Ereignisse, Sitzungen, Nutzer: so misst Web-Analytics

Worum es geht

Die Sprachschule LinguaPlus AG in Luzern hat eine schöne Website mit über hundert Kursseiten. Jeden Monat kommen Tausende Besucherinnen und Besucher, aber die Online-Anmeldungen stagnieren. Die Marketingleiterin stellt Aylin, Lernende im 3. Lehrjahr, eine scheinbar einfache Frage: "Wie viele Leute schauen sich einen Kurs an und melden sich dann nicht an?"

Niemand kann antworten. Es gibt zwar ein altes Analysetool, aber dort stehen dreissig Zahlen, und niemand weiss genau, was "Besucher", "Besuche" oder "Aktionen" eigentlich bedeuten. Genau hier beginnt Web-Analytics: nicht mit bunten Dashboards, sondern mit der Frage, was ein Analysetool überhaupt aufzeichnet.

In dieser Lektion lernst du die drei Grundbausteine jeder Auswertung kennen: Ereignisse, Sitzungen und Nutzer. Wenn du diese drei sauber auseinanderhalten kannst, verstehst du jede Kennzahl in Google Analytics 4 (GA4), Matomo oder Plausible, und du kannst sie sogar selbst mit SQL aus Rohdaten berechnen.

Was bei einem Seitenaufruf passiert

Stell dir eine Stempelkarte im Café vor. Jedes Mal, wenn du einen Kaffee kaufst, gibt es einen Stempel. Das Café weiss danach nicht, wer du bist, aber es sieht auf deiner Karte, wie oft du da warst. Ein Analysetool funktioniert ähnlich, nur viel detaillierter.

Wenn jemand www.linguaplus.ch/kurse/spanisch-a2 öffnet, passiert Folgendes:

Das Tracking-Script schickt eine kleine Nachricht an den Analytics-Server. Vereinfacht sieht sie so aus:

{
  "ereignis": "page_view",
  "client_id": "1873462.1759480211",
  "session_id": "1759480211",
  "zeitpunkt": "2026-09-14T19:42:07+02:00",
  "seite": "/kurse/spanisch-a2",
  "referrer": "https://www.google.ch/",
  "geraet": "mobile"
}

Der Server ergänzt weitere Angaben, zum Beispiel ein grobes Land oder eine Region aus der IP-Adresse, Browser und Betriebssystem. Später, wenn die lernende Person auf "Termin wählen" klickt oder das Anmeldeformular abschickt, sendet das Script weitere Nachrichten mit anderen Ereignisnamen.

Wichtig: Das Tool sieht keine Menschen, sondern nur einen Strom solcher Nachrichten. Alles, was du später in Berichten siehst, wird aus diesem Strom berechnet.

Ereignisse, Sitzungen und Nutzer

Nimm als Bild ein Einkaufszentrum. Es gibt Personen, die kommen (Nutzer). Jede Person kann an mehreren Tagen kommen (Sitzungen). Bei jedem Besuch macht sie Dinge: Laden betreten, Pullover anprobieren, an der Kasse zahlen (Ereignisse).

Daraus folgt eine einfache Hierarchie: Ein Nutzer hat mindestens eine Sitzung, eine Sitzung hat mindestens ein Ereignis.

Wann endet eine Sitzung? In GA4 und in Matomo standardmässig nach 30 Minuten ohne Aktivität. Wer um 19:42 eine Seite öffnet, um 19:55 die nächste und dann erst um 20:40 weiterliest, hat zwei Sitzungen. GA4 beginnt um Mitternacht oder bei einer neuen Kampagnenquelle keine neue Sitzung, andere Tools tun das teilweise.

Wer ist ein Nutzer? Das Script speichert beim ersten Besuch eine zufällige ID in einem Cookie (bei GA4 die client_id). Kommt derselbe Browser wieder, ist es derselbe Nutzer. Das hat Folgen:

• Lea auf dem Handy und Lea am Laptop sind zwei Nutzer.
• Löscht Lea ihre Cookies oder surft privat, ist sie danach ein neuer Nutzer.
• Lehnt Lea das Tracking im Consent-Banner ab, wird sie je nach Einstellung gar nicht gezählt.
• Meldet sich Lea in einem Kundenkonto an, kann die Website eine eigene User-ID mitschicken. Dann lassen sich Geräte zusammenführen.

Die Tools verwenden unterschiedliche Namen für dasselbe:

Vom Ereignis zur Kennzahl

Aus dem Ereignisstrom berechnet das Tool alle Kennzahlen. Die wichtigsten:

Ein Beispiel: An einem Tag zählt GA4 für LinguaPlus 1'200 Sitzungen, davon 780 mit Interaktion. Die Interaktionsrate beträgt 780 / 1'200 = 65 %, die Absprungrate damit 35 %.

Auch bei der Conversion-Rate musst du die Basis nennen. "4 % Conversion-Rate" kann heissen: 4 % der Sitzungen enthalten eine Anmeldung, oder 4 % der Nutzer haben sich angemeldet. Wer pro Nutzer rechnet, bekommt meist einen höheren Wert, weil ein Nutzer mehrere Sitzungen braucht, bis er sich entscheidet.

Schritt für Schritt: Grundzahlen aus einer Ereignistabelle

Viele Tools erlauben einen Export der Rohdaten (GA4 zum Beispiel nach BigQuery, Matomo direkt aus seiner MySQL-Datenbank). Dann liegen die Ereignisse als Tabelle vor, und du kannst jede Kennzahl selbst nachrechnen. Das ist die beste Art, die Begriffe wirklich zu verstehen.

Aylin bekommt einen Auszug mit zehn Ereignissen:

Schritt 1: Ereignisse zählen. Jede Zeile ist ein Ereignis.

SELECT COUNT(*) AS ereignisse FROM ereignis;   -- 10

Schritt 2: Nutzer zählen. Ein Nutzer kommt mehrfach vor, deshalb DISTINCT.

SELECT COUNT(DISTINCT nutzer_id) AS nutzer FROM ereignis;   -- 3 (u1, u2, u3)

Schritt 3: Sitzungen zählen.

SELECT COUNT(DISTINCT sitzung_id) AS sitzungen FROM ereignis;   -- 5 (s1 bis s5)

Schritt 4: Seitenaufrufe zählen. Nur Ereignisse mit dem Namen page_view.

SELECT COUNT(*) AS seitenaufrufe FROM ereignis WHERE ereignis = 'page_view';   -- 7

Schritt 5: Sitzungen pro Nutzer. 5 / 3 = 1.67. Achtung: COUNT liefert ganze Zahlen, und SQLite teilt ganze Zahlen ganzzahlig (5 / 3 = 1). Mit 1.0 * erzwingst du eine Kommazahl.

SELECT ROUND(1.0 * COUNT(DISTINCT sitzung_id) / COUNT(DISTINCT nutzer_id), 2) AS sitzungen_pro_nutzer
FROM ereignis;   -- 1.67

Schritt 6: Conversion-Rate pro Sitzung. Nur Sitzung s3 enthält anmeldung_abgeschlossen. 1 von 5 Sitzungen ergibt 20 %. Pro Nutzer gerechnet ist es 1 von 3, also 33.3 %. Beides ist richtig, aber es sind zwei verschiedene Kennzahlen.

SELECT ROUND(100.0 * COUNT(DISTINCT CASE WHEN ereignis = 'anmeldung_abgeschlossen'
                                         THEN sitzung_id END)
             / COUNT(DISTINCT sitzung_id), 1) AS cr_sitzung
FROM ereignis;   -- 20.0

Der Trick mit CASE WHEN ... THEN sitzung_id END liefert für alle anderen Zeilen NULL, und COUNT(DISTINCT ...) ignoriert NULL. So zählst du nur die Sitzungen mit Anmeldung.

Jetzt bist du dran. Im Labor rechnest du dieselben Grundzahlen für einen grösseren Auszug.

CREATE TABLE ereignis (
  id         INTEGER PRIMARY KEY,
  nutzer_id  TEXT NOT NULL,   -- pseudonyme ID aus dem Cookie
  sitzung_id TEXT NOT NULL,
  zeitpunkt  TEXT NOT NULL,   -- JJJJ-MM-TT HH:MM
  ereignis   TEXT NOT NULL,
  seite      TEXT NOT NULL
);
INSERT INTO ereignis VALUES
(1,  'u1', 's1', '2026-09-21 18:02', 'page_view', '/startseite'),
(2,  'u1', 's1', '2026-09-21 18:03', 'page_view', '/kurse/englisch-b2'),
(3,  'u1', 's1', '2026-09-21 18:04', 'kurs_ansehen', '/kurse/englisch-b2'),
(4,  'u2', 's2', '2026-09-21 19:15', 'page_view', '/kurse/franzoesisch-a1'),
(5,  'u2', 's2', '2026-09-21 19:16', 'kurs_ansehen', '/kurse/franzoesisch-a1'),
(6,  'u2', 's2', '2026-09-21 19:20', 'anmeldung_start', '/anmeldung'),
(7,  'u2', 's2', '2026-09-21 19:26', 'anmeldung_abgeschlossen', '/anmeldung/danke'),
(8,  'u3', 's3', '2026-09-22 07:40', 'page_view', '/startseite'),
(9,  'u1', 's4', '2026-09-22 12:05', 'page_view', '/kurse/englisch-b2'),
(10, 'u1', 's4', '2026-09-22 12:07', 'anmeldung_start', '/anmeldung'),
(11, 'u4', 's5', '2026-09-22 20:30', 'page_view', '/kontakt'),
(12, 'u4', 's5', '2026-09-22 20:31', 'beratung_angefragt', '/kontakt/danke'),
(13, 'u3', 's6', '2026-09-23 08:10', 'page_view', '/kurse/italienisch-a2'),
(14, 'u3', 's6', '2026-09-23 08:11', 'kurs_ansehen', '/kurse/italienisch-a2'),
(15, 'u5', 's7', '2026-09-23 21:45', 'page_view', '/startseite'),
(16, 'u1', 's8', '2026-09-24 18:30', 'page_view', '/anmeldung'),
(17, 'u1', 's8', '2026-09-24 18:33', 'anmeldung_abgeschlossen', '/anmeldung/danke'),
(18, 'u6', 's9', '2026-09-24 22:02', 'page_view', '/kurse/spanisch-a1');

Typische Fehler

1. Nutzer mit Menschen gleichsetzen. "Wir hatten 5'000 Kundinnen auf der Website" stimmt nicht. Es waren 5'000 Browser oder Geräte. Eine Person mit Handy und Laptop zählt doppelt, Personen ohne Einwilligung fehlen. Korrektur: von "Nutzern" sprechen und die Grenzen nennen.
2. Nutzer über Tage addieren. Montag 300 Nutzer, Dienstag 280 Nutzer ergibt nicht 580 Nutzer für beide Tage, weil viele an beiden Tagen da waren. Sitzungen und Ereignisse darfst du addieren, Nutzer nicht. Korrektur: Den Zeitraum im Tool direkt auswählen.
3. Conversion-Rate ohne Basis angeben. 20 % pro Sitzung und 33 % pro Nutzer beschreiben dieselben Daten. Korrektur: immer dazuschreiben, worauf sich die Rate bezieht.
4. Kennzahlen verschiedener Tools 1:1 vergleichen. Matomo, GA4 und Plausible definieren Absprung, Sitzung und Nutzer leicht unterschiedlich. Korrektur: Beim Toolwechsel eine Übergangszeit mit beiden Tools messen und die Definitionen dokumentieren.
5. Ganzzahlige Division in SQL. 5 / 3 ergibt in SQLite 1. Korrektur: mit 1.0 * oder 100.0 * multiplizieren, bevor du teilst.

Zusammenfassung

• Ein Analysetool zeichnet nur Ereignisse auf: Name, Zeitpunkt, Seite, eine ID aus dem Cookie und Parameter. Alles andere wird daraus berechnet.
• Eine Sitzung ist eine Folge von Ereignissen ohne mehr als 30 Minuten Pause, ein Nutzer ist ein wiedererkannter Browser oder ein Gerät.
• Nutzer sind keine Menschen: Mehrere Geräte, gelöschte Cookies und abgelehnte Einwilligungen verzerren die Zahl.
• Die Interaktionsrate in GA4 ist der Anteil Sitzungen mit mehr als 10 Sekunden, einem Schlüsselereignis oder mindestens zwei Seitenaufrufen. Die Absprungrate ist ihr Gegenteil.
• Jede Rate braucht eine Basis: pro Sitzung oder pro Nutzer, in welchem Zeitraum.
• Mit SQL berechnest du Grundzahlen aus Rohdaten selbst: COUNT(*), COUNT(DISTINCT ...) und bedingtes Zählen mit CASE WHEN.