Pixelbasierte Analysetools kommen meist mit einem Javascript, das in die Seite integriert werden muss. Je mehr Javascripte jedoch in eine Seite eingebunden werden, desto länger muss der Nutzer warten, bis die Seite geladen ist; hier gibt es also Optimierungspotential.

Der erste sinnvolle Schritt ist es daher, diejenigen Scripte, die nicht schon beim Aufruf der Seite sofort benötigt werden erst am Ende der Seite zu laden – das trifft z.B. fasst immer auf Web Analytics Scripte zu.

Der zweite sinnvolle Schritt wäre ein Zusammenschweißen aller Javascript-Codes in zwei Javascript-Dateien: Eine, die Javascript-Code enthält der vor dem Rendern der Seite geladen werden muss und eine, die allen Javascript-Code erhält, der nach dem Rendern der Seite geladen werden kann. Auf den meisten Seiten wird man die Empfehlung nicht strikt einhalten können, beispielsweise weil man Code von Seiten dritter einbindet oder der Aufwand des Zusammenfügens zu groß ist.

Sobald jedoch mehrere Scripte geladen werden empfiehlt es sich, alle Scripte asynchron zu laden, d.h. in einer Art und Weise, dass der Browser nicht erst dann weitere Ressourcen (CSS, Bilder, iFrames, etc.) lädt, wenn das Javascript komplett übertragen und vom Browser ausgewertet wurde.

Am einfachsten funktioniert das mit der Labjs Bibliothek, die Javascripts parallel herunterlädt, so dass weder der Download anderer Ressourcen noch das Rendering der Seite blockiert werden. Es empfiehlt sich für alle Seiten und Scripte und optimiert die Ladegeschwindigkeit einer Website.

Die verwendung ist denkbar einfach: Man bindet die Javascript-Bibliothek LAB.js regulär ein, anschließend lädt man alle weiteren Javascripts mit LABjs:

<script src=“js/LAB.js” type=“text/javascript”></script><script type=“text/javascript”>

$LAB

.script("js/framework.js")

.script("js/webtrekk.js")

</script>

Falls es Abhängigkeiten und eine einzuhaltende Reihenfolge gibt, zwischendurch bestimmte Javascript-Aufrufe erfolgen müssen, etc. so lässt sich dies konfigurieren.

Viel Spaß mit der schnelleren Website.

Die Arbeitsgruppe zum Datenschutz der EU hat vergangenes Jahr eine Richtlinie bezgl. des Datenschutzes im Internet angepasst, die in der neuen Fassung von Webseitenbetreibern verlangt für jedes Cookie, das gesetzt wird, eine explizite Zustimmung einzuholen.

Wie kann man feststellen, ob man mehr als nur Eitelkeit misst? Ganz einfach: Kann ich aus den gemessenen Daten neue Maßnahmen ableiten, bzw. Anpassungen meiner bisherigen Aktivitäten? Wenn ja, dann ist es mehr als Eitelkeit, wenn nein, dann sollte man mit einer Metrik seine Zeit nicht länger verschwenden.

Beispielsweise die Anzahl der Visitors. Welche Maßnahme kann man ergreifen, wenn man weiß, letzte Woche waren 254319 Besucher auf der Webseite? Ganz genau, aus dieser Zahl lässt sich alleine wenig ableiten, man weiß nicht, wie viele von denen gleich wieder verschwunden sind, wie viele vielleicht kamen um sich zu beschweren oder Support für ein schlecht beschriebenes Produkt gesucht haben. Nichtsdestotrotz wandert der Blick fast immer zuerst auf Page Impressions, Visits und Visitors – auch in Q3 sind dies die mit großem Abstand am häufigsten abgerufenen Metriken und das auch noch ungefiltert. Durchschnitte sind ebenfalls selten mehr als Eitelkeitsmetrik, weil sie einen selten dazu veranlassen eine konkrete Maßnahme zu ergreifen, schlimmer noch, ungefilterte, undifferenzierte Durchschnitte verstecken häufig sogar relevante Einsichten. Für eine Maßnahmen-orientierte Webanalyse braucht man Ziele, Kontext und Vergleiche.

Ziele

Jede Webseite hat bestimmte Ziele. Diese müssen für eine handlungsorientierte Webanalyse festgelegt werden, da die Erreichung der Ziele das Maßband für den Erfolg aller Onlineaktivitäten ist. Bei einem Onlineshop geht es darum mehr zu verkaufen, Stornierungen zu reduzieren und Supportanfragen möglichst durch gute Hilfeseiten zu minimieren. Eine News-Seite will möglichst viele Leser erreichen und die Stammleserschaft erhöhen. Loyalität wäre eines der obersten Ziele. Daneben sollen auch noch die Werbeeinnahmen maximiert werden und die Ausgaben für die Akquise neuer Leser minimiert werden. Neben Konversionsraten bietet sich bei Kampagnen die Auswertung der Landingpage an (Bouncerates, Folgeseiten, Neubesucherrate).

Kontext

Zahlen ohne Kontext sind wertlos und Durchschnitte sind der größte Gegner der handlunsgorientierten Webanalyse, weil sie viel Kontext in einer einzelnen Zahl verschwinden lassen. Es gilt also Durchschnitte aufzuteilen in Segmente: Eine Metrik durchschnittliche Zeit auf der Website bringt selbst nicht viel, aber eine Aufsplittung der Nutzer in Gruppen wie 0-10 Sekunden, 10-30 Sekunden, 30-60 Sek. 1-5 Minuten, mehr als 5 Minuten erlauben ein besseres Verständnis für die Verteilung auf verschiedene Gruppen. Ein Durchschnittswert von 2 Minuten kann gut sein, wenn die Abweichung davon relativ gering ist. Wenn aber 90% der Nutzer unter 10 Sekunden auf einer Seite verbleiben du die verbleibenden 10% Stunden auf der Website verbringen, dann gilt es herauszufinden, warum die anderen 90 % sofort wieder verschwinden. Eine gute Filterengine kann hier vieles aufdecken und erlaubt immer wieder eine neue Aufsplittung von Gruppen und Segmenten, die einen interessieren. Davon sollte man auch unbedingt Gebrauch machen.

Vergleiche:

„Sind meine Zahlen gut?“ Diese Frage muss man immer mit „Verglichen mit was?“ beantworten, denn ohne einen Vergleich lässt sich das nicht beurteilen. Natürlich muss man die Zahlen immer mit seinen gesetzten Zielen vergleichen und inwiefern sie erreicht wurden. Daneben sollte man die Zahlen aber auch mit passenden zahlen aus der Vergangenheit vergleichen, bspw. Woche mit der Woche zuvor, Monat mit Vormonat oder mit dem Vorjahresmonat falls die Webseite saisonalen Schwankungen unterliegt. Etwas aufgeräumter und übersichtlicher werden solche Vergleiche wenn man eine Metrik baut, die die Abweichungen der aktuellen Zahlen vom Vergleichszeitraum aufzeigt, beispielsweise könnte man die Abweichung der Anzahl der Bestellungen eines Tages von der durchschnittlichen Anzahl der Bestellungen pro Tag der letzten 90 Tage berechnen und hätte so einen schönen Graphen, der einem sofort aufzeigt, welcher Tag / welche Woche gut oder schlecht verlaufen ist. Großartig für Dashboards.

Konkurrenten eignen sich ebenfalls sehr gut zu Vergleichszwecken, wenngleich detaillierte Zahlen schwierig zu bekommen sind. Dennoch lassen Tools wie der Google Adplanner, Alexa und Quantcast Trends erkennen und erlauben zumindest einen Vergleich ob die ganze Branche ungefähr im gleichen Maße wächst, oder ob das eigene Wachstum über oder unterdurchschnittlich im Vergleich mit der Branche ist.

Die besten Erkenntnisse zieht man allerdings aus Vergleichen verschiedener Versionen der eigenen Webseite, bzw. einzelner Seiten. Dazu stellt man eine entsprechende Hypothese auf (farbenfrohes Design funktioniert besser als schwarz-weiß) erstellt einen entsprechenden A/B Test, legt das Konversionsereignis fest und startet den Test. Am Ende des Tests vergleicht man die verschiedenen Varianten und kann entsprechend sofort die Seite entsprechend anpassen. Das ist dann schon die hohe Kunst der maßnahmengetriebenen Webanalyse, deren Nutzen sich dann auch wunderbar in Euro und Cent quantifizieren lässt.