Purchase Probability

Definition: Purchase Probability (Kaufwahrscheinlichkeit) ist eine Predictive Metric in Google Analytics 4, die mithilfe von Machine-Learning-Modellen schätzt, mit welcher statistischen Wahrscheinlichkeit ein in den letzten 28 Tagen aktiver Nutzer innerhalb der nächsten sieben Tage ein "purchase"-Ereignis auf der Website oder in der App auslösen wird. Der Wert wird als Wahrscheinlichkeits-Score zwischen 0 und 1 (bzw. 0 und 100 %) ausgedrückt und täglich für jeden bekannten Nutzer der GA4-Property neu berechnet. Purchase Probability ist eine der drei GA4-Predictive Metrics und bildet zusammen mit Churn Probability und Predicted Revenue das maschinell lernende Prognosesystem von GA4. Sie erlaubt es, Nutzer nicht nach ihrem vergangenen Verhalten, sondern nach ihrer zukünftigen Kaufintention zu segmentieren und gezielt anzusprechen. Dies ist ein Paradigmenwechsel gegenüber klassischem Remarketing, das immer nur auf bereits eingetretene Ereignisse reagieren kann: Purchase Probability ermöglicht es, die Kaufentscheidung aktiv zu beeinflussen, bevor sie getroffen wird. Für E-Commerce-Betreiber ist Purchase Probability eine der wertvollsten Metriken überhaupt, da sie die Grundlage für hocheffiziente, kostenoptimierte Remarketing-Kampagnen bildet, die Budget gezielt dort einsetzen, wo die Erfolgswahrscheinlichkeit am höchsten ist.

Erläuterung

Das Machine-Learning-Modell, das Purchase Probability berechnet, wird spezifisch für jede GA4-Property trainiert. Es analysiert Hunderte von Signalen aus den Verhaltensdaten der Nutzer: welche Seiten besucht wurden und in welcher Reihenfolge, wie viele Produkte angesehen wurden, ob der Nutzer den Warenkorb geöffnet hat, wie lange er auf Produktseiten verweilte, von welchem Gerät er surfte, über welchen Kanal er erstmals zur Website kam und viele weitere verhaltensbasierte Features. Das Modell vergleicht das aktuelle Verhaltensmuster eines Nutzers mit den historischen Mustern aller Nutzer, die gekauft haben, und berechnet die Ähnlichkeit. Ein Nutzer, der dasselbe Browsing-Muster wie typische Käufer zeigt, erhält eine hohe Purchase Probability. Die technische Voraussetzung für die Aktivierung der Metric ist, dass in den letzten 28 Tagen mindestens 1.000 eindeutige Nutzer das "purchase"-Ereignis ausgelöst haben müssen und mindestens 1.000 weitere Nutzer aktiv waren, ohne zu kaufen – dies ermöglicht dem Modell, die Unterschiede zwischen Käufern und Nicht-Käufern zu lernen. Bei kleinen E-Commerce-Shops mit weniger als 1.000 monatlichen Transaktionen steht Purchase Probability möglicherweise nicht zur Verfügung. In GA4-Berichten und Explorationen ist Purchase Probability als Metrik verfügbar und kann mit Dimensionen wie Kanal, Kampagne, Gerätetyp oder demografischen Merkmalen kombiniert werden. Die wichtigste praktische Anwendung ist der Einsatz im Audience Builder: Durch Definition einer Audience "Purchase Probability im obersten Quintil" (d. h. die 20 % der Nutzer mit der höchsten Kaufwahrscheinlichkeit) und Export dieser Audience nach Google Ads lässt sich eine hochpräzise Remarketing-Zielgruppe aufbauen, die mit personalisierter Werbung bespielt werden kann. Ergänzt durch den vorhergesagten Umsatz (Predicted Revenue) lässt sich die Priorität zwischen zwei Nutzern mit ähnlicher Kaufwahrscheinlichkeit weiter differenzieren: Wer voraussichtlich mehr ausgibt, erhält einen höheren Gebotsbonus.

Faktoren, die Purchase Probability beeinflussen

• Produktseitenaufrufe: Nutzer, die mehrere Produktseiten in einer Sitzung aufrufen, zeigen ein exploratives Kaufverhalten, das stark mit hoher Kaufwahrscheinlichkeit korreliert; mehr Produkte angesehen bedeutet oft intensivere Kaufabsicht.
• Warenkorbaktionen: Das Hinzufügen eines Produkts zum Warenkorb ("add_to_cart"-Ereignis) ist eines der stärksten Signale für hohe Kaufwahrscheinlichkeit und erhöht den Score deutlich.
• Checkout-Initiierung: Ein Nutzer, der den Checkout begonnen, aber nicht abgeschlossen hat ("begin_checkout"-Ereignis), hat typischerweise die höchste Purchase Probability aller Nutzergruppen – er befindet sich unmittelbar vor dem Kauf.
• Historische Kaufhistorie: Nutzer, die bereits in der Vergangenheit gekauft haben, weisen in der Regel eine höhere Grundwahrscheinlichkeit auf als Erst-Besucher; Stammkunden werden durch das Modell entsprechend bewertet.
• Recency der letzten Aktivität: Nutzer, die gestern auf der Website waren, haben eine höhere Purchase Probability als Nutzer, deren letzter Besuch vier Wochen zurückliegt; die zeitliche Nähe zur aktuellen Aktivität ist ein wichtiges Modellfeature.
• Saisonalität: In Hochkaufphasen wie Black Friday oder dem Weihnachtsgeschäft steigen die Purchase-Probability-Werte systemweit an; dies sollte bei der Interpretation und beim Setzen von Schwellenwerten für Audiences berücksichtigt werden.

Purchase Probability im Remarketing-Workflow

• Audience-Segmentierung nach Wahrscheinlichkeit: Erstellen Sie mehrere Audience-Stufen – z. B. "sehr hohe Kaufwahrscheinlichkeit" (>80 %), "hohe Kaufwahrscheinlichkeit" (50–80 %) und "mittlere Kaufwahrscheinlichkeit" (20–50 %) – und spielen Sie jeder Gruppe unterschiedliche Anzeigenbotschaften aus.
• Priorisiertes Smart Bidding: Übergeben Sie die Hochwahrscheinlichkeits-Audience als Zielgruppen-Signal in Performance-Max-Kampagnen, damit der Google-Algorithmus Gebote für diese Nutzer automatisch erhöht.
• RLSA (Remarketing Lists for Search Ads): Erhöhen Sie in Google-Search-Kampagnen die Gebote für Nutzer mit hoher Purchase Probability, die nach Ihren Produktkategorien suchen – diese Nutzer kaufen mit deutlich höherer Wahrscheinlichkeit als unbekannte Suchanfragen.
• Personalisierte E-Mail-Trigger: Exportieren Sie Nutzer mit hoher Purchase Probability in Ihre E-Mail-Marketing-Plattform (z. B. via GA4-Audience-Export in Klaviyo oder Mailchimp) und senden Sie zeitkritische Angebote, während die Kaufabsicht noch hoch ist.