{"id":10478,"date":"2026-09-20T12:30:00","date_gmt":"2026-09-20T10:30:00","guid":{"rendered":"https:\/\/www.lukaswojcik.com\/blog\/?p=10478"},"modified":"2026-10-26T13:45:17","modified_gmt":"2026-10-26T12:45:17","slug":"ga4-alarme-bei-kleinen-zahlen-schwelle-intervall-und-statistisches-rauschen","status":"publish","type":"post","link":"https:\/\/www.lukaswojcik.com\/blog\/de\/digital-analytics-de\/ga4-alarme-bei-kleinen-zahlen-schwelle-intervall-und-statistisches-rauschen\/","title":{"rendered":"GA4-Alarme bei kleinen Zahlen: Schwelle, Intervall und statistisches Rauschen"},"content":{"rendered":"

Ein R\u00fcckgang der Warenkorb-Ereignisse kann auf einen defekten Bestellvorgang hindeuten. Kleine Ereigniszahlen schwanken jedoch auch ohne technische St\u00f6rung stark. Ein Alarm braucht deshalb eine passende Vergleichsbasis, eine ausdr\u00fccklich gew\u00e4hlte Schwelle und ausreichend aktuelle Daten.<\/p>\n

Drei Gr\u00f6\u00dfen sind auseinanderzuhalten: die beobachtete Abweichung, die Wahrscheinlichkeit eines Fehlalarms und die Wahrscheinlichkeit, eine tats\u00e4chliche St\u00f6rung zu erkennen. Eine \u00fcberschrittene Schwelle beweist weder einen technischen Defekt noch die Abwesenheit von Zufall. Umgekehrt schlie\u00dft ein ausbleibender Alarm einen Defekt nicht aus.<\/p>\n

\n\"Poisson-Beispiel:
Poisson-Beispiel: relative Abst\u00e4nde unterer Kontrollgrenzen f\u00fcr 2\u03c3, 3\u03c3 und 4\u03c3. Keine gemessenen Trefferwahrscheinlichkeiten.<\/figcaption><\/figure>\n

Ein nachrechenbares Beispiel f\u00fcr kleine Zahlen<\/h2>\n

Als einfaches Modell dient eine Poisson-Z\u00e4hlung: Ereignisse treffen unabh\u00e4ngig mit einer konstanten Rate ein. Bei einem erwarteten Mittelwert \u03bc betr\u00e4gt die Standardabweichung \u221a\u03bc. Bei 25 erwarteten Ereignissen sind das 5, bei 2.500 sind es 50. Die relative Schwankung sinkt also von 20 % auf 2 %.<\/p>\n

Eine einfache untere Kontrollgrenze liegt bei L = \u03bc \u2212 3\u221a\u03bc. Ein Alarm wird ausgel\u00f6st, wenn die beobachtete Anzahl unter L f\u00e4llt. Der relative Abstand dieser Grenze vom Mittelwert betr\u00e4gt 3\/\u221a\u03bc. Die Tabelle setzt einen bekannten, stabilen Erwartungswert voraus; gesch\u00e4tzte Referenzwerte bringen zus\u00e4tzliche Unsicherheit mit.<\/p>\n\n\n\n\n\n\n\n\n
Erwartete Ereignisse je Intervall<\/th>\nAbstand zur 3\u03c3-Grenze<\/th>\n<\/tr>\n<\/thead>\n
50<\/td>\n42,4 %<\/td>\n<\/tr>\n
200<\/td>\n21,2 %<\/td>\n<\/tr>\n
800<\/td>\n10,6 %<\/td>\n<\/tr>\n
3200<\/td>\n5,3 %<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Die Prozentwerte beschreiben den Abstand zur Kontrollgrenze, nicht einen kleinsten sicher erkennbaren Schaden. Bei \u03bc = 50 liegt die Grenze bei etwa 28,8; ganze Z\u00e4hlwerte bis 28 l\u00f6sen den Alarm aus. Ein tats\u00e4chlicher R\u00fcckgang um ein Drittel senkt den neuen Erwartungswert auf etwa 33,3. Einzelne Intervalle k\u00f6nnen trotzdem unter 28,8 fallen, andere dar\u00fcber. Eine gew\u00fcnschte Trefferwahrscheinlichkeit erfordert eine gesonderte Berechnung.<\/p>\n

F\u00fcr \u03bc \u2264 9 liegt diese 3\u03c3-Grenze bei null oder darunter. Kein nichtnegativer Z\u00e4hlwert kann eine Grenze von null unterschreiten. Das bedeutet nicht, dass Ausf\u00e4lle grunds\u00e4tzlich unerkennbar w\u00e4ren: Eine passend kalibrierte Poisson-Regel oder ein gesonderter Null-Ereignis-Alarm kann geeigneter sein.<\/p>\n

Eine niedrigere Schwelle ver\u00e4ndert beide Fehlerarten<\/h2>\n

Eine Grenze mit 2 statt 3 Standardabweichungen liegt n\u00e4her am Mittelwert und reagiert auf kleinere Abweichungen. Gleichzeitig steigt die Fehlalarmwahrscheinlichkeit. Bei einer bekannten Normalverteilung liegen die einseitigen Wahrscheinlichkeiten unter \u22122\u03c3 beziehungsweise \u22123\u03c3 bei etwa 2,28 % und 0,135 %: ein Faktor von knapp 17.<\/p>\n

Diese Normalverteilungswerte sind keine universellen GA4-Fehlalarmraten. Kleine Poisson-Z\u00e4hlungen k\u00f6nnen nur ganze Werte wie 0, 1 oder 2 annehmen; \u00fcberlappende Zeitfenster und mehrere Kennzahlen erzeugen weitere Abh\u00e4ngigkeiten und zus\u00e4tzliche Alarmgelegenheiten. Die Einstellung geh\u00f6rt deshalb gegen historische, m\u00f6glichst st\u00f6rungsfreie Daten gepr\u00fcft. H\u00e4ufige Fehlalarme k\u00f6nnen die Aufmerksamkeit f\u00fcr echte St\u00f6rungen verringern.<\/p>\n

L\u00e4ngere Intervalle: mehr Daten, sp\u00e4tere Reaktion<\/h2>\n

Im Poisson-Beispiel halbiert eine vierfache erwartete Anzahl den relativen Abstand zur selben 3\u03c3-Grenze. Ein l\u00e4ngeres Fenster sammelt mehr Ereignisse, kostet aber Zeit. Eine kurze St\u00f6rung kann au\u00dferdem durch st\u00f6rungsfreie Abschnitte im selben Fenster verd\u00fcnnt werden.<\/p>\n\n\n\n\n\n\n\n\n
Fenster<\/th>\nErwartete Ereignisse<\/th>\nAbstand zur 3\u03c3-Grenze<\/th>\n<\/tr>\n<\/thead>\n
5 min<\/td>\n16,7<\/td>\n73,5 %<\/td>\n<\/tr>\n
15 min<\/td>\n50,0<\/td>\n42,4 %<\/td>\n<\/tr>\n
1 h<\/td>\n200,0<\/td>\n21,2 %<\/td>\n<\/tr>\n
4 h<\/td>\n800,0<\/td>\n10,6 %<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Die Tabelle nimmt konstant 4.800 Ereignisse pro Tag an. Die erste Zeile enth\u00e4lt rechnerisch 16,67 Ereignisse und ist gerundet. Schon das F\u00fcnf-Minuten-Fenster kann einen deutlichen Ausfall anzeigen; eine allgemeine Grenze von 100 % w\u00e4re falsch.<\/p>\n

Fensterl\u00e4nge und Alarmverz\u00f6gerung sind nicht identisch. Entscheidend sind zus\u00e4tzlich Beginn und Dauer der St\u00f6rung, Auswertungszeitpunkte, die Lage der Fenstergrenzen und die Verf\u00fcgbarkeit der Daten. Ein vierst\u00fcndiges Fenster kann f\u00fcr einen Bestellvorgang zu langsam und f\u00fcr eine t\u00e4gliche Datenlieferung angemessen sein.<\/p>\n

Eine passende Vergleichsbasis reduziert vermeidbare Schwankungen<\/h2>\n

Shopverkehr folgt Tages- und Wochenmustern. Kampagnen, Feiertage, Kundengruppen und Einwilligungen ver\u00e4ndern die Z\u00e4hlungen zus\u00e4tzlich. Reale Daten k\u00f6nnen deshalb st\u00e4rker streuen als im Poisson-Modell. Die Tabellen enthalten bewusst keinen unbelegten pauschalen Aufschlag f\u00fcr \u201eechten Verkehr\u201c.<\/p>\n

Vergleiche mit derselben Stunde desselben Wochentags k\u00f6nnen regelm\u00e4\u00dfige Muster ber\u00fccksichtigen. Trends, Sonderaktionen und wenige Referenzwochen bleiben m\u00f6gliche Fehlerquellen. Eine solche Anpassung entspricht keiner garantierten Vervierfachung des Verkehrs. Auch danach bleibt Unsicherheit.<\/p>\n

Verh\u00e4ltnisse helfen nur mit einer passenden Definition<\/h2>\n

Eine Warenkorbquote kann \u00c4nderungen des Verkehrsaufkommens teilweise ausgleichen. F\u00fcr eine einfache Binomialbetrachtung z\u00e4hlt jede Sitzung h\u00f6chstens 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 k\u00f6nnen Werte \u00fcber eins erzeugen.<\/p>\n

Bei unabh\u00e4ngigen Sitzungen und einer konstanten Wahrscheinlichkeit p hat die Quote n\u00e4herungsweise die Standardabweichung \u221a(p(1\u2212p)\/n), mit n als Anzahl der Sitzungen. Bei 50 passenden Sitzungen unter 1.000 liegt die Quote bei 5 % und die gesch\u00e4tzte Standardabweichung bei etwa 0,69 Prozentpunkten. Kleine Mengen bleiben also unruhig. Bei null Sitzungen ist die Quote nicht definiert.<\/p>\n

Auch Quoten k\u00f6nnen mit Kanal, Tageszeit oder Kundengruppe wechseln. Eine St\u00f6rung muss die Quote nicht sofort sichtbar verschieben. Die Kontrollgrenze einer Ereignisz\u00e4hlung l\u00e4sst sich deshalb nicht unver\u00e4ndert auf jede Quote \u00fcbertragen.<\/p>\n

\n

Fragen und Antworten<\/h2>\n

Warum halbiert die vierfache Menge den relativen Abstand?<\/h3>\n

Im Poisson-Modell w\u00e4chst die Standardabweichung mit \u221a\u03bc. Der relative Abstand einer k\u03c3-Grenze betr\u00e4gt k\/\u221a\u03bc. Viermal \u03bc verdoppelt den Nenner und halbiert den Abstand. Das beschreibt die Grenze, nicht automatisch eine verdoppelte Trefferwahrscheinlichkeit.<\/p>\n

Ist ein vollst\u00e4ndiger Ausfall leichter zu erkennen?<\/h3>\n

H\u00e4ufig ja. Im stabilen Poisson-Modell betr\u00e4gt die Wahrscheinlichkeit f\u00fcr null Ereignisse e\u2212\u03bc<\/sup>. Bei \u03bc = 17 sind das etwa 4,14 von 100 Millionen Intervallen, bei \u03bc = 2 bereits etwa 13,5 %. Ein Null-Alarm braucht deshalb eine zur Uhrzeit passende Erwartung. Fehlende oder versp\u00e4tete Messdaten k\u00f6nnen ebenfalls null erzeugen; ein Alarm beweist keinen Ausfall des Shops.<\/p>\n

Kommt ein st\u00fcndlicher GA4-Alarm nach einer Stunde?<\/h3>\n

Nur bei entsprechend verf\u00fcgbaren Daten und passender Auswertung. Regul\u00e4re GA4-Berichte k\u00f6nnen Stunden sp\u00e4ter erg\u00e4nzt werden; Google nennt f\u00fcr die allgemeine Verarbeitung 24 bis 48 Stunden. Der t\u00e4gliche BigQuery-Export hat keinen garantierten festen Fertigstellungszeitpunkt. Eine scheinbare Abnahme kann deshalb eine noch unvollst\u00e4ndige Lieferung sein.<\/p>\n

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 vollst\u00e4ndige Stunde. H\u00e4ufigere, sauber abgegrenzte und ohne Doppelz\u00e4hlung gespeicherte Auswertungen ben\u00f6tigen eine eigene Umsetzung. BigQuery-Streaming liefert schneller, ist aber ein Best-Effort-Dienst mit m\u00f6glichen L\u00fccken. F\u00fcr abgeschlossene K\u00e4ufe kann die Bestelltabelle eine passendere Kontrollquelle sein.<\/p>\n

Die Datenquelle beeinflusst nicht nur die Wartezeit, sondern auch Abdeckung, Definition und Vollst\u00e4ndigkeit der Kennzahl. Zeitstempel, Einwilligung, Filter und Nachlieferungen geh\u00f6ren daher ebenso zur Alarmpr\u00fcfung wie die statistische Schwelle. Stand der Quellenpr\u00fcfung: 24. Oktober 2026.<\/p>\n<\/div>\n

\n

Quellen<\/h2>\n