Mit Digital Analytics ist vieles machbar. So beispielsweise auch die monatelange Überwachung von Usern in 15 Kanälen, separiert nach drei Gerätetypen und das sogar, wenn sie hauptsächlich Offline-Apps verwenden. Big Data, wohoo...
Entscheidend ist jedoch nicht nur möglichst viele Daten zu generieren und deren Verlauf zu beobachten, sondern die »richtigen« Daten zu erheben, um einen Mehrwert daraus zu gewinnen. Wie also unterstützen Daten den Lernprozess und welche Rückschlüsse lassen sich daraus für die Optimierung meiner Website ziehen?
Methodik der Webanalyse
Um einen Trackingplan und ein Dashboard zu erstellen, das wirklich aussagekräftige und umsetzbare Erkenntnisse bringt, gilt es zunächst die richtigen Fragen zu stellen. Was will ich überhaupt lernen?
Zum Beispiel: Welche Kanäle eignen sich am besten, um neue User zu generieren? An welchem Punkt finden die meisten Absprünge statt? Wo muss ich den Call-to-Action platzieren, um die Registrierungsrate zu maximieren?
Ist die Kernfrage definiert, kann ganz gezielt festgelegt werden, welche Daten zu einem aussagekräftigen Messergebnis führen.
Zum besseren Verständnis ein Case von Airbnb:
Über Airbnb können Leute ihre Wohnungen und Häuser an Reisende vermieten. Irgendwann stellte einer der Gründer die Hypothese auf, dass professionelle Fotos die Buchungsrate einer Unterkunft steigern.
Daraus entstand ein Experiment. Airbnb engagierte 20 Fotografen auf Freelancerbasis und ließ einen kleinen Bruchteil der angebotenen Wohnungen professionell shooten. In den anschließenden Messungen wurde bei diesen Objekten tatsächlich eine um das zwei- bis dreifach gesteigerte Buchungshäufigkeit verzeichnet.
Die Hypothese war untermauert. Heute investiert Airbnb monatlich in 5.000 Fotoshootings, da dies zu einer gesicherten Gewinnmaximierung führt.
Leider lassen sich nicht alle Fragen immer so leicht beantworten. Um eine effiziente Webanalyse bzw. Optimierung von Webseiten zu ermöglichen und um die richtigen Rückschlüsse zu ziehen, muss neben dem What (quantitative Erhebung) oftmals auch das Why (qualitative Erhebung) innerhalb der Analyse betrachtet werden.
Das What (Was ist auf der Website los?)
Die What-Analyse (quantitative Analyse) ist eine reine Zahlenbetrachtung. Es werden die im Webanalyse-Tool gesammelten Daten analysiert und zahlengestützt Rückschlüsse auf Optimierungspotenzial bzw. potenzielle Fehler gezogen.
Ein vereinfachtes Beispiel:
Es gilt eine Landingpage zu optimieren. Ein Blick in Google Analytics und auf die aktuellen Werte und ihr stellt fest, dass ihr nicht auf vorab definiertem Zielkurs seid. Erste Anhaltspunkte sind somit ausfindig gemacht. Nun geht es in die tiefere Analyse einzelner Daten der Landingpage und deren Kennzahlen. Auf Basis dieser Werte beschließt ihr nun, dass das Layout der Landingpage komplett geändert werden muss. Nach dem Redesign wird wieder ein Blick auf die Zahlen geworfen. Das ernüchternde Ergebnis: Die Zahlen haben sich trotz der Änderung negativ entwickelt.
Eine reine What-Analyse ist demnach eine gute Ausgangsbasis, kann aber ohne einen zusätzlichen Blick auf die Why-Analyse zu Fehlentscheidungen führen.
Das Why (Warum ist es so?)
Das Was ist beantwortet. Nun gilt es dieses durch eine qualitative Why-Analyse zu bestätigen und herauszufinden, was die Ursache für die schlechten Zahlen ist.
Für die Why-Analyse gibt es eine Vielzahl an Methoden und die richtige Auswahl hängt dabei stark von der jeweiligen Problemstellung ab. Nachfolgend einige exemplarische Herangehensweisen:
- Usability-Tests
- User Videos
- Heatmaps
- Scroll Maps
- Umfrage-Tools
Auch dazu noch einmal ein Beispiel, wie What- und Why-Analyse im Zusammenspiel funktionieren können:
In eurem Webanalyse-Tool stellt ihr bei einer Trichteranalyse (What) fest, dass die Abbruchraten des neu integrierten Registrierungsprozesses in Schritt X viel zu hoch sind und nicht dem Zielwert entsprechen. Ihr schaut euch nun im Webanalyse-Tool verschiedene Daten an. Hinweise auf Fehler lassen sich allerdings nicht identifizieren. Kurz gesagt: Ihr seid gerade ratlos. Um das Problem jetzt qualitativ anzugehen, lasst ihr euch per Analyse-Tool einige User Videos (Why) generieren. Bei Analyse der Videos stellt ihr fest, dass die User bei Auswahl des Geburtsdatums aufhören ihre Daten einzugeben. Ihr entfernt daher das Datumsfeld (Empfehlung: erst per A/B-Test integrieren!), analysiert eine Woche später die Daten des Registrierungsprozesses und siehe da, die Abbruchrate ist gefallen. Alleine mit den Zahlen der Webanalyse hättet ihr in diesem Beispiel keine bzw. nur sehr schwer eine Lösung gefunden.
Der Webanalyse-Prozess
Aus den einzelnen Schritten in den angesprochenen Szenarien lässt sich abschließend folgender Prozess ableiten:
- Zieldefinition (Was will ich lernen?)
- What-Analyse (Was ist auf der Website los?)
- Why-Analyse (Warum ist es so?)
- A/B- oder Multivarianten-Testing
- Integration der Ergebnisse
- Controlling
Oder auch ganz verknappt learn, build, measure.
Zentraler Ausgangspunkt beim Thema Analytics sollte somit immer das Lernen bzw. eine spezifische Fragestellung sein. Schließlich geht es im Kern nicht darum einfach nur Daten zu sammeln, sondern vielmehr darum die Daten zu erheben, die Rückschlüsse auf eine konstante Optimierung zulassen.
