Google Analytics 4 – Muss ich umsteigen?
Und wenn ja, wie? Und wann?

Universal Analytics (UA) dachte in Sessions und Pageviews. Eine Session war ein zeitlich begrenzter Container, in dem Hits wie Pageviews, Ereignisse und Transaktionen aggregiert wurden. Das Modell war intuitiv, aber steif: Es konnte App- und Web-Daten nicht nativ vereinen, war auf Cookies angewiesen und brach unter der Komplexität moderner User Journeys zusammen.

GA4 denkt in Events. Jede Interaktion – ein Seitenaufruf, ein Klick, ein Scroll, ein Kauf – ist ein Event mit optionalen Parametern. Diese Architektur hat vier strategische Vorteile:

• Cross-Platform-Vereinheitlichung: Web, iOS und Android nutzen denselben Datenmodell. Ein Kauf ist ein Kauf, unabhängig vom Endgeraet.
• Cookie-Unabhängigkeit: Durch Modellierung, Machine Learning und Google Signals liefert GA4 auch bei eingeschränktem Tracking verwertbare Daten. Das ist ausschlaggebend in einer Post-iOS-14- und Post-Cookie-Welt.
• Flexibilität: Entwickler können bis zu 500 individuell benannte Events pro Property anlegen, jeweils mit bis zu 25 Parametern. Das erlaubt Granularität, die UA nie bot.
• BigQuery-Export: Rohdaten lassen sich kostenlos in Google BigQuery streamen. Das ermöglicht SQL-basierte Analysen, Lifetime-Attribution und die Verknuepfung mit CRM-Daten – Funktionen, die in UA nur über kostenpflichtige 360-Lizenzen verfügbar waren.

Der Nachteil: Die Lernkurve ist steiler. Berichte, die in UA in drei Klicks erreichbar waren, erfordern in GA4 den Aufbau von Explorationen oder die Verwendung von BigQuery. Die Investition in Schulung zahlt sich jedoch aus: Shops, die GA4 systematisch nutzen, reduzieren ihre Abhängigkeit von Drittanbieter-Cookies und bauen eine datensouveräne Infrastruktur auf.

GA4 unterscheidet vier Kategorien von Events:

Die empfohlenen Events sind der Schlüssel für eCommerce. Google hat für den Retail-Sektor eine standardisierte Taxonomie definiert. Wer diese nutzt, profitiert von vorkonfigurierten Berichten im Monetization-Tab und von Machine-Learning-Modellen, die auf diesen Event-Namen trainiert sind. Abweichungen von der Taxonomie – etwa „addToBasket“ statt „add_to_cart“ – führen dazu, dass Berichte leer bleiben und Attributionsmodelle fehlschlagen.

Jedes Event kann bis zu 25 Parameter tragen. Für den Kauf-Event (purchase) sind das beispielsweise transaction_id, value, currency, tax, shipping und ein items-Array mit product_id, item_name, item_category, quantity und price. Diese Granularität erlaubt Analysen auf SKU-Ebene, die in UA nur über erweiterte eCommerce-Implementierungen möglich waren.

Die Implementierung des eCommerce-Trackings erfolgt typischerweise über Google Tag Manager (GTM). Der Vorteil: Marketing-Teams können Events und Trigger ohne Entwickler-Deployment anpassen. Der Nachteil: Fehlkonfigurationen sind häufig und schwer zu debuggen.

Die korrekte Sequenz für eine GA4-eCommerce-Implementierung:

1. Data Layer aufbauen: Der Entwickler muss auf jeder relevanten Seite einen JavaScript-DataLayer.push() implementieren. Für die Produktdetailseite: event „view_item“ mit den zugehörigen Produktdaten.
2. GTM-Trigger konfigurieren: In GTM wird ein Trigger auf das Custom Event „view_item“ gesetzt. Dieser Trigger feuert das GA4-Event-Tag.
3. Variablen mappen: Data-Layer-Variablen wie ecommerce.items[0].item_name werden auf GA4-Event-Parameter gemappt.
4. Testen mit GA4 DebugView: Bevor das Container-Deployment live geht, muss jedes Event im DebugView von GA4 validiert werden. Hier zeigt sich, ob Parameter fehlen, falsch formatiert sind oder doppelt gefeuert werden.
5. E-Commerce-Berichte prüfen: Nach 24 bis 48 Stunden müssen die Monetization-Berichte auf Plausibilität geprüft werden. Vergleichen Sie die GA4-Umsätze mit Ihrem Shop-Backend. Abweichungen von mehr als 5 % deuten auf Implementierungsfehler hin.

Häufige Fehler: Das Purchase-Event wird doppelt gefeuert, weil die Bestätigungsseite neu geladen wird. Die Währung ist nicht im ISO-4217-Format hinterlegt (z. B. „EUR“ statt „€“). Der transaction_id fehlt oder ist nicht eindeutig, was zu Deduplizierungsproblemen führt. Diese Fehler lassen sich vermeiden, wenn die Implementierung durch einen GTM-Spezialisten begleitet und mit einem Testplan validiert wird.

Standard-Events decken 80 % der Anforderungen ab. Für differenzierte Analysen sind Custom Events jedoch unverzichtbar. Beispiele aus der Praxis:

• wishlist_add: Misst, wie viele Nutzer Produkte zur Wunschliste hinzufügen, ohne zu kaufen. Ein hoher Wunschlisten-Wert bei niedriger Conversion deutet auf Preissensibilitaet oder fehlende Vertrauenssignale hin.
• size_guide_open: Zeigt, wie viele Kunden unsicher bei der Größenwahl sind. Wenn 40 % der Besucher den Guide öffnen, aber nur 10 % kaufen, liegt das Problem bei der Passformbeschreibung oder den Maßtabellen.
• loyalty_tier_upgrade: Ermöglicht die Attribution von Umsatz auf das Loyalty-Programm und zeigt, welche Touchpoints zu Upgrades führen.

Custom Events können in GA4 direkt als Conversions markiert werden. Die Obergrenze liegt bei 30 Conversion-Events pro Property (50 in GA4 360). Wählen Sie diese 30 Events gewissenhaft: Jedes Event, das als Conversion definiert ist, fließt in die Attribution ein und verändert die Performance-Bewertung Ihrer Kanäle.

Ein weiterer Vorteil von GA4 ist das flexiblere Attributionsmodell. Während UA letzter Klick als Standard nutzte, setzt GA4 auf datengestützte Attribution. Dieses Modell wertet alle Touchpoints einer Journey aus und verteilt den Conversion-Wert entsprechend ihrem Beitrag. Für Shops mit langen Entscheidungszyklen – etwa Möbel oder Elektronik – liefert dies realistischere Einblicke als Single-Touch-Modelle.

Der kostenlose Export von GA4-Rohdaten nach BigQuery ist die mächtigste Funktion der Plattform. In BigQuery lassen sich GA4-Daten mit CRM-Daten, Werbekosten und Lagerbestaenden verknüpfen. Das Ergebnis ist eine einheitliche Datenbasis für Business Intelligence.

Ein praktischer Anwendungsfall: Ein Shop exportiert täglich seine GA4-Events nach BigQuery und verknüpft sie mit Shopify-Bestellungen über die transaction_id. Dadurch entsteht ein Bericht, der zeigt, welcher Kanal den Klick generiert hat, und, welcher Kanal tatsächlich profitabel ist – abzüglich Retouren, Zahlungsgebuehren und Werbekosten. Diese Net-Profit-Attribution ist in Standard-Analytics-Tool unmöglich.

Die Einrichtung erfordert einen Google Cloud-Account und die Aktivierung des Exports in den GA4-Property-Einstellungen. Kosten entstehen nur für die Speicherung und Abfrage in BigQuery, die bei den meisten mittelständischen Shops im einstelligen Euro-Bereich pro Monat liegen.

Die Migration zu GA4 ist technisch anspruchsvoll. Die folgenden Fehler beobachten wir in der Praxis am häufigsten:

1. Doppelte Purchase-Events: Wenn die Bestätigungsseite neu geladen oder über den Browser-Back-Button erneut aufgerufen wird, feuert das Purchase-Event ein zweites Mal. Lösung: Ein eindeutiger transaction_id und serverseitige Deduplizierung.
2. Fehlende Währungsangaben: GA4 erwartet den Wert im Parameter „currency“ im ISO-4217-Format („EUR“, „USD“). Fehlende oder falsch formatierte Angaben führen zu leeren Umsatzberichten.
3. Nicht eindeutige transaction_ids: Wenn verschiedene Bestellungen dieselbe ID erhalten – etwa weil ein Testsystem und das Live-System nicht synchronisiert sind – kann GA4 die Transaktionen nicht korrekt aggregieren.
4. Ignorieren der Data-Retention-Einstellung: GA4 löscht standardmäßig User-level-Daten nach 2 Monaten. Für cohortenbasierte Analysen muss diese Frist auf 14 Monate erhöht werden.
5. Kein Testen im DebugView: Viele Teams deployen GTM-Container live, ohne Events im DebugView zu validieren. Das Ergebnis sind Tage oder Wochen fehlerhafter Daten, die nicht retrograd korrigiert werden können.

Für den deutschsprachigen Raum ist die datenschutzkonforme Nutzung von GA4 zentral. Der Europaeische Gerichtshof hat in mehreren Entscheidungen klargestellt, dass der Datentransfer in die USA nur unter strengen Voraussetzungen rechtmäßig ist. Googles Antwort ist der Consent Mode v2 und die serverseitige Tag-Verarbeitung.

Der Consent Mode v2 unterscheidet zwischen „analytics_storage“ und „ad_storage“. Wenn ein Nutzer dem Tracking nicht zustimmt, erfasst GA4 keine Cookies, sondern modelliert die Daten auf Basis von serverseitigen Signalen. Diese modellierten Daten sind zwar aggregiert, aber für Trendanalysen und Budget-Steuerung ausreichend. Laut Google-Angaben liefern modellierte Daten bei einer Opt-out-Rate von 30 % noch 70 % der Insights, die ein vollständiges Tracking bieten würde.

Die serverseitige Tag-Verarbeitung (Server-Side GTM) geht einen Schritt weiter: Daten werden nicht vom Browser direkt an Google gesendet, sondern über einen eigenen Server – typischerweise in der EU. Das reduziert das Risiko unerlaubter Datentransfers und verbessert die Datenqualitaet, da Ad-Blocker keine Rolle mehr spielen. Der Nachteil: Der Betrieb eines Servers erfordert technisches Know-how und Kosten von etwa 50 bis 200 Euro pro Monat, abhängig vom Traffic-Volumen.

Falls Sie noch Restbestaende an UA-Daten haben oder Ihre GA4-Implementierung unvollständig ist, empfehlen sich folgende Schritte:

• Woche 1–2: Audit der bestehenden GA4-Property. Sind alle empfohlenen eCommerce-Events implementiert? Sind Custom Dimensions und Custom Metrics korrekt konfiguriert?
• Woche 3–4: BigQuery-Export aktivieren und erste SQL-Abfragen für die wichtigsten KPIs schreiben (Umsatz pro Kanal, Cohort-Retention, Produkt-Performance).
• Woche 5–8: Attribution auf datengestütztes Modell umstellen und die Ergebnisse mit dem alten letzter-Klick-Modell vergleichen. Passen Sie Budget-Allokationen basierend auf den neuen Erkenntnissen an.
• Woche 9–12: Schulung des Marketing-Teams in GA4 Explorationen. Ziel: Das Team sollte eigenständig Funnel-Analysen, Pfadanalysen und Cohort-Berichte erstellen können, ohne auf externe Analysten angewiesen zu sein.

GA4 ist keine Aktualisierung von Universal Analytics. Es ist eine neue Plattform mit einem fundamental anderen Datenmodell. Der Umstieg ist längst Pflicht, die strategische Nutzung ist Option. Wer GA4 als reines Reporting-Tool begreift, verschenkt Potenzial. Wer die eventbasierte Architektur nutzt, um Custom Events, BigQuery-Integration und datengestützte Attribution zu implementieren, schafft eine Analytics-Infrastruktur, die datenschutzkonform, skalierbar und zukunftssicher ist. Die Investition in eine saubere Implementierung und ein geschultes Team amortisiert sich typischerweise innerhalb eines Quartals durch präzisere Budget-Steuerung und höhere Marketing-Effizienz.