Mobile Analytics

Definition: Mobile Analytics bezeichnet die systematische Erfassung, Analyse und Interpretation von Daten über das Nutzungsverhalten auf mobilen Apps und mobilen Websites. Es liefert Erkenntnisse in vier Hauptbereichen: Akquisition (Woher kommen Nutzer?), Engagement (Wie interagieren sie?), Retention (Kommen sie zurück?) und Monetarisierung (Was konvertieren sie?). Mobile Analytics unterscheidet sich von Web-Analytics durch app-spezifische Metriken: App Opens, Session-Länge und -Tiefe, Screen-Flows, In-App-Events, Push-Notification-Performance und App-Crash-Rate. Primärtools: Firebase Analytics (Google, kostenlos), Amplitude (Produkt-Analytics-Fokus), Mixpanel (Event-basiert, flexibel), Braze (CRM + Analytics) und AppsFlyer/Adjust (Attribution + Analytics). Die Integration von Mobile Analytics mit MMPs (Mobile Measurement Partners) verbindet Nutzungsverhalten mit Kampagnen-Daten für vollständige Attribution.

Erläuterung

Mobile Analytics ist die Datenfundation für alle Marketing- und Produktentscheidungen einer App. Ohne sauber implementiertes Analytics-Framework sind Entscheidungen zu Retention-Strategien, UA-Budget-Allokation und Feature-Priorisierung blind. Die häufigste Fehler: zu spätes Analytics-Setup (nach Launch statt davor), zu viele Events ohne klare Taxonomie und fehlende Kohorten-Analyse für Retention.

Kernmetriken und KPIs

Akquisition: Installs (organisch vs. paid); CPI (Cost per Install); Store-Listing-Conversion-Rate; Installationsquelle (Google Play / App Store / direkt); Channel-Attribution: welches Ad-Netzwerk, welche Kampagne, welches Creative
Engagement: DAU/MAU/WAU (Daily/Monthly/Weekly Active Users); Session-Länge (Durchschnitt und Verteilung); Sessions pro Nutzer pro Tag; Screen-Flow-Analyse: welche Screens werden in welcher Reihenfolge besucht; Feature-Usage: welche Features nutzen welche Nutzer-Segmente
Retention: D1/D7/D30 Retention (Cohort-Retention-Rate); Classic Retention: Nutzer die an Tag X zurückkehren; Rolling Retention: Nutzer die an oder nach Tag X zurückkehren; Churn-Rate: 1 - Retention; Kohorten-Vergleich: Retention-Entwicklung über Akquisitions-Kohorten
Monetarisierung: Revenue per User (RPU, ARPU); ARPDAU (Average Revenue per Daily Active User); LTV (Lifetime Value) nach Kohorten-Modellierung; Conversion-Rate: Free → Paid / Free → Abo; Revenue by Channel: welcher UA-Kanal liefert höchsten LTV

Analytics-Tools im Vergleich

Firebase Analytics: Google-Produkt, kostenlos; automatische Events: first_open, session_start, app_remove; Custom Events: logEvent()-API; DebugView für Echtzeit-Testing; Integration mit Google Ads, BigQuery (Export für eigenes Warehouse); Limitierung: begrenzte Abfrage-Flexibilität in Firebase Console; 500 distinct Events max; empfohlen als Basis-Layer
Amplitude: Produkt-Analytics-Fokus; starke Funnel- und Retention-Analysen; Behavioral Cohorts: Nutzer die Event X getan haben segmentieren; Charts: Event Segmentation, Funnel, Retention, Revenue; User Look-Up: einzelne Nutzerprofile einsehen; Data-First-Ansatz; monatliches gratis Kontingent; teuer bei höheren MAU-Zahlen
Mixpanel: Event-basiert (alle Metriken aus Events aufgebaut); flexible Ad-hoc-Analysen ohne SQL; Reports: Flows, Funnels, Retention, Insights; User Profile: vollständige Event-Geschichte je Nutzer; People Analytics: CRM-ähnliche Nutzersegmentierung; Data Governance: Event-Lexikon und Taxonomie-Management; Pricing: MAU-basiert
AppsFlyer / Adjust Analytics: Attribution + Analytics kombiniert; Unique: Kanal-basierte Retention (D7 Retention nach Akquisitionskanal); LTV-Modellierung nach Attribution-Quelle; Audience-Builder: Segmente aus Analytics-Daten für Re-Targeting; direkte Ad-Netzwerk-Integration; Primärzweck: Attribution; Analytics als Ergänzung zu Firebase/Amplitude

Funnel- und Kohorten-Analyse

Funnel-Analyse: Definiert Nutzerweg von A nach B; Beispiel: Onboarding-Funnel: App-Install → Registration → Profil-Vervollständigung → erster Kauf; Drop-Off-Rate je Schritt identifizieren; Bottleneck: Schritt mit größtem Drop-off = höchste Optimierungspriorität; Time-to-Convert: wie lange brauchen Nutzer für Funnel-Completion
Kohorten-Analyse: Nutzer nach Install-Datum (Kohorte) gruppieren; Retention-Vergleich: Kohorte Jan vs. Feb (nach Onboarding-Change sieht man Unterschied); LTV-Entwicklung: Kohorte mit App-Version X hat höheren LTV als Version Y; Kampagnen-Kohorten: Nutzer aus Kampagne A vs. Kampagne B; diagnostiziert Produkt-Impact auf Nutzungsverhalten über Zeit
Analytics-Setup-Framework: Vor Launch: Event-Tracking-Plan (Tabelle: Event, Trigger, Parameter, SDK); Test in Staging vor Production; DebugView-Verifikation; Analytics-Review nach Launch (erste 7 Tage): Datenqualität prüfen; Quartals-Review: Metrik-Ziele vs. Ist-Werte; kein Analytics-Framework = keine Daten = keine optimierten Entscheidungen

Praxistipp: Definieren Sie vor dem App-Launch ein Analytics-Framework mit maximal 30 Core-Events und klarer Benennung (snake_case, beschreibend). Implementieren Sie Firebase Analytics als Basis (kostenlos, Google-Ökosystem-Integration) und ergänzen Sie Amplitude für tiefere Produkt-Analytics wenn Budget vorhanden. Richten Sie automatische wöchentliche Reports für 5–7 Top-Metriken ein (DAU, D7-Retention, Session-Länge, Purchase-CVR, Revenue) die Ihr gesamtes Team erhält – das schafft Daten-Bewusstsein ohne tägliches Dashboard-Checking. Analysieren Sie Retention-Kohorten monatlich: wenn neue Nutzer-Kohorten systematisch schlechtere D30-Retention zeigen, haben Sie ein Produkt- oder Onboarding-Problem das kein Marketing lösen kann.