Tutorial: Server-Side IP-Anonymisierung: GA4, Adobe Launch und Jentis
In serverseitigen Tracking-Architekturen ist die Maskierung von IP-Adressen vor der Übertragung an Analyse-Endpunkte ein entscheidender Schritt für den Datenschutz. Die folgende Anleitung beschreibt die technische Konfiguration zur Implementierung einer serverseitigen IP-Anonymisierung für drei Hauptplattformen: Server-Side Google Tag Manager (sGTM), Adobe Experience Platform (Adobe Launch) und Jentis.
1. Server-Side GTM (sGTM) für GA4
Die Anonymisierung einer IP-Adresse in sGTM erfordert die Erstellung eines benutzerdefinierten Variablen-Templates mittels Sandboxed JavaScript, da standardmäßige browserbasierte JavaScript-Variablen in einer Serverumgebung nicht unterstützt werden.
- In den Bereich Templates des Server-Containers navigieren und unter Variablen-Templates auf Neu klicken.
- Im Template-Editor den Tab Code öffnen und den folgenden Sandboxed JavaScript-Code einfügen:
const getEventData = require('getEventData');
const ip = getEventData('ip_override') || getEventData('ip');
if (ip && typeof ip === 'string') {
return ip.replace(/\.[^.]+$/, '.0');
}
return '0.0.0.0';- In den Tab Berechtigungen wechseln und sicherstellen, dass das Template die Berechtigung hat, die Schlüssel
ipundip_overrideaus den Event-Daten zu lesen. - Das Template unter einem erkennbaren Namen speichern, beispielsweise Masked IP.
- Zu Variablen navigieren, eine neue Variable basierend auf diesem Template erstellen und speichern.
- Das GA4-Tag öffnen. Unter Hinzuzufügende / Zu bearbeitende Parameter den Parameternamen
ip_overridesetzen und als Wert die neu erstellte Variable zuweisen.
2. Adobe Launch (Server-Side / AEP Edge Network)
In einem serverseitigen Setup der Adobe Experience Platform wird die IP-Verschleierung direkt in der Datastream-Konfiguration abgewickelt.
- Die Oberfläche für die Datenerfassung der Adobe Experience Platform aufrufen.
- Zum Konfigurationsmenü Datastreams navigieren.
- Den spezifischen Datastream auswählen, der für das serverseitige Routing verwendet wird.
- Die Dienstkonfiguration für Adobe Analytics innerhalb des Streams bearbeiten.
- Die Option IP-Adresse maskieren aktivieren. Diese Einstellung weist das Edge Network an, das letzte Oktett der IP-Adresse automatisch zu entfernen, bevor die Daten an die Analytics-Verarbeitungsserver weitergeleitet werden.
3. Jentis
Jentis bietet integrierte, zentralisierte Datenschutzkontrollen für die serverseitige Datenmanipulation.
- Das Jentis Data Capture Control Panel öffnen.
- Zum Bereich Datenschutz oder Privacy-Einstellungen navigieren.
- Die PII-Maskierungsregeln (Personally Identifiable Information) lokalisieren.
- Eine neue Maskierungsregel für den Parameter der IP-Adresse erstellen. Die Plattform stellt eine vorkonfigurierte Maskierungsoperation (Entfernen des letzten Oktetts) bereit, die global für alle Tools oder spezifisch für ein einzelnes Ziel angewendet werden kann.
- Die Konfiguration speichern und veröffentlichen, um sicherzustellen, dass die Roh-IP auf Serverebene verworfen wird.
Die Auswirkungen der IP-Anonymisierung auf GA4-Geolokalisierungsdaten
Die Anonymisierung von IP-Adressen hat tiefgreifende Auswirkungen auf die Genauigkeit und Granularität der Geolokalisierungsberichte in Google Analytics 4. GA4 verlässt sich stark auf die IP-Adresse, um Sitzungen bestimmten geografischen Einheiten wie Städten, Regionen und Internet Service Providern (ISPs) zuzuordnen. Wenn das letzte Oktett einer IP-Adresse abgeschnitten wird (z. B. durch Änderung von 192.168.1.55 auf 192.168.1.0), verliert der ursprüngliche Datenpunkt seine hostbasierte Eindeutigkeit.
Die unmittelbare Folge ist eine signifikante Verringerung der geografischen Präzision. Während Daten auf Länderebene weiterhin sehr genau bleiben, geht die Zuordnung auf Stadtebene oft verloren. Die verschleierte IP-Adresse wird typischerweise einem breiteren regionalen Knotenpunkt oder dem Haupt-Routing-Zentrum des ISPs zugeordnet und nicht der tatsächlichen Gemeinde. Folglich zeigen GA4-Berichte einen starken Anstieg von “Not Set”-Werten für die Dimension “Stadt” oder weisen eine künstliche Konzentration in großen Metropolregionen auf, in denen sich die ISP-Knotenpunkte befinden.
Darüber hinaus beeinträchtigt dieser Verlust an Granularität die Verhaltensmodellierung, die lokalisierte Marketing-Attribution und die Möglichkeit, hyperlokale Zielgruppensegmente zu bilden. Interne Machine-Learning-Modelle von Google, die Datenlücken schließen sollen, erhalten ebenfalls ein ungenaueres Ausgangssignal, was lokale Trendanalysen weniger verlässlich macht. Die strikten Compliance-Vorteile der IP-Maskierung müssen daher gegen die strukturelle Verschlechterung lokaler geografischer Erkenntnisse abgewogen werden.
