English
Deutsch
PolskiGA4-Alarme bei kleinen Zahlen: Schwelle, Intervall und statistisches Rauschen
Management Summary
GA4-Alarme können auf sinkende Einkaufsaktivität hinweisen, bevor ein größeres Geschäftsproblem auffällt. Bei kleinen Zahlen entstehen starke prozentuale Rückgänge jedoch auch durch gewöhnliche Zufallsschwankungen. Alarmgrenze und Beobachtungsdauer bestimmen den Ausgleich zwischen früher Erkennung und unnötigen Warnungen. Längere Zeiträume sammeln mehr Hinweise, reagieren aber langsamer. Gerade bei kleineren Shops ist ein Alarm deshalb Anlass zur Einordnung mit echten Bestellungen und jüngsten Änderungen, kein Beweis für einen defekten Kaufablauf.
Inhalt
- Ein nachrechenbares Beispiel für kleine Zahlen
- Eine niedrigere Schwelle verändert beide Fehlerarten
- Längere Intervalle: mehr Daten, spätere Reaktion
- Eine passende Vergleichsbasis reduziert vermeidbare Schwankungen
- Verhältnisse helfen nur mit einer passenden Definition
- Fragen und Antworten
- Quellen
- Praxiskontrolle: Wochentagsbasis ohne den Prüftag
Ein Rückgang der Warenkorb-Ereignisse kann auf einen defekten Bestellvorgang hindeuten. Kleine Ereigniszahlen schwanken jedoch auch ohne technische Störung stark. Ein Alarm braucht deshalb eine passende Vergleichsbasis, eine ausdrücklich gewählte Schwelle und ausreichend aktuelle Daten.
Drei Größen sind auseinanderzuhalten: die beobachtete Abweichung, die Wahrscheinlichkeit eines Fehlalarms und die Wahrscheinlichkeit, eine tatsächliche Störung zu erkennen. Eine überschrittene Schwelle beweist weder einen technischen Defekt noch die Abwesenheit von Zufall. Umgekehrt schließt ein ausbleibender Alarm einen Defekt nicht aus.
Ein nachrechenbares Beispiel für kleine Zahlen
Als einfaches Modell dient eine Poisson-Zählung: Ereignisse treffen unabhängig mit einer konstanten Rate ein. Bei einem erwarteten Mittelwert μ beträgt die Standardabweichung √μ. Bei 25 erwarteten Ereignissen sind das 5, bei 2.500 sind es 50. Die relative Schwankung sinkt also von 20 % auf 2 %.
Eine einfache untere Kontrollgrenze liegt bei L = μ − 3√μ. Ein Alarm wird ausgelöst, wenn die beobachtete Anzahl unter L fällt. Der relative Abstand dieser Grenze vom Mittelwert beträgt 3/√μ. Die Tabelle setzt einen bekannten, stabilen Erwartungswert voraus; geschätzte Referenzwerte bringen zusätzliche Unsicherheit mit.
| Erwartete Ereignisse je Intervall | Abstand zur 3σ-Grenze |
|---|---|
| 50 | 42,4 % |
| 200 | 21,2 % |
| 800 | 10,6 % |
| 3200 | 5,3 % |
Die Prozentwerte beschreiben den Abstand zur Kontrollgrenze, nicht einen kleinsten sicher erkennbaren Schaden. Bei μ = 50 liegt die Grenze bei etwa 28,8; ganze Zählwerte bis 28 lösen den Alarm aus. Ein tatsächlicher Rückgang um ein Drittel senkt den neuen Erwartungswert auf etwa 33,3. Einzelne Intervalle können trotzdem unter 28,8 fallen, andere darüber. Eine gewünschte Trefferwahrscheinlichkeit erfordert eine gesonderte Berechnung.
Für μ ≤ 9 liegt diese 3σ-Grenze bei null oder darunter. Kein nichtnegativer Zählwert kann eine Grenze von null unterschreiten. Das bedeutet nicht, dass Ausfälle grundsätzlich unerkennbar wären: Eine passend kalibrierte Poisson-Regel oder ein gesonderter Null-Ereignis-Alarm kann geeigneter sein.
Eine niedrigere Schwelle verändert beide Fehlerarten
Eine Grenze mit 2 statt 3 Standardabweichungen liegt näher am Mittelwert und reagiert auf kleinere Abweichungen. Gleichzeitig steigt die Fehlalarmwahrscheinlichkeit. Bei einer bekannten Normalverteilung liegen die einseitigen Wahrscheinlichkeiten unter −2σ beziehungsweise −3σ bei etwa 2,28 % und 0,135 %: ein Faktor von knapp 17.
Diese Normalverteilungswerte sind keine universellen GA4-Fehlalarmraten. Kleine Poisson-Zählungen können nur ganze Werte wie 0, 1 oder 2 annehmen; überlappende Zeitfenster und mehrere Kennzahlen erzeugen weitere Abhängigkeiten und zusätzliche Alarmgelegenheiten. Die Einstellung gehört deshalb gegen historische, möglichst störungsfreie Daten geprüft. Häufige Fehlalarme können die Aufmerksamkeit für echte Störungen verringern.
Längere Intervalle: mehr Daten, spätere Reaktion
Im Poisson-Beispiel halbiert eine vierfache erwartete Anzahl den relativen Abstand zur selben 3σ-Grenze. Ein längeres Fenster sammelt mehr Ereignisse, kostet aber Zeit. Eine kurze Störung kann außerdem durch störungsfreie Abschnitte im selben Fenster verdünnt werden.
| Fenster | Erwartete Ereignisse | Abstand zur 3σ-Grenze |
|---|---|---|
| 5 min | 16,7 | 73,5 % |
| 15 min | 50,0 | 42,4 % |
| 1 h | 200,0 | 21,2 % |
| 4 h | 800,0 | 10,6 % |
Die Tabelle nimmt konstant 4.800 Ereignisse pro Tag an. Die erste Zeile enthält rechnerisch 16,67 Ereignisse und ist gerundet. Schon das Fünf-Minuten-Fenster kann einen deutlichen Ausfall anzeigen; eine allgemeine Grenze von 100 % wäre falsch.
Fensterlänge und Alarmverzögerung sind nicht identisch. Entscheidend sind zusätzlich Beginn und Dauer der Störung, Auswertungszeitpunkte, die Lage der Fenstergrenzen und die Verfügbarkeit der Daten. Ein vierstündiges Fenster kann für einen Bestellvorgang zu langsam und für eine tägliche Datenlieferung angemessen sein.
Eine passende Vergleichsbasis reduziert vermeidbare Schwankungen
Shopverkehr folgt Tages- und Wochenmustern. Kampagnen, Feiertage, Kundengruppen und Einwilligungen verändern die Zählungen zusätzlich. Reale Daten können deshalb stärker streuen als im Poisson-Modell. Die Tabellen enthalten bewusst keinen unbelegten pauschalen Aufschlag für „echten Verkehr“.
Vergleiche mit derselben Stunde desselben Wochentags können regelmäßige Muster berücksichtigen. Trends, Sonderaktionen und wenige Referenzwochen bleiben mögliche Fehlerquellen. Eine solche Anpassung entspricht keiner garantierten Vervierfachung des Verkehrs. Auch danach bleibt Unsicherheit.
Verhältnisse helfen nur mit einer passenden Definition
Eine Warenkorbquote kann Änderungen des Verkehrsaufkommens teilweise ausgleichen. Für eine einfache Binomialbetrachtung zählt jede Sitzung höchstens einmal: Sitzungen mit mindestens einem Warenkorb-Ereignis geteilt durch alle betrachteten Sitzungen. Die Zahl aller Warenkorb-Ereignisse pro Sitzung ist eine andere Kennzahl; wiederholte Ereignisse können Werte über eins erzeugen.
Bei unabhängigen Sitzungen und einer konstanten Wahrscheinlichkeit p hat die Quote näherungsweise die Standardabweichung √(p(1−p)/n), mit n als Anzahl der Sitzungen. Bei 50 passenden Sitzungen unter 1.000 liegt die Quote bei 5 % und die geschätzte Standardabweichung bei etwa 0,69 Prozentpunkten. Kleine Mengen bleiben also unruhig. Bei null Sitzungen ist die Quote nicht definiert.
Auch Quoten können mit Kanal, Tageszeit oder Kundengruppe wechseln. Eine Störung muss die Quote nicht sofort sichtbar verschieben. Die Kontrollgrenze einer Ereigniszählung lässt sich deshalb nicht unverändert auf jede Quote übertragen.
Fragen und Antworten
Warum halbiert die vierfache Menge den relativen Abstand?
Im Poisson-Modell wächst die Standardabweichung mit √μ. Der relative Abstand einer kσ-Grenze beträgt k/√μ. Viermal μ verdoppelt den Nenner und halbiert den Abstand. Das beschreibt die Grenze, nicht automatisch eine verdoppelte Trefferwahrscheinlichkeit.
Ist ein vollständiger Ausfall leichter zu erkennen?
Häufig ja. Im stabilen Poisson-Modell beträgt die Wahrscheinlichkeit für null Ereignisse e−μ. Bei μ = 17 sind das etwa 4,14 von 100 Millionen Intervallen, bei μ = 2 bereits etwa 13,5 %. Ein Null-Alarm braucht deshalb eine zur Uhrzeit passende Erwartung. Fehlende oder verspätete Messdaten können ebenfalls null erzeugen; ein Alarm beweist keinen Ausfall des Shops.
Kommt ein stündlicher GA4-Alarm nach einer Stunde?
Nur bei entsprechend verfügbaren Daten und passender Auswertung. Reguläre GA4-Berichte können Stunden später ergänzt werden; Google nennt für die allgemeine Verarbeitung 24 bis 48 Stunden. Der tägliche BigQuery-Export hat keinen garantierten festen Fertigstellungszeitpunkt. Eine scheinbare Abnahme kann deshalb eine noch unvollständige Lieferung sein.
Die Echtzeit-API deckt bei Standard-Properties die letzten 30 Minuten ab, bei Analytics 360 bis zu 60 Minuten. Eine einzelne Abfrage pro Stunde erfasst bei einem 30-Minuten-Fenster keine vollständige Stunde. Häufigere, sauber abgegrenzte und ohne Doppelzählung gespeicherte Auswertungen benötigen eine eigene Umsetzung. BigQuery-Streaming liefert schneller, ist aber ein Best-Effort-Dienst mit möglichen Lücken. Für abgeschlossene Käufe kann die Bestelltabelle eine passendere Kontrollquelle sein.
Die Datenquelle beeinflusst nicht nur die Wartezeit, sondern auch Abdeckung, Definition und Vollständigkeit der Kennzahl. Zeitstempel, Einwilligung, Filter und Nachlieferungen gehören daher ebenso zur Alarmprüfung wie die statistische Schwelle. Stand der Quellenprüfung: 24. Oktober 2026.
Quellen
Praxiskontrolle: Wochentagsbasis ohne den Prüftag
Der GA4-Anomalieprüfer vergleicht einen gewählten Berichtstag jetzt mit demselben Wochentag der acht vorherigen Wochen. Ein Donnerstag wird mit acht Donnerstagen verglichen. Der Prüftag bleibt aus Referenzmittelwert und Stichproben-Standardabweichung ausgeschlossen. Ein starker Einbruch am Prüftag kann damit die Vergleichsbasis nicht nach unten ziehen.
Das Werkzeug liest Sitzungen, Nutzer insgesamt, Seiten-/Bildschirmaufrufe, Key Events, Ereignisanzahl, Gesamtumsatz und Interaktionsrate über die lesende Data API. Vorausgewählt ist der Tag vor vier Tagen, um Verarbeitungszeit einzuräumen. Dieser Abstand bestätigt jedoch keine vollständigen Daten. Die Berichtszeitzone der Property und die Antwortmetadaten bleiben maßgeblich.
- Einen abgeschlossenen Tag wählen und die acht im Ergebnis genannten Referenztage prüfen.
- Fehlt ein erforderliches Datum in der Antwort, wird der Vergleich ausgesetzt. Fehlende Zeilen werden nicht still durch null ersetzt; eine ausdrücklich gemeldete null bleibt null.
- Der beschreibende z-Wert gibt den Abstand vom Referenzmittelwert in Einheiten der Referenz-Standardabweichung an. Dieser Wert wird mit der gewählten Schwelle verglichen. Bei einer konstanten Basis erscheint entweder keine Änderung oder eine Abweichung von diesem konstanten Wert, ohne Division durch null.
- Die neun Vergleichstage als CSV herunterladen und Auffälligkeiten mit Releases, Kampagnen, Feiertagen und weiteren Befunden abgleichen.
Acht Beobachtungen bilden eine kleine Vergleichsbasis. Die Hinweise sind keine kalibrierten Signifikanztests; sieben gleichzeitige Kennzahlprüfungen können Zufallstreffer erzeugen. Gleiche Wochentage beseitigen weder Trends und Sonderaktionen noch Einwilligungsänderungen oder Verarbeitungsverzögerungen. Ein unauffälliger Wert belegt keine vollständige Messung, ein auffälliger Wert keine Ursache. Dies ist ein manuelles Untersuchungswerkzeug, kein zeitgesteuerter Alarmdienst.
Quellen: Google-runReport-Referenz, Kennzahldefinitionen sowie NIST zur Ausreißererkennung und ihren Voraussetzungen.
Passend dazu
