Godzina dziennie z Web Analytics. Stwórz dobrą strategię e-marketingową

Godzina dziennie z Web Analytics. Stwórz dobr¹ strategiê e-marketingow¹ Autor: Avinash Kaushik T³umaczenie: Tomasz Walczak ISBN: 978-83-246-1880-4 Tytu³ orygina³u: Web Analytics: An Hour a Day Format: 180x235, stron: 496 Czy potrafisz odpowiedzieæ na pytanie, ile osób dziennie odwiedza Twój serwis lub blog? Jak d³ugo przebywaj¹ w Twoim sklepie i która strona przyci¹ga najwiêcej klientów? Je¿eli jesteœ w stanie przytoczyæ te dane, z pewnoœci¹ korzystasz z narzêdzi pozwalaj¹cych na analizê ruchu na Twojej witrynie. Je¿eli jednak nie masz bladego pojêcia, jak interpretowaæ i wykorzystaæ te informacje, dziêki tej ksi¹¿ce równie¿ i Ty zaczniesz efektywnie korzystaæ ze statystyk! Analizy ruchu na stronie oferuje wiele Ÿróde³, jednak dopiero us³uga uruchomiona przez Google Analytics w 2005 roku sprawi³a, ¿e zaawansowane narzêdzia sta³y siê dostêpne dla przeciêtnego webmastera. Autor tej niezwyk³ej ksi¹¿ki – Avinash Kaushik, pracownik firmy Google – poka¿e Ci krok po kroku, jak opracowaæ skuteczn¹ strategiê analizy danych internetowych. Przekonasz siê, ¿e wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawiæ wyniki ogl¹dalnoœci i dochody Twojego serwisu. Dowiesz siê miêdzy innymi, w jaki sposób zbieraæ dane do analizy, oraz poznasz dostêpne analizy jakoœciowe. Ponadto zrozumiesz kluczowe elementy skutecznej strategii analizy danych internetowych oraz nauczysz siê przeprowadzaæ tê analizê. W kolejnych rozdzia³ach zapoznasz siê tak¿e z dostêpnymi miarami, analiz¹ w obszarze wyszukiwania, sporz¹dzaniem raportów czy te¿ analizowaniem witryn z nurtu Web 2.0. • Historia analiz danych internetowych • Analizy zachowania, skutków i doœwiadczeñ • Sposoby zbierania danych do analizy • Pozyskiwanie danych na temat konkurencyjnoœci • Dostêpne analizy jakoœciowe • Elementy skutecznej strategii analizy danych internetowych • Najlepsze praktyki w tym zakresie • Wybór optymalnego narzêdzia do prowadzenia analiz • Dostêpne miary w analizie danych internetowych • Pomiar kosztów oraz zwrotu z inwestycji • Ustalanie czytelników serwisu • Analiza w obszarze wyszukiwania • Analiza skutecznoœci kampanii PPC • Analiza skutków marketingu e-mailowego oraz wielokana³owego • Opracowanie skutecznych raportów podsumowuj¹cych • Zastosowanie procesu DMAIC • Analiza stron z nurtu Web 2.0 • Mity z obszaru analizy danych internetowych • Obliczanie wspó³czynnika konwersji • Pozyskiwanie konsultantów oraz ekspertów wewnêtrznych Zwiêksz popularnoœæ swojej witryny dziêki efektywnym analizom danych internetowych!

Spis tre ci Przedmowa ....................................................................................................................19 Wprowadzenie ................................................................................................................23 Rozdział 1. Web Analytics dziś i jutro ........................................................................ 31 Krótka historia analizy danych internetowych ..............................................................32 Obecne warunki i wyzwania .........................................................................................36 Tradycyjna analiza danych internetowych to przeszïo Ê ................................................38 Jak powinna wyglÈdaÊ analiza danych internetowych? .................................................40 11 Pomiar „co” i „dlaczego” ..............................................................................................................43 SPIS TRE¥CI Metoda Trinity — nastawienie i podej cie strategiczne ................................................................45 Rozdział 2. Zbieranie danych — znaczenie i możliwości ............................................. 53 Zrozumienie ródeï danych ..........................................................................................54 Dane ze strumieni klikniÚÊ ...........................................................................................56 Dzienniki sieciowe .......................................................................................................................56 Pliki jednopikselowe ....................................................................................................................58 Znaczniki JavaScript ....................................................................................................................61 Przechwytywanie pakietów ..........................................................................................................65 Dane na temat skutków ...............................................................................................70 Sklepy internetowe ......................................................................................................................71 Generowanie list potencjalnych klientów .....................................................................................72 Marka i promowanie produktów oraz pomoc techniczna .............................................................72 Dane z badañ ...............................................................................................................74 Nastawienie .................................................................................................................................74 Struktura organizacyjna ...............................................................................................................75 Czas ............................................................................................................................................75 Dane na temat konkurencyjno ci .................................................................................76 Pomiary panelowe .......................................................................................................................77 Pomiary oparte na danych od ISP ................................................................................................78 Dane z wyszukiwarek ..................................................................................................................80 Rozdział 3. Przegląd analiz jakościowych .................................................................. 83 Istota koncentracji na kliencie ......................................................................................84 Laboratoryjne testy u yteczno ci ..................................................................................84 Przeprowadzanie testów ..............................................................................................................86 Zalety laboratoryjnych testów u yteczno ci .................................................................................88 Na co nale y zwróciÊ uwagÚ ........................................................................................................89

Ocena heurystyczna .....................................................................................................90 Przeprowadzanie oceny heurystycznej ..........................................................................................91 Zalety stosowania oceny heurystycznej ........................................................................................93 Na co nale y zwróciÊ uwagÚ ........................................................................................................94 Wizyty w siedzibie klienta ............................................................................................94 Przeprowadzanie wizyty w siedzibie klienta .................................................................................95 Zalety wizyt w siedzibie klienta ...................................................................................................97 Na co nale y zwróciÊ uwagÚ ........................................................................................................97 Ankiety (kwestionariusze) ............................................................................................97 Ankiety wy wietlane w witrynie ..................................................................................................98 Ankiety przesyïane po wizycie .....................................................................................................99 Tworzenie i przeprowadzanie ankiety ..........................................................................................99 Zalety stosowania ankiet ...........................................................................................................103 Na co nale y zwróciÊ uwagÚ ......................................................................................................104 12 Podsumowanie ...........................................................................................................106 SPIS TRE¥CI Rozdział 4. Kluczowe elementy skutecznej strategii analizy danych internetowych .... 109 Koncentracja na kliencie ............................................................................................110 Odpowiedzi na pytania biznesowe ..............................................................................113 Reguïa 10/90 .............................................................................................................115 Zatrudnianie doskonaïych analityków internetowych .................................................119 Okre lanie optymalnej struktury organizacyjnej i obowiÈzków ...................................128 Centralizacja ..............................................................................................................................131 Decentralizacja ..........................................................................................................................131 Scentralizowana decentralizacja .................................................................................................132 Rozdział 5. Podstawy analizy danych internetowych ............................................... 133 Zbieranie danych — dzienniki sieciowe czy znaczniki JavaScript? ..............................134 Oddzielenie procesu udostÚpniania danych od ich zbierania .......................................................135 Rodzaj i rozmiar danych ............................................................................................................135 Innowacje ..................................................................................................................................136 Integracja ..................................................................................................................................136 Wybór optymalnego narzÚdzia do analizy danych internetowych ...............................137 Dawny sposób ...........................................................................................................................137 Nowy sposób .............................................................................................................................138 Okre lanie jako ci danych ze strumieni klikniÚÊ .........................................................143 Stosowanie najlepszych praktyk ..................................................................................148 Oznaczanie wszystkich stron .....................................................................................................149 Znaczniki nale y umieszczaÊ na koñcu (na pierwszym miejscu trzeba stawiaÊ klienta!) ..............150 Nale y u ywaÊ znaczników wewnÈtrzwierszowych ....................................................................150 Okre lanie definicji niepowtarzalnej strony ................................................................................150 Inteligentne u ywanie plików cookie .........................................................................................151 UwzglÚdnienie problemów z kodowaniem odno ników .............................................................152

Nale y uwzglÚdniÊ przekierowania ............................................................................................153 Walidacja zebranych danych .....................................................................................................156 Prawidïowe rejestrowanie operacji w witrynach bogatych w multimedia ....................................157 Trzypoziomowy test „i co z tego?” ..............................................................................157 Kluczowy wska nik wydajno ci: procent wracajÈcych u ytkowników ........................................158 Kluczowy wska nik wydajno ci: gïówne strony wyj ciowe .........................................................159 Kluczowy wska nik wydajno ci: wspóïczynnik konwersji dla najczÚ ciej szukanych sïów ...........159 Rozdział 6. Miesiąc 1. Zgłębianie najważniejszych zagadnień z obszaru analizy danych internetowych ................................................ 161 Tydzieñ 1. Przygotowania do zrozumienia podstaw ....................................................162 Poniedziaïek i wtorek: adresy URL ............................................................................................163 ¥roda: parametry adresów URL .................................................................................................164 Czwartek i piÈtek: pliki cookie ..................................................................................................165 Tydzieñ 2. Powrót do podstawowych miar .................................................................168 13 SPIS TRE¥CI Poniedziaïek: odwiedziny i u ytkownicy ....................................................................................168 Wtorek i roda: czas w witrynie .................................................................................................172 Czwartek i piÈtek: liczba wy wietleñ stron .................................................................................176 Tydzieñ 3. Poznawanie standardowych raportów .......................................................179 Poniedziaïek i wtorek: wspóïczynnik odrzuceñ ..........................................................................179 Od rody do piÈtku: odno niki wej ciowe — ródïa i szukane wyra enia ...................................182 Tydzieñ 4. Korzystanie z raportów na temat nawigacji i poziomu zawarto ci witryny ......187 Poniedziaïek i wtorek: listy stron — najczÚ ciej oglÈdanych, wej ciowych i wyj ciowych ...........187 ¥roda: najpopularniejsze punkty docelowe (odno niki wyj ciowe) ..............................................192 Czwartek i piÈtek: nakïadki na witryny (mapy czÚstotliwo ci klikniÚÊ) ......................................194 Rozdział 7. Miesiąc 2. Analiza danych internetowych — szybki start ......................... 201 Wymagania wstÚpne i ramy .......................................................................................202 Tydzieñ 1. Tworzenie podstawowych raportów ..........................................................202 Poniedziaïek: najpopularniejsze ródïowe adresy URL i najpopularniejsze szukane wyra enia ....204 Wtorek: popularno Ê zawarto ci witryny i wizyty na stronie gïównej .........................................206 ¥roda i czwartek: czÚstotliwo Ê klikniÚÊ (nakïadki na witryny) ...................................................208 PiÈtek: wspóïczynnik odrzuceñ witryny .....................................................................................209 Witryna sklepu internetowego — szybki start ...........................................................210 Tydzieñ 2. Pomiar skutków dziaïañ firmy ..................................................................................211 Tydzieñ 3. Ocena wyników na podstawie celów oraz pomiar skuteczno ci marketingowej i zadowolenia klientów ...........................................................................................................214 Witryna pomocy technicznej — szybki start ..............................................................218 Tydzieñ 2. Wchodzenie w rolÚ klienta i pomiar wpïywu witryny na tradycyjne kanaïy .................. 219 Tydzieñ 3. Pomiar sukcesu na podstawie gïosu lub ocen klientów na poziomie witryny i stron ...... 223 Pomiar blogów — szybki start ...................................................................................226 Tydzieñ 2. PrzezwyciÚ anie zïo ono ci w celu pomiaru podstaw przy u yciu nowych miar .........226 Tydzieñ 3. Konkurencyjny punkt odniesienia oraz pomiar kosztów i zwrotu z inwestycji ...........229 Tydzieñ 4. Refleksje i podsumowanie .........................................................................233

Rozdział 8. Miesiąc 3. Analiza w obszarze wyszukiwania — wyszukiwanie wewnętrzne, SEO i PPC ............................................. 235 Tydzieñ 1. Analiza wyszukiwania wewnÚtrznego w witrynie ......................................236 Poniedziaïek: poznawanie warto ci wyszukiwania wewnÚtrznego ...............................................236 Wtorek: wykrywanie trendów w wyszukiwaniu wewnÚtrznym ..................................................241 ¥roda: analiza czÚstotliwo ci klikniÚÊ za pomocÈ nakïadki na witrynÚ ........................................242 Czwartek: pomiar efektywno ci wyników wyszukiwania ............................................................243 PiÈtek: pomiar skutków zwiÈzanych z wyszukiwaniem wewnÚtrznym .......................................244 Tydzieñ 2. RozpoczÚcie optymalizacji witryny pod kÈtem wyszukiwarek ....................245 Poniedziaïek: zrozumienie wpïywu odno ników i ich optymalizacja ...........................................247 Wtorek: odno niki do publikacji prasowych i witryn spoïeczno ciowych ....................................247 ¥roda i czwartek: optymalizacja znaczników i zawarto ci na stronach ........................................248 PiÈtek: dodawanie wskazówek na potrzeby robotów wyszukujÈcych ..........................................249 Tydzieñ 3. Pomiar skutków SEO ................................................................................250 14 Poniedziaïek: sprawdzanie poziomu zindeksowania witryny .......................................................250 Wtorek: ledzenie odno ników wej ciowych i najpopularniejszych szukanych sïów ....................251 SPIS TRE¥CI ¥roda: oddzielenie naturalnych odno ników wej ciowych od PPC ..............................................254 Czwartek: pomiar warto ci naturalnych odno ników wej ciowych .............................................255 PiÈtek: pomiar wpïywu optymalizacji na najpopularniejsze strony .............................................255 Tydzieñ 4. Analiza skuteczno ci kampanii PPC ..........................................................257 Poniedziaïek: podstawy PPC .....................................................................................................258 Wtorek: pomiar wska ników zwiÈzanych z ofertami ..................................................................259 ¥roda: definiowanie kluczowych miar wpïywajÈcych na wyniki firmy ........................................260 Czwartek: pomiar liczby niepowtarzalnych u ytkowników ........................................................260 PiÈtek: najlepsze praktyki tworzenia raportów na temat PPC ....................................................261 Rozdział 9. Miesiąc 4. Pomiar marketingu e-mailowego i wielokanałowego ............... 263 Tydzieñ 1. Podstawy (i nie tylko) marketingu e-mailowego ........................................264 Poniedziaïek: podstawy marketingu e-mailowego ......................................................................264 Wtorek i roda: pomiar podstawowych wska ników dotyczÈcych odpowiedzi ............................265 Czwartek i piÈtek: pomiar skutków ...........................................................................................266 Tydzieñ 2. Marketing e-mailowy — zaawansowana obserwacja skutków ...................267 Poniedziaïek i wtorek: pomiar efektywno ci witryny ..................................................................267 ¥roda: unikanie puïapek w analizie kampanii e-mailowych ........................................................268 Czwartek i piÈtek: integracja kampanii e-mailowej z narzÚdziem do analizy danych internetowych .......................................................................269 Tygodnie 3. i 4. Marketing wielokanaïowy — ledzenie skutków i analiza .................270 Tydzieñ 3. Wprowadzenie do marketingu wielokanaïowego i ledzenie tradycyjnych kampanii skoncentrowanych na internecie ........................................270 Tydzieñ 4. ¥ledzenie i analizowanie marketingu wielokanaïowego .............................................275

Rozdział 10. Miesiąc 5. Eksperymenty i testy związane z witryną — osiąganie znaczących skutków dzięki uwzględnianiu opinii klientów ..... 283 Tygodnie 1. i 2. Po co testowaÊ i jakie sÈ mo liwo ci? ................................................284 Tydzieñ 1. Przygotowania i testy A/B ........................................................................................284 Tydzieñ 2. Poza testy A/B .........................................................................................................289 Tydzieñ 3. Co testowaÊ? Konkretne mo liwo ci i pomysïy .........................................296 Poniedziaïek: testowanie wa nych stron i wezwañ do dziaïania ..................................................296 Wtorek: koncentracja na ruchu z wyszukiwarek ........................................................................298 ¥roda: testowanie tre ci i materiaïów .........................................................................................298 Czwartek: testy cen i promocji ...................................................................................................299 PiÈtek: testowanie kampanii marketingu bezpo redniego ..........................................................299 Tydzieñ 4. Tworzenie doskonaïego programu eksperymentów i testów ......................300 Poniedziaïek: hipotezy i okre lanie celów ...................................................................................301 Wtorek: testy i walidacja pod kÈtem wielu celów ......................................................................303 ¥roda: przechodzenie od testów prostych do zïo onych i rado Ê z pracy .....................................304 15 Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testów .......................................305 SPIS TRE¥CI PiÈtek: wdra anie dwóch kluczowych elementów ka dego programu testów .............................306 Rozdział 11. Miesiąc 6. Trzy sekrety praktycznej analizy danych internetowych ............ 311 Tydzieñ 1. Wykorzystanie punktów odniesienia i celów do motywowania do dziaïañ ....................................................................................312 Poniedziaïek i wtorek: znaczenie punktów odniesienia i ustalania celów .....................................312 ¥roda: wykorzystywanie zewnÚtrznych punktów odniesienia .....................................................314 Czwartek: wykorzystywanie wewnÚtrznych punktów odniesienia ..............................................317 PiÈtek: zachÚcanie i ustalanie celów ...........................................................................................320 Tydzieñ 2. Opracowywanie skutecznych raportów podsumowujÈcych dla zarzÈdu .....323 Poniedziaïek: udostÚpnianie kontekstu — punkty odniesienia, segmenty i trendy .....................324 Wtorek: wyodrÚbnianie kilku kluczowych miar .........................................................................326 ¥roda: nie poprzestawaj na miarach — doïÈcz te wnioski .........................................................327 Czwartek: ograniczanie raportu podsumowujÈcego do jednej strony ..........................................328 PiÈtek: wyglÈd ma znaczenie .....................................................................................................329 Tydzieñ 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programów opartych na raportach podsumowujÈcych ................................................................330 Poniedziaïek: wybór miar zgodnych z modelem Trinity pod kÈtem dalekiej perspektyw ............330 Wtorek: tworzenie istotnych raportów podsumowujÈcych .........................................................333 ¥roda: jedna miara — jeden wïa ciciel .......................................................................................334 Czwartek: od sïów do czynów ....................................................................................................334 PiÈtek: pomiar skuteczno ci raportów podsumowujÈcych ..........................................................336 Tydzieñ 4. Stosowanie podej cia Six Sigma i doskonaïo ci procesu w analizie danych internetowych .............................................................................336 Poniedziaïek: wszystko jest procesem ........................................................................................337 Od wtorku do czwartku: stosowanie procesu DMAIC ...............................................................342 PiÈtek: analiza zdobytej wiedzy .................................................................................................346

Rozdział 12. Miesiąc 7. Analizy konkurencji i witryn z nurtu Web 2.0 ........................... 347 Analizy konkurencji ...................................................................................................348 Tydzieñ 1. Raporty na temat ruchu w konkurencyjnych witrynach ............................................349 Tydzieñ 2. Raporty na temat wyszukiwarek ..............................................................................354 Analizy witryn z nurtu Web 2.0 .................................................................................365 Tydzieñ 3. Pomiar sukcesu bogatych aplikacji internetowych ....................................................366 Tydzieñ 4. Pomiar sukcesu ródeï RSS .......................................................................................371 Rozdział 13. Miesiąc 8. i następne. Rozwiewanie mitów z obszaru analizy danych internetowych ................................................ 381 Do czego sïu È analizy cie ek? Do niczego ................................................................382 Problemy w obszarze analizy cie ek ..........................................................................................383 Inna mo liwo Ê — raport sekwencji grup stron .........................................................................385 16 Wspóïczynnik konwersji — bezwarto ciowa obsesja ...................................................388 Problemy zwiÈzane ze wspóïczynnikiem konwersji ....................................................................389 SPIS TRE¥CI Inna mo liwo Ê — wspóïczynnik ukoñczenia zadañ ze wzglÚdu na gïówny cel ..........................391 Perfekcja — umarïa doskonaïo Ê, niech yje doskonaïo Ê ...........................................393 Doskonaïe dane .........................................................................................................................394 Z prÚdko ciÈ sieci WWW .........................................................................................................395 Fragmentaryczne dane z wielu ródeï ........................................................................................396 Dane w czasie rzeczywistym — nieznaczÈce i kosztowne ............................................396 Efekty dostÚpu do danych w czasie rzeczywistym ......................................................................397 Lista kontrolna do okre lania gotowo ci na dane w czasie rzeczywistym .....................................398 Standardowe wska niki KPI — mniej znaczÈce, ni sÈdzisz ........................................401 Rozdział 14. Zagadnienia zaawansowane — analiza danych internetowych ze wspomaganiem ............................................................................... 405 Odblokowywanie potÚgi istotno ci statystycznej ........................................................406 Wykorzystanie zdumiewajÈcej potÚgi segmentacji ......................................................408 Segmentacja na podstawie wspóïczynnika odrzuceñ ...................................................................410 Segmentacja na podstawie wyszukiwarek ..................................................................................410 Èczenie danych na temat wyszukiwarek i ucieczek ...................................................................411 Okre lanie trendów w segmentach ............................................................................................412 „Zrozumiaïe” analizy i raporty ....................................................................................414 U ywanie ïadnych rysunków .....................................................................................................414 U ywanie zrozumiaïego jÚzyka ..................................................................................................415 Najlepsze praktyki przy obliczaniu wspóïczynnika konwersji ......................................418 Pomijanie ogólnego wspóïczynnika konwersji dla caïej witryny .................................................420 UwzglÚdnianie trendów i sezonowo ci .......................................................................................420 Zrozumienie strategii pozyskiwania klientów przez witrynÚ i firmÚ ............................................421 Pomiar wspóïczynnika konwersji z podziaïem na piÚÊ najwa niejszych wej ciowych adresów URL ......................................................................................................422 Rezygnacja z pomiaru wspóïczynnika konwersji dla stron i odno ników .....................................422

Obsesyjna segmentacja ..............................................................................................................423 Przedstawianie przychodów obok wspóïczynnika konwersji .......................................................424 Pomiar wspóïczynnika konwersji pod kÈtem celu ......................................................................424 Usprawnianie analiz z obszaru SEM i PPC ..................................................................426 Pomiar wspóïczynnika odrzuceñ (zagregowanego i wedïug najpopularniejszych szukanych wyra eñ) ........................................427 Kontrola usïugodawców i agencji ..............................................................................................428 Pomiar wspóïczynnika kanibalizacji ruchu naturalnego przez kampanie PPC .............................429 Agresywne stosowanie testów i eksperymentów .........................................................................430 Zrozumienie wielu celów klientów .............................................................................................431 Pomiar cudownego wspóïczynnika rezygnacji .............................................................432 Stosowanie segmentacji do wspóïczynnika rezygnacji .................................................................433 WyciÈganie praktycznych wniosków i podejmowanie dziaïañ ....................................................435 Pomiar liczby dni i wizyt do zakupu ...........................................................................436 Jak mierzyÊ omawiane wska niki? .............................................................................................438 17 WyciÈganie praktycznych wniosków i podejmowanie dziaïañ ....................................................439 SPIS TRE¥CI Wykorzystanie statystycznych limitów kontrolnych ...................................................441 Obliczanie limitów kontrolnych .................................................................................................444 Praktyczny przykïad zastosowania limitów kontrolnych ............................................................444 Pomiar rzeczywistego zakresu mo liwej poprawy .......................................................447 UwzglÚdnianie wspóïczynnika odrzuceñ ....................................................................................448 Odfiltrowywanie „wizyt” robotów wyszukujÈcych i oprogramowania do kontroli witryny oraz bïÚdów 404 i Èdañ rysunków .........................................................................................449 UwzglÚdnienie celów klientów ..................................................................................................450 Podejmowanie dziaïañ ...............................................................................................................452 Rozdział 15. Budowanie kultury opartej na danych — praktyczne kroki i najlepsze praktyki ................................................... 457 Kluczowe umiejÚtno ci mened erów kierowników dziaïu analizy danych internetowych ..................................................458 Prawdziwa pasja ........................................................................................................................459 Akceptacja i dÈ enie do zmian ...................................................................................................459 Kwestionowanie danych a do przesady .....................................................................................460 Nastawienie na innowacje pod kÈtem klienta ............................................................................460 Niekoniecznie „mistrzowie liczb” ...............................................................................................461 Naturalne zdolno ci biznesowe i rozsÈdek ..................................................................................461 Wybitne umiejÚtno ci interpersonalne .......................................................................................462 Kiedy i jak zatrudniaÊ konsultantów oraz ekspertów wewnÚtrznych? .........................462 Etap 1. Narodziny .....................................................................................................................464 Etap 2. Od niemowlÚcia do nastolatka .......................................................................................465 Etap 3. Szalona mïodo Ê ............................................................................................................467 Etap 4. Dojrzaïo Ê — po trzydziestce ........................................................................................469 Siedem etapów budowania kultury podejmowania decyzji na podstawie danych .........471 Wyj cie od wyników (skutków) .................................................................................................471 Zrozumienie, e raporty to nie analizy, i promowanie tych ostatnich .........................................472

Bezosobowe podejmowanie decyzji ............................................................................................473 Zachowania proaktywne zamiast reaktywnych ..........................................................................474 Du e uprawnienia dla analityków ..............................................................................................475 Stosowanie podej cia Trinity ......................................................................................................475 My lenie w kategoriach procesu ................................................................................................476 Skorowidz ........................................................................................... 479 18 SPIS TRE¥CI

Web Analytics dzi i jutro 20 marca 2007 roku wyszukiwanie wyra enia „web analytics” + definition w wyszukiwarce Google daïo 642 000 wyników w 0,11 sekundy. Potwierdza to zïo ono Ê i dïugÈ historiÚ tej 31 wspaniaïej dziedziny (oraz szybko Ê generowania WEB ANALYTICS DZI¥ I JUTRO wyników przez wyszukiwarkÚ Google). Rozdziaá 1[SR1]

Stowarzyszenie Web Analytics Association (http://www.webanalyticsassociation.org) zaproponowaïo niedawno standardowÈ definicjÚ analizy danych internetowych: Analiza danych internetowych to obiektywne ledzenie, zbieranie, mierzenie, tworzenie raportów i analizowanie ilo ciowych danych internetowych w celu optymalizacji witryn oraz internetowych kampanii marketingowych. Analiza danych internetowych ma swe poczÈtki w latach 90. Jednak jej pierwszÈ standardowÈ definicjÚ (przedstawionÈ powy ej) zaproponowano dopiero w roku 2006, co pokazuje, jak mïoda jest to dziedzina. Krótka historia analizy danych internetowych W poczÈtkowym okresie istnienia internetu korzystanie z niego byïo stosunkowo 32 proste. U ytkownik wpisywaï adres i ujednolicony lokalizator zasobu (ang. Uniform ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO Resource Locator — URL), otrzymywaï plik z tekstem i odno nikami, po czym caïa interakcja siÚ koñczyïa. ¿ycie byïo wtedy proste. Zauwa ono, e czasem pojawiaïy siÚ bïÚdy, które powodowaïy, e nie mo na byïo udostÚpniÊ pliku, lub e zawieraï on nieprawidïowe odno niki. Wtedy to sprytni ludzie wymy lili dzienniki serwera do rejestrowania bïÚdów i wykorzystali je do wyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizyta odpowiadaïa po prostu Èdaniu zwrócenia pliku). Wspomniane dzienniki serwera rejestrowaïy nie sam fakt odwiedzin u ytkownika w witrynie, ale tak e dodatkowe informacje: nazwÚ pliku, czas, ródïo Èdania (witrynÚ lub stronÚ internetowÈ), adres IP, identyfikator przeglÈdarki, nazwÚ systemu operacyjnego i tak dalej. Praca stawaïa siÚ coraz ciekawsza, poniewa mo na byïo dowiedzieÊ siÚ czego o ródle Èdania. Wraz z powiÚkszaniem siÚ dzienników i wzrostem zainteresowania danymi osób spoza wiata techniki jeszcze sprytniejsza osoba napisaïa pierwszy skrypt, który automatycznie przetwarzaï pliki dziennika i wy wietlaï podstawowe wska niki (rysunek 1.1). W ten sposób narodziïa siÚ analiza danych internetowych. Rysunek 1.1. Prosty raport programu Analog w wersji 0.9 (beta)

Program Analog napisany przez doktora Stephena Turnera w 1995 roku byï pierwszÈ aplikacjÈ do analizy plików dziennika powszechnie dostÚpnÈ w sieci WWW. WciÈ jest to jedno z najczÚ ciej u ywanych narzÚdzi do analizy danych internetowych i jest zainstalowane w witrynach wiÚkszo ci dostawców usïug internetowych (ang. Internet Service Provider — ISP). Analog i podobne mu programy uïatwiïy rozpowszechnienie siÚ analizy danych internetowych poza dziaïy informatyczne firm. Raporty byïy coraz ïadniejsze, a pracownicy z dziaïu marketingu mogli wreszcie zrozumieÊ, co siÚ dzieje w witrynie. W latach 1995 – 96 standardowi u ytkownicy internetu mogli zetknÈÊ siÚ ze statystykami z uwagi na rozpowszechnienie siÚ wspaniaïego narzÚdzia nazywanego licznikiem. Liczniki odwiedzin na stronach byïy prawdopodobnie pierwszym przykïadem sieciowego marketingu wirusowego (ich wprowadzenie przypisywane jest firmie Web-Counter). Liczniki pojawiïy siÚ w ka dym miejscu 33 sieci WWW. Byïy ciekawe, a zarazem informowaïy o popularno ci strony. KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Komercyjna analiza danych internetowych rozpoczÚïa siÚ kilka lat pó niej, a jej najbardziej znanym owocem byï program WebTrends. Aplikacja ta opieraïa siÚ na wzbogaconym parserze standardowych plików dziennika, jednak co jeszcze wa niejsze, generowaïa tabele i eleganckie wykresy, które ostatecznie wprowadziïy analizÚ danych internetowych do zespoïów biznesowych (przykïadowe dane wyj ciowe programu WebTrends przedstawia rysunek 1.2). Rysunek 1.2. Przykładowy raport programu WebTrends Do roku 2000, kiedy to popularno Ê sieci WWW wciÈ rosïa w tempie wykïadniczym, analiza danych internetowych staïa siÚ ugruntowanÈ dziedzinÈ badañ. Kluczowymi dostawcami usïug w tej bran y byli Accrue, WebTrends, WebSideStory i Coremetrics. Firmy te udostÚpniaïy coraz bardziej zaawansowane rozwiÈzania, które generowaïy olbrzymie ilo ci danych. Mniej wiÚcej w tym samym czasie usïugodawcy i klienci w bran y analizy danych internetowych odkryli, e dzienniki serwera niekoniecznie sÈ optymalnym ródïem informacji. Stosowanie dzienników wiÈzaïo siÚ z nastÚpujÈcymi problemami: Zapisywanie stron w pamiÚci podrÚcznej przez dostawców usïug internetowych. Problem ten polega na tym, e po utworzeniu kopii strony na serwerze dostawcy

usïug internetowych wszystkie nastÚpne Èdania powodujÈ zwrócenie wïa nie jej, a operacje te nie sÈ rejestrowane w plikach dziennika witryny. Roboty wyszukujÈce. Wraz z rosnÈcÈ popularno ciÈ wyszukiwarek roboty wyszukujÈce czÚsto przeglÈdajÈ witryny i pozostawiajÈ w dziennikach wpisy niezwiÈzane z odwiedzinami u ytkowników. Te wpisy tak e sÈ uwzglÚdniane we wska nikach. ChoÊ mo na odfiltrowaÊ odwiedziny robotów, trudno jest nadÈ yÊ z rejestrowaniem ich wszystkich, a ponadto stajÈ siÚ one coraz „sprytniejsze”. Niepowtarzalni u ytkownicy. Poniewa coraz wiÚcej osób ma dynamicznie przypisywany adres IP i odwiedza strony przy u yciu serwerów po redniczÈcych, trudno jest okre liÊ liczbÚ niepowtarzalnych u ytkowników. Dostawcy uciekajÈ siÚ do u ywania adresu IP w poïÈczeniu z identyfikatorem agenta (identyfikator ten obejmuje system operacyjny i przeglÈdarkÚ u ytkownika), jednak tak e to rozwiÈzanie 34 nie jest doskonaïe. Mo na te zastosowaÊ pliki cookie ustawiane przez witrynÚ, jednak nie wszystkie dziaïy informatyczne korzystajÈ z tej techniki. ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO Z tych i innych przyczyn nowym standardem zbierania danych na temat u ytkowania witryny staïy siÚ znaczniki JavaScript (wiersze kodu w tym jÚzyku). Jest to du o prostsza technika. Wystarczy dodaÊ do ka dej strony kilka wierszy kodu JavaScript, który zostanie uruchomiony po wczytaniu strony i prze le dane do rejestrujÈcego je serwera. Poni ej przedstawiono przykïadowy kompletny znacznik JavaScript u ywany przez Crazy Egg — nowÈ firmÚ wiadczÈcÈ usïugi w obszarze analizy danych internetowych: <script type="text/javascript"> //<![CDATA[ document.write('<scr'+'ipt src="http://crazyegg.com/pages/scripts/1111.js?'+ (new Date()).getTime()+'" ~CAtype="text/javascript"></scr'+'ipt>'); //]]> </script> Pliki dziennika oparte na kodzie JavaScript sÈ ïatwiejsze w konserwacji ni pliki dziennika serwera. PowodujÈ tak e, e za zbieranie i przetwarzanie danych zazwyczaj odpowiadajÈ nie wewnÚtrzne, firmowe dziaïy informatyczne, ale dostawcy usïug z obszaru analizy danych internetowych. Uïatwia to proces analizy. Znaczniki JavaScript upraszczajÈ tak e wprowadzanie innowacji, rejestrowanie nowych rodzajów danych i obsïugÚ plików cookie w celu ledzenia aktywno ci u ytkowników. Obecnie usïugodawcy mogÈ samodzielnie wykonywaÊ te operacje, zamiast kontaktowaÊ siÚ z dziaïem informatycznym firmy. Uwaga: Za znacznikami JavaScript także związane są pewne problemy omówione szczegółowo w rozdziale 2., „Zbieranie danych — znaczenie i możliwości”.

NastÚpnym krokiem w ewolucji analizy danych internetowych byïo wprowadzenie nakïadek na witrynÚ (ang. site overlay), nazywanych te rozkïadem czÚstotliwo ci klikniÚÊ. DziÚki tej technice osoby odpowiedzialne za podejmowanie decyzji mogÈ po prostu otworzyÊ w przeglÈdarce stronÚ internetowÈ, którÈ chcÈ poddaÊ analizie, zamiast przetwarzaÊ zïo one zbiory danych i przeglÈdaÊ tabele peïne informacji. PrzeglÈdarka lub aplikacja do analizy danych internetowych wy wietla wtedy przez okre lony czas miejsca o najwiÚkszej liczbie klikniÚÊ. Upowszechniïo to znacznie czynno ci bÚdÈce wcze niej domenÈ analityków danych internetowych. ZwiÚkszyïo to te czÚsto Ê korzystania z rozwiÈzañ analitycznych, poniewa wszyscy mogli w bardzo prosty sposób — patrzÈc na liczbÚ klikniÚÊ — zrozumieÊ, co dzieje siÚ na stronie. Rysunek 1.3 pokazuje, jak ïatwo jest dokonaÊ segmentacji caïego ruchu w witrynie, wydzielajÈc odwiedziny z wyszukiwarki Google, oraz zaobserwowaÊ 35 ró nice w korzystaniu z odno ników przez ró ne grupy. Pozwala to ustaliÊ, czego KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH szukajÈ dwa segmenty u ytkowników. Rysunek 1.3. Raport ClickTracks w postaci nakładki na stronę (podzielony na wszystkich użytkowników i odwiedziny z wyszukiwarki Google) Obecnie w bran y analizy danych internetowych dziaïajÈ cztery du e firmy: Coremetrics, Omniture, WebTrends i WebSideStory. Jest te wielu rednich dostawców, na przykïad Unica, indexTools i ClickTracks, oraz liczne podstawowe rozwiÈzania, takie jak produkty o otwartym dostÚpie do kodu ródïowego AWStats, Webalizer i StatCounter. Du y wpïyw na bran Ú analizy danych internetowych miaïa firma Google, która w 2005 roku kupiïa produkt Urchin, a w 2006 udostÚpniïa go bezpïatnie pod nazwÚ Google Analytics. Obecnie u ytkownicy mogÈ bezpïatnie korzystaÊ z pierwszorzÚdnych analiz danych internetowych. Trudno jest okre liÊ liczbÚ osób stosujÈcych Google Analytics. WiÚkszo Ê analityków szacuje jÈ na ponad póï miliona

w ciÈgu pierwszych sze ciu miesiÚcy. Zgodnie z powszechnymi oczekiwaniami Microsoft wkrótce pójdzie w lady Google i tak e udostÚpni bezpïatne narzÚdzie do analizy danych internetowych. Tempo wprowadzania innowacji w wiecie analizy danych internetowych nie maleje. WciÈ pojawiajÈ siÚ nowsze i ïatwiejsze sposoby wizualizacji zïo onych zbiorów danych na temat interakcji u ytkowników z witrynÈ. JednÈ z takich technik jest mapa klikniÚÊ udostÚpniana przez firmÚ Crazy Egg (rysunek 1.4). W czasie kiedy powstawaïa ta ksiÈ ka, wspomniana usïuga byïa dostÚpna w wersji beta. NarzÚdzie to przedstawia grupy klikniÚÊ na witrynie internetowej i ich liczebno Ê za pomocÈ kolorów. Im ja niejszy kolor, tym wiÚcej klikniÚÊ koncentruje siÚ wokóï danego miejsca lub odno nika. 36 ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO Rysunek 1.4. Raport w postaci mapy kliknięć udostępniany przez Crazy Egg Obecne warunki i wyzwania Analiza danych internetowych wciÈ znajduje siÚ w wieku szczeniÚcym. Dorosïa nieco od momentu narodzin i w pewnym sensie potrafi sama przetrwaÊ, jednak w przyszïo ci nale y spodziewaÊ siÚ jeszcze znacznego rozwoju i licznych zmian. Temu procesowi towarzyszy obecnie niezwykïy splot wydarzeñ. Od dïugiego czasu firmy ponosiïy znaczne inwestycje na witryny internetowe, poniewa wszyscy tak postÚpowali i byïo to modne. W ciÈgu kilku ostatnich lat sieÊ WWW „dojrzaïa” i jest kanaïem biznesowym u ywanym przez wiÚkszo Ê firm. Nagle okazaïo siÚ, e kanaï ten podlega tym samym prawom ekonomicznym co inne (na przykïad sprzeda telefoniczna lub zwykïe sklepy). Od czasu znacznego wzrostu popularno ci sieci WWW prowadzone sÈ coraz dokïadniejsze analizy, a firmy wymagajÈ od osób odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonych na ten kanaï. To podej cie wymaga wielu zmian w funkcjonowaniu tego kanaïu

i dziaïaniach osób nim zarzÈdzajÈcych, które muszÈ przeprowadzaÊ liczne badania, aby wykazaÊ siÚ wynikami. Nawet obecnie wiele osób uto samia analizÚ danych internetowych z badaniami strumieni klikniÚÊ. ChoÊ jest to zupeïnie bïÚdne podej cie, dla wiÚkszo ci praktyków strumienie klikniÚÊ to podstawa przy podejmowaniu decyzji zwiÈzanych z witrynÈ. Poniewa te strumienie obejmujÈ tylko czÚ Ê danych internetowych, liczne firmy sÈ rozczarowane brakiem praktycznych wniosków mimo inwestycji ponoszonych przez lata na narzÚdzia do analizy takich danych. DostÚpnych jest mnóstwo danych i jeszcze wiÚcej raportów, jednak w my lach osób odpowiedzialnych za podejmowanie decyzji wciÈ pojawia siÚ pewne stwierdzenie: „Dane nie powiedzÈ mi, co mam robiÊ”. W czasie boomu internetowego na rynku dziaïaïo okoïo 200 usïugodawców o ró nej wielko ci. Od momentu zaïamania w bran y nastÈpiïa konsolidacja. Ekosystem firm zajmujÈcych siÚ analizÈ danych internetowych jest zdominowany 37 przez usïugodawców, którzy starajÈ siÚ uzyskaÊ przewagÚ konkurencyjnÈ, oferujÈc KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH coraz wiÚcej funkcji. Zdominowali oni bran Ú i okre lajÈ postrzeganie wiata analiz (przy czym w praktyce jest to wiat raportów). Brak wpïywu praktyków na strategiÚ i kierunek rozwoju ma negatywne skutki dla bran y. Standardowe techniki, na przykïad innowacje pod kÈtem klienta (ang. customer-driven innovation — CDI), nigdy nie zostaïy przyjÚte w wiecie analizy danych internetowych. WiÚkszo Ê postÚpów wynika z innowacji opartych na mo liwo ciach (ang. possibility-driven innovation — PDI), na przykïad: „Co jeszcze mo emy zrobiÊ z zebranymi danymi? Wprowad my innowacje na tej podstawie”. W bran y wyra nie widaÊ brak wiedzy praktycznej. Co wa niejsze, nie ma te ludzi i podej Ê, które umo liwiïyby firmom internetowym wyciÈganie praktycznych wniosków pozwalajÈcych na strategiczne odró nienie siÚ od konkurencji. Uniwersytety i inne szkoïy nie uczÈ praktycznej analizy danych internetowych. Istnieje tylko jeden kurs internetowy na ten temat, prowadzony przez University of British Columbia. Te braki w poïÈczeniu z nadmiarem danych (w kategoriach danych surowych, które mo na uzyskaÊ w sieci WWW) prowadzÈ do nieoptymalnych rozwiÈzañ przy przedstawianiu firmom praktycznych wniosków. Ruch Web 2.0 i powiÈzane z nim technologie coraz czÚ ciej sÈ czym oczekiwanym przez klientów. Ta zmiana to powa na przeszkoda dla wiÚkszo ci obecnych rozwiÈzañ i usïugodawców z obszaru analizy danych internetowych. W wiecie Web 2.0 jeszcze wa niejsze sÈ szybkie zmiany w podej ciu i opracowanie strategii skutecznej analizy danych internetowych. Na przykïad w Web 2.0 typowe strumienie klikniÚÊ nie sÈ zbyt istotne, poniewa ka da nowinka powoduje powolne odchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wiÚc mo na zmierzyÊ sukces w takich warunkach? Wraz z pojawieniem siÚ programu Google Analytics rynek wprost eksplodowaï, poniewa wszyscy wïa ciciele witryn mogÈ bezpïatnie uzyskaÊ dostÚp do danych internetowych i do tego za pomocÈ zaawansowanych narzÚdzi. Oczekiwane darmowe

narzÚdzie Microsoftu dodatkowo zwiÚkszy mo liwo ci praktyków. Jednak sam dostÚp do narzÚdzi i danych nie rozwiÈ e problemów zwiÈzanych z wyborem wska ników powodzenia i prawidïowÈ analizÈ danych internetowych. Obecnie analitycy danych internetowych mogÈ korzystaÊ z wiÚkszej ilo ci danych ni kiedykolwiek wcze niej: x Analiza konkurencyjno ci pozwala nie tylko okre liÊ, co dzieje siÚ w witrynie, ale tak e (za drobnÈ opïatÈ) ustaliÊ, jak dziaïajÈ witryny konkurencji. x Dane jako ciowe (u yteczno Ê, ankiety, bezpo rednia obserwacja) zapewniajÈ informacje o wpïywie kanaïu internetowego na inne kanaïy (warto zastanowiÊ siÚ nad systemami CRM). Wraz z rozwojem analizy danych internetowych — od narodzin do obecnego okresu niemowlÚcego — u ytkownicy mieli dostÚp do coraz wiÚkszej ilo ci zïo onych 38 danych. W prawie ka dym narzÚdziu analitycznym za pomocÈ jednego klikniÚcia mo na wy wietliÊ setki miar. ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO RosnÈca ilo Ê danych zwiÚksza mo liwo ci w obszarze analiz i dziaïañ, ale jednocze nie mo e okazaÊ siÚ puïapkÈ, prowadzÈc do parali u analitycznego. Firmy dziaïajÈce w sieci WWW wydajÈ miliony dolarów na analizÚ danych internetowych, dÈ Èc do optymalnego wykorzystania setek milionów dolarów wydawanych na kampanie marketingowe i witryny internetowe, które z kolei majÈ doprowadziÊ do uzyskania miliardów dolarów zysków. Podstawowym problemem przy tworzeniu ankiet, priorytetów marketingowych, studiów przypadków i list yczeñ jest mo liwo Ê dokïadnego pomiaru danych w celu podjÚcia optymalnych decyzji zwiÈzanych ze spo ytkowaniem setek milionów dolarów wydawanych przez firmy. Najgorsze jest to, e wiÚkszo Ê firm próbuje rozwiÈzaÊ ten problem w bïÚdny sposób. Tradycyjna analiza danych internetowych to przeszłość W audycji podcast z witryny Internet Marketing Voodoo z marca 2006 roku stwierdziïem, e tradycyjna analiza danych internetowych jest martwa. To samo mogïem powiedzieÊ ju dwa lata wcze niej. Analiza danych internetowych opieraïa siÚ poczÈtkowo na dziennikach serwerów sieciowych, które zawieraïy gïównie informacje techniczne, a nie biznesowe. Z uwagi na wyjÈtkowÈ cie kÚ rozwoju obecnie liczne narzÚdzia do analizy danych internetowych i podej cie wiÚkszo ci firm koncentrujÈ siÚ na analizie strumieni klikniÚÊ. Rysunek 1.5 ilustruje typowÈ analizÚ danych internetowych w przeszïo ci. DziÚki narzÚdziom do analizy danych internetowych mo na bïyskawicznie uzyskaÊ dostÚp do olbrzymich ilo ci danych, miar, kluczowych wska ników wydajno ci i innych liczb. Istnieje wielu u ytkowników i dostawców takich usïug oraz dobrze ugruntowany system pracy i my lenia zwiÈzany z przedstawianiem tych danych.

39 Rysunek 1.5. Mnóstwo miar i kluczowych wskaźników wydajności dostępnych po kliknięciu przycisku KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Jak wiÚc wyglÈda tradycyjny wiat analizy danych internetowych? Je li firma korzysta z jednej z poni szych przykïadowych miar, prawdopodobnie funkcjonuje wïa nie w tym wiecie: Liczba wy wietleñ stron. Je li firma prowadzi witrynÚ sklepu internetowego (a tak e wiÚkszo Ê innych witryn), to czy wysoka liczba wy wietleñ stron przez u ytkownika jest korzystna, czy nie? Je li nawigacja sprawia problemy, u ytkownicy bÚdÈ czÚsto wy wietlaÊ strony, ale nic nie kupiÈ. Je li nawigacja jest doskonaïa, wy wietleñ stron bÚdzie mniej, jednak mo liwe, e u ytkownicy szybciej stwierdzÈ, i ceny nie sÈ konkurencyjne, dlatego opuszczÈ witrynÚ. Jak mo na na podstawie samej liczby wy wietleñ stron stwierdziÊ, jak zachowujÈ siÚ u ytkownicy? Ponadto jaki wzorzec zachowañ klientów jest korzystny ze wzglÚdu na ten wska nik? Liczba wizyt. Kiedy wizyty sïu yïy do ledzenia liczby Èdañ danych kierowanych do serwera. Wtedy mo na byïo uto samiaÊ wizyty z Èdaniem strony lub tre ci. WiÚcej wizyt oznaczaïo wiÚkszÈ popularno Ê, a na bardzo wczesnym etapie rozwoju internetu — tak e wiÚkszÈ liczbÚ u ytkowników. Obecnie wizyty majÈ bardzo maïe znaczenie z uwagi na liczbÚ obrazów i multimediów umieszczanych na stronach. ¿Èdanie typowej strony powoduje 25 wizyt na serwerze. Co naprawdÚ mierzy analityk, ledzÈc liczbÚ wizyt? ¿Èdania o dane kierowane do serwera? LiczbÚ wy wietlanych stron? LiczbÚ osób odwiedzajÈcych witrynÚ? Strony z najwiÚkszÈ liczbÈ wyj Ê. O czym informuje analityka to, na której stronie internetowej odwiedzajÈcy najczÚ ciej opuszczajÈ witrynÚ? Czy takie strony sÈ gorsze od innych? Przecie mo liwe, e sÈ to doskonaïe strony, na których u ytkownicy znajdujÈ to, czego szukajÈ, dlatego mogÈ opu ciÊ witrynÚ. Je li klient bÚdzie szukaï aparatu cyfrowego Sony w witrynie Amazon.com i znajdzie to, co go interesuje, wyjdzie z witryny. Podobnie zrobiÈ osoby generujÈce 99% ruchu w tej witrynie.

Wska nik opuszczania witryny nie informuje o tym, czy poziom poszczególnych stron jest wysoki, czy niski. Zaanga owanie. Podobne zastrze enia dotyczÈ zaanga owania, które czÚsto oblicza siÚ jako liczbÚ sesji podzielonÈ przez liczbÚ niepowtarzalnych u ytkowników. Je li wiele osób ponownie odwiedza witrynÚ, czy dzieje siÚ tak dlatego, e nie mogÈ znale Ê szukanych tre ci, czy z uwagi na to, i jest to najpiÚkniejsza witryna na wiecie ze wspaniaïymi informacjami? Rozdzielczo Ê ekranu u ytkowników. Rozdzielczo Ê ekranu to doskonaïy przykïad niepotrzebnego wska nika, który ma bardzo niewielkÈ warto Ê. Ka de narzÚdzie do analizy danych internetowych informuje o rozdzielczo ci ekranu, a miara ta pojawia siÚ w codziennych raportach, choÊ rzadko zmienia siÚ czÚ ciej ni raz na sze Ê miesiÚcy. Mimo to analitycy obliczajÈ jÈ caïy czas, co rozprasza usïugobiorców i powoduje nieoptymalne wykorzystanie czasu. Ponadto czy nie lepiej po prostu u yÊ badañ firmy 40 Forrester Research lub Gartner na temat najnowszych trendów w danej bran y i na ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO tej podstawie okre liÊ optymalnÈ wielko Ê strony? Wszystkie te wska niki majÈ o czym informowaÊ, jednak w praktyce tego nie robiÈ. Co gorsza, zwykle prowadzÈ do bïÚdnych wniosków. Po wydaniu mnóstwa pieniÚdzy na zakup narzÚdzi i poniesieniu jeszcze wiÚkszych nakïadów na uzyskanie raportów firmy majÈ maïo informacji na temat zwrotu z inwestycji lub opinii u ytkowników na temat korzystania z witryny. Lata frustracji wynikajÈcej z niemo no ci zrozumienia danych i podejmowania dziaïañ na ich podstawie doprowadziïy do upadku tradycyjnej analizy danych internetowych. Nie udaïo siÚ dziÚki niej rozwiÈzaÊ problemów ani firm, ani ich klientów, poniewa nie prowadziïa do praktycznych wniosków. Jak powinna wyglądać analiza danych internetowych? W omawianej bran y zachodzÈ wïa nie istotne zmiany. Analiza danych internetowych nie jest ju tÈ samÈ dziedzinÈ co dawniej. Nowy wiat analiz prowadzÈcych do praktycznych wniosków obejmuje nie tylko strumienie klikniÚÊ. Istotne sÈ tak e dane na temat skutków. Dane te zwykle mo na zarejestrowaÊ za pomocÈ znaczników JavaScript, jednak czasem pomiary te wymagajÈ wykazania siÚ kreatywno ciÈ. Obecnie wa na jest te analiza jako ciowa: dlaczego odwiedzajÈcy zachowujÈ siÚ w okre lony sposób i dlaczego korzystajÈ z witryny? Rozwój analizy danych internetowych powoduje, e wïa ciciele witryn majÈ du o wiÚksze mo liwo ci w zakresie wysïuchiwania u ytkowników. Analizy obejmujÈ obecnie bardziej istotne dane i pozwalajÈ zrozumieÊ, jakie dziaïania nale y podjÈÊ. DziÚki nowemu podej ciu kanaï internetowy mo e okazaÊ siÚ skutecznym narzÚdziem dla firm, które wcze niej z niego nie korzystaïy. PodstawÈ tradycyjnej analizy danych internetowych przez dïugi czas byïy wbudowane kluczowe wska niki wydajno ci (ang. key performance indicator — KPI).

Jednak z uwagi na to, e ogólne wska niki KPI czÚsto nie uwzglÚdniajÈ strategicznych ró nic w dziaïaniu firm, nie speïniajÈ pokïadanych w nich nadziei. Aby wspóïzawodniczyÊ z innymi firmami, trzeba przeprowadzaÊ kluczowe analizy wniosków (ang. key insights analysis — KIA). Poni ej opisano kilka miar specyficznych dla nowego wiata analizy danych internetowych prowadzÈcej do dziaïañ, a tak e przykïadowe analizy KIA: Analizy rozkïadu czÚstotliwo ci klikniÚÊ. Analizy rozkïadu czÚstotliwo ci klikniÚÊ (powiÈzane z nakïadkami na witrynÚ generowanymi przez narzÚdzia do analizy danych internetowych) pomagajÈ zrozumieÊ punkt widzenia klienta. UïatwiajÈ zrozumienie dziaïañ u ytkowników witryny. Czy klikajÈ oni elementy zgodnie z oczekiwaniami wïa cicieli witryny? Je li nie, co uwa ajÈ za ciekawsze od tych opcji? Które elementy okazaïy siÚ zupeïnie nieoczekiwanie interesujÈce dla u ytkowników? Je li firma dokonuje segmentacji ruchu w witrynie, mo e ustaliÊ ró nice 41 w zachowaniu ró nych grup u ytkowników, na przykïad klikniÚÊ osób, które trafiïy KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH na witrynÚ z wyszukiwarki Google, i pozostaïych odwiedzajÈcych. Mo na na przykïad lepiej dopasowaÊ tre Ê dla u ytkowników z pierwszego z tych segmentów. Analizy tego rodzaju sÈ bardzo cenne, poniewa umo liwiajÈ podejmowanie dziaïañ. Nie ograniczajÈ siÚ do raportów i arkuszy programu Microsoft Office Excel, ale pozwalajÈ dosïownie przyjrzeÊ siÚ stronom internetowym i zobaczyÊ, jak zachowujÈ siÚ klienci z poszczególnych segmentów. Na podstawie tych danych mo na zaczÈÊ tworzyÊ niestandardowe, spersonalizowane strony dla u ytkowników z ró nych grup i zwiÚkszyÊ przez to zaanga owanie klientów oraz poprawiÊ wynik na skali gïównego wska nika powodzenia. Podstawowy cel odwiedzajÈcych. Zamiast wnioskowaÊ o celu wizyty na podstawie oglÈdanych stron, w nowym i ulepszonym podej ciu wystarczy poprosiÊ klientów o to, aby pomogli ustaliÊ, dlaczego odwiedzili witrynÚ. Ryzyko korzystania z wy wietlanych stron przy okre leniu gïównego celu wizyty polega na tym, e je li witryna nie zawiera szukanych tre ci, wïa ciciel nigdy siÚ o tym nie dowie. Dlaczego wiÚc nie zadaÊ pytania u ytkownikom? Warto przeprowadziÊ ankietÚ lub porozmawiaÊ

z nimi przez telefon. Nale y skontaktowaÊ siÚ z klientami i zapytaÊ, dlaczego odwiedzili witrynÚ. Czasem mo na w ten sposób odkryÊ przyczyny, o których wïa ciciel nigdy by nie pomy laï, a które powinien byï uwzglÚdniaÊ od poczÈtku istnienia witryny. Wspóïczynnik ukoñczonych zadañ. Zauwa alne jest te odchodzenie od korzystania z danych na temat strumieni klikniÚÊ (powiÈzanych z wy wietlaniem stron) w kierunku pomiaru udanego ukoñczenia zadañ. Firmy czÚsto majÈ witryny pomocy technicznej z bazÈ wiedzy, listami odpowiedzi na czÚsto zadawane pytania (ang. frequently asked questions — FAQ) i tak dalej. W dawnym podej ciu sukces mierzono za pomocÈ narzÚdzi do analizy strumieni klikniÚÊ, uwzglÚdniajÈcych wszystkie osoby, które zobaczyïy artykuï z bazy wiedzy lub listÚ FAQ. Jednak czy sam fakt wy wietlenia przez u ytkownika dïugiej i skomplikowanej odpowiedzi oznacza sukces? Powodzenie w wiÚkszo ci przypadków bardzo trudno jest okre liÊ na podstawie wy wietlonych stron. WyjÈtkiem sÈ witryny sklepów internetowych, w których wy wietlenie strony 42 z podziÚkowaniami po zïo eniu zamówienia mo na uznaÊ za udane ukoñczenie ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO zadania. W nowym podej ciu zestaw analiz danych internetowych wzbogacono o bardziej zaawansowane dane jako ciowe, które pozwalajÈ zrozumieÊ, czy klienci ukoñczyli zadania i znale li to, czego szukali. Na tej podstawie mo na podejmowaÊ dziaïania, poniewa nie ma wÈtpliwo ci, czy wy wietlenie strony doprowadziïo do zrealizowania celu. Wystarczy zapytaÊ (za pomocÈ ankiety, laboratoryjnych testów u yteczno ci lub testów w witrynie), a nastÚpnie podjÈÊ dziaïania na podstawie uzyskanych odpowiedzi. Trendy w zachowaniach segmentów u ytkowników. Niewiele dostÚpnych obecnie narzÚdzi umo liwia segmentacjÚ danych po ich zarejestrowaniu. W dawnym podej ciu u ywano atrybutów w znacznikach JavaScript. Teraz dostÚpne sÈ narzÚdzia firm ClickTracks i Visual Sciences (ich ceny bardzo siÚ ró niÈ) umo liwiajÈce prawdziwÈ segmentacjÚ danych, dziÚki czemu nie trzeba sprawdzaÊ redniego czasu wizyty w witrynie, najczÚ ciej szukanych sïów kluczowych lub popularnych tre ci z uwzglÚdnieniem wszystkich u ytkowników. NarzÚdzia te umo liwiajÈ podziaï klientów na grupy i rejestrowanie ich zachowañ w sensowny sposób, co pozwala na du o lepsze zrozumienie interakcji u ytkowników z witrynÈ. Prowadzi to do praktycznych wniosków, na których mo na oprzeÊ dalsze dziaïania. Wielokanaïowe analizy skutków. Powa nÈ wadÈ tradycyjnej analizy danych internetowych byïo oparcie jej na silosie (czyli na danych o strumieniu klikniÚÊ w witrynie). Jednak bardzo nieliczne firmy, niezale nie od ich rozmiaru, wiÈ È strategiÚ prowadzenia witryny i prowadzenie biznesu z silosem danych. Aby zrozumieÊ ogólny wpïyw kanaïu sieciowego, trzeba postrzegaÊ sieÊ WWW jako czÚ Ê wiÚkszego ekosystemu. Uzyskanie warto ciowych wniosków wymaga pomiaru wpïywu innych kanaïów (na przykïad reklam telewizyjnych i prasowych) na witrynÚ oraz witryny na inne kanaïy (na przykïad liczbÚ osób u ywajÈcych witryny, ale kupujÈcych produkty w zwykïym sklepie lub przez telefon).

Poszerzenie perspektywy oznacza, e dane z narzÚdzi do analizy danych internetowych pomagajÈ w analizach innego rodzaju (na przykïad analizach warto ci klienta w cyklu ycia osób pozyskanych wszystkimi kanaïami). Poprawia te jako Ê analiz dziÚki wïÈczeniu kluczowych informacji do analizy danych internetowych. Obok danych o strumieniu klikniÚÊ z ankiet i dotyczÈcych konwersji klientów poza internetem nie powinno zabraknÈÊ podstawowych metadanych na temat firmy. Wspóïcze ni analitycy yjÈ w czasach kluczowych analiz wniosków i powinni zdaÊ sobie sprawÚ, e ka da porcja danych ma wpïyw na dziaïania. Nie sÈ to jakiekolwiek operacje. Powinny to byÊ dziaïania, które przynoszÈ skutki oczekiwane przez klientów. (Warto zwróciÊ na to uwagÚ: nie sÈ to efekty po Èdane przez szefa analityków lub nawet przez jego przeïo onego, ale wa ne dla klienta). Wkroczenie w wiat wniosków wymaga czasu, jednak pokonanie tej bariery pozwala uzyskaÊ dïugoterminowÈ przewagÚ strategicznÈ (i powa nÈ premiÚ oraz promocjÚ, albo obie te korzy ci, dla analityka). 43 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Pomiar „co” i „dlaczego” Mo na wyobraziÊ sobie klienta wchodzÈcego do i wychodzÈcego z supermarketu. Je li ta osoba nic nie kupi, kierownicy sklepu prawdopodobnie nawet nie dowiedzÈ siÚ o jej istnieniu. Je li klient wyda pieniÈdze, wïa ciciele dowiedzÈ siÚ, e pewne produkty zostaïy sprzedane (je li u ytkownik korzysta z karty marketowej, uzyskajÈ wiÚcej informacji). Z perspektywy zbierania danych odwiedziny w witrynie internetowej wyglÈdajÈ zupeïnie inaczej. W ich trakcie klient pozostawia du o danych niezale nie od tego, czy co kupi, czy nie. Witryna mo e zarejestrowaÊ ka dÈ „alejkÚ”, w którÈ wejdzie klient, wszystkie oglÈdane produkty, czas czytania ka dej „etykiety”, przedmioty umieszczone w koszyku i usuniÚte z niego, a tak e liczne inne informacje. Je li klient w koñcu co kupi, mened er witryny bÚdzie wiedziaï, gdzie mieszka u ytkownik, skÈd trafiï na witrynÚ, jakie promocje go interesujÈ, ile razy kupiï co wcze niej i tak dalej. Je li klient po prostu wejdzie do witryny i opu ci jÈ, wïa ciciel mimo to pozna wszystkie jego dziaïania i kolejno Ê ich wykonywania. Mam nadziejÚ, e udaïo mi siÚ zademonstrowaÊ istotnÈ przewagÚ sieci WWW w obszarze zbierania danych na temat odwiedzajÈcych. Wszystko to jest mo liwe bez naruszania podstawowych zasad prywatno ci (dlatego na przykïad wiÚkszo Ê witryn nie zarejestruje informacji o odwiedzinach Avinasha Kaushika, ale osoby o identyfikatorze 159ar87te384ae8137 zapisanym w pliku cookie). Ponadto obecnie istnieje bardzo du a liczba narzÚdzi, które bïyskawicznie tworzÈ raporty obejmujÈce wszelkie dane internetowe, wy wietlajÈ je za pomocÈ rozmaitych diagramów, wykresów, tabel, tabel przestawnych i zrzutów. Mo na sobie wyobraziÊ, jak skomplikowana jest analiza wszystkich tych informacji.

Jednak niezale nie od u ywanych narzÚdzi dane mogÈ jedynie pomóc w zrozumieniu tego, co siÚ dzieje. Nie pozwalajÈ natomiast — niezale nie od zakresu przetwarzania danych — okre liÊ, dlaczego co siÚ wydarzyïo. DostÚpne sÈ klikniÚcia, strony, czas odwiedzin w witrynie, cie ki, promocje, wspóïczynniki rezygnacji i tak dalej. Wa ne jest, aby pamiÚtaÊ, e dane te nie odpowiadajÈ na szereg kluczowych pytañ. Dlaczego odwiedzajÈcy klikali okre lone elementy? Dlaczego u ytkownicy na jedne strony wchodzili, a inne omijali? Dlaczego 50% klientów porzuciïo koszyk? Dlaczego 90% osób czyta odpowied na najbardziej popularne pytanie na stronie pomocy technicznej, a nastÚpnie i tak dzwoni do firmy? Dane nie odpowiadajÈ na pytanie dlaczego. Dlatego tak istotne sÈ dane jako ciowe, które pomagajÈ zrozumieÊ przyczyny. Na tym polega ró nica miÚdzy 99% obecnych analiz witryn internetowych prowadzÈcych do bardzo nielicznych wniosków a 1% analiz, które pozwalajÈ 44 zrozumieÊ sposób my lenia klientów. ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO PoïÈczenie odpowiedzi na pytania co (analiza ilo ciowa) i dlaczego (analiza jako ciowa) mo e okazaÊ siÚ wyjÈtkowo skuteczne. Kluczowa jest tak e umiejÚtno Ê zebrania wszystkich danych na temat strumieni klikniÚÊ i ich dogïÚbnej analizy. Pozwoli to doj Ê do wniosków prowadzÈcych do istotnych zmian w witrynie, które zwiÚkszÈ komfort pracy u ytkowników. DostÚpnych jest wiele danych jako ciowych (odpowiadajÈcych na pytanie dlaczego). SÈ to miÚdzy innymi: x popularno Ê marki i opinie na jej temat, x zadowolenie klientów, x wska niki sieciowego marketingu szeptanego, x analizy otwartych wypowiedzi klientów, x zaanga owanie odwiedzajÈcych, x przywiÈzanie klientów, x „puls blogów”. Niektóre z wymienionych danych dotyczÈ interakcji klientów z witrynÈ, inne wska niki mierzÈ opinie i zachowania u ytkowników w miejscach innych ni dana witryna, a jeszcze inne zwiÈzane sÈ z cechami miÚkkimi, na przykïad postrzeganiem marki. ChoÊ analiza jako ciowa ma wiele odmian, prawdopodobnie najwa niejszym wska nikiem z tej grupy jest interakcja klientów (odwiedzajÈcych) z witrynÈ internetowÈ. Pierwszy krok na drodze do kluczowych analiz wniosków powinien polegaÊ na zrozumieniu wszystkich aspektów interakcji klientów z witrynÈ. Mo e to doprowadziÊ do szybszego wysnucia praktycznych wniosków i wywarcia istotnego wpïywu na proces podejmowania decyzji. Obecnie du o mówi siÚ o „modnych” wska nikach, takich jak warto Ê lub wpïyw marki oraz „puls blogów”. Te miary

mogÈ byÊ drugim lub trzecim przystankiem w podró y, poniewa koncentracja na nich mo e prowadziÊ do nieoptymalnego wykorzystania czasu i zasobów, je li analityk wcze niej dobrze nie zrozumie elementów wpïywajÈcych na zadowolenie klienta i udane wykonywanie przez niego zadañ w witrynie. Jest wiele metod zbierania danych jako ciowych (odpowiadajÈcych na pytanie dlaczego). SÈ to miÚdzy innymi: x laboratoryjne testy u yteczno ci (uczestnicy wykonujÈ zadania z pomocÈ badacza lub samodzielnie), x odwiedziny w siedzibie klienta (obserwacja u ytkowników w ich „ rodowisku naturalnym”), x testy i eksperymenty (jest to modna ostatnio technika obejmujÈca testy A/B i wielu zmiennych), x nieustrukturyzowane rozmowy na odlegïo Ê (zdalne komunikowanie siÚ 45 z klientem w czasie, kiedy korzysta on z witryny; do komunikacji sïu È KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH takie narzÚdzia, jak Ethnio), x ankiety (przodek wszystkich innych metod, wspomniany w omówieniu gïównego celu odwiedzajÈcych w poprzednim podrozdziale). Dla osób, które nie majÈ do wiadczenia w testach jako ciowych, ankiety to doskonaïy sposób na zapoznanie siÚ z tym obszarem. ChoÊ niektórzy twierdzÈ inaczej, metoda ta jest ïatwa w implementacji, mo na jÈ stosowaÊ stale, jest jednocze nie ilo ciowa, a wyniki pozwalajÈ zwykle wyciÈgnÈÊ wiele praktycznych wniosków. PoïÈczenie odpowiedzi na pytania dlaczego (cele, motywacje i tak dalej) oraz co (klikniÚcia, liczba odwiedzajÈcych) jest niezbÚdne jako podstawa udanego i prowadzÈcego do dziaïañ programu analizy danych internetowych. Metoda Trinity — nastawienie i podejście strategiczne Kilka lat temu, w czasie zmagañ z problemami w obszarze analizy danych internetowych, pojawiïa siÚ potrzeba zastosowania nowego paradygmatu, innego sposobu my lenia o analizie. Zastosowanie wielu wska ników KPI, raportów peïnych danych i du ej mocy obliczeniowej nie doprowadziïo do uzyskania oczekiwanych efektów. Od kilku lat niemal ka da witryna miaïa zainstalowany standardowy pakiet do analizy danych internetowych jednego z trzech czoïowych producentów, co umo liwiaïo generowanie raportów i doprowadziïo do ogïoszenia sukcesu w obszarze ich conocnego przygotowywania. Jak jednak powinien wyglÈdaÊ paradygmat, skoro zwykïe dziaïania nie doprowadziïy do wysnucia wniosków umo liwiajÈcych poprawÚ komfortu korzystania z witryny?

OdpowiedziÈ byïa metoda Trinity — nowy sposób my lenia o podejmowaniu decyzji na temat witryny, wykraczajÈcy poza strumienie klikniÚÊ. Trinity to tak e platforma, na której firma mo e oprzeÊ strategiÚ dziaïañ w sieci WWW. Jej zastosowanie gwarantuje mo liwo Ê zbudowania pierwszorzÚdnej platformy podejmowania decyzji, która zapewni przedsiÚbiorstwu trwaïÈ przewagÚ konkurencyjnÈ. GïównÈ przyczynÈ warto ci metody Trinity jest jej istota: praktyczne wnioski i miary (rysunek 1.6). 46 ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO Rysunek 1.6. Rozwiązywanie problemów pod kątem praktycznych wniosków i miar Celem tej strategii jest rezygnacja z raportów. Analityk nie powinien siÚ zastanawiaÊ, jak zarzucaÊ osoby podejmujÈce decyzjÚ raportami peïnymi danych. Praktyczne wnioski i miary to cel nadrzÚdny, poniewa umo liwiajÈ one strategiczne odró nienie siÚ od innych firm i uzyskanie trwaïej przewagi konkurencyjnej. Uzyskanie praktycznych wniosków wraz z jasnymi celami pomaga skonkretyzowaÊ dziaïania organizacji. Je li czynno ci wykonywane przez analityka (przygotowywanie raportów, analizy danych, spotkania, przeglÈdy i tak dalej) nie prowadzÈ do praktycznych wniosków, powinien z nich zrezygnowaÊ. Ta strategia zachÚca do wykonywania warto ciowych zadañ i jest doskonaïym sposobem na uïatwienie kluczowym osobom podejmowania decyzji w obszarze wykorzystania zasobów. Analizy zachowania Pierwszy komponent metody Trinity to analizy zachowania, które odpowiadajÈ tradycyjnym analizom strumieni klikniÚÊ (rysunek 1.7). Celem analiz zachowania jest wywnioskowanie (najdokïadniejsze jak to mo liwe przy dostÚpnych danych) celów klientów lub osób odwiedzajÈcych witrynÚ na podstawie wszystkich informacji o danej osobie. Nie nale y na ladowaÊ innych analityków i oczekiwaÊ zbyt wiele po strumieniu danych. Najlepsze, co mo na zrobiÊ z takim strumieniem, to próba ustalenia celu, i trzeba siÚ z tym pogodziÊ. Po zebraniu danych na temat strumieni klikniÚÊ nale y przeanalizowaÊ je na wy szym poziomie. Nie warto badaÊ wizyt, ïÈcznego czasu korzystania z witryny, liczby u ytkowników i stron wyj cia. W metodzie Trinity nale y skoncentrowaÊ

Rysunek 1.7. Analizy zachowania to próba zrozumienia celu klienta siÚ na analizie rozkïadu czÚstotliwo ci klikniÚÊ za pomocÈ raportu w formie nakïadki na witrynÚ. Nale y te przeprowadziÊ segmentacjÚ danych na n poziomów, aby doj Ê 47 do cennych wniosków. Warto te przeanalizowaÊ szukane wyra enia i to nie tylko KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH zewnÚtrzne, ale tak e wewnÚtrzne, ograniczone do witryny. Celem jest mÈdre przeprowadzenie analizy strumieni klikniÚÊ i rozpoczÚcie wnioskowania na temat celów osób odwiedzajÈcych witrynÚ. Wnioskowanie na temat celów ma pewnÈ wadÚ — dwie osoby mogÈ w odmienny sposób zinterpretowaÊ ten sam zbiór danych i klikniÚÊ. Zwykle wynika to z tego, e ka dy analityk ma wyjÈtkowÈ wiedzÚ i niepowtarzalne do wiadczenia. WielkÈ zaletÈ ustalenia, e najwa niejsze jest wnioskowanie na temat celów, jest mo liwo Ê wykonywania tego zadania, przedstawiania efektów wspóïpracownikom, sprawdzania poprawno ci przemy leñ, wyciÈgania ostatecznych wniosków i dawania zaleceñ. Analizy skutków Drugi element metody Trinity to analizy skutków (rysunek 1.8). Ja nazywam ten komponent „i co z tego?”. Ten komponent jest kluczowy z jednej prostej przyczyny: kiedy pod koniec dnia wszystko zostaïo ju powiedziane i zrobione, analityk chce poznaÊ skutki, jakie bÚdzie to miaïo dla klientów i firmy. Ten element eliminuje te jednÈ z kluczowych wad tradycyjnej analizy danych internetowych — nadmiernÈ koncentracjÚ na miarach opartych na strumieniu danych, po wiÚconych stronie, czasowi i odwiedzajÈcym. Poniewa analiza danych internetowych ma korzenie w analizie plików dziennika (które nigdy nie okre laïy skutków), od poczÈtku jej istnienia u ywano wielu danych i miar oprócz najwa niejszej — odpowiedzi na pytanie: „Co siÚ staïo, jakie sÈ skutki?”. Warto zadaÊ wïa cicielom witryny nastÚpujÈce pytanie: „Do czego sïu y wasza witryna?”. ZaskakujÈce jest, jak wielu z nich nie potrafi udzieliÊ odpowiedzi skïadajÈcej siÚ z mniej ni 15 sïów. Ten element metody Trinity pozwala zmierzyÊ, jak dobrze witryna speïnia cel swego istnienia.

48 ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO Rysunek 1.8. Drugi element metody Trinity — analizy skutków („i co z tego?”) Komponent ten dobrze mierzy zyski witryn sklepów internetowych (nie tylko ich poziom, ale te to, dlaczego przychody byïy takie, a nie inne) i wspóïczynnik konwersji. W witrynach pomocy technicznej pozwala okre liÊ szybko Ê rozwiÈzywania problemów i wska niki zwiÈzane z czasem. W witrynach sïu Ècych do zbierania list potencjalnych klientów ten element Trinity mierzy liczbÚ danych osobowych i ich jako Ê oraz zmiany w tym obszarze. Dla danej witryny lub firmy skutki mogÈ byÊ inne od tych wymienionych na rysunku, jednak prawie zawsze sÈ to miary zwiÈzane z dochodami i mo na je uwzglÚdniÊ w raportach finansowych firmy. Ka da witryna powinna istnieÊ w jasno okre lonym celu. Je li nie jest mo liwy pomiar wszystkich zwiÈzanych z nim niuansów, zalecam caïkowitÈ rezygnacjÚ z pomiaru zachowañ (strumienia klikniÚÊ). Je li analityk nie mo e solidnie zmierzyÊ skutków, adna analiza zachowania nie bÚdzie warto ciowa, poniewa nie wiadomo, czy wszystkie rosnÈce wykresy generowane przez u ywanÈ aplikacjÚ do analizy danych internetowych przekïadajÈ siÚ na powiÚkszenie warto ci firmy. Czy rezygnacja ze strumieni klikniÚÊ na rzecz wcze niejszego pomiaru skutków to ekstremalne rozwiÈzanie? Tak. Czy jest to konieczne? Pewnie. Analiza doświadczeń Trzeci i ostatni komponent metody Trinity to do wiadczenia (rysunek 1.9). Ten skïadnik pozwala uzyskaÊ cennÈ, ale trudnÈ do znalezienia odpowied na pytanie dlaczego. ChoÊ komponent skutków w metodzie Trinity jest niezbÚdny, pomiar do wiadczeñ jest prawdopodobnie najwa niejszy. Ka da firma, która popadïa w rutynÚ i mimo usilnych starañ nie potrafi doj Ê do praktycznych wniosków na podstawie

49 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Rysunek 1.9. Trzeci element metody Trinity — analizy doświadczeń (dlaczego) analizy zachowañ i skutków, powinna zainwestowaÊ w analizÚ do wiadczeñ. Pozwala to odpowiedzieÊ na pytanie dlaczego. Te analizy przynoszÈ ukojenie w trakcie ciÚ kiej pracy nad danymi ze strumieni klikniÚÊ. Trudno wybraÊ ulubione z dzieci, jednak dla mnie bez wÈtpienia analizy do wiadczeñ sÈ najcenniejsze. Wynika to z prostej przyczyny: analizy do wiadczeñ pozwalajÈ przeniknÈÊ my li klientów i zrozumieÊ, dlaczego wykonujÈ oni okre lone czynno ci. Jest wiele metod pozwalajÈcych zrozumieÊ do wiadczenia klientów z korzystaniem z witryny. Mo na u yÊ ankiet lub po prostu zadawaÊ pytania, a tak e zastosowaÊ bardzo zïo one techniki ilo ciowe i jako ciowe. Ankiety pozwalajÈ zmierzyÊ satysfakcjÚ klientów, a nawet przewidywaÊ przyszïe zachowania (prawdopodobieñstwo zakupu lub polecanie innym produktów albo usïug). W dalszej czÚ ci ksiÈ ki wyra nie widaÊ, e jestem gorÈcym zwolennikiem eksperymentów i testów (nale y pozwoliÊ klientom wyraziÊ ich preferencje) opartych na technice A/B i analizie wielu zmiennych. DostÚpne sÈ te tradycyjne techniki projektowania skoncentrowanego na u ytkowniku, na przykïad ocena heurystyczna. Mo na te wykorzystaÊ innÈ doskonaïÈ technikÚ: laboratoryjne testy u yteczno ci, lub odwiedziÊ klientów w ich siedzibie, co Scott Cook, zaïo yciel firmy Intuit, okre la jako istotÚ innowacji skoncentrowanych na kliencie. Uwaga: W rozdziale 3., „Przegląd analiz jakościowych” szczegółowo omówiono wszystkie metody projektowania skoncentrowanego na kliencie.

Wszystkie metody zwiÈzane z do wiadczeniami sïu È jednemu celowi — usïyszeniu przez firmÚ gïosu klientów, który w wiÚkszo ci korporacji ginie. Rozwiązania dla firm i klientów — sytuacja wygrany-wygrany W ostatecznym rozrachunku metoda Trinity ma prowadziÊ do dogïÚbnego zrozumienia do wiadczeñ klientów, aby móc wywoïaÊ optymalne zachowanie u ytkownika, które doprowadzi do sytuacji wygrana-wygrana dla firmy i klienta (rysunek 1.10). 50 ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO Rysunek 1.10. Zrozumienie doświadczeń w celu wywołania zachowań prowadzących do skutku wygrana-wygrana Wa ne jest ostatnie zdanie — metoda Trinity ma prowadziÊ do skutku wygrana-wygrana. Je li dla danego klienta odpowiednia jest wersja podstawowa, a nie profesjonalna, wïa ciciele witryny powinni pomóc odbiorcy to ustaliÊ i kupiÊ dopasowany produkt. To prawda, je li klient kupi wersjÚ profesjonalnÈ, w krótkim okresie zyski firmy bÚdÈ wiÚksze. Jednak mo liwe jest, e klient bÚdzie sfrustrowany, poniewa wersja ta oka e siÚ zbyt zaawansowana, dlatego nie wróci wiÚcej do sklepu. Ponadto podzieli siÚ negatywnymi opiniami z innymi osobami. Jednak je li firma pomo e mu w zakupie odpowiedniej, podstawowej wersji, klient za rok powróci, aby kupiÊ wersjÚ profesjonalnÈ. Metoda Trinity pozwala osiÈgaÊ korzy ci dïugoterminowe. Nale y zrozumieÊ potrzeby i oczekiwania klientów, a nastÚpnie przygotowaÊ rozwiÈzania pod ich kÈtem. Stosowanie metody Trinity umo liwia osiÈgniÚcie sukcesu, a rozwiÈzywanie problemów klientów, kiedy ju wiadomo, czym one sÈ, jest zwykle bardzo proste. Ka dy komponent metody Trinity jest wspomagany przez ró ne narzÚdzia. Podej cie to obejmuje ró ne techniki i wykorzystuje powtarzalne procesy.

Co najwa niejsze, stosujÈce jÈ osoby muszÈ mieÊ zestaw kluczowych umiejÚtno ci. Samo nastawienie nie prowadzi do rozwiÈzania problemów (choÊ pozwala wkroczyÊ na dobrÈ drogÚ). Stosowanie strategicznej metody Trinity zwiÈzane jest z utworzeniem odpowiedniej struktury organizacyjnej i rozwiniÚtej kultury. Budowanie zintegrowanej platformy Trinity Nie mo na utworzyÊ caïej platformy w jeden dzieñ. Zwykle nale y zdiagnozowaÊ obecny stan, a nastÚpnie doïÈczyÊ brakujÈce elementy. Trzeba siÚ upewniÊ, e plan realizacji strategii i dziaïañ powdro eniowych umo liwia analitykom poïÈczenie wszystkich elementów metody Trinity (rysunek 1.11). Zapewni to firmie znacznÈ przewagÚ konkurencyjnÈ. 51 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Rysunek 1.11. Zintegrowana strategia Trinity (klucze podstawowe umożliwiają powiązanie najważniejszych silosów z danymi) Je li odwiedzajÈcy skïadajÈ zamówienia lub przesyïajÈ dane kontaktowe za pomocÈ witryny, w bazie danych z zamówieniami mo na zapisaÊ anonimowe elementy ledzÈce, na przykïad tymczasowe identyfikatory session_id i cookie_id. Pozwala to przeprowadziÊ zaawansowane analizy skutków z podziaïem na segmenty, a tak e przeanalizowaÊ zachowania prowadzÈce do tych skutków.

Identyfikatory session_id (ponownie anonimowe) mo na przekazywaÊ tak e do narzÚdzia obsïugujÈcego ankiety, co pozwala na podstawie ich wyników wydzieliÊ segment najbardziej niezadowolonych klientów. NastÚpnie mo na wykorzystaÊ narzÚdzie do analizy danych internetowych i przeanalizowaÊ strumienie klikniÚÊ, aby ustaliÊ, które strony oglÈdali klienci zadowoleni, a co zobaczyli u ytkownicy niezadowoleni. Mo na te sprawdziÊ, które elementy witryny najbardziej wpïywajÈ na satysfakcjÚ klientów i tak dalej. W wiecie, w którym perspektywa analityczna byïa powa nie ograniczona przez stosowanie samych narzÚdzi do analizy danych internetowych i strumieni klikniÚÊ, platforma Trinity wzbogaca dostÚpne dane, pomaga naprawdÚ zrozumieÊ klientów, a tak e umo liwia szczegóïowÈ analizÚ danych w celu uzyskania ogólnych wniosków. Prowadzi to do wiÚkszego zadowolenia klientów i wy szych zysków firmy. Ponadto sam analityk jest szczÚ liwy, poniewa w koñcu mo e zmierzyÊ siÚ z analizÈ danych 52 jako ciowych i ilo ciowych z wielu sesji — co za frajda! ROZDZIA 1: WEB ANALYTICS DZI¥ I JUTRO PlatformÚ Trinity mo na stosowaÊ do dowolnych odmian biznesu internetowego: witryn sklepów internetowych, pomocy technicznej, promocji, organizacji non-profit, maïych firm i tak dalej. WiÚcej szczegóïów, a tak e przykïady wykorzystania metody Trinity do danego typu biznesu zawiera rozdziaï 6., „MiesiÈc 1. ZgïÚbianie najwa niejszych zagadnieñ z obszaru analizy danych internetowych”.

Godzina dziennie z Web Analytics. Stwórz dobrą strategię e-marketingową

0 comments

Notes on slide 1

Favorites, Groups & Events