Dokumentationsanalysen: Die wichtigsten zu verfolgenden Metriken

Seitenaufrufe täuschen. Die meistaufgerufenen Seiten zeigen Ihnen, welche Seiten beliebt sind, nicht welche Seiten nützlich sind. Die Metriken, die die Qualität der Dokumentation tatsächlich verbessern, sind andere.

Das ist der Metriksatz, den wir an Docsbook-Kunden ausliefern.

TL;DR#

Die fünf Metriken, die das Verhalten verändern:

1. Fehlgeschlagene Suchen — wonach Nutzer gesucht haben und was sie nicht finden konnten
2. KI-Fragen ohne Antwort — dasselbe Signal in konversationeller Form
3. Negatives Feedback (👎) — Seiten, auf denen Nutzer aktiv ein Scheitern gemeldet haben
4. Seitenpfade — was Nutzer tun, bevor sie abspringen oder konvertieren
5. Seiten mit den meisten Fehlern — Seiten, die Traffic erhalten, aber das schlechteste Feedback bekommen

Seitenaufrufe und Absprungrate liefern Kontext, sind aber keine Handlungstreiber.

Fehlgeschlagene Suchen: die Kennzahl mit dem größten Hebel#

Eine fehlgeschlagene Suche liegt vor, wenn ein Nutzer genau wusste, wonach er suchte, den Begriff eingegeben hat und Ihre Dokumentation keine Ergebnisse zurückgegeben hat.

Jede fehlgeschlagene Suche ist eine Inhaltslücke mit einem bekannten Titel. Der Nutzer hat Ihnen gesagt, worüber Sie schreiben sollen.

In Docsbook gibt get_failed_searches die Liste nach Häufigkeit sortiert zurück. Die Top 10 eines beliebigen Monats entsprechen normalerweise direkt den nächsten 10 Dokumentationsseiten, die Sie schreiben sollten.

Beispiele, die wir in Kundendokumentationen gesehen haben:

• "how to revoke an api key"
• "rate limit headers"
• "what happens when my plan expires"
• "self-hosted deployment"
• "delete account"

Jedes davon ist ein Dokumentations-Backlog-Element mit einem Titel in Form einer Suchanfrage.

KI-Fragen ohne Antwort#

Wenn Sie einen KI-Chat in Ihrer Dokumentation betreiben, protokollieren Sie die Fragen, bei denen die KI eine ausweichende oder leere Antwort zurückgibt. Das ist dasselbe Signal wie bei fehlgeschlagenen Suchen, oft mit mehr Kontext.

get_ai_unanswered in Docsbook MCP gibt diese zurück. Das Muster: Nutzer stellen Fragen, das LLM findet in Ihren Inhalten keine zuverlässige Antwort, und Sie sehen, wonach gefragt wurde.

Der Unterschied zu fehlgeschlagenen Suchen: KI-Fragen sind tendenziell länger, kontextreicher und geben Aufschluss über die mentalen Modelle der Nutzer.

Fehlgeschlagene Suche: "stripe webhook"

KI-Frage: "Ich erhalte bei meinem Stripe-Webhook weiterhin 401-Fehler, obwohl ich das Signiergeheimnis hinzugefügt habe. Was mache ich falsch?"

Die KI-Frage ist Gold wert für die Inhaltsgestaltung.

Negatives Feedback#

Ein Daumen nach unten auf einer Dokumentationsseite stammt von einem Nutzer, der die Seite gelesen und festgestellt hat, dass sie nicht hilfreich war. Dies ist das seltenste und wertvollste Signal.

get_negative_feedback in Docsbook MCP gibt die Seiten und das optionale schriftliche Feedback zurück.

Worauf Sie achten sollten:

• Eine Seite, die mehr als 10 Seitenaufrufe pro 👎 erhält, funktioniert gut
• Eine Seite, die 2–3 Seitenaufrufe pro 👎 erhält, ist fehlerhaft — neu schreiben
• Eine Seite mit 0 Seitenaufrufen liefert kein Signal, ignorieren

Seitenpfade#

Wohin Nutzer nach einer Seite gehen, zeigt Ihnen, ob die Seite die Frage beantwortet oder den Nutzer auf eine andere Seite weitergeleitet hat.

get_page_journeys gibt in Docsbook MCP häufige seitenübergreifende Pfade zurück.

Achten Sie auf folgende Muster:

• Absprünge vom Schnellstart — Ihr Schnellstart ist zu lang oder Ihr CTA ist falsch
• Schleife zwischen zwei Seiten — Nutzer sind verwirrt, welche Seite zutrifft
• Seitenaufrufe → Suche → Verlassen der Seite — die Seite hat beim Nutzer weitere Fragen aufgeworfen, aber er konnte die gesuchte Information nicht finden

Wofür Seitenaufrufe gut sind#

Seitenaufrufe liefern Kontext. Sie zeigen den Umfang, nicht die Qualität.

Sortieren Sie Seiten nach dem Produkt aus Aufrufen und Fehlerquote, nicht nach jeweils nur einem dieser Werte. Eine häufig gelesene Seite mit einer moderaten Rate negativen Feedbacks bereitet absolut gesehen mehr Lesern Probleme als eine selten gelesene Seite mit einer katastrophalen Rate – und die zweite steht bei einer nach Rate sortierten Liste ganz oben. Sortieren Sie nach dem Produkt aus beiden Werten, arbeiten Sie an den Seiten, die tatsächlich Probleme verursachen.

Woran man eine gute Absprungrate erkennt#

Die Absprungrate aus der Dokumentation ist oft irreführend. Ein abspringender Nutzer kann ein zufriedener Nutzer sein, der die Antwort gelesen hat und gegangen ist. Oder ein frustrierter Nutzer, der die Seite gesehen und den Tab sofort geschlossen hat.

Um dies zu unterscheiden, verwenden Sie:

• Verweildauer auf der Seite (niedrig + Absprung = schlecht, hoch + Absprung = OK)
• Scrolltiefe (kein Scrollen + Absprung = schlecht)
• Interaktion mit dem Feedback-Widget

Was wir nicht mehr erfassen#

• Durchschnittliche Sitzungsdauer — zu ungenau, wird durch inaktive Browser-Tabs verfälscht
• Seiten pro Sitzung — viele Seiten pro Sitzung können bedeuten, dass Nutzer erfolglos suchen
• Geografische Verteilung auf Seitenebene — nützlich für die Übersetzungsplanung, nicht für die Qualität von Inhalten

Relevante Kohorten#

Drei Segmente:

Neue vs. wiederkehrende#

Neue Benutzer gelangen zu Ihrem Schnellstart. Wiederkehrende Benutzer gelangen zu Ihrer Referenz. Unterschiedliche Seiten, unterschiedliche Erfolgskriterien.

Angemeldet vs. anonym#

Angemeldete Nutzer befinden sich weiter unten im Trichter. Ihre Absprungsignale sind stärker.

Referrer-Quelle#

Direkt, Suche, KI-Suche (perplexity.ai, chat.openai.com, claude.ai), soziale Medien. Jede Kohorte hat eine andere Absicht. Verweise aus der KI-Suche sind oft der Traffic mit der höchsten Kaufabsicht.

Verweise von KI-Suchen separat verfolgen#

Filtern Sie in den Docsbook-Analysen die Verweisquellen nach:

• perplexity.ai
• chat.openai.com
• claude.ai
• gemini.google.com

Dies ist der KI-Vertriebskanal aus Sicht des Benutzers. Verfolgen Sie die Konversionen dieser Verweisquellen separat – sie konvertieren oft besser als der Google-Traffic.

Was mit den Daten zu tun ist#

Ein monatliches Ritual:

1. Fehlgeschlagene Suchen, unbeantwortete KI-Anfragen und negatives Feedback abrufen (3 Abfragen, 5 Minuten)
2. Nach Thema gruppieren – mehrere Abfragen zu „X“ bedeuten, dass eine Seite fehlt
3. Die 3 wichtigsten nach Häufigkeit × Umsatzwirkung auswählen
4. Die fehlenden Seiten schreiben
5. Im nächsten Monat erneut prüfen

Dies ist der Loop mit dem höchsten ROI in der Dokumentation. Jede Iteration verwandelt eine bekannte Inhaltslücke in eine von Suchmaschinen indexierte Seite, auf die die KI-Suche verweisen kann.

Weiterführende Lektüre#

• Leitfaden für SEO von Dokumentationen
• KI-Chat für Dokumentationen: selbst entwickeln oder kaufen
• So werden Dokumentationen von ChatGPT zitiert

Docsbook erfasst fehlgeschlagene Suchen, unbeantwortete Fragen an den Assistenten, negatives Feedback und Seitenaufrufpfade, sodass die Lücken als Liste zu erstellender Seiten und nicht als Diagramm zur Interpretation angezeigt werden.

Kostenlos starten – keine Kreditkarte erforderlich