Nie udało Ci się dowieźć KPI w ostatnim kwartale, miesiącu czy roku? To się zdarza, szczególnie w niełatwej i często zmieniającej się sytuacji rynkowej. Istnieje jednak sposób, aby wrócić na odpowiednie tory z realizacją celów biznesowych! Aby tego jednak dokonać, należy przejść przez proces analizy danych, wyciągania wniosków i stawiania hipotez, co pozwoli uniknąć takiej sytuacji w przyszłości. Nieocenioną pomocą w tym procesie będę dane z analityki internetowej!

Sukces w e-commerce to nie tylko kwestia oferowania atrakcyjnych produktów, ale także umiejętność zarządzania danymi i ich analizowania. Kluczowe Wskaźniki Efektywności (KPI) odgrywają tu fundamentalną rolę, pozwalając na ocenę skuteczności strategii i identyfikację obszarów do poprawy. W tym artykule omówimy, jak poprawić KPI w serwisie e-commerce, korzystając z analizy danych online.

Model przychodu w serwisach E-commerce
Analiza danych i zrozumienie przyczyn
Wykorzystanie testów A/B
Użyteczne raporty w Google Analytics
Niedowiezione KPI biznesowe – podsumowanie

Model przychodu w serwisach E-commerce

Zanim przystąpimy do jakiejkolwiek analizy danych, należy zrozumieć, co wpływa na nasz przychód. W serwisach e-commerce są to 3 główne metryki: liczba użytkowników, średnia wartość zamówienia oraz współczynnik konwersji.

1. Liczba Użytkowników: Pierwszym elementem jest liczba użytkowników, którzy trafili do serwisu. W działaniach marketingowych powinniśmy dążyć nie tylko do zwiększenia ich ilości, ale także do tego, aby sprowadzać do serwisu użytkowników, którzy z największym prawdopodobieństwem dokonają zakupu.
2. Średnia Wartość Zamówienia: Kolejnym czynnikiem jest średnia wartość zamówienia. W celu zwiększenia wartości tego wskaźnika warto stosować promocje przy zakupie większej liczby produktów, czy chociażby polecać użytkownikom produkty pasujące do tych, dodanych już do koszyka.
3. Współczynnik Konwersji: Trzecim elementem jest współczynnik konwersji. Stanowi on stosunek liczby transakcji do liczby użytkowników. W naszych działaniach powinniśmy dążyć do wzrostu tego współczynnika.

Przychód, jaki generuje nasz serwis jest tutaj wypadkową liczby użytkowników i współczynnika konwersji (informujących nas o liczbie transakcji) oraz średniej wartości zamówienia. Dzięki pomnożeniu tych wartości, uzyskamy przychód całkowity naszego sklepu.

Dla przykładu, załóżmy że nasz sklep odwiedziło 10 tys. użytkowników miesięcznie, generując średnią wartość zamówienia na poziomie 200 PLN, przy współczynniku konwersji na poziomie 5%. Przychód sklepu wyniesie 100 tys. PLN.

Wzór ten, po drobnych modyfikacjach można stosować nie tylko do e-commerce, ale de facto do każdego serwisu, zamieniając średnią wartość zamówienia na średnią wartość klienta w czasie. Analogicznie, definiując konwersję jako pożądane przez nas działanie wykonane przez użytkownika w serwisie, możemy badać jej współczynnik i używać go do analiz. W tym artykule skupmy się jednak na serwisach e-commerce.

Analiza danych i zrozumienie przyczyn

W większości przypadków, w serwisach E-commerce, głównym KPI stawianym przed osobami zarządzającymi sklepem jest przychód. Wiemy już, jakie metryki się na niego składają, natomiast żeby odpowiednio przeanalizować przyczyny niższego niż oczekiwany przychodu, należy dokonać głębszej dekompozycji czynników składowych. Dla przypomnienia – zajmiemy się tutaj liczbą użytkowników serwisu, średnią wartością zamówienia oraz współczynnikiem konwersji.

Pierwszym krokiem jest zdiagnozowanie, która (lub które) z tych 3 wartości są na niższym poziomie niż zakładaliśmy.

Liczba użytkowników

W przypadku niższej niż oczekiwana liczby użytkowników, powinniśmy przyjrzeć się prowadzonym kampaniom reklamowym. Na podstawie danych historycznych dotyczących prowadzonych kampanii, możemy zdiagnozować spadki w ich skuteczności. Czy obecnie prowadzone kampanie przyniosły nam tyle samo użytkowników przy tym samym budżecie? Jeżeli nie, jest to sygnał do dokonania dekompozycji tego obszaru i zbadania, co dzieje się z użytkownikami do których trafiają kampanie.

Ważnymi metrykami będą tutaj liczba odsłon oraz współczynnik CTR w poszczególnych kampaniach. Być może tylko niektóre z nich są nieefektywne i to właśnie nad nimi warto popracować!

Średnia wartość transakcji

Przy niższej niż zakładana średniej wartości zamówienia, warto przyjrzeć się polityce rabatowej oraz stosowanym w sklepie strategiom up-sellingowym. Sugerowanie użytkownikowi w przystępny sposób produktów, pasujących do tych, które już dodali do koszyka może okazać się strzałem w dziesiątkę. Dobrym pomysłem może okazać się również wprowadzenie promocji i rabatów obowiązujących od konkretnej wartości zamówienia, co powinno skłaniać kupującego do zwiększenia wartości koszyka.

Współczynnik konwersji

Gdy dojdziemy do momentu, w którym stwierdzimy, że liczba użytkowników i średnia wartość dokonywanych przez nich transakcji są na odpowiednim poziomie, należy przyjrzeć się współczynnikowi konwersji. Jest to bardzo pojemna metryka, dlatego powinniśmy zagłębić się w nią nieco bardziej szczegółowo.

Każdy użytkownik, między wejściem na nasz serwis a dokonaniem transakcji, dokonuje bardzo wielu działań pośrednich. Możemy nazwać je mikrokonwersjami i ułożyć z nich swego rodzaju lejek zakupowy. Przykładowo – użytkownik przed dokonaniem ostatecznej konwersji (zakupu), musiał najpierw dotrzeć do check-outu. Aby się tam znaleźć, wcześniej zapewne odwiedził już stronę z podsumowaniem zamówienia, na którą dostał się z koszyka, do którego przeszedł z karty produktu i tak dalej… Mianowicie – działaniem które powinniśmy wykonać na tym etapie jest dekompozycja ścieżki zakupowej klienta (czyli wspomnianego wcześniej lejka) i jej dogłębna analiza.

Dobrą praktyką jest rozpoczęcie tej analizy niejako “od końca”. Zacznijmy więc od check-outu naszego serwisu. Standaryzując, jeżeli współczynnik zamknięcia check-outu (rozumianego jako stosunek liczby transakcji do liczby użytkowników/sesji w koszyku) wynosi poniżej 40%, to jest to na pewno obszar wymagający poprawy. Jeżeli wynosi on powyżej 70%, możemy spokojnie uznać, że na tym etapie ścieżki klienta wszystko jest w porządku.

Kolejnym krokiem powinno być przyjrzenie się stosunkowi liczby użytkowników w koszyku do tych, którzy dotarli na kartę produktu. Warto tutaj odwołać się do historycznych danych kampanii oraz sprawdzić, jakie działania na karcie produktu wykonują użytkownicy, którzy nie przeszli do koszyka. To pozwoli nam zdiagnozować, co wpłynęło na zmianę ich decyzji. Może okazać się również, że użytkowników pozyskanych z obecnie prowadzonych kampanii cechuje widocznie wyższy współczynnik tej konkretnej mikrokonwersji. Może to świadczyć o ich nieodpowiednim dostosowaniu.

W analizie ścieżki klienta warto wejść w jak najdrobniejsze szczegóły, aby skutecznie zdiagnozować problemy. Na każdej podstronie odwiedzanej podczas procesu zakupowego, możemy zdekomponować osobne lejki tego rodzaju. Przykładowo, przy wypełnianiu formularza z danymi osobowymi, warto przyjrzeć się, na którym etapie (czytaj, po interakcji z którym polem) odpada największa część użytkowników.

Skrupulatnie przeprowadzona analiza pomoże nam zdiagnozować problematyczne obszary w naszym serwisie. Ale… co dalej?

Wykorzystanie testów A/B

Pierwszy krok jakim jest przeprowadzenie analizy opartej na danych online już za nami. Jak jednak wykorzystać pozyskane z niej informację? Po zmapowaniu obszarów do poprawy nadchodzi czas na postawienie hipotez mówiących o tym, co należałoby zrobić lub zmienić aby poprawić współczynniki konwersji na poszczególnych etapach lejka.

Po postawieniu hipotez, nadchodzi czas na ich weryfikację. Tutaj z pomocą przychodzą nam testy A/B. Załóżmy, że w toku analiz zauważyliśmy, że w części kampanii które prowadzimy zmieniły się kreacje. Zbiegającym się w czasie zjawiskiem był również spadek zaangażowania użytkowników, którzy znaleźli się na karcie produktu. Negatywny wpływ zmiany kreacji będzie więc tutaj hipotezą, którą zweryfikujemy.

Do weryfikacji tej hipotezy posłużą nam właśnie testy A/B. Odbiorcom, do których kierujemy nasze reklamy, wyświetlimy zarówno wersję A (oryginalną) i wersję B (posiadającą zmiany w kreacji wynikające z hipotezy, którą analizujemy). W trakcie trwania testu, przy dwóch wariantach kreacji reklamowej, jedna z nich trafi do jednej połowy użytkowników, a alternatywna do drugiej. Analogicznie gdy testowanych kreacji będzie więcej. Dzięki danym z tych kampanii, będziemy w stanie określić, która z kreacji powoduje większe zaangażowanie odbiorców – czyli współczynnik przejścia z karty produktu na dalsze etapy procesu zakupowego. Finalnie pozwoli nam to ocenić słuszność postawionej przez nas hipotezy.

Jeżeli w głowie pojawiło Ci się pytanie, czy zmian w kampanii wynikających z hipotezy nie możemy po prostu do niej wdrożyć i porównać wyniki z kolejnego okresu z poprzednim – nie jest to najlepszy pomysł. Musimy pamiętać o tym, że na kampanie mają również wpływ czynniki zewnętrzne, które mogą znacząco się od siebie różnić w poszczególnych okresach. Te czynniki to np.: koniunktura gospodarcza, działania konkurencji, sezonowość itp. Oczywistym wnioskiem jest więc to, że testy A/B dadzą nam najbardziej rzetelne informacje przy weryfikacji postawionych hipotez.

Użyteczne raporty w Google Analytics

Podczas szukania przyczyn niedowiezionych KPI w danych w Google Analytics, dużo łatwiej jest nam je znaleźć w sytuacji, gdy mamy jasno zdefiniowany problem. Zupełnie innym, choć również bardzo ważnym tematem, jest analiza danych gdy wyniki są na odpowiednim poziomie. Często brakuje wtedy wyraźnej motywacji do pracy z danymi, choć zawsze istnieją mniejsze lub większe obszary do poprawy. Warto zacząć od monitorowania 3 poniżej opisanych raportów, które zdecydowanie ułatwiają regularną analizę danych online w E-commerce.

Raport lejka

Pierwszym z polecanych przez nas raportów jest raport lejka, który pokaże nam na jakich etapach po trafieniu na kartę produktu, użytkownicy nie dokonują dalszych konwersji. W serwisach e-commerce warto zwrócić szczególną uwagę na szczelność checkoutu – jeżeli notujemy wartość poniżej 40% zapewne jest miejsce na poprawę.

Przykładowy raport lejka w Google Analytics 4

​​Aby dostać się do raportu w Google Analytics 4, należy wejść w sekcję raporty -> generowanie przychodu -> ścieżka do zakupu (nazwa może się różnić, w zależności od tego, kiedy raport pojawił się na koncie i kiedy to konto zakładaliśmy). W porównaniu do UA, w GA4 mamy istotną zmianę – ten raport pokazuje przepływ użytkowników, którzy przeszli przez kolejny etap lejka, a nie liczbę zdarzeń (czyli liczbę dodań do koszyka vs rozpoczęcie checkoutu vs zakup). Lejek możemy standardowo analizować per kategorie urządzenia, kraj, region, miasto, język i przeglądarkę.

Raport stron docelowych

Drugim wartościowym raportem jest raport stron docelowych. Dzięki niemu dowiemy się jak użytkownicy trafiają do serwisu, a także sprawdzimy na jakim poziomie kształtuje się współczynnik zaangażowania na konkretnych podstronach serwisu (odwrotność współczynnika odrzuceń). W sytuacji gdy wspomniany współczynnik nie jest na odpowiednim poziomie, warto popracować nad spójnością kreacji reklamowej z tym, co prezentujemy na karcie produktu.

Przykładowy raport stron docelowych w Google Analytics 4

Aby dostać się do raportu stron docelowych należy wejść w sekcję raporty -> zaangażowanie -> strona docelowa. Jest to jeden z nowszych raportów, które pojawiły się w Google Analytics 4. Jeśli raport nie jest widoczny w tym miejscu, powinien być dostępny w bibliotece, z której można dodać go do zestawu raportów w dowolnym, wybranym przez siebie miejscu. Raport mocno różni się od tego dostępnego w UA, który był w zasadzie kopią raportu źródło/medium. W przypadku raportu w GA4 mamy informację o wszystkich użytkownikach (również nowych), którzy rozpoczęli sesję z konkretnej podstrony serwisu lub ekranu aplikacji. Brakuje natomiast informacji o odrzuceniach lub zaangażowaniu i liczbie podstron na sesję, które dostępne były w raporcie UA. Nic nie stoi jednak na przeszkodzie, aby takie dane dodać, edytując raport za pomocą ikonki ołówka dostępnej w prawym górnym rogu. Podczas analizy warto zwrócić uwagę na kolumnę „Konwersje” i oznaczyć tylko te zdarzenia konwersji, które chcemy analizować.

Raport efektywności serwisu względem technologii

Trzecim cennym raportem w Google Analytics jest raport efektywności serwisu względem technologii (np. przeglądarki czy rozdzielczości ekranu). Czasami na etapie developmentu serwisu dochodzi do przeoczenia istotnych elementów technicznych. Może to być choćby umieszczony pod zawinięciem strony przycisk call to action czy niepoprawnie wyświetlający się element serwisu w konkretnej przeglądarce lub jej wersji.

Przykładowy raport efektywności serwisu względem technologii w Google Analytics 4

Aby dostać się do raportu efektywności serwisu względem technologii należy wejść w sekcję raporty -> technologie -> szczegóły związane z technologią. Ten raport pokaże nam potencjalne problemy związane z urządzeniami i przeglądarkami, z których korzysta użytkownik.

W przypadku analizy wersji web, warto zwrócić szczególną uwagę na takie wymiary jak: przeglądarka, kategoria urządzenia, rozdzielczość ekranu i marka czy model urządzenia. Warto pamiętać, że w przypadku urządzeń marki Apple dostaniemy bardzo ograniczone informacje na temat samego urządzenia. W przypadku przeglądarek – warto przyjrzeć się raportowi dokładniej, jeśli któraś z nich w ostatnim czasie wprowadzała aktualizację (może to spowodować problemy z działaniem naszej strony, szczególnie w przypadku Firefoxa i sklepów na PrestaShop). Nowością jest dodatkowa kategoria urządzenia, czyli smart tv, do której zaliczają się telewizory z wbudowaną przeglądarką, a także konsole do gier, takie jak PlayStation i Xbox.

Podczas analizy ruchu z aplikacji, koniecznie sprawdź wersję, z której korzystają użytkownicy – nieaktualna aplikacja może generować błędy. Zerknij również do raportu Przeglądu w folderze Technologii – tam znajdziesz dodatkowe informacje o stabilności aplikacji i potencjalnych błędach jej działania.

Monitorowanie wyżej wymienionych raportów będzie dobrym początkiem prowadzenia regularnych analiz serwisu. Dobrą praktyką jest również poświęcanie szczególnej uwagi stronom generującym największy ruch. Podczas prowadzenia kampanii reklamowych w E-commerce przeważnie będą to karty produktów. Należy też zwracać uwagę na stronę check-outu z naszego sklepu, gdzie często możemy łatwo zdiagnozować prosty do rozwiązania problem, wpływający na niski współczynnik konwersji. Nie oszukujmy się – gdy użytkownik dociera na sam koniec ścieżki zakupowej, oznacza to że jest on zdeterminowany do zakupu, a niski współczynnik konwersji na ostatnim etapie lejka to jasny sygnał, że powinniśmy w tym miejscu coś poprawić.

Niedowiezione KPI biznesowe – podsumowanie

Podsumowując – poprawa KPI w e-commerce wymaga przeprowadzenia skrupulatnej analizy danych i skoncentrowania się na kluczowych elementach: liczbie użytkowników, średniej wartość zamówienia i współczynniku konwersji. Po zdiagnozowaniu problematycznego komponentu wpływającego na przychód, należy go jak najdokładniej zdekomponować, postawić hipotezy i przystąpić do testów. Wykorzystywanie testów A/B do weryfikacji hipotez oraz uwzględnienie czynników zewnętrznych to kluczowe aspekty na drodze do sukcesu.

The post Niedowiezione KPI biznesowe – jak szukać przyczyn w danych? first appeared on Conversion.