Co znajdziesz w tym artykule?
Jak analizować kampanie displayowe?
Struktura DoubleClick Manager
Czy użytkownik na pewno widział reklamę?
Czy reklama jest w dobrym miejscu?
Nowe standardy i praktyki poprawy widoczności reklam (viewability) w 2026
Podsumowanie

Jak analizować kampanie displayowe?

Poprawne zbieranie danych jest podstawą skutecznych działań w zakresie analityki internetowej. Odpowiednie otagowanie kampanii displayowych pokaże nam, którzy użytkownicy kliknęli w baner przed wejściem na naszą stronę.

Reklama display, oprócz bezpośredniego generowania ruchu, pełni jednak również inną bardzo ważną rolę. Reklamy graficzne budują wizerunek i świadomość marki lub produktu. Jak pokazują przeprowadzane przez nas analizy ścieżek wielokanałowych medium display jest bardzo często pierwszym krokiem prowadzącym do konwersji.

Wszyscy wiemy jak analizować kampanie i ich efektywność w Google Analytics. Wiemy, które wizyty prowadzą do konwersji i które źródła ruchu oraz kampanie przynoszą nam największe efekty. Jeżeli jednak intensywnie korzystamy z reklamy displayowej umyka nam bardzo duża część informacji, ponieważ nie optymalizujemy tego jak wyświetlają się nasze reklamy.

Dlatego też analizując kampanie displayowe powinniśmy również mieć możliwość odpowiedzi na pytania:

Czy użytkownik faktycznie zobaczył moja reklamę?

Czy może baner wyświetlił się w dolnej części strony do której użytkownik nie zescrollował, jak np. tutaj, na samym dole strony Onet.pl

Czy moje reklamy wyświetlają się w odpowiednim miejscu?

Chyba, żaden producent samochodów nie chciałby, żeby jego reklama wyświetlała się na stronie Fatal Car Accidents.

Rozwiązanie

W tym poście omówię dwie z funkcjonalności narzędzia DoubleClick Campaign Manager (DCM), wchodzącego w skład platformy DoubleClick Digital Marketing (DDM).

Dzięki zastosowaniu narzędzia będziemy mogli sprawdzić czy użytkownik faktycznie zobaczył naszą reklamę (funkcjonalność Active View) oraz czy reklamy wyświetlają się tam gdzie powinny (funkcjonalność Content Verification).

W skład platformy DoubleClick Digital Marketing, wchodzą również inne narzędzia umożliwiające zarządzaniem kampaniami reklamowymi jak np. DoubleClick Bid Manager (DBM), DoubleClick Search (DS.), DoubleClick AdExchange czy DoubleClick Rich Media.

W tym poście omówię dwie funkcjonalności DoubleClick Manager, które pozwalają zweryfikować efektywność, poszczególnych kampanii reklamowych.

Struktura DoubleClick Manager

DoubleClick Manager pozwala na zarządzanie kampaniami displayowymi w Internecie. W ramach Konta tworzymy Reklamodawcę. Dla Reklamodawcy tworzymy Kampanię, w ramach której tworzymy Reklamy oraz Kreacje. Część platformy DDM Raportowanie pozwala przeglądać dane o reklamach traffickowych w DoubleClick Manager.

W części Raportowanie znajduje się karta Weryfikacja, dzięki której możemy przeanalizować poprawność emitowanych kampanii reklamowych. Dwie funkcjonalności, które pomogą nam odpowiedzieć na pytania zaprezentowane we wstępie to Active View oraz Content.

Czy użytkownik na pewno widział reklamę?

Dzięki funkcjonalności Active View, sprawdzimy jaka część reklam display (raportowanych jako wyświetlone) była faktycznie widziana przez użytkowników.

Narzędzie uzna reklamę jako widoczną jeśli co najmniej 50% reklamy było widoczne w części strony widzianej przez użytkownika, przez co najmniej 1 sekundę.

Dzięki temu możemy zidentyfikować i wyeliminować reklamy umieszczane w miejscach, do których większość użytkowników nie dociera i tym samym nie widzi naszych kreacji.

Jeśli rozliczamy się z wydawcami w modelu CPM (koszt za tysiąc wyświetleń), płacąc za każde wyświetlenie to warto, żeby użytkownicy faktycznie mogli zobaczyć umieszczone przez nas reklamy, dzięki czemu zwiększymy efektywność i skuteczności kampanii display.

Czy reklama jest w dobrym miejscu?

Za pomocą funkcjonalności Content Verification, DoubleClick Manager monitoruje zawartość strony internetowej, na której reklama została wyemitowana. Dzięki temu możemy upewnić się, że reklamy nie są wyświetlane na stronach z nieodpowiednimi treściami, jak hazard, przemoc czy treści dla dorosłych.

Istnieją standardowe klasyfikatory (już skonfigurowane w ramach narzędzia), za pomocą których można weryfikować strony na których pojawiły się nasze reklamy, oraz niestandardowe, które możemy sami skonfigurować i dostosować je do swoich potrzeb. Standardowe klasyfikatory oznaczają m.in. następujące tematy: pornografia, wulgaryzmy, alkohol, tytoń, narkotyki, broń, hazard, przemoc, polityka, religia, wypadki transportowe, wymiana plików, tragedia czy hacking.

Klasyfikatory niestandardowe są przydatne, jeśli chcemy wyszczególnić inną kategorię, przy której nie chcemy emitować naszych reklam. Przykładowo producent samochodów może stworzyć klasyfikator „awarie w samochodach”, aby uniknąć pokazywania reklam samochodów przy tego typu artykułach, czy też klasyfikator, który monitoruje, czy reklamy są wyświetlane na stronach, w których wspomniano konkurenta lub prezentująca daną markę w negatywnym świetle.

Można utworzyć dowolną liczbę niestandardowych klasyfikatorów, a następnie zastosować je do całego konta lub do poszczególnych kampanii.

Dzięki możliwości weryfikacji unikniemy sytuacji, że nasza reklama będzie się wyświetlała w nieodpowiednim miejscu jak w przykładzie (trochę przerysowanym ) poniżej:

Nowe standardy i praktyki poprawy widoczności reklam (viewability) w 2026

W 2026 roku viewability nadal pozostaje kluczowym wskaźnikiem dla efektywności kampanii display i video, ale samo spełnienie minimum (50% pikseli widocznych przez 1 sekundę) to często za mało, by realnie ocenić wpływ reklamy na odbiorcę. Średnia widoczność reklam display wynosi ok. 65 %, a wyższe wskaźniki silnie korelują z lepszym rozpoznawaniem marki i skuteczniejszymi konwersjami, szczególnie w kampaniach programatycznych. Dobre praktyki obejmują strategiczne umieszczanie kreacji, optymalizację pod kątem urządzeń mobilnych oraz współpracę z wydawcami, którzy osiągają wyższe standardy viewability – to nie tylko spełnia branżowe normy, ale realnie podnosi efektywność kampanii.

Metody poprawy viewability i zaangażowania użytkownika w kampaniach display

Aby poprawić wskaźnik viewability i zaangażowanie użytkowników, reklamodawcy coraz częściej sięgają po technologie i formaty, które wydłużają czas „in view” oraz aktywizują uwagę. Do skutecznych rozwiązań należą reklamy interaktywne, większe formaty natywne i rewarded ads w aplikacjach, które użytkownicy oglądają dobrowolnie w zamian za bonusy, co przekłada się na wyższe zaangażowanie i viewability.

Równolegle narzędzia analityczne mierzące „time in view” oraz głębokość interakcji (engagement depth) pomagają zrozumieć nie tylko czy reklama była widoczna, ale jak długo przyciągała uwagę odbiorców – a to kluczowe w optymalizacji kampanii pod kątem realnych rezultatów.

Podsumowanie

Jak już ponad 100 lat temu zauważyli pionierzy reklamy Jonhn Wanamaker oraz Lord Leverhulme: „Połowa środków jakie wydaje się na reklamę zostaje zmarnowana. Problem w tym, że nigdy nie wiadomo, która to połowa”.

Dzięki funkcjonalnościom DoubleClick Campaign Managera można przynajmniej częściowo zniwelować te straty, szczegółowo badając czy użytkownik widział reklamę za którą płacimy oraz czy wyświetlają się tam gdzie powinny. Przy wydatkach na reklamę display w wysokości ponad 1 mld zł rocznie, eliminacja naszych banerów z miejsc gdzie większość użytkowników nie będzie miała okazji ich zobaczyć oraz ze stron, treści których mogą przynieść naszej marce więcej szkód niż pożytku, przyniesie znaczące oszczędności.

Jest to pierwszy artykuł z serii w którym przedstawiłem dwie z wielu funkcjonalności DoubleClick Manager. Wkrótce pojawią się kolejne, które pokażą jak analitycy mogą wykorzystać to narzędzie do analizy kampanii.

The post DoubleClick 101: Czy użytkownicy widzieli reklamę, za którą płacisz? first appeared on Conversion.

O ile jednak zasadność stosowania technik segmentacji podczas przeglądania raportów Google Analytics jest powszechnie uznawana, o tyle ustabilizowane podejście do segmentacji (które oczywiście powinno być dopasowane do potrzeb konkretniej firmy) jest stosunkowo rzadko spotykane.

Co znajdziesz w tym artykule?
Co to znaczy podejście do segmentacji?
W jaki sposób wypracować podejście do segmentacji w 4 krokach?
Segmentacja klientów w erze sztucznej inteligencji – jak AI zmienia podejście do analizy danych?

Co to znaczy podejście do segmentacji?

Spójrzmy chociażby na liczbę wymiarów i metryk, dostępnych w ramach Google Analytics – które z nich powinny stanowić podstawowe kryteria dzielenia ruchu? A zastosowanie segmentacji? Najczęściej spotykamy punktowe wykorzystanie segmentacji – przy okazji patrzenia na zgromadzone dane, wykorzystujemy mechanizmy drążenia w dół i segmenty zaawansowane w celu lepszego zgłębienia tematu i wyciągnięcia wniosków. Segmentacja, która jest stosowana w taki sposób zazwyczaj nie ma charakteru uniwersalnego i nie decyduje o ogóle działań online – znajduje się na poziomie operacji i stanowi jedno z wielu narzędzi analityka.

Tymczasem, segmentacja powinna stanowić oś pracy z danymi.

Ten problem można spokojnie określić jako typowy dla branży online. Analityka internetowa zaczyna się i kończy na instalacji narzędzi i rozpoczęciu gromadzenia danych.

Guru analityki internetowej, Avinash Kaushik, przy każdej możliwej okazji powtarza, że 90% sukcesu w pracy z danymi to procesy i ludzie, a tylko 10% to narzędzia. Brak ustabilizowanego podejścia do segmentacji to brak jednego z najważniejszych procesów.
Źródło: http://www.speakers.ca/

W jaki sposób wypracować podejście do segmentacji w 4 krokach?

Krok 1.

W pierwszej kolejności, należy zebrać w jednym miejscu wszystkie osoby, które będą wykorzystywały docelową segmentację i zorganizować burzę mózgów, która ma na celu zdefiniowanie kryteriów segmentacji. Firmy posiadają zazwyczaj segmentację offline, którą wykorzystują do definiowania grupy docelowej lub segregowania klientów – na pewno warto potraktować ją jako punkt wyjścia. W dalszej kolejności, można posiłkować się wiedzą na temat branży lub uznanymi praktykami w obszarze online (np. listą i grupowaniem wymiarów w Google Analytics).

Krok 2.

Posiadając listę kryteriów segmentacji, należy przeprowadzić operacjonalizację oraz klasyfikację poszczególnych warunków.

Operacjonalizacja to podanie dla danego kryterium technicznej definicji. W odniesieniu do Google Analytics, operacjonalizacja sprowadza się do przypisania każdemu kryterium z listy wymiarów lub metryk oraz – ewentualnie – zdefiniowaniu wartości progowych. Przykładowo, jeżeli podczas burzy mózgów zapisane zostało kryterium „poziom zaangażowania użytkownika”, to w trakcie operacjonalizacji dobrana zostanie metryka średni czas trwania sesji i ustalone zostaną wartości progowe (np. 0s, 1-10s, 11s+). Operacjonalizacja powinna wskazać, które kryteria segmentacji będą mogły zostać obsłużone z wykorzystaniem aktualnej instalacji Google Analytics, a które będę wymagały rozbudowy śledzenia.

Aby wyjaśnić pojęcie klasyfikacji, należy wrócić do sposobu gromadzenia danych przez Google Analytics i inne podobne narzędzia. Mianowicie, te aplikacje rejestrują interakcje (np. odsłona strony) oraz odwiedziny (czyli ciągi interakcji) plus potrafią grupować odwiedziny (dzięki technologii ciasteczek) i spinać je pod pojęciem użytkownika. Każdy wymiar i każda metryka, dostępne w ramach Google Analytics, jest przypisana albo do konkretnej interakcji (np. średni czas na stronie) albo do całej odwiedziny (np. średni czas trwania sesji) albo do użytkownika (np. przeglądarka). Poszczególnych poziomów wymiarów i metryk nie należy łączyć – technicznie to jest wykonalne, ale w praktyce prowadzi do niewłaściwych wniosków.

Patrząc na listę kryteriów segmentacji, część kryteriów będzie odnosiła się do pojedynczej odwiedziny (np. wspomniany „poziom zaangażowania użytkownika”, który może być różny w ramach kolejnych odwiedzin tego samego użytkownika), a część – do grupy odwiedzin, tj. do użytkownika (np. „przeglądarka użytkownika”, która pozostaje stała w ramach kolejnych odwiedzin tego samego użytkownika). Klasyfikacja to przypisanie danego kryterium do jednej z tych grup. Bardzo rzadko (o ile w ogóle) wynotowane kryteria będą odnosiły się do pojedynczej interakcji.

Krok 3.

Zoperacjonalizowana i sklasyfikowana lista kryteriów segmentacji powinna zostać zweryfikowana – najpierw jakościowo (które kryteria rzeczywiście mają sens i powinny zostać wykorzystane?) a następnie ilościowo, z wykorzystaniem prawdziwych danych, w odpowiednio długim (1 rok lub więcej) okresie czasu. Weryfikacja ma dwa cele.

Po pierwsze, liczba kryteriów segmentacji, aby ta mogła być z powodzeniem wykorzystywana, nie powinna przekroczyć 5-7 warunków. Stąd, bardzo ważne jest pozostawienie tylko najbardziej istotnych kryteriów.

Po drugie, segmenty (przecięcia kryteriów segmentacji) powstałe przy wykorzystaniu tych najbardziej istotnych warunków powinny być heterogenicznie (zróżnicowane) względem najbardziej kluczowego wskaźnika wydajności (najczęściej: współczynnika konwersji lub średniej wartości zamówienia).

Krok 4.

Pozytywne zweryfikowanie listy kryteriów segmentacji tworzy prototyp segmentacji i daje zielone światło do zdefiniowania poszczególnych segmentów oraz opracowania narzędzi segmentacji (najczęściej w formie dedykowanych definicji segmentów zaawansowanych odpowiadających przecięciom kryteriów segmentacji).

Opracowanie narzędzi segmentacji oraz upowszechnienie tych narzędzi w ramach organizacji wieńczą proces opracowywania całej segmentacji, która w obiegu powszechnym określana jest jako segmentacja dwupoziomowa i która wypromowana została przez zespół Semphonic.

Zdefiniowana w ten sposób segmentacja może następnie posłużyć, wespół z ustalonymi kluczowymi wskaźnikami sukcesu, do przygotowania systemu raportowania oraz usprawnienia procesów analityki internetowej, pozwalając na pełne wykorzystanie danych (np. analiza i optymalizowanie media mix, rozwój i optymalizacja witryny). Segmentacja stanowi również dobre podłoże dla opartych o dane person.

Segmentacja klientów w erze sztucznej inteligencji – jak AI zmienia podejście do analizy danych

Nowoczesne narzędzia oparte na sztucznej inteligencji pozwalają tworzyć segmenty klientów dynamicznie – w oparciu o zachowania w czasie rzeczywistym, a nie tylko dane historyczne. Algorytmy machine learning wykrywają wzorce niedostrzegalne dla człowieka, co umożliwia bardziej precyzyjne prognozy potrzeb i dopasowanie komunikacji marketingowej.

Predykcyjna segmentacja z wykorzystaniem machine learning – praktyczne przykłady zastosowań

Teraz kolej na Was – w jaki sposób podchodzicie do segmentacji?

The post Segmentacja to nie tylko segmenty zaawansowane. O właściwym podejściu do segmentacji w 4 krokach first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Droga Kamila Zawiślaka do analityki i CRO
Pierwsze kroki i inspiracje do pracy z danymi
Budowanie kultury CRO i testów A/B w organizacji
Framework efektywnego procesu optymalizacji konwersji
Najważniejsze praktyczne rady dla wdrożenia CRO
Zaskakujące przypadki testów A/B z praktyki
Podejście data-driven vs. data-informed
Podsumowanie: Najważniejsze wnioski z rozmowy

Droga Kamila Zawiślaka do analityki i CRO

Mariusz Michalczuk: Witam w kolejnym odcinku Date with Data Talks. Zanim przedstawię mojego gościa, zachęcam Cię do subskrypcji naszego kanału, aby nie ominęły Cię kolejne odcinki z ciekawymi gośćmi, którzy są specjalistami i zarządzają zespołami wykorzystania danych online w firmach w Polsce i za granicą. Moim gościem dzisiaj jest Kamil Zawiślak. Cześć Kamilu, dzięki, że przyjąłeś zaproszenie do naszego podcastu. Przedstaw się, powiedz kilka słów o sobie.

Kamil Zawiślak: Cześć Mariuszu, również dzięki za zaproszenie. Analityką internetową zajmuję się od przeszło siedmiu lat. Od ostatnich kilku lat, jakichś trzech-czterech, bardzo mocno jestem skupiony na temacie CRO i testów AB. Miałem okazję prowadzić zespół, który był na tym skupiony w ostatnim czasie i testy AB to dzisiaj mój główny temat.

Mariusz Michalczuk: Mówisz, że jesteś od tych kilku lat w temacie danych online. Jak ta twoja ścieżka wyglądała? Jak to się stało, że w ogóle zacząłeś w e-commerce, w online? I tu, gdzie teraz jesteś, czy jesteś odpowiedzialny za wykorzystanie tych danych? Bo chyba nie ma dzisiaj lepszej formy od aktywacji danych online niż procesy optymalizacji współczynnika konwersji. Jak to się po kolei działo? Czy to planowałeś? Czy to wyszło jakoś po drodze?

Kamil Zawiślak: Pewnie. Start w branży marketingu internetowego zacząłem jakieś 10 lat temu w agencji interaktywnej. Tam zacząłem być specjalistą od Google Ads i SEO. Pracowałem tam niespełna 5 lat. Pod koniec zauważyłem potencjał drzemiący w Google Analyticsie i w danych, które zbieraliśmy u klientów, ale nie było nikogo, kto by się tymi danymi zaopiekował i zrobił z nich użytek. Mam też krótki background UX-owy. Stwierdziłem, że fajnie byłoby zasilać dział UX-owy w te dane, żeby robić z nich użytek i wykorzystywać je na korzyść klientów i użytkowników serwisu. Mocno skupiłem się wówczas na Analyticsie, na insightowaniu, wyciąganiu wniosków i to był taki pierwszy początek większej przygody z danymi, która trwa do dzisiaj.

Później miałem okazję pracować przez ostatnie pięć lat w wakacje.pl, gdzie zacząłem pracę jako specjalista marketingu, a z czasem zająłem się właśnie analityką i po kilku latach udało się zbudować zespół skupiony tylko wokół analityki internetowej. Czyli, to mamy wtedy te 10 lat.

Mariusz Michalczuk: Szybko minęło. Czyli to taka ścieżka jest od tego, że faktycznie zaczęły się robić rzeczy związane z marketingiem online. Czy pamiętasz z tych czasów jakiś konkretny moment? No bo tak, ADS i SEO, ja to już wspominałem na tym kanale, że analityka, przynajmniej dane, na początku była domeną SEM-owców i SEO-owców. A czy jesteś w stanie przypomnieć sobie taki moment, że rzeczywiście te dane jakoś tak Ci turbo pomogły? Albo coś było dla Ciebie takie wow, bo ten UX rozumiem, że pojawił się później, po ADSach i SEO? Jak to wyglądało?

Kamil Zawiślak: Trochę w międzyczasie. Sama psychologia sprzedaży czy percepcja użytkowników, różne bajasy z tym związane zawsze były mi bliskie. W Google Ads jest dużo analizy danych: kliknięcia, współczynniki, miary, KPI. Moment, w którym najwięcej się zmieniło, to fakt, że same Google Adsy, kliknięcia i konwersje z tych reklam to było trochę za mało. Zacząłem widzieć potencjał w tym, jak wyglądają dane w Analyticsie. Pamiętam współczynnik odrzuceń i mniej trafne strony, mniej relewantne do nagłówków reklam. To był taki początek zagłębiania się w dane w Google Analyticsie.

Budowanie kultury CRO i testów A/B w organizacji

Mariusz Michalczuk: Czyli te dane były potrzebne, żeby poprawiać kampanie. Jedna strona to to, co poprawiamy off-site, żeby użytkownicy klikali w reklamy i zainteresowali się firmą. Później, jak trafią do serwisu, większą rolę odgrywał UX i stworzenie zespołu od CRO. Przeszedłeś tę drogę od pozyskiwania ruchu do optymalizacji tego ruchu. Co dla Ciebie było takim efektywnym, albo co uważasz za efektywny proces tej optymalizacji współczynnika konwersji? Mam wrażenie, że z tym CRO na rynku jest trochę tak, że wszyscy o tym mówią, a mało kto w praktyce robi, a tutaj nie mógłbym lepszej osoby wymarzyć do kanału – osoby, która rzeczywiście tworzyła te procesy i zespół, który w praktyce się tym zajmował.

Kamil Zawiślak: W perspektywie czasu pamiętam, jak kiedyś nie było na rynku zbyt wielu ogłoszeń na analityka internetowego. To były początki, gdzie analityka się rozwijała i wiele firm nie wiedziało wtedy, że potrzebuje analityka internetowego w zespole. To był taki pierwszy kamień milowy. Później podobnie było z testami A/B. W większości firm, z którymi współpracowałem, niestety do dzisiaj wygląda to często tak, że mamy pomysł i go wdrażamy. Excel często przyjmie wiele, więc post factum da się wyjaśnić sporo tych wdrożeń, ale w samych testach A/B nie chodzi o to, żeby podnosić metryki. To może trochę przewrotne, ale testy A/B są potrzebne, żebyśmy wiedzieli, czy idziemy w dobrym kierunku, czy mamy rację w swoich pomysłach, które chcemy wdrażać na serwisie.

Tworzenie tych procesów było bardzo trudne. Mamy zespół różnych specjalistów, którzy świetnie znają się na swojej robocie. Ale kiedy tworzymy osoby odpowiedzialne za optymalizację współczynnika konwersji czy testy A/B, to jest taka osoba, która na początku mówi „sprawdzam”. Te początki są trudne, bo jesteśmy osobą, która musi powiedzieć tym wszystkim ekspertom i product ownerom, że od dzisiaj będziemy walidować wdrożenia w nieco inny sposób. Na przestrzeni czasu to jest wyzwaniem, żeby tę kulturę zmienić, wprowadzać ją w firmie i starać się, żeby była głównym sposobem wdrażania. Wiele firm nie jest na to gotowych, bo wiąże się to z dużymi nakładami na narzędzia i na ekspertów. Same narzędzia, w zależności od skali ruchu serwisu, potrafią bardzo dużo kosztować licencyjnie, a wytworzenie i utrzymanie takiego narzędzia jest jeszcze większym wyzwaniem. Poza mechanizmem losującym musimy te dane później walidować i wizualizować. Skupienie się na kulturze testów A/B jest najtrudniejsze i taka osoba ma nielada wyzwanie, żeby przekonać innych w firmie, że nie chodzi o sprawdzanie każdego ich ruchu, tylko o odpowiedź na pytanie, czy to, co wymyśliliśmy, pomaga użytkownikom i w efekcie jesteśmy w stanie zarabiać więcej, bo o to chodzi.

Mariusz Michalczuk: To jest bardzo ciekawe, co mówisz i chyba bardzo prawdziwe. Testy A/B rzeczywiście są takim elementem sprawdzenia. Trochę zastanawiam się, z czego to może wynikać. Nie wiem, czy to jest społecznie u nas w Polsce, taka kultura nieomylności? No bo każdy chciałby swoją pracę wykonywać dobrze, a jak nie sprawdzi, czy robi to dobrze, to trochę to jest w jego głowie. Wydaje mu się, że robi to dobrze. Jak ci się wydaje, jak byłeś takim ewangelistą tej kultury testowania, to z czego to wynikało, że ludzie jednak się trochę temu przeciwstawiali?

Kamil Zawiślak: Lata pracy bez frameworku do testów A/B sprawiają, że podejście, wdrożenie, zmiany są trudne. Każdy chce wykonywać swoją pracę dobrze, ale jednocześnie wdrażać swoje pomysły. Fokus na wdrażanie swoich pomysłów nie pomaga w tym podejściu. Statystyki mówią, że średnio 10-15% testów A/B powodzi się, czyli finalnie mamy poprawę danej miary, którą chcieliśmy poprawić. To pokazuje, że bardzo dużo testów nie potwierdza się w danych. Czyli albo nie do końca mieliśmy rację, stawiając daną hipotezę, albo użytkownicy reagują w zupełnie inny sposób, a nasz pomysł nie do końca rozwiązuje ich problem. W samych testach A/B największym wyzwaniem jest wychodzenie od danych, fokus na użytkownika, na problemy.

Framework efektywnego procesu optymalizacji konwersji

Świetnym sposobem jest priorytetyzacja zebranych pomysłów czy powodów, z których użytkownicy mają problem. Przy priorytetyzacji idziemy od góry. Specjalista zawsze musi pilnować, żeby hipoteza była dobrze postawiona, by dało się ją zwalidować. Idealna hipoteza wychodzi od danych, mamy na to dowody, które mogą wynikać z ankiet, NPS-a, danych ilościowych, jakościowych czy CRM-owych. Mając dowody, stawiamy hipotezę, która ma banalny wzór: zmienimy na stronie X na Y, by wpłynąć na Z, i powinniśmy założyć, o ile procent wpłyniemy na daną metrykę. Większość testów nie jest po myśli inicjatora, ale z tej większości, która się nie powodzi, płynie nauka i nie ma lepszego sposobu w procesie optymalizacji niż robienie testów A/B na większą skalę. Jeżeli większość testów się nie powodzi, to rocznie musimy ich zrobić przynajmniej kilkadziesiąt, żeby efektywnie, trwale poprawić metrykę konwersji.

Niełatwo jest wielu firmom prowadzić tak wiele testów jednocześnie, czy realizować. Przyjęło się, że testy powinny trwać dwa tygodnie, ale to tylko założenie. Cały cykl powinien być zachowany. Często jakiś super pomysł wcale nie poprawia metryki. Wtedy jest masa pracy, bo KPI to jedno. Warto walidować też inne rzeczy. Kiedyś Airbnb robiło test, którym się chwalili. Airbnb nie miało mapki, która jest teraz nieodzownym elementem listingu. Specjaliści z Airbnb wpadli na to, że zrobią taką mapę, nowy listing, ale konwersja się nie poprawiła, bo na Internet Explorerze konwersja poleciała na łeb na szyję, bo mapa nie była kompatybilna z tą przeglądarką. Na wszystkich innych było in plus. Finalnie mieliśmy poprawę, ale była przykryta danymi z Internet Explorera. Diabeł tkwi w szczegółach i trzeba dane głębiej eksplorować. Hipotezy mogły się nie powieść też z powodu problemów z funkcjonalnością, które wychodzą, a normalnie byśmy tego nie zauważyli.

Mariusz Michalczuk: Chociaż Internet Explorer swego czasu był na tyle popularny. Pamiętam, jak zaczynaliśmy w latach 2010-2015, jak widzieliśmy Internet Explorera, to zwłaszcza w serwisach, gdzie dużo administracji korzystało z rzeczy państwowych. Cieszę się, że wspomniałeś o tym elemencie, że testy A/B są narzędziem do sprawdzania efektywności zmian. Ja podzielę się doświadczeniem: w toku projektów optymalizacji współczynnika konwersji, które teraz nazywamy optymalizacją doświadczeń użytkownika, na początku wdrażaliśmy czy testowaliśmy rzeczy, które były w naszej głowie, w heurystykach, dobrych praktykach. Mieliśmy taką księgę zmian, które zazwyczaj działały, ale do pewnego momentu. W pewnym momencie, tak jak mówiłeś o priorytetyzacji, dodaliśmy jedną kolumnę do scoringu, która oznaczała, czy rekomendacja płynie z dobrych praktyk, czy bezpośrednio z danych. Im bliżej danych ilościowych, tym miała większą wagę, bo dane ilościowe potwierdzały problem w większym stopniu. Wiadomo, badanie użyteczności to max 10 osób, a dane ilościowe to często setki tysięcy potwierdzające, że jakiś element nie działa. W przypadku Internet Explorera, to powinien być element Quality Assurance, ale często jest tak, że „u mnie działa”, a później w danych wynika, że coś przestaje działać.

Kamil Zawiślak: Jak najbardziej. A propos „u mnie działa”, dużo narzędzi do testów A/B ma mechanizm feature flaggingu. To jedna z dobrych praktyk a propos wypuszczania zmian na produkcję. Wiele firm zmiany oczywiście testuje, ale później trafia to na produkcję od razu na 100%. Często, jeżeli coś nie działa, gasimy światło oby tylko na chwilkę, ale czasami to trwa i kilka godzin. Awaria na serwisie spowodowana błahymi rzeczami potrafi trwać bardzo długo. Warto ten sposób na testowanie połączyć z takim podejściem, żeby nie wychodzić ze zmianami na 100%. Spotkałem się z rozwiązaniami, gdzie tak jest, ale jest sporo miejsc, gdzie nadal zmiany są wdrażane na 100%. To jest ciekawe i warte rozważenia.

A propos priorytetyzacji, o której wspomniałeś, jest ona szalenie istotna. Wyobraźmy sobie serwis z milionami użytkowników i konwersją 3-5%. W każdym teście A/B powinniśmy używać kalkulatora, który powie nam, jak duży ruch jest potrzebny, żeby stwierdzić istotność statystyczną. Sytuacje, kiedy mamy kilka zespołów produktowych, każdy z masą pomysłów, a ruch na serwisie nie jest z gumy, więc nie możemy odpalić Bóg wie ile testów. Musimy pamiętać, że część testów nie może działać jednocześnie z innym, np. kilka zmian na prezentacji oferty czy listingu. Przy kilku zespołach produktowych, framework z bazą, repozytorium i sensowną priorytetyzacją, popartą danymi ilościowymi, jakościowymi, a nie heurystykami, jest bardzo ważna. Często spotykałem się z tym, że ktoś miał super pomysł na test A/B i uważał, że zadziała, ale nie było przestrzeni w danym momencie, żeby to przeprowadzić i sprawdzić. Sposobów na priorytetyzację jest kilka. Można opierać się na frameworku ICE (ważność, łatwość wdrożenia), ale są one trudne. Idealnie, jeżeli w zespole mamy kompetencje i jesteśmy w stanie z deweloperem ocenić koszt wdrożenia. Wówczas mówimy o pełnym zakresie priorytetów. Najgorzej jest, jeżeli biznes sam ocenia łatwość wdrożenia, nie wiedząc, ile to potrwa.

Mariusz Michalczuk: Trochę za późno wtedy na priorytetyzację.

Najważniejsze praktyczne rady dla wdrożenia CRO

Mariusz Michalczuk: Zanotowałem sobie dwie rzeczy z dobrych praktyk: Quality Assurance i priorytetyzacja. Co jeszcze byś dodał do efektywnego procesu CRO? Jakieś wskazówki dla osób, które chciałyby odpalić ten proces, albo które już to robią, ale niekoniecznie im wychodzi.

Kamil Zawiślak: Zdecydowanie wprowadziłbym zasadę: nie patrzymy na konkurencję. To zasada, która ma duże poparcie w tym, co teraz powiem. Nie wiemy, czy konkurencja dany element ma dobrze zoptymalizowany, czy on działa w ogóle. Co gorsza, czy tam nie jest prowadzony jakiś test A/B. Skupimy się, skopiujemy, czyli poniesiemy koszt, a skopiujemy rozwiązanie, bo niestety nadal kopiujemy, często projektując interfejsy, rozwiązanie, które finalnie nie wejdzie w ogóle na produkcję. Patrzenie na konkurencję jest bardzo niebezpieczne z tego względu, że z jakiegoś powodu ci użytkownicy kupują tam, a nie u nas.

Drugi powód: nie powinniśmy pytać użytkowników, co zmieniliby w serwisie. To uwaga do osób projektujących, ale to też są ludzie, bez których proces CRO nie miałby miejsca. Najgorzej, jeżeli projektant pyta w badaniach czy na prototypowaniu „co, drogi użytkowniku, zmieniłbyś w ramach naszego serwisu?”. Taki użytkownik będzie mówił o zmianach przez pryzmat innych stron, z których korzysta. Mogą być konkurencyjne, ale mogą być zupełnie inne, więc będzie mówił o swoich doświadczeniach i będzie to tylko kilka głosów.

Mariusz Michalczuk: Pewnie się nie będzie różniło tym, co my sami, prawda? Tak jak jest podejmowanie decyzji o zmianach na podstawie jakiegoś swojego doświadczenia versus danych, tak jakbyśmy brali pod uwagę jednego użytkownika, to bierzemy jego, a nie nasze doświadczenie, czyli to praktycznie za dużo się nie różni, nie?

Kamil Zawiślak: Dokładnie. I w tej sytuacji skupiamy się na jakimś rozwiązaniu, nie rozumiejąc tak naprawdę problemów w danej części serwisu. Jeżeli w ten sposób będziemy podchodzić do CRO, to będziemy projektować gorsze rzeczy, w mojej ocenie, które później w testach bardzo często nie wychodzą. To co jeszcze mogę dodać to „testujmy” – to jest kontrowersyjne z punktu widzenia osób, które chcą zrobić coś dużego, dużą zmianę. Czasami nie da się inaczej z powodów technicznych czy infrastrukturalnych, kod jest przestarzały i musimy wprowadzić dużą zmianę. Ale to bardzo często wiąże się ze spadkiem konwersji na początku i odbudową, zaczęciem procesu od zera, bo na nowo musimy zrozumieć użytkowników. Na to często nie ma czasu, bo zaraz trzeba wdrażać nowe projekty, a my mamy masę pytań, dlaczego ta metryka poleciała, a my nie wiemy, bo wprowadzono bardzo dużo zmian na serwisie. Klienci mają swoje przyzwyczajenia i często redesign nawet testowany z użytkownikami to duża zmiana i użytkownicy muszą przyzwyczaić się od nowa. Część nawet odejdzie do konkurencji, bo zmiana może być drastyczna. Testujmy jak najmniejsze zmiany w serwisie, nawet subtelne, copywritingowe mogą poprawiać konwersję.

Nie trzeba od razu przewracać do góry nogami designu czy layoutu. Nawet jeżeli mamy za cel duży redesign, w mojej ocenie najlepszym podejściem jest zaprojektowanie layoutu, ale wdrożenie go w taki sposób, abyśmy mogli elementami podmieniać dzisiejszą stronę i w ten sposób testować i nie przywiązywać się do zaprojektowanego layoutu, bo dane powinny pokazywać, w którym kierunku powinniśmy pójść. Są w Polsce serwisy, które zmiany nawet w layoucie testują na 1% ruchu na konkretnej stronie produktu, bo totalnie nie wiedzą, przy skali użytkowników, co zrobi użytkownik. Warto pamiętać, że cały czas jesteśmy tylko ludźmi, którzy mogą się mylić, więc testy A/B są po to, żeby pomagać, a nie walidować. Jest współczynnik success rate testów i warto go optymalizować poprzez rozwój zespołów produktowych, czyli kompetencji do testów A/B. W ramach tej metryki możemy mówić, że dziś mamy 20% testów, które się powodzą, chcemy to poprawiać. Ale to potrafi być zwodnicze, bo można wtedy oczywiste rzeczy testować i iść w tym kierunku, że success rate mamy super, ale konwersja finalnie nie rośnie, bo skupiamy się nie na tych priorytetach. To jest rada w opozycji do potrzeb dużych firm, gdzie projekty muszą się dziać. Tu mówimy o kulturze testów A/B w firmie, żeby framework testowania był integralną częścią procesu wytworzeniowego. Przykład Amazonu, który w Polsce budzi kontrowersje jako serwis, pokazuje, że to najlepsza droga. Sam serwis Amazonu, jest taki timelaps na YouTubie, który pokazuje, jak zmieniał się na przestrzeni dziesięciu, może dwudziestu lat. Widać, że część rzeczy wycofywano, wracano do starego layoutu w niektórych miejscach i ten serwis nigdy nie przeszedł dużego redesignu, ale zawsze testowane są tam małe zmiany. To super podejście. Warto też wspomnieć o case study firmy Marks & Spencer, która w Wielkiej Brytanii przeprowadziła bardzo duży, kosztowny redesign. Po redesignie straty były ogromne i przyznano się, że proces przeprowadzono źle. To przykład tego, jak można stracić.

Mariusz Michalczuk: Ja też mam podobne doświadczenie. Komentarz do redesignu: nawet jakieś dwa czy trzy tygodnie temu pojawił się u nas odcinek o tym, jak wykorzystać dane do redesignu. Czasami to po prostu decyzja z góry, czasami konieczność ograniczona technologią, zmianą strategii. Jeżeli to nie jest konieczność, jestem fanem podejścia, o którym mówisz. Testujmy mniejsze rzeczy, sprawdzajmy, czy faktycznie działają. Redesigny są kosztowne, opóźniają się, przekraczają budżety. Z mojego doświadczenia, byłem przy kilkunastu redesignach, analizowałem dane. Może jeden, może dwa od razu po wdrożeniu nie miały mniejszego współczynnika konwersji niż wersja poprzednia. Najczęściej to był spadek, który potrafił wracać do poziomu zero przez pół roku. To zależało od grupy użytkowników. Pamiętam, testowaliśmy sklep zoologiczny, gdzie to charakter biznesu, który dokładnie wie, kiedy karma się kończy. Jak wyszedł newsletter przypominający „hej, kończy się karma, zamów nową”, ktoś wchodził, widział zmieniony serwis, był przerażony i wtedy nasza wersja od razu dostawała po performance’ie.

Kamil Zawiślak: Dokładnie tak. Tu fajny element: w ramach różnych testów A/B widziałem rozwiązania, które właśnie z konkretnego źródła ruchu miały dużą poprawę współczynnika, a ogólnie performowały słabiej. Myślę, że warto poza posiadaniem eksperta w firmie od A/B testingu czy CRO, który poza umiejętnościami analitycznymi łączy świat biznesowy i rozumie użytkowników, bo to posada związana z danymi tylko na poziomie narzędzi, ale experience użytkownika jest bardzo istotny i aspekt biznesowy, żeby te światy połączyć.

Zaskakujące przypadki testów A/B z praktyki

Mariusz Michalczuk: Z testów, pewnie w dziesiątkach, jeśli nie w setkach, które przeprowadziłeś, czy mógłbyś przytoczyć jakieś ciekawostki? Nie zachęcam do tego, żeby ktoś, kto słucha case study, brał w ciemno jakieś rzeczy, bo to zadziałało w jego serwisie, w jego grupie docelowej. Ale czy jakieś masz takie rzeczy, które Cię zaskoczyły z tych danych? Czy coś Ci przychodzi do głowy?

Kamil Zawiślak: Niestety dla hipotez czy ich pomysłodawców, ale często spotykałem się z tym, że na bazie przeprowadzonych testów, w ciemno nie do końca wierzyłem w jakąś zmianę. Dlatego, że często te hipotezy, w ich podwalinach, było troszeczkę kopiowanie konkurencji. A to kopiowanie konkurencji często ma krótkie nogi, bo to tam działa, u nas może w ogóle nie zadziałać. Bardziej zaskoczeni bywali ci, którzy przychodzili z tymi pomysłami, ale to była duża nauka dla nich. Pamiętam jeden test A/B, gdzie w czasach, w których w Bookingu wyświetlały się komunikaty, że „ten hotel kupiło już pięć osób”. Później jak mantra na rynku zaczęły pojawiać się takie rozszerzenia, które pokazywały to samo. Booking dostał sowitą karę, bodajże na Węgrzech, i mam wrażenie, że wtedy te rozszerzenia do e-commerce’ów zniknęły z rynku. Podobne rozwiązanie testowała jedna firma i tam okazało się, że to pushowanie klienta, bo to były drogie produkty, totalnie nie miało sensu, a lekki, dobry komunikat z punktu widzenia użytkownika, gdzie mówiono o zainteresowaniu, że „tym produktem interesuje się bardzo dużo osób”, miało zupełnie inny wydźwięk. Można to porównać do opinii, na których często bazujemy jako użytkownicy. Jeżeli firma mówi nam na bazie danych, że tym produktem interesuje się wiele osób, to mam jasną informację, że produkt jest popularny. Ale w sytuacji, kiedy dostaję twardy komunikat „ten hotel już kupiło pięć osób”, to oczywiście efekt ma być taki, że robimy ten efekt trochę, że zaraz tego nie będzie, dostępność jest bardzo niska, ale można sobie zrobić bardzo dużą krzywdę. I duża firma mogła sobie na rynku krzywdę dodać to rozszerzenie do e-commerce’u.

Mariusz Michalczuk: Tak, ja też widziałem, przypomniałeś mi o tym trendzie. Odnośnie popularności, to nie jest wyznacznik, ale myślę o sobie, jaki filtr najczęściej na Allegro wybieram – ja najczęściej wybieram popularność. Chociaż nie jestem przekonany, czy to rzeczywiście działa wobec liczby zakupów, ale widać wyżej te, które mają większą liczbę opinii, a liczba opinii jest jednak skorelowana z liczbą zakupów.

Kamil Zawiślak: W większości dużych e-commerce’ów już dzisiaj działa dużo algorytmów, które wiedzą, co wyświetlać wyżej użytkownikowi. Dopóki to jest dobre dla użytkownika, bo w danym świecie pewnie jest to zważone liczbą zwrotów. Czyli mamy element customer experience, gdzie nie promujemy produktów, które wracają do nas z oświadczeniem nietrafności. Popularność może często być też pomocna. Ja mam nieco inną technikę. Bardzo często sortuję po cenie, ale po to, żeby zobaczyć, jaki jest najdroższy produkt w danej kategorii. Żeby złapać taki punkt odniesienia, gdzie są widełki i sobie wtedy wypośrodkować. Nie chcę tego najtańszego za 300 złotych, ale i tego najdroższego za 800. Szukam wypośrodkowanego. Często się łapię na tym, że w ten sposób filtruję wyniki, jeżeli jest ich dużo. Ostatnio kupowałem pralkę i totalnie nie wiedziałem, a nie chciałem ufać popularności, jak na to patrzą sklepy. W ten sposób najczęściej działam.

Podejście data-driven vs. data-informed

Mariusz Michalczuk: Dziękuję Ci za wiele cennych wskazówek. Chciałbym jeszcze skorzystać z Twojego dziesięcioletniego doświadczenia, zaczynając od reklamy online przez zarządzanie i tworzenie działów analityki internetowej. Powiedz mi, na przestrzeni Twojego doświadczenia, jakie różnice widzisz w podejściu do danych bazując na firmach, w których pracowałeś? Tu bardziej zwracam na element, na metryki, analizy. Wiem, że w pewnym momencie przeszedłeś bardziej w kierunku optymalizacji współczynnika konwersji, ale zakładam, że zawsze inne dane online dotyczące marketingu i biznesu gdzieś tam się pojawiały.

Kamil Zawiślak: Jasne. Przypomina mi się ten moment, kiedy wszystkie firmy mówiły, że jest rok mobile i trzeba się optymalizować pod mobile. Ten rok trwał lata, a do dzisiaj trwa. Ale w pewnym momencie był taki buzzword w postaci data-driven. Wiele firm zaczęło twierdzić, że jest data-driven. Wychodziło to lepiej lub gorzej, ale w ramach testów A/B i tego, jak przez różne pryzmaty na te dane trzeba patrzeć, bo nie można ślepo zaufać, że mamy tę istotność lub nie mamy, bo to bywa różnie. Kiedyś miałem test, gdzie istotność była wysoka, a okazało się, że w wariancie A popsuto wyświetlanie danego elementu, dlatego wygrało. To był kontekst konkretnej rozdzielczości. Sesje wykosiły i to w wariancie A, to było zabawne.

Mariusz Michalczuk: Czyli jakby kodowano wariant alternatywny, ale przy okazji poszło coś nie tak w wariancie oryginalnym.

Kamil Zawiślak: Tak, tak. Jakieś globalne CSS-y zaktualizowano. Więc na te dane trzeba patrzeć bardzo mocno przez różne pryzmaty. To data-driven zamieniłbym bardziej na data-informed. Powinniśmy używać dalej tego, czego potrzebujemy od biznesu, czego potrzebują użytkownicy i korzystać z tych informacji, z danych. Z tym jest różnie. Część firm wykorzystuje dane, płynące z nich wnioski, insajty, które tworzą analitycy, a część ślepo ufa konkretnym metrykom i wdraża rozwiązania. Idziemy przez wdrażanie bez sanity checku poprzez data-driven, a pewnie skończymy za jakiś czas na trendzie, który jest już opisywany jako lepsze rozwiązanie, ale wymagające eksperckości, wiedzy domenowej, bo tak powinniśmy do tego podchodzić.

Mariusz Michalczuk: Czyli tak trochę podsumowując, żeby dawać refleksję osobom odpowiedzialnym za dziedziny, że nie wszystko musi być: wysyłamy mailing, to najpierw zróbmy test A/B, wdrażamy zmianę, zróbmy test A/B, prowadzimy kampanię, przeanalizujmy ją do cna, żeby poprawić wszystkie elementy… Tylko żeby udostępniać i dawać dane, najlepiej jeszcze z jakimiś hipotezami, żeby dać taki punkt zastanowienia użytkownikowi, tak? Dobrze to odczytuję?

Kamil Zawiślak: Tak, dobrze. Decyzja o wdrożeniu danej zmiany jest zawsze po stronie product ownera czy product managera, w zależności od firmy. W sytuacji, kiedy mamy test A/B lub po prostu bez testu mamy jakieś metryki, i one świadczą o tym, że jest lepiej lub gorzej, to jeżeli jest gorzej, to nie wdrażamy, a jak jest lepiej, to lecimy z tym na produkcję – to jest wtedy podejście data-driven. A data-informed, to mamy te dane i my decydujemy, czy wdrażamy, czy nie. Zdarza się, że jeżeli nie ma nawet istotności, ale jest to istotne z punktu widzenia strategii czy zmian, które przyjdą za chwilę, to i tak to wdrażamy. Dalej na bazie danych próbujemy sobie z tym radzić. Uważam, że to gdzieś za jakiś czas będzie kierunek. Dzisiaj większość firm mówi, że jest data-driven, zbieramy bardzo dużo danych. Pamiętam w wakacje.pl w sezonie zbieraliśmy nawet 600 milionów eventów sumarycznie, miesięcznie. To były ogromne wolumeny, które pozwalały na szeroką analizę. Tych danych było bardzo dużo, ale te decyzje nie zawsze jednoznacznie z danych powinny wynikać. Chociażby wracając do Airbnb: gdyby było tylko data-driven, to zerojedynkowo test nie do końca się powiódł, nie wdrażamy. Ale zagłębiając się dalej, mamy inne wnioski i decydujemy, poprawiamy tam, gdzie coś nie działało i finalnie też wychodzimy z tym na produkcję.

Podsumowanie: Najważniejsze wnioski z rozmowy

Mariusz Michalczuk: Super. Kamilu, zbliżamy się do końca, także chciałbym to podsumować, że, za twoją ostatnią myślą, nieważne, czy dane będą elementem decyzyjnym, ważne, żeby były w ogóle w jakimkolwiek procesie zmian, czy to po stronie akurat twojego doświadczenia więcej po stronie produktu niż marketingu. Może miałbyś jakąś jedną myśl, albo coś Ci takiego świta na podstawie tej rozmowy, biorąc pod uwagę, najwięcej o tym CRO rozmawialiśmy, czy chciałbyś jakąś taką jedną myślą zostawić naszych słuchaczy?

Kamil Zawiślak: Tak, faktycznie rozmawialiśmy najwięcej o samych testach A/B. Ten wątek jest naprawdę szeroki. Jeżeli chcemy zatrudnić kogoś od CRO, to w pojedynkę ta osoba nic nie zrobi w firmie. Potrzebuje zespołów, które muszą się rozwijać. Te kompetencje trzeba pielęgnować wśród pracowników na różnym szczeblu: od deweloperów, po UX-owców, po grafików, po osoby projektujące layouty. Dajmy przestrzeń ludziom od CRO, żeby mieli czas i mogli zasilać zespoły w efekty swoich analiz. I żeby te zespoły mogły się rozwijać z testów A/B, które się nie powodzą. Nie ma tutaj co się martwić i smucić. Powinniśmy z nich wyciągać wnioski po to, żeby nasze rozwiązania były lepsze. Nie wyobrażam sobie sytuacji, że ktoś, kto pracuje nawet w różnych firmach, ale bez tej kultury testowania A/B, będzie powielał rozwiązania, które działają gorzej. Z drugiej strony mamy osobę, która pracowała krócej, ale w tym podejściu i się rozwija i wie, że coś nie działa tak, jak by sobie tego życzyła. Rozwijajmy te kompetencje, nie skupiajmy ich wokół jednej osoby, ale rozwijajmy je w całych teamach produktowych.

Mariusz Michalczuk: Super. Ja jeszcze taką klamrą bym to domknął. Bardzo lubię cytat Nelsona Mandeli, też w kontekście testów A/B, który mówi „Ja nigdy nie przegrywam. Ja albo wygrywam, albo się uczę”. Myślę, że to może być dobre podsumowanie tej rozmowy. Kamilu, dziękuję Ci bardzo za czas i za mega doświadczenie i podzielenie się tym doświadczeniem i wiedzą. Do następnego razu. Myślę, że ten temat jest tak szeroki, że jeszcze chętnie za jakiś czas powtórzymy i go pogłębimy. Dzięki wielkie za rozmowę i za czas.

Kamil Zawiślak: Super. Ja również dziękuję. Mam nadzieję, że ktoś z tego skorzysta, co powiedziałem.

Mariusz Michalczuk: Zdecydowanie. Do zobaczenia. Cześć.

Kamil Zawiślak: Dzięki. Cześć.

Rozmowa z Kamilem Zawiślakiem to praktyczny przewodnik po wdrażaniu testów A/B i kultury optymalizacji konwersji w nowoczesnej organizacji. Kluczowe wnioski:

• CRO i testy A/B wymagają zmiany mentalności firmy, współpracy różnych działów i otwartości na uczenie się z porażek.
• Efektywność optymalizacji konwersji opiera się na dobrze postawionych, opartych na danych hipotezach oraz priorytetyzacji wdrożeń zgodnie z rzeczywistymi problemami użytkowników.
• Nie kopiujmy konkurencji – każde rozwiązanie trzeba sprawdzić na własnej grupie odbiorców.
• Małe, iteracyjne zmiany przynoszą stabilniejszy i większy wzrost niż ogromne, ryzykowne redesigny.
• Podejście data-informed, łączące liczby z wiedzą zespołu i kontekstem biznesowym, daje najtrwalsze efekty.
• Kultura testów A/B rozwija kompetencje całego zespołu produktowego – nie polegajmy tylko na jednostkach!

The post Jak zorganizować proces optymalizacji współczynnika konwersji (CRO) – rozmowa z Kamilem Zawiślakiem – Date with Data Talks first appeared on Conversion.

Google Analytics 360 czy Adobe Analytics – co wybrać? Porównanie narzędzi do analityki internetowej.

Jeśli traktujesz swój biznes całkowicie serio, to z pewnością zdajesz sobie sprawę, jak ważną rolę odgrywa gromadzenie, a następnie umiejętne wykorzystanie danych na temat odbiorców. Twoje pytanie nie brzmi więc: “CZY”, a raczej “JAKIE” narzędzie do analityki internetowej wybrać?

Sprawdź kompleksowe porównanie wiodących narzędzi do analityki internetowej, czyli Google Analytics 360 oraz Adobe Analytics. Poniżej znajdziesz szczegółowy opis kluczowych obszarów, “wypunktowanie” ich mocnych oraz słabszych stron, a także – naszą ocenę zarówno jednego, jak i drugiego rozwiązania.

P.S. Uprzedzam, że artykuł jest całkiem spory, ale dzięki temu znajdziesz w nim praktycznie wszystkie informacje, jakich możesz potrzebować do podjęcia właściwej decyzji.

Czym różni się GA360 od Adobe Analytics?

Na tak postawione pytanie z pewnością nie da się odpowiedzieć jednym krótkim zdaniem. Dlatego – dla Twojej wygody – wraz z zespołem Conversion, zebrałem wszystkie kluczowe elementy, które następnie bardzo szczegółowo omówiliśmy, a dodatkowo – wzbogaciliśmy o naszą wewnętrzną ocenę (od 1 do maksymalnie 3 “gwiazdek”).

W poniższym zestawieniu skupiliśmy się na 11 obszarach, które z naszej perspektywy są najważniejsze. A mowa o takich, jak: interfejs, model wykorzystywania danych, śledzenie, wizualizacja i raportowanie, integracja, prywatność i zgodność z RODO, zarządzanie plikami cookies, dokumentacja, koszty, a także dostęp do materiałów edukacyjnych. No to co? Pora zacząć nasze porównanie!

#1 User interface, czyli wygląd i obsługa narzędzi do analityki

Co, jako ludzie, robimy w pierwszej kolejności, gdy zapoznajemy się z nowymi osobami bądź rzeczami? W większości oceniamy ich wygląd, czytelność i poziom skomplikowania podczas obsługi. Nie inaczej będzie i w tym przypadku. Podczas oceny interfejsu warto wziąć pod uwagę następujące czynniki:

Dostęp do raportów standardowych (zwłaszcza dla początkujących użytkowników)

GA oferuje przede wszystkim gotowe raporty, które od razu odpowiadają na kluczowe pytania. Z kolei Adobe kładzie zdecydowanie większy nacisk na tzw. Workspace, czyli interfejs typu “przeciągnij i upuść”, który umożliwia tworzenie raportów dostosowanych do potrzeb. Zarówno Google, jak i Adobe udostępniają szablony, które mogą służyć jako standardowe raporty – z opcją dostosowania do konkretnych wymagań.

Łatwość tworzenia raportów niestandardowych

Google pozwala personalizować ten obszar za pomocą niestandardowych raportów, a także zakładek i eksploracji. Adobe oferuje z kolei potężny Adobe Workspace, czyli platformę analityczną w przeglądarce, która umożliwia głęboką analizę z nieograniczonymi podziałami, zaawansowanymi segmentami i niestandardowymi wskaźnikami.

Przyjazny wygląd

Interfejs Google był czytelny, a przede wszystkim – doskonale znany dla większości użytkowników. Jednak po niedawnym przejściu na wersję GA4 – część userów może potrzebować dodatkowego czasu na naukę i zapoznanie się ze wszystkimi zmianami. Interfejs Adobe jest w tej materii zupełnie inny, przez co może stanowić pewne wyzwanie dla niektórych osób. Na uznanie zasługują: opcja “przeciągnij i upuść”, duża elastyczność tabel i wykresów oraz fakt, że całą analizę można przeprowadzić na jednym ekranie.

Sposób wdrożenia (onboarding użytkownika)

Spójność poszczególnych produktów od Google sprawia, że większość użytkowników szybko odnajduje się na platformach. Adobe prezentuje zupełnie inny produkt, a zarazem interfejs, który początkowo może stanowić pewne wyzwanie. Dobra wiadomość jest taka, że oba rozwiązania oferują wprowadzenie (onboarding), które wyjaśnia zarówno funkcje, jak i ogólne zastosowanie.

#2 Data Model, czyli model wykorzystania pozyskiwanych danych

Sercem każdego systemu analitycznego są oczywiście dane, a przede wszystkim sposób, w jaki możesz je wykorzystać do rozwoju swojego biznesu. W tej materii przyjrzeliśmy się aż 5 obszarom:

Jakość danych

Mimo faktu, że ostateczna jakość danych zależy przede wszystkim od aspektów wewnętrznych (sposób implementacji narzędzi, mechanizmy śledzenia i konfiguracja warstwy danych, a nawet regulacje prawne) – zarówno Google, jak i Adobe zawierają stosowne umowy, aby zapewnić bezpieczny i niezawodny poziom dokładności danych. Oczywiście, nawet jeśli zostaną wdrożone równolegle, zebrane dane i tak będą się różnić, chociażby ze względu na różne podejścia do identyfikacji odwiedzających, agregacji sesji i raportowania na poziomie trafień.

Próbkowanie danych

Adobe zapewnia pełny dostęp do danych bez próbkowania – na podstawie wszystkich dostępnych trafień. W GA360 również nie ma domyślnego próbkowania danych, ale może się ono pojawić w niektórych raportach i eksploracjach po przekroczeniu 1 miliarda zdarzeń. Eksploracje GA4 mają limity zakresu danych, które ograniczają okresy analizy (jednak w praktyce trudno je osiągnąć). Oba narzędzia mają też limity związane z unikalnymi wartościami (dla GA4 jest to 500 dziennie, a dla Adobe – 500 000 miesięcznie). Rozwiązanie tego problemu może stanowić eksportów surowych danych.

Kto jest właścicielem danych?

Zarówno Google, jak i Adobe udostępniają rozwiązania, dzięki którym użytkownicy narzędzi są właścicielami zebranych danych. Oba rozwiązania zapewniają również narzędzia dostępu i zarządzania procesem zbierania danych, a także możliwość ich usuwania.

Miejsce przetwarzania i przechowywania danych

Adobe daje możliwość wyboru lokalizację serwera, na którym dane są przetwarzane oraz przechowywane (do wyboru są: lokalizacje w USA, UE i Azji). Google nie oferuje takiej opcji, a zamiast tego – “sam” wybiera serwer najbliższy aktualnemu odwiedzającemu.

Okres retencji danych

Czas przechowywania danych jest ustalany przez klientów. Standardowo w Google może wynosić od 2 do 14 miesięcy, z dodatkową opcję przedłużenia go do 50 miesięcy. Adobe oferuje domyślny okres – 25 miesięcy, z możliwością negocjowania dłuższych, które mogą zostać przedłużone nawet na czas 10 lat.

#3 Tracking, czyli sposób śledzenia danych

W tym obszarze warto pochylić się nad następującymi kwestiami:

Zgodność z warstwami danych

W tej materii Google wykorzystuje dataLayer z zalecanym schematem, który maksymalizuje wykorzystanie funkcji narzędzia. Firma Adobe miała w ostatnich kilku latach różne podejście do tego obszaru – w zależności od zastosowanego systemu zarządzania tagami oraz samej implementacji narzędzia. Od niedawna promuje wykorzystanie tzw. Adobe Client Data Layer, które jest sterowane zdarzeniami, działa według unikalnego schematu i bezproblemowo integruje się z ekosystemem Adobe. Oba narzędzia dają możliwość pracy z różnymi typami warstw danych. Warto jednak pamiętać, że najwięcej korzyści zapewniają wówczas, gdy postępujesz zgodnie z podejściem zalecanym przez wybranego dostawcę.

System zarządzania tagami

Z jednej strony mam do czynienia z Google Tag Managerem, natomiast z drugiej – z Adobe Experience Platform Launch. Oba są “potężne”, a dodatkowo dedykowane do użytku nie tylko w ekosystemie danego dostawcy. Możesz je wdrażać i zarządzać nimi za pomocą TMS innej firmy, a także korzystać z dedykowanych narzędzi, które umożliwiają wzbogacanie tagów i przechowywanie w chmurze. Oczywiście, pomiędzy nimi występują pewne “niuanse”, za sprawą których, w niektórych obszarach, jeden dostawca może mieć lepszą ofertę niż drugi.

Śledzenie (bez plików cookie)

Google oferuje Consent Mode, który pozwala gromadzić dane – i to bez przechwytywania poufnych informacji o użytkowniku. Do uzupełniania ewentualnych luk – wykorzystuje uczenie maszynowe, które pozwala dostarczać szacunkowe wyniki dla brakujących rzeczywistych danych.  Adobe wymaga podania identyfikatora odwiedzającego przy każdym trafieniu, a jednocześnie nie zapewnia funkcji porównywalnej z trybem uzyskiwania zgody Google.

Oba narzędzia można skonfigurować tak, aby działały bez polegania na plikach cookie i mogły wysyłać zdarzenia, które nie zawierają żadnych personalnych identyfikatorów. Dodatkowo Adobe oferuje narzędzie Customer Journey Analytics, które może działać całkowicie bez plików cookie (wówczas opiera się wyłącznie na wspomnianych identyfikatorach).

Śledzenie użytkowników na różnych systemach, usługach i urządzeniach

GA oferuje Google Signals, które umożliwia nie tylko rozpoznanie, ale również łączenie użytkowników (nawet jeśli korzystają z różnych urządzeń), co daje pełniejszy wgląd w ich aktywność. Adobe ma podobne rozwiązanie o nazwie Cross-Device Analytics. Jednak dostęp do niego wymaga posiadania wybranego planu, kontaktu z firmą Adobe oraz – osobnego wdrożenia. Opiera się na identyfikatorach zebranych w określonych wymiarach. Aczkolwiek, oprócz usługi Cross-Device Analytics, Adobe oferuje również Customer Journey Analytics, która koncentruje się na łączeniu użytkowników na wielu urządzeniach i przechwytywaniu aktywności – offline i online.

Sposób dodawania aplikacji (rozbudowa)

Jedno, jak i drugie rozwiązanie oferuje stosunkowo łatwą rozbudowę oraz skalowanie narzędzia. Oczywiście w tym miejscu musisz pamiętać, że poziom łatwości rozszerzania obu narzędzi o nowe produkty, funkcje czy aplikacje, zależy przede wszystkim od potrzeb i możliwości Twojej organizacji.

Ograniczenia śledzenia oddzielnych aplikacji

W tym aspekcie omawiane narzędzia nie mają wielu różnić. W obu nie ma ograniczeń dotyczącej liczby podmiotów, które można śledzić. Istnieją jednak limity dotyczące zdarzeń, trafień lub wywołań serwera. W Google może pojawić się ograniczenie liczby dostępnych wymiarów niestandardowych. W przypadku Adobe limity mogą dotyczyć liczby eVar lub rekwizytów.

#4 Wizualizacja danych, ich raportowanie oraz analiza

Czym byłyby jednak dane – bez funkcji pozwalających na ich sprawną analizę? Zobaczmy, co “do powiedzenia” w tym obszarze mają omawiane narzędzia.

Domyślne możliwości raportowania i eksportowania danych

Google przoduje w dostarczaniu domyślnych raportów zbudowanych bezpośrednio w interfejsie, zapewniając tym samym praktycznie bezproblemową obsługę. Oferuje również zaawansowane możliwości eksportu (m.in. dzięki natywnej integracji z Google Cloud BigQuery), umożliwiając tym samym interakcję z nieprzetworzonymi danymi na poziomie trafień. Adobe udostępnia wiele opcji eksportowania danych, w tym: dodatek do programu Excel Report Builder, źródła danych z nieprzetworzonymi danymi na poziomie trafień na serwer FTP oraz hurtownię danych z kreatorem eksportu. Oba oferują możliwość wysyłania zapytań do danych poprzez interfejsy API, co pozwala na zaawansowaną analizę danych i integrację z innymi systemami.

Dostosowanie raportów, metryk, parametrów, wymiarów i nie tylko

Google daje możliwość tworzenia niestandardowych raportów oraz eksploracji danych. Jednak skupia się zwłaszcza na gotowych raportach, które umożliwiają wprowadzanie podstawowych modyfikacji. Adobe zapewnia holistyczną platformę (Adobe Workspace), która umożliwia łatwe tworzenie niestandardowych raportów z szeroką gamą wykresów, niestandardowych wskaźników i zaawansowanych segmentów. 

Automatyczne raportowanie

Narzędzia oferują automatyczne zaplanowane raportowanie – w różnych plikach i formatach. Pozwalają planować niestandardowe raporty, pulpity nawigacyjne, a nawet alerty. Google w tej materii jest jednak bardziej ograniczone (zwłaszcza jeśli chodzi o raporty i pulpity). Adobe zapewnia funkcje, które mogą spełnić większe wymagania.

Udostępnianie

Projekty w Adobe Workspace możesz udostępniać użytkownikom wewnętrznym i zewnętrznym. Zespoły wewnętrzne mogą współpracować nad wspólnymi projektami – z opcjami powielania lub dostępu “tylko do odczytu”. Szczegółowymi uprawnieniami możesz zarządzać za pośrednictwem konsoli administracyjnej. Google Analytics daje możliwość udostępniania, z tą różnicą, że możliwości współpracy z niestandardowymi raportami lub eksploracjami są już bardziej ograniczone. Aby uzyskać bardziej zaawansowane możliwości udostępniania – warto rozważyć skorzystanie z oprogramowania Looker Studio.

Zaawansowane możliwości raportowania i analizy

Oba narzędzia dają dostęp do szerokiego wachlarza opcji: eksport danych do przechowywania w chmurze, integracja z narzędziami innych firm itp. Firma Adobe jest niezależna od technologii, co pozwala na większą elastyczność. Z drugiej strony, jeśli korzystasz już Google Cloud Platform, Google oferuje Ci praktycznie bezproblemową integrację i wiele możliwości – ułatwiające osiąganie celów związanych z raportowaniem oraz analizą.

Analiza w czasie rzeczywistym

Chociaż zarówno Google, jak i Adobe dają taką możliwość, to Adobe oferuje zdecydowanie większą elastyczność (np. umożliwiając użytkownikom wybór szerszego zakresu wymiarów i danych). Dzięki temu użytkownicy mają pełniejszy wgląd w dane w czasie rzeczywistym.

Podejmowanie decyzji

GA4 dostarcza szczegółowe informacje bezpośrednio na stronach docelowych raportów, co umożliwia uzyskanie cennych informacji dosłownie w mgnieniu oka. Adobe oferuje funkcje (np. wykrywanie anomalii), które są wbudowane w Workspace. Funkcje wykrywania anomalii są dostępne także w GA, które są wyświetlane w interfejsie użytkownika

Integracja z innymi narzędziami

Google świetnie integruje się z narzędziami marketingowymi (do czego wykorzystuje Google Marketing Platform). Taka integracja zapewnia płynny i jednocześnie bardzo wydajny ekosystem do integracji danych. Adobe udostępnia funkcję Advertising Analytics, która daje opcję włączenia danych reklamowych bezpośrednio do Adobe Workspace. Chociaż ta funkcja zwiększa możliwości analizy danych, może nie być tak płynna i wydajna jak integracja z ekosystemem Google. 

Ponadto, GA4 rozszerza swoje możliwości, poprzez integracje z wybranymi dostawcami, którzy umożliwiają przeprowadzanie testów A/B, a także personalizacji. Adobe oferuje osobny produkt – Adobe Target, który zapewnia funkcje testowania A/B, personalizacji, a także umożliwia przeprowadzanie dogłębnej analizy danych w ramach Adobe Workspace. Jest w stanie zintegrować się z dowolnym innym narzędziem.

#5 Integracja 

Pełen potencjał danych jesteś w stanie wykorzystać tylko wtedy, gdy użyjesz i połączysz ze sobą odpowiednie narzędzia. Jak w tej materii odnajdują się produkty od Google i Adobe? Zobaczmy. 

Poziom trudności

Google Analytics, jako jeden z wiodących produktów, oferuje szerszą gamę rozwiązań, a także zdecydowanie większe i łatwiejsze opcje integracji. Adobe to produkt bardziej złożony, aczkolwiek bardzo elastyczny, co pozwala na sprawne przeprowadzanie nawet niestandardowych wdrożeń.

API

W obu narzędziach znajdziesz interfejsy API, które zapewniają podobne funkcjonalności (raportowanie, wysyłanie zdarzeń i zarządzanie usuwaniem danych użytkowników). Adobe ma jednak szerszy zakres dostępnych metod API (w tym możliwość zarządzania użytkownikami czy komponentami, takimi jak segmenty lub metryki). Udostępnia też oddzielny interfejs API usługi prywatności, który usprawnia kontrolę i zarządzanie funkcjami związanymi z prywatnością użytkowników.

Eksport danych

W tym aspekcie nie dostrzeżesz wielkich różnić. W jednym, jak i drugim rozwiązaniu istnieje cały szereg możliwości pobierania danych (zarówno do użytku własnego, jak i przez osoby trzecie).

Integracja z innymi narzędziami

Google, za sprawą swojej historii i oraz aktywnej społeczności – już teraz korzysta z bogatego ekosystemu. Adobe dopiero aktywnie rozwija własne rozwiązania w ramach Adobe Experience Cloud.

#6 Implementacja

A jak przedstawiają się oba omawiane środowiska analityczne, jeśli weźmiemy “pod lupę” sposób ich wdrożenia?

Wymagane umiejętności

Mimo że wraz z pojawieniem się Google Analytics 4, poziom trudności w tym obszarze nieznacznie wzrósł, to nadal jest mniej skomplikowane, niż w przypadku Adobe Analytics. Niezależnie od wybranej platformy, przemyślana implementacja jest kluczowa i powinna obejmować stworzenie kompleksowego planu pomiarów, który ocenia cele i mapuje cele biznesowe. Zaznaczę, że wdrożenie Adobe może wymagać wyspecjalizowanych zespołów, które mogą się pochwalić doświadczeniem w pracy z globalnymi organizacjami (bo właśnie w takich ten produkt jest częściej wykorzystywany).

Niezbędne działania 

Szerszy zakres funkcji Adobe Analytics może oznaczać również więcej pracy – oczywiście, jeśli chcesz wykorzystać cały potencjał tego narzędzia. Na początek oba narzędzia można szybko skonfigurować za pomocą podstawowych konfiguracji, a następnie dalej rozwijać w miarę upływu czasu, aby uzyskać bardziej szczegółowe i zaawansowane możliwości śledzenia.

#7 Prywatność i RODO

Co oferuje jeden i drugi produkt, jeśli chodzi o kwestie bezpieczeństwa danych użytkowników?

Prywatność danych

Adobe pozwala na zarządzanie użytkownikami już na poziomie przedsiębiorstwa, czym zapewnia bezpieczny dostęp do danych i pozwala na szczegółową kontrolę nad uprawnieniami. Google także również kompleksowe rozwiązanie do zarządzania użytkownikami i zapewnia firmom pełną kontrolę nad dostępem do danych (zapewniając ich bezpieczeństwo i prywatność).

Ochrona danych

Obie firmy sprawę bezpieczeństwa danych traktują priorytetowo. Adobe posiada platformę Adobe Common Controls Framework, która wykorzystuje liczne procesów w celu zapewnienia bezpieczeństwa danych. Pozostają one w zgodzie z różnymi certyfikatami, normami i przepisami. Google wykorzystuje do tego celu własne procesami, zapewniając pełne bezpieczeństwo i kontrolę nad gromadzonymi danymi. 

Szczegółowość danych

Zarówno Google, jak i Adobe zapewniają narzędzia służące do kontroli prywatności, które dają możliwość usunięcia wybranych informacji (na żądanie).

Zgodność z RODO

Google stara się dostosować do przepisów dotyczących prywatności w Europie, ale nie może zagwarantować, że dane nie będą przetwarzane ani przesyłane poza Unię Europejską (UE). Podobnie robi Adobe, które obiecuje ściślejszą kontrolę nad przesyłaniem danych, ale (będąc firmą z siedzibą w USA), może podlegać prośbom o ujawnienie danych klientów. Więcej na ten temat dowiesz się z artykułu: EU-US Data Privacy Framework.

Ważne: pamiętaj, że zgodność z ogólnym rozporządzeniem o ochronie danych (tzw. RODO) powinna być interpretowana przez działy prawne oraz rozpatrywana indywidualnie – uwzględniając jednocześnie konkretne kraje, jak i branże.

Anonimowy ruch

Użytkownikom, którzy nie wyrazili zgody na śledzenie, Google zapewnia modelowanie behawioralne danych, które może Ci pomóc w zrozumieniu, w jaki sposób działania marketingowe prowadzą do osiągnięcia celów biznesowych. Adobe domyślnie nie oferuje porównywalnych funkcji, jednak daje możliwość skonfigurowania własnej implementacji, aby otrzymywać anonimowe działania – pozbawione identyfikatorów użytkowników.

Customer Match

Customer Match to oferta od Google, która okazuje się nieoceniona dla firm, które w dużym stopniu polegają na precyzyjnym kierowaniu działań marketingowych. Podobnie, jak powyżej, Adobe nie oferuje podobnej funkcji od razu gotowej do wdrożenia. Aby zyskać podobne możliwości – musisz opracować niestandardowe rozwiązanie.

Enhanced Conversions (konwersje rozszerzone)

Google pozwala wzbogacać i jednocześnie ujednolicać dane na temat ścieżek zakupowych – i to na wielu platformach oraz w różnych środowiskach (wliczając w to CRM czy offline). Doskonałym tego przykładem są konwersje rozszerzone, które stanowią część Google Ads. Niestety, firma Adobe nie posiada produktu, który zapewniałby porównywalną marketingową wartość.

#8 Zarządzanie ciasteczkami

Poszanowanie prawa użytkowników do prywatności oraz opcja braku śledzenia – to jedne kluczowych funkcji zapewnianych tam samo przez Google, jak i Adobe. W tym celu oba narzędzia łatwo integrują się z dedykowanymi platformami do zarządzania zgodami.

Dodatkowo firma Google jako pierwsza wprowadziła koncepcję śledzenia anonimowych działań (w ramach Google Consent State). Tym samym umożliwia modelom uczenia maszynowego ocenę skuteczności działań marketingowych – i to bez polegania na identyfikatorach użytkowników.

#9 Dokumentacja

Firmy udostępniają obszerną dokumentację, która zawiera szczegółowe informacje na temat dostępnych funkcji. W zasobach znajdują się zarówno przewodniki, samouczki, jak i materiały referencyjne, które pozwalają na zrozumienie oraz efektywne wykorzystanie możliwości obu platform.

Dokumentacja Google słynie ze swojej doskonałej jakości oraz tego, że jest aktualna. Adobe, głównie ze względu na dynamiczny rozwój swoich produktów, ma pewne problemy ze sprawną aktualizacją pewnych zasobów. Google ma nieporównywalnie większą społeczność praktyków. Niestety, ze względu na znacznie mniejszą popularność – Adobe w tym zakresie nie może się z nim równać.

#10 Nauka

Google oferuje oficjalne ścieżki szkoleniowe, które dają dostęp do ustrukturyzowanych zasobów – wspierających doskonalenia umiejętności z zakresu użytkowania narzędzi. Poza bogatym repozytorium darmowych materiałów możesz również liczyć na wsparcie społeczności, która aktywnie dzieli się swoimi doświadczeniami i cennych porad.

Adobe również udostępnia oficjalne ścieżki szkoleniowe (Experience League), czy dostęp do społeczności. Jednak z uwagi na doświadczenie w tym obszarze – to Google wypada dużo lepiej.

#11 Koszty

W tym obszarze pod uwagę musisz wziąć dwa aspekty, czyli wydatki związane z zakupem licencji oraz koszty, jakie poniesiesz na utrzymanie narzędzi do analityki internetowej.

Licencja

Koszty Google Analytics 360 są zdecydowanie bardziej przejrzyste. Ceny zależą od wybranego pakietu. Z drugiej strony koszty licencji Adobe Analytics podlegają negocjacjom i mogą się różnić w zależności od pakietu, zakupu dodatkowych produktów, czasu trwania umowy, a nawet ustalonych limitów

Pamiętaj, że takie porównanie powinno wykraczać daleko poza same koszty licencji. Ocena wymaga bowiem głębszego zrozumienia konkretnych potrzeb i oczekiwanej ilości danych dla każdej firmy.

Utrzymanie

Podobnie jest w przypadku wydatków związanych z dalszym wykorzystaniem obu narzędzi. Mianowicie, mogą się one różnić ze względu na zastosowanie, wielkości firmy, ilości przetwarzanych danych, a także kilku innych czynników.

Współpraca z Google może okazać się droższa, ale jednocześnie zapewniając dostęp do zdecydowanie większej puli partnerów i możliwości. Adobe w tym aspekcie dysponuje jedynie ograniczoną pulą. Dodatkowo niektóre problemy techniczne mogą wymagać zaangażowania ekspertów firmy Adobe, co potencjalnie tylko zwiększa koszty całego przedsięwzięcia.

Narzędzia analityczne od Google czy od Adobe? Podsumowanie.

Porównanie za nami, czas przejść do podsumowania.

Ekosystem narzędzi od Google jest znacznie bardziej rozbudowany i zdecydowanie lepiej zintegrowany, co przekłada się m.in. na spójność, intuicyjność oraz czytelność interfejsów.

Adobe Analytics oferuje bardziej zaawansowane możliwości kompleksowej analizy danych, ale aspekty takie, jak chociażby relatywnie wysoki próg wejścia dla narzędzi analitycznych Adobe (związany z kosztem i czasem wdrożenia czy szkoleniami), potencjalne utrudnienia związane z codziennym użytkowaniem, mocno ograniczone zasobów, zdecydowanie mniejsza społeczność, jak również uboższa dokumentacja techniczna.

Które więc narzędzie analityczne wybrać? Każda firma musi sama podjąć tę decyzję, w zależności od swoich preferencji i tego co, i w jaki sposób dzięki temu narzędziu chce osiągnąć. Patrząc jednak tylko na naszych klientów, w 98% korzystają oni z Google Analytics. Przed takim wyborem warto jednak rozważyć każdą z opcji i wybrać najlepszą dla siebie.

Szukasz pomocy przy wyborze, a następnie – wdrożeniu odpowiedniego narzędzia do analityki internetowej?

W Conversion od lat specjalizujemy się w analityce internetowej. Planujemy, wdrażamy, konfigurujemy, a następnie – pomagamy pełnym wykorzystaniu możliwości Google Analytics. Jeżeli chcesz dowiedzieć się, w jaki sposób nasz zespół może wesprzeć również Twoją firmę – kliknij w to miejsce, aby umówić się na całkowicie niezobowiązujące konsultacje.

The post Google Analytics 360 czy Adobe Analytics? Porównanie narzędzi do analityki. first appeared on Conversion.

Stało się! W lipcu 2023 roku na dobre pożegnaliśmy stare i na dobre przywitaliśmy się z nowym. Jeśli choć trochę interesujesz się analityką internetową, to z pewnością wiesz, o czym mówię. Tak! Oficjalnie od 1 lipca tzw. Universal Analytics zakończył swoją działalność, a wszyscy ci, którzy nie zdążyli przesiąść się na jego nowszą wersję (Google Analytics 4), no cóż… od tego momentu nie mogą już zbierać danych. Oczywiście nic straconego, bo GA4 jest dostępny przez cały czas – wystarczy, założyć konto oraz odpowiednio zaplanować i przeprowadzić wdrożenie.

W tym artykule nie skupię się jednak na samym procesie uruchomienia, ale bardziej na wykorzystaniu tego nowego narzędzia. Opowiem Ci m.in. o pomiarach nowego standardu śledzenia, różnicach pomiędzy “starą” i “nową” wersją, powstającymi pomiędzy nimi rozbieżnościami w danych, czy wreszcie – omówię sekcje Raporty i Eksploracje.

Co znajdziesz w tym artykule?
Analiza danych na przestrzeni lat
Pierwszy znak ostrzegawczy? Smartfony!
Drugie ostrzeżenie? Prywatność użytkowników!
Trzeci alert? Brak danych.
Premiera Google Analytics 4. Czy nowe narzędzie wyznacza nowe trendy?
Universal Analytics (GA3) vs. Google Analytics 4 (GA4) – czym się różnią?
Zmiany Google Analytics 4. Czy i jak wpływają na Twoje dane?
Jak Google Analytics 4 rozwiązał ten problem?
GA4 zmienia perspektywę, z której patrzysz i analizujesz dane
Jak ta metoda sprawdza się przy analizie danych?
Zastosowanie eksploracji w praktyce. Jak je wykorzystać?
“ABC” analizy danych za pomocą Google Analytics 4 – podsumowanie

Analiza danych na przestrzeni lat

Mogłoby się wydawać, że Google Analytics był z nami “od zawsze”. Jednak z perspektywy samej technologii, na której bazuje zarówno to narzędzie, jak i znaczna część obszaru analityki internetowej – nadal można rozpatrywać je jako całkiem młode rozwiązanie. W końcu premiera technologii miała miejsce blisko 30 lat temu, natomiast sam Analytics “przyszedł na świat” dopiero w 2005 roku.

Od tego czasu świat szeroko pojętego marketingu zmienił się praktycznie nie do poznania. I o ile w wielu przypadkach zmiany te można rozpatrywać pozytywnie, o tyle w przypadku tej technologii można mówić raczej o pewnym falstarcie. Mówiąc wprost: w wielu przypadkach po prostu nie nadążała za zmieniającymi się realami.

Pierwszy znak ostrzegawczy? Smartfony!

Pierwszym poważnym “sprawdzam” było wejście do powszechnego użytku smartfonów, które tym samym “wypchnęły” z rynku tradycyjne telefony komórkowe. Wówczas branża e-marketingu musiała zmierzyć się z wyzwaniem pt. “Jak mierzyć konwersję, jeśli użytkownicy podczas podejmowania decyzji o zakupie korzystają już nie z jednego, a nawet kilku urządzeń?”.

Problem zaczął narastać, gdy tylko udział urządzeń mobilnych w ogólnym korzystaniu z sieci zaczął się zmieniać i przyspieszać (oczywiście na korzyść tych pierwszych). A gdy w digitalowym świecie na popularności zyskiwały aplikacje mobilne – nie można było już przejść obok niego obojętnie.

Ten trend był i nadal jest szczególnie dobrze zauważalnym w obszarze e-commerce. Badania z 2021 roku dowodzą, że aż 53% przychodów e-commerce w Stanach Zjednoczonych wygenerowały właśnie aplikacje.

Drugie ostrzeżenie? Prywatność użytkowników!

Z racji tego, że Internet przeniósł się dosłownie do naszych kieszeni i z powodzeniem zaczął towarzyszyć praktycznie w każdej sytuacji – kolejną istotną kwestią stało się bezpieczeństwo naszych danych. 

Unia Europejska dostrzegła zagrożenia wynikające z ich nieodpowiedniego wykorzystania. Dlatego właśnie postanowiła postawić jasne granice, pomiędzy danymi, które mogą zostać wykorzystane do celów marketingowych i nie tylko, a także tymi, które powinny być przed takimi działaniami zabezpieczone. Obecnie znamy je pod nazwą GDPR (General Data Protection Regulation). W ślad za nimi zmieniły się również przepisy krajowe (w Polsce znane po prostu jako RODO).

Trzeci alert? Brak danych.

Wszystkie zmiany, które działy (i nadal dzieją) się na naszych oczach doprowadziły do tego, że źródełko z danymi o użytkownikach zaczęło powoli, aczkolwiek konsekwentnie – wysychać. 

Obecnie branża analityki online musi się mierzyć z brakami pełnych danych dotyczących konwersji (między urządzeniami), różnymi informacjami na temat zachowań userów w aplikacji mobilnej i na stronie internetowej, a także istotnymi brakami w danych, które powoduje blokowanie przez użytkowników skryptów, pixeli oraz ciasteczek.

Premiera Google Analytics 4. Czy nowe narzędzie wyznacza nowe trendy?

Twórcy zdecydowanie najpopularniejszego narzędzia do analityki internetowej nie spoczęli jednak na laurach. Zamiast tylko “odcinać kupony” od swojego rozwiązania – postanowili, że zmierzą się z nowymi wyzwaniami. W ten sposób zaprojektowali nie tylko odświeżoną, ale całkowicie odmienioną wersję, która na nowo zdefiniowała zarówno sposób zbierania danych, ich konfigurację oraz procesowanie, a nawet sam proces analizy kończąc. I to właśnie ten ostatni element będzie głównym tematem tego artykułu.

Universal Analytics (GA3) vs. Google Analytics 4 (GA4) – czym się różnią?

Aby lepiej zobrazować Ci to, co odróżnia oba rozwiązania – wykorzystam do tego czytelną listę.

#1 Modele danych

O ile poprzednia wersja Analyticsa wykorzystywała tzw. hity, które służyły do tworzenia sesji użytkowników, o tyle w przypadku GA4 pomiar odbywa się przy wykorzystaniu tzw. zdarzeń. Taka zmiana umożliwia holistyczne podejście do mierzenia użytkowników – bez względu na to, czy używa aplikacji, czy też stron www. 

#2 Identyfikacja użytkownika

Google Analytics 4 całkiem dobrze (choć nieidealnie), radzi sobie ze śledzeniem użytkowników, nawet gdy ci korzystają z wielu urządzeń. Wykorzystuje do tego celu funkcje rozpoznawania userów, ID urządzeń oraz machine learning za pomocą Google Signals). 

#3 Ochrona prywatności

GA4 wprowadza również opcję modelowania danych przy użyciu Consent Mode, automatyczną anonimizację adresów IP, a także opcję usuwania wrażliwych informacji (w czym pomaga narzędzie o nazwie Data Deletion Tool).

#4 Prezentacja danych

“Czwórka” od swojego poprzednika również diametralnie różni się w kwestii wyglądu. Interfejs został diametralnie przebudowany i odświeżony – tak, aby dostosować się do nowego podejścia do zbierania, mierzenia i analizowania pozyskanych informacji.

Zmiany Google Analytics 4. Czy i jak wpływają na Twoje dane?

Różnice, które wymieniłem wyżej, znajdują swoje odzwierciedlenie również w samych metrykach, a także w samym sposobie korzystania z narzędzia. W ten sposób modele danych (zamiast wcześniejszych hitów) opierają się na zdarzeniach, natomiast sama konfiguracja z poziomu interfejsu – przeniosła się właśnie na same modele danych.

Istotnej zmianie poddano również definicję zaangażowania, która w GA3 była traktowana jako sesja, w której doszło do co najmniej 2 interakcji (np. odsłon strony). Taki mechanizm miał wpływ na kształtowanie współczynnika odrzuceń, którym zbierał sporą krytykę spowodowaną właśnie swoją niedokładnością.

Słowem wyjaśnienia: dotychczas Google Analytics klasyfikował użytkowników na zaangażowanych i niezaangażowanych, z uwagi na podstawie aktywności (np. ile stron odwiedzili podczas wizyty w danym serwisie). Jednocześnie osoby, które spędziły mnóstwo czasu na stronie, ale jednocześnie nie wykonały żadnej akcji – traktował jak niezaangażowane (podnosząc tym samym współczynnik odrzuceń). 

Jak pewnie się domyślasz – obecnie takie założenia są błędne, ponieważ o zaangażowaniu użytkownika wcale nie musi świadczyć to, ile razy kliknął w link czy przeszedł na konkretną stronę. Skoro po dogłębnym zapoznaniu się z treścią np. 1 zakładki uzyskał wszystkie niezbędne informacje, to po co miałby dalej eksplorować dany serwis?

Jak Google Analytics 4 rozwiązał ten problem?

Zrobił to, pozostawiając kwestię zaangażowania niejako w rękach samych administratorów stron bądź aplikacji. W nowej wersji narzędzia to Ty decydujesz, jakie zachowania (w tym długość sesji czy aktywności) decydują o tym, czy użytkownik jest zaangażowany, a tym samym – jaki ma wpływ na współczynnik odrzuceń.

To także sprawia, że GA4 pokaże zazwyczaj większe zaangażowanie, niż zrobiły to jego poprzednik. Ten sam schemat może dotyczyć również innych metryk. Z własnych obserwacji mogę powiedzieć, że rejestruje zazwyczaj do kilku procent więcej odsłon. 

Czy takie różnice mogą mieć wpływ na wyniki analiz? Jeśli wdrożenie narzędzia było prawidłowe – odpowiedź brzmi: nie. Ważne, żeby odnosiły się nie tylko do samych “suchych” informacji, ale również faktycznych rezultatów.  

Analiza danych w praktyce. Jak wygląda w nowej wersji Analyticsa?

Prawdziwym kamieniem milowym, który w znaczący sposób odróżnia Google Analytics 4 od jego poprzedniej wersji, jest przede wszystkim interfejs. W tym przypadku pierwsze skrzypce odgrywają 3 sekcje: Raporty, Eksplorowanie oraz Google BigQuery.

• Pierwszy z nich (Raporty) daje dostęp do niepróbkowanych danych, które możesz filtrować, zmieniać ich zakres czasowy, porównywać 2 zakresy, a także korzystać z podstawowych segmentów. Sama analiza jest ograniczona wyłącznie do podstawowych czynności.

Prawdziwy, praktycznie nieposkromiony analityczny potencjał oferują dopiero 2 kolejne, czyli:

• Eksplorowanie można porównać do sekcji raportów niestandardowych, którą pewnie doskonale znasz z Universal Analytics. Z tą różnicą, że w przypadku GA4 oferuje znacznie bardziej rozwinięte opcje wizualizacji danych.
• Z kolei możliwości BigQuery to temat na zupełnie inny i obszerny artykuł. Więcej o wykorzystaniu jego możliwości w ramach Google Analytics przeczytasz w artykule: BigQuery i Google Analytics 4 – jak wykorzystać ich potencjał?

GA4 zmienia perspektywę, z której patrzysz i analizujesz dane

Klasyczny schemat analizy danych wygląda zazwyczaj tak:

GA3: Predefiniowany raport → Wniosek

GA4: Pytanie biznesowe → Sekcja Eksploracje → Zestaw raportów → Wniosek → Hipoteza

Jak widać, do tej pory w Google Analytics 3 większość specjalistów opierała się na predefiniowanych raportach, na podstawie których formowała wnioski. Na palcach jednej ręki mógłbym policzyć osoby, które sięgały nieco dalej, chociażby do raportów niestandardowych.

Google Analytics 4 wyznacza w tym obszarze zdecydowanie inne trendy – zmieniając nie tylko sposób raportowania, ale również rewolucjonizując całe podejście do wykorzystywania danych.

Jeżeli chcesz przeanalizować wybrany obszar biznesu – zdajesz sobie sprawę, że sekcja raportów predefiniowanych nie od razu przyjdzie Ci z pomocą.

Najpierw musisz podjąć pewien wysiłek i zastanowić się, czego (jakich informacji) tak naprawdę potrzebujesz. Dopiero gdy wiesz, jaki masz cel – na jego podstawie możesz stworzyć raport, a w dalszej kolejności – szczegółowo przeanalizować wyciągnięte dane.

Sekcję “Eksplorowanie” w GA4 można porównać z sekcją raportów niestandardowych, które znasz z GA3. Z tą różnicą, że nowość daje zdecydowanie bardziej rozbudowane możliwości wizualizacji i patrzenia na dane. Mam tu na myśli zarówno standardowe formy tabelaryczne, analizy ścieżek, aż wreszcie – diagramy Vena. Oczywiście, nie będę omawiał każdej eksploracji z osobna (wówczas z tego artykułu powstałaby prawdopodobnie obszerna książka). Chcę Ci jedynie zobrazować sposób myślenia i podejście, które osobiście określam “metodą regału z szufladami”.

Rys 1. Sekcja Eksplorowanie jest jak regał z szufladami – w każdej eksploracji (szufladzie) wewnątrz są dokumenty posegregowane w zakładkach

Jak ta metoda sprawdza się przy analizie danych?

Pozwól, że przedstawię ją na prostym przykładzie. Załóżmy, że chcesz sprawdzić, jak działają Twoje kampanie Google Ads. Otwierasz szufladę pt. Performance Google Ads, aby następnie utworzyć pustą eksplorację właśnie o takim tytule. 

Rys 2. Po stworzeniu pustej eksploracji w pierwszej kolejności musisz określić jej nazwę oraz wybrać podstawowe elementy analizy

Każda z szuflad w Twoim regale posiada dokumenty, które zawierają dane potrzebne do analizy. Znajdziesz tam, chociażby metryki, wymiary, segmenty, a także przedział czasu analizy. Na początek należy dodać je do pierwszej sekcji. Zaczynasz oczywiście od najbardziej istotnych (źródła ruchu, metryki pozyskiwania, zachowania i konwersji), które poszerzasz o kolejne informacje.

Całość może przedstawiać się następująco:

#1 Utwórz pustą eksplorację, uzupełnij nazwę i wybierz podstawowe elementy do analizy

Właśnie tutaj dostrzeżesz zasadniczą różnicę, która powoduje, że cały proces zdaje się odrobinę trudniejszy. Wymaga od Ciebie znajomości podstawowych metryk  i wymiarów (bez tego nie wybierzesz właściwych elementów).

Sam traktuję to trochę, jak zasady ruchu drogowego. O ile w przypadku jazdy samochodem musisz znać przepisy, które pozwolą Ci bezpiecznie podróżować. O tyle w przypadku analizy danych, musisz znać definicje, aby wystrzec się tych  nieprawidłowych.

Przyjmijmy, że dokumenty znajdują się już w Twojej szufladzie, ale na ten moment pozostają w nieładzie. Najwyższy czas wziąć się za porządki i trochę je posegregować – wrzucić do folderów i opatrzyć odpowiedziami na kluczowe pytania, które pozwolą dowiedzieć się, jak radzą sobie Twoje kampanie Google Ads.

#2 Stwórz folder, który będzie pokazywał zakres interesujących Cię danych

Zacznijmy od weryfikacji, jak kampanie Ads prezentują się na tle całego pozyskiwanego przez Ciebie ruchu. W tym celu warto utworzyć pierwszą zakładkę, która wykorzystuje eksplorację swobodną z metodą wykresu pierścieniowego, a co za tym idzie – sesje względem wymiaru źródło/medium. Aby ją zwizualizować, postępuj praktycznie tak, jak przy tworzeniu tabel przestawnych, które z pewnością są Ci znane z Excela. Wystarczy określić, jakie dane mają trafić odpowiednio do kolumn oraz wierszy, a także jaki typ metryk ma zostać zastosowany bezpośrednio w komórkach.

Rys3. Tworzenie eksploracji podobnie jak w tabeli przestawnej Excela polega na wybieraniu odpowiednich elementów analizy i umieszczaniu ich w kolumnach, wierszach i wartościach

Przyjmijmy, że masz to już za sobą, ale… folder z udziałem kampanii Ads mija się z Twoimi oczekiwaniami (czytaj: jest zdecydowanie mniejszy). Co robisz? Jeśli miałbym Ci doradzać – podpowiedziałbym, że winowajcą niskiego udziału być może jest spadek trendu. A to oznacza, że kolejnym Twoim krokiem powinno być utworzenie nowej zakładki eksploracji, która będzie uwzględniała właśnie trendy. Aby lepiej ją zobrazować – wykorzystaj metodę wykresu liniowego, która zobrazuje Ci, kiedy poziom metryki znajduje się poza przewidywaniami algorytmu.

Rys 4. Kolejna zakłada eksploracji weryfikuje kolejne hipotezy, które powstają na drodze do odpowiedzi na pierwotne pytanie

Gratulacje! Właśnie tym sposobem udało Ci się uporządkować dokumenty, a tym samym – dorzucić do swojej szuflady kolejny wartościowy folder.

#3 „Kop dalej”, czyli twórz kolejne widoki, które przybliżą Cię do właściwych danych

Każda następna zakładka w eksploracjach pozwoli Ci na sprawne weryfikowanie kolejnych stawianych hipotez, które naturalnie będą powstawały podczas poszukiwania odpowiedzi na Twoje pierwotne pytanie. Jeśli danego dnia dostrzeżesz, że np. ruch z Google Ads spadł poniżej pewnych założeń przewidywań – wystarczy, że zweryfikujesz, która kampania nie zadziałała. Aby udzielić na nie szybkiej odpowiedzi – wystarczy, że dodasz kolejny folder i wykonasz analizę. 

Rys 5. W pewnym momencie dochodzisz do najbardziej granularnej odpowiedzi – od ogółu, do szczegółu. Dzięki temu masz konkretną rekomendację, aby poprawić swoje działania.

Takie podejście “od ogółu, do szczegółu” pozwoli Ci rozbijać każdy obszar na małe elementy, a następnie (krok po kroku) dochodzić do konkretnych hipotez. Jedyne, o czym musisz pamiętać, to znajomość, a następnie umiejętne korzystanie zarówno z metryk, jak i wymiarów.

Zastosowanie eksploracji w praktyce. Jak je wykorzystać?

Na zakończenie pozostańmy jeszcze przez chwilę w temacie sekcji Eksploracje. W moim przypadku zdecydowanie najczęściej korzystam z takich 3 podejść, które w zasadzie stanowią ponad 80% przeprowadzanych przeze mnie. Są to:

• Eksploracje swobodne z różnymi metodami wizualizacji. Takie podejście jest bardzo podobne do zaawansowanych narzędzi klasy BI (np. Tableau).
• Eksploracje ścieżek, dzięki którym najpierw łatwo definiuję dowolne ścieżki użytkownika, a następnie – sprawnie przeprowadzam analizę ich efektywności.
• Eksploracje sekwencji ścieżki, które to z kolei dostarczają cennych informacji na temat miejsca, do którego udało się dotrzeć użytkownikowi.

“ABC” analizy danych za pomocą Google Analytics 4 – podsumowanie

Wiem, że wielu osobom ciężko przyzwyczaić się do zmian (zwłaszcza tych, które są nam narzucane odgórnie). Jednak cokolwiek byśmy o nim sądzili – trzeba jasno zaznaczyć, że nowa wersja Google Analyticsa naprawdę wykonuje kawał dobrej roboty.

Jakość analiz, a zwłaszcza to, że wymagają od nas czegoś więcej, niż tylko bezmyślnego klikania w panelu. To wszystko stanowi zdecydowanie pozytywny krok w stronę pozyskiwania i wykorzystywania wartościowych informacji

Oczywiście, z pewnością są również tacy, dla których GA4 jest niewystarczający i zdecydowanie nie pokrywa ich potrzeb związanych z analityką. Na szczęście i na to istnieje dobra recepta, czyli Google BigQuery. W przypadku tej funkcjonalności jedynym, co może Cię jakkolwiek ograniczać, jest wyłącznie Twoja kreatywność i wyobraźnia.

Szukasz wsparcia przy wdrożeniu, a następnie pełnym wykorzystaniu analizy danych w Google Analytics 4?

Zapraszam do kontaktu! Chętnie odpowiem na wszystkie Twoje pytania, a także (wraz z grupą ekspertów Conversion) – z przyjemnością pomogę Ci zaplanować, wdrożyć i sprawnie korzystać z narzędzia GA4. Kliknij tutaj, aby umówić się na niezobowiązujące konsultacje. To naprawdę nic nie kosztuje!

The post Analiza danych w Google Analytics 4. Jak robić to dobrze? first appeared on Conversion.

Przez ponad 6 lat zajmujemy się projektami optymalizacji współczynnika konwersji dla naszych klientów z różnych branż. Mamy świadomość, że dane ilościowe nie wystarczają do opracowania efektywnych hipotez do testów A/B.

Żadna analiza ilościowa nie podpowie Ci dlaczego użytkownik podjął konkretną akcję na stronie, jakie były jego motywy czy wątpliwości. W tym momencie do akcji muszą wkroczyć dane jakościowe.

W pierwszym artykule z cyklu o wykorzystaniu danych jakościowych do optymalizacji witryny przedstawię Ci dwie niezawodne metody. Dowiedz się, jak poprawić konwersję na swojej stronie internetowej z pomocą badań użyteczności i wywiadów z przedstawicielami handlowymi!

1. Badania użyteczności

Badania użyteczności pozwalają Ci zobaczyć jak prawdziwy użytkownicy wchodzą w interakcję z Twoją stroną. Zdarza się, że jest to szok – oglądasz użytkowników, którzy zmagają się z wykonaniem banalnej (w Twoim mniemaniu) akcji na stronie.

Zwyczajowo testy użyteczności przeprowadzane są na ‘żywej’ stronie internetowej. Niemniej jednak, jeśli przeprowadzasz redesign lub budujesz nową stronę, powinieneś przeprowadzić badania użyteczności z wykorzystaniem makiet funkcjonalnych lub nawet papierowych szkiców serwisu. Naprawa problemów użytecznościowych na etapie powstawania projektu graficznego jest dużo tańsza w stosunku do wprowadzania poprawek na ‘żywej’ stronie.

Przygotuj scenariusz dla użytkowników. Chodzi o zestaw zadań, które powinni wykonać na Twojej stronie internetowej. Jeśli posiadasz sklep internetowy, możesz poprosić np. o zakup brązowych, skórzanych butów z wyprzedaży.

Następnie podążasz za użytkownikami wykonującymi zadanie, krok po kroku. Zawsze obserwuj, czy klient wykorzystuje filtry, wyszukiwarkę wewnętrzną i nawigację strony. Słuchaj, czy nie brakuje żadnej informacji, czy użytkownicy mają jakiekolwiek problemy, komentarze czy uwagi. Zdarza się, że badani intuicyjnie prezentują pomysły i rozwiązania, o których sam nigdy byś nie pomyślał.

Ale jak przygotować dobre badanie użyteczności? Po pierwsze, przygotuj zaawansowany, wielokrokowy scenariusz. Zadania powinny reprezentować najpopularniejsze cele użytkownika (np. odzyskanie zapomnianego hasła) oraz najważniejsze cele konwersji na stronie internetowej z punktu widzenia właściciela (np. dokonanie zakupu).

Po drugie, postaraj się, aby uczestnicy badania użyteczności byli jak najbardziej podobni do użytkowników, którzy realnie mogą wylądować na Twojej stronie.

Według raportu przygotowanego przez Nielsen Norman, 5 osób wystarczy aby przeprowadzić efektywne badania użyteczności.

Istnieją trzy sposoby na przeprowadzenie badań użyteczności.

1. Skype i nagrywanie ekranu. To najlepsze rozwiązanie, ponieważ rejestrujesz zarówno ruchy jak i słowa użytkownika. Mało tego, możesz wrócić do konkretnego badania później i ponownie je przeanalizować.
2. Podczas spotkania. Chcesz wyniki już teraz i po niskich kosztach? Zaproś kogoś na kawę czy lunch i poproś go o 20-minutowe badanie.
3. Wykorzystaj narzędzia. Do najpopularniejszych należą UserTesting, UsabilityHub czy UsabilityTools. Narzędzia oferują dodatkowe funkcjonalności (np. nagrywanie użytkowników, analiza czy śledzenie wyników w czasie rzeczywistym), aby uczynić badania użyteczności jak najbardziej efektywnymi.

Dobra rada ode mnie: zanim zaczniesz badania użyteczności, definitywnie powinieneś przeczytać książkę Stevena Kruga pt. „Rocket Surgery Made Easy”.

2. Wywiad z przedstawicielem handlowym

Kto zna Twoich klientów lepiej niż przedstawiciele handlowi? Uwierz mi, handlowcy są kopalnią informacji o Twoich użytkownikach.

Opowiedzą Ci o obawach i potrzebach klientów, a być może nawet podzielą się wiedzą o sposobach zamieniania prospektów w klientów!

Czasami zdarza się, że ludziom pracującym w działach online brakuje kontaktu z fizyczną rzeczywistością biznesu. Właśnie dlatego uwielbiamy rozmawiać z handlowcami, słuchać nagrań z call center albo udawać niedoświadczonych ekspedientów na praktykach w punktach sprzedaży.

Kolejna prawdziwa historia: analityk internetowy odkrył, że ludzie wpisują losowe numery i litery w wewnętrznej wyszukiwarce na stronie. Absolutnie nie miał pojęcia, dlaczego to robią i czego szukają. Po kilku godzinach poszukiwań zrezygnował.

Kilka dni później poszedł na lunch z kilkoma handlowcami i opowiedział im swoją historię. Odpowiedź nadeszła w oka mgnieniu. Kilka lat temu klienci używali papierowych katalogów do zamawiania produktów. Spisywali jedynie kod produktu, np. MCS565FV. Zdobyta wiedza pozwoliła znacznie poprawić użyteczność strony i zwiększyć współczynnik konwersji dzięki wdrożeniu kodów produktów.

Wybierz się z handlowcem na spotkanie. Zaproś go na lunch i poproś o opowieści związane z klientami. Zdobądź jak najwięcej wiedzy o biznesie, a następnie wykorzystaj ją w procesie optymalizacji konwersji.

Jeśli potrzebujesz eksperckiej pomocy w wykorzystaniu danych jakościowych w procesie optymalizacji współczynnika konwersji, skontaktuj się z nami już dzisiaj i poznaj nasze podejście do tego tematu.

The post Jak poprawić konwersję z pomocą badań użyteczności i wywiadów z handlowcami first appeared on Conversion.

Google Analytics oferuje wiele możliwości analizy kampanii, jednak są to analizy post click, natomiast, to co działo się przed kliknięciem np. ile razy użytkownik zobaczył daną reklamę, pozostaje w GA kompletnie niewidoczne. Dzięki centralizacji kampanii w ramach DoubleClick Campaign Managera będziemy mogli analizować nie tylko interakcje w postaci klików, ale również interakcje w postaci odsłon.

Zanim przejdziemy do tego jak analitycy mogą wykorzystać DoubleClick Campaign Managera do analizy kampanii, w drugim poście z serii DoubleClick 101, omówię możliwości pozostałych narzędzi wchodzących w skład platformy DoubleClick Digital Marketing (DDM), oraz jak przebiega cały proces, tworzenia, konfiguracji i publikacji kampanii.

Platforma DDM

W skład platformy DDM, wchodzą narzędzia umożliwiające zarządzaniem kampaniami reklamowymi, w formatach (display, ppc oraz rich media):

1. DoubleClick Campaign Manager (DCM),

2. DoubleClick  Search (DS),

3. DoubleClick Bid Manager (DBM),

4. DoubleClick Studio

DoubleClick Campaign Manager (DCM)

Centralna część platformy, w której koordynujemy całość naszych działań marketingowych, typu Display. W ramach DCM-a tworzymy reklamodawcę, kampanie oraz poszczególne reklamy. Tutaj również tworzymy listy remarketingowe, ustawiamy parametry kampanii jak np. czas trwania, użyte kreacje oraz planujemy jak dane reklamy mają się wyświetlać, ustawiając np. targetowanie geograficzne . Po skonfigurowaniu wszystkich parametrów kampanii generujemy kody, które wysyłamy do wydawcy aby umieścił ja na stronie.

W ramach DCM znajduje się również narzędzie do raportowania, zawierające m.in. funkcjonalności w ramach zakładki Verification: Action View oraz Content (link do posta DCM 1), oraz funkcjonalności pozwalające na optymalizację kampanii np. poprzez automatyczne zwiększanie liczby wyświetleń kreacji które generują najwięcej kliknięć.

Standardowo do DCM-a raportują się kampanie display, rich media oraz search, jest jednak możliwość skonfigurowania kampanii mailingowych, tak aby informacja o otwarciach, czy kliknięciach również raportowała się do DCM-a.

W ramach DCM dostępne są funkcje zarządzania kreacjami rich media, raportowania efektów kampanii w oparciu o formaty, jak np. interaktywne wideo oraz funkcje automatycznej optymalizacji kampanii, zwiększającej skuteczność kampanii reklamowych.

DoubleClick  Search (DS)

Ta część platformy DDM służy do tworzenia i zarządzania kampaniami w wyszukiwarkach. Narzędzie wygląda analogicznie do tego w Google Adwords, jednak dodatkowo, możemy w ramach jednej platformy zarządzać kampaniami w innych wyszukiwarkach, oraz importować i synchronizować kampanie z Google AdWords, Microsoft adCenter oraz Yahoo Search Marketing. DS zawiera dodatkowo narzędzia do optymalizacji kampanii.

DoubleClick Bid Manager (DBM)

DBM umożliwia zakup powierzchni reklamowych, w których będziemy publikować reklamy display oraz rich media  skonfigurowane w ramach kampanii w DCM.

Zakup odbywa się w ramach Programmatic buying, czyli zautomatyzowanej metody masowego zakupu powierzchni reklamowej.

Reklamodawca może kupować powierzchnie reklamowe wystawione przez wydawców w systemie aukcyjnym, gdzie cena ustalana jest dynamicznie w zależności od popytu. Istnieje również możliwość zakupu powierzchni bezpośrednio od wydawcy (zawierając umowę, i ustalając stałą cenę w ramach programmatic buying) jednak zakup za stałą stawkę jest na razie mało popularny i stanowi drugorzędną opcję.

W ramach DBM swoje powierzchnie oferują praktycznie wszyscy najwięksi wydawcy. Konfiguracja kampanii publikowanej u wielu wydawców w wielu sieciach w jednym narzędziu umożliwi porównanie skuteczności i dalszą optymalizacje naszych wysiłków reklamowych. W Polsce za pomocą DBM-a można kupować w ramach Programmatic buying od następujących wydawców:  Onet, Interia, Facebook, o2, YouTube, NK.pl, WP.pl, Money.pl, Gazeta.pl, TVN.

DoubleClick Studio

DoubleClick Studio to narzędzie za pomocą którego agencje kreatywne przygotowujące kreacje mogą dodawać swoje prace bezpośrednio do DCM a dzięki temu oszczędzić czas na przekazywanie materiałów graficznych do zarządzających kampanią, usprawnić proces komunikacji (przekazywanie uwag) oraz zarzadzanie różnymi wersjami poszczególnych reklam.

Proces

1. 1. Agencja kreatywna tworzy kreacje i za pomocą D Studio (1) wrzuca swoje prace do DCM, gdzie zarządzający kampanią akceptuje poszczególne wersje oraz przyporządkowuje je do poszczególnych kampanii.
   2. Zarządzający kampaniami w wyszukiwarkach importuje  do DS kampanie skonfigurowane w ramach różnych wyszukiwarek (2a),  tak by móc nimi zarządzać razem z kampaniami display i rich media w ramach DCM-a (2b).
   3. Zarządzający kampanią wykupuje powierzchnie reklamowe zgodnie z celami kampanii.
   4. W ramach DCM wszystkie elementy składane są w całość. Zarządzający kampanią konfiguruje jakie reklamy, w jakim czasie i gdzie się będą pojawiać oraz do jakiej grupy mają dotrzeć.
   5. Kody dla poszczególnych reklam zastają wysłane do wydawcy, który publikuje je u siebie na stronie, lub reklamodawca udostępnia swoje reklamy do DBMa (wcześniej należy kupić powierzchnie reklamowe przez DBM). W tym drugim przypadku synchronizacja kodu emisyjnego odbywa się automatycznie i nie trzeba nic dodatkowo wysyłać.
   6. Informacje o tym ile razy reklama została wyświetlona w poszczególnych miejscach zostają przesłane do DCM, gdzie można je przeanalizować, oraz automatycznie z pomocą  lub samodzielnie optymalizować kampanie.
   7. Opcjonalnie DCM-a można zintegrować z Google Analytics Premium, tak, aby również w ramach tego narzędzia raportowały się dane z kampanii w DCM. Możliwe jest również połączenie w drugą stronę, czyli z GAP do DBM, co również stanowi cenną funkcjonalność, wykorzystywaną przez klientów GAP.

Struktura DoubleClick Manager

DoubleClick Manager pozwala na zarządzanie kampaniami displayowymi w Internecie. W ramach Konta tworzymy Reklamodawcę. Dla Reklamodawcy tworzymy Kampanię, w ramach której tworzymy Reklamy oraz Kreacje. Część platformy DDM Raportowanie pozwala przeglądać dane o reklamach traffickowych w DoubleClick Manager.

W części Raportowanie znajduje się karta Weryfikacja, dzięki której możemy przeanalizować poprawność emitowanych kampanii reklamowych. Dwie funkcjonalności, które pomogą nam odpowiedzieć na pytania zaprezentowane we wstępie to Active View oraz Content.

Czy użytkownik widział reklamę?

Dzięki funkcjonalności Active View, sprawdzimy jaka część reklam display (raportowanych jako wyświetlone) była faktycznie widziana przez użytkowników.

Narzędzie uzna reklamę jako widoczną jeśli co najmniej 50% reklamy było widoczne w części strony widzianej przez użytkownika, przez co najmniej 1 sekundę.

Dzięki temu możemy zidentyfikować i wyeliminować reklamy umieszczane w miejscach, do których większość użytkowników nie dociera i tym samym nie widzi naszych kreacji.

Jeśli rozliczamy się z wydawcami w modelu CPM (koszt za tysiąc wyświetleń), płacąc za każde wyświetlenie to warto, żeby użytkownicy faktycznie mogli zobaczyć umieszczone przez nas reklamy, dzięki czemu zwiększymy efektywność i skuteczności kampanii display.

Czy reklama jest w dobrym miejscu?

Za pomocą funkcjonalności Content Verification, DoubleClick Manager monitoruje zawartość strony internetowej, na której reklama została wyemitowana. Dzięki temu możemy upewnić się, że reklamy nie są wyświetlane na stronach z nieodpowiednimi treściami, jak hazard, przemoc czy treści dla dorosłych.

Istnieją standardowe klasyfikatory (już skonfigurowane w ramach narzędzia), za pomocą których można weryfikować strony na których pojawiły się nasze reklamy, oraz niestandardowe, które możemy sami skonfigurować i dostosować je do swoich potrzeb. Standardowe klasyfikatory oznaczają m.in. następujące tematy: pornografia, wulgaryzmy, alkohol, tytoń, narkotyki, broń, hazard, przemoc, polityka, religia, wypadki transportowe, wymiana plików, tragedia czy hacking.

Klasyfikatory niestandardowe są przydatne, jeśli chcemy wyszczególnić inną kategorię, przy której nie chcemy emitować naszych reklam. Przykładowo producent samochodów może stworzyć klasyfikator „awarie w samochodach”, aby uniknąć pokazywania reklam samochodów przy tego typu artykułach, czy też klasyfikator, który monitoruje, czy reklamy są wyświetlane na stronach, w których wspomniano konkurenta lub prezentująca daną markę w negatywnym świetle.

Można utworzyć dowolną liczbę niestandardowych klasyfikatorów, a następnie zastosować je do całego konta lub do poszczególnych kampanii.

Dzięki możliwości weryfikacji unikniemy sytuacji, że nasza reklama będzie się wyświetlała w nieodpowiednim miejscu jak w przykładzie (trochę przerysowanym ) poniżej:

Testowanie skuteczności kreacji oraz placementów w DoubleClick Manager

W DoubleClick Manager można porównać skuteczność kreacji tak jak w testach A/B. W ramach testowania narzędzia na blogu Conversion umieściłem dwa typy banerów, w dwóch miejscach na stronie:

Baner 250 x 250 umieszczony na blogu Conversion, za pomocą Double Click Campaign Managera na sidebarze.

Baner 200 x 200 umieszczony na blogu Conversion, za pomocą Double Click Campaign Managera w stopce.

Dla każdego typu banera opublikowane zostały po dwie kreacje:

Kreacje – baner 250 x 250 umieszczony na blogu Conversion, za pomocą Double Click Campaign Managera w stopce (stary oraz nowy – od lewej)

Kreacje – baner 200 x 200 umieszczony na blogu Conversion, za pomocą Double Click Campaign Managera w stopce.

Obie reklamy były wyświetlone na każdej stronie bloga, także baner 250 x 250 oraz 200 x 200 wyświetliły się taką samą ilość razy. DoubleClick Manager posiada różne opcje rotacji kreacji w ramach jednej reklamy. Kreacje mogą być na przykład wyświetlane w określonej kolejności. Albo jedna z nich może się wyświetlać dwa razy częściej niż pozostałe. Można też ustawić rotację w taki sposób, by kreacje o największej skuteczności były wyświetlane częściej niż inne. DoubleClick Manager rotuje kreacje przy użyciu wag, które można wpisać ręcznie lub skonfigurować tak, by były dostosowywane na podstawie skuteczności i innych czynników.

W mojej kampanii kreacje również wyświetlały się w równych proporcjach, także każdy z banerów był wyświetlony praktycznie taką samą liczbę razy:

Wyniki testowej kampanii – liczba kliknięć wobec liczby wyświetleń.

Jak widzimy baner 200 x 200 wygenerował bardzo mało kliknięć, mimo wyświetleń (tej kwestii będzie się należało przyjrzeć bliżej), natomiast baner 250 x 250 , okazał się znacznie bardziej skuteczny. Kreacja (Nowa) dla banera 250 x 250 okazała się pawie 3 razy bardziej skuteczna (jeśli chodzi o CTR – Click Through Rate) od starej wersji.

Należy również dodać, że poniższe wnioskowania, służą jedynie pokazaniu funkcjonalności narzędzia oraz mechanizmu wnioskowania i opierają się na niewielkiej liczbie danych z kampanii testowej. W przypadku prawdziwego testu należałoby dodatkowo zbadać czy wyniki są istotne statystycznie.

Wiemy już, że w obu przypadkach nowe kreacje okazały się skuteczniejsze od starych, także grafik który je projektował wykonał dobrą robotę ;).

Dlaczego jednak nowy baner 200×200 miał Click Through Rate (CTR) na poziomie 0,14%, skoro ten sam baner w wymiarach 250 x 250 wygenerował CTR na poziomie 0,78%?

Po pierwsze sprawdźmy czy nasze reklamy są faktycznie widziane przez użytkowników, co możemy zrobić korzystając z zakładki Weryfikacji DoubleClick Manager.

Wyniki testowej kampanii – realna liczba wyświetleń.

Okazuje się, banery 200×200 były widziane znacznie mniej niż banery 250 x 250, 3% wobec 75%.
Także licząc CTR na podstawie viewable impressions mamy:
Nowy baner 200 x 200 – 3479 x 3% = 104, CTR = 5/104 = 4,79%
Nowy baner 250 x 250 – 3453 x 75% = , CTR = 27/2589 = 1,04%

Jak można się było domyślić większość użytkowników, którzy odwiedzili stronę nie miała okazji zobaczyć banera na samej dole strony (200×200). Jednak ci którzy już tam dotarli chętniej klikali w nowy baner, który wygenerował wyższy CTR 4,79% wobec 1,04%. To, że CTR jest wyższy nie wynika raczej z tego, że reklama 200×200 jest lepsza, ale z faktu, że tylko mały % użytkowników dotarł do końca strony, a Ci, którzy już tam dotarli byli dużo bardziej zaangażowani i dlatego chętniej kliknęli (banery na górze widzieli natomiast wszyscy).

W dalsze kolejności można by przeanalizować jak poszczególne kreacje i reklamy przełożyły się na sprzedaż – zarówno jako krok prowadzący bezpośrednio do konwersji oraz jako kroki wspomagające konwersje analiza ścieżek wielokanałowych, ale to już temat na kolejny post.

Alert Geo

Przygotowując ten artykuł, w części dotyczącej raportowania zauważyłem alert mówiący o tym, że część moich reklam była wyświetlona poza obszarem który wybrałem w ramach geo-targetowania (kraj: Polska).

Wyniki testowej kampanii – alert o reklamach wyświetlanych poza obszarem geo-targetowania

W tym wypadku, nie ma to większego znaczenia, gdyż wszystkie reklamy były umieszczone w ramach własnego portalu. Jednak gdybym prowadził kampanie u zewnętrznego wydawcy, na którą planuję wydać 1 mln. zł, w ciągu kolejnego miesiąca, to ten jeden alert (odpowiednio wcześnie zauważony) pozwoli mi wyeliminować stratę w wysokości 5,57% wydanej kwoty, czyli oszczędzić ponad 55 tys. zł.

Podsumowanie

Platforma DDM umożliwia zarządzanie całością działań związanych z tworzeniem (od kreacji przez miejsce publikacji do raportowania wyników) kampanii reklamowych display, rich media oraz search, poszczególne elementy platformy zawierają funkcje optymalizujące działania na poszczególnych etapach oraz raportowanie wyników i weryfikacje tego czy np. nasze reklamy są faktycznie widziane przez użytkowników i czy wyświetlają się w odpowiednich miejscach.

Wkrótce kolejne artykuły z serii DoubleClick 101, które pokażą jak analitycy mogą wykorzystać to narzędzie do analizy kampanii.

Jeśli potrzebujesz audytu konfiguracji narzędzi analitycznych (Google Analytics, AT Internet, Adobe Analytics czy Webtrends), chcesz rozwijać analitykę internetową wewnątrz organizacji lub chcesz sprawdzić czy Twoja agencja lub dom mediowy wykorzystuje pełny potencjał DoubleClick Digital Marketing skontaktuj się z Conversion by poznać nasze podejście. Więcej o analityce internetowej dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post DoubleClick 101: Jakie możliwości daje platforma DoubleClick Digital Marketing first appeared on Conversion.

• W ramach 6-miesięcznego projektu Black Red White wspólnie z Conversion zbudował fundamenty analityki internetowej, która miała dostarczać wiarygodnych danych i wspierać rozwój e-commerce.
• Kluczowym wyzwaniem było nie tylko uporządkowanie pomiaru, ale również stworzenie wewnątrz organizacji kompetencji potrzebnych do samodzielnej analizy danych i podejmowania na ich podstawie decyzji biznesowych.
• Projekt objął rozwój pomiaru analitycznego, analizę serwisów brw.com.pl i dekoracje.brw.com.pl oraz przygotowanie rekomendacji dotyczących użyteczności i współczynnika konwersji.
• Istotnym elementem współpracy był także rozwój kompetencji zespołu — Conversion najpierw zbadał poziom wiedzy pracowników, a następnie przygotował dedykowany warsztat z analityki internetowej dopasowany do ich rzeczywistych potrzeb.
• Efektem projektu było stworzenie podstaw do samodzielnego wykorzystywania danych wewnątrz Black Red White i przeniesienie podejścia data-driven również do dynamicznie rozwijającego się kanału online.

Black Red White od lat wykorzystuje dane do podejmowania decyzji biznesowych. Wraz z coraz większym znaczeniem kanału online pojawiło się jednak kolejne wyzwanie: jak zbudować analitykę internetową, która dostarcza wiarygodnych danych i realnie wspiera rozwój e-commerce?

Odpowiedzią był 6-miesięczny projekt realizowany wspólnie z ekspertami Conversion. Jego celem było nie tylko uporządkowanie pomiaru, ale także stworzenie fundamentów do dalszej analizy zachowania użytkowników, optymalizacji serwisu oraz zwiększania współczynnika konwersji.

Dane były już częścią sposobu działania Black Red White

Wykorzystywanie danych nie było dla Black Red White nowym podejściem.

Organizacja od wielu lat gromadziła i analizowała informacje dotyczące sprzedaży w sklepach w Polsce i za granicą. Dane stanowiły podstawę podejmowania decyzji biznesowych.

Naturalnym kolejnym krokiem stało się rozwinięcie tego podejścia również w kanale online.

Black Red White chciał stworzyć środowisko, w którym decyzje dotyczące serwisu i e-commerce nie będą wynikały z intuicji, ale z rzetelnych danych o rzeczywistych zachowaniach użytkowników.

Pierwszy krok: czy możemy ufać naszym danym?

Zanim dane zaczną wspierać decyzje biznesowe, trzeba mieć pewność, że są poprawne.

Dlatego pierwszym etapem projektu był audyt dotychczasowej konfiguracji Google Analytics. Analitycy Conversion zweryfikowali sposób zbierania danych i zidentyfikowali błędy w istniejącej implementacji.

Kolejnym krokiem było ich usunięcie oraz przygotowanie bardziej zaawansowanej konfiguracji Google Analytics, dopasowanej do potrzeb Black Red White.

Założenie było proste: jeżeli dane mają być podstawą analiz i rekomendacji, najpierw trzeba mieć pewność, że można im zaufać.

Same poprawne dane nie zwiększają sprzedaży

Uporządkowanie analityki było jednak tylko jednym z elementów projektu.

Równolegle eksperci Conversion zajmujący się optymalizacją współczynnika konwersji przeprowadzili analizę heurystyczną serwisów brw.com.pl oraz dekoracje.brw.com.pl. Celem było znalezienie elementów, które mogą wpływać na użyteczność serwisów i zachowania ich użytkowników.

Na podstawie analizy powstał zestaw rekomendacji zmian ukierunkowanych na poprawę doświadczenia użytkownika oraz zwiększanie współczynnika konwersji. To właśnie tutaj dane zaczynają mieć realną wartość biznesową.

Nie chodzi bowiem wyłącznie o samo zbieranie informacji. Proces wygląda inaczej: dane → analiza → rekomendacje → działania. Dopiero ostatni z tych etapów może przełożyć się na zmianę sposobu działania serwisu.

3 filary projektu analitycznego Black Red White

Projekt nie ograniczał się więc do konfiguracji narzędzia analitycznego. Obejmował trzy uzupełniające się obszary:

1. Wiarygodne dane

Audyt dotychczasowej implementacji Google Analytics, identyfikacja błędów oraz przygotowanie konfiguracji dopasowanej do potrzeb organizacji.

2. Wykorzystanie danych do optymalizacji

Analiza serwisów brw.com.pl i dekoracje.brw.com.pl oraz przygotowanie rekomendacji związanych z użytecznością i współczynnikiem konwersji.

3. Kompetencje zespołu

Rozwój wiedzy wewnątrz organizacji, dzięki której dane mogą być samodzielnie analizowane i wykorzystywane do podejmowania kolejnych decyzji.

90% sukcesu w analityce stanowią ludzie

Można wdrożyć zaawansowane narzędzia analityczne i zbierać tysiące danych. Jeżeli jednak wewnątrz organizacji brakuje kompetencji potrzebnych do ich interpretacji, potencjał analityki pozostaje niewykorzystany. Dlatego ważnym elementem projektu Black Red White było również budowanie know-how wewnątrz zespołu.

Trenerzy Conversion rozpoczęli od zbadania poziomu wiedzy, a następnie na tej podstawie przygotowali dedykowany warsztat z analityki internetowej, dopasowany do potrzeb i poziomu uczestników.

Nie chodziło więc o przeprowadzenie standardowego szkolenia. Najpierw określono, czego zespół rzeczywiście potrzebuje, a dopiero później dostosowano do tego zakres warsztatu.

Analityka jako kolejny etap rozwoju e-commerce

Black Red White posiadał w momencie rozpoczęcia projektu 20 lat doświadczenia w sprzedaży mebli w Polsce oraz na ponad 21 rynkach.

Rozwój analityki internetowej był więc kolejnym elementem szerszej zmiany — przenoszenia podejścia opartego na danych również do dynamicznie rozwijającego się kanału online.

Wiarygodne dane to dopiero początek

Projekt Black Red White dobrze pokazuje, że rozwój analityki internetowej nie sprowadza się do wdrożenia Google Analytics.

Poprawny pomiar jest fundamentem, a dopiero na nim można budować kolejne elementy: analizować zachowania użytkowników, identyfikować bariery w serwisie, przygotowywać rekomendacje i rozwijać kompetencje osób, które każdego dnia będą pracować z danymi.

Wartość analityki wynika z decyzji, które organizacja jest w stanie na ich podstawie podejmować.

The post Notka prasowa – Jak Black Red White budował analitykę internetową wewnątrz organizacji? first appeared on Conversion.

Jest to obrazek skrajnie przerysowany, ale pozwala zrobić dobry wstęp do tematu, który chciałbym dzisiaj poruszyć. Mam na myśli problem jakości danych na których opieramy swoje decyzje. Wszystkie analizy, wszystkie raporty, wszystkie wnioski i wszystkie rekomendacje możemy wyrzucić do kosza jeżeli nie jesteśmy pewni danych na jakich je oparliśmy.

Dlaczego? Bazując na danych złej jakości (czyli takich, które słabo opisują rzeczywistość), przeprowadzamy bezwartościowe analizy z których wyciągamy kiepskie wnioski i tak dalej i tak dalej – problem z każdym kolejnym krokiem tylko się potęguje.

Jak więc zapewnić sobie dane, którym będziemy mogli zaufać? Kluczową rolę w całym procesie ciągłego utrzymania wysokiej jakości danych pełni poprawna instalacja i konfiguracja Twojego narzędzia analitycznego.

Pracując wielokrotnie nad wdrożeniami nowych instalacji, oraz modyfikując zastane konfiguracje narzędzi analitycznych, nasz zespół wypracował sobie coś w rodzaju listy kontrolnej, której wypełnienie daje dużą szansę na to, że będziemy zbierali dane najwyższej możliwej jakości. Przedstawię kilka najważniejszych zagadnień, których rozpatrzenie zagwarantuje to że do twojego Google Analytics będą spływały dane, które dobrze odwzorowują rzeczywistość.

Poniżej zebrałem, w formie krótkiej listy, elementy na które warto zwrócić uwagę aby zapewnić sobie dane dobrej jakości. W większości z tych punktów znajdą się informacje, które były już poruszane na naszym blogu, więc jeżeli chcecie dowiedzieć się na dany temat więcej to zachęcam do skorzystania z naszej wyszukiwarki.

#1 First things first

Sprawdź czy w swojej strukturze konta Google Analytics posiadasz przynajmniej trzy podstawowe widoki:

• Główny, czyli podstawowy widok, który służy Ci do przeprowadzania analiz.

• Bez filtrów, czyli widok, w którym gromadzisz niefiltrowane dane. To taka polisa ubezpieczeniowa na wypadek, gdyby stało się coś co w pozostałych widokach wpłynęłoby znacząco na jakość raportowanych danych.

• Testowy, czyli poligon, na którym można bez obaw bawić się filtrami, o których inni nie śnili nawet w najbardziej odważnych snach. Zanim wprowadzisz jakiś filtr do widoku „głównego”, przetestuj go najpierw na widoku „testowym”, bo danych utraconych w wyniku działania filtra nie da się już odzyskać.

Taka konfiguracja „minimum” zapewni Ci przejrzystość, oraz kontrolę nad tym co dzieje się w Twoim Analytics’ie. Jeżeli nie masz uzasadnionej potrzeby posiadania większej liczby widoków – zrezygnuj z nich.

#2 Podstawowe błędy

Google Analytics nie jest oprogramowaniem, które dostarczane jest w eleganckim pudełku wraz załączoną instrukcją instalacji i obsługi. Podyktowane jest to faktem, że praktycznie każda nowa instalacja jest unikalna i wyjątkowa. Tyle ile witryn w internecie, tyle różnych potrzeb na ich śledzenie. Proces instalacyjny musi być złożony, aby dać użytkownikowi pełną swobodę w sposobie konfiguracji swojego narzędzia.

Ze względu na to, że występuje tu czynnik ludzki istnieje też ryzyko popełnienia szeregu błędów już na etapie jego instalacji i konfiguracji. Można wyróżnić kilka typowych błędów, które łatwo popełnić, a które mogą negatywnie wpłynąć na jakość naszych danych. Do najczęstszych należą m. in.:

• Stosowanie parametrów UTM do tagowania wewnętrznych kampanii marketingowych w ramach serwisu. Jak już pisaliśmy na naszym blogu wielokrotnie: Wewnętrznych kampanii nie tagujemy parametrami UTM. Zmieniają one źródło i medium dla danego użytkownika, przez co tracimy cenną informację w jaki sposób go pozyskaliśmy.

• Zdarzenia na przeładowanie strony. Często próbujemy wysłać zdarzenie po kliknięciu w element, który jest hiperłączem do innej strony. Efekt może być taki, że owo zdarzenie nie zdąży się wysłać, przez co stracimy cenną informację. Warto stosować tzw. hitCallback – o czym też już pisaliśmy.

• Zdarzenia non-interaction, a właściwie brak wykorzystania opcji „non-interaction”. Kolejna pułapka na osoby korzystające ze zdarzeń. Czasem od razu po wejściu na daną stronę pojawia się pop-up, którego wyświetlenie jest rejestrowane w Google Analytics za pomocą zdarzenia. W takim scenariuszu współczynnik odrzuceń poleci na łeb, na szyję i będzie to efekt sztuczny, bo użytkownik nie wykonał przecież żadnej akcji, a Google Analytics „pomyśli”, że tak się właśnie stało.

#3 Bezpieczniki

W jednym z moich poprzednich wpisów poruszyłem już ten temat. Bezpieczniki – czyli automatyczne funkcjonalności, które mogą zwolnic nas z nieustannego „manualnego” monitorowania naszych danych. Jednym z takich bezpieczników są tzw. alerty. Alert działa jak czujka przeciwpożarowa, uruchamia się gdy wykryje anomalię w spływających do Analytics’a danych. Sami możemy ustalić na zmiany wartości jakich metryk ma reagować nasz alert i jak czuły powinien być. Polecam samodzielne skonfigurowanie grupy alertów, przynajmniej tych reagujących na zmiany w kluczowych dla nas metrykach.

Kolejnym z narzędzi, które wspomaga nas w monitorowaniu poprawności zbieranych danych są dashboardy, czyli modyfikowalne karty na których możemy umieszczać rozmaite informacje. W jednym widoku możemy widzieć demografię naszych użytkowników, liczbę odsłon z podziałem na grupy stron itd. Zarówno dashboardy jak i alerty mogą być wysyłane na naszą skrzynkę e-mailową, co dodatkowo ułatwia ich doglądanie.

#4 Śledzenie wszystkiego

Im więcej elementów na naszej stronie będziemy śledzili, tym uzyskamy pełniejszy obraz zachowania się użytkowników w jej obrębie. Dlatego warto zapoznać się z wirtualnymi odsłonami i zdarzeniami.

Współczesne strony internetowe mało mają już wspólnego z rozbudowanymi folderami zawierającymi dziesiątki, lub setki plików z rozszerzeniem *.html. Zamiast tego mamy strony, których zawartość zmienia się dynamicznie, osadzane są na nich całe aplikacje, a wzrok przykuwają efektowne elementy wizualne.

Aby zapewnić sobie pełne śledzenie naszej witryny i wycisnąć maksimum informacji o zachowaniu użytkowników w jej obrębie warto zainteresować się wykorzystaniem wirtualnych odsłon i zdarzeń. Zastosowań tych elementów jest naprawdę dużo, od raportowania wyświetleń toplayerów po czas w którym użytkownik zatrzymał odtwarzanie osadzonego filmu z Youtube.

#5 Rozszerzony e-commerce

Już od dłuższego czasu Google Analytics umożliwia wykorzystanie modułu rozszerzonego e-commerce. Do tej pory, stosunkowo niewiele firm zdecydowało się wykorzystać pełen potencjał tej funkcjonalności – a szkoda, bo możliwości jakie stwarza są ogromne. Dzięki skonfigurowaniu tzw. „enhanced e-commerce” możemy mierzyć liczbę wyświetleń poszczególnych produktów np. na stronach kategorii, wraz z nazwą listy na której produkt był prezentowany, oraz z numerem pozycji na której się znalazł. Dodatkowo w raportach pojawiają się informacje o kliknięciach w poszczególne produkty i wiele, wiele innych. Więc jeżeli chcesz mieć maksymalnie pełne dane o sposobie w jaki użytkownicy dokonują zakupów na Twojej stronie, to wdrożenie rozszerzonego e-commerce powinno stać się Twoim priorytetem.

To tylko kilka z dłuższej listy elementów, na które warto zwrócić uwagę jeżeli chcecie mieć dobrą instalację Google Analytics. Jeżeli macie jakieś przemyślenia, o które moglibyśmy rozbudować nasza listę to nie mogę się doczekać aby przeczytać o nich w komentarzach.

Jeśli potrzebujesz audytu konfiguracji narzędzi analitycznych (Google Analytics, AT Internet, Adobe Analytics czy Webtrends) lub chcesz rozwijać analitykę internetową wewnątrz organizacji skontaktuj się z Conversion by poznać nasze podejście. Więcej o analityce internetowej dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post 5 rzeczy, które musisz sprawdzić aby zbierać dobre dane w Twoim Google Analytics first appeared on Conversion.

Jakie są główne przyczyny złej jakości danych w organizacji?

Zagrożenie #1 – Brak kompetencji

Czynnikiem, który potęguje zagrożenia płynące z posiadania danych słabej jakości jest brak kompetencji analitycznych w organizacji. W dobie, w której biznes w głównej mierze opiera się na danych płynących z różnych źródeł, posiadanie w zasobach ludzkich zespołu analityków pozwala czerpać z tych danych maksymalne korzyści. Obecnie wiele firm zatrudnia tzw. „ludzi renesansu”, którzy odpowiedzialni są w firmie za działania analityczne od A do Z. Jest to też zjawisko potencjalnie niebezpieczne, szczególnie że aktualnie dysponujemy olbrzymimi zasobami informacji, które muszą zostać w poprawny sposób zgromadzone i przetworzone – co wymaga bardzo szerokiego wachlarza kompetencji od czysto technicznych po matematyczno-analityczne.

Zagrożenie #2 – Brak narzędzi

Innym problemem z jakim borykają się organizacje jest brak wdrożonych narzędzi służących do analizy. Skutkuje to tym, że analizowanie zbiorów danych bardzo rozciąga się w czasie generując niepotrzebne koszty. Oczywistym jest, że w ślad za rosnącymi kosztami maleje zwrot z wszelkich inwestycji. Inną bolączką firm, które wdrożyły u siebie analitykę internetową jest fakt, że opierają swoje działania w tym zakresie na bardzo rozbudowanych instalacjach, które są, tak naprawdę, dla nich zbędne, bo nie są w stanie wykorzystać ich całego potencjału. Ponownie, utrzymanie takich instalacji kosztuje – zwrot z inwestycji maleje.

Zagrożenie #3 – Brak procesów

Z drugiej strony stoją przedsiębiorstwa, które mają w swoich szeregach zespół analityków i wdrożone narzędzia do zbierania i przetwarzania danych. Co w takim przypadku może pójść nie tak jak powinno? Bardzo ważną kwestią jest ciągłe utrzymywanie procesów, które gwarantują poprawność zbieranych danych. Możemy zatrudnić odpowiednich ludzi, dać im najlepsze narzędzia, ale bez wiedzy o tym jak sprawić by dane które analizują były zawsze poprawne wszystkie ich wysiłki pójdą na marne.

The post Sposoby na minimalizację ryzyka nietrafionych decyzji biznesowych dzięki poprawnym danym first appeared on Conversion.

Na pewno część z Was spotkała się w swojej pracy z Google Analytics z informacją o próbkowaniu danych.

Przy korzystanie z bardziej zaawansowanych analiz (np. z wykorzystaniem wymiarów dodatkowych lub segmentów zaawansowanych) na pasku funkcjonalnym może nam pojawić się informacja o próbkowaniu.

Co to tak naprawdę dla nas oznacza? Czy powinniśmy się tym przejmować, czy jednak stawiać wnioski z pewną dozą ostrożności? Czy podejmując decyzje na podstawie takich danych możemy być pewni ich trafności?

W tym artykule od podstaw wytłumaczę czym jest i jak działa próbkowanie w Google Analytics? Pokaże na podstawie Google Analytics Premium, jakie przekłamanie niosą raporty próbkowania danych.

Istota próbkowania

Próbkowanie w statystyce oznacza proces, w którym z populacji (np. mieszkańców kraju) losujemy jakąś reprezentację (grupę ludzi) i na jej podstawie podajemy cechy całej populacji. Dobrym przykładem są tutaj badania sondażowe partii politycznych. W sondażach bierze udział pewna część społeczeństwa (próba), która deklaruje poparcie dla danej opcji politycznej. Na tej podstawie następnie jest obliczane poparcie całego społeczeństwa.

Jest to jedyny sposób, aby w ramach ograniczonego budżetu badania opisać całą populację–trudno jest w końcu pytać każdego Polaka z czynnym prawem wyborczy, na którą partię jest skłonny w danym momencie zagłosować. Następuje tu swoista wymiana pomiędzy wartością poznawczą badania, a kosztem przeprowadzenia takiego sondażu. Trudno w końcu co miesiąc organizować mini wybory parlamentarne–badania sondażowe bazują na próbie ok 1-2 tysięcy Polaków.

Próbkowanie (losowanie) polega na tym, że dla na podstawie losowo dobranej próby opisuje się całą populację. Prawa statystyki pozwalają zakładać, że wiedza o populacji uzyskana na podstawie próby jest prawdziwa.

Dzięki mechanizmom losowania (losowego doboru) próby uznaje się, że metryki opisujące próbę odzwierciedlają stan całej populacji. Stąd wyniki sondażowe niemal w całkowitym stopniu pokrywają się z późniejszymi wyborami parlamentarnymi. Ich dokładność zależy tak naprawdę od doboru próby, czyli tego czy agencje badawcze prawidłowo wybiorą ludzi do badania.

Próbkowanie w Google Analytics polega na tym samym, z tym że tutaj zachodzi wymiana pomiędzy dokładnością obliczania metryk, które widzimy w raportach, a czasem ładowania raportów w interfejsie narzędzia. W przypadku dużych serwisów mamy do czynienia z ogromną ilością danych opisujących zachowanie użytkowników. Wszystkie te dane składowane są na odległych serwerach Google. Jeżeli chcemy wykonać analizę bazującą na większym zakresie danych, to Google Analytics musi wówczas odpytać bazy danych znajdujące się na tych serwerach. W związku z ogromną ich ilością nie może wziąć wszystkich pod uwagę, ale uruchamia mechanizm próbkowania, którym w tym większym stopniu działa, im większy ruch (więcej danych) generuje serwis.

Próbkowanie w Google Analytics

Część z Was może zadać pytanie: „Ok, mam bardzo duży ruch, ale kiedy włączam wszystkie „podstawowe” raporty, to nie widzę, aby dane były próbkowane. Dopiero w momencie włączenia segmentu zaawansowanego lub dodania wymiaru dodatkowego mechanizm próbkowania daje o sobie znać.”

Dokładnie tak jest. Dane, które widzimy w predefiniowanych raportach są obrazem wszystkich danych leżących na serwerze. Poniżej pewnego progu (o tym w dalszej części artykułu) nie są one próbkowane. Można zobrazować to w ten sposób:

Raporty standardowo, pomimo dużego ruchu nie mają włączonego próbkowania danych, ponieważ bazują na predefiniowanych tabelach w bazie danych Google Analytics. Aktualizowane są one (1) raz dziennie. My w raportach Google Analytics możemy oglądać je w czasie rzeczywistym (2).

Na poziomie usługi przechowywane są surowe, cząstkowe dane dotyczące ruchu użytkowników. W każdym widoku danych tworzony jest zestaw predefiniowanych raportów, które korzystając z codziennie odświeżanych tabel, które zawierają zagregowane dane. Dzięki temu (do pewnego progu) takie raporty nie są próbkowane.

Dopiero w momencie, w którym chcemy nałożyć segment zaawansowany lub po prostu utworzyć raport niestandardowy, to interfejs musi sięgnąć do surowych danych zgromadzonych „głębiej” na serwerze i od początku je przeprocesować (omijając krok 2). Jeżeli tych danych jest tam bardzo dużo, to na poczet szybszego ładowania się docelowego raportu dane te są selekcjonowane tzn. próbkowane. To co widzimy w raporcie końcowym jest efektem obliczeń na podstawie wylosowanej próby.

Nie wszystkie raporty predefiniowane mają takie same progi, powyżej których są próbkowane. Wyjątek stanowią raporty ścieżek wielokanałowych oraz raporty przepływu. Tutaj próbkowanie następuje znacznie szybciej.

Z dużą ilością danych związane jest również zjawisko pojawiania się „(other)” w raportach. Na ten temat jednak Paweł pisał oddzielny artykuł. Przeczytacie w nim, jaki jest powód powstawania tej wartości wymiaru w raportach oraz jak sobie z nim radzić.

Oprócz tego, że raporty mogą bazować na próbkowanych danych, to takie próbkowanie możemy samodzielnie zdefiniować z poziomu kodu śledzącego. W przypadku ustawienia poziomu próbkowania np. na poziomie 50%, co drugi użytkownik brany jest pod uwagę tzn. śledzone jest jego zachowanie. Więcej na ten temat można przeczytać na stronie pomocy Google Analytics.

Co to znaczy „duży ruch”?

Metryki pokazywane w raportach Google Analytics będą poddane próbkowanie w jednym z dwóch przypadków. Każdy z nich oczywiście zależy od wolumenu ruchu, jaki generuje nasz serwis.

Próbkowanie włączy się w przypadku, którym nasz „niestandardowy” raport będzie wymagał dostępu do większej niż 1 milion unikalnych kombinacji wymiarów. Powiedzmy, że chcemy wygenerować raport, który będzie pokazywał wejścia oraz współczynnik odrzuceń dla kombinacji wymiarów: strony, przeglądarka oraz rozdzielczości ekranu. Kombinacja tych trzech wymiarów daje nam tabelę, która ma ponad 1 milion wierszy. W takim wypadku Google Analytics wyświetli nam 1 milion / liczbę dni, dla których chcemy pokazać analizę.

Jeżeli nasze „niestandardowe” zapytanie dotyczy więcej niż 500k sesji (może to łatwo nastąpić dla dłuższych okresów czasu), to wówczas dane do kalkulacji będą wzięte dla maksymalnie 500k sesji. W rzeczywistości, w momencie kiedy próbkowanie sią włącza, to mamy informację, dla jakiej liczby sesji zostały obliczone poszczególne metryki. Standardowo próbka określona jest na ok 250k sesji, ale na korzyść większej dokładności obliczeń metryk możemy wybrać wolniejszy czas ładowania się raportów.

Jeżeli wolimy dysponować bardziej dokładnymi danymi i nie śpieszy nam się tzn. godzimy się na dłuższy czas ładowania raportów, to mamy możliwość wyboru poziomu próbkowania.

Precyzja próbkowania

Z założenia próba powinna odzwierciedlać całą populację, więc metryki obliczone na jej podstawie powinny być analogiczne dla całej populacji. Na pewno mniejszych przekłamań możemy spodziewać się na poziomie metryk względnych (współczynniki, średnie). Gorzej jest w przypadku metryk nominalnych, ponieważ ich wartości obliczane są po prostu jako wynik z próby pomnożony przez współczynnik próbkowania (jeżeli na podstawie próby wyjdzie, że dany wymiar miał np. 200 sesji, to przy 20% próbkowaniu dla całej populacji wartość tego wymiaru zostanie określona jako 5 x 200 = 1000 sesji).

Jak jest w rzeczywistości? Do sprawdzenia tego wykorzystaliśmy Google Analytics Premium. W wybranym raporcie „zadaliśmy pytanie” dotyczące wybranego segmentu ruchu. Otrzymaliśmy następujące wyniki:

Przy ok. 30% próbkowaniu otrzymaliśmy powyższe wyniki. Jak za chwilę zobaczymy próba dobrana do wyświetlenia metryk w interfejsie podała w bardzo dużą dokładnością prawdziwe dane.

Po „zamówieniu” raportu niepróbkowanego okazało się, że metryki obliczone na podstawie wszystkich danych kształtują się następująco:

Jak się okazuje wyniki pokazywane przez interfejs na podstawie ok. 30% próby nie odbiegają bardzo od rzeczywistości.

W związku z tym możemy uznać, że mechanizm próbkowania zadziałał prawidłowo. Jednak aby potwierdzić tą prawidłowość musielibyśmy powtórzyć powyższą analizę dla różnych wymiarów i metryk. Z pewnością wymiary, które normalnie są mniej reprezentowane w całej populacji mogą być niedoszacowane (trudniej jest je wylosować i na tej podstawie rzetelnie oszacować ich statystyki).

Czym dla nas skutkują ewentualne rozbieżności?

Po pierwsze, jeżeli danych Google Analytics używamy do celów kontrolingowych, to próbkowanie możemy wpłynąć na rzetelność wyników. Jeżeli raportujemy dane do systematycznych podsumowań, to w związku z próbkowaniem nasza praca może być niewłaściwie oceniona.

Również w przypadku analiz–złe dane, to w dalszej kolejności błędne wnioski i nietrafne rekomendacji, a więc błędne decyzje biznesowe. Wyzwanie w takim wypadku może okazać się poważne. Zwłaszcza, kiedy rekomendujemy działania, które wynikają z niepoprawnych danych.

Jak możemy się przed tym bronić?

Co zrobić, aby nasze analizy, a więc wnioski i rekomendacji zawsze bazowały na poprawnych (niepróbkowanych) danych?

Po pierwsze możemy przejść na Google Analytics Premium. Jeżeli generujemy na tyle duży ruch, który jest dla nas wyzwaniem przy jego analizie, to najprawdopodobniej zarabia on na nas na tyle, że powinniśmy być w stanie zainwestować w narzędzie klasy premium. Pamiętajmy, że nie jest to inwestycja bezzwrotna–analizy danych z pewnością pozwoli na poprawę naszej efektywności, a tym samym na zwiększenie przychodów/zysków z biznesu. Jestem przekonany, że inwestycja w Google Analytics Premium ma duży zwrot–warunkiem oczywiście są zasoby, które te dane są w stanie przekuć na trafne decyzje biznesowe.

Co więcej, w samym Google Analytics Premium otrzymujemy dostęp do BigQuery–systemu zarządzania bazą surowych danych Google Analytics, który umożliwia nam dostęp do bardzo granularnych danych–nawet na poziomie pojedynczych hitów. Na tej podstawie możemy tworzyć bardzo zaawansowane modele matemtyczne, które posłużą nam do prognozy przyszłej efektywności na podstawie scenariuszów zachowania naszego makrootoczenia.

Jeżeli jednak nie możemy sobie pzowlić na zakup licencji Google Analytics Premium, to również są sposoby, aby w jego bezpłatnej wersji walczyć z próbkowaniem. Poniżej podaję kilka możliwości:

• W związku z tym, że próbkowanie zachodzi na poziomie usługi, to możemy tak zaplanować strukturę naszego konta Google Analytics, aby poszczególne jego sekcje śledzone były oddzielnymi usługami. Zmniejszy to ilość danych napływającą do naszego konta, a tym samym prawdopodobieństwo próbkowania. Taka struktura może wyglądać w sposób następujący:

Odpowiednia struktra konta pozwala zniwelować próbkowanie. Wystarczy, że każdą sekcję serwisu będziemy śledzili w ramach pojedycznych usług (próbkowanie zachodzi na poziomie usługi). Dodatkowo możemy utworzyć roll-up account, w którym tak czy inaczej będziemy śledzili cały serwis.

• W związku z tym, że próbkowanie dotyczy zazwyczaj dłuższych okresów czasu (większej ilości danych), to zawsze możemy skorzystać z API Google Analytics i samodzielnie tworzyć większe zbiory danych. Polega to na tym, że odpytujemy API pod dniach, a następnie dni łączymy w tygodnie, miesiące, lata obliczając samodzielnie metryki dla większych agregatów. Pomocne tutaj mogą okazać się zewnętrzne narzędzia jak Shufflepoint czy Analytics Canvas, które tę pracę dużej mierze za nas zautomatyzują.
• Zawsze w końcu możemy narzucić próbkowanie na poziomie kodu. Wydaje się, że taki sposób próbkowania jest zdecydowanie lepszy niż w przypadku próbkowania na poziomie raportów–niestety nie sprawdzaliśmy nigdy tego empirycznie, ale myślę, że może to być ciekawe studium przypadku.

Podsumowanie

Jak okazało się na podstawie przeprowadzonego eksperymentu, próbkowanie danych w Google Analytics nie przynosi duży rozbieżności pomiędzy wylosowaną próbką a stanem faktycznym. Jednak dane zostały wygenerowane na podstawie jednego segmentu.

Warto mimo wszystko swoje decyzje biznesowe podejmować na większości danych, którymi dysponujemy. Dlatego walka z próbkowaniem jest bardzo ważna. Najłatwiejsze rozwiązanie to inwestycja w narzędzie klasy premium. Jednak są również sposoby walki z próbkowaniem w bezpłatnej wersji Google Analytics. Czy macie inne, niż podane powyżej sposoby? Podzielcie się w komentarzach!

The post Próbkowanie danych w Google Analytics first appeared on Conversion.

U jednego z naszych Klientów system obsługujący wysyłkę newsletterów nie posiadał systemu raportowania danych takich jak Open Rate (OR) czy Click Through Rate (CTR). Naszym celem współpracy z IT klienta było stworzenie rozwiązania umożliwiającego raportowanie tych danych oraz przekazanie ich do konta Google Analytics.

Rozwiązanie

Wypracowana koncepcja zakładała wykorzystanie Measurement Protocol (tutaj link do dokumentacji Google) w celu przekazania do Google Analytics informacji o liczbie wysłanych maili, liczbie ich otwarć oraz kliknięć w link z maila. Measurement Protocool umożliwia przesłanie danych bezpośrednio do Google Analytics i przekazania odpowiednich parametrów (tutaj link do listy parametrów).

W ramach konta została stworzona dodatkowa usługa: UA-XXXXXX-2, przeznaczona do odbioru danych mailingów. W ramach usługi włączono przekazywanie Universal ID (UID), a długość sesji została maksymalnie zwiększona, czyli 4 godzin.

Konfiguracja UserID na poziomie usługi do odbioru danych z mailingów. Aby śledzić mailingi za pomocą Measurement Protocool konieczne jest identyfikacja użytkownika na każdym z etapów, dlatego przekazujemy UserID

Konfiguracja czasu sesji na poziomie usługi do odbioru danych z mailingów. Aby śledzić mailingi za pomocą Measurement Protocool konieczne jest zachowanie ciągłości sesji, dlatego ustawiamy długość sesji do maksymalnej możliwej wielkości, czyli 4 godzin.

Do Google Analytics za pomocą wirtualnych odsłon powinny raportować się 3 typy danych:

1. wysyłki maili – /wysylki
2. otwarcia maili – /otwarcia
3. kliknięcia w link z maila – /klikniecia/{{email_section}} gdzie email_section to sekcja maila w którą kliknął użytkownik przekazana w linku za pomocą zmiennej

Dane będą raportowane na poziomie:

1. wysyłki maili – serwer pocztowy, za pomocą Measurement Protocol
2. otwarcia maili – program pocztowy, za pomocą Measurement Protocol
3. kliknięcia w link z maila – na stronie po przejściu z maila za pomocą kodu Universal Analytics

Na podstawie danych przekazanych do Google Analytics skonfigurowaliśmy cele (ze ścieżką), za pomocą których można raportować:

1. 1. Open Rate (OR) = otwarcia maili / wysyłki maili

Konfiguracja Celu Open Rate na poziomie widoku do odbioru danych z mailingów. Open Rate (OR) = otwarcia maili / wysyłki maili, dlatego ustawiamy miejsce docelowe na /otwarcia z pierwszym krokiem na /wysylki

1. 1. Click Through Rate (CTR) = kliknięcia w link z maili / wysyłki maili

Konfiguracja Celu Click Through Rate na poziomie widoku do odbioru danych z mailingów. Click Through Rate (CTR) = kliknięcia w link z maili / wysyłki maili, dlatego ustawiamy miejsce docelowe na /klikniecia z pierwszym krokiem na /wysylki

Aby całość raportowała się poprawnie, sesja nie może być przerwana, ID usera (UID) musi być takie samo, a źródło odwiedzin nie może się zmieniać. Aby źródło odwiedzin pozostało niezmienione, konieczne było otagownie linków tak aby przekazywały się parametry utm: źródło, medium oraz kampanie.

Wdrożenie Measurement Protocool

W ramach Measurement Protoocol przekazujemy, oprócz wirtualnej odsłony UID oraz parametry utm danej kampanii, oznaczone zgodnie ze schematem tagowania, oraz identyczne na każdym z etapów (wysyłka, otwarcie, kliknięcie).

1. Uid – jest to unikalne id użytkownika z bazy mailingowej, przekazane jako ciąg cyfr i liter. Nie może to być adres email np. abc123efg
2. Utm_campaign – nazwa kampanii np. kampania1
3. Utm_medium – medium kampanii np. e-mail
4. Utm_source – źródło kampanii np. mailing-baza123
5. Email_section – jest to parametr określający w którą część z maila użytkownik kliknął. Przykładowo, może to być naglowek.

Przykładowy request wysłany na serwerze pocztowym:
https://www.google-analytics.com/collect?v=1&tid=UA-XXXXXXXX-2&t=pageview&cn=kampania1&cs=mailing-baza123&cm=e-mail&t=pageview&dp=/wysylki&uid=abc123efg&cid=35009a79-1a05-49d7-b876-2b884d0f825b

W zależności od konfiguracji serwera (i wielkości bazy mailingowej), można rozważyć wysyłkę requestów w paczkach, tak, aby zbyt duża liczba requestów w tym samym czasie nie została zablokowana.

Aby móc wykorzystać Measurement Protocool w ramach wiadomości e-mail potrzebujemy maila w formacie HTML. Jest to konieczne, ponieważ musimy spowodować, aby request Measurement Protocool został wywołany, co możemy zrobić symulując pobranie obrazka z zewnętrznego serwera. Fragment kodu html maila powinien wyglądać w ten sposób:

Przykładowy kod w treści maila:

 img src=”https://www.google-analytics.com/collect?v=1&tid=UA-XXXXXXXX-2&t=pageview&cn=kampania1&cs=mailing-baza123&cm=e-mail&t=pageview&dp=/otwarcie&uid=abc123efg&cid=35009a79-1a05-49d7-b876-2b884d0f825b/>

Fragment pierwszy:
https://www.google-analytics.com/collect?v=1
Odpowiada za wysłanie danych na serwer GA oraz wersję protokołu, która obecnie równa się “1”. Ten fragment się nie zmienia.

Fragmenty pozostałe:

1. tid=UA-XXXXXXXX-2 – numer ID naszego profilu Google Analytics
2. t=pageview – typ zdarzenia (hit type)
3. cn=kampania1 – nazwa kampanii (campaiqn name)
4. cs=mailing-baza123 – źródło kampanii (campaiqn source)
5. cm=e-mail – medium kampanii (capaign medium)
6. dp=/otwarcia– ścieżka dokumentu (document path)
7. uid= – user ID
8. cid=35009a79-1a05-49d7-b876-2b884d0f825b – tzw. Client ID czyli unikalny identyfikator użytkownika. Wartość tej zmiennej powinna być wygenerowana dla każdego użytkownika osobno, zgodnie z dokumentacją o UUID (wersja 4) < link do http://www.ietf.org/rfc/rfc4122.txt. >

Informacji przesyłanych za pomocą Measurement Protocool nie można sprawdzić w konsoli przeglądarki. Jednak niedawno Google stworzył narzędzie, dzięki któremu możemy zwalidować, czy napisany przez nas request jest poprawny. Wystarczy w pierwszej części linka wpisać /debug/collect zamiast /collect i po wejściu w ten link zostaniemy przekierowani do strony z walidacją requesta.

Przykładowy request do walidacji:
https://www.google-analytics.com/debug/collect?v=1&tid=UA-12345678-2&t=pageview&cn=kampania1&cs=mailing-baza123&cm=e-mail&t=pageview&dp=/wysylki&uid=abc123efg&cid=35009a79-1a05-49d7-b876-2b884d0f825b

Strona z walidacją poprawności requestu dla Measurement Protocool, gdzie możemy sprawdzić czy skonfigurowany przez nas request jest poprawny.

Wdrożenie kodów Universal Analytics

Ostatni etap, czyli kliknięcia w link z maila raportują się na stronie, za pomocą kodu Universal Analytics. Poniższy skrypt powinien się wywoływać na każdej stronie po przejściu z mailingu, czyli wtedy gdy parametr email_section istnieje. Po wejściu na stronę powinna wywołać się wirtualna odsłona:

/klikniecia/
gdzie jako zmienna zostanie przekazana nazwa sekcji w którą kliknął użytkownik, np.
/klikniecia/naglowek

Kod:

  (function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){
  (i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),
  m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)
  })(window,document,'script','//www.google-analytics.com/analytics.js','ga');
 
  ga('create', 'UA-XXXXXXXX-2', {'name': 'mailing'}, 'auto' );
  ga('mailing.set', '&uid',  {{USER_ID}}); 
  ga('mailing.send', 'pageview', '/klikniecia/');

Tworząc drugi tracker na stronie należy pamiętać o tym, aby nadać mu nazwę (w tym przypadku jest to mailing), oraz wysłać wirtualną odsłonę właśnie do tego trackera.

Całość będzie dobrze działała, w sytuacji gdy użytkownicy szybko otwierają maile po ich wysyłce (co było kwestią u naszego klienta), bo wtedy sesja nie zostanie przerwana. W innych przypadkach (czasu dłuższego niż 4 godziny od wysyłki do otwarcia) sesje zostaną przerwane, ale możemy za pomocą API wyeksportować liczbę unikalnych użytkowników na każdej ze stron w podziale na kampanie i mieć 100% pewność, że dzielenie sesji nie ma wpływu na wyniki tego co oglądamy.

Podsumowanie

Dzięki zastosowaniu Measurement Protocool możemy wysłać requesty (jak np. pageview, event czy transakcja) bezpośrednio do Google Analytics, przekazując odpowiednie parametry.

W tym poście pokazałem jak można wykorzystać to rozwiązanie do śledzenia skuteczności mailingów w ramach Google Analytics. Ponieważ requesty Measurement Protocool nie są widoczne w konsoli przeglądarki, możemy zastosować to rozwiązanie to przekazywania informacji, których nie chcemy ujawniać użytkownikom, przykładowo jeśli w ramach śledzenia ecommerce chcemy przekazać marże dla każdego produktu wchodzącego w skład danej transakcji. Dzięki zastosowaniu Measurement Protocool konkurencja nie będzie mogła podejrzeć poufnych informacji przesyłanych przez nas do Google Analytics

The post Śledzenie mailingów w Google Analytics za pomocą Measurement Protocol 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.

Na początek kilka słów wstępu dla osób, które nie poruszają się na co dzień w techniczno-informatycznym żargonie. Czym w ogóle jest API? API to skrót od angielskiego Application Programming Interface. W języku polskim zwykło tłumaczyć się te słowa jako: „programistyczny interfejs aplikacji”, ale najczęściej mówi się po prostu „API”.

Jest to zestaw reguł, których muszą przestrzegać dwie komunikujące się aplikacje, by mogły się porozumiewać i wymieniać informacje. Aby ta komunikacja przebiegała sprawnie i bez zakłóceń wszystkie „rozmawiające” ze sobą programy muszą używać nie tylko wspólnego „języka”. Muszą też przestrzegać pewnych wymogów technicznych, przykładowo – nie nadawać informacji, gdy druga strona „konwersacji” nie skończyła jeszcze nadawać swoich (jakie to bliskie nam wszystkim).

Szczęśliwie dla nas, Google Analytics nie jest jedynie kapsułą, do której dostęp mamy tylko przez małe okienko naszej przeglądarki internetowej. Dzięki API mamy możliwość dobrania się do jego wnętrza i wyciągnięcia stamtąd wielu danych i informacji, w konfiguracjach, które nie są dostępne w standardowym interfejsie graficznym użytkownika. Wymaga to jednak stworzenia programu komputerowego, który będzie „rozmawiał” z API Google Analytics i pozyskiwał dla nas informacje, których żądamy.

Celem tego posta nie jest wchodzenie w informatyczne szczegóły pisania programów wykorzystujących API GA, lecz przedstawienie kilku pomysłów na nie. O technikaliach można dużo poczytać na stronach developers.google.com.

#1 Super Dashboardy

Oglądacie czasami filmy sensacyjne lub science-fiction? Od czasu do czasu przewija się w nich motyw wielkich centrów dowodzenia (coś takiego jak ma NASA – patrz fotografia niżej)

API Google Analytics pozwala na pobieranie i późniejsze przetwarzanie wielu informacji. Nic nie stoi zatem na przeszkodzie, aby przy odrobinie wysiłku, przekształcić swoje biurko w mini-centrum kontroli i analiz zachowań użytkowników. (źródło: www.space.com)

Prawda, że 12 widżetów w niestandardowych panelach informacyjnych Google Analytics wygląda przy tym trochę blado? Przecież na co dzień analizujemy wielowymiarowe dane z całych ekosystemów witryn internetowych, więc dlaczego nie postawić w biurze wielkiego video-wall’a, na którym będziemy mieli wszystkie informacje podane jak na tacy? Możemy uzyskać dzięki temu możliwość błyskawicznego reagowania na wszelakie anomalie w zbieranych danych.

API Google Analytics umożliwia pobieranie danych historycznych oraz „na żywo”. Wystarczy nam więc program, który te dane będzie pobierał i aktualizował w sposób automatyczny (np. z sekundowym interwałem czasowym), a następnie za pomocą bibliotek graficznych, prezentował na ekranie w sposób, który jest dla nas najwygodniejszy. Dzięki zastosowaniu API, nie jesteśmy związani ograniczeniami, które występują w klasycznym interfejsie Google Analytics, więc możliwości dostosowania prezentacji danych jest tyle ile podsuwa nam nasza kreatywność.

Jeżeli nie chcecie zgłębiać tajników programowania to równie dobrze możecie wykorzystać API Google Analytics, aby tworzyć kokpity menedżerskie z wykorzystaniem Excel’a, Google Docs, lub w dedykowanej aplikacji, która korzysta z gotowej biblioteki JavaScript (rysunek poniżej).

Istnieje możliwość skorzystania z narzędzi, które ułatwiają budowanie dashboard’ów z wykorzystaniem Google Analytics API. Pozwalają ona na dostosowanie sposobu prezentacji danych do naszych oczekiwań (źródło: ga-dev-tools.appspot.com)

#2 Efektywne zarządzanie konfiguracją

Czasami spotykam się z problemami, które trzeba rozwiązać np. poprzez wprowadzenie zmian w konfiguracji widoku w Google Analytics. Myślę tutaj o nałożeniu na widok dodatkowego filtra, zmianę w konfiguracji celu i inne tego typu zadania.

Niewielkim nakładem sił można zmienić ustawienia w dwóch, czy czterech widokach. Co w przypadku, gdy tych widoków będzie 100 i we wszystkich trzeba poprawić kilka celów? Żeby było bardziej dramatycznie, dołóżmy do tego wymóg, że trzeba zmienić tylko jedną literę w drugim kroku ścieżek celów, które w nazwie mają przedrostek „[conversion]”. Wizja wielu godzin spędzonych nad tym zadaniem nie wydaje się zbyt pociągająca.

Z pomocą znów przychodzi nam API Google Analytics. Możliwe jest napisanie sprytnego oprogramowania, które najpierw pobierze wszystkie cele w interesujących nas widokach i odfiltruje te, które mają charakterystyczny przedrostek. Następnym krokiem będzie wyszukanie w ścieżce każdego z celów tej konkretnej litery i zastąpienie jej tą właściwą. Następnie program powinien dla każdego rozpatrywanego celu wysyłać żądanie do Google Analytics, które zmieni tylko konkretny krok w ścieżce rozpatrywanych celów.

Jak widać, wykorzystanie API jest świetnym rozwiązaniem, które może zdecydowanie skrócić czas wykonywania pewnych zadań. Szczególnie dla osób zarządzających bardzo dużymi konfiguracjami Analytics’a.

Podobnie do przedstawionego wyżej przykładu, może wyglądać zarządzanie użytkownikami narzędzia analitycznego w dużych organizacjach (wiem, że takie zadanie potrafi pochłonąć mnóstwo czasu. Szczególnie, gdy mówimy o firmach, posiadających wiele witryn).

Naszą przykładową aplikację można rozbudowywać o kolejne elementy, np. o wprowadzanie zmian do konfiguracji zgodnie z ustawionym harmonogramem. Znowu, możliwości jest naprawdę dużo.

#3 Integracja baz danych

Wiele firm prowadzi analizy, które oparte są na danych pochodzących z Google Analytics. Jeszcze więcej firm chciałoby prowadzić analizy, które będą oparte na danych, które zbiera narzędzie Google Analytics, ale także na tych danych, które przechowuje ich wewnętrzny system informatyczny. Oczywiście, można wygenerować niestandardowy raport, pobrać go, a następnie za pomocą jakiegoś zewnętrznego narzędzia połączyć z konkretną tabelą z bazy danych. Gdy jednak okazuje się, że ten ciąg czynności trzeba powtarzać codziennie staje się to co najmniej uciążliwe. Komputer może nas przecież wyręczyć w wykonaniu tego zadania, dodatkowo zrobi to szybciej i dokładniej.

Dobrym przykładem jest integracja danych, które zawiera firmowy CRM z danymi Google Analytics. W wewnętrznym systemie firmy przechowuje się dane o transakcjach zawierające informacje, które niekoniecznie dostępne są w Google Analytics (marża, historia klienta itp.). Za to w Google Analytics znajdują się informacje, których próżno szukać w CRM’ach.

Aby prowadzić skuteczne analizy, warto połączyć te dwa światy i poddać analizie dopiero końcowy efekt operacji połączenia danych z dwóch źródeł. Zarówno transakcje w CRM’ie, jak i te rejestrowane przez Google Analytics posiadają unikalny kod transakcji. Jest to naturalny kandydat na klucz do połączenia tych dwóch zestawów danych. Nasz hipotetyczny program za pomocą API może pobierać konkretne dane, a następnie przeprowadzić operację ich integracji. Szybkie i wygodne.

Podsumowując, API Google Analytics jest świetnym i darmowym narzędziem w rękach programistów, szczególnie, że wspiera najpopularniejsze języki programowania (Java, PHP, Python). Dzięki jego wykorzystaniu, mamy możliwość zautomatyzowania pewnych czynności, które wymagają dużej ilości czasu. Możemy wykonywać naszą pracę lepiej i dokładniej.

API jest też zdecydowanie szybsze niż standardowy interfejs graficzny Google Analytics, choć posiada swoje ograniczenia, jak na przykład maksymalną liczbę 10 żądań na sekundę (czytelniku, spróbuj wygenerować 10 raportów w ciągu sekundy nie wykorzystując API).

Jeżeli macie jakieś super pomysły na wykorzystanie API Analytics’a to zapraszam do podzielania się nimi w komentarzach.

The post 3 sposoby do wykorzystania API w Google Analytics do lepszych i szybszych analiz first appeared on Conversion.

Co to jest wartość życiowa klienta?

Wartość życiowa klienta (CLV) to suma przychodów, jakie klient wygeneruje dla firmy przez cały okres trwania relacji. Wyliczenie tego wskaźnika dla całego okresu współpracy między klientem a firmą, który może trwać nawet kilkadziesiąt lat, byłoby czasochłonne oraz obarczone dużym ryzykiem uzyskania błędnego wyniku, dlatego CLV liczy się zwykle dla krótszego przedziału czasowego, np. 12 miesięcy. Pozwala to zniwelować wpływ takich czynników jak zmiana oferty czy działania konkurencji. W praktyce więc jeśli klient co 3 miesiące kupuje w Twoim sklepie internetowym soczewki kontaktowe, za które płaci każdorazowo 100 zł, to jego CLV w okresie 12 miesięcy wynosi 4 * 100 zł = 400 zł.

Oczywiście powyższe obliczenie jest uproszczone i ma na celu wstępne zarysowanie koncepcji. CLV ma szerokie zastosowanie – jeśli wiesz, ile wart jest dla Ciebie klient, jesteś w stanie skuteczniej decydować, ile pieniędzy możesz przeznaczyć na konkretne działania, aby firma była rentowna.

Do czego wykorzystać wartość życiową klienta?

Znając wartość CLV możesz podjąć na podstawie danych wiele decyzji bazujących do tej pory na przeczuciu bądź ogólnej estymacji. Przede wszystkim CLV pozwala Ci stwierdzić, jak duże nakłady na pozyskanie klienta oraz utrzymywanie z nim relacji możesz ponieść. Dzięki temu określisz maksymalny budżet na działania PPC przy którym nadal opłaca Ci się pozyskiwać klientów.

Na przykład wiedząc, że średnio dział obsługi klienta poświęca 5 godzin miesięcznie na kontakt z klientem, a godzina pracy tego działu kosztuje Cię 40 zł, możesz to porównać z przychodami, jakie w ciągu roku klient wygeneruje dla Twojej firmy i zdecydować, czy na pewno taki kanał wsparcia jest opłacalny. Jeśli nie, to być może bardziej opłaca się stworzyć obszerny dział pomocy na stronie internetowej i tam kierować klientów, którzy nie przynoszą firmie dostatecznie dużo pieniędzy.

No właśnie – jak określić, ile nakładów maksymalnie na pozyskanie i obsługę konkretnego klienta? Z pomocą przychodzi tutaj segmentacja, która powinna być nieodłącznym elementem wyliczania CLV. Wyliczenie uśrednionej wartości dla całej populacji klientów nie pozwoli Ci na wyciągnięcie wniosków pozwalających na skuteczniejsze działanie. A im bardziej skomplikowane jest Twoje portfolio produktów i im większe są różnice pomiędzy poszczególnymi grupami klientów, tym ważniejsza będzie segmentacja i wyliczenie osobnego CLV dla każdego z segmentów, jakie zidentyfikujesz.

Jeśli prowadzić biznes internetowy, to jedną z podstawowych segmentacji jest podział użytkowników wobec źródeł ruchu. Pozwoli Ci to dostrzec różnice w CLV zaangażowanych klientów (pozyskanych np. poprzez newsletter) oraz klientów pozyskanych poprzez serwisy zakupów grupowych, którzy prawdopodobnie chcieli tylko skorzystać z promocji i już nie wrócą do Twojej firmy, ponieważ będą woleli wybrać ofertę promocyjną konkurencji. Taka segmentacja daje Ci informację o tym, które źródło pozyskiwania klientów jest skuteczniejsze i gdzie lepiej alokować budżet na promocję firmy – w pracownika dbającego o jakość kampanii e-mail marketingowych, czy w prowizję dla serwisu zakupów grupowych.

Jak wyliczyć wartość życiową klienta?

Do wyliczenia CLV prowadzą dwie drogi – pierwsza z nich to metody oparte o dane historyczne, natomiast druga to analizy predykcyjne. Analizy predykcyjne polegają na estymowaniu przyszłych przychodów na bazie dobranych kryteriów i wymagają tworzenia zaawansowanych modeli, dlatego na potrzeby tego wpisu przedstawię dwie metody oparte o dane historyczne. Te sposoby są szybsze i mniej skomplikowane. Mają oczywiście swoje wady, ale pozwolą Ci w krótszym czasie rozpocząć podejmowanie decyzji w oparciu o CLV.

Na początku warto jeszcze wspomnieć o tym, jak nie należy liczyć CLV. Najprostszym sposobem wydaje się bowiem podzielenie sumy przychodów na liczbę klientów. Nigdy tego nie rób – uśrednione w ten sposób dane w żaden sposób nie pomogą Ci podjąć właściwych decyzji.

Średni przychód na użytkownika

Na przykład jeśli klient o imieniu Weronika dokonał pierwszego zakupu na kwotę 100 zł w marcu, a następnie dokonał dwóch kolejnych zakupów na kwotę 70 zł każdy w kwietniu, to jego średnia miesięczna wartość wynosi:

(100 zł + 70 zł + 70 zł) / 2 = 120 zł

Jeśli klient o imieniu Adam dokonał w styczniu zakupu na kwotę 200 zł, a kolejnego zakupu na kwotę 80 zł dokonał dopiero w kwietniu, to jego średnia miesięczna wartość wynosi:

(200 zł + 80 zł) / 4 = 70 zł

Uśredniając ten wynik uzyskujesz wartość ARPU w ujęciu miesięcznym:

(70 zł + 120 zł) / 2 = 95 zł

Aby poznać CLV dla okresu 12 miesięcy, wystarczy pomnożyć uzyskany wynik:

95 zł * 12 = 1140 zł

Metoda średniego przychodu na użytkownika (ang. Average Revenue per User) to prosty i szybki sposób na wyliczenie wartości życiowej klienta (ang. Customer Lifetime Value). Dzięki niej obliczysz, ile pieniędzy średnio wydają klienci na Twoje usługi, co pomoże Ci podejmować trafne decyzje związane z pozyskiwaniem i obsługą klientów.

Oczywiście przy obliczaniu ARPU w Twojej firmie wykorzystasz dane o większej liczbie klientów, więc wyliczenie CLV potrwa dłużej, ale wciąż będzie oparte o przedstawione wzory. Zaletą tej metody jest szybkość i prostota. Jej wada to fakt, że nie bierze pod uwagę podziału na nowych i powracających klientów a także zmian w ich zachowaniu. Posiadając wartość ARPU nie jesteś w stanie określić, która z grup klientów ma większy wpływ na końcową wartość wskaźnika. Np. bazując na ARPU nie dostrzeżesz spadku przychodów w grupie powracających klientów (czyli spadku ich lojalności), jeśli jednocześnie szybko rosną przychody generowane przez nowych klientów. Wskaźnik pozostanie w miejscu, więc sytuacja na pozór będzie wyglądać normalnie, a prawdziwe problemy będą dla Ciebie niewidoczne.

Analiza kohort

Remedium na wady ARPU jest analiza kohort. Kohorta to grupa klientów, która dokonała pierwszego zakupu (lub zrealizowała inny cel, np.

Analiza kohort to metoda obliczania CLV, która uwzględnia podział przychodów uzyskanych od konkretnych grup klientów w podziale na kolejne miesiące. Ta metoda umożliwia sprawdzenie jaka część przychodu pochodzi od nowych klientów, a jaka od powracających, jak przedstawia się dynamika zmian między przychodami z tych dwóch grup oraz jak klienci zachowują się wraz z kolejnymi miesiącami od dokonania zakupu. Pozwala też dokładniej niż w przypadku ARPU estymować przychody w kolejnych miesiącach.

Dzięki analizie kohort dowiesz się, jak wygląda CLV w podziale na poszczególne miesiące licząc od pierwszego zakupu dokonanego przez klienta. Pozwoli Ci to zaobserwować trend i przewidzieć, ile faktycznie zarobisz przez kolejne 4 miesiące w odniesieniu do liczby klientów na poszczególnych etapach. Możesz np. wyciągnąć taki wniosek, że pierwsze dwa miesiące nie przynoszą zbyt wysokich przychodów, ponieważ klient chce wypróbować Twoje produkty bez inwestowania wielu pieniędzy, ale gdy się do nich przekona, to w trzecim miesiącu składa duże zamówienie.

Na podstawie takich danych możesz podjąć decyzję o zintensyfikowaniu działań budujących zaufanie do Twoich produktów oraz firmy w pierwszych dwóch miesiącach od pozyskania klienta, tak aby zwiększyć wartość zamówień składanych w trzecim miesiącu bądź zwiekszyć liczbę klientów, którzy w kolejnych miesiącach zdecydują się na zakup.

Analiza kohort pozwala Ci też zidentyfikować trend i obszary Twojej działalności wymagające poprawy. Jeśli widzisz, że wraz z upływem czasu klienci coraz mniej wydają w kolejnych miesiącach, oznacza to, że powinieneś popracować nad ich lojalnością identyfikując, co wpływa na ich mniejszą powracalność oraz znaleźć na to rozwiązanie.

Do wad analizy kohort w kontekście CLV trzeba zaliczyć fakt, że nie sprawdza się ona w momencie gdy rynek szybko się zmienia lub gdy firma dynamicznie rośnie. Klienci pozyskiwani na początkowym etapie istnienia firmy, czyli tzw. early adopters, różnią się od klientów pozyskiwanych na kolejnych etapach. Np. jeśli sprzedajesz aplikację w modelu SaaS i na początku działalności była ona niedopracowana, to pozyskani wtedy klienci prawdopodobnie szybko zrezygnowali z usługi. Zakładając, że po kilku miesiącach aplikacja działała sprawnie i pozyskiwani pół roku po starcie klienci przedłużali abonament, to analiza kohort z pierwszych kilku miesięcy wskazywałaby na przychody sporo mniejsze, niż rzeczywiste.

Teraz Twoja kolej!

Oblicz CLV dla swoich klientów korzystając z jednej z przedstawionych wyżej metod, najlepiej uwzględniając podział na segmenty. Dzięki temu będziesz mógł podejmować skuteczniejsze decyzje dotyczące np. wydatków na pozyskiwanie ruchu czy oferowanego wsparcia posprzedażowego.

Jeśli chcesz zyskać przewagę konkurencyjną dzięki zwiększaniu współczynnika konwersji oraz zwiększyć zysk swojej witryny bez wydawania kolejnej złotówki na reklamę, skontaktuj się z Conversion by poznać nasze podejście. Więcej o optymalizacji współczynnika konwersji dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post Jak obliczyć wartość życiową klienta (Customer Lifetime Value)? first appeared on Conversion.