* Naucz się myśleć jak użytkownik witryny
* Poznaj i zastosuj zaawansowane techniki analityczne
* Wykorzystaj gotowe rozwiązania do pomiaru stron
Czy potrafisz odpowiedzieć na pytanie, ile osób dziennie odwiedza Twój serwis lub blog? Jak długo przebywają w Twoim sklepie i która strona przyciąga najwięcej klientów? Jeżeli jesteś w stanie przytoczyć te dane, z pewnością korzystasz z narzędzi pozwalających na analizę ruchu na Twojej witrynie. Jeżeli jednak nie masz bladego pojęcia, jak interpretować i wykorzystać te informacje, dzięki tej książce również i Ty zaczniesz efektywnie korzystać ze statystyk! Analizy ruchu na stronie oferuje wiele źródeł, jednak dopiero usługa uruchomiona przez Google Analytics w 2005 roku sprawiła, że zaawansowane narzędzia stały się dostępne dla przeciętnego webmastera.
Autor tej niezwykłej książki - Avinash Kaushik, pracownik firmy Google - pokaże Ci krok po kroku, jak opracować skuteczną strategię analizy danych internetowych. Przekonasz się, że wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawić wyniki oglądalności i dochody Twojego serwisu. Dowiesz się między innymi, w jaki sposób zbierać dane do analizy, oraz poznasz dostępne analizy jakościowe. Ponadto zrozumiesz kluczowe elementy skutecznej strategii analizy danych internetowych oraz nauczysz się przeprowadzać tę analizę. W kolejnych rozdziałach zapoznasz się także z dostępnymi miarami, analizą w obszarze wyszukiwania, sporządzaniem raportów czy też analizowaniem witryn z nurtu Web 2.0. Po przeczytaniu tej książki podejmowanie decyzji na podstawie dostępnych danych nie będzie dla Ciebie żadnym problemem!
* Historia analiz danych internetowych
* Analizy zachowania, skutków i doświadczeń
* Sposoby zbierania danych do analizy
* Pozyskiwanie danych na temat konkurencyjności
* Dostępne analizy jakościowe
* Elementy skutecznej strategii analizy danych internetowych
* Najlepsze praktyki w tym zakresie
* Wybór optymalnego narzędzia do prowadzenia analiz
* Dostępne miary w analizie danych internetowych
* Pomiar kosztów oraz zwrotu z inwestycji
* Ustalanie czytelników serwisu
* Analiza w obszarze wyszukiwania
* Analiza skuteczności kampanii PPC
* Analiza skutków marketingu e-mailowego oraz wielokanałowego
* Opracowanie skutecznych raportów podsumowujących
* Zastosowanie procesu DMAIC
* Analiza stron z nurtu Web 2.0
* Mity z obszaru analizy danych internetowych
* Obliczanie współczynnika konwersji
* Pozyskiwanie konsultantów oraz ekspertów wewnętrznych
Zwiększ popularność swojej witryny dzięki efektywnym analizom danych internetowych!
Godzina dziennie z Web Analytics. Stwórz dobrą strategię e-marketingową
1. 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!
2. 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
3. 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
4. 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
5. 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
6. 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
7. 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
8. 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
9. 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 „
10. 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]
11. 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)
12. 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
13. 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”.
14. 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
15. 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
16. 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
17. 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.
18. 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.
19. 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).
20. 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
21. 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).
22. 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.
23. 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
24. 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?
25. 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
26. 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.
27. 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