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.

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.

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.

Jak nie zabierać się za optymalizację konwersji

Opisany powyżej scenariusz jest całkiem prawdopodobny, jeśli potraktujesz optymalizację współczynnika konwersji jako szybki i niezawodny sposób na wzrost przychodów, którego implementacja polega na wprowadzaniu w witrynie zmian, które wymyśliłeś pod prysznicem. Historia zawiera kilka typowych błędów, popełnianych przez początkujące w temacie osoby.

Podstawowy błąd to zmiana przypadkowych elementów. Fakt – istnieją elementy na stronie internetowej, których poprawienie można wskazać bez dodatkowych analiz i z niemal 100% pewnością przyniesie to wzrosty wykonując audyt UX. Zdarza się to jednak rzadko, dlatego pomysły na to, co zmienić w witrynie nie powinny wynikać z Twojego widzimisię, a z solidnych analiz ilościowych i jakościowych, które pozwalają zrozumieć zachowanie użytkowników i poznać ich problemy.

Warto zauważyć, że w przytoczonej historii nie odbyły się testy A/B – zmiany zostały wprowadzone od razu dla wszystkich użytkowników. Współczynnik konwersji porównany w czasie, czego absolutnie nie powinno się robić, zwłaszcza na tak krótkiej przestrzeni czasu, jak 3 dni. Na zachowanie użytkowników ma wpływ wiele czynników zewnętrznych, takich jak dzień tygodnia, urządzenie z którego korzystają, etap procesu zakupowego, działania konkurencji, oferta, a nawet pogoda (jak myślisz, dlaczego w Wielkiej Brytanii rynek e-commerce tak dobrze się rozwija? Odpowiedź brzmi: deszcz :). Dlatego aby ocenić, czy współczynnik konwersji faktycznie wzrósł, należy przeprowadzić test A/B, który niweluje wpływ zewnętrznych czynników i pokazuje, czy faktycznie zmieniona wersja jest skuteczniejsza od oryginału.

Niepoprawnym działaniem jest też zbyt szybkie wyciąganie wniosków i pochopna interpretacja wyniku testu. Przed upływem 10-14 dni nie powinno się stwierdzać, czy dany test zakończył się sukcesem lub porażką – widzieliśmy wiele przypadków, gdzie wersja strony przynosząca po 3 dniach 20% wzrostu po upływie kolejnych 7 dni przynosiła spadek na poziomie 10%.

Jako największy błąd należy natomiast sklasyfikować brak analiz testu i rezygnację z dalszych prób w przypadku uzyskania negatywnego wyniku. Porażka w teście A/B to istotny element nauki o zachowaniu użytkowników serwisu – dzięki niej dowiesz się, co nie działa i skuteczniej sformułujesz hipotezy, które przetestujesz w kolejnym teście. Nam też nie zawsze to wychodzi – sporo testów przeprowadzanych przez Conversion kończy się porażką, ale wyciągamy z nich wnioski, dzięki czemu finalnie udaje nam się wprowadzić zmiany, dzięki którym podnosimy współczynnik konwersji. Tak było w przypadku optymalizacji strony docelowej dla Lukas Bank, gdzie osiągnęliśmy wzrost współczynnika konwersji o 26% dopiero po kilku próbach.

Poznaj poprawny, 6-etapowy proces optymalizacji konwersji

Wiesz już, czego nie robić podczas optymalizacji współczynnika konwersji – to już połowa sukcesu. Teraz przedstawię Ci 6-etapowy proces, który stosujemy przy współpracy z naszymi klientami. Jego poprawne wdrożenie w Twojej firmie sprawi, że będziesz testować odpowiednie elementy, uzyskiwać wiarygodne rezultaty i poprawnie wyciągać wnioski z prowadzonych działań niezależnie od ich wyniku.

We współpracy z naszymi klientami wykorzystujemy 6-etapowy proces optymalizacji współczynnika konwersji. Jego implementacja w Twojej firmie sprawi, że będziesz testować odpowiednie elementy witryny i uzyskiwać wiarygodne rezultaty.

Krok 1: zebranie danych i wnikliwa analiza

Proces optymalizacji współczynnika konwersji należy rozpocząć od zebrania, a następnie analizy danych ilościowych oraz jakościowych. Dane ilościowe pozwalają na zidentyfikowanie elementów witryny, które wymagają poprawy. Do tego typu analiz warto wykorzystać Google Analytics (oczywiście wcześniej należy zadbać o poprawną konfigurację narzędzia).

Dzięki analizom ilościowym, przeprowadzanym np. w Google Analytics, dowiesz się, które elementy serwisu internetowego wymagają poprawy. Warto je uzupełnić analizami jakościowymi, dostarczającymi odpowiedzi na pytanie: dlaczego te elementy nie działają?

Informacje o tym, które elementy witryny są nieefektywne to dopiero początek – musisz przecież poznać powody ich niskiej skuteczności. W tym celu warto przeprowadzić badania jakościowe. Należą do nich m.in. ankiety wśród użytkowników serwisu, badania użyteczności czy analiza ekspercka (heurystyczna). Więcej o konkretnych typach analiz i wykorzystywanych w nich narzędziach przeczytasz w innych wpisach na naszym blogu.

Krok 2: opracowanie rekomendacji zmian

Przeprowadzone w pierwszym etapie analizy to baza do stworzenia listy rekomendacji zmian w serwisie. To kluczowy etap procesu optymalizacji współczynnika konwersji – to tutaj zapada decyzja o tym, jakie elementy witryny oraz w jakiej kolejności przetestujesz. Rekomendacje najlepiej spisywać w arkuszu kalkulacyjnym zawierającym takie kolumny, jak zmieniana podstrona (np. karta produktu), problem, rozwiązanie, źródło rekomendacji (np. badania użyteczności).

Po wypisaniu wszystkich rekomendacji musisz nadać im priorytety. Do ich określenia najlepiej wykorzystać ocenę dwuczynnikową, gdzie oceniasz potencjał wzrostu oraz trudność wdrożenia (w skali od 1 do 5). Im wyższy potencjał wzrostu, tym więcej punktów przydzielasz rekomendacji. Ocena trudności wdrożenia działa odwrotnie – im łatwiejsze jest zakodowanie zmiany w serwisie, tym więcej punktów otrzymuje rekomendacja.

Przykładowo jeśli planujesz zmianę nagłówka, która zajmie programiście tylko 5 minut i według Ciebie przyniesie duży wzrost współczynnika konwersji, jej potencjał wzrostu oceniasz na 4, a trudność wdrożenia na 5. Siła rekomendacji to natomiast iloczyn tych dwóch ocen:

potencjał wzrostu X trudność wdrożenia = siła rekomendacji

W przypadku Twojej zmiany nagłówka siła rekomendacji to 20 (na 25 możliwych punktów) – powinna się więc znaleźć wysoko na liście priorytetów do przetestowania. Oceniając potencjał wzrostu danej rekomendacji powinieneś mieć na uwadze liczbę użytkowników, którzy wchodzą w interakcję ze wskazaną podstroną lub elementem. Jeśli zmieniasz elementy ścieżki zakupowej, to mają one wpływ na wszystkich kupujących, więc zmiana będzie miała duży potencjał wzrostu. W przypadku usprawniania funkcji dodawania do ulubionych, z której korzysta 1% użytkowników, potencjał wzrostu – nawet jeśli opracujesz genialne rozwiązanie – jest niewielki, ponieważ ta zmiana będzie mieć znikome przełożenie na współczynnik konwersji.

Krok 3: Projektowanie zmian i dobór narzędzi

Wybrałeś już, które elementy chcesz zmienić w swojej witrynie. Pora na opracowanie rozwiązań graficznych, a następnie ich zakodowanie. Na tym etapie potrzebny jest wkład kilku specjalistów – musisz zaangażować w prace grafika i programistę, a jeśli istnieje taka możliwość, to także copywritera.

Gdy opracujesz już finalny wygląd zmienionej wersji strony, upewnij się, że dział IT poprawnie przeniesie Twoją wizję na kod. Przed startem testu dokładnie sprawdź zmienioną wersję witryny, ponieważ ewentualne błędy np. w walidacji formularzy czy linkowaniu zaburzą wyniki testu i nie dowiesz się, czy wprowadzone przez Ciebie usprawnienia rzeczywiście poskutkowały wzrostem współczynnika konwersji.

Zaprojektowanie zmian na stronie to dopiero połowa sukcesu – pamiętaj o tym, żeby dokładnie sprawdzić zakodowaną przez programistów wersję. Błędy techniczne potrafią mocno wypaczyć wyniki testu A/B, dlatego powinieneś je wyeliminować przed startem testu.

Musisz jeszcze przygotować narzędzie do przeprowadzania testów. Gdy testujesz landing page lub proste, pojedyncze podstrony, możesz skorzystać z darmowych eksperymentów Google Analytics. Jeśli testujesz elementy szablonu strony, jak np. wszystkich stron kategorii, najprościej skorzystać z gotowej aplikacji jak Optimizely czy Visual Website Optimizer. Wystarczy, że Twój dział IT wklei na wszystkie podstrony serwisu wygenerowany przez aplikację kawałek kodu JavaScript. Uruchamianie i kontrola testu odbywa się z poziomu panelu administracyjnego, który z łatwością opanujesz.

Krok 4: Testowanie zaprojektowanych zmian

Wyróżnia się dwa rodzaju testów: testy A/B oraz testy wielowymiarowe. Testy A/B polegają na testowaniu dwóch lub więcej odmiennych wersji witryny. Mechanizm dzieli odwiedzających serwis na dwie grupy i wyświetla im odpowiednią wersję witryny. Testy wielowymiarowe polegają na testowaniu kombinacji różnych wariantów poszczególnych sekcji witryny. Przykładowo jeśli testujesz nagłówek i przycisk, a każdy z nich ma dwie odmiany, to łączna liczba kombinacji równa się cztery. Testy wielowymiarowe wymagają dużego ruchu na stronie, aby osiągnąć istotność statystyczną.

Niezależnie od tego, na który z rodzaju testów się zdecydujesz (na początek zalecamy testy A/B), musisz pamiętać o kilku żelaznych zasadach. Po pierwsze, test powinien trwać 10-14 dni. Taki okres czasu jest potrzebny, aby wyeliminować wpływ czynników zewnętrznych na wynik testu, takich jak dzień tygodnia, pogoda, czy wysyłki mailingów promocyjnych. Powinien też objąć pełny cykl zakupowy klienta, który przykładowo w poniedziałek i wtorek wyszukuje dostępne na rynku produkty, w środę i czwartek je porównuje, w piątek podejmuje decyzję, a kupuje w sobotę po południu. Uchwycenie w teście pełnego cyklu pozwala uzyskać wiarygodne rezultaty.

Do przeprowadzania testów A/B możesz wykorzystać darmowe eksperymenty Google Analytics, bądź skorzystać z płatnych aplikacji, takich jak Optimizely lub Visual Website Optimizer. Pamiętaj, aby podczas testu unikać dużych promocji skierowanych do byłych klientów, ponieważ duży odsetek powracających użytkowników biorących udział w teście zaburzy jego wyniki.

Z racji tego, że użytkownicy nie lubią zmian, wersja zmieniona serwisu prawdopodobnie będzie osiągać gorsze wyniki wśród powracających użytkowników, którzy są przyzwyczajeni do serwisu i klikają w nim „na pamięć”. Ważne, abyś w trakcie trwania testu nie przeprowadzał wyjątkowych promocji kierowanych do własnej bazy mailingowej, zwłaszcza jeśli Twój serwis charakteryzuje się dużą liczbą powracających klientów, ponieważ wypaczy to wyniki testu – stali klienci trafiający na wersję zmienioną będą gorzej konwertować.

Krok 5: wyłonienie zwycięzcy testu

Po upływie 10-14 dni pora sprawdzić, która z testowanych wersji okazała się skuteczniejsza. Musisz tutaj zwrócić uwagę na istotność statystyczną wyników testu. Jeśli będzie ona niższa niż 95%, to istnieje duża szansa, że uzyskane rezultaty są przypadkowe i wdrożenie na stałe zmian do serwisu może nie przynieść wzrostu współczynnika konwersji w długim okresie.

Ważne, aby każda z testowanych wersji osiągnęła co najmniej 100 konwersji. W przeciwnym wypadku wyniki testu mogą być obarczone dużym czynnikiem losowym. W teście warto zwrócić uwagę na to, która z wersji była skuteczniejsza wśród nowych oraz powracających użytkowników i przy decydowaniu o wdrażaniu zmian na stałe wziąć pod uwagę, że powracający użytkownicy z czasem zaadaptują się do zmian i prawdopodobnie zaczną konwertować na tej wersji równie skutecznie, co nowi użytkownicy.

Po określeniu zwycięskiej wersji pora wdrożyć ją na stałe w serwisie i kierować na nią 100% ruchu. Warto zrobić to jak najszybciej, ponieważ każdy dzień zwłoki to strata równa różnicy między współczynnikami konwersji osiąganymi na testowanych wersjach. Pamiętaj, aby nie wdrażać jednocześnie zmian z dwóch różnych testów. Fakt, że zmiany testowane oddzielnie przynosiły wzrost współczynnika konwersji wcale nie oznacza, że ich połączenie będzie równie skuteczne.

Krok 6: analiza testu

Niezależnie od wyniku testu konieczna jest jego szczegółowa analiza. Nie wystarczy porównać współczynników konwersji między wersjami. Musisz się dowiedzieć, jak na poszczególnych wersjach przedstawiała się efektywność ścieżek zakupowych, jak wyglądały wskaźniki zaangażowania użytkowników (np. średni czas trwania sesji czy współczynnik odrzuceń) czy z jakimi elementami użytkownicy wchodzili w interakcję.

Twoim celem w procesie optymalizacji współczynnika konwersji powinno być doprowadzenie do sytuacji, kiedy do konkretnego segmentu użytkowników jesteś w stanie dopasować wersję strony, która jest dla nich najskuteczniejsza. Dlatego warto sprawdzić skuteczność testowanych wersji w odniesieniu do segmentów użytkowników, wydzielonych np. względem źródeł ruchu. Użytkownicy wchodzący na stronę bezpośrednio są zwykle na innym etapie procesu zakupowego, niż użytkownicy wchodzący z reklam AdWords. Warto o tym pamiętać i dążyć do dopasowania przekazu marketingowego do potrzeb poszczególnych segmentów użytkowników.

Celem procesu optymalizacji współczynnika konwersji powinna być indywidualizacja przekazu kierowanego do poszczególnych segmentów użytkowników. Pozwala to zmaksymalizować efektywność witryny.

Efektem analizy testu powinna być wiedza, którą wykorzystasz do przygotowania rekomendacji zmian oraz hipotez do kolejnego testu. W tym momencie następuje zapętlenie procesu – wracasz znów do analiz (które warto co jakiś czas odświeżać) i po kolei przechodzisz kolejne etapy, aż zakończysz i przeanalizujesz kolejny test.

Podsumowanie

Wdrożenie w firmie opisanego powyżej procesu optymalizacji współczynnika konwersji wytworzy cykl stałego zwiększania efektywności witryny. Jest to podejście dużo skuteczniejsze, niż nagłe testowanie przypadkowych elementów, bądź po prostu zmienianie strony i porównywanie współczynnika konwersji w czasie. Dowodem na to jest projekt, który zrealizowaliśmy wraz ze Skąpiec.pl, polegający na ciągłej optymalizacji konwersji zamiast redesignu witryny – o jego efektach przeczytasz w .

The post Właściwe podejście do optymalizacji konwersji w 6 krokach first appeared on Conversion.

Przedstawiamy Wam (subiektywne) zestawienie najważniejszych funkcjonalności, które pojawiły się w tym roku w Google Analytics.

Przeczytajcie, co się zmieniło i jak wykorzystać nowe funkcjonalności w swoich analizach:

Remarketing Google Analytics w Universal Analytics oraz wyjście Universal Analytics z wersji beta.

Nasze zestawienie zaczynamy od prawdopodobnie największego wydarzenia tego roku: na początku kwietnia Universal Analytics wyszło z beta. Oznacza to, że nowa wersja kodu śledzącego jest już w 100% kompatybilna, obsługuje wszystkie funkcjonalności (w tym funkcjonalności dostarczane przez skrypt dc.js) i raporty klasycznego Analytics.

Czego do tej pory najbardziej brakowało? Na pewno list remarketingowych, które tworzone w klasycznym Analytics pozwalały grupować użytkowników, którzy dokonali konkretnej akcji (np. dodali produkt do koszyka) lub odwiedzili daną stronę. Pozwalało to serwować im odpowiednie kreacje reklamowe za pomocą Google Display Network. Tej funkcji do kwietnia nie obsługiwał Universal Analytics. Na szczęście to się zmieniło.

Kolejną funkcjonalnością, na którą musieliśmy poczekać w Universal Analytics, są raporty zainteresowań i dane demograficzne oraz pełna kompatybilność z Google Tag Manager. Obie te funkcje pojawiły się wraz z wyjściem z bety. Dodatkowo wprowadzono procesowanie danych w oparciu o poszczególne strefy czasowe: dotychczas dane procesowane były w czasie pacyficznym (PST). Universal Analytics zapewnia więc najświeższe dane niezależnie od strefy czasowej.

Należy także wspomnieć, że oprócz przeniesienia wszystkich funkcjonalności klasycznego Analytics do Universal Analytics, pojawiły się nowe, długo wyczekiwane funkcje, takie jak śledzenie użytkowników pomiędzy różnymi urządzeniami (poprzez nadawanie unikalnego User-ID). W momencie, kiedy użytkownik loguje się do serwisu, uaktywnia się klucz z bazy CRM (np. numer klienta czy adres email), z którym sparowany jest UUID. W efekcie w interfejsie Google Analytics możemy analizować zachowanie online użytkownika korzystającego z kilku urządzeń czy przeglądarek, a nawet offline, jeżeli na karcie klienta umieścimy taki sam User-ID.

Migracja na Universal Analytics jest nieunikniona – kolejne funkcjonalności dostępne są tylko w nowszej wersji kodu śledzącego. Wystarczy wymienić nowe metryki i dane niestandardowe czy ulepszony e-commerce, o którym za chwilę.

Ulepszone śledzenie e-commerce (enhanced e-commerce)

To była prawdziwa rewolucja: Google Analytics w maju udostępnił zupełnie nowy moduł śledzenia e-commerce. Ta funkcjonalność dostępna jest tylko w Universal Analytics i zapewne dla wielu była bodźcem do migracji na nowy kod śledzący Analytics.

Skąd to całe zamieszanie? Ulepszone śledzenie e-commerce to duży zastrzyk dodatkowych danych, do których wcześniej nie mieliśmy dostępu. Po pierwsze, możemy zbierać dane dotyczące zaangażowania użytkowników, m.in.: jak użytkownicy jak użytkowników zachowują się w koszyku (np. ile produktów dodają bądź usuwają), jak wygląda dokładnie ich ścieżka od zainicjowania po transakcję (bądź porzucenie koszyka). To daje możliwość tworzenia zaawansowanych segmentów i jeszcze lepszych analiz użytkowników.

Spośród wielu możliwości, które daje enhanced e-commerce można wymienić np. wyliczanie współczynnika konwersji dla konkretnych produktów czy ułatwione śledzenie kampanii wewnętrznych. Nowością i bardzo przydatną funkcjonalnością jest możliwość segmentacji w obrębie ścieżki zakupowej – do tej pory mogliśmy śledzić ścieżkę za pomocą celów, jednak jej analiza w obrębie poszczególnych segmentów wymagała tworzenia filtrów lub poziomej ścieżki konwersji.

Raporty porównawcze (benchmarking)

W Google Analytics możesz już sprawdzić, jak działa Twój serwis w porównaniu do konkurencji. Możesz wyświetlać raporty porównując je z danymi innych serwisów z Twojej branży. Są to dane zagregowane – nie ma możliwości zidentyfikowania konkretnej firmy.

Co można porównywać? W tym momencie możemy zestawić raporty dotyczące kanałów, lokalizacji oraz urządzeń, z których korzystają użytkownicy. Do wykorzystania mamy 6 metryk: sesje, % nowych sesji, nowych użytkowników, strony/sesje, średni czas trwania sesji oraz współczynnik odrzuceń. Możemy zobaczyć jak nasza organizacja wypada na tle konkurencji – na przykład o ile więcej (bądź mniej) procent ruchu zdobywamy z płatnych wyników wyszukiwania niż konkurencja.

Nowe raporty znajdziecie w sekcji Odbiorcy | Test porównawczy. Aby udostępnić tę funkcje musimy zgodzić się na udostępnienie danych anonimowo usłudze Google (tę opcję znajdziecie w ustawieniach konta Google Analytics).

Benchmarking możemy wykorzystać np. do analizy w czasie, tj. do porównywania jak w poszczególnych okresach roku działa nasz serwis względem konkurencji. Może uda się znaleźć kanały, które w danym czasie są bardziej efektywne, niż te które stosowaliśmy do tej pory?

Należy pamiętać o pewnych ograniczeniach tej funkcjonalności: nie wiemy do końca jak wygląda branża, którą dobrało nam Google (nie mamy wpływu na to, czy jest to strona o podobnym profilu czy wolumenie ruchu). Kolejnym dużym ograniczeniem jest brak informacji o tym, ile inni wydają na poszczególne aktywności marketingowe. Tym samym możemy sprawdzić, że nasi konkurenci pozyskują dużo więcej ruchu z AdWords – nie możemy jednak ocenić efektywności tych działań nie mając danych na temat budżetu.

Możliwość filtrowania botów

Możliwość wykluczania ruchu robotów ze statystyk Google Analytics pojawiła się w lipcu 2014 roku. Na pierwszy rzut oka nie jest to może spektakularna funkcjonalność, jednak w przypadku dbania o poprawne i rzetelne dane, filtrowanie robotów i tzw. spiderów ma bardzo duże znaczenie.

Roboty i spidery to automatyczne programy, które chodzą po stronach internetowych. Mogą to być roboty wyszukiwarek internetowych, programy, które skanują Twoją stronę w poszukiwaniu najnowszych treści lub konkretnych informacji np. o danej marce. Robotami są programy, które Twoje zlecenie sprawdzają sprawność serwera czy też czas ładowania się strony. Duża część botów krążących po stronach internetowych to tzw. spamboty, które wyszukują adresy e-mailowe i dodają je do list mailingowych.

Niektóre roboty nie powodują wywoływania kodu Google Analytics – wtedy ich wizyta odnotowywana jest tylko w logach serwerowych. Inne, tzw. smartboty podczas wejścia „zachowują” się tak jak użytkownik: do narzędzia przesyłany jest hit i Google Analytics zlicza to jako zwykłą wizytę. Może to zaburzać analizę danych – jak bardzo przekonacie się przeglądając raport Incapsula, który wskazuje, że nawet 60% ruchu na stronach internetowych generowane jest właśnie przez roboty.

Ustawienie tej funkcjonalności jest naprawdę proste: w panelu Administracja wybieramy „Ustawienia widoku” zaznaczamy opcję” Wykluczenie wszystkich działań znanych robotów”.

Google Analytics identyfikuje i odfiltrowuje roboty na podstawie listy tworzonej przez IAB/IAC (IAB/IAC International Spiders & Bots List). Dostęp do pełnej listy kosztuje całkiem sporo (od 4000 USD nawet do 14000 USD), jednak nie musimy jej znać aby korzystać z tej funkcjonalności.

Jeżeli jeszcze nie wykorzystaliście możliwości wykluczania działań robotów – powinniście to zrobić jak najszybciej. Warto, na początek, przez kilka tygodni sprawdzać jej działanie na testowym widoku – jeżeli wszystko będzie działać poprawnie, można zaaplikować funkcjonalność w obrębie całego konta.

Diagnostyka

Zapewne nie umknęło Waszej uwadze, że w prawym górnym rogu na Waszym koncie Google Analytics pojawiły się alarmy i komunikaty. To nowa opcja Google Analytics – Diagnostyka.

Google Analytics raportuje błędy takie jak brak kodu śledzącego, kolidujące filtry czy błędy w poszczególnych raportach czy w konfiguracji celów. Dodatkowo pojawiają się sugestie np. dotyczące ustawienia nowych celów.

Z raportu Conversion wynika, że duża część polskich witryn internetowych ma problem z jakością gromadzonych danych: w wyniku błędów są one niepełne i nierzetelne. Oczywiście diagnostyka Google Analytics to zdecydowanie za mało, aby zapewnić poprawność danych – niemniej jednak warto skorzystać z tej pomocy.

Google Analytics Demos & Tools

W tym roku Google Analytics udostępniło nową platformę – Google Analytics Demos & Tools. Znajdziemy na niej sporo materiałów, które ułatwią wdrażanie nowych funkcjonalności i korzystanie z samego narzędzia – głównie w formie filmów instruktażowych, prostych aplikacji demo i opisów. W demo enhanced e-commerce możemy zobaczyć, jak działa ta funkcjonalność w obrębie serwisu oraz otrzymujemy przykładowe kody do wdrożenia na stronę.

Kolejna sekcja to Google Analytics Embed API. To biblioteka Javascript, która pozwala na tworzenia i osadzanie w interfejsie Google Analytics dashboardów na zewnętrznych stronach. Daje to możliwości wizualizacji danych i przedstawiania ich „poza” narzędziem Google Analytics.

Jedyne, czego potrzebujesz aby stworzyć dedykowany dashboard to praca Twoich deweloperów. Daje to naprawdę ogromne możliwości i pozwala na tworzenie dobrej dokumentacji. Możesz zintegrować wykresy z Google Analytics aby wyglądały tak samo, bądź narysować własne wykorzystując narzędzia do wizualizacji takie jak d3.js czy chart.js.

W sekcji demo znajdziesz przykłady i pomysły prezentacji danych, między innymi w formie wykresów interaktywnych bądź zestawiania danych z dwóch i więcej widoków (co nie jest możliwe z wykorzystaniem interfejsu Google Analytics). Wykorzystanie Embed API pozwala także na wykorzystanie niestandardowych komponentów w dashboardach. Jeżeli chcecie dowiedzieć się więcej sięgnijcie do Google Develepors Centre.

Sekcja narzędzia zawiera znane części z Was narzędzie Google Analytics Query Explorer, które pozwala na wyciąganie danych z Google Analytics z poziomu tego narzędzia. Query Explorer pozwala między innymi na wyciągnięcie danych z większej liczby wymiarów (w obrębie interfejsu Google Analytics możemy to zrobić tylko dla maksymalnie dwóch wymiarów). Query Explorer pozwala wyeksportować dane dotyczące wszystkich parametrów kampanii – tj. medium, źródło, kampania, słowa kluczowe i treść.

Mamy także dostęp do kilku innych narzędzi: Account Explorer, Dimensions & Metrics Explorer oraz Google Analytics Spreadsheet Add-on, który ułatwia eksport, przekazywanie i wizualizację danych z Google Analytics do arkuszy kalkulacyjnych Google Docs.

Aby korzystać z Google Analytics Demos & Tools musimy zalogować się do swojego konta Analytics – wówczas poszczególne demo zasilane są danymi z naszego własnego konta.

A co zmieniło się w Google Analytics Premium? Oto 3, naszym zdaniem, najważniejsze funkcjonalności, które pojawiły się w płatnym Analytics w 2014 roku:

Raportowanie zbiorcze w Google Analytics Premium

Raportowanie zbiorcze, czyli tzw. roll-up, to konto, które łączy w sobie kilka różnych stron internetowych (tzn. różnych domen, np. sklep.buty.pl, blog.buty.pl itd.). Każda z domen jest śledzona osobnym kontem Google Analytics, jednak aby mieć pełny obraz zachowania użytkownika we wszystkich serwisach tworzone jest właśnie konto zbiorcze.

Stworzenie takiego konta jest możliwe w obrębie Google Analytics (informacje jak to zrobić znajdziecie w poście Mariusza), jednak nowością Premium jest to, że nie ma potrzeby implementacji kilku kodów śledzących na jednej stronie. Samo stworzenie usługi roll-up jest bardzo proste i nie wymaga zmian w kodzie źródłowym strony.

Roll-up reporting to niewątpliwie wyjście naprzeciw dużym organizacjom, które posiadają wiele domen w różnych krajach. Posiadanie pełnego obrazu obecności on-line danej firmy jest niezbędne do podejmowania najważniejszych decyzji biznesowych.

Jakie możliwości daje opcja zbiorczego raportowania? Możemy w obrębie jednego interfejsu sprawdzić jak działają poszczególne jednostki (np. różne serwisy bądź lokalizacje) porównując je do siebie. To także lepsze spojrzenie na ścieżkę użytkownika pomiędzy naszymi serwisami (łącząc te dane np. z danymi dotyczącymi urządzeń, z których korzystają użytkownicy).

Integracja Google Analytics Premium z DoubleClick

To kolejna ważna informacja dla użytkowników Google Analytics Premium – w 2014 nastąpiła pełna integracja DoubleClick Campaign Manager z Google Analytics Premium.

DoubleClick to ad-server Google, który korzysta z danych pochodzących z ciasteczek. Dzięki temu możliwe jest odtworzenie historii przeglądania stron użytkownika, a co za tym idzie – wyodrębnienie jego preferencji. DoubleClick cookies wykorzystuje te dane do targetowania kampanii reklamowych. Na pewno nie raz widzieliście, że gdy tylko przejrzycie ofertę butów w Zalando.pl, „buty” będą chodzić za Wami cały dzień – na przykład w wyszukiwarce Google. Tak działa DoubleClick.

Integracja tych narzędzi to między innymi dostęp z poziomu Google Analytics do danych dotyczących wyświetleń i kliknięć w kreacje reklamowe, a także monitorowania jak poszczególne kreacje wpływają na konwersję. Możemy ocenić efektywność kreacji i kampanii z uwzględnieniem wszystkich dostępnych metryk Google Analytics (takich jak współczynnik odrzuceń czy czas spędzony na stronie) i jeszcze dokładniej analizować ROI z kampanii marketingowych i poszczególnych kanałów.

Możliwość eksportowania niepróbkowanych raportów poprzez API

Do tej pory Google Analytics Premium umożliwiało pobieranie niesamplowanych raportów wyłącznie do pliku csv. W tym roku dodano funkcjonalność dostępu do niepróbkowanych raportów poprzez API. To rozszerza możliwości analizy danych i odpowiada na specyficzne potrzeby konkretnych biznesów – np. poprzez możliwość integracji API z oprogramowaniami Business Intelligence i zasilenie go niepróbkowanymi danymi z Google Analytics Premium.

Raporty niepróbkowane tworzone za pomocą API procesowane są w trybie offline. Kompletny raport jest dostępny z poziomu API, ale także mogą być zapisane na Google Drive albo na Google Cloud.

Na koniec dobra informacja dla wszystkich, którzy potwierdzić swoją znajomość narzędzia Google Analytics i zdać egzamin Google Analytics Individual Qualification: zdawanie GAIQ jest już darmowe. Co więcej można zdawać egzamin po polsku. To jest 10 zmiana, którą wprowadził Google Analytics w 2014 roku.

Patrząc na tempo rozwoju Google Analytics w 2014 roku nie możemy już się doczekać co przyniesie kolejny rok

Jeżeli jeszcze nie mieliście okazji zapoznać ze wszystkimi nowościami – czas najwyższy!

The post 10 nowości, które pojawiły się w Google Analytics w 2014 roku first appeared on Conversion.

Narzędzie daje ogromne możliwości zaawansowanej konfiguracji. Tylko od nas zależy, czy nasze działania ograniczą się wyłącznie do generowania raportów o liczbie unikalnych użytkowników i oglądania sekcji „Na żywo”, czy użyjemy Google Analytics do przeprowadzania zaawansowanych analiz wykorzystując na przykład śledzenie zdarzeń czy segmentację.

Dowodem na to, że Universal Analytics może stać się, dedykowanym, szytym na miarę narzędziem dla każdej organizacji, są wprowadzone ostatnio wymiary i dane niestandardowe.

To duży krok w stronę integracji danych: możemy zasilić nasze konto Analytics zewnętrznymi źródłami danych. Od informacji o autorze postów, przez dane na temat pogody po liczbę wypitych kaw w biurze. Następnie wykorzystać te dane chociażby przy analizach segmentów użytkowników.

Jak wykorzystywać niestandardowe wymiary i dane do wyciągania jeszcze lepszych wniosków? Przygotowaliśmy dla Was krótki przewodnik.

Na początku krótka uwaga: jeżeli nie dokonaliście migracji na UA, nic z tego. To funkcjonalność dostępna tylko w Universal Analytics.

Co to są wymiary i dane?

Google Analytics definiuje wymiary jako „opisowy atrybut lub charakterystyka obiektu”, a dane jako „poszczególne elementy wymiaru, które można przedstawiać jako sumę lub stosunek”.

Mówiąc po ludzku, wymiar to po prostu segment użytkowników (użytkownicy charakteryzujący się jakąś jedną wspólną cechą) obecny w Google Analytics najczęściej jako wiersz w raporcie, podczas gdy dane stanowią ilościowy opis tego segmentu – w Google Analytics najczęściej przedstawiony w kolumnie. Wszystkie raporty w Google Analytics oparte są na połączeniu wymiarów i danych.

Mamy dostęp do 200 wymiarów i danych ustawionych domyślnie na naszym koncie Google Analytics. Ale nie musimy się do nich ograniczać.

Od niedawna mamy możliwość zasilenia naszego konta o nowe, przydatne konkretnie dla naszego biznesu dane. W tym przypadku można powiedzieć „sky is the limit”: jeżeli tylko wiemy, jak poprawnie skonfigurować niestandardowy wymiar bądź dane, możemy przesyłać właściwie wszystko, co przyjdzie nam do głowy.

Czym różnią się niestandardowe wymiary i dane od zmiennych niestandardowych?

Można powiedzieć, że to już było – podobne możliwości dawały zmienne niestandardowe. To prawda – te funkcjonalności są bardzo podobne, i jeżeli jesteście specami od ustawiania zmiennych niestandardowych – bez problemu poradzicie sobie z niestandardowymi wymiarami.

Jest jednak kilka znaczących różnic.

Po pierwsze, możemy wprowadzić do 20 niestandardowych wymiarów i 20 niestandardowych danych. W przypadku zmiennych niestandardowych to ograniczenie było dużo większe (tylko 5).

Po drugie, niestandardowe wymiary i dane definiuje się w interfejsie – tam określa się ich nazwę, poziom oraz slot. W kodzie definiowane są tylko wartości dla wymiary. Tymczasem w przypadku zmiennych niestandardowych całość musi być zdefiniowana po stronie kodu.

Oznacza to, że niestandardowe wymiary i dane można skonfigurować z poziomu konta – nie trzeba dokonywać zmian w samym kodzie.

Jak ustawić na swoim koncie Google Analytics niestandardowe wymiary i metryki?

Ustawienie niestandardowych wymiarów i metryk nie powinno być dużym wyzwaniem. Należy pamiętać, że ta opcja dostępna jest tylko jeżeli przeprowadziliśmy migrację na Universal Analytics.

Pokażę Wam na przykładzie naszego bloga, jak krok po kroku skonfigurować niestandardowe wymiary i dane – w naszym przypadku jako wymiar wybraliśmy autora tekstu.

W panelu administratora na poziomie usługi wybieramy niestandardowe definicje. Następnie przechodzimy do niestandardowych wymiarów.

Następnie wybieramy „Dodaj niestandardowy wymiar, nadajemy mu nazwę oraz ustawiamy zakres. Jeżeli odznaczymy opcję „Aktywna” wymiar dalej będzie się pojawiać w raportach niestandardowych, jednak dane nie będą zbierane.

W przypadku wybrania opcji autor zakresem będzie Hit. Mamy do wyboru jeszcze użytkownika oraz sesję – o tym czym różnią się poszczególne zakresy napiszę w dalszej części artykułu.

W momencie, gdy stworzymy już niestandardowy wymiar pojawiają nam się kody, które należy umieścić na stronie. Wymiarowi nadawany jest indeks – w tym przypadku jest to wymiar1. W momencie kiedy zdefiniujemy „dimensionValue”, Analytics widząc podaną wartość prześle zawarte w niej dane do naszego konta. Aby skonfigurować wartość wymiaru „autor” wykorzystaliśmy (kod, który zaciąga dane o autorze w nagłówku posta).

Dane lądują na koncie Google Analytics jako indeks plus wartość.

Należy pamiętać, że dane przesyłane są do konta Google Analytics tylko w połączeniu z innymi hitami (działaniami), takimi jak zdarzenie, wirtualna odsłona czy transakcja. Dlatego kod umieszczamy pod głównym kodem śledzącym Google Analytics.

Teraz możemy analizować to jak popularny są posty poszczególnych autorów i na przykład stworzyć ranking najbardziej poczytnych autorów. Albo sprawdzić, które posty danego autora mają najwyższy średni czas spędzony na stronie.

Zakres produktu, sesji, użytkownika, hitu

Jak wcześniej pisałam, jeżeli jako niestandardowy wymiar ustawiamy autora, robimy to w zakresie hitu. To chyba najtrudniejszy to zrozumienia element całej konfiguracji. Ci, którzy ustawiali już zmienne niestandardowe nie powinni mieć z tym problemu.

Możemy definiować wymiary w zakresie

• Hitu
• Sesji
• Użytkownika
• Produktu

Zakres hitu

Jako hit określamy jednostkową porcję danych przesyłanych do Google Analytics. Może to być zdarzenie, wirtualna odsłona czy transakcja. Jeżeli zakresem będzie hit – do danego hitu dołączana będzie porcja danych zawierających numer indeksu i wartość danego wymiaru.

W jednej sesji użytkownik może przesyłać wiele hitów: poruszając się po serwisie generuje różne zdarzenia czy wirtualne odsłony. W tym zakresie informacja o niestandardowym wymiarze zostanie przekazana przy każdym hicie, który zdefiniujemy. Czyli jeden użytkownik może „wysłać” kilka wymiarów i danych niestandardowych do Google Analytics.

W przypadku autora artykułu: za każdym razem kiedy użytkownik wyświetli tekst danego autora, do hitu „wirtualna odsłona” dołączona zostanie porcja informacji o autorze – i tak podczas jeden wizyty użytkownik może wysłać kilka (kilkanaście, jeżeli jest zagorzałym czytelnikiem) hitów z tą wartością.

Zakres sesji

Sesja to najprościej mówiąc, zestaw hitów zgrupowanych razem dla jednej wizyty jednego użytkownika. Sesja trwa 30 minut od pierwszego hitu.

W przypadku ustawienia zakresu Sesji kolejne hity z inną wartością nadpisują wcześniejsze działania. Jeżeli wymiar Autor ustawilibyśmy na poziomie sesji, otrzymywalibyśmy informacje tylko na temat autora ostatniego posta, który użytkownik przeczytał w czasie trwania sesji.

Poziom sesji możemy wykorzystać na przykład do przesyłania danych na temat logowania. Nie ma znaczenia w którym momencie użytkownik zalogował się do serwisu – ważne, że zrobił to w czasie trwania sesji. Jeżeli tylko wykonał taką akcję, do konta Google Analytics przesyłana jest informacja „Zalogowany”. Wówczas przy analizie segmentów możemy ustawić wartość „zalogowani” i analizować jak tacy użytkownicy zachowują się na stronie.

Podobnie w przypadku informacji o pogodzie: możemy ustawić niestandardowy wymiar w zakresie sesji (raczej mało prawdopodobne, że pogoda zmieni się diametralnie w ciągu 30 minut).

Zakres użytkownika

Google Analytics za pomocą ciasteczek jest w stanie zidentyfikować pojedynczego użytkownika. Kiedy wchodzi on do serwisu, przypisane jest mu ID i jest rozpoznawalny jako konkretna osoba (a raczej konkretny zestaw danych) przez 2 lata (tyle żyje ciasteczko). Zbierane dane są grupowane: w efekcie możemy segmentować nie tylko sesje, ale prawdziwych użytkowników.

To dobre rozwiązanie dla informacji, które nie zmieniają się często (albo w ogóle). W zakresie użytkownika możemy zdefiniować na przykład płeć (jeżeli mamy takie dane np. w CRM) czy to, jaki rodzaj konta w naszym serwisie posiada dany użytkownik (na przykład konto classic lub premium itd.)

Zakres produktu

Wartość danych bądź wymiarów niestandardowych jest przypisana konkretnie do produktu – ta opcja dostępna jest tylko w ulepszonym ecommerce.

Jak raportować niestandardowe wymiary i metryki?

W klasycznym Google Analytics zmienne niestandardowe znajdowały się w sekcji Odbiorcy / Niestandardowe / Zmienne niestandardowe. W tym miejscu nie znajdziemy już wymiarów i danych niestandardowych. Są one traktowane jako „zwykłe” wymiary dodatkowe.

Możemy wykorzystać je w najprostszy sposób: dokładnie tak jak zwykły wymiar w raporcie.

Niestandardowe wymiary ustawiamy jako wymiar dodatkowy raportu na przykład przy analizie raportów Cały Ruch.

Niestandardowe wymiary możemy wykorzystywać do tworzenia segmentów, raportów niestandardowych i filtrów. Trzeba pamiętać, że niestandardowe wymiary i dane ustawiane są na poziomie usługi – dlatego też filtry możemy ustawić na poziomie widoku – nie możemy tego zrobić dla całego konta.

Przykład raportu niestandardowego na podstawie danych o autorach naszego bloga. Mamy ustawione zdarzenia o etykiecie: Do końca i Do połowy (zdarzenia na scrollowanie, które pokazują jak użytkownicy czytają teksty). Generujemy raport niestandardowy (tabelę kartotekową), w którym wymiarem jest autor, a następnie ustawiamy etykietę zdarzenia Do końca lub Do połowy. Tym samym możemy prześledzić jak czytane są teksty poszczególnych autorów

Jak wykorzystywać niestandardowe wymiary i dane w swoich analizach?

Możliwości jest nieskończenie wiele: wszystko zależy od charakterystyki naszego biznesu i kompetencji zespołu analityków.

Poniżej kilka przykładów, które mogą Was zainspirować do wykorzystania tej funkcjonalności na swoich kontach:

Śledzenie pogody

W serwisach ecommerce warto np. przekazywać do Google Analytics informacje o pogodzie — na pewno każdy z właścicieli sklepów internetowych zaobserwował, że w dni z gorszą pogodą sprzedaż rośnie (nie wspominając już o skrajnie zależnych od warunków atmosferycznych branżach jak np. sprzedaż opon).

Aby skonfigurować dane dotyczące pogody musimy określić szerokość i długość geograficzną naszego IP i na tej podstawie zaciągnąć dane z zewnętrznego API (np. http://openweathermap.org/). Wymiar niestandardowy ustawiamy w zakresie sesji.

Więcej informacji jak ustawić informacje pogodowe za pomocą Google Tag Managera znajdziecie na blogu Simo Ahavy.

Śledzenie sposobu płatności

Tak, oczywiście można śledzić jaki sposób płatności (kartę Visa, Mastercard, za pobraniem itd.) wybierają użytkownicy za pomocą zdarzeń. Ustawienie niestandardowego wymiaru pozwoli jednak na lepszą analizę zachowania: możemy wykorzystać te informacje do analizy segmentów i obserwować korelację pomiędzy liczbą produktów w koszyku czy średnią wartością zamówienia.

Przekazywanie informacji o marży

To bardzo ciekawa opcja dla ecommerce, szczególnie przy analizie kampanii marketingowych. Jeżeli chodzi o ROI – a to przecież chodzi – to ile zarabiamy na danym produkcie ma znaczenie, a nie tylko jego cena. I tę wartość także powinniśmy brać pod uwagę.

Załóżmy, że w sklepie internetowym z elektroniką telewizor kosztuje 3000 PLN. Marża to 2%, więc na zakupie tego produktu zarabiamy 90 PLN . Z kolei sokowirówka kosztuje 250 PLN a marża wynosi 15% – czyli zarabiamy 45 PLN.

Oczywiście są to dane wrażliwe – jest jednak kilka sposobów na przekazanie je tak, aby nie były widocznie w kodzie, np. za pomocą serwowania tych danych z serwera poza wizytą użytkownika.

Informacje na temat interakcji użytkowników z aplikacją

Bardzo dobry przykład wykorzystania niestandardowych wymiarów w poszczególnych zakresach znajdziecie na stronie Pomocy Google.

Krok po kroku przedstawiona jest konfiguracja zmiennych niestandardowych na przykładzie aplikacji do gier. W zakresie hitu możemy obserwować jak często użytkownicy grają na poszczególnych poziomach gry, na poziomie sesji możemy zebrać dane o interakcjach użytkowników w czasie 3-dniowej wersji próbnej. W zakresie użytkownika możemy porównywać zachowanie tych, którzy posiadają darmową i płatną wersję. Pokazane jest także wykorzystanie zakresu produktu: jakie doładowania wykupują użytkownicy aplikacji.

Niestandardowe wymiary i dane otwierają ogromne możliwości analizy, a także łączenia danych offline z online. Jeżeli jeszcze zastanawiacie się nad migracją na Universal Analytics – ta funkcjonalność powinna Was do tego przekonać.

Czy macie już swoje pomysły na niestandardowe wymiary i dane? Jeżeli tak, podzielcie się nimi w komentarzach.

The post Wymiary i dane niestandardowe: doładuj swoje konto Analytics 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.

To jest bardzo ważne. Ale nie najważniejsze.

Nasz blog jest o analityce internetowej. A to znacznie więcej niż ustawienie segmentu w Google Analytics.

I właśnie o tym przypomniał nam sam Jim Sterne w czasie swojej prezentacji. Jim Sterne jest prezesem Digital Analytics Association i jednym z prekursorów analityki internetowej.

Kilka tygodniu temu Jim Sterne przyjechał do Polski aby promować ideę analityki internetowej. Mieliśmy okazję gościć go podczas Web Analytics Wednesday (organizowanych przez nas spotkaniach branży analitycznej).

Jim przedstawił nam prezentacje „From Bits and Bytes to Business Insights”. Od bitów i bajtów do biznesowych wniosków. Mówił całościowo o analityce internetowej. Nie o narzędziach ani technikach. O analityce jako wnioskach i działaniach, które przekładają się na biznes – wpływają na niego, zmieniają go i dają nowe możliwości rozwoju.

Podczas 30 minutowej prezentacji otrzymaliśmy solidną dawkę wiedzy, której nie da się upchnąć w krótkim poście na bloga.

Za zgodą Jima spróbuje przekazać Wam chociaż jej fragment. Fragment o tych, którzy tę analityką internetową tworzą. Coś dla prawdziwych Data Detectives (albo tych, którzy chcą się nimi w niedalekiej przyszłości stać).

Data Detective

Gdyby organizowano konkurs na najbardziej niezrozumiały dział w większości organizacji, niewątpliwie jedną z najwyższych pozycji w klasyfikacji zajmowałby Dział IT. Chyba nikomu nie trzeba tłumaczyć, że dla większości zwykłych ludzi mówią oni w całkowicie nieznanym języku, a w ogóle to mówią raczej niechętnie. Nie ma co ukrywać, komunikacja to zwykle nie jest najmocniejszy punkt Działu IT.

Ich praca to zadbanie o dostarczenie kompletnych danych i zebranie ich w odpowiedni technicznie sposób.

Na drugim biegunie znajdują się osoby, które wykorzystują dane, w formie przetworzonej na język rekomendacji i działań. Mają one przynieść efekty w postaci zwiększenia rentowności firmy. Tworzą komunikację zmian, wdrażają, planują nowe posunięcia.

I właśnie w tym świecie, gdzieś pomiędzy IT a konsumentami wniosków (insights consumer) pojawia się Detektyw Danych. Osoba, która jest na tyle techniczna, by porozumieć się z IT, i na tyle zorientowana na biznes i komunikację, by dostarczyć narzędzi do pracy Działom UX czy Marketingu.

Analityk internetowy powinien być jak detektyw. Dostaje zadanie do wykonania, stawia szereg pytań, następnie szuka na nie odpowiedzi. Do dyspozycji ma tony danych i gąszcze raportów przekazanych przez webmasterów. Webmasterzy nie szukają wniosków: oni dostarczają materiał do pracy.

Marketingowiec, który chce zwiększyć konwersję na stronie docelowej, nie pyta: jaki jest współczynnik odrzuceń w segmencie nowych użytkowników? Jaki jest wpływ poszczególnych parametrów? Jakie są wnioski z analizy kohort?

Jedyne, czego potrzebuje to jasna odpowiedź co zrobić, aby rozwiązać problem. Większość tych odpowiedzi są w danych – i zadaniem detektywa jest je odszukać.

Jak zostać prawdziwym Data Detective?

Jak zwykle, nie ma na to sprawdzonej recepty. Jest jednak kilka wskazówek, które pozwolą na uwolnienie potencjału analityki internetowej i znalezienie w danych odpowiedzi na ważne biznesowe pytania.

Doceń anomalie

Pojawianie się anomalii często od razu przypisujemy błędom, które pojawiają się w danych.

I chociaż faktycznie często zdarza się tak, że w przypadku dużych rozbieżności winne są niepoprawne dane, nie możemy pobłażliwie traktować anomalii. Jeżeli zdobędziemy pewność, że są one prawdziwe – może to prowadzić do wyjątkowo wartościowych wniosków.

Zasmakuj w segmentacji

O tym nikomu nie trzeba chyba przypominać. Wielokrotnie przytaczaliśmy już słynne słowa Avinasha: „Do Segmentation or Die!”.

Dlaczego segmentacja jest taka ważna?

Ponieważ analiza to kopanie w danych, drążenie w poszukiwaniu odpowiedzi. Bez segmentacji patrzymy na metryki powierzchownie i możemy przeoczyć wiele istotnych elementów.

Każdy z nas jest inny – jednak można wyodrębnić grupy użytkowników (segmenty), którzy są podobni lub w danych sytuacjach zachowują się podobnie.

Mamy tendencję do segregowania użytkowników pod względem danych demograficznych. I chociaż faktycznie zachowania w odniesieniu do niektórych produktów można segmentować za pomocą danych, tj. jak wiek, płeć czy miejsce zamieszkania, nie powinniśmy zamykać się tylko na takie segmenty. Albo inaczej: powinniśmy patrzeć szerzej niż to ile nasz użytkownik ma lat czy jakiej jest płci.

Dużo ciekawych wniosków wyciągnąć można z obserwacji samego procesu zakupowego. Możemy tworzyć segmenty użytkowników, którzy dokonali zakupu w naszym sklepie tylko raz, lub takich którzy kupują w naszym sklepie regularnie.

Jeżeli na taki segment nałożymy warunek daty (co daje nam pewność, że na dana grupa użytkowników np. trafiła do naszego serwisu się w takich samych warunkach – takie same ceny, taki sam przekaz marketingowy) możemy pokusić się o analizę kohort. A to już wyższy poziom zaawansowania, który może doprowadzić nas do naprawdę wielkich wniosków.

Przykład? Załóżmy, że obserwujemy nieznaczny spadek sprzedaży. Drążąc w danych orientujemy się, że sprzedaż znacząco spada w segmencie użytkowników, którzy do tej pory regularnie robili zakupy w naszym sklepie. Gdy nakładamy warunek daty, okazuje się, że wszyscy Ci użytkownicy trafili do nas dokładnie rok temu w momencie trwania dedykowanej kampanii newsletterowej, która właśnie się skończyła, a my zmieniliśmy strategię wysyłania mailingów. Może więc należy kontynuować dotychczasowe działania w tym segmencie użytkowników aby podnieść sprzedaż?

Nie daj się wyrolować

Na drodze Data Detective stoi wiele pułapek. Nietrudno dać się zwieść: czasami szukając wniosków bardzo chcielibyśmy, żeby z danych wynikało to co sobie założyliśmy.

Niestety czasami nawet najlepsze hipotezy się nie sprawdzają.

Jak nie dać wyprowadzić się w pole?

Po pierwsze, należy pamiętać, że korelacja nie zawsze oznacza przyczynowość. Często niepotrzebnie marnujemy energię na szukanie powiązania między czynnikami, które po prostu nie istnieje.

Przykładów na absurdy w zakresie uznawania korelacji za przyczynowość jest mnóstwo (jak widać powyżej). Można znaleźć takie cuda jak wykres wzrostu udziału w rynku przeglądarki Internet Explorer i liczby morderstw w USA czy też wzrost spożycia sera jako przyczyna rozwodów w Minnesocie.

Brzmi to banalnie i śmiesznie? W przypadku sera może tak, niemniej jednak uznawanie korelacji za przyczynowość to jeden z najczęstszych błędów popełnianych w analityce internetowej.

Kolejna pułapka to podstawowy błąd poznawczy, który wpływa na podejmowanie decyzji i postrzeganie rzeczywistości. Można mnożyć przykłady takich błędów – jak chociażby efekt obserwatora, czyli nieświadome zaburzanie wyników eksperymentu przez naukowca oczekującego jakiegoś wyniku czy efekt skupiania uwagi przejawiający się np. w ignorowaniu potrzeby zebrania miarodajnych danych przy badaniu występowania korelacji i powiązań.

Całkowicie ludzkie jest także doszukiwanie się rzeczy, które nie istnieją, a bardzo chcemy aby się nam pokazały.

W skrajnym przypadku jest to zjawisko pareidolii – dopatrywania się znanych kształtów w przypadkowych szczegółach (często nawet przy pełnej świadomości, że ich nie ma). Znacie przypadek sprzedaży grillowanej kanapki z żółtym serem, w której pewna Amerykanka ujrzała twarz Matki Boskiej, za 28 000$?

Analitycy internetowi czasami mogą zobaczyć w danych więcej niż jest w nich naprawdę i tym samym wysnuć bezpodstawne wnioski. Szczególnie niebezpieczne jest wyciąganie wniosków dotyczących zachowań wszystkich użytkowników przy zastosowaniu zbyt małej próby.

Ważne, aby prawdziwy Data Detective ufał tylko sprawdzonym faktom i poprawnym danym.

Pamiętaj o prawie i polityce

Chodzi oczywiście o politykę przetwarzania danych i politykę prywatności.

W dzisiejszych czasach prywatność i kwestia przetwarzania danych osobowych to bardzo wrażliwy temat. A będzie coraz gorzej – nowe regulacje starają się chronić obywateli przed wykorzystywaniem ich prywatnych danych.

Jak przechowywane i w jaki sposób gromadzone są dane to niezmiernie ważna kwestia, która w przeciągu najbliższych lat będzie kluczowa dla rozwoju analityki internetowej.

To nie są czcze procedury, które obejść można paskiem o wykorzystywaniu ciasteczek. Korzystanie z danych o zalogowanych użytkownikach to już stąpanie po grząskim gruncie – masz dostęp do każdego adresu e-mail i jesteś w stanie zidentyfikować każdą osobę.

Dlatego też należy bezwarunkowo trzymać się zasady zapisanej w regulaminie Google Analytics (jeżeli z tego narzędzia korzystacie) i pracować na danych zagregowanych, które pozbawiają nas możliwości identyfikacji użytkownika.

W przypadku bezpieczeństwa danych powinniśmy wziąć pod uwagę 3 kwestie:

• Bezpieczeństwo danych

To absolutna podstawa. Dane, które są zbierane o użytkownikach, w szczególności te, które zawierają np. adresy e-mail powinny być odpowiednio zabezpieczone. Dotyczy to zarówno technologii, które powinna chronić wrażliwe informacje przed wykradnięciem czy dostaniem się w niepożądane ręce, jak i ludzi, którzy posiadają dostępy do danych.

• Własność danych

W przypadku narzędzi płatnych, takich jak AT Internet czy SiteCatalyst podpisywany dokument SLA (Service Legal Agreement) reguluje kwestię własności danych.
W przypadku darmowych narzędzi Google – kwestia jest dyskusyjna.

• Kwestia odpowiedzialności

W swojej prezentacji Jim kładł nacisk na kwestię moralnej odpowiedzialności za dane na każdym etapie ich przetwarzania. I nie chodzi tylko o kwestie prywatności, ale także o odpowiedzialność za podejmowane decyzję.

Już całkiem niedługo będziemy zapewne poruszać się samochodami, którymi steruje komputer. Stworzony do tego celu algorytm zapewne oparty będzie na danych. Gdy coś nie zadziała – a w tym przypadku konsekwencje mogą być poważne – kwestia odpowiedzialności za każdy etap procesu przetwarzania danych i wdrażania narzędzi będzie miała kolosalne znaczenie.

Zastanów się nad tym, co mówisz

„Atrybucja ostatniego kliknięcia” czy „współczynnik odrzuceń” to pojęcia, które dla większości ludzi niewiele znaczą.

Musisz pamiętać o tym, że jeżeli ludzie Cię nie rozumieją – nie będą wspierać Twoich działań, a tym samym Twoje rekomendacje zamiast zmieniać rzeczywistość biznesową mogą trafić do kosza.

Niestety praca w organizacji to w dużej mierze pewien układ sił. Im bardziej Twoi współpracownicy (a w szczególności szefowie) rozumieją to co robisz, tym bardziej doceniają wagę i zasadność Twojej pracy.

Nie wymagaj od ludzi, aby wchodzili meandry analityki internetowej.

To jak mówisz ma także znaczenie dla Ciebie: aby uniknąć problemów w momencie, kiedy testy czy też stawiana hipoteza nie pójdzie po Twojej myśli, zapamiętaj aby ostrożnie udzielać rekomendacji:

Dane wskazują na…
Wydaje się, że lepiej będzie…
Na tej podstawie można by przypuszczać…
Gdybym miał się założyć, postawiłbym na…..

Zorganizuj festiwal głupich pytań

To bardzo ciekawy pomysł. Nie jestem pewna czy udałoby się zrobić coś takiego na naszym gruncie – nie ma co ukrywać, otwarte zadawanie pytań na forum to nie jest najmocniejsza strona Polaków, co widać szczególnie na salach wykładowych

Niemniej jednak pomysł zorganizowania spotkania, w czasie inne osoby z organizacji zadają analitykom pytania wydaje się być naprawdę dobry. Nieśmiałość współpracowników zawsze można obejść opcją zadawania pytań anonimowo bądź zorganizowaniem spotkania w luźnej atmosferze – w porze lunchu bądź wieczorem, przy piwie.

Nie bądź gburem: zaprzyjaźnij się

Jak już wspominałam – to jak jesteś traktowany i jaka jest Twoja pozycja w organizacji bardzo zależy od tego, czy Twoi współpracownicy wiedzą jak ważna jest Twoja praca, czy Twoi szefowie widzą istotność przeznaczania środków na Dział Analityki Internetowej i to czy Twoi managerowie chcą wdrażać stawiane przez Ciebie rekomendacje.

Znajdź nić porozumienia z IT, ale także z Działem Marketingu czy innymi Działami, które czerpią z Twoich wniosków.

Pamiętacie o błędzie poznawczym? Jednym z nich jest efekt aureoli. Jeżeli kogoś lubimy i dobrze się z nim dogadujemy, przekładamy to także na inne aspekty życia, chociażby jego pracę.

Powyższy artykuł inspirowany jest prezentacją Jima Sterna „„From Bits and Bytes to Business Insights”, nie jest jednak jej dokładnym odwzorowaniem.

The post „From Bits and Bytes to Business Insights” czyli 8 rad Jima Sterna jak zostać Data Detective first appeared on Conversion.

Naszym zdaniem to jedna z najlepszych funkcjonalności ogłoszonych w 2013 roku. Jeżeli jeszcze z niej nie korzystacie, mam nadzieję, że po lekturze tego artykułu zaczniecie bez wahania.

Grupowanie treści otwiera nowe możliwości jeszcze lepszych analiz, niezależnie od tego czy prowadzisz sklep internetowy, bloga czy stronę gromadzącą leady.

Czym jest grupowanie treści?

Powiedzmy, że prowadzisz księgarnię internetową. Założę się, że chciałbyś zadać swoim użytkownikom proste pytanie: jakie książki lubią czytać. Kryminały, biografie czy może przewodniki? Teraz możesz to w łatwy sposób sprawdzić na swoim koncie Google Analytics.

Dzięki nowej funkcjonalności przyporządkujesz poszczególne strony do „grup treści” na swoim koncie Google Analytics. Grupy treści to segmenty, stworzone na podstawie reguł określających zawartość poszczególnych stron.

I tak w przypadku księgarni internetowej możemy stworzyć grupę treści „Rodzaj”. I tak będziemy mogli przeglądać raporty, w których poszczególne karty produktów zostaną pogrupowane w zbiory takie jak przewodniki czy kryminały.

Grupowanie treści jest bardzo intuicyjne: w sklepie internetowym z butami jako grupy możemy ustawić Buty Sportowe, Buty Trekkingowe czy Kapcie. Na blogu kulinarnym: Śniadania i Wypieki. Możemy także ustawić grupy treści na podstawie typów stron: Karta Produktu, Krok 3 Koszyka czy Strona Błędu.

Już samo stworzenie określonych grup treści na pewno pomoże stworzyć logiczną strukturę stron na Twoim koncie Google Analytics. Jednak przygoda zaczyna się wraz z możliwością analizy danych w obrębie poszczególnych grup i zestawienia ich ze sobą.

Jak wykorzystywać grupowanie treści w swoich analizach?

Już sam fakt obserwowania jak zachowują się użytkownicy w obrębie poszczególnych grup treści daje szerokie możliwości analiz. Możemy lepiej zrozumieć preferencje użytkownika – a tym samym lepiej dostosować treści, które mu przekazujemy.

Grupowanie treści znajduje się w raporcie Zachowanie -> Zawartość witryny -> Wszystkie strony. Jednym kliknięciem możemy sprawdzić jak użytkownicy zachowują się na poszczególnych grupach stron za pomocą metryk takich jak średni czas na stronie czy współczynnik odrzuceń. Dzięki stworzeniu grup na podstawie sekcji na naszym serwisie, www.conversion.pl, wiemy, które treści najbardziej interesują użytkowników.

Poniżej pokażę Wam, jak wykorzystać grupowanie treści w sklepie internetowym, na stronie, która zbiera leady oraz na blogu.

Sklep internetowy

W przypadku sklepów internetowych korzystanie z grupowania treści powinno stać się powszechną praktyką: możliwość analiz poszczególnych grup produktów w przypadku spadku sprzedaży czy przydzielania budżetu na działania marketingowe jest nie do przecenienia.

Grupowanie treści w przypadku sklepu internetowego może dostarczyć dobre rekomendacje. Z następujących URL: http://www.zalando.pl/kobiety-promocja/, http://www.zalando.pl/odziez-damska-promocja/ http://www.zalando.pl/obuwie-damskie-promocja/ możemy stworzyć grupę „promocja” w ramach której zostaną wyodrębnione sekcje „odziez-damska” i „obuwie-damskie”. W ten sposób możemy porównać odzież i obuwie w promocji. Jeżeli okażę się, że buty mają zdecydowanie więcej wejść niż odzież, możemy zdecydować o zwiększeniu środków na kampanie czy zmianie kolejności wyświetlania kategorii na stronie.

Innym przykładem wykorzystania grupowania treści jest identyfikowanie „wąskich gardeł” serwisu. Możemy to zrobić przez stworzenie Grup Treści po typie stron, np. Strona Kategorii, Karta Produktu czy 3. Krok Koszyka, co sprawi, że stworzymy lejek ścieżki konwersji. Do tej pory było to możliwe, jednak grupowanie treści pozwala nam na natychmiastowe generowanie raportu, a do tego (co niemożliwe w przypadku wizualizacji ścieżek) nakładanie dodatkowych segmentów. Możemy także analizować procent wyjść czy współczynnik odrzuceń dla każdego typu stron.

Pozyskiwanie leadów

Grupowanie treści mogą wykorzystać także organizacje, które nie zajmują się sprzedażą, a ich konwersją jest pozyskanie zapytania.

W przypadku Open Finance stworzenie grup treści na podstawie kategorii Kredyty, Oszczędzanie i Inwestowanie pozwoliłoby odpowiedzieć na pytanie biznesowe: jakie treści zachęcają użytkownika do wykonania telefonu? Taką informację możemy zdobyć ustawiając wypełnienie formularza kontaktowego jako cel w Google Analytics, a następnie zestawienie go z grupami treści w raporcie niestandardowym.

Blogi

Każdy bloger, w swoim własnym interesie, powinien jak najszybciej ustawić grupowanie treści na swoim koncie Google Analytics. W przypadku blogów ma to oczywiste zastosowanie: sprawdzasz, które kategorie artykułów czytane są najczęściej i jaka tematyka interesuje Twoich czytelników.

Grupowanie treści doskonale przysłuży się portalom informacyjnym i wszystkim serwisom kontentowym: wiedza o tym, jak na daną treść reagują użytkownicy pozwoli nie tylko decydować o kampaniach i wydatkach marketingowych, ale także może dać na styl publikacji i kierunek rozwoju.

Grupowanie treści daje naprawdę dużo możliwości. Gdybyśmy chcieli zorganizować konkurs, kogo artykuły na naszym blogu czytane są chętniej, a kto musi popracować nad warsztatem moglibyśmy podzielić treści na blogu wg autora. Co prawda w naszych adresach URL nie pojawia się taka informacja – nie można byłoby ustawić reguły. Ale zawsze pozostaje opcja wklejenia skryptu w kod źródłowy strony

Jak ustawić grupowanie treści na swoim koncie Google Analytics?

Teraz garść informacji technicznych.

Zanim przejdziemy do konfiguracji, powinniśmy przeanalizować swój serwis pod kontem stworzenia konkretnych grup. Pamiętajmy, że grupy treści działają jak filtry – dane nie zbierają się wstecznie.

Aby pokazać jak ustawić konto, wrócimy do przykładu księgarni. Załóżmy, że chcemy utworzyć grupę treści, która obejmie Przewodniki. Dla uproszczenia przyjmijmy, że URL wyglądają następująco:

Strona główna: www.mojaksiegarnia.pl
Strona kategorii: www.mojaksiegarnia.pl/przewodniki/azja
Strona produktu: www.mojaksiegarnia.pl/przewodniki/azja/poznaj-mongolie

W panelu Administratora -> Widok wybieramy opcje Grupowanie Treści, następnie rozpoczynamy tworzenie nowej grupy, wybierając opcje „+Nowe Grupowanie Treści” . Naszą grupę nazywamy Przewodniki.

Google Analytics umożliwia nam stworzenie grupy za pomocą trzech metod: grupowanie według kodu śledzenia, grupowanie z wykorzystaniem wyodrębniania i grupowanie z wykorzystaniem definicji reguł.

1. Grupowanie według kodu śledzenia

Ta metoda przydziela daną stronę do grupy na podstawie skryptu umieszczanego w kodzie strony. I tak, jeżeli tworzymy grupę Kryminały, na każdej karcie produktu, który uznamy za kryminał powinniśmy umieścić linijkę kodu, modyfikując indeks oraz nazwę grupy.

_gaq.push([’_setPageGroup’, 1, Przewodniki]);

Przykładowy kod śledzenia dla grupy treści. Indeks (,1,) wskazuje, która to z kolei grupa danej strony (np. karta produktu przewodnika „Poznaj Mongolie” zawiera się w grupie „Przewodniki” oraz w grupie „Karta Produktu”).

Stosowanie tej metody wymaga ingerencji w kod źródłowy strony. My, jak już pewnie wiecie, zawsze wolimy omijać Dział IT: dlatego zwykle korzystamy z dwóch pozostałych metod

2. Grupowanie z wykorzystaniem wyodrębniania

Pozwala zidentyfikować i wyodrębnić URL w danej grupie za pomocą wyrażenia regularnego.


Aby wyodrębnić dana grupę musimy zastosować wyrażenie regularne: uwzględnij wszystkie URL zaczynające się od /przewodnik/ i zawierające kolejną podkategorię. Wszystkie wyrażenia, które spełniają warunek zadany w nawiasie (czyli w tym przypadku będą ciągiem liter między dwoma ukośnikami), staną się grupami treści.
3. Grupowanie z wykorzystaniem definicji reguł

Grupy treści są identyfikowane za pomocą reguł (zawiera, zaczyna się itd.) w odniesieniu do nazwy ekranu, strony (adresu url) czy tytułu strony.

W przypadku księgarni moglibyśmy stworzyć grupę książek według rodzaju. Wtenczas przy definiowaniu grup musimy wypisać wszystkie grupy, które chcemy analizować w raporcie i zdefiniować dla nich reguły.


Takie rozwiązanie pozwala nam, w odróżnieniu od wyodrębniania, na analizowanie tylko potrzebnych nam kategorii. Np. przewodniki: ^/przewodniki, Kryminały ^/kryminały.

Jeśli nasza strona ma inną wersję językową, której wybranie dodaje np. katalog /en/ przed ścieżką to wpłynie to na wyświetlanie się raportów – w raporcie pojawi się kategoria „en” między kryminałami i przewodnikami . W przypadku grupowania z wykorzystaniem reguł gdzie zadajemy konkretne kategorie i tylko one będą wyświetlane, więc taka sytuacja na pewno się nie przydarzy. Z drugiej strony nasze raporty nie będą aktualizować się wraz z dodawaniem nowych kategorii – niestety każde rozwiązanie ma wady i zalety.

Niestety przejrzysta architektura stron (jak ta mojaksiegarnia.pl) to raczej rzadkość. Często adresy URL zawierają niepotrzebne znaki, liczby, są długie i nie zawierają żadnej oczywistej reguły, która łączy całą grupę. Wówczas zdefiniowanie reguł jest jedynym rozwiązaniem: potrzebna będzie do tego znajomość wyrażeń regularnych.

Podsumowanie

Oczywiście już wcześniej, przy sensownej architekturze strony (np. wspomniany już url: mojaksiegarnia.pl/przewodnik/azja/poznaj-mongolie mogliśmy za pomocą filtrów w raportach wyodrębnić poszczególne grupy i na tej podstawie tworzyć analizy.

Jednak po pierwsze, było to zdecydowanie bardziej czasochłonne, po drugie – nie było możliwości porównania raportów w jednym oknie. Konieczność pracy na dwóch oknach, albo co gorsze – przepisywanie danych i zestawianie ich ze sobą, znacznie ograniczały możliwości analiz. Grupowanie treści to także alternatywa dla zmiennych niestandardowych na poziomie strony.

Grupowanie treści otwiera nowe perspektywy analiz i może stanowić odpowiedź na wiele pytań biznesowych. To kolejny krok do poznania swoich użytkowników.

Jeżeli jeszcze nie ustawiliście grupowania treści w swoim Google Analytics – nie traćcie czasu. W przypadku wątpliwości – pytajcie w komentarzach. A może chcielibyście podzielić się swoimi pomysłami na analizy z wykorzystaniem tej funkcjonalności?

The post Jeszcze więcej z danych: wykorzystaj potencjał grupowania treści w Google Analytics first appeared on Conversion.

Analiza polega na „kopaniu” w danych, nie na powierzchownej obserwacji. Tylko dzięki segmentacji jesteśmy w stanie zdobyć informacje, które pozwolą na stawianie trafnych rekomendacji.

Google Analytics wychodzi naprzeciw potrzebom analityków i sukcesywnie rozszerza funkcjonalności w obszarze segmentacji. Od lipca 2013 otrzymaliśmy porcję naprawdę przydatnych zmian: w tym nowe segmenty zaawansowane (w wersji angielskiej: unified segments).

W tym poście pokażę Wam, jak mądrze i efektywnie wykorzystywać je w Waszych analizach.

Rodzaje segmentacji w Google Analytics

Segmenty zaawansowane to jedna z metod segmentacji w Google Analytics. Nie jedyna – możemy także podzielić nasze dane w prosty sposób eksploracji raportów (tzw. drążenie w dół) lub poprzez nałożenie filtrów – z poziomu widoku bądź wewnątrz raportów. Kolejną metodą, chociaż formalnie nie zakwalifikowaną jako segmentacja, jest segmentacja do celu przy pomocy „poziomych ścieżek”. Każda z tych technik ma odpowiednie zastosowanie podczas różnych analiz, dlatego zdecydowanie polecam dokładnie się z nimi zapoznać – na przykład z pomocą naszego bloga

Segmenty zaawansowane: powrót do podstaw

Na początek tylko krótkie przypomnienie: segmenty zaawansowane pozwalają na wielowymiarową segmentację użytkowników danej witryny. Operacje wykonywane są w czasie rzeczywistym i dają większe możliwości analizy danych historycznych. Możemy je zestawiać i porównywać w raportach. Co więcej, w przeciwieństwie do filtrów, gdy wyłączymy dany segment, nie tracimy zebranych danych.

Nowe segmenty zaawansowane: co się zmieniło?

Od kilku miesięcy korzystamy z nowych segmentów zaawansowanych w Google Analytics. Począwszy od odświeżonego wyglądu po segmenty sekwencyjne, przygotowałam dla Was pełne zestawienie nowych funkcjonalności wraz z przykładami, jak wykorzystać je w codziennych analizach.

Nowy interfejs

Do zmian interfejsu Google Analytics zdążył nas już przyzwyczaić. Nie inaczej było w przypadku wprowadzenia modyfikacji w obrębie segmentów.

Pojawiło się kilka nowych gadżetów (takich jak np. wykresy kołowe, które pokazują jaki procent ruchu przypada na dany segment) oraz więcej segmentów wbudowanych – skonfigurowanych standardowo. Sam wygląd jest przejrzysty i logiczny, i tym samym – bardziej przyjazny dla użytkownika.

Możemy „przerzucać” kafelki segmentów, aby w prosty sposób nałożyć je na raporty, a także edytować je z poziomu kafelków (klikając w małą ikonkę ustawień). Pomocna jest także wyszukiwarka segmentów, która ułatwia poruszanie się po tej sekcji. Jeżeli nie odpowiada Wam rozwiązanie w formie kafelków – zawsze możecie przełączyć się na listę segmentów (oznaczono strzałką). Segmenty możemy dodawać z poziomu raportów, albo z poziomu administratora (w sekcji Widok).

Nowy wygląd to tylko wstęp do zmian, które przygotował dla nas Google Analytics. Prawdziwa gratka dla analityków to możliwość segmentacji w odniesieniu do użytkownika, analiza kohort oraz filtry sekwencyjne.

Segmentacja na użytkownika

Nareszcie Google Analytics pozwala mierzyć „prawdziwych użytkowników”. Przed wprowadzeniem zmian mogliśmy nakładać segmenty tylko w oparciu o wizyty – co chociaż bardzo przydatne, zdecydowanie nie dawało pełnego obrazu.

Aby lepiej zobrazować jakie możliwości daje segmentacja na użytkownika, przyjrzyjmy się przykładowej analizie w e-commerce.

Załóżmy, że sklep internetowy chce przeprowadzić analizę źródeł ruchu w segmencie użytkowników, którzy dokonali zakupów na kwotę powyżej 1000 PLN. Celem jest sprawdzenie i ocena, które źródła sprowadzają „najlepszy” ruch i są najbardziej efektywne.

Nakładając segment w oparciu o odwiedziny udałoby się wyselekcjonować jedynie użytkowników, którzy zrealizowali taką transakcje podczas jednej sesji. Co jednak z tymi, którzy w danym czasie pojawili się trzykrotnie w serwisie, każdorazowo dokonując transakcji o wartości 500 PLN? Rozwiązaniem jest segmentacja po użytkowniku: wówczas nałożone segmenty obejmą dokładnie wszystkich użytkowników, a nie sesje, które odpowiadają przedstawionym warunkom.

Przykładów na wykorzystanie takiej formy segmentacji danych jest o wiele więcej:

Stworzenie segmentu zaawansowanego na użytkownika, w którym jako warunek zdefiniujemy akcję „dołącz do newslettera” pozwoli na analizę zachowania użytkowników, którzy kiedykolwiek zapisali się do naszego newslettera.

Należy pamiętać, że dane zebrane w segmentach na użytkownika obejmują okres do 90 dni.

Jeżeli chcemy sprawdzić, jaka część użytkownikowi i sesji zostanie włączona do danego segmentu, a także – zweryfikować czy segment utworzony jest poprawnie (warunki mogą być spełnione), warto wykorzystać opcję Przetestuj.

Możliwość analizy kohort

Dzięki wprowadzeniu segmentów operujących na danych o użytkownikach pojawiła się nowa funkcjonalność istotna dla analityków. Mowa o analizie kohort, czyli grup użytkowników, których łączy określona cecha. W uproszczeniu: analiza kohort to nałożenie warunku daty.

Załóżmy, że sklep internetowy prowadzi intensywną kampanię cpc w okresie świątecznym. Marketerzy chcieliby jednak wiedzieć, jak w późniejszym okresie zachowują się użytkownicy, którzy dokonali transakcji w czasie trwania kampanii. Możemy nałożyć warunek: pokaż mi segment użytkowników, którzy weszli do mojego sklepu pomiędzy 15 listopada a 15 grudnia 2013, z medium cpc i dokonali transakcji o kwocie większej niż 100 złotych. Dzięki zastosowaniu takiego warunku, mogę przekonać się, jak w dalszej perspektywie zachowuje się segment użytkowników, który udało mi się pozyskać płatną kampanią listopad/grudzień. Czy w styczniu i lutym także dokonują transakcji?

Jednak i w przypadku analizy kohort pojawiają się ograniczenia: zakres dat pierwszej wizyty może wynosić maksymalnie 31 dni.

Filtry (segmenty) sekwencyjne

Czy zmiany wprowadzone w Google Analytics pozwolą wycisnąć z danych jeszcze więcej? Jak najbardziej.

Znacie już filtry sekwencyjne? Pozwalają one analizować konkretne sekwencje zachowania użytkowników na Waszej stronie. A konkretnie: sekwencje kroków (czyli na przykład odwiedzanych stron lub zdarzeń), które użytkownicy wykonują podczas obecności w naszym serwisie.

W praktyce oznacza to, że możemy zawęzić grupę użytkowników do tych, którzy przeszli ze strony kategorii bezpośrednio do koszyka. Albo do tych, którzy byli na karcie produktu, ale wrócili do serwisu. Albo takich, którzy weszli do koszyka, a nigdy nie dokonali transakcji. I tak dalej…

Tak stworzony segment sekwencyjny pozwoli nam zidentyfikować użytkowników, którzy przeszli ze strony kategorii do koszyka. Na uwagę zasługują opcje „Poprzedza” i „Bezpośrednio poprzedza”. Opcja „Bezpośrednio poprzedza” oznacza, że użytkownik musiał odwiedzić daną stronę w sekwencji bezpośrednio przed przejściem do kolejnego kroku. Opcja „Poprzedza” nakazuje tylko wykonanie kroku pierwszego w przeszłości, niekoniecznie bezpośrednio przed dokonaniem przejściem na daną stronę. Dzięki przełącznikowi „wizyty” możemy zdefiniować, czy zależy nam na sekwencji w trakcie jednej, czy wielu wizyt.

Nie ulega wątpliwości, że filtry sekwencyjne sprawdzą się podczas badania ruchu i zachowania na ścieżkach. Do tej pory w tym celu mogliśmy wykorzystywać jedynie raport wizualizacji ścieżek. Takie rozwiązanie miało jednak pewne wady, przy czym największym problemem był brak możliwości wygodnej segmentacji. Co więcej, raport wizualizacji ścieżek dawał dostęp do ograniczonej ilości informacji.

Ale to nie jedyne zastosowanie. Przyjrzyjcie się innym możliwościom wykorzystania tej funkcjonalności:

Możemy dokładnie przyjrzeć się segmentowi użytkowników, którzy zarejestrowali się w naszym serwisie w celu pobrania e-booka, ale po rejestracji nie wykonali takiej akcji. Dzięki stworzeniu takiego segmentu możemy rozpocząć stawianie i sprawdzanie hipotez: czy przycisk „Pobierz e-book” jest widoczny dla użytkowników? Czy może strona zawiera jakieś błędy, które uniemożliwiają dokończenie akcji?

Dzięki filtrom sekwencyjnym możemy nałożyć na dane segment użytkowników, dla których pierwszym kontaktem z naszą domeną był blog. Wystarczy wpisać taki warunek jako początek sekwencji i wybrać „pierwszą interakcje użytkownika”.

Podsumowanie

Nowe segmenty otwierają przed analitykami jeszcze większe niż dotychczas możliwości segmentacji.

Należy pamiętać, że stosowanie segmentów jest obarczone pewnymi ograniczeniami. Podział zmniejsza próbę, na podstawie której następnie będziemy podejmowali decyzje. Im mniej obserwacji, tym bardziej możemy się pomylić co do istotności wyników. Tu z pomocą przychodzą funkcje „Testuj” oraz „Podgląd” przed zapisem i faktycznym wykorzystaniem. Dzięki nim możecie sprawdzić liczebność próbki i tym samym sens zastosowania takiego segmentu.

Nowe segmenty dają możliwości nie do przecenienia nie tylko dla analityków. To potężna dawka wiedzy dla marketerów, którzy dzięki segmentacji po użytkowniku mogą jeszcze lepiej targetować reklamy dzięki listom remarketingowym. Nowe funkcjonalności pozwalają wyodrębnić segment użytkowników, który na przykład wymaga większego zachęcenia do zakupu, bądź wydaje się być wyjątkowo perspektywiczny – i skierować do niego odpowiedni przekaz reklamowy.

Nie ma więc żadnej wymówki. Segmentacja to podstawa – jej niestosowanie to poważny błąd w analizie danych.

Niech przestrogą będą słowa Avinasha Kaushika: „Do segmentation or die – there is no try”

The post Wszystko, co powinieneś wiedzieć o nowych segmentach zaawansowanych w Google Analytics 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.

Największą uwagę powinniśmy jednak zwrócić na cztery, najczęściej popełniane, błędy:

1. „Testowanie jest kompletnie darmowe! Nie trzeba nad nim myśleć – trzeba działać”

We wszystkich naszych postach, tak na temat danych jakościowych jak i również testów online piszemy, że nie ma wymówek przed ich wykorzystywaniem, ponieważ można to robić praktycznie za darmo.

Praktycznie, nie oznacza jednak, że w pełni. Oczywiście, znajdziemy świetne narzędzia, które są darmowe i poświęcimy swój czas, aby przeanalizować dane i przygotować nowe propozycje. Nasz czas jednak kosztuje. I nie jest on bynajmniej jedynym elementem, za który przyjdzie nam zapłacić.

Nie wszystkie propozycje dadzą pozytywny efekt.

Testy online pomagają nam w szybszym popełnianiu błędów i wyciąganiu z tego konstruktywnych wniosków. Powoduje to jednak, że przez pewien okres – zanim poprawimy konwersję – będziemy tak naprawdę zarabiać mniej.

Wyobraźmy sobie sytuację w której testujesz propozycje A (oryginalna), B i C. Po dwóch tygodniach otrzymujemy następujące wyniki: A – 2,5% B – 3% C – 1,1%

Jeśli każda z wersji otrzymała 33% ruchu, to średni współczynnik konwersji przez okres dwóch tygodni jest równy 2,2% (średnia z trzech liczb: 2,5%, 3%, 1,1%). Gdyby testów nie było ten współczynnik równałby się 2,5%. Oznacza to 12% gorszy współczynnik konwersji niż gdybyśmy testów nie przeprowadzali!

W długim okresie na pewno wygramy. Nie odbędzie się to jednak zerowym kosztem.

W gorszej sytuacji znajdujemy się, jeśli testowane przez nas kombinacje mają wynik słabszy niż wersja oryginalna. Oznacza to nie tylko, że naraziliśmy się na niższy dochód ze swojej witryny internetowej przez okres testu, ale również poniekąd straciliśmy zainwestowany do tej pory czas, ponieważ wnioski z analizy okazały się niepoprawne. Tak czasem się zdarza – nie powinniśmy się jednak załamywać. W takich wypadkach trzeba przeanalizować co nie odpowiadało naszym użytkownikom i wystartować z nowym testem, który będzie wolny od tych błędów.

Należy sobie również odpowiedzieć na pytanie, czy testy są w tym momencie priorytetem? Koszt alternatywny innych działań może przewyższyć przychód z ich przeprowadzenia. Powinniśmy pamiętać o priorytyzacji.

Z powyższych powodów nie należy traktować testów, jako kompletnie darmowego rozwiązania.

2. „Zróbmy szybsze testy A/B. Po co testować interakcje pomiędzy elementami i tracić czas? Czuję, że ich nie ma!”

Testy A/B i wieloczynnikowe porównujące skuteczność jedynie wybranych kombinacji zakładają, że nie ma interakcji pomiędzy poszczególnymi zmiennymi. W Internecie bardzo często nie jest to prawdą.

Aby łatwiej było wyobrazić sobie interakcje pomiędzy zmiennymi zerknijmy na poniższy przykład.

Mamy dwie zmienne. Obrazek oraz nagłówek.

Nagłówek ma tylko jedną odmianę: Samochody Ferrari są najszybsze

Obrazek ma natomiast dwie odmiany:

Źródło: http://www.sportscarcup.com/; http://www.lotustalk.com/

W obu przypadkach z tym samym nagłówkiem będziemy mieli zupełnie różne przekazy.

Jak to może wpłynąć na przeprowadzane przez nas testy? Jeżeli przykładowo założymy, że pomiędzy elementem X i Y nie ma interakcji możemy przeprowadzić testy A/B w których zmienimy połączenie tych dwóch elementów (traktujemy je jako jedna zmienna). Testy dają pozytywny wynik wzrostu konwersji o 12,5% – świętujemy sukces.

Tak naprawdę, nie wiemy w tym momencie, czemu zawdzięczasz sukces. Może być tak, że w zwycięskiej wersji zmiana elementu X zwiększała konwersję o 50%, natomiast zmiana elementu Y obniżała ją o 25% i stąd wziął się wynik 12,5%. Jak widzimy nie jest to wynik optymalny, ponieważ nie zmieniając elementu Y konwersja zostałaby poprawiona o 50% (a nie liche 12,5% ).

Oznacza to, że należy mocno przyglądać się możliwym interakcjom pomiędzy zmiennymi i je monitorować, ponieważ zakładając z góry, że tych interakcji nie ma – można narazić się na niepełne wykorzystanie potencjału testowanych elementów.

3. „Po dwóch dniach mam statystycznie istotne wyniki! Mamy zwycięzcę, więc startujemy z kolejnym testem.”

Zbyt krótki okres zbierania danych może prowadzić do przesadnego hurraoptymizmu. Przy zbieraniu danych będziemy obserwowali fluktuacje i nic na to nie poradzimy.

Zbyt częste sprawdzanie wyników testu na początku jego trwania może nas doprowadzić do błędnych wniosków. Na początku możemy święcić triumfy, a po kilku dniach okaże się, że jednak poprawa była mniejsza niż wskazywały na to wstępne dane.

Dzięki statystyce, zebranie coraz większej liczby danych powinno ustabilizować nam szacowane współczynniki konwersji na rzeczywistym poziomie. Zmniejszą się wtedy zakresy błędu szacunkowego, który zawsze powinniśmy brać pod uwagę analizując dane z testu.

Patrząc na powierzchownie na powyższe dane widzimy, że wersja próbna daje o 33% gorsze wyniki – jej wynik to współczynnik konwersji na poziomie 12,5%, natomiast wersja oryginalna zanotowała wynik rzędu 18,9%. Różnica wynosi 6,4 punkta procentowego!

Jeśli jednak weźmiemy pod uwagę błąd szacunkowy, może okazać się że różnica ta jest jednak znacznie mniejsza. Minimalny wynik współczynnika konwersji dla wersji oryginalnej to 15,7% (18,9% – 3,2%), natomiast maksymalny wynik dla wersji próbnej to 15,2% (12,5% + 2,7%). Różnica to 0,5 p.p. Różnica w poziomie konwersji już nie jest tak jednoznaczna i powalająca, prawda?

Z powyższych powodów powinniśmy zawsze czekać aż uda nam się uzbierać większą ilość danych. Test, który będzie dla nas podstawą do wdrożenia zmiany nanaszej witrynie, powinien trwać ok. 2 tygodnie. Do tego czasu zakres błędu mocno się ograniczy, a prezentowanym wynikom będzie można uwierzyć.

4. „Przecież moje testy trwają tylko 2 tygodnie. Po co mam brać pod uwagę sezonowość?”

Najgorszym możliwym typem testowania jest prezentowanie przez np. tydzień wersji strony A, a przez kolejny tydzień wersji strony B. Możemy mieć pewność, że z porównania takich danych nic dobrego nie wyjdzie, ponieważ zbyt wiele czynników jest zmiennych.

Niektóre z nich mają również bardzo poważny wpływ przy przeprowadzaniu testów równoległych. Nawet ci sami ludzie odwiedzając nasza witrynę w różnych okresach mogą zachowywać się różnie. Maja na to wpływ takie czynniki jak np. znajomość naszego produktu czy działania konkurencji.

W związku z tym powinniśmy pamiętać o tym, aby testy:

• przeprowadzać na stabilnych źródłach ruchu – nie zmieniać ich zestawu w trakcie prowadzonego testu (segmentujmy ruch),
• starać się ominąć sezony sprzedażowe – np. święta (chyba, że testujemy specjalnie pod nie).

A co Wy dopisalibyście do powyższej listy 4 najczęściej popełnianych błędów? Czy nie zgadzacie się z którymś punktem? Zapraszam do komentowania.

Ciekawym dopełnieniem powyższej listy 4 najczęstszych błędów, związanych z testowaniem, jest post Mateusza na temat tego, jaki model współpracy w ramach projektu optymalizacji konwersji należy wybrać.

Chcesz dowiedzieć się więcej o optymalizacji konwersji? Przeczytaj nasz artykuł o tym jak poprawić swój proces testowania i poznaj sprawdzone sposoby na poprawę swoich testów A/B.

UWAGA: Z dniem 1 sierpnia 2012 roku Google Website Optimizer został zastąpiony przez Eksperymenty Google Analytics!

The post 4 najczęstsze błędy przy testach A/B lub wieloczynnikowych first appeared on Conversion.

Przed tygodniem pisałem o zastosowaniu filtrów w Google Analytics jako sposobie lepszego zrozumienia Twoich użytkowników – zaznaczyłem przy tym, że substytucyjną funkcjonalnością Google Analytics są segmenty zaawansowane. Google Analytics daje w rzeczywistości trzy możliwośći segmentacji użytkowników serwisu internetowego:

• drążenie danych poprzez eksplorację raportów,
• segmenty zaawansowane,
• filtry w ramach profili.

Abstrahując od pierwszego, a zarazem najbardziej oczywistego z nich (w zasadzie, to na pewno używasz tego rodzaju segmentacji bez zastanowienia – nieświadomie), dzisiaj chciałbym opisać bardziej szczegółowo segmenty zaawansowane. Najpierw jednak zastanówmy się jaka jest różnica pomiędzy nimi a filtrami w ramach profili i kiedy, którą funkcjonalność lepiej jest zastosować.

Filtry vs. segmenty zaawansowane

Filtry należy używać do segmentacji „długoterminowej” (wizyty jedynie z określonego regionu geograficznego). Są one pomocne również w usuwaniu tzw. szumów informacyjnych – danych, które mogą zakłócić wyniki analiz np. ruch z komputerów właścicieli serwisu. W końcu wykorzystuje się (o czym sobie teraz uświadomiłem, a czego nie napisałem w poprzednim artykule) do nadawania uprawnień różnym użytkownikom w ramach Twojego konta Google Analytics (np. dla agencji zewnętrznej, która zajmuje się ruchem płatnym Twojej witryny) tzn. daje się uprawnienia poszczególnym użytkownikom do różnych profili.

Z drugiej strony, segmenty zaawansowane znacznie lepiej sprawdzają się przy analizach krótkoterminowych (ad hoc). Z pewnością powinieneś wykorzystać je do porównania wydajności Twojej kampanii marketingowej w ramach dwóch mediów itp. Co więcej, dzięki nim możesz sprawdzać, jak zachowują się „niestandardowi” użytkownicy Twojego serwisu np. spędzający średnio więcej niż 3 min itd.

Myślę jednak, że najlepiej jest podsumować oba sposoby segmentacji przy pomocy tabeli.

Jak stworzyć segment zaawansowany

W związku z tym, że w Internecie jest sporo artykułów na ten temat, nie chciałbym powielać ich treści. Poniżej proponuję kilka, które od podstaw wytłumaczą Wam, jak stworzyć segment zaawansowanych. W razie problemów, oczywiście służę pomocą.

Szczególnie godne uwagi artykuły o tworzeniu segmentów zaawansowanych:

• Podstawą jest oczywiście strona pomocy Google Analytics. Tutaj znajdziecie jak tworzyć segmenty zaawansowane i ich używać.
• Jak zawsze nieoceniony blog Mariusza Gąsiewskiego. Tym razem artykuł właśnie stricte o istocie i tworzeniu segmentów zaawansowanych.

Przykłady segmentów zaawansowanych

Pisząc o raportach niestandardowych w Google Analytics zaznaczyłem, że nie jest to produkt standardowy i nie można (nie powinno się) mówić o dobrych praktykach w tworzeniu takich raportów. Podobnie jest z segmentami zaawansowanymi. Ich konfiguracja powinna być uzależniona od charakteru i specyfiki użytkowników serwisu np. na blogu będziesz chciał wiedzieć jak zachowują się najbardziej zaangażowani użytkownicy Twojego serwisu (ich średni czas spędzony na stronie będzie dłuższy niż średnia wszystkich użytkowników), czy poznać lepiej użytkowników Twojego regionu, jeżeli prowadzisz sklep off-line. W drugim przypadku należy się zastanowić, czy nie lepiej wykorzystać filtr. Jeżeli jednak chcesz porównać użytkowników z różnych regionów (bo prowadzisz sklep o zasięgu ogólnopolskim) lepszym rozwiązaniem będzie segment zaawansowany. Poniżej prezentuje kilka segmentów zaawansowanych, z którymi się do tej pory zetknąłem i które mnie zainteresowały. Może to będzie jakąś inspiracją dla Was:)

• Ścieżki dojścia do celu dla danych historycznych

O wykorzystaniu ścieżek do optymalizacji konwersji pisał Paweł w jednym ze swoich artykułów. Jednak w rzeczywistości po konfiguracji ścieżki informacje, które ona przedstawia prezentowane są dla użytkowników, którzy skorzystali z Twojego serwisu od momentu jej implementacji. Aby mieć możliwość oglądania ścieżki w dla danych historycznych można stworzyć segment zaawansowany, który to umożliwi. Na ten temat również znalazłem artykuł na blogu Mariusza, dlatego odsyłam Was do niego

• Śledzenie nieprawidłowych linków w Twoim serwisie

Problem ślepych linków przychodzących do strony internetowej to dzisiaj problem niemalże każdego serwisu. To oczywiste, że Twoja strona się zmienia, ewoluuje z biegiem czasu, natomiast nie jesteś w stanie kontrolować wszystkich linków, które do niej prowadzą. Często nawet nie wiesz, gdzie takie linki są osadzone. Ma to znaczenie przede wszystkim dla dużych serwisów, które często są aktualizowane. Przez takie uszkodzone linki możesz nie tylko stracić potencjalnych użytkowników (klientów), ale co gorsze nastawić ich anty do Twojej domeny. Jak śledzić takie linki, a przez to je eliminować w szybkim czasie reagując na pojawiających się użytkowników, którzy nie dotarli do Twojego serwisu z pomocą linka odsyłającego z innej strony internetowej?

Częścią wspólną wszystkich tego typu linków jest tytuł strony, a więc jego użyjemy w konfiguracji raportu niestandardowego. W pierwszej kolejności musisz sprawdzić, jak wygląda tytuł strony błędu. Najprościej zrobić to poprzez wpisanie adresu, który nie istnieje. Dla naszego bloga może to być np. https://conversion.pl/blog/testy-ab/. Sprawdzając źródło takiej strony zobaczysz jaki jest jej tytuł – dla każdej strony błędu w Twoim serwisie będzie on taki sam (u nas jest to „Niestety nie znaleziono strony – Blog Test” dla tej szczególnej strony). Następnie implementujesz segment zaawansowany.
Konfiguracja takiego segmentu wygląda następująco.

Kliknij na zdjęcie, aby je powiększyć

Pamiętaj, że możesz sprawdzić błędne linki prowadzące na Twoją domenę również dla danych historycznych!

• Sprzedaż wg kategorii produktu w e-commerce

Ciekawe studium przypadku przedstawione jest na stronie Google Analytics Blog. Autorzy podają przykład segmentu, który pozwala pokazać sprzedaż produktów męskich versus damskich w sklepie z odzieżą. Po rozpoznaniu kategorii produktów na podstawie adresu w pasku adresu możemy stworzyć segment, który pozwoli nam analizować w e-commerce sprzedaż dwóch rodzajów produktów. Więcej na temat tego segmentu przeczytasz pod tym linkiem.

Oczywiście przykład jest jednym z wielu możliwych przykładów segmentacji ruchu. W zależności od tego, czym handlujesz możesz swoje produkty podzielić według wielu różnych kategorii i analizować Twoich użytkowników w ich ramach.

• Ruch według pory dnia

Jest to bardzo dobry segment do zbierania informacji dotyczących czasu, w którym najlepiej jest puścić reklamę TV, radiową oraz oczywiście internetową. Pomoże Ci również dostosować okres, w którym najlepiej wykazać się zwiększoną aktywnością w social media. Szczególnie pomocny jest dla firm, które mają rozciągniętą działalność w różnych strefach czasowych.

Połącz ten segment z dniem tygodnia, aby przekonać się, kiedy najlepiej konwertują Twoi użytkownicy, aby w tym czasie więcej wzmożyć swoją aktywność reklamową.

Kliknij w ten link, aby utworzyć taki segment zaawansowany. Jeżeli jesteś zalogowany na swoim koncie Google Analytics, możesz go od razu zaimplementować do swoich analiz:)

• Ruch wg słów kluczowych

Dzięki segmentom zaawansowanym możesz również „spakować” wszystkie słowa kluczowe, na których ci zależy (dowolny ich zestaw) w celu przekonania się, jak wygląda ruch użytkowników, którzy za ich pomocą trafili na Twoją stronę. Dzięki temu możesz przekonać się jak dużo ruchu dany zestaw słów kluczowych sprowadza na Twoją witrynę. Przekonasz się również, czy użytkownicy, którzy dzięki tym słowom trafili na Twoją stronę konwertują w sposób, jakiego od nich oczekujesz. Jeżeli pozycjonujesz się na dane słowa w AdWords z pewnością będziesz chciał ten ruch podzielić jeszcze na ruch płatny i organiczny. w powyższym filtrze wyrażenie regularne „KW1|KW2|KW3” oznacza 3 słowa kluczowe. Możesz stosować dowolną ich ilość zawsze oddzielając je znakiem „|”, który oznacza operator logiczny „lub”.

• Śledzenie zapisanych w RSS

Dowiedz się, jak zachowują się użytkownicy, którzy zapisali się do Twojego źródła RSS.

• Czy jest jakaś różnica pomiędzy nimi, a pozostałymi powracającymi użytkownikami?
• Co ich odróżnia?
• W których miejscach należy poprawić stronę, aby angażowała bardziej?

To tylko kilka pytań, na które można odpowiedzieć wykorzystując ten filtr. Aby przekonać się, jak to wygląda na Twojej stronie – zainstaluj odpowiedni segment zaawansowany.

Podsumowanie

To jest kilka segmentów zaawansowanych, z tych z którymi do tej pory się zetknąłem. Chętnie posłucham, jak Wy segmentujecie swoich użytkowników. Pomysłów może być wiele i jak już zaznaczyłem na wstępie – żaden z nich na pewno nie jest uniwersalny, bo tak jak nie ma dwóch identycznych ludzi na świecie, tak każdy strona internetowa jest inna…

Od lipca 2013 mamy możliwość tworzenia nowych segmentów zaawansowanych.

The post Segmentacja (zaawansowana) – nie ma wybacz! first appeared on Conversion.

W jednym z naszych artykułów opisaliśmy jak działa Google Analytics. Już wiesz, że dane zbierane są od każdego użytkownika, który ma aktywne pliki cookie i włączoną obsługę skryptów Java. Jednak dane, które docierają do Twojego panelu Google Analytics reprezentują każdego, kto wywołał kod śledzący o Twoim identyfikatorze (niekoniecznie zainstalowany na Twojej stronie:P).

Powszechne jest stwierdzenie garbage in garbate out i chociaż odnosi się ono raczej do umiejętności wyciągania wniosków z dużej ilości informacji, to przy niskiej jakości danych nawet najlepszy analityk może zakopać się w bezsensownych wartościach metryk.

Istota filtrów

Każdy serwis ma wielu odwiedzających. Co więcej, część z nich przychodzi na Twoją stronę przypadkowo. Może zdarzyć się również tak, że Twoja witryna jest skierowana do wąskiej grupy odbiorców np. pochodzących z jednego obszaru geograficznego. Dobrym przykładem może być tutaj serwis samochodowy. Jest bardzo mało prawdopodobne, że klient będzie jechał z sąsiedniego miasta, aby naprawić swój samochód, kiedy we własnej miejscowości prawdopodobnie ma wielu specjalistów. W związku z tym przekaz na Twojej witrynie jest skierowany do mieszkańców danego miasta i jego okolic. Z tego względu, będziesz chciał analizować tylko ruch „tubylców”:)

Bez wykorzystania filtrów powyższa analiza mogłaby okazać się bardzo przytłaczająca. Zanim doszedłbyś do wniosków, musiałbyś w pierwszej kolejności zastosować segmentację lub inne rozwiązanie, które pozwoliłoby Ci spojrzeć na użytkowników, na których najbardziej Ci zależy. Z pomocą w takim przypadku przychodzą filtry Google Analytics. Pozwalają one zachować porządek w danych i szybciej wyciągać istotne dla Ciebie wnioski. Stosuje się je w ramach profili Twojego konta Google Analytics. Warto jednocześnie zaznaczyć, że segmenty zaawansowane (i standardowe również) działają podobnie jak filtry. Wykorzystuje się je jednak „na potrzebę chwili”. Jeżeli zawsze skupiasz się na wybranej grupie użytkowników (jak w przykładzie powyżej) zdecydowanie bardziej optymalne jest wykorzystanie filtrów, podczas gdy segmenty zaawansowane możesz wykorzystać, aby głębiej przyjrzeć się danej grupie docelowej. Można to określić mianem analiz ad hoc.

Dla wygody można założyć kilka profili w ramach jednego konta, które będą miały aktywne różne filtry. Na bazie naszych doświadczeń wiemy, że zawsze warto zostawić jeden profil „czysty”. W razie błędnej konfiguracji filtra może okazać się, że chcąc przyśpieszyć i polepszyć nasze analizy zablokowaliśmy całkowicie dostęp do danych…

Poniżej przedstawię kilką ciekawych filtrów, które naszym zdaniem powinny znaleźć się na każdym koncie Google Analytics. Ich stosowanie w ramach jednego/wielu profili zależy od indywidualnych preferencji. Pamiętaj, że w ramach konta może założyć do 100 profili, dlatego nie warto stosować wszystkich filtrów w ramach jednego. Segmentacja wielokryterialna pozwoli Ci lepiej zrozumieć ruch na Twojej stronie!

Implementacja filtrów w Google Analytics

Zanim przejdę do opisu najciekawszych (moim zdaniem) filtrów, krótka instrukcja jak filtr zaimplementować.
Będąc zalogowanym do systemu musisz wejść do konta, w ramach którego chcesz stworzyć profil. Następnie klikasz Dodaj nowy profil lub jeżeli chcesz edytować filtry w profilu już istniejącym po prostu klikasz edytuj profil. W edycji profili trzecia sekcja od góry to właśnie filtry. Następnie klikasz Dodaj filtr.

Twoim oczom ukazało się okienko, w którym w pierwszej kolejności wybierasz, czy zastosowany filtr będzie nowo utworzony, czy chcesz wykorzystać filtr, który już wcześniej w ramach danego profilu stworzyłeś.

Jeżeli wybierzesz opcję pierwszą, to przechodzisz do konfiguracji filtra. Najpierw należy podać jego nazwę. Dobrze, żeby jednoznacznie określała ona, jak działa dany filtr np. dla filtru włączającego dane jedynie użytkowników z woj. mazowieckiego można nazwać filtr „Włączenie ruchu z mazowieckiego” itd.
Następnie wybierasz jakiego rodzaju ma być zastosowany filtr. Masz dwie opcje:

• filtr predefiniowany – jest o wiele prostszym rodzajem filtra. Jest to zdecydowanie najlepsze rozwiązanie dla początkujących. Wybierasz w nim, czy ruch o zadanych parametrach ma być wykluczony czy uwzględniony w ramach danego profilu. Parametry, które możesz określić to: ruch z domen, ruch z adresów IP, ruch do podkatalogów. Myślę, że powyższe parametry nie wymagają głębszego tłumaczenia (w razie wątpliwości pytaj proszę w komentarzach do postu lub bezpośrednio na maila). Dalej wybierasz, jaki użytkownik będzie spełniał dane parametry. Dla przykładu stwórzmy filtr, który wykluczy moje IP z ruchu na danej stronie internetowej. Nazwijmy go „Wykluczenie IP Mariusz”. Dalej wybieramy wyklucz/ruch z adresów IP/równe. W polu adres IP wpisuję mój adres IP (jeżeli nie znasz swojego adresu IP, w wyszukiwarce Google wystarczy wpisać „moje IP”).
• filtr niestandardowy – posiada już znacznie więcej opcji i pozwala na bardziej zaawansowaną segmentację użytkowników. Nie chcę tutaj szczególnie się rozpisywać, ponieważ jest to temat na kilka artykułów. Poniżej opiszę ciekawsze zastosowania filtrów niestandardowych.

Jeżeli po tym krótkim wstępie na temat implementacji filtrów masz problem z jego instalacją i nie masz czasu czekać na naszą odpowiedź zapraszam na stronę pomocy Google dotyczącą filtrów.

Ciekawe filtry Google Analytics

Pierwszym i moim zdaniem najważniejszym filtrem jest omówiony powyżej filtr wyłączający Ciebie (IP firmy) z ruchu na stronie.

Twoja witryna często jest niczym Twoje dziecko. Wchodzisz tam codziennie, doglądasz, czy wszystko jest ok. Nanosisz poprawki i za każdym razem odświeżasz (zwłaszcza w momencie powstawania serwisu). Za każdym razem Twoja wizyta liczy się jako PageView, a niepotrzebnie… zakłóca to jedynie dane dotyczące ruchu innych użytkowników. W zawiązku z tym należy wykluczyć miejsce, w którym korzystasz z Internetu.

Innym, ciekawym choć często bagatelizowanym filtrem jest włączenie jedynie ruchu z Twojej domeny.

Błąd jest z natury ludzki, więc ludzie mogą się mylić… Kod śledzący instalowany na stronie identyfikowany jest po unikalnym numerze użytkownika (zajrzyj tutaj, aby przypomnieć sobie, jak zainstalować kod śledzący Google Analytics). Może się zdarzyć tak, że ktoś inny popełni błąd i Twój numer zaimplementuje na własnej stronie i chociaż prawdopodobieństwo takiej pomyłki jest bardzo małe, to warto się przed nim zabezpieczyć. Wybieramy wówczas filtr niestandardowy. Nazwijmy go „Ruch z domeny”. Jako typ wybieramy Włącz, w polu filtra wybieramy „Nazwa hosta”. Przy wprowadzanie wzorca filtra musimy posłużyć się wyrażeniami regularnymi (ang. regular expresions). Więcej na ten temat znajdziesz na blogu Mariusza Gąsiewskiego. Bez wchodzenia w szczegóły wpisujemy „conversion.pl” dla domeny naszego bloga. Aby sprawdzić, czy wpisane wyrażenie regularne jest poprawne możesz użyć bezpłatnego narzędzia do testowania wyrażeń regularnych.

Kolejny przykład pochodzi z bloga .eduGuru. Przyjrzyjcie się przykładowi raportu Google Analytics. Co jest z nim nie tak?

Wygląda na to, że każdy z powyższych stron jest przykładem tej samej strony. Analiza takich danych może namieszać we wnioskach. Dlatego należy zastosować poniższy filtr. Tłumacząc go na język polski, traktuje on wszystkie znaki jako małe litery. Na tej podstawie dowiedziałeś się również, że Google Analytics rozróżnia małe i wielkie znaki (stąd pytanie przy każdej konfiguracji filtra, czy wielkie litery mają być rozróżniane).

W rękawie mam jeszcze kilka propozycji, ale jestem ciekaw Waszych pomysłów:) Proszę powiedzcie, jakie Wy filtry stosujecie. W niedalekiej przyszłości na pewno rozszerzę moje rozważania na temat filtrów w Google Analytics. Bądźcie w kontakcie!

Przeczytaj dalszą część tego artykułu.

The post Zrozum lepiej ruch dzięki filtrom Google Analytics first appeared on Conversion.