Migration Ihrer Berichte von Google Universal Analytics zu Google Analytics 4
Google hat bereits vor einiger Zeit angekündigt, sich zeitnah ausschließlich auf seinen neuen Webtracking-Service, Google Analytics 4 zu konzentrieren. In der Vorgängerversion Universal Analytics werden nach dem 30. Juni 2023 keine Treffer mehr getrackt. Diese Änderung wird viele Nutzer betreffen, die sich auf die kostenlose Version von Google Analytics verlassen. Die kostenpflichtige Version, Google Analytics 360, wird noch ein Jahr lang weiterlaufen, ehe sie ebenfalls eingestellt wird. Google hat Nutzer daher ermutigt, auf die neue Version umzusteigen, und wir haben einige unserer Kunden bei diesem Prozess unterstützt. Dieser Artikel konzentriert sich auf die Auswirkungen der Umstellung auf Google Analytics 4 auf Business Intelligence-Dashboards und -Berichte, was für viele Nutzer ein wichtiger Aspekt ist.
Seit der Einführung von GA4 haben wir viele Migrationsprojekte für unsere Kunden begleitet. Dabei werden wir regelmäßig mit der Frage konfrontiert, was eine Migration eigentlich bedeutet. Während sich andere Artikel eher darauf konzentrieren, dreht sich dieser Beitrag um die nachgelagerten Phasen von Google Analytics. Dabei geht es vor allem um Business Intelligence-Dashboards und -Berichte und die Auswirkungen einer Google Analytics 4 Migration auf eben diese.
Vergleich der Benutzeroberfläche von Universal Analytics (links) und Google Analytics 4 (rechts)
Verlieren Sie keine Zeit mehr – jetzt auf GA4 wechseln!
Day(s)
:
Hour(s)
:
Minute(s)
:
Second(s)
Berichterstattung über das Gleiche, aber anders
Für viele Unternehmen, ob B2B oder B2C, ist Google Analytics nicht nur ein unverzichtbares Tool, sondern auch eine Schlüsselkomponente ihrer (Marketing-)Analysen und Attributionsmodellierung. So werden Daten aus Google Analytics in Reportings und Dashboards verwendet, unabhängig davon, ob diese auf einem Data Warehouse basieren oder Daten direkt aus Google Analytics in das Visualisierungstool der Wahl importiert werden. Wenn Sie Universal Analytics-Daten auf diese Weise nutzen, ist es an der Zeit, Bilanz zu ziehen: Am 1. Juli 2023 werden Ihre Dashboards keine neuen Daten mehr erhalten. Und der Wechsel zu Google Analytics 4 könnte aufgrund der Änderung des zugrunde liegenden Datenmodells komplexer sein, als man annehmen möchte.
Das bekannteste Beispiel ist das “alte” Ereignis oder auch Event Universal Analytics. Dieses hat im Wesentlichen eine Standardform mit vier Eigenschaften:
1. Kategorie
2. Aktion
3. Bezeichnung
4. Werte.
Diese werden in GA4 nicht mehr in dieser Form existieren. Wenn Sie Ihr Funnel-Reporting auf die Struktur spezifischer Ereignisbezeichnungen stützen, müssen Sie Ihr Dashboard überarbeiten.
Ein weiteres prominentes Beispiel ist das eCommerce-Tracking, bei dem wir ebenfalls unterschiedliche Anforderungen an die Art und Weise haben, wie GA4 Zahlen im Vergleich zu Universal Analytics erhalten möchte: https://developers.google.com/analytics/devguides/migration/ecommerce/gtagjs-before-you-begin
Wenn man bedenkt, dass eine Analytics-Migration selbst bewältigen zu müssen, für einige Unternehmen bereits eine Herausforderung darstellt, kann die zusätzliche Komplexität, die sich aus dem erforderlichen Verständnis möglicher Auswirkungen auf eine gewachsene Reporting- und Analytics-Landschaft ergibt, überwältigend erscheinen.
GA4 – Nicht einfach ein neues Analytics, sondern eine völlig neue Art des Trackings
Um zu verstehen, warum die neue Version einen so großen Schritt bedeutet, müssen wir einen kurzen Blick auf das grundlegende Datenmodell werfen. Dies ist die Grundlage für das Webtracking sowohl des alten als auch des neuen Google Analytics. (https://support.google.com/analytics/answer/9964640?hl=en#zippy=%2Cin-this-article)
Google Analytics 4 verfolgt einen modernen Ansatz zum Tracking von Web-Ereignissen, und zwar einen ereignisbasierten. Universal Analytics verfügte ein sehr starres Datenmodell, das sich hauptsächlich auf Sitzungen und einzelne Besuche auf einer Webseite konzentrierte. Es empfing Daten in Form von Treffern oder Hits mit einem bestimmten Umfang und Typ (Seite, Ereignis, E-Commerce und soziale Netzwerke). Dies führte zu einer sehr spezifischen Art und Weise, wie Daten bereitgestellt werden mussten und nur die von Google vordefinierten Werte funktionierten in Bezug auf das Tracking.
Um dies zu erreichen, hat Google einen Schwerpunkt auf die Integration von Informationen auf verschiedene Plattformen gelegt und versucht, Nutzer beim Surfen auf dem Handy mit Desktop-Anwendern zusammenzuführen und zumindest zu versuchen, den Datenschutz stärker zu berücksichtigen. Letztendlich wird die Gesetzgebung dies beurteilen müssen. Um dies zu erreichen, hat man sich für einen sehr modernen Ansatz der Datenverfolgung entschieden, nämlich einen Ereignisstrom. Dieser Datenstrom erfasst zunächst alle Informationen, solange sie einer Grundstruktur entsprechen, die einen Ereignisnamen, wie z. B. Pageview, und dann einzelne Parameter enthält, die das spezifische Ereignis charakterisieren.
Im Beispiel des Seitenaufrufs kann das etwas so Einfaches wie die URL des Seitenaufrufs sein, aber auch etwas Komplexeres (das von einer internen oder externen Quelle hinzugefügt wird), wie z. B. ob es sich um einen registrierten Benutzer handelt und wie hoch der bisherige CLTV-Wert ist. Die Leistungsfähigkeit flexibler Ereignisse wird erst richtig deutlich, wenn man die begrenzte Menge der übertragenen Informationen mit dem alten Universal Analytics-Ereignis vergleicht, das drei Text- (Kategorie, Aktion und Bezeichnung) und nur einen numerischen Wert hatte. Mit Parametern können Sie ein Ereignis sehr detailliert spezifizieren. Dies bietet Ihnen viele Möglichkeiten, Ihr Tracking zu strukturieren und erlaubt zudem deutlich mehr Anwendungsfälle als zuvor.
Wie Sie sich vielleicht vorstellen können, führt diese Flexibilität bei der Datenerfassung in den beiden Versionen von Google Analytics mit deutlich mehr Freiheit und Anpassungsmöglichkeiten in Google Analytics 4 auch zu einer höchst unterschiedlichen zugrunde liegenden Datenstruktur zwischen den beiden.
Ein moderner Datenstack nimmt die meiste Last
Das Sammeln von Anforderungen aktueller Visualisierungen, wenn es um die zugrundeliegenden Daten von Universal Analytics geht, ist bereits ein Schritt, um den Wechsel im Reporting anzugehen. Ein moderner Datenstack kann den Ansatz jedoch wesentlich komfortabler machen. Bei einem Ansatz, den wir mit einem unserer Kunden nach der Migration seiner Universal Analytics-Einrichtung auf Google Analytics 4 gewählt haben, haben wir eine Übersicht erstellt, wo Universal Analytics-Daten verwendet wurden. Der Datenstack des Kunden sieht wie folgt aus
Fivetran wird zum Laden von Daten in eine Rohdatenbank innerhalb des Snowflake-Kontos des Kunden verwendet. Fivetran wird zum Laden von Daten in eine Rohdatenbank innerhalb des Snowflake-Kontos des Kunden verwendet. Auf diese Datenbank wird wiederum von dbt zugegriffen, das eine erste Ebene von Datenmodellen, die sogenannten Staging-Modelle, erstellt. Diese Modelle normalisieren Daten über verschiedene Quellen hinweg, z. B. Zeitzonen und Währungen, und machen Daten lesbar, wenn sie von der Quelle her uneinheitlich sind. Auf Grundlage dieser Staging-Modelle bauten wir die initiale Infrastruktur mit zwei zusätzlichen Schichten auf: Zunächst erstellten wir Zwischenmodelle, die regelmäßig für Auswertungen benötigte Informationen voraggregieren, wie z. B. den täglichen Umsatz pro Produkt oder die Verbindung zwischen akquirierten Nutzern und den dafür erforderlichen Marketingkosten. Die letzte Schicht sind dann die sogenannten Mart-Modelle, eine Reihe von hochgradig aggregierten Tabellen, die für performante Reportings verwendet werden. Diese kombinieren die voraggregierten Zahlen zu aussagekräftigen Datensätzen.
Das Visualisierungstool der Wahl für unseren Kunden war Metabase, ein einfach zu bedienendes Cloud-Visualisierungstool, mit dem Einsteiger problemlos Dashboards erstellen können, während datenerfahrene Benutzer mit Hilfe von Staging-Tabellen explorative Analysen mit SQL erstellen können.
Data Governance als Grundlage für den Wandel
Wie also hat uns dieser Stack bei der Migration der Berichte von Universal Analytics zu Google Analytics 4 geholfen? Nun, wir verbringen in unseren Projekten viel Zeit damit, die Dokumentation in dbt zu “füttern”. Dbt ermöglicht es, die Abhängigkeit von Modellen in so genannten dbt docs zu visualisieren (weitere Informationen finden Sie hier: https://docs.getdbt.com/docs/collaborate/documentation).
Anhand dessen konnten wir nicht nur nachvollziehen, welche Visualisierungen von Universal Analytics abhängen, sondern auch, welche spezifischen Spalten wir in unseren Rohdaten aus dieser Quelle erhalten. Fivetran bietet einen Google Analytics 4-Connector an, mit dem Sie in fünf Minuten eine Verbindung zu Ihrem Google Analytics 4-Konto herstellen und Ihre Daten in das Data Warehouse Ihrer Wahl übertragen können. Mit unserer vorbereiteten “Einkaufsliste” aus den dbt-Dokumenten richteten wir den GA4-Connector in fivetran ein, um die Daten abzurufen, von denen wir wussten, dass sie mit denen in Universal Analytics übereinstimmen, da wir das Analytics-Konzept während der Migration von UA zu GA4 strukturiert hatten. Benutzerdefinierte Berichte in Fivetran ermöglichen die Vorauswahl einer Kombination von Dimensionen und Metriken für Ihren spezifischen Anwendungsfall. Da man bei Fivetran für den Datentransfer bezahlt, schätzen wir die Möglichkeit, jeden Connector 14 Tage lang kostenlos zu testen.
Nachdem die Daten in der Rohdatenebene angekommen waren, haben wir Staging-Tabellen aus Google Analytics 4-Daten aggregiert, die die Struktur der Universal Analytics-Daten widerspiegeln. Auf diese Weise haben wir sichergestellt, dass die Ausgangsdaten, auf denen wir unsere Visualisierungen aufbauen wollen, die exakt gleiche Struktur zwischen altem und neuem Tracking aufweisen.
Dbt-Modelle werden regelmäßig durch Verweis auf andere zugrunde liegende Modelle über SQL erstellt. Um den Schalter umzulegen, war der letzte Schritt, den wir nach der Evaluierung der Datenkonsistenz zwischen dem alten und dem neuen Tracking unternommen haben, so einfach wie das Verweisen von Berichten aus den alten Universal Analytics Staging-Modellen auf die neuen GA4-Modelle. Oder um es einfacher zu sagen, wir haben einfach eine andere Quelltabelle verwendet, die identisch strukturiert war wie zuvor.
Alle bestehenden Dashboards liefen weiterhin reibungslos mit den zugrundeliegenden Daten, die nun von Google Analytics 4 kamen. Es ist immer noch erforderlich zu überprüfen, wie Ihre Daten nach der Migration aussehen. Die Überprüfung der Datenkonsistenz zwischen der Google Analytics 4-Benutzeroberfläche und Ihrem Dashboard kann mühsam sein, aber wenn Sie sich diese Zeit bei der Einrichtung Ihrer Datenpipeline nehmen, können Sie vermeiden, dass Sie Tage und Wochen mit Berichten verbringen, die nur zu 98 % korrekt sind. Achten Sie auch darauf, zu dokumentieren und aktiv zu kommunizieren, wenn ein Mapping zwischen den beiden Analytics-Versionen nicht 1:1 möglich war, und zwar mit allen Beteiligten und in der Dokumentation Ihrer Wahl.
Dokumentation hat regelmäßig eine niedrige Priorität, aber ein gemeinsames Verständnis darüber, was man betrachtet, ist der Schlüssel zur Arbeit mit Daten.
Riskieren Sie nicht Ihre Berichterstattung und beginnen Sie jetzt mit Ihrer Migration
Die Verwendung eines modernen Cloud Data Stacks mit fivetran, dbt, snowflake und metabase als Grundlage kann ein Migrationsprojekt überschaubarer machen. Mit einer soliden Dokumentation und flexiblen Tools wird das Reengineering Ihrer Daten für das Berichtswesen eher zu einer To-Do-Liste als zu einer beängstigenden Aufgabe. Wenn Sie Hilfe bei der Modernisierung Ihres Datenstacks oder der Migration von Universal Analytics auf Google Analytics 4 benötigen, sind wir für Sie da. Wir können auch Ihre Tracking-Funktionen verbessern und uns auf den Datenschutz der Nutzer konzentrieren, während wir Ihr Unternehmens-Webtracking abbilden. Kontaktieren Sie uns noch heute für Unterstützung! !