Konverteringsoptimering for webshops: hvad du kan måle, og hvad du ikke kan (2026)

Hvad er din konverteringsrate egentlig?

Et tal, der afhænger af, hvem der spørger. Det er værd at få på plads, før du begynder at optimere det.

Shopify skriver formlen frem: konverteringsraten er procentdelen af besøg i onlinebutikken, altså sessioner, der endte i et salg, og de opgiver den som antal sessioner, der gennemførte checkout, delt med antal sessioner.

Så bliver spørgsmålet, hvad en session er. Shopify skriver, at en session slutter efter 30 minutters inaktivitet, og ved midnat UTC. Den anden halvdel er værd at lægge mærke til i Danmark: midnat UTC er klokken 01 om vinteren og klokken 02 om sommeren, så en kunde, der sidder og kigger hen over det klokkeslæt, tæller som to sessioner og dermed to gange i nævneren.

Der er en detalje mere, og den er værd at kende. Shopify skriver om sessioner, at de kun tælles, når besøgende giver samtykke til cookies gennem dit cookiebanner, og at du bør kontrollere, at banneret vises og virker, hvis tallene ser lave ud. De skriver videre, at når et cookiebanner er aktivt i bestemte regioner, indsamles data først efter samtykke, og at det kan ses på faldende sessionstal og på andre tal, der bygger på sessioner, hvor de udtrykkeligt nævner konverteringsraten. Bemærk, at både tæller og nævner i deres formel er sessioner, så hvilken vej raten flytter sig, afhænger af, om de, der siger ja til cookies, køber anderledes end dem, der siger nej. Det skriver Shopify ikke noget om, og der er ingen kilde til det. Men det er værd at vide, før du glæder dig over en pludselig forbedring efter en ændring i banneret. Cookiereglerne står i guiden om cookies og GDPR for webshops.

Tælleren har også sin egen finte. Shopify skriver, at en kunde kan foretage flere køb i løbet af én session, og at dit ordreantal og dit antal sessioner med gennemført checkout derfor ikke nødvendigvis er det samme.

Hvorfor viser dine to værktøjer forskellige tal?

Fordi de tæller forskelligt, og Shopify skriver det selv.

I deres feltoversigt står der direkte ved sessioner, at andre analyseplatforme beregner sessioner anderledes. Og de har en side om afvigelser, hvor de nævner Google Analytics ved navn og opregner grundene: forskelle i, hvordan genindlæsninger af sider og unikke besøgende tælles, forskelle i, hvordan sessioner defineres, at Google kun kan tælle besøgende med JavaScript og cookies slået til, at kunder kan bruge browserudvidelser til at blokere Google Analytics, og at rapporterne kan bruge forskellige tidszoner. Vores egen slutning er den mest grundlæggende, og den skal læses som vores: ingen af de to leverandører stiller tallene op mod hinanden, og de er ikke bygget til at kunne sammenlignes.

Google Analytics har sin egen definition, og den ligner Shopifys uden at være den. Google skriver, at en session begynder, når en bruger åbner appen i forgrunden eller ser en side eller skærm, uden at der er en aktiv session i forvejen, og at en session som udgangspunkt slutter efter 30 minutters inaktivitet. Bemærk forskellen: Google skriver tværtimod, at der ikke er nogen grænse for, hvor længe en session kan vare. Midnat afbryder altså ikke noget hos dem.

Selve raten hedder heller ikke det samme længere. Google beregner det, de kalder session key event rate, som antallet af sessioner, hvor en nøglehændelse skete, delt med det samlede antal sessioner. Ordet konvertering blev skiftet ud: Google skrev i marts 2024, at de indførte nøglehændelser, som skulle erstatte det, der på det tidspunkt hed konverteringer i den adfærdsmæssige analyse. Konvertering betyder nu noget andet hos dem, nemlig en handling, der bruges til at måle annoncekampagner og optimere budgivning.

Der er endnu en forskel, som er ny. Shopify klassificerer nu hver session som menneske eller robot, og du kan selv slå et filter til i rapporten. Dine standardtal er altså uændrede: filteret er noget, du vælger. Klassificeringen gælder kun data fra 7. oktober 2025 og frem og kan ikke omklassificere ældre sessioner, og den virker ikke på Headless- og Hydrogen-butikker.

Slår du filteret til, skriver Shopify, at du kan forvente højere konverteringsrater, fordi de robot-sessioner, der ikke køber, forsvinder, og lavere samlede sessionstal. Deres eget regneeksempel er 1.000 sessioner med 35 gennemførte køb, altså 3,5 procent. De 750 menneskelige sessioner står for 30 af købene og giver 4 procent, mens de 250 robot-sessioner står for de sidste 5 og giver 2 procent. Robotter køber altså, og Shopify skriver det direkte. Som de selv formulerer det, kan man derfor overveje at betragte 4 procent som den sande konverteringsrate frem for 3,5, og de sætter selv ordet sande i anførselstegn.

Den praktiske konsekvens er ikke, at det ene værktøj lyver. Den er, at et konverteringstal kun betyder noget sammenlignet med sig selv, målt i det samme værktøj, over tid. Sammenligner du på tværs af værktøjer eller mod et tal, du har læst et sted, sammenligner du to forskellige regnestykker.

Kan du overhovedet A/B-teste?

Sandsynligvis ikke på den måde, du tror. Her er regnestykket, og du kan regne efter.

En A/B-test skal kunne skelne et rigtigt løft fra tilfældig variation. Hvor mange besøgende det kræver, følger af tre ting: hvor højt du konverterer i forvejen, hvor stort et løft du vil kunne opdage, og hvor sikker du vil være. Beregningen bruger 95 procents signifikansniveau i en to-sidet test, 80 procents styrke, lige store grupper, og at du ikke kigger undervejs og stopper, når det ser godt ud. Vælger du andre forudsætninger, ændrer tallene sig, og de står her netop, for at du kan regne med dine egne.

Med de forudsætninger og en konverteringsrate på 2 procent i forvejen skal du bruge omkring 21.100 besøgende i hver variant for at kunne opdage et løft på 20 procent, altså fra 2,0 til 2,4 procent. Det er 42.200 besøgende i alt. Vil du kunne opdage et løft på 10 procent, skal du bruge omkring 161.400 i alt.

Vend regnestykket om, så bliver det brugbart. I stedet for at spørge hvor mange besøgende en test kræver, så spørg hvilket løft du overhovedet kan opdage med den trafik, du har. Svaret står i tabellen nedenfor, og det er den tabel, der afgør, om A/B-test er et værktøj for dig.

Hvad betyder de tal i praksis?

At en test på lidt trafik ofte ikke kan afgøre noget, og at den alligevel plejer at udpege en vinder.

En butik med 3.000 besøgende om måneden kan på tre måneder regne med at fange et løft på 46 procent. Det tal er ikke en grænse, men det punkt, hvor testen fanger løftet i fire ud af fem forsøg. Mindre løft forsvinder ikke, de bliver bare fundet sjældnere: et reelt løft på 30 procent fanges i cirka halvdelen af forsøgene, og et på 20 procent i cirka hvert fjerde. Det er stadig en dårlig handel, for jo mindre løftet er, jo oftere går testen forbi det: et reelt løft på 10 procent fanges kun i cirka hvert tiende forsøg. Spørgsmålet er så, om de ændringer, man normalt overvejer, ligger over eller under: en anden knapfarve, en ny overskrift, en anden rækkefølge på produktbillederne, et badge ved prisen. Der er ingen troværdig kilde til, hvor meget den slags flytter, og det er i sig selv oplysende. Var effekten stor nok til at kunne måles på en almindelig butik, ville nogen kunne fremvise tallet.

Det farlige er ikke, at testen ikke viser noget. Det farlige er, at den viser noget. Kører du en test i to uger på for lidt trafik, vil forskellen mellem de to varianter på et tidspunkt komme til at se stor ud, fordi tilfældig variation er stor, når tallene er små. Stopper du der og udråber en vinder, har du ikke lært noget, men du tror, du har. Og næste beslutning bygger på det.

Det er også derfor, at reglen om ikke at kigge undervejs står i forudsætningerne, og det er regnet ud, hvad den koster at bryde. En test er simuleret, hvor de to varianter er nøjagtig lige gode, begge med en konverteringsrate på 2 procent, og hvor der er 4.000 besøgende i hver variant. Testen kørte, indtil forskellen første gang var signifikant, og blev stoppet dér.

Resultatet står i tabellen. Kigger du kun til sidst, udråber testen en vinder i cirka 5 procent af tilfældene, og det er præcis det, 95 procents signifikansniveau betyder: hver tyvende gang tager den fejl. Kigger du hver dag og stopper, når det ser godt ud, sker det i cirka hver fjerde test. Der er stadig ingen vinder. Der er kun en tilfældighed, du greb i farten.

Der er tre udveje. Den ene er at skaffe mere trafik, hvilket ikke er et CRO-projekt. Den anden er at sænke barren, altså acceptere et lavere sikkerhedsniveau eller en lavere styrke, og det er et legitimt valg, så længe du ved, at prisen er at tage fejl oftere. Den tredje, og den bedste af de tre, er at holde op med at forsøge at måle små forskelle og i stedet bruge tiden på det, der ikke kræver en test.

Hvad gør du så i stedet?

Du leder efter det, der er i stykker, i stedet for det, der kunne være bedre.

Forskellen er vigtig. At afgøre om A er bedre end B kræver en test. At konstatere at noget ikke virker kræver ingen test: en betalingsmetode, der fejler, en fejlmeddelelse, ingen forstår, en søgefunktion, der ikke finder butikkens egne varer, eller en side, der ikke kan bruges på en telefon, er i stykker, uanset hvad statistikken siger.

Det samme gælder forskelle, der allerede er store. Konverterer mobil en tredjedel så godt som computer, er det ikke en lille forskel, og så kan du se den i dine egne tal uden at sætte en test op. Regnestykket i første afsnit går begge veje: store forskelle kan opdages med lidt trafik, og det er kun de små, der drukner.

Endelig er der det, der ikke er til forhandling, fordi loven kræver det. Ét af de krav er værd at fremhæve netop her, fordi konsekvensen er større end en bøde. Indebærer bestillingen aktivering af en knap, skal den på let læselig måde være mærket ordre med betalingsforpligtelse eller lignende.1 Og er kravet ikke overholdt, er forbrugeren slet ikke bundet af bestillingen.2 En knap, der bare siger Køb nu, er altså ikke et designvalg, du kan teste dig frem til. Resten af de pligter står i guiden om lovkrav for webshops, og selve købsflowet er emnet for guiden om checkout-optimering.

Her står bevidst ikke en liste over de ti ændringer, du bør lave. Der er ingen kilde til, at de virker, og efter regnestykket ovenfor ville du heller ikke kunne måle det.

Betyder hastighed noget for salget?

Google siger, at det hænger sammen, og deres eksempler er værd at læse med den forsigtighed, de selv indleder med.

Google har tre tal, de kalder Core Web Vitals, og de er offentlige. En god værdi for Largest Contentful Paint, altså hvor lang tid der går, før sidens største indhold er tegnet, er 2,5 sekunder eller derunder. En god værdi for Interaction to Next Paint, altså hvor længe siden er om at reagere på et klik, er 200 millisekunder eller derunder, og over 500 millisekunder kalder Google dårligt. En god værdi for Cumulative Layout Shift, altså hvor meget indholdet hopper, mens siden loader, er 0,1 eller derunder, og over 0,25 er dårligt.

Der er en detalje ved målingen, som er nem at overse. Google anbefaler at måle på 75. percentil af sideindlæsninger, opdelt på mobil og computer, og skriver, at værktøjer, der vurderer Core Web Vitals, bør regne en side for bestået, hvis den rammer målene på den percentil for alle tre tal. Det er ikke et gennemsnit: er siden langsom for mere end hver fjerde indlæsning, består den ikke.

Om det så giver flere ordrer: Googles egen side om emnet, sidst opdateret 1. september 2021, indleder med, at den vil hjælpe dig med at forstå, hvordan Core Web Vitals korrelerer med centrale forretningstal. Længere nede skriver de mindre forsigtigt og bruger vendinger som opnåede og bidrog til. Her holdes indledningens ord, og forbeholdet er vores og ikke Googles: de enkelte cases er virksomheder uden kontrolgruppe, og så kan man ikke skelne årsag fra sammenfald. Deres eksempler er Vodafone i Italien, som forbedrede Largest Contentful Paint med 31 procent og opnåede 8 procent mere salg, iCook, som forbedrede Cumulative Layout Shift med 15 procent og fik 10 procent mere annonceomsætning, og Tokopedia, som forbedrede Largest Contentful Paint med 55 procent og så 23 procent længere sessioner.

Det fjerde eksempel er værd at læse med et forbehold, netop fordi det er det, der bliver citeret mest. Google skriver, at Core Web Vitals-rettelser bidrog til en stigning på 80 til 100 procent i mobilkonverteringen hos Redbus. Men mekanismen i Redbus egen opsummering er, at de bragte Time to Interactive ned fra omkring 8 til omkring 4 sekunder og Total Blocking Time fra omkring 1.200 til omkring 700 millisekunder. Ingen af de to er blandt de tre Core Web Vitals. Nuancen er dog ikke helt ren: Google skriver selv, at Total Blocking Time kan måles i laboratoriet og er en stedfortræder for Interaction to Next Paint. Overskriften og forklaringen handler altså ikke om præcis det samme, men de hænger sammen.

Læg mærke til én af dem. Vodafone skriver i sin egen opsamling, at A/B-test er den bedste måde at måle den reelle effekt på, og at testen bør køre på serversiden. De tre andre skriver noget andet, så det er ikke en fælles konklusion. Men den er værd at have med: den af de fire, der siger noget om, hvordan man ved det, siger, at man skal teste, og det er præcis det, en butik med 3.000 besøgende ikke kan komme i mål med.

Google nævner desuden tolv virksomheder mere kort. Den mest relevante for en webshop er nok Cdiscount, som forbedrede alle tre tal og bidrog med 6 procent mere omsætning i deres Black Friday-salg. Læg mærke til størrelsesordenen: 6 procent er et troværdigt tal, og det er også et tal, som en butik med 3.000 besøgende om måneden ikke ville kunne måle hos sig selv.

Konklusionen er ikke, at hastighed er ligegyldigt. En langsom side er et problem for dine kunder, og det er grund nok. Konklusionen er, at du skal bruge Googles tal som en tærskel, du enten er over eller under, og ikke som en løftestang, du kan regne et salgstal ud fra. Hastighed set fra søgemaskinens side står i guiden om SEO for webshops.

Hvad kan du gøre i denne uge?

Syv ting, og ingen af dem er en A/B-test. De er alle sammen noget, du kan konstatere frem for at teste.

Hvilke råd er der ikke kilder til?

Det er et længere afsnit end normalt, for på dette emne er det meste ubelagt.

Der er ingen kilde til, hvad en god eller normal konverteringsrate er, og ingen myndighed eller standard fastsætter et niveau. De tal, der cirkulerer, kommer fra platformsleverandører og bureauer og beskriver deres egen kundemasse, ikke din butik. Selv hvis tallet var rigtigt for gennemsnittet, ville det ikke sige dig noget: en butik, der sælger sofaer, og en, der sælger kaffebønner, har intet at sammenligne.

Der er ingen kilde til, at en bestemt ændring hæver konverteringen med en bestemt procent på en almindelig webshop. Ikke knapfarver, ikke antallet af felter i kassen, ikke badges ved prisen, ikke nedtællinger. De tal, der findes, er enkeltsager fra store sites, som Googles eksempler ovenfor, og et resultat fra ét site er et resultat fra dét site og ikke et tal, du kan regne med.

Der er ingen kilde til, at hurtigere sider giver mere salg som årsagssammenhæng. Google indleder ganske vist med ordet korrelerer, men skriver kausalt længere nede på samme side, så forbeholdet er vores og ikke deres: casene er enkeltvirksomheder uden kontrolgruppe, og den ene af dem, der siger noget om metoden, siger, at man skal A/B-teste for at vide det.

Og her står ikke en liste over de ændringer, du bør prøve. Den slags lister er nemme at skrive og findes mange steder. Men der er ikke belæg for, at punkterne virker, og du kan efter regnestykket ovenfor heller ikke måle, om de gjorde. To gode grunde til at lade være.