English
Deutsch
PolskiMatomo vs. GA4 im Enterprise-Umfeld: Wann ist Self-Hosted-Analytics die bessere Wahl?
Inhalt
Im professionellen Enterprise-Analytics-Umfeld erfordert die Entscheidung zwischen einer verwalteten SaaS-Plattform wie Google Analytics 4 (GA4) und einer selbstgehosteten Infrastruktur wie Matomo On-Premise eine detaillierte architektonische Bewertung. Während GA4 nahtlose Integrationen in die Google Cloud und die Google Marketing Platform bietet, gewähren selbstgehostete Analyse-Plattformen absolute Datensouveränität, uneingeschränkten Zugriff auf rohe Datenbanktabellen und vollständige Konformität mit den strengsten europäischen Datenschutzrichtlinien.
1. Architektonische Unterschiede: BigQuery-SaaS vs. eigene MySQL-Datenbankhoheit
Der fundamentale Unterschied zwischen GA4 und Matomo liegt in der Datenhoheit und Infrastrukturkontrolle:
- GA4 (Managed SaaS): Ereignisdaten werden in der Google-Cloud-Infrastruktur gesammelt und gespeichert. Ein Rohdatenzugriff erfordert den Export in Google BigQuery. Obgleich BigQuery leistungsstarke SQL-Abfragen erlaubt, bleiben Speicherfristen, Schemaanpassungen und physische Serverstandorte an die Nutzungsbedingungen des Anbieters gebunden.
- Matomo (Self-Hosted On-Premise): Sämtliche Tracking-Hits werden direkt in eine unabhängige MySQL- oder MariaDB-Datenbank auf internen Unternehmensservern oder in einer privaten Cloud geschrieben. Die uneingeschränkte administrative Kontrolle über die Datenbank ermöglicht eigene Indizierungen, den direkten Anschluss eigener Datenstrecken zum Auslesen, Aufbereiten und Laden (ETL) und eine absolute physische Kontrolle über den Speicherort ohne Zugriff dritter Parteien.
2. Vollständige Datengenauigkeit: Eliminierung von Sampling und API-Limits
Hochfrequentierte Enterprise-Plattformen stoßen bei SaaS-Analysewerkzeugen häufig auf restriktive Datenlimitierungen:
- Sampling und Kardinalitätsgrenzen: Die Standardberichte von GA4 wenden Kardinalitätsgrenzen und Datensampling an, sobald hochkardinale Dimensionen (wie eindeutige User-IDs oder granulare Zeitstempel) bestimmte Schwellenwerte überschreiten, wodurch seltene Werte unter dem Label (other) zusammengefasst werden.
- API-Kontingente: Der Datenabruf aus GA4 über die Data API unterliegt strengen Token-Kontingenten, was automatisierte Übersichten in Business-Intelligence-Werkzeugen (BI) und hochfrequente Synchronisationsprozesse ausbremsen kann.
- Ungefiltertes Matomo-Reporting: Selbstgehostete Matomo-Instanzen führen Abfragen direkt auf internen relationalen Tabellen aus. Die Verarbeitungsleistung wird ausschließlich durch die bereitgestellten Hardware-Ressourcen (CPU und RAM des MySQL-Servers) limitiert, was 100 % unsampled Reports und unbegrenzte API-Datenabrufe garantiert.
3. Europäische Datenschutzkonformität und Cookie-freies Tracking
Die Einhaltung europäischer Datenschutzvorgaben (DSGVO, ePrivacy-Richtlinie und nationale Auslegungen durch Aufsichtsbehörden wie der deutschen Datenschutzkonferenz (DSK), der französischen CNIL oder der polnischen Datenschutzbehörde UODO) stellt SaaS-Analytics vor komplexe Herausforderungen:
- Internationale Datentransfers: Die Nutzung verwalteter Analyseplattformen bringt oft den Transfer von Metadaten über internationale Grenzen hinweg mit sich, was rechtliche Absicherungen und Data-Privacy-Framework-Prüfungen erfordert.
- Consent-freie Tracking-Optionen: Matomo lässt sich so konfigurieren, dass es vollständig ohne Tracking-Cookies arbeitet und ausschließlich kurzlebige, anonymisierte Sitzungs-Hashes nutzt, die nach 24 Stunden verfallen. Bei einem Hosting innerhalb der Europäischen Union und Verzicht auf Cross-Site-Profiling kann Matomo unter geltenden europäischen Ausnahmeregelungen häufig ohne expliziten Consent-Banner betrieben werden.
Zusammenfassung
Der Einsatz von selbstgehostetem Matomo anstelle von GA4 in Enterprise-Architekturen ist immer dann geboten, wenn rechtliche Konformität, Datensouveränität und uneingeschränkter Datenbankzugriff gegenüber vorgefertigten Werbe-Ökosystemen priorisiert werden. Die direkte MySQL-Hoheit, das vollständige Fehlen von Datensampling und die Eliminierung von API-Limits schaffen ein belastbares, datenschutzkonformes Analyse-Fundament.
Fragen und Antworten
Unter welcher Konfiguration kann Matomo ohne Einwilligungsbanner laufen, und wie lässt sich das belegen statt annehmen?
Die Aussage beruht auf einer Reihe von Bedingungen, und jede davon ist eine Einstellung, die in der Installation zutreffen muss und nicht auf einer Werbeseite: keine Tracking-Cookies, kurzlebige anonymisierte Sitzungskennungen, kein seitenübergreifendes Profiling und Hosting innerhalb der Europäischen Union, wie der Artikel sie aufzählt, dazu die Anonymisierung der Adresse. Ob daraus eine Ausnahme folgt, ist eine Frage der nationalen Auslegung und gehört zu einem Juristen, nicht zu einem Tracker.
Technisch lässt sich die Grundlage dieser Frage belegen statt annehmen. Eine Seite, in einem sauberen Browserprofil geladen, zeigt die Speicherseite: Cookies, Local Storage und Session Storage sollten alle leer bleiben. Der gespeicherte Besuch zeigt, ob die Adresse vor dem Schreiben gekürzt wurde, und die Konfiguration zeigt, wie lange der Sitzungs-Hash lebt.
Das dauert wenige Minuten und ergibt einen datierten, mit Screenshots belegten Nachweis dessen, was die Installation tatsächlich tut. Es ist zugleich das Dokument, das eine rechtliche Prüfung braucht und selten bekommt: Prüfungen arbeiten meist mit der Beschreibung des Anbieters, und die beschreibt, wofür sich das Produkt konfigurieren lässt.
Ab welcher Größenordnung wird eine selbst gehostete Matomo-Instanz zum Engpass, und woran zeigt sich das zuerst?
Der Engpass ist selten die Erfassung. Treffer entgegenzunehmen und wegzuschreiben ist billig; teuer ist das Vorrechnen der Berichte.
Diese Archivierung wächst nicht mit der Trefferzahl allein, sondern mit dem Produkt aus Trefferzahl, Segmenten und angefragten Zeiträumen. Deshalb gibt es keine belastbare Grenze in Seitenaufrufen: Eine Instanz, die eine bestimmte Trefferzahl mit drei Segmenten entspannt verarbeitet, kann bei derselben Trefferzahl mit dreißig Segmenten und täglichen Jahresvergleichen überfordert sein. Sichtbar wird das nicht als Fehler, sondern als Bericht, der beim Aufruf minutenlang rechnet oder Zahlen von gestern zeigt.
Zwei Einstellungen entscheiden mehr als die Serverausstattung: Die Archivierung, die beim Öffnen der Berichte im Browser anläuft, wird abgeschaltet, und an ihre Stelle tritt ein Cronjob. Danach ist die Dauer eines Laufs die eigentliche Messgröße. Überschreitet ein Lauf sein eigenes Intervall, ist die Grenze erreicht, lange bevor die Datenbank selbst klemmt, und mit reichlich Vorlauf für die Entscheidung zwischen mehr Hardware und weniger vorgerechneten Segmenten.
Lassen sich historische Daten aus GA4 nach Matomo übertragen, damit die Instanz nicht leer beginnt?
In dem Sinn, der meist gemeint ist – nein. Sitzungen und Nutzerpfade lassen sich in einem anderen System nicht nachbilden, weil die Rohereignisse in einem Format fehlen, das die andere Seite versteht; selbst der BigQuery-Export beschreibt das Datenmodell von GA4, nicht das von Matomo.
Übertragen lassen sich zwei Dinge. Aggregierte historische Werte als Bezugspunkt (monatliche Seitenaufrufe und Conversions, als eigener Datenbestand eingespielt oder in einer Tabelle geführt) sowie rohe Server-Logs, die Matomo importieren kann. Letzteres funktioniert gut für die Verkehrshistorie, bildet aber keine Ereignisse der Oberfläche nach.
Ein vernünftiger Plan sieht deshalb anders aus als eine Migration: beide Systeme parallel über einen klar festgelegten Zeitraum, ein Stichtag, und das alte System bleibt im Nur-Lese-Modus, solange jemand nach dem Vorjahr fragen kann. Der Vergleich aus der Parallelphase ist nebenbei die einzige glaubwürdige Antwort auf die Frage, warum die Zahlen in beiden Werkzeugen nie identisch sein werden.
Passend dazu
