Eine Website kann 100.000 Seitenaufrufe im Monat besitzen und trotzdem kaum etwas erreichen. Eine andere kommt mit 5.000 Aufrufen aus und erfüllt ihren Zweck hervorragend.
Die reine Besucherzahl verrät deshalb erstaunlich wenig.
Webanalyse beginnt dort, wo aus einem simplen Zähler Fragen werden.
Woher kommen Besucher?
Welche Inhalte interessieren sie?
Über welche Seiten steigen sie ein?
Welche Wege nehmen sie anschließend?
Klicken sie auf wichtige Links?
Laden sie etwas herunter?
Füllen sie ein Formular aus?
Kehren sie zurück?
Und vor allem: Erreichen sie das, wofür die Website überhaupt existiert?
Webanalyse soll solche Fragen mit Daten beantworten. Sie ist kein Wettbewerb darum, möglichst große Zahlen auf einem Dashboard zu produzieren.
Webanalyse misst Nutzung
Ein Analysesystem beobachtet bestimmte Vorgänge auf einer Website und speichert daraus strukturierte Daten.
Ein sehr einfaches System könnte lediglich registrieren:
Seite wurde aufgerufen
Ein umfangreicheres System kann zusätzlich erfassen:
Besuch begann
↓
Startseite geöffnet
↓
Artikel gelesen
↓
interner Link geklickt
↓
zweiten Artikel geöffnet
↓
Newsletter-Anmeldung abgeschlossen
Moderne Analysesysteme arbeiten zunehmend ereignisbasiert. Google Analytics beispielsweise erfasst Benutzerinteraktionen als Events; dazu können Seitenaufrufe, Klicks und Käufe gehören. (Google for Developers)
Das ermöglicht wesentlich mehr als einen klassischen Besucherzähler.
Nicht alles, was messbar ist, muss gemessen werden
Technisch könnte man sehr viele Interaktionen protokollieren.
Jeden Klick.
Jeden Scrollschritt.
Jede Mausbewegung.
Jeden geöffneten Akkordeonbereich.
Das macht die Analyse nicht automatisch besser.
Im Gegenteil: Zu viele Daten können wichtige Informationen verdecken.
Eine sinnvollere Frage lautet deshalb vor der technischen Einrichtung:
Welche Entscheidungen möchte ich später anhand dieser Daten treffen?
Erst danach sollte festgelegt werden, welche Ereignisse tatsächlich erfasst werden.
Ein Blog braucht andere Messwerte als ein Shop
Ein Wissensportal möchte vielleicht wissen:
Welche Artikel werden gefunden?
Welche Themen führen zu weiteren Seiten?
Welche Inhalte bringen wiederkehrende Leser?
Ein Online-Shop interessiert sich zusätzlich für:
Produktansichten,
Warenkörbe,
Checkout-Schritte,
Käufe.
Eine Unternehmenswebsite könnte hauptsächlich messen:
Kontaktanfragen,
Anrufe,
Downloads,
Terminbuchungen.
Es gibt deshalb kein universelles perfektes Analytics-Dashboard.
Die Website-Ziele bestimmen die Messung.
Seitenaufruf, Besuch und Besucher sind nicht dasselbe
Die einfachste Analytics-Verwirrung beginnt bei diesen drei Begriffen.
Angenommen, eine Person kommt morgens auf eine Website und liest fünf Artikel.
Am Abend kehrt sie zurück und liest weitere drei.
Das könnte vereinfacht bedeuten:
eine Person
↓
zwei Besuche
↓
acht Seitenaufrufe
Alle drei Zahlen beschreiben denselben Nutzer – aber aus unterschiedlichen Perspektiven.
Wer diese Ebenen vermischt, interpretiert Analytics-Daten schnell falsch.
Was ist ein Seitenaufruf?
Ein Seitenaufruf wird gezählt, wenn eine Seite entsprechend der Messkonfiguration aufgerufen beziehungsweise angezeigt wird.
Öffnet ein Besucher:
Startseite,
Artikel A,
Artikel B,
entstehen typischerweise drei Seitenaufrufe.
Kehrt er anschließend zu Artikel A zurück, kann ein weiterer Seitenaufruf entstehen.
Seitenaufrufe messen deshalb keine Personen.
Sie messen Seitenansichten.
Viele Seitenaufrufe können gut oder schlecht sein
Angenommen, ein Besucher benötigt sieben Seiten, um eine Telefonnummer zu finden.
Das erzeugt viele Seitenaufrufe.
Die Website ist trotzdem schlecht bedienbar.
Ein anderer findet dieselbe Information sofort auf der ersten Seite.
Nur ein Seitenaufruf.
Perfekte Nutzererfahrung.
Deshalb ist die Gleichung:
mehr Seitenaufrufe = bessere Website
falsch.
Der Kontext entscheidet.
Was ist eine Sitzung?
Eine Sitzung beziehungsweise Session fasst mehrere Interaktionen eines Nutzers innerhalb eines zusammenhängenden Besuchszeitraums zusammen.
Google Analytics definiert eine Session als Gruppe von Benutzerinteraktionen innerhalb eines bestimmten Zeitrahmens. Standardmäßig endet eine GA4-Sitzung nach 30 Minuten Inaktivität, wobei dieser Timeout angepasst werden kann. (Google Support)
Damit könnte ein Ablauf so aussehen:
10:00 Startseite
10:02 Artikel
10:08 weiterer Artikel
10:15 Website verlassen
→ eine Sitzung
Kommt dieselbe Person Stunden später zurück, kann eine neue Sitzung entstehen.
Eine Sitzung ist eine analytische Konstruktion
Der Besucher denkt selbstverständlich nicht:
Jetzt starte ich Session Nummer 374.
Die Sitzung wird vom Analysesystem anhand definierter Regeln gebildet.
Deshalb können zwei Analytics-Systeme beim selben realen Websiteverkehr unterschiedliche Sitzungszahlen melden.
Sie können unterschiedliche:
Timeouts,
Identifikationsmethoden,
Botfilter,
Consent-Situationen
oder Messlogiken
verwenden.
Eine Sitzung ist daher kein physisches Ereignis, sondern eine definierte Analyseeinheit.
Was ist ein Besucher oder Nutzer?
Ein Analysesystem versucht auch zu erkennen, ob mehrere Interaktionen wahrscheinlich derselben Person beziehungsweise demselben Nutzer zugeordnet werden können.
Das ist technisch wesentlich schwieriger, als es zunächst klingt.
Ein Mensch kann:
Laptop und Smartphone verwenden,
Browser wechseln,
Cookies löschen,
Inkognito-Modus nutzen,
Tracking blockieren.
Umgekehrt können mehrere Menschen denselben Rechner verwenden.
Deshalb sollte „Nutzer“ in einem Analytics-System nicht automatisch als exakt gezählte reale Person interpretiert werden.
Analytics zählt keine Menschen wie an einer Eingangstür
Ein Besucherzähler in einem Museum könnte theoretisch jede eintretende Person physisch zählen.
Eine Website sieht dagegen technische Signale.
Ein Analytics-System muss daraus Identitäten beziehungsweise Wiedererkennung ableiten.
Wie genau das geschieht, hängt vom verwendeten Werkzeug und dessen Konfiguration ab.
Google Analytics unterscheidet beispielsweise verschiedene Nutzermetriken wie „Total users“, „Active users“, „New users“ und „Returning users“, die jeweils eigene Definitionen besitzen. (Google Support)
Der scheinbar einfache Begriff „Besucher“ braucht deshalb immer eine Definition.
Neue und wiederkehrende Nutzer sind interessant, aber nicht perfekt
Ein Wissensportal kann davon profitieren, wenn Menschen regelmäßig zurückkehren.
Ein zunehmender Anteil wiederkehrender Nutzer kann deshalb interessant sein.
Man sollte die Zahl dennoch nicht als exakte Zählung verstehen.
Löscht jemand seine Identifikationsdaten oder verwendet ein anderes Gerät, kann ein bestehender Leser technisch wieder wie ein neuer Nutzer erscheinen.
Analytics liefert Modelle des Nutzerverhaltens.
Keine lückenlose Personenakte.
Ereignisse machen moderne Webanalyse flexibel
Ein Event beziehungsweise Ereignis beschreibt eine bestimmte Interaktion.
Google Analytics verwendet Events als grundlegendes Messmodell. Beispiele sind Seitenaufrufe, Klicks oder Käufe; neben automatisch erfassten Ereignissen können auch empfohlene und eigene Events eingerichtet werden. (Google for Developers)
Für eine Website könnte man beispielsweise erfassen:
page_view
article_read
internal_link_click
file_download
newsletter_signup
contact_form_submit
Die Namen und Definitionen hängen vom verwendeten Analytics-System ab.
Wichtig ist das Grundprinzip:
Nicht nur Seiten können gemessen werden, sondern konkrete Handlungen.
Ein Klick ist nicht automatisch wichtig
Man könnte sämtliche Links als Event erfassen.
Doch was sagt die Zahl:
127.492 Klicks
ohne Kontext?
Wenig.
Interessanter wäre beispielsweise:
Wie häufig klicken Leser eines Grundlagenartikels auf die vorgeschlagene nächste Vertiefung?
Wie häufig wird ein PDF heruntergeladen?
Wie häufig wird nach dem Lesen eines Angebots die Kontaktseite geöffnet?
Events sollten konkrete Fragen beantworten.
Parameter geben einem Event Kontext
Ein Ereignis kann zusätzliche Informationen besitzen.
Beispielsweise:
event: internal_link_click
target: /wissen/caching/
source: /wissen/wordpress-performance/
Nun wissen wir nicht nur:
Ein interner Link wurde geklickt.
Sondern auch:
Welcher?
Von welcher Seite?
Damit können Ereignisse sehr leistungsfähig werden.
Je detaillierter das Messmodell wird, desto wichtiger ist allerdings eine klare Namens- und Datenstruktur.
Ziele machen Daten relevant
Eine Website sollte irgendeinen Zweck erfüllen.
Bei einem Shop ist ein Kauf offensichtlich.
Bei einer anderen Website könnte ein wertvolles Ereignis sein:
Kontaktanfrage,
Newsletter-Anmeldung,
Download,
Terminvereinbarung,
Registrierung.
Solche wichtigen Aktionen können im Analytics-Konzept als Ziele, Conversions oder – je nach verwendeter Software – anders bezeichnete Erfolgsevents behandelt werden.
Google Analytics verwendet heute den Begriff „Key Events“ für Ereignisse, die als besonders wichtig für den geschäftlichen Erfolg markiert werden. (Google for Developers)
Der Name ist weniger wichtig als die Idee:
Welche Handlung zeigt, dass die Website ihren Zweck erfüllt hat?
Nicht jede Website braucht einen Kauf als Ziel
Für ein Wissensportal kann der Wert anders entstehen.
Vielleicht soll ein Leser:
mehrere Artikel lesen,
später wiederkommen,
einen Newsletter abonnieren,
einen empfohlenen Dienst verwenden.
Dann können entsprechende Ereignisse wesentlich interessanter sein als eine reine Trafficzahl.
Ein Artikel mit 500 hochinteressierten Lesern kann wertvoller sein als ein Unterhaltungsthema mit 20.000 flüchtigen Besuchen.
Analytics sollte diesen Unterschied sichtbar machen.
Trafficquellen zeigen, woher Besucher kommen
Besucher gelangen auf unterschiedlichen Wegen zur Website.
Typische Quellen sind:
Suchmaschinen,
direkte Aufrufe,
andere Websites,
Newsletter,
soziale Netzwerke,
Werbung.
Ein Analysesystem kann versuchen, diese Besuche verschiedenen Quellen und Kanälen zuzuordnen.
Damit lässt sich beispielsweise erkennen:
Welche Besucher kommen über Google?
Welche über einen Newsletter?
Welche über einen bestimmten Partnerlink?
Die Aussagekraft hängt davon ab, wie zuverlässig die Herkunft technisch ermittelt und Kampagnen gekennzeichnet werden.
„Direkt“ bedeutet nicht immer, dass jemand die URL eingetippt hat
Diese Kategorie wird häufig missverstanden.
Wenn ein Analysesystem keine verwertbare Herkunftsinformation besitzt, kann ein Besuch als direkt eingeordnet werden.
Das kann tatsächlich ein eingegebener Bookmark oder eine manuell eingetippte Adresse sein.
Es können aber auch Situationen existieren, in denen die ursprüngliche Quelle technisch nicht mehr erkennbar ist.
„Direct“ sollte deshalb eher gelesen werden als:
Herkunft konnte nicht einer anderen bekannten Quelle zugeordnet werden.
Referrer können externe Links sichtbar machen
Wenn jemand auf einer anderen Website einen normalen Link anklickt, kann der Browser der Zielseite unter geeigneten Bedingungen Informationen über die Herkunft übertragen.
Analytics kann daraus erkennen:
Dieser Besuch kam von Website X.
Das ist nützlich für:
Kooperationen,
Backlinks,
Erwähnungen,
Partnerseiten.
Auch hier können technische und datenschutzbezogene Einstellungen beeinflussen, welche Informationen tatsächlich vorhanden sind.
Kampagnenparameter schaffen mehr Klarheit
Angenommen, du verschickst denselben Artikel über:
Newsletter,
Facebook,
LinkedIn.
Alle Links führen zur identischen URL.
Ohne zusätzliche Kennzeichnung kann die spätere Zuordnung begrenzt sein.
Kampagnenparameter ermöglichen es, Links bewusst zu markieren.
Beispielsweise kann analytisch festgehalten werden:
Quelle,
Medium,
Kampagne.
Dadurch lässt sich später unterscheiden:
Welcher Newsletter?
Welche Anzeige?
Welche Kampagne?
Das ist besonders wichtig, wenn Marketingmaßnahmen miteinander verglichen werden sollen.
Kampagnenparameter gehören nicht auf interne Links
Ein typischer Analytics-Fehler besteht darin, interne Links mit Kampagnenparametern zu versehen.
Zum Beispiel:
Startseite → Artikel mit utm_source=startseite.
Damit kann die ursprüngliche Herkunft des Besuchers überschrieben oder die Attribution unnötig verfälscht werden.
Interne Navigation sollte mit internen Analysemechanismen gemessen werden.
Kampagnenparameter sind für externe beziehungsweise klar definierte Akquisekanäle gedacht.
Einstiegsseiten zeigen, wo Besuche beginnen
Eine Landingpage beziehungsweise Einstiegsseite ist die Seite, über die ein Besuch die Website betritt.
Das muss nicht die Startseite sein.
Bei einem Wissensportal ist es wahrscheinlich sogar häufig ein einzelner Artikel.
Beispielsweise:
Google-Suche
↓
/wissen/was-ist-dns/
↓
/wissen/was-ist-webhosting/
↓
/wissen/shared-hosting-vps-server/
Der DNS-Artikel ist in diesem Besuch die Einstiegsseite.
Damit besitzt jeder gute Wissensartikel potenziell die Funktion einer kleinen Startseite.
Deshalb müssen Artikel ohne vorherigen Kontext funktionieren
Ein Besucher aus Google hat möglicherweise noch nie von Casiopeya gehört.
Er sieht nicht zuerst die Homepage.
Er landet direkt mitten im Wissensbereich.
Dort sollte er sofort verstehen:
Wo bin ich?
Was beantwortet diese Seite?
Welche weiterführenden Inhalte gibt es?
Wie komme ich zu verwandten Themen?
Damit verbinden sich Webanalyse und interne Verlinkung unmittelbar.
Ausstiegsseiten sind nicht automatisch schlecht
Eine Ausstiegsseite ist die letzte gemessene Seite eines Besuchs.
Bei einem Shop kann ein massenhafter Ausstieg mitten im Checkout problematisch sein.
Bei einem Wissensartikel kann ein Ausstieg vollkommen normal sein.
Der Nutzer googelt:
Was bedeutet DNS?
Er liest die Antwort.
Frage beantwortet.
Er schließt den Browser.
Die Seite hat ihre Aufgabe möglicherweise perfekt erfüllt.
Deshalb sollte auch eine hohe Ausstiegsquote niemals ohne Seitentyp interpretiert werden.
Die Absprungrate ist eine der meistmissverstandenen Kennzahlen
Historisch wurde die Bounce Rate oft gelesen als:
Dieser Besucher fand die Seite schlecht.
Das ist zu einfach.
Wie ein „Absprung“ definiert wird, hängt vom Analytics-System ab.
In GA4 ist die Bounce Rate beispielsweise das Gegenstück zur Engagement Rate. Eine engagierte Sitzung liegt dort vor, wenn sie länger als zehn Sekunden dauert, ein Key Event enthält oder mindestens zwei Seiten- beziehungsweise Screenviews besitzt. Die Bounce Rate ist der Anteil der Sitzungen, die diese Kriterien nicht erfüllen. (Google Support)
Das unterscheidet sich deutlich von manchen älteren Analytics-Definitionen.
Eine hohe Absprungrate kann bei einem Ratgeber normal sein
Angenommen, ein Nutzer sucht:
wie viel pixel sollte ein webbild haben
Er landet auf unserem Artikel.
Er liest vier Minuten.
Er findet die Antwort.
Dann geht er.
Ob das als guter oder schlechter Besuch gilt, hängt von Messlogik und Ziel der Website ab.
Die Tatsache, dass keine zweite Seite geöffnet wurde, beweist nicht, dass der Inhalt schlecht war.
Deshalb sollte ein Wissensportal nicht zwanghaft versuchen, jeden Besucher zu einem zweiten Klick zu bewegen.
Der nächste Klick ist nützlich, wenn er dem Leser hilft.
Nicht als Selbstzweck für eine Analytics-Kennzahl.
Engagement ist ebenfalls kein absoluter Qualitätsbeweis
Eine lange Verweildauer klingt zunächst gut.
Vielleicht benötigt ein Besucher aber fünf Minuten, weil die Navigation verwirrend ist.
Eine kurze Zeit klingt schlecht.
Vielleicht beantwortet ein perfekt gestalteter Rechner die Frage in zehn Sekunden.
Daten brauchen immer eine Vorstellung davon, welches Nutzerverhalten für diese Seite eigentlich sinnvoll ist.
Ohne dieses Modell bleibt selbst die beste Kennzahl interpretationsbedürftig.
Durchschnittswerte verstecken Unterschiede
Eine durchschnittliche Sitzungsdauer von drei Minuten kann entstehen aus:
50 % der Nutzer: 10 Sekunden
50 % der Nutzer: knapp 6 Minuten
oder:
fast alle Nutzer: ungefähr 3 Minuten
Der Mittelwert ist ähnlich.
Das Verhalten völlig verschieden.
Dasselbe Problem kennen wir bereits von der durchschnittlichen Position in der Google Search Console.
Aggregierte Zahlen sind praktisch.
Sie sollten aber nicht mit der vollständigen Verteilung verwechselt werden.
Segmentierung macht Webanalyse wirklich interessant
Statt alle Besucher zusammenzuwerfen, können Gruppen verglichen werden.
Beispielsweise:
Besucher aus Suchmaschinen.
Newsletter-Leser.
Mobile Nutzer.
Neue Besucher.
Wiederkehrende Leser.
Besucher eines bestimmten Themenclusters.
Dann können wesentlich konkretere Fragen beantwortet werden.
Vielleicht lesen Newsletter-Abonnenten im Durchschnitt mehrere Artikel.
Vielleicht steigen Google-Nutzer fast ausschließlich über einzelne Wissensseiten ein.
Vielleicht funktioniert ein Formular mobil wesentlich schlechter als am Desktop.
Erst durch solche Vergleiche wird Webanalyse handlungsrelevant.
Segmentierung braucht trotzdem ausreichend Daten
Je kleiner die Gruppe, desto stärker können einzelne Besuche das Ergebnis beeinflussen.
Wenn eine Website zehn Besuche pro Monat besitzt, ist der Vergleich:
Desktop gegen Mobile gegen Österreich gegen Newsletter
meist kaum sinnvoll.
Bei zehntausenden Besuchen entstehen stabilere Muster.
Nicht jede technisch mögliche Aufteilung besitzt automatisch statistische Aussagekraft.
Auch hier ist weniger Analyse manchmal bessere Analyse.
Seitenanalyse sollte Seitentypen berücksichtigen
Eine Kontaktseite hat eine andere Aufgabe als ein Ratgeberartikel.
Eine Kategorieseite eine andere als ein Checkout.
Daher sollten sie nicht nach identischen Erfolgskriterien bewertet werden.
Ein Wissensartikel könnte erfolgreich sein, wenn Leser:
lange genug für die Information bleiben,
relevante interne Links nutzen,
später wiederkehren.
Eine Kontaktseite sollte möglicherweise möglichst schnell zur Anfrage führen.
Analytics wird wesentlich besser, sobald die Informationsarchitektur in die Auswertung einfließt.
Contentgruppen können dabei helfen
Ein großes Wissensportal kann Inhalte zu Gruppen zusammenfassen.
Beispielsweise:
Web & WordPress
KI & Automatisierung
Design & Medien
Sicherheit & Datenschutz
Innerhalb von Web & WordPress wiederum:
Websites verstehen
WordPress
Performance
SEO & Analyse
Dann lässt sich nicht nur fragen:
Welcher einzelne Artikel hat die meisten Aufrufe?
Sondern:
Welcher Themenbereich entwickelt sich?
Das ist redaktionell häufig wesentlich nützlicher.
Seitenaufrufe allein belohnen große Themen
Ein sehr breites Thema wird naturgemäß mehr Trafficpotenzial besitzen als eine Spezialfrage.
Wenn man Artikel ausschließlich nach Seitenaufrufen bewertet, erscheinen Nischenthemen schnell „schlecht“.
Das kann ein Fehler sein.
Ein kleiner Spezialartikel könnte:
besonders passende Besucher anziehen,
sehr gut intern weiterleiten,
wertvolle Anfragen erzeugen
oder einen wichtigen Teil eines Themenclusters schließen.
Contentbewertung sollte deshalb mehrere Ebenen berücksichtigen.
Suchtraffic und tatsächliches Verhalten gehören zusammen
Hier treffen Search Console und Webanalyse aufeinander.
Search Console zeigt:
Suchanfrage
↓
Impression
↓
Klick
Webanalyse zeigt:
Landingpage
↓
Nutzung
↓
weitere Interaktionen
↓
Ziel
Zusammen können wir viel bessere Fragen beantworten.
Zum Beispiel:
Welche Google-Artikel bringen nicht nur Klicks, sondern auch Leser, die weitere Inhalte nutzen?
Welche Suchintentionen führen zu Newsletter-Anmeldungen?
Welche Artikel erzeugen viel Traffic, aber kaum irgendeine relevante Folgeaktion?
Das ist deutlich wertvoller als eine isolierte Rankinganalyse.
Die Zahlen beider Systeme müssen nicht identisch sein
Search Console und Analytics messen unterschiedliche Ereignisse mit unterschiedlichen technischen Methoden.
Search Console zählt beispielsweise einen Klick aus der Google-Suche.
Das Analysesystem auf der Website muss anschließend tatsächlich geladen und ausgeführt werden, damit es den Besuch erfassen kann.
Tracking kann blockiert werden.
Eine Seite kann sehr schnell wieder verlassen werden.
Technische Fehler können auftreten.
Die Systeme verwenden außerdem unterschiedliche Definitionen und Datenverarbeitungen.
Deshalb ist eine Abweichung nicht automatisch ein Problem.
Interessanter sind konsistente Trends.
Analytics ist keine Buchhaltung
Wenn ein System 10.247 Besucher meldet, sollte diese Zahl nicht als physikalisch exakte Wahrheit verstanden werden.
Messfehler und Lücken gehören zum Web.
Browser blockieren Tracking.
Menschen wechseln Geräte.
Bots werden unterschiedlich erkannt.
Consent-Einstellungen verändern den sichtbaren Datenbestand.
Technische Implementierungen können fehlerhaft sein.
Webanalyse ist deshalb vor allem stark für:
Trends,
Vergleiche,
Muster
und Entscheidungen.
Nicht dafür, jede einzelne reale Person lückenlos zu zählen.
Eine saubere Implementierung ist wichtiger als viele Reports
Die schönsten Dashboards helfen wenig, wenn die Messung falsch eingerichtet ist.
Ein klassischer Fehler wäre beispielsweise, dass derselbe Trackingcode zweimal geladen wird.
Dann können Ereignisse doppelt entstehen.
Oder wichtige Seiten besitzen gar keinen Trackingcode.
Oder ein Formular meldet schon beim Öffnen statt erst nach erfolgreichem Absenden eine Conversion.
Google empfiehlt zur Überprüfung einer GA4-Implementierung unter anderem DebugView, Tag Assistant und die Kontrolle tatsächlicher Netzwerkrequests. (Google for Developers)
Das Grundprinzip gilt unabhängig vom Werkzeug:
Messung testen, bevor man die Daten interpretiert.
Ein Messplan verhindert Datenchaos
Vor einer umfangreicheren Analytics-Einrichtung lohnt sich eine kleine Tabelle oder Dokumentation.
Beispielsweise:
Ereignis:
newsletter_signup
Auslöser:
Anmeldung erfolgreich abgeschlossen
Zweck:
Newsletter-Wachstum messen
Parameter:
Quelle des Formulars
Dasselbe gilt für:
Downloads,
Kontaktanfragen,
Käufe,
interne Suchvorgänge.
So weiß später noch jemand, was eine Kennzahl tatsächlich bedeutet.
Ohne Dokumentation entstehen nach einigen Jahren Ereignisse mit Namen wie:
click_2_new_final
und niemand erinnert sich an ihren Zweck.
Ereignisnamen sollten stabil sein
Wenn dasselbe Ereignis heute:
newsletter_signup
heißt,
nächsten Monat:
subscribe
und später:
newsletter_complete,
wird eine langfristige Auswertung unnötig schwierig.
Eine saubere Taxonomie spart später erheblich Arbeit.
Bei größeren Websites sollte deshalb festgelegt werden:
Benennung,
Parameter,
Auslöser,
Bedeutung.
Das ist unspektakulär, aber ein zentraler Bestandteil guter Datenqualität.
Webanalyse darf die Website nicht merklich verschlechtern
Analytics selbst besteht ebenfalls aus Software.
Skripte müssen geladen und ausgeführt werden.
Mehrere Tracking- und Marketingplattformen können:
Netzwerkrequests,
JavaScript,
Cookies,
externe Abhängigkeiten
erzeugen.
Wie bei Warum Websites langsam werden gilt deshalb:
Jeder Dienst sollte einen klaren Nutzen besitzen.
Fünf Analytics-Tools gleichzeitig messen nicht automatisch fünfmal besser.
Auch Tracking sollte gemessen werden
Wenn ein Analysewerkzeug relevant JavaScript oder externe Verbindungen einbindet, gehört es in die Performancebetrachtung.
Besonders umfangreiche Tag-Management-Konfigurationen können über Jahre wachsen.
Neue Marketingkampagne?
Noch ein Tag.
Neuer Anbieter?
Noch ein Skript.
Alte Kampagne beendet?
Das Tag bleibt trotzdem.
Ein regelmäßiger Blick auf die tatsächlich geladenen Trackingdienste kann daher genauso sinnvoll sein wie ein Plugin-Audit bei WordPress.
Was ist Google Analytics?
Google Analytics ist ein verbreitetes Web- und App-Analysesystem.
Das aktuelle GA4-Modell ist stark ereignisorientiert: Benutzerinteraktionen werden als Events erfasst und können mit zusätzlichen Parametern beschrieben werden. Google unterscheidet automatisch erfasste, über Enhanced Measurement erfasste, empfohlene und benutzerdefinierte Ereignisse. (Google for Developers)
Damit lässt sich sowohl eine einfache Website als auch eine komplexere E-Commerce-Anwendung analysieren.
Google Analytics ist allerdings nur eine mögliche Lösung.
Was ist Matomo?
Matomo ist eine alternative Webanalyseplattform, die sowohl als gehosteter Cloud-Dienst als auch selbst betrieben eingesetzt werden kann.
Für Website-Betreiber ist insbesondere interessant, dass die technische und organisatorische Kontrolle über die Analyse je nach Betriebsmodell anders gestaltet werden kann als bei einem externen Analytics-Anbieter.
Matomos JavaScript-Tracking kann beispielsweise First-Party-Cookies verwenden; Matomo bietet zugleich Konfigurationen für cookieless Tracking an. Matomo weist dabei selbst darauf hin, dass ein Verzicht auf Cookies Auswirkungen auf die Genauigkeit bestimmter Berichte haben kann. (Analytics Platform – Matomo)
Welches System geeigneter ist, hängt deshalb nicht nur von den Diagrammen ab, sondern auch von Anforderungen an Betrieb, Datenkontrolle und Integrationen.
Selbst gehostet bedeutet nicht automatisch „keine Datenschutzfragen“
Wer ein Analysesystem selbst betreibt, gewinnt technische Kontrolle.
Dadurch verschwinden aber nicht automatisch alle Fragen rund um:
welche Daten gesammelt werden,
wie lange sie gespeichert werden,
welche Identifikatoren verwendet werden,
wer Zugriff erhält.
Das ist letztlich eine bewusste Messentscheidung.
Eine datensparsame Strategie beginnt nicht bei der Marke des Analytics-Produkts.
Sie beginnt bei der Frage:
Welche Daten benötigen wir tatsächlich für einen sinnvollen Zweck?
Cookieless Tracking verändert die Messung
Cookies können unter anderem helfen, einen Browser bei späteren Seitenaufrufen wiederzuerkennen.
Wer darauf verzichtet, reduziert bestimmte Möglichkeiten der Wiedererkennung.
Das kann bewusst gewollt sein.
Es kann allerdings auch Kennzahlen wie:
wiederkehrende Besucher,
Besuche über längere Zeiträume,
Attribution
weniger präzise machen.
Matomo dokumentiert beispielsweise ausdrücklich, dass seine cookieless Konfiguration die Daten beeinflussen kann. (Analytics Platform – Matomo)
Datenminimierung und maximale Messpräzision stehen deshalb manchmal in einem echten Zielkonflikt.
Mehr Daten sind nicht automatisch bessere Daten
Das ist eine der wichtigsten Webanalyse-Regeln.
Ein System kann Millionen Events sammeln.
Wenn niemand daraus eine Entscheidung ableitet, entstehen hauptsächlich:
Speicher,
Komplexität,
Wartungsaufwand.
Ein kleinerer Datensatz mit klarer Fragestellung ist häufig wertvoller.
Für ein Wissensportal können vielleicht schon wenige gut definierte Kennzahlen genügen:
Traffic nach Themenbereich.
Wichtige Einstiegsseiten.
Interne Weiterklicks.
Newsletter-Anmeldungen.
Wiederkehrende Nutzung.
Nicht jede Mausbewegung muss gespeichert werden.
Interne Suche ist eine besonders interessante Datenquelle
Wenn eine Website eine eigene Suchfunktion besitzt, können Suchbegriffe der Besucher ausgesprochen wertvoll sein.
Sie zeigen:
Was suchen Menschen, nachdem sie bereits auf der Website sind?
Vielleicht gibt es viele Suchen nach:
redis
aber keinen passenden Artikel.
Oder Besucher suchen:
domain umziehen
obwohl eine entsprechende Anleitung existiert.
Dann liegt vielleicht kein Content-Gap, sondern ein Navigationsproblem vor.
Interne Suchdaten können deshalb gleichzeitig Redaktion und Informationsarchitektur verbessern.
Null Treffer sind besonders wertvoll
Ein Besucher sucht auf der Website nach einem Begriff.
Es gibt kein Ergebnis.
Das ist direktes Feedback:
Der Nutzer erwartet diesen Inhalt hier.
Vielleicht gehört das Thema nicht zur Website.
Dann ist das in Ordnung.
Wenn es sehr gut zur Website passt und regelmäßig gesucht wird, entsteht eine mögliche Contentidee.
Analytics kann solche Nachfrage sichtbar machen, die externe Keywordtools möglicherweise nie zeigen.
Downloads sollten gemessen werden, wenn sie eine Bedeutung besitzen
Eine Website bietet vielleicht:
Checkliste,
PDF,
Vorlage,
Whitepaper.
Die reine Seitenansicht sagt nicht, ob Besucher die Datei tatsächlich verwenden.
Ein Download-Event kann diese Lücke schließen.
Google Analytics kann bestimmte Link- und Downloadinteraktionen je nach Konfiguration über Enhanced Measurement erfassen. (Google for Developers)
Ob der Download anschließend tatsächlich gelesen wird, weiß das Analysesystem natürlich nicht.
Auch hier endet die Messbarkeit irgendwann.
Formulare sollten den tatsächlichen Erfolg messen
Ein häufiger Fehler ist:
Nutzer klickt auf „Senden“.
Analytics zählt eine erfolgreiche Anfrage.
Doch vielleicht lehnt die Formularvalidierung die Eingabe ab.
Oder der Server liefert einen Fehler.
Die wirklich relevante Aktion lautet:
Formular erfolgreich verarbeitet.
Das Event sollte deshalb möglichst an den tatsächlichen Erfolg gekoppelt sein und nicht nur an den Versuch.
Das gleiche Prinzip gilt für:
Registrierungen,
Käufe,
Downloads mit Zugriffskontrolle.
Ein Kauf ist mehr als ein Klick auf „Bestellen“
Bei E-Commerce wird der Unterschied besonders deutlich.
Eine aussagekräftige Messung sollte im Idealfall den tatsächlich bestätigten Kauf erfassen.
Nicht nur:
Produkt angesehen.
Warenkorb geöffnet.
Bestellbutton geklickt.
Google stellt für GA4 entsprechend standardisierte empfohlene E-Commerce-Events wie purchase und weitere Schritte der Customer Journey bereit. (Google for Developers)
Die Messlogik sollte sich also am tatsächlichen Prozess orientieren.
Funnels zeigen mehrstufige Prozesse
Ein Funnel beziehungsweise Trichter beschreibt mehrere aufeinanderfolgende Schritte.
Beispielsweise:
Produkt angesehen
↓
Warenkorb
↓
Checkout
↓
Zahlung
↓
Kauf
Nun lässt sich untersuchen:
An welcher Stelle gehen besonders viele Nutzer verloren?
Das ist wesentlich nützlicher als nur die Zahl der Käufe zu betrachten.
Auch außerhalb von Shops können Funnels sinnvoll sein.
Zum Beispiel:
Landingpage → Leistungsseite → Kontaktformular → erfolgreiche Anfrage.
Ein Abbruch ist nicht automatisch ein Fehler
Vielleicht sehen sich viele Menschen eine Produktseite an und kaufen nicht.
Das kann normal sein.
Vielleicht vergleichen sie nur Preise.
Vielleicht ist das Produkt teuer.
Vielleicht kommen sie später zurück.
Funnel-Daten zeigen eine Stelle, an der Verhalten stattfindet.
Sie erklären nicht automatisch warum.
Analytics liefert Indizien.
Für die Ursache können zusätzlich:
Nutzertests,
Kundenfeedback,
qualitative Forschung
notwendig sein.
Webanalyse kann keine Gedanken lesen
Dieser Satz sollte über jedem Analytics-Dashboard stehen.
Wir sehen:
Nutzer klickte nicht.
Wir wissen nicht automatisch:
warum.
Wir sehen:
Nutzer verließ die Seite nach 15 Sekunden.
Vielleicht war der Artikel schlecht.
Vielleicht bekam er sofort die gewünschte Antwort.
Vielleicht klingelte das Telefon.
Vielleicht hat er die Seite nur versehentlich geöffnet.
Deshalb sollte quantitative Analyse nie mehr behaupten, als die Daten tatsächlich hergeben.
Trends sind meist wertvoller als einzelne absolute Zahlen
Ein Artikel hatte im Juli 5.000 Seitenaufrufe.
Ist das gut?
Ohne Vergleich kaum zu beantworten.
Interessanter:
April: 1.500.
Mai: 2.400.
Juni: 3.700.
Juli: 5.000.
Nun ist ein klarer Wachstumstrend sichtbar.
Dasselbe gilt für:
Anmeldungen,
Downloads,
interne Klicks,
Suchtraffic.
Webanalyse gewinnt enorm an Aussagekraft, wenn Veränderungen über vergleichbare Zeiträume betrachtet werden.
Saisonalität muss berücksichtigt werden
Ein Gartenartikel kann im Frühling stark und im Dezember schwach sein.
Ein Geschenkartikel um Weihnachten umgekehrt.
Wenn Dezember mit Juni verglichen wird, entsteht möglicherweise ein dramatischer Unterschied, der überhaupt nichts mit einer Websiteänderung zu tun hat.
Sinnvolle Vergleiche können deshalb auch lauten:
dieser August gegen letzten August.
Oder mehrere Jahre gegeneinander.
Auch Search Console und Analytics profitieren von diesem Kontext.
Veröffentlichungen können Gesamtdaten verzerren
Angenommen, eine Website veröffentlicht plötzlich fünfzig neue Artikel.
Gesamttraffic steigt um 40 Prozent.
Sind die bestehenden Seiten besser geworden?
Vielleicht überhaupt nicht.
Es gibt schlicht mehr Seiten, die Besucher erhalten können.
Deshalb sollte bei Contentportalen unterschieden werden zwischen:
Gesamtwachstum
und
Entwicklung vergleichbarer bestehender Inhalte.
Das ist besonders wichtig, wenn die Wirkung von Überarbeitungen beurteilt werden soll.
Kohorten können langfristiges Verhalten zeigen
Eine fortgeschrittene Analyse kann Nutzer nach einem gemeinsamen Startpunkt gruppieren.
Zum Beispiel:
Menschen, die erstmals im Januar kamen.
Dann wird betrachtet, wie viele davon in späteren Monaten zurückkehren.
Solche Kohortenanalysen können bei Angeboten mit langfristiger Nutzung sehr interessant sein.
Für einen kleinen Wissensblog braucht man sie nicht zwingend.
Sie zeigen jedoch, dass Webanalyse weit über Seitenaufrufe hinausgehen kann.
Nicht jede komplexe Analyse ist automatisch nützlich
Analytics-Systeme besitzen oft hunderte Berichte, Dimensionen und Funktionen.
Das kann den Eindruck erzeugen, dass professionelle Analyse möglichst kompliziert sein müsse.
In der Realität sind fünf regelmäßig genutzte Berichte oft wertvoller als fünfzig Dashboards, die niemand versteht.
Eine gute Analyse beantwortet eine Frage.
Wenn die Frage fehlt, ist auch der schönste Bericht nur Dekoration.
Ein praktischer Analyseprozess beginnt mit einer Frage
Zum Beispiel:
Warum bekommt unser Performance-Bereich weniger Newsletter-Anmeldungen als der WordPress-Bereich?
Dann können Daten ausgewählt werden:
Einstiegsseiten.
Trafficquellen.
Geräte.
Interne Klickwege.
Formularaufrufe.
Anmeldungen.
Nun besitzt jede Kennzahl eine Funktion.
Das ist wesentlich effektiver als:
Mal sehen, was Analytics heute so zeigt.
Bei Contentportalen sollten Artikel nicht nur nach Traffic sortiert werden
Eine nützliche Contentanalyse kann mehrere Perspektiven kombinieren.
Traffic zeigt Reichweite.
Search Console zeigt Suchsichtbarkeit.
Interne Klicks zeigen Vernetzung.
Ziele zeigen Geschäftswert.
Zeitreihen zeigen Entwicklung.
Damit lassen sich Artikel beispielsweise unterscheiden:
hoher Traffic, hoher Wert.
Hoher Traffic, niedriger Wert.
Niedriger Traffic, hoher Wert.
Sinkender Traffic.
Wachsende Sichtbarkeit.
Erst diese Kombinationen liefern sinnvolle Prioritäten.
Ein Traffic-Verlierer muss nicht sofort überarbeitet werden
Angenommen, ein Artikel verliert 30 Prozent Besucher.
Zunächst sollte geklärt werden:
Welche Quelle fehlt?
Google?
Social Media?
Newsletter?
Direkter Traffic?
Wenn nur Google betroffen ist, hilft Search Console weiter.
Wenn sämtliche Quellen einbrechen, könnte das Thema selbst saisonal an Interesse verlieren.
Wenn nur eine Kampagne beendet wurde, gibt es überhaupt kein Contentproblem.
Webanalyse hilft dabei, die Ursache einzugrenzen.
Search Console und Analytics bilden deshalb eine Diagnosekette
Ein sinnvoller Workflow kann aussehen:
Analytics:
Artikel verliert Besucher
↓
Quelle prüfen
↓
Google Search betroffen
↓
Search Console öffnen
↓
Queries und Impressionen analysieren
↓
Ursache eingrenzen
Oder umgekehrt:
Search Console:
Artikel gewinnt viele Klicks
↓
Analytics:
Was machen diese Besucher?
↓
interne Wege / Ziele betrachten
Damit ergänzen sich beide Systeme perfekt.
Automatisierung kann Veränderungen überwachen
Bei wenigen Websites reicht ein gelegentlicher Blick ins Dashboard.
Bei sehr vielen Websites wird das ineffizient.
Dann kann ein automatisiertes System beispielsweise regelmäßig prüfen:
Traffic eines Artikels fällt stark.
Conversions verändern sich.
Neue stark wachsende Seiten entstehen.
Eine Trafficquelle bricht ein.
Ein bestimmtes Ereignis wird plötzlich nicht mehr ausgelöst.
Danach entsteht eine Warnung oder Aufgabe.
Das ist wesentlich sinnvoller als jeden Morgen hundert Analytics-Dashboards von Hand zu öffnen.
Anomalien sind besser als jede kleine Schwankung
Ein Monitoring sollte nicht melden:
Heute 2,3 Prozent weniger Seitenaufrufe.
Das würde schnell ignoriert.
Interessanter sind deutliche Abweichungen vom normalen Verhalten.
Zum Beispiel:
wichtige Website verliert plötzlich 70 Prozent Traffic.
Kontaktformular erzeugt seit gestern keine erfolgreichen Events mehr.
Ein bisher stabiler Themencluster fällt mehrere Wochen.
Solche Anomalien rechtfertigen eine Untersuchung.
Automatisierung braucht Vergleichswerte
Ein System kann nicht wissen, ob 500 Besucher viel oder wenig sind, wenn es keinen normalen Zustand kennt.
Deshalb können:
historische Durchschnittswerte,
vergleichbare Wochentage,
saisonale Muster
und langfristige Trends
verwendet werden.
Je besser die Baseline, desto weniger Fehlalarme entstehen.
Daten sollten zur Redaktionsplanung zurückfließen
Analytics ist kein reines Technikthema.
Angenommen, ein Wissensartikel erhält viele Einstiege und Besucher klicken besonders häufig auf dieselbe interne Vertiefung.
Das kann zeigen:
Das nächste Thema ist für die Leser relevant.
Vielleicht sollte diese Vertiefung ausgebaut werden.
Oder der Hub braucht eine prominentere Verbindung.
Damit wird Nutzungsverhalten Teil der Informationsarchitektur.
Stark genutzte interne Links können Interessen sichtbar machen
Unser Artikel über Webhosting enthält beispielsweise Links auf:
Shared Hosting,
VPS,
WordPress Hosting,
Backups.
Wenn außergewöhnlich viele Leser den VPS-Link wählen, ist das ein echtes Interessenssignal.
Man sollte es nicht überinterpretieren.
Aber zusammen mit Search-Console-Queries und externen Suchdaten entsteht ein wesentlich besseres Bild der Nachfrage.
Kaum geklickte Links müssen nicht entfernt werden
Vielleicht dient ein Link einer kleinen Gruppe von Lesern, für die er ausgesprochen hilfreich ist.
Nicht alles muss maximal häufig genutzt werden.
Analytics ist ein Werkzeug zur Untersuchung.
Kein Algorithmus, der automatisch alle wenig genutzten Inhalte aus einer Website löschen sollte.
Auch Nischenwissen kann bewusst Teil eines guten Portals sein.
Eine gute Webanalyse respektiert Unsicherheit
Das ist vielleicht die wichtigste analytische Fähigkeit überhaupt.
Nicht:
Die Daten beweisen, dass Nutzer die Überschrift nicht mögen.
Sondern:
Wir sehen an dieser Stelle eine ungewöhnlich niedrige Klickrate. Die Überschrift könnte eine Ursache sein; wir sollten weitere Hinweise prüfen.
Diese Formulierung ist weniger spektakulär.
Aber wissenschaftlich und praktisch wesentlich sauberer.
Was du dir über Webanalyse merken solltest
Webanalyse beschreibt, wie Menschen eine Website nutzen.
Dabei müssen mehrere Ebenen unterschieden werden.
Seitenaufrufe messen aufgerufene Seiten.
Sitzungen fassen zusammenhängende Nutzungsphasen zusammen.
Nutzer- beziehungsweise Besucherkennzahlen versuchen Interaktionen Personen oder technischen Nutzeridentitäten zuzuordnen und sind deshalb immer vom Messverfahren abhängig.
Events erfassen konkrete Aktionen wie Klicks, Downloads oder Käufe. Google Analytics verwendet ein ereignisbasiertes Messmodell für Website- und App-Interaktionen. (Google for Developers)
Ziele beziehungsweise Key Events machen sichtbar, welche dieser Aktionen für den Zweck der Website besonders wichtig sind.
Trafficquellen zeigen, über welche Wege Besucher kommen.
Landingpages zeigen, wo ihre Besuche beginnen.
Und Segmentierung hilft dabei, nicht alle Nutzer in einen großen Durchschnitt zu werfen.
Der wichtigste Grundsatz bleibt jedoch:
Eine Kennzahl ist erst dann wertvoll, wenn klar ist, welche Frage sie beantworten soll.
Webanalyse sollte deshalb nicht möglichst viele Daten sammeln.
Sie sollte genug gute Daten liefern, damit bessere Entscheidungen möglich werden.