3 Tipps für bessere Analytics-Daten

„Shit in, Shit out“ heißt es im Englischen so schön. Unsaubere und stark zersplitterte Daten machen die Analyse häufig unnötig schwierig. Denn wenn du bereits bei der Datenerhebung darauf achtest, dass deine Daten sinnvoll zu gruppieren, zu segmentieren und einzuordnen sind, kann dir das viel Kopfzerbrechen ersparen. Hier kommen drei kurze Tipps für dich, bessere Analytics-Daten zu erheben.

Tipp 1 - Achte schon bei der Tracking-Implementierung auf sinnvolle Gruppierungen der Daten

Wie oft musste ich schon versuchen, anhand der URLs  Produkte oder Seiten sinnvoll zu gruppieren, weil in der Tracking-Implementierung keine Gruppierungen oder Metadaten berücksichtigt wurden.  Sich diese Mühe im Vorwege zu machen, erspart nach hinten raus viel Arbeit und schafft unterm Strich auch Analyse-freundlichere Daten. Denn meist ist es sinnvoller, statt einer einzelnen Seite eine Seitengruppe zu betrachten, z.B. nicht eine einzelne Produktdetailseite, sondern alle Produktdetailseiten einer bestimmten Produktkategorie. Oder nicht die Einstiege auf einer bestimmten Kategorieseite, sondern alle Einstiege, die auf Kategorieseiten erfolgt sind.

Gute Gruppierungen ergeben sich ebenfalls durch die sog. Metadaten. Sie geben den Daten Kontext. Verkaufst du bspw. Bücher, dann sind Genre und Autor Metadaten des Buchs. Mit diesen Metadaten kann man dann simpel alle Thriller gruppieren. Generell hilfreiche Metadaten sind die Produktkategorien, gerne dabei auch Ober- und Unterkategorien (z.B. Schuhe, Herrenschuhe, Schnürschuhe, Schuhmarke, Schuhgröße). Diese Daten im Hintergrund an deinen Data Layer übergeben und du ersparst dir dann die Arbeit, anhand der URL-Struktur oder der Artikelnummern zu analysieren, wie häufig im letzten Monat z.B. Herren-Schnürschuhe der Marke Lloyd aufgerufen wurden.

Weitere nützliche Daten zur Gruppierung können sein:

Bücherkategorien auf Thalia.de
Diese Hauptkategorien für Bücher gibt es z.B. auf Thalia.de
  • Ist das Produkt hochpreisig oder ein Sale-Artikel. Mit diesen Daten kannst du Nutzer bzgl. ihrer Preis-Affinität einschätzen.

  • Ist der Artikel für Einsteiger oder für Profis gedacht? Schaut sich dein Nutzer zum Beispiel auf Thomann.de die Schlagzeug-Sets der günstigen Einsteiger-Marke „Millenium“ an (ca. 250 Euro) oder liebäugelt er mit dem Pearl Decade Maple Set für 1.300 Euro?

  • Liefert die aufgerufene Seite eher Details zu einem Produkt, berät sie bei der Produktauswahl, klärt sie Fragen zum Versand? Mit solchen Daten kannst du erkennen, welche Fragen ein Nutzer versucht hat, bei seinem Website-Besuch zu klären.

Tipp 2 - Berücksichtige die Positionen deiner Produkte, Teaser und Videos in der Auswertung

Produktliste für E-Drums auf Thomann.de. Die Default-Sortierung "Beliebtheit" stellt die teureren E-Drums nach vorne, die wohl bei einer "Nach Preis"-Sortierung nicht so häufig von Nutzern gesehen worden wären.
 
 
 
Es gibt prominente und weniger prominente Positionen in Online-Shops. „Above the fold“ ist ein sehr bekanntes Stichwort. Alles was ich darunter platziere, wird tendentiell weniger gesehen, weil der Nutzer erst dorthin scrollen müsste.
 
Das Gleiche gilt auch für Produktplatzierungen. Produkte, die erst ganz weit hinten auf der Kategorieseite platziert sind, müssen hoffen, dass die Nutzer gezielt nach ihnen suchen oder sehr viel Ausdauer beim Produktvergleich haben. Im Gegenzug platzieren Shops die sog. Top-Seller oder Empfehlungen am Kopf der Produktliste, um gezielt die Aufmerksamkeit auf diese Produkte zu lenken, weil sie z.B. die bessere Marge bringen.
Wenn du jetzt auswertest, welche Artikel bei deinen Nutzern am besten ankommen, berücksichtigst du im Idealfall diesen Effekt der Platzierung. Artikel, die weit oben stehen, werden generell häufiger gesehen, müssen aber nicht unbedingt häufiger gekauft werden (wenn du z.B. versuchst, deine Ladenhüter durch die bessere Platzierung loszuwerden). Artikel, die weiter unten versteckt sind, können eine höhere Buy-to-Detail-Rate haben (Rechenweg: Produktkäufe dividiert durch die Produktaufrufe), weil jene Nutzer, die diese Artikel gezielt gesucht haben, bereits eine höhere Tendenz zum Kaufabschluss haben. Platzierst du diese Artikel jetzt weiter nach oben, kann die Buy-to-Detail-Rate aber stark sinken, weil der Artikel zwar mehr Aufmerksamkeit bekommt, aber nicht zwangsweise auch mehr Nutzern gefallen muss.
 
Für Produktlisten trackst du also am besten die Positionen in der Liste mit, auf denen die Artikel angezeigt wurden. Ist bei Google Analytics im erweiterten E-Commerce-Tracking bekanntlich auch vorgesehen und auch andere Analytics-Tools wie Webtrekk (bzw. jetzt ja unter dem Namen Mapp Intelligence) oder Adobe Analytics bieten dafür Lösungen an.
 
Für Teaser und andere Elemente wie bspw. Videos gibst du am besten auch die Position mit ans Tracking, so dass du in den Auswertungen berücksichtigen kannst, an welcher Position ein Element wie häufig gesehen und geklickt wurde.

Tipp 3 - Setze im Tracking Anhaltspunkte für die Segmentierung deiner Nutzer

 

Nutzersegmentierung – ein „No-Brainer“ in der Web-Analyse, den Du garantiert schon zu Genüge einsetzt. Vielleicht kannst du aber deine Segmentierung sogar noch ein wenig verfeinern. Denn wenn du bereits im Tracking darauf achtest, gute Punkte zum Ansetzen der Segmentierung zu haben, kannst du später prima deine Nutzer anhand ihrer Absicht, warum sie auf deine Website kamen, unterscheiden. Solche nützlichen Anhaltspunkte können sein:

Nutzersegmentierung nach Hund oder Katze
Nutzer bei erfolgtem Login markieren

Wenn ein Nutzer bereits registriert ist und einen Login hat, hat er meist schonmal bei dir bestellt und ist Bestandskunde. Das heißt er kennt dich und dein Angebot. Du musst ihn weniger überzeugen als deine Neukunden. Neu- und Bestandskunden kannst du mit Hilfe der Login-Markierung in deinen Daten voneinander trennen.

URL-Parameter für internen Traffic und Agenturen anhängen

Traffic, der aus deiner eigenen Firma, von Agenturen o.ä. kommt, willst du meist aus den Analytics-Daten ausschließen, da sie kein echtes Nutzerverhalten darstellen. IP-Filter sind in Deutschland wg. der IP-Anonymisierung schwierig einzusetzen. Eine einfache Alternative ist es, deiner URL einen kleinen Parameter anzuhängen, wie z.B: https://ecommerce-analytics.de/?traffic=internal. Der Parameter hat keinerlei Einfluss auf die geladene Seite, du kannst ihn aber in deinen Analytics-Daten herausfiltern / segmentieren.

Hast du einen Karriere-Bereich mit Job-Angeboten auf deiner Website?

Für diese Seiten gilt dasselbe wie für den internen Traffic. Nutzer, die sich für die Job-Angebote interessieren, repräsentieren kein Kundenverhalten. Eine entsprechende Markierung bei Aufruf dieser Seiten hilft dir, diese Website-Besuche herauszufiltern.

Hast du unterschiedliche Produktsparten wie Herrenmode / Damenmode oder Hunde- oder Katzenfutter?

Dann verpasse den Nutzern ein entsprechendes Label für ihren Website-Besuch bei Aufruf dieser Sparten. So kannst du deine Nutzer nach Kategorie-Vorlieben segmentieren, z.B. Segmente für Hunde- und Katzenbesitzer. Einige Menschen haben ja sogar Hund UND Katze zu Hause… Also arbeitest du hier mit einem Parameter, der mehrere Werte enthalten kann.

Hast du einen Filialfinder auf deiner Website?

Auch jene Nutzer, die gezielt nach der Adresse einer Filiale suchen, lohnt es zu markieren und zu segmentieren, da diese Nutzer häufig zu den „ROPO“-Nutzern gehören (Research online, purchase offline, also online nach Produkten suchen, aber offline kaufen). Diese Nutzer verwässern damit natürlich deine Conversionrate wenn nicht segmentiert.


Gruppierungen und Kategorisierungen, Positionen von Elementen berücksichtigen und Ansatzpunkte für die Nutzersegmentierung setzen – Ich hoffe, diese drei Tipps machen dir deine Datenanalyse zukünftig leichter!

Empfohlene Beiträge

Noch kein Kommentar, Füge deine Stimme unten hinzu!


Kommentar hinzufügen