Co znajdziesz w tym artykule?
Co to jest Big Data?
Jakie cechy definiują wielkie zbiory danych? Model 5V
Jakie rodzaje danych składają się na Big Data?
Jakie technologie i narzędzia służą do przetwarzania Big Data?
Gdzie znajduje zastosowanie analityka Big Data?
Jakie korzyści przynosi firmom wykorzystanie Big Data?
Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?
Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Co to jest Big Data?

Big Data to termin opisujący duże zbiory danych. A właściwie tak duże, tak zróżnicowane i tak szybko zmieniające się, że tradycyjne narzędzia przestają wystarczać. Bywają też przez to określane jako wielkie zbiory danych lub po prostu gigadane. Ich skala i złożoność (complexity) przekraczają możliwości arkuszy kalkulacyjnych czy klasycznych baz danych.

W praktyce chodzi jednak nie tylko o sam rozmiar. Big Data to również sposób, w jaki odbywa się przetwarzanie informacji, ich porządkowanie i analiza danych – po to, by wykrywać wzorce, przewidywać zjawiska i podejmować trafniejsze decyzje. To właśnie dlatego temat stał się tak ważny dla biznesu, technologii i innych obszarów, w których liczy się szybka reakcja na zmiany.

Co ważne, dane napływają z wielu różnych źródeł jednocześnie. Mogą pochodzić z mediów społecznościowych, urządzeń Internetu Rzeczy (IoT), aplikacji mobilnych, systemów sprzedażowych czy z innych zasobów, takich jak np. logi systemowe. W efekcie Big Data jest dziś jednym z fundamentów tego, co nazywamy transformacją cyfrową – ponieważ pozwala przekładać ogromne strumienie danych na wiedzę, a następnie na konkretne działania.

Jakie cechy definiują wielkie zbiory danych? Model 5V

Najczęściej wielkie zbiory danych opisuje się współcześnie przez model 5V, który rozwinął wcześniejszy model 3V (skupiający się głównie na skali, szybkości i różnorodności danych – volume, velocity, variety). W niektórych opracowaniach można spotkać model 4V, który do klasycznego 3V dodaje veracity, czyli wiarygodność/jakość danych.

Czasem pojawia się też pojęcie zmienności (variability), które opisuje niestabilność danych i zmieniający się kontekst ich interpretacji. To jednak model 5V pozostaje dziś najczęściej używanym sposobem porządkowania tematu. Obejmuje on pięć kluczowych cech Big Data:

Volume (wolumen)

Inaczej: ilość danych. W praktyce nie mówimy już o megabajtach czy gigabajtach, ale o zasobach liczonych w terabajtach, petabajtach, a czasem nawet w eksabajtach i zettabajtach. To właśnie wolumen danych w Big Data sprawia, że tradycyjne narzędzia szybko przestają być wystarczające.

Velocity (prędkość)

Tempo, w jakim dane są generowane, przesyłane i analizowane. Prędkość ma ogromne znaczenie w Big Data, bo wiele informacji napływa niemal w czasie rzeczywistym – z aplikacji, systemów transakcyjnych, czujników czy platform cyfrowych. W takich warunkach liczy się nie tylko sam dostęp do danych, ale też zdolność do szybkiej reakcji.

Variety (różnorodność)

Big Data to nie jeden format i nie jeden typ informacji. Różnorodność oznacza, że w jednym środowisku mogą pojawiać się jednocześnie liczby, tekst, obrazy, nagrania wideo, logi, dane lokalizacyjne czy dane sensoryczne. Ta “mieszanka” mocno zwiększa stopień trudności analizy.

Veracity (wiarygodność)

Dane muszą być sensowne. Wiarygodność odnosi się do jakości, rzetelności i spójności przetwarzanych informacji. Jeśli dane są błędne, niepełne albo przypadkowe, nawet najlepsza analiza może prowadzić do złych wniosków. Dlatego tak ważna jest ich weryfikacja.

Value (wartość)

Ostatecznie najbardziej liczy się to, czy dane da się przełożyć na decyzje, oszczędności, lepsze prognozy albo przewagę konkurencyjną. Wartość pokazuje, że Big Data nie jest sztuką dla sztuki. Dane mają sens dopiero wtedy, gdy wspierają konkretne cele biznesowe lub operacyjne.

Jakie rodzaje danych składają się na Big Data?

Od formy danych zależy zarówno sposób ich przechowywania, jak i późniejsze przetwarzanie oraz analiza. Big Data obejmuje trzy główne typy informacji:

Dane ustrukturyzowane

Nazywane też danymi strukturalnymi. Mają uporządkowaną formę. Łatwo zapisać je w tabelach, kolumnach i rekordach, dlatego dobrze pasują do relacyjnych baz SQL czy nawet do Excela. Przykładem mogą być dane transakcyjne, listy klientów, stany magazynowe albo wyniki sprzedaży.

Dane nieustrukturyzowane

Znacznie większym wyzwaniem są dane nieustrukturyzowane (niestrukturalne). Nie mają one sztywnego schematu, więc trudniej je zamknąć w klasycznej tabeli. To między innymi teksty, obrazy, nagrania audio, wideo, wiadomości e-mail, posty z mediów społecznościowych czy logi systemowe. Często przyjmuje się, że właśnie ten typ stanowi większość zasobów Big Data – nawet około 80%. Również z tego powodu tak duże znaczenie mają obecnie analiza tekstu i analiza wideo.

Dane częściowo ustrukturyzowane

Pomiędzy nimi znajdują się dane częściowo ustrukturyzowane (półstrukturalne). Mają pewną wewnętrzną organizację, ale nie na tyle sztywną, by traktować je jak klasyczne dane tabelaryczne. Dobrym przykładem są pliki JSON, XML, logi aplikacyjne czy dane z formularzy online.

Dane strumieniowe i sensoryczne

We współczesnych systemach coraz większą rolę odgrywają też dane strumieniowe i dane sensoryczne. To właśnie one sprawiają, że Big Data jest dziś tak dynamiczne i tak mocno związane z analizą zdarzeń “tu i teraz”.

• Dane strumieniowe napływają w sposób ciągły, często w czasie rzeczywistym, np. z aplikacji, platform płatniczych czy systemów monitoringu.
• Dane sensoryczne natomiast pochodzą z czujników, urządzeń IoT, maszyn przemysłowych albo urządzeń wearable.

Jakie technologie i narzędzia służą do przetwarzania Big Data?

Samo zgromadzenie danych to dopiero początek. Żeby Big Data miało wartość, potrzebne są jeszcze odpowiednie technologie, które poradzą sobie z dużą skalą, różnorodnością formatów i szybkim napływem informacji. W praktyce oznacza to przetwarzanie rozproszone, elastyczne magazynowanie danych i narzędzia, które pozwalają analizować je szybciej niż klasyczne systemy.

Apache Hadoop i Apache Spark

Jednym z fundamentów Big Data pozostaje ekosystem Apache Hadoop. To zestaw narzędzi zaprojektowanych do pracy na dużych zbiorach danych w wielu maszynach jednocześnie. Ważną rolę odgrywa HDFS (Hadoop Distributed File System), czyli system plików rozkładający dane pomiędzy różne węzły klastra, oraz MapReduce, model obliczeń, który dzieli zadania na mniejsze części i przetwarza je równolegle.

Obok Hadoop bardzo ważny jest dziś również Apache Spark. W przeciwieństwie do klasycznego MapReduce stawia on mocniej na przetwarzanie w pamięci (in-memory), dzięki czemu wiele operacji wykonuje się szybciej. To szczególnie istotne w projektach, gdzie liczy się analiza interaktywna, praca na strumieniach danych albo uczenie modeli analitycznych.

NoSQL i obsługa danych nieustrukturyzowanych

Niestety, nie wszystko da się wygodnie zapisać w tabelach. Z pomocą przychodzi tutaj NoSQL, czyli podejście inne niż klasyczne relacyjne bazy danych. Bazy danych NoSQL dobrze radzą sobie z danymi nieustrukturyzowanymi i półstrukturalnymi, a także z bardzo dużą skalą zapisu i odczytu.

Do najczęściej przywoływanych przykładów należą MongoDB i Cassandra. MongoDB jest popularny przy pracy z dokumentami i elastycznym schematem danych, a Cassandra sprawdza się tam, gdzie liczy się wysoka dostępność i rozproszenie danych pomiędzy wieloma serwerami. Klasyczny SQL wciąż pozostaje ważny, ale w Big Data często działa obok narzędzi NoSQL, a nie zamiast nich.

Jeziora danych i hurtownie danych

W kontekście przechowywania danych często pojawiają się dwa pojęcia: jezioro danych (data lake) oraz hurtownia danych.

Hurtownia danych to ustrukturyzowane repozytorium, w którym dane są najpierw oczyszczane, transformowane i organizowane według z góry określonego schematu, a dopiero potem trafiają do systemu. Dobrze sprawdzają się w sytuacjach, gdzie pytania analityczne są z grubsza znane z góry (np. raporty sprzedażowe, finansowe, operacyjne). Dane są gotowe do użycia od razu po załadowaniu, ale elastyczność jest ograniczona.

Jezioro danych działa odwrotnie. Dane trafiają do systemu w surowej postaci – ustrukturyzowane, częściowo ustrukturyzowane i nieustrukturyzowane – bez narzuconego z góry schematu. Nakłada się go dopiero w momencie odczytu, zależnie od tego, do czego dane mają służyć. To zapewnia dużą elastyczność, ale wymaga większej dojrzałości analitycznej po stronie użytkownika. Co to znaczy? Bez dobrego zarządzania jezioro danych szybko zamienia się w tzw. bagno danych – zbiór plików, z którego nie da się już wydobyć niczego sensownego.

Chmura, integracja i automatyzacja analizy, machine learning

Coraz więcej środowisk Big Data działa dziś w modelu chmury obliczeniowej (cloud computing). Zapewnia ona skalowalność, której firmy potrzebują dziś tak bardzo przy rosnących wolumenach danych. Nie trzeba też od razu budować własnej infrastruktury – można dowolnie zwiększać moc obliczeniową i przestrzeń dysku.

Duże znaczenie mają wreszcie narzędzia do przesyłania i przygotowywania danych. Kafka jest często wykorzystywana do obsługi strumieni danych, a procesy ETL i ELT pomagają przenosić, porządkować i przekształcać dane pomiędzy systemami.

W warstwie analitycznej nadal królują Python i SQL, bo pozwalają zarówno przygotowywać dane, jak i budować modele analityczne. Coraz częściej dochodzi do tego także sztuczna inteligencja i uczenie maszynowe, które automatyzują wykrywanie wzorców i przyspieszają analizę.

Gdzie znajduje zastosowanie analityka Big Data?

Analityka Big Data znajduje zastosowanie wszędzie tam, gdzie dane napływają szybko, w dużej skali i z wielu źródeł jednocześnie. Dotyczy to dzisiaj już nie tylko biznesu cyfrowego.

Medycyna i ochrona zdrowia

W sektorze zdrowia Big Data wspiera diagnostykę medyczną, analizę wyników badań i ocenę ryzyka chorób. Duże znaczenie ma też analiza genomu, która pozwala lepiej rozumieć zależności genetyczne i dobierać bardziej precyzyjne terapie. Do tego dochodzą wearables, czyli urządzenia monitorujące aktywność, tętno czy sen, które dostarczają danych niemal w czasie rzeczywistym.

Finanse i bankowość

W finansach analityka danych pomaga w wykrywaniu oszustw, ocenie ryzyka i monitorowaniu nietypowych zachowań transakcyjnych. Jest też wykorzystywana w obszarach takich jak HFT (High-Frequency Trading), gdzie liczy się błyskawiczne przetwarzanie informacji i reakcja na zmiany rynkowe.

Logistyka, inteligentne miasta i fabryki

W transporcie Big Data wspiera planowanie dostaw, zarządzanie flotą i optymalizację procesów operacyjnych.

Na tej samej zasadzie działa koncepcja Smart City, w której dane z kamer, czujników, sygnalizacji i systemów miejskich pomagają lepiej zarządzać ruchem, energią czy bezpieczeństwem w miastach.

W tzw. obszarze Przemysłu 4.0 analityka Big Data wspiera automatyzację i nadzór nad produkcją. W praktyce oznacza to inteligentne fabryki, w których maszyny, sensory i systemy raportują dane bez przerwy, dzięki czemu możliwa jest konserwacja predykcyjna (przewidywanie awarii, zanim faktycznie do nich dojdzie).

Marketing i e-commerce

W marketingu i handlu internetowym Big Data napędza personalizację oferty, rekomendacje produktów i segmentację klientów. To właśnie na tej logice działają systemy rekomendacji znane z takich platform jak Netflix czy Spotify.

Jakie korzyści przynosi firmom wykorzystanie Big Data?

Najważniejsza korzyść z Big Data polega na tym, że firmy mogą podejmować decyzje na podstawie faktów i twardych danych, a nie intuicji (podejście data-driven). Zapewniają to narzędzia z obszaru Business Intelligence, a także czytelna wizualizacja danych i dashboardy, które porządkują najważniejsze wskaźniki. To przekłada się na szybsze reakcje, lepsze planowanie i większą kontrolę nad kosztami, a więc także na realną oszczędność czasu.

Równie ważne jest lepsze zrozumienie klientów. Analiza behawioralna pozwala sprawdzać, jak użytkownicy podejmują decyzje, a analiza churn pomaga wychwycić sygnały odejścia. Łatwiej stworzyć spersonalizowane oferty i produkty. Z kolei analiza predykcyjna, modele predykcyjne, analiza trendów i prognozowanie trendów wspierają planowanie przyszłości – od sprzedaży po zarządzanie ryzykiem.

Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?

W Big Data wyzwaniem nie jest tylko ilość informacji, ale też ich legalne, bezpieczne i etyczne wykorzystanie. Dokładniej rzecz biorąc:

Rosną wymagania związane z RODO (GDPR). Unia Europejska nakłada ścisłe zasady dotyczące tego, jak firmy zbierają, przechowują i wykorzystują dane użytkowników. Chodzi tu nie tylko o ochronę danych osobowych, ale też o prywatność danych, zgodność celu przetwarzania i przejrzystość wobec osób, których dane dotyczą.

Co do zasady, im większy zbiór danych, tym mniejsza jego odporność na incydenty z obszaru cyberbezpieczeństwa, więc zapewnienie odpowiedniego poziomu zabezpieczeń stanowi osobne wyzwanie.

Istotna pozostaje kwestia jakości danych i ich wiarygodności, bo błędne lub niepełne informacje prowadzą do błędnych analiz i złych decyzji.

Dochodzi do tego wreszcie etyka: nawet jeśli dane można przetwarzać formalnie zgodnie z prawem, to czy sposób, w jaki je wykorzystujemy, jest uczciwy i proporcjonalny wobec użytkownika?

Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Data Scientist to zawód, który łączy statystykę, programowanie i rozumienie biznesu, żeby zamieniać dane w użyteczne wnioski. Taka osoba zajmuje się m.in. eksploracją danych (data mining), szukaniem zależności, budowaniem modeli opartych o uczenie maszynowe (machine learning) oraz wykorzystywaniem rozwiązań z obszaru sztucznej inteligencji (AI). W praktyce właśnie na tym polega nauka o danych (data science): nie tylko na zbieraniu informacji, ale też na ich interpretacji, modelowaniu i przekładaniu wyników na decyzje.

W codziennej pracy Data Scientist korzysta z narzędzi takich jak Python, język R i SQL, a wyniki prezentuje często przez Tableau lub Power BI. Jego zadaniem jest zrozumieć dany problem i zaproponować model, który pomoże przewidywać zjawiska albo lepiej wspierać biznes.

Warto odróżnić tę rolę od innych specjalizacji z dziedziny danych. Analityk danych (data analyst) zwykle skupia się bardziej na raportowaniu, dashboardach i interpretacji bieżących wyników, a inżynier danych (data engineer) odpowiada przede wszystkim za infrastrukturę, przepływ danych i przygotowanie środowiska do analizy. Data Scientist stoi trochę pomiędzy nimi. Korzysta z gotowych danych, ale idzie też o krok dalej – buduje modele i szuka odpowiedzi na bardziej złożone pytania.

The post Big Data – co to jest i dlaczego ma dziś tak duże znaczenie? first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Czym tak naprawdę jest Retail Media?

Skąd bierzemy dane analityczne w świecie fizycznym?

Mierzalność działań i wyliczanie ROAS w sklepach stacjonarnych

Zastosowanie Retail Media dla sklepów e-commerce i punktów offline

Prywatność i bezpieczeństwo danych użytkowników

Podsumowanie: Główne wnioski z rozmowy

Czym tak naprawdę jest Retail Media?

Omnichannelowe podejście do komunikacji

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Piotr Zagórski. Miło mi Ciebie gościć, Piotrku. Będziemy rozmawiali o Retail Media. Czy mógłbyś na wstępie opowiedzieć, dlaczego jesteś jedną z lepszych osób w Polsce, by rozmawiać o tym temacie i czym właściwie to Retail Media jest?

Piotr Zagórski: Cześć. Bardzo dziękuję za zaproszenie. Cieszę się, że mamy okazję o tym porozmawiać. Faktycznie, Retail Media to obecnie gorący temat. Czy jestem jedną z lepszych osób, by o tym mówić – nie mnie oceniać, natomiast tematem zajmuję się już wiele lat. Mamy teraz okres, kiedy zyskuje to niesamowitą popularność w Polsce i na rynkach zagranicznych. I nie dzieje się to bez powodu.

Retail Media to pojęcie, które odnosi się do komunikacji kierowanej przede wszystkim do klientów sieci handlowych w ujęciu omnichannelowym. Sieci handlowe jako punkty sprzedaży są traktowane zarówno offline’owo, czyli to może być Rossmann, Biedronka czy Walmart, jak i online’owo, czyli dowolny marketplace typu Allegro czy eBay, a także standardowy sklep e-commerce. Chodzi o to, by skupiać się na komunikacji do klientów, którzy mają dostęp do półki sklepowej. Z tej perspektywy komunikacja zawsze będzie się stosunkowo lepiej przekładać na konwersje sprzedażowe.

Jeżeli zainteresujemy odbiorcę komunikatem, wiedząc, że ma dostęp do półki i jest klientem danego sklepu, ma on realną szansę kupić dany produkt. Jeżeli prowadzimy taką komunikację szeroko, bez uwzględnienia kryterium dostępu do produktu w targetowaniu, część osób po prostu nie będzie w stanie go nabyć. Ta część inwestycji w komunikację nie ma szans konwertować na zakup, co znacznie obniża efektywność działań. Stąd wielka popularność Retail Mediów. Mówimy o komunikacji do klientów, którzy często są już w zaawansowanym procesie decyzji zakupowej – dotyczy to zarówno produktów FMCG na półce, jak i zakupu samochodu.

Mariusz Michalczuk: Czyli z tego, co rozumiem, choć dzisiaj większość mówi o Retail Media w internecie, Ty zwracasz uwagę, że to całościowy sposób dotarcia do użytkowników. Żyjemy w świecie fizycznym i styczność z produktem jest niezwykle istotna. Retail Media to nie tylko marketplace’y czy e-commerce, ale w dużej mierze sklepy stacjonarne.

Piotr Zagórski: Zgadza się. Absolutna większość sprzedaży na rynku to cały czas sklepy stacjonarne, odgrywają one niezwykle silną rolę. Z drugiej strony, w digitalu konsument jest celem pod kątem targetowania komunikacji. Liczy się to, czy może on kupić produkt i czy chce to zrobić. Jeżeli ktoś interesuje się daną kategorią, szuka informacji w internecie lub odwiedza sklepy, to wysłanie mu ciekawej oferty sprzedażowej z rabatem znacznie zwiększy szansę na zakup w porównaniu do osoby, która w ogóle nie jest zainteresowana, mimo fizycznego dostępu do sklepu.

Skąd bierzemy dane analityczne w świecie fizycznym?

Aplikacje mobilne i geolokalizacja w targetowaniu

Mariusz Michalczuk: Od razu pojawia mi się pytanie – skąd my to wiemy? W internecie lepiej lub gorzej rozpoznajemy zainteresowania, ale jak to się dzieje w świecie fizycznym? Skąd wiemy, że ktoś przebywa w danym Rossmannie i jest zainteresowany konkretnymi produktami?

Piotr Zagórski: To bardzo dobre pytanie. Myślę, że warto opisać rzeczywistość marketingową na kilku poziomach. Pierwszy poziom to konsumenci – żywe osoby, do których chcemy dotrzeć. Fajnie, jeśli mamy możliwość selekcji pod kątem zainteresowań i dostępu do produktów. Tu pojawia się drugi poziom, czyli dane. Mamy szeroki wachlarz dostępnych informacji i musimy wiedzieć, które z nich pozwolą precyzyjnie określić docelowe osoby.

W komunikacji digitalowej najpopularniejsze były cookiesy. Pozwalały targetować osoby odwiedzające konkretne strony, np. motoryzacyjne. My w naszej firmie, zajmując się komunikacją w modelu Retail Media, korzystamy z innego źródła. Są to dane z telefonów komórkowych, a dokładniej z aplikacji mobilnych. Nie mówią one o tym, jakie strony były odwiedzane, ale pokazują, jakie fizyczne lokalizacje dany użytkownik odwiedzał.

Mariusz Michalczuk: Przez osobę, która ten telefon posiada?

Piotr Zagórski: Dokładnie. Aplikacje, aby dostarczać swoją funkcjonalność, zbierają sporo informacji. Choćby Google Maps musi wiedzieć, gdzie jesteśmy, by wytyczyć trasę. Wykorzystuje do tego sygnał GPS z precyzją od 3 do 5 metrów. Tworząc system do zarządzania wykorzystaniem tych danych w sposób zanonimizowany – co jest niezwykle istotne pod kątem RODO – jesteśmy w stanie targetować osoby odwiedzające konkretne miejsca.

Wybieramy kilka tysięcy lokalizacji, w których znajdują się sklepy stacjonarne. Chcemy dotrzeć do osób wchodzących do tych miejsc, bo wiemy, że są to klienci danej sieci. Następnie możemy korzystać z dodatkowych warstw analitycznych.

Mariusz Michalczuk: Spróbuję to sparafrazować. Wiemy, że ktoś wchodzi do Rossmanna, więc zakładamy, że interesuje się tematami kosmetycznymi. Dobrze to rozumiem?

Piotr Zagórski: Ważniejsze jest to, że to po prostu klient Rossmanna. Dla producenta oferującego tam swoje produkty, kluczowe jest inwestowanie w komunikację docierającą bezpośrednio do tych klientów, zamiast przepłacać za ludzi robiących zakupy w konkurencyjnej sieci. Inne dane pozwalają nam dodatkowo zawężać tę grupę.

Jeżeli reklamujemy pieluszki dla dzieci i targetujemy klientów Biedronki, nie chcemy kierować przekazu do wszystkich. Skupiamy się na grupie parentingowej. Wykorzystujemy demografię oraz aplikacje, z jakich ktoś korzysta. Możemy targetować osoby odwiedzające Rossmanna, które jednocześnie mają zainstalowane aplikacje dla rodziców. Mamy pewność, że posiadają małe dzieci. Konwersja z tak dopasowanej komunikacji jest w oczywisty sposób o wiele wyższa w porównaniu do klasycznego bazowania na plikach cookies.

Mariusz Michalczuk: Rozumiem, że wy nie znacie konkretnego użytkownika, tylko warunki i kryteria, które go charakteryzują?

Piotr Zagórski: Tak, dlatego to wszystko jest zgodne z RODO i bazuje na dobrowolnych zgodach marketingowych użytkowników. Jest to w stu procentach bezpieczne.

\

Mierzalność działań i wyliczanie ROAS w sklepach stacjonarnych

Od wyświetlenia kreacji reklamowej do zakupu offline

Mariusz Michalczuk: Mógłbyś opisać proces prowadzenia takich działań? Jak klient do Ciebie trafia, z jaką potrzebą, i jak po kolei wygląda proces prowadzący do ostatecznych efektów?

Piotr Zagórski: Potrzeby są różne i dostosowane do specyfiki marki, jej celów marketingowych, jednak zawsze przewija się element dostępu do punktu sprzedaży. Świat Retail Media dzieli się na „in-store media”, czyli punkty styku na terenie sklepu – banery e-commerce, ekrany przy kasach, naklejki na podłodze – oraz „out-of-store media”. Te drugie dotyczą komunikacji do klientów sklepu realizowanej, zanim jeszcze do niego wejdą.

Mamy wtedy więcej czasu na zainteresowanie ofertą i zbudowanie wysokiej częstotliwości kontaktu. Wpływa to na świadomość wspomaganą, ponieważ decyzje w supermarkecie są często automatyczne – rozpoznajemy produkt i po niego sięgamy. Lubimy to, co znamy. Działania przed wejściem do sklepu przygotowują klienta do zakupu, by produkt odpowiednio wyeksponowany przy półce tylko domknął ten proces transakcyjny.

Mariusz Michalczuk: Najciekawsze w tym wszystkim jest to, że zbliżacie się do precyzyjnego policzenia zwrotu z inwestycji, co w przypadku fizycznych wizyt w sklepie wydawało się bardzo trudne. W jaki sposób mierzycie, jak reklama w telefonie wpływa na sprzedaż w stacjonarnym oddziale?

Piotr Zagórski: Tak to dokładnie robimy. Celem kampanii jest wsparcie sprzedaży. Jeżeli klient oczekuje wzrostu w konkretnych punktach, najpierw szacujemy potencjał grup docelowych np. w promieniu 500 metrów od lokalizacji. Weryfikujemy, jak kampania wpłynęła na przyrost unikalnych klientów w punktach sprzedaży w czasie jej trwania. Szacujemy dokładny, procentowy wzrost liczby osób wygenerowany dzięki reklamie.

Mając z drugiej strony dostęp do danych sprzedażowych, zarówno ilościowych, jak i wartościowych, zestawiamy to z wygenerowanym ruchem. W ten sposób dokładnie liczymy ROAS z kampanii fizycznej, czyli sprawdzamy, jak inwestycja przełożyła się na dodatkową sprzedaż, a często dochodzimy z analizą aż do poziomu wskaźnika ROI.

Mariusz Michalczuk: Wyobrażam sobie, że producent napojów, inwestując w taką kampanię, generuje korzyść również dla samej sieci handlowej, bo sprowadza do sklepu klienta, który przy okazji kupi też inne rzeczy.

Piotr Zagórski: Dokładnie tak. Zachęcamy naszych klientów do łączenia budżetów na poziomie sieci handlowej i samego producenta. Łącząc zasoby budujemy silniejszą komunikację. Realizowane są cele obu podmiotów, a próg wejścia w taką inwestycję rozkłada się proporcjonalnie, zwiększając zasięg działań.

Zastosowanie Retail Media dla sklepów e-commerce i punktów offline

Wykorzystanie przestrzeni reklamowej i skali

Mariusz Michalczuk: Jak to wygląda ze skalą Waszej bazy odbiorców? Żeby docieranie do klientów w promieniu chociażby 500 metrów miało sens, ta baza użytkowników na pewno musi być ogromna.

Piotr Zagórski: W Polsce nasz zasięg wynosi około 80% użytkowników smartfonów, co pozwala na wpływanie na biznes klienta w naprawdę dużej skali. Globalnie mamy z kolei dostęp do ponad 3,1 miliarda klientów, dzięki czemu najwięksi marketerzy mogą prowadzić kampanie z użyciem tego samego standardu na całym świecie, traktując nas jako jeden punkt dostępu bez względu na to, czy to Polska, Australia, czy Stany Zjednoczone.

Mariusz Michalczuk: Czy realizujecie działania również dla firm w 100% e-commerce’owych? Wyobrażam sobie, że jako sklep internetowy mógłbym chcieć dotrzeć do klientów fizycznych sklepów mojej konkurencji i sprowadzić ich do mojego online’u.

Piotr Zagórski: Jak najbardziej. Realizujemy takie kampanie na przykład dla branży fashion. Klient posiadający wyłącznie e-commerce targetuje osoby, które poszły do fizycznych salonów konkurencyjnych marek odzieżowych. Z perspektywy konsumenta nie ma sztywnego podziału na online i offline – są konkretne potrzeby zakupowe. Emitujemy odpowiednie reklamy w używanych przez nich aplikacjach, generując zainteresowanie ofertą i przenosząc ten fizyczny ruch bezpośrednio do aplikacji lub sklepu online.

Podobnie funkcjonuje to w biznesach wyłącznie offline’owych. Targetujemy użytkowników odwiedzających konkurencję w zdefiniowanym przez nas zasięgu kilometra. Mierzymy, ile z tych osób zainteresowało się reklamą i po jej obejrzeniu przyszło ostatecznie do salonu naszego klienta.

Prywatność i bezpieczeństwo danych użytkowników

Kwestia RODO i radzenia sobie w gąszczu analitycznym

Mariusz Michalczuk: Brzmi to jak performance marketing w świecie offline. Mamy w dzisiejszych czasach sporo wyzwań z plikami cookies, ochroną prywatności i RODO. Mówiłeś, że opieracie się na anonimowych grupach, ale z perspektywy firmy zarządzającej takimi informacjami – jak zaadresować ewentualne obawy?

Piotr Zagórski: Prywatność to element absolutnie kluczowy. Dane przetwarzane przez system są w pełni zanonimizowane. Nigdy nie mamy dostępu do danych osobowych czy informacji określających, kim dany użytkownik jest. Aby dodatkowo wykluczyć ryzyko wejścia w obszar identyfikacji, nie schodzimy w naszych działaniach z targetowaniem poniżej grupy liczącej 10 tysięcy osób. Działania te służą generowaniu dużych wolumenów i docieraniu do masowego odbiorcy, zatem zbyt wąskie grupy nie miałyby zresztą żadnego sensu biznesowego.

Mariusz Michalczuk: Na koniec chciałbym zapytać Cię o radę. Przedsiębiorcy prowadzący e-commerce mają mnóstwo danych online. Teraz, dzięki rozwiązaniom Retail Media, dochodzą im dane napływające ze świata fizycznego. Jak właściciele biznesów mają się w tym wszystkim nie pogubić? Od czego zacząć analizę?

Piotr Zagórski: Narzędzi do analityki i działań marketingowych są na rynku tysiące. Do tego wchodzi dynamicznie obszar AI, przez co można poczuć spore zagubienie. Moja główna rada brzmi: zacznij od przemyślenia realnych potrzeb i głównego celu jako marketera. Jeżeli Twoim nadrzędnym celem jest sprzedaż – online czy offline – szukaj w pierwszej kolejności danych pozwalających zweryfikować, czy poszczególne działania tę sprzedaż podnoszą.

Najgorsze podejście to prowadzenie działań bez możliwości rzetelnej weryfikacji ich skuteczności. Analityka musi być ściśle powiązana z celami biznesowymi. Unikaj dorzucania w analityce celów dodatkowych, które stoją w sprzeczności z główną strategią optymalizacji. Precyzyjne zdefiniowanie jednego konkretnego obszaru do weryfikacji to punkt startowy każdej dobrej strategii długoterminowej.

Mariusz Michalczuk: Mega. Dzięki ogromne za dawkę inspiracji, za podzielenie się wiedzą i trzymam mocno kciuki za dalszą ekspansję, bo technologia zdejmuje dotychczasowe ograniczenia.

Piotr Zagórski: Bardzo dziękuję za zaproszenie. Temat faktycznie jest fascynujący. Wielkie dzięki!

Podsumowanie: Główne wnioski z rozmowy

Kierunki rozwoju na styku e-commerce i stacjonarnego handlu

Wywiad z Piotrem Zagórskim doskonale pokazuje, że nadeszła era integracji metod analitycznych wykorzystywanych w internecie ze światem fizycznych zakupów. Koncepcja Retail Media przenosi skuteczność performance marketingu bezpośrednio w przestrzeń sklepów stacjonarnych i offline’owej konkurencji, otwierając zupełnie nowe możliwości przed marketerami.

Bazuje ona na zaawansowanym i jednocześnie całkowicie zanonimizowanym i bezpiecznym z punktu widzenia RODO wykorzystaniu geolokalizacji dostarczanej z poziomu aplikacji mobilnych. Pozwala to na emitowanie dedykowanego przekazu tylko do osób, które faktycznie przebywały w obrębie danego sklepu, zamiast emitować komunikaty do zbyt ogólnych i niedopasowanych targetów.

Rozmowa podkreśla kluczową rolę rzetelnej mierzalności w tego typu działaniach. Wykorzystanie platform Retail Media umożliwia marketerom to, co długo było piętą achillesową działań offline – dokładne zestawienie wydatków mediowych ze strumieniem realnych odwiedzin w salonie lub wygenerowaniem konkretnych paragonów (ROAS). Aby te systemy odniosły w danej organizacji sukces, niezbędne jest jednak uproszczenie wskaźników mierzalności do najważniejszych celów biznesowych bez generowania chaosu analitycznego na poboczne i nieistotne metryki.

The post Czym jest Retail Media? – Piotr Zagórski – Date with Data Talks first appeared on Conversion.

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

Jak zwiększać przychód w ecommerce?

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. 

Współczynnik konwersji w Ecommerce

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.

Jak optymalizować współczynnik konwersji?

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.

3 raporty w Google Analytics pomagające w optymalizacji konwersji

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.

Optymalizacja checkout w Google Analytics

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. 

Optymalizacja landing page w Google Analytics

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.

Optymalizacja mikro-konwersji w Google Analytics

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.

Podsumowanie

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:

1. Uszczelnić proces checkout.
2. Popracować nad landing page’ami i kampaniami na nie kierującymi
3. Analizować dane dotyczące środka lejka i angażować użytkowników.

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.

The post Google Analytics 4 a współczynnik konwersji – 3 proste sposoby na jego poprawę first appeared on Conversion.

Jeśli „siedzisz” w branży już od pewnego czasu, a wykonywanie testów A/B stanowi Twój chleb powszedni, to z całą pewnością zdajesz sobie sprawę z tego, że nadszedł koniec Twojej przygody… Wróć! Oczywiście nie koniec przygody z przeprowadzaniem tego rodzaju badań, ale koniec narzędzia, które z dużym prawdopodobieństwem było przez Ciebie wykorzystywane.

Zgadza się! 30 września został ogłoszony dniem, w którym na dobre pożegnamy Google Optimize, czyli jedno z najbardziej rozpoznawalnych i najchętniej wybieranych narzędzi do weryfikacji założeń. Czy taki ruch ze strony Google oznacza, że od tej pory nie będzie można w ogóle wykonywać tego rodzaju testów? Nie do końca!

Poznaj rozwiązania, które z powodzeniem pozwolą Ci zastąpić Google Optimize i nadal prowadzić wartościowe testy A/B dla Twojej firmy.

Google Optimize – co to jest i z jakimi funkcjonalnościami musimy się pożegnać?
Dlaczego Google Optimize odchodzi do “lamusa”?
Alternatywy dla Google Optimize. Jakie narzędzia wykorzystać do testów A/B i nie tylko?
Jakie narzędzie do eksperymentów i testów A/B wybrać? Porównanie omówionych rozwiązań.
Co wziąć pod uwagę podczas tego wyboru?
Eksport danych z Google Optimize do innych narzędzi. Jak to zrobić?
Chcesz skorzystać z usług specjalistów, którzy pomogą Ci wybrać i skonfigurować nowe narzędzie do testów A/B?

Google Optimize – co to jest i z jakimi funkcjonalnościami musimy się pożegnać?

Google Optimize to darmowe narzędzie służące do przeprowadzania eksperymentów na stronach internetowych. Czytelny i intuicyjny interfejs pozwala na sprawne porównywanie np. dwóch wybranych wersji konkretnej podstrony, a następnie – wyciąganie wniosków, która z nich ma większą skuteczność (np. generuje więcej leadów, zapytać, sprzedaży itp.). Google Optimize jest, a w zasadzie to już “był” dostępny także w wersji płatnej, która posiadała kilka dodatkowych funkcjonalności pozwalających na prowadzenie jeszcze bardziej zaawansowanych testów.

Poza wspomnianymi testami A/B, Google’owskie narzędzie dawało możliwość wykonywania testów wielowymiarowych, a także testów przekierowania.

Dlaczego Google Optimize odchodzi do “lamusa”?

Szczegóły związane z zamknięciem tego projektu zostały dokładnie opisane w dokumencie o nazwie Google Optimize Sunset – do przeczytania na stronie supportu.

Organizacja informuje w nim, że w trosce o rozwój i dostarczanie jeszcze lepszych rozwiązań do prowadzenia testów oraz eksperymentów – zdecydowała się na ten krok, aby skupić się na dalszym rozwoju Google Analytics 4.

Alternatywy dla Google Optimize. Jakie narzędzia wykorzystać do testów A/B i nie tylko?

Żaden rynek nie lubi próżni i na szczęście dla nas (dotychczasowych użytkowników Google Optimize) – do tego czasu zdążyło pojawić się oraz rozwinąć kilka bardzo ciekawych alternatyw, które z powodzeniem mogą zastąpić rozwiązanie od amerykańskiego giganta.

Do absolutnej czołówki narzędzi wykorzystywanych m.in. przeprowadzania testów zaliczamy: VWO, AB Tasty, Optimizely i Crazy Egg. I wiesz co? Każde z nich omówię w kolejnych akapitach :). Uprzedzając pytania – ich kolejność jest zupełnie przypadkowa.

#1 VWO

VWO (czyli Visual Website Optimizer) to kompleksowe narzędzie, które z powodzeniem wykorzystasz do prowadzenia podstawowych, jak i zaawansowanych eksperymentów na Twojej stronie internetowej. Za jego pomocą możesz analizować skuteczność całych stron oraz ich poszczególnych elementów (w tym np. przycisków, grafik, tekstów itp.) – i to bez posiadania specjalistycznej wiedzy programistycznej.

Narzędzie jest dostępne w wersji darmowej (z pewnymi ograniczeniami), która pozwala zapoznać się z jego podstawowymi funkcjami. Oczywiście, oferuje również pakiety płatne, których ceny są uzależnione od dostępnych opcji (a jest ich naprawdę sporo) oraz ilości użytkowników, którzy będą poddani testom.

Najtańszy z płatnych pakietów to wydatek na poziomie 173 dolarów miesięcznie. Najdroższy – do indywidualnej konsultacji z przedstawicielami VWO.

#2 AB Tasty

AB Tasty to rozwiązanie, które pozwoli Ci na swobodne prowadzenie A/B, jak i multitestów, w ramach jednej lub wielu podstron. Podobnie, jak omówione już VWO – posiada intuicyjny interfejs, który nie wymaga posiadania specjalistycznej wiedzy programistycznej. Cała obsługa odbywa się za pomocą czytelnego edytora typu no- oraz low-code.

Niestety, AB Tasty na swojej stronie nie podaje informacji na temat cen. Aby je poznać – należy skontaktować się bezpośrednio z obsługą (wypełniając dedykowany formularz).

#3 Optimizely

W tym przypadku nie powinno być większego zaskoczenia. Optimizely również służy do analizowania oraz podnoszenia skuteczności serwisów i aplikacji – m.in. poprzez realizowanie różnorakich testów, które można wykonywać bez żadnych limitów. Na Twoją uwagę zasługuje zarówno mnóstwo feature’ów dostępnych w ramach eksperymentów, ale także dodatkowe rozwiązania. Optimizely oferuje bowiem platformę do content marketingu i zarządzania treścią, a także rozwiązania wspierające monetyzację w e-commerce.

Cena? Aby się tego dowiedzieć, należy skontaktować się bezpośrednio z przedstawicielami.

#4 Crazy Egg

Ostatnie na liście (choć w żadnym wypadku nie najgorsze) jest rozwiązanie o nazwie Crazy Egg. W tym przypadku oprócz całej gamy narzędzi do prowadzenia eksperymentów (w tym multitestów, personalizacji, a nawet heatmap, jak w przypadku VWO), narzędzie daje opcje nagrywania poszczególnych wizyt w serwisie. W celu otrzymania wyceny oraz opcji przetestowania wersji demo – należy skontaktować się z obsługą Crazy Egg.

Jakie narzędzie do eksperymentów i testów A/B wybrać? Porównanie omówionych rozwiązań.

Z uwagi na fakt, że każde z omówionych przeze mnie narzędzi oferuje naprawdę potężny wachlarz możliwości – udzielenie jednoznacznej odpowiedzi na tak postawione pytanie jest niezwykle trudne.

Poniżej umieściłem tabelę porównawczą, na której znajdziesz kilka przykładowych różnic pomiędzy nimi. Pamiętaj, że wszystkie rozwiązania są bardzo rozbudowane. Dlatego, jeśli któreś Cię zainteresuje, koniecznie zapoznaj się ze szczegółami – bezpośrednio na stronie internetowej wybranego softu.

Jak pewnie uda Ci się dostrzec – ogólne założenia (tzw. core) każdego z tych narzędzi są takie same. W końcu, bądź co bądź, mają służyć przede wszystkim do przeprowadzania testów i eksperymentów w obrębie Twojej strony www, e-sklepu czy też aplikacji mobilnej. Czasami o niewielkich różnicach decydują zwłaszcza poszczególne elementy.

Co wziąć pod uwagę podczas tego wyboru?

Jeżeli (mimo zapoznania się z treścią tego artykułu), wybór narzędzia do testowania nadal wydaje Ci się arcytrudnym zadaniem – oto moja rada.

Podczas analizy weź pod uwagę nie tylko możliwości finansowe Twojej firmy, ale również to, kto oraz w jaki sposób będzie korzystał z takiego oprogramowania. O sile i skuteczności świadczy bowiem nie ilość dodatków i opcji, ale to, w jak jesteś w stanie użyć ich, aby pracowały na sukces Twojej organizacji. Właśnie dlatego:

• Krok 1: zastanów się, jakie funkcje są Ci potrzebne teraz oraz jakie mogą okazać się niezbędne za pewien czas. Takie działanie pozwoli Ci uniknąć lub przynajmniej ograniczyć ryzyko, że wkrótce wybrany soft może okazać się niewystarczający, a co za tym idzie – rodzić konieczność kosztownej zmiany na inne rozwiązanie.
• Krok 2: wygospodaruj zasoby – zarówno ludzkie, jak i finansowe, które pozwolą na wykorzystanie pełnego potencjału wybranego narzędzia.
• Krok 3: zaplanuj wdrożenie i użytkowanie tak, aby zacząć korzystać jak najszybciej, a wybrany soft zamiast tylko kolejnej ciekawostki – był pełnoprawnym narzędziem do rozwoju Twojego biznesu.  

Eksport danych z Google Optimize do innych narzędzi. Jak to zrobić?

Nowe narzędzie testujące wybrane, aczkolwiek jest jednak jedno małe “ale”. Pewnie zastanawiasz się, co z danymi, które do tej pory udało Ci się zgromadzić w Google Optimize? Zgadza się?
Aby nie utracić zebranych informacji – zaloguj się do narzędzia, a następnie postępuj zgodnie z instrukcją exportu, która została szczegółowo opisana w tym miejscu.

Ważne: pamiętaj, aby zrobić to maksymalnie do 30 września 2023 roku. Zgodnie z informacjami od Google – po tej dacie większość wyników przestanie być już dostępna (w tym m.in. dane z eksperymentów Google Analytics). 

Chcesz skorzystać z usług specjalistów, którzy pomogą Ci wybrać i skonfigurować nowe narzędzie do testów A/B?

Zespół ekspertów Conversion jest do Twojej dyspozycji także w tym przypadku! Jeśli zależy Ci na kompleksowym wsparciu – umów się na niezobowiązującą konsultację. Na początek pomożemy Ci zabezpieczyć już zgromadzone dane, następnie ułatwimy wybór nowego narzędzia, które będzie alternatywą dla Google Optimize, a jeżeli zechcesz – zajmiemy się jego wdrożeniem oraz przeprowadzimy szkolenie z obsługi. 

The post Co zamiast Google Optimize? Porównanie narzędzi do testów A/B: VWO, AB Tasty, Optimizely i Crazy Egg first appeared on Conversion.

Przewiduje się, że do końca 2021 r. liczba globalnych nabywców cyfrowych osiągnie imponujący poziom 2,14 mld osób. Nie trzeba dodawać, że rok 2020 będzie kolejnym przełomowym rokiem dla handlu elektronicznego, który przyniesie wiele nowych trendów, za którymi marki będą musiały podążać.

Ze względu na ogromny potencjał i możliwości generowania przychodów, wyzwaniem jest stawienie czoła ogromnej konkurencji. O ile optymalizacja stron internetowych stała się standardem, o tyle optymalizacja mobilna nie dla wszystkich jest tak oczywista.

Optymalizacja dla urządzeń mobilnych powinna być równie istotna dla sprzedawców internetowych, nawet jeśli niektórzy z nich nie są jeszcze tego świadomi.

Co znajdziecie w tym artykule?
Co tak naprawdę oznacza optymalizacja Twojej strony ecommerce?
1. M-commerce jest silnym trendem
2. Potencjał mediów społecznościowych
3. Trend przeglądania na komórce, a kupowania przez komputer
4. Negatywne doświadczenia użytkownika
5. Millenialsi i pokolenie Z mają największą siłę nabywczą
6. Wyszukiwarki internetowe sprzyjają sklepom internetowym zoptymalizowanym dla urządzeń mobilnych
Podsumowanie

Zaczynajmy!

Co tak naprawdę oznacza optymalizacja Twojej strony ecommerce?

W skrócie taka zoptymalizowana strona internetowa powinna: szybko się ładować, być intuicyjna i przyjazna dla użytkownika. W rzeczywiście, wiele stron ecommerce już spełniło wszystkie te pola, dzięki czemu kupujący mogą łatwo znaleźć pożądane produkty na takich stronach i bezproblemowo sfinalizować zakup.

Często jednak okazuje się, że podczas gdy obsługa klienta na pulpicie komputera jest prosta, mobilna po prostu nie spełnia oczekiwań. Co więcej, sektor mobilny z miesiąca na miesiąc notuje silny wzrost, więc staje się jasne, że optymalizacja mobilna nie jest wyborem, jest koniecznością.

Dlaczego powinieneś zoptymalizować swoją stronę e-commerce pod kątem urządzeń mobilnych? Co należy wziąć pod uwagę przy planowaniu działań optymalizacyjnych i jak można na tym skorzystać? Jeśli kiedykolwiek szukałeś odpowiedzi na te pytania, czytaj dalej!

1. M-commerce jest silnym trendem

Handel mobilny (m-commerce) opisuje każdą transakcję pieniężną dokonaną za pomocą urządzenia mobilnego. Nie jest to nowy termin, ale teraz ma on znaczenie większe niż kiedykolwiek wcześniej. Szczególnie dla sprzedawców internetowych.

Prawie ośmiu na dziesięciu mieszkańców USA jest kupującymi online, a ponad połowa z nich używa do tego celu urządzeń mobilnych. Już sama ta liczba pokazuje, jak duży jest ruch na urządzeniach mobilnych w handlu elektronicznym. Przy tak dużej liczbie osób korzystających ze smartfonów i tabletów, naturalną konsekwencją jest wzrost potencjału handlu mobilnego. Zakupy mobilne powinny być tak samo szybkie i łatwe, jak w przypadku zakupów przez komputer.

Rynek płatności mobilnych rozwija się od kilku lat i oczekuje się, że jego tempo będzie rosło.

Jeśli pomyślisz o uwarunkowaniach m-commerce, możesz zdać sobie sprawę, jakie są potrzeby Twoich klientów. Używają oni smartfonów lub tabletów nie tylko w domu, ale bardzo często, gdy są w podróży; aby zaoszczędzić czas i w pełni z niego korzytać.

Niemniej jednak, responsywny projekt strony internetowej jest koniecznością, aby przynosić Ci zyski. Jeśli mobilne doświadczenie twojego biznesu ecommerce są mało przyjazne możesz zobaczyć ogromny wzrost liczby rezygnacji z koszyka.

Innymi słowy: stracisz tych klientów, którzy umieścili swoje mobilne zakupy na piedestale i wybrali je zamiast kupować przez kopmuter. Twoja strona powinna być zoptymalizowana mobilnie od stóp do głów – sprawdź ją podwójnie. Od każdego opisu, poprzez proces dodawania produktów do koszyka lub stosowanie kodów rabatowych, aż po oferowane przez Ciebie metody płatności.

Może brzmi to jak kolejne wyzwanie, ale po prostu trzeba to zrobić.

2. Potencjał mediów społecznościowych

Rosnące wykorzystanie urządzeń mobilnych jest również powodem, dla którego należy inwestować w marketing mobilny. Reklama w mediach społecznościowych i maksymalne wykorzystanie handlu społecznościowego w połączeniu z m-commerce wydaje się być jedynym słusznym wyborem dla sklepów internetowych, które chcą dotrzeć do większej liczby osób, a tym samym sprzedać więcej.

Żyjemy w epoce, w której konsumenci są dość mocno przyklejeni do telefonu. Mogą oni zobaczyć produkt na ich Instagramie, zbadać go online i kupić go w przypływie emocji. W przeszłości, musieli iść do sklepu z cegły, przemyśleć swoje impulsy zakupowe, a następnie może kupić go online, jeśli produkt nadal spełniał ich wszystkie oczekiwania.

Statystyki tylko tego dowodzą.

80% Amerykanów robi zakupy w Internecie, a 50% z nich używa urządzeń mobilnych do swoich zakupów. W Europie liczby te wyglądają jeszcze bardziej obiecująco dla detalistów.

Jeśli chodzi o platformy społecznościowe, 55% amerykańskich kupujących kupiło coś w Internecie po odkryciu tego na SoMe. W wielu przypadkach, proste przeglądanie stron w mediach społecznościowych może skutkować natychmiastowym zakupem, jeśli zastosujesz kilka sprytnych rozwiązani dla swojej strategii w sieci.

Platformy społecznościowe dostarczają pewnych szczególnych rozwiązań dedykowanych dla sklepów internetowych. Sekcja sklepu na Facebooku umożliwia skrócenie drogi klienta. Użytkownicy mogą przeglądać Twoje produkty za pośrednictwem Facebooka i odwiedzać stronę danego produktu bezpośrednio z sekcji sklepu. Facebook może z pewnością podnieść Twoją grę w ecommerce, ponieważ 85% zamówień z serwisów społecznościowych pochodzi właśnie stamtąd. Ponadto, zarówno Facebook, jak i Instagram (również Instagram Stories) oferują pomocną funkcję, która umożliwia tagowanie produktów w postach danej marki. Czy to wszystko, co mają do zaoferowania platformy mediów społecznościowych? Absolutnie nie.

Facebook jest nadal niekwestionowanym liderem, jeśli chodzi o odsyłanie do stron ecommerce. (Źródło)

Zgodnie z powyższymi statystykami Facebook odgrywa główną rolę w przyciąganiu ludzi i skłanianiu ich do zakupów – generuje ponad 80% przychodów. Jednak Pinterest może być tu również prawdziwą perełką, a dla właścicieli ecommerce czarnym koniem. Dlatego warto zainteresować się Buyable Pins ns Pintereście.

Podczas prowadzenia kampanii w mediach społecznościowych, pamiętaj aby linkować bezpośrednio do reklamowanych produktów lub kategorii produktów. W ten sposób, konsumenci będą mogli odwiedzić stronę, do której chcieli się dostać w pierwszej kolejności, klikając na reklamę. Jeśli chcesz, aby Twoje reklamy w mediach społecznościowych przyczyniły się do wzrostu konwersji, musisz zastosować responsywny projekt strony internetowej, tak aby nie stracić klientów z powodu negatywnego doświadczenia zakupowego.

Nawet jeśli nie prowadzisz żadnych płatnych kampanii lub nie chcesz wdrożyć sekcji sklepu na jakichkolwiek platformach społecznościowych, musisz wziąć pod uwagę, że ludzie mogą nadal dotrzeć do Twojej strony bezpośrednio z platform społecznościowych na swoich urządzeniach mobilnych. Jeśli napotkają stronę internetową, która jest, krótko mówiąc, chaotyczna, wtedy Twoja firma może cierpieć z powodu braku konwersji pomimo satysfakcjonującego ruchu na urządzeniach mobilnych.

Jeśli włożysz cały swój wysiłek w reklamę w mediach społecznościowych, ale Twoja strona oferuje słabą mobilną wydajność, to statystyki będą dość bezwzględne dla Ciebie, pokazując ogromny współczynnik odbicia i zmarnowanego potencjału. Dlatego trzeba znaleźć złoty środek pomiędzy reklamą w mediach społecznościowych, a zapewnieniem bezbłędnego doświadczenia mobilnego.

3. Trend przeglądania na komórce, a kupowania przez komputer

Kolejnym trendem jest przeglądanie przez klientów oferty sklepów internetowych na urządzeniach mobilnych tylko po to, aby sfinalizować transakcję w domu za pośrednictwem komputera. 67% australijskich klientów przyznaje, że mają tendencję do robienia „digital window shopping” dla zabawy, podczas gdy 77% dokonuje w tym czasie zakupów impulsowych.

Istotnym aspektem zakupów są poszukiwania. Przy tak wielu konkurentach należy mieć świadomość zwiększonego wyboru, jaki mają klienci, zwłaszcza jeśli chodzi o profesjonalny sprzęt, elektronikę, towary luksusowe i inne drogie produkty. Jeśli zadziwiasz ich swoją stroną ecommerce na urządzeniach mobilnych, to prawdopodobnie wrócą z przyjemnością zapłacić Ci sporo pieniędzy za produkty kupione za pośrednictwem komputera stacjonarnego.

Jeśli zakupy mobilne w Twoim sklepie internetowym będą bezproblemowe, a Twoja oferta okaże się wystarczająco atrakcyjna, odwiedzający mogą ulec impulsom zakupowym i natychmiast sfinalizować transakcję. W rzeczywistości nie jest to teraz rzadkie zjawisko. Dlatego Twoja strona internetowa powinna być przyjazna dla użytkowników telefonów komórkowych i powinna zapewniać im pewne szybkie i bezpieczne opcje przeglądania, kupowania i płacenia za ich zamówienia.

Strona internetowa zoptymalizowana pod kątem urządzeń mobilnych, która pomaga w podjęciu decyzji o zakupie, z pewnością powinna mieć łatwe do zeskanowania opisy produktów, najlepiej z wyszczególnionymi punktoramii i wyeksponowanymi dodatkowymi wartościami. Klienci nie kupują funkcji, kupują korzyści, które są zgodne ze specyfikacją.

Uczynienie strony przyjaznej dla urządzeń mobilnych powinno być zatem traktowane jako inwestycja, a nie wydatek, i może się szybko zwrócić. Podczas gdy ROPO zawsze oznaczało Research Online, Purchase Offline, a reverse ROPO oznaczało Research Offline, Purchase Online, teraz jesteśmy na progu nowego ROPO, opartego zarówno na wyszukiwaniach, jak i zakupach online.

4. Negatywne doświadczenia użytkownika

Nie ma znaczenia, czy Twoja strona desktopowa jest doskonale zoptymalizowana, czy też wymaga jeszcze ulepszenia – liczy się tylko ogólne doświadczenie klienta. Modernizując swoją stronę i podążając za trendami ecommerce, musisz zwracać uwagę na szybkie reagowanie na potrzeby klientów.

Google twierdzi, że jeśli klienci mają negatywne doświadczenia z marką, mają o 62% mniejsze szanse na powrót do Twojego sklepu w przyszłości. Nie trzeba dodawać, że wszystkie Twoje przyszłe starania o odzyskanie tego klienta mogą pójść na marne, jeśli Twoi konkurenci już go „przejęli”. Nie ma na to innego lekarstwa; żadna ekscytująca kampania nie zrobi tej sztuczki. Jedynym rozwiązaniem jest stworzenie doskonałego doświadczenia klienta poprzez udoskonalenie każdego etapu podróży kupującego.

Według MarketWatch, 88% amerykańskich kupujących, którzy kupowali produkty i usługi za pośrednictwem telefonu komórkowego, miało negatywne doświadczenia z użytkowania, a 30% z nich było na tyle zniechęconych, że nigdy więcej nie weszło na daną stronę. Statystyki są nieubłagane dla detalistów, a niezadowoleni klienci nie będą czekać wieki, aż zareagujesz na ich potrzeby.

Co może być negatywnym doświadczeniem, jeśli chodzi o sklep internetowy? Na przykład, zbyt wiele i niejasne CTA, zbyt wolny czas ładowania strony, nieczytelny tekst, irytujące wyskakujące okienka, wymagana rejestracja, skomplikowane menu, brak pomocnych filtrów, niedziałające metody płatności i wszystko inne, co można skojarzyć z nieintuicyjną konstrukcją. A to tylko kilka potencjalnych powodów, dla których Twoja strona może zostać odrzucona w oczach odwiedzających! Nie licz na to, że Twoi potencjalni klienci wrócą na Twoją witrynę, jeśli najpierw zaoferowano im naprawdę złe doświadczenia mobilne.

5. Millenialsi i pokolenie Z mają największą siłę nabywczą

W jaki sposób fakt, że obydwa powyższe pokolenia stały się największą kohortą kupujących, wpływa na Twój sklep internetowy?

Wśród konsumentów reprezentujących Millenialsów i Generację Z, 53% wybrało telefon komórkowy jako preferowane urządzenie do zakupów odzieży – to tylko kropla w morzu statystyk, które możemy tu przywołać.

Pamiętaj, że Twoja grupa docelowa stale się zmienia, nie tylko jeśli chodzi o zastępowanie starszych kohort młodszymi klientami, ale także w obrębie tych samych pokoleń. Twoi klienci, jak i całe społeczeństwo, zmieniają się w zależności od innowacji technologicznych, statusu ekonomicznego i preferencji zakupowych. Aby podbić rynek, trzeba podążać za trendami i stale dostosowywać się do potrzeb konsumentów, a co za tym idzie, zwiększać przychody sklepu internetowego.

Zapewnienie płynnego korzystania z urządzeń mobilnych gwarantuje sukces i może pomóc w pozyskaniu nowych klientów, przy jednoczesnym zachowaniu lojalności i zadowolenia obecnych. Należy o tym pamiętać nie tylko przy odświeżaniu oferty czy kampaniach w mediach społecznościowych, ale także przy projektowaniu stron internetowych i ich optymalizacji.

6. Wyszukiwarki internetowe sprzyjają sklepom internetowym zoptymalizowanym dla urządzeń mobilnych

Ostatnim, ale zdecydowanie nie najmniej istotnym powodem, dla którego należy wdrożyć responsywny projekt strony internetowej, jest wpływ na wyniki wyszukiwania. Prowadząc biznes ecommerce, prawdopodobnie ciężko pracujesz, aby zająć wysokie miejsce na stronie wyników wyszukiwarki Google. Zoptymalizowany sklep internetowy jest łatwy do odnalezienia w Google, ponieważ znajduje się na wyższych pozycjach, ale czy wiesz, że dotyczy to również wersji mobilnych?

Wyszukiwarki internetowe przyjmują w swoich algorytmach responsywne projekty stron internetowych jako jeden z czynników decydujących o pozycji strony w wynikach. Dzieje się tak dlatego, że mają one podejście zorientowane na klienta, dzięki czemu zwracają uwagę na doświadczenie użytkownika. Nawet jeśli (w jakiś sposób) nadal chcesz skupić się na odwiedzających sklep przez komputer, jednocześnie musisz ulepszyć swój mobilny sklep internetowy, aby dotrzeć do grupy docelowej za pośrednictwem takich wyszukiwarek jak Google, Bing czy Yahoo.

Wolno ładujące się strony będą musiały stawić czoła konsekwencjom niższej pozycji w Google, a tym samym mniejszego ruchu i mniejszych dochodów. Google oficjalnie wykorzystuje prędkość ładowania jako metrykę dla mobilnych rankingów wyników wyszukiwania, więc nie ma możliwości obejścia go i można stracić wiele, pozostawiając swoją stronę ecommerce zoptymalizowaną tylko dla komputerów.

Podsumowanie

Czy możesz żyć bez strony e-commerce zoptymalizowanej dla urządzeń mobilnych? Czy Twój biznes może nadal funkcjonować bez niej?

Pewnie, że możesz. Ale najprawdopodobniej będziesz, odczuwać skutki mniejszego ruchu, wyższego współczynnika odbicia lub porzuconych wózków. Nie trzeba dodawać, że może to wkrótce wpłynąć na poziom zadowolenia klientów. Nie brzmi to zbyt atrakcyjnie dla właścicieli firm e-commerce, musimy przyznać.

Mamy nadzieję, że teraz nie tylko rozumiesz jak ważna jest optymalizacja ecommerce dla urządzeń mobilnych, ale już postanowiłeś zrobić to natychmiast lub poprawić swoją mobilną funkcjonalność.

Podczas każdej optymalizacji powinieneś wypróbować kilka opcji, aby uzyskać jak najlepsze wyniki. Testowanie A/B jest doskonałą metodą na znalezienie najbardziej użytecznych rozwiązań i zwiększenie konwersji ecommerce. Zamienianie odwiedzających w kupujących jest wyzwaniem, ale z pewnym dobrym wsparciem na pokładzie możesz osiągnąć swoje cele biznesowe szybciej.

Jeśli potrzebujesz wsparcia, to tutaj w Conversion wiemy już coś tam o ecommerce. Jeśli szukasz możliwości rozwoju swojego biznesu i zwiększenia wskaźników konwersji, jesteśmy chętni Ci pomóc!

The post 6 powodów, dla których Twoja strona ecommerce powinna być zoptymalizowana pod urządzenia mobilne first appeared on Conversion.

Źródło: http://www.statista.com/statistics/266210/number-of-available-applications-in-the-google-play-store/

Natomiast liczba aplikacji dostępnych w Apple Appstore wyniosła 1,3 mln we wrześniu 2014:

Źródło: http://www.statista.com/statistics/263795/number-of-available-apps-in-the-apple-app-store/

Rosnąca liczba aplikacji mobilnych, sprawia, że rośnie również zapotrzebowanie na prawidłowe śledzenie zachowania użytkowników aplikacji.

Aby sprawdzić poprawność kodów śledzących w ramach witryny internetowej wystarczy przeglądarka rozbudowana o klika dodatkowych wtyczek.

Przygotowanie specyfikacji pod śledzenie aplikacji jest zazwyczaj proste (nie odbiegające od specyfikacji dla witryny). To co może sprawić trudność to sprawdzenie czy dział IT wszystko poprawnie zakodował oraz to, czy aplikacja wysyła w hitach poprawne informacje do Google Analytics.

W tym poście przedstawię jak stworzyć środowisko testowe, aby sprawdzić poprawność śledzenia aplikacji Android oraz iOS, bez konieczności posiadania różnych modeli telefonów.

I. Narzędzia i uruchamianie aplikacji Android

Do sprawdzenia śledzenia aplikacji konieczne będą 2 elementy: emulator, za pomocą którego stworzymy wirtualny telefon, na którym będziemy testować aplikację oraz odbiornik, za pomocą którego będzie można podejrzeć hity, które aplikacja wysyła do Google Analytics. W przypadku aplikacji rolę emulator spełni oprogramowanie Genymotion, natomiast rolę odbiornika Android Device Monitor, będący częścią Android Studio.

Poniżej instrukcja instalacji i konfiguracji środowiska do testowania aplikacji Android:

1. Instalacja emulatora Androida – Genymotion, który można pobrać tutaj.

Przed instalacją, konieczne jest założenie konta na Genymotion.
Genymotion umożliwi stworzenie wirtualnego telefonu, na którym będziemy testować aplikację.

2. Instalacja wirtualnej maszyny Virtualbox, którą można pobrać tutaj.

3. Instalacja Android Studio, którą można pobrać tutaj. Android Studio zawiera w sobie Android Device Monitor, który umożliwi podgląd hitów, które aplikacja wysyła do Google Analytics.

Aby zainstalować Android Studio, konieczne będzie wcześniejsze pobranie i zainstalowanie pakietu Java SE Development Kit 7 update 76, który można znaleźć: na tej stronie

Update 76 znajduje się w dalszej części strony:

Na tym etapie, a przed instalacją Android Studio warto zrestartować komputer.
Gdy wszystkie elementy są już zainstalowane możemy przystąpić do stworzenia środowiska testowego.

4. Uruchamiamy i logujemy się do Genymotion, w którym stworzymy wirtualny telefon do testowania aplikacji Android.

5. Następnie wybieramy wersję systemu Android oraz model urządzenia który chcemy „stworzyć”:

Lub też wybieramy z listy, przykładowo Custom Phone – 4.4.4 – API19 – 768×1280.

5. Na kolejnym screenie możemy zobaczyć parametry tworzonego telefonu:

6. Utworzony telefon, pojawi się w Genymotion. Uruchamiamy go klikając przycisk 'Start’.

7. Do debugowania śledzenia w aplikacji w wersji Android konieczna będzie jej wersja zapisana jako plik .apk z włączoną w możliwością debugowania (musi być w kodzie ustawiona flaga: android:debuggable=”true”).

8. Aplikację „instalujemy” na naszym telefonie, przeciągając i upuszczając plik .apk na okno Genymotion z odpalonym telefonem.

Możemy już testować samą aplikację na naszym nowo utworzonym telefonie. Nam zależy jednak na zobaczeniu szczegółowych informacji, wysyłanych w poszczególnych hitach do Google Analytics. W tym celu uruchamiamy odbiornik.

9. Uruchamiamy Android Studio i wybieramy 'Start a new Android Studio Project’. Na kolejnych ekranach klikamy 'Next’ aż uruchomi się ekran aplikacji. W górnej belce klikamy w ikonę Android Device Monitor. Sam program Android Studio możemy w tym momencie już zamknąć.

10. W Android Device Monitor, w oknie Devices powinien być widoczny stworzony przez nas telefon.

Natomiast w oknie LogCat możemy przeglądać informację wysyłane przez aplikacje która jest aktualnie uruchomiona. Tutaj znajdują się również poszczególne hity wysyłane do Google Analytics.

II. Narzędzia i uruchamianie aplikacji iOS

Do sprawdzenia śledzenia aplikacji iOS również konieczne będą 2 elementy: emulator, za pomocą którego stworzymy wirtualny telefon, na którym będziemy testować aplikację oraz odbiornik, za pomocą którego będzie można podejrzeć hity, które aplikacja wysyła do Google Analytics. W przypadku aplikacji iOS rolę emulator spełni oprogramowanie iOS Simulator będący częścią Xcode, natomiast rolę odbiornika plik system.log.

Poniżej instrukcja instalacji i konfiguracji środowiska do testowania aplikacji iOS:

1. Instalujemy Xcode, do pobrania z Appstore. Dzięki iOS Simulator będącego częścią Xcode będziemy mogli stworzyć wirtualny telefon na którym uruchomimy i przetestujemy aplikację. W przypadku systemu iOS będziemy potrzebowali pliku .app.

Aby aplikacja, którą chcemy przetestować była dostępna w stworzonym przez nas telefonie musimy ją umieścić w odpowiednim folderze.

Wgrywamy aplikacje – plik z rozszerzeniem .app do folderu w ścieżce:
Biblioteki / Developer / CoreSimulator / Devices / 833164BB-EC1C-40C9-8EAA-DDBEC3E15C34 / data / Containers / Bundle / Application / 774C5791-3D3C-42D6-A3EC-EE1F6D051969 /

Należy kliknąć w przycisk ‘Idź’ z menu górnego:

A następnie nacisnąć i przytrzymać klawisz ‘ALT’ wtedy pojawi się opcja przejścia do Biblioteki w którą klikamy. A następnie umieszczamy plik .app w odpowiednim folderze.

Teraz po uruchomieniu symulatora iOS, aplikacja będzie czekała w telefonie:

III. Debugowanie aplikacji Android

1. Najlepiej umieścić obok siebie okno Android Device Monitor oraz wirtualnego telefonu z uruchomioną aplikacją Android którą testujemy. Dzięki temu, widzimy dokładnie, jaki hit do Google Analytics jest wysyłany przy wykonaniu danej akcji w aplikacji:

2. Obserwując poszczególne hity, możemy sprawdzić, czy informacje wysyłane do Google Analytics są poprawne. Poniżej przykładowy hit zawierający nr konta UA, oraz nazwę danego ekranu ‘Aktualności’:

3. W ramach hitów przekazują się również zdarzenia. Poniżej przykładowy hit, w którym Kategoria i Akcja i Etykieta Zdarzenia przekazane są za pomocą zmiennych: ec, ea i el:

IV. Debugowanie aplikacji iOS

1. Aby zobaczyć szczegółowe informacje, wysyłane w poszczególnych hitach do Google Analytics należy włączyć odbiornik, którego role w przypadku aplikacji iOS spełni plik system.log. Uruchamiamy log symulatora. Należy kliknąć w przycisk ‘Idź’ z menu górnego:

A następnie nacisnąć i przytrzymać klawisz ‘ALT’ wtedy pojawi się opcja przejścia do Biblioteki w którą klikamy.
W Bibliotece wybieramy system.log, który znajduje się na ścieżce Biblioteka / Logs / CoreSimulator / 833164BB-EC1C-40C9-8EAA-DDBEC3E15C34 / system.log

2. Odbiornik jest już gotowy, teraz możemy włączyć aplikację. Uruchamiamy w Xcode iOS Simulator:

Co sprawi, że otworzy się wirtualny telefon z systemem iOS. Ponieważ przenieśliśmy plik z aplikacją do odpowiedniego folderu, będzie ona dostępna i gotowa do testowania.

3. Najlepiej umieścić obok siebie okno system.log oraz wirtualnego telefonu z uruchomioną aplikacją iOS którą testujemy. Dzięki temu, widzimy dokładnie, jaki hit do Google Analytics jest wysyłany przy wykonaniu danej akcji w aplikacji.

4. Obserwując poszczególne hity, możemy sprawdzić, czy informacje wysyłane do Google Analytics są poprawne. Poniżej przykładowy hit zawierający nr konta UA, oraz nazwę danego ekranu ‘Aktualności’:

W ramach hitów przekazują się również zdarzenia. Poniżej przykładowy hit, w którym Kategoria i Akcja i Etykieta Zdarzenia przekazane są za pomocą zmiennych: ec, ea i el:

Podsumowanie

Jak widać testowanie śledzenia poprawności aplikacji Android oraz iOS wymaga pobrania i zainstalowania odpowiednich narzędzi: emulatora telefonu oraz odbiornika, w którym możemy przeglądać informacje wysyłane do Google Analytics, w dwóch wersjach dla Androida oraz dla IOS. Stworzenie odpowiedniego środowiska, to jednak jednorazowy wysiłek, i gdy już jest gotowe sprawdzanie poprawności śledzenia dla aplikacji nie powinno być bardziej kłopotliwe niż dla stron internetowych.

The post Debugowanie aplikacji Android oraz iOS pod kątem śledzenia w Google Analytics first appeared on Conversion.

Specjalnie dla Was przygotowaliśmy zestawienie najważniejszych nowości w Google Analytics, które powinniście wykorzystać w swojej pracy w 2014 roku.

Universal Analytics

Universal Analytics to nowy standard technologiczny usprawniający zbieranie i przetwarzanie danych przez Google Analytics. Jedną z największych różnic w porównaniu do Google Analytics jest zasadnicza zmiana kontekstu gromadzonych danych – w Universal Analytics są to dane dotyczące bezpośrednio użytkowników serwisu, a nie tylko wizyt.


Krótkie wprowadzenie do Universal Analytics przygotowane przez KISSmetrics. W przedstawionej tu części pierwszej omówiono proces zakładania konta i instalacji kodu śledzącego Universal Analytics

Docelowo Google dokona automatycznego uaktualnienia wszystkich kont Google Analytics do standardu UA, ale nic nie stoi na przeszkodzie, żeby przygodę z Universal Analytics rozpocząć już teraz! Użytkownik Google Analytics ma do wyboru dwie drogi: albo instalację dodatkowego kodu śledzącego Universal Analytics obok już działającego kodu Google Analytics, albo uaktualnienie istniejącej usługi Google Analytics. Wybierając drugą możliwość, należy mieć na uwadze fakt, że Universal Analytics nie obsługuje jeszcze funkcjonalności dostarczanych przez skrypt dc.js – czyli remarketingu, raportów zainteresowań i danych demograficznych oraz raportów wyświetleń w sieci reklamowej Google. Jeżeli obecnie z nich korzystasz, zainstaluj kod Universal Analytics obok istniejącego kodu Google Analytics i korzystaj z bogactwa możliwości tej nowej technologii.

Grupowanie treści

Kiedy wydawało się, że przed końcem roku 2013 w światku analityki internetowej nie wydarzy się już nic interesującego, światło dzienne ujrzała jeszcze jedna, bardzo ciekawa i przydatna funkcjonalność – Grupowanie treści.

Jak wskazuje na to nazwa, Grupowanie treści pozwala na stworzenie do 5 własnych zestawów podstron serwisu. Taką możliwość docenią szczególnie ci, którzy prowadzą analizy serwisów o dużej (kilka czy kilkaset tysięcy i więcej) liczbie podstron danego rodzaju takich jak np. karty produktów w sklepie internetowym czy podstrony newsów w serwisie informacyjnym. Dane o pojedynczej stronie nie zawsze bywają specjalnie interesujące, ale już agregat kilku tysięcy podstron jednego rodzaju zawsze dostarczy nam wartościowych danych.


Jeśli jeszcze nie słyszeliście o Grupowaniu treści, ten filmik będzie świetnym wprowadzeniem do tematu.

Utworzone przez nas zgrupowanie treści pojawi się w raportach Google Analytics w postaci kilku wymiarów: Grupa stron (odpowiednik wymiaru Strona), Grupa stron docelowych, Kolejna grupa stron i Poprzednia grupa stron. Nie trzeba dodawać, w jak znakomity sposób ułatwi to analizę ścieżek pokonywanych przez użytkownika w serwisie! A ci z użytkowników, którzy do tej pory do oznaczania różnych grup podstron i sekcji serwisu wykorzystywali zmienne niestandardowe, dzięki wykorzystaniu grupowania treści będą mogli „oszczędzić” zmienne niestandardowe – mamy ich do dyspozycji tylko 5.

Ulepszone segmenty zaawansowane

Trudno o dobrą analizę bez odpowiedniej segmentacji danych. Tworzenie i zarządzanie segmentami w Google Analytics jest od jesieni 2013 roku jeszcze prostsze i bardziej przejrzyste. Co więcej – nowe segmenty zaawansowane zostały wzbogacone o kilka nowych, bardzo przydatnych opcji, takich jak: segmentacja użytkowników (obok dotychczasowej segmentacji wizyt), tworzenie filtrów sekwencyjnych oraz kohort. Jeśli dodamy do tego możliwość segmentacji z wykorzystaniem danych demograficznych lub najnowszej z nowości – grupowania treści, segmenty zaawansowane Google stają się narzędziem analitycznym jeszcze potężniejszym niż dotychczas.

Filtry sekwencyjne pozwalają na stworzenie segmentów odpowiadających np. ścieżkom użytkownika w serwisie.

Google Analytics na żywo

Czy kiedykolwiek wykorzystywaliście Google Analytics na żywo? Jeśli nie, stanowczo powinniście zacząć! Jest to jedyny zestaw raportów, prezentujący dane z dokładnością do minuty lub sekundy (w ramach określonego okna czasowego) i odświeżający dane praktycznie w czasie rzeczywistym. Umożliwia to nie tylko błyskawiczną weryfikację prawidłowości oskryptowania serwisu czy otagowania kampanii zewnętrznych, ale także (np. na stronach informacyjnych) sprawdzanie na bieżąco popularności właśnie opublikowanego artykułu, a nawet reklamy wyemitowanej w radiu czy telewizji!

W ciągu ostatniego roku funkcjonalność Google Analytics na żywo została wzbogacona o kilka nowości, dzięki którym stała się narzędziem jeszcze bardziej przydatnym niż do tej pory. Przede wszystkim, na żywo prezentowane są teraz również zdarzenia i konwersje – jest to nieoceniona pomoc podczas wdrażania śledzenia zdarzeń i konfiguracji celów – informacje o tym, czy dane prawidłowo się zbierają, mamy praktycznie od ręki! Kolejną, nie mniej użyteczną nowością, są widżety na żywo, wzbogacające panele informacyjne (dashboardy) Google Analytics o dane uaktualniane w czasie rzeczywistym.

Podgląd zdarzeń w czasie rzeczywistym znakomicie przyspieszy każde wdrożenie śledzenia zdarzeń Google Analytics – teraz nie musisz czekać przez co najmniej kilka godzin na pojawienie się danych w raportach!

Śledzenie aplikacji mobilnych

Śledzenie aplikacji mobilnych za pomocą Google Analytics jest dziś funkcjonalnością dużo bardziej dojrzałą niż jeszcze przed rokiem – nie tylko dzięki nowej, gruntownie przebudowanej platformie SDK, ale przede wszystkim dzięki możliwościom, jakie stwarza wykorzystanie Google Tag Managera.

Google Tag Manager dla aplikacji mobilnych jest “nowym rozdaniem” nie tylko, jeśli chodzi o wdrażanie narzędzi analitycznych w aplikacjach mobilnych – stwarza on nowe możliwości również na polu samego tworzenia i utrzymania aplikacji mobilnych. Wystarczy powiedzieć, że dzięki Google Tag Manager publikacja nowej wersji aplikacji mobilnej nie będzie wymagać od użytkownika końcowego pobrania i instalacji nowej wersji aplikacji – proces ten odbędzie się to w tle, niebywale zwiększając elastyczność procesu tworzenia i utrzymania aplikacji.

Jeżeli aplikacje mobilne są istotną częścią Twojej internetowej działalności, a do śledzenia wykorzystania aplikacji wykorzystujesz Google Analytics – nie możesz nie docenić integracji Google Analytics z danymi z Google Play. Wystarczy, że połączysz usługę Google Analytics dla aplikacji z kontem tej aplikacji w Google Play, a uzyskasz całkiem nową perspektywę na proces promocji Twojej aplikacji w internecie – dowiesz się, które źródła ruchu dostarczają nowych instalacji i użytkowników, czy i w jaki sposób użytkownicy wchodzą w interakcję ze stroną Twojej aplikacji w Google Play (i czy kończy się to instalacją), a także – w jakim stopniu użytkownicy korzystają z aplikacji po jej zainstalowaniu.

Integracja Google Analytics i danych z Google Play umożliwia przedstawienie w jednym raporcie informacji np. o tym, które źródła kierują najwięcej ruchu do sklepu z aplikacjami, a które są najskuteczniejsze jeśli chodzi o dostarczanie nowych instalacji naszej aplikacji.

Modelowanie atrybucji

Funkcjonalność modelowania atrybucji, pierwotnie dostępna wyłącznie dla użytkowników płatnej wersji Google Analytics Premium, od czerwca 2013 roku została udostępniona także w wersji bezpłatnej. Modelowanie atrybucji pozwala na analizę naszej strategii marketingowej dzięki zbadaniu, które kanały marketingowe skuteczniej inicjują proces konwersji, a które są skuteczniejsze w finalizacji tego procesu. Ponadto mamy możliwość porównania tej skuteczności w perspektywie kilku predefiniowanych modeli atrybucji a także modeli samodzielnie przez nas stworzonych. W oparciu o wyniki takiej analizy możemy następnie stopniowo optymalizować naszą strategię marketingową (podział budżetu, komunikację) pod kątem zwiększania jej rentowności.

Jakość i dokładność modelowania atrybucji zależy oczywiście od tego, jakie dane wejściowe dostarczymy do naszego modelu – oprócz danych o ruchu i konwersjach kluczowe będzie podanie danych o kosztach dla poszczególnych kanałów marketingowych. Dlatego też przed rozpoczęciem analizy z wykorzystaniem modelowania atrybucji koniecznie dostarczmy do Google Analytics dane o kosztach AdWords oraz możliwie dużo danych o kosztach dla pozostałych kanałów marketingowych. Bardzo szczegółowy opis i przykłady wykorzystania modelowania atrybucji przedstawił jak zwykle niezawodny Avinash Kaushik na swoim blogu.

Przedstawiliśmy najważniejsze naszych zdaniem nowości w Google Analytics. Jeżeli jeszcze nie mieliście okazji się z nimi zapoznać – zachęcamy do poznania oferowanych przez nie możliwości, a przede wszystkim – do wykorzystania ich w Waszych projektach!

The post Nowości w Google Analytics, które powinieneś wykorzystać w 2014 roku first appeared on Conversion.