Absprungrate ist nicht gleich Absprungrate!
Aus einem Vortrag der Conversion Conference 2014 über die Analyse und Interpretation der Google Analytics und/oder Google Tag Manager Site Engagement kann man folgende Themen entnehmen und darüber genauer informieren:
Site Engagement Model: Ein Online Marketing Framework
Definition: Was bedeutet “Absprungrate”?
Umsetzung: Codeerweiterung oder Google Tag Manager
Interpretation: Bessere Analysen durch gesammelte Daten
Quellenanalyse: Überprüfung von Facebook Ads
Zielseitenanalyse: Nutzersignale und Panda
Site Engagement Modell
Ein Online Marketing Strategie Framework dient als Grundlage für die Umsetzung sowie Einschätzung von Marketing Strategien und wurde von ähnlichen Modellen, wie beispielsweise dem Conversion Funnel oder dem AIDA Prinzip abgeleitet.
Dies stellt unternehmensspezifische Fragen, die beispielsweise klären sollen, ob die betreffende Firma das richtige Angebot besitzt. Je nach Frage wird hier auf marketingorientierte Lösungsvorschläge verwiesen, welche einen positiven Effekt für die jeweiligen Conversions haben und somit umsatzsteigernd fungieren.
Hierbei wird allerdings vorausgesetzt, dass Nutzer die Website über eine diverse Quelle erreichen und zunächst über ihre Relevanz und Qualität entscheinden. Eine Studie von Adobe bietet Einblick darüber, dass die Benchmarks für die Absprungrate in Abhängigkeit einiger Kerngeschäftsmodelle liegen:
Absprungrate High Tech: 60 %
Absprungrate Financial Services: 47 %
Absprungrate Media Entertainment: 59 %
Absprungrate Reise und Touristik: 45 %
Absprungrate Retail: 63 %
Zusammenfassend ist zu sagen, dass eine hohe Bouncerate (=Absprungrate) einfach ausgedrückt bedeutet, dass die Erwartungen des Nutzers durch die Seite nicht erreicht wurden. Dem zu Grunde liegt oft die zuzuführende Quelle, welche nicht relevant ist, genauso wie eine nicht auf die Ansprüche des Nutzers zutreffende Zielseite. Neugierig? Individuelle Hilfe und Infos sind bei Redmarketing Berlin zu finden.
Definition der Absprungrate
Befragt man Google, so beschreibt dieses die Absprungrate als den Prozentsatz der Nutzer, welche während des Besuchs auf einer Website nur die Seite anzeigen. Bei dieser Definition bleiben jedoch einige Fragen ungeklärt. Dies bestätigt auch Yehouhua Coren, der einer der anerkanntesten Web Analysten ist. Weiterhin könnte man die Absprungrate wie folgt definieren:
Die Absprungrate ist die Prozentzahl der Sitzungen mit nur einer Interaktion im Verhältnis zu allen anderen Sitzungen.
Interaktionen, welche die Absprungrate verringern können wären:
- Pageview Hits
- Event Hits
- Ecommerce Transaction Hits (Ecommerce: Add Transaction)
- Ecommerce Transaction Item Hits (Ecommerce: Add Item)
- Ecommerce Transaction Item Hits (Ecommerce: Add Item)
- Social Plugin Hits (Social)
Hierbei kann man über den non-hit interaction value entscheiden, welcher Hit die Absprungrate verbessert beziehungsweise verschlechtert.
ga(‘set’,’nonInteraction’,true); Bouncerate wird nicht reduziert
ga(‘set’,’noninteraction’,false); Bouncerate wird reduziert
Hinweis: Wenn Events genutzt werden um Ereignisse zu messen, muss vorher genau überlegt werden, ob diese Events die Absprungrate verändern soll.
Was beeinflusst die Absprungrate?
Es gibt eine ganze Reihe von Einflüssen die Nutzer entweder dazu bringen auf einer Website zu bleiben beziehungsweise diese zu verlassen. Weiterhin gibt es so auch keine optimale Absprungrate, da so viele Faktoren in sie hineinfließen:
– Source: Hohe Absprungrate durch schlechte Trafficqualität
– Relevanz: Schlechte Landeseiten
– Seitenkonzept: Single Landingpages haben oft höhere Absprungraten neben Routerpages (Startseiten)
– Brand: Geringe Absprungrate durch branded traffic (Einstieg über Startseiten)
– SEO: Hohe Absprungraten durch organischen Traffic.
– Mobile: Steigende Absprungrate durch steigenden Anteil an mobile (social) Traffic
– Technik: Veränderte Absprungraten durch (falsche) technische Implementierungen in Analytics
Ab welcher Prozentzahl der Absprungrate ist eine Seite zu verbessern?
Die Nutzer, die von einer Website abspringen, sind meistens die, die auch auf der ersten Seite bleiben. Hierbei kann nicht gesagt werden, ob die Nutzer auf dieser Seite länger verweilen und sich beispielsweise 10 Minuten mit ihr auseinander setzen oder sie schon nach wenigen Sekunden wieder verlassen, kann auch durch Google Analytics nicht beantwortet werden.
Nun bleibt hier die Frage offen, ob es relevant wäre zu wissen, wie viele Nutzer sich mit den inhaltlichen Seiten der Website beschäftigt haben und welche Absprungrate durch diese Seiten generiert wurde. Die Erwartung einer hohen Conversionsrate durch Interessenten für den Inhalt der Seite wäre die Schlussfolgerung.
Konzept True Reader
Diese Schlussfolgerung ließe sich jedoch leichter treffen, wenn man wüsste
- wie weit Nutzer in Pixel nach unten scrollen oder
- welchen Prozentteil der Seite sie gesehen haben oder
- welche Elemente der Seite sie betrachtet haben oder
- was die Anzahl der Nutzer auf der Seite nach einer gewissen Zeit waren
True Bouncer und True Reader
Beide Vorgehensweisen, egal ob die Messung der Scroll Tiefe durch Pixel oder durch Elemente, sind in ihrer Betrachtung interessant. Des Weiteren gilt es sich hier mit den sogenannten True Readern zu beschäftigen. Diese bezeichnen die Nutzer, welche auch nach 75 Sekunden noch auf der Website verweilen. Technisch gesehen, kann man sagen, dass Google Analytics oder Google Tag Manager hier ein Event “feuert”. So wäre festzustellen, ob dieser Nutzer nach den besagten 75 Sekunden auch noch aktiv ist. Somit sind alle Nutzer, welche vor den 75 Sekunden die Seite verlassen, True Bouncer und damit “Abspringer”. Die angegebenen 75 Sekunden gehen hier von Inhalten aus, welche nicht mit einem Blick verstanden werden. Dies bezeichnet somit Texte, in die sich Nutzer hinein Lesen und somit eine gewisse Zeit brauchen um die Inhalte der Website aufzunehmen.
Implementierung der True Reader
Als Erweiterung des Google Analystics Trackingcodes gibt es an dieser Stelle gibt es zwei Ansätze. Zum einen durch die Ausdehnung des Quellcodes. Mit einem Rechtsklick kann man so den Trackingcode im Quelltext suchen.
Implementierung über den Google Tag Manager
Als zweite Variante ist die Implementierung der True Reader über den Google Tag Manager aufzuzählen. Der Vorteil des GTM, Tags über ein Webinterface und nicht weiterhin über Erweiterung des Quellcodes vorzunehmen, ist durch mehrere Schritte zu erreichen:
Schritt 1: Implementierung des gtm.timer Tags
Schritt 2: Nach Auslösen des gtm.timer Tags ein Event an Google schicken
Schritt 3: Event bei Google Analytics als Ziel hinterlegen
Schritt 4: Event steht nun als Ziel in allen Analytics Berichten
Quellennalyse von True Readern
Die Absprungrate ist ebenfalls besoders wichtig für eine Ziel- und Quellenseitenanalyse. Man würde so mit einer technischen Implementierung von True Readern verschiedene Analysen machen um dadurch Verbesserungen zu treffen.
Schlechte Inhalte, Panda und Google Analytics
Schon das erste Panda von Google erkannte algorithmisch die Textqualität von Inhalten und wertete diverse Texte somit ab. Die betreffenden Websites wiesen dabei mehrere Parallelen auf. So kann man sagen, dass zum Großteil schlechte Nutzersignale zu erkennen waren. Hierbei waren insbesondere die Absprungrate und Sitzungsdauer der Nutzer auf den entsprechenden Seiten als mangelhaft zu bewerten. Genau diese Elemente sind für ein zufriedenstellendes SEO aber immer essentieller.
Panda-Analyse mit Google Analytics
Alle Informationen die man über die True Reader erhält, dienen nun als Grundlage einer Panda-Analyse mit Google Analytics. Diese Analyse könnte nun Aufschluss darüber geben, inwiefern Verbesserungen im SEO Bereich getroffen werden müssen. Diese Ansatzpunkte für eine Optimierung der Website würden in einer niedrigen True Reader Conversion von ca. unter 40% deutlich. Durch dieses System wären Verbesserungsfähige Elemente leicht ausfindig zu machen und somit zügig und effizient zu bearbeiten.
