Mai 2026

Inhalt

Liebe Leser,

im Mai stand vor allem die zunehmende Verschmelzung von Analytics-, AI- und Tagging-Infrastrukturen im Fokus. Google erweitert GA4 erstmals um eigene AI-Traffic-Kategorien und integriert mit Meridian Marketing Mix Modeling stärker direkt in Google Analytics 360.

Gleichzeitig entwickelt sich auch die technische Infrastruktur weiter in Richtung servernaher und AI-gestützter Workflows. Neue Funktionen in BigQuery, Veränderungen rund um Google Tag Gateway sowie erste MCP-Integrationen bei Piwik PRO zeigen, wie stark sich Analytics zunehmend zu integrierten Data- und AI-Ökosystemen entwickelt.

Viel Spaß beim Lesen!

Marcus StadeHead of Analytics

1. GA360: Meridian Marketing Mix Modeling wird integriert

Google integriert sein Open-Source-Marketing-Mix-Model „Meridian“ künftig direkt in Google Analytics 360. Ziel ist es, kanalübergreifende Marketingdaten, Modellierung und Prognosen stärker innerhalb der Analytics-Plattform zusammenzuführen.

Meridian soll dabei in GA360 genutzt werden können, um First-Party-Daten, kanalübergreifende Kampagnensignale und Media-Mix-Modellierung in einer Oberfläche zu kombinieren. Zusätzlich kündigt Google neue predictive Signals wie „Qualified Future Conversions“ (QFCs) an, die mithilfe von Gemini zukünftige Conversion-Wahrscheinlichkeiten modellieren sollen. Die prognostizierten Signale sollen perspektivisch auch in Meridian einfließen, um Media-Mix-Analysen weiter zu verbessern.

Das Update zeigt, wie stark Google Attribution, Forecasting und Media-Mix-Modellierung zunehmend innerhalb des eigenen Plattform-Ökosystems bündelt. Für Unternehmen könnte das den operativen Aufwand reduzieren und MMM-Ansätze stärker in bestehende Reporting-Workflows integrieren. Gleichzeitig wächst damit jedoch die Abhängigkeit von Googles proprietären Modellierungs- und AI-Logiken. Besonders bei Forecasts und inkrementellen Wirkungsmodellen bleiben Transparenz und Validierung weiterhin zentrale Themen.

Quelle: blog.google.com

2. GA4: Neues „AI Assistant“-Channel Grouping für Traffic aus AI-Tools

Google Analytics führt ein neues Standard-Channel-Grouping für Traffic aus AI-Assistenten ein. Besuche von Tools wie ChatGPT, Gemini oder Claude werden damit nicht mehr ausschließlich als Referral-Traffic eingeordnet, sondern separat als „AI Assistant“ im Default Channel Group ausgewiesen.

Gleichzeitig werden auch die Traffic-Source-Dimensionen erweitert: Der Medium-Wert wird automatisch auf ai-assistant gesetzt, Besuche erscheinen im neuen „AI Assistant“-Channel und der Campaign-Wert wird als (ai-assistant) ausgewiesen. Damit entfällt in vielen Fällen die bisher notwendige manuelle Definition eigener Channel-Gruppen oder Regex-Logiken zur Identifikation von AI-Traffic.

Das Update reagiert auf die wachsende Bedeutung generativer AI-Systeme als Traffic-Quelle. Für Analytics- und Marketing-Teams wird erstmals im Interface sichtbar, welchen Beitrag AI-Assistenten tatsächlich zu Sessions, Engagement oder Conversions leisten. Gleichzeitig entstehen neue Herausforderungen in der Attribution: Historische Daten bleiben weiterhin im Referral-Channel, wodurch Trendanalysen nur eingeschränkt vergleichbar sind.

Quelle: analytics.google.com

3. GA4 Data API: Cross-Channel Conversion Reporting (Alpha)

Google erweitert die GA4 Data API um Zugriff auf Cross-Channel Conversion Reporting-Daten. Nutzer können damit erstmals programmatisch auf dieselben Conversion-Performance-Daten zugreifen, die bisher hauptsächlich im Advertising-Bereich der GA4-Oberfläche verfügbar waren.

Dadurch lassen sich Paid- und Organic-Conversion-Daten kanalübergreifend über die API abrufen. Das Feature befindet sich aktuell jedoch noch im Alpha-Status und steht nicht automatisch für alle Properties zur Verfügung. Google weist darauf hin, dass die Verfügbarkeit schrittweise erweitert wird.

Warum ist das relevant?
Das Update reduziert die Lücke zwischen UI-Reporting und API-Zugriff deutlich. Für Analytics- und Data-Teams wird es einfacher, kanalübergreifende Conversion-Daten in eigene Reporting-, Attribution- oder BI-Setups zu integrieren, ohne auf manuelle Exporte angewiesen zu sein. Gleichzeitig bleibt die eingeschränkte Verfügbarkeit ein praktisches Hindernis für produktive Nutzung in größeren oder standardisierten Setups.

Quelle: developers.google.com

4. GTM: Google Tag Gateway Integrationen für Akamai und Fastly verfügbar

Der Google Tag Gateway for Advertisers wird um eine direkte Integration für die CDN-Anbieter Akamai und Fastly ergänzt. Ziel ist es, die Einrichtung servernaher Messpfade deutlich zu vereinfachen und stärker über die Google-Tag-Oberfläche steuerbar zu machen.

Was ist neu?
Die Integration ermöglicht es, CDN-Zonen automatisch zu erkennen und Routing-Regeln direkt aus der Google-Tag-Oberfläche heraus zu konfigurieren. Dadurch entfällt ein Teil der manuellen Einrichtung in Akamai Control Center oder Fastly. Zusätzlich automatisiert Google die Bereitstellung von First-Party-Messpfaden und Geolocation-Headern zur Verbesserung von Signal Recovery und Reporting.

Warum ist das relevant?
Das Update zeigt deutlich, wie stark sich Tracking-Infrastrukturen weiter in Richtung servernaher und First-Party-basierter Setups entwickeln. Die tiefere Integration mit CDN-Anbietern reduziert technischen Implementierungsaufwand und erleichtert den Aufbau resilienterer Tracking-Setups in Cookie-limitierten Umgebungen. Gleichzeitig steigt jedoch auch hier wieder die Abhängigkeit von Googles eigener Infrastruktur und Routing-Logik, wodurch Transparenz und Kontrolle über den tatsächlichen Datenfluss wichtiger werden.

Quelle: support.google.com

5. GTM: Vereinheitlichung von Google Tag und GTM angekündigt

Google hat eine neue Support-Seite veröffentlicht, die erstmals konkretere Details zu den bereits angekündigten Änderungen rund um Google Tag und Google Tag Manager liefert. Während die grundlegende strategische Richtung bereits bekannt war, beschreibt die Dokumentation nun genauer, wie die technische und organisatorische Zusammenführung künftig umgesetzt werden soll.

Laut der veröffentlichten Support-Dokumentation soll ein GTM-Container künftig selbst als vollständiger Google Tag fungieren. Zusätzliche Google Tags werden dabei als „Destinations“ innerhalb dieses zentralen Tags verwaltet. Darüber hinaus beschreibt Google eine vereinfachte Benutzeroberfläche mit Anpassungen an Navigation und Overview-Dashboard sowie neue Ansätze für sogenanntes „Visual Tagging“, das die Einrichtung und Verwaltung von Tags stärker visuell unterstützen soll. Ziel ist insgesamt eine stärkere Zentralisierung und Vereinheitlichung der Tag-Verwaltung über Googles Produkte hinweg.

Damit wird erstmals klarer, wie Google die Zukunft des eigenen Tagging-Ökosystems strukturiert. Für Teams mit komplexeren GTM-Setups ist das relevant, da sich Rollenmodelle, Governance-Strukturen und die Verwaltung mehrerer Google Tags künftig verändern könnten. Gleichzeitig zeigt die neue Dokumentation, dass Google Tagging stärker in Richtung zentralisierter und vereinfachter First-Party-Setups entwickelt.

Weitere Details zur geplanten Architektur und den angekündigten Änderungen stellt Google hier auf der offiziellen Support-Seite bereit.

Quelle: support.google.com

6. Server-side GTM: Web Container Client unterstützt Custom Paths für Tag Serving

Im Umfeld von Google Tag Gateway und server-side Google Tag Manager erweitert Google offenbar die Möglichkeiten für das Serving von Google Tags über eigene First-Party-Endpunkte. Das Update wurde bislang nur durch Änderungen in der Oberfläche und Konfiguration von einigen Nutzern entdeckt und anschließend öffentlich diskutiert.

Was ist neu?
Für freigegebene Google Tags können im Web Container Client jetzt individuelle Tag-Serving-Pfade definiert werden. Dadurch wird das klassische ?id=GTM-XXXXXX-Schema im Tag-Request teilweise durch eigene URL-Pfade ersetzt. Das Feature ergänzt Googles aktuelle Bestrebungen rund um Google Tag Gateway und First-Party-Tagging-Setups.

Warum ist das relevant?
Das Update zeigt, wie stark Google die Infrastruktur hinter Tag-Auslieferung und Signal Recovery weiter in Richtung First-Party-Serving entwickelt. Individuelle Serving-Pfade können helfen, Google Tags stärker wie native Website-Ressourcen erscheinen zu lassen und potenzielle Konflikte mit Adblocker- oder Privacy-Heuristiken zu reduzieren. Gleichzeitig erhöht sich dadurch jedoch die Intransparenz klassischer Tracking-Endpunkte, was aus Governance- und Datenschutzperspektive kritisch diskutiert werden dürfte.

Quelle: linkedin.com/in/simoahava

7. Piwik PRO: MCP Beta für AI-gestützte Analytics

Piwik PRO hat eine erste MCP Beta veröffentlicht, mit der Nutzer Analytics-Daten und Teile der Plattform über AI-Tools wie Claude abfragen und steuern können. Im Unterschied zu rein lesenden Analytics-Integrationen soll die Beta nicht nur Antworten aus bestehenden Daten liefern, sondern auch operative Aufgaben in Analytics und Tag Management unterstützen.

Die MCP Beta verbindet AI-Tools über das Model Context Protocol mit Piwik PRO. Nutzer können dadurch Fragen zu Analytics-Daten direkt per Prompt stellen, etwa zu Conversions, Kampagnen oder Segmenten, ohne dafür manuell Reports aufzubauen. Laut Piwik PRO umfasst die Verbindung neben Analytics-Daten auch Tag Manager, Ziele, Custom Dimensions, Annotations, Tracker- und Container-Einstellungen sowie Publishing-Funktionen. Damit sollen nicht nur Reporting-Fragen, sondern auch Setup- und Konfigurationsaufgaben wie Properties, Privacy Settings, Tags, Trigger, Variablen oder Goals unterstützt werden.

Die Funktion befindet sich aktuell in Beta und ist für Early Adopters verfügbar. Eine detaillierte Dokumentation zur Nutzung des MCP Servers mit Claude finden Sie hier.

Das Update zeigt, wie MCP zunehmend in konkrete Marketing- und Analytics-Workflows rückt. Für Teams kann das den Zugriff auf Daten vereinfachen und repetitive Reporting- oder Setup-Aufgaben beschleunigen. Gleichzeitig ist der Scope ungewöhnlich breit, weil Piwik PRO nicht nur Datenabfragen, sondern auch Änderungen an Konfigurationen adressiert. Da es sich um eine Beta handelt, sollte die Nutzung laut Piwik Pro zunächst kontrolliert und nicht als Ersatz für bestehende Qualitäts- und Freigabeprozesse verstanden werden.

Quelle: piwik.pro/blog

8. BigQuery: Mehrere neue AI-Funktionen

BigQuery baut seine integrierten AI-Funktionen weiter aus und ergänzt sowohl die Verarbeitung unstrukturierter Daten als auch die Transparenz und Überwachung generativer AI-Workloads.

AI.AGG:
Mit der neuen AI.AGG-Funktion lassen sich unstrukturierte Daten anhand natürlicher Sprachinstruktionen semantisch aggregieren. Dadurch können Inhalte kontextbasiert zusammengefasst oder gruppiert werden, ohne klassische regelbasierte Transformationen definieren zu müssen. Die Funktion befindet sich aktuell im Preview-Status.

AI.COUNT_TOKENS:
Mit AI.COUNT_TOKENS können Nutzer die Anzahl der Tokens für Texteingaben direkt innerhalb von BigQuery berechnen. Zusätzlich stellt BigQuery für bestimmte Generative-AI-Funktionen detaillierte Informationen zu Input-, Output-, Thought- und Cache-Tokens bereit. Die Funktionen befinden sich ebenfalls aktuell noch im Preview-Status.

AI.DETECT_ANOMALIES:
AI.DETECT_ANOMALIES unterstützt nun die Verarbeitung historischer und aktueller Daten innerhalb einer einzigen Input-Tabelle. Dadurch wird die Nutzung der Anomalieerkennung vereinfacht. Die Funktion ist jetzt allgemein verfügbar (GA).

Warum ist das relevant?
Die Updates zeigen, wie stark BigQuery analytische und generative AI-Funktionen zunehmend direkt in SQL-Workflows integriert. Besonders bei unstrukturierten Daten können semantische Aggregationen manuelle Vorverarbeitung reduzieren. Gleichzeitig werden Themen wie Token-Verbrauch, Modellkosten und AI-Transparenz relevanter, da generative Funktionen zunehmend produktiv eingesetzt werden. Die vereinfachte Anomalieerkennung unterstützt zusätzlich Monitoring- und Qualitätsprozesse in datengetriebenen Setups.

Quelle: docs.cloud.google.com

9. BigQuery Studio: Git Repositories für SQL-Skripte und Notebooks (Preview)

Mit BigQuery Studio Git Repositories führt Google eine integrierte Git-Anbindung für SQL-Skripte und Notebooks ein. Ziel ist es, Entwicklungs- und Versionskontrollprozesse stärker direkt in BigQuery Studio abzubilden.

SQL-Skripte und Notebooks können nun direkt innerhalb von BigQuery Studio mit entfernten Git-Repositories verbunden und versioniert werden. Die Integration basiert auf einer Folder-basierten Struktur und ermöglicht die Verwaltung analytischer Artefakte ohne externe Entwicklungsumgebungen. Das Feature befindet sich aktuell im Preview-Status.

Das Update bringt klassische Software-Engineering-Praktiken stärker in analytische Workflows. Versionierung, Zusammenarbeit und Nachvollziehbarkeit von SQL- und Notebook-Änderungen werden dadurch einfacher direkt innerhalb der Plattform umsetzbar. Gleichzeitig verschiebt sich BigQuery Studio damit weiter von einer reinen Analyseoberfläche hin zu einer integrierten Entwicklungsumgebung für Data-Workflows.

Quelle: docs.cloud.google.com

10. BigQuery: Python UDFs jetzt allgemein verfügbar (GA)

BigQuery hebt Python User Defined Functions (UDFs) in den GA-Status. Damit lassen sich Python-basierte Funktionen produktiv direkt innerhalb von SQL-Queries ausführen.

Python UDFs können somit nun offiziell produktiv genutzt werden. Entwickler können eigene Python-Funktionen innerhalb von BigQuery definieren und dabei auch externe Bibliotheken aus PyPI einbinden. Die Ausführung erfolgt vollständig auf von BigQuery verwalteter Infrastruktur.

Das Update erweitert die Möglichkeiten komplexerer Datenlogik direkt innerhalb von BigQuery deutlich. Insbesondere ML-nahe oder mathematische Transformationen, die sich in SQL nur schwer umsetzen lassen, können dadurch näher an die Daten verlagert werden. Gleichzeitig steigt die Komplexität von Query-Ausführung und Governance: Python-Code innerhalb analytischer Queries erschwert Debugging, Performance-Optimierung und Kostenkontrolle im Vergleich zu reinem SQL.

Quelle: docs.cloud.google.com

Marcus Stade

Co-Founder & Head of Digital Analytics @ mohrstade