Tracking & Datenfundament
GA4 und Google Ads zeigen unterschiedliche Zahlen – warum?
Fast jedes Unternehmen kennt das: GA4 meldet andere Conversions als Google Ads, das CRM nochmal andere, und Meta sowieso. Schnell entsteht der Verdacht, das Tracking sei kaputt. Meist ist das Gegenteil der Fall – verschiedene Tools messen unterschiedlich, und das ist so gewollt. Wichtiger als perfekte Deckung ist, die Ursachen zu verstehen und die Abweichungen konstant zu halten.
Kurzfazit
Nicht identische Zahlen sind das Ziel, sondern Abweichungen, die erklärbar und stabil sind.
Datenunterschiede zwischen Tools sind kein Fehler, sondern Folge unterschiedlicher Mess- und Attributionslogik. Statt exakt gleiche Zahlen zu erzwingen, solltest du die Unterschiede erklären können und über die Zeit beobachten. Erst wenn sich ein eingespieltes Verhältnis plötzlich verschiebt, ist das ein echtes Warnsignal.
Gute erste Frage
Sind die Abweichungen zwischen deinen Tools konstant – oder hat sich zuletzt ein Verhältnis plötzlich verschoben?
Einordnung
Warum keine zwei Tools dieselbe Zahl zeigen
Jedes Tool misst nach eigener Logik. Google Ads zählt rund um den Klick auf eine Anzeige, GA4 betrachtet die Session und das Ereignis selbst, dein CRM zählt abgeschlossene Geschäfte. Schon deshalb können dieselben 100 Käufe in drei Systemen drei verschiedene Summen ergeben.
Dazu kommt, dass die Plattformen Daten zu unterschiedlichen Zeitpunkten und nach unterschiedlichen Regeln verbuchen. Google Ads schreibt eine Conversion oft dem Tag des Klicks zu, GA4 dem Zeitpunkt des Ereignisses. Über Tagesgrenzen und Reporting-Zeiträume hinweg entstehen so zwangsläufig Differenzen – ganz ohne Fehler im Setup.
Überblick
Die häufigsten Ursachen auf einen Blick
- Attribution: Jede Plattform schreibt Conversions anders zu – datengetrieben innerhalb von Google Ads vs. kanalübergreifend in GA4.
- Zähllogik: Google Ads kann jede Conversion zählen, GA4 oft nur eine pro Nutzer – bei Mehrfachkäufen klafft das auseinander.
- Zeitpunkt: Klick-Datum (Ads) vs. Ereignis-Datum (GA4) verschiebt Zahlen über Zeiträume hinweg.
- Consent & Adblocker: Ohne Einwilligung oder durch Blocker fehlen Signale; die Plattformen modellieren die Lücken unterschiedlich.
- Bot-Filter & Identität: Tools erkennen Bots und wiederkehrende Nutzer nach eigenen Regeln.
Abwägung
Lohnt es sich, die Zahlen exakt anzugleichen?
Vorteile
- Zwingt dazu, das Setup sauber zu dokumentieren und offensichtliche Fehler zu finden.
- Deckt grobe Tracking-Lücken auf, etwa doppelt zählende oder ganz fehlende Conversions.
Nachteile
- Eine 1:1-Deckung ist by design nicht erreichbar – Mess- und Attributionslogik unterscheiden sich grundsätzlich.
- Frisst viel Zeit und führt zu Aktionismus, ohne dass die Entscheidungsqualität steigt.
- Lenkt von der wichtigeren Frage ab: Sind die Abweichungen erklärbar und stabil?
Praxis
Worauf du stattdessen achten solltest
Sinnvoller als die Jagd nach identischen Zahlen ist, die Beziehung zwischen den Tools zu kennen. Wenn Google Ads regelmässig spürbar mehr Conversions zeigt als GA4, ist das in Ordnung – solange dieses Verhältnis stabil bleibt. Halte solche Relationen schriftlich fest, damit im Team klar ist, was normal ist.
Zum Warnsignal wird es erst, wenn sich ein eingespieltes Verhältnis plötzlich verschiebt: Dann steckt meist ein konkreter Auslöser dahinter – ein geändertes Consent-Banner, ein Tag, der nicht mehr feuert, ein Plattform-Update oder ein umgebautes Formular. Genau dort lohnt sich die Fehlersuche, nicht bei der generellen Differenz.
Und je mehr du auf ein sauberes First-Party-Datenfundament setzt – verlässliche Events, korrekt übergebene Conversions, klarer Consent – desto kleiner und erklärbarer werden die Lücken. Server-side Tracking kann dabei helfen, ersetzt aber weder die Einwilligung noch ein durchdachtes Mess-Setup.
Meine Empfehlung
Hör auf, identische Zahlen zu erzwingen. Dokumentiere stattdessen, wie deine Tools zueinander stehen, und überwache diese Verhältnisse. Wenn du unsicher bist, ob deine wichtigsten Conversions sauber und mit korrektem Consent übergeben werden, lohnt sich zuerst ein Blick aufs Datenfundament – dort entscheidet sich, wie erklärbar deine Daten sind.
Nächster Schritt
Unsicher, welcher Zahl du trauen kannst?
Eine unabhängige Prüfung zeigt dir, warum deine Tools unterschiedlich messen, wo echte Lücken sind und welche Quelle für welche Entscheidung taugt.