Google Analytics 4

GA4 vs. Universal Analytics

Universal Analytics zählte Sessions und Seiten — GA4 zählt Events und Nutzer über Geräte hinweg. Bounce Rate gibt es nicht mehr; stattdessen „Engaged sessions“. Alte Ziele musst du als Key Events neu definieren. Exporte nach BigQuery sind mächtiger, die Standard-UI wirkt für Einsteiger ungewohnt — plane eine Lernphase von ein bis zwei Wochen.

1. 1

   Property erstellen

   analytics.google.com → Zeitzone und Währung passend zu eurem Markt.

2. 2

   Web Data Stream

   URL eintragen, Measurement ID (G-XXXX) kopieren.

3. 3

   Tag einbinden

   gtag direkt im Theme oder Google Tag Manager — GTM flexibler für Events.

4. 4

   Consent Mode

   Cookie-Banner anbinden — sonst fehlen Daten oder ihr verletzt DSGVO.

5. 5

   Key Events markieren

   Kauf, Lead, Sign-up als Conversions — max. 30 Key Events priorisieren.

Unter Explore baut ihr Funnel (Landing → Produkt → Checkout) und Pfad-Analysen. Segmentiert nach Kanal, Gerät und Land — aber achtet auf Datenschwellen (Google blendet wenig Traffic aus). Speichert nützliche Reports im Library und teilt sie nur mit Marketing, nicht mit der ganzen Firma. Für Shops: verknüpft GA4 mit Google Ads und Merchant Center, damit ROAS-Bewertung konsistent bleibt.

Mit GTM ladet ihr GA4 und Marketing-Pixel zentral. Vorteil: Events ohne Code-Deploy ändern. Nachteil: ein weiteres System, das jemand pflegen muss. Für Shops mit häufigen Kampagnen fast immer GTM; für kleine Blogs reicht gtag.js im Head — solange Consent korrekt verdrahtet ist.

Doppelte Tags (gtag + GTM doppelt), fehlende Consent-Updates, falsche Währung in der Property, und Key Events ohne Wert-Parameter bei E-Commerce. Prüft DebugView nach jedem Deploy. Interne Traffic-Filter für Büro-IPs einrichten, sonst verfälschen Mitarbeiter-Besuche die Conversion Rate. Dokumentiert eure Event-Namen in einem Data Layer Spec — sonst interpretiert jedes Team „purchase“ anders. Nach zwei Wochen: vergleicht Zahlen mit Search Console und Shop-Backend — große Abweichungen deuten auf Tracking-Lücken hin, nicht auf „schlechtes Marketing“.

Größere Shops exportieren GA4-Rohdaten nach BigQuery für SQL-Auswertungen und LTV-Modelle. Das ist kein Pflichtschritt für Blogs oder kleine Shops — aber sinnvoll ab hohem Traffic. Plant Kosten für Speicher und Abfragen ein und beschränkt Export-Tabellen auf das, was ihr wirklich auswertet.

Einmal im Monat: Top-Landingpages, Kanäle mit schlechter Engagement Rate, und ob Key Events mit Umsatz korrelieren. Teilt einen PDF- oder Slides-Report mit Marketing und Geschäftsführung — gleiche Definitionen verhindern Streit über „die Zahlen stimmen nicht“. Ohne Review veralten Events und Filter — dann entscheidet ihr auf Basis veralteter Daten.

Organischer Traffic aus AI-Overviews und ChatGPT-Referrals wächst — segmentiert in GA4 nach Quelle/Medium und prüft Landingpages mit niedriger Engagement Rate. Kombiniert Messung mit Content-Updates aus /best-ai-tools-seo-automation-2026 und /best-seo-tools-for-small-business, statt nur Seitenviews zu optimieren.