Content Analytics: Möglichkeiten und Fallstricke.

Content Analytics: Möglichkeiten und Fallstricke.

Mit steigenden Budgets werfen Content Marketer einen immer strengeren Blick auf den ROI. Rechnet sich ein Whitepaper tatsächlich? Wie viel darf ein neuer Blogartikel maximal kosten? Lohnt sich die Produktion eines Videos? Der Ruf nach aussagekräftiger Content Analytics wird immer lauter.

Inhaltsangabe

Was ist Content Analytics?

Content Analytics dient der Messung der Nutzerinteraktionen mit einem Content Asset (zum Beispiel mit einem Blogartikel). Es geht also um die Berechnung von Metriken für die Erfolgsmessung, das Controlling und für Content-Experimente.

Metriken im Content-Marketing

Stehen die Ziele im Content-Marketing fest, müssen geeignete Metriken gefunden werden. In diesem Artikel konzentrieren wir uns auf die Conversion Rate. Wohlwissend, dass es auch viele andere Ziele und Kennzahlen gibt.  Anders als zum Beispie Brand Awareness lassen sich Conversions nämlich hervorragend messen.

KPI Content Marketing

Micro und Macro Conversions

Um ein großes Ziel erreichen zu können, teilt man es gern in Etappen ein. Nicht nur auf einer Weltreise. Im Digitalmarketing geht es darum, die Kundenreise bis hin zur Transaktion messbar zu machen. Wo springen Zielkunden ab? Was ist der neuralgische Punkt?

Im Fachjargon spricht man von Micro und Macro Conversions. Im E-Commerce interessiert man sich zum Beispiel für Warenkorbabbrecher. Um deren Anzahl berechnen zu können, trackt man jeden einzelnen Schritt bis hin zur Transaktion.

Micro Conversions vs Macro Conversions

Macro Conversions lassen sich im B2B-Umfeld leider nur mit viel Aufwand tracken. Auch kann sich eine Kundenreise hier durchaus über mehrere Monate hinziehen. Das macht die Definition von Micro Conversions unabdingbar. Zum Beispiel das Abonnieren eines Newsletters, das Herunterladen eines Produktdatenblatts oder die Absendung eines Kontaktformulars.

I. Quantitative Analyse: Fokus auf die Anzahl der Conversion.

Eine klassische Methode zur Content-Erfolgsmessung sieht vor, die Konversionsrate je Content Asset zu ermitteln. Ja nach Attributionsmodell wird dabei zum Beispiel das der erste oder letzte Asset berücksichtigt. Das Ergebnis kann so eine Matrix sein:
Content Marketing Analytics Framework

Hits: Oben rechts im Diagramm befinden sich die stark konversionstarken Artikel , die darüber einen hohen Traffic generieren. Es lohnt sich, diese immer wieder aufzufrischen und zu bewerben.

Dogs: Unten links im Diagramm befinden sich Artikel, die so gar nicht performen und offenbar keinen Nutzen haben.

Potential Gems: Oben links im Diagramm befinden sich Artikel mit hoher Conversion Rate, die wenig Traffic generiert haben. Wurden diese eventuell nicht optimal beworben?

Fragezeichen: Unten rechts im Diagramm befinden jene Artikel, die außer Traffic nichts bringen. Liegt das gegebenenfalls an den Themen?

Content Marketing Analytics Chart
Quelle: Scoop.it!

Vor- und Nachteile des Verfahrens

Tatsächlich erleichtert dieses Verfahren den Fokus auf wichtige Artikel. Es hat jedoch auch einige Schwächen:

  • Das Framework beschränkt sich auf die Anzahl der Conversions – nicht auf deren tatsächlichen Wert.
  • Es wird jeweils ein einziges Conversion-Ziel betrachtet. Für die Analyse zusammenhängender Micro Conversions ist das nicht zweckmäßig.
  • Das Ergebnis hängt stark vom gewählten Attributionsmodell ab. Tatsächlich wissen wir natürlich nicht, wie groß jeweils der Einfluss eines Content Assets auf die Conversion ist.
  • Ohne die Gruppierung von Artikeln nach Typ und Funnel-Phase ist die Aussagekraft schwierig. Zumindest bei komplexeren Buyer Journeys.

II. Qualitative Analyse: Berücksichtigung des Seitenwerts.

Präzise Analysen sind mithilfe sogenannter Seitenwerte möglich. Dazu werden Zielvorhaben mit einem Wert versehen. Zum Beispiel 20 Euro für eine Newsletter-Anmeldung. In Google Analytics ist das überhaupt kein Problem.

Das Pendant zu Zielvorhaben im E-Commerce sind übrigens Transaktionen! Der monetäre Transaktionswert resultiert aus dem Kauf im Shop.

Conversion-Ziele

Google kann auf Basis von Transaktionswerten und Zielvorhabenwerten den Wert für jede einzelne Seite berechnen. Mehrfachaufrufe einer Seite werden dabei nicht gezählt:

(Transaktionswerte + Zielvorhabenwerte) / einzelne Seitenaufrufe der Seite

Seitenwert berechnen

Wie lassen sich Zielvorhaben bewerten?

Was ist eine Newsletter-Anmeldung oder sonstige Micro Conversion wert? Um bei den 20 Euro zu bleiben, könnte die Kalkulation wie folgt aussehen:

Wenn der Kundenlebenswert (CLTV) 1.000 Euro beträgt und erfahrungsgemäß jeder 50. Newsletter-Abonnent zum Kunden wird, ergibt sich für diese Micro Conversion ein Wert von 20 Euro.

Vor- und Nachteile des Verfahrens

Dieses Verfahren erleichtert den Fokus auf relevante Seiten bzw. Artikel. Für Content Analytics hat es jedoch ebenfalls einige Schwächen:

  • Jeder Seitenbesuch wird gleich bewertet. Ganz unabhängig vom Engagement. Tatsächlich wissen wir natürlich nicht, wie groß jeweils der Einfluss eines Content Assets auf die Conversion ist.
  • Zielvorhaben innerhalb eines Funnels beeinflussen sich gegenseitig. Der Download eines Produktdatenblatt kann die Wahrscheinlichkeit einer Anfrage vergrößern. Entsprechend steigt der Wert des Zielvorhabens.
  • Die Reihenfolge der besuchten Seiten bleibt unberücksichtigt. Eine Seite B performt vielleicht nur dann, wenn im Vorwege Seite C aufgerufen wurde.
  • Nachträgliches Verändern der Zielvorhaben und -werte erschwert den Vergleich von Zeiträumen.
  • Sessions werden singulär betrachtet. Wenn nun ein Kunde erst beim zweiten oder dritten Besuch der Website konvertiert, gehen wichtige Informationen verloren. Vor allem dann, wer er dazu ein anderes Endgerät nutzt oder zwischendurch seine Cookies löscht.

III. Dynamische Attributionsmodelle

Marketingattribution wird vor allem eingesetzt, um den Erfolg eines Multi-Channel Funnels (MCF) bewerten zu können. Betrachtet werden nicht länger singuläre Sessions, sondern ganze Buyer Journeys, die sich aus mehreren Sessions zusammensetzen.

Unterschieden wird zwischen statischen und dynamischen Attributionsmodellen. Erstere sind regelbasiert, d. h. der Marketer muss im Vorfeld entscheiden, wie der Wert der Conversion über alle Touchpoints hinweg aufgeteilt werden soll. Statische Attributionsmodelle basieren folglich auf Annahmen.

Attributionsmodelle

Mehr Nähe zur Realität versprechen dynamische Attributionsmodelle: Zum Einsatz kommen hier spezielle Algorithmen, welche die Feinheiten der Buyer Journeys und die Zusammenhänge von Touchpoints näher beleuchten.

Zur Ermittlung haben sich in der Praxis folgende Konzepte bewährt: der Shapley-Wert, lineare Regression und Markov-Ketten.

Shapley-Wert

Das Konzept des Shapley-Werts entstammt der kooperativen Spieltheorie. Der Wert drückt aus, wie groß der individuelle Gewinn durch das Bilden einer Koalition ist. Ein klassisches Beispiel liefern Kleinstparteien, die anderen zur Mehrheit verhelfen. Der kleinen Partei entsteht dadurch ein faktischer Vorteil, der sich einfach berechnen lässt.

Bei der Attribution von Touchpoints entscheidet hier die Reihenfolge, in der sie einer Koalition (der Buyer Journey) beitreten. Ihr individueller Beitrag zum Gesamtumsatz ändert sich dann jeweils. Man spricht auch vom marginalen Beitrag, der für jede Touchpoint-Sequenz berechnet wird. Der Shapley-Wert wird für jeden Touchpoint separat berechnet und entspricht dem durchschnittlichen marginalen Beitrag. Je höher er ist, desto besser.

Lineare Regression

Regressionsmodelle helfen uns dabei, Abhängigkeiten zwischen zwei Variablen zu identifizieren. Zum Beispiel der Einfluss eines Touchpoints auf Conversions. Die abhängige Variable ist hier die Anzahl Conversions; die unabhängige Variable die Anzahl der Touchpoint-Zugriffe.

Leider ist die Realität komplizierter. Ob ein User konvertiert oder nicht, wird von weiteren Variablen beeinflusst. Zum Beispiel von der geschalteten Werbeanzeige oder der Jahreszeit. Um diese Einflüsse zu egalisieren, wird bei linearer Regression normalerweise ein Zeitraum von wenigstens sechs Monaten betrachtet.

Marcov-Ketten

Wie wahrscheinlich ist es, dass ein User von einem Touchpoint auf einen anderen wechselt? Bei der Beantwortung der Frage helfen Markov-Ketten. Berechnen lässt sich mit ihnen die Wahrscheinlichkeit für jeden Übergang – auch Transition Probability genannt.

Herangezogen wird in vereinfachten Modellen jeweils der vorherige Touchpoint (falls es einen gibt). Nur Markov-Modelle höheren Grades können weitere Touchpoints aus der Historie berücksichtigen und liefern so bessere Ergebnisse.

Vor- und Nachteile entsprechender Verfahrens

Dynamische Attribution berücksichtigt den Einfluss einzelner Seiten realistischer, da die konkrete Reihenfolge von Klick-Sequenzen betrachtet werden.

Doch auch dieses Verfahren hat einige Schwächen: Besonders problematisch ist die Tatsache, dass dynamische Attribution nur bei ausreichendem Datenvolumen funktioniert. Dabei spielt auch die Datenqualität eine große Rolle. Für den Einstieg fällt das Verfahren somit flach.

Zur Wahrheit gehört auch: Die Wahl eines Konzepts und die Modellierung sind ohne entsprechende Erfahrung sehr schwierig. Darüber hinaus kann die kleinste Änderung an einer Seite zu völlig neuen Resultaten führen. Es ist also sehr aufwendig, ein derartiges Modell zu pflegen.

Vorhersagen über Content Assets

Um den ROI eines Assets berechnen zu können, benötigen wir dessen Wert über die gesamte Lebenszeit. Die präsentierten Verfahren ermitteln einen Wert, der sich auf den gegenwärtigen Zeitpunkt bezieht. Die Wirkung eines Videos oder Blogartikels verändert sich jedoch laufend. Das gilt sogar für Evergreen Content.

Entsprechend schwierig ist es, die Lebenszeit und -wert eines Content Assets ex ante zu prognostizieren. Natürlich kann man, wie bei der Berechnung des Kundenlebenswerts, einfach Erfahrungswerte heranziehen. Das wird jedoch nicht jeden zufriedenstellen.

Hilfreich ist hier der Einsatz probabilistischer Modelle, welche eine Eintrittswahrscheinlichkeit beschreiben. Beispiel: “Die Wahrscheinlichkeit, dass der Artikel XY bis zum 31.12.2022 ein Gesamtwert von 500 Euro hat, beträgt 90 %. Die Basis derartiger Schätzungen sind auf den Satz von Bayes zurückzuführen.

So misst Du Deine Content Performance.

Die große Herausforderung im Content-Marketing ist, dass es im Dunkeln bleibt, welche Wirkung ein konkerets Content Assets auf ein Individuum ausübt. Zu viele Faktoren beeinflussen seinen Entscheidungsprozess. Es gibt jedoch einige Metriken, die als Indikatoren für die Performance herangezogen werden können. 

Diese Metriken beschreiben Deine Content Performance

1) SERP Rankings der wichtigen Suchbegriffe

Content dient häufig dazu, organischem Traffic zu generieren. Möglichst auch für die heiß umkämpften Keywords mit hohem Suchvolumen. Ein wichtiger KPI ist folglich das Ranking dieser Keywords. Vor allem Veränderungen haben clevere Content Marketer stets im Blick. 

Eine besondere Rolle spielen hier Brand-Keywords. Diese müssen einfach gut ranken!

2) Asset Views

Diese Metrik beschreibt den Anteil jener Zielkunden, die ein Content-Asset abgerufen haben. Über das tatsächliche Engagement erfährt man auf diese Weise jedoch wenig. Dennoch ist dies Metrik sehr populär. Vor allem, weil sie sich so zuverlässig ermitteln lässt.

3) Anzahl Conversions eines Assets

Für jedes Content Asset lässt sich die Anzahl der in Verbindung stehenden Conversions ermitteln. Mithilfe eines Attributionsmodells lässt sich die Anzahl auch aufteilen, sofern Kunden auf Buyer Journey verschiedene Assets aufgerufen haben. Über den monetären Wert der Conversions sagt diese Kennzahl jedoch nichts aus.

4) Wert der Conversions eines Assets

Google Analytics und andere Tracking Tools ermöglichen die Zuordnung von monetären Werten auf einzelne Seiten. Dazu werden Zielvorhaben mit einem Wert versehen. Zum Beispiel 10 Euro für eine Newsletter-Anmeldung. 

Das Pendant zu Zielvorhaben im E-Commerce sind übrigens Transaktionen! Der monetäre Transaktionswert resultiert aus dem Kauf im Shop.

5) ROI des Content-Assets

Mit dem ermittelten Wert eines Assets gemäß Punkt 4) kann ein Content ROI berechnet werden. Vorausgesetzt, die Kosten für die Produktion und Distribution werden korrekt ermittelt. Unterschieden werden hier interne und externe Kosten. Externe Kosten fallen zum Beispiel für die Werbung auf fremden Plattformen an. 

6) Aktive Verweildauer

Die aktive Verweildauer auf einer Seite spiegelt das Engagement eines Users wieder. Leider ist die in Google Analytics, Matomo etc. ermittelte Verweildauer nicht besonders aussagekräftig. Auf Basis spezieller Events lässt sich das Engagement präziser ermitteln, z. B. Abspieldauer von Videos, Scrollverhalten, Mausbewegungen, Klicks und so weiter.

7) Anzahl Social Shares

Dein Content muss nicht gleich ein viraler Hit werden. Aber wenn Inhalte in sozialen Netzwerken geteilt werden, hat das eine gewisse Aussagekraft. Denn wohl kein User  teilt Inhalte, von denen dieser nicht vollends überzeugt ist. 

Content Grouping für Analytics: Welche Optionen gibt es?

Du möchtest wissen, welche Deiner Artikel-Kategorien besonders gut performen? Tatsächlich besitzen Tools wie Google Analytics oder Adobe Analytics Features für Content Grouping, aber bei der Nutzung gibt es jede Menge zu beachten…

Im Content-Marketing versuchen wir, die komplette Buyer Journey unserer Kunden abdecken. Auf der Suche nach Schwachstellen benötigen wir deshalb Informationen über die Performance der einzelnen Kategorien, Formate und Funnel-Phasen. Lineare Artikellisten in den Analytics bringen da herzlich wenig. Helfen würden uns hingegen Content-Gruppen (Content Grouping).

Content-Gruppen
Quelle: Simo Ahava's blog

Wonach Content gruppieren?

Im Content-Marketing interessieren uns besonders häufig diese drei Dimensionen:

  1. Phasen im Funnel (z. B. ToFu, MoFu, BoFu)
  2. Themenkategorie (z. B. SEO, Social Media)
  3. Artikelformat (z. B. Artikel, Video, Podcast)

Idealerweise wird jeder Artikel genau einer Gruppe der Dimension zugeordnet. Eine Mehrfachzuordnung wäre nicht besonders hilfreich, denn Gruppeneigenschaften ließen sich nicht ohne Weiteres auf entsprechende Artikel übertragen.

Nicht so schlimm ist es, wenn Artikel keiner Gruppe bzw. einer generischen Gruppe “sonstige” zugeordnet werden.

Verfahren im Überblick

Um in der Google-Welt zu bleiben, hast Du drei Möglichkeiten, Deine Seiten zu gruppieren:

  • Universal Analytic (“Gruppierung nach Content”)
  • GA4 in Kombination mit dem GTM
  • Google Data Studio

Tipp für WordPress User

Mit Plug-ins wie diesem kannst Du WordPress-Kategorien und -Tags bequem an Universal Analytics liefern. Ein komplexes Regelwerk kannst Du Dir dann schenken und stattdessen Gruppierungen direkt in WordPress vornehmen.

Content gruppieren mit GTM für GA4

Deutlich mehr Freiheiten bei der Gruppierung entsteht durch die Nutzung von GA4 in Kombination mit dem Google Tag Manager. Zum Einsatz kommt hier eine spezielle GTM-Variable. Diese kann in GA4 genutzt werden, um Artikel-Gruppen bequem auszuwerten. Die Vorgehensweise:

1. Variable in Google Tag Manager anlegen und Regeln definieren.

Lege zunächst eine Variable auf Basis einer RegEx-Tabelle an: Abhängig vopm Seitenpfad hat die Variable eine ganz bestimmte Ausprägung (z. B. “ToFu”).

Content-Gruppierung mit GA4 und GTM

2. Inhalt der Variable an Google Analytics 4 weiterleiten.

Sorge im zweiten Schritt dafür, dass der Google Tag Manager die neue Variable über ein Feld weiterleitet.

GA4 Content-Gruppierung

Tipp für WordPress User

Du willst WordPress-Kategorien oder Tags für Deine Gruppierung nutzen? Mit Plug-ins wie gtm4wp kannst Du Deinen Data Layer entsprechend füllen. Ein komplexes Regelwerk kannst Du Dir dann schenken und stattdessen Gruppierungen direkt in WordPress vornehmen.

Content gruppieren in Google Data Studio

Sofern Du Deine Analytics primär mithilfe von Google Data Studio fährst, kannst Du Gruppierungen auch direkt hier vornehmen. Lege dazu einfach ein neues Feld an und definiere eine Formel gemäß diesem Beispiel:

Content-Grouping mit Google Data Studio

Der Vorteil dieses Verfahrens?

Zum einen sind solche Formeln einfacher zu pflegen. Zum anderen lassen sich innerhalb des GTS auch Traffic-Daten aus weiteren Quellen (z. B. Search Console) entsprechend gruppieren.

Wer Rohdaten in BigQuery verfügt, kann sogar rückwirkend Gruppierungen vornehmen.

Das Problem mit Regeln

Machen wir uns nichts vor: Hunderte Wenn-Dann-Regeln sind irgendwann nicht mehr handlebar. Sie werden spätestens dann zum Problem, wenn sich regelmäßig URLs oder Titel ändern oder neue Seiten hinzukommen.

Vereinfachung ist möglich, wenn Du Tags oder Kategorien in Deinen URLs unterbringst. Beispiel: 

				
					https://allesuebertiere.de/raubtiere/tiger/
				
			

Das ermöglicht Dir, übergreifende Regeln zu definieren. Jedoch hat der Aufbau der URLs großen Einfluss auf die Suchmaschinenoptimierung (SEO). Auch kann die User Experience unter kryptischen Adressen leiden.

Dasselbe gilt, wenn Du derartige Codes im Meta Title oder in der Meta Description unterbringen möchtest. Auch das sieht nicht unbedingt schön aus und beeinflusst das Ranking.

Was macht ein gutes Content-Marketing-Dashboard aus?

Wie Du gesehen hast, sind Content Marketing Analytics und Content Grouping nicht trivial. Ob ein Blog-Artikel oder Video performt, hängt von verschiedenen Faktoren ab. Viele Marketer setzen deshalb gleich mehrere Tools ein, um die gewünschten Insights zu erhalten. Die Zusammenführung und Aggregation der Daten geschieht jedoch nicht selten per Hand. Das Ergebnis sind häufig riesige Excel-Tabellen.

Hindernisse für Datengetriebenes Marketing

Woran es mangelt, sind Dashboards mit hilfreichen Echtzeit-Informationen. Verständlich und auf den Punkt gebracht. Dabei gibt es längst professionelle Visualisierungstools wie Google Data Studio, Tableau oder Power BI, mit denen sich beliebige Datenpunkte zusammenführen und daraus hübsche Charts gestalten lassen.

Dashboard-Hype

In der Marketingwelt bezweifelt niemand die Bedeutung von Dashboards. Doch ein Dashboard erstmal nur ein Dashboard. Das pure Vorhandensein sagt noch nichts über den Nutzen aus. Und auch nicht darüber, ob es vom User angenommen wird.

Tatsächlich scheitern viele BI-Projekte, weil sie in einem stillen Kämmerlein entstehen und die Mitarbeiter*innen nicht mitgenommen werden. Ursächlich dafür sind oft organisatorische oder kulturelle Probleme.

Eines kann man jedoch festhalten: Gute Dashboards entwickeln sich iterativ und kollaborativ. Deshalb ist eine sorgfältige Konzeption so wichtig.

Was macht ein gutes Dashboard aus?

Ein gutes Dashboard erlaubt den Nutzer, schnell gute Entscheidungen treffen zu können. Deshalb muss es folgende Anforderungen erfüllen:

  1. Fokussierung auf den User: Ein gutes Dashboard liefert dem Nutzer Informationen zu jenen KPIs, die für seine Arbeit relevant sind. Und nichts darüber hinaus.
  2. Hohe Datenqualität: Ein gutes Dashboard zieht alle validen Datenquellen heran, die für die zuverlässige Berechnung der KPIs hilfreich sind.
  3. Ausgeprägte Fehlertoleranz: Offensichtlich fehlerhafte oder unzureichende Daten werden automatisch herausgefiltert oder gekennzeichnet.
  4. Aktualität: Ein gutes Dashboard liefert Informationen in Echtzeit.
  5. Verständlichkeit: Ein gutes Dashboard ist auch ohne Einarbeitung leicht zu verstehen.

Dashboard-Konzeption

1. Zielsetzung bestimmen

Marketing-Dashboards lassen sich quasi auf jedes Marketingziel hin ausrichten. Wesentlicher Teil der Konzeption ist es, das wichtigste Ziel vorb zu bestimmen.

Merke: Jedes Dashboard ist auf ein konkretes Marketingziel hin ausgerichtet.

Beispiele aus dem Content-Marketing:

  • Leadgenerierung verbessern
  • Anzahl Transaktionen / Buchungen maximieren
  • Kundenbindung vergrößern
  • Markenbekanntheit erhöhen

Um den Rahmen nicht zu sprengen, fokussieren wir uns an dieser Stelle auf Leadgenerierung auf Basis von Content.

2. User Persona bestimmen

Im zweiten Schritt geht es um den Nutzer. Wer soll das Dashboard nutzen?

Merke: Jedes Dashboard ist auf eine konkrete User Persona hin ausgerichtet.

Übliche Rollen im Content-Marketing sind:

  • Content Manager
  • SEO Manager
  • Content Creator
  • Social Media Manager
  • CRO Manager
  • CMO
  • Sales Manager
  • Komplettes Team

Zu einer User Persona gehören selbstverständlich auch Informationen zu ihrer Muttersprache und von ihr vewendeten Währung, Maßeinheiten etc.

3. Fragestellungen festlegen

Nutzer von Dashboards müssen regelmäßig ganz bestimmte Entscheidungen treffen. Welche Fragestellungen liegen diesen Entscheidungen zugrunde?

Merke: Jedes Dashboard ist auf konkrete Fragestellungen hin ausgerichtet.

  • Hat sich ein Asset gerechnet?
  • Zu welchem Thema wird Asset benötigt?
  • Welche Assets müssen optimiert werden?
  • Welche Themen sind angesagt?
  • Welcher Kanal performt gut/schlecht?
  • Welche Funnel Phase performt gut/schlecht?Welche Umsätze sind zu erwarten?
  • Welche wichtigen Keywords schwächeln?

Fragen orientieren sich sehr stark an den konkreten Maßnahmen zur Zielerreichung. Deshalb lohnt sich spätens an dieser Stelle, mit den Stakeholdern zu sprechen.

4. Relevante KPIs bestimmen

Erst an vierter Stelle kommen KPIs ins Spiel. Und zwar nur jene, die bei der Beantwortung der relevanten Fragen helfen.

Merke: Jedes Marketing-Dashboard beschränkt sich auf die für den User relevanten KPIs.

5. Primäres Medium bestimmen

Zur Konzeption gehört manchmal auch die Frage nach dem Endgerät, welchen für den Zugriff auf das Dashboard vorgesehen ist. Ok, optimalerweise ist das Design responsive, d.h. der User kann selbst entscheiden, ob per Smartphone oder 24-Zoll-Monitor auf die Daten zugegriffen werden. In einigen Fällen gibt es jedoch besondere Vorgaben zu berücksichtigen.

  • Notebook
  • Smartphone
  • Beamer
  • DIN A4 Print

 

Optional sollte sich ein Dark-Modus aktivieren lassen, um die Augen des Users zu schonen.

Achtung: Nicht außer Acht gelassen darf hier das Thema Barrierefreiheit.

Designregeln für Dashboards

Gleich nach der Konzeption geht es an die Umsetzung. Hier kommen einige bewährte Designregeln und Best Practice ins Spiel:

  1. Ein gutes Dashboard ist nicht überladen und beschränkt sich auf die wichtigsten Informationen.
  2. Charts werden nur dann eingesetzt, wenn sie zur Erfassung von Informationen hilfreich sind.
  3. Informationen sind leicht erfassbar.
  4. Für KPIs werden nach Möglichkeit Vergleichs- oder Referenzwerte mit ausgegeben.
  5. Die wichtigsten Informationen stehen oben links. Die unwichtigsten unten rechts.
  6. Zusammengehörige Informationen werden nach Möglichkeit gruppiert.
  7. Besonders anwenderfreundliche Dashboard sind in Zeilen und Spalten eingeteilt, um die Orientierung zu erleichtern.
Ein paar schöne Tipps finden sich auf der Website von Toucan Toco.

Beispiel-Dashboard für Content Manager

Ein gelungenes Dashboard für Content Manager kann wie folgt aussehen:

Content Marketing Dashboard Beispiel
Quelle: The Six Dashboards Every Marketer Needs

In diesem Fall ist der primäre Kanal ein Corporate Blog mit einem Login-Bereich. Entsprechend steht die Gesamtperformance in allen Phasen des Funnels im Fokus – und nicht die Performance einzelner Assets.

Noch aussagekräftiger wäre das Dashboard, wenn an einigen Stellen Referenzwerte ersichtlich wären. Auch sind Funnel-Kennzahlen nur schwer zu lesen.

Beispiel-Dashboard für SEO Manager

Ein gelungenes Dashboard für den SEO Manager wie folgt aussehen:

Dashboard Beispiel Content Marketing
Quelle: Klipfolio

Auch in diesem Fall ist der primäre Kanal ein Blog. Im Fokus stehen jedoch der organisch generierte Traffic für den ToFu (Top of the Funnel).

Fazit

Analytic-Tools von z. B. Google oder Adobe leisten mit ihren Attributionsmodellen immerhin einen schnellen und pragmatischen Einstieg. Eine große Herausforderung bleiben jedoch die technischen und rechtlichen Restriktionen, welche insbesondere Customer Journey Analysen über einen längeren Zeitraum und verschiedene Endgeräte erschweren.

Dennoch gilt: Es lassen sich mit gewissem Aufwand durchaus Zahlen ermitteln, die für den Einsatz in der Content Analytics etwas taugt.

Ergänzende Artikel

Über den Autor
Über den Autor

Moin aus Hamburg! Mein Name ist Frank und ich beschäftige mich seit über 25 Jahren intensiv mit digitalem Marketi8ng.
Du möchtest dich und dein Marketing weiterentwickeln? Dann lass uns sprechen!