Matomo Looker Studio Reportings mit BigQuery

Du setzt bereits auf Matomo und möchtest deine Webanalyse datengetrieben ausbauen? Dann bist du hier genau richtig. Hier erfährst du, wie du mithilfe von Google Looker Studio und der Matomo API diese Lücken schließen und individuelle Webanalysen auf ein neues Level heben kannst.

Warum Matomo?

Matomo hat sich als Open-Source-Webanalyse-Lösung vor allem seit Inkrafttreten der DSGVO im Jahr 2016 stark verbreitet. Mit einem Marktanteil von 6% in Deutschland belegt Matomo den zweiten Platz direkt nach Google.

Als Website-Betreiber*in genießt du durch das eigenständige Hosting auf deiner eigenen Infrastruktur volle Kontrolle über deine Daten. Damit minimierst du das Risiko, Daten an Dritte weiterzugeben, wie es bei Google Analytics der Fall ist, und kannst besser auf Datenschutzanforderungen reagieren. Dennoch stößt Matomo in bestimmten Bereichen an Grenzen: Die Benutzeroberfläche wirkt veraltet, die Rechteverwaltung ist eingeschränkt und Erweiterungen wie Conversion-Exporte kosten häufig zusätzliche Gebühren.

Looker Studio in Kombination mit Matomo (API)

Der größte Pain Point bei Matomo ist oft das limitierte Reporting. Hier setzt Looker Studio an: Durch Anbindung an die Matomo API kannst du Besuchsdaten abrufen und anschließend in BigQuery speichern (Stichwort: Matomo BigQuery). Dort lassen sie sich beliebig transformieren und schließlich über Looker Studio (Stichwort: Matomo Looker Studio) flexibel aufbereiten.

Technischer Ablauf

Der Datenfluss von Matomo bis hin zur Visualisierung in Looker Studio lässt sich in vier Schritten zusammenfassen:

1. Abfrage der Matomo API
   Eine Google Cloud Function ruft regelmäßig die Daten über den Live.getLastVisitsDetails-Endpunkt ab.
2. Speicherung in BigQuery
   Die Daten werden in Google Cloud Storage zwischengespeichert und anschließend in eine BigQuery-Tabelle geladen.
3. Weiterverarbeitung via Dataform
   Ein Dataform-Paket übernimmt die Transformation deiner Rohdaten und stellt sie für verschiedene Anwendungszwecke bereit.
4. Ausgabe in Looker Studio
   Die aufbereiteten Daten kannst du entweder über eine native BigQuery-Anbindung oder eine weitere Cloud Function in Looker Studio einbinden.

So umgehst du die Einschränkungen der Matomo-Oberfläche und gewinnst mehr Flexibilität in deinen Webanalysen.

Erster Erfolg: Zugriff auf die Matomo API

Um auf die Matomo API zugreifen zu können, benötigst du einen API-Token. Diesen Token erstellst du in deinem Matomo-Benutzerkonto. Bei jeder Anfrage wird der Token als Parameter mitgeschickt, damit nur autorisierte Personen Zugriff erhalten.

Seit Matomo Version 5 ist ein API-Abruf nur noch via POST-Anfrage möglich (in Version 4 war es noch einfacher per Browseraufruf machbar). Über filter_limit und filter_offset kannst du außerdem die Paginierung steuern, um selbst große Datenmengen in kleineren Häppchen aus Matomo herauszuladen.

In der Praxis übernimmt meist eine Google Cloud Function die zyklische Abfrage der Matomo-Daten. Die Cloud Function speichert die Daten zwischen und führt sie anschließend in BigQuery ein. Damit lassen sich sogar intraday-Analysen realisieren. Wie oft du deine Daten tatsächlich abrufst, hängt allerdings auch von Faktoren wie Kosten und Datenvolumen ab. Bewährt haben sich Abfragen im vierstündigen Rhythmus.

Matomo getLastVisitsDetails ≠ Tracking-Rohdaten

Der Endpunkt Live.getLastVisitsDetails liefert keine reinen Rohdaten, sondern bereits aufbereitete Informationen. Dazu gehören zum Beispiel bereinigte URL-Parameter wie gclid, fbclid oder msclkid.

• Zielvorhaben (Goals) sind integriert, während bestimmte Ereignisse (z. B. addEcommerceItem) nur indirekt als abgebrochener Warenkorb (ecommerceAbandonedCart) auftauchen.
• Irrelevante Felder wie Icon-Pfade oder diverse Aggregationen solltest du beim Import in BigQuery weglassen, um deinen Datensatz schlank zu halten.

Typische Informationen, die du über Live.getLastVisitsDetails erhältst, sind:

• Besuchsdetails: Sitzungsdauer (in Sekunden und menschenlesbarer Form), Anzahl angesehener Seiten usw.
• Referrer-Infos: Art des Referrers (Suchmaschine, Direkteingabe, Social Media), Name, URL, Keyword.
• Geräteinformationen: Gerätetyp (Desktop, Tablet, Smartphone), Betriebssystem, Browser, installierte Plugins.
• Standortdaten: Stadt, Region, Land (mit Flagge), Kontinent, Geokoordinaten, Spracheinstellungen.
• Seiten- und Ereignisdaten: Besuchte URLs, Titel, Verweildauer, Ladezeiten, Ereigniskategorien und -aktionen.
• E-Commerce-Daten: Produktinfos (Name, SKU, Preis, Kategorie), abgebrochene Warenkörbe, Bestell-ID, Umsatz, Steuern, Versand, Rabatte, bestellte Artikel.

Hier findest Du die komplette Tabelle mit allen Feldern der Live.getLastVisitsDetails.

Mit diesem breiten Datenspektrum kannst du tiefe Einblicke in das Verhalten deiner Besucher*innen gewinnen und so deine Webanalyse im E-Commerce und Online-Marketing deutlich verbessern.

Datentransformation mit Dataform

Um deine Matomo-Daten effizient aufzubereiten, lohnt sich ein Blick auf Dataform. Dieses Tool ist in der Google Cloud Platform integriert und unterstützt dich bei Verwaltung, Automatisierung und Orchestrierung von Daten-Pipelines.

Vorteile von Dataform:

• Nahtlose Git-Integration für Versionskontrolle.
• SQL-Workflows lassen sich effizient verwalten und automatisieren.
• Inkrementelle MERGE-Logiken vereinfachen Datenupdates.
• Ein Kompilierungs-Graph gibt dir stets eine visuelle Übersicht über Tabellen und Abhängigkeiten.

In der Regel erstellst du aus den Rohdaten (rawdata) mithilfe von Dataform zwei Basistabellen, z. B. actions und sessions, die du später weiter aufteilst oder aggregierst. Dadurch lädst du in Looker Studio nur die wirklich benötigten Daten – das spart Zeit und hält deine Berichte übersichtlich.

Ein Beispiel ist die Konfiguration der Tabelle actions. Hier wird:

• Inkrementell verarbeitet (config.type = "incremental").
• Über partitionierte Tabellen nur ein definierter Zeitraum aktualisiert.
• Durch Assertions sichergestellt, dass keine doppelten Einträge entstehen.
• Mit pre_operations werden bestimmte Sitzungen gelöscht, um ggf. unvollständige Besuche erneut zu erfassen.
• JavaScript-Funktionen ermöglichen zentrale CASE-Statements (z. B. für Kanalnamen).

Trigger, Timing, Nachrichten

Eine zuverlässige Datenpipeline benötigt eine durchdachte Orchestrierung. Statt fester Uhrzeiten sind Trigger und Pub/Sub-Nachrichten meist die bessere Wahl:

1. Cloud Scheduler: Löst eine Pub/Sub-Nachricht aus und startet die Cloud Function.
2. Cloud Function: Lädt die Rohdaten aus Matomo nach BigQuery und schreibt nach Erfolg einen Logeintrag.
3. Log-Senke: Erkennt den Eintrag und triggert einen Workflow.
4. Workflow: Führt eine Aktualisierung deines Dataform-Pakets aus und startet Dataform.
5. Looker Studio: Ruft die aktualisierten Daten aus BigQuery ab.

So stellst du sicher, dass kein Schritt startet, bevor der vorherige erfolgreich abgeschlossen wurde.

Datenverwendung – Looker Studio als Beispiel

Nachdem deine Daten in BigQuery liegen, kannst du sie mit diversen Tools analysieren. Looker Studio bietet sich an, weil es kostenlos ist und einen niedrigen Einstieg hat (es reicht ein Google-Account). Mit einem mehrseitigen Looker-Studio-Dashboard kannst du dir unter anderem Daten zu Akquisition, Verhalten, E-Commerce und technischen Details anzeigen lassen.

Mit dieser nun flexiblen Struktur hast du viel mehr Freiheiten bei der Zusammenstellung deiner Reportings, als es die Matomo-Oberfläche erlaubt.

Kopieren von Dashboards mit dem LSD Cloner

Looker Studio selbst bietet keine integrierte Versionierung für Dashboards. Hier kann dir der Looker Studio Dashboard Cloner (LSD Cloner) helfen:

• Er kopiert vorhandene Dashboards mithilfe der Looker-Studio-Link-API.
• Eine JSON-Konfigurationsdatei legt fest, wie Datenquellen und Dashboardname angepasst werden sollen.
• Das Tool ist ein einfaches npm-Paket, das dir automatisch einen Link generiert.

So kannst du Dashboards für unterschiedliche Projekte oder Kund*innen schnell duplizieren und individuell anpassen.

Fazit

Mit dem Matomo-API-Endpunkt Live.getLastVisitsDetails erhältst du detaillierte Einblicke in das Besucherverhalten deiner Website. Kombinierst du diese Daten mit Matomo BigQuery und Matomo Looker Studio, erweiterst du die Möglichkeiten deiner Webanalyse weit über die Standardoberfläche von Matomo hinaus.

Gerade im E-Commerce-Umfeld ermöglicht dir dieses Setup eine präzisere Conversion-Analyse und ein tieferes Verständnis deines Nutzerverhaltens. Dank Dataform kannst du deine Daten effizient transformieren und inkrementell aktualisieren, während du mit Looker Studio flexible, ansprechende Dashboards gestaltest. Insgesamt ist diese Lösung für dich ideal, wenn du beruflich mit Matomo arbeitest und modernste Webanalyse betreiben möchtest.

Wenn Du eine fertige Lösung brauchst, schreib eine Anfrage. Wir haben eine komplett automatisierte Lösung zum Datentransfer von Matomo Daten nach BigQuery entwickelt.