Datenschutzkonforme Web-Analyse mit etracker und Matomo.

Wer in einem mittelständischen Unternehmen "Web Analytics" sagt, meint meistens das eingesetzte Tool: Google Analytics 4, etracker, Matomo. Diese Verkürzung ist verständlich, aber sie ist auch die Wurzel des Problems, das ich in fast jedem Erstgespräch sehe. Web Analytics ist keine Software. Es ist eine analytische Disziplin, die Software nutzt, aber genauso analytisches Denken, sauberes Tracking und vor allem die Fähigkeit, aus Zahlen Geschäftsfragen zu beantworten.

In der Praxis bedeutet das: Ein Unternehmen kann das beste Tool der Welt installiert haben und trotzdem keinen Mehrwert daraus ziehen, weil niemand weiß, welche Fragen überhaupt gestellt bzw. beantwortet werden sollen. Umgekehrt habe ich KMU gesehen, die mit einem einfachen Matomo-Setup und einem guten Analytics-Verantwortlichen mehr Erkenntnisse generieren als Konzerne mit sechsstelligen Tool-Budgets.

Der Unterschied liegt in einer einfachen, oft übersehenen Reihenfolge: Frage → Daten → Tool. Nicht umgekehrt. Wer ein Tool kauft, ohne zu wissen, welche Fragen es beantworten soll, baut sich ein teures Datengrab. Wer Fragen formuliert, dann die nötigen Daten definiert und erst dann das passende Tool wählt, bekommt eine Analyse, die zu echten Entscheidungen führt.

Dieses Prinzip klingt ggf. etwas akademisch. In der Praxis verändert es den ROI eines Analytics-Setups jedoch grundlegend.

Google Analytics 4 ist das verbreitetste Web-Analytics-Tool. Das hat historische Gründe: Universal Analytics war jahrelang kostenlos, mächtig, und Standard in jeder Marketing-Schulung. Diese Vergangenheit prägt das Denken vieler Marketing-Verantwortlicher leider bis heute. Sie verstellt aber den Blick auf einen Punkt, der für mittelständische B2B-Unternehmen entscheidend geworden ist: GA4 ist in der EU rechtlich nicht trivial zu betreiben.

Nach dem EuGH-Urteil "Schrems II" (C-311/18, 2020) und der nachfolgenden Praxis europäischer Datenschutzbehörden, etwa der österreichischen DSB, die Google Analytics 2022 als unzulässig einstufte, steht der Einsatz von US-basierten Tracking-Tools unter konstantem Rechtfertigungsdruck. Auch wenn mit dem EU-US Data Privacy Framework eine neue Grundlage geschaffen wurde, ist die Lage juristisch nicht abschließend geklärt.

Aus meiner Sicht ist das für KMU keine Frage der Theorie und was prinzipiell irgendwie möglich ist, sondern der Praxis: Wer datenbasiert arbeiten will und gleichzeitig keine Lust auf jährlich neu zu prüfende Compliance-Fragen hat, fährt mit europäischen Lösungen ruhiger. Zwei Werkzeuge dominieren hier:

etracker

Bildquelle: etracker.com

Die Web-Analytics Suite etracker liefert dir alle relevanten KPIs auf einen Blick, DSGVO-konform und ohne Consent-Banner-Verluste.

Das Tool etracker ist Made in Germany, mit Servern in Hamburg und einer langen Historie im deutschen Markt. Besonders relevant: Der einwilligungsfreie Tracking-Modus ermöglicht es, einen Großteil der Nutzer ohne Cookie-Banner zu erfassen, was sowohl die Datenqualität deutlich erhöht (typisch 90 bis 98 Prozent erfasste Sitzungen statt 30 bis 50 Prozent bei GA4 mit Consent) als auch das Compliance-Risiko reduziert.

Ich arbeite seit Jahren intensiv mit etracker und kenne die Konfigurationspfade, an denen die meisten Setups scheitern.

Matomo

Matomo ist Open Source und kann selbst gehostet werden – etwa auf eigenen Servern in der EU oder über zertifizierte Hoster wie Hetzner. Das macht Matomo zur ersten Wahl, wenn maximale Datenkontrolle gefragt ist (etwa im regulierten Bereich, im öffentlichen Sektor oder bei sensiblen Branchen). Manche Analysen gestalten sich aber zum Teiletwas schwer und je nach Auswertung werden definitiv ein paar SQL-Kentnisse benötigt.

Beide Tools sind keine GA4-Klone. Sie folgen einer anderen Logik, was am Anfang ungewohnt sein kann. In meiner Erfahrung gewöhnen sich die Teams aber innerhalb von vier bis acht Wochen vollständig um, und schätzen danach, dass sie wieder konsistente Zahlen bekommen, die nicht alle paar Monate durch Sampling oder Modellierungs-Änderungen verzerrt werden.

Eine Migration weg von GA4 ist kein Hexenwerk, aber sie verlangt definitiv Sorgfalt. In meinen Projekten folge ich einem strukturierten Ablauf, der typischerweise vier bis acht Wochen in Anspruch nimmt, selbstverständlich abhängig von der Komplexität deines bestehenden Setups.

Phase 1: Bestandsaufnahme

Welche Events werden aktuell in GA4 erfasst? Welche davon werden wirklich für Entscheidungen genutzt? Welche sind historisch gewachsen und ohne Funktion? Diese Phase ist oft die wichtigste, weil sie Klarheit schafft, was überhaupt migriert werden muss. In über 80 Prozent der Fälle ist die Liste deutlich kürzer als ursprünglich vermutet.

Phase 2: Ziel-Konfiguration

Aufbau des neuen Setups in etracker oder Matomo, mit den definierten Events. Parallelbetrieb für mindestens vier Wochen, damit Konsistenzprüfungen möglich sind. Während dieser Phase laufen beide Tools – das alte und das neue.

Phase 3: Validierung & Abgleich

Vergleich der Zahlen zwischen GA4 und der neuen Lösung. Erwartung: keine identischen Zahlen (das ist technisch unmöglich, weil die Tools unterschiedlich messen), aber plausible Korrelation. Trends, Verteilungen und Größenordnungen müssen übereinstimmen. Für die meisten Kunden ist es ein Aha-Erlebnis, wenn sie zum ersten Mal mit einem consenfrei Tool die doppelte Menge an Einblicken erheben!

Phase 4: Cutover & Dokumentation

Umschaltung auf die neue Lösung, Abschaltung von GA4 (oder Behalten als historisches Archiv für ein Jahr), vollständige Dokumentation der neuen KPI-Definitionen, Berichte, Versionisierung und Aktualisierungs-Routinen.

Ein Punkt, den ich Kunden immer mitgebe: Eine Migration ist eine Gelegenheit zur Vereinfachung, nicht zum Neuaufbau eines noch komplexeren Systems. Wenn dein altes GA4-Setup 47 Custom Events hatte, von denen 41 nie ausgewertet wurden, ist die neue Lösung mit 6 sinnvollen Events deutlich besser, nicht schlechter. Sauberkeit schlägt Vollständigkeit.

In B2B-Märkten ist die Customer Journey selten linear. Ein typischer Mittelstands-Lead durchläuft in meinem Erfahrungsschnitt 6 bis 12 Touchpoints vom ersten Kontakt bis zum Abschluss. Meist über Wochen oder Monate, verteilt über organische Suche, LinkedIn, Webinare, direkte Websitebesuche, E-Mail-Newsletter und persönliche Empfehlungen. Wer in einem solchen Setup Conversion-Erfolg per Last-Click-Attribution misst, schreibt 100 Prozent des Verdienstes dem letzten Touchpoint zu. Dieser ist dann meistens "Direct Traffic" oder "Brand Search". Das ist analytisch falsch und führt zu fatalen Budget-Entscheidungen.

Was im B2B-Mittelstand wirklich nötig ist

Multi-Touch-Attribution statt Last-Click

Etwa eine Time-Decay-Logik (frühere Touchpoints zählen weniger, aber nicht null) oder positionsbasierte Modelle (First und Last bekommen mehr Gewicht als Mitte).

Lead-Qualifikation in die Analyse einbeziehen

Eine Conversion ist nicht gleich Conversion. 100 Anfragen mit 5 Prozent Abschlussquote sind weniger wert als 30 Anfragen mit 35 Prozent. Eine ehrliche Conversion-Analyse verknüpft deshalb Web-Analytics-Daten mit deinem CRM, idealerweise über eine eindeutige Kampagnen-ID, die durch den ganzen Funnel mitläuft.

Sales-Cycle-Länge berücksichtigen

Ein Kanal, der schnelle, aber schlecht konvertierende Leads liefert, sieht in der wöchentlichen Auswertung gut aus. Ein Kanal, der nach drei Monaten hochpreisige Aufträge liefert, sieht in derselben Auswertung schlecht aus. Erst der Blick über 6 bis 12 Monate macht die Realität sichtbar.

In meinen Projekten arbeite ich für die Conversion-Analyse typischerweise mit einer Kombination aus etracker oder Matomo (als Web-Tracking-Basis), CRM-Daten (HubSpot, Salesforce, Pipedrive oder eigene Systeme) und einer BigQuery-Schicht für die übergreifende Auswertung.

Das Ergebnis ist eine Sicht, die deine Marketing-Entscheidungen tatsächlich richtig leitet, nicht eine, die plausibel aussieht, aber in die falsche Richtung zeigt.

Es gibt einen Punkt in fast jedem Web-Analytics-Projekt, an dem es entweder kippt oder funktioniert: der Übergang vom Reporting zum Insight. Reports zeigen, was passiert ist. Insights erklären, warum und was zu tun ist. Die meisten Setups bleiben auf der Report-Ebene stehen.

Drei Praktiken, die diesen Übergang in meinen Projekten ermöglichen:

Hypothesen-getriebene Auswertung

Statt monatlich alle Zahlen anzuschauen, formulieren wir Hypothesen: "Wir vermuten, dass die Conversion-Rate auf mobilen Endgeräten unter der von Desktop liegt, weil der Kontaktformular-Flow zu komplex ist" , und prüfen sie gezielt. Das fokussiert die Aufmerksamkeit und macht aus passivem Reporting aktives Analysieren und geht bereits in Richtung Conversion Oprimierung.

Verbindung mit qualitativen Daten.

Web Analytics zeigt das Was, nicht das Warum. Wer wirklich verstehen will, warum 78 Prozent der Besucher die Preisseite verlassen, kombiniert Analytics mit Session-Recordings (etwa über Tools wie Microsoft Clarity oder Hotjar – datenschutzkonform konfiguriert) und gelegentlichen Nutzer-Interviews. Eine Analytics-Zahl plus ein Session-Recording sagen mehr als zehn Zahlen wenn diese richtig eingesetzt werden.

Iteratives Analysieren

Jeder Insight wird in eine konkrete Maßnahme übersetzt, und die Maßnahme wird wieder gemessen. Das schließt den Kreis, der in vielen Unternehmen offen bleibt: Analyse → Empfehlung → Vergessen.

Stattdessen: Analyse → Maßnahme → Messung → nächste Analyse.

Diese drei Praktiken sind nicht spektakulär, aber sie verändern, wie Web Analytics in einem Unternehmen langfristig wirkt. Aus einem Tool, das im Hintergrund läuft, wird ein aktiver Bestandteil der Entscheidungs-Routine. Genau dieser Übergang ist das, was ich im Growth Retainer systematisch begleite: über eine Phase von typischerweise 6 Monaten, in denen Team-Routinen und analytische Reife parallel aufgebaut werden.