Case Study / Giesswein
REVIEWS.io behalten. Bewertungen zur Kaufhilfe machen.
Für den Giesswein-Relaunch sollen bestehende Bewertungen mehr leisten als Sterne anzeigen. Die Umsetzung verbindet REVIEWS.io mit Shopify: Passformdaten unterstützen die Größenwahl, Rezensionen folgen dem neuen Store-Design und Ratings begleiten Kunden bis in Suche und Warenkorb. Der bestehende Bewertungsprozess in REVIEWS.io bleibt erhalten.
- Datenquelle
- REVIEWS.io: Bewertungen & Passformdaten
- Integration
- SKU-Filter, Produktzuordnung & Sync
- Umsetzung
- Theme-Komponenten nach Figma
Mein Beitrag: Social-Proof-Integration im Rahmen eines Relaunchs mit Eshop Guide: Datenanbindung, Konfiguration, Designanpassung, Platzierung und Theme-Entwicklung.
01
Passformberatung genau dort, wo die Größe gewählt wird
Aus den Passformantworten in REVIEWS.io entsteht eine konkrete Größenempfehlung auf der Produktseite. Der bestehende Design-Block wird mit den aggregierten Bewertungsdaten verbunden und um einen Hinweis ergänzt: Fällt der Schuh klein, normal oder groß aus? Dazu erscheint die Anzahl der zugrunde liegenden Antworten.
Die Position auf der Skala wird aus den importierten Attributwerten berechnet. Schwellenwerte, Beschriftungen und Empfehlungstexte lassen sich im Theme-Editor einstellen. Ohne Passformantworten bleibt der Block ausgeblendet.
02
Bewertungen im Giesswein-Design, im gesamten Store
Der Startseiten-Slider setzt die Figma-Vorgabe mit einer schwarzen Zusammenfassungskarte und individuellen Review-Karten um. Auf Mobilgeräten steht die Zusammenfassung oberhalb des Sliders, damit mehr Platz für die Rezensionen bleibt. Sections und App-Blöcke lassen sich im Theme-Editor platzieren und auf weiteren Templates verwenden.
- Rezensionen gezielt durchsuchen
- Die PDP-Bewertungsliste verbindet Sterne-Verteilung mit klickbaren Filtern, einer deutlich platzierten Suche und einer KI-Zusammenfassung. Rezensionen zeigen auch Variante, Passformantwort und Händlerantwort. Typografie, Abstände und Anordnung sind direkt im Theme angepasst.
- Ratings auch in nachgeladenen Inhalten
- Produktkarten auf CLP, Suchergebnisse, Predictive Search, Warenkorb, Cart-Drawer, Empfehlungen und Featured Sections erhalten dieselbe Rating-Komponente. Sie verwendet die Shopify-Produkt-ID und Rating-Metafelder und funktioniert auch nach dynamischem Nachladen.
Bewertungen sammeln und darstellen: zwei getrennte Aufgaben
- 01
REVIEWS.io
Der bestehende Anbieter bleibt für Bewertungsanfragen und die dort gesammelten Rezensionen im Einsatz.
- 02
Sync nach Shopify
Der Connector der App übernimmt Bewertungen und Zusatzattribute. Filter und Mapping ordnen sie dem passenden Produkt zu.
- 03
Individuelles Theme
Native Shopify-Daten stehen für Ratings, Rezensionen und Passformberatung im Store-Design bereit.
03
Shop-Kennungen, Varianten und Produkte richtig zuordnen
REVIEWS.io verwendet Kennungen wie GWEUDE-74-10-49315-022-36: Shop-Präfix, Artikelnummer, Farbe und Größe in einer SKU. Für den neuen Store werden Importfilter und Produktzuordnung auf dieses Schema abgestimmt. So landen passende Rezensionen am richtigen Shopify-Produkt, statt durch abweichende Kennungen verloren zu gehen.
- Gezielt importieren
- Das Shop-Präfix grenzt den gewünschten Datenbestand ein. Unvollständige Kennungen wie ein alleinstehendes GWEUDE- werden ausgeschlossen. Die Zuordnung berücksichtigt die Artikelnummer und die Variantenstruktur.
- Mehr als Text und Sterne
- Der REVIEWS.io-Connector übernimmt auch Passformattribute, Verifizierungsstatus und öffentliche Händlerantworten. Import und Webhooks für neue oder aktualisierte Bewertungen bilden die Grundlage für den laufenden Abgleich.
04
Direkt im HTML: für Kunden, Google und KI
Das PDP-Rating und die erste Bewertungsliste werden serverseitig mit Liquid ausgegeben. Die Sterne müssen nicht erst durch das externe REVIEWS.io-Widget eingefügt werden. Damit entfällt diese Ursache für springende Inhalte beim Laden. JavaScript ergänzt die interaktiven Funktionen wie Suche, Filter und das Nachladen weiterer Rezensionen.
Zusätzlich enthält die Produktseite Product-JSON-LD mit AggregateRating und einzelnen Reviews. Bewertungsschnitt, Anzahl, Rezensionstext und Sternebewertung sind damit strukturiert dem Produkt zugeordnet und für Suchmaschinen und KI-Crawler auslesbar.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Product",
"name": "Merino Runners WOMEN",
"aggregateRating": {
"@type": "AggregateRating",
"ratingValue": "4.9",
"reviewCount": 31
},
"review": [
{
"@type": "Review",
"reviewBody": "Ein super bequemer Schuh",
"reviewRating": {
"@type": "Rating",
"ratingValue": 5.0
}
},
...
]
}
</script>05
Performance & Lighthouse
Mehr Social Proof bei nahezu gleichem Gesamt-Score.
Ratings und erste Rezensionen kommen mit der Produktseite, ohne auf ein externes Review-Widget zu warten. Über Startseite, Kategorie und Produktseite liegt der durchschnittliche Lighthouse-Score bei 61,2 ohne und 61,5 mit Integration. Auf der mobilen Produktseite sinkt der Score von 53,5 auf 48,7. Der CLS-Wert für Layout-Verschiebungen liegt dort mit Integration bei 0,026, auf Desktop bei 0,004. Die Tabelle zeigt alle Einzelwerte, einschließlich der Verbesserungen und Verschlechterungen.
Ohne Integration
Mit Integration
Ø Performance-Score über alle Seiten und Geräte
Google PageSpeed Insights, 21. September 2026. Mittelwerte aus 120 Einzelmessungen: drei Seitentypen × zwei Geräte × zwei Varianten × zehn Durchläufe. Gemessen im Shopify-Preview (*.shopifypreview.com, pb=0). Werte und Differenzen sind separat gerundet.
Lighthouse-Scores im direkten Vergleich
Performance-Score von 0 bis 100 · Mittelwerte
Alle Messwerte im Vergleich
Pro Kennzahl steht links der Wert ohne Bewertungsintegration und rechts der Wert mit Integration. Darunter steht die Veränderung: Grün bedeutet besser, Rot bedeutet schlechter. Höhere Performance-Scores sind besser; bei den übrigen Kennzahlen sind niedrigere Werte besser. Lighthouse-Ergebnisse schwanken zwischen Messungen.
| Seite / Gerät | Performance | FCP | LCP | TBT | CLS | Speed Index | Transfergröße |
|---|---|---|---|---|---|---|---|
| Ø Alle Messreihen | 61,2 → 61,5(+0,3) | 1,8 s → 1,8 s(0,0 s) | 4,7 s → 4,9 s(+0,2 s) | 603 ms → 628 ms(+25 ms) | 0,005 → 0,009(+0,004) | 3,7 s → 3,7 s(0,0 s) | 1.871 KiB → 1.876 KiB(+5 KiB) |
| Ø Mobile | 54,9 → 55,4(+0,5) | 3,1 s → 3,0 s(-0,1 s) | 7,8 s → 8,1 s(+0,3 s) | 500 ms → 478 ms(-22 ms) | 0,002 → 0,012(+0,010) | 5,5 s → 5,6 s(+0,1 s) | 1.838 KiB → 1.883 KiB(+45 KiB) |
| Ø Desktop | 67,5 → 67,6(+0,1) | 0,6 s → 0,6 s(0,0 s) | 1,6 s → 1,6 s(0,0 s) | 705 ms → 778 ms(+73 ms) | 0,008 → 0,007(-0,001) | 1,8 s → 1,8 s(0,0 s) | 1.904 KiB → 1.869 KiB(-35 KiB) |
| Startseite · Mobile | 52,2 → 57,7(+5,5) | 3,1 s → 2,8 s(-0,3 s) | 7,9 s → 8,4 s(+0,5 s) | 542 ms → 374 ms(-168 ms) | 0,000 → 0,000(0,000) | 6,4 s → 6,1 s(-0,3 s) | 1.955 KiB → 2.069 KiB(+114 KiB) |
| Kategorie · Mobile | 59,1 → 59,8(+0,7) | 3,0 s → 2,9 s(-0,1 s) | 6,7 s → 6,5 s(-0,2 s) | 476 ms → 456 ms(-20 ms) | 0,007 → 0,009(+0,002) | 4,5 s → 4,5 s(0,0 s) | 1.504 KiB → 1.511 KiB(+7 KiB) |
| Produktseite · Mobile | 53,5 → 48,7(-4,8) | 3,1 s → 3,2 s(+0,1 s) | 8,8 s → 9,4 s(+0,7 s) | 484 ms → 604 ms(+120 ms) | 0,000 → 0,026(+0,026) | 5,8 s → 6,2 s(+0,4 s) | 2.054 KiB → 2.070 KiB(+16 KiB) |
| Startseite · Desktop | 61,2 → 60,2(-1,0) | 0,6 s → 0,6 s(0,0 s) | 1,7 s → 1,8 s(+0,1 s) | 817 ms → 812 ms(-5 ms) | 0,002 → 0,001(-0,001) | 2,5 s → 2,5 s(0,0 s) | 1.853 KiB → 1.865 KiB(+12 KiB) |
| Kategorie · Desktop | 73,1 → 74,9(+1,8) | 0,6 s → 0,6 s(0,0 s) | 1,5 s → 1,5 s(0,0 s) | 503 ms → 500 ms(-3 ms) | 0,020 → 0,015(-0,005) | 1,4 s → 1,3 s(-0,1 s) | 1.524 KiB → 1.531 KiB(+7 KiB) |
| Produktseite · Desktop | 68,1 → 67,7(-0,4) | 0,6 s → 0,6 s(0,0 s) | 1,6 s → 1,5 s(-0,1 s) | 794 ms → 1.023 ms(+229 ms) | 0,002 → 0,004(+0,002) | 1,6 s → 1,7 s(+0,1 s) | 2.335 KiB → 2.213 KiB(-122 KiB) |
FCP: erste sichtbare Inhalte · LCP: größter sichtbarer Inhalt · TBT: blockierte Hauptthread-Zeit · CLS: Layout-Verschiebungen · Speed Index: Geschwindigkeit des sichtbaren Seitenaufbaus
Mehr informationen zu Google PageSpeed Insights