print logo

Data Driven Optimization mit Open Source

Für Entscheider ergeben sich durch folgende Analysemethode mehr als nur neue Einsichten in die Funktionsweise bei der Bewertung durch Google.
Steven Broschart | 03.08.2020
Data Driven Optimization mit Open Source © Fotolia
 

Effektives Online-Marketing war schon immer eine Kunst. Und zwar eine komplexe, bei der sich die Verantwortlichen auch ein gutes Stück auf ihre Erfahrungen und Bauchgefühl verlassen mussten. In Zeiten wirtschaftlicher Krisen und disruptiven Entwicklungen hat die Bedeutung des digitalen Absatzkanals nochmals deutlich an Fahrt aufgenommen.  

Big Data: Problem und Lösung

Doch die Komplexität hat eine neue Komponente hervorgebracht, die zugleich als Heilsbringer, wie auch als Teufel die Bühne betritt: digitale Signaturen. Alle digitalen Interaktionen hinterlassen Spuren. Und ihre Auswertung im großen Stil offenbaren oftmals Zusammenhänge, die sich auf keinem anderen Wege hätten erschließen lassen. Doch die systematische Analyse großer Datenmengen, Big Data, ist keinesfalls trivial.

Es geht um die Analyse von Mustern, die Hinweise auf funktionelle Zusammenhänge, auf bislang unbekannte Abhängigkeiten geben können. Die Relevanz von Erfahrungswerten nimmt damit zugunsten eine datenbasierten Entscheidungsfindung kontinuierlich ab.

Google als Datenlieferant

Als einer der erfolgreichsten und damit meisten genutzten Suchmaschine der Welt, eignet sich Google ganz hervorragend als Datenquelle, wenn es um die Optimierung der Wirtschaftlichkeit des digitalen Vertriebkanals geht. Denn Google tritt als moderierende Kraft, als Vermittler zwischen Angebot und Nachfrage, und damit zwischen Ihrem Angebot, der Konkurrenz, sowie der Zielgruppe in Erscheinung. Bei allen Updates am Algorithmus, so können wir doch sicher sein, dass die Sortierung der Suchergebnisse nach Relevanz und Zufriedenheit eine stabile Konstante bleiben wird. Diese erfolgt selbst auf den schlechteren Plätzen nicht rein zufällig.

Eine genaue Analyse der Suchergebnisse im zeitlichen Verlauf, sowie im Abgleich mit der Konkurrenz kann uns damit recht gut Auskunft darüber geben, welche Elemente unseres Angebotes gut bei der Zielgruppe ankommen, und bei welchen die Konkurrenz besser aufgestellt ist.  

Analysetechniken

Wenn es um die Analyse von Daten geht, so denken zumindest die Fachleute zunächst an die Programmiersprache R, die für statistische Berechnungen konzipiert wurde. Diese leistet gute Dienste, wenn es um die Analyse von Big Data geht.

Im Kontext der Platzierungsdatenanalyse stehen wir jedoch vor recht spezifischen Herausforderungen. Dazu gehört beispielsweise die quantitative (wieviel) und qualitative (was) Bewertung spezifischer Themenbereiche und deren Platzierungen im zeitlichen Verlauf. Dabei gehen wir beispielsweise der Frage nach, ob ein Thema unter bestimmten Voraussetzungen grundsätzlich keine guten Platzierungen erreicht, beziehungsweise warum das so ist. 

Darüber hinaus müssen wir uns bei der Analyse immer wieder die Frage stellen, welche unterschiedlichen Faktoren Einfluss auf die Platzierungsentwicklungen haben können und in welcher Wechselwirkung diese stehen. Es geht also darum, multidimensionale Korrelationen abzuleiten, die nur in einer spezifischen Ausprägung auch tatsächlich Einfluss nehmen.

Open Source: RankAnalyst

Zur Beantwortung solch spezifischer Fragen steht das Open Source System “RankAnalyst” bereit (rankanalyst.de), welches auf die Verwendung sogenannter paralleler Koordinaten setzt, über die sich auch multidimensionale Zusammenhänge in einer nachvollziehbaren Weise visualisieren lassen.

Die folgende Abbildung beschreibt ein klassisches Beispiel. Dabei zeigen die vier Vertikalachsen die Platzierungen 1 (ganz oben) bis 100 (ganz unten). Jede der Achsen weist die Platzierungen eines anderen Zeitpunktes aus. Im Beispiel liegen die Messpunkte jeweils eine Woche auseinander. Jede Linie, die sich über die Achsen von links nach rechts spannt, repräsentiert eine spezifische Suchphrase.

Das Beispiel berücksichtigt zudem nur solche Suchphrasen, die im Kontext “Verpackung” stehen:


Wie sich hier gut sehen lässt, erzielt die zu untersuchende Domain im genannten Kontext keine nennenswerten Platzierungen auf den vorderen Suchergebnisseiten. Im Gegenteil: aus visueller Perspektive können wir festhalten, dass Google diesen Kontext nahezu aus den Suchergebnissen an dieser Stelle “herausschneidet”, was sich an dem leeren Streifen im oberen Bereich der Grafik erkennen lässt.

Vergleichen wir nun die angebotenen Inhalte mit denen der besser gestellten Konkurrenz, so wird oftmals unmittelbar deutlich, an welchen konzeptionellen Stellschrauben zu drehen ist, um den aufgedeckten Defiziten entgegenzuwirken.

Schlechte Platzierungen können oftmals auch von unbekannten Faktoren abhängen, beziehungsweise von solchen, deren Einfluss nicht eindeutig geklärt ist. So zeigt das folgende Beispiel, in wie fern die Performance der Website Einfluss auf die Platzierungen haben kann. Neben den Platzierungsdaten im zeitlichen Verlauf finden wir links angedockte parallele Koordinaten, die Aufschluss darüber geben, wie schnell die HTML-Dokumente von Server ausgeliefert wurden, für die gute Platzierungen festgestellt werden konnten:


Hier lässt sich gut erkennen, dass alle Platzierungen in den Top-20 über gute Performancewerte verfügen. Anders formuliert: die Serverleistung korreliert mit den Platzierungen in den Suchergebnissen. Es lassen sich keine guten Platzierungen mit schlechten Performancewerten finden.

Domainspezifische Bewertung

Es sei an dieser Stelle erwähnt, dass die Erkenntnisse einer spezifischen Domain keinen allgemeingültigen Charakter haben. Aufgrund unterschiedlicher Klassifizierungen und Gewichtungen scheint jede Domain nach ganz eigenen, individuellen Bewertungsmaßstäben bemessen zu werden. Individuelle Messungen, beziehungsweise Analysen lohnen sich in den allermeisten Fällen.

Implikationen für Marketing und Entscheider

Für Entscheider ergeben sich durch die hier beschriebene Analysemethode nicht nur neue Einsichten in die Funktionsweise bei der Bewertung durch Google. Nein, es geht hier um wesentlich mehr: um die Bewertung der unterschiedlichsten Facetten des Angebotes durch die Zielgruppe, die durch eine detaillierte Rankinganalyse aufgedeckt werden können. Bei einer Analyse der Konkurrenz lassen sich zudem strategische Vorgehensweisen, sowie daraus resultierende Erfolge, aber auch Misserfolge beobachten. Genau das ist im höchsten Maße für die Ausarbeitung einer zielgerichteten Strategie für das eigene Unternehmen von höchster Relevanz.

Zwar setzt RankAnalyst ein wenig technisches Verständnis und Einarbeitungszeit voraus. Doch in Anbetracht des enormen Erkenntnisgewinns und der Informationshoheit gegenüber den Mitbewerbern kann dies eine überaus lohnenswerte Investition sein.

Img of Steven Broschart
Über Steven Broschart

Steven Broschart tritt regelmäßig als Speaker auf, ist erfolgreicher Autor und 2015 Head of SEO & User Experience bei cyberpromote.

Kommentare