Stało się! W lipcu 2023 roku na dobre pożegnaliśmy stare i na dobre przywitaliśmy się z nowym. Jeśli choć trochę interesujesz się analityką internetową, to z pewnością wiesz, o czym mówię. Tak! Oficjalnie od 1 lipca tzw. Universal Analytics zakończył swoją działalność, a wszyscy ci, którzy nie zdążyli przesiąść się na jego nowszą wersję (Google Analytics 4), no cóż… od tego momentu nie mogą już zbierać danych. Oczywiście nic straconego, bo GA4 jest dostępny przez cały czas – wystarczy, założyć konto oraz odpowiednio zaplanować i przeprowadzić wdrożenie.
W tym artykule nie skupię się jednak na samym procesie uruchomienia, ale bardziej na wykorzystaniu tego nowego narzędzia. Opowiem Ci m.in. o pomiarach nowego standardu śledzenia, różnicach pomiędzy “starą” i “nową” wersją, powstającymi pomiędzy nimi rozbieżnościami w danych, czy wreszcie – omówię sekcje Raporty i Eksploracje.
Co znajdziesz w tym artykule?
Analiza danych na przestrzeni lat
Pierwszy znak ostrzegawczy? Smartfony!
Drugie ostrzeżenie? Prywatność użytkowników!
Trzeci alert? Brak danych.
Premiera Google Analytics 4. Czy nowe narzędzie wyznacza nowe trendy?
Universal Analytics (GA3) vs. Google Analytics 4 (GA4) – czym się różnią?
Zmiany Google Analytics 4. Czy i jak wpływają na Twoje dane?
Jak Google Analytics 4 rozwiązał ten problem?
GA4 zmienia perspektywę, z której patrzysz i analizujesz dane
Jak ta metoda sprawdza się przy analizie danych?
Zastosowanie eksploracji w praktyce. Jak je wykorzystać?
“ABC” analizy danych za pomocą Google Analytics 4 – podsumowanie
Mogłoby się wydawać, że Google Analytics był z nami “od zawsze”. Jednak z perspektywy samej technologii, na której bazuje zarówno to narzędzie, jak i znaczna część obszaru analityki internetowej – nadal można rozpatrywać je jako całkiem młode rozwiązanie. W końcu premiera technologii miała miejsce blisko 30 lat temu, natomiast sam Analytics “przyszedł na świat” dopiero w 2005 roku.
Od tego czasu świat szeroko pojętego marketingu zmienił się praktycznie nie do poznania. I o ile w wielu przypadkach zmiany te można rozpatrywać pozytywnie, o tyle w przypadku tej technologii można mówić raczej o pewnym falstarcie. Mówiąc wprost: w wielu przypadkach po prostu nie nadążała za zmieniającymi się realami.
Pierwszym poważnym “sprawdzam” było wejście do powszechnego użytku smartfonów, które tym samym “wypchnęły” z rynku tradycyjne telefony komórkowe. Wówczas branża e-marketingu musiała zmierzyć się z wyzwaniem pt. “Jak mierzyć konwersję, jeśli użytkownicy podczas podejmowania decyzji o zakupie korzystają już nie z jednego, a nawet kilku urządzeń?”.
Problem zaczął narastać, gdy tylko udział urządzeń mobilnych w ogólnym korzystaniu z sieci zaczął się zmieniać i przyspieszać (oczywiście na korzyść tych pierwszych). A gdy w digitalowym świecie na popularności zyskiwały aplikacje mobilne – nie można było już przejść obok niego obojętnie.
Ten trend był i nadal jest szczególnie dobrze zauważalnym w obszarze e-commerce. Badania z 2021 roku dowodzą, że aż 53% przychodów e-commerce w Stanach Zjednoczonych wygenerowały właśnie aplikacje.
Z racji tego, że Internet przeniósł się dosłownie do naszych kieszeni i z powodzeniem zaczął towarzyszyć praktycznie w każdej sytuacji – kolejną istotną kwestią stało się bezpieczeństwo naszych danych.
Unia Europejska dostrzegła zagrożenia wynikające z ich nieodpowiedniego wykorzystania. Dlatego właśnie postanowiła postawić jasne granice, pomiędzy danymi, które mogą zostać wykorzystane do celów marketingowych i nie tylko, a także tymi, które powinny być przed takimi działaniami zabezpieczone. Obecnie znamy je pod nazwą GDPR (General Data Protection Regulation). W ślad za nimi zmieniły się również przepisy krajowe (w Polsce znane po prostu jako RODO).
Wszystkie zmiany, które działy (i nadal dzieją) się na naszych oczach doprowadziły do tego, że źródełko z danymi o użytkownikach zaczęło powoli, aczkolwiek konsekwentnie – wysychać.
Obecnie branża analityki online musi się mierzyć z brakami pełnych danych dotyczących konwersji (między urządzeniami), różnymi informacjami na temat zachowań userów w aplikacji mobilnej i na stronie internetowej, a także istotnymi brakami w danych, które powoduje blokowanie przez użytkowników skryptów, pixeli oraz ciasteczek.
Twórcy zdecydowanie najpopularniejszego narzędzia do analityki internetowej nie spoczęli jednak na laurach. Zamiast tylko “odcinać kupony” od swojego rozwiązania – postanowili, że zmierzą się z nowymi wyzwaniami. W ten sposób zaprojektowali nie tylko odświeżoną, ale całkowicie odmienioną wersję, która na nowo zdefiniowała zarówno sposób zbierania danych, ich konfigurację oraz procesowanie, a nawet sam proces analizy kończąc. I to właśnie ten ostatni element będzie głównym tematem tego artykułu.
Aby lepiej zobrazować Ci to, co odróżnia oba rozwiązania – wykorzystam do tego czytelną listę.
#1 Modele danych
O ile poprzednia wersja Analyticsa wykorzystywała tzw. hity, które służyły do tworzenia sesji użytkowników, o tyle w przypadku GA4 pomiar odbywa się przy wykorzystaniu tzw. zdarzeń. Taka zmiana umożliwia holistyczne podejście do mierzenia użytkowników – bez względu na to, czy używa aplikacji, czy też stron www.
#2 Identyfikacja użytkownika
Google Analytics 4 całkiem dobrze (choć nieidealnie), radzi sobie ze śledzeniem użytkowników, nawet gdy ci korzystają z wielu urządzeń. Wykorzystuje do tego celu funkcje rozpoznawania userów, ID urządzeń oraz machine learning za pomocą Google Signals).
#3 Ochrona prywatności
GA4 wprowadza również opcję modelowania danych przy użyciu Consent Mode, automatyczną anonimizację adresów IP, a także opcję usuwania wrażliwych informacji (w czym pomaga narzędzie o nazwie Data Deletion Tool).
#4 Prezentacja danych
“Czwórka” od swojego poprzednika również diametralnie różni się w kwestii wyglądu. Interfejs został diametralnie przebudowany i odświeżony – tak, aby dostosować się do nowego podejścia do zbierania, mierzenia i analizowania pozyskanych informacji.
Różnice, które wymieniłem wyżej, znajdują swoje odzwierciedlenie również w samych metrykach, a także w samym sposobie korzystania z narzędzia. W ten sposób modele danych (zamiast wcześniejszych hitów) opierają się na zdarzeniach, natomiast sama konfiguracja z poziomu interfejsu – przeniosła się właśnie na same modele danych.
Istotnej zmianie poddano również definicję zaangażowania, która w GA3 była traktowana jako sesja, w której doszło do co najmniej 2 interakcji (np. odsłon strony). Taki mechanizm miał wpływ na kształtowanie współczynnika odrzuceń, którym zbierał sporą krytykę spowodowaną właśnie swoją niedokładnością.
Słowem wyjaśnienia: dotychczas Google Analytics klasyfikował użytkowników na zaangażowanych i niezaangażowanych, z uwagi na podstawie aktywności (np. ile stron odwiedzili podczas wizyty w danym serwisie). Jednocześnie osoby, które spędziły mnóstwo czasu na stronie, ale jednocześnie nie wykonały żadnej akcji – traktował jak niezaangażowane (podnosząc tym samym współczynnik odrzuceń).
Jak pewnie się domyślasz – obecnie takie założenia są błędne, ponieważ o zaangażowaniu użytkownika wcale nie musi świadczyć to, ile razy kliknął w link czy przeszedł na konkretną stronę. Skoro po dogłębnym zapoznaniu się z treścią np. 1 zakładki uzyskał wszystkie niezbędne informacje, to po co miałby dalej eksplorować dany serwis?
Zrobił to, pozostawiając kwestię zaangażowania niejako w rękach samych administratorów stron bądź aplikacji. W nowej wersji narzędzia to Ty decydujesz, jakie zachowania (w tym długość sesji czy aktywności) decydują o tym, czy użytkownik jest zaangażowany, a tym samym – jaki ma wpływ na współczynnik odrzuceń.
To także sprawia, że GA4 pokaże zazwyczaj większe zaangażowanie, niż zrobiły to jego poprzednik. Ten sam schemat może dotyczyć również innych metryk. Z własnych obserwacji mogę powiedzieć, że rejestruje zazwyczaj do kilku procent więcej odsłon.
Czy takie różnice mogą mieć wpływ na wyniki analiz? Jeśli wdrożenie narzędzia było prawidłowe – odpowiedź brzmi: nie. Ważne, żeby odnosiły się nie tylko do samych “suchych” informacji, ale również faktycznych rezultatów.
Analiza danych w praktyce. Jak wygląda w nowej wersji Analyticsa?
Prawdziwym kamieniem milowym, który w znaczący sposób odróżnia Google Analytics 4 od jego poprzedniej wersji, jest przede wszystkim interfejs. W tym przypadku pierwsze skrzypce odgrywają 3 sekcje: Raporty, Eksplorowanie oraz Google BigQuery.
Prawdziwy, praktycznie nieposkromiony analityczny potencjał oferują dopiero 2 kolejne, czyli:
Klasyczny schemat analizy danych wygląda zazwyczaj tak:
GA3: Predefiniowany raport → Wniosek
GA4: Pytanie biznesowe → Sekcja Eksploracje → Zestaw raportów → Wniosek → Hipoteza
Jak widać, do tej pory w Google Analytics 3 większość specjalistów opierała się na predefiniowanych raportach, na podstawie których formowała wnioski. Na palcach jednej ręki mógłbym policzyć osoby, które sięgały nieco dalej, chociażby do raportów niestandardowych.
Google Analytics 4 wyznacza w tym obszarze zdecydowanie inne trendy – zmieniając nie tylko sposób raportowania, ale również rewolucjonizując całe podejście do wykorzystywania danych.
Jeżeli chcesz przeanalizować wybrany obszar biznesu – zdajesz sobie sprawę, że sekcja raportów predefiniowanych nie od razu przyjdzie Ci z pomocą.
Najpierw musisz podjąć pewien wysiłek i zastanowić się, czego (jakich informacji) tak naprawdę potrzebujesz. Dopiero gdy wiesz, jaki masz cel – na jego podstawie możesz stworzyć raport, a w dalszej kolejności – szczegółowo przeanalizować wyciągnięte dane.
Sekcję “Eksplorowanie” w GA4 można porównać z sekcją raportów niestandardowych, które znasz z GA3. Z tą różnicą, że nowość daje zdecydowanie bardziej rozbudowane możliwości wizualizacji i patrzenia na dane. Mam tu na myśli zarówno standardowe formy tabelaryczne, analizy ścieżek, aż wreszcie – diagramy Vena. Oczywiście, nie będę omawiał każdej eksploracji z osobna (wówczas z tego artykułu powstałaby prawdopodobnie obszerna książka). Chcę Ci jedynie zobrazować sposób myślenia i podejście, które osobiście określam “metodą regału z szufladami”.
Rys 1. Sekcja Eksplorowanie jest jak regał z szufladami – w każdej eksploracji (szufladzie) wewnątrz są dokumenty posegregowane w zakładkach
Pozwól, że przedstawię ją na prostym przykładzie. Załóżmy, że chcesz sprawdzić, jak działają Twoje kampanie Google Ads. Otwierasz szufladę pt. Performance Google Ads, aby następnie utworzyć pustą eksplorację właśnie o takim tytule.
Rys 2. Po stworzeniu pustej eksploracji w pierwszej kolejności musisz określić jej nazwę oraz wybrać podstawowe elementy analizy
Każda z szuflad w Twoim regale posiada dokumenty, które zawierają dane potrzebne do analizy. Znajdziesz tam, chociażby metryki, wymiary, segmenty, a także przedział czasu analizy. Na początek należy dodać je do pierwszej sekcji. Zaczynasz oczywiście od najbardziej istotnych (źródła ruchu, metryki pozyskiwania, zachowania i konwersji), które poszerzasz o kolejne informacje.
Całość może przedstawiać się następująco:
#1 Utwórz pustą eksplorację, uzupełnij nazwę i wybierz podstawowe elementy do analizy
Właśnie tutaj dostrzeżesz zasadniczą różnicę, która powoduje, że cały proces zdaje się odrobinę trudniejszy. Wymaga od Ciebie znajomości podstawowych metryk i wymiarów (bez tego nie wybierzesz właściwych elementów).
Sam traktuję to trochę, jak zasady ruchu drogowego. O ile w przypadku jazdy samochodem musisz znać przepisy, które pozwolą Ci bezpiecznie podróżować. O tyle w przypadku analizy danych, musisz znać definicje, aby wystrzec się tych nieprawidłowych.
Przyjmijmy, że dokumenty znajdują się już w Twojej szufladzie, ale na ten moment pozostają w nieładzie. Najwyższy czas wziąć się za porządki i trochę je posegregować – wrzucić do folderów i opatrzyć odpowiedziami na kluczowe pytania, które pozwolą dowiedzieć się, jak radzą sobie Twoje kampanie Google Ads.
#2 Stwórz folder, który będzie pokazywał zakres interesujących Cię danych
Zacznijmy od weryfikacji, jak kampanie Ads prezentują się na tle całego pozyskiwanego przez Ciebie ruchu. W tym celu warto utworzyć pierwszą zakładkę, która wykorzystuje eksplorację swobodną z metodą wykresu pierścieniowego, a co za tym idzie – sesje względem wymiaru źródło/medium. Aby ją zwizualizować, postępuj praktycznie tak, jak przy tworzeniu tabel przestawnych, które z pewnością są Ci znane z Excela. Wystarczy określić, jakie dane mają trafić odpowiednio do kolumn oraz wierszy, a także jaki typ metryk ma zostać zastosowany bezpośrednio w komórkach.
Rys3. Tworzenie eksploracji podobnie jak w tabeli przestawnej Excela polega na wybieraniu odpowiednich elementów analizy i umieszczaniu ich w kolumnach, wierszach i wartościach
Przyjmijmy, że masz to już za sobą, ale… folder z udziałem kampanii Ads mija się z Twoimi oczekiwaniami (czytaj: jest zdecydowanie mniejszy). Co robisz? Jeśli miałbym Ci doradzać – podpowiedziałbym, że winowajcą niskiego udziału być może jest spadek trendu. A to oznacza, że kolejnym Twoim krokiem powinno być utworzenie nowej zakładki eksploracji, która będzie uwzględniała właśnie trendy. Aby lepiej ją zobrazować – wykorzystaj metodę wykresu liniowego, która zobrazuje Ci, kiedy poziom metryki znajduje się poza przewidywaniami algorytmu.
Rys 4. Kolejna zakłada eksploracji weryfikuje kolejne hipotezy, które powstają na drodze do odpowiedzi na pierwotne pytanie
Gratulacje! Właśnie tym sposobem udało Ci się uporządkować dokumenty, a tym samym – dorzucić do swojej szuflady kolejny wartościowy folder.
#3 „Kop dalej”, czyli twórz kolejne widoki, które przybliżą Cię do właściwych danych
Każda następna zakładka w eksploracjach pozwoli Ci na sprawne weryfikowanie kolejnych stawianych hipotez, które naturalnie będą powstawały podczas poszukiwania odpowiedzi na Twoje pierwotne pytanie. Jeśli danego dnia dostrzeżesz, że np. ruch z Google Ads spadł poniżej pewnych założeń przewidywań – wystarczy, że zweryfikujesz, która kampania nie zadziałała. Aby udzielić na nie szybkiej odpowiedzi – wystarczy, że dodasz kolejny folder i wykonasz analizę.
Rys 5. W pewnym momencie dochodzisz do najbardziej granularnej odpowiedzi – od ogółu, do szczegółu. Dzięki temu masz konkretną rekomendację, aby poprawić swoje działania.
Takie podejście “od ogółu, do szczegółu” pozwoli Ci rozbijać każdy obszar na małe elementy, a następnie (krok po kroku) dochodzić do konkretnych hipotez. Jedyne, o czym musisz pamiętać, to znajomość, a następnie umiejętne korzystanie zarówno z metryk, jak i wymiarów.
Na zakończenie pozostańmy jeszcze przez chwilę w temacie sekcji Eksploracje. W moim przypadku zdecydowanie najczęściej korzystam z takich 3 podejść, które w zasadzie stanowią ponad 80% przeprowadzanych przeze mnie. Są to:
Wiem, że wielu osobom ciężko przyzwyczaić się do zmian (zwłaszcza tych, które są nam narzucane odgórnie). Jednak cokolwiek byśmy o nim sądzili – trzeba jasno zaznaczyć, że nowa wersja Google Analyticsa naprawdę wykonuje kawał dobrej roboty.
Jakość analiz, a zwłaszcza to, że wymagają od nas czegoś więcej, niż tylko bezmyślnego klikania w panelu. To wszystko stanowi zdecydowanie pozytywny krok w stronę pozyskiwania i wykorzystywania wartościowych informacji
Oczywiście, z pewnością są również tacy, dla których GA4 jest niewystarczający i zdecydowanie nie pokrywa ich potrzeb związanych z analityką. Na szczęście i na to istnieje dobra recepta, czyli Google BigQuery. W przypadku tej funkcjonalności jedynym, co może Cię jakkolwiek ograniczać, jest wyłącznie Twoja kreatywność i wyobraźnia.
Szukasz wsparcia przy wdrożeniu, a następnie pełnym wykorzystaniu analizy danych w Google Analytics 4?
Zapraszam do kontaktu! Chętnie odpowiem na wszystkie Twoje pytania, a także (wraz z grupą ekspertów Conversion) – z przyjemnością pomogę Ci zaplanować, wdrożyć i sprawnie korzystać z narzędzia GA4. Kliknij tutaj, aby umówić się na niezobowiązujące konsultacje. To naprawdę nic nie kosztuje!
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
