Aby odpowiedzieć na powyższe pytanie nie wystarczy już analizowanie pojedynczych źródeł ruchu, ani wykorzystanie domyślnego modelu atrybucji, który przypisuje wartość konwersji jedynie do ostatniego niebezpośredniego kanału ruchu. Jeżeli użytkownicy Waszego serwisu, tak jak na poniższym raporcie, potrzebują więcej niż 2 interakcji, aby skonwertować, przy ocenianiu efektywności kanałów ruchu powinniście sięgnąć po analizę ścieżek wielokanałowych.

Raport długość ścieżki pokazuje nam, w ile interakcji z naszym serwisem wchodzi użytkownik zanim skonwertuje. W powyższym przykładzie w prawie 70% przypadków użytkownicy potrzebują więcej niż 2 interakcji z serwisem – oznacza to, że przy ocenianiu źródeł ruchu należy sięgnąć po analizę ścieżek wielokanałowych.

Analiza ta umożliwia identyfikację najczęstszych ścieżek konwersji, jakie przebywają nasi użytkownicy na drodze do konwersji. Ścieżka konwersji jest to sekwencja interakcji użytkownika ze stroną, która poprzedza każdą konwersję. Jednak, aby odpowiedzieć na pytanie, które z kolejnych interakcji użytkownika w największym stopniu odpowiadają za konwersję, musimy sięgnąć do raportów modeli atrybucji.

Czym są modele atrybucji?

Model atrybucji jest zbiorem reguł, który określa do którego punktu kontaktu na ścieżce konwersji będzie przypisana konwersja. Raporty porównujące modele atrybucji możemy znaleźć w raportach Konwersji, w Atrybucji konwersji.

Raporty porównujące modele atrybucji możemy znaleźć w raportach Konwersji, w Atrybucji konwersji.

Te punkty kontaktu na ścieżce konwersji to kanały ścieżek wielokanałowych, które określają źródła ruchu, poprzez które użytkownicy trafili na nasz serwis: przykładowo poprzez odesłanie z innych witryn albo poprzez płatne wyniki wyszukiwania (np. AdWords). W raportach modeli atrybucji znajdziecie domyślne pogrupowanie kanałów, które zawierają:

• Wejścia bezpośrednie
• Bezpłatne wyniki wyszukiwania
• Odesłania
• Płatne wyniki wyszukiwania
• Sieci społecznościowe
• Emaile
• Reklamy displayowe

W modelach atrybucji jako wartość konwersji możemy uwzględnić zarówno konwersje ecommercowe, jak również konwersje celów. W tym drugim przypadku, aby modele atrybucji działały poprawnie i zbierały dane, warto pamiętać o ustawieniu wartości celów.

W ustawieniach raportu możemy określić zakres czasowy raportu od 1 do 90 dni – określa on czas przed każdą konwersją, w którym będą zliczane kliknięcia z kanałów ruchu prowadzące do danej konwersji. Wybrany okres ważności powinien zależeć od długości ścieżki konwersji – w przypadku tanich produktów, takich jak drobna elektronika, będzie on krótki. Natomiast dla drogich produktów, takich jak samochody, gdy użytkownicy potrzebują dużo czasu i interakcji z serwisem, aby podjąć decyzję o zakupie, wybrany okres ważności raportu powinien być również dłuższy.

Zbyt krótki okres ważności spowoduje, że modele nie będą zawierały wszystkich punktów interakcji użytkownika z serwisem. Zbyt długi (szczególnie, gdy chcemy analizować konkretne kampanie) może powodować, że w naszej analizie znajdą się również punkty styczności użytkownika z serwisem, które miały miejsce zanim kampania ruszyła.

Wskazówki, ile dni wynosi długość ścieżki konwersji dla naszego serwisu, możemy poszukać między innymi w raporcie Konwersje -> Ścieżki wielokanałowe -> Upływ czasu.

Możemy również tworzyć własne grupy kanałów. Jest to bardzo przydatna opcja, szczególnie jeżeli prowadzimy działania marketingowe nakierowane na konkretne źródła pozyskiwania ruchu. Przykładowo, gdy duże kwoty z naszego budżetu marketingowego przeznaczamy na promocję w porównywarkach cenowych, możemy stworzyć z nich oddzielną grupę kanałów, co pozwoli nam na analizę ich udziału w ścieżce zakupowej.

Dostępne w Google Analytics modele atrybucji

Jak poszczególne modele atrybucji wpływają na ocenę kanałów, którymi przychodzą użytkownicy, zilustruję na przykładzie: użytkownik szuka butów na zimę.

1. Rozpoczyna poszukiwanie w wyszukiwarce Google, gdzie zauważa reklamę AdWords butów zimowych i klika na nią przechodząc na serwis www.butyzimowe.pl.
2. W trakcie wizyty nie decyduje się na zakup żadnego produktu na stronie.
3. Kolejnego dnia widzi reklamę tego samego serwisu na Facebooku i decyduje się kliknąć i ponownie zobaczyć ofertę sklepu www.butyzimowe.pl, ale wciąż nie decyduje się na zakup.
4. W kolejnym tygodniu użytkownik ponownie odwiedza serwis, najpierw poprzez link w porównywarce cenowej Ceneo, a następnie poprzez link w emailu, który zawiera bony rabatowe.
5. Następnie użytkownik wchodzi bezpośrednio na serwis wpisując nazwę serwisu w przeglądarce i dokonuje zakupu butów na zimę.

Ścieżka konwersji naszego przykładowego użytkownika wygląda następująco:

Przykładowa ścieżka konwersji użytkownika, który poszukuje w Internecie butów na zimę. Początkowo trafia na stronę www.butyzimowe.pl poprzez reklamę AdWords. Następnie poprzez Facebooka, odesłania z porównywarki cen, ofertę emailową i na końcu przychodzi na stronę poprzez wejście bezpośrednie i kupuje jeden z ofertowanych produktów na stronie.

Pojawia się pytanie: w przypadku tak złożonej ścieżki, do którego kanału ruchu powinniśmy przypisać największy udział w konwersji? Który kanał powinien być uważany za najbardziej efektywny w procesie zakupowym użytkownika?

Modele atrybucji stanowią odpowiedź na powyższe pytania i pomagają nam w ocenie poszczególnych źródeł ruchu. W zależności od przyjętych reguł, przypisują udział w konwersji całościowo do jednego kanału ruchu, bądź rozdzielają go na kilka kanałów.

Aby przeprowadzać efektywne analizy ścieżek wielokanałowych, na samym początku musimy znaleźć odpowiedź na pytanie: które z proponowanych modeli najlepiej pasują do specyfiki naszego serwisu? Rzadko zdarza się, że pasuje nam jedynie jeden model atrybucji. Najlepszym podejściem jest wybór paru modeli, które najbardziej odpowiadają specyfice prowadzonych przez nas działań i porównanie wyników oraz wniosków z nich płynących. W Google Analytics możecie wybrać pomiędzy siedmioma domyślnymi modelami.

Model ostatniej interakcji

Model ostatniej interakcji przypisuje 100% wpływu na konwersję do ostatniego kanału ruchu.

Model ostatniej interakcji przypisuje 100% wpływu na konwersję do ostatniego kanału ruchu. W powyższym przykładzie wartość konwersji w całości zostałaby przypisana do wejścia bezpośredniego.

Model ten sprawdzi się jedynie dla serwisów, gdzie w raporcie „Długości ścieżki konwersji” — 70% konwersji dzieje się przy pierwszych bądź drugich odwiedzinach użytkownika. Przykładowo model ostatniej interakcji może zostać wykorzystany przy analizowaniu ścieżki zakupowej produktów grupy FMCG, gdzie decyzja zakupowa jest podejmowana przez użytkownika szybko, najczęściej w ciągu tego samego dnia i gdy jedna lub dwie interakcje z serwisem wystarczą do podjęcia decyzji zakupowej. Dla większości serwisów będzie on jednak nieodpowiedni.

Model ostatniego kliknięcia niebezpośredniego

W tym modelu 100% udziału w konwersji zostanie przypisany do ostatniego kanału, który nie był wejściem bezpośrednim, a który użytkownik wykorzystał, aby przyjść na stronę serwisu.

Model ostatniego kliknięcia niebezpośredniego jest domyślnym modelem we wszystkich raportach, które możemy znaleźć w GA (oprócz raportów ścieżek wielokanałowych i modeli atrybucji).

W tym modelu 100% udziału w konwersji zostanie przypisane do ostatniego kanału, który nie był wejściem bezpośrednim, a który użytkownik wykorzystał, aby przyjść na stronę serwisu przed konwersją (wyjątek stanowi przypadek, gdy użytkownik skorzystał jedynie z wejścia bezpośredniego, aby znaleźć się na stronie, wtedy udział w konwersji zostanie przypisany w całości do wejścia bezpośredniego).

W omawianym przykładzie konwersja zostanie przypisane do wiadomości email.

Ten model motywowany jest założeniem, że użytkownicy, którzy przychodzą na serwis bezpośrednio, znają nasz serwis, zatem na ich zachowanie wpłynęły poprzednie kanały i działania marketingowe, z którymi mieli styczność. Założenie to jest nie do końca prawdziwe, gdyż przypisuje całą wartość konwersji tylko do ostatniego niebezpośredniego kanału wejścia użytkownika, całkowicie pomijając wpływ innych wcześniejszych kanałów ruchu. Model pomija także możliwość, że użytkownik może wejść bezpośrednio na nasz serwis i dokonać zakupu, będąc pod wpływem innych działań marketingowych czy informacji (przykładowo informacji z kanałów offline).

Model pierwszej interakcji

W modelu pierwszej interakcji cały udział w konwersji zostanie przypisany do pierwszego źródła, które stanowiło pierwszy punkt kontaktu użytkownika z serwisem.

W tym modelu cała wartość konwersji zostanie przypisana do pierwszego źródła, które stanowiło pierwszy punkt kontaktu użytkownika z serwisem.

W omawianym przypadku będzie to płatne wyszukiwanie w AdWords.

Ten model atrybucji może być wykorzystany przez serwisy, które dopiero pojawiły się na rynku. Dla tych serwisów istotną kwestią jest budowanie świadomości marki wśród użytkowników i na ten cel mogą przeznaczać zdecydowaną część swojego budżetu marketingowego. W takiej sytuacji przypisanie 100% wartości konwersji do pierwszego punktu kontaktu użytkownika z serwisem pomaga im w znalezieniu kanałów, które najlepiej spełniają założony cel.
Pozostałe serwisy nie powinny korzystać z tego modelu, chyba że chcą poznać media, w których użytkownicy spotykają się z nimi po raz pierwszy (a dzięki temu zaplanować odpowiednią komunikację).

Model ostatniego kliknięcia AdWords

Ten model przypisuje konwersję do ostatniego przyjścia użytkownika do serwisu poprzez reklamę AdWords. W powyższym przypadku konwersja zostałaby przypisana jedynie pierwszemu kanałowi ścieżki.

Model ostatniego kliknięcia AdWords nie ma większego zastosowania w analizach ścieżek wielokanałowych. Jego jedynym celem wydaje się uzasadnienie potrzeby ponoszenia większych wydatków na działania w AdWords, na czym zależy Google

Model liniowy

Model liniowy przypisuje po równo udział w konwersji każdemu punktowi kontaktu użytkownika z serwisem.

Model liniowy przypisuje po równo udział w konwersji każdemu punktowi kontaktu użytkownika z serwisem.

W naszym przykładzie każdy z kanałów otrzymałby 20% udziału w konwersji.

Ten model zakłada, że każdy kanał, poprzez który użytkownik przychodzi do serwisu, w takim samym stopniu wpływa na zachowanie użytkownika. Model ten możemy stosować, gdy w prowadzonych przez nas kampaniach każda styczność użytkownika z naszym serwisem jest tak samo ważna i zależy nam na ciągłym podtrzymaniu kontaktu z użytkownikiem.

Przykładowo prowadzimy ciągłą kampanię serwisu z opiniami o kosmetykach. Naszym celem jest pozyskanie jak największej bazy użytkowników (w celu ciągłego rozszerzania bazy opinii) oraz aby użytkownicy stale nas odwiedzali i nie zapomnieli o naszym serwisie. Wtedy każda styczność użytkownika z serwisem jest dla nas taka samo istotna i planujemy budżet tak, aby osiągnąć jak najszerszy zakres naszych kampanii w Internecie.

Model rozkładu czasowego

W modelu rozkładu czasowego największy udział w konwersji otrzymują ostatnie kanały, którymi użytkownik trafił na serwis przed konwersją. Pierwszy kanał natomiast otrzymuje najmniejszy udział w konwersji.

W modelu rozkładu czasowego największy udział w konwersji otrzymują ostatnie kanały, którymi użytkownik trafił na serwis przed konwersją. Pierwszy kanał natomiast otrzymuje najmniejszy udział w konwersji.

W podanym przykładzie najmniejszy udział otrzyma płatne wyszukiwanie, każdy kolejny kanał będzie otrzymywał wyższy udział w konwersji. Największy udział będzie miało wejście bezpośrednie, jako ostatni punkt kontaktu użytkownika przed konwersją.

Model ten zakłada, że każda kolejna interakcja użytkownika z serwisem poprzez kolejne kanały, coraz bardziej przybliża go do spełnienia celu strony, czyli konwersji.

Przykładowo model rozkładu czasowego moglibyśmy wykorzystać w kampaniach, które w zależności od etapu kampanii wykorzystują różne kanały promocji i ich zadaniem jest stopniowe budowanie zaangażowanie użytkownika na stronie.

Model ten warto wykorzystać również, gdy prowadzimy krótkie kampanie nakierowane na szybką konwersję użytkownika. Wtedy kanały, dzięki którym użytkownik trafił na naszą stronę w trakcie trwania kampanii są dla nas dużo więcej warte niż kanały, poprzez które użytkownicy przychodzili na stronę, kiedy kampania jeszcze nie działała. Te wcześniejsze wejścia mają również przypisany udział w konwersji (chociaż zdecydowanie mniejszy) ze względu na funkcje budowanie wizerunku i świadomości marki.

Z domyślnie dostępnych modeli atrybucji w GA, jest to model najbardziej zbliżony do procesu budowania zaangażowania i znajomości marki w świadomości użytkownika, dlatego jest to najlepszy z dostępnych modeli, aby rozpocząć nasze pierwsze analizy ścieżek wielokanałowych.

Model uwzględnienia pozycji

Model uwzględnienia pozycji przypisuje po 40% udziału w konwersji do pierwszego i ostatniego punktu kontaktu na ścieżce konwersji. Pozostałe 20% udziału jest dzielone po równo pomiędzy pozostałe grupy kanałów.

Model uwzględnienia pozycji przypisuje po 40% udziału w konwersji do pierwszego i ostatniego punktu kontaktu na ścieżce konwersji. Pozostałe 20% udziału jest dzielone po równo pomiędzy pozostałe grupy kanałów.

W omawianym przykładzie płatne wyszukiwanie oraz wejście bezpośrednie otrzymały po 40% udziału w konwersji, natomiast sieć społecznościowa, odesłanie, email w sumie otrzymałyby pozostałe 20% udziału.

Model może być bardzo korzystny dla serwisów, które opierają swoje działania głównie dla remarketingu – pierwszy kontakt użytkownika z serwisem jest tutaj kluczowy, gdyż pozwala „oznaczyć” użytkownika. Kolejne działania marketingowe i kanały maja podtrzymać zainteresowanie użytkownika oferowanym produktem i usługą. Tak samo ważnym kanałem jak pierwszy, jest ostatni, który jest bezpośrednim źródłem konwersji. Przy tak dobranym modelu atrybucji, wiemy, w które kanały powinniśmy zainwestować najsilniej w przypadku wykorzystania remarketingu, aby (1) wpisać użytkownika na listę remarketingową (czyli de facto ściągnąć użytkownika po raz pierwszy kampanią namawiającą do sprawdzenia naszej strony / produktu / usługi / firmy) i (2) przekonać go do skonwertowania.

Porównywanie modeli atrybucji

Narzędzie porównywania modeli pozwala na porównywanie wpływu różnych kanałów na konwersję w zależności od wybranego modelu atrybucji. Do porównania możemy wybrać maksymalnie 3 modele.

W raportach atrybucja konwersji możemy porównać miedzy sobą do trzech modeli atrybucji, dzięki czemu możemy analizować efektywność poszczególnych kanałów ścieżek wielokanałowych według różnych modeli atrybucji.

Ostatnia kolumna porównuje jak radzą sobie poszczególne kanały w wybranych modelach atrybucji. W zależności od wybranego modelu atrybucji, udział i zarazem znaczenie poszczególnych kanałów dla naszych działań marketingowych byłyby znacząco różne. Miałoby to wpływ na planowane działania marketingowe i rozdystrybuowanie budżetu.

I tak na powyższym przykładzie widzimy, że wejścia bezpośrednie według modelu pierwszej interakcji mają ponad 55% mniejszy udział w konwersji. Za to o ponad 15% większy udział w konwersji w modelu pierwszej interakcji w porównaniu z modelem ostatniej interakcji ma kanał płatnych wyników wyszukiwania.

Podejmując decyzję o tym, w które kanały ruchu powinniśmy zainwestować najwięcej budżetu, korzystając zarówno z modelu ostatniej interakcji, jak i pierwszej interakcji, wybralibyśmy odesłania. Na drugim miejscu pod względem wysokości budżetu znalazłyby się albo wejścia bezpośrednie albo płatne wyniki wyszukiwania w zależności od użytego modelu. Przykładowo, jeżeli do tej pory inwestowaliśmy duże nakłady na wejścia bezpośrednie, poprzez inwestycję w kanały offline, gdyż korzystaliśmy jedynie z modelu ostatniej interakcji, porównanie obydwu modeli zwróci naszą uwagę na duży potencjał płatnych wyszukiwań, np. AdWords. Dzięki takiemu porównaniu większa część budżetu zostanie zainwestowana w ten kanał, niż jakbyśmy korzystali jedynie z pierwszego modelu.

Modele niestandardowe

Google Analytics umożliwia nam również tworzenie modeli niestandardowych. Tworzenie modeli niestandardowych, które pozwolą efektywnie analizować oraz optymalizować ścieżki wielokanałowe, wymaga:

• znajomości modelu biznesowego,
• znajomość użytkowników serwisu i ich zachowania,
• znajomości sektora, w którym działa serwis,
• analizy biznesowej przeprowadzonej pod kątem modeli atrybucji.

Uzbrojeni w taką wiedzę jesteśmy w stanie stworzyć model, który będzie odpowiadał wymaganiom i specyfice naszego biznesu. Aby stworzyć własny model wystarczy na rozwijanej liście modeli wybrać opcję „Utwórz nowy niestandardowy model”.

Na rozwijanej liście modeli atrybucji do wyboru znajduje się opcja „Utwórz nowy niestandardowy model”, która pozwala na stworzenie modelu atrybucji dostosowanego do potrzeb naszego biznesu.

W kolejnych krokach wybieramy nazwę dla naszego modelu atrybucji i model, który będzie bazowym modelem, na podstawie którego będziemy tworzyć nasz własny.

Przy tworzeniu niestandardowych modeli atrybucji mamy do wyboru trzy opcje: okres ważności, dostosowanie kredytu na podstawie zaangażowania użytkowników i niestandardowe reguły kredytowe, które nie są obowiązkowymi elementami w konfiguracji modelu, ale warto je wykorzystać.

Kolejne trzy opcje: okres ważności, dostosowanie kredytu na podstawie zaangażowania użytkowników i niestandardowe reguły kredytowe nie są obowiązkowymi elementami w konfiguracji modelu, ale warto je wykorzystać, aby stworzyć jak najbardziej zindywidualizowany model dla naszego biznesu.

Podziału udziału w konwersji pomiędzy poszczególne kanały możemy również dokonać na podstawie zaangażowania użytkowników przychodzących z poszczególnych kanałów. Google Analytics daje nam wybór między dwoma wskaźnikami zaangażowania: czasu spędzonego na stronie oraz głębokości wizyty.

Na przykład, jeżeli kanały stanowią poszczególne kampanie, które były przez Ciebie prowadzone w ostatnim czasie, przy wyborze opcji „głębokości wizyty” Google Analytics przypisze proporcjonalnie większy udział w konwersji do kampanii, która charakteryzuje się większą liczba stron odwiedzonych przez użytkowników.

Niestandardowe reguły kredytowe przy tworzeniu niestandardowych modeli atrybucji oferują szeroką możliwość dostosowania tworzonego modelu.

W niestandardowych regułach kredytowych możesz określić poszczególne punkty interakcji użytkownika z serwisem i następnie określić przydzielanie im udziału w konwersji w porównaniu z innymi punktami.

Po wyborze konkretnej pozycji na ścieżce konwersji możemy jej przydzielić większy udział w konwersji w tworzonym modelu atrybucji w porównaniu z pozostałymi kanałami ruchu.

Na przykład dla kanałów, które znajdują się na środku ścieżki konwersji, możemy ustawić regułę, że GA będzie im przydzielał 2 razy większy udział w konwersji w porównaniu z pozostałymi kanałami. Takie reguły możemy również wprowadzić dla konkretnych źródeł czy medium ruchu, dla konkretnych słów kluczowych czy formatu reklamy.

Dla jednego niestandardowego modelu atrybucji możemy dodać wiele niestandardowych reguł kredytowych, dzięki czemu modele niestandardowe dają nam niesamowite możliwości tworzenie indywidualnych modeli atrybucji dopasowanych do specyfiki i wymagań naszego biznesu.

Przykładowo niestandardowy model dla naszego przykładu mógłby prezentować się następująco:

Przykład niestandardowego modelu atrybucji, gdzie użytkownik przed konwersją trafia na serwis poprzez pięć różnych grup kanałów ścieżek wielokanałowych.

W powyższym modelu największy udział w konwersji jest przypisany dla wiadomości emailowych, które stanowiły ostatni (nie będący wejściem bezpośrednim) punkt kontaktu użytkownika z serwisem. AdWords otrzymał drugi największy udział w konwersji, gdyż zainicjował pierwszy kontakt użytkownika z serwisem, budując u użytkownika świadomości marki www.butyzimowe.pl. Wejście bezpośrednie jako ostatni kanał na ścieżce otrzymał 15% udział w konwersji. Odesłanie oraz sieć społecznościowa otrzymały kolejno mniejsze udziały w konwersji, jako kanały wspomagające konwersję.

Podsumowanie

Modele atrybucji stanowią potężne narzędzie w analizie ścieżek wielokanałowych. Zrozumienie prowadzonego biznesu internetowego i jego użytkowników jest kluczem do stworzenia modelu, który pozwoli Ci na identyfikację kanałów ruchu, które w największym stopniu przyczyniają się do konwersji. Dzięki takiemu podejściu będziesz mógł efektywnie zarządzać dostępnymi zasobami i planować działania marketingowe, które zwiększą efektywność sprowadzanego na stronę ruchu.

The post Atrybucja konwersji w Google Analytics – jak wybrać odpowiedni model? first appeared on Conversion.

1. Narzędzia i Dane
2. Ludzie
3. Procesy

W tym poście skupię się na procesach, które powinny stanowić nieodłączną część analityki internetowej w każdej organizacji.

Nawet jeżeli zaimplementujemy najdroższe i najlepsze narzędzia, zbierzemy pełne i poprawne dane, a nawet podkupimy cały zespół specjalistów Web Analytics Demystified – bez odpowiednio wypracowanych procesów nie zbudujemy analityki.

Jak stworzyć dobre procesy analityczne w swojej organizacji?

Po pierwsze, trzeba je odpowiednio zaprojektować, dopasować do organizacji i przygotować harmonogram.Po drugie, trzeba zadbać o ich wdrożenie, podczas którego zapewnimy odpowiednie narzędzia i wystarczający know-how w zespole. Po trzecie, trzeba zadbać o ich ciągłość i powtarzalność – tak aby sukcesywnie rozwijały organizację.

Brzmi jak wyzwanie?

Faktycznie, można zaryzykować stwierdzenie, że stworzenie ciągłych i efektywnych procesów w organizacji to najtrudniejszy i najbardziej wymagający element całej układanki.

Z drugiej strony – to właśnie dzięki dobrze stworzonym procesom możemy dostrzec korzyści, które płyną z analityki internetowej.

Poniżej kilka najważniejszych procesów, które uwolnią potencjał analityki internetowej w Twojej organizacji:

Proces raportowania kluczowych metryk dla osób decyzyjnych w organizacji z wykorzystaniem kokpitów managerskich.

Punktem wyjścia dla tego procesu jest zdefiniowanie celów biznesowych naszej organizacji. Następnie – okreśenie działań, które przybliżą nas do osiągania wyznaczonych celów.

Aby mierzyć to, w jakim stopniu udaje nam się realizować nasze założenia niezbędne jest określenie KPI – Kluczowych Wskaźników Wydajności. To metryki, na podstawie których czarno na białym sprawdzimy w jakim punkcie jest nasza organizacja. W dobie Big Data nie jesteśmy w stanie monitorować wszystkiego co dzieje się w serwisie.

Zamiast kierować brygadę analityków do raportowania wszystkiego, lepiej określić kilka mocnych metryk, które analizowane w odpowiedni sposób przyniosą wymierne korzyści dla naszego biznesu.

Gdy mamy zdefiniowane KPI, powinniśmy dobrać narzędzia, które pozwolą nam je mierzyć (tak jak pisałam we wstępie – nigdy w innej kolejności). Jednak, powtarzając się, same metryki nie mają znaczenia, jeżeli nie będą zaprezentowane w odpowiedni sposób.

Dlatego niezbędne jest wdrożenie systemu raportowania kluczowych metryk – na przykład za pomocą kokpitów managerskich. Są to narzędzia, które na jednym ekranie prezentują Kluczowe Wskaźniki Wydajności. Dzięki temu, że są automatyczne generowane oszczędzamy czas, który analityk może poświęcić na analizę. Poszczególni udziałowcy procesu widzą jak w czasie zmieniają się metryki i na tej podstawie zgłaszają do analityka potrzebę szczegółowej analizy pod kątem danej zmiany. Dzięki temu analityk ma więcej czasu i może lepiej przyjrzeć się badanemu zjawisku, przez co wnioski płynące z takich analiz są z pewnością lepsze.

KPI nie są raz na zawsze: po jakimś czasie wypalają się (chociażby w przypadku, gdy uda nam się osiągnąć założony cel) i należy je aktualizować.

Proces analizy danych ad hoc

Proces analizy danych „na bieżąco” jest kluczowy dla organizacji. W wielu firmach proces ten tożsamy jest z raportowaniem – podczas gdy generowanie raportów powinni być punktem wyjściowym do analiz, a nie ich sednem.

Wartością, którą przynosi analityka internetowa są działania podejmowane na podstawie danych. Mówiąc bez ogródek: wartością jest zysk, który da się wygenerować na podstawie przedstawionych rekomendacji i działań.

Dlatego samo raportowanie jest jałowym procesem z punktu widzenia organizacji.

Pierwszym etapem jest zebranie danych. Musimy pamiętać, że dane muszą być rzetelne (prawidłowo opisywać rzeczywistość) i użyteczne (odpowiadać kluczowym dla nas metrykom). Analiza danych opiera się w głównej mierze na odpowiedzi na pytania: co się stało i dlaczego tak się stało. Dzięki jasno sprecyzowanym hipotezom stawiamy rekomendacje –definiujemy zmiany, które należy wprowadzić aby usprawnić analizowane obszary. Następnie podejmujemy działania, które, w dłuższej lub krótszej perspektywie, mają wpłynąć na poprawę wyników finansowych firmy.

Co dalej? Dane, Analiza, Rekomendacje, Działanie. A później? Dane, Analiza, Rekomendacje, Działanie. I znowu? Tak. Tylko dzięki stałemu powtarzaniu tego procesu i wprowadzaniu ciągłych usprawnień możemy skutecznie rozwijać naszą firmę.

Ten proces dotyczy nie tylko Działu Analityki, ale właściwie wszystkich osób w organizacji, które pracują na danych. Chociażby Dział marketingu – efektem dobrze wdrożonego procesu analizy danych ad hoc powinna być ścisła współpraca pomiędzy marketerami, którzy zadają mądre pytania biznesowe, i analitykami, którzy dzięki analizom potrafią na nie sensownie odpowiedzieć.

W każdej organizacji powinien istnieć taki proces – po to aby ciągle realizować założone cele biznesowe.

Proces optymalizacji współczynnika konwersji

Nie ma chyba procesu, który bardziej bezpośrednio przekłada się na zysk. Proste: współczynnik konwersji w górę o 3%, to zysk większy o 3%.

Często organizacje podejmują radykalne decyzje w postaci redesignu serwisu. W wielu przypadkach dużo efektywniej byłoby wdrażać niewielkie zmiany – zamiast porywać się na wielomiesięczne, kosztowne projekty zmiany całego serwisu, które często kończą się przekroczonymi terminami i budżetami.

Wdrożenie procesu ciągłego optymalizacji współczynnika konwersji powinno być podstawą nie tylko w sklepach internetowych, ale także w serwisach generujących zapytania sprzedażowe.

O tym, że zafiksowanie na testowanie serwisu to recepta na sukces niech świadczy fakt, że Amazon przeprowadza jakieś 200 testów miesięcznie. Efekty? 30% każdego dolara wydawanego na zakupy online w USA trafia do imperium Jeffa Bezosa.

Proces optymalizacji współczynnika konwersji to niekończąca się opowieść. Najpierw identyfikujemy pole do optymalizacji na podstawie danych ilościowych i jakościowych, następnie stawiamy hipotezy, potem weryfikujemy je na podstawie testów A/B. Jeżeli mamy wzrost współczynnika konwersji – wdrażamy poprawki i testujemy dalej. Jeżeli nie – zastanawiamy się i analizujemy przyczyny porażki, po to żeby następnym razem trafniej stawiać hipotezy.

Procesy optymalizacji kampanii marketingowych

Zastanawiające jest to, dlaczego wiele organizacji przeznaczając niebotyczne środki na kampanie marketingowe, nie decyduje się wydać nawet ułamka tych kwot na optymalizację i analizowanie swoich działań.

Kampanie newsletterowe, banerowe czy te w mediach społecznościowych powinny podlegać procesowi ciągłej optymalizacji. Należy je mierzyć, analizować, testować i poprawiać – wszystko po to, aby uzyskać jak najwyższy zwrot z inwestycji.

Proces powinien obejmować zarówno analizę ad hoc – w momencie, gdy pojawiają się jakieś anomalie (np. współczynnik otwarć newslettera nagle spada) jak i ciągła optymalizację, np. w postaci testowania przekazów marketingowych czy optymalizacji budżetu przeznaczanego na poszczególne kanały marketingowe.

W momencie, kiedy wydajemy kilkaset złotych dziennie na remarketing AdWords niemierzenie jego skuteczności i nie podejmowanie działań na tej podstawie jest wyrzucaniem pieniędzy w błoto.

Proces optymalizacji kampanii marketingowych to dobry wstęp do kolejnego, bardziej zaawansowanego procesu: optymalizacji media mix.

Proces optymalizacji media mix

Wciąż wiele firm hołduje słowom Johna Wanamakera, który stwierdził, że zdaje sobie sprawę z tego, że połowa jego budżetu marketingowego jest stracona – i nie wie tylko która.

Przy dzisiejszych możliwościach analizy takie podejście jest całkowitym marnotrawieniem potencjału. Dlatego też powinniśmy zaprojektować procesy, które pozwolą nam na analizę środków przeznaczanych na działania marketingowe a tym samym – pozwolą efektywnie je wykorzystywać.

Optymalizacja marketingu mix to proces, który pozwoli trafnie podejmować decyzje dotyczące lokowania środków na poszczególne kanały marketingowe.

Proces powinien obejmować analizę raportów ścieżek wielokanałowych. To pokaże jakie kanały są najbardziej efektywne na kolejnych etapach procesu zakupowego i jaką wartość możemy przypisać poszczególnym kanałom w momencie konwersji.

Jeżeli użytkownik dokonuje konwersji po otrzymaniu komunikatu marketingowego z jednego źródła – na przykład po kliknięciu w reklamę displayową – mamy wyjątkowo dużo szczęścia.

Zdecydowanie częściej jest to proces, który w zależności od specyfiki produktu (dostępności, ceny) trwa dłużej i obejmuje różne etapy. I tak na bardzo wczesnym etapie procesu zakupowego, w momencie kreowania potrzeby, najbardziej efektywne mogą być reklamy typu display. To one rozpoczynają kontakt z serwisem. Na ostatnim etapie, kiedy użytkownik jest bliski podjęcia decyzji, kanałem zamykającym konwersję może być np. newsletter.

Gdy przypiszemy cały „zysk” z konwersji źródłu „newsletter” zebrane dane będą niepełne. Wówczas okaże się, że display nie przynosi żadnego zysku – to źródło bardzo rzadko zamyka konwersję. Wniosek: inwestować tylko w kampanie newsletterowe. Czy na pewno?

Przecież gdyby nie reklama display, użytkownik w ogóle nie trafiłby do naszego serwisu, nie dostałby newslettera, i prawdopodobnie – nic by nie kupił.

Aby rozpocząć pracę nad optymalizacją media mix należy eksperymentować z różnymi modelami atrybucji, które pozwoli nam mierzyć efektywność poszczególnych kanałów na ścieżce zakupowej, a później – umożliwiać ich optymalizacje. I tylko na tej podstawie – a nie bazując na przeczuciach – powinniśmy decydować o przesuwaniu, zwiększaniu lub zmniejszaniu budżetów marketingowych na poszczególne kanały.

Analitykę internetową tworzą narzędzia i dane, ludzie oraz procesy. Same narzędzia to tylko wycinek procesu budowy analityki internetowej w organizacji. Skupiając się tylko na ich instalacji i zaawansowanej konfiguracji możemy przeoczyć rzeczy, które są równie ważne – o ile nie najważniejsze.

Fakty są takie: analityka internetowa ma przekładać się na zysk. Jeżeli tak nie jest – możemy rozpocząć pracę nad wdrożeniem trzech wspomnianych filarów, albo odpuścić sobie ją w ogóle.

The post Procesy w analityce internetowej: trzeci z filarów analityki internetowej first appeared on Conversion.

Proces analizy, niezależnie czy celem serwisu jest sprzedaż czy generowanie leadów, jest dokładnie taki sam:

Pierwszym etapem jest zebranie danych. Musimy pamiętać, że dane muszą być prawdziwe (odpowiadać rzeczywistości) i użyteczne (odpowiadać kluczowym dla nas metrykom). Analiza danych opiera się w głównej mierze na odpowiedzi na pytania: co się stało i dlaczego tak się stało. Dzięki jasno sprecyzowanym informacjom stawiamy rekomendacje – definiujemy zmiany, które należy wprowadzić aby usprawnić analizowane obszary. Następnie podejmujemy działania, które, w dłuższej lub krótszej perspektywie, mają wpłynąć na poprawę wyników finansowych firmy.

Celem analiz może być przede wszystkim zwiększanie sprzedaży oraz maksymalizacji zysku z inwestycji online (ROI). Realizację tak sformułowanych celów mierzymy za pomocą Kluczowych Wskaźników Wydajności (KPI) – czyli po prostu odpowiednich metryk.

Na dobry początek: 3 obszary analiz

W tym poście przedstawię 3 obszary, które powinniście uwzględniać w swoich analizach. Wnioski pozwolą na poprawę stron docelowych a także pomogą podejmować decyzje o wydatkach na działania marketingowe.

Oczywiście to tylko wycinek możliwości, które daje analityka internetowa. Mam jednak nadzieję, że będzie to dobry wstęp do kolejnych artykułów

Konwersje makro i mikro

więcej konwersji = większa sprzedaż

Współczynnik konwersji to podstawowa metryka, która pokazuje efektywność naszej strony internetowej: ilu użytkowników, którzy na nią trafili dokonało pożądanej przez nas akcji. W przypadku serwisów generujących leady konwersją będzie na przykład pozostawienie danych do kontaktu, pobranie pliku lub wykonanie telefonu.

Załóżmy, że w Twoim serwisie z 500 wysłanych leadów w danym miesiącu 50 przeradza się w transakcje (np. rozpoczęcie projektów). Jeżeli średni przychód na jednym kliencie wynosi 2 000 zł to wartość jednego leadu wynosi 200 zł.

średnia wartość potencjalnego klienta = (pozyskani klienci x średni przychód ze sprzedaży) / liczba potencjalnych klientów

Jeżeli z 500 zapytań 50 przeradza się w klientów (konwersja leadów 10%), którzy przynoszą zysk rzędu 2 000 to zwiększenie liczby leadów do 1000 za pomocą optymalizacji współczynnika konwersji podwoi nasz zysk. Oczywiście jeżeli odbywa się to przy takiej samej jakości ruchu i takim samym współczynniku konwersji leadów (10%).

Aby zmierzyć współczynnik konwersji witryny generującej leady za pomocą Google Analytics możemy ustawić cele. Najlepszym rozwiązaniem jest skonfigurowanie celu na URL strony podziękowania: oznacza to, że gdy użytkownik znajdzie się na tej stronie, zliczać się będzie konwersja. Co ważne: konwersja w przypadku celu nalicza się tylko raz (nawet jeżeli użytkownik w danej sesji pobierze plik bądź wypełni formularz kilkukrotnie).

W przypadku Avivy konwersją będzie zamówienie bezpłatnej rozmowy (strona podziękowania po wypełnieniu formularza). Będzie nią także kontakt telefoniczny. Jak sprawdzić, ilu użytkowników kontaktowało się z infolinią? Dobrą metodą jest przypisanie jednego numeru telefonu tylko dla danego landing page (wówczas wiemy, że użytkownik trafił do nas z tej strony). Aby jeszcze lepiej analizować całościowo współczynnik konwersji warto spróbować ustawić cel na zdarzenie np. przy wyświetlaniu numeru telefonu po kliknięciu „Pokaż numer”. Możemy wtedy zliczać pokazanie numeru jako konwersję.

Jak zwiększyć współczynnik konwersji strony docelowej? Powinniśmy pracować nad samym wyglądem i formą strony, ale także nad jej użytecznością – z pomocą przyjdą tutaj najlepsze praktyki projektowania stron docelowych oraz testy A/B, które potwierdzą bądź obalą nasze hipotezy.

W przypadku stron generujących leady kluczowym elementem jest formularz. To właśnie jego wypełnienie definiujemy jako konwersje, dlatego musi być maksymalnie przyjazny dla użytkownika.

Nikt w nie lubi wypełniać formularzy. W wielu przypadkach sprawdza się zasada: im krócej, tym lepiej. Czasami może wystarczyć tylko adres e-mail. Warto tu jednak przeanalizować koszt. Im mniej informacji o użytkowniku, tym mniej wartościowe leady. Dlatego zanim podejmiemy decyzję o skróceniu formularza, warto zastanowić się czy nam się to opłaci (jeżeli np. na stronie banku zrezygnujemy z obowiązkowego pola PESEL, uzyskanie tej informacji później może wiązać się z dodatkowym kosztem).

Jednak tak jak w przypadku każdego elementu witryny, i przy formularzach nie ma złotej zasady, która sprawdza się w każdej firmie.

Na etapie projektowania formularza powinniśmy skorzystać z heurystyk. Gdy umieścimy je już na stronie należy śledzić interakcje użytkowników z formularzem i testować poszczególne jego elementy za pomocą testów A/B.

Być może okaże się, że zamiast dłuższego formularza lepiej przygotować dwa kroki: najpierw prezentujemy krótki formularz z prośbą o adres e-mail i imię, a w następnym kroku o numer telefonu. Jest szansa, że użytkownik, który już i tak zaangażował się w wypełnianie formularza, dokończy rozpoczętą akcję (mimo, że w jednym kroku taka ilość pól zniechęciłaby go do podjęcia akcji). Może warto to przetestować?

Jak śledzić w jaki sposób użytkownicy wchodzą z interakcje z formularzem – i kontrolować jak radzą sobie z wypełnianiem poszczególnych pól?

Wykorzystuje się do tego zaawansowane śledzenie zdarzeń. Dodajemy kody śledzące zdarzenia do skryptu formularza. Zdarzeniem może być rozpoczęcie wypełniania formularza bądź poszczególne błędy w walidacji.

W raporcie Zachowanie / Zdarzenia otrzymamy zestawienie pól formularza dla których najczęściej popełniane są błędy. Dzięki temu mamy informację o tym które pole najczęściej powstrzymywało użytkownika w wysyłce formularza. Można również skorzystać z innych narzędzi: na przykład Clicktale posiada funkcję śledzenia formularzy.

Śledzenie zdarzeń pozwoli także na sprawdzenie jak często użytkownicy popełniają ten sam błąd (porównując zdarzenia do unikalnych zdarzeń) lub to, jak często przechodzą całą „ścieżkę wypełnienia formularza” (współczynnik „wysłań” formularza: ile użytkowników rozpoczyna do całkowitej liczby przesłania formularza). Możemy nawet sprawdzić jak bardzo użytkownicy są zdeterminowani (jak często próbują poprawiać formularz).

Dzięki takim danym możemy identyfikować problemy i naprawiać je – zwiększając tym samym współczynnik konwersji witryny.

Konwersje mikro

Nie zawsze użytkownicy od razu podzielą się z Tobą swoimi danymi: dlatego równie ważne jest zdefiniowanie i mierzenie konwersji mikro, czyli „mniejszych” akcji, które bezpośrednio nie kończą się zakupem, ale pośrednio mogą do niego prowadzić. Co może być konwersją mikro?

W przypadku Wonga.com jako konwersje mikro możemy zdefiniować przesuwanie suwaków: to świadczy o zaangażowaniu użytkowników w to jakie treści im prezentujemy (zainteresowali się ofertą i sprawdzają możliwości otrzymania pożyczki).

Jak mierzyć konwersje mikro? Jeżeli chcemy zmierzyć ile osób obejrzało film na nasze stronie – ustawiamy zdarzenie, które wywołuje się po naciśnięciu „play”. Możemy zrobić jeszcze więcej: ustawiając wartość zdarzenia „play” jako 0, a wartość zdarzenia „koniec filmu” jako 1 uzyskamy współczynnik i tym samym sprawdzimy, ilu użytkowników ogląda prezentowany film do końca.

Gdy chcemy sprawdzić ilu użytkowników przeczytało informacje prezentowane na stronie do końca – możemy wykorzystać skrypt śledzący przewijanie strony. Zdarzeniem może być także rozwinięcie danej kategorii czy naciśnięcie dowolnego przycisku (np. wyświetlenie kontaktu).

Konwersje mikro to źródło informacji o tym, czy użytkownicy angażują się w prezentowane treści i jak to zaangażowanie przekłada się na generowanie leadów sprzedażowych.

Jak w praktyce wykorzystać śledzenie mikrokonwersji? Możemy sprawdzać za pomocą testów A/B jakie treści bądź filmy (powiedzmy instrukcja vs wideoreferencje) lepiej wpływają na współczynnik konwersji naszej witryny.

Śledzenie zdarzeń rozszerza możliwości analiz: gdy chcemy zoptymalizować naszą stronę warto sprawdzić, jak zachowuje się segment użytkowników, którzy konwertują przy pierwszej wizycie. Jeżeli okaże się, że oglądają film do końca możemy założyć, że istnieje korelacja pomiędzy tą akcją a konwersją. Warto wówczas zadbać o to, aby więcej użytkowników trafiających na stronę obejrzało materiał: może zachęcić ich lepszym nagłówkiem albo skrócić czas trwania filmu?

Dopasowanie

lepszy ruch = więcej konwersji = większy zwrot z inwestycji w pozyskiwanie ruchu

Współczynnik odrzuceń definiujemy jako procent użytkowników, którzy weszli na nasz serwis (niezależnie na którą podstronę), i od razu go opuścili – nie przechodząc na kolejne strony. Za Avinashem Kaushikiem: user came, puked and left

To bardzo ważna metryka: dzięki niej jesteśmy w stanie stwierdzić czy sprowadzamy tzw. „dobry ruch” na naszą stronę. Co z tego, że ściągniemy 10 000 unikalnych użytkowników, skoro, powiedzmy, 90% z nich nie jest zainteresowanych pozostawieniem swoich danych. Co oznacza, że 90% kosztów poniesionych na pozyskanie ruchu (kampanie marketingowe, AdWords itd.) zostało wyrzucone w błoto.

Wysoki współczynnik odrzuceń może świadczyć o braku dopasowania reklamy lub słów kluczowych do tego, co prezentujemy użytkownikowi. Ten przecież ma jakieś wyobrażenie o naszej stronie wchodząc na nią z kampanii bądź wyników wyszukiwania: jeżeli pojawia się obietnica darmowej wersji oprogramowania przez miesiąc, a po przejściu na stronę pierwszym co widzi użytkownik jest tylko cennik – prawdopodobnie porzuci witrynę w mniej niż 5 sekund.

Reklama PZU oferuje opcję kalkulatora, który policzy moją składkę OC i AC oraz gwarantuje „najtańsze OC”

Jednak po przejściu na stronę docelową nie widzę nie tylko nagłówka (nie wiem gdzie dokładnie jestem) ale także obiecanego kalkulatora. Dlaczego więc miałabym rozpocząć wypełnianie formularza?

Wysoki współczynnik odrzuceń powinien skłonić nas do głębszej analizy treści i dopasowania naszych serwisów do oczekiwań użytkowników.

O ile w przypadku serwisów to, że użytkownik nie przeszedł do następnej strony może być traktowane jako „odrzucenie”, przy landing page nie do końca się sprawdza.

To, że użytkownik trafił na naszą stronę docelową i przeczytał wszystkie informacje i nie wypełnił formularza niekoniecznie oznacza, że jest ona niedopasowana. Może po prostu użytkownik znajduje się w początkowej fazie procesu zakupowego.

Google Analytics nalicza nam w takim przypadku odwiedziny równe 0 min. Jeżeli użytkownik ogląda tylko jedną stronę do Google Analytics wysyła się informacja, że rozpoczął wizytę o 10:21:00. Niestety Analytics nie wie, kiedy ta wizyta się skończyła – nie doszło do kolejnej interakcji (np. przejścia na następną stronę). Informacja o wyjściu nie jest domyślnie przesyłana. Tym samym – współczynnik odrzuceń będzie bardzo wysoki: nawet jeżeli użytkownicy dokładnie zapoznali się z całą stroną docelową i uważnie przyjrzeli się Twojemu produktowi. Współczynnik odrzuceń w takim kształcie niewiele nam mówi o rzeczywistych odrzuceniach..

Możemy jednak dosłownie „dostosować” współczynnik odrzuceń do naszych potrzeb. Pomoże nam w tym zaawansowane śledzenie Google Analytics: poprzez małą modyfikację kodu możemy zmienić sposób w jaki liczony jest współczynnik odrzuceń. Niewielka zmiana w kodzie strony pozwoli nam zdefiniować odrzucenie jako wizytę w trakcie której użytkownik spędził na stronie docelowej mniej niż na przykład 10 sekund. W ten sposób będziemy mogli odróżnić użytkowników, którzy cytując wspominanego już Avinasha Kaushika “came, puke and left” od tych, którzy faktycznie zaangażowali się w nasz post.

Pomiar efektywności kanałów marketingowych

efektywne kanały marketingowe = większy zwrot z inwestycji

Jeżeli wydajemy pieniądze na działania marketingowe, bezmyślne byłoby niemierzenie efektywności poszczególnych źródeł ruchu. Powinniśmy przede wszystkim wiedzieć jaką wartość możemy przypisać poszczególnym źródłom i jaki jest zysk z każdej złotówki wydanej na dany kanał marketingowy.

Analizując strony, które generują leady warto przyjrzeć się procesowi zakupowemu użytkownika. Zostawienie swojego adresu e-mail przy pobieraniu poradnika przychodzi użytkownikowi zdecydowanie łatwiej niż wypełnienie formularza o konsultacje w sprawie kredytu hipotecznego. Co oznacza, że potrzebuje on mniej dni do „zakupu” oraz do jego pozyskania wykorzystywanych jest mniej kanałów marketingowych.

Dlatego w przypadku „prostych leadów” wystarczającą analizą efektywności źródeł ruchu będzie raport Kanały w sekcji pozyskiwania.

Google Analytics domyślnie przypisuje wartość konwersji ostatniemu źródłu (przed wejściem bezpośrednim). W przypadku stron gdzie liczba dni do zakupu jest niewielka a ścieżka użytkownika do konwersji obejmuje zwykle jeden kanał marketingowy, taki raport będzie wystarczający.

. Analiza ścieżek wielokanałowych pozwala dokładniej ocenić efektywność poszczególnych źródeł ruchu, wyróżniając te, które „wspomagają” i „zamykają konwersję”. I tak w przypadku kredytu hipotecznego użytkownik może najpierw zobaczyć reklamę display, później otrzymać maila z reklamą, a następnie – otrzymać reklamę remarketingową. Aby odpowiednio wycenić poszczególne źródła należy zwrócić uwagę na model atrybucji (możemy także stworzyć własny).

Dzięki określeniu wartości poszczególnych kanałów jesteśmy w stanie obliczyć zwrot z inwestycji – a w konsekwencji optymalizować nasze wydatki na działania marketingowe. Jeżeli okazuje się, że koszt wysyłki mailingu do wykupionej bazy przewyższa koszt pozyskanego leadu – może warto przeznaczyć ten budżet na bardziej efektywną kampanie PPC?

Przy analizie wydatków marketingowych powinno się wziąć pod uwagę jeszcze jedną, często pomijaną metrykę: wartość życiową klienta.

Customer Lifetime Value (LTV) to suma przepływów pieniężnych, których dokona raz pozyskany klient w czasie swojego życia.

Jeżeli wiemy, że raz zdobyty klient przez całe swoje życie kupi u nas 10 polis ubezpieczeniowych, to wartość każdego zebranego leada wzrasta. Znając wartość klienta będziemy mogli podejmować racjonalne decyzje na temat kampanii, dzięki którym pozyskujemy naszych klientów. Wiedząc, że raz zdobyty klient wygeneruje nam konkretny przepływ będziemy skłonni zapłacić za niego więcej.

Czy mogę wydać 50 zł na pozyskanie leada, gdy średnia wartość leada to 30 złotych? Poznanie średniej wartości klienta pozwoli nam na podjęcie takich decyzji – które, choć w krótkotrwałym rozliczeniu mogą wydać się nieracjonalne, w dłuższej perspektywie wpłyną pozytywnie na zysk firmy. Ma to szczególne znaczenie w organizacjach, gdzie raz pozyskany klient dokonuje wielu transakcji, na przykład w bankach, domach maklerskich, funduszach inwestycyjnych czy ubezpieczeniach.

Podsumowanie

Jest jedna sprawdzona, niezawodna technika zwiększenia liczby pozyskiwania leadów. Analityka internetowa.

Jeżeli proces analizy danych przebiega efektywnie i jest nastawiony na wyciąganie wniosków oraz stawianie rekomendacji – możemy podejmować akcje, które zwiększą nasz zysk. Wszystko na podstawie solidnych danych.

Co dalej? Dane, Analiza, Rekomendacje, Działanie. A później? Dane, Analiza, Rekomendacje, Działanie. I znowu? Tak. Tylko dzięki stałemu powtarzaniu tego procesu i wprowadzaniu ciągłych usprawnień możemy skutecznie rozwijać naszą firmę.

I pamiętajmy: analityka to nie jest sztuka dla sztuki. To działania, które mają przekładać się na zysk.

The post Co i jak analizować na stronach docelowych generujących leady? first appeared on Conversion.

Ze starych raportów Google Analytics wiemy za to, że dobrze sprecyzowane słowa kluczowe przynoszą nam 3/4 sprzedaży. W czasie analizy pozostałych źródeł odesłania zauważyliśmy również, że ruch z niektórych witryn konwertuje na naszych stronach znacznie lepiej w porównaniu z innymi.

Czujemy też intuicyjnie, że ogólne słowa kluczowe, pomimo tego, że nie przekonwertowały użytkowników to musiały wpłynąć pośrednio na wynik sprzedażowy.

Na jaką liczbę transakcji miały one wpływ? Próżno szukać takich informacji w Google Analytics.

Poszukiwanie odpowiedzi

Na pewno zaczęliśmy zadawać sobie podobne do tych pytania:

• Dlaczego użytkownicy korzystający z dokładnych słów kluczowych np. określających dokładnie model słuchawek – Sony MDR RF810RK konwertują znacznie lepiej niż użytkownicy, którzy wykorzystują ogólne słowa kluczowe jak np. słuchawki?
• Dlaczego użytkownicy lądujący na stronach naszego sklepu internetowego z Ceneo konwertują znacznie lepiej niż odesłani z reklam AdWords na forum tematycznym elektroda.pl?

Na pewno bardzo wielu z nas miało problem z uzasadnieniem samemu sobie (albo klientowi) dlaczego opłaca się pozycjonowania na ogólne frazy. Zazwyczaj przynoszą one bardzo dużo ruchu, ale małą liczbę konwersji. Podobnie jest z kampaniami displayowymi czy działaniami na forach internetowych.

Mogliśmy się jedynie domyślać, że użytkownik przed zakupem może potrzebować kilku odwiedzin. Domyślaliśmy się również, że na początku poszukiwania produktu do zakupu użytkownik rozpoczyna poszukiwania od ogólnych słów kluczowych, by później przejść do dokładnych słów kluczowych zawierających nazwy marek lub dokładne modele.

Czy te domysły były słuszne?

Nie dawaliśmy się zwieść takim analizom, jak poniżej w których porównanie słów zawierających brand sklepu z resztą daje prosty „wniosek”, że w ogólne słowa kluczowe nie warto w ogóle inwestować:

Kliknij na zdjęcie, aby je powiększyć

Poszukiwaliśmy odpowiedzi w raportach e-commerce Google Analaytics przedstawiających liczbę dni do zakupu oraz liczbę odwiedzin do zakupu. Jeżeli nasze przypuszczenia o tym, że użytkownicy potrzebują czasu do namysłu (a zatem i kilku odwiedzin) miały być słuszne, to te raporty powinny to odzwierciedlać.

Niestety zazwyczaj nie widzieliśmy tam tego, czego się spodziewaliśmy, tylko coś na wzór poniższego raportu:

Kliknij na zdjęcie, aby je powiększyć

Rzadko podejrzewaliśmy, że Google Analytics nas w tym miejscu oszukuje (też się dałem nabrać ;)) i raporty te pokazują liczbę odwiedzin do zakupu ale od ostatniej kampanii.

Oznacz to tak naprawdę, że pokazują liczbę wejść bezpośrednich od wejścia z jakiegokolwiek innego źródła odesłania i medium. Jeżeli użytkownik wszedł w poniedziałek ze słowa kluczowego słuchawki, a we wtorek z porównywarki Ceneo i wtedy przekonwertował to niestety ten raport pokaże nam 0 dni i 1 odwiedziny przed zakupem.

Na szczęście w raportach ścieżek wielokanałowych zostało to poprawione (poniższy screen pochodzi z tego samego sklepu za ten sam okres co screen wyżej!):

Kliknij na zdjęcie, aby je powiększyć

Jednak pomimo tego, że ciężko było nam udowodnić, że ogólne słowa kluczowe również wpływają pozytywnie na sprzedaż, to mieliśmy rację.

I bynajmniej nie dlatego, że obecnie udostępniane ścieżki wielokanałowe to potwierdzają

Trzy etapy procesu zakupowego

Prawdą jest, że można zidentyfikować przynajmniej trzy etapy procesu zakupowego użytkowników, które stanowią swoistą ścieżkę do podjęcia decyzji o zakupie:

• Wczesny etap procesu zakupowego – na wczesnym stadium procesu zakupowego użytkownicy zazwyczaj już podjęli decyzję, że czegoś poszukują, ale nie wiedzą dokładnie czego potrzebują. Oznacza to, że znają swoją potrzebę, ale nie wiedzą co ją zrealizuje w najlepszym stopniu. Na tym etapie użytkownicy chcą sprawdzić i zobaczyć wszystkie rodzaje dostępnych rozwiązań oraz poznać wady i zalety każdego z nich. Potrzebują tak dużo informacji na temat możliwego wyboru i dostępnych opcji ile tylko możliwe, by tylko czuć się pewnie podejmując decyzję o zakupie. To tego typu użytkownicy zareagują na kampanie displayową oraz wpiszą w wyszukiwarkę ogólne słowo kluczowe takie jak np. odkurzacz.
• Środkowy etap procesu zakupowego – w środkowym stadium procesu zakupowego użytkownicy wiedzą już jaki rodzaj produktu / usługi poszukują, ale nie wiedzą jeszcze dokładnie którego / której. Na tym etapie wciąż potrzebują informacji o opcjach, ale w miarę postępu ich poszukiwania będą zawężać jego kryteria. Tego typu użytkownicy używają takich słów jak np. odkurzacz z turboszczotką lub odkurzacz o mocy 2000W.
• Późny etap procesu zakupowego – użytkownicy znajdujący się na tym stadium procesu zakupowego wiedzą dokładnie co spełni ich oczekiwania. Będą poszukiwali specyfikacji technicznych i porównań pomiędzy poszczególnymi markami, producentami i modelami. Tego typu użytkownicy mają bardzo zawężone pole wyszukiwania i chcą przede wszystkim znaleźć dostawcę, któremu można zaufać. To oni wpiszą jako słowo kluczowy markę naszego sklepu lub przejdą z porównywarki cen po upatrzeniu najniższej ceny.

W trakcie projektów optymalizacji konwersji z powodzeniem segmentujemy użytkowników analizowanych witryn na wyżej wymienione trzy etapy procesu zakupowego. Dla każdego z nich powinniśmy zwracać uwagę na inne metryki:

• wczesny etap procesu zakupowego – warto zwracać uwagę na współczynnik odrzuceń oraz strony, które przeglądają nasi użytkownicy (chcemy ich poinformować jak ich problem może zostać rozwiązany!)
• środkowy etap procesu zakupowego – warto zwracać uwagę na współczynnik odrzuceń, średni czas na stronie oraz strony, które przeglądają nasi użytkownicy (chcemy dać im możliwość wyszukania opcji i łatwego porównania rozwiązań),
• późny etap procesu zakupowego – to tutaj zwracajmy uwagę na współczynnik konwersji oraz na strony, które ci użytkownicy przeglądają (chcemy komunikować korzyści oraz budować zaufanie i przekonać, że pieniądze warto zostawić właśnie u nas).

Podsumowując

Wiemy, że mamy przynajmniej 3 etapy procesu zakupowego. Wiemy także, czym charakteryzują się użytkownicy odwiedzający nasz serwis na każdym z nich. Wiemy też, jakie słowa kluczowe / źródła odesłania mogą ich charakteryzować oraz jakich metryk użyć do oceny wydajności na każdym z tych etapów.

Nie czekajmy więc na ścieżki wielokanałowe. Zabierzmy się do tworzenia segmentów zaawansowanych w obrębie naszych kont Google Analytics i poprawiajmy nasze witryny na każdym etapie procesu zakupowego!

Co sądzicie o przedstawionym wyżej, trzy-etapowym procesie zakupowym? Czy po analizie danych udało się Wam wyciągnąć ciekawe wnioski?

The post Dlaczego moi użytkownicy nie konwertują przy pierwszej wizycie? (czyli trzy etapy procesu zakupowego) first appeared on Conversion.

Przed przystąpieniem do dalszej lektury polecam zapoznanie się z pierwszą częścią artykułu na temat ścieżek wielokanałowych.

Ścieżki wielokanałowe (ang. multi-channel funnels) w Google Analytics – cd.

W poprzednim artykule wspomniałem, że ścieżki wielokanałowe to tak naprawdę zestaw pięciu nowych raportów. Do tej pory omówiliśmy pierwszy z nich, czyli Wspomagane konwersje – pora zatem na bliższe przyjrzenie się kolejnym zestawieniom.

Na początku zajmiemy się Najważniejszymi ścieżkami konwersji. Po wybraniu tego raportu z menu bocznego GA wyświetli nam następujący ekran:

Kliknij na zdjęcie, aby powiększyć

Tradycyjnie, przy pomocy znajdującego się u góry ekranu zestawu kontrolek mamy możliwość określenia dokładnego zakresu analizy – w ujęciu czasowym oraz przedmiotowym. Najważniejsze jest oczywiście zajmujące centralne miejsce zestawienie, przedstawiające najpopularniejsze ścieżki konwersji:

Kliknij na zdjęcie, aby powiększyć

Domyślnie, tabelka przedstawia poszczególne etapy każdej ze ścieżek w standardowej dla Google Analytics notacji – tj. źródło/medium. Nie ma jednak żadnego problemu, aby to zmienić i wykorzystać np. wspomniane już zgrupowania kanałów – służą do tego kontrolki, znajdujące się ponad tabelką. Analizując powyższy, przykładowy raport, najpopularniejszą ścieżką konwersji była dwuetapowa ścieżka, na którą składały się dwa wejścia bezpośrednie – w ten sposób łącznie doszło do 83 konwersji, których łączna wartość wyniosła ponad 14 tys. PLN. Na drugim miejscu z kolei uplasowała się ścieżka, składająca się z dwóch wejść zainicjowanych przez linki sponsorowane, wyświetlone przez wyszukiwarkę Google – łącznie w ten sposób doszło do prawie 50 konwersji o całkowitej wartości wynoszącej ponad 8,5 tys. PLN.

Warto zauważyć, że przy pomocy wspomnianych już kontrolek, pozwalających na doprecyzowanie zakresu analizy, możliwe jest przefiltrowanie tabelki – tak, aby uwzględniała wyłącznie ścieżki konwersji o określonej długości.

Kolejnym raportem, dostępnym w ramach multi-channel funnels jest raport Upływ czasu. Po wybraniu stosownego polecenia z menu bocznego ujrzymy ekran, którego centralne miejsce zajmuje zestawienie, analogiczne do poniższego:

Kliknij na zdjęcie, aby powiększyć

Analizując powyższe, przykładowe zestawienie, widzimy, że zdecydowanie najwięcej konwersji – łącznie 922, czyli ponad 42% ogólnej ich liczby – nastąpiło w tym samym dniu, w którym miała miejsce interakcja inicjująca ścieżkę prowadzącą do danej konwersji. W oczy rzuca się jednak fakt, że równie dużo konwersji nastąpiło po upływie zdecydowanie dłuższego czasu od pierwszej interakcji – w ponad 35% przypadków skonwertowanie zajęło internautom co najmniej 12 dni!

Analizę, przeprowadzoną na podstawie poprzedniego raportu, możemy uzupełnić przy pomocy zestawienia Długość ścieżki – grupuje ono wszystkie konwersje wg łącznej liczby interakcji, które „złożyły się” na odnotowany sukces:

Kliknij na zdjęcie, aby powiększyć

Analizując powyższe, przykładowe zestawienie, widzimy, że najwięcej konwersji – prawie 25% ogólnej ich liczby – wymagało tylko jednej interakcji. Z drugiej jednak strony, w prawie 19% przypadków sukces wymagał wystąpienia co najmniej 12 interakcji – oznacza to, że zanim doszło do konwersji, internauta miał co najmniej 12 razy styczność z naszymi narzędziami marketingowymi!

Zauważmy, że oba ostatnie raporty były już wcześniej dostępne w ramach Google Analytics – jednak tylko w obrębie modułu e-commerce. Dzięki multi-channel funnels możemy natomiast wykorzystać je także do analizowania „tradycyjnych” konwersji, związanych z wypełnianiem przez użytkowników postawionych im celów.

Ostatnim raportem, dostępnym w ramach nowej funkcjonalności GA, jest Omówienie. Poza kilkoma mało przydatnymi, ogólnymi metrykami, raport ten zawiera jeden, interesujący element – tzw. Zobrazowanie konwersji wielokanałowej:

Kliknij na zdjęcie, aby powiększyć

Wg mnie, jest to jeden z ciekawszych raportów graficznych, dostępnych w obrębie całego Google Analytics. Lista, znajdująca się z lewej strony ekranu, pozwala na wybranie maksymalnie czterech grup kanałów – jedynym problemem jest fakt, że możemy poruszać się wyłącznie w ramach domyślnego zgrupowania kanałów, zdefiniowanego przez twórców GA. Wybrane grupy kanałów marketingowych zostaną następnie przedstawione na znajdującym się z prawej strony diagramie Venna – każde z kół odpowiada jednej z wybranych grup kanałów, przy czym jego rozmiar jest uzależniony od łącznej liczby konwersji, do zaistnienia których dana grupa kanałów się przyczyniła (pośrednio lub bezpośrednio). Części wspólne poszczególnych kół obrazują tę część wszystkich konwersji, do powstania których przyczyniły się narzędzia, należące do grup, reprezentowanych przez te koła.

Analizując powyższy, przykładowy diagram Venna, widzimy, że prawie 8% wszystkich konwersji powstało przy udziale narzędzi należących do trzech grup: wejścia bezpośrednie, płatne reklamy oraz wyszukiwarki. Zauważmy również, że wejścia bezpośrednie przyczyniły się do powstania prawie 60% konwersji, płatne reklamy odpowiadają za ponad 42% konwersji, natomiast wyszukiwarki są „współwinne” w przypadku ponad 25% wszystkich zanotowanych konwersji.

Ścieżki wielokanałowe w Google Analytics w praktyce

Znamy już wszystkie raporty, dostępne w ramach nowej funkcjonalności Google Analytics – czas zatem na obiecane przykłady analiz, opartych na nowych raportach.

Oba poniższe przykłady oparte są na danych o ruchu w ramach realnie działającego sklepu internetowego.

Ocena efektywności źródeł ruchu

Raporty, wchodzące w skład multi-channel funnels dają nam zupełnie nowe możliwości, związane z mierzeniem i oceną efektywności źródeł ruchu, śledzonych za pośrednictwem Google Analytics. Standardowo, Google Analytics pozwala nam sprawdzić, do jakiej liczby konwersji dane źródło odesłania bezpośrednio się przyczyniło. Mając te dane, możliwe jest obliczenie rentowności danego kanału marketingowego i podjęcie decyzji odnośnie tego, czy kanał ten powinien być dalej wykorzystywany – a jeżeli tak, to w jakim stopniu. O wadach związanych ze stosowaniem tego rodzaju podejścia pisałem w artykule na temat mierzenia i oceny efektywności źródeł ruchu. W skrócie, użytkownik rzadko ma styczność z pojedynczym narzędziem marketingowym, a ostateczny sukces zawsze przypisywany jest ostatniemu z nich – czy to jednak oznacza, że pozostałe kanały marketingowe można wygasić? Spójrzmy na poniższy przykładowy raport:

Kliknij na zdjęcie, aby powiększyć

AdTaily – znany system, pozwalający w prosty sposób przygotować kampanię reklam graficznych – odpowiada bezpośrednio tylko za 70 konwersji (nieco powyżej 0,3% ogólnej ich liczby) o łącznej wartości 635,20 PLN. Jeżeli porównamy to z wydatkami, które ponieśliśmy w związku z emisją reklam w ramach systemu AdTaily – w analizowanym okresie było prawie 9000 odwiedzin z tego źródła, co przy średnim koszcie za kliknięcie równym 0,5 PLN daje kwotę około 4500 PLN – okaże się, że zwrot z inwestycji był ujemny i wyniósł ponad -85%! Gdybyśmy w tym miejscu zakończyli naszą analizę wniosek mógłby być wyłącznie jeden – ten kanał marketingowy jest nieopłacalny i należy go wygasić.

Dzięki nowej funkcjonalności GA możemy jednak pójść o krok dalej. Zauważmy, że oprócz zamykania ścieżek konwersji, reklamy wyświetlane w ramach AdTaily brały udział w ich inicjowaniu – łącznie pośrednio przyczyniły się do zaistnienia prawie 200 konwersji o łącznej wartości wynoszącej prawie 9000 PLN! Teraz decyzja, dotycząca tego kanału marketingowego nie jest już tak oczywista, prawda? Konieczne jest przeprowadzenie dalszej analizy – efektem może być ustalenie, że:

• treść reklam, emitowanych w ramach AdTaily, jest niewłaściwa w przypadku użytkowników, znajdujących się na późniejszym etapie procesu zakupowego, natomiast doskonale trafia do internautów, którzy dopiero wchodzą na ścieżkę zakupową,
• reklamy te są wyświetlane w niewłaściwych miejscach Sieci – przez co trafiają do użytkowników, znajdujących się na wczesnym etapie ścieżki zakupowej,
• po kliknięciu w reklamę użytkownik przenoszony jest na niewłaściwie dobraną lub niewłaściwie przygotowaną stronę docelową – być może nie oferuje ona korzyści, obiecywanych w treści reklamy lub też nie jest intuicyjnie wykonana, przez co utrudnia podjęcie decyzji zakupowej.

W szczególności, za pomocą raportów należących do ścieżek wielokanałowych, możemy oceniać efektywność poszczególnych słów kluczowych w ramach wyników organicznych, generowanych przez wyszukiwarki. Raporty, wchodzące w skład multi-channel funnels, pozwolą nam zidentyfikować nie tylko te słowa i wyrażenia kluczowe, które – poprzez wyniki organiczne, generowane przez wyszukiwarki – zamykają transakcję, ale także te, które ją w ten sposób inicjują. Dzięki temu będziemy dysponować zdecydowanie pełniejszą informacją odnośnie tego, na które ze słów kluczowych warto kierować kampanie promocyjne.

Optymalizacja budżetu marketingowego witryny

Do czego jeszcze możemy wykorzystać nowe raporty, udostępnione przez Google? Na przykład do zoptymalizowania budżetu promocyjnego dla naszego serwisu internetowego. Spójrzmy na poniższy, przykładowy raport:

Kliknij na zdjęcie, aby powiększyć

Rzeczą, która rzuca się w oczy jest fakt, że stosunkowo popularną ścieżką konwersji w przypadku naszego serwisu jest następująca dwuetapowa ścieżka:

• użytkownik wchodzi na łamy naszego serwisu za pośrednictwem linku sponsorowanego, wyświetlanego na łamach wyszukiwarki Google, ale nie dochodzi do konwersji,
• ten sam użytkownik widzi nasze ogłoszenie na łamach witryny partnerskiej topshop.pl – każde z naszych ogłoszeń wyświetlanych na łamach tego serwisu „obiecuje” użytkownikowi atrakcyjny rabat; internauta zachęcony ofertą przechodzi do naszego serwisu i konwertuje.

W tym miejscu pojawia się pytanie – czy rzeczywiście konieczne jest dwukrotne ponoszenie przez nasz serwis kosztu przyciągnięcia tego samego użytkownika? Tak jak w pierwszym przykładzie, konieczne jest przeprowadzenie dalszej analizy, która może wykazać, że:

• konieczne jest ujednolicenie przekazu marketingowego w ramach obu kampanii promocyjnych – zaoferowanie atrakcyjnej zniżki także dla tych internautów, którzy trafiają na łamy naszej witryny poprzez reklamy AdWords może spowodować, że będą oni od razu konwertować i nie będzie konieczności ponownego przyciągania ich do naszego serwisu (naturalnie zniżkę można zlikwidować w ogóle i nie oferować jej w żadnym ze stosowanych kanałów reklamowych :D),
• możliwe jest całkowite zrezygnowanie z reklam AdWords lub też ograniczenie nakładów, przeznaczanych na ten kanał marketingowy – być może kampania reklamowa, prowadzona na łamach naszych serwisów partnerskich i obiecująca internautom atrakcyjną zniżkę, będzie sama w sobie stanowiła wystarczająco silny bodziec do odwiedzenia naszego serwisu i skonwertowania.

Podsumowanie

Mam nadzieję, że tymi dwoma krótkimi tekstami przybliżyłem Wam nieco nowe raporty, dostępne w ramach piątej wersji interfejsu GA. Tak jak napisałem na samym początku – wg mnie ścieżki wielokanałowe to zupełnie nowa jakość, jeżeli chodzi o ocenę efektywności źródeł ruchu.

Przedstawione przeze mnie przykłady to tylko przysłowiowy wierzchołek góry lodowej – dlatego też zachęcam wszystkich posiadających dostęp do nowych raportów, aby samodzielnie próbowali analizować wybrane aspekty ruchu. Naprawdę, zdziwicie się, ile ciekawych wniosków można wyciągnąć na podstawie analiz, przeprowadzanych w oparciu o raporty multi-channel funnels a w razie jakichkolwiek pytań – piszcie. Postaram się pomóc

Przytoczony w tekście serwis topshop.pl został wymyślony na potrzeby niniejszego tekstu – oryginalnie w miejscu topshop.pl widniała zupełnie inna witryna partnerska.

The post Ścieżki wielokanałowe (multi-channel funnels) – innowacyjna analiza źródeł ruchu w Google Analytics cz. 2 first appeared on Conversion.

Multi-channel funnels zostały wprowadzone w kwietniu bieżącego roku – funkcjonalność ta dostępna jest jednak tylko z poziomu nowego interfejsu GA, co więcej firma Google nadal nie zdecydowała się na upowszechnienie nowych raportów i w chwili obecnej dostępne są one wyłącznie dla wybranych użytkowników. Na szczęście kilku z naszych Klientów zalicza się do grona szczęśliwych wybrańców, możemy więc już teraz podzielić się z Wami naszymi wrażeniami na temat ścieżek wielokanałowych w Google Analytics.

Mierzenie i ocena efektywności źródeł ruchu w kampaniach wielokanałowych – kilka słów wstępu

Na początek warto przypomnieć sobie, o co tak naprawdę chodzi z tym pomiarem efektywności źródeł odwiedzin – Ci z Was, którzy czytali poprzedni artykuł na ten temat, mogą od razu przejść do kolejnej sekcji, wszystkich pozostałych zapraszam do lektury

Jeżeli do oceny źródeł odesłania wykorzystujemy Google Analytics, musimy zdawać sobie sprawę z tego, iż domyślnie sukces (symbolizowany przez konwersję, czyli fakt wypełnienia przez użytkownika zdefiniowanego celu) przypisywany jest do ostatniego źródła odesłania, z którym użytkownik miał styczność. Nie stanowi to większego problemu, gdy:

• nasza kampania marketingowa jest oparta na jednym kanale, którym docieramy do internautów,
• na naszą kampanię marketingową składa się wprawdzie większa liczba kanałów, ale ze statystyk wynika, że zdecydowana większość naszych użytkowników podąża najprostszą z możliwych ścieżkek do celu – czyli przed wypełnieniem postawionego celu ma styczność z jednym lub dwoma źródłami odesłania.

We wszystkich pozostałych przypadkach domyślny model atrybucji (czyli sposób przypisywania konwersji do konkretnego źródła odwiedzin) stosowany przez GA może okazać się niewystarczający. Co wtedy? Wtedy warto rozważyć zastosowanie alternatywnego modelu atrybucji w tym miejscu warto zapoznać się z poprzednim artykułem, dotyczącym mierzenia efektywności źródeł ruchu oraz prezentacją Pawła na temat implementacji alternatywnych modeli atrybucji w Google Analytics. Należy jednak pamiętać o tym, że wdrażając jakikolwiek niestandardowy model atrybucji musimy podjąć szereg dosyć arbitralnych decyzji, dotyczących tego, jaki wpływ na zaistniałą konwersję ma każde ze stosowanych narzędzi. Wymaga to albo posiadania gruntownej wiedzy, dotyczącej branży, w której działamy albo solidnych danych, które pozwolą nam w miarę obiektywnie zdecydować o istotności poszczególnych źródeł odesłania. W tym właśnie miejscu z pomocą przychodzą nam nowe raporty, udostępnione przez Google.

Naturalnie, możliwości oferowane przez ścieżki wielokanałowe wykraczają poza wsparcie w zakresie wyboru odpowiedniego modelu atrybucji. W dalszej części artykułu postaram się Wam pokrótce przedstawić wszystkie raporty, wchodzące w skład multi-channel funnels oraz związane z ich wykorzystaniem możliwości analityczne.

Konwersja wspomagana, pierwsza interakcja, ostatnia interakcja – czyli garść przydatnych terminów

Zanim przejdziemy do charakterystyki nowej funkcjonalności GA, warto upewnić się, że rozumiemy podstawowe terminy, stosowane przez Google

• konwersja wspomagana – moim zdaniem nie do końca właściwy termin, na nasz wewnętrzny użytek określmy ją więc jako interakcja pośrednia – to sytuacja, w której dane źródło ruchu znajdowało się na ścieżce prowadzącej do konwersji, ale nie było ostatnim na ścieżce (nie zamykało jej),
• pierwsza interakcja to sytuacja, w której dane źródło ruchu zainicjowało ścieżkę, prowadzącą do konwersji,
• ostatnia interakcja to sytuacja, w której dane źródło ruchu zamknęło ścieżkę, prowadzącą do konwersji – zgodnie z domyślnym modelem atrybucji, stosowanym przez Google, to właśnie do tego źródła zostałby przypisany sukces (pod warunkiem, że nie byłoby to wejście bezpośrednie).

Aby wszystko było jasne, spójrzmy na poniższy schemat:

Kliknij na zdjęcie, aby powiększyć

W przypadku pierwszej ścieżki, źródłem inicjującym był link sponsorowany, wyświetlony przez wyszukiwarkę Google, źródłem zamykającym natomiast – wyniki organiczne, wygenerowane przez tą wyszukiwarkę. Liczba interakcji pośrednich dla ścieżki pierwszej wyniosła dwa.

W przypadku drugiej ścieżki natomiast, inicjatorem całego procesu był banner na łamach portalu gazeta.pl, natomiast zamknięcie nastąpiło – podobnie jak w przypadku ścieżki pierwszej – podczas wizyty wygenerowanej za pośrednictwem wyników organicznych wyszukiwarki Google. Liczba interakcji pośrednich wyniosła w przypadku drugiej ścieżki trzy.

Łącznie w przypadku obu przedstawionych ścieżek do konwersji zanotowaliśmy zatem pięć konwersji wspomaganych (interakcji pośrednich), dwie interakcje inicjujące oraz dwie interakcje zamykające.

Ścieżki wielokanałowe (ang. multi-channel funnels) w Google Analytics

Ścieżki wielokanałowe, o czym już wspominałem, to zbiorcza nazwa grupy nowych raportów, udostępnionych przez Google i służących do oceny źródeł odwiedzin. Zanim jednak zaczniemy korzystać z multi-channel funnels, powinniśmy zdawać sobie sprawę z kilku rzeczy:

• aby korzystać z nowych raportów, konieczne jest uprzednie poprawne zdefiniowanie celów dla naszej witryny i/lub właściwe skonfigurowanie modułu e-commerce,
• konwersje – w odniesieniu do raportów multi-channel funnels pojęcie konwersja obejmuje zarówno „standardowe” konwersje, mające miejsce w danym okresie czasu i związane z wypełnianiem przez użytkowników postawionych im celów, jak i zaistniałe w tym okresie transakcje e-commerce, zdefiniowane w ramach modułu e-commerce,
• wejścia bezpośrednie – w obrębie raportów, wchodzących w skład ścieżek wielokanałowych, wejście bezpośrednie są traktowane tak samo, jak każdy inny kanał marketingowy, co oznacza, że sukces zaistniały podczas wizyty bezpośredniej jest do niej właśnie przypisywany.
• maksymalny horyzont czasowy analizy, dotyczącej pojedynczej konwersji, wynosi 30 dni – przez taki okres czasu Google Analytics przechowuje dane, dotyczące poszczególnych interakcji, które „złożyły się” na daną konwersję,

Aby uzyskać dostęp do nowych zestawień, należy z poziomu strony głównej wybrać polecenie Ścieżki wielokanałowe.

Kliknij na zdjęcie, aby powiększyć

Ścieżki wielokanałowe to pięć nowych raportów – wszystkie dostępne są za pośrednictwem menu bocznego, znajdującego się z lewej strony:

Kliknij na zdjęcie, aby powiększyć

Domyślnie otwierany jest raport Wspomagane konwersje i od niego właśnie zaczniemy naszą analizę nowej funkcjonalności GA układ raportu jest analogiczny do układu, znanego z innych raportów generowanych przez Google Analytics. W prawym górnym rogu znajdują się kontrolki, pozwalające na wybór okresu czasu, który mamy ochotę analizować, a zaraz poniżej widzimy zestaw kontrolek, pozwalający na doprecyzowanie zakresu przedmiotowego analizy. Tak jak już wspominałem, w obrębie raportów multi-channel funnels pojęcie konwersja obejmuje zarówno „standardowe” konwersje, jak i transakcje e-commerce. Wykorzystując odpowiednie kontrolki mamy możliwość określenia, co dokładnie nas w danym momencie interesuje:

Kliknij na zdjęcie, aby powiększyć

Centralną częścią całego raportu jest zestawienie, znajdujące się poniżej wykresu – tabelka ta przedstawia wszystkie wykorzystywane przez nas kanały marketingowe (źródła ruchu) wraz z charakteryzującymi je metrykami:

Kliknij na zdjęcie, aby powiększyć

Kanały domyślnie są przedstawione w standardowej notacji, jeżeli chodzi o Google Analytics, czyli źródło/medium. Nic jednak nie stoi na przeszkodzie, aby to zmienić – służą do tego kontrolki, znajdujące się ponad tabelką. To, co od razu rzuca się w oczy, to możliwość grupowania poszczególnych kanałów. Domyślnie, Google Analytics przypisuje wszystkie kanały, z których korzystamy, do jednej z następujących grup:

• wejścia bezpośrednie
• płatne reklamy
• wyszukiwarki
• e-mail
• sieci społecznościowe
• witryny odsyłające
• inne

Aby uzyskać dostęp do zestawienia, wygenerowanego dla wymienionych agregatów, wystarczy wybrać opcję Podstawowe zgrupowanie kanałów – w efekcie wygenerowana zostanie tabelka, analogiczna do poniższej:

Kliknij na zdjęcie, aby powiększyć

Naturalnie, narzędzia daje nam możliwość stworzenia własnych grup kanałów – nie będziemy się tym jednak teraz zajmować. Zdecydowanie ciekawsze są bowiem metryki, które Google Analytics oblicza dla każdego źródła odesłania lub agregatu, wymienionego w tabelce.

Ponad wykresem widnieją dwie kontrolki, pozwalające wybrać interesujący nas zestaw metryk – zacznijmy od Analizy interakcji wspomagającej. Po wybraniu tej opcji, uzyskamy dostęp do następujących metryk:

• wspomagane konwersje – ile razy dany kanał znajdował się na ścieżce do konwersji, ale nie był ostatnim źródłem ruchu, zamykającym cały proces?
• wartość wspomaganych konwersji – jaka była końcowa wartość konwersji, do zaistnienia których pośrednio przyczyniło się dane źródło ruchu?
• liczba konwersji pochodzących z ostatniej interakcji – ile razy dany kanał był na ścieżce do konwersji i zamykał cały proces?
• wartość konwersji pochodzących z ostatniej interakcji – jaka była łączna wartość konwersji bezpośrednio wygenerowanych przez dane źródło ruchu?
• konwersje wspomagane / konwersje pochodzące z ostatniej interakcji – stosunek liczby konwersji wspomaganych do liczby konwersji, pochodzących z ostatniej interakcji, obliczony dla danego źródła odesłania.

Wybierzmy teraz Analizę pierwszej interakcji – Google Analytics przetworzy dane i wygeneruje nowe zestawienia, analogiczne do tego, które znajduje się poniżej:

Kliknij na zdjęcie, aby powiększyć

Jak widzimy, uzyskaliśmy w ten sposób dostęp do trzech dodatkowych metryk:

• liczba konwersji pochodzących z pierwszej interakcji – ile ścieżek do konwersji zostało przez dany kanał zainicjowane?
• wartość konwersji pochodzących z pierwszej interakcji – jaka była końcowa wartość wszystkich konwersji, do zaistnienia których, poprzez zainicjowanie całego procesu, przyczyniło się dane źródło?
• konwersji pochodzące z pierwszej interakcji / konwersje pochodzące z ostatniej interakcji – stosunek liczby konwersji zainicjowanych przez dane źródło odesłania do liczby konwersji pochodzących z ostatniej interakcji.

Każda z opisanych metryk jest również obliczana w postaci zagregowanej, dla wszystkich wykorzystywanych kanałów marketingowych – obliczone w ten sposób metryki stosunkowo łatwo można nanieść na wykres, co ułatwia wychwytywanie trendów.

Pozostałe raporty, składające się na nową funkcjonalność, omówię w drugiej części artykułu, która ukaże się za tydzień wtedy też przedstawię przykładową analizę, opartą o ścieżki wielokanałowe.

A zatem – już teraz zapraszam do lektury!

Update: przeczytaj drugą część artykułu na temat multi-channel funnels.

Pamiętaj, że jeszcze większe możliwości analizy ruchu daje Ci wykorzystanie takich narzędzi jak DoubleClick Digital Marketing.

The post Ścieżki wielokanałowe (multi-channel funnels) – innowacyjna ocena źródeł ruchu w Google Analytics cz. 1 first appeared on Conversion.