Optimiere Deinen Web-Analytics-Prozess mit diesen 6 Tipps

Bei vielen unserer Projekte erhalten wir Einblick in die Web-Analytics-Tools und Tracking-Implementierungen unserer Kunden, und dies für die unterschiedlichsten Unternehmen und Branchen. Daraus ergibt sich mit der Zeit ein guter Überblick, wie die Web-Analytics-Prozesse “da draußen” aufgestellt sind und funktionieren. Welche Daten werden getrackt? Welche Fragen werden mit diesen Daten beantwortet? Was wird mit diesen Antworten anschließend getan?

Aus diesem Erfahrungsschatz möchten wir Dir in diesem Blog-Beitrag berichten und Dir eine Möglichkeit geben, Deinen eigenen Web-Analytics-Prozess besser einschätzen zu können: Wie gut ist Dein Prozess im Vergleich? Wie kannst Du ihn verbessern, um den Output in Qualität und Quantität zu steigern?

Zu jeder Phase im Web-Analytics-Prozess zeigen wir uns bekannte Probleme sowie jeweils zwei Ansätze, wie man diese Probleme lösen kann und so letztendlich seinen Web-Analytics-Prozess optimiert. Freue Dich auf sechs nützliche Tipps zur Optimierung Deines Web-Analytics-Prozesses!

Wie sehen die Phasen des Web-Analytics-Prozesses aus?

Web-Analytics Prozess

Der Web-Analytics-Prozess teilt sich in folgende Phasen auf:

  1. Definition der Zielstellung und Tracking-Implementierung
  2. Analyse der erhobenen Daten
  3. Kommunizieren der Ergebnisse und Schlussfolgerungen

Nach diesen Phasen erfolgt die konkrete Umsetzung der Schlussfolgerungen, die dann mit der anschließenden Erfolgsbewertung wieder in Phase 1 des Prozesses übergeht. Dies ist der tatsächliche Output meines Web-Analytics-Prozesses: Wenn auf die ganzen Worte in Phase 3 wirkliche Taten folgen.

Je mehr Umsetzungen ich durch die Ergebnisse meiner Analysen auf den Weg bringe, desto höher ist der Output meines Web-Analytics-Prozesses.

Phase 1: Definition der Zielstellung und Tracking-Implementierung

Weshalb Tracking-Implementierungen so viel Zeit und Nerven kosten

Hast Du schon einmal beobachtet, welche Phase bei Dir am meisten “Ressourcen” verbraucht? Häufig ist es gleich die erste: die Definition der Zielstellung und die Tracking-Implementierung. Zu einem großen Teil liegt dies daran, dass die Tracking-Implementierungen sehr umfangreich und dadurch schwierig zu „handlen“ sind. Die Implementierung ist aufwändig und es ist schwer, den Überblick über die Masse an getrackten Daten zu behalten. Dabei ist aber nur ein Teil der Daten wirklich relevant und später für die Analysen wichtig. Ein Großteil der getrackten Daten bleibt sogar ungenutzt.

Tipp #1: Beuge dem Tracking-Wildwuchs vor: Welche Fragen sollen beantwortet werden? Welche Daten brauchst Du hierfür?

Du kannst Dir und der IT viel Arbeit sparen, wenn Du Deinen Web-Analytics-Prozess mit einer Definition der Zielstellung beginnst. Diese Zielstellung sollte konkrete Fragen enthalten, die Du mit Hilfe der Web-Analytics-Daten beantworten möchtest. Diese Fragen könnten bspw. lauten:

FrageTracking-Anforderung
Wie verteilt sich unser Online-Umsatz auf Neu- und Stammkunden?Segmentierung der Nutzer mit Bestellung in Neu- und Stammkunden
Wie verteilt sich der Online-Umsatz auf die einzelnen Produktgruppen?Gruppierung der einzelnen Produkte in Kategorien
Welche angebotenen Service-Seiten und -Funktionen werden vom Nutzer gebraucht?Tracking der relevanten Seiten und Funktionen, wie z.B. Produktfilter (mit vom Nutzer ausgewähltem Wert)
Wie tief dringen die Nutzer im Kaufentscheidungsprozess vor?Einteilung der Seiten / Funktionen in die entsprechenden Phasen des Kaufentscheidungsprozesses, wie z.B. Kategorisierung der Seiten in Produktlisten und Produktdetailseiten

 

Du hast somit eine Liste an Tracking-Anforderungen, mit denen du die vorher definierten Fragen beantworten kannst. Dies sind deine „Must have“-Tracking-Anforderungen. Alle weiteren Anforderungen sind „nice to have“. Falls diese bei der Implementierung Probleme bereiten oder viel Aufwand bedeuten, kann entschieden werden, ob sie diesen Aufwand wirklich Wert sind.

Tipp #2: Eine gute Schnittstelle zur IT spart Zeit und Probleme

Doch auch mit der besten Zielstellung und effizientesten Tracking-Anforderung wird eine Tracking-Implementierung mit der Zeit immer wieder verändert, erweitert, überarbeitet werden. Daraus ergibt sich ein stetiger Kontakt zur IT-Abteilung. In vielen Unternehmen sieht es so aus, dass der technische Part im Web-Analytics-Prozess die meisten Ressourcen einnimmt.

Hast Du schon einmal selbst gecheckt, wie viel Zeit und Geld in Deinem Unternehmen in die Tracking-Implementierung fließt? Frag doch einmal bei den entsprechenden Kollegen nach oder rechne die erfassten Aufwände zusammen. Ist es mehr Zeit als in die anderen Prozess-Phasen wie z.B. die Analyse der Daten investiert wird? Dann hast Du einen großen Ressourcen-Fresser in Deinem Analytics-Prozess erkannt und vermutlich steckst Du vorne viel mehr Input in den Prozess als hinten als Output wieder herauskommt.

Tracking-Implementierung Ressourcenfresser

Weil die IT-Abteilungen eigene Prozesse (z.B. Deployment-Zyklen), eigene Ressourcenplanungen (z.B. Ticket-Systeme) und eigene Fachbegriffe (z.B. minimiertes Javascript) haben, ist eine reibungslose Zusammenarbeit leider nicht immer gegeben. Die Unterschiede zwischen den Abteilungen sind ein guter Nährboden für Missverständnisse und können viel Zeit kosten.

Eine gute Schnittstelle zur IT kann Problemen und Missverständnissen vorbeugen. Diese Schnittstelle kannst Du bilden, indem Du den regelmäßigen Kontakt und Austausch zur IT suchst. Plane wiederkehrende Meetings mit der IT oder verbringe ab und zu Deinen Arbeitstag in der IT-Abteilung (Dein Laptop als Arbeitsgerät ermöglicht dies ja). Erweitere Dein eigenes IT-Know-how und verteile im Gegenzug Dein Analytics-Know-how in der IT. Du wirst erstaunt sein, was dieser „Brückenschlag“ zwischen den Abteilungen bewirken kann.

Phase 2: Die Datenanalyse

Lupe auf die Daten

Was die Datenanalyse häufig schwierig macht

Als beratender Partner für Unternehmen ist man selten von Beginn bei Definition der Zielsetzung und der Tracking-Anforderungen mit dabei, sondern arbeitet erst einmal mit dem, was der Kunde mit ins Projekt bringt. Das können die exotischsten Web-Analytics-Tools mit der skurrilsten Tracking-Implementierung und der kryptischsten Parameter-Bezeichnung sein. Die ersten Stunden verbringe ich stets damit, mir einen Überblick über die Tracking-Implementierung mittels eines Debuggers im Browser zu verschaffen und die Settings im Tool zu studieren. Oft sieht das Ergebnis dieses Überblicks dann wie folgt aus: Ein vernünftiges Tracking-Konzept gibt es nicht und im Web-Analytics-Tool “wuchert” es von fraglichen, benutzerdefinierten Parametern, unübersichtlichen und überfüllten Dashboards und Reports, die schon recht schnell widersprüchliche Daten und Tracking-Fehler vermuten lassen. Die Verwirrung ist in diesem Moment groß und es kommt die Frage auf, welche Daten tatsächlich zu gebrauchen sind.

Tipp #3: Ein offizielles Set an Kennzahlen, Dimensionen und Segmenten beugt Missverständnissen vor.

Hat man die Tipps zur ersten Phase beachtet, hält sich der Wildwuchs im Web-Analytics-Tool von allein im Zaum. Hat man aber eine sehr umfangreiche und komplizierte Tracking-Implementierung, hilft es, wenn man ein Set an “offiziellen” Kennzahlen, Dimensionen und Segmenten definiert. Mit diesem offiziellen Set können dann zukünftig alle Personen arbeiten, die sich in das Web-Analytics-Tool einloggen. So verhinderst du, dass “Äpfel mit Birnen” verglichen werden. Denn so nutzt jeder dieselben Definitionen für seine Segmente, Dimensionen und Metriken. Mit diesem offiziellen Set tauchen keine Diskrepanzen in der Conversionrate mehr auf, weil sie einmal auf Session-Basis und einmal auf Nutzer-Basis berechnet wurde. Und es gibt keine Abweichung mehr in deiner Anzahl an Mobile-Nutzern, weil Dein Kollege zu Mobile auch die Tablets mit dazu zählt.

Solche offiziellen Kennzahlen, Dimensionen und Segmente kannst Du oft bereits im Tool anlegen und mit den Kollegen teilen.

Tipp #4: Setze die Zahlen in Deinen Analysen in einen Kontext und liefere stets eine Interpretation und eine Empfehlung, was Du als nächsten Schritt empfehlen würdest.

Digital Marketing Koryphäe Avinash Kaushik spricht gerne von den “Reporting Squirrels” und den “Analytics Ninjas”: Echte Analysen bestehen nicht nur aus einer Sammlung von Tabellen und Diagrammen, sondern setzen die Daten in einen Kontext und liefern eine Interpretation und eine Schlussfolgerung dazu.

Nehmen wir an, die Conversionrate der Interessenten auf Mobile-Devices lag im August bei 1,2 %. Was bedeutet das jetzt? Ist das hoch oder niedrig? Diese Frage kannst du nur beantworten, wenn du für die Kennzahl einen entsprechenden Kontext lieferst. Wie hoch war die Conversionrate im Vormonat und im Vorjahr? Wie hat sie sich also entwickelt? Wie hoch ist sie auf den anderen Device-Typen? Wo liegt die Mobile-Conversionrate eigentlich bei anderen Shops? (Der Monetate E-Commerce-Report oder der Demandware Shopping Index sind u.a. gute Quellen für Benchmark-Werte. Wenn ihr noch weitere kennt, hinterlasst gerne einen Kommentar!)

Und die Interpretation nicht vergessen:

  • Woran kann es liegen, dass die Mobile-Conversionrate seit letztem Jahr gesunken ist?
  • Wieso ist sie auf Desktop so viel höher?
  • Warum ist sie bei anderen Shops so viel höher?
  • Wie können wir das ändern?
  • Gibt es Fehler in der Darstellung?
  • Gibt es auf dem Smartphone Probleme mit dem Checkout?
  • Wollen die Nutzer auf dem Smartphone überhaupt kaufen? Oder sind sie aus einem anderen Grund auf der Mobile Site?
  • Wie lässt sich die Conversionrate in konkreten Umsatz umrechnen?
  • Wie viel bleibt vom Umsatz nach Abzug aller Kosten übrig?

Du wirst schnell merken, dass bei Beginn der Interpretation erst einmal mehr Fragen auftauchen werden, bevor Du zu den Antworten kommst. Hier beginnt der “Deep Dive” in die Daten. Hier stehst Du quasi mit Deinen beiden Füßen inmitten der Daten und schürfst nach den tatsächlich relevanten Erkenntnissen, die Du aus ihnen ableitest. Wir bei konversionsKRAFT nennen dies das “datenGOLD”.

Phase 3: Das Kommunizieren der Ergebnisse und Schlussfolgerungen

Mann praesentiert Insights

Weshalb viele Erkenntnisse leider mit der Zeit doch unberücksichtigt bleiben

In Phase 3 geht es nun darum, diese Erkenntnisse mit anderen zu teilen, damit daraus konkrete “To Do’s” werden können. Doch auch wenn man wie eben beschrieben tatsächliche Erkenntnisse statt lediglich mit Zahlen überfüllte Tabellen in seiner E-Mail oder Präsentation zeigt, verpuffen viele dieser Erkenntnisse leider und sind schnell wieder in Vergessenheit geraten. Woran kann das liegen?

Ein Grund ist oftmals, dass die Präsentation sich zu sehr mit der Herleitung beschäftigt. Der Weg der Analyse wird quasi nochmals Schritt für Schritt für die Zuhörer wiederholt. Es wird sich in großen Tabellen mit vielen Zahlen verloren. Es werden etliche Diagramme gezeigt. Die Präsentation nimmt gefühlt kein Ende und die Aufmerksamkeit der Zuhörer ist leider schon längst verloren.

Tipp #5: Fokussiere Dich nicht auf die Daten und die Herleitung, sondern auf die Schlussfolgerung und die Handlungsempfehlung

Für den Zuhörer ist nicht wichtig, wie Du im Detail zu deinen Ergebnissen gekommen bist. Viel interessanter sind die Schlussfolgerungen und die Handlungsempfehlungen, die Du daraus ziehst. Lege deswegen auch Deinen Fokus in der Präsentation darauf. Was hast Du durch Deine Analysen in den Daten erkannt? Was bedeutet dies konkret für Euer Unternehmen? Was ist Dein Rat für die Zukunft? Wenn Du Dich an diesen kleinen Leitfaden zur Präsentation hältst, wirst Du automatisch viel weniger Folien benötigen und Deine Aussagen stehen mehr im Mittelpunkt.

Tipp #6: Stelle sicher, dass Deine Tabellen und Diagramme ihre Aussage deutlich vermitteln.

Oftmals vermitteln Tabellen und Diagramme leider ihre Aussage nur dann deutlich, wenn jemand daneben steht und sie erklärt. Für sich allein stehend vermitteln viele Tabellen und Diagramme nur einen Bruchteil ihrer Bedeutung. Dadurch kann sehr viel “Power” verloren gehen. Nehmen wir zum Beispiel dieses Diagramm von Statista.de, welches die Entwicklung der E-Commerce-Nutzer nach Alter als Prognose bis ins Jahr 2021 zeigt.

Aussageschwache Datenvisualisierung

Das Statista-Diagramm stellt auf den ersten Blick nicht deutlich genug dar, wie sich die Nutzer nach Altersgruppen über die Jahre entwickeln.

Was genau soll dieses Diagramm aussagen? Ok, man sieht auf den ersten Blick, dass es von 2015 bis 2021 einen leichten Zuwachs an Internet-Nutzern gibt. Die einzelnen Blöcke der Altersgruppen verändern sich dabei aber nur wenig. Ist dieser leichte Zuwachs also die Kernaussage des Diagramms?

In meinen Augen nicht. Denn was noch in den Zahlen steckt, ist das Wachstum über die Jahre in den einzelnen Altersgruppen. Dafür musste ich mir allerdings die Zahlen nach Excel exportieren. Das Statista-Diagramm allein gibt dies also leider nicht her.

Prozentualer Zuwachs der E-Commerce-Nutzer in Deutschland (2015-2021) nach Alter

Aha! So ist die Aussage doch viel besser zu erkennen: Die Anzahl an E-Commerce-Nutzern wächst in der Altersgruppe 55+ am stärksten (und zwar mit weitem Abstand).

Und noch besser ist es in absoluten Zahlen zu erkennen. Denn dann sieht man auch, dass es sich nicht nur um ein paar hundert Leute jenseits der 55 handelt, sondern es mehr als 3 Millionen neue E-Commerce-Nutzer in dieser Altersgruppe sein werden.

Absoluter Zuwachs der E-Commerce-Nutzer in Deutschland (2015-2021) nach Alter

Bei solch einer Darstellung springt einem die Aussage förmlich ins Gesicht: Bei den “Silver Surfern” ist auch in den nächsten Jahren noch mit vielen neuen Nutzern und Online-Kunden zu rechnen. Die nächsten interessanten Fragen, die zu diskutieren wären, lauten:

  • Wie relevant ist diese Altersgruppe für unser Geschäft?
  • Wie gut funktioniert unser Online-Geschäft für diese Altersgruppe?
  • Welche Erwartungen werden diese neuen Nutzer an unseren Online-Shop haben?

Ich bin sicher, dass sich aus diesen Fragen interessante Diskussionen eröffnen können und dabei viele Schlussfolgerungen und direkt unter den Zuhörern verteilbare To Do’s entstehen. Das wären zum Beispiel:

  • eine Analyse, wie hoch der Anteil dieser Altersgruppe an deinen Nutzern / Kunden ist
  • eine Analyse, wie die Nutzer dieser Altersgruppe auf Deinen Shop aufmerksam werden, wie sie sich in ihm bewegen, wie gut sie die von Dir definierten Ziele erfüllen (und was Gründe sein können, wieso sie dies nicht tun)
  • Interviews mit Personen aus der Zielgruppe, um zu begreifen, welche Erwartungen diese Zielgruppe hat
  • das Aufstellen von Hypothesen, wie die aufgefallenen Schwachstellen ausgemerzt werden können
  • das Überführen dieser Hypothesen in konkrete Umsetzungen mit anschließender Erfolgsmessung

Alle Tipps für Deinen Web-Analytics-Prozess auf einen Blick

Phase 1 (Definition der Zielstellung und Tracking-Implementierung)

Tipp #1: Beuge dem Tracking-Wildwuchs vor. Definiere vorab der Tracking-Implementierung die grundlegenden Fragen, die du mit Hilfe der Daten später beantworten möchtest.Welche Daten brauchst Du, um diese Fragen zu beantworten? Erstelle darauf aufbauend die Anforderungen an das Tracking.

Tipp #2: Eine gute Schnittstelle zur IT spart Zeit und Probleme. Pflege den regelmäßigen Austausch mit der IT, bilde Dein IT-Know-how aus und gebe Dein eigenes Analytics-Know-how an die IT weiter.


Phase 2 (Datenanalyse)

Tipp #3: Ein offizielles Set an Kennzahlen, Dimensionen und Metriken beugt Missverständnissen vor. Stelle dies allen Personen zur Verfügung, die mit Deinem Web-Analytics arbeiten. So arbeiten alle Personen stets mit denselben Definitionen und Regeln und Du vermeidest Missverständnisse.

Tipp #4: Setze die Zahlen in deinen Analysen in einen Kontext und liefere stets eine Interpretation und eine Empfehlung, was Du als nächsten Schritt empfehlen würdest. Diese Empfehlung kann auch ganz simpel eine weitere Fragestellung sein, die beantwortet werden sollte (“Deep Dive-Analyse”).


Phase 3 (Kommunizieren der Ergebnisse und Schlussfolgerungen)

Tipp #5: Fokussiere Dich in Deiner Präsentation nicht auf die Daten und die Herleitung, sondern auf die Schlussfolgerung und die Handlungsempfehlung. Das sind die Dinge, die Deine Zuhörer interessieren.

Tipp #6: Stelle sicher, dass Deine Tabellen und Diagramme ihre Aussage deutlich vermitteln, auch ohne dass jemand sie noch erklären muss. Am besten sprechen Deine Tabellen und Diagramme für sich selbst.

Diese Tipps können Dir hoffentlich helfen, mehr Geschwindigkeit in Deinen Web-Analytics-Prozess zu bringen und mehr tatsächlichen Output aus dem Prozess zu erhalten.

Hast Du vielleicht noch weitere Tipps? Oder hast Du Anmerkungen oder Fragen dazu? Oder kennst noch weitere Benchmark-Quellen? Dann lass mich dies in den Kommentaren wissen. Ich würde mich freuen 🙂

  • Send to Kindle
  • http://kKrft.ly/UNU
Florian Möller Florian Möller ist Senior Consultant im Bereich Web-Analytics bei konversionsKRAFT (Web Arts AG). Zudem ist er als Product Owner für die Weiterentwicklung des Bereichs Web-Analytics verantwortlich. Erfahren Sie mehr über Florian auf Xing.

2 Reaktionen auf  “Optimiere Deinen Web-Analytics-Prozess mit diesen 6 Tipps”

Kommentare

  1. Arne Arne

    Toller Artikel, zu Phase 3: Oft gefordert- in der Praxis leider noch nicht überall Standard, was man so mitkriegt. Wenn alle Beteiligten sich an der Diskussion beteiligen und viel debattieren warum/wieso/weshalb, wenn also eine Kultur der Daten bei allen Rollen entsteht, dann hat der Analyst aufjedenfall alles richtig gemacht.

  2. Klaus Martin Meyer Klaus Martin Meyer

    Zum Tipp #2: vielleicht wäre es auch eine gute Idee einfach ein Tag-Management-Tool (z.B. den GTM) zu nutzen? 😉

Hinterlassen Sie einen Kommentar