♥ werbe- und trackerfrei.

Google Search Console Daten für Zeitanalyse nutzen

Die Daten der Google Search Console, ob aus der API oder direkt über einen Excel-Export gezogen, eignen sich hervorragend für die ein oder andere Analyse, deren Ergebnisse man gut für ein ausführlicheres Reporting nutzen kann. Betrachtet man die Impressionen, Klicks, CTRs und durchschnittlichen Positionen auf ihrem täglichen Niveau über einen längeren Zeitraum, lassen sich Aussagen über zukünftige Entwicklung treffen. Und dafür brauch es nur Excel und Daten aus der Google Search Console.

Die Suchanalyse in der Google Search Console

Auch wenn es sich mehr lohnt, die Google Search Console API direkt anzuzapfen, zeige ich euch das Vorgehen erstmal anhand der Dashboard-Daten. Über Google Search Console > Suchanfragen > Suchanalyse und den richtigen Einstellungen lassen sich die Daten sammeln, die wir für die Analyse benötigen.

Suchanalyse in der Google Search Console

Die gesammelten Daten sollten wir dann in dieser Einstellung erhalten. Hier ein Beispiel von einer kleineren Nischenseite:

Google Search Console - Zeitraum

Über diese Daten lassen sich nicht wirklich vernünftige Aussagen bilden – oder doch? Doch.

Diese Daten laden wir uns nun herunter (Herunterladen-Button ist ganz unten zu finden in der GSC). Die unstrukturierten Daten sollten dann auf einem Datenblatt in Spalten organisiert werden. Eine Spalte sollte man zusätzlich hinzufügen, die lediglich von 1 bis 90 hochzählt (Spalte von oben nach unten).

Excel Ansicht der Google Search Daten

Daten durch lineare Regression analysieren

Für die folgenden Analysen benötigen wir folgende Excel-Funktionen:

Bestimmtheitsmass(Y-Werte;X-Werte)
Summe(…)
RGP(Y-Werte;X-Werte;true/false(optional);true/false(optional))

 

Für jede Metrik (Klicks, Impressionen, CTR und durchschnittliche Position) können wir uns das Bestimmtheitsmaß berechnen lassen. Dieses Maß gibt an, inwieweit wir zwischen den beiden Spaltenwerten einen linearen Zusammenhang erklären können.

Die Summe berechnet uns die Folge aller angegebenen Summanden.

RGP berechnet uns die Schätzungsparameter (Beta mit Hut), d.h. den Achsenabschnitt (b) und den geschätzten Steigungsparameter (m).

Lässt man sich durch die Diagramm-Funktion die Daten in Abhängigkeit der Counter-Spalte ausgeben, so erhält man exakt die gleiche Darstellung wie in der Google Search Console. Je nach Excel-Version kann man sich zur Abbildung noch die entsprechende Trendlinie einfügen lassen.

Klickrate im Zeitverlauf

Die Klickrate scheint einem linearen Trend zu folgen. Trotz schwankender Klickraten (die Peaks sind die Wochenenden) ist tendenziell ein Aufstieg in den letzten neunzig Tagen zu beobachten.

Impressionen im Zeitverlauf

Die Impressionen folgen dann deutlicher einem linearen Trend. Während zum letztmöglichen Messzeitpunkt eintausend Impressionen gemessen wurden, konnte man zum Ende hin einen Tag mit über zweieinhalbtausend Impressionen messen.

Position im Zeitverlauf

Auch bei den Positionen kann man einen positiven Trend erkennen. Vorsicht! Das ist natürlich keinesfalls positiv. Steigende Positionen bedeuten geringere Sichtbarkeit.

CTR im Zeitverlauf

Die CTR bleibt relativ konstant. Es ist nicht wirklich ein linearer Trend zu erkennen.

Es wirkt bis zu diesem Punkt noch alles sehr subjektiv und aus der Luft gegriffen. Wir nutzen entsprechend die mathematischen Grundlagen und Methoden, um genaue Angaben über die Metrik-Entwicklungen treffen zu können.

Wozu kann uns diese Zeitanalyse noch verhelfen? Setzt man entsprechende Zeit-Pins, um Algorithmus-Updates von Google auf der Zeitachse zu vermerken oder ähnliche Events, können Zusammenhänge zwischen den Algorithmus-Neuheiten und KPI-Entwicklungen beobachtet werden.

Außerdem lassen sich sogar Prognosen über zukünftige KPI-Entwicklungen und realistische Zielsetzungen bilden.

Die Klicks, Impressionen steigen – aber die CTR nicht

Schwarz auf weiß: Das R2 von Klicks beträgt ca. 47,68%. Die Impressionen lassen sich zu 68,67% durch die Tage erklären. Bei der CTR kann man jedoch nicht wirklich einen linearen Zusammenhang sehen und das macht sich auch in der Höhe des Bestimmtheitsmaßes bemerkbar. Hier ist demnach eine lineare Funktion mit lediglich einer Konstanten zu vermuten (Funktion ohne Regressor). Das geschätzte Beta entspricht dabei genau dem Durchschnitt von allen y-Werten (von allen gemessenen CTRs). Der durchschnittlichen Position kann man auch nur sehr großzügig einen linearen Zusammenhang unterstellen.

Google Search Console (Excel Resultat)

Implikationen anhand der Zeitanalyse formulieren

  1. Die Klicks steigen tendenziell linear (R2=42%)
  2. Die Impressionen steigen linear (R2=68%)
  3. Die CTR ist konstant (b = ca. 4%)
  4. Die Position verschlechtert sich, verharrt auf einem Niveau (R2=32%)

Eine steigende Klickrate könnte suggerieren, dass die Seite an SERP-Reputation gewinnt. Jedoch steigen die Klicks nicht so stark wie die Anzahl an Impressionen (= Anzahl an möglichen Klicks). Die CTR verharrt auf einem Niveau und die Positionen verschlechtern sich tendenziell nach oben. Es gilt die CTR dringend durch passendere Inhalte, attraktivere Meta-Descriptions oder auch optimierte Titles zu verbessern. Die eher sinkende Durchschnittsposition sollte die Folgen der stagnierenden CTR deutlich machen.

Ein letzter Hinweis: Die lineare Regressionsanalyse funktioniert nicht gut bei saisonalen Themen. Den Ergebnissen einer Regressionsanalyse für einen Schneeschaufel-Blog sollte man eher skeptisch gegenüber sein. Dafür gibt es auch andere Verfahren, die auf saisonale Verläufe anwendbar sind.

Gründer von onlinemarketingscience.com, Student der Wirtschaftsinformatik und Gründer der Skyscraper Marketing UG in Frankfurt.

Ich interessiere mich vor allem für Themen wie Big Data, Data Science, neuronale Netze, Business Process Optimization im Online-Geschäft und natürlich SEO (Suchmaschinenoptimierung).