Die unsichtbare Phase der Kaufentscheidung

Der Moment, in dem eine Kaufentscheidung beginnt, ist selten der Moment, in dem sie sichtbar wird. Diese Beobachtung ist nicht neu, sie wurde bereits in den vorangegangenen Teilen dieser Serie aus verschiedenen Perspektiven beschrieben. Was bisher jedoch offen blieb, ist die Frage, wie diese unsichtbare Phase konkret aussieht, welche Formen sie annimmt und was ein Händler in seinen Daten tatsächlich beobachten kann, wenn ein wesentlicher Teil des Entscheidungsprozesses außerhalb seiner Systeme stattfindet.

Dieser Artikel versucht, diese Lücke zu schließen, indem er drei typische Szenarien durchspielt, die in der Praxis zunehmend häufig auftreten, sich aber in ihrer Struktur grundlegend unterscheiden.

Szenario 1: Die AI-gestützte Vorauswahl

Eine Nutzerin plant den Kauf einer hochwertigen Espresso-Maschine. Anstatt eine klassische Google-Suche zu starten, öffnet sie ChatGPT und formuliert eine Frage, die ungefähr so lautet: Welche Espresso-Maschine eignet sich für den Heimgebrauch, wenn mir Temperaturstabilität und ein leiser Mahlvorgang wichtig sind?

Innerhalb weniger Sekunden erhält sie eine strukturierte Antwort, in der drei bis vier Modelle genannt, verglichen und kontextualisiert werden. Die Antwort enthält keine Werbung, keine gesponserten Ergebnisse und keine erkennbare kommerzielle Absicht. Sie wirkt wie eine sachliche Empfehlung, und genau deshalb hat sie erheblichen Einfluss auf die weitere Recherche.

Die Nutzerin merkt sich zwei der genannten Modelle, öffnet einen Browser, sucht nach dem Modellnamen und landet auf der Seite eines Online-Händlers. Dort vergleicht sie kurz die Detailseiten, liest einige Bewertungen und bestellt.

Was der Händler in seinen Analytics sieht, ist eine Nutzerin, die über eine Brand Search oder eine produktspezifische Suche auf die Seite gelangt ist, zwei Produktseiten besucht und konvertiert hat. Die Journey wirkt kurz, zielgerichtet und erfolgreich. Die Conversion Rate für dieses Keyword ist stabil, die Verweildauer unauffällig.

Was der Händler nicht sieht, ist die Tatsache, dass die eigentliche Entscheidung bereits vor dem ersten Klick gefallen ist. Die Auswahl wurde durch ein System getroffen, das der Händler weder beeinflussen noch beobachten konnte. Die Produkte, die in der AI-Antwort nicht vorkamen, hatten zu keinem Zeitpunkt eine Chance, in den Entscheidungsraum dieser Nutzerin zu gelangen, unabhängig davon, wie gut ihre Produktseite optimiert war oder wie wettbewerbsfähig ihr Preis gewesen wäre.

Szenario 2: Die soziale Vorprägung

Ein Nutzer folgt auf Instagram mehreren Interior-Design-Accounts. In den Storys eines dieser Accounts taucht beiläufig eine bestimmte Küchenmaschine auf, nicht als beworbenes Produkt, sondern als Teil einer Küchenszene. Einige Wochen später sieht er auf TikTok ein Video, in dem jemand mit derselben Maschine kocht und dabei beiläufig erwähnt, wie zufrieden er seit zwei Jahren damit ist.

Der Nutzer hat zu diesem Zeitpunkt nicht aktiv nach einer Küchenmaschine gesucht. Es existiert kein bewusster Kaufwunsch. Aber es hat sich eine Vertrautheit mit einem bestimmten Produkt und einer bestimmten Marke aufgebaut, die er selbst kaum als solche wahrnehmen würde.

Einige Monate später, als seine alte Küchenmaschine den Dienst versagt, sucht er nicht nach "beste Küchenmaschine 2026", sondern direkt nach dem Markennamen, den er aus diesen beiläufigen Begegnungen kennt. Er besucht den Online-Shop, überprüft kurz den Preis und bestellt.

In den Analytics des Händlers erscheint dieser Nutzer als Direct Traffic oder als Brand Search. Die Conversion ist schnell, die Bounce Rate niedrig, der Customer Acquisition Cost gering. Nach allen gängigen Metriken ist dies ein idealer Kunde, der offenbar aus einer starken Markenbindung heraus gekauft hat.

In Wirklichkeit ist die Markenbindung nicht das Ergebnis einer Marketingstrategie des Händlers, sondern das Produkt eines sozialen Prägungsprozesses, der sich über Monate in Umgebungen abgespielt hat, die der Händler weder steuern noch erfassen konnte. Der Händler sieht den Erfolg, aber er versteht dessen Ursache nicht, und das bedeutet, dass er ihn nicht systematisch reproduzieren kann.

Szenario 3: Die Empfehlung im geschlossenen Raum

Eine Unternehmerin sucht nach einer geeigneten E-Commerce-Plattform für den Relaunch ihres Online-Shops. Sie stellt die Frage in einer geschlossenen Slack-Community, in der etwa zweihundert andere Unternehmer aus dem D2C-Bereich organisiert sind.

Innerhalb von zwei Stunden erhält sie sieben Antworten, von denen vier eine bestimmte Plattform empfehlen, jeweils mit persönlichen Erfahrungsberichten und konkreten Einschätzungen. Eine andere Plattform, die objektiv ebenfalls in Frage käme, wird in keiner der Antworten erwähnt.

Die Unternehmerin recherchiert anschließend die empfohlene Plattform, besucht deren Website, liest die Dokumentation und vereinbart ein Beratungsgespräch. In den Analytics des Plattformanbieters erscheint sie als Organic Traffic, der über eine Branded Search auf die Seite gelangt ist. Die Customer Journey sieht aus wie eine klassische Recherche mit anschließender Conversion.

Was in den Daten nicht erscheint, ist die Tatsache, dass die Entscheidung für die Shortlist in einer privaten Slack-Gruppe gefallen ist, in einem Raum, der für kein Tracking-System zugänglich ist. Die Empfehlungen der Peers hatten mehr Gewicht als jede Produktseite, jede Case Study und jede Advertising-Kampagne. Und die Plattform, die nicht erwähnt wurde, hatte keine Möglichkeit, in diesen Entscheidungsprozess einzugreifen, weil sie von seiner Existenz nichts wusste.

Was diese Szenarien gemeinsam haben

Alle drei Szenarien beschreiben Situationen, in denen die sichtbare Customer Journey vollständig und konsistent wirkt. Die Daten sind sauber, die Attribution nachvollziehbar und die Conversion Rates stabil. Es gibt keinen offensichtlichen Hinweis darauf, dass etwas fehlt.

Und genau darin liegt die Herausforderung. Die unsichtbare Phase der Kaufentscheidung erzeugt keine Anomalien in den Daten. Sie erzeugt keine Lücken, keine Ausreißer und keine Warnzeichen. Die sichtbaren Daten bleiben in sich schlüssig, was ihre Unvollständigkeit umso schwerer erkennbar macht.

Was sich zwischen den Szenarien unterscheidet, ist die Natur des vorgelagerten Einflusses. Im ersten Fall handelt es sich um eine algorithmische Vorauswahl durch ein AI-System. Im zweiten Fall um eine soziale Prägung über visuelle Plattformen. Im dritten Fall um eine Peer-Empfehlung in einem geschlossenen Raum. Aber in allen drei Fällen hat sich der Entscheidungsraum des Nutzers bereits verengt, bevor er in einem System sichtbar wurde, das der Händler kontrolliert.

Die Konsequenz für Händler

Die drei Szenarien zeigen, dass die Frage, wie sich Nutzer innerhalb des Shops verhalten, zwar weiterhin operativ relevant bleibt, aber nicht mehr ausreicht, um zu verstehen, warum bestimmte Produkte überhaupt in Betracht gezogen werden, während andere keine Rolle spielen.

Die eigentliche Selektion findet an einem Punkt statt, der sich weder direkt steuern noch vollständig rekonstruieren lässt. Damit verschiebt sich die strategische Aufmerksamkeit auf einen Bereich, der lange als selbstverständlich galt, nämlich die Bedingungen, unter denen ein Produkt überhaupt in den Entscheidungsraum eines Nutzers gelangt. Diese Bedingungen entstehen nicht im Shop, sondern in einer vorgelagerten Phase, in der Sichtbarkeit in AI-Systemen, Präsenz in sozialen Kontexten und Reputation in geschlossenen Netzwerken darüber entscheiden, ob eine Option überhaupt wahrgenommen wird.

Die unsichtbare Phase der Kaufentscheidung ist deshalb kein zusätzlicher Schritt im bestehenden Modell, sondern ein Hinweis darauf, dass das Modell selbst an einer Stelle beginnt, an der die entscheidenden Weichen bereits gestellt sind.

Der nächste Artikel, Der Verlust der Attribution, untersucht, welche Grenzen klassische Attributionsmodelle im E-Commerce heute erreichen und warum mehr Daten das Problem nicht lösen.

Dieser Artikel ist Teil der Serie Decision Journey Analytics, die untersucht, wie sich E-Commerce-Entscheidungen jenseits des klassischen Funnels entwickeln.