Referrer-Spam

Definition: Referrer-Spam (auch: Referral Spam) bezeichnet manipulierte Anfragen, die mit einem gefälschten oder irreführenden Referrer-Header an eine Website gesendet werden, mit dem primären Ziel, in den Analytics-Berichten des Website-Betreibers als Trafficquelle zu erscheinen. Die Betreiber solcher Spam-Kampagnen hoffen, dass neugierige Analytics-Nutzer den unbekannten Referrer im Bericht sehen, die entsprechende URL im Browser aufrufen und damit die Spam-Domain besuchen – ein kostengünstiger, parasitärer Traffic-Trick. Referrer-Spam tritt in zwei grundlegend verschiedenen Formen auf: Als Ghost-Spam werden gefälschte Anfragen direkt an den Analytics-Tracking-Endpunkt gesendet, ohne die Website des Opfers jemals wirklich zu besuchen; als Crawler-Spam rufen echte Bots die Website tatsächlich auf, übermitteln dabei aber einen gefälschten Referrer-Header. Beide Formen haben gemeinsam, dass sie die Qualität der Analytics-Daten erheblich beeinträchtigen: Sie erhöhen die gemessene Besucherzahl künstlich, verfälschen Durchschnittswerte für Engagement-Zeit und Absprungrate, verzerren die Kanal-Verteilung im Acquisition-Bericht und erzeugen falsche Alarme in automatisierten Reporting-Systemen. Für Website-Betreiber, die Entscheidungen auf Basis ihrer Analytics-Daten treffen, stellt Referrer-Spam damit ein echtes Problem für die Datenqualität dar – besonders, wenn der Spam-Traffic einen signifikanten Anteil des gesamten Referral-Traffics ausmacht.

Erläuterung

Ghost-Spam war besonders in der Ära von Universal Analytics (UA) ein verbreitetes Problem. Da UA eine einfachere Tracking-Architektur hatte, konnten Spammer direkt HTTPS-Requests an den UA-Collect-Endpunkt (www.google-analytics.com/collect) senden und dabei eine beliebige Tracking-ID als Parameter übergeben. Sie benötigten die Tracking-ID der Ziel-Property, die oft aus dem öffentlichen HTML-Quellcode der Website auslesbar war, und konnten dann massenhaft gefälschte Hits einschleusen, ohne jemals die eigentliche Website zu besuchen. In Google Analytics 4 ist Ghost-Spam strukturell deutlich schwerer: Jede GA4-Property nutzt eine eindeutige Measurement-ID (G-XXXXXXXXXX), und der GA4-Collect-Endpunkt validiert Anfragen strikter. Dennoch ist GA4 nicht vollständig immun, da Spammer grundlegende Validierungen kennen. Crawler-Spam ist in GA4 nach wie vor möglich: Bots und automatisierte Browser-Instanzen, die eine Website aufrufen und dabei einen gefälschten Referrer mitschicken, werden von GA4 auf der Basis der standardmäßig aktivierten Bot-Filterung teilweise herausgefiltert, aber nicht vollständig. Typische Erkennungsmerkmale von Referrer-Spam in Analytics-Berichten sind: Eine Absprungrate von exakt 100 % (der Bot verlässt die Seite sofort), eine Sitzungsdauer von 0 Sekunden, unbekannte oder kryptische Domain-Namen als Referrer, plötzliche Spitzen im Referral-Traffic ohne erklärbaren Anlass und Domains, die oft nur eine einfache Weiterleitungsseite oder Spam-Werbung enthalten, wenn man sie manuell aufruft. GA4 ermöglicht das Erstellen von Datenfiltern (unter Admin > Datenfilter), mit denen bekannte Spam-Domains aus der Datenverarbeitung ausgeschlossen werden können, sodass sie nicht in die Berichte einfließen. Die GA4-interne Bot-Filterung (basierend auf der IAB/ABC International Spiders and Bots List) filtert außerdem bekannte Bot-User-Agents automatisch heraus.

Arten von Referrer-Spam

Ghost-Spam: Sendet gefälschte Requests direkt an den Analytics-Tracking-Endpunkt, ohne die Website zu besuchen; hinterlässt keine Server-Logs-Einträge auf dem eigentlichen Webserver, weil keine echte Verbindung hergestellt wird; war das dominante Problem in Universal Analytics.
Crawler-Spam (Bot-Spam): Automatisierte Bot-Software ruft die Website tatsächlich auf, sendet dabei einen manipulierten Referrer-Header; hinterlässt Einträge in den Server-Logs; kann durch IP-Sperren auf Serverebene und .htaccess-Regeln reduziert werden.
SDK-Spam: Neuere Form, bei der die GA4 SDK-Protokolle imitiert werden; erfordert ausgefeiltere Techniken und tritt seltener auf als klassischer Ghost-Spam, ist aber schwerer zu erkennen.
Semalt-Typ-Spam: Nach der einst berühmten Spam-Quelle "semalt.com" benannte Kategorie von hartnäckigem, hochfrequentem Spam von Dienstleistungsdomains; diese Spammer inserieren ihre "SEO-Services" in Analytics-Berichten und waren besonders 2014–2016 weit verbreitet.

Erkennung und Gegenmassnahmen

Anomalie-Erkennung im Referral-Bericht: Regelmäßige Überprüfung des Referral-Berichts auf unbekannte Domains mit 100 % Absprungrate, 0-Sekunden-Sitzungsdauer und fehlenden Engagements; solche Einträge sind nahezu immer Spam.
GA4-Datenfilter einrichten: Unter Admin > Datenfilter können für bekannte Spam-Domains Ausschlussfilter eingerichtet werden; diese filtern die entsprechenden Sessions aus der Datenverarbeitung heraus und verhindern, dass Spam-Daten in Berichte einfließen.
Bot-Filterung aktivieren: In GA4 ist Bot-Filterung standardmäßig aktiv; sicherstellen, dass in den Einstellungen der bekannte Bot-Filter (IAB-Liste) nicht deaktiviert wurde.
IP-basierte Sperren: Für Crawler-Spam können auf Webserver-Ebene (.htaccess, nginx.conf) IP-Ranges und User-Agents bekannter Spam-Bots gesperrt werden, sodass diese Requests die Website gar nicht erst erreichen.
Vergleich mit Server-Logs: Ghost-Spam ist oft erkennbar, weil er in GA4-Berichten auftaucht, aber keine entsprechenden Einträge in den Webserver-Logs vorhanden sind; fehlt ein Server-Log-Eintrag für eine GA4-Sitzung, war es kein echter Besuch.

Praxistipp: Prüfen Sie Ihren GA4-Referral-Bericht monatlich auf Einträge mit 100 % Absprungrate und null Engagement-Zeit. Erstellen Sie in GA4 unter Admin > Datenfilter einen Ausschlussfilter für identifizierte Spam-Domains. Aktivieren Sie außerdem die interne IP-Filterung in GA4, um Ihren eigenen Team-Traffic von den Berichten auszuschließen – dieser verursacht zwar keinen Spam, aber ähnliche Verzerrungen bei kleinen Websites. Für eine saubere Datenbasis sollten Sie diese Bereinigungen bei der Einrichtung einer neuen GA4-Property standardmäßig vornehmen und nicht erst, wenn Spam-Probleme auffallen.