Die Slides

Hier die Slides zu meinem Vortrag auf der SMX 2019 in München, die auch gerne heruntergeladen werden dürfen, die Vorlage mit den Reports gibt es hier.

Vorsicht vor Durchschnittswerte

Während Klicks und Impressionen Summen sind, handelt es sich bei den Ranking Position um einen Durchschnittswert. Nehmen wir z.B. den folgenden Fall:

Erläuterung: Wenn ein Keyword durchschnittlich auf Position 6 rankt, dann kann die Wahrheit ganz anders aussehen, denn der Durchschnitt wird aus mehreren Datenpunkten berechnet. Daher gilt bei den Daten aus der Google Search Console, immer filtern und so das Fehlerrisiko zu reduzieren

Die Google Search Console unterscheidet zwischen zwei Betrachtungsebenen Website-Impressions und URL-Impressions. Wie die Namen schon vermuten lassen wird bei der Website-Impression die Domain-Performance wiedergegeben, während bei der URL-Impression die Performance der einzelnen URL angezeigt wird.

Weitere Infos unter https://support.google.com/webmasters/answer/7042828?hl=de

Sehr spannend auch wie die Google Search Console die Positionen zählt.

So werden auch Ergebnisse aus dem Knowledgegraph als Position gezählt. Sollte es also Rankings mit einer sehr schlechten CTR geben, könnte das zum Beispiel an einer Bildereinblendung im Knowledgegraph liegen.

Daten Erweitern

Mit Hilfe der Funktion „Berechnete Felder“ kann man in Google Data Studio neue Dimensionen und Metriken hinzufügen, das ist im Grunde wie wenn man in Excel eine neue Spalte hinzufügt. Filter können auf alle Dimensionen angewendet werden. Auf diese Weise ist es zum Beispiel möglich, vorausgesetzt man hat ein entsprechendes Feld angelegt, nach Non-Brand Keywords zu filtern und sich die jeweiligen Metriken anzugucken.

Und so legt man ein neues Berechnete Felder in Google Data Studio an

Ruft man oben über Ressourcen >> Datenquelle >> „Hinzugefügte Datenquelle verwalten“ auf.

Nun klickt man auf „Bearbeiten“

Und anschließend oben rechts auf „Feld hinzufügen“

1. Durch das anklicken eines Feldes wird dieses der Formel hinzugefügt
2. Name des Feldes, der Name sollte immer selbsterklärend sein
3. Der Formel Editor
4. Wenn die Formel korrekt ist, erscheint ein grüner Haken, erst dann kann das Feld gespeichert werden.

Nach dem speichern, werden die neuen Felder, durch ein fx gekennzeichnet, zusammen mit den restlichen Felder angezeigt.

Suchintention von Suchanfragen identifizieren: W-Fragen, Transactional usw.

Mit Hilfe einer einfachen Regex Regel ist es möglich Suchanfragen entsprechend zu klassifizieren. So wäre zum Beispiel eine einfache Klassifizierung, wenn eine Suchanfrage das Wort „Warum“ enthält, denn dann ist die Wahrscheinlichkeit recht hoch, dass es sich um eine W-Frage handelt. Die Regex für das W-Frage Feld würde dann wie folgt aussehen:

CASE 
WHEN REGEXP_MATCH(Query,'wer\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wem\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wen\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wessen\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wie\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wann\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wo\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'welche\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'was\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wobei\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'womit\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'woran\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wohin\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wobei\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wo\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'weshalb\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'warum\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wieso\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'worauf\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'worum\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wovor\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wodurch\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'woher\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'weswegen\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'woraus\\s.*') THEN "W-Frage"
Else "Sonstiges"
END

Suchanfragen, die einen transaktionalen Hintergrund haben, kann man zum Beispiel anhand Begriffe wie „kaufen“, „bestellen“ oder „buchen“ identifizieren:

Domain bezogene Suchanfragen

CASE
WHEN REGEXP_MATCH(Query,'.*www\\s.*|.*.de.*') THEN "Domain"
Else "Sonstiges"
END

Navigation Suchanfragen

CASE
WHEN REGEXP_MATCH(Query,'.*sprechstunde.*|.*öffnung.*|.*anfahrt.*|.*route.*|.*nummer.*|.*telefon.*|.*hotline.*|.*homepage.*|.*youtube.*|.*laden.*|.*kontakt.*|.*mail.*|.*ansprechpartner.*|.*service.*') THEN "Navigation"
Else "Sonstiges"
End

Transaktional, Navigation, Domain, usw. – alles in einer Dimension

Selbstverständlich kann man die verschiedenen Suchanfragen Gruppen auch in eine Dimension bündeln, diese würde dann wie folgt aussehen:

CASE 
WHEN REGEXP_MATCH(Query,'wer\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wem\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wen\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wessen\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wie\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wann\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wo\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'welche\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'was\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wobei\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'womit\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'woran\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wohin\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wobei\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wo\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'weshalb\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'warum\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wieso\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'worauf\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'worum\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wovor\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'wodurch\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'woher\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'weswegen\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'woraus\\s.*') THEN "W-Frage"
WHEN REGEXP_MATCH(Query,'.*kaufen.*|.*bestellen.*|.*buchen.*|.*mieten.*|.*download.*|.*video.*|.*liefern.*|.*günstig.*|.*billig.*|.*preiswert.*|.*leihen.*|.*prospekt.*|.*angebot.*|.*deal.*|.*neu.*|.*gebraucht.*|.*ebay.*|.*amazon.*|.*verkaufen.*|.*shop.*|.*online.*|.*versand.*|.*katalog.*|.*vertrieb.*|.*discount.*|.*rechnung.*|.*einkaufen.*|.*lease.*') THEN "Transactional"
WHEN REGEXP_MATCH(Query,'.*www\\s.*') THEN "Domain"
WHEN REGEXP_MATCH(Query,'.*sprechstunde.*|.*öffnung.*|.*anfahrt.*|.*route.*|.*nummer.*|.*telefon.*|.*hotline.*|.*homepage.*|.*youtube.*|.*laden.*|.*kontakt.*|.*mail.*|.*ansprechpartner.*|.*service.*') THEN "Navigation"
ELSE "Sonstiges"
End

Diese Dimension klassifiziert Suchbegriffe nach dem folgenden Muster:

• … W-Fragen, also alle Suchanfragen die ein Fragewort wie z.B. Wieso enthalten, werden als solche klassifiziert. Eine Liste mit W-Fragen gibt es z.B. unter W-Fragen Liste.
• … Wörter wie kaufen, bestellen usw. enthalten werden als Transaktional
• … mit www oder .de werden als Domain Keywords klassifiziert
• … Sprechstunde, Kontakt usw. enthalten werden als Navigation Keywords klassifiziert

Bitte beachtet, dass bei dieser Klassifizierung Suchanfragen wie zum Beispiel „Wo kann ich das Produkt kaufen“ als W-Frage klassifiziert wird. Da die Suchintention stark vom Webseiten-Typ abhängt, sollte man sich erstmal Intensive mit seinen Suchanfragen Beschäftigen und eventuell eigene Gruppen definieren die auch die Suchintention der Webseite entspricht.

Weitere Dimensionen und Metriken

Die Keyword-Gruppen und die Kriterien können beliebig erweitert werden.

Brand vs. Non-Brand Keywords

Nehmen wir mal als Beispiel wir wollen für Microsoft einen Brand vs. Non-Brand Report bauen, dann wäre die einfachste Variante

CASE
WHEN REGEXP_MATCH(Query,'.*microsoft.*') THEN "Brand"
ELSE "Non-Brand"
END

Damit würden alle Keywords die das Wort Microsoft enthalten als Brand Keywords klassifiziert. Nun könnte man durch komplizierte Regex Formeln für jeden Buchstaben einen Fall einbauen, falls jemand den Brand falsch schreibt. Falls man kein Regex Experte ist, kann auch versuchen alle Varianten aneinander zu reihen z.B.

CASE
WHEN REGEXP_MATCH(Query,'.*microsoft.*|.*mikrosoft.*') THEN "Brand"
ELSE "Non-Brand"
END 

Das „|“ bedeutet „oder“ und durch der „.*“ bedeutet dass dafür alles Mögliche stehen darf auch „Mikrosoft Update“ oder „update Microsoft“

Anzahl von Wörtern zählen

In manchen Fällen ist es auch ganz nützlich zu verstehen wie viele Suchbegriffe User eingeben, um eine Seite zu finden und ob sich die Anzahl zwischen Mobile und Desktop unterscheiden. Wenn man W-Fragen analysiert, können sehr lange W-Fragen ein Indiz für Voice-Search sein

Die Anzahl der Wörter funktioniert mit einem kleinen Trick, indem man die Anzahl der Leerzeichen mit Hilfe des folgenden Regex zählt:

LENGTH(REGEXP_REPLACE(Query, "[^\t\n\f\r ]", "")) + 1

Ranking Position runden

Die Google Search Console liefert die Ranking Positionen mit zwei Zahlen nach dem Komma aus. Das kann bei manchen Reports verwirrend sein. Für eine bessere Übersicht kann es daher Sinn machen, diese mit Hilfe der folgenden Formel zu runden:

ROUND(Average Position,0)

Verzeichnisse extrahieren

Nutzt eine Webseite eine gute und logische Verzeichnis Struktur, kann man zum Beispiel mit Hilfe einer einfachen REGEX-Regel das erste Verzeichnis einer URL extrahieren und auf diese Weise Daten auf Verzeichnis Ebene kumuliert betrachten.

REGEXP_EXTRACT(Landing Page,'https?:\\/\\/.*?\\/(.*?)\\/.*')

Google Search Console Daten zusammenführen

Google Data Studio liefert auch eine praktische Funktion, die es ermöglich verschiedene Datenquellen in eine neue Zusammenzuführen. Auf diese Weise kann man seine eigenen Daten um zusätzliche Daten erweitern. So kann man zum Beispiel die beiden Betrachtungsebene der Google Search Console „Website Impression“ und „URL-Impression“ auch zusammenführen und so die Ranking Positionen auch bei der URL-Impressionen hinzufügen. Wichtig dabei zu beachten, dass man gut versteht wie die Daten sich zusammensetzen und versucht die Daten auf einer möglichst granularen Ebene zusammenführt.

JOIN (1) sind die Felder die übereinstimmen müssen, damit eine Dimension oder eine Metrik erfolgreich hinzugeführt wird. Bei der Google Search Console sollte man hier auf alle Felder zurückgreifen damit man hier nicht in die Falle von falschen Durchschnittswerten tritt. Unter DIMENSIONEN (2) gibt man an, welche Dimensionen man aus den einzelnen Datenquellen nutzen möchte. Unter MESSWERTEN (3) wählt man hingegen die Messwerte aus den einzelnen Dimensionen aus. Ganz rechts (4) erscheinen anschließend alle Dimensionen und Messwerte, die am Ende zur Verfügung stehen. Hier sollte man darauf achten, dass die Felder eindeutig sind, damit man diese später dann beim Einsatz auseinanderhalten kann.

Google Search Console und Google Analytics Daten zusammenführen

Zugegeben, das Zusammenführen von Google Analytics und Google Search Console Daten klingt echt verlockend, aber man muss trotzdem sehr aufpassen, schließlich liegen schon bei einer der wichtigsten Metriken Sessions und Clicks zwei völlig unterschiedliche Messverfahren zugrunde.

Wenn man die GSC und GA Daten zusammenführen möchte, sollte man ein paar Sachen beachten

• GSC zeigt die Ganze URL an, GA nur den Pfad
• Sessions und Klicks sind nicht das Gleiche
• GSC liefert nur Google Daten, das GA Segment „organic“ beinhaltet auch andere Suchmaschinen

TIPP: Die deutsche Übersetzung der GA Felder ist nicht optimal und es gibt z.B. das Feld „Landing Page“ mehrfach. Damit man das richtige verwendet, empfiehlt es sich vorher das Google Konto auf Englisch zu wechseln

1. Konto auf Englisch switchen
2. Unter Google Analytics ein neues “Google organic Only”-Segment erstellen
3. Neue Quelle für GA anlegen
4. In GA neues Feld anlegen CONCAT(‚https://‘,HOSTNAME,Landing Page)
5. GSC URL und GSC Website hinzufügen
6. Eine Blended Quelle erstellen
7. Die beiden Quellen Zusammenführen

Anwendungsbeispiele

Keyword Monitoring

Was man dazu braucht

• Google Search Console Website Impressionen Ansicht
• Das Zusätzliche Feld: gerundete Position
• Umgedrehte Y-Achse mit dem Minimalwert 1
• Maximalwert wahlweise auf Position 10 oder 20

Anwendungsgebiet: Ideal um die Rankings zu überwachen ohne irgendwelche Tools zu verwenden. Gerade sehr hilfreich bei lokalen Suchanfragen.

Suchanfrage Tiefen-Analyse

Was man dazu braucht

• Zusätzliche Dimension: Brand
• Zusätzliche Dimension: Anzahl Wörter
• Zusätzliche Dimension + Filter: W-Frage

Anwendungsgebiet: Wie setzen sich die Suchanfragen einer Seite zusammen? Wie hoch ist der Brand vs. Non-Brand Anteil und gibt wie lang sind die W-Fragen im Durchschnitt?

Verzeichnis-Performance

Was man dazu braucht

• GSC Datenquelle: URL-Impressionen
• Zusätzliches Feld: Verzeichnisse Extrahieren

Anwendungsgebiet: Welches Verzeichnis ist das stärkste und wie performed es im Vergleich zu den anderen Verzeichnis. Auch sehr hilfreich, der direkte Vergleich mit dem Vorjahr um eventuelle Performance-Verluste schnell zu visualisieren.

Fazit

Google Data Studio bietet viele Möglichkeiten und mit ein paar einfachen REGEX Regeln, kann man viele nützliche Analysen und Reportings mit der Google Search Console bauen, die das Interface derzeit noch nicht hergibt. Ein paar Ideen und Vorlagen gibt es hier. Viel Spaß beim selbst bauen!

Der Beitrag Google Search Console jenseits der Basics – Wie man mit Hilfe der API und Google Data Studio mehr herausholen kann erschien zuerst auf Prometeo.

Was du brauchst:

• Zugriff auf die Google Search Console Deiner Wahl
• Google Spreadsheet
• Das kostenlose Google Spreadsheet Add-on https://searchanalyticsforsheets.com/

Zunächst starte Google Spreadsheet und öffnen ein neues Spreadsheet. Anschließend starte über Add-ons >> Search Analytics for Sheets >> Open Sidebar das gerade installierte Addon.

Google Spreadsheet Addon Search Analytics for Sheet starten

Im nächsten Schritt

Search Analytics for Sheets konfigurieren

1. wähle nun die Google Search Console Property Deiner Wahl aus
2. wählen den Zeitraum aus – bitte beachte hier, das derzeit nur Daten der letzten 90 Tage, vor 3 Tagen, zur Verfügung stehen
3. wähle unter „Group By“ – Query aus
4. drücke auf Request Data

Das Ergebnis, je nach Webseitengröße, mehrere tausend Keywords, in diesem Beispiel, fast 59.000 in sekundenschnelle:

Mehrere tausend Keywords aus der Google Search Console exportiert

Du kannst das Ganze auch mit URLs machen, dazu einfach unter Punkt 3 „Page“ auswählen. Je nach Webseitengröße erhältst du auf diese Weise mehrere tausend URLs inkl. entsprechender Performance Daten. In diesem Beispiel waren es mehr als 20.000 URLs.

Das Add-on erlaubt es übrigens auch Daten zu archivieren, das wird dann mit neuen Google Search Consolen API hoffentlich hinfällig, aber bis dahin sind die historischen Daten auf jeden Fall sehr wertvoll.

Viel Spaß beim exportieren und analysieren

Anmerkung: Es gibt auch kostenpflichtige Lösungen mit denen man mit wenigen Klicks, ebenfalls die Google Search API anzapfen kann, wie zum Beispiel Supermetrics, dass ich sehr gerne nutze, weil es auch andere APIs wie Google Analytics, Facebook usw. unterstützt. Besonders schätze ich dabei, dass Supermetrics z.B. bei Google Analytics die Abfragen splittet und so das Sampling umgangen wird. Mit den hier oben genannten Einstellungen, liefert Supermetrics mehr als 111.000 Keywords. Also fast die doppelte Menge als über Search Analytics for Sheets.

Der Beitrag 58.000 Keywords aus der Google Search Console exportieren und das kostenlos? Kein Problem! erschien zuerst auf Prometeo.

Anfang Juli hat das Team vom Screaming Frog Version 4.0 mit zwei wirklich spannenden neuen Funktionen vorgestellt, Google Analytics und die Custom Extraction Funktion, aber das Team hat nicht lange gezögert und vor wenigen Tagen bereits Version 4.1 veröffentlicht und liefert nun auch eine Liste von Verwaisten Seiten, also URLs die zwar existieren, aber intern nicht verlinkt sind.

Grund genug sich die neuste Version des SEO Screaming Frog mal genauer anzuschauen.

Wer den SEO Screaming noch nicht kennt, dabei handelt es sich um einen Crawler der alle möglichen Informationen einer Webseite sammelt und in Liste bzw. Reports bereitstellt. Die Liste stehen alle als CSV Dateien zur Verfügung und eigenen sich daher sehr gut um sie in Excel weiter zu verarbeiten und so seine eigenen Analysen zu fahren.

SEO Screaming Frog und Google Analytics

Fangen wir mit der ersten großen Neuerung im SEO Screaming Frog 4 an, die Integration von Google Analytics Daten. Neben der Erfassung der Besucherzahlen, kann man Google Analytics Daten auch dazu nutzen um zum Beispiel low-performer Seiten zu identifizieren. Eine URL mit wenigen Besuchern kann mehrere Ursachen haben, die häufigsten Gründe sind dabei:

• Die Seite erfüllt die Suchintension nicht – eventuell Hohe BounceRate
• Die Seite ist intern schlecht oder gar nicht verlinkt – Klickpfad Level sehr hoch
• Die Seite besitzt keine Backlinks

Natürlich kann man die Liste noch nach Belieben erweitern und alle Punkte durch andere Beispiele wiederlegen, aber bei den meisten Webseiten sind diese Ursachen leider sehr häufig vertreten. Es gibt auch immer wieder Artikel zu dem Thema Performance Indikatoren auf die man achten sollte um erfolgreich zu sein. Leider fehlt hier oft ein wichtiger Hinweis: SELBER NACHDENKEN

So kann eine Seite mit einer hohen BounceRate auch was gutes sein, weil der User genau das findet was er sucht und die Seite danach wieder verlässt. Genauso kann eine Seite mit einem niedrigem Oragnic-Anteil eine sehr gute Landigpage sein, leider wurde sie einfach nur schlecht verlinkt und wird daher von Google schlecht gelistet und weil Google die Seite nicht ranked, bekommt sie keine Backlinks. Ihr merkt also, man sollte Kennzahlen immer hinterfrage, denn sie erzählen vielleicht nur einen Teil der ganzen SEO Geschichte. Kommen wir nun aber wieder zurück zu Google Analytics und den SEO Screaming Frog, wie schon erwähnt, ist eine der wichtigsten neuen Funktionen der aktuellen SEO Screaming Frog Version 4.1 die Integration von Google Analytics.

Die Anbindung an Google Analytics ist kinderleicht über Configuration >> API Access einzurichten

GA Account mit Screaming Frog verknüpfen

Zeitraum eingeben

Metriken auswählen

Dimensionen

Und dann noch ein paar Details

Beim nächsten Crawl werden nun alle gewünschte Daten aus Google Analytics gezogen. Die Wahl des Menüpunktes „API Access“ lässt übrigens vermuten, dass hier bald noch weitere Anbindungen kommen werden.

Crawl läuft

Im Reiter „Analytics“ erhalten wir nun eine Liste allen unseres URLs mit den vorher ausgewählten Metriken und Dimensionen. Eigentlich nichts neues, besonders wenn man bedenkt, dass man sich so eine Liste auch aus Google Analytics direkt ziehen kann, aber der SEO Screaming Frog macht diesen Import nicht nur sehr einfach, sondern nutzt diese zweite URL Liste um sie mit den gefundenen URLs aus dem Crawl zu vergleichen und daraus einen sehr nützlichen Report zu erstellen: Orphan Pages Report.

Besonders praktisch, der SEO Screaming Frog erweitert die URL Liste aus Google Analytics gleich mit Informationen aus seinem Crawl wie Status Code und Title. Auf diese Weise kann man zum Beispiel prüfen ob wichtige URLs auch weiterhin erreichbar sind und nicht plötzlich einen 404 StatusCode wiedergeben. Natürlich kann man sich die Daten auch im Internal Report angucken, denn alle Daten werden dort zusammengeführt. Ideal für einen CSV Export und dann mittels der Pivot Funktion in Excel entsprechende Analysen und Darstellungen zu generieren.

Custom Extraction

Kommen wir nun zur weiteren Neuerung des SEO Screaming Frog, die Custom Extraction Funktion. Dabei handelt es sich um eine einfache Funktion mit dessen man Hilfe Informationen auf URLs extrahieren kann und dann als zusätzliche Spalte in der URL Übersicht angezeigt bekommt.

Ich habe man zum Beispiel den Autor, das Veröffentlichungsdatum, die Kategorie und die Anzahl der Kommentare in meinem Blog über Xpath mit angegeben die dann beim Crawl extrahiert werden sollen. Da ich bekanntlich kein Entwickler bin und um die Themen Regex, XPath usw. einen großen Bogen mache muss man sich zu helfen wissen. Wie gut, dass es den Firebug für den Firefox gibt mit dem man einfach mal sich den XPath Pfad eines Elementes kopieren kann und 1:1 in den Screaming Frog eintragen kann.

Wie auch schon die Google Analytics Daten, wandern diese Daten ebenfalls in den „Internal“ Report und werden dort am Ende als Spalte angezeigt:

Da diese Funktion total flexibel ist, kann man theoretisch noch viele weitere Sachen machen, wie zum Beispiel die Anzahl der Kommentare auf einer Seite mit erfassen. Voraussetzung, diese werden im HTML Code angezeigt.

Das Ergebnis ist ein großes Crawl mit unterschiedlichen Reports und einer Gesamtübersicht wo pro URL alle Zusätzlichen Daten aus Google Analytics und den Custom Extraction enthalten sind.

Daten Analyse

Für eine bessere Übersicht empfiehlt es sich, die Daten nun nach Excel zu importieren. Achtet dabei immer darauf die CSV Datei über Daten >> Externe Daten abrufen >> Aus Text zu importieren um eventuelle Kodierungsfehler (UTF-8) zu vermeiden.

Nach dem Import empfiehlt es sich übrigens ein wenig Datenpflege zu betreiben. Achtet zum Beispiel das Datum auch als solches erkannt worden ist, das gibt euch bei der Erstellung einer PivotTabelle nochmal viele weiter Möglichkeiten.

Wichtig: Eine Pivot Tabelle verlangt einen einzigartigen Spaltennamen

Die PivotTabelle ist nicht nur eine einfache Methode um Diagramme zu erstellen, sondern man kann auch sehr gut Daten gruppieren, sehr praktisch um zum Beispiel Historische Verläufe darzustellen.

Zieht zunächst die Spalte mit dem Datum eurer Veröffentlichung in das Feld „Zeilenbeschriftung“ und die Spalte „Adresse“ in das Feld Werte:

Das Ergebnis sollte nun wie folgt aussehen. Wichtig: Das Datum muss für diesen Schritt als Datum erkannt worden sein, falls nicht wiederholt den Import der CSV wie oben beschrieben.

Anzahl der Veröffentlichen URLs auf Tagesbasis

Im Nächsten Schritt werden wir nun die Tage auf Monat, Quartal und Jahreseben gruppieren. Klickt dazu mit der rechten Maustaste auf ein Datum in der Pivot Tabelle und klickt auf gruppieren:

Datum gruppieren

Im nächsten Schritt wählt nun die Art der Gruppierung, wählt dazu die Felder Tage, Monate, Quartale und Jahre aus:

Das Ergebnis ist zwar noch nicht besonders hübsch, aber wie man gut sehen kann werde die Daten schon gruppiert dargestellt:

Im nächsten Schritt vollziehen wir nun ein wenig Kosmetik und erzeugen aus unserer Tabelle ein PivotChart:

Da wir beim Extrahieren der Daten auch die Kategorien mit erfasst haben, können wir nun mit Hilfe eines gestapelten Säule Diagramms unsere Daten entsprechend visualisieren:

Die Kategorien (1) ziehen wir dazu in das Feld „Legendenfelder), in das Feld „Achsenfelder“ (2) lassen wir nur Jahre und Quartale um den Detailgrad niedrig zu halten und in das Feld „Werte“ ziehen wir das Feld „Adresse“ (3).

Durch den Einsatz der Sekundärachse kann man übrigens auch andere Metriken mit anzeigen lassen wie zum Beispiel die Anzahl der Kommentare:

Die Google Analytics Daten kann man übrigens auch sehr gut nutzen um zum Beispiel die Traffic Verteilung auf Kategorie-Ebene zu visualisieren:

Die Analysen und Visualisierungen waren schon vorher möglich, aber waren zum Teil sehr Zeitintensiv und es führte selten ein Weg am SVerweis vorbei, da man viele Datenquellen zusammenführen musste. Mit der neuen Version des SEO Screaming Frog spart man viel Zeit und kann mit Hilfe der PivotTabelle in Microsoft Excel auch größere Datenmenge gruppiert visualisieren.

Eure Meinung? Wie nutzt ihr die neue Data Extraction und Google Analytics Funktion im SEO Screaming Frog? 

Der Beitrag SEO Screaming Frog mit Google Analytics und Data Extraction Funktionen erschien zuerst auf Prometeo.

Ein Google Spreadsheet erstellen

Um zu starten brauchen wir ein Google Account. Wer bereits einen Gmail Account besitzt, kann diesen problemlos nutzen oder sich mit seiner eigenen E-Mail Adresse ein Google Account einrichten. Nun loggen wir uns unter https://docs.google.com/spreadsheets/ ein und legen ein neues Tabellenblatt an.

Abbildung: Neues Spreadsheet erstellen

Nun können wir unsere Tabelle manuell mit Daten befüllen, aber das kann bei großen Datenmengen ziemlich lange dauern, geschweige denn diese ständig zu aktualisieren. Doch wie wäre es, wenn man sich die Daten automatisch zieht? Google Analytics bietet hierzu eine unermüdliche Datenquelle. Mit wenigen Klicks kann man z.B. Seiten mit schlechter SEO Performance identifizieren, aber wieder zurück zum Thema Dashboard.

Installieren wir zunächst über die Navigation das Google Analytics Add-On:

Abbildung: Add-on Installation in Google Spreadsheet

Über die Suchfunktion findet ihr das kostenlose Google Analyctics Add-On:

Abbildung: Das Google Analytics Addon für Google Spreadsheet

Basteln wir uns ein GA Dashboard

Zunächst erstellen wir über das Menü einen neuen Report, dies machen wir, indem wir über die Navigation wie folgt klicken Add-ons >> Google Analytics >> Create new report.

Abbildung: Google Analytics Addon für Spreadsheets ist installiert

Auf der rechten Seite öffnet sich nun unser Report-Generator, den wir wie folgt befüllen:

1. Hier tragt ihr den Namen eures Reports ein (kann man jederzeit später ändern). Wählt am besten einen aussagekräftigen Namen, damit ihr die verschiedenen Reports auseinander halten könnt. Bei sehr vielen Reports – und ich spreche da aus Erfahrung – kann das ganze ziemlich schnell unübersichtlich werden.
2. Hier werden alle Accounts aufgelistet auf welche ihr mit eurem Google Account in Google Analytics Zugriff habt.
3. Property entspricht der Domain die mit Google Analytics überwacht wird
4. Eine Property kann unterschiedliche Ansichten bzw. Profile (Views) haben, wählt hier das gewünschte aus.
5. Als Metrik wählen wir Sessions.
6. Und für den historischen Verlauf, Date.
7. Klicken auf „create“.

Wir sehen nun unsere Konfigurationstabelle in der wir auch mit „copy&paste“ neue Reports anlegen können die dann generiert werden. Dazu befüllen wir die folgenden Felder wie folgt:

Abbildung: Das Datum dieser und letzter Woche automatisch berechnen

Wir haben nun zwei Reports konfiguriert, die automatisch, basierend auf dem aktuellen Datum die letzte Woche (startet am Montag) mit der jetzigen Woche vergleicht, also einen einfachen WeekOverWeek Vergleich

Abbildung: GA Add-On Wochenvergleich

Nun erstellen wir noch einen YoY Vergleich, schließlich wollen wir auch sehen wie das aktuelle Jahr performed

Wir kopieren nun die C2:C9 in die Spalte D und E und passen diese wie folgt an:

Abbildung: Die Zeiträume von diesem und letzten Jahr automatisch definieren

Nachdem wir nun alle Zellen befüllt haben, sieht unsere Report-Konfiguration wie folgt aus

Abbildung: Google Analytics Report Konfiguration

Es ist nun an der Zeit unseren Report zu starten, dazu klicken wir auf Add-ons >> Run reports

Abbildung: Google Analytics Report starten

Abbildung: Reports erfolgreich generiert

Das Add-on hat nun für jeden Report ein Arbeitsblatt erstellt

Abbildung: Jeder Report bekommt ein Arbeitsblatt

Aufgrund unseres Betrachtungsfensters, werden beim der Wochen- und YoY Vergleich die Daten immer in die gleichen Zellen geschrieben, deswegen erstellen wir nun ein neues Arbeitsblatt. Dafür schreiben wir in der Spalte A alle Namen der Wochentage von Montag bis Sonntag. In Zelle B1 schreiben wir „Diese Woche“ und in C2 „Letzte Woche“. Der Report schreibt die aktuellen Daten immer in die gleichen Zellen. Wir können diese Daten daher mit einem einfachen Verweis abrufen, dazu müssen wir nun die richtigen Zellen im richtigen Arbeitsblatt ansprechen.

In die Zelle B2 verweisen wir auf die Zelle B16 in dem Report „Diese Woche“ dort liegt nämlich die Zahl unserer Besucher für Montag dieser Woche.

Um nicht jede Zelle einzeln zu befüllen, zieht das blaue Quadrat einfach runter bis zum Sonntag:

Abbildung: schnelles Zellen befüllen

C2 verweisen wir nun auf =’Letzte Woche‘!B16 und ziehen auch hier die Formel bis zum Sonntag runter. Im nächsten Schritt markieren wir nun unseren Wochenvergleich:

Abbildung: Aus Daten ein Diagramm erstellen

Am Ende sollten wir folgende Formeln in jeder Zeile haben

Abbildung: Formel Übersicht Wochenvergleich

Google Spreadsheet bietet mehrere Möglichkeiten an um Diagramme zu erstellen:

Abbildung: Bereichsdiagramm für den Wochenvergleich

Sobald das Diagramm erstellt ist, habt ihr mehre Möglichkeiten es zu bearbeiten

Abbildung: Standard Bereich Diagramm

Damit so ein Diagramm auch für andere Übersichtlich ist, sollte man es entsprechend anpassen

Abbildung: Bereich Diagramm mit Achsenbeschriftung und Titel

Wiederholen wir nun das gleiche noch für unseren YoY Vergleich könnte das wie folgt aussehen

Abbildung: YoY Vergleich

Wer in Google Analytics auch seine Conversions trackt (z.B. über (Goal 1), kann diese Daten mit dem entsprechend Report auch bequem extrahieren und visualisieren

Abbildung: YoY Vergleich mit Conversions

Abbildung: Wochentag Leistung mit Hilfe von Tachos

Diagramm veröffentlichen

Zwar bietet Google Analytics die Möglichkeit an, eigene Dashboards zu erstellen und Reports zu verschicken, wer aber vielleicht einfach nur ein Diagramm im Intranet veröffentlichen möchte, der kann dafür die folgende Funktion nutzen:

Abbildung: Alle Diagramme lassen sich veröffentlichen

Hier kann man wählen ob das Diagramm als Bild oder als Interaktives Diagramm dargestellt werden soll. Wer einfach nur ein paar Zahlen verschicken möchte, kann natürlich auch die Grafik als Link versenden.

Abbildung: Link oder Einbetten?

Die Erstellung eines Dashboard mit Google Analytics geht dank des Google Add-Ons mit Google Spreadsheet sehr einfach und bequem. Sobald ihr euren Report aufgesetzt habt, könnt ihr diesen auch automatisieren und ihn zu einer bestimmten Zeit automatisch aktualisieren lassen.

Abbildung: Wann soll der Report aktualisiert werden?

Alles möglich? Die Grenzen von Google Spreadsheet

Die Werbung erzählt uns oft, dass es dank Cloud-Computing keine Limits mehr in der Datengröße und –menge existieren, doch leider sieht die Realität anders aus und Google Spreadsheet ist sicherlich nicht die Lösung für Big-Data.

Hier die wichtigsten Beschränkungen in der Übersicht der Limits:

• Anzahl der Zellen: Insgesamt 400.000 Zellen in allen Tabellenblättern.
• Anzahl der Spalten: 256 Spalten pro Tabellenblatt.
• Anzahl der Formeln: 40.000 Zellen mit Formeln in allen Tabellenblättern.
• Anzahl der Tabs: 200 Tabellenblätter pro Arbeitsmappe.
• GoogleFinance-Formeln: 1.000 GoogleFinance-Formeln
• ImportRange-Formeln: 50 Formeln mit Querverweis auf die gesamte Arbeitsmappe
• ImportData-, ImportHtml-, ImportFeed- oder ImportXML-Formeln: 50 Funktionen für externe Daten.

Eine vollständige Übersicht gibt es hier

Fazit

Wie ihr seht, bietet die Kombination aus Google Spreadsheet und Analytics unendlich viele Möglichkeiten, Daten zu extrahieren und visuell plattformunabhängig darzustellen. Egal ob Mac, Windows Phone oder Windows 8, alle können die gleichen Daten sehen und brauchen keine Add-ons. Viel Spaß beim Erstellen eurer eigenen Dashboards. Ich würde mich sehr darüber freuen, zu sehen, was ihr auf die Beine gestellt habt.

Der Beitrag Google Analytics Dashboard mit Google Spreadsheet erschien zuerst auf Prometeo.