0 %), ist die tatsächliche Rate nicht genau 3,0 % — Stichprobenvariabilität bedeutet, dass die reale Rate zwischen 2,5 % und 3,5 % liegen könnte. Das Konfidenzintervall quantifiziert diese Unsicherheit.
Methoden zur Berechnung des KI
Wald (Normalapproximation)
Die einfachste Methode:
KI = p̂ ± z* × √[p̂(1-p̂)/n]
Vorteile: Einfach, weit verbreitet Nachteile: Schlechte Abdeckung bei extremen Anteilen oder kleinen Stichproben
Wilson-Score
Genauer, besonders an den Grenzbereichen:
Verwendet eine angepasste Formel, die zu 50 % hin „schrumpft".
Vorteile: Bessere Abdeckung, erzeugt niemals unmögliche Intervalle Nachteile: Etwas komplexere Formel
Exakt (Clopper-Pearson)
Basiert auf der Binomialverteilung:
Vorteile: Garantierte Abdeckung, konservativ Nachteile: Oft zu breit (konservativ)
Agresti-Coull
Fügt 2 „Pseudo-Erfolge" und 2 „Pseudo-Misserfolge" hinzu:
p̃ = (x + 2) / (n + 4) KI = p̃ ± z* × √[p̃(1-p̃)/(n + 4)]
Vorteile: Einfache Anpassung, gute Abdeckung Nachteile: Weniger bekannt
Welche Methode sollte man verwenden?
| Situation | Empfohlene Methode |
|---|---|
| Allgemeine Verwendung | Wilson oder Agresti-Coull |
| Kleines n (< 30) | Wilson oder Exakt |
| Extreme Raten (< 5 % oder > 95 %) | Wilson |
| Großes n, moderate Rate | Jede Methode funktioniert |
| Regulatorisch/konservativ | Exakt (Clopper-Pearson) |
Dieser Rechner verwendet standardmäßig Wilson wegen seiner robusten Leistung.
Beispielberechnungen
Standard-Conversion-Rate:
- n = 10.000 Besucher
- x = 350 Conversions (3,5 %)
- 95 %-KI (Wilson): [3,15 %; 3,88 %]
Niedrige Conversion-Rate:
- n = 5.000 Besucher
- x = 25 Conversions (0,5 %)
- 95 %-KI (Wilson): [0,33 %; 0,74 %]
Kleine Stichprobe:
- n = 100 Besucher
- x = 8 Conversions (8 %)
- 95 %-KI (Wilson): [4,0 %; 15,0 %]
Interpretation des Intervalls
Die Breite zeigt die Präzision an
Schmales KI → präzise Schätzung (große Stichprobe oder moderate Rate) Breites KI → unpräzise (kleine Stichprobe oder extreme Rate)
Für die Entscheidungsfindung
„Unsere Conversion-Rate beträgt 3,2 % (95 %-KI: 2,8 % bis 3,6 %)"
Wenn ein Stakeholder fragt „Liegt sie über 3 %?", können Sie sagen, dass die Daten darauf hindeuten, aber Werte bis zu 2,8 % plausibel sind.
Vergleich von Raten
Wenn zwei Raten nicht überlappende KIs haben, sind sie wahrscheinlich unterschiedlich. Wenn sich die KIs erheblich überlappen, besteht möglicherweise kein bedeutsamer Unterschied.
Für einen formalen Vergleich sollte das KI für die Differenz von Anteilen verwendet werden.
Anwendungen
Marketing-Berichterstattung
„E-Mail-Öffnungsrate: 22 % (95 %-KI: 20 %–24 %)"
Zeigt Stakeholdern sowohl die Schätzung als auch deren Unsicherheit.
Baseline-Ermittlung
Vor A/B-Tests die Baseline mit Konfidenzintervall ermitteln: „Aktuelle Checkout-Rate: 2,8 % ± 0,3 %"
Qualitätsüberwachung
Wenn die Conversion außerhalb des historischen KI fällt, sollte untersucht werden.
Kapazitätsplanung
KI-Grenzen für die Szenarioplanung verwenden:
- Optimistisch: Obergrenze der Conversion-Rate
- Pessimistisch: Untergrenze
Faktoren, die die KI-Breite beeinflussen
Stichprobengröße
| n | 95 %-KI-Breite (bei p̂ = 5 %) |
|---|---|
| 100 | ±4,3 % |
| 1.000 | ±1,4 % |
| 10.000 | ±0,4 % |
| 100.000 | ±0,13 % |
Breite ∝ 1/√n
Anteilswert
Maximale Breite bei p̂ = 50 %, Minimum nahe 0 % oder 100 %.
| Anteil | Breite (n = 1.000) |
|---|---|
| 5 % | ±1,4 % |
| 20 % | ±2,5 % |
| 50 % | ±3,1 % |
Konfidenzniveau
| Niveau | Multiplikator | Breite |
|---|---|---|
| 90 % | 1,645 | Schmaler |
| 95 % | 1,960 | Standard |
| 99 % | 2,576 | Breiter |
Stichprobengröße für gewünschte Präzision
Um eine bestimmte KI-Halbbreite zu erreichen:
n ≈ (z*/E)² × p̂(1-p̂)
Wobei E die gewünschte Fehlerspanne ist.
Beispiel: Gewünscht ist eine ±1 %-Spanne bei 95 % Konfidenz für p̂ = 10 %
n ≈ (1,96/0,01)² × 0,10 × 0,90 = 3.458
Häufige Fehler
Verwendung von Wald bei extremen Anteilen
Wenn p nahe 0 oder 1 liegt, können Wald-Intervalle unmögliche Werte enthalten (negativ oder > 100 %) oder viel zu schmal sein.
Ignorieren der Stichprobengröße
Ein KI von [3 %; 7 %] aus n = 50 hat eine andere Zuverlässigkeit als dasselbe Intervall aus n = 5.000.
Überinterpretation von Punktschätzungen
„Die Conversion stieg von 3,2 % auf 3,4 % — Erfolg!" Aber wenn sich beide KIs erheblich überlappen, könnte dies Rauschen sein.
Verwandte Berechnungen
- Konfidenzintervall für Anteil — Allgemeines Anteils-KI
- A/B-Test-Signifikanzrechner — Vergleich zweier Raten
- Fehlermargenrechner — Halbe KI-Breite
- Stichprobengröße für zwei Anteile — Planung für Präzision
- Standardfehler des Anteils — SF-Berechnung
Zusammenfassung
Konfidenzintervalle für Conversion-Raten quantifizieren die Unsicherheit bei beobachteten Raten. Die Wilson-Methode liefert zuverlässige Intervalle über verschiedene Stichprobengrößen und Anteilswerte hinweg und vermeidet die Fallstricke einfacherer Methoden. Die Intervallbreite hängt hauptsächlich von der Stichprobengröße ab — mehr Daten ergeben mehr Präzision. Berichten Sie Conversion-Raten immer mit Konfidenzintervallen, um nicht nur die Schätzung zu kommunizieren, sondern auch wie viel Vertrauen man ihr schenken kann.