8 Fehlinterpretationen in Google Analytics, die viel Geld kosten können

Bereits vor drei Jahren wurde auf diesem Blog über Fehlinterpretationen in Google Analytics mit Gefahrenpotential für A/B-Testing berichtet. Der gestiegene Fokus auf datengetriebene Analysen hat nun dazu geführt, dass solche Fehler nicht seltener, sondern häufiger vorkommen. CR-Optimierung ist nun Mainstream, was uns dazu bewegt hat, eine Neuauflage dieser Fehler zu präsentieren.

In diesem Artikel stellen wir Euch 8 verhängnisvolle Fehlinterpretationen in Google Analytics vor, die Euch richtig viel Geld kosten können. Es sind diese Basics, die Euch vor falschen Rückschlüssen schützen.

Das Problem der Optimierer mit Fehlinterpretationen in Google Analytics

Ein noch immer zu großer Teil der Conversion-Rate-Optimierer hat keine oder eine falsche statistische Grundlage für durchgeführte A/B-Tests. Sie handeln auf Basis von Halbwissen, falschen Ableitungen und Vermutungen. Ein falsches Vorgehen bei der Analyse der Statistiken führt zu Fehlschlüssen und lässt wertvolles Budget verpuffen. Hier ein Beispiel vorab:

Was verrät uns die Bounce Rate?

Ein sehr beliebter Wert in Google Analytics, um potentielle Schwachstellen abzuleiten, ist die Absprungrate oder Bounce Rate. Doch einfach nur Seiten mit hoher Bounce Rate zu optimieren, ohne das Kernproblem analysiert zu haben, bringt nicht unbedingt den gewünschten Uplift, wie dieses Szenario zeigt:

Der Optimierer schaut mal wieder in Google Analytics, klickt ein wenig durch die Menüpunkte und landet im Content-Bereich. Ein sehr beliebter Wert, an dem potentielle Schwachstellen abgeleitet werden, ist die Bounce Rate. Ist diese zu hoch, kann man meist recht zuverlässig sagen, dass es auf der Seite irgendein Problem gibt. Also sucht man nach einer URL, die …

a) viele Besucher hat,
b) wirtschaftlich relevanten Content enthält und
c) eine überdurchschnittlich hohe Absprungrate besitzt (Pi mal Daumen > 25 %)

Eine Tabelle, die sich dann zeigt, könnte in etwa so aussehen:

Analytics Screenshot OHNE QUELLE

Perfekt, oder? Also aus unserer, der Optimierer-Sicht natürlich. Wirtschaftlich gesehen ist das aber ein Grauen. Eine hohe Absprungrate und viele Ausstiege deuten darauf hin, dass die Besucher nicht das finden, was sie erwarten. Hier gibt es definitiv einiges zu tun und viel Potential zur Verbesserung.

Wenn es sich dabei dann noch um eine Produktseite mit einem hohen Seitenwert handelt, sollte es doch sehr rentabel sein, die Schwachstellen mit einem guten Testkonzept auszumerzen, oder?

Da kann doch eigentlich nur die Frage lauten: „Wann geht‘s los …?“

Also werden Hypothesen ausgearbeitet, Projektpläne geplant, Konzepte konzipiert, Designs designt und Tests gestartet. Nach drei Wochen Planung, vier Wochen Testlaufzeit und über 1.500 Conversions kommt am Ende ein nicht signifikanter Uplift von 0,02 Prozent heraus. Mist!

Falsche Schlüsse durch unzureichende qualitative Datenanalyse

Wie so oft liegt das Problem in der qualitativen Datenanalyse im Vorfeld. Der Test kann noch so gut und die Hypothese noch so stark sein, aber wenn das Kernproblem vorher passiert, bringt das alles nichts. Oder zumindest nicht so viel wie erwartet. In diesem speziellen Fall lag es an der Traffic-Quelle.

Wenn man die Daten genauer analysiert, stößt man irgendwann auf diese Tabelle:

Analytics Screenshot MIT QUELLE

Hier erkennt man die Ursache: Drei der vier Haupt-Traffic Quellen sind Affiliate-Netzwerke. Immer mit Absprungraten von über 99 Prozent. Wer nun noch weiß, dass Affiliate-Netzwerke teilweise mit Paidmail- oder Forced-Klick-Modellen arbeiten, sollte über den erzielten Uplift nicht mehr verwundert sein. Personen, die bezahlt oder gezwungen werden, auf eine Anzeige zu klicken, wird man auch nicht mit der stärksten Hypothese zum Kauf bewegen.

Erst die Datenanalyse, dann der Test

Unsere Intention ist aber nicht, bestimmte Traffic-Quellen zu diffamieren, sondern zu verdeutlichen, wie wichtig es ist, sich mit seinen Analysezahlen (oder mit denen des Kunden) genau auseinanderzusetzen. Natürlich ist die Menge der Daten inzwischen unglaublich riesig und nur noch schwer zu überschauen. Aber genau aus diesem Grund ist es so relevant, die Zahlen, auf deren Basis das Testbudget vergeben wird, genau zu analysieren.

Hierbei gilt es, vor allem einen einheitlichen Strang zu verfolgen, der sich durch die gesamte Analyse zieht. So vermeidest Du, dass Daten mit unterschiedlichen Ursprüngen vermischt werden.

Das Vergessen der Traffic-Quelle ist nur ein Punkt von vielen. Als kleinen Überblick findest Du nachfolgend acht häufige Fehlinterpretationen in Google Analytics, die Dich viel Geld kosten können:

8 Fehlinterpretationen in Google Analytics

#1: Viele verschiedene URLs zusammenfassen

Das Vorgehen:

Um sich einen Eindruck darüber zu verschaffen, welche der Kategorieseiten gut und welche schlecht funktionieren, werden einfach alle Seiten mit der gewünschten Kategorie per Reg-Ex  in einem Report zusammengefasst. Die nun gezeigte Tabelle enthält mehrere tausend Zeilen, liefert aber im Tabellenkopf zusammengefasste Werte, die zur Optimierung genutzt werden sollen.

Reg-Ex

Der Fehler:

Die Zahlen im Tabellenkopf sind statistisch gesehen nur mit hoher Vorsicht zu interpretieren. Die angezeigten Werte haben nämlich nur eine geringe Aussagekraft, da sehr viele verschiedene URLs eben auch sehr viele verschiedene Einflussfaktoren mit sich bringen. Es können keine Besucher einer Quelle zugeordnet, keine Einstiege korrekt differenziert und keine Absprungraten in ein richtiges Verhältnis gesetzt werden. In einer Metrik zusammengefasst, kann das auch mal nach hinten losgehen

#2: Seitenaufrufe als Grundlage für wichtige KPIs nutzen

Das Vorgehen:

Bei der Datenanalyse wird die Metrik „Seitenaufruf“ (engl. Pageview) für die Berechnung relevanter KPIs verwendet.

Visits

Der Fehler:

Eine verbreitete Annahme ist es, dass ein Seitenaufruf ein relevanter KPI für die Conversion Optimierung der Webseite ist. Das ist er aber nicht. Ein Seitenaufruf beschreibt eben nur den reinen Aufruf und kann von einem Besucher während einer Session auch mehrmals ausgelöst werden. Das macht ihn für viele Datenberechnungen irrelevant, da rein aus dem harten Wert nicht herausgelesen werden kann, ob nun 100 Besucher auf der Seite waren oder aber 50 Besucher die Seite jeweils zweimal aufgerufen haben.

Werden aus diesem Wert wichtige Zahlen wie etwa Absprungrate, Konversionsrate oder gar Umsatz ermittelt, was immer noch viel zu häufig passiert, sind Fehlschlüsse vorprogrammiert.

#3: Zeitraum nicht beachten

Das Vorgehen:

Analysieren, Schwachstellen finden, Potentiale fett markieren und beim Chef das Lob für die tolle Analyse abholen.
Zeitraum Google Analytics

Der Fehler:

Der Zeitraum der Datenerhebung wird falsch gewählt oder auch gar nicht beachtet. Uns ist es selbst schon oft passiert, dass wir anfingen, eine Datenanalyse zu starten und 30 Minuten und diverse Screenshots später fiel auf, dass ein völlig falscher Zeitraum eingestellt ist.

Wichtig ist immer vollständige Zyklen zu analysieren. Also von Montag bis Sonntag, einen Monat, ein Quartal, ein Jahr, etc. Außerdem sollten saisonale Veränderungen besonders beachtet werden.

#4: Ausstiege mit Einstiegen vergleichen

Das Vorgehen:

Um sich einen besseren Überblick zu verschaffen, werden wichtige Einstiegsseiten auf Ausstiege hin untersucht. Dadurch soll bestimmt werden, wie viele Besucher die Seite nach dem Einstieg wieder verlassen.

Einstiege_Ausstiege

Der Fehler:

Einstiege stehen in überhaupt keinem Zusammenhang zu Ausstiegen. Das Pendant zu Einstiegen sind Absprünge, da diese sich direkt auf neue Besucher beziehen. Unter Ausstiege fallen auch die Besucher, die sich schon lange auf der Seite bewegen. Daher ist eine Seite mit vielen Ausstiegen, nicht zwangsweise auch eine Seite mit einem Problem.

Ein Beispiel:
Man ist über eine Landingpage in einen Onlineshop gelangt, findet aber leider nicht das Passende, noch ein kurzer Blick auf die Startseite und wieder zurück zu Google.

Das System misst:
Landingpage: 1 Einstieg, 0 Ausstiege
Startseite: 0 Einstiege, 1 Ausstieg

Außerdem sollte man für die Definition ob es nun „viele“ oder „wenige“ Ausstiege sind, immer die Metrik „Eindeutige Seitenaufrufe“ (engl. Unique Pageviews) als Verhältnis wählen.

#5: Sich zu Tode segmentieren, ohne die Datenbasis zu beachten

Das Vorgehen:

Um alle Faktoren einer Webseite möglichst genau unter die Lupe zu nehmen, wird jeder Report bis in seine kleinsten Teile segmentiert. Dadurch soll sicher gestellt werden, dass jeder Kanal, jede URL und jeder Bereich der Seite in den Reports genügend Wertschätzung bekommt. Nicht ein kleines Detail darf bei der Analyse übersehen werden, um keine Fehler zu machen.

Der Fehler:

Segmentierungen sind sehr wichtig. Erst durch Segmentierungen lassen sich häufig aus großen Datenklumpen wichtige Erkenntnisse gewinnen. Im Eifer des Gefechts vergisst man dabei nur manchmal die Grundlagen der Statistik – speziell die Größe der Datenbasis und die Ableitungen, die sich daraus auf die Gesamtmenge der Daten ergeben.

Es ist sehr riskant, Besucher einer Seite in einem Channel-Report darzustellen, welcher dann auf Wochenenden, Regionen und Wetter segmentiert wird, wenn danach die Größe jedes Segments nicht einmal im vierstelligen Bereich liegt.

Und nur weil es möglich ist, etwas zu segmentieren, heißt das nicht, dass es auch gemacht werden muss. Segmentierungen machen dann Sinn, wenn eine konkrete Fragestellung dahinter steht und die Datenbasis ausreichend ist.

#6: Nicht wissen, was Sampling bedeutet

Das Vorgehen:

In der häufig genutzten Free-Version von Google Analytics werden Reports erstellt und Funnel-Auswertungen vorgenommen. Niemand beachtet dabei die kleine, unscheinbare Notiz am oberen rechten Bildschirm-Eck.

Sampling Google Analytics

Sampling Google Analytics - 2

Der Fehler:

In seiner Free-Version arbeitet Google Analytics mit Stichprobendaten (Sampling). Liegen die Sitzungen bei den Berichten über einer gewissen Menge, so wertet Google Analytics automatisch nur eine Teilmenge aus.

Bei benutzerdefinierten Berichten liegt diese Schwelle bei >500.000 Sitzungen. Bei Verhaltensfluss-Berichten (bspw. Zielprozessfluss, Trichter-Visualisierung, etc.) wird bereits nach 100.000 Sitzungen gesampelt, bei Multi-Channel-Trichter-Berichten wiederum nach 1 Mio. Conversions.

Dieses Vorgehen ist nicht unüblich. Es hat den Vorteil, dass auch große Berichte mit kurzer Ladezeit aufgerufen werden können und somit die Serverlast reduziert wird.

Google selbst schreibt dazu:

„Stichproben sind in der statistischen Analyse weit verbreitet, da die Analyse einer Teilmenge von Daten ähnliche Ergebnisse liefert wie die Analyse der vollständigen Daten, wobei für die Ergebnisse weniger Rechenressourcen und weniger Zeit benötigt werden.“

Unser Augenmerk sollte hierbei auf dem Wort „ähnliche“ liegen. Gesampelte Daten sind ähnlich, aber eben nicht zu 100% korrekt. Genauso wie Ableitungen, die daraus getroffen werden. Dessen muss man sich bewusst sein. Gerade bei kniffligen Entscheidungen kann das manchmal den Ausschlag geben.

#7: Einen Funnel über die gesamte Webseite bauen

Das Vorgehen:

Die Trichter-Funktion wird genutzt, um den Verlauf der Besucher auf der Webseite nachvollziehen zu können. Los geht’s bei der Startseite über die Kategorie- und Produktdetailseite, entlang am Warenkorb und Checkout, bis hin zur Danke-Seite.

Der Fehler:

Der Gedanke, dass Besucher sich linear auf unserer Webseite bewegen, sollte recht schnell ad acta gelegt werden, denn er ist falsch. Daher ist es auch keine gute Idee, einen Report zu erstellen, der genau das suggeriert. Fehlinterpretationen sind so vorprogrammiert. Beispielsweise wird über die Exitrate der Kategorieseite geschimpft, dabei wechseln die Besucher nur auf eine Angebotsseite, die leider nicht im Funnel abgebildet ist.

Wenn Besucher aus dem Funnel aussteigen, bedeutet das nicht zwangsläufig, dass sie auch die Seite verlassen oder kein Interesse mehr an den Produkten haben. Es bedeutet nur, dass sie den vorher definierten Pfad verlassen haben, und sich anders verhalten, als angenommen – was eigentlich so gut wie immer passiert.

#8: Die Daten nicht nach Device segmentieren

Das Vorgehen:

Die Analyse und Interpretation der Daten in Google Analytics wird ohne vorherige Segmentierung gestartet. Die Daten werden gebündelt interpretiert, eine Segmentierung abseits von der Zeit und vielleicht noch vom Channel findet nicht statt.

Mobile Segmentierung Google Analytics

Der Fehler:

Sollen Daten in Google Analytics interpretiert werden, muss neben vielen anderen Faktoren vor allem die Frage nach dem Device des Besuchers gestellt werden.

Die meisten Websites unterscheiden sich stark in ihrer Darstellung je nach Device-Klasse (Desktop, Mobile, Tablet) oder es gibt gar eine Mobile-Ansicht. Wird dies bei der Interpretation der Daten nicht berücksichtigt, werden Schwachstellen gegebenenfalls dem falschen Endgerät zugeschrieben. Auch hier sind Fehlschlüsse vorprogrammiert.

Fazit: Stärkere Vernetzung von CRO und Data Analysis

Natürlich bieten Seiten mit hohen Absprungraten, hohen Ausstiegsraten oder schlechten Konversionsraten meist großes Optimierungspotential. Wenn jedoch Besucherflüsse vermischt und Kennzahlen vertauscht werden, birgt das große Risiken für Fehlentscheidungen.

Unsere Erfahrung zeigt, dass Analytics-Daten gerade von Conversion Optimierern – damals wie heute – viel zu oft falsch interpretiert werden. Hauptgrund dafür scheint zu sein, dass die Abteilungen „CRO“ und „Data Analysis“ oft nicht stark genug vernetzt sind. Es reicht nicht aus, kurz eine Mail an die Analytiker zu schreiben, mit der Bitte, mal eben die Seiten mit den höchsten Bounce Rates rüber zu schicken.

Zur Identifikation von Schwachstellen auf der Seite benötigt es entweder einen Optimierer der sich sehr gut in der Datenanalyse auskennt oder eine sehr enge Zusammenarbeit der Abteilungen „CRO“ und „Data Analysis“. So wird sichergestellt, dass die vorhandene Infrastruktur im Data Bereich richtig genutzt wird und einen großen Teil zur positiven Entwicklung einer Webseite beitragen kann.

Wie habt Ihr die Entwicklung in letzten Jahren gesehen?  Wir freuen uns auf Eure Kommentare!

  • Send to Kindle
  • http://kKrft.ly/N80
Max Freund Max Freund ist als Senior Conversion Architect bei der Web Arts AG tätig. Er beschäftigt sich mit der Konzeption, Analyse und Interpretation von Tests zur Optimierung von Online-Portalen.

24 Reaktionen auf  “8 Fehlinterpretationen in Google Analytics, die viel Geld kosten können”

Kommentare

  1. Mario Burgard Mario Burgard

    Tja, wer kann sich hier schon frei machen von einem Fehler in der Analyse?
    Ein guter Beitrag. Da ich natürlich jetzt selbst schon zwei maßgebliche Fehler gefunden habe, dich ich in meiner Analyse mache, hätte ich mich allerdings über einen Hinweis gefreut, darin besser zu werden.
    Bspw. mit einer Buchempfehlung o.ä.
    Würde mich über eine freuen;)

  2. Manni Fokus Manni Fokus

    Vorsicht auch vor „natürlichen“ Ausstiegen. Auf einer Onlineshop-Seite eines Multi-Channel-Anbieters ist eine hohe Ausstiegsquote an manchen Stellen ok. „Kunde sucht Kontaktdaten, findet sie, verlässt den Shop und bringt sein gesamtes Geld geradewegs in die Filiale“. Also besser prüfen, ob die Ausstiege vielleicht erwünscht sind, als sich lustige Hypothesen zu überlegen, um die Ausstiegsquote zu senken (weil die ja im Verhältnis zum Website-Durchschnitt laut Webanalyse auffällig schlecht ist)

  3. JK JK

    Hallo Leute,

    ich habe heute einen Artikel gefunden, der diesem doch ziemlich ähnelt:

    http://onlinemarketing.de/news/5-weit-verbreitete-und-kostenspielige-google-analytics-fehlinterpretationen

    Der Autor ist aber nicht der selbe. Was ist da los?!;-)

    Viele Grüße

  4. André Morys André Morys

    Ich würde sagen: ein dreister Fall von Content-Klau. Danke für den Hinweis!

  5. Torsten Hubert Torsten Hubert

    Der oben erwähnte Artikel wurde seitens des Anbieters entfernt. Danke nochmal für den Hinweis.

  6. Max Freund Max Freund

    Hallo Herr Burgard,

    das stimmt! Frei von Fehlern in der Analyse ist wahrscheinlich niemand. So ist auch dieser kleine Überblick entstanden;)

    Es gibt einige gute Bücher zum Thema Google Analytics. Immer gut ist natürlich Avinash Kaushik oder auch der Blog von Simo Ahava.

    @ Manni Fokus: Richtig, solche Sonderfälle muss man immer im Auge behalten.

    @ JK: Vielen Dank auch noch mal von meiner Seite für den Hinweis.

  7. Lukas O. Lukas O.

    Interessanter Überblick über Basics, die jeder GA-Nutzer eigentlich wissen sollte, bevor er daraus Schlüsse zieht.

    Zwei Sachen sollten allerdings korrigiert werden:

    1. „Seitenaufruf (engl. Visit)“ => nein, Visit ist selbstverständlich „Besuch“, „Seitenaufruf“ wäre „Pageview“.

    2. „Eindeutige Seitenaufrufe (engl. Unique Visits)“ => nein, „Unique Visits“ gibt es gar nicht, „Unique Pageviews“ wäre korrekt.

    Ausserdem:
    Ein Seitenaufruf kann sehr wohl sehr häufig eine relevante KPI sein. Für alle Websites, bei denen pro Seitenaufruf neue Display Impressions ausgelöst werden, sind Seitenaufrufe bares Geld. Auch für Redaktionen, die zum Beispiel wissen wollen, welche ihrer neuen Artikel letzte Woche das meiste Interesse auf sich gezogen haben, sind Seitenaufrufe noch immer die Währung.

    Meines Erachtens ist aber der häufigste Fehler bei der Interpretation von GA-Berichten, dass man sessionbasierte Metriken für hitbasierte Dimensionen verwendet. Der häufigste Fall: „Visits“/“Besuche“ für Seiten. Da spuckt GA nicht das aus, was man erwarten würde, daher stattdessen immer mit Unique Pageviews (eindeutige Seitenaufrufe) arbeiten.

  8. Lukas O. Lukas O.

    Nachtrag: „Außerdem sollten Sie für die Definition ob es nun „viele“ oder „wenige“ Ausstiege sind, immer die Metrik Eindeutige Seitenaufrufe (engl. Unique Visits) als Verhältnis wählen.“

    Das ist m.E. falsch, hier sollte man statt mit „Ausstiegen“ einfach mit der Bounce Rate („Absprungrate“) arbeiten. Die eindeutigen Seitenaufrufe machen den Bericht nicht aussagekräftiger.

  9. Max Freund Max Freund

    Hallo Lukas,

    danke für Deinen Hinweis und das super Feedback. Der peinliche Übersetzungsfehler wurde inzwischen korrigiert.☺

    Dass ein Seitenaufruf zur Berechnung des Werbeertrags relevant ist, bezweifle ich auch nicht. Aber wenn mit einem Seitenaufruf wichtige KPIs wie etwa die Conversionrate oder Absprungrate berechnet werden, ist das ein Problem. Und zwar eine ähnliche Problematik wie mit sessionbasierten Metriken, die Du ja auch beschreibst.

    Beim zweiten Punkt kommt es darauf an welcher Schritt im Prozess untersucht wird. Eine Absprungrate im Checkout ist zum Beispiel meist nicht relevant, da an dieser Stelle nur selten Einstiege stattfinden. Also verwendet man Ausstiege um Schwachstellen zu identifizieren, aber eben bitte mit „eindeutige Seitenaufrufe“ als Richtwert und nicht mit „Einstiegen“ ☺

  10. Kim Weinand Kim Weinand

    Guter Artikel mit echtem Nutzwert für Analytics-Halbwissende.
    Ich hatte vor einigen Monaten den Fall, dass ein Kunde aufgrund seiner Absprungrate eine Zielseite komplett umstrukturieren wollte.
    Er hatte Display-Werbug auf regionalen Portalen geschaltet. Die Werbung wurde sogar mit einen korrekten Kampagnenlink erstellt (…das vergessen auch viele!) Die Auswertung konnte er sich somit unter Besucherquellen / Kampagnen anschauen, aber er hat nie darauf geachtet, auf welcher Zielseite die Besucher eigentlich ankommen!

    ….Er hatte in seiner Display-Werbung den falschen Link hinterlegt und hätte beinahe aufgrund der Absprungrate die falsche Entscheidung getroffen! Die Analyse ist wirklich die wichtigste Maßnahme und dafür sollte man sich unbedingt Zeit nehmen.

  11. Sven Möller Sven Möller

    Hallo,

    sehr guter Artikel!
    Eine Frage/Anmerkung. Sollte man bei den Ausstiegsraten nicht nur zwischen Traffic-Art sondern auch „Content-Art“ unterscheiden.

    Auf meiner Seite landet beispielsweise sehr viel SEO-Traffic auf einem Artikel über Schwarzer Tee und Gesundheit“ und hier ist die Ausstiegsrate sehr hoch (ca. 80% gemessen bei mehreren tausend Besuchern),
    dies hängt meiner Meinung nach aber mit der Content-Art zusammen. Der Nutzer will sich nur zu diesem Thema informieren und verlässt anschließend wieder die Seite.

    Viele Grüße

    Sven Möller

  12. Dirk Schiff Dirk Schiff

    Starker Artikel mit plausiblen Argumenten. Die Absprungsrate wird in Zeiten von Penguin und Panda einer der wichtigsten Parameter. Es stimmt absolut, dass man die Quellen kennen muss, ansonsten bringen gute Werte in puncto Besucherzahlen auch keine relevante Aussagekraft.

  13. Jürgen Müller Jürgen Müller

    Sehr aufschlussreicher Artikel!

    Ich habe mich bei einigen Fehleinschätzungen ertappt.
    In GA finde ich in letzter Zeit häufig im Content Seiten, die gar nicht zu meiner Website gehören und auffällig viele Besucher aus Russland.

    Ist das ein Problem?
    Wie kann ich das herausfiltern?

    Im Voraus vielen Dank für eine Antwort

  14. marlonb marlonb

    Sehr schön geschrieben.
    Auch wenn es schon eine Weile her ist, als Ihr Beitrag online ging: alternativ (sofern nicht auf mobile Geräte bereits angepasst) kann es auch helfen, die Besucher in Gerätekategorien aufzuteilen, um zu sehen, ob der Umstieg auf hybride Webseiten Sinn ergibt. Es wird ja doch nun mehr auf mobilen Geräten als auf dem Desktop gesurft (je nach Themengebiet).

    Hier ist ein Blog Beitrag, wie man seine Besucher in Gerätekategorien (desktop, mobile, tablet) unterteilen kann und wie einem das hilft: http://www.flyacts.com/blog/4-wichtige-informationen-ueber-ihre-zielgruppe-die-euch-die-planung-einer-mobilen-shop-app-erleichtern/

  15. Konstantin Wall Konstantin Wall

    Die Absprungrate ist klar. Diese bezieht sich auf die Einstiege. Aber die Ausstiege: Wenn ich das richtig sehe, beziehen diese sich auf „einzelne Seitenaufrufe“ (in Google Analytics). Google selbst spricht hier von Sitzungen („3 von 5 Sitzungen enthielten Seite A“). Da in einer Sitzung die Seite A aber auch 3x vorkommen kann, wird hier nur von „..enthielten Seite A“ gesprochen. Dürfte man also festmachen, dass die Ausstiege sich auf „einzelne Seitenaufrufe“ und nicht auf „Seitenaufrufe“ bezieht?

  16. Jasmin Jasmin

    #2 Seitenaufrufe als relevant erachten.

    Vielleicht weiß hier jemand besser Bescheid. Handelt es sich bei den Daten zu den Seitenaufrufen/ Sitzungen um monatliche Berechnungen?

  17. Max Freund Max Freund

    Hallo Konstantin,

    Ausstiege beziehen sich immer auf reine „Seitenaufrufe“. Nicht auf „einzelne Seitenaufrufe“

    Einzelne Seitenaufrufe ist noch mal ein Sonderfall. Hier wird pro Sitzung eine Seite nur einmal gezählt, was aber nichts mit den Ausstiegen zu tun hat und in meinen Augen nur noch mal mehr Verwirrung stiftet 😉

    @Jasmin: Was genau meinst du für Daten?

    Beste Grüße
    Max

  18. Anika Anika

    Danke für diesen interessanten Artikel! Was wäre denn z.B. für die Berechnung von Conversionraten eine sinnvollere Größe als die Seitenaufrufe? Die Sitzungen zum Beispiel?

  19. Max Freund Max Freund

    Hallo Anika,

    freut mich, dass Dir der Artikel gefallen hat.

    Zur Berechnung der Conversion Rate sind Sitzungen schon mal deutlich näher an der Wahrheit als Seitenaufrufe. Aber auch hier sollte man bestimmte Dinge beachten.

    Mehr Infos dazu, findest Du hier:
    https://www.konversionskraft.de/data-analytics/warum-optimierer-der-conversion-rate-google-analytics-nicht-trauen-sollten.html

    Beste Grüße
    Max

  20. Joerg Joerg

    Und das ist nur ein kleiner Ausschnitt aller möglichen Fehlinterpretationen… nur „gut“ wenn man dann auch noch mit Entscheidern arbeitet, die meinen es besser zu wissen. 😉
    Man darf sich eben nicht entmutigen lassen.
    Vielen Dank für den sehr informativen Artikel, der bei mir auch einen starken „Geteiltes Leid ist halbes Leid“-Effekt hatte. 😉

Trackbacks/Pingbacks

  1. […] Wer sich mit Conversion-Optimierung beschäftigt, wird regelmäßig auf die Daten von Google Analytics zurückgreifen. Doch nur die richtige Interpretation der Daten kann auch eine verbesserte Conversion bewirken. Auf konversionskraft.de werden ein paar häufige Fehler bei der Google-Analytics-Dateninterpretation aufgedeckt. Beispiel: Eine Seite ist auffällig, weil sie zwar viele Besucher und relevanten Content enthält, aber auch eine überdurchschnittlich hohe Absprungrate besitzt. Fehlinterpretation: “Hier lohnt es sich, Zeit in ein umfangreiches Optimierungskonzept zu investieren”. In diesem Fall wäre aber ein Blick auf die Traffic-Quellen sinnvoll gewesen. Tatsächliche Ursache für die hohe Absprungrate kann beispielsweise ein hoher Anteil an Affiliate-Netzwerken als Traffic-Quelle sein. Wenn Affiliates mit Forced-Klick-Modellen arbeiten, bei denen der User auf die Anzeige klicken muss, ist die hohe Absprungrate nicht mehr überraschend. Weitere Tipps erhaltet ihr in dem lesenswerten Artikel auf konversionskraft.de. […]

  2. […] Vier häufige Fehlinterpretationen in Google Analytics […]

  3. […] Vier häufige Fehlinterpretationen in Google Analytics, die Sie viel Geld kosten können! […]

  4. […] zu verstehen. Trotzdem kann es bei der Auswertung von Google Analytics Daten auch sehr schnell zu Fehlinterpretationen kommen, daher sollten Daten immer entsprechend hinterfragt […]

Hinterlassen Sie einen Kommentar