Hast du Fragen?
FAQ
📞 089 416126990

Suche schließen

Die Kritik an Google Analytics 4 ist kurzsichtig und kleinkariert!

Zum Lesen auf deinem Desktop Erinnerung einrichten »

Keine Artikel mehr verpassen? Jetzt Newsletter abonnieren »

 

Google Analytics 4 sucks and is horrible

Google Analytics 4 Backlash: GA4 “sucks” and is “horrible”. In einem Beitrag vom Search Engine Journal vom 23. Juni 2021 haben zahlreiche Digital-Marketer und Suchmaschinen-Marketer ihren Unmut ĂŒber Google Analytics ausgedrĂŒckt. Die wesentlichen Aspekte der Kritik sind:

  • GA4 ist schwer nutzbar: GA4 ist schwer zu nutzen – konkret die BenutzeroberflĂ€che ist kompliziert und nicht einfach zu bedienen
  • GA4 ist elitĂ€r: GA4 ist eher fĂŒr Benutzer auf Unternehmensebene, als fĂŒr kleinere Unternehmen geeignet
  • Metriken: Metriken wie Ausstiege, Absprungrate oder durchschnittliche Zeit auf der Seite sind nicht mehr vorhanden
  • Third-Party-Support: Add-ons und Integrationen von Drittanbietern sind noch nicht verfĂŒgbar
  • Features fehlen: Bekannte zusĂ€tzliche Daten, wie die Seiten-Ladegeschwindigkeit, fehlen
  • FunktionsparitĂ€t: Viele Funktionen und Features aus Universal Analytics fehlen in Google Analytics 4

Ich beschĂ€ftige mich seit Anfang an, also seit Juli 2019 und sehr intensiv seit Oktober 2020 mit Google Analytics 4. Mag ich es immer? Nein. Wie alle Menschen, die sich intensiv mit einem Thema (z.B. „Universal Analytics“) beschĂ€ftigen, habe ich bei jeder Innovation ein natĂŒrliches Abwehrverhalten. Und was haben viele Digital-Marketer Universal Analytics kritisiert, was alles nicht geht und fehlt, was andere Tools können. Frei nach Albert Einstein: „Die reinste Form des Wahnsinns ist es, alles beim Alten zu lassen und gleichzeitig zu hoffen, dass sich etwas Ă€ndert.“ Ich möchte deshalb Google Analytics 4 in einen anderen Blickwinkel rĂŒcken.

GA4 ist kurzfristig anstrengend langfristig super – Universal Analytics ist kurzfristig einfach, langfristig anstrengend.

Ich halte die Kritik fĂŒr durchaus berechtigt, aber fĂŒr kurzsichtig und kleinkariert. Dazu muss ich aber ein wenig ausholen. Daten gelten als eine der wertvollsten Ressourcen fĂŒr uns als Unternehmen. Dabei sind Daten die Basis fĂŒr elementare Entscheidungen. Entscheidungen ĂŒber unsere Nutzer, unsere Digital-Marketing-KanĂ€le, unsere Website oder unsere Produkte. Mehr zum Hintergrund gibt es hier in dieser 116 Seiten umfassenden Studie zum Thema Data Literacy (Datenkompetenz) – siehe hier. Aus dieser Studie habe ich auch einige Zitate, z.B. von Erik Brynjolfsson, Ökonom und Direktor des Massachusetts Institute of Technology Center for Digital Business, herausgenommen. Diese Studie ist eigentlich fĂŒr alle Digital-Analysten eine konzeptionelle PflichtlektĂŒre. Hier findest du das Papier „Future Skills: Ein Framework fĂŒr Data Literacy (Datenkompetenz) vom August 2019

Aufbau von Datenkompetenz in Unternehmen am Beispiel Handlungsmöglichkeiten identifizieren

Quelle Bild: Future Skills: Ein Framework fĂŒr Data Literacy (Datenkompetenz) vom August 2019

Das Ziel von Google Analytics 4: FlexibilitÀt

Ich glaube, das Ziel von Google Analytics 4 ist nicht, ein neues Analysetool mit leicht verbesserten Features im Vergleich zur Version 3 (Universal Analytics) zu liefern. Ich glaube, die Vision von GA4 ist, in einem fĂŒr Unternehmen deutlich komplexeren Umfeld ein hochflexibles Analyse-Tool zur VerfĂŒgung zu stellen. Und zwar flexibel in Hinsicht auf die Kodierung und Dekodierung von Daten. Mehr zur Kodierung und Dekodierung von Daten auch hier in der Zusammenfassung auf Wikipedia.

  • Daten kodieren – Rohdaten: Von Anfang an gibt es in GA4 – und das in der kostenlosen Variante – die Möglichkeit, Rohdaten in das Google Data Warehouse (BigQuery) zu exportieren. Das erlaubt es, in einem nĂ€chsten Schritt Daten auf ganz neue Weise zu kombinieren und/ oder mit anderen Datenquellen zu kombinieren.
  • Daten kodieren – Datenmodell: Nutzer machen Ereignisse. Dieses vereinfachte Datenmodell ermöglicht aber sehr flexible, auch komplexere Umsetzungen. Ereignisse sind definiert durch einen Ereignisnamen und bis zu 25 Ereignisparameter. Dies geht deutlich ĂŒber die Limitierung hinaus, die es in Universal Analytics mit Ereigniskategorien, Ereignisaktionen und Ereignislabel gab.
  • Daten kodieren – Administration: Auch in der Administration sieht man diesen extrem flexiblen Ansatz. So gibt es jetzt auch seit Anfang Juli 2021 die Möglichkeit, Sitzungseinstellungen anzupassen (das gab es auch schon in Universal Analytics) aber auch zu definieren, wann eine Sitzung als Sitzung mit Interaktion gewertet werden soll. 
  • Daten dekodieren – Reporting & User-Interface: Seit Anfang Juli rollt GA4 ein neues Interface aus, das es ermöglicht, neben den sehr flexiblen, explorativen Datenanalysen auch die Standardberichte in GA4 auf eigene BedĂŒrfnisse anzupassen.
  • Daten kodieren und dekodieren – Attributionseinstellungen: Im Standard bei 10 Sekunden oder auch angepasst auf bis zu 60 Sekunden. Neu sind auch die neuen Attributionseinstellungen, die zwar noch rudimentĂ€r sind, aber jetzt schon die Möglichkeit bieten, ĂŒber alle Daten das Attributionsmodell zu verĂ€ndern. In Universal Analytics gibt es ja immer nur ein Modell in den Standardberichten, das “last non-direct” heißt. Mit diesem Modell sind alle spĂ€ten Touchpoints (lower Funnel) bevorzugt und damit ggf. ĂŒberbewertet worden. 

Mehr zu den aktuellen neuen Features und Updates bei Google Analytics 4 findest du bei uns und hier in der Dokumentation bei Google. Dabei ist Google Analytics 4 nur ein Werkzeug.Viel entscheidender fĂŒr den Erfolg ist die Etablierung von Datenkompetenz (Data-Literacy).

Fazit zu GA4: The journey is only 1% finished.

Dieser Leitsatz von Facebook gilt glaube ich genauso fĂŒr die Etablierung von Datenkompetenz. Hier kann man gut Erik Brynjolfsson, Director Digital Economy Lab an der Stanford University, zitieren: „We’re rapidly entering a world where everything can be monitored and measured. But the big problem is going to be the ability of humans to use, analyze and make sense of the data.“ Nach dem Hochschulforum Digitalisierung bedeutet der Prozess der Wissensschöpfung aus Daten:

  1. Datenkultur etablieren
  2. Daten bereitstellen
  3. Daten auswerten
  4. Ergebnisse interpretieren
  5. Daten interpretieren 
  6. Handeln ableiten. 

Aus persönlicher Erfahrung glaube ich, ist die Hoffnung, wenn man Punkt 2 aus der Liste macht, also Daten bereitstellt (Google Analytics implementiert), ergibt sich der Rest wie von alleine. Dabei geht die Reise dort erst los. Meine persönliche EinschĂ€tzung? Google hat sich bewusst fĂŒr eine Revolution in der Web-Analyse entschieden, also einzelne Stufen der Entwicklung bewusst ausgelassen (Leapfrog). Das Ziel ist ein echtes Next-Generation-Analyse-Tool fĂŒr die nĂ€chsten Schritte, auf der Reise hin zu Datenkompetenz, zur VerfĂŒgung zu stellen. Steigen die Anforderungen fĂŒr die Web-Analyse? Aber selbstverstĂ€ndlich. Ich habe aus dem schon öfter zitierten Leitfaden 5 interessante Aspekte fĂŒr den Aufbau von Datenkompetenz herausgefiltert und eine Ableitung fĂŒr Google Analytics 4 versucht:

Aus dem Papier “Future Skills: Ein Framework fĂŒr Data Literacy” mehr dazu hier habe ich mal einige LeitsĂ€tze extrahiert und versucht die Bedeutung fĂŒr das Next-Generation Tool GA4 zu definieren:

Das Data-Literacy Framework und 5 Ableitungen fĂŒr Google Analytics 4

  • FĂ€higkeit, anhand der jeweiligen Fragestellung und der verfĂŒgbaren Daten geeignete Analyseverfahren zu identifizieren und auszuwĂ€hlen -> Ableitung fĂŒr Google Analytics 4: Nicht die Berichte geben das Analyseziel vor, sondern die Fragestellung definiert die Berichte in Hinsicht auf Dimensionen, Metriken und Visualisierung. Kernanforderung ist hier zum Beispiel die Definition eines Business Requirement Documents (BRD) und/ oder die Entwicklung eines Digital-Marketing-Manager-Modells, wenn es zum Beispiel um die Beurteilung des Erfolges meines Digital Marketings geht. Hier einmal ein Link zum Requirement-Sheet von Ken Williams und der Link zur Entwicklung eines Digital Marketing Measurement Modells von Avinash Kaushik (ohh ich glaube, dieser Artikel ist weit ĂŒber 10 Jahre alt, aber immer noch wahr).
  • Skeptische Grundhaltung bei der Datenanalyse -> Ableitung fĂŒr Google Analytics 4: Kennzahlen, wie in allen Tools, unterliegen auch in Google Analytics 4 technischen Rahmenbedingungen (z.B. Cookies), dem Verhalten von Nutzern (z.B. Cookie-Consent), dem Verhalten der Marktteilnehmer (z.B. Safari mit ITP), aber auch den Definitionen eines Tools, wie Google Analytics 4. Ziel ist es, ein gemeinsames VerstĂ€ndnis der wichtigsten Zahlen und Rahmenbedingungen in einer Firma zu gewinnen.
  • Bereitschaft, Informationsverluste im Prozess der Analyse abzuwĂ€gen und zu akzeptieren -> Ableitung fĂŒr Google Analytics 4: Kein Tool ist perfekt. Wie schon oben beschrieben, unterliegt es immer zahlreichen Bedingungen. Ziel ist es hier auf Basis von Unsicherheit, vor allem bessere Diskussionen und Bewertungen in einem Unternehmen zu etablieren. Mein Motto nach Charles Babbage: „Errors Using Inadequate Data are Much Less Than Those Using no Data at All“.
  • FĂ€higkeit, relevante von irrelevanten Informationen im Analyseprozess zu trennen -> Ableitung fĂŒr Google Analytics 4: Bei vielen Universal Analytics Implementierungen steht bei der Sammlung von Daten die technische Machbarkeit, bei der Erhebung von Daten, auf der Prioliste. In der Konsequenz fĂŒhrt das zu kaputten und/ oder unverstĂ€ndlichen Implementierungen, zu falschen Interpretationen und zur Ablehnung von Daten, da Daten fĂŒr die Mehrheit der Stakeholder nicht nachvollziehbar sind. Beispiel aus Universal Analytics: Oft ist im Unternehmen gar nicht klar, wie die Daten gesammelt werden und ob diese ĂŒberhaupt kombinierbar sind (Score). Mein Tipp zu GA4: Einen neuen Start wagen, Ereignisse nicht 1:1 von Universal Analytics ĂŒbernehmen und implementieren, sondern nur, wenn diese auch wirklich sinnvoll sind. Hier und hier sehr praktisch, wie du deinen Set-Up fĂŒr GA4 planen kannst. 
  • ObjektivitĂ€t als Grundhaltung, insbesondere in Situationen, in denen Datenlage und Fragestellung Spielraum fĂŒr die Analyse lassen -> Ableitung fĂŒr Google Analytics 4: Daten sollten in der Analyse immer ergebnisoffen und frei von Vorurteilen sein. In Google Analytics 4 bedeutet das auch Funktionen, wie sekundĂ€re Dimensionen, Filter und explorative Analysen im Detail zu verstehen, um zu mehr VerstĂ€ndnis zu kommen. Frei nach Avinash Kaushik „Segment or Die“.

 

Diskutiere mit uns das Thema:

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert