SS24_2.05_MAT_DIGANA_Metriken2_Verhalten_und_Nutzung 3.pdf

Vorlesung „Digital-Analytics“ (Web- und Social-Media-Analytics) Kapitel: Metriken (2) © Prof...

Vorlesung „Digital-Analytics“ (Web- und Social-Media-Analytics) Kapitel: Metriken (2) © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected]  Hinweis Hinweise zu diesem Vorlesungs-Skript  Die Vorlesungs-Folien sind kein vollständiges Skript, sondern ein Lückenskript, d.h. relevante Inhalte werden erst während der Vorlesung ergänzt.  Den Vorlesungs-Folien sieht man nicht an, welche Inhalte fehlen. Die Folien sind ohne Befüllung erstens unzureichend und zweitens unvollständig.  Die Beschäftigung mit entsprechender Literatur wird empfohlen. Vorrangige Orientierung an: Hassler M.: Web Analytics: Metriken auswerten, Besucherverhalten verstehen, Website optimieren, mitp, Auflage: 3., 2012 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 2  Beginn des Vorlesungskapitel Ziele des Vorlesungskapitel  Kennen lernen der prinzipiellen Arten von Metriken und den daraus resultierenden Konsequenzen  Nutzen, Bedeutungen, Vorteile und Abgrenzungen der unterschiedlichen Metriken im Digital-Analytics-Bereich kennen lernen Bitte fragen Sie, wenn etwas unklar ist – es gibt keine dummen Fragen! © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 3  Verhaltens-Metriken © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 4  Metriken der Besucher und deren Verhalten Besuchsdauer (1)  Erläuterung  In der Regel: die durchschnittliche Zeit zwischen ersten und letztem Aufruf während des Besuchs.  Mittlerweile auch „Aufmerksamkeitsmaß“ oder als „Engagement Time“ bezeichnet.  Bedeutung  Maß für das Interesse des Besuchers und eine wichtige Metrik. Beurteilung ist nicht trivial (Beachte Problemfälle) und abhängig des verfolgten Zieles der WebSite oder einzelner Seiten, sowie der Motivation (angestrebt und tatsächlichen).  Durchschnittliche, und sofern vorhanden, die Verteilung der Besuchsdauer bezogen auf die ganze WebSite und einzelne Seiten oder Seitenbereiche zur Auswertung der Relevanz, z.B. Interesse, Nicht-zu-recht-finden z.B. Behaviour->Engagement, dann die richtigen Metriken auswählen © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 5  Metriken der Besucher und deren Verhalten Besuchsdauer (2)  Beobachtungsrhythmus (Quelle: Hassler M.: Web Analytics, mitp, Auflage: 3., 2012)  Was müsste bezogen auf unser Ziel, z.B. Durchlesen eines Nachrichtenartikels, die real durchschnittliche Verweildauer sein? Klassifizierung abhängig dieses Richtwertes der Besuche in 3 Klassen  < 75% vom Richtwert für Uninteressierte  75-125% des Richtwertes für Interessierte  > 125% des Richtwertes für Engagierte  Wöchentliche Beobachtung der 3 Klassen auf Veränderungen und im zeitlichen Vergleich, z.B. langfristig oder temporär bezogen auf eine Online- Marketing-Aktion © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 6  Metriken der Besucher und deren Verhalten Besuchsdauer (3.1)  Beispiel der Besuchslängen-Verlauf z.B. Visitors->Overview, dann die richtigen Metriken auswählen Bildquelle: eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 7  Metriken der Besucher und deren Verhalten Besuchsdauer (3.2)  Beispiel der Verteilung verschiedener Besuchslängen (Returning/New) z.B. Behaviour->Engagement, dann die richtigen Metriken auswählen Bildquelle: eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 8  Metriken der Besucher und deren Verhalten Besuchsdauer (3.3)  Beispiel der Klassifizierung verschiedener Besuchslängen  Durch Export in CSV und Berechnungen in R z.B. aus Google Analytics Bildquelle: eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 9  Metriken der Besucher und deren Verhalten Besuchsdauer (4)  Problemfälle (1)  Verweildauer auf letzter Seite wird i.d.R. nicht gemessen  Abhilfe: Unload-Event aufrufen und Tracken, z.B. Javascript mit „onbeforeunload“ Event.  0 Sek. Besuchsdauer, wenn nur 1 Seite besucht wurde. Bildquellen: Kaushik A.: Web Analytics 2.0, John Wiley & Sons, 2009, akt.2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 10  Metriken der Besucher und deren Verhalten Besuchsdauer (5)  Problemfälle (2)  Browsen mit verschiedenen Tabs und evtl. Tracken als 2 Sessions Abhilfe durch Normalisierung im Analytics-System Bildquellen: Kaushik A.: Web Analytics 2.0, John Wiley & Sons, 2009, akt.2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 11  Metriken der Besucher und deren Verhalten Besuchsdauer (6)  Genauere Messung der „aktiven“ Besuchsdauer  Einsatz spezieller PlugIns, z.B. Riveted (http://riveted.parsnip.io) für Google Analytics oder über „Session Recordings“ in Matomo Analytics, welches durch Messung der Interaktionen wie Mausbewegungen und Tastaturanschläge, erkennt, ob die Seite momentan im Browser sichtbar ist und dadurch die aktiven Besucher auf der Website erkennt. © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 12  Metriken der Besucher und deren Verhalten Besuchstiefe (1)  Erläuterung  Die Besuchstiefe (Depth) definiert die Anzahl der Seiten eines Besuchs. Als Durchschnittswerte werden diese über einen definierten Zeitraum erhoben.  Bedeutung  Besuchstiefe gilt meist als Maß für das Interesse eines Besuchers analog der Besuchsdauer, jedoch nicht weniger aussagekräftig  Durchschnittliche, und sofern vorhanden, die Verteilung der Besuchstiefe bezogen auf die ganze WebSite und einzelne Seiten oder Seitenbereiche zur Auswertung der Relevanz, z.B. Nicht-finden-des-Erwarteten  Als Absprungrate (Bounce-Rate) wird der Prozentsatz der Besucher definiert, die nur 1 Seite während ihres Besuchs betrachten  Die Haltedauer ist insbesondere bei besonderen Erlösmodellen, z.B. Erträge durch Anzeige von Banner-Werbung, wichtig. z.B. Google: Audience->Behaviour->Engagement, dann Page Depth anklicken. In Matomo Analytics geht dies nur über einen Export und Analyse in R oder evtl. Behaviour->Users Flow © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 13  Metriken der Besucher und deren Verhalten Besuchstiefe (2)  Beobachtungsrhythmus  Abhängig von Relevanz: laufende oder zyklische Beobachtung insbesondere von Auffälligkeiten und stetigen Veränderungen und die damit verbundene Ursachenklärung  Analog der Besuchsdauer: Ermittlung eines zugehörigen Richtwertes abhängig der Ziele, sowie die Klassifizierung der Besucher  Einzelzugriffe  oberflächliche Besuche  gezielte Besuche  intensive Besuche und deren Beobachtung. © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 14  Metriken der Besucher und deren Verhalten Navigationsverhalten (1)  Diszipline im UX-Design und Interaction Design 2024: Nichts Besseres gefunden © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 15  Metriken der Besucher und deren Verhalten Navigationsverhalten (2)  Information Architecture - Beantwortung der zentralen Fragen:  Wie verarbeiten Menschen kognitiv Informationen?  Welche Informationen müssen wie präsentiert werden?  Wie muss die Navigation erfolgen? Bidlquelle: unbekannt © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 16  Metriken der Besucher und deren Verhalten Navigationsverhalten (3)  Navigation Design  Umsetzung der Navigationsmöglichkeiten in den Informationsräumen (Ausgangsbasis: Information Architecture).  Ziele:  Aufbau der Navigationsstruktur und damit der –wege - Grundlage ist das Anwenderverhalten und –bedürfnisse (Wie kommt man sinnvoll von einem Punkt zum anderen? Warum sollte man dorthin gelangen?).  Kommunikation der Beziehungen zwischen Informationsräumen (Was hat der eine Link mit den anderen und dem jetzigen zu tun?).  Kommunikation der Beziehung zwischen dem Content und der Seite/Maske auf der ich mich gerade befinde (Was hat dieser Inhalt mit dem zu tun, wo nach ich momentan suche?).  Kommunikation der Lokalisierung (Wo stehe ich im Raum? Was kann ich hier tun? Wie bin ich hierher gelangt? Wo stehe im Prozess? Wie geht es weiter?)  Typische Werkzeuge für WebSites - Beispiele:  Links, SiteMaps, Breadcrumps, Karteireiher, Listen, Index, Radial Tree Layouts, Cone Tree Layouts, Force-directed Layouts, Linsen, Treemaps, etc © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 17  Metriken der Besucher und deren Verhalten Navigationsverhalten (4)  Erläuterung  Zusammenfassend: Typischer Weise existieren primär 2 Informationszugänge, die ein Besucher wählt: über die Navigation und/oder über die Suche in der Website selbst  Zusätzlich vereinzelt auch über die SiteMap, Index, Inhaltslinks oder Teaser etc.  Bedeutung (1)  Vorrangige Betrachtung des Verhaltens durch Pfadanalysen (Klick-) derjenigen Besucher, die nicht über eine Suchmaschine kommen (da hier bereits eine Informationsfilterung stattfand) sondern derjenigen, die über die Homepage oder spezieller LandingPages kommen. z.B. Behavour ->Users Flow Bildquellen: Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 18  Metriken der Besucher und deren Verhalten Navigationsverhalten (5)  Zu Bedeutung (2)  Notwendigkeit zur Interpretation (u.a. Quelle: Hassler M.: Digital Analytics mit Google Analytics 4 und Co., mitp, Auflage: 1., 2023)  Suchnutzung (interne SiteSearch):  Nutzungsgrad „hoch“ - z.B. gute Suchfunktion, Besucher wissen was sie wollen, Navigation unzureichend  Nutzungsgrad „niedrig“ – z.B. Suchfunktion evtl. versteckt oder unzureichend  Navigationsnutzung:  Nutzungsgrad „hoch“ – z.B. Besucher sind im Browse-Modus und wollen sich Überblick verschaffen oder gesuchte Information nicht auffindbar  Nutzungsgrad „niedrig“ – z.B. Navigation bzw. Menüführung bzw. Hierachie unzureichend oder nicht spezifisch genug  Link- / Teasernutzung:  Nutzungsgrad „hoch“ – z.B. Angebot ist für Besucher interessant oder Besucher schweift ab (Serendipität-Effekt)  Nutzungsgrad „niedrig“ – z.B. Inhalte (über Link) sprechen nicht an © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 19  Metriken der Besucher und deren Verhalten Navigationsverhalten (6) Quelle: Hassler M.: Web Analytics, mitp, Auflage: 3., 2012; Hassler M.: Digital Analytics mit Google Analytics 4 und Co., mitp, Auflage: 1., 2023 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 20  Metriken der Besucher und deren Verhalten Navigationsverhalten (7) Bildquelle: eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 21  Metriken der Besucher und deren Verhalten Navigationsverhalten (8)  Beobachtungsrhythmus  Klassifikation des Navigationsverhalten in die Informationszugänge  Navigation  WebSite-Suche (Site Search)  Sitemap  Index  Links in den Inhalten und Teaser mit den Verhältnissen und zusätzlichen Informationen. Zyklisches Beobachten (Monat/Quartal) dieser im Vergleich zu früheren Zeitspannen und Veränderungen, z.B. bei Relaunch oder regionalem Launch zum Test (A/B)  Probleme  Oftmals setzt eine Interpretation der Ergebnisse im Vergleich zu anderen Zeiträumen die gleichen Inhalte und Aufbau der WebSite voraus.  Eindeutigkeit des Pfadweges bei Browser Overlays © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 22  Metriken der Besucher und deren Verhalten Klickverhalten (1)  Erläuterung  Analyse der Klickorte (wo und was wird angeklickt?) und der Klickfolge (Von wo ist der Besucher gekommen? Wohin bewegt sich der Besucher?)  Bedeutung  Mögliche Interpretation der Beweggründe, Bedürfnisse, Verhaltensweisen, Trends etc.  Visualisierungen notwendig, da Zahlenwerte nur sinnvoll, wenn der Kontext der Webseite sichtbar ist, z.B. durch Browser Overlays  Trichterauswertung (Funnels) bieten die Möglichkeit abhängig eines definierten Zieles und dem optimalen Klickpfad die einzelnen Schritte dazu zu beobachten und auszuwerten © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 23  Metriken der Besucher und deren Verhalten Klickverhalten (2)  Browser Overlay / Heatmap Bildquelle: Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 24  Metriken der Besucher und deren Verhalten Klickverhalten (3)  Trichter (Funnel) Bildquelle: Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 25  Metriken der Besucher und deren Verhalten Klickverhalten (4)  Beobachtungsrhythmus  Laufend (i.d.R. täglich) für Homepage und andere LandingPages, sowie den meist angeklickten Seiten und dem Eruieren der Ursachen bei Veränderungen mit Abgleich der Zielsetzungen unter Zuhilfenahme der Persona- Beschreibungen.  Probleme  Überschaubarkeit der Pfadkombinationen durch Vielzahl von Wegen und Verzweigungen – Abhilfe: Gruppierungen vornehmen, z.B. Themen, Inhalte … oder Einzelseiten auswerten.  Analoges Problem bzgl. Eindeutigkeit des Pfadweges bei Browser Overlays – siehe Navigationsverhalten © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 26  Metriken der Besucher und deren Verhalten Beweggründe (1)  Erläuterung  Analyse der internen Suche (Site Search) oder tatsächliche Umfragen (Surveys) mittels digitalen Umfrageformularen auf eigener Website nach dem Aufruf der Homepage oder Umfrageportalen, z.B.  Besuchsgründe  Quelle des Bekanntwerden  Bedienbarkeit  Besuchserlebnis  Gefallen  Verbesserungsvorschläge  Probleme  Nutzen  Weiterempfehlungs-Wahrscheinlichkeit  …..  Bedeutung  Mögliches Auffinden der Beweggründe  Beobachtungsrhythmus  Zyklisch (Monat, Quartal) oder bei Veränderungen © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 27  Metriken der Besucher und deren Verhalten Beweggründe (2)  Site Search Analysis (Google Analytics) Bildquelle: eigene?, 2015 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 28  Metriken der Besucher und deren Verhalten Beweggründe (3)  Site Search Analysis (Matomo) Bildquelle: Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 29  Inhaltsnutzungs-Metriken © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 30  Metriken der Inhaltsnutzung Genutzte Inhalte (1)  Erläuterung  Vorrangig wird die Häufigkeit des Aufrufes einer Seite oder Inhaltblocks gemessen  Mit besonderen Tools ist die Analyse von Maus-Bewegungen und Scrollverhalten möglich, so kann auch analysiert werden, wie weit Nutzer Inhalte scrollen (z.B. etracker (Visitor Motion), Verint (Digital-Behavior- Analytics), Matomo Analytics (Session Recordings))  Bedeutung  Dient als Interpretations-Maß für das Interesse und Engagement.  Zielsetzung: Qualitativ hochwertiger Unique Content für die Zielgruppe zur Verfügung stellen (Stichwort: Content-Marketing)  Analyse und Interpretation der Häufigkeiten des Abrufes von Inhalten, z.B. Web-Seiten, auch im Kontext vergangener Zeiträume  Beobachtung der Häufigkeiten der Top-10, sowie der 10 größten Auf- oder Absteiger, der fokussierten Einstiegsseiten oder Schlüssel-Seiten abhängig der Zielsetzung, sowie der am wenigsten nachgefragten Seiten. © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 31  Metriken der Inhaltsnutzung Genutzte Inhalte (2)  zu Bedeutung  Zusammenfassung in einzelne Inhaltsgruppen (=Content Groups) zu bestimmten Themen manchmal sinnhaft, z.B.  Produkte  Einzelne Produktgruppen  Funktion  Nutzerbedürfnisse, z.B. Anfragen, Bestellungen  Medien  …  Übersicht und Visualisierung durch Klickpfade, Heatmaps (teilweise als Video mit Darstellung von Veränderungen) und InPage-Darstellungen bzw. Clickmap (d.h. die nächsten Klicks werden in der Seite angezeigt)  Vorab-Analysen können z.B. durch Eye-Tracking oder durch KI-Methoden durchgeführt werden, z.B. http://eyequant.com (gut im Bereich Farben und Kontraste, noch eher schlecht im Bereich Emotionen und Handlungen) © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 32  Metriken der Inhaltsnutzung Genutzte Inhalte (3) 240207: Unter Matomo: Goals kann ein „Goal Value“ eingetragen werden  Seitenwert in Google Universal Analytics (leider in GA4 und Matomo Analytics nicht unterstützt) Seitenwert = The average value of this page or set of pages. Page Value is ((Transaction Revenue + Total Goal Value) divided by Unique Pageviews for the page or set of pages)). MERKE: Wenn es um eine WebSite-/Conversion- Optimierung geht, dann macht es Sinn, die Seiten mit den höchsten Seitenwerten als erstes zu optimieren, da sie beim Erreichen eines Zieles oft „involviert“ sind. Bildquelle: eigene, 2013 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 33  Metriken der Inhaltsnutzung Genutzte Inhalte (4)  Beobachtungsrhythmus  Laufend, z.B. wöchentlich, oder ereignis-orientiert, z.B. bei Werbekampagnen  Probleme  Fehlende Orientierung in einer großen Anzahl von Sub-URLs einer WebSite  Bestimmte Inhaltsblöcke, z.B. Abspielen von Videos, führen nicht zwangsläufig zu einem neuen URL-Aufruf. Deshalb müssen hier spezielle Analytics API- Funktionen, z.B. Event-Tracking, in der Seite genutzt werden.  Nicht-aufgerufene Seiten oder manchmal auch wenig aufgerufene Seiten sind im Digital-Analytics-System nicht sichtbar  Nicht alle Sub-URLs einer WebSite sind selbsterklärend © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 34  Metriken der Inhaltsnutzung Ein- (= Entry- oder Landing-Pages) und Ausstiegsseiten (1)  Erläuterung  Durch Suchmaschinen etc. ist die Homepage einer WebSite nur noch zum Bruchteil die eigentliche Einstiegsseite, deshalb müssen die relevanten Einstiegsseiten analysiert werden.  Bedeutung  Beurteilung der Ausstiegsseite und Interpretation der Ursachen  nach Betrachtungsdauer  Wenn hoch und Einstiegsseite ist die Ausstiegsseite, dann gutes Beurteilungsergebnis, da Besucher dann wahrscheinlich Ziel gefunden  nach Höhe der Ausstiegsrate (Anzahl Ausstiege / Anzahl Seitenaufrufe der zugehörigen Seite)  Wenn hoch, dann Problem  Analyse und Interpretation der Top10 Einstiegsseiten (inkl. Homepage) und der Herkunftsquellen (Traffic-Quellen) auf Zielkonformität  Analyse der Ausstiegsseiten im Kontext eines angestrebten Klickpfades, z.B. einer komplette Bestellung © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 35  Metriken der Inhaltsnutzung Ein- (= Entry- oder Landing-Pages) und Ausstiegsseiten (2) Bildquelle: Matomo Analytics Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 36  Metriken der Inhaltsnutzung Ein- (= Entry- oder Landing-Pages) und Ausstiegsseiten (3) Bildquelle: Matomo Analytics Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 37  Metriken der Inhaltsnutzung Ein- (= Entry- oder Landing-Pages) und Ausstiegsseiten (4) Bildquelle: GA3, Eigene, 2013 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 38  Metriken der Inhaltsnutzung Ein- (= Entry- oder Landing-Pages) und Ausstiegsseiten (5) Bildquelle: Matomo Analytics Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 39  Metriken der Inhaltsnutzung Ein- (= Entry- oder Landing-Pages) und Ausstiegsseiten (5)  Beobachtungsrhythmus  i.d.R. wöchentlich  Landing-Page Qualität auch für AdRank (Google Ads) wichtig – Beispiele von Einflussfaktoren: Bildquelle: http://elearnhero.com/google-adwords-tutorial-2015/, 2015, akt.2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 40  Metriken der Inhaltsnutzung Einzelbeurteilung einer Seite (=Attraktivität) (1)  Erläuterung  Beurteilung der Attraktivität (und damit seiner Qualität) einer einzelnen Seite und Content-Bereiche durch unterschiedliche Kennzahlen (siehe auch „Genutzte Inhalte“)  Bedeutung (Quelle: Hassler M.: Digital Analytics mit Google Analytics 4 und Co., mitp, Auflage: 1., 2023)  Die relevanten Kennzahlen  Verweildauer auf der Seite (in Abhängigkeit der Funktion)  Wenn hoch, dann könnte Qualität gut sein, es sei denn die Funktion der Seite ist eine andere, z.B. Bestellabschluß  Haftung einer Seite (Page Stickiness) (=> Berechnung = 1 – Absprungrate) durch Umkehrung der Absprungrate (Bounce Rate), d.h. wie hoch ist der Anteil der Besucher, die bleiben (Beispiel 1-Absprungrate=50%, dann bleibt jeder 2.Besucher auf der WebSite und ruft z.B. eine weitere Seite auf)  Wenn niedrig, dann schlecht, z.B. lange Ladezeiten, Inhalt erfüllt Erwartungen nicht usw. © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 41  Metriken der Inhaltsnutzung Einzelbeurteilung einer Seite (=Attraktivität) (2)  zu Bedeutung (Quelle: Hassler M.: Digital Analytics mit Google Analytics 4 und Co., mitp, Auflage: 1., 2023)  Abbruchanalyse über Absprungrate (Bounce Rate = Anzahl Einzelzugriffe der Seite / Anzahl der Einstiege der Seite in Prozent) und Klickpfad-Analyse  Beurteilung der Qualität der LandingPage einer Kampagne, z.B. Banner-, AdWord- etc. – hier wäre eine niedrige Absprungrate ein Indiz dafür, dass der Besucher das findet, was er aufgrund der Kampagne erwartet hat.  Beurteilung der Qualität von Traffic-Quellen der Top Referrer und Besucher (siehe Bild nächste Seite)  Beurteilung der Qualität von Search Keywords (organisch / bezahlt)  Wenn hoch, dann schlecht (Beispiel Absprungrate=50%, dann verlässt jeder 2.Besucher die WebSite über die Einstiegsseite)  Beurteilung der Qualität der LandingPage einer Kampagne, z.B. Banner-, AdWord- etc. – hier wäre eine niedrige Absprungrate ein Indiz dafür, dass der Besucher das findet, was er aufgrund der Kampagne erwartet hat. © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 42  Metriken der Inhaltsnutzung Einzelbeurteilung einer Seite (=Attraktivität) (3) Bildquelle: Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 43  Metriken der Inhaltsnutzung Einzelbeurteilung einer Seite (=Attraktivität) (4)  zu Bedeutung  Outlinks-Analyse  Outlinks zeigt die Liste der externen URLs, die von Ihren Besuchern von Ihren Webseiten aus angeklickt wurden. Bildquelle: Eigene, 2024 © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 44  Metriken der Inhaltsnutzung Einzelbeurteilung einer Seite (=Attraktivität) (5)  zu Bedeutung (Quelle: Hassler M.: Digital Analytics mit Google Analytics 4 und Co., mitp, Auflage: 1., 2023)  Beurteilung der vorigen Kennzahlen können nur im Kontext richtig beurteilt werden, z.B. niedrige Verweildauer wäre OK, wenn die Seite nur Promotion- Bilder beinhalten würde. Abhilfe durch  Browser Overlay / User Flows zur Sichtung der korrelierenden Inhalte  Kategorisierung der Seiten nach Inhalt und Funktion, z.B.  Fänger-Seiten  Absprungrate sollte niedrig sein, Ausstiege sollten gering sein  Verteiler-Seiten  Ausstiege sollten gering sein  Informier-Seiten  Verweildauer sollte hoch sein, Absprungrate sollte niedrig sein  Service-/Tool-Seiten, z.B. Zinsrechner  Verweildauer sollte hoch sein  Überzeuger-Seiten  Verweildauer sollte hoch sein, Ausstiege sollten gering sein  Aktionen-Seiten, z.B. Bestellseite  Ausstiege sollten gering sein © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 45  Metriken der Inhaltsnutzung Einzelbeurteilung einer Seite (=Attraktivität) (6)  Beobachtungsrhythmus  laufend  Probleme  Verweildauer kann nicht gemessen werden, wenn die Seite die letzte bzw. einzige Seite des WebSite-Besuchs ist  Siehe Problemfälle Besuchsdauer  Interpretation der Verweildauer IMMER in Abhängigkeit der Ziele, z.B. Verweilen muss nicht immer „lesen“ bedeuten  In Ausnahmefällen ist eine hohe Absprungrate kein Maß für die Güte, z.B. Blogs, Yellow Pages etc. – hier müsste man eher die Verweildauer speziell messen (Problem: Nur 1 Seite – Siehe Verweildauer)  Spezielle Analyse von Formular-Abbrüche durch spezielle Tools, wie (z.B. etracker (Visitor Motion), Verint (Digital-Behavior-Analytics), Matomo Analytics (Session Recordings)) © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 46  Metriken der Inhaltsnutzung Engagement (1)  Erläuterung  Viele machen es sich zu einfach und definieren: Engagement = Verweildauer oder = Anzahl der Wiederkehrer. Gegenbeispiel: 10 Minuten auf einer Spiegel-Online-Seite und 12 Minuten auf einer frustrierenden Bibliotheks-Homepage, weil man sie nicht bedienen kann.  Deshalb kann Engagement nur im Kontext der Anwendung und deren Ziele definiert werden, z.B. Engagement auf einem Social Network (z.B. Teilen und Liken von Beiträgen) ist etwas anderes als Engagement in einem Online-Shop (z.B. Buch-Rezensionen verfassen)  Betrachtung aus Sicht des Anwenders und nicht der Eigenen!  Beobachtungsrhythmus  Laufend  Probleme  Auswahl und Definition der zugehörigen Metriken aufwändig © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 47  Metriken der Inhaltsnutzung Engagement (2)  Bedeutung  A.Kaushik und T.Papdakis unterscheiden deshalb zwischen „Degree“ (Grad des Engagements) und „Kind“ (Art des Engagements). Analytics-Systeme können dabei den Grad, aber nicht die Art des Engagement messen.  „Degree“ (Grad des Engagements): Eine engagierte Person ist eine Person, welche sich über dem Durchschnitt involviert verhält (geeignete Metrik bezogen auf die Zielsetzungen), z.B. Metriken wie z.B.  Häufigkeit der Besuche  Besuchstiefe  Verweildauer  Registrierung  Newsletter abonnieren  Interaktionen, z.B. Actions in Matomo Analytics (https://matomo.org/faq/general/faq_23415/)  …  „Kind“ (Art des Engagements): Gefühle, z.B. Sympathie, Ablehnung, Vertrauen etc. sind durch Analytics-Systeme allein nicht messbar, sondern können nur mit zusätzlichen Hilfsmitteln ermittelt werden, z.B. genaue Content-Analyse, Opinion- Mining, konkrete Frage an den Benutzer auf der Webseite, Wahrscheinlichkeit der Weiterempfehlung, … © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 48  Metriken der Inhaltsnutzung Ereignisse (1)  Bedeutung  Messen von Ereignissen, die kein Nachladen von Seiten im klassischen Sinne nach sich ziehen.  Beobachtungsrhythmus  Monatlich und situativ bei Kampagnen  Beispiele  Messen von Downloads, z.B. PDF- oder ZIP-Dateien  Messen des Abspielens von Videos mit Dauer des Betrachtens  Messen von beliebigen Klicks, z.B. interaktive Grafiken  Messen des Ausfüllens spezieller Formularfelder  Probleme/Missverständnisse  Beeinflussung der Absprungrate, z.B. wenn nur eine Seite geladen wurde, dann würde das die Absprungrate erhöhen. Wenn aber auf dieser Seite ein Video gestartet wird, dann zählt dies bei den meisten Systemen zu einer weiteren Interaktion und erhöht damit die Absprungrate nicht. Diese Beeinflussung kann im Event-Tracking-Code meist parametrisiert werden. © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 49  Metriken der Inhaltsnutzung Ereignisse (Events) (2)  Realisierungsbeispiele über API  Implementierung durch spezielle Event-Tracking-Codes – siehe z.B. Google Analytics https://developers.google.com/analytics/devguides/collection/analyticsjs/events Matomo Analytics: https://developer.matomo.org/guides/tracking-javascript- guide#manually-trigger-events © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 50  Metriken der Inhaltsnutzung Ladezeiten, Verfügbarkeit und Fehler (1)  Erläuterung  Die Kennzahlen sind meist nur unzureichend aus Digital-Analytics-Systemen erkennbar.  Einsatz von Sonden zur Messung von Ladezeit und Verfügbarkeit, sowie Benachrichtigung bei Fehlern per Email/SMS, z.B. www.monitor.us, www.pingdom.com  Ladezeit-Interpretation durch nähere Untersuchung der Ladezeiten der einzelnen Komponenten  Fehler-Interpretation sollte vorrangig durch Server-Log-Auswertung erfolgen oder Aufbau spezieller Fehlerseiten im WebServer, die abhängig vom Fehlercode übertragen und damit auch protokolliert werden. © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 51  Metriken der Inhaltsnutzung Ladezeiten, Verfügbarkeit und Fehler (2)  Bedeutung  Selbsterklärend - Was sind erträgliche Ladezeiten? i.d.R. 1-3 Sekunden noch erträglich  Beobachtungsrhythmus  Zyklisch, z.B. monatlich  Probleme  Grundmenge von Fehlern sind üblich, z.B. veraltete Bookmarks bei Nutzern  Messfehler bei nicht ausgeschlossenem Sonden-Traffic  Beeinflussung der Web-Server-Performance durch Sonden-Traffic © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 52  Messfehler und Unschärfen in den Metriken © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 53  Metriken Messfehler und Unschärfen in den Metriken Umgang mit den Problemen der Messfehler und Unschärfen  Die Messfehler sind existent und differieren auch von System zu System  Maßgebend sind aber nicht die absoluten Zahlen, sondern die prozentuellen Veränderungen (z.B. Juni 2012 mit Juni 2013) und die Trends (z.B. jede Woche habe ich 5000 weniger Besuche)  deshalb wiegen die Messfehler nicht allzu schwer.  Nutzen Sie immer das gleiche Digital-Analytics-System über längere Zeit  Vergleichen Sie die Kennzahlen nicht mit denen anderer WebSites  Versuchen Sie andere Metriken durch andere Vorgehensweisen und andere Systeme zu messen  z.B. Messen Sie die Bestellungen nicht durch Anzahl der Klicks auf Bestell- Button in Digital-Analytics-System, sondern durch das Zählen der Bestellungen im angeschlossenen Shop-System in der Datenbank. Entscheidend ist die richtige Fragestellung und daraus die richtige Metrik und den richtigen Messvorgang zu wählen! © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 54  Hochschule der Medien Studiengang Medieninformatik Prof. Dr.-Ing. Oliver Kretzschmar Nobelstraße 10 70569 Stuttgart Tel. 0711 8923-2168 [email protected] www.hdm-stuttgart.de © Prof.Dr.-Ing.Oliver Kretzschmar, Studiengang Medieninformatik, Email: [email protected] 55