1. Blog

Hausgemachter Analytics-Spam

Von Fake-Traffic und Referrer-Spam in Google Analytics haben Sie sicherlich schon gehört. Womöglich filtern Sie diesen schon aus. Oder Sie verlassen sich auf Google Analytics, das besser darin geworden ist, Referrer-Spam automatisch auszufiltern.

Hausgemachter Analytics-Spam

Doch kann es sein, dass IHRE Handlungen Fake-Traffic verursachen? Ohne böse Absicht?

Ja, das kann sein. Analytics-Spam ist manchmal hausgemacht. Hier ein Beispiel, wie es dazu kommt und wie man die Zahlen wieder richtig biegt.

Fake-Traffic durch Ad-Networks

Egal ob Native-Advertising oder „klassisch“: In der Regel werden bei allen Ad-Networks Inhalte oder Anzeigen zuerst überprüft und freigegeben, bevor diese ausgeliefert werden. Dieser Prozess ist je nach Anbieter automatisch, teil-automatisch oder manuell. Auf jeden Fall besucht ein Mensch oder eine Maschine die hinterlegte URL mindestens einmal. Das verursacht Traffic.

Wenn Sie hin und wieder mal ein paar Anzeigen schalten, und/oder Ihre Webseite ohnehin viele Besucher hat, fällt das nicht schwer ins Gewicht. In allen anderen Fällen schon und die Zahlen sind verfälscht.

Google Analytics Filter

Hier eine Schritt-für-Schritt-Anleitung, wie Sie das Problem für die beiden Ad-Networks Facebook Ads und Outbrain in Google Analytics lösen. Das Prinzip lässt sich auf weitere Anbieter übertragen.

  1. Navigieren Sie in Google Analytics zu „Verwaltung“ und gehen Sie sicher, das die gewünschte Datenansicht ausgewählt ist. Tipp: Da wir einen Filter erstellen, empfehle ich die Umsetzung zuerst in einer Art Test-Datenansicht, bevor Sie Ihre Haupt-Datenansicht ändern.
  2. Unter dem Reiter „Filter“ klicken Sie auf „+ Filter hinzufügen“.
  3. Geben Sie einen beschreibenden Filternamen ein und wählen Sie den Tab „Benutzerdefiniert“.
  4. Dann wählen Sie unter „Ausschließen“, „Filterfeld“ Kampagnenquelle aus und geben das „Filtermuster ein“. Wie das Filtermuster aufgebaut sein muss, dazu gleich mehr. Für Facebook Ads und Outbrain lautet der Filter wie folgt: paid\.outbrain\.com|l\.facebook\.com
  5. Klicken Sie auf „Filter überprüfen“ um den Filter zu testen.
  6. Ist das Ergebnis der Überprüfung wie erwartet, können Sie den Filter „speichern“. Fertig.
Google Analytics Filter bearbeiten

Aufbau des Filtermusters
paid\.outbrain\.com|l\.facebook\.com

Der oben genannte Filter schließt Traffic von URLs aus, die paid.outbrain.com „oder“ l.facebook.com beinhalten. Der vertikale Strich | steht für „oder“, die Backslashes \ maskieren den Punkt ., der sonst nicht als Teil der Zeichenkette (hier Domain) interpretiert würde.

Das Ganze ist ein Regulärer Ausdruck oder kurz Regex. Ein Tool, um Google Analytics Regex zu testen, gibt es hier.

Welche (Sub-)Domains filtere ich aus?
Hier ist eine kurze Recherche unter „Akquisition“, „Alle Zugriffe“, „Quelle/Medium“ gefragt: Der Fake-Traffic ist ganz leicht mit einer Absprungrate von 100,00% und einer durchschnittlichen Sitzungsdauer von 00:00:00 zu erkennen.

Übrigens: Im Beispiel filtern wir keineswegs die teuer bezahlten „echten“ Besucher aus, die kommen nämlich bei Facebook Ads (ohne Tagging) über m.facebook.com oder facebook.com und bei Outbrain, wenn korrekt getaggt, über Outbrain/Discovery oder outbrain/cpc.

Selbst wenn Sie kein Ad-Network verwenden, mit dem Sie unabsichtlich Google Analytics zuspammen, so sollten Sie immer die einzelnen Berichte im Blick behalten und auffälligen Traffic (wie im Beispiel) hinterfragen und gegebenenfalls (zuerst in einer Test-Datenansicht) ausfiltern.

Noch was on top: Im Testing, z.B. bei Page Speed Audits, kommen heutzutage häufig Headless Browser zum Einsatz. Bei dem hier vorgestellten Tool sitespeed.io ist das zum Beispiel der Fall. Dadurch kann auch unbewusst Fake-Traffic entstehen, da beim Testing über die Headless Browser Seitenaufrufe durch Bots erzeugt werden.

Im Prinzip wäre es über Headless Browser und entsprechende Skripte möglich - und gar nicht mal so schwer - die Daten in Google Analytics bewusst zu fälschen. Daher gilt: Als Web Analyst immer kritisch sein und die Dinge hinterfragen.