Looker Studio Dashboard für AEO: Template und Setup in 30 Minuten

Ein Looker-Studio-Dashboard für AEO ist in 30 Minuten gebaut, wenn die Datenpipeline vorab steht. Voraussetzung: GA4 mit Custom-Channel-Group für AI-Assistants wie ChatGPT, Perplexity und Gemini sowie BigQuery-Export aktiviert. Wer das noch nicht hat, baut zuerst die Pipeline, Looker-Studio ist nur die Visualisierungs-Schicht und kann ohne saubere Datengrundlage gar nichts sinnvoll darstellen.

Warum Looker Studio besser ist als die GA4-UI für AEO-Reporting

Die GA4-Standard-UI ist für AEO-Reporting zu eng. Du kannst keine Custom-Channels frei kombinieren, keine BigQuery-Joins fahren und keine Cross-Source-Vergleiche mit AEORadar-Daten machen. Looker Studio löst alle drei Probleme: native GA4-Connector, BigQuery als Backend und Google-Sheets als Brücke für externe Tool-Exports.

Ein zweiter Vorteil ist die Stakeholder-Distribution. Looker-Studio-Reports lassen sich per Link mit Read-Only-Rechten teilen, in PDFs exportieren und in monatlichen Reports einbetten. GA4 zwingt jeden Stakeholder durch die volle Property-UI, was bei der Geschäftsführung in der Praxis nicht funktioniert.

Drittens: Performance. Looker Studio cached aggregierte BigQuery-Queries und liefert auch bei großen Datensätzen schnell. GA4 wird in Properties über 10 Millionen Events pro Monat zäh, vor allem wenn man Custom-Dimensions filtert. Das Dashboard bleibt schnell, die Datenbasis dahinter optimierst du in BigQuery.

Welche sechs Widgets jedes AEO-Dashboard braucht

Ein gutes AEO-Dashboard hat nicht 20 Widgets, sondern sechs, die zusammen die zentrale Frage beantworten: Wie entwickelt sich unser AI-Traffic relativ zu Organic, und welche Inhalte werden zitiert? Mehr Widgets verstecken die Story, weniger lassen Fragen offen.

Die sechs Pflicht-Widgets sind ein Time-Series-Chart für den AI-Traffic-Trend, eine Tabelle mit den Top-Citation-Pages, ein Donut für den Channel-Mix, ein Bar-Chart für den LLM-Vergleich, eine Scorecard für die AI-Conversion-Rate und ein Counter für Brand-Mentions in AI-Antworten.

Diese sechs Widgets passen auf eine Seite und beantworten alle relevanten Fragen für ein Monats-Reporting. Wer mehr braucht, baut Drill-Down-Pages dahinter, niemals die Haupt-Seite überfrachten.

Wie du die BigQuery-View für die zentrale Daten-Schicht baust

Das Herzstück ist die View aeo_daily_view in BigQuery, die GA4-Events täglich aggregiert und die AI-Source aus dem Referrer extrahiert. Du musst sie einmal anlegen, danach läuft sie automatisch über GA4-Daily-Exports.

Das SQL dafür sieht so aus:

-- BigQuery: AEO-Daily-View (Quelle für Looker Studio)
SELECT
  event_date,
  traffic_source.medium AS medium,
  REGEXP_EXTRACT(traffic_source.source,
    r'(chatgpt|perplexity|gemini|claude|copilot)') AS ai_source,
  COUNTIF(event_name = 'page_view') AS pageviews,
  COUNT(DISTINCT user_pseudo_id)   AS users,
  COUNTIF(event_name = 'conversion') AS conversions
FROM `project.analytics_xxx.events_*`
WHERE _TABLE_SUFFIX >= FORMAT_DATE('%Y%m%d', DATE_SUB(CURRENT_DATE(), INTERVAL 90 DAY))
  AND REGEXP_CONTAINS(traffic_source.source,
        r'chatgpt|perplexity|gemini|claude|copilot')
GROUP BY 1, 2, 3;

Diese View wird als Materialized View täglich um 06:00 UTC refresht. Looker Studio greift dann auf die View zu, nicht auf die rohen Event-Tabellen. Vorteil: bis zu 30× schnellere Query-Times und planbare BigQuery-Kosten, weil du nur die View-Aktualisierung scannst, nicht jeden Looker-Refresh.

Welche fünf Berechnungs-Felder im Looker Studio Pflicht sind

Vier bis fünf Calculated Fields machen aus dem Dashboard ein Reporting-Tool. Sie helfen, Raw-Daten direkt im Looker in aussagekräftige Metriken zu übersetzen, ohne in BigQuery zurück zu müssen.

Erstens: ai_conversion_rate als conversions / users mit Filter medium = ai. Zweitens: brand_lift_mom als Quotient aus aktuellem Monat zu Vormonat. Drittens: citation_density als ai_sessions / pageviews, also ein Maß für "wie konzentriert ist AI-Traffic auf bestimmte URLs". Viertens: llm_share_pct, der prozentuale Anteil von ChatGPT bzw. Perplexity am gesamten AI-Traffic. Fünftens: delta_vs_organic, die Differenz zwischen AI-CR und Organic-CR in Prozentpunkten.

Wer mehr Calculated Fields braucht, bricht meist die Performance, Looker Studio re-evaluiert alle Felder bei jedem Filter-Change. Halte die Logik schlank und schiebe Komplexität in BigQuery, wo Aggregationen materialisiert werden können.

Wie du das 30-Minuten-Setup wirklich in 30 Minuten schaffst

Das Setup ist nur dann in 30 Minuten möglich, wenn die Vorarbeit steht. Die Liste der Voraussetzungen ist nicht verhandelbar, wer hier abkürzt, baut ein Dashboard auf wackliger Datenbasis.

1. GA4-Property als Datenquelle in Looker Studio verbinden, Permissions auf Editor-Level für das Marketing-Team setzen.
2. BigQuery-Projekt als zweite Datenquelle hinzufügen, View aeo_daily_view als Materialized View täglich aktualisieren.
3. Neues Looker-Studio-Report aus Template duplizieren, Datenquellen auf die eigenen IDs umbiegen (Resource → Manage added data sources).
4. Filter-Steuerung mit Datums-Range-Picker plus Dropdown für AI-Source einbauen, beides als Report-Level-Filter.
5. Berechnete Felder anlegen: ai_cr = conversions / users und brand_lift = ai_users_this_month / ai_users_last_month - 1.
6. Sharing-Link mit Read-Only-Permission für Geschäftsführung erzeugen, niemals "anyone with link" außerhalb der Firma.

Realistischer Aufwand: Punkte 1 bis 3 sind 10 Minuten, Punkt 4 bis 5 nochmal 10 Minuten, Sharing und QA weitere 10. Wer das Template nicht hat, sondern from-scratch baut, plant eher zwei Stunden, die meisten gehen in Layout-Fine-Tuning und Filter-Tests.

Welche drei Hilfs-Tools das Dashboard noch besser machen

Looker Studio ist die Basis, aber drei Tools heben das AEO-Reporting auf das nächste Niveau. Erstens AEORadar für Prompt-Tracking, die Daten kommen per Sheets-Connector ins Dashboard. Zweitens Profound für Brand-Visibility-Tracking in AI-Antworten, falls das Budget passt. Drittens Merkle Schema Generator, weil saubere Schemas indirekt die Citation-Rate steigern.

Otterly und Peec sind interessante Alternativen für spezifische Use-Cases. Otterly punktet bei Wettbewerbsvergleichen ("erscheint dein Konkurrent häufiger?"), Peec eher bei der historischen Trendanalyse. Für die meisten DACH-Teams reicht AEORadar als primäres Tool.

Konkrete Empfehlung: Starte mit Looker Studio Standard plus GA4 plus BigQuery-View. Ergänze nach 30 Tagen AEORadar für die Citation-Daten, und überlege erst nach 90 Tagen, ob du auf Looker Studio Pro hochziehst. Diese Reihenfolge spart Geld und vermeidet Tool-Overload in der Aufbauphase.