Web-Metriken Teil 2 – Metriken sind keine Nutzer-Erfahrungen

Web-Metriken
In Teil 1 habe ich aufgezeigt, dass Metriken simple quantitative Werte sind, die Eigenschaften von Klicksequenzen beschreiben und an sich (d. h. ohne Vergleichswerte) weder gut noch schlecht sind. In diesem zweiten Teil zeige ich, dass Metriken keine „User Experience“ abbilden – auch wenn dieser Eindruck von vielen Analytics-Experten erweckt wird. Die Assoziation z. B. einer hohen Bounce Rate (Absprungrate) mit einem negativen Nutzer-Erleben ist eine unsichere Schlussfolgerung. Sie kann richtig sein, muss es aber nicht.

Web-Metriken bilden keine „User Experience“ ab

Wenn ein metrischer Wert, z. B. eine Bounce Rate von X %, ohne expliziten oder impliziten Vergleich (mit Absprungraten erfolgreicher Webseiten) für gut oder schlecht befunden wird, dann liegt dies daran, dass er mit einer spezifischen Besucher-Erfahrung assoziiert wird. Nicht die Metrik selbst ist dann also gut oder schlecht, sondern die Erfahrung, die in diese Metrik Eingang gefunden haben soll. Es wird also unterstellt, dass die Metrik der gemessene Ausdruck eines bestimmten Nutzer-Erlebens ist.

Ein Bounce z. B. wird zumeist mit Desinteresse assoziiert. Die Schlussfolgerung sieht wie folgt aus: Jemand, der eine Webseite uninformativ oder verwirrend oder sonst wie abstoßend findet, springt angewidert ohne weiteren Seitenaufruf wieder ab und wird als Bounce registriert. Also repräsentiert ein Bounce eine solche Erfahrung. Das mag auch häufig für bestimmte Seiten, z. B. Home-Seiten, so sein.

In anderen Kontexten, z. B. im Kontext Blog, muss das aber keineswegs zutreffend sein. Wenn ein Besucher über eine Google-Suche auf einer Blogseite landet, den Blogbeitrag interessiert liest und dann mit gestillter Neugierde zufrieden wieder zu Google zurückkehrt, wird er als Bounce gezählt. Aber er hatte in diesem Fall durchaus eine positive „User Experience“ und wird vielleicht bald wieder auf diese Webseite zurückkehren.
Er ist also gar nicht angewidert abgesprungen, wird von Google Analytics aber natürlich gleichwohl als Bounce registriert, denn er erfüllt schließlich das quantitative Bounce-Kriterium.

Sie müssen sich hier folgendes vor Augen führen: Eine Web-Metrik misst kein qualitatives Erleben, denn sie kann den Besuchern weder in den Kopf schauen noch hat sie Wahrnehmungsorgane, die Zufriedenheit oder Unzufriedenheit an der Mimik der Nutzer ablesen kann. Sie registriert lediglich – über einen Tracking-Code – browserspezifische Klick-Sequenzen: z. B. Eintritt Seite A, kein weiterer Seitenaufruf, Austritt Seite A (= Bounce).

Der Schluss von einer Web-Metrik auf ein dahinter liegendes Nutzer-Erleben ist riskant

Ein negatives Erleben kann zu einem Klick-Sequenzmuster X führen, aber nicht jedem Klickmuster X liegt ein negatives Erleben zugrunde. Der Rückschluss von einer Web-Metrik auf ein spezifisches Erleben ist daher immer riskant – wie das Bounce-Rate-Beispiel zeigt.

Das heißt nicht, dass der Rückschluss von einer Metrik auf ein typisches Erleben nicht plausibel sein kann. Der Punkt ist vielmehr der, dass ein solcher Rückschluss radikal die deskriptive statistische Ebene überschreitet. Der Rückschluss ist eine sogenannte Abduktion. Eine Abduktion ist eine Schlussform, die mehr oder weniger plausibel sein kann. Aber absolut sicher ist sie nie. Abduktionen haben im Unterschied zu Deduktionen (notwendig wahre Schlüsse) immer eine Wahrscheinlichkeit, die kleiner 1 (100 %) ist. Kurz, sie sind stets mit mehr oder weniger großem Risiko behaftet.

Sir Arthur Conan Doyles berühmter Detektiv Sherlock Holmes, der seine kriminalistischen Schlüsse fälschlich gerne als Deduktionen bezeichnet, schließt tatsächlich zumeist abduktiv.
Die Abduktion, die nicht nur beim Lösen detektivischer Rätsel zum Einsatz kommt, sondern auch z. B. in der wissenschaftlichen Forschung und im Alltagsdenken, hat folgende logische Form: Wenn A eintritt, dann tritt auch B ein. (Das ist eine gültige Regel, die ich kenne.) Ich weiß, dass B ist eingetreten. Also (= Folgerung) wird auch A eingetreten sein. Der Schluss auf den Eintritt des Ereignisses A ist also das Ergebnis der Abduktion.

Auf Bounces angewendet

Wenn ich an einer Seite total desinteressiert bin (= A), dann rufe ich keine Unterseite auf (= B = Bounce). Ich rufe keine Unterseite auf (= B). Also war ich wohl an der Seite desinteressiert (= Rückschluss auf A).
Das kann wie gesagt zutreffen, muss aber nicht. Wenn ich via Google-Suche auf einem Blog Post lande, ihn interessiert lese und nach gestillter Neugierde zufrieden wieder zu Google zurückkehre, um eine weitere Suchanfrage zu starten, dann bin ich wie gesagt ein Bounce, aber desinteressiert an der aufgerufenen Seite war ich nicht. In diesem Fall greift der abduktive Rückschluss auf A daneben.

Metriken können also Ansatzpunkte für abduktive Folgerungen liefern, aber sie sind mit diesen Folgerungen weder identisch noch beweisen sie sie. Ein abduktiver Schluss z. B. auf Desinteresse kann aber natürlich durchaus sinnvoll sein und durch das Aufwerfen von Fragen Fingerzeige zu weiteren Such-Hypothesen führen. Warum dieses mutmaßliche Desinteresse? Vielleicht ist die Schriftgröße sehr klein und der Text daher mühsam zu lesen? Oder der Inhalt ist verwirrend oder passt nicht zur Buyer Persona usw. Um solche Hypothesen zu plausibilisieren bedarf es aber weiterer Informationen.

Metriken beschreiben zwar keine Nutzererfahrungen, sind aber, wie gerade gezeigt, durchaus geeignet, auf mutmaßliche Problembereiche hinzuweisen. Wenn die Home-Seite meiner Webseite eine vergleichsweise hohe Bounce Rate aufweist, dann ist das schon ein Indiz für ein Problem.
Eine Problemlösung liefert mir die Metrik Bounce Rate (oder eine andere Metrik) aber nicht.

Dazu benötige ich weitere Daten: qualitative Text-Bild-Analyse, Usability Tests usw.
Eine qualitative Analyse der Home-Seite kann z. B. zu der Erkenntnis führen, dass der Text zwar gut sichtbar, aber voller Rechtschreib- und Grammatikfehler und insofern nicht gut lesbar ist. Ein solches Ergebnis legt dann wie selbstverständlich eine Problemlösungshypothese nahe: Wenn der Text durch einen fehlerfreien Text ersetzt wird, wird sich die Nutzerzufriedenheit erhöhen (und dadurch die Bounce Rate sinken).
 

Learnings aus Teil 2 der Blogreihe zu Webmetriken

Learning 3: Metriken repräsentieren keine positiven oder negativen Nutzer-Erfahrungen.
Learning 4: Metriken können durchaus Fingerzeige und Indizien für Problembereiche liefern.
Learning 5: Metriken legen keine Lösungen für mutmaßliche Probleme nahe. Für Problemlösungshypothesen sind weitere Daten erforderlich.





qualifizierte Leads mit Inbound Marketing generieren




Web-Metriken Teil 2 – Metriken sind keine Nutzer-Erfahrungen wurde zuletzt geändert: Dezember 1st, 2015 von Roland Burkholz

Leave a Comment

*