Descriptive Analytics

Definition: Descriptive Analytics (deskriptive Analytik) ist die grundlegendste und zugleich am häufigsten eingesetzte Form der Datenanalyse. Sie beantwortet die Frage "Was ist passiert?" durch die systematische Beschreibung und Zusammenfassung historischer Daten mittels statistischer Kennzahlen, Diagrammen, Berichten und Dashboards. Typical outputs sind Aggregationen wie Summen, Mittelwerte, Häufigkeitsverteilungen und Zeitreihen sowie visuelle Darstellungen dieser Größen. Descriptive Analytics steht am Beginn der Analytics-Wertschöpfungskette, die von Gartner in einem weitverbreiteten Reifegradmodell in vier Stufen gegliedert wird: Descriptive (Was ist passiert?), Diagnostic (Warum ist es passiert?), Predictive (Was wird passieren?) und Prescriptive Analytics (Was sollten wir tun?). Obwohl Descriptive Analytics die einfachste Stufe darstellt, bildet sie die unverzichtbare Grundlage aller weiterführenden Analyseformen: Ohne zuverlässige historische Datenbeschreibungen sind Diagnosen, Prognosen und Empfehlungen wertlos. In der unternehmerischen Praxis ist Descriptive Analytics für den Großteil aller täglichen Analyseaufgaben im Marketing ausreichend.

Erläuterung

Im Online Marketing ist Descriptive Analytics allgegenwärtig: Monatliche Website-Traffic-Berichte, Kampagnen-Performance-Auswertungen nach Kanal und Zielgruppe, Produktverkaufsranglisten, Kundensegment-Verteilungen und E-Mail-Öffnungsraten sind typische deskriptive Analysen. Google Analytics 4, die Meta Ads Insights, Google Ads-Berichte und die meisten BI-Dashboards sind im Kern Descriptive-Analytics-Werkzeuge. Selbst fortgeschrittene Reporting-Lösungen wie Google Looker Studio, Microsoft Power BI oder Tableau liefern primär deskriptive Inhalte, solange keine prädiktiven Modelle eingebunden sind.

Methodisch fußt Descriptive Analytics auf der deskriptiven Statistik (Mittelwerte, Mediane, Standardabweichungen, Quartile, Häufigkeiten) sowie auf Zeitreihenanalyse (Trendidentifikation, Saisonalitätsbereinigung, Periodenvergleiche). Wichtig ist die Unterscheidung von Descriptive Analytics zu Diagnostic Analytics: Descriptive Analytics stellt fest, dass der organische Traffic im März um 30 % gesunken ist. Diagnostic Analytics untersucht warum – z. B. durch Korrelationsanalysen mit technischen Änderungen, Algorithm-Updates oder saisonalen Faktoren. Diese Abgrenzung wird in der akademischen Business-Intelligence-Literatur, u. a. von Davenport & Harris in "Competing on Analytics" (2007), klar herausgearbeitet.

Für aussagekräftige deskriptive Analysen ist Kontext entscheidend. Nackte Zahlen ohne Referenzpunkte – absolute Besucherzahlen ohne Vorjahresvergleich, Conversion-Rates ohne Branchen-Benchmark – erlauben kaum valide Interpretation. Deskriptive Berichte sollten daher immer Vergleichswerte enthalten: Vorperiode (MoM), Vorjahr (YoY), definierte Zielwerte oder externe Benchmarks. Das Principle of Comparative Context ist in der Reportingpraxis von zentraler Bedeutung, wird aber häufig vernachlässigt.

Methoden und Werkzeuge

Statistische Kennzahlen: Mittelwert, Median, Modus, Standardabweichung, Min/Max, Quartile – bilden das Rückgrat jeder deskriptiven Analyse und charakterisieren Datensätze kompakt.
Häufigkeitsverteilungen & Histogramme: Zeigen, wie Werte über einen Wertebereich verteilt sind – unverzichtbar für Warenkorbanalysen, Altersverteilungen von Nutzern oder Klickzahlverteilungen von Keywords.
Zeitreihen & Periodenvergleiche: Trendlinien, gleitende Durchschnitte und Year-over-Year-Vergleiche machen Entwicklungen und Saisonalitäten sichtbar.
Dashboards & KPI-Scorecards: Aggregieren die wichtigsten Kennzahlen in einer übersichtlichen Ansicht, häufig mit Ampelfarben oder Zielabweichungsanzeigen für schnelle Statuserfassung.
Kreuztabellen & Pivot-Analysen: Ermöglichen die gleichzeitige Auswertung nach mehreren Dimensionen (z. B. Umsatz nach Kanal UND Region UND Monat).

Typische Anwendungsfälle im Marketing

Kampagnen-Reporting: Wöchentliche Auswertung von Impressions, Klicks, CTR, CPC, Conversions und ROAS nach Kanal, Kampagne, Anzeigengruppe und Zielgruppe.
Kunden-Reporting: Verteilung von Neukunden vs. Bestandskunden, durchschnittlicher Bestellwert, Kauffrequenz und Customer Lifetime Value nach Kundensegment.
Content-Performance: Meistbesuchte Seiten, durchschnittliche Verweildauer, Absprungrate und Scroll-Tiefe nach Content-Kategorie und Trafficquelle.
Marktforschungs-Reporting: Häufigkeitsauszählungen von Umfrageantworten, Mittelwerte von Bewertungsskalen, Kreuztabellen nach Zielgruppen-Merkmalen.

Praxistipp: Strukturieren Sie Ihre deskriptiven Berichte nach dem BLUF-Prinzip (Bottom Line Up Front): Beginnen Sie mit der wichtigsten Erkenntnis und deren Implikation, bevor Sie Details und Rohdaten zeigen. Stellen Sie sicher, dass jede Kennzahl im Bericht einen Vergleichswert hat – mindestens den Vorperiodenwert, besser noch einen definierten Zielwert. Automatisieren Sie wiederkehrende Berichte mit Tools wie Looker Studio oder Power BI, damit Ihr Team nicht wöchentlich Zeit mit manueller Datenzusammenführung verbringt, sondern sich auf Interpretation und Handlungsempfehlungen konzentrieren kann.