Jak zwiększać przychód w ecommerce?
Współczynnik konwersji w Ecommerce
Jak optymalizować współczynnik konwersji?
3 raporty w Google Analytics pomagające w optymalizacji konwersji
Optymalizacja checkout w Google Analytics
Optymalizacja landing page w Google Analytics
Optymalizacja mikro-konwersji w Google Analytics
Podsumowanie
Na początek wyobraź sobie, że jesteś ecommerce managerem lub zarządzasz digital marketingiem w sklepie internetowym lub innym serwisie generującym leady. Dodatkowo, otrzymujesz 50 tysięcy złotych, które możesz przeznaczyć na rozwój swojego biznesu.
W biznesie online nie chodzi o bezsensowne wydawanie pieniędzy, ale o generowanie większego przychodu z ecommerce’u lub działalności online. Działając w internecie, z pewnością zdajesz sobie sprawę, że efekt Twoich działań w postaci przychodów i zapisów na rachunku od klientów zależy od trzech czynników: liczby użytkowników, czyli ruchu, efektywności serwisu mierzonej współczynnikiem konwersji oraz średniej wartości zamówienia.
Model przychodów ecommerce doskonale odzwierciedla działanie sklepu internetowego. Jeśli chcemy go zastosować do strony generującej potencjalnych klientów, współczynnik konwersji będzie odnosił się do wysłanych formularzy, a średnia wartość zamówienia do życiowej wartości klienta. Model ten jest uniwersalny i można go przedstawić w formie lejka. Serwis, produkt cyfrowy, aplikacja mobilna czy strona internetowa działają jak lejek. Na górze znajdują się użytkownicy sprowadzeni na witrynę za pomocą marketing mix, reklam sponsorowanych, pozycjonowania w wyszukiwarkach, social mediów itp. Użytkownicy poruszają się w środku lejka, a na końcu wypadają w formie konwersji, szczególnie transakcji w ecommerce lub potencjalnych klientów.
Inwestując 50 tysięcy złotych, istnieją trzy główne drogi, aby te środki spożytkować tak, by na dole lejka wygenerować jak najwięcej przychodu. Pierwszą drogą, którą najczęściej wybierają ecommerce managerowie lub zarządzający online’em, jest sprowadzanie większej liczby użytkowników. Im więcej użytkowników przechodzi przez lejek, tym większa jest liczba transakcji i przychód. Oczywiste jest, że kiedy zmniejszamy inwestycje, na przykład po wydaniu 50 tysięcy złotych na zakup linków sponsorowanych, generujemy mniej przychodu. Mówiąc wprost, jak przestajemy dokładać do pieca, przestaje się w nim palić.
Większym problemem jest nieszczelny lejek zakupowy, który pozwala użytkownikom na opuszczenie procesu zakupowego. Dolewanie większej liczby użytkowników do nieszczelnego lejka jest jak próba napełnienia naczynia przy użyciu sitka.
Drugą drogą jest praca nad współczynnikiem konwersji, która często wiąże się także z poprawą średniej wartości zamówienia. Współczynnik konwersji to liczba konwersji w odniesieniu do liczby sesji lub użytkowników w serwisie w danym okresie. W ecommerce współczynnik konwersji wskazuje, jaki procent odwiedzin w serwisie kończy się transakcją. Dziedzina, która bazuje na poprawie konwersji, nazywa się Conversion Rate Optimization (CRO). Polega ona na zmienianiu serwisu i działań marketingowych w taki sposób, aby z tej samej liczby użytkowników generować większą liczbę zamówień. Optymalizacja konwersji może być wprowadzana zarówno w serwisie, jak i poza nim.
Pracując nad współczynnikiem konwersji, warto pamiętać, że jest to inwestycja, która przynosi długoterminowe korzyści. Po uszczelnieniu procesu zakupowego lub serwisu jako lejka, z tej samej liczby użytkowników można generować większy przychód i więcej transakcji. Oczywiście, do momentu, kiedy nie zajdzie jakaś diametralna zmiana na rynku.
Przykładem takiej zmiany mogłoby być wprowadzenie zakupów telepatycznych, gdzie użytkownicy myślą o zakupie, a produkty automatycznie trafiają do paczkomatu lub są dostarczane przez kuriera. Choć jest to wyolbrzymiony przykład, pokazuje, że dopóki nie zmienią się znacząco trendy lub technologia, optymalizacja konwersji pozostanie efektywna. Można sobie wyobrazić przyszłość, w której zakupy będą robione za pomocą okularów zamiast aplikacji mobilnych czy stron internetowych. Aby optymalizacja przestała być efektywna, musi zajść naprawdę duża zmiana.
Optymalizacja konwersji ma wiele korzyści, a jedną z najważniejszych jest możliwość finansowania dodatkowych kampanii marketingowych z zysków wygenerowanych dzięki poprawie współczynnika konwersji. Uszczelniając lejek sprzedażowy i optymalizując produkty cyfrowe, takie jak witryna internetowa, można zwiększyć marżę zysku. Następnie, inwestując te dodatkowe środki w kampanie marketingowe, sprowadzamy więcej użytkowników do zoptymalizowanego lejka, co przynosi podwójne korzyści.
Ecommerce manager czy osoba zarządzająca sklepem internetowym powinna patrzeć na optymalizację konwersji w ten sposób. Niestety, z mojej perspektywy, często tak to nie wygląda. Gdyby faktycznie tak było, firm specjalizujących się w optymalizacji współczynnika konwersji, takich jak Conversion, byłoby znacznie więcej. W Polsce można je policzyć na palcach jednej, maksymalnie dwóch rąk, co jest wymowne, biorąc pod uwagę, że działa tu ponad 20 tysięcy ecommerce’ów…
W mojej ocenie problem polega na tym, że ecommerce managerowie i osoby zarządzające online’em wiedzą, że optymalizacja konwersji jest słusznym podejściem, ale nie wiedzą, co dokładnie zmieniać w serwisie. Często wygląda to tak, że uczestniczymy w konferencjach, słuchamy, jak inne firmy wprowadziły pewne zmiany, które przyniosły im sukces, a następnie próbujemy wdrożyć te same rozwiązania u siebie. Niestety, okazuje się, że to, co działało dla innych, nie zawsze przynosi oczekiwane rezultaty w naszym przypadku. Dlaczego nie działa? Dlatego, że bazujemy na doświadczeniach innych firm i ich danych, a nie na własnych. To, co pomaga osiągać sukces w optymalizacji współczynnika konwersji i realizacji KPI firm działających online, to właśnie dane. W analityce internetowej wyróżniamy dwa rodzaje danych: ilościowe i jakościowe. Dane ilościowe mówią, co się dzieje w serwisie, przedstawiają suche fakty. Dane jakościowe wyjaśniają, dlaczego coś się dzieje.
W optymalizacji konwersji w swoich witrynach zawsze warto zaczynać od danych ilościowych. Dlaczego? Po pierwsze, są dużo tańsze w pozyskaniu. Google Analytics jest bezpłatny. Analiza danych jakościowych jest znacznie łatwiejsza i oferuje szersze spojrzenie na problem. Bezpośredni kontakt z użytkownikiem pozwala na zadawanie pytań, dlaczego coś mu się nie podoba lub dlaczego zrezygnował na określonym etapie. Realizacja badań użyteczności, takich jak organizowanie grup fokusowych i proszenie uczestników o realizację scenariuszy, jest bardziej angażująca dla działu analitycznego oraz osób organizujących te badania.
Analiza danych otwartych, gdzie użytkownicy opisują swoje doświadczenia, wymaga wyciągania esencji z tych opisów. Jest to proces kosztowny i czasochłonny. W tym kontekście warto zwrócić uwagę na Google Analytics 4. Wprowadzenie tej wersji stanowi wyzwanie, a wielu użytkowników zgłasza trudności w jej obsłudze. Nawet doświadczeni analitycy, zajmujący się tym narzędziem od lat, napotykają na problemy. Google Analytics 4 to narzędzie, które jest ciągle rozwijane i oferuje wiele nowych raportów w porównaniu do Universal Analytics. Pojawiają się nowe metryki i wymiary, co daje większe możliwości analizy.
Przechodząc do sedna… celem tego artykułu jest pokazanie trzech gotowych sposobów analizy, które można rozpocząć od raportów z GA4. Te metody pozwolą znaleźć elementy do poprawy. Czy spowodują one wzrost współczynnika konwersji? To będzie zależało od rekomendacji, które przygotujecie na podstawie tych raportów. Szczegóły omówię w dalszej części tekstu. Zanim przejdziemy do omawiania raportów, warto ułożyć fundamenty, dlaczego wybraliśmy właśnie te raporty. Aby lepiej to zrozumieć, posłużę się analogią. Nasz produkt cyfrowy można porównać do rzeki. Wyobraźcie sobie, że wasza strona internetowa, szczególnie sklep internetowy, to rzeka. Po jednej stronie rzeki znajdują się użytkownicy odwiedzający waszą stronę, których przyciągacie za pomocą marketingu mix. Po drugiej stronie są użytkownicy, którzy dokonali zakupu, czyli ci, którzy się skonwertowali. Przeprawa przez rzekę symbolizuje proces konwersji, czyli to, jak przekształcacie odwiedzających w kupujących. Dziedzina zajmująca się konwersją przypomina pracę budowniczego mostu. W Conversion Rate Optimization (CRO) chodzi o zbudowanie solidnej przeprawy, aby użytkownik mógł z łatwością przejść z jednego brzegu waszego serwisu na drugi. O tej przeprawie decydują dwa czynniki: opór i motywacja.
Opór to wszystkie przeszkody, które napotykają użytkownicy, wynikające z konstrukcji serwisu. Mogą to być błędy w projektowaniu, problemy z nawigacją czy nieintuicyjne formularze. Z kolei motywacja użytkownika jest często elementem zewnętrznym, na który jednak możemy wpływać, aby zwiększyć konwersję. Przykłady motywacji obejmują różne sytuacje życiowe. Pierwszy śnieg może skłonić do zakupu opon zimowych, a pusta lodówka do zrobienia zakupów w delikatesach internetowych. Cztery lata temu, kiedy szukaliśmy maseczek i środków ochrony osobistej, motywacją było widmo śmiertelnego wirusa nadciągającego z Chin.
Zrozumienie tych dwóch czynników – oporu i motywacji – jest kluczowe w optymalizacji konwersji. Dzięki temu można skutecznie projektować serwisy, które nie tylko przyciągają użytkowników, ale również prowadzą ich przez cały proces zakupowy, minimalizując przeszkody i wzmacniając motywację. Motywacja rzeczywiście zachęca użytkownika do przejścia na drugi brzeg. Jednak opór w procesie zakupowym, na przykład brak konkretnych informacji, może stanowić przeszkodę. Przykładem oporu może być brak informacji o koszcie dostawy. W przypadku zakupu mniejszych produktów, takich jak książki, spodziewamy się, że koszty dostawy nie będą wyższe niż 15 zł. To może nie stanowić dużego oporu. Jednak w przypadku zakupu większych produktów, takich jak opony, brak informacji o kosztach dostawy może być bardziej zniechęcający. Motywacja odgrywa tutaj kluczową rolę. Na przykład, jeśli musimy za dwa dni wyjechać na ferie zimowe, a mamy opony letnie, poradzimy sobie z wyższymi kosztami dostawy. Podobnie, gdy pojawiają się pierwsze przypadki zachorowań na wirusa, jesteśmy skłonni zapłacić za maseczki więcej, mimo że wcześniej kosztowały znacznie mniej.
Opór ma większe znaczenie, gdy użytkownik dochodzi do końca procesu zakupowego. Jeśli po wypełnieniu wielu danych, takich jak imię, nazwisko, e-mail, na podsumowaniu nagle zmienia się cena produktu, użytkownik może zrezygnować z zakupu. Mimo że motywacja była wysoka, nagła zmiana może go zniechęcić.
Opór często wiąże się z koniecznością dostarczenia dodatkowych informacji lub z niepewnością. Są to elementy związane z użytecznością (UX) serwisu. Dlatego warto zwrócić uwagę na to, jak budujemy użyteczność naszego serwisu, aby minimalizować opór i ułatwiać użytkownikom proces zakupowy. Konwersja jest wypadkową oporu i motywacji. Wiemy, że opór ma większe znaczenie na końcu procesu zakupowego. Jeśli chcemy szybko znaleźć elementy do poprawy w serwisie, powinniśmy zacząć od ostatniego etapu lejka całościowego, czyli od checkoutu. Na samym dole lejka znajdują się specyficzne strony, szczególnie w ecommerce: koszyk, strona z danymi, strona podsumowania oraz strony wyboru płatności i dostawy.
Jeśli serwis generuje potencjalnych klientów (leady), przedostatnią stroną przed wysłaniem leada będzie strona z formularzem. W przypadku leadów można podzielić checkout na mikrolejek, analizując, jak użytkownicy przechodzą przez poszczególne pola formularza.
No dobrze… ale jak wykorzystać Google Analytics w optymalizacji współczynnika konwersji? Pierwszym raportem, który warto wykorzystać, jest raport „ścieżka do przychodu”. W GA4 dostępne są zarówno „ścieżka do przychodu”, jak i „ścieżka do zakupu”. „Ścieżka do zakupu” pokazuje cały lejek, a nie tylko jego ostatni etap, czyli checkout. Warto zacząć od checkoutu, ponieważ na końcu procesu zakupowego użytkownicy napotykają więcej problemów związanych z użytecznością. Takie problemy najłatwiej wyłowić i poprawić. Wracając do omawianego raportu, jeśli skonfigurowaliście ecommerce w swoim GA4, raport na pewno będzie działał. W prawym górnym rogu, przy przycisku „wyświetl kroki ścieżki”, można go dodatkowo skonfigurować. Jeśli śledzenie GA4 ecommerce jest wdrożone, będziecie mieli śledzenie dodawania do koszyka i poszczególnych kroków ścieżki, aż do zdarzenia „purchase”, które przesyła wszystkie informacje o transakcji do GA4.
Patrząc na ten raport, warto zwrócić uwagę na benchmark, który obserwujemy na rynku. Dobry checkout generuje co najmniej 60% zakończeń, co oznacza szczelność na poziomie 60%. Oznacza to, że na 100 wejść do koszyka, 60 kończy się złożeniem zamówienia. Jest to współczynnik konwersji na checkoucie. W mojej ocenie wynik powyżej 60% jest zadowalający. Jeśli w raporcie zobaczysz wynik poniżej 60%, istnieje duże prawdopodobieństwo, że ten poziom da się poprawić. Osoby, które są zmotywowane do zakupu, napotykają na przeszkody, które uniemożliwiają im dokończenie transakcji. Średnia szczelność checkoutu wynosi między 40 a 60%.
Zakładając, że zaobserwujesz poniżej 60% szczelności i prowadzicisz typowy ecommerce, raport skuteczności do przychodu wskazuje, że coś nie działa. Waszym zadaniem jest teraz zidentyfikowanie przyczyn tego problemu. Dlaczego coś nie działa? Zanim przejdziemy do danych jakościowych, staramy się postawić hipotezy na podstawie danych ilościowych. Jeśli chcemy odpowiedzieć na pytanie „dlaczego”, wracamy do danych ilościowych i dodajemy wymiary.
Na końcu procesu zakupowego najczęściej wspomniany już wcześniej opór odgrywa znaczącą rolę. Opór ten jest związany z użytecznością. Z naszej perspektywy wymiary, które należy analizować w raporcie skuteczności do przychodu, powinny obejmować techniczne aspekty urządzeń, z których użytkownicy korzystają w witrynie. Podstawowe paramety to kategoria urządzeń, czyli mobile, tablet, desktop oraz rozdzielczość ekranu, przeglądarka i jej wersja.
Jeśli te dane nie wystarczą przy analizie checkoutów, warto skorzystać z raportu lub strony pomocy Google Analytics. Jest tam cała sekcja „Platforma Urządzenie”, gdzie podane są wszystkie potrzebne techniczne szczegóły. Po zebraniu tych danych można dodać dodatkowe wymiary do raportu i dokładniej przeanalizować problem. Raport domyślnie zawiera techniczne aspekty, takie jak desktop, mobile i tablet, czyli wymiar nazywany kategorią urządzeń. Analizując go, widzimy liczbę rozpoczęć procesu, dodań do koszyka, przejść do zostawienia danych i inne. Taka analiza może być problematyczna, ponieważ trudno jest porównać dane, na przykład 908 na desktopie wobec 1097, oraz 167 na mobile wobec 347.
Aby ułatwić analizę, warto korzystać z porównań. Porównania działają poprzez nałożenie segmentów użytkowników z różnych urządzeń, takich jak mobile i desktop. Dzięki temu raport pokazuje współczynnik porzuceń na poszczególnych krokach. Jeśli współczynnik porzuceń jest znacznie wyższy dla jednej kategorii urządzeń, na przykład 5% dla desktopu i 10% dla mobile, oznacza to, że dwa razy więcej użytkowników porzuca proces na mobile niż na desktopie. To wskazuje, gdzie leży problem, na przykład w kroku zostawienia danych dla użytkowników mobilnych. Ciągle jednak nie wiemy dlaczego. Analityka w tym przypadku polega na stawianiu hipotez. Aby to zrobić, musimy odwzorować wygląd danego kroku, bazując na parametrach, które na niego wpłynęły. Oznacza to, że musimy zasymulować sytuację, którą widzimy w danych ilościowych. W przeglądarce Chrome, w narzędziach dla developerów, dostępna jest funkcja symulacji. Można tam zobaczyć, jak konkretna podstrona będzie wyglądała w danej rozdzielczości. Co więcej, można wybrać konkretne urządzenie z gotową rozdzielczością, która zostanie zastosowana do podstrony. Na tej podstawie należy postawić hipotezę.
Jeśli to nie wystarczy, warto sięgnąć po dane jakościowe, organizując badanie użyteczności i zapraszając realnych użytkowników do wzięcia w nim udziału. W praktyce, scenariusze do badań użyteczności przygotowuje się w ten sposób, że dane ilościowe wskazują, gdzie jest problem, a na ich podstawie tworzy się scenariusze do badań. Zakładamy, że poprawiliśmy checkout, czyli jeden z trzech „low-hanging fruits” związanych z technologicznymi aspektami tego procesu, gdzie trafiają zmotywowani użytkownicy. Kolejnym krokiem jest analiza landing page.
Landing page można porównać do pierwszego wrażenia podczas spotkania. To kluczowy moment, kiedy użytkownik decyduje, czy chce kontynuować interakcję z naszą stroną. W tym przypadku użytkownik jest jak osoba, którą próbujemy zainteresować naszą ofertą. Rozważając pierwszy model, który wcześniej opisywałem, czyli model lejka, warto rozszerzyć go o współczynnik odrzuceń. Odrzucenie to sytuacja, w której użytkownik wchodzi na nasz landing page, ale opuszcza go natychmiast. W analityce internetowej współczynnik odrzuceń jest istotną metryką, ponieważ pokazuje, jaki procent sesji nie zaangażował się w witrynę. Ta metryka była bardzo popularna w Universal Analytics. W Google Analytics 4 mamy jej odwrotność, czyli współczynnik zaangażowania, który informuje nas, jaki procent użytkowników pozostaje w serwisie.
Warto znaleźć raport, który pokaże elementy charakteryzujące się najniższym zaangażowaniem. Jednym z takich raportów jest raport dotyczący pozyskiwania ruchu. Sam współczynnik zaangażowania niewiele nam powie. Należy przeanalizować dane ilościowe, aby zrozumieć, przy jakich wymiarach powstaje ten współczynnik. Zaangażowanie mierzone przez współczynnik zaangażowania powstaje między dwoma elementami: kampanią, która odsyła użytkownika na landing page, oraz samym landing page’em. Współczynnik zaangażowania wskazuje, czy nasz landing page przyciągnął użytkownika od pierwszych momentów jego wizyty w serwisie.
W raporcie zawierającym współczynnik zaangażowania, warto skupić się na pozyskiwaniu sesji. Przede wszystkim należy sprawdzić, która kampania generuje ruch i dopasować do niej odpowiedni landing page. Analizując taki raport, warto porównywać różne kampanie prowadzące do tych samych landing pages, aby zrozumieć, jak różnią się one pod względem współczynnika zaangażowania. Jak już wspomniałem, w przypadku analizy checkoutu, z moich obserwacji wynika, że powinien on mieć przynajmniej 60% szczelności. Natomiast w przypadku współczynnika zaangażowania nie ma jednoznacznych benchmarków. Zaangażowanie można modyfikować w zależności od tego, co oznacza. W pierwotnej wersji w Google Analytics 4 zaangażowanie oznacza, że użytkownik spędził co najmniej 10 sekund na stronie docelowej. Kiedyś, gdy mieliśmy współczynnik odrzuceń w Universal Analytics, istniały ogólne benchmarki dla stron.
Dla stron ecommerce, czyli retail sites, badania pokazywały, że współczynnik odrzuceń powinien wynosić między 20 a 40%. Jednak z mojej perspektywy nie jest to miarodajna wartość. Przykładowo, wychodząc z psem na spacer, średnio mamy trzy nogi. Średni współczynnik odrzuceń czy zaangażowania (jego odwrotność) nie daje pełnego obrazu. Jeśli współczynnik odrzuceń wynosi 30%, to współczynnik zaangażowania będzie równy 70%, ale ta metryka sama w sobie nie dostarcza wystarczających informacji. Analiza landing page i kampanii, które do niego odsyłają, jest tutaj kluczowa. Dane ilościowe mogą wskazać, co nie działa. Załóżmy, że mamy landing page A, na który odsyła pięć różnych kampanii. Jedna z kampanii wyróżnia się negatywnie pod względem współczynnika zaangażowania. Podczas gdy pozostałe kampanie mają współczynnik zaangażowania na poziomie 60%, ta jedna osiąga jedynie 20%.
Aby zrozumieć, dlaczego tak się dzieje, warto ponownie przeanalizować dane ilościowe. W raporcie widzimy kolumny z informacjami o kampaniach, landing page’ach oraz współczynnikach zaangażowania. Zadaniem analityka jest symulacja tej sytuacji. Na przykład, jeśli mamy kreację display na portalu Interia z określonym komunikatem, warto przeanalizować, jak ten komunikat wpływa na zaangażowanie użytkowników. Allegro Pay oferuje kupon na zakupy na Allegro. Klikam na link i ląduję na landing page, który jednak prezentuje inny komunikat. Oczekiwałem kuponu na zakupy, a landing page obiecuje możliwość kupowania teraz i płacenia 30 dni później. To dwa zupełnie różne przekazy.
Z drugiej strony, weźmy przykład banera na Onecie, gdzie Audi A5 jest oferowane w leasingu od 1595 zł. Po kliknięciu ląduję na stronie docelowej, która utrzymuje ten sam komunikat.
Porównanie z motoryzacją może być nietrafione, jednak to co chcę przekazać to to, że kluczowe jest pierwsze wrażenie i komunikat, ponieważ praca nad zaangażowaniem polega na dopasowaniu obietnic z kampanii marketingowej do rzeczywistości. Może to być display, tekst reklamowy w Facebook Ads, czy kontekst afiliacji, z jakiego serwisu użytkownik do nas przychodzi. Z drugiej strony mamy landing page. Ważne jest, czy kontynuujemy to, na co użytkownik został wystawiony jeszcze przed wejściem na naszą stronę.
Jeżeli analiza i organoleptyczne sprawdzenie nie wystarczą do postawienia hipotezy, warto sięgnąć po bardziej zaawansowane metody. Należy wtedy zorganizować badania jakościowe i dokładnie zastanowić się, co się dzieje. W przypadku prac nad zaangażowaniem użytkowników, duże znaczenie mają nagłówki na landing page’ach. Zanim przystąpimy do badań użyteczności, warto zainwestować w badania z wykorzystaniem heat map, które pokazują, na co użytkownicy zwracają uwagę w serwisie.
Po zoptymalizowaniu naszego landing page, przechodzimy do trzeciego kroku, czyli środka lejka. Każda strona w serwisie ecommerce to mikro lejek. Na przykład, karta produktu ma na celu skłonienie użytkownika do dodania produktu do koszyka, co jest ostatnim krokiem tego mikro lejka. Wcześniejsze kroki mogą obejmować wybór rozmiaru, obejrzenie zdjęć oraz przeczytanie informacji o składzie produktu. Ostatni krok w naszej analizie w dużej mierze zależy od dodatkowej konfiguracji w serwisie. Jeśli ecommerce jest poprawnie wdrożony, funkcja dodania do koszyka będzie działać bez problemu. Jednak wybór rozmiaru, kliknięcie na zdjęcie czy rozwinięcie opisu składu produktu często wymaga dodatkowej konfiguracji, aby stworzyć pełny lejek.
Gdy dane zostaną zaimportowane do Google Analytics, należy skorzystać z raportu zaangażowania zdarzenia. Sam raport może nie być wystarczająco wartościowy. Dużo bardziej przydatne jest stworzenie eksploracji, która, podobnie jak raport skuteczności do przychodu, pokaże liczbę obejrzeń zdjęcia, wejść do przymierzalni oraz dodań do koszyka.
Nie istnieją uniwersalne benchmarki dla tych danych. Można oszacować, jaki procent użytkowników na karcie produktu przechodzi do koszyka, jednak wiele zależy od liczby reklam produktowych. Reklamy te mogą bezpośrednio kierować użytkowników na kartę produktu, co zwiększa liczbę odwiedzin na górze lejka. Użytkownicy trafiający na stronę poprzez wyniki wyszukiwania czy strony kategorii mogą zachowywać się inaczej. Raport zaangażowania zdarzenia to trzeci kluczowy raport. Benchmarki należy ustalać na zasadzie testowania, na przykład w danym miesiącu.
Przyjrzyjmy się procentowi użytkowników, którzy odwiedzili kartę produktu i dodali produkt do koszyka. Załóżmy, że wynosi on 6%. W ramach optymalizacji, analizujemy raporty, dodajemy parametry i kampanie, aby zidentyfikować miejsca, gdzie zaangażowanie użytkowników jest najmniejsze. Wizualizujemy te dane i przeprowadzamy testy, aby poprawić wyniki.
Digital marketing to dziedzina oparta na testowaniu. Benchmarki, takie jak współczynnik odrzuceń czy konwersji, różnią się w zależności od branży i źródła ruchu. Dlatego warto analizować je w kontekście konkretnego serwisu i jego marketingu mix.
Optymalizację najlepiej rozpocząć od checkoutu, dodając dodatkowe śledzenie do kluczowych elementów. Na landing page zazwyczaj nie potrzeba dodatkowego śledzenia, ponieważ generowana jest odsłona i liczone jest zaangażowanie. Po optymalizacji, korzystając z trzech raportów i przeprowadzając po trzy iteracje dla każdego raportu, można znacznie poprawić użyteczność serwisu. W efekcie użytkownicy, zmotywowani do zakupu, nie napotykają problemów.
Po zredukowaniu oporu użytkowników, warto skupić się na motywacji. Przykładem tutaj może być serwis z oponami. Użytkownik, wiedząc o konieczności zmiany opon, może odkładać decyzję ze względu na koszty. Aby zwiększyć motywację, serwis może wprowadzić dodatkowe zachęty, takie jak promocje czy przypomnienia o sezonowej wymianie opon. Prognoza pogody dla danego rejonu zapowiada opady śniegu na jutro. Nie zwlekaj, zamontuj zimowe opony. To prosty przykład, jak można pracować nad motywacją. W przypadku motywacji potrzeba więcej danych jakościowych, aby zrozumieć, co może motywować użytkowników. Dane ilościowe pomogą zmierzyć, czy hipotezy i proponowane zmiany są właściwe.
Aby zwiększać współczynnik konwersji, należy zmieniać serwis. Często problemem jest określenie tego, co należy zmieniać. Istnieje pojęcie „garbage in, garbage out” (GIGO), które oznacza, że błędne dane prowadzą do błędnych wniosków. Dlatego ważne jest, aby dane były prawidłowe.
Najważniejszym narzędziem do analizy danych jest Google Analytics 4. W kontekście ecommerce trzy raporty w Google Analytics 4 dobrze opisują model przychodów, którym jest lejek. Zachęcam do skorzystania z tych raportów, aby:
To właśnie dzięki tym działaniom można skutecznie zwiększać współczynnik konwersji i poprawiać wyniki ecommerce. Życzę powodzenia w optymalizacji, a jeżeli potrzebujesz pomocy, zapraszam do kontaktu z nami.
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
