Datenschutzfreundliche Webanalyse mit Umami Analytics, n8n, Container- und AI-Hosting

Ich habe im Laufe der Jahre viele Trackinglösungen ausprobiert. Bei Umami gefällt mir besonders, dass es sich auf das Wesentliche konzentriert und dabei maximal datenschutzfreundlich ist:  

• Datenschutz & DSGVO-freundlich – Umami arbeitet komplett ohne Cookies oder externe Tracker. Es werden nur minimale, nicht personenbezogene Daten erfasst – kein Cookie-Banner, kein Tracking-Frust.  
• Self-hosted & Open Source – Ich betreibe Umami auf meinem Server im Container Hosting des mStudios. Die Daten bleiben bei mir und wandern nicht zu großen Anbietern wie Google.  
• Leichtgewichtig & performant – Der Tracking-Code ist unter 2 KB groß und damit kaum spürbar für die Ladezeit.  
• Einfach & übersichtlich – Die Oberfläche ist bewusst minimal gehalten. Für Websites, Blogs oder kleinere Portale reicht das völlig aus, ohne dass man sich in Details verliert.  

Umami läuft in meinem Setup über zwei Container – ein PostgreSQL-Container für die Datenbank und ein separater Container für Umami selbst. Beide Container lege ich wie folgt im mStudio an. 

Name: umami-postgres

Image: postgres:18

Umgebungsvariablen: 

- TZ=Europe/Berlin
- POSTGRES_USER=umami
- POSTGRES_PASSWORD=umami
- POSTGRES_DB=umami

Volume: Ein Volume anlegen und unter /var/lib/postgresql/data mounten.  

Der Containername (umami-postgres) ist später wichtig, da er in der Datenbank-URL des Umami-Containers verwendet wird.  

Image: ghcr.io/umami-software/umami:latest

Port: 3000 – hier wird später auch die Domain aufgeschaltet. 

Umgebungsvariablen:  

- TZ=Europe/Berlin
- DATABASE_URL=postgresql://umami:umami@umami-postgres:5432/umami
- APP_SECRET=hier-einen-sicheren-random-string-eintragen
- DISABLE_TELEMETRY=1
- HOSTNAME=0.0.0.0
- UMAMI_ADMIN_EMAIL=hier-eine-admin-email-eintragen
- UMAMI_ADMIN_PASSWORD=hier-ein-sicheres-passwort-eintragen

Über den Menüpunkt "Domains" innerhalb deines Projekts kannst du nun eine beliebige Domain auf deinen Umami-Container mit Port 3000 zeigen lassen – und Umami ist einsatzbereit.

Umami liefert alle Analytics-Daten, die ich im Alltag brauche. Neben den klassischen Basiswerten gibt es auch einige erweiterte Funktionen, die für meine Projekte besonders hilfreich sind:  

• Pageviews & Trafficquellen – Die wichtigsten Metriken auf einen Blick.  
• Geräte & Standorte – Welche Endgeräte werden genutzt und woher kommen Besucher  
• Custom Events – Individuelle Interaktionen wie Klicks oder Signups messen 
• UTM-Tracking – Kampagnen sauber auswerten  
• Link Tracking – Klicks auf externe URLs nachvollziehen  
• Compare – Zeiträume miteinander vergleichen, um Entwicklungen schneller zu erkennen  
• Funnels & Retention – Nutzerwege und Wiederkehrer im Blick behalten  

Mehr Infos findest du auf der offiziellen Feature-Seite: Alle Umami Features ansehen  

Umami liefert übersichtliche Daten – aber richtig spannend wird es erst in Kombination mit n8n. Damit automatisiere ich Auswertungen sowie Reportings und verschicke monatliche Berichte an meine Kund*innen. Darin enthalten sind Aufrufszahlen, Trafficquellen und weitere Insights, die ich aus den Umami-Daten generiere. Das AI-Hosting sorgt am Ende dafür die Daten zu interpretieren und daraus z. B. Handlungsempfehlungen abzuleiten. 

Mein Workflow sieht in etwa so aus:  

1. Umami API abfragen – Über den HTTP-Request-Node melde ich mich in Umami an und hole die benötigten Analysedaten der einzelnen Websites.
2. Daten verarbeiten – In n8n sortiere, filtere und merge ich die Daten, bis nur noch das übrig bleibt, was später im Report landen soll.
3. Nachricht ans LLM senden – Die vorbereiteten Daten schicke ich gemeinsam mit einem System-Prompt an das Language Model (gpt-oss-120b). Das Modell formuliert daraus klare, gut lesbare Performance-Reports.
4. PDF-Berichte erstellen – Die zurückgegebene HTML-Datei schicke ich an einen PDF-Generator gotenberg, der ebenfalls im mStudio-Containerhosting läuft.
5. Berichte versenden – Schließlich versende ich die PDFs mit der E-Mail-Node automatisch einmal pro Monat an meine Kunden.

Das Ergebnis ist ein datenschutzfreundliches Analyse-Setup, das mir viel Zeit spart und meinen Kund*innen wie auch mir selbst echten Mehrwert liefert. Als nächstes möchte ich das Modell mit weiteren Datenquellen füttern, um noch tiefere Insights zu gewinnen – etwa durch die Einbindung von Öffnungs- und Ferienzeiten, besonderen Events oder den Versandzeiten von Newslettern.