von Veronika Hölzl
Predictive Metrics in Google Analytics 4 sind wirksame Werkzeuge, um Einblicke in die Zukunft zu gewinnen. Durch die Nutzung von Machine Learning (ML)-Algorithmen bieten Kaufwahrscheinlichkeit (Purchase probability), Abwanderungs Wahrscheinlichkeit (Churn probability) oder Prognostizierter Umsatz (Predicted revenue) die Möglichkeit, Chancen zu identifizieren, Risiken zu mindern und fundierte Entscheidungen zu treffen. In Kombination mit fortschrittlichen Analysetechniken wie BigQuery Machine Learning (BQML) können neue datengetriebene Geschäftsstrategien ermöglicht werden. Wichtig ist, von Anfang an die richtigen Schritte zu setzen, um diese Kennzahlen in GA4 effektiv nutzen zu können.
Webanalyse steht für Messbarkeit und ist die Grundlage für langfristige Erfolgskontrolle und Effizienzsteigerung Ihrer (Online) Marketing Aktivitäten.
Mehr ErfahrenGA4 Predictive Metrics: Machine Learning-Kauf-, Abwanderungs- und Umsatzprognosen, Datengetriebene Chancen-Identifizierung, Risiko Minderung, fundierte Entscheidungen und Wettbewerbsvorteile. Nutzen Sie Prognosen, optional mit BigQuery ML, effektiv!
In einem Umfeld, in dem sich die Kundenbedürfnisse ständig verändern, streben Unternehmen danach, fortschrittliche Analysen und Prognosen einzusetzen, um sich einen Wettbewerbsvorteil zu verschaffen. Google Analytics 4 (GA4) bietet eine Reihe leistungsstarker prädiktiver Kennzahlen, die auf Basis der bestehenden (Roh-) Daten und Machine Learning Einblicke in zukünftige Trends und Verhaltensweisen bieten. In diesem Blogbeitrag werden wir uns mit diesen prädiktiven Metriken befassen, ihre Bedeutung für unternehmerische Entscheidungen hervorheben und sehen, worauf bei ihrer Verwendung in GA4 geachtet werden soll.
Predictive Metrics vermögen es, zukünftige Ergebnisse auf der Grundlage historischer Daten vorherzusagen. Während herkömmliche Analysen darauf abzielen, die Vergangenheit zu verstehen, ermöglichen Predictive Metrics die vorausschauende Analyse (Prädiktive Analytik). Bei dieser Methode werden mathematische Modelle auf große Datensätze angewandt, um künftige Ergebnisse anhand der Erkennung von Mustern im bisherigen Verhalten vorherzusagen.
Auch in GA4 decken Predictive Metrics verborgene Muster auf, identifizieren Chancen und optimieren Marketingaktivitäten. Indem sie ML-Algorithmen nutzen, um Daten zu analysieren, ermöglichen diese Kennzahlen es, einen Blick in die Zukunft zu werfen, datengetriebene Entscheidungen zu treffen, agil zu bleiben und sich an sich wandelnde Kundenbedürfnisse anzupassen.
Durch die Analyse von Faktoren wie Kaufhistorie, Browsing-Verhalten und demografischen Informationen können potenzielle Käufer mit einer hohen Kaufbereitschaft identifiziert und speziell anvisiert werden. Dadurch können maßgeschneiderte Marketingstrategien und Angebote erstellt werden. So trägt diese Kennzahl zu einer verbesserten Verkaufsleistung und Umsatzsteigerung bei.
Diese Metrik sagt zukünftige Einnahmen auf Grundlage des Nutzerverhaltens, der Konversionsraten und der Transaktionswerte voraus. Die Kennzahl kann herangezogen werden, um Ressourcen effektiv zuzuweisen, Umsatztreiber zu identifizieren und sich auf Strategien zu konzentrieren, die die Rentabilität maximieren. Dieser Prognose-Messwert ermöglicht es, datengetriebene Entscheidungen über Budgetzuweisung, Produktentwicklung und Marketing Kampagnen zu treffen.
Durch die Analyse von Verhaltensmustern und historischen Daten berechnet GA4 die Wahrscheinlichkeit, dass Benutzer die Interaktion mit einer Website oder App abbrechen und hilft so potenzielle Abwanderer zu identifizieren. Auf Grundlage dieser Informationen können gezielte Bindungsstrategien entwickelt, personalisierte Erfahrungen gefördert und proaktive Maßnahmen ergriffen werden, um die vorzeitige Abwanderung zu vermeiden und die Kundentreue sowie den Umsatz zu verbessern
*Für Kaufwahrscheinlichkeit und Umsatzvorhersage werden derzeit nur purchase (empfohlen), ecommerce purchase und in_app_purchase unterstützt.
Die Prognose Messwerte werden einmal täglich für jedes zur Verfügung stehende Modell und jeden aktiven Nutzer generiert. Wenn die Modellqualität in der Property den Mindestwert unterschreitet, werden die entsprechenden Prognosen in Analytics nicht mehr aktualisiert. Damit die Prognosemodelle erfolgreich trainiert werden können, müssen also bestimmte Kriterien erfüllt sein:
1. Eine ausreichende Anzahl von positiven und negativen Beispielen für Käufer und abgewanderte Nutzer: Innerhalb der letzten 28 Tage sollten mindestens 1.000 wiederkehrende Nutzer an 7 Tagen die Bedingung (Kauf oder Abwanderung) erfüllt haben. Genauso sollte es innerhalb dieses Zeitraumes mindestens 1.000 Nutzer geben, die diese Bedingung nicht erfüllt haben.
2. Die Modellqualität muss über einen bestimmten Zeitraum aufrechterhalten werden.
3. Die Übermittlung der Events „purchase“ und/oder „in_app_purchase“ sind Voraussetzung, damit Daten zur Kaufwahrscheinlichkeit und zum prognostizierten Umsatz für eine Property zurückgegeben werden können. Wenn „purchase“ erfasst wird, müssen auch die Parameter „value“ und „currency“ für das Ereignis erfasst werden. Weitere Informationen
Um zu überprüfen, ob ein Prognosemodell in der Property angewendet werden kann, kann der Eignungsstatus in den Zielgruppen Listen der Vorlagen für vorgeschlagene Zielgruppen unter der Kategorie „Vorhersagbar“ überprüft werden. Wenn hier keine der Vorlagen für die Nutzung geeignet ist, kann versucht werden weiter unten erwähnten Maßnahmen zu ergreifen( #Best Practices – Predictive Metrics in GA4) , um die Voraussetzungen zu erreichen.
Verwaltung >> Zielgruppen >> Neue Zielgruppe erstellen >> Referenz verwenden >> Vorhersehbar
Eignungsstatus für Prognosemodelle, Quelle: e-dialog
Prognose Messwerte sind in GA4 in den Zielgruppen (Audiences) und im explorativen Analysetool (Explore) verfügbar.
Mithilfe von Predictive Metrics können Prognose Zielgruppen (Predictive Audiences) zu Abwanderung, Kauf und Umsatz erstellt werden.
Werden diese Zielgruppen in Google Ads importiert bedeutet dies maßgeschneidertes AI-Targeting, das sich ständig selbst aktualisiert.
Wo Prognosewerte in GA4 eingesetzt werden, Quelle
Zielgruppeneinstellungen, Quelle: e-dialog
In den Explore Berichten werden Kaufwahrscheinlichkeit und die Abwanderungs-Wahrscheinlichkeit und prognostizierter Umsatz als Metriken in Prozentsätzen und Durchschnitt innerhalb der Nutzer-Lifetime-Exploration angewandt.
Explorations, Quelle: e-dialog
BQML ist eine Funktion innerhalb von BigQuery, die es mithilfe von Google SQL-Abfragen ermöglicht, Modelle für maschinelles Lernen auf umfangreichen strukturierten oder halb strukturierten Datensätzen zu erstellen und auszuführen. So können die umfangreichen in Big Query gespeicherten Daten genutzt werden, um individuelle Machine Learning (ML)-Modelle direkt auf der Plattform anzuwenden.
Anwendungsbeispiele dafür sind z.B. Customer Segmentation, Customer Lifetime Value (LTV) Prediction, die Conversion oder die Purchase Prediction. Mögliche Schritte dabei: Datenaggregation und -umwandlung, Erstellung von Modellen für maschinelles Lernen und Darstellung der Vorhersagen des Modells auf einem Dashboard.
Durch die Kombination von GA4-Daten mit BQML können tiefere Einblicke und Vorhersagemöglichkeiten gewonnen und die vorausschauende Analyse auf ein neues Niveau gehoben werden.
Um die volle Leistungsfähigkeit von Predictive Metrics in GA4 zu nutzen,sollten eine Reihe von Implementierungsschritten befolgt werden:
1. Google Analytics 4 Property optimal konfigurieren:
Beginnen Sie damit, Google Analytics 4 für Ihre Website oder App einzurichten. Stellen Sie sicher, dass Sie eine ordnungsgemäß konfigurierte GA4-Property haben, um relevante Daten genau zu verfolgen.
2. Enhanced Measurement aktivieren:
Diese Funktion ermöglicht es GA4, zusätzliche Datenpunkte zu sammeln, die für die Predictive Analysis entscheidend sind. Enhanced Measurement sollte dabei als sinnvolle Ergänzung zu Custom Events gesehen werden.
3. Weitere empfohlene Events und Conversions einrichten:
Definieren Sie die Events und Conversions, die Ihren Geschäftszielen und -zielmärkten entsprechen. Diese Ereignisse dienen als wichtige Indikatoren für die Predictive Analysis und ermöglichen es Ihnen, die gewünschten Benutzeraktionen genau zu messen.
4. Ausreichend Daten sammeln:
Sammeln Sie eine ausreichende Menge an historischen Daten in GA4, um genaue Vorhersagen zu generieren. Je mehr Daten verfügbar sind, desto besser können die Predictive Models analysieren und Erkenntnisse generieren.
5. Predictive Metrics in GA4 aktivieren und Reports nutzen:
Aktivieren Sie die Predictive Metrics, die Ihren Geschäftsanforderungen entsprechen. Dazu gehören Metriken wie Prognostizierte Einnahmen, Churn-Wahrscheinlichkeit und Kaufwahrscheinlichkeit aber auch die Engagement-Wahrscheinlichkeit, die durchschnittliche Umsatz pro Nutzer (ARPU)-Prognose oder die Lifetime Value (LTV)-Vorhersage können von Bedeutung sein.
6. BigQuery Machine Learning (BQML)-GA4 Integration (optional):
Diese Integration ermöglicht es Ihnen, die Leistungsfähigkeit fortschrittlicher ML-Modelle zu nutzen und komplexere Predictive Analysis auf Ihren GA4-Daten durchzuführen.
7. Customized Machine Learning-Modelle (optional):
Wenn Sie sich für eine Integration mit BQML entscheiden, können Sie benutzerdefinierte ML-Modelle mit SQL-Abfragen in BigQuery erstellen. Diese Modelle können auf Ihre spezifischen Geschäftsanforderungen zugeschnitten werden und ermöglichen hochpräzise Vorhersagen auf Basis von GA4-Daten.
8. Ergebnisse evaluieren und interpretieren:
Überwachen und bewerten Sie regelmäßig die von GA4 generierten Predictive Metrics. Gewinnen Sie Erkenntnisse aus diesen Metriken, um Ihre Geschäftsentscheidungen zu unterstützen, Trends zu identifizieren und Ihre Strategien entsprechend zu optimieren.
9. Maßnahmen ergreifen:
Nutzen Sie die aus den Predictive Metrics gewonnenen Erkenntnisse, um datenbasierte Entscheidungen zu treffen und proaktive Maßnahmen zu ergreifen. Implementieren Sie gezielte Marketingkampagnen, optimieren Sie Benutzererlebnisse, personalisieren Sie Angebote und setzen datengetriebene Strategien ein, um Kundenbindung und Umsatzwachstum zu fördern.
Von prognostizierten Einnahmen über Churn-Wahrscheinlichkeit, Kaufwahrscheinlichkeit und vieles mehr – die Nutzung und Auswertung von Predictive Metrics in Google Analytics 4 bietet Ausblick auf das, was kommen wird. Dadurch können Unternehmen zukünftige Trends und Verhaltensweisen aufdecken, einen Schritt voraus sein, sich an sich ändernde Markt Dynamiken anpassen und nachhaltigen Erfolg erzielen.
Um dies zu erreichen, sollte der Einsatz auf vielen Ebenen gut geplant werden. Denn durch das optimale Zusammenspiel zwischen Konfiguration, Daten-Aggregation und -Modellierung, Modellqualität, regelmäßiger Analyse, Bewertung und Entwicklung datengetriebener Maßnahmen lassen sich die gewonnenen Einblicke in die Zukunft überaus gewinnbringend einsetzen.
Wir freuen uns auf Ihre Anfrage und beraten Sie gerne unverbindlich! Füllen Sie dazu einfach das Kontaktformular aus oder rufen uns direkt an.
Jetzt kontaktierenNewsletter
Holen Sie sich unsere Online Marketing-Insights und Trends direkt in Ihr Postfach!