- Mit welchen Seiten meiner Website bzw. Bildschirmen meiner App erziele ich die meisten Aufrufe?
- Mit welchen Landingpages erziele ich die beste Leistung oder die meisten Conversions?
- Wonach suchen Nutzer auf meiner Website bzw. in meiner App? Wo könnte ich den Websitecontent oder die Navigation verbessern?
- Welche Leistung erziele ich mit meinen Landingpages im Zeitverlauf? Werden Nutzer mit der gleichen Häufigkeit auf die verschiedenen Seiten weitergeleitet?
- Wie durchlaufen Nutzer den Kauftrichter?
- Wie durchlaufen Nutzer die Level in meinem Spiel?
- Was hat einen Nutzer dazu bewegt, ein Produkt in den Einkaufswagen zu legen?
- Warum haben Nutzer meine App deinstalliert?
- Gibt es interessante Überschneidungen zwischen verschiedenen Segmenten meiner Daten?
- Wie verhalten sich Nutzer je nachdem, wann sie meine Website zum ersten Mal besucht haben?
- Von welchen Verweisquellen stammen die wertvollsten Nutzer?
Mit welchen Seiten meiner Website bzw. App erziele ich die meisten Aufrufe?
In Universal Analytics wird der Bericht „Seiten“ nach der Dimension „Seitenpfad“ und Messwerten wie „Seitenaufrufe“, „Einzelne Seitenaufrufe“ oder „Absprungrate“ aufgeschlüsselt. In Google Analytics 4-Properties sieht der Seitenbericht anders aus. Einen ähnlichen Bericht erhalten Sie jedoch, wenn Sie unter „Expl. Datenanalyse“ eine explorative Datenanalyse erstellen.
Zuerst müssen Sie über das Pluszeichen eine weitere Dimension aktivieren, damit Sie unter „Expl. Datenanalyse“ im Bereich „Einstellungen für den Tab“ Dimensionen hinzuzufügen können. Fügen Sie in unserem Fall die Dimension „Seitenpfad und Abfragestring“ hinzu. Wenn Sie die Daten nach Seitentitel filtern möchten (in UA wird für den Bericht „Seiten“ der „Seitenpfad“ verwendet), können Sie außerdem noch die Dimension „Seitentitel und Bildschirmname“ aktivieren.
Als Nächstes fügen Sie den Messwert für „Aufrufe“ hinzu, damit er in Ihre explorative Datenanalyse aufgenommen werden kann. Klicken Sie dazu im Bereich „Variablen“ im Abschnitt „Messwerte“ auf das Pluszeichen und suchen Sie nach dem Messwert „Aufrufe“.
Zum Erstellen der explorativen Datenanalyse für Seiten müssen Sie die Standardmesswerte und -dimensionen entfernen, die in den Einstellungen für Zeilen und Spalten festgelegt wurden, und „Seitenpfad und Abfragestring“ als Zeilendimension und „Aufrufe“ als Spaltenmesswert hinzufügen. Zu Vergleichszwecken können Sie auch „Aktive Nutzer“ als Spaltenmesswert verwenden. Sie sehen dann die Anzahl einzelner Nutzer und können so nachvollziehen, wie beliebt die einzelnen Seiten sind.
Wenn Sie im Google Merchandise Store die Startseite (/) und die Warenkorbseite entfernen, sehen Sie sofort, dass „Clearance“ (Ausverkauf) und „Apparel/Mens“ (Herrenbekleidung) die beliebtesten Produktseiten sind.
Mit welchen Landingpages erziele ich die beste Leistung oder die meisten Conversions?
Wenn Sie wissen, was Nutzer auf Ihrer Website oder in Ihrer App zuerst sehen, können Sie die entsprechenden Seiten oder Bildschirme und damit die Ergebnisse Ihrer Marketinginitiativen optimieren. In Universal Analytics ist das ein Standardbericht. Für Google Analytics 4-Properties ist er jedoch noch nicht vorhanden. Allerdings lässt er sich im explorativen Analysetool von Grund auf neu erstellen.
Für diese explorative Datenanalyse sind einige wichtige Elemente erforderlich: die Dimension „Landingpage“ und relevante Messwerte wie „Aufrufe“, „Sitzungen“ und „Aktive Nutzer“. Diese zusätzlichen Dimensionen und Messwerte müssen Sie über das Pluszeichen hinzufügen:
Fügen Sie also zuerst die Dimension „Landingpage“ als Zeile und relevante Messwerte wie „Aufrufe“, „Sitzungen“ und „Aktive Nutzer“ als Werte hinzu. So erhalten Sie eine explorative Datenanalyse der Landingpage nach diesen Messwerten.
Wenn Sie auch noch den Messwert „Käufe“ hinzufügen, sehen Sie, welche Landingpages bei einem Kauf aufgerufen wurden:
Sie können nun das Ergebnis mit den Werten insgesamt vergleichen, um die Effektivität der Landingpage zu ermitteln.
Wonach suchen Nutzer auf meiner Website bzw. in meiner App? Wo könnte ich den Websitecontent oder die Navigation verbessern?
Site Search ist ein weiterer nützlicher Bericht, den Sie in einer explorativen Datenanalyse der Suchbegriffe erstellen und einsetzen können. Er wird in mehreren Schritten erstellt.
Zuerst müssen Sie entweder das Ereignis „Optimierte Analysen“ oder ein benutzerdefiniertes Ereignis aktivieren, um Daten zu Suchbegriffen zu erfassen. Wenn Sie optimierte Analysen verwenden, heißt dieses Ereignis „view_search_results“. Als Nächstes müssen Sie prüfen, ob der Parameter für „Suchbegriff“ in Ihrer Property als benutzerdefinierte Dimension aktiviert ist. Ist das der Fall, sind die Daten für explorative Datenanalysen verfügbar.
Nun können Sie die explorative Datenanalyse erstellen. Auch hierfür sind mehrere Schritte erforderlich. Zuerst müssen Sie die Dimension „Suchbegriff“ aktivieren, damit sie im explorativen Analysetool verwendet werden kann:
Anschließend können Sie sie der explorativen Datenanalyse unter „Zeilen“ hinzufügen. Die Ausgabe sollte in etwa so aussehen:
In dieser explorativen Datenanalyse wird für viele Werte „(nicht festgelegt)“ angezeigt, weil alle Ereignisse ausgewertet werden. Sie müssen einen Filter für „Ereignisname“ erstellen, der genau mit „view_search_results“ übereinstimmt, damit nur Daten für dieses Ereignis angezeigt werden.
Nachdem Sie den Filter angewendet haben, wird eine aktualisierte explorative Datenanalyse angezeigt, in der Sie die Anzahl der Suchanfragen für jeden aufgeführten Begriff sehen. Hier ein Beispiel:
Wenn Sie wissen, wonach Nutzer auf Ihrer Website suchen, können Sie den Content so optimieren, dass Engagement und Zufriedenheit der Nutzer zunehmen. Angenommen, Sie sehen, dass ein bestimmter Suchbegriff plötzlich viel häufiger verwendet wird. Sie könnten dann mehr Content hinzufügen, in dem der Begriff verwendet wird, damit Nutzer leichter finden, was sie suchen, oder Antworten auf ihre Fragen erhalten.
Welche Leistung erziele ich mit meinen Landingpages im Zeitverlauf? Werden Nutzer mit der gleichen Häufigkeit auf die verschiedenen Seiten weitergeleitet?
Für jede explorative Datenanalyse gibt es mehrere Visualisierungsoptionen. Mit einem Liniendiagramm sehen Sie gut, wie sich die Daten im Laufe der Zeit entwickeln. Falls Sie beispielsweise die Anzahl der aktiven Nutzer auf Ihren Landingpages im Zeitverlauf sehen möchten, müssen Sie lediglich den Visualisierungstyp ändern. Klicken Sie dazu im Bereich „Einstellungen für den Tab“ auf eine der sechs Visualisierungsoptionen.
Wenn Sie die Visualisierung in ein Liniendiagramm ändern, wird ein Diagramm mit den zehn wichtigsten Landingpages im Zeitverlauf erstellt.
Beim Bewegen des Mauszeigers über das Diagramm sehen Sie die Datenpunkte für den jeweiligen Tag.
Manchmal werden auch Anomalien durch leere Kreise hervorgehoben. Wenn Sie den Mauszeiger auf den leeren Kreis bewegen, werden die Gründe für die Anomalie angezeigt. Aufgrund von früher erfassten Daten wurde in diesem Beispiel in Google Analytics davon ausgegangen, dass am 2. Februar etwa 1.000 aktive Nutzer die Startseite aufrufen. Die tatsächliche Anzahl der aktiven Nutzer lag jedoch bei 2.200, was 116 % höher war als erwartet.
Mithilfe von Trichtern lässt sich ganz einfach visualisieren, wie Nutzer eine Reihe von Schritten durchlaufen, die Sie dafür vorgesehen haben. Gängige Anwendungsfälle für Trichter sind z. B. das Kaufverhalten von Nutzern oder der Bezahlvorgang für E-Commerce-Unternehmen. Wenn Sie Spieleentwickler sind, möchten Sie vielleicht sehen, wie Nutzer Level in Ihrem Spiel durchlaufen. Als Nächstes sehen wir uns konkrete Beispiele dafür an.
Wie durchlaufen Nutzer den Kauftrichter?
Für das Kaufverhalten könnten Sie beispielsweise analysieren, wie unterschiedliche Nutzersegmente einen Kauftrichter durchlaufen. Dazu gehören der Aufruf eines Artikels, das Hinzufügen zum Einkaufswagen und der Kauf. Sie können diesen Trichter ganz neu erstellen oder eine der praktischen Vorlagen verwenden, die über das GA4-Demokonto für den Google Merchandise Store verfügbar sind. Rufen Sie dazu die Seite mit explorativen Datenanalysen auf, scrollen Sie nach unten und wählen Sie in der Liste der explorativen Demo-Datenanalysen „Shopping Behavior Funnel“ (Trichter für Kaufverhalten) aus.
Nach dem Öffnen ist die Analyse schreibgeschützt. Sie können aber oben rechts auf „Kopie erstellen“ klicken, um eine Kopie der Analyse zu erstellen. Sie werden dadurch zum Inhaber. Die Kopie können Sie beliebig bearbeiten.
Im Google Merchandise Store werden Produkte von Google verkauft. Besonders beliebt sind Produkte in der Kategorie „Android“ und „YouTube“. Der Vergleich dieser beiden Produktkategorien kann zum Verständnis des Kaufverhaltens beitragen. Erstellen Sie dazu zwei neue Segmente – eines für jede Kategorie. Erstellen Sie für dieses Beispiel ein Ereignissegment mit dem Ereignis „select_item“ und dem Parameter „item_name“, der „Android“ oder „YouTube“ enthält.
Diese Segmente enthalten dann Nutzer, die den Trichter für das Kaufverhalten durchlaufen haben und auf mindestens ein Android- oder YouTube-Produkt geklickt haben. Interessanterweise haben Nutzer, die auf ein Android-Produkt geklickt haben, fast doppelt so häufig etwas gekauft wie Nutzer, die mit einem YouTube-Produkt interagiert haben. Das bedeutet nicht, dass der Nutzer ein Produkt dieser Marke gekauft hat, sondern nur, dass er darauf geklickt hat. Wenn Sie nur an Käufen von Produkten bestimmter Marken interessiert sind, verwenden Sie stattdessen das Ereignis „purchase“:
Nach Anwendung dieser Segmente sieht der Trichter für das Kaufverhalten so aus:
Eine neue Funktion für Trichter in GA4 ist die Möglichkeit, ihn im Zeitverlauf zu betrachten. Ändern Sie dazu im Bereich „Einstellungen für den Tab“ den Visualisierungstyp in „Trichter mit Zeitverlauf“. Daraufhin wird eine Trichteransicht geöffnet, in der alle Schritte im Zeitverlauf dargestellt sind. Wenn Sie den Mauszeiger darüber bewegen, sehen Sie die Anzahl der Nutzer pro Schritt und Segment für den jeweiligen Tag.
Sie können auch nur einen Schritt im Zeitverlauf anzeigen lassen. Änderungen sind so besser erkennbar. In diesem Beispiel sehen Sie, dass am 10. März plötzlich viel mehr verkauft wurde. Das ging aus der vorhergehenden Ansicht der Daten nicht so deutlich hervor. Interessanterweise tritt der Unterschied bei der Anzahl der Käufe von Nutzern, die sich Android-Produkte statt YouTube-Produkte angesehen haben, fast vollständig nach diesem Spitzenwert auf. Dies deutet darauf hin, dass sich das Layout der Website oder die Marketingaktivitäten geändert haben, sodass Android-Produkte ab diesem Zeitpunkt besser sichtbar waren.
Wie durchlaufen Nutzer die Level in meinem Spiel?
Diese Frage stellen sich Entwickler häufig zu ihrem Spiel oder ihrer App. Sie lässt sich mithilfe eines Trichters beantworten.
Zuerst müssen Sie spezifische Schritte festlegen, anhand derer sich die erreichten Level bestimmen lassen. In diesem Beispiel verwenden Sie im GA4-Demokonto für Flood-it! das Ereignis „level_up“ und erstellen fünf Schritte für fünf Level.
Wenn Sie diese Schritte anwenden, sehen Sie, wie viele Nutzer die einzelnen Level erreicht haben.
Bei Nutzern, die Level 1 geschafft haben, ist die Wahrscheinlichkeit höher, dass sie weiterspielen. Diese Informationen können für A/B-Testszenarien hilfreich sein, in denen Sie Tipps oder andere Methoden vorstellen, um Nutzern das Erreichen von Level 1 zu erleichtern und so die Abwanderung zu verringern.
Wenn Sie diesen Trichter im Zeitverlauf darstellen, erkennen Sie außerdem einen Anstieg bei allen Schritten, die um den 19. März beginnen. Dies deutet darauf hin, dass sich zu diesem Zeitpunkt etwas bei der Werbung für das Spiel oder seiner Sichtbarkeit geändert hat.
Sie können diesen Trichter auch segmentieren, um zu sehen, ob sich unterschiedliche Kanäle zur Nutzergewinnung auf das Erreichen der Level insgesamt auswirken. In diesem Beispiel wird die Akquisition von Nutzern über direkte und bezahlte Zugriffe verglichen. Sie werden feststellen, dass Nutzer, die über bezahlte Kampagnen gewonnen wurden, tatsächlich länger dabei bleiben (geringere Ausstiegsrate) als solche, die direkt gewonnen wurden. Dies ist ein Zeichen dafür, dass Ihre bezahlte Werbung die gewünschte Wirkung hat.
Eine weitere sehr nützliche Funktion der explorativen Trichteranalyse ist, dass Sie ein Segment oder eine Zielgruppe aus Aussteigern erstellen können. Im Beispiel unten sehen Sie, dass die Ausstiegsrate bei Level 4 steigt. Erstellen Sie in diesem Fall ein Segment mit Nutzern, die bei Level 4 ausgestiegen sind, also nicht Level 5 erreicht haben. Setzen Sie dann dieses Segment als Zielgruppe ein, um die Reichweite zu vergrößern oder den Nutzern eine Push-Benachrichtigung zu senden, um sie zu motivieren, das Level abzuschließen und weiterzuspielen.
Klicken Sie zum Erstellen des Segments mit der rechten Maustaste auf den gewünschten Schritt und wählen Sie aus, dass Sie ein Segment erstellen möchten. In unserem Fall enthält das Segment auch ein Ausschlusskriterium für Level 5, damit Sie die richtige Zielgruppe erreichen.
Weiterhin können Sie der explorativen Trichteranalyse den neuen Messwert „Verstrichene Zeit“ hinzufügen. Aktivieren Sie dazu im Einstellungsbereich die Schaltfläche „Verstrichene Zeit anzeigen“. Die Tabelle enthält nun eine neue Messwertspalte:
Wenn Sie wissen, wie lange es durchschnittlich dauert, um von Schritt für Schritt zu gelangen, kann das ein wichtiger Indikator für eventuelle Probleme sein, die Nutzer haben. Im vorliegenden Fall sehen Sie, ob es einfach oder schwierig es ist, ein Level zu erreichen. Unter Umständen lässt sich das Ergebnis auch nutzen, um eine Zielgruppe zu erstellen, für die Sie Aktionen ausführen können, z. B. Push-Benachrichtigungen oder Remarketing-Botschaften senden. Im Beispiel dauert es durchschnittlich 3 Stunden und 53 Minuten, bis Level 2 geschafft ist. Aus dem Ergebnis in dieser Zeile lässt sich eine Zielgruppe von Nutzern erstellen, die bei diesem Schritt aufgeben. Klicken Sie dazu mit der rechten Maustaste auf die gewünschte Option:
Nutzer lassen sich dann anhand dieser Zielgruppe noch einmal motivieren, damit sie nicht vorzeitig aus dem Spiel oder der App aussteigen.
Eine neue Funktion des explorativen Analysetools in GA4 ist die explorative Pfadanalyse. Damit lässt sich ein bestimmtes Ereignis oder eine/n bestimmte/n Seite/Bildschirm auswählen, ab der bzw. dem Sie vor oder zurück gehen möchten. So sehen Sie, wie Nutzer Ihre Website oder App durchlaufen. Schon seit längerem wurde eine Funktion gewünscht, um die Aufrufabfolge von Webseiten zu ermitteln. Mit den neuen explorativen Pfadanalysen in GA4 ist das jetzt möglich.
Was hat einen Nutzer dazu bewegt, ein Produkt in den Einkaufswagen zu legen?
Diese Frage betrifft viele E-Commerce-Websites. Sie kann jetzt mithilfe der Funktion zum Zurückgehen auf dem Pfad untersucht werden.
Öffnen Sie zuerst eine neue explorative Pfadanalyse und klicken Sie oben rechts auf „Neu starten“. Jetzt können Sie einen Endpunkt auswählen. Wählen Sie „Ereignisname“ aus.
Wählen Sie nun im ausblendbaren Menü das Ereignis aus, ab dem Sie im Pfad zurückgehen möchten. Wählen Sie in diesem Fall „add_to_cart“ aus, um zu sehen, welche Schritte Nutzer ausgeführt haben, bevor sie etwas in den Einkaufswagen gelegt haben. Wenn Sie den gewünschten Ereignisnamen nicht sehen, können Sie auf „Mehr laden“ klicken oder die Suchleiste oben verwenden.
Ihre explorative Datenanalyse wird geladen. Einige Schritte sind bereits basierend auf dem Ereignisnamen ausgefüllt. Wenn Sie stattdessen im Pfad den Seitennamen anzeigen möchten, können Sie das pro Schritt ändern. Im Beispiel unten haben wir auf „Seitentitel und Bildschirmklasse“ umgestellt. So wird ersichtlich, dass ziemlich viele Nutzer Produkte auf der Seite „Sale“ in den Einkaufswagen legen. Sie können nun diese Seite näher untersuchen, um zu sehen, ob bestimmte Produkte für Ihre Marketingstrategie von größerem Interesse sind.
Warum haben Nutzer meine App deinstalliert?
Für App-Entwickler ist die Abwanderung (Nutzer deinstallieren die App) ein echtes Problem. Wenn Sie auf dem Pfad zurückgehen, lässt sich leichter herausfinden, warum Nutzer abgewandert sind. Erstellen Sie zuerst einen neuen Rückwärtspfad. Klicken Sie dazu oben in der explorativen Pfadanalyse auf die Schaltfläche „Neu beginnen“. Als Startpunkt für den Endpunkt wählen Sie den Ereignisnamen „app_remove“ aus.
Wenn Sie einige Schritte zurückgehen, sehen Sie Aktivitäten, die eventuell zur Abwanderung geführt haben. In diesem Fall hat sich gezeigt, dass bei etwa 13 % der Abwanderungen innerhalb von zwei Schritten vor dem Deinstallieren der App eine Anzeigenimpression auftrat. Dieser hohe Prozentsatz weist darauf hin, dass die Art und Weise, wie Sie Anzeigen präsentieren, möglicherweise optimiert werden muss, um die negativen Auswirkungen auf die Nutzer und damit die Abwanderung zu verringern.
Gibt es interessante Überschneidungen zwischen verschiedenen Segmenten meiner Daten?
Mithilfe der Segmentüberschneidung können Sie ganz einfach ermitteln, wie unterschiedliche Segmente von Nutzern zusammenhängen. Ein Beispiel: Auf einer Website kann ein Newsletter abonniert werden. Sie möchten nun die Überschneidung von Computernutzern mit mobilen Nutzern darstellen. So erkennen Sie besser, woher die meisten Newsletter-Anmeldungen stammen, ohne dazu eine explorative Datenanalyse in Form einer Tabelle auswerten zu müssen.
Übernehmen Sie dazu zuerst die zu analysierenden Segmente in den Variablenbereich. Klicken Sie auf das Pluszeichen, um das Segmentierungstool zu öffnen.
Erstellen Sie das Ereignis „Newsletter-Anmeldung“. Wählen Sie dazu ein Ereignissegment und dann das Ereignis aus, nach dem gefiltert werden soll, in diesem Fall „sign_up“.
Nachdem Sie die zu visualisierenden Segmente erstellt haben, müssen sie angewendet werden. Doppelklicken Sie darauf, um sie zum Bereich „Einstellungen für den Tab“ hinzuzufügen. In einem Mengendiagramm lässt sich die Überschneidung von bis zu drei Segmenten visualisieren.
In diesem Beispiel haben wir Segmente für „Desktop traffic“ (Zugriffe über Computer), „Mobile traffic“ (Zugriffe über Mobilgeräte) und „Newsletter Signup“ (Newsletter-Anmeldung) hinzugefügt, um zu sehen, woher die meisten Newsletter-Anmeldungen stammen.
Wie Sie anhand des Mengendiagramms und der Zeile 6 der Tabelle unten erkennen können, stammt die überwiegende Mehrheit der Newsletter-Anmeldungen von Computernutzern. Das kann darauf hindeuten, dass die entsprechende Seite nicht für Mobilgeräte optimiert ist oder dass Nutzer Schwierigkeiten haben, sich für den Newsletter anzumelden. Dieses Problem sollte daher mit den Entwicklern und Designern besprochen werden.
Eine sehr nützliche Funktion der Segmentüberschneidung ist die Möglichkeit, ein neues Segment aus einer Überschneidung zu erstellen. Angenommen, Sie möchten ein neues Segment erstellen, das Zugriffe über Computer und Newsletter-Anmeldungen enthält. Klicken Sie dazu im Mengendiagramm oder in der Tabelle mit der rechten Maustaste auf den Abschnitt mit den Daten, an denen Sie interessiert sind. Wählen Sie dann die Option zum Erstellen eines Segments aus.
Daraufhin wird das Segmentierungstool mit den vorausgewählten Bedingungen für die ausgewählte Segmentüberschneidung geöffnet. Als Segmentname wird der beschreibende Name der kombinierten Bedingungen verwendet. Dieser Name kann jedoch geändert werden.
Sie können sogar eine Zielgruppe aus dieser Überschneidung erstellen, indem Sie ein Häkchen in das Kästchen oben rechts setzen. Sie haben dann die Möglichkeit, diese Zielgruppe für andere Google Marketing Platform-Produkte wie Google Ads freizugeben, um die Reichweite zu erhöhen.
Wie verhalten sich Nutzer je nachdem, wann sie meine Website zum ersten Mal besucht haben?
Die explorative Kohortenanalyse ist ein nützliches Tool, um zu verstehen, wie sich verschiedene Gruppen der Nutzer Ihrer Website verhalten, je nachdem, wann und wie sie eine Kohorte aufgenommen wurden. Wenn Sie den Messwert oder die Berechnung des zu analysierenden Elements in einer explorativen Kohortenanalyse ändern, kann das noch weitere Vorteile haben.
Beim ersten Öffnen einer neuen explorativen Kohortenanalyse im Bereich „Expl. Datenanalyse“ wird eine explorative Datenanalyse erstellt, die auf der Aufnahme in die Kohorte beim Erstkontaktereignis – also der erste Besuch der Website oder Aufruf der App –, den Rückkehrkriterien „Beliebiges Ereignis“ (d. h., die Nutzer sind zurückgekehrt und haben mit Ihrer Website oder App interagiert), dem Messwert „Aktive Nutzer“ und dem Berechnungstyp „Standard“ basiert. Daraus entsteht eine grundlegende explorative Kohortenanalyse, die Aufschluss darüber gibt, wie viele Nutzer im Laufe von 5 Wochen jede Woche auf Ihre Website zurückkehren und ob die Anzahl davon abhängt, wann sie Ihre Website oder App zum ersten Mal besucht bzw. verwendet haben.
Wenn Sie den Messwerttyp dieser explorativen Datenanalyse von „Summe“ in „Pro Nutzer in der Kohorte“ ändern, sehen Sie ungefähr, wie viel Prozent der Nutzer jede Woche zurückkehren. Dieser Wert ist in der Regel aussagekräftiger als die Summe für diese Datenansicht, weil Sie so besser nachvollziehen können, wie die einzelnen Kohorten bei wiederkehrenden Nutzern abschneiden.
Bei einer E-Commerce-Website kann es außerdem sinnvoll sein, den Wert von „Aktive Nutzer“ in „Umsatz aus Käufen“ zu ändern, sodass nicht nur die Anzahl der Nutzer, sondern auch der Umsatz angezeigt wird, den jede Kohorte generiert. Sie können die Analyse als Summe für die Kohorte oder auf Basis der Nutzer in der Kohorte darstellen. Im Beispiel unten sehen Sie, dass die ersten zwei Kohorten jede Woche nur sehr wenig Umsatz erzielten, der Umsatz jedoch ab der dritten Kohorte steigt.
Wenn Sie den Berechnungstyp von „Standard“ in „Kumuliert“ ändern, sehen Sie die Auswirkung der einzelnen Kohorten auf den Umsatz insgesamt.
In diesem Beispiel deuten die Daten darauf hin, dass ungefähr in der Woche ab 7. März verstärkte Marketingaktivitäten dazu führten, dass Nutzer mit hoher Conversion-Wahrscheinlichkeit den Google Merchandise Store besuchten.
Von welchen Verweisquellen stammen die wertvollsten Nutzer?
Anhand dieser Informationen kann Ihr Marketingteam ermitteln, welche Verweisquellen das Unternehmen als Partner bevorzugen sollte. In diesem Fall geht aus der Tabelle hervor, dass Nutzer einen höheren erwarteten Lifetime-Umsatz haben, der bisherige Lifetime-Wert höher und die Wahrscheinlichkeit geringer ist, dass sie abwandern.
Damit Sie diese explorative Datenanalyse erstellen können, müssen zuerst die Messwerte und Dimensionen hinzugefügt werden, die für Analysen wie Abwanderung, Lifetime-Wert und Lifetime-Umsatz erforderlich sind. Als Dimensionen verwenden wir „Quelle“ und „Medium“. Außerdem fügen wir einige Messwerte hinzu. Klicken Sie dazu im Bereich „Variablen“ unter „Messwerte“ auf das Pluszeichen und wählen Sie sie im Abschnitt „Nutzer-Lifetime“ aus (siehe Abbildung unten).
Wenn Sie diese Messwerte und Dimensionen anwenden, werden Sie feststellen, dass viele Zeilen keine Werte für die Abwanderungswahrscheinlichkeit enthalten, weil diese Nutzer nicht für die Modellierung für die Abwanderungsvorhersage infrage kommen. Sie können einen Filter mit einer Abwanderungswahrscheinlichkeit von > 0 erstellen, um alle Nutzer ohne berechnete Abwanderungswahrscheinlichkeit auszuschließen. Die explorative Datenanalyse sieht dann so aus:
Anschließend können Sie die Daten nach Abwanderungswahrscheinlichkeit sortieren und sehen, ob es eine Kampagne mit einer hohen Anzahl von Nutzern und einer geringen erwarteten Abwanderungsrate gibt. Mit diesen Kampagnen gewinnen Sie wahrscheinlich mehr Nutzer mit Interaktionen als mit Kampagnen mit einer höheren prognostizierten Abwanderungsrate.
Sie haben auch die Möglichkeit, die prognostizierten Käufe, den bisherigen Lifetime-Wert und die voraussichtlichen Interaktionen auszuwerten, um den Wert der akquirierten Nutzer über eine einzelne Sitzung hinaus zu ermitteln.
Im Screenshot unten sehen Sie einige Zeilen mit nicht von Google stammenden Verweisen auf den Google Merchandise Store. Sie betreffen zwar nur wenige Nutzer, haben aber eine niedrigere Abwanderungsrate, eine längere Engagement-Dauer, höhere Transaktionen und einen guten durchschnittlichen Lifetime-Wert. Diese Verweisquellen sind für das Geschäft sehr wertvoll. Das Marketingteam sollte daher eine stärkere Beziehung zu diesen Quellen aufbauen.