1 Ziele der Webanalyse

25

1.1 Was ist Webanalyse?

25

1.2 Ohne Ziele keine Analyse

25

1.3 Ziele nach dem S.M.A.R.T.-Prinzip

27

1.4 Die Gewinnerzielungsabsicht

28

1.5 Business Value Generation: der Antrieb

28

1.6 Was, wenn es nicht direkt um Geld geht?

29

1.7 Findet ein gutes Tool nicht selbst heraus, was wichtig ist?

30

1.8 Vanity Metrics

30

2 Die Dreifaltigkeit der Datenanalyse

33

2.1 Ziele, KPIs und Metriken

33

2.2 Von Daten zur Aktion

35

3 Wie funktioniert Tracking?

41

3.1 Tool einbinden und fertig?

41

3.2 Warum Technik verstehen?

42

3.3 Wie sich zwei Maschinen unterhalten

42

3.4 Server- und Client-basiertes Tracking

43

3.5 Andere Formen des Trackings

47

3.6 Tag-Management-Systeme

47

4 Nutzer- und geräteübergreifendes Tracking

49

4.1 Nutzer sind eigentlich Browser

49

4.2 Was sind eindeutige Nutzer?

51

4.3 Geräteübergreifendes Tracking

52

5 Hits, Seitenaufrufe und Sitzungen

55

5.1 Hits

55

5.2 Seitenaufrufe

57

5.3 Sitzung

57

5.4 Zeitliche Definition einer Sitzung

59

5.5 Was ist die ideale Sitzungsdauer?

59

5.6 Die Rolle des Nutzers

60

6 Daten: Roh oder aggregiert?

61

6.1 Was ist der Unterschied?

61

6.2 Beispiele für Analysen mit Rohdaten

62

6.3 Rohdaten mit R abfragen, transformieren und auswerten

63

7 Dimensionen und Messwerte

69

7.1 Unterschied zwischen Dimensionen und Metriken

69

7.2 Umfang/Scope verstehen

71

7.3 Eigene Dimensionen und Metriken

72

8 Ereignisse und Datenschicht

75

8.1 Was sind Ereignisse?

75

8.2 Beispielereignisse

75

8.3 Der Ereignisplan

77

8.4 Einsatz einer Datenschicht

78

9 Einen Tracking-Plan erstellen

81

9.1 Warum ein Tracking-Plan?

81

9.2 Der Tracking-Plan im Detail

82

9.3 Vom Tracking-Plan zum Tagging-Plan

83

10 Ein geeignetes Tracking-Tool auswählen

85

10.1 Entscheidungsfaktoren

85

10.2 Google Analytics

86

10.3 Adobe Analytics

87

10.4 Matomo

88

10.5 Hotjar

89

11 Datenschutz

91

11.1 Keine Rechtsberatung

91

11.2 Warum überhaupt Datenschutz?

91

11.3 Was ist schlimm an der Datensammlung im Internet?

92

11.4 Datenschutz und Webanalyse

93

12 Umfragen auf der eigenen Website

95

12.1 Warum Umfragen in einem Buch über Webanalyse?

95

12.2 Vor- und Nachteile von Umfragen

95

12.3 Fallstricke

97

12.4 Wie wird es richtig gemacht?

99

13 Minimale Statistikgrundlagen

103

13.1 Warum Statistik?

103

13.2 Verteilungen

103

13.3 The mean Mean

104

13.4 Alternativen zum arithmetischen Mittel

107

13.5 Standardabweichung

108

13.6 Korrelationen

110

14 Interaktionen anstatt Verweildauer

113

14.1 Warum die Verweildauer meistens falsch gemessen wird

113

14.2 Ist die Verweildauer überhaupt ein guter KPI?

115

14.3 Warum Interaktionen besser sind

115

15 Absprungrate verstehen

119

15.1 Definitionen der Absprungrate

119

15.2 Nutzen der Absprungrate

120

15.3 Unterschied zwischen Absprungrate und Ausstiegsrate

121

16 Segmente verstehen

123

16.1 Was sind Segmente und warum sind sie wichtig?

123

16.2 Wie findet man relevante Segmente?

125

16.3 Mengenlehre

125

17 Akquisekanäle verstehen

129

17.1 Was ist ein Akquisekanal?

129

17.2 Direkt

130

17.3 Organische Suche

130

17.4 Suchmaschinen-Marketing

134

17.5 Display

136

17.6 Affiliate

137

17.7 E-Mail

137

17.8 Social

138

17.9 Referral

138

17.10 Benutzerdefinierte Kanäle

138

18 Kampagnenerfolg auswerten

141

18.1 Was ist Erfolg?

141

18.2 Kampagnen-Tagging

141

18.3 Die Währungen im Online-Marketing

142

18.4 Customer Journey versus Datensilos

144

19 Attribution berechnen

145

19.1 Warum ist Attribution wichtig?

145

19.2 Statische Attributionsmodellierung

146

19.3 Beispiel First Click versus Last Click

147

19.4 Vor- und Nachteile statischer Attributionsmodelle

148

19.5 Dynamische Attributionsmodellierung

149

20 Interne Suche messen

151

20.1 Warum ist die interne Suche interessant?

151

20.2 Welche KPIs sind wichtig?

152

20.3 Wie darstellen?

153

20.4 Beispiel einer Auswertung in Google Analytics

154

20.5 Wie wird eigentlich Relevanz gemessen?

155

21 Eine Hypothese formulieren

159

21.1 Datengetriebene Hypothesen und kontinuierliches Testen

159

21.2 Welcher Test zuerst?

160

22 A/B- und multivariate Tests

163

22.1 A/B-Tests

163

22.2 Multivariate Tests

163

22.3 Unterschied A/B/n-Test und multivariater Test

164

22.4 Wie groß muss ein Sample sein?

166

22.5 Vorgehensweisen im Testing

166

22.6 Aufsetzen eines Tests

167

23 Wie belastbar ist ein Testergebnis?

169

23.1 Was genau ist statistische Signifikanz?

169

23.2 Frequentists versus bayessche Inferenz

171

23.3 A/A-Tests

173

24 Wie handlungsrelevante Berichte entstehen

177

24.1 Produktivitätskiller Reporting

177

24.2 Ziele der Stakeholder verstehen

178

24.3 Zweck des Reports definieren

178

24.4 Top-down-Methode

180

24.5 Benchmarking

180

24.6 Prognosen

180

24.7 Storytelling mit Daten

181

24.8 Signale vom Rauschen trennen

181

25 Die Kunst, das richtige Diagramm zu wählen

183

25.1 Vorsicht, Diagramm!

183

25.2 Welches Diagramm für was?

185

25.3 Liniendiagramm

185

25.4 Säulendiagramm/Balkendiagramm

186

25.5 Histogramm

187

25.6 Scatterplot

187

25.7 Bubble Chart

188

25.8 Boxplot-Diagramm

189

26 Dashboards

191

26.1 Was ist der Unterschied zu einem Report?

191

26.2 Best Practices

191

27 Datengetriebene Personas

197

27.1 Was ist eine Persona?

197

27.2 Einschränkungen eigener Daten

198

27.3 Personas aus Nutzungsdaten

199

27.4 Demografische Daten

201

28 Ein Personalisierungskonzept erstellen

203

28.1 Voraussetzungen

203

28.2 Fallstricke

204

28.3 Analyseansätze

205

29 Messunterschiede zu anderen Systemen

209

29.1 Klicks versus Sitzungen

209

29.2 Unterschiedliche Integration

210

30 Den Bestätigungsfehler vermeiden

213

30.1 Was ist der Bestätigungsfehler?

213

30.2 Was hilft gegen den Bestätigungsfehler?

214