Server Side Tracking ist aktuell ein viel besprochenes Thema.
Seit dem Einführen der DSGVO im Mai 2018 hat sich im Performance Marketing einiges verändert. Marketing Tools dürfen keine Cookies mehr erheben und die Privatsphäre im Europäischen Wirtschaftsraum (EWR) wird ernster genommen.
Anfang 2024 hat Google dann einen Schlussstrich gezogen und mit dem neuen Google Consent Mode V2 den wirklichen Anfang vom Ende des Cookie-Zeitalters eingeläutet.
Im DACH Raum liegt die durchschnittliche Ablehnquote für Cookie-Banner bei etwa 40% – ein grober Einschnitt für die Messbarkeit in Marketing Tools wie Google Ads oder Google Analytics 4.
Der einzige Ausweg? Server Side Tracking ...
Doch viele Unternehmen scheuen noch vor dem Kostenblock eines Data Warehouse zurück und den Komplikationen, die mit der Einrichtung einhergehen. Was ja auch wieder Kosten bedeutet.
In diesem Blog möchte ich einmal Einblick geben, "Was kostet Server Side Tracking WIRKLICH?" – anhand eines Beispiels aus unserem Agenturalltag.
Die Kosten lassen sich in 2 große Kategorien aufteilen:
- Laufende Kosten (wiederkehrend/pro Monat/pro Tool etc.)
- Einrichtung (meistens einmaliger Aufwand)
Doch beginnen wir zunächst mit ein paar Grundlagen.
Was ist der Unterschied zwischen Server Side Tracking und Client Side Tracking?
Bei Server Side Tracking werden die erhobenen Daten aus z. B. Google Ads oder Google Analytics auf einem separaten Server gespeichert. Dieser kann beispielsweise in Deutschland stehen oder in welchem Land die Daten erhoben wurden.
Client Side Tracking bedeutet hingegen, dass die erhobenen Daten direkt im Browser gespeichert werden.
Was ist der Unterschied zwischen Server Side Tracking und einem Data Warehouse?
Die eigentliche Frage ist: "Wie bekommen wir eine bessere Datenqualität?" – und NICHT "Wie erstelle ich Server Side Tracking?".
Server Side Tracking ist lediglich eine Art und Weise, dieses Datenproblem zu lösen.
Ein Data Warehouse ist eine Möglichkeit, die Daten zu speichern, die Server seitig erhoben und aufbereitet wurden. Mit solch einem Warehouse können BI Tools wie z. B. Power BI (Microsoft) oder Looker Studio (Google) verknüpft werden, um die Visualisierung der erhobenen Daten zu gewährleisten.
Für ein vollständiges Data Warehouse werden mehrere Komponenten benötigt, da es sich eher um einen Prozess des Datenmanagements handelt, als ein wirkliches "Datenlager".
Laufende Kosten von Server Side Tracking
Die laufenden Kosten eines Server Side Tracking stellen sich aus mehreren Einzelaspekten zusammen. Wie im obigen Schaubild zu erkennen müssen die Daten erhoben, verarbeitet, gespeichert und modelliert werden.
Das ganze passiert über folgende Services ...
1. Data Storage (z. B. Big Query)
Zunächst gibt es einmal die gesamten Daten zu speichern. Und das auf einem Server. Da die meisten Unternehmen keine eigene, ausgefertigte Server Infrastruktur besitzen, kommt meist das Mieten eines solchen Speicherplatzes in Frage.
Typische Anbieter für so etwas sind:
- Microsoft Azure
- Amazon Redshift
- PostgreSQL
- Google Big Query
Die aktuell günstigste Lösung für Cloud basierten Speicherplatz bietet Big Query von Google.
Wieviel das ganze kostet, berechnet sich üblicherweise aus dem "Annual Data Volume", das ADV. Das ADV beschreibt die Menge an Speicher, welcher die erhobenen Datenpunkte belegen.
Jedes Event, welches Server seitig getrackt werden soll (z. B. ein Purchase, oder ein Add to Cart), benötigt circa 1KB an Speicherplatz.
1 Event = ca. 1KB Speicherplatz
Diese Kosten skalieren dann dementsprechend mit:
- mehr Events, die getrackt werden sollen
- mehr Traffic, der wiederum mehr Events auslöst
- mehr Domains, die mit eingeschlossen werden sollen
- quasi mit allem, was mehr Events verursacht
Wie viele Events für euer Server Side Tracking gebraucht werden, könnt ihr in eurem Google Analytics 4 grob herausfinden. Im Homescreen ist ein Event Count. Dies umfasst die Standard-Events, die in GA4 eingerichtet sind. Add to Cart, Purchase, View Item etc.
In unserem Beispiel haben wir etwa 6.4 Millionen Events pro Woche – das entspricht hochgerechnet ungefähr 332 Millionen Events im Jahr.
332.000.000 Events × 1KB Speicherplatz = ca. 332 GB benötigter Speicher im Annual Data Volume bei Google Big Query.
Die Vorteile von Big Query sind, dass die ersten 10 GB an Daten pro Monat frei sind und auch nach 6 Monaten ein bestimmter Datenanteil in den Long-Term Storage wandert. Dadurch wird es nochmal günstiger.
332 GB pro Jahr, dann liegen wir bei 6,64$ (US) pro Monat.
2. Data Ingestion
Als nächstes hätten wir die sogenannte Data Ingestion.
Data Ingestion bezeichnet den Prozess der Dateneinspeisung von verschiedenen Tools, beispielsweise Google Analytics 4, in eine Database.
Auch hierfür gibt es Software. Bekannte Anbieter sind hier Google Cloud Dataflow oder Cloud Pub/Sub.
Die etwas bessere Variante ist Cloud Dataflow, da hier die Daten noch besser in Echtzeit verarbeitet werden können. Die Kosten dafür sehen wie folgt aus:
- Base Pricing → 0,0672$ pro vCPU/Stunde
- Usage Pricing → 0,0024$ pro GB/Stunde
Da wir hier mit 10GB Rechenpower locker hinkommen, haben wir hier großzügig kalkuliert:
10GB × 24h × 0,0024$/GB/Stunde = 17,28$ pro Monat. Plus ca 1,68$ für das Base Pricing.
Summa Summarum also 18,96$ pro Monat.
3. Data Querying
Das ist die Datenprozessierung selbst, dies wird von Big Query übernommen und kostet aktuell:
5,00$ pro TB.
Nehmen wir an, dass wir nur 10% unserer Daten täglich mit einer Query belegen, liegen wir hier bei 33,2 GB gescannten Daten täglich × 30 Tage im Monat = 996 GB.
Also liegen die Kosten bei etwa 4,98$ im Monat.
Dies ist eine konservative Annahme! Übliche Query Lasten gehen auf ca. 20–30% täglich, aber einfach mal als Rechenbeispiel für Server Side Tracking.
4. ETL (Extract, Transform, Load)
ETL bezeichnet den Prozess, mit dem die Daten aus verschiedenen Quellen in einer DataBase miteinander verschmolzen werden können. Sie werden zuerst aus den Quellen extrahiert (Google Analytics 4, Google Ads etc.), dann ins richtige Format gebracht, und dann in die DataBase geladen.
Hierbei kann uns wieder Cloud Dataflow helfen, welches schon im Punkt Data Ingestion beschrieben ist.
Die Kosten belaufen sich dabei dann auf das gleiche, also etwa 0,0024$ pro GB/Stunde.
Je nachdem, wie viel wir transformieren, kommen wir hier auf einen Wert ab ca. 18,96$ im Monat.
Alternativen hierzu können auch andere Tools sein wie Talend, Stitchdata aber auch eigene Python-Skripte und Funktionen.
5. Server Side Tracking selbst
Als letzten Punkt der technischen Grundausrüstung benötigen wir noch das Tracking selbst. In der günstigsten Variante kann das von einem Server seitigen Google Tag Manager geleistet werden, der ist nämlich kostenlos.
Als Beispiel nehmen wir die Cloud Function der Google Cloud selbst und landen damit bei:
332.000.000 Events × 0,0000004$ pro Event-Aufruf × 0,1 MS Ladezeit = 132,80$ pro Monat.
Software Lösungen wie Jentis reichen bis zu 500$ im Monat, bieten jedoch auch eine sorgenfreie Umgebung.
Einmalige Kosten von Server Side Tracking
Damit das ganze Wunderwerk der Technik auch sauber angebunden werden kann, benötigt es noch etwas Developer Power. Und das nicht zu knapp für die einmalige Erstellung.
Diese Einschätzungen sind wirklich nur sehr grob, je nach Fähigkeit, Grundvoraussetzungen der Technik und der Leichtigkeit, wie ein Entwickler das anbinden kann:
- Google Cloud Services Set-Up → ca. 2–5 Tage = 16–40h
- BigQuery Berechnungen → ca. 5 Tage = 40h
- Python Scripts (ETL) und Testing → ca. 5 Tage = 40h
- Server Side Tracking (GTM, Cloud Run, Cloud Function) → ca. 3 Tage = 24h
Dazu kommen noch Data Testing und die laufende Wartungsarbeit, die sich wirklich von Projekt zu Projekt unterscheiden.
