Multi-Signal-Keyword-Umsatzattribution
Sie führen eine Keyword-Level-Umsatzattributionsanalyse mit GSC-Bulk-Export und GA4-Exportdaten durch, beide in BigQuery. Die Ausgabe ist eine sortierbare Markdown-Tabelle mit (Query, Seite, Intent, Klicks, attributierte Sitzungen, attributierte Konversionen, attributierter Umsatz, Konfidenz) plus einer kurzen Kopfzeilen-Zusammenfassung.
Wann verwenden
Lösen Sie diese Fähigkeit immer dann aus, wenn der Benutzer wissen möchte, welche Suchanfragen den Traffic-Wert (Sitzungen, Konversionen, Umsatz) und nicht nur Klicks liefern. Die Methodik treibt die Attribution eine Ebene feiner als das Standard-ga4_gsc_query_revenue MCP-Tool, da sie vor der Verteilung der GA4-Metriken auf drei Signale (Seite + Datum + Gerät) joined, eine Intent-Gewichtung anwendet, sodass Branded- und Transaktions-Queries mehr Anerkennung erhalten als Informationale, und neu normalisiert, sodass die Summen exakt mit GA4 übereinstimmen.
Wenn der Benutzer nur Klickanteile oder eine einzeilige Antwort wie „für welche Keywords rangiert meine Website“ möchte, verwenden Sie stattdessen ahrefs-quick-lookup oder das vorgefertigte ga4_gsc_query_revenue-Tool.
Erforderliche Eingaben
Fragen Sie nach, welche dieser Angaben fehlen. Verwenden Sie die Standardwerte, wie gezeigt, wenn der Benutzer keine Angabe macht.
| Parameter | Standard | Hinweise |
|---|---|---|
brand_terms | erforderlich | Array in Kleinbuchstaben. Tier-1-Teilstring-Übereinstimmung. Verwenden Sie kanonische Markenformen (z.B. ['snippet digital', 'snippetdigital']). |
brand_tokens | [] | Array in Kleinbuchstaben. Tier-2-Stamm-Präfix-Token. Jeder Token stimmt mit dem Anfang eines Wortes überein, so erfasst 'model' 'models', 'modelling', 'modeling'. Empfohlen für mehrteilige Marken, um Wortstellung und Stammvariationen zu erfassen. |
brand_min_token_matches | 2 | Wie viele Token aus brand_tokens in einer Query vorkommen müssen, damit sie als Branded gilt. 2 ist der richtige Standard für 2-Wort-Marken. |
brand_negative_terms | [] | Array in Kleinbuchstaben. Tier-3-Falsch-Positiv-Schutz. Jede Query, die einen davon enthält, wird NIEMALS als Branded eingestuft. Verwenden Sie dies für mehrdeutige, einteilige Marken (z.B. ['apple pie', 'apple cider'] für Apple). |
gsc_dataset | erforderlich | Das Dataset, das searchdata_url_impression enthält, z.B. searchconsole. |
ga4_dataset | erforderlich | Das GA4-Export-Dataset, z.B. analytics_123456789. |
days | 28 | Tage zurück ab heute minus 3 (GSC hat eine ca. 3-tägige Verzögerung). |
min_clicks | 5 | Queries mit weniger Gesamtklicks im Zeitfenster verwerfen. |
value_per_conversion | 0.0 | Optionaler fester Lead-Wert, wenn GA4 keinen monetären Wert hat. Setzen Sie z.B. 499.0 für einen festen Konversionswert. |
conversion_events | ['form_submit', 'generate_lead', 'purchase'] | GA4-Ereignisnamen, die als Konversionen gezählt werden. |
Intent-Gewichte und Intent-Regex sind ebenfalls konfigurierbar (siehe DECLARE-Block in attribution.sql). Die Standardwerte sind auf B2B / Lead-Gen-Websites abgestimmt; für E-Commerce sollte das Transaktionsgewicht möglicherweise auf 2.5 erhöht werden.
Markenabgleich: Wie ausfüllen
Wenn Sie den Benutzer nach Markenbegriffen fragen, fragen Sie explizit nach beiden Stufen:
„Was ist Ihre Marke? Geben Sie mir 1) die genauen Phrasen, die Leute für Sie eingeben (z.B. 'snippet digital', 'snippetdigital'), und 2) die einzigartigen Wörter in Ihrer Marke, um sie als Stämme abzugleichen (z.B. 'snippet', 'digital').“
Für die meisten mehrteiligen Marken sollte Stufe 2 dieselben Wörter wie Stufe 1 enthalten, aufgeteilt in einzelne Token. Beispiele:
| Marke | brand_terms (Stufe 1) | brand_tokens (Stufe 2) | min |
|---|---|---|---|
| Coca-Cola | ['coca cola', 'cocacola', 'coke'] | ['coca', 'cola'] | 2 |
| Snippet Digital | ['snippet digital', 'snippetdigital'] | ['snippet', 'digital'] | 2 |
| UK Models | ['uk models', 'ukmodels'] | ['uk', 'model'] | 2 |
| Keyword Insights | ['keyword insights', 'keywordinsights'] | ['keyword', 'insights'] | 2 |
Bei einteiligen Marken (Apple, Notion, Stripe) ist Stufe 2 in der Regel nicht erforderlich. Verwenden Sie stattdessen Stufe 3, um falsch-positive Ergebnisse auszuschließen:
| Marke | brand_terms (Stufe 1) | brand_negative_terms (Stufe 3) |
|---|---|---|
| Apple (das Unternehmen) | ['apple'] | ['apple pie', 'apple cider', 'apple fruit'] |
| Stripe (Zahlungen) | ['stripe'] | ['pin stripe', 'stripe pattern'] |
Wenn der Benutzer meldet, dass offensichtliche markenbezogene Queries als Informational klassifiziert werden (z.B. Plural- oder Wortstellungsvariationen durchrutschen), liegt die Lösung fast immer im Hinzufügen von Stufe-2-Token.
Vorgehen
-
Eingaben bestätigen. Fehlen brand_terms, gsc_dataset oder ga4_dataset, fragen Sie den Benutzer. Bestätigen Sie explizit ungewöhnliche Werte (z.B. Tage > 90, min_clicks > 25).
-
Beide Datasets prüfen. Führen Sie vor der Ausführung der vollständigen Abfrage zwei kostengünstige Tests über das BigQuery MCP
query-Tool durch:SELECT MAX(data_date) FROM \{gsc_dataset}.searchdata_url_impression``SELECT MAX(_TABLE_SUFFIX) FROM \{ga4_dataset}.events_*`` Wenn einer fehlschlägt, geben Sie den genauen Fehler an den Benutzer aus und stoppen Sie. Fahren Sie nicht mit der Hauptabfrage fort.
-
Attributionsabfrage ausführen. Verwenden Sie das BigQuery MCP
query-Tool mit dem SQL ausattribution.sql, nachdem Sie<<GSC_DATASET>>und<<GA4_DATASET>>durch die Datensatznamen des Benutzers ersetzt haben. Aktualisieren Sie den DECLARE-Block, um die brand_terms, days, min_clicks, value_per_conversion und conversion_events des Benutzers widerzuspiegeln. Setzen Siemax_rowsauf 200, um das lange Ende zu erfassen. -
Ausgabe formatieren. Formatieren Sie das Ergebnis als Markdown-Tabelle, sortiert nach attributiertem Umsatz absteigend. Spalten: Query, Seite, Intent, Klicks, att_Sitzungen, att_Konversionen, att_Umsatz (mit Währungssymbol), Kandidaten_auf_Seite, Konfidenz. Nach der Tabelle schreiben Sie:
- Eine 2-3-sätzige Kopfzeile, die Gesamtklicks, Sitzungen, Konversionen, Umsatz und den Branded-Anteil zusammenfasst.
- Top 3 hochkonfidente Treiber (jeweils eine Zeile).
- Alle erwähnenswerten Muster (z.B. alle Seiten mit HOHER Konfidenz, aber null Konversionen, ungewöhnliche Intent-Aufteilungen, Markenvariationen, die von der Substring-Regel übersehen werden).
-
Optional das visuelle Artefakt rendern. Wenn der Benutzer ein Dashboard, einen Schnappschuss oder einen Screenshot wünscht, erstellen Sie ein Inline-HTML-Widget mit dem
show_widgetMCP-Tool. Das Widget sollte beinhalten: 4 Metrik-Karten (Klicks, Sitzungen, Konversionen, Umsatz), ein horizontales Balkendiagramm der Top 12 Queries nach attributiertem Umsatz, farblich nach Intent codiert, ein gestapeltes Balkendiagramm der Intent-Aufteilung (Klicks vs Sitzungen vs Umsatz) und eine sortierbare, filterbare Tabelle.
Häufige Fallstricke und was zu tun ist
- Markenbegriffe, die von der Substring-Regel übersehen werden. „uk model“ enthält nicht „uk models“. Recherchieren Sie die Markenliste proaktiv: Singular/Plural, mit und ohne Leerzeichen, häufige Tippfehler, interne Jobtitel. Wenn Sie sehen, dass Informationale Queries auf der Startseite die Branded-Queries bei reinen Klicks überholen, liegt es fast immer an einer fehlenden Markenvariation.
- Umsatz ist überall null. Das bedeutet, dass GA4
ecommerce.purchase_revenueoderevent_params.valuenicht befüllt. Bei Lead-Gen-Websites ist das normal. Akzeptieren Sie entweder Konversionen als Erfolgsmetrik oder übergeben Sievalue_per_conversion, sodass der Umsatz alsKonversionen x Wertimputiert wird. - Alle Konfidenz-Bewertungen sind NIEDRIG, weil alles auf der Startseite ist. Das ist ein legitimer Befund, kein Fehler. Die Startseite hat tatsächlich zu viele Kandidaten-Queries, um sauber attribuieren zu können. Weisen Sie darauf als strukturellen Befund hin („Interne Links und themenspezifische Landing Pages würden diese Attribution in deterministische Blöcke aufteilen“), anstatt zu versuchen, den Score zu manipulieren.
- Join-Rate scheint niedrig. GSC und GA4 normalisieren URLs unterschiedlich (nachgestellte Schrägstriche, Query-Strings, Fragmente). Das SQL entfernt nachgestellte Schrägstriche und Query-Strings auf beiden Seiten; wenn die Join-Rate immer noch unter 50 % liegt, prüfen Sie auf Protokollkonflikte (http vs https) oder Hostnamenunterschiede (www vs non-www).
- GA4 organischer Filter schließt zu viel aus. Das SQL filtert auf Sitzungen, bei denen ein Ereignis
medium=organicmeldet. Wenn das GA4-Setup des Benutzers andere Traffic-Quellwerte verwendet (z.B. „Organische Suche“ als Kanalgruppe), bearbeiten Sie die WHERE-Klausel imga4_sessionsCTE. - GSC-Dataset ist in einem Projekt, GA4 in einem anderen. BigQuery-übergreifende Projektabfragen funktionieren einwandfrei; qualifizieren Sie einfach beide Platzhalter vollständig, z.B.
projekt-a.searchconsole,projekt-b.analytics_123456789. Der MCP-Dienstkontodient muss Lesezugriff auf beide haben.
Beispiel für das Ausgabeformat
## [domain] Keyword-Umsatzattribution, letzte 28 Tage
**Fenster:** 2026-04-01 bis 2026-04-28
**Markenbegriffe:** „...“ | **Min. Klicks:** 5
| Query | Seite | Intent | Klicks | Att. Sitzungen | Att. Konv | Att. Umsatz | Konfidenz |
|---|---|---|---|---|---|---|---|
| ... | ... | branded | 280 | 263.4 | 19.96 | 9.960 £ | HOCH |
Headline: 903 Klicks, 697 attributierte Sitzungen, 39 Konversionen, 19.461 £ Umsatz. Branded erfasst 86 % der Konversionen bei 57 % der Klicks.
Top 3 hochkonfidente Treiber
1. ...
2. ...
3. ...
Muster
- ...
- ...
Dateien in dieser Fähigkeit
attribution.sql: die parametrisierte AbfrageSKILL.md: diese Dateiexamples/synthetic_saas_demo.md: ein ausgearbeitetes Beispiel-Output als Referenz