Die Manipulation der Absprungrate

Marketer kennen das bestimmt. Während der täglichen Arbeit schafft man es kaum, sich mit den Zahlen der Webseite und/oder App zu beschäftigen. Gerne würde man, es bleibt aber einfach keine Zeit. Aus diesem Grund arbeiten viele Menschen mit Reportings, durch die sie die wesentlichen Key-Performance-Indikatoren (KPIs) schnell und übersichtlich präsentiert bekommen. Zeit für eine tiefergehende Auswertung der Kennzahlen bleibt häufig nicht.

Durch die fehlende detailliertere Auswertung fallen leichte Anomalien in den erhobenen Daten nicht so schnell auf, weshalb es wichtig ist, dass die erhobenen KPIs korrekt sind. Dieser Artikel zeigt am Beispiel der Absprungrate, wie leicht sich KPIs verfälschen lassen. Bekannte Beispiele nicht repräsentativer Absprungraten sind die Daten von Blog-Artikeln oder Zahlen im einstelligen Prozentbereich.

Sämtliche Erklärungen beziehen sich dabei auf die Konfigurationen und die Bedienung von Google Analytics, da es ein kostenloses und gleichzeitig das populärste Webanalyse-Tool ist. Darüber hinaus werden Möglichkeiten der Manipulation im Google-Tag-Manager (GTM) vorgestellt, da dieser heute in vielen Unternehmen als System für den Einbau von Google Analytics genutzt wird. Die vorgestellten Definitionen und Möglichkeiten der Verfälschung lassen sich aber größtenteils auch auf andere Webanalyse-Tools wie Webtrekk, Adobe Analytics, Matomo etc. übersetzen.

Was ist die Absprungrate?

Der Begriff der Absprungrate kommt aus dem Bereich der Webanalyse, wobei er von Google wie folgt definiert wurde (goo.gl/2WpVFm):

„Ein Absprung ist der Besuch einer einzigen Seite auf Ihrer Website. Bei Google Analytics wird ein Absprung als Sitzung gerechnet, bei der nur eine einzige Anfrage an den Analytics-Server ausgelöst wird, etwa wenn ein Nutzer eine einzige Seite Ihrer Website besucht und die Seite dann verlässt, ohne dass für diese Sitzung weitere Anfragen an den Analytics-Server ausgelöst werden.“

Sehr wichtig in dieser Aussage ist die Formulierung „nur eine einzige Anfrage an den Analytics-Server ausgelöst wird“, da sich diese nicht ausschließlich auf die Anzahl der Seitenaufrufe bezieht. Die breite Masse nimmt dies jedoch an, was allerdings eine falsche Definition ist. In der landläufigen Meinung herrscht die Annahme vor, dass ein Absprung dann vorliegt, wenn der User auf der Webseite keinen zweiten Seitenaufruf hatte. In einzelnen Schritten erklärt bedeutet das:

1. Nutzer surft auf einer Domain X, z. B. Google-Suchergebnisseite.
2. Nutzer klickt auf einen Link zu einer Zielseite von Domain Y.
3. Nutzer erreicht die Zielseite von Domain Y und interagiert mit ihr.
4. Nutzer verlässt Domain Y wieder und kehrt zu Domain X zurück.

In diesem Fall gab es keinen zweiten Seitenaufruf und somit war der User auf Domain Y ein abspringender Besucher, der den Wert der Absprungrate erhöht. Dies muss jedoch nicht zwingend der Fall sein. Durch die Interaktion des Nutzers mit der Zielseite von Domain Y in Schritt drei kann es passieren, dass der Nutzer nicht mehr als abspringender Besucher erfasst wird.

Wie lässt sich die Absprungrate verändern?

Um die Absprungrate zu verändern, braucht es gar nicht viel. Folgende Liste zeigt Schlüssel-Ereignisse und Konfigurationen, mit denen die KPI verändert werden kann. Alle werden im weiteren Verlauf des Artikels noch ausführlich behandelt:

• Verwendung von 2 Hits
• Non Interaction = true bei Google Analytics Events
• Filternutzung
• Sampling bei der Datenanalyse

Neu hinzugekommen ist im Rahmen der DSGVO seit dem 25.05.2018 auch das öfter vorkommende Opt-out-Verfahren. Im Rahmen dieses Artikels meint es nicht das auf der Datenschutzseite verpflichtende Opt-out-Cookie (das Add-on funktioniert auf Mobilgeräten nicht), sondern das Opt-out-Verfahren via Cookie-Banner, wie in Grafik 1 sichtbar. Setzen Webseiten-Betreiber auf der Webseite ein Opt-out-Banner ein, werden die User zunächst erfasst. Der einzelne Nutzer kann dann der Erfassung durch einen Klick auf „Ablehnen“ widersprechen. Ab diesem Augenblick müssen sämtliche Datenerhebungen automatisch blockiert werden. Für die Webanalyse bedeutet dies, dass Nutzer zwar auf der Webseite erfasst, aber nicht weiter analysiert werden. Ab dem Klick auf „Ablehnen“ sind sie für sämtliche Webanalyse-Tools daher ein Absprung, selbst wenn sie danach auf der Webseite weitersurfen.

Neben dem Opt-out-Verfahren kann, abhängig von der Umsetzung, auch das Opt-in-Verfahren die Absprungrate verändern. Im Wesentlichen gibt es hierbei zwei Möglichkeiten, in beiden Fällen ist jedoch die Voraussetzung, dass der Nutzer beim ersten Seitenaufruf nicht erfasst wird:

1. Sobald der Nutzer auf „Akzeptieren“ klickt, wird die Webanalyse aktiviert und es wird ein Seitenaufruf für die aktuell aufgerufene Seite an das Webanalyse-Tool geschickt. In diesem Fall ist die Einstiegsseite bekannt. Praktisch ist dies auch bei Ereignis- oder Conversion-Tracking mit der nächsten „Anfrage an den Analytics-Server“.

2. Sobald der Nutzer auf „Akzeptieren“ klickt, wird die Webanalyse aktiviert, es werden aber noch kein Seitenaufruf und keine „Anfrage an den Analytics-Server“ an das Webanalyse-Tool geschickt. Dies geschieht erst mit dem nächsten Seitenaufruf.

In Szenario eins kann der Absprung noch erfasst werden, da die Seite, auch bei nur einem Seitenaufruf, bekannt ist. Bei Szenario zwei ist dies nicht möglich, da die ursprüngliche Seite nicht bekannt ist, sondern alles erst ab dem zweiten Seitenaufruf erfasst wird. Bei Webseiten wie Blogs kann dies einen sehr großen Unterschied in der Qualität der Daten bedeuten.

Technische Anpassungen im Google-Tag-Manager

Die Umsetzung von Google Analytics über den Google-Tag-Manager stellt für viele Marketer die einfachste Möglichkeit dar, neben dem Standard-Tracking von Google Analytics zusätzliche Daten zu erheben, ohne die IT bemühen zu müssen. Bei diesen ergänzenden Daten kann es sich um unterschiedlichste Informationen handeln. Neben dem E-Commerce-Tracking kann auch leicht Ereignis-Tracking inkludiert werden. Selbstverständlich können Anwender aber auch eigene Skripte zur Erhebung von Daten nutzen.

Gerade das Ereignis-Tracking ist eine beliebte Methode, zusätzliche Daten zu erheben, da diese gerne in Google-Analytics-Zielen gesondert ausgewertet werden. Ebenfalls bieten sich diese Daten wunderbar für die Erstellung von Segmenten in Google Analytics an. Doch gerade das Ereignis-Tracking stellt eine potenzielle Gefahr für die Anpassung der Absprungrate dar.

Wie entstehen zwei Hits?

Wie bereits erwähnt, braucht es für die Manipulation der Absprungrate standardmäßig lediglich einen zweiten Hit und keinen zweiten Seitenaufruf. Ein Hit ist das Abschicken der weiter oben erwähnten „Anfrage an die Analytics-Server“. Dies passiert automatisch bei Seitenaufrufen, Transaktionen, Ereignissen etc., sofern es konfiguriert ist. Ruft ein User die Danke-Seite eines E-Commerce-Shops auf und ist E-Commerce-Tracking eingerichtet, werden in der Standardkonfiguration zwei Hits an Google Analytics geschickt. Der erste enthält den Seitenaufruf, der zweite sämtliche Transaktionsdaten.

Genau hier liegt der Hund begraben. In einem theoretischen Beispiel möchte ein Webseiten-Betreiber die Scrolltiefe seiner Nutzer auswerten. Hierfür erhebt er fünf Messpunkt (0 %, 25 %, 50 %, 75 %, 100 %), wobei 0 % bedeutet, dass der User noch gar nicht gescrollt hat, und 100 %, dass er bis zum Ende der Seite gekommen ist. Es ist leicht zu erkennen, dass das Ereignis-Tracking für 0 % bei jedem Seitenaufruf jedes Nutzers ausgelöst und somit ein zweiter Hit an Google Analytics gesendet wird.

Ab diesem Augenblick ist kein Seitenbesucher mehr ein Absprung und die Absprungrate sinkt auf 0 %. Sehr schnell passiert dies auch bei Online-Shops, die das sogenannte Enhanced-E-Commerce nutzen, welches deutlich feinere Auswertungen über das Kaufverhalten der Webseitenbesucher erlaubt. Da dieses sehr komplex ist und in der Regel von der IT und nicht vom Marketer eingebaut wird, können schnell Abstimmungsfehler entstehen. Zum Beispiel wird auf Kategorieseiten gemessen, welche Produkte an welcher Position auf der Kategorieseite angezeigt werden. Diese Information wird über einen zusätzlichen Hit an Google Analytics geschickt. Der Marketer hat also gar kein zusätzliches dediziertes Ereignis-Tracking im GTM eingebaut, sondern sich nur um den E-Commerce gekümmert, während die IT die technischen Anpassungen vornahm. Trotzdem werden nur durch die Darstellung der Produkte auf der Kategorieseite zwei Hits abgeschickt, was die Absprungrate erneut verändert. Diese Problematik lässt sich mit der Einstellung „non interaction = true“ umgehen, die im weiteren Verlauf vorgestellt wird.

Was heißt Non Interaction = true?

Wie bereits erwähnt, bietet die Einstellung „non interaction = true“ eine Möglichkeit, die Problematik mit zwei Hits bei der Absprungrate zu umgehen. Bei jedem Google-Analytics-Tag lässt sich, wie in Grafik 2 sichtbar, in den erweiterten Tag-Einstellungen genau diese Konfiguration vornehmen. Dabei wird Google Analytics im Wesentlichen mitgeteilt, dass der Hit zwar stattgefunden hat, er für den Analysten aber keine Interaktion des Nutzers mit der Webseite bedeutet.

Dies macht dann Sinn, wenn tatsächlich keine Interaktion stattgefunden hat oder Google Analytics dies annehmen soll. Die zwei angeführten Beispiele sollten dies verdeutlichen. Höchstwahrscheinlich hat der User bei 0 % Scrolltiefe weder mit der Webseite interagiert noch kann man sagen, dass die Besucher einer Kategorieseite sich mit den Produkten beschäftigt haben, nur weil diese angezeigt wurden. In beiden Fällen würde es daher Sinn machen, die Einstellung „non interaction = true“ vorzunehmen, um zu gewährleisten, dass Nutzer zwingend etwas mit der Webseite gemacht haben müssen.

Gefährlich kann „non interaction = true“ sein, weil Marketer die Einstellung schnell übersehen, sowohl in die eine als auch in die andere Richtung. Häufig werden Ereignis-Tags nicht korrekt damit ausgezeichnet, was in der Regel daran liegt, dass diese Konfiguration viel Nachdenken und Reflektieren erfordert, um festzulegen, ob ein Ereignis wirklich eine Interaktion und damit eine bewusste Entscheidung des Nutzers war. Erst nach Monaten erfolgt dann eine Kontrolle, was die Gründe für die merkwürdige Absprungrate sein könnten. Erst wenn diese Einstellung angepasst wurde, pendelt sich die Absprungrate wieder im korrekten Bereich ein, die Daten der Monate davor bleiben jedoch verfälscht.

Konfiguration des Google Analytics Backends

Bevor Marketer die Daten im Google Analytics Backend in den Datenansichten manipulieren, ist es wichtig, dass Google Analytics in Summe korrekt konfiguriert wurde. Dies beinhaltet unter anderem folgende Aspekte:

Grundlagen in Google Analytics schaffen & Verweisausschlussliste korrekt einstellen

In der Verweisausschlussliste werden Domains eingetragen, für die keine neue Sitzung gestartet werden soll, wenn User über einen Verweis in die Webseite einsteigen (https://goo.gl/xhqnV4). Standardmäßig ist hierfür die eigene Domain schon eingetragen, ein weiteres plastisches Merkmal ist aber sicherlich PayPal bei einem Online-Shop. Kommt ein User über AdWords auf den Online-Shop, legt etwas in den Warenkorb, durchläuft den Check-out und entscheidet sich dann für die Bezahlmethode PayPal, wird er zur PayPal-Webseite weitergeleitet. Kommt er danach von PayPal zum Online-Shop zurück, um den Einkauf abzuschließen, wechselt der Einstiegskanal von „google/cpc“ zu „paypal.com/referral“. Dies ist insofern relevant, als dass der Umsatz der Transaktion dann PayPal und Referral anstelle von Google und Paid zugewiesen wird. Für die Optimierung der Online-Marketing-Kanäle ist dies eine gravierende Fehlkonfiguration.

Wird die Domain „paypal.com“ jedoch in der Verweisausschlussliste eingetragen, wird der Nutzer, wenn er von paypal.com zurück zum Online-Shop kommt, keinem neuen Kanal zugeordnet und der Umsatz wird dem originalen Kanal „google/cpc“ zugewiesen.

Diese Einstellung gilt es unter Umständen für viele Domains vorzunehmen. Eine Übersicht über mögliche Domains, die für die Verweisausschlussliste relevant sind, erhält man im Bericht „Verweise“, in dem alle Referrals aufgelistet sind. Diesen müssen Marketer nach auffälligen URLs händisch durchsuchen und die URLs dann mit in die Verweisausschlussliste überführen. Grafik 3 zeigt eine Liste mit Suchmaschinen-URLs, Spam-URLs und PayPal, die dem falschen Kanal zugeordnet sind. Ebenfalls gilt diese Einstellung für alle vom Cross-Domain-Tracking betroffenen Domains.

Quellen der organischen Suche überarbeiten

Standardmäßig erfasst Google Analytics für den organischen Traffic 57 Suchmaschinen, Stand 02.07.2018 (http://einfach.st/listesuma). Hierbei sind jedoch auch viele internationale Suchmaschinen enthalten, die für deutsche Webseiten wenig relevant sind. Aus diesem Grund müssen Marketer auch deutsche Suchmaschinen nachtragen, um diesen Traffic dem richtigen Kanal zuzuordnen. Wird dies nicht gemacht, wird nicht sämtlicher organischer Traffic im Kanal „organic“ erfasst und die Absprungrate des organischen Traffics ist nicht korrekt.

Suchparameter berücksichtigen und weitere Einstellungen vornehmen

Neben diesen zwei fundamentalen Einstellungen im Google Analytics Backend sollten auch noch weitere Daten korrekt konfiguriert werden, um den Traffic den richtigen Kanälen zuzuordnen. Hierzu zählen z. B. die Berücksichtigung der Suchparameter der eigenen Webseite oder der Ausschluss von Bots etc. Erst wenn der Traffic den richtigen Kanälen zugeordnet ist, kann man der Absprungrate vertrauen.

Daten mit Filtern manipulieren

Filter werden in Datenansichten eingestellt. Im Wesentlichen manipulieren sie aktiv die Daten, welche in Google Analytics einlaufen. Einmal in Filtern veränderte Daten lassen sich im Anschluss in derselben Datenansicht nicht mehr rückwirkend verändern (http://einfach.st/datenfilter). Beispiele für Filter sind:

• Ausschluss von eigenen Zugriffen auf die Webseite
• Ausschluss von Spam (Ereignisspam und Bot-Zugriffe)
• Betrachten nur bestimmter Webseitenbereiche, z. B. Subdomain1
• Vereinheitlichung der URLs, z. B. Erzwingung von Kleinschreibung

Die Nutzung von Filtern kann daher auch die Datenqualität in Google Analytics deutlich erhöhen und ist entsprechend zu empfehlen. Sie ist jedoch auch gefährlich, weil Daten leicht ins Negative verfälscht werden können. Der korrekte Einsatz von Filtern ist daher vorab in einer Testdatenansicht sicherzustellen. Werden Filter im Anschluss korrekt eingesetzt, manipulieren sie daher auch die Absprungrate.

Auswertung von Daten in Google Analytics

Auch bei der Auswertung von Daten in Google Analytics kann es zu ständigen Anpassungen der Absprungrate kommen. Sind die Datenqualität und die Beschaffenheit der Datenerhebung allerdings auf einem hohen Niveau, sollten hier keine Probleme mehr entstehen. Der Marketer muss nur noch wissen, wo und warum sich die Absprungrate verändern kann. Dies betrifft im Wesentlichen:

• Cross-Domain-Tracking
• Reports
• Segmente
• Sekundäre Dimensionen
• Zeiträume

Beim Cross-Domain-Tracking ist es wichtig zu wissen, über welche Domain der Einstieg in die Webseite stattgefunden hat. Gerade wenn Cross-Domain-Tracking eingesetzt wird und für jede Domain eine eigene Datenansicht erstellt wurde, kann es passieren, dass Daten bestimmter Domains in Datenansichten einfließen, in die sie eigentlich nicht gehören. Hier ist es eminent wichtig, die Konfiguration der Datenansicht und der Verweisausschlussliste korrekt durchgeführt zu haben.

Mittels benutzerdefinierter Reports können Anwender eigene Reportings von Grund auf entwickeln und diverse Dimensionen und Segmente in Verbindung setzen. Dies geht deutlich über die Möglichkeiten der Standard-Reports hinaus. Aus diesem Grund können auch hier Absprungraten entstehen, die in den Standard Reports nicht angezeigt werden können.

Segmente arbeiten immer auf Sitzungs- oder auf Nutzerebene, je nachdem, wie sie konfiguriert sind. Aus diesem Grund müssen Marketer genau wissen, wie ihr verwendetes Segment konfiguriert ist. Im Folgenden ein Beispiel:

Ein Marketer baut sich ein eigenes Segment, in dem er nur den organischen Traffic berücksichtigen möchte. Er stellt das Medium daher auf „organic“ ein:

• Ist das Segment „sitzungsbasiert“ eingestellt, werden alle Sitzungen und Nutzer betrachtet, die im eingestellten Zeitraum einmal über das Medium „organic“ auf die Seite gekommen sind.
• Ist das Segment „nutzerbasiert“ eingestellt, werden alle Sitzungen und Nutzer betrachtet, die im Zeitraum des gültigen Cookies irgendwann einmal über den Kanal „organic“ auf die Webseite und nun zusätzlich im eingestellten Zeitraum auf diese gekommen sind.

Die Einstellung „nutzerbasiert“ würde in diesem Fall zu viel mehr Daten führen, die höchstwahrscheinlich nicht korrekt sind.

Bei der Verwendung von sekundären Dimensionen und Pivot-Tabellen verändert sich auch sofort die Absprungrate, da Daten aus unterschiedlichen Reportings in Zusammenhang gesetzt werden. Die Absprungrate lässt sich daher nur reproduzieren, wenn zu einem späteren Zeitpunkt genau dieselben Konfigurationen vorgenommen werden wie bei der ersten Auswertung.

Abschließend gilt es, den Zeitraum zu betrachten. Sobald dieser verändert wird, ändert sich auch die Absprungrate, daher wird auch hier, wie bei allen vorhergehenden Beispielen, die Anzahl des berücksichtigten Traffics verändert. Vor diesem Hintergrund ist es wichtig zu wissen, dass die Daten in der kostenlosen Fassung von Google Analytics zwischen 24 und 48 Stunden benötigen, bis sie angezeigt werden (http://einfach.st/galimits). Wird also der aktuelle oder gestrige Tag ausgewertet, kann es passieren, dass die Absprungrate nicht korrekt ist und sich noch verändern wird.

False Friend: Sampling in Google Analytics

Werden in der kostenfreien Variante zu viele Daten abgefragt, führt Google Analytics ein sogenanntes Sampling durch. Hierbei wird nur noch ein Teil der Daten berücksichtigt und der Rest hochgerechnet. Dieses Verfahren kommt auch in der Bezahlvariante von Google Analytics vor, wird dort jedoch erst bei Auswertungen mit deutlich mehr Daten berücksichtigt. Grafik 5 zeigt, dass das Schild von Grün auf Orange gewechselt ist und bei einem Mouse Hover die Anzahl der berücksichtigten Sitzungen angezeigt wird.

Sehr wichtig ist für Marketer, zu wissen, wann das Sampling angewandt wird. Generell gilt, dass Sampling die Daten immer verfälscht und es teilweise zu großen Abweichungen kommt, insbesondere, wenn nur wenige Sitzungen als Grundlage dienen.

Nutzt der User Standardberichte, wird in gar keinem Fall ein Sampling durchgeführt, egal wie viele Daten berücksichtigt werden. Ändert der Anwender jedoch nur eine Einstellung, wechselt z. B. das Segment zu „Organische Zugriffe“, und werden mehr als 500.000 Daten auf Propertyebene verwendet, startet Google Analytics mit dem Sampling. Dieses kann, wie im Screenshot sichtbar, direkt an dem orange Schild neben dem Berichtsnamen kontrolliert werden.