Jeżeli Twój serwis internetowy funkcjonuje w zgodzie z najnowszymi wymaganiami, a co za tym idzie udało Ci się wdrożyć w nim tzw. Consent Mode – z całą pewnością zaczynasz obserwować, że ilość zbieranych przez Ciebie danych nie jest taka sama, jak jeszcze przed wdrożeniem zgód dotyczących cookies. Jeśli nadal zastanawiasz się, co jest powodem takiej rozbieżności – odpowiedź znajdziesz w tym artykule.
Musisz wiedzieć, że odpowiadają za to właśnie ciasteczka, a mówiąc konkretniej – fakt, iż część użytkowników nie wyraża zgody na ich użycie. W ten sposób dane na temat ich aktywności na Twojej stronie nie są agregowane, nie można ich przypisać do konkretnych odwiedzających, a co za tym idzie – wykorzystać w celu poprawy konwersji, optymalizacji serwisu, jak i w wielu innych aspektach.

Ale czy od teraz wszyscy właściciele stron internetowych muszą pogodzić się z częściową utratą danych? A może da się “coś” z tym zrobić, aby nadal otrzymywać informacje na temat ruchu, jak i zachowania w serwisie www? O tym przeczytasz w dalszej części wpisu. Poznaj definicję, zastosowanie oraz zalety behawioralnego modelowania danych za pośrednictwem Google Analytics 4.

Co znajdziesz w tym artykule?
Czym jest modelowanie behawioralne?
Modeled data vs observed data. Czym różnią się te dwa podejścia do gromadzenia danych?
Korzyści wynikające z tego podejścia. Dlaczego warto korzystać z tzw. behavioral modelingu?
Behawioralne modelowanie danych – jak z niego korzystać za pomocą Google Analytics 4?
Wymagania techniczne – o co zadbać, aby korzystać z pełnych możliwości behawioralnego modelowania danych w GA4?
Ograniczenia, czyli jakie funkcje nie są obecnie obsługiwane?
Przyszłość danych behawioralnych
Szukasz profesjonalnego wsparcia we wdrożeniu Consent Mode i konfiguracji Google Analytics 4?

Czym jest modelowanie behawioralne?

Behavioral modeling stanowi swego rodzaju odpowiedź na utratę części cennych informacji o użytkownikach stron internetowych. W czasie, gdy zachowania osób, które wyrażą zgodę na cookies, mogą być przypisywane do konkretnych ID, w przypadku użytkowników bez takich zgód – GA4 zaprzęga do tego działania sztuczną inteligencję. Analytics wykorzystuje m.in. machine learning, modele i wiele innych rozwiązań.
Można więc powiedzieć, że behawioralne modelowanie danych to sposób, który polega na oszacowaniu prawdopodobieństwa pojawienia się konkretnych aktywności (określanych na podstawie danych historycznych, jak i informacji na temat użytkowników, którzy wyrażają zgody).
Oczywiście, uzyskane w ten sposób informacje (modeled) nie są tak dokładne, jak tradycyjne (observed). Jednak z całą pewnością można stwierdzić, że stanowią lepszą alternatywę, niż brak jakichkolwiek danych. W tym miejscu warto także zaznaczyć, że takie podejście do modelowania danych dla Consent Mode po raz pierwszy zostało wdrożone w Google Ads. Jego wykorzystanie w Google Analytics 4 znajduje się na razie w fazie beta.

Modeled data vs observed data. Czym różnią się te dwa podejścia do gromadzenia danych?

Aby jeszcze lepiej zobrazować działanie modelowania danych behawioralnych – pozwól, że zobrazuję Ci różnice zachodzące między pozyskiwanymi przez GA4 informacjami.

• Observed data (czyli dane rzeczywiste) to informacje, zdobywane bezpośrednio od użytkowników, którzy zaakceptowali cookies. Wyrażona przez nich zgoda pozwala na sprawne obserwowanie zachowania, w tym m.in. ilości i rodzajów odwiedzanych stron, czasu spędzanego w poszczególnych zakładkach i wielu innych aspektów.
• Modeled data (czyli dane modelowane) to z kolei dane, które nie pochodzą bezpośrednio od konkretnych użytkowników. Zamiast tego są one wynikiem szacunków – obliczanych na podstawie aktywności podobnych osób.

Można więc powiedzieć, że dane rzeczywiste są stosunkowo dokładne, natomiast dane modelowe – jedynie szacunkowe.

Korzyści wynikające z tego podejścia. Dlaczego warto korzystać z tzw. behavioral modelingu?

Jak już wspomniałem – dostęp do “jakichkolwiek” danych jest zawsze lepszy niż całkowity brak informacji o Twoich odbiorcach. Dlatego ogromną zaletę takiego rozwiązania stanowi sam fakt, iż Google Analytics 4 daje możliwość agregowania danych, które bez zastosowania modelowania behawioralnego po prostu by nie istniały.
Kolejnym ważnym punktem jest to, że wykorzystuje do tego sztuczną inteligencję (opierającą się na uczeniu maszynowym, gromadzeniu danych, jak i dobranych modelach). Ten czynnik z kolei sprawia, że tak pozyskiwane informacje są stosunkowo dokładne, a co za tym idzie – mogą stanowić solidny fundament do podejmowania trafnych decyzji (analitycznych, marketingowych, jak i biznesowych).
Skoro już wiesz, na czym polega modelowanie behawioralne, znasz różnice pomiędzy nim a danymi rzeczywistymi, a dodatkowo udało Ci się zapoznać z kluczowymi zaletami takiego podejścia – pora opowiedzieć sobie nieco więcej o jego aspektach technicznych.

Behawioralne modelowanie danych – jak z niego korzystać za pomocą Google Analytics 4?

W tym miejscu muszę wspomnieć, że GA4 automatycznie integruje wszystkie dane (zarówno modelowane, jak i rzeczywiste). Jak można wyczytać na stronie wsparcia Google Analytics: fakt, że narzędzie uwzględnia dane modelowe, można poznać m.in. po różnicach występujących w raportach uwzględniających tylko dane rzeczywiste.
Jeżeli chcesz zyskać dostęp do możliwości zarządzania modelowaniem behawioralnym – wystarczy, że udasz się do sekcji Tożsamość na potrzeby raportowania, którą znajdziesz w usługach w panelu Administracja.

Źródło: Google Analytics

Wymagania techniczne – o co zadbać, aby korzystać z pełnych możliwości behawioralnego modelowania danych w GA4?

Aby uruchomić, a następnie korzystać z funkcjonalności, jakie daje to modelowanie, należy spełnić kilka kluczowych wymagań.
Najważniejszym z nich jest oczywiście wdrożenie trybu Consent Mode, który zezwala na uzyskanie zgód od użytkowników odwiedzających Twoją witrynę. Należy pamiętać, że ten tryb powinien być aktywny na wszystkich podstronach, a same tagi powinny się wczytywać przed pojawieniem się okna z informacjami i prośbami o wyrażenie zgody.
Kolejnym istotnym punktem jest ilość agregowanych informacji. Aby modelowanie mogło działać – potrzebuje tzw. treningu, czyli dostępu do danych, w tym:

• Minimum 1000 zdarzeń dziennie (oznaczonych parametrem analytics_storage=’denied’) – przez tydzień.
• Minimum 1000 użytkowników dziennie (generujących wydarzenia oznaczone parametrem analytics_storage=granted) – przez tydzień (z ostatnich 28 dni).

Ograniczenia, czyli jakie funkcje nie są obecnie obsługiwane?

Pomimo wielu niekwestionowanych atutów, takie podejście do gromadzenia i prezentacji informacji, niestety musi się wiązać także z pewnymi barierami, które w pewien sposób ograniczają jego możliwości.
W związku z powyższym, nie można go użyć do danych pochodzących z takich miejsc, jak: Odbiorcy, Segmenty, Dane prognozowane, Eksploracje i Eksportowanie danych. Modelowanie behawioralne nie znajduje również zastosowania w raportach oraz kartach, które prezentują dane w czasie rzeczywistym.
Warto pamiętać, że obecna wersja behawioralnego modelowania danych w Google Analytics 4 cały czas jest w fazie testów. To oznacza, że prace nad optymalizacją, rozbudową, a co za tym idzie – podnoszeniem efektywności, trwają. Być może dotychczasowe rozwiązanie stanowi jedynie zalążek narzędzia, które pozwoli zbierać i analizować dane o odbiorcach z dużo większą dokładnością. Ale jak naprawdę będzie? Czas pokaże.

Przyszłość danych behawioralnych

W nadchodzących latach dane behawioralne staną się jeszcze głębsze i bardziej kontekstowe. Będziemy coraz częściej łączyć informacje z urządzeń IoT, sensorów mobilnych i sygnałów pasywnych (takich jak czas ekranu, wzorzec użytkowania) z tradycyjnym ruchem online. W efekcie powstaną modele, które reagują w czasie rzeczywistym i coraz lepiej przewidują zachowania oraz potrzeby użytkownika. 

Trendy i innowacje w analizie danych behawioralnych

Przyszłość analizy behawioralnej to m.in. augmented analytics – czyli wykorzystanie AI i NLP, by automatycznie wydobywać wnioski bez potrzeby ręcznej analizy.

Również modelowanie predykcyjne (machine learning) będzie standardem – przewidywanie porzucenia, zakupów czy segmentów użytkowników na podstawie wzorców. Ponadto “digital phenotyping” – analiza pasywna z urządzeń – umożliwi uchwycenie codziennych zachowań offline i powiązanie ich z interakcjami online.

Szukasz profesjonalnego wsparcia we wdrożeniu Consent Mode i konfiguracji Google Analytics 4?

Skontaktuj się z ekspertami Conversion, a z przyjemnością pokażemy Ci jak w Twoim przypadku wykorzystać wszystkie możliwości, jakie oferuje behawioralne modelowanie danych w GA4. W ramach naszych usług zapewnimy Ci kompleksową pomoc w przygotowaniu oraz wdrożeniu narzędzi, a także będziemy do Twojej dyspozycji, aby zająć się ich obsługą czy udzielać Ci dodatkowych rad i szkoleń.
Jeśli chcesz być na bieżąco ze światem analityki internetowej, już teraz zapisz się do naszego newslettera!

The post Behavioral Modeling – czym jest i jak działa behawioralne modelowanie danych w GA4? first appeared on Conversion.

Jeżeli choć trochę interesujesz się analityką – doskonale zdajesz sobie sprawę z tego, że trafne decyzje biznesowe można podejmować wyłącznie w oparciu o rzetelne dane. Z kolei bazując na informacjach zawierających w sobie błędy – możesz nie tylko nie wykorzystywać w pełni możliwości rozwoju Twojej organizacji, ale przede wszystkim – doprowadzić do tego, że podejmowane działania będą kompletnie nieskuteczne i dodatkowo – narażą Twoją firmę na straty.

Dlaczego dobre dane to podstawa?

Wiarygodne dane są kluczowym i niezbędnym czynnikiem, który pozwala minimalizować ryzyko podjęcia błędnej decyzji, od której mogą zależeć losy projektu, pracownika, czy nawet całego przedsiębiorstwa.

Można mnożyć przykłady przedsięwzięć, które borykały się z różnymi problemami, których geneza miała przynajmniej jeden wspólny mianownik – złe dane. Firmy handlowe działające na rynku internetowym, które nie rejestrowały w swoich systemach 50% transakcji z wykorzystaniem zewnętrznych systemów płatności. Firmy, które podejmowały błędne decyzje inwestycyjne, tylko dlatego, że bazowały na niepoprawnych informacjach z rynku. Biznesy, które ufając niepoprawnym danym, spoczywały na laurach i nie podejmowały się optymalizacji działań, nie wykorzystując tym samym możliwości. I tak dalej, i tak dalej. Mówiąc ogólnie – organizacja podejmuje złe decyzje, gdy ma złe dane.

Co znajdziesz w tym artykule?
Z jakimi błędami możesz się spotkać przy zbieraniu danych za pomocą GA?
1. Zbyt mała liczba transakcji w GA względem systemu CRM
2. Zbyt duża liczba transakcji w GA w odniesieniu do CRM
3. Zbyt niski współczynnik odrzuceń
4. Zbyt duży udział ruchu oraz konwersji pochodzących ze źródła referral
5. Brak wdrożenia poprawnego kodu śledzącego na wszystkich stronach
6. Podejmowanie decyzji na podstawie próbkowanych danych
7. Brak ustawionej waluty transakcji
8. Niewłaściwe przechowywanie danych na temat użytkowników
9. Zbyt duża liczba unikalnych wartości w raportach
10. Występowanie bramek płatnościowych w kanale “referral”
11. Brak konfiguracji konwersji w GA4
12. Brak konfiguracji filtrów wewnętrznego ruchu
13. Zbieranie niewłaściwych danych, pozwalających na identyfikację użytkowników
14. Brak uruchamiania odsłon dla SPA
15. Całkowity brak lub istotne problemy z raportowaniem danych typu real-time
16. Brak lub błędna konfiguracja Consent Mode
16 błędów w Google Analytics, które sprawiają, że zbierasz niepoprawne dane – podsumowanie

Z jakimi błędami możesz się spotkać przy zbieraniu danych za pomocą GA? Poznaj 16 głównych przykładów.

W poniższym artykule przedstawię Ci aż 16 oznak, że zbierane przez Ciebie dane są niepoprawne i konieczne będzie przeprowadzenie audytu instalacji oraz konfiguracji Google Analytics.

1. Za mało transakcji – dużo mniej transakcji w GA niż w CRM

Zawsze warto porównać zgodność danych GA z danymi z naszego systemu CRM. Jeżeli rozbieżność wynosi maksymalnie 20% – zakładamy, że dane zbierają się prawidłowo. Skąd wynika ta różnica? Część użytkowników (około 10% w Polsce) nie jest wcale śledzona, ponieważ korzysta z programów do blokowania reklam, blokuje wywoływanie skryptów śledzących czy też korzysta z opcji opt-out. W przypadku serwisów, z których korzysta wielu zaawansowanych użytkowników (jak np. https://conversion.pl/wiedza/blog/ ), czy stronach o grach komputerowych, programowaniu itp. – liczba użytkowników, którzy nie są śledzeni, może dochodzić nawet do 30%. A skoro użytkownik nie jest śledzony, to również jego transakcje nie zostaną zaraportowane do GA. Natomiast pojawią się one w CRM-ie. Pomimo tej różnicy ok. 85% transakcji powinno być spójnych i mieć takie same wartości zarówno w CRM, jak i w GA.

W przypadku większych rozbieżności zakładamy, że dane są niepoprawnie raportowane do Google Analytics. Aby to sprawdzić – analizujemy i porównujemy dane w segmentach: jak wygląda pokrycie transakcji za przedpłatą, a jak gdy użytkownik płaci za pobraniem.

W 20% serwisy rejestrują transakcje po jej opłaceniu na stronie podziękowania. Często użytkownicy po przeniesieniu do zewnętrznego systemu płatności nie wracają na stronę podziękowania, na której umieszczony jest kod transakcji. Wówczas takie zakupy w ogóle nie są rejestrowane.

Rozwiązaniem jest umieszczenie kodu śledzącego przed przekierowaniem do zewnętrznego serwisu płatności. Należy pamiętać, aby umieścić go na tzw. splash page, czyli stronie przejściowej, która wyświetla się przez kilka sekund. To da pewność, że dane zostaną przesłane do Google Analytics. Oczywiście, zdarza się, że użytkownicy po przejściu ostatecznie nie dokonują zakupu, jednak dotyczy to niewielkiej liczby użytkowników.

Poprawnie transakcje śledzi sklep Merlin.pl – zanim użytkownik zostanie przekierowany na stronę płatności PayPal kod transakcji może się wywołać na splash page

2. Za dużo transakcji – więcej transakcji w GA niż w CRM

Z uwagi na fakt, iż w CRM raportowane są wszystkie transakcje – sytuacja, w której mamy więcej transakcji w GA niż w CRM-ie, z pewnością świadczy o tym, że dane zbierają się niepoprawnie. Przyczyną błędu jest podwójne wywoływanie kodu transakcji na stronie podziękowania. Może to się zdarzyć w kilku przypadkach, np.: gdy użytkownik powróci na stronę podziękowania, odświeży ją albo przejdzie z linku umieszczonym w e-mailu, który otrzyma po zakończeniu transakcji.

To czy kod transakcji wywołuje się poprawnie, możemy szybko sprawdzić na naszym koncie Google Analytics.

W sekcji Konwersje – Transakcje sprawdzamy jaka jest liczba ID transakcji. W tym przypadku widzimy, że raport ma 1141 rzędów i takiej liczbie transakcji zostało nadane ID.

W sekcji Ogólem widzimy ile transakcji zliczył Google Analytics. 1146, czyli 5 transakcji zostało wywołanych podwójnie. Jako, że Google Analytics wykorzystuje te dane to wszystkich innych raportów i metryk (takich jak współczynnik konwersji), mamy nieprawdziwy obraz i zbieramy nierzetelne dane.

Jeśli Twoje kody wywołują się podwójnie, to należy wprowadzić zmiany w konfiguracji kodów e-commerce, tak aby dana transakcja raportowała się tylko jeden raz.

3. Za niski współczynnik odrzuceń

Jeżeli zauważysz, że współczynnik odrzuceń na Twojej witrynie jest wyjątkowo niski, powinieneś nabrać nieco podejrzeń. Być może Twoja witryna faktycznie tak angażuje użytkowników, że masowo przechodzą oni na kolejne strony. Jednak, gdy współczynnik odrzuceń w Twoim serwisie jest niższy niż 20% – o wiele bardziej prawdopodobne jest, że dane zbierane są niepoprawnie.

Jeżeli użytkownik wejdzie do naszego serwisu i nie przejdzie na kolejną stronę – Google Analytics zlicza to jako odrzucenie. Jednak w przypadku, gdy na stronie podjęta zostanie jakaś akcja (np. taka, która wywoła zdarzenie) – współczynnik odrzuceń nie jest zliczany.

W wielu serwisach przejście na poszczególne zakładki nie powoduje przeładowania się strony, i to, jak użytkownicy poruszają się w tym obrębie, śledzone jest za pomocą zdarzeń lub wirtualnych odsłon.

Jeżeli stroną wejścia jest karta produktu z zakładką, event o tym, że użytkownik jest w danej zakładce może zostać automatycznie wysłany do Google Analytics zaraz po wejściu na stronę. Wówczas współczynnik odrzuceń nie zlicza się, nawet jeżeli użytkownik spędził na stronie 5 sekund i natychmiast ją opuścił. W rezultacie analitycy i zarząd zachwycają się niskim współczynnikiem odrzuceń na podstawie raportów, które mają niewiele wspólnego z rzeczywistością.

Rozwiązaniem jest stosowanie eventów non-interaction. Zdarzenia non-interaction nie wpływają na zliczanie współczynnika odrzuceń. Ustawienie zdarzeń non-interaction wymaga dodania jednego parametru w kodzie zdarzenia.

Taki błąd popełnia LeroyMerlin.pl. Gdy trafiłem na serwis (stroną wejścia była karta produktu) od razu wywołał się event o nazwie Karta produktu – zakładki i etykiecie szczegóły. Mimo, że wyszłam ze strony po kilku sekundach, na koncie Google Analytics LeroyMerlin.pl moja wizyta nie została zliczona jaka odrzucenie.

4. Duży % ruchu oraz konwersji ze źródła referral

Znaczący procent ruchu oraz konwersji ze źródła referral w raportowanych danych może świadczyć o tym, że kampanie wewnętrzne są śledzone za pomocą parametrów UTM. A to z kolei oznacza, że wizyty i konwersje są przypisywane do źródła referral z medium przekazywanego w ramach parametru.

Kampanie wewnętrzne to wszelkie aktywności prowadzone w ramach naszego serwisu, które mają zachęcić użytkownika do kliknięcia w nie i przejścia do strony docelowej danej kampanii. Są to wszelkiego rodzaju heroshoty, bannery, boxy itp. Jednym słowem – wszystko to, co ma za zadanie zwrócić na siebie uwagę użytkownika i spowodować, że kliknie na dany element.

Częstym niedopatrzeniem jest wykorzystywanie do tego celu wspomnianych już parametrów. Niestety, wiele osób nie zdaje sobie sprawy z tego, że to istotny błąd, który wpływa negatywnie na rzetelność gromadzonych danych. Parametry UTM (źródło, medium, nazwa kampanii, słowo kluczowe i zawartość) służą do oznaczania tylko kampanii zewnętrznych. Dzięki nim dane zebrane w Google Analytics są łatwe do analizy i możemy skutecznie porównywać je w czasie.

Dlaczego nie powinniśmy oznaczać parametrami UTM kampanii wewnętrznych?

Załóżmy, że użytkownik trafił na stronę główną z newslettera. W momencie, kiedy kliknie w baner przenoszący go na kartę produktu, parametry UTM nadpiszą właściwie źródło, z którego użytkownik trafił do naszego serwisu. Nie mamy później możliwości śledzić go jako użytkownika z newslettera, a dodatkowo odwiedziny zostaną naliczone jako podwójne (wejście z newslettera i wejście z kampanii wewnętrznej).

Sposobów na śledzenie kampanii wewnętrznych jest wiele. Można w tym celu wykorzystać śledzenie zdarzeń lub zmienne niestandardowe czy też wyszukiwanie w witrynie.

BZWBK niepoprawnie śledzi kampanie wewnętrzne. Do serwisu trafiłam z kampanii CPC, następnie ze strony głównej przeszłam na stronę docelową Kredytu Gotówkowego. Do adresu URL dodany został parametr utm_source=bzwbk_slider. Tym samy na koncie Google Analytics nie odnotuje się moja ścieżka: CPC – Slider na stronie głównej.

5. Brak poprawnego kodu śledzącego na wszystkich stronach

Najprostszy możliwy błąd, jaki może się pojawić, czyli brak kodu śledzącego na wszystkich stronach. Istnieją narzędzia, za pomocą których da się łatwo sprawdzić, czy kod jest umieszczony na każdej podstronie (służy do tego m.in. GA Checker, który na ten moment nie współpracuje jeszcze z GA4).

GA Checker – narzędzie do sprawdzania czy kod śledzący jest na wszystkich stronach w serwisie.

6. Opieranie swoich decyzji o próbkowane dane

Jeżeli na co dzień operujesz na stosunkowo małej ilości danych – prawdopodobnie nie masz się o co martwić. Standardowa konfiguracja Google Analytics daje bowiem dostęp do niepróbkowanych danych, a co za tym idzie – zapewnia wgląd do kompletnych informacji na temat ruchu czy zachowania użytkowników.

Na czym polega różnica między ruchem próbkowanym a niepróbkowanym?

Próbkowanie danych nie polega na analizowaniu kompletnych informacji, a jedynie podzbiorów zebranych danych. To oznacza, że nie są one w 100% wiarygodne i z pewnością nie powinny być podstawą Twoich raportów.

Wspomniane próbkowanie w GA4 dotyczy następujących progów (odnoszących się do widoku w ramach konkretnego zakresu dat):

• 10 000 000 zdarzeń / zapytań dla Google Analytics 4.
• 1 000 000 000 zdarzeń / zapytań dla Google Analytics 4 360.

Z kolei dla poprzedniej wersji prezentuje się to następująco.

• 500 000 sesji dla standardowego Google Analytics.
• 100 000 000 sesji dla Google Analytics 360.

7. Brak waluty

Aspekt szczególnie istotny, jeśli Twój biznes polega na sprzedaży online (e-commerce). I o ile w poprzedniej wersji Google Analytics nie wymagał uzupełniania tego parametru, o tyle w GA4 jest już on obowiązkowy. Waluty należy oznaczać za pomocą odpowiednich kodów, które są zgodne ze standardami ISO (dla złotówek będzie to PLN, dla euro – EUR, dla dolarów – USD, dla funtów brytyjskich – GBP, franków szwajcarskich – CHF, i tak dalej).

Ważne: nawet jeśli Twój sklep internetowy operuje tylko jedną walutą – i tak warto zawrzeć taką informację w Google Tag Managerze. Brak jego konfiguracji narazi Cię na poważne problemy związane m.in. ograniczeniem dostępu do informacji na temat Twoich przychodów (m.in. ich źródeł).

8. Błędne przechowywanie danych o użytkownikach

W Google Analytics 4 możesz spotkać się z dwoma rodzajami raportów – standardowymi oraz eksploracjami. Pierwsze agregują i przechowują informacje przez cały czas. Z kolei drugie – robią to przez pewien okres, który domyślnie wynosi 2 miesiące (w ustawieniach GA4 możesz dokonać jego zmiany na 14 miesięcy). Dotyczy to danych na poziomie użytkownika. Jeżeli zależy Ci na porównywaniu danych z okresów przekraczających 14 miesięcy – New Google Analytics 360 daje możliwość ustawienia retencji danych nawet do 50 miesięcy.

W przypadku Universal Analytics możesz wybierać pomiędzy okresami: 14, 26, 38, 50 miesięcy lub zdecydować, aby dane w ogóle nie wygasały. Ten aspekt dotyczy przechowywania danych na poziomie użytkownika oraz zdarzenia.

Pamiętaj, że ustawienie przechowywania danych ma wpływ tylko na raporty Eksploracji i nie dotyczy raportów standardowych.

9. Zastosowanie zbyt dużej liczby unikalnych wartości

Kolejnym czynnikiem, który może zaburzyć lub całkowicie zepsuć Twoje dane w GA, jest ten związany z tzw. cardinality, czyli mocą zbioru. Dotyczy on bezpośrednio zastosowania wartości (np. takich, jak client ID), których zbyt duża liczebność może spowodować, że pozyskiwane przez Ciebie informacje zostaną zakwalifikowane do niechcianego “(other)”.

Aby tego uniknąć albo przynajmniej maksymalnie ograniczyć ryzyko pojawienia się takiej klasyfikacji – staraj się korzystać z raportów standardowych, a także wstępnie zdefiniowanych wymiarów. Jeżeli korzystasz z GA w wersji 360 – z tym obszarze z pomocą mogą Ci przyjść również tzw. Automatic Custom Tables, które dadzą Ci dostęp do rozszerzonych zestawów danych.

10. Pojawienie się bramek płatnościowych w kanale “referral”

Jak sama nazwa wskazuje – ten przypadek dotyczy błędnego zakwalifikowania źródeł ruchu, jakimi są tzw. payment gateways (w tym m.in. PayPal, PayU, Przelewy24 i wiele innych).

Otóż, działania użytkownika, który opuszcza Twoją stronę “na chwilę”, jedynie po to, aby opłacić swoje zamówienie – mogą zostać zakwalifikowane jako nowy ruch, który generuje właśnie dana bramka płatnicza. To z kolei może prowadzić do zaburzenia danych, które “rzekomo” mogłyby świadczyć o tym, że tego typu serwisy przynoszą Ci klientów (w trakcie, gdy tak naprawdę stanowią tylko element niezbędny do sfinalizowania transakcji).

11. Brak konfiguracji konwersji w Google Analytics 4

Popełnienie tego błędu może być fatalne w skutkach, ponieważ doprowadzi do sytuacji, w których Twoje raporty dedykowane pod konwersje staną się całkowicie bezużyteczne.

Jeżeli zależy Ci na możliwości śledzenia, analizowania oraz wyciągania wniosków na temat skuteczności Twoich działań związanych z konwersją – pamiętaj o skonfigurowaniu Twojego Google Analytics właśnie pod tym kątem. Szczegółowe informacje wraz z instrukcją dostarczam sam Google, a znajdziesz je w tym miejscu.

Warto mieć na względzie również ograniczenia związane z liczbą konwersji. Standardowa wersja GA4 pozwala na ustalenie 30, z kolei GA4 w wersji 360 – aż 50.

Źródło: Google Analytics

12. Brak konfiguracji filtrów wewnętrznego ruchu

Specyfika Twojej działalności sprawia, że Twój serwis internetowy odwiedzają nie tylko zewnętrzni, ale również wewnętrzni użytkownicy (w tym deweloperzy, agencje, a nawet “zwykli” pracownicy)?

Jeśli tak – pamiętaj, aby wdrożyć odpowiednie filtry, które pozwolą Ci oddzielić taki ruch wewnętrzny od ruchu pochodzącego z zewnątrz. W innym wypadku dane, które otrzymujesz, mogą być nie tylko bardzo zniekształcone, ale przede wszystkim – mogą doprowadzić Twoją firmę do wyciągania bardzo błędnych wniosków.

Źródło: Google Analytics

13. Zbieranie niewłaściwych danych, pozwalających na identyfikację użytkowników

Ochrona danych osobowych to jeden z najgorętszych tematów, które spędzają sen z powiek niejednej firmie opierającej swoją działalność na Internecie.

W związku z powyższym – koniecznie upewnij się, że konfiguracja Twojego Google Analyticsa nie przewiduje śledzenia takich informacji, jak: imię, nazwisko, numer telefonu czy adres e-mail. Taka sytuacja może mieć miejsce np. wówczas, gdy Twój CMS automatycznie tworzy nowe podstrony (dotyczące płatności, szczegółów zamówienia, wysyłki itp.) – generowane, chociażby na bazie wprowadzonych przez klientów danych.

14. Brak uruchamiania odsłon dla SPA (dynamicznych stron – aplikacji jednostronicowych)

Jeżeli Twoja strona opiera się na działaniu JavaScriptu, który generuje jej treść dynamicznie (a co za tym idzie – nie powoduje konieczności przeładowywania serwisu lub przechodzenia do kolejnych podstron) – podstawowa konfiguracja Google Analytics nie zanotuje dla Ciebie odsłon.

Rozwiązaniem tego problemu może być odpowiednia konfiguracja Google Tag Managera. Szczegóły na ten temat czekają na Ciebie w tej oficjalnej dokumentacji udostępnionej przez firmę Google.

15. Brak lub problemy z raportowaniem danych w czasie rzeczywistym

Musisz wiedzieć, że sukcesywnie Google odchodzi od wspierania “starszej” wersji Analyticsa. Jeżeli zaczynasz dostrzegać, że Twoje raporty w czasie rzeczywistym agregują zbyt mało lub też zbyt dużo danych – jest to kolejna oznaka, że warto pomyśleć o jak najszybszej “przesiadce” na nowszą wersję, czyli Google Analytics 4.

16. Całkowity brak lub błędna konfiguracja Consent Mode

Błędne podejście do przyjmowania zgód, a także agregacji cookiesów może mieć nie tylko wymiar stricte analityczny, ale również narazić Twoją firmę na poważne problemy prawne i finansowe. Otóż, aby mieć pewność, że wszystkie dane na temat użytkowników są zbierane w prawidłowy sposób – musisz pamiętać o zastosowaniu tzw. Consent Mode. Więcej na ten temat przeczytasz również na naszym blogu.

16 błędów w Google Analytics, które sprawiają, że zbierasz niepoprawne dane – podsumowanie

Podstawą skutecznej analizy, na podstawie której możesz wyciągać wnioski prowadzące do wzrostu zysków, są oczywiście poprawne dane. Dla serwisów typu e-commerce dane dotyczące transakcji to zdecydowanie najistotniejsza informacja.

Natomiast poprawne śledzenie wszystkich stron w serwisie, współczynnika odrzuceń oraz źródeł ruchu jest bardzo istotne dla każdej strony internetowej.

Biorąc pod uwagę liczbę błędów, jaka pojawia się przy okazji konfiguracji śledzenia, konieczna jest weryfikacja poprawności zbieranych danych, co można prosto sprawdzić, zwracając uwagę na 16 oznak, które szerzej omówiłem w powyższych akapitach. Dla przypomnienia oraz lepszego utrwalenia Twojej wiedzy – pamiętaj, że sygnałami świadczącymi o tym, że z Twoimi danymi z GA może być coś “nie tak”, są:

1. Zbyt mała liczba transakcji w GA względem systemu CRM
2. Zbyt duża liczba transakcji w GA w odniesieniu do CRM
3. Zbyt niski współczynnik odrzuceń
4. Zbyt duży udział ruchu oraz konwersji pochodzących ze źródła referral
5. Brak wdrożenia poprawnego kodu śledzącego na wszystkich stronach
6. Podejmowanie decyzji na podstawie próbkowanych danych
7. Brak ustawionej waluty transakcji
8. Niewłaściwe przechowywanie danych na temat użytkowników
9. Zbyt duża liczba unikalnych wartości w raportach
10. Występowanie bramek płatnościowych w kanale “referral”
11. Brak konfiguracji konwersji w GA4
12. Brak konfiguracji filtrów wewnętrznego ruchu
13. Zbieranie niewłaściwych danych, pozwalających na identyfikację użytkowników
14. Brak uruchamiania odsłon dla SPA
15. Całkowity brak lub istotne problemy z raportowaniem danych typu real-time
16. Brak lub błędna konfiguracja Consent Mode

Chcesz, upewnić się, że Twój Google Analytics jest prawidłowo skonfigurowany, a dane, które otrzymujesz – są maksymalnie zbliżone do rzeczywistych?

Skorzystaj ze wsparcia doświadczonych ekspertów do analityki internetowej Conversion. Gruntownie przeanalizujemy bieżącą konfigurację Twojego narzędzia, zapoznamy się ze specyfiką Twojego biznesu oraz Twoimi potrzebami, aby na końcu udzielić Ci fachowej informacji zwrotnej.

Zaciekawił Cię temat zbierania niepoprawnych danych w GA, a wiedzę zawartą w tym artykule uważasz za wartościową? Jeśli tak to koniecznie sprawdź wpis na naszym blogu mówiący o 7 rzeczach, które musisz sprawdzić po migracji na Google Analytics 4.

The post Błędy w Google Analytics: 16 sygnałów, że zbierasz niepoprawne dane first appeared on Conversion.