E-Commerce-Daten richtig lesen: Was Google Analytics nicht verrat
Wir haben in über 80 Projekten Google Analytics als Datenquelle genutzt. Dieser Artikel zeigt die Analysen, die wirklich Erkenntnisse liefern – mit konkreten Fallbeispielen aus der Praxis.
Fallbeispiel 1: Die Channel-Attribution, die alles veränderte
Ein Fashion-Shop investierte 28.000 Euro pro Monat in Google Ads. Die First-Click-Attribution in GA4 zeigte: Google Ads war fur 62 Prozent der Umsätze verantwortlich. Der ROI schien klar.
Wir wechselten zu Data-Driven Attribution und analysierten die vollständige Customer Journey. Das Ergebnis: Google Ads erhielt nur noch 34 Prozent des Credits. Organische Suche bekam 29 Prozent. Direkter Traffic 18 Prozent. E-Mail 14 Prozent. Social Media 5 Prozent.
Die Customer Journey zeigte ein typisches Muster: Der Kunde entdeckte das Produkt über Instagram, recherchierte über organische Suche, klickte auf ein Google Ads-Retargeting, und kaufte schließlich direkt. First-Click gab Instagram den Credit. Last-Click gab Google Ads den Credit. Data-Driven verteilte den Credit auf alle Touchpoints.
Wir verschoben 8.000 Euro vom Google-Ads-Budget in Content-Marketing und SEO. Nach 6 Monaten: Der organische Traffic stieg um 52 Prozent. Die Gesamtkosten pro Konversion sanken um 24 Prozent. Der Umsatz stieg um 18 Prozent.
Fallbeispiel 2: Die Ereignis-Analyse, die den Bug fand
Ein Elektronik-Shop bemerkte in GA4 einen Anstieg der Absprungrate auf der Checkout-Seite von 41 auf 67 Prozent. Die Vermutung: Ein Redesign der Seite war schuld. Wir analysierten die Ereignisse.
Das Ereignis „begin_checkout“ stieg um 12 Prozent. Das Ereignis „add_shipping_info“ fiel um 34 Prozent. Das Ereignis „add_payment_info“ fiel um 38 Prozent. Der Abbruch passierte zwischen der Adresseingabe und der Zahlungsauswahl.
Wir testeten die Checkout-Seite. Das Problem: Ein neues Adressvalidierungs-Plugin blockierte die Weiterleitung zur Zahlungsseite bei Postleitzahlen mit führender Null. Die Nutzer gaben ihre Adresse ein, klickten auf „Weiter“, und nichts passierte. Keine Fehlermeldung. Kein visuelles Feedback. Die Nutzer brachen ab.
Der Fix kostete 20 Minuten Entwicklungszeit. Die Absprungrate sank wieder auf 43 Prozent. Der verlorene Umsatz über 3 Wochen: geschätzte 45.000 Euro. Ein 20-Minuten-Fix fur 45.000 Euro. Das ist die Kraft der Ereignis-Analyse.
Fallbeispiel 3: Die Segment-Analyse, die die Mobile-Lücke zeigte
Ein Möbel-Shop hatte eine Gesamt-Conversion von 1,2 Prozent. In GA4 sah das solide aus. Die Segment-Analyse nach Gerät zeigte: Desktop 2,8 Prozent, Tablet 2,1 Prozent, Mobile 0,6 Prozent.
Die Mobile-Lücke war das Problem. Wir analysierten die Mobile-Session-Daten: Die durchschnittliche Ladezeit lag bei 4,2 Sekunden. Das Cumulative Layout Shift lag bei 0,31. Die Touch-Targets waren kleiner als 44 Pixel.
Wir optimierten die Mobile-Performance: Bilder komprimiert, Lazy Loading implementiert, Layout stabilisiert, Touch-Targets vergrossert. Die Mobile-Ladezeit sank auf 2,1 Sekunden. Die Mobile-Conversion stieg von 0,6 auf 1,1 Prozent. Der Gesamtumsatz stieg um 23 Prozent.
Die drei GA4-Berichte, die jeder Shop nutzen sollte
Bericht 1: Pfad-Übersicht mit Konversionen. Zeigt, welche Seiten die Nutzer vor einer Konversion besuchen. Nicht die häufigsten Pfade – die Pfade, die konvertieren. Ein Supplement-Shop entdeckte, dass 34 Prozent der Konversionen über die Blog-Seite „Wie wirkt Magnesium?“ liefen. Der Blog war nicht als Verkaufskanal gedacht. Aber er war einer.
Bericht 2: Ereignis-Count nach Sekundär-Dimension. Zeigt, welche Ereignisse auf welchen Seiten am häufigsten ausgelost werden. Ein Fashion-Shop entdeckte, dass das Ereignis „select_content“ auf der PDP nur bei 12 Prozent der Besucher ausgelost wurde. Das bedeutete: 88 Prozent der Nutzer interagierten nicht mit den Produktdetails.
Bericht 3: Nutzer-Explorer. Zeigt die Reise einzelner Nutzer. Nicht aggregiert. Einzeln. Ein Elektronik-Shop entdeckte ein Muster: Nutzer, die das Ereignis „compare_products“ auslosten, konvertierten 3,2-mal so oft wie Nutzer, die es nicht auslosten. Aber nur 4 Prozent der Nutzer nutzten den Vergleich. Die Lösung: Der Vergleich wurde prominenter platziert. Die Nutzungsrate stieg auf 11 Prozent. Die Conversion stieg um 14 Prozent.
Die Grenzen von Google Analytics
GA4 ist mächtig – aber nicht allwissend. Es zeigt, was passiert. Nicht, warum es passiert. Es zeigt Korrelationen. Nicht Kausalitäten. Es zeigt quantitative Daten. Nicht qualitative.
Wir nutzen GA4 immer in Kombination mit: Session Recordings (fur das Warum), Heatmaps (fur das Wo), Umfragen (fur das Was denken die Nutzer), und A/B-Tests (fur die Kausalität). GA4 allein ist wie ein GPS ohne Karte. Es zeigt die Position. Aber nicht das Gelände.
Fazit: Daten sind nur der Anfang
Die drei Fallbeispiele in diesem Artikel zeigen ein einheitliches Muster: GA4 liefert die Daten. Aber die Erkenntnis entsteht erst durch die richtige Fragestellung. Nicht „Wie viele Besucher hatten wir?“ Sondern: „Welche Besucher konvertierten, und welchen Weg nahmen sie?“
Wer GA4 als Reporting-Tool nutzt, bekommt Zahlen. Wer GA4 als Analyse-Tool nutzt, bekommt Erkenntnisse. Der Unterschied liegt in der Fragetechnik – nicht in der Software.
Fallbeispiel 4: Die Kundenakquise-Kosten, die halbiert wurden
Ein Supplement-Shop investierte 18.000 Euro pro Monat in bezahlte Social-Media-Werbung. Die Kosten pro Neukunde lagen bei 34 Euro. Die Lifetime Value lag bei 89 Euro. Die Mathematik war knapp, aber profitabel.
Wir analysierten die GA4-Daten nach Traffic-Quelle und Kundenlebenszyklus. Das Ergebnis: Kunden über organische Suche hatten eine Lifetime Value von 156 Euro. Kunden über Social Media hatten eine Lifetime Value von 67 Euro. Die organischen Kunden kauften häufiger Nachschub. Sie kauften höhere Dosen. Sie blieben langer Kunden.
Wir verschoben 6.000 Euro vom Social-Media-Budget in Content-Marketing und SEO. Nach 9 Monaten: Der organische Traffic stieg um 78 Prozent. Die Kosten pro organischem Neukunde lagen bei 12 Euro. Die kombinierte Kosten pro Neukunde sank auf 23 Euro. Die Lifetime Value des durchschnittlichen Neukunden stieg auf 112 Euro.
Die wichtigste Erkenntnis: Nicht jeder Besucher ist gleich viel wert. GA4 zeigt, welche Quellen qualitativ hochwertige Kunden liefern – und welche nur Quantität.
Fallbeispiel 5: Die Seite, die niemand fand
Ein Möbel-Shop hatte eine Kategorie-Seite fur „Ecksofas“. Die Seite generierte 340 Besucher pro Monat. Die Conversion lag bei 0,8 Prozent. Der Umsatz: 2.700 Euro pro Monat.
Wir analysierten die GA4-Suchdaten: 1.200 Nutzer suchten monatlich nach „Ecksofa mit Schlaffunktion“ auf der internen Suche. Die Suchergebnisse zeigten 23 Produkte – aber keine gefilterte Ansicht. Die Nutzer mussten manuell durch alle Produkte scrollen.
Wir bauten eine Landing-Page fur „Ecksofa mit Schlaffunktion“. Die Seite zeigte 8 ausgewählte Produkte mit Filter-Optionen fur Große, Farbe, und Preis. Die organische Suche generierte 890 Besucher pro Monat. Die Conversion lag bei 2,1 Prozent. Der Umsatz stieg auf 18.600 Euro pro Monat.
Die Lektion: GA4 zeigt, was Nutzer suchen. Wenn die interne Suche häufig nach etwas sucht, das es nicht als Seite gibt, ist das eine Gelegenheit. Jede interne Suche ist ein Nutzer, der etwas nicht findet.
Die häufigsten GA4-Fehler
Fehler 1: Falsche Ereignis-Konfiguration. Ein Fashion-Shop trackte „add_to_cart“ nur auf der PDP – nicht auf der Kategorie-Seite. 34 Prozent der Add-to-Cart-Aktionen wurden nicht erfasst. Die Daten waren unvollständig. Die Entscheidungen basierten auf falschen Annahmen.
Fehler 2: Keine benutzerdefinierten Dimensionen. Ein Elektronik-Shop trackte nur Standard-Ereignisse. Er wusste nicht, welche Produktkategorien konvertierten. Er wusste nicht, welche Zahlungsmethoden häufiger nutzten. Er wusste nicht, welche Kunden Neukunden waren. Ohne benutzerdefinierte Dimensionen ist GA4 ein Fernglas ohne Scharfstellung.
Fehler 3: Ignorierte Daten-Qualität. Ein Supplement-Shop hatte doppelte Tracking-Codes auf der Dankesseite. Jede Konversion wurde doppelt gezahlt. Die Conversion Rate lag bei 4,2 Prozent – doppelt so hoch wie in Wirklichkeit. Entscheidungen wurden auf Basis von falsch verdoppelten Daten getroffen.
Fazit: Daten sind das neue Rohöl – aber nur, wenn man sie raffiniert
Die fünf Fallbeispiele in diesem Artikel zeigen ein einheitliches Muster: GA4 liefert Rohdaten. Die Erkenntnis entsteht durch die richtige Fragestellung, die saubere Konfiguration, und die verknüpfte Analyse mit anderen Datenquellen.
Wer GA4 als Reporting-Tool nutzt, bekommt Zahlen. Wer GA4 als Analyse-Tool nutzt, bekommt Erkenntnisse. Wer GA4 als strategisches Instrument nutzt, bekommt Wettbewerbsvorteile. Der Unterschied liegt nicht in der Software. Er liegt im Umgang mit den Daten.
Wenn Sie tiefer in das Thema einsteigen möchten, finden Sie im kostenlosen Academy-Track Data-Driven Decision Making ↗ eine strukturierte Anleitung.
Zuletzt aktualisiert: