Vier Arten von Zahlen im Conversion-Bericht: Gezählt, modelliert, hochgerechnet und geschätzt mit Bereich

Ein Conversion-Bericht kann erfasste Ereignisse, Schätzungen für Beobachtungslücken, Prognosen und Schätzungen mit Unsicherheitsbereich enthalten. Das sind vier nützliche Betrachtungsweisen, keine vier statistisch überschneidungsfreien Kategorien. Eine Prognose ist ebenfalls modelliert; sowohl vergangenheitsbezogene Schätzungen als auch Zukunftsprognosen können Intervalle besitzen.

Verständlich wird eine Zahl durch Angaben zu Messung oder Schätzung, der betrachteten Gruppe von Personen oder Ereignissen, Zeitraum, Berechnungsregeln und Abrufstand. Die Darstellung in einer Spalte beantwortet diese Fragen nicht.

Gezählt: unter festgelegten Regeln erfasst

Ein erfasstes Ereignis belegt den Eingang im Messsystem, nicht die vollständige und genau einmalige Erfassung jedes tatsächlichen Abschlusses. Doppelte Ereignisse, Messlücken und die Conversion-Definition bleiben relevant. Google Ads unterscheidet beispielsweise die Zählung jedes Abschlusses von einer Conversion je Anzeigeninteraktion für eine Conversion-Aktion.

Zählwerte können durch verspätete Verarbeitung und Korrekturen verändert werden. Google Ads unterscheidet dabei Rücknahmen mit Wirkung auf die Anzahl von Wertanpassungen. Auch ein geschlossenes Attributionsfenster macht nicht jede veröffentlichte Zahl dauerhaft unveränderlich. Reproduzierbarkeit erfordert einen gesicherten Datenstand samt Abfrage, Konfiguration und Definition.

Zählwerte aus überschneidungsfreien Zeiträumen sind bei gleichen Regeln und gleichem Datumsbezug addierbar. Unterschiedliche Personen lassen sich dagegen nicht einfach monatsweise aufsummieren, wenn dieselbe Person in beiden Monaten vorkommt. Für Quoten braucht die Zusammenfassung Zähler und Nenner statt einer Addition angezeigter Prozentsätze.

Modelliert: eine unvollständig beobachtete Größe geschätzt

Consent Mode kann verschiedene Modellierungen unterstützen. Die GA4-Verhaltensmodellierung schätzt Verhalten bei fehlenden dauerhaften Kennungen anhand ähnlich beobachteter Nutzergruppen. Conversion-Modellierung ist ein anderer Modelleinsatz; dafür gelten nicht automatisch die Eignungsschwellen der Verhaltensmodellierung.

In GA4 hängen Verhaltensmodellierung und Darstellung von Eignung und Berichtsidentität ab. Das Datenqualitätssymbol und auf manchen Seiten Hinweise zeigen eingeschlossene, ausgeschlossene oder nicht verfügbare geschätzte Nutzerdaten an. Ein Bericht kann Beobachtungen und Schätzungen kombinieren, ohne für jede Zeile einen eigenen Modellierungsanteil auszuweisen. Das bedeutet jedoch nicht, dass jeglicher Hinweis fehlt.

Der GA4-Ereignisexport nach BigQuery enthält keine modellierten GA4-Daten. Das ist eine Grenze dieses Exports, keine Einschränkung von BigQuery als Speichersystem: Ergebnisse anderer Modelle können dort gespeichert werden. Eine Abweichung zur Oberfläche beweist ebenfalls keine Modellierung. Zeitzonen, Kennzahlenebene, Filter, Exportvollständigkeit, Verarbeitungsstand und Berechnungsmethode können Unterschiede verursachen.

Projiziert: ein definiertes Ziel in der Zukunft

Eine Prognose schätzt ein künftiges Ergebnis anhand der zu einem bestimmten Zeitpunkt verfügbaren Informationen. Google beschreibt Qualified Future Conversions (QFC) als Signal, das Werbekontakt und nachfolgende frühe Handlungen wie Markensuchen mit erwarteten künftigen Conversions verbindet. Die veröffentlichte Übersicht zur Leadgenerierung nennt einen Horizont von bis zu sechs Monaten.

Vor Verwendung benötigen konkrete Kontokennzahl, Horizont, Verfügbarkeit und Berichtsdefinition eine Bestätigung. Die allgemeine Ankündigung belegt weder identische Spalten noch einen aktuellen Pilotstatus für jedes Konto. Eine Prognose sämtlicher Ergebnisse unterscheidet sich von einer Prognose noch ausstehender Ergebnisse. Eine pauschale Addition zu erfassten Conversions kann deshalb doppelt zählen.

Eine Prognose lässt sich nach Ablauf des Zielzeitraums und unter Berücksichtigung der Berichtsverzögerung bewerten. Dafür braucht die Prüfung den ursprünglichen Prognosestand, die betrachtete Gruppe von Fällen (Zielkohorte), das Zieldatum und die Bewertungsregel. Ein späterer Wert derselben Spalte kann bereits eine überarbeitete Prognose sein. Fehlende Beobachtungen späterer Ergebnisse begrenzen auch die Prüfung; eine attribuierte Prognose beweist nicht automatisch einen ursächlichen Werbemehrwert.

Geschätzt mit Bereich: Unsicherheit braucht eine Definition

Ein Marketing-Mix-Modell kann einen zusätzlichen Beitrag schätzen und einen Zentralwert mit Intervall ausgeben. Intervallart und Niveau gehören zur Zahl. Bei einem bayesianischen 90-%-Glaubwürdigkeitsintervall beträgt die Wahrscheinlichkeit im Modell 90 %, dass die unbekannte Größe innerhalb des Bereichs liegt. Grundlage sind die beobachteten Daten zusammen mit den Vorannahmen. Ein frequentistisches 90-%-Konfidenzverfahren bedeutet dagegen: Bei vielen wiederholten Stichproben würden etwa 90 % der berechneten Bereiche den festen wahren Wert enthalten, sofern die Annahmen des Verfahrens gelten. Ein Vorhersageintervall bezieht sich auf eine künftige Beobachtung statt allein auf einen Modellparameter.

Kein Intervall deckt automatisch sämtliche Fehlerquellen ab. Fehlende Einflussfaktoren, mangelhafte Messung oder ein ungeeignetes Modell können auch einen engen Bereich irreführend machen. Google Meridian empfiehlt deshalb die Prüfung von Modellannahmen und Ergebnissen statt allein der Vorhersagegüte. Ein Intervall liefert wertvolle Information, aber kein automatisches Qualitätssiegel.

Was lässt sich addieren?

Erwartete Anzahlen kompatibler, überschneidungsfreier Gruppen sind addierbar, auch bei Modellierung oder Prognose. Für Erwartungswerte benötigt E(A+B)=E(A)+E(B) keine Unabhängigkeit. Daraus folgt keine Erlaubnis zur Addition überlappender attribuierter Conversions, verschiedener Zielgrößen, Quoten oder inkompatibler Prognosen.

Die Unsicherheit hängt auch davon ab, welche Werte gemeinsam auftreten können. Das beschreibt die gemeinsame Verteilung. Quantile und Intervallgrenzen sind im Allgemeinen nicht addierbar. Ein vereinfachtes Beispiel verwendet vier gleich gewichtete gemeinsame Szenarien: Kanal A erhält 80, 90, 110, 120, Kanal B 120, 110, 90, 80. Jede paarweise Summe ist 200. Getrennt addierte Minima und Maxima ergeben 160–240; das ist nicht der Wertebereich der paarweisen Summen. Das Beispiel veranschaulicht Abhängigkeit, kein angepasstes Marketingmodell und kein Glaubwürdigkeitsintervall.

Bei posterioren Stichproben werden kompatible Ergebnisse zunächst innerhalb jeder gemeinsamen Ziehung addiert. Aus diesen Summen entsteht anschließend das Intervall. Ein unabhängiges Umsortieren der Kanalwerte zerstört die Abhängigkeit. Das gemeinsame Modell bestimmt außerdem, ob Beiträge überhaupt additiv definiert sind.