TME.eu – Kiedy jedna sesja nie opowiada całej historii

Branża: Elektronika i automatyka
Klient: Transfer Multisort Elektronik Sp. z o.o. (Łódź, Polska)
Strona: www.tme.eu

Jak pomogliśmy TME.eu lepiej interpretować równoległe ścieżki użytkowników w wielu kartach przeglądarki?

W e-commerce B2B ścieżka zakupowa rzadko jest prosta i liniowa. Użytkownicy porównują produkty, wracają do wcześniejszych stron, otwierają kolejne karty, analizują szczegóły oferty i prowadzą kilka równoległych wątków zakupowych jednocześnie.

Dla standardowych narzędzi analitycznych taka aktywność często wygląda jak jeden ciąg zdarzeń w ramach jednej sesji. Problem pojawia się wtedy, gdy trzeba odpowiedzieć na pozornie proste pytanie: czy sekwencja zdarzeń rzeczywiście odzwierciedlała jedną liniową ścieżkę, czy w praktyce była efektem równoległej pracy w kilku kartach przeglądarki?

Dla zespołu TME.eu była to istotna bariera w interpretacji customer journey. Standardowe dane pokazywały aktywność użytkownika, ale nie zawsze pozwalały uchwycić kontekst, w którym ta aktywność miała miejsce. W efekcie analiza zachowań zakupowych mogła prowadzić do uproszczonych wniosków na temat kolejności działań, zależności między stronami i elementów ścieżki wymagających dalszej analizy.

Sytuacja TME.eu

TME.eu działa w modelu e-commerce B2B, w którym użytkownicy często wykonują bardziej złożone działania niż w prostym zakupie konsumenckim. Proces decyzyjny może obejmować analizę wielu produktów, porównywanie wariantów, powroty do wcześniejszych widoków oraz przechodzenie pomiędzy różnymi sekcjami serwisu.

W takim środowisku klasyczna analiza sesji użytkownika nie zawsze wystarcza. Jedna sesja może obejmować kilka równoległych wątków pracy: użytkownik otwiera produkt w nowej karcie, porównuje go z innym, wraca do listingu, sprawdza szczegóły techniczne, a następnie przechodzi dalej w procesie zakupowym.

Z perspektywy danych analitycznych wszystkie te działania mogą zostać zapisane jako jeden ciąg zdarzeń. Z perspektywy realnego zachowania użytkownika są to jednak często osobne konteksty pracy, które warto rozróżnić, aby lepiej interpretować dane.

Problem biznesowy

Zespół TME.eu potrzebował lepszego sposobu rozróżniania aktywności użytkowników w ramach jednej sesji, szczególnie w sytuacjach, gdy ta sama osoba korzystała równolegle z kilku kart przeglądarki.

Standardowe dane analityczne pozwalały zobaczyć kolejne zdarzenia użytkownika, ale nie dawały wystarczająco jasnej odpowiedzi, czy dane działania były częścią jednej liniowej ścieżki, czy kilku równoległych wątków.

To utrudniało interpretację customer journey.

Problem nie był wyłącznie techniczny. Dotyczył jakości interpretacji danych, na których później mogą opierać się analizy i rekomendacje optymalizacyjne. Jeżeli analityka nie rozróżnia aktywności wykonywanej w różnych kartach, łatwo o błędne lub zbyt uproszczone wnioski dotyczące:

• kolejności działań użytkownika,
• znaczenia poszczególnych stron w ścieżce zakupowej,
• zależności pomiędzy listingami, kartami produktów i kolejnymi krokami procesu,
• momentów, w których użytkownik zmieniał kontekst pracy,
• elementów serwisu wymagających dalszej analizy.

W praktyce mogło to prowadzić do mniej precyzyjnej interpretacji tego, jak użytkownicy poruszają się po serwisie i które fragmenty ścieżki zakupowej warto analizować w pierwszej kolejności.

Co zrobiliśmy?

Projekt rozpoczęliśmy od analizy zachowania identyfikatora karty w najważniejszych scenariuszach korzystania z przeglądarki.

Sprawdziliśmy między innymi:

• przeładowania strony,
• przejścia wewnętrzne w ramach serwisu,
• otwieranie nowych kart,
• duplikowanie istniejących kart,
• przywracanie sesji przeglądarki,
• pracę w różnych domenach i subdomenach,
• zachowanie mechanizmu w kontekście zgód analitycznych.

Na tej podstawie zaprojektowaliśmy mechanizm, który pozwala wzbogacać wybrane zdarzenia analityczne objęte wdrożeniem o dodatkowy kontekst techniczny pozwalający rozróżniać równoległe aktywności w obrębie jednej sesji.

Dzięki temu późniejsza analiza danych nie musi opierać się wyłącznie na liniowym ciągu zdarzeń w sesji, ale może uwzględniać dodatkowy kontekst: w jakiej karcie przeglądarki wystąpiła dana aktywność analityczna.

Celem rozwiązania nie było zwiększanie identyfikowalności użytkowników, lecz ograniczenie błędów interpretacyjnych w analizie ścieżek zakupowych. Dodatkowy parametr miał pomóc w lepszym uporządkowaniu danych analitycznych i rozróżnianiu równoległych kontekstów pracy w obrębie jednej sesji.

Technikalia

Rozwiązanie zostało oparte na dodatkowym identyfikatorze karty przeglądarki. Identyfikator został zaprojektowany tak, aby spełniał trzy kluczowe wymagania.

1. Losowość

Parametr musiał być wystarczająco unikalny, aby wiarygodnie odróżniać aktywność w różnych kartach.

2. Kompaktowość

Identyfikator musiał być możliwie krótki, aby nie zwiększać niepotrzebnie kosztów przechowywania i przetwarzania danych.

3. Możliwość sortowania po czasie utworzenia

Konstrukcja identyfikatora miała wspierać późniejszą analizę kolejności powstawania kontekstów pracy użytkownika.

Jak to przełożyło się na dane?

Parametr był tworzony w ramach odsłony i funkcjonował jako techniczny kontekst przypisany do danej karty przeglądarki. Wybrane zdarzenia analityczne objęte wdrożeniem mogły zostać wzbogacone o dodatkowy kontekst techniczny pozwalający rozróżniać równoległe aktywności w obrębie jednej sesji.

Dzięki temu zdarzenia mogły być analizowane nie tylko na poziomie sesji, ale również z uwzględnieniem technicznego kontekstu pracy w przeglądarce – konkretnej karty.

Przekazywanie parametru odbywało się z uwzględnieniem statusu zgód użytkownika. Rozwiązanie nie służyło identyfikacji konkretnych osób ani rozszerzaniu zakresu danych osobowych. Jego celem było poprawienie jakości interpretacji danych analitycznych poprzez dodanie technicznego kontekstu do zdarzeń objętych wdrożeniem.

Wdrożenie zostało przygotowane z uwzględnieniem specyfiki działania Google Tag Managera oraz istniejącego ekosystemu analitycznego TME.eu. Dzięki temu dodatkowy parametr mógł wzbogacać dane trafiające do Google Analytics 4 i BigQuery, tworząc nową warstwę kontekstu do dalszych analiz.

Wyzwania po drodze

Samo wdrożenie nie wymagało dodatkowego angażowania IT i nie wiązało się z problemami technicznymi po stronie TME.eu. Najważniejszym etapem była eksploracja dostępnych opcji i sprawdzenie, jak identyfikator karty będzie zachowywał się w realnych scenariuszach korzystania z przeglądarki.

Szczególnie istotne były przypadki, w których zachowanie użytkownika nie jest liniowe:

• użytkownik otwiera kilka produktów w osobnych kartach,
• duplikuje kartę,
• wraca do wcześniejszego widoku,
• przywraca sesję po zamknięciu przeglądarki,
• przechodzi pomiędzy domenami lub subdomenami,
• wykonuje działania w kilku kartach w krótkim odstępie czasu.

To właśnie te scenariusze były kluczowe z perspektywy jakości późniejszej interpretacji danych. Bez dodatkowego kontekstu technicznego część aktywności mogła wyglądać w raportach jak jeden liniowy ciąg zdarzeń, mimo że w praktyce była realizowana równolegle w kilku kartach.

Co się zmieniło po wdrożeniu?

Po wdrożeniu zespół TME.eu zyskał dodatkową warstwę kontekstu w danych analitycznych.

Zdarzenia analityczne mogą być analizowane nie tylko jako część jednej sesji, ale również z uwzględnieniem tego, w jakim technicznym kontekście pracy w przeglądarce wystąpiły.

Dzięki temu zespół TME.eu może dokładniej interpretować aktywność użytkowników, szczególnie w sesjach wielokartowych. To istotne w e-commerce B2B, gdzie użytkownicy często nie przechodzą przez serwis w prosty, sekwencyjny sposób, ale prowadzą kilka równoległych ścieżek analizy i porównywania produktów.

Nowe dane pomagają trafniej odpowiadać na pytania:

• czy sekwencja zdarzeń rzeczywiście odzwierciedlała jedną liniową ścieżkę,
• które działania były częścią tego samego kontekstu,
• kiedy użytkownik rozpoczął nowy wątek analizy,
• jak w danych przejawiają się równoległe scenariusze porównywania produktów,
• które elementy ścieżki zakupowej warto analizować dokładniej.

Nowe dane dały zespołowi TME.eu możliwość dokładniejszej analizy sesji wielokartowych. Dzięki dodatkowemu parametrowi zespół mógł sprawdzać, które zdarzenia należały do tego samego kontekstu pracy w przeglądarce, a które były częścią równoległego wątku.

Zespół TME.eu korzystał z rozwiązania i uznał je za wartościowe. Na tym etapie nie mamy jednak potwierdzonych informacji o konkretnych zmianach optymalizacyjnych wdrożonych bezpośrednio na podstawie tych danych, dlatego wartość projektu opisujemy przede wszystkim przez pryzmat poprawy jakości interpretacji danych.

Wartość biznesowa

Projekt nie polegał na dodaniu kolejnego parametru do raportu. Jego wartość polegała na poprawie sposobu interpretacji zachowań użytkowników w sytuacjach, w których standardowa analiza sesji mogła prowadzić do zbyt uproszczonych wniosków.

Wcześniej aktywność w wielu kartach mogła wyglądać w danych jak jedna liniowa ścieżka. Po wdrożeniu zespół TME.eu zyskał możliwość rozdzielania równoległych wątków pracy użytkownika i analizowania ich w bardziej realistyczny sposób.

To szczególnie ważne w kontekście e-commerce B2B, gdzie błędna interpretacja customer journey może wpływać na sposób oceny kluczowych elementów doświadczenia zakupowego.

Lepszy kontekst danych oznacza lepszą diagnozę sytuacji. A lepsza diagnoza daje solidniejszą podstawę do dalszych analiz, rekomendacji i potencjalnych działań optymalizacyjnych.

Przykład przed i po

Przed wdrożeniem

Użytkownik w jednej sesji otwiera kilka kart, porównuje produkty i wraca do wcześniejszych widoków. W danych analitycznych jego aktywność wygląda jak jeden ciąg zdarzeń.

Analityk widzi kolejne zdarzenia, ale nie ma pewności, które z nich były wykonane w tej samej karcie, a które były częścią równoległego wątku.

Efekt: trudniejsza interpretacja ścieżki i większe ryzyko uproszczonych wniosków.

Po wdrożeniu

Wybrane zdarzenia analityczne objęte wdrożeniem mogą zostać wzbogacone o techniczny kontekst konkretnej karty przeglądarki.

Analityk może rozdzielić aktywność użytkownika na równoległe konteksty i odtworzyć bardziej precyzyjny obraz sesji wielokartowej.

Efekt: dokładniejsza analiza customer journey i lepsza podstawa do dalszych rekomendacji analitycznych.

Podsumowanie

Projekt dla TME.eu pokazuje, jak dodatkowy kontekst techniczny może znacząco poprawić jakość interpretacji danych w złożonym środowisku e-commerce B2B.

Dzięki wdrożeniu identyfikatora karty przeglądarki zespół TME.eu zyskał możliwość rozróżniania równoległych ścieżek użytkowników w ramach jednej sesji, dokładniejszej analizy customer journey oraz lepszego zrozumienia sposobu porównywania produktów i poruszania się po serwisie.

Rozwiązanie wzbogaciło dane trafiające do Google Analytics 4 i BigQuery, tworząc solidniejszą podstawę do dalszych analiz i rekomendacji optymalizacyjnych.