Ein Test zeigt +3 % Conversion-Uplift. Klingt überzeugend – bis man die Daten in BigQuery prüft. Denn was GA4-Reports oft verschweigen: Das Ergebnis basiert auf modellierten Nutzern, gesampelten Sessions und geglätteten Metriken.
Der Effekt? Ein scheinbarer Testsieg, der keiner ist.
Wer fundierte Entscheidungen treffen will, darf sich nicht auf vorverdaute Dashboards verlassen. Sondern muss verstehen, was wirklich passiert ist.
Falsche Sicherheit ist gefährlicher als Unsicherheit!
Inhaltsverzeichnis
Google Analytics 4 vs. BigQuery
GA4 und BigQuery greifen auf denselben Datensatz zu, aber was sie daraus machen, unterscheidet sich grundlegend.
GA4 nutzt probabilistische Verfahren, etwa HyperLogLog++, um bei hohem Traffic Nutzerzahlen zu schätzen. Das spart Rechenlast, führt aber dazu, dass Kennzahlen wie Nutzer oder Conversions leicht aufgebläht dargestellt werden. Bereits ab etwa 12.000 Besuchern pro Variante weichen die ausgewiesenen Nutzer- und Conversion-Zahlen teilweise spürbar von den tatsächlichen Werten ab.
Wird derselbe Test in BigQuery analysiert, zeigt sich ein anderes Bild: Der Uplift schrumpft, die Signifikanz sinkt. Warum? Weil BigQuery mit den echten Rohdaten arbeitet, nicht mit geschätzten Größen.
| BigQuery | Google Analytics 4 |
|---|---|
|
Speichert rohe Eventdaten |
Zeigt verarbeitete und aggregierte Daten
|
|
Daten sind immer unsampled (nicht stichprobenbasiert) |
Kann Sampling anwenden in Berichten
|
|
Daten sind in täglichen Tabellen organisiert, mit einem Event-Schema |
Daten werden in vordefinierten Berichten und anpassbaren Explorationen angezeigt |
|
SQL ist erforderlich, um Daten abzufragen und zu analysieren |
Verwendet eine grafische Benutzeroberfläche |
|
Daten werden am Folgetag exportiert (kann bis zu 72h dauern) |
Daten können bis zu 48 Stunden zur Verarbeitung benötigen
|
|
Kostenlos (innerhalb der vordefinierten Limits) |
Kostenlos (mit Upgrade auf GA4 360)
|
Kurz gesagt:
GA4 vereinfacht – BigQuery präzisiert.
Wichtig ist: Es geht nicht nur um GA4. Auch viele A/B-Testing-Tools arbeiten mit modellierten und geglätteten Daten. Genau deshalb gilt das Prinzip grundsätzlich: Vertraue den Rohdaten und hinterfrage glatte Oberflächen.
Wie schnell man sich täuschen kann: Ein konkretes Beispiel
Dieses Beispiel stammt aus einem A/B Test rund um ein Redesign der Buybox. Ziel war es, die Nutzerführung zu optimieren und die Conversion Rate zu steigern. Unten ist die getestete Variante dargestellt.
Gerade an diesem Test lässt sich der Unterschied zwischen GA4 und BigQuery besonders deutlich erkennen.
Die untenstehenden Kennzahlen wurden mit Google Analytics 4 erfasst und geben einen Überblick über die Performance der getesteten Varianten:
Die folgenden Kennzahlen wurden mit Hilfe von BigQuery ausgewertet:
Teste BigQuery mit Varify.io
Kostenlos und ganz ohne SQL
Wenn du Varify nutzt, musst du dich nicht selbst mit SQL auseinandersetzen.
Nachdem du Varify entweder über unser automatisches Setup oder durch Auswahl der richtigen Datenquelle mit BigQuery verbunden hast, werden die Experimentdaten automatisch synchronisiert – einschließlich Expositionen, Conversions und Varianten-Zuweisungen.
Mehr Details dazu findest du in diesem Blogbeitrag:
Fazit
Gute Testauswertung beginnt nicht im Dashboard, sondern bei der Frage, ob du den Zahlen vertrauen kannst. Wer fundierte Entscheidungen treffen will, braucht Klarheit über die Datenbasis und die Kontrolle über deren Interpretation. GA4 liefert schnelle Visualisierungen. BigQuery liefert belastbare Antworten.
Wenn du verstehen willst, worauf es bei einer verlässlichen Experiment-Analyse wirklich ankommt und wie du typische Fehler vermeidest, dann lohnt sich ein Blick ins Whitepaper.
Alle Infos, Beispiele und Templates findest du kompakt und praxisnah im vollständigen Whitepaper:
👉 Hier kostenlos herunterladen
Einzelnachweise
- Analytics‑Toolkit.com (2020): The Perils of Using Google Analytics User Counts in A/B Testing. Published 2020 (updated September 2022 & January 2023). [Accessed on: 21.07.2025]
