Blog - titulní stránka

Proč přejít na Universal Analytics? Protože chcete!

Ta druhá odpověď na úvodní otázku, proč přejít na Universal Analytics, je delší a složitější. Nejen, že musíte přejít na Universal Analytics. Existuje mnoho dobrých důvodů, proč to budete chtít udělat – až si přečtete celý tento článek. Pouze s implementací nových měřících kódů Universal Analytics totiž můžete využít mnoho nových, pokročilých vlastností, které jsou uvedeny níže. Takže začínáme!

1) Enhanced Ecommerce

Pro eshopy je tím nejdůležitějším motivem okamžitého přechodu na Universal Analytics a nové implementace měřících kódů celá sada nových reportů pod označením Enhanced Ecommerce. Zatímco dříve jste v rámci ecommerce reportů viděli pouze samotný nákup, nyní lze měřit celou sekvenci událostí od zobrazení produktu v nějakém seznamu (např. výpis vyhledávání nebo kategorie), po zobrazení detailu produktu, přidání či odebrání z košíku, navazující kroky nákupního košíku až po samotnou transakci.

ecommerce

Lze tak konečně sledovat produkty od začátku až do konce a to na úrovni jednotlivých produktů, nebo agregovaně na úrovni až pěti produktových kategorií a dalších atributů, které lze měřit do vlastních dimenzí a metrik.

Součástí Enhanced Ecommerce a zároveň zajímavou novinkou v oblasti machine learningu v Google Analytics je také report tzv. related products (dostupný pouze skrz Reporting API, nikoliv reporty v UI). Ve zkratce jde o automatickou detekci produktů, které zákazníci často nakupují dohromady. Ukázkový příklad z tohoto reportu níže identifikuje vysokou korelaci mezi dvěma produkty z českého eshopu: testem na HIV a testem na syfilis.

Related Products

2) Custom dimenze a metriky

Možnost sbírat na webu specifická data, která se týkají pouze vašeho businessu, je jednou z oblastí, kde se odlišují pokročilé analytické nástroje od jednoduchých počítadel návštěvnosti.

Adobe Analytics (dříve Omniture) již dávno umožňoval sbírat 75 propů a 75 eVarů. Jsou to proměnné, do kterých lze ukládat jakákoliv vlastní data nad rámec toho, co je ve webové analytice považováno za standard (timestamp, URL, browser atd.). Typicky se tedy jedná o parametry produktu, stavové hodnoty webu a aplikací (např. parametry hledání, filtrů, košíku), kontextové informace (např. aktuální počasí) a data o zákaznících (např. demografické údaje). Jednoduše řečeno, pokud prodáváte hypotéky, zajímají vás jiné produktové parametry než vašeho kamaráda, který prodává zájezdy.

CD

Google Analytics před lety nabízel pouze jednu takovou vlastní proměnnou, tzv. user defined value. Poté přibylo 5 custom variables. A konečně s Universal Analytics máte dnes k dispozici 20 custom dimenzí a 20 custom metrik (v Google Analytics Premium je to 200 a 200).

Možnost sbírat vedle standardních dat z webu i vlastní data o produktech a zákaznících otvírá zcela nové možnosti pro reporting a analytiku. Web developera zajímá podíl browserů v návštěvnosti, proto mu stačí standardní webová analytika. Marketéra ale spíše zajímá, jací zákazníci chodí na web a o jaké produkty mají zájem. Universal Analytics lze naimplementovat tak, aby i marketér našel v reportech odpovědi na svoje otázky (např. Jaká je průměrná výše hypotéky podle jednotlivých akvizičních kanálů?).

3) Import dat

Vlastní dimenze a metriky nemusíte sbírat do Universal Analytics jen přímým voláním z webu. Například pokud máte bohatý produktový katalog, kde atributy jednotlivých SKU jsou relativně stálé (např. výrobce pračky) nebo jsou naopak některé údaje důvěrné (např. marže na produktu), můžete využít import dat.

Z webu lze odesílat jediný údaj v rámci Enhanced Ecommerce, a to SKU produktu. Ostatní atributy lze importovat do vlastních dimenzí a metrik skrz konfiguraci v administraci Universal Analytics. Výhodou je, že z klienta přenášíte naprosté minimum dat, tato data jsou „neviditelná“ pro kohokoliv, kdo by se chtěl šťourat ve vaší implementaci a můžete ušetřit práci IT, protože vše si obsloužíte sami z administrace. Importovat data lze mimo již zmíněné produkty také ke kampaním, uživatelům, stránkám webu a lze takto např. i refundovat ecommerce transakce.

Data import

4) Measurement protocol

Doslova revoluční inovací Universal Analytics je tzv. measurement protocol. Je to vlastně způsob, jak lze posílat data do Universal Analytics přímým voláním serverů Google skrz HTTP requesty. To znamená, že nepotřebujete javascript a measurement protocol tak lze používat defacto z jakéhokoliv zařízení nebo aplikace. Navíc lze takto data předávat dávkově a asynchronně, tj. mimo interakci uživatele.

Tento princip se používá při sběru dat v mobilních aplikacích, protože ty lze používat i bez připojení k internetu. Data se tak ukládají lokálně v mobilním zařízení a v online režimu se pak dávkově přenesou na servery Google.

Stejně tak synchronizace dat z firemního CRM může být díky measurement protocolu realizována v denních dávkách. Párování dat je zajištěno skrz identifikaci anonymního návštěvníka (ClientID) nebo autentifikovaného uživatele (UserID). Takto lze do Universal Analytics posílat např. offline konverze, kdy na webu vzniká jen nezávazná poptávka a skutečný prodej se realizuje až po podpisu smlouvy.

Jako poslední reálný use case stojí za zmínku sběr dat v aplikacích jako je např. internetové bankovnictví nebo checkout v eshopu. V tradičním způsobu, který využívá javascript, putují data cestou od vašeho serveru přes browser uživatele na servery Google. Browser uživatele je v tomto případě nejslabší článek. Díky measurement protocolu lze zajistit přímý přenos citlivých dat mezi vaším serverem a servery Google, a máte tak naprostou kontrolu nad obsahem i přenosem těchto dat.

Sběr dat z elektroměrů, kávovarů, chytrých brýlí a všech možných senzorů je – byť již zcela možnou a funkční – zatím spíše experimentální záležitostí.

5) UserID

Celá plejáda již popsaných inovací v Universal Analytics se pomalu začíná sbíhat dohromady. Další v řadě je totiž tzv. UserID. Je to způsob, jak párovat jednotlivé návštěvy, události a další data ke konkrétnímu autentifikovanému uživateli. K tomuto uživateli pak můžete sledovat vlastní dimenze a metriky (scope = user) a to přímo z webu díky knihovně analytics.js, z mobilní aplikace skrz mobilní SDK (Android a iOS), importu dat nebo i measurement protocolu. Můžete své uživatele sledovat v čase, napříč zařízeními i online a offline. Zapomeňte na webovou analytiku, jak ji nyní znáte. Tohle je začátek zcela nové dimenze sledování a chápání tzv. customer journey.

Multi-Channel Funnel (MCF)

6) Remarketing

Konečně, když už budete mít tolik dat k jednotlivým uživatelům, přijde čas je nějak využít – personalizovaným cílením reklamního sdělení ať už v banneru, na webu, v emailu nebo jiném outbound kanálu. Universal Analytics přimo podporuje (zatím?) ten první případ. Už dnes můžete vybrat segment lidí (tzv. publikum), který je pro vás zajímavý a chcete ho znova oslovit skrz remarketing. Například prodejce hypoték se speciálně zaměří na segment lidí, kteří si na webu spočítali nadprůměrně vysokou hypotéku.

Pojďme ale dále. Pokud již dnes realizujete v CRM nějakou formu prediktivního modelování (lead scoring, next best offer apod.), můžete tuto predikci přece sdílet do Universal Analytics! A co je v Universal Analytics, nad tím lze definovat segment a ten zacílit v remarketingu. Pokud vám tedy lead scoring identifikuje segment uživatelů, u kterých vychází nízká pravděpodobnost nákupu, můžete do banneru přihodit nějakou extra incentivu. Banner se pak bude točit skrz Adwords v GDN nebo skrz Doubleclick kdekoliv v RTB prostoru.

predictive remarketing

7) _____________­_________

Napište si do komentářů o další funkce, které vám v Google Analytics ještě chybí. Než naimplementujete Universal Analytics a výše uvedené, je dost dobře možné, že Google už stačí proměnit vaše přání ve skutečnost. To tempo rozvoje a inovací je neskutečné a můžu prozradit, že v roce 2015 se máme zase na co těšit!

Pokud chcete využívat výhody Universal Analytics co nejdříve, ozvěte se nám ještě dnes. Nebo si počkejte na další pokračování – příště vám ukážu odkazy na nejzajímavější popsané implementace, které využívají některou z výše uvedených inovací v Universal Analytics.

Související články:

Post to Twitter  

Napište první komentář!

Chytrý e-mailing: Jak utržila Lékárna.cz za 1 den 350 000 Kč?

E-mailing je bezesporu jeden z nejefektivnějších online marketingových kanálů. Dnes vám ukážeme, jak být skutečně efektivní v poměru vynaloženého úsilí a dosažených výsledků. Tak tedy, jak se nám podařilo za pouhý 1 den práce přinést jednomu z našich klientů na tržbách 350 000 Kč?

 

„Potřebujeme udržet zákazníky!“

Lékárna.cz je jedním z našich klientů, kterým poskytujeme chytrý e-mailing od A do Z – od návrhu a plánování strategie a cílů, přes implementaci, realizaci pravidelných kampaní, tvorbu UX návrhů či grafických newsletterů, až po A/B testování, analytiku, vyhodnocení a opětovné testování. Podporujeme iterativní vývoj projektu!


A co víc, s Lékárnou je radost pracovat. Za poslední rok udělala (nejen) v rámci svých online procesů takový pokrok, že by jí na českém trhu mohl kdekdo závidět. Ani nás proto v Optimics nepřekvapuje, když sami přichází s návrhy na zefektivnění kampaní. A nejinak tomu bylo i nedávno, kdy jsme od Lékárny dostali jasné zadání: „Potřebujeme udržet zákazníky!“. Tak jsme se dali do práce.

O den později… jsme spustili první retenční kampaň.

„Pokud nenakoupí u vás, nakoupí jinde“

Jistě netřeba připomínat, že náklady na získání nových zákazníků jsou několikanásobně vyšší než náklady na udržení těch stávajících. Retence je tedy jedním z ideálních prostředků, jak generovat dlouhodobý zisk i tam, kde vaše konkurence strádá (anebo ani neví, že strádá). Rovnice je pak poměrně jednoduchá: nevyužíváte retenční kampaně = váš bývalý zákazník nakupuje jinde.


S nástrojem pro chytrý e-mailing jsme u nás v Optimics schopni například:

  1. doručit kteroukoliv kampaň správným cílovým skupinám, a to segmentovaně
  2. načasovat rozeslání e-mailu dle chování zákazníka – jeho nákupní historie, behaviorálních dat či zapojení na webu
  3. naplánovat odeslání kampaně na každý den (nebo dle jiného cyklu), a to vždy pro daný segment
  4. využívat personalizace a dynamického obsahu e-mailů dle zákazníka. Oslovovat příjemce jménem, zobrazit jeho nejčastěji kupovaný produkt či jedinečný slevový kód, doručit kreativu e-mailu dle pohlaví nebo věku příjemce – to je jen začátek.
  5. realizovat i specifické kampaně, které každý den automaticky generují menší tržby. V ročním součtu jde ale již o velká čísla!
  6. testovat, testovat a testovat – A/B testování a vyhodnocování kampaní, incentiv, předmětů či kreativ je u nás na denním pořádku.
  7. automatizovat rozesílku e-mailů a jejich logiku. Kampaň nastavíme jednou a následně již běží zcela sama (čtěte: generuje tržby bez vašeho úsilí).

Se svolením Lékárny jsme pro vás připravili ukázku naší práce. Chceme vám odkrýt karty, ba dokonce vyložit kanastu! Chceme vám ukázat, jak pracujeme; jak jsme při návrhu e-mailové retenční kampaně postupovali; jaké nástroje používáme a jak dlouho nám realizace takové kampaně od zadání po spuštění trvá.

Pro zjednodušení můžeme přípravu retenční kampaně rozdělit do tří základních kroků:
  1. stanovení strategie a cíle,
  2. realizace šablony e-mailu (kreativa, textace, incentiva…) a segmentu,
  3. příprava kampaně v e-mailingovém nástroji.
První dva kroky nejsou pro účely tohoto článku stěžejní, přesto alespoň okrajově nastíníme náš postup.


Bod jedna byl nalinkovaný. Cílem bylo zachytit nového zákazníka, který na Lékárna.cz nakoupil poprvé a delší dobu neuskutečnil další objednávku. Délka časového rozmezí mezi objednávkami bezpochyby závisí na mnoha faktorech – životním cyklu zákazníka a produktů (služeb), segmentu zákazníků, ročního období, počasí… Vzhledem k obchodnímu segmentu Lékárny jsme vyčkávací lhůtu pro začátek stanovili na 35 dnů od poslední (resp. první) objednávky zákazníka. Průběh kampaně je tedy následující: zákazník poprvé nakoupí a déle jak měsíc neučiní další objednávku → odeslat retenční e-mail.

„Probuďte dřímající zákazníky, nebo usnou“

Druhý krok jsme měli ještě o něco jednodušší – využili jsme kostru stávající e-mailové šablony Lékárny, upravili textaci a její tón, a doplnili incentivu. Ostatně, komunikujeme se zákazníkem, který delší dobu nenakoupil a má proto svůj důvod. Chceme mu dát najevo, že je pro nás důležitý (a to je!) a možná jej chceme motivovat: slevou, dárkem, pozorností. Výběr správné incentivy je kapitola sama o sobě; pro ukázku si však můžeme pomoci personou – typickým zástupcem cílové skupiny / cílových skupin.


Jak bychom mohli personu pro účely retenční kampaně charakterizovat?
Marie Nováková, 31 let, matka ročního dítěte, na mateřské, miluje svou rodinu, ale zároveň si ráda užívá život; jezdí na kole, občas vyrazí s manželem do kina a když jí výjimečně vyjde čas, pečuje i o svůj zevnějšek, aby byla i nadále krásná. Jako matce jí ale na sebe příliš času nezbývá. Když nakupuje, objednává ve velkém pro celou rodinu, aby ušetřila za dopravu.

Co myslíte – potěší Marii více, když jí dáme na druhý nákup 10% slevu, dopravu zdarma, nebo k objednávce zdarma přibalíme testovací vzorek nového parfému Gucci?

Už vidím les rukou! Pro každý motivátor jistě najdete plusy a mínusy, ale asi se shodneme, že jednoznačný vítěz se hledá stěží. A/B testování, které máme tolik v oblibě, vám pomůže v identifikaci atraktivity incentivy s vysokou mírou pravděpodobnosti.

Máme stanoven základ strategie, cíl, finální kreativu kampaně včetně textace i lákavé incentivy. Míříme do finále. Třetím krokem otevíráme náš e-mailingový nástroj Maxemail z dílny britských Emailcenter UK. Maxemail nám pomůže uskutečnit vaše retenční sny – podívejte, jak je to jednoduché:

sablona

Abychom mohli spustit retenční kampaň, vytvoříme si recurring e-mail a naimportujeme připravenou HTML šablonu. E-mail zároveň doplníme o prvky personalizace – oslovení křestním jménem zákazníka v těle e-mailu i předmětu, a slevový kód pro uplatnění motivátoru. (Na obrázku pouze výřez šablony.)

preview_email

V Maxemailu ihned vidíme šablonu naplněnou reálnými daty ze zákaznické databáze. Kontrola vizuálu e-mailu či prezentované incentivy pro kteréhokoliv konkrétního zákazníka nemůže být jednodušší.

segment

Retenční e-mail máme připraven. Nyní nastavíme soubor pravidel, která definují segment zákazníků, jimž chceme retenční kampaň zasílat. Stanovili jsme si pravidla „nakoupil poprvé před 35 dny“, pamatujete? K naplnění pravidel nám stačí dvě kritéria – datum poslední objednávky bylo přesně před 35 dny (relativně) a počet objednávek se rovná jedné.

nastaveni_segmentu

Vytvořený segment přiřadíme k našemu e-mailu – Maxemailu tím jednoduše říkáme „odesílej retenční kampaň pouze námi definovanému segmentu zákazníků“, nikomu jinému.

recurring

Čeká nás poslední krok – nastavit pravidelné opakování kampaně s denní frekvencí. Chceme přeci každý den oslovit zákazníky, kteří před 35 dny nakoupili poprvé a od té doby nenakoupili. Automatizace je dalším prvkem, bez kterého bychom se neobešli. Průběžná rozesílka kampaně se řídí dle kritérií, která definujeme jen jednou – odeslání retenčního e-mailu tedy probíhá automaticky a navíc přesně tehdy, kdy je to relevantní pro zákazníka. Kampaň je připravena. Za zvuku fanfár už jen stačí stisknout tlačítko Set to Approved…

Stačilo 1 den práce na realizaci kampaně, která vygenerovala tržby 350 000 Kč. Zatím. Každý den se automaticky odešle retenční kampaň – bez jakékoliv další práce či vašeho úsilí. Oslovíte zákazníka, kterého byste jinak ztratili. Zákazníka, který jinak nakoupí u konkurence.

I vy můžete realizovat stejnou kampaň. Nebo dokonce celou sérii kampaní! Stačí si vybrat správného partnera na chytrý e-mailing. :-)

 

Související články:

Post to Twitter  

Komentáře: 5

Jak na rozhodovací stromy

K čemu jsou rozhodovací stromy dobré?

Rozhodovací stromy jsou rozšířeným a užitečným nástrojem strojového učení určeným pro úlohy klasifikace a predikce. Princip klasifikace funguje tím způsobem, že ke všem existujícím datovým záznamům (zákazníkům, návštěvníkům, produktům, dnům, …) zvolíme jeden cílový atribut (label), zpravidla v binární podobě Ano / Ne (1/0) – například zda od nás zákazník odešel nebo zda u nás stále nakupuje. Rozhodovací strom se poté “naučí”, jaké kombinace ostatních zákaznických atributů v datech (např. čas od posledního nákupu, věk, preferovaná produktová kategorie, počet nákupů atd.) vedou k tomu, zda nás zákazník opustil nebo ne.

Strom naučený na historických datech lze poté jednoduše využít k predikci toho, kteří z našich stávajících zákazníků s nejvyšší pravděpodobností odejdou a můžeme se tomu pokusit včas zabránit (například dobře mířenou slevou, telefonátem atd.). Varianty tohoto algoritmu umožňují klasifikovat nejen binární veličiny, ale také cílové atributy s více než dvěma kategoriemi (tato varianta se nazývá C4.5), případně dokáží predikovat i spojité veličiny (v tom případě mluvíme o regresních stromech).

V tomto návodu se podíváme na to, jak si takový strom jednoduše připravit sami. Zde je pro představu několik možných využití:

  • včasné odhalení odcházejícího zákazníka
  • detekce spamu pro příchozí emaily
  • nalezení podezřelých bankovních transakcí
  • predikce budoucí platební (ne)schopnosti klientů
  • identifikace zákazníků se zájmem o prémiové produkty
  • odhad konverzní míry nových produktů
  • určení kombinace faktorů, které mají klíčový vliv na sportovní výkon

Proč zrovna stromy?

Strojové učení nabízí řadu dalších a komplexnějších algoritmů pro klasifikaci a predikci proměnných. Proč tedy rozhodovací stromy?

  1. Jsou ideální pro začátečníky v oblasti strojového učení. Nevyžadují žádnou speciální přípravu dat (např. převod na vektory) a zpracují vedle sebe jak kategorické tak číselné proměnné. Stromy jsou poměrně snadno schopné nalézt i nelineární vztahy mezi vstupními atributy.
  2. Výsledkem je jednoduchý graficky znázorněný strom, který lze zpravidla interpretovat běžnou řečí nebo ukázat na prezentaci a vysvětlit managementu. Většina ostatních algoritmů pracuje spíše na principu black-boxů a ani jeho tvůrce často netuší, jak model k výsledné klasifikaci vůbec došel.
  3. Stromy si samy určí, které atributy jsou opravdu klíčové a na kterých naopak nezáleží a je vhodné je z modelu vypustit. To je obzvlášť šikovné, pokud máte desítky nebo stovky různých atributů ke každému záznamu. Ostatním algoritmům je potřeba ty správné atributy předvybrat.

Co k tomu budeme potřebovat?

Především budeme potřebovat strukturovaná a pročištěná data. Každý řádek vstupních dat by měl reprezentovat jednu unikátní entitu (zákazníka, produkt, webovou stránku, den, atd.), každý sloupec nějaký atribut této entity (počet nákupů, útrata, konverzní míra). Hodnoty atributů by neměly být příliš monotónní (absolutní převaha jedné hodnoty) a neměly by obsahovat příliš prázdných (NULL) hodnot. Je vhodné očistit data také o extrémní hodnoty, ale vůči ním jsou naštěstí rozhodovací stromy relativně odolné.

Dále budeme potřebovat nástroj, který umožňuje vymodelování stromů. Vedle běžných komerčních nástrojů (jako např. SPSS) lze doporučit i nástroje s volnější licenční politikou jako jsou například RapidMiner, R nebo Weka. V dalších příkladech budeme používat RapidMiner ve verzi 5.3.

Jak vymodelovat ten nejlepší strom?

Nástroj RapidMiner umožňuje vytvořit strom pomocí procesu sestávajících z dílčích úloh (operátorů), které se pak pomocí linek, reprezentujících datové toky, spojují dohromady. Pomocí prvního operátoru Import XLS načteme data, v našem případě z Excelu. Pomocí import wizardu určíme, co bude výsledná binární proměnná (label) a pro ostatní atributy určíme, zda jsou kategorické (polynominal) nebo číselné (numerical).

Poté vložíme operátor Optimization, který zajistí, že se algoritmus spustí několikrát v různých variantách a nakonec bude automaticky vybrána ta nejlepší kombinace. Operátor spojíme s importem dat a rozklikneme, abychom mohli určit, co bude obsahem optimalizačního procesu.

P1 proces 1

Dovnitř vložíme operátor X-Validation a ten opět proklikneme. Do něj pak a na levou stranu vložíme modelovací algoritmus (Decision Tree) a na pravou stranu operátory Apply model a Performance a vše dle obrázku spojíme. Tím jsme zajistili to, že část dat bude rezervovaná pro otestování kvality modelu. Opět vše spojíme a všechny výstupy z operátoru Optimize napojíme na pravou stranu, reprezentující ukončení procesu.

P2 iner proces 2

Proces je připraven, ale před spuštěním je u některých operátorů potřeba pomocí dvojkliku a následném nastavení v pravém menu ještě dospecifikovat některé parametry. Konkrétně v operátoru Decision Trees nastavíme Criterion na “Gain ratio”. Nastavení minimal size of split, minimal leaf size a maximal depth souvisí s velikostí vašeho datasetu (počtu záznamů). Čím více záznamů, tím mohou být tyto hodnoty vyšší.

Jako poslední nastavíme ještě operátor Optimization tak, aby vyzkoušel různé varianty parametrů minimal gain a confidence. Počet validačních kombinací ovlivní to, jak dlouho bude modelování trvat. Pak už nezbývá nic jiného, než model spustit.

P3 optim

Jak poznat kvalitu modelu?

První, co po dokončení modelování uvidíte, je výpis s informacemi o kvalitě modelů (záložka Performance vector). Hodnota accuracy zjednodušeně řečeno vypovídá o celkové kvalitě modelu. Čím vyšší procento, tím lépe. Pozor ale na příliš vysokou hodnotu blížící se 100%. Takhle vysoká hodnota naznačuje, že strom je tzv. přeučený – to znamená, že sice perfektně klasifikuje data, na kterých se naučil, ale pravděpodobně nebude příliš dobrý k predikci v nových datech.

Dále vidíme čtyřpolní tabulku, tzv. confusion matrix, která podrobněji ukazuje, jak se moc se při validaci strom osvědčil v jednotlivých předpovědích. Levé horní a pravé dolní pole ukazují úspěšně klasifikované (1/0) záznamy. Levé dolní políčko ukazuje počet tzv. false positives, tedy záznamy, které model chybně vyhodnotil jako kategorii 1 (např. zákazník odejde), zatímco pak ve skutečnosti byl stav 0 (neodešel).

P4 marix bad

V pravém horním políčku naopak vidíte false negatives, což jsou případy, které model vyhodnotil jako 0 (zákazník neodejde) a přitom byly ve skutečnosti pozitivní (odešel). Z uvedeného případu vyplývá, že v různých úlohách můžou mít oba druhy chyb odlišnou důležitost. Pokud je pro nás odchod zákazníka významná finanční ztráta, budeme se snažit, aby model minimalizoval počet false negatives (na obrázku červeně). Chyba false positives pak není tak kritická, jelikož to znamená, že naše obchodní oddělení například častěji zavolá někomu, kdo ve skutečnosti nechce odejít, což v případě dostatečných kapacit není takový problém jako ztráta zákazníka, kterého model neodhalil.

Pokud chcete minimalizovat jen jeden druh chyby, je občas potřeba mírně upravit modelovací proces. Model je zpravidla úspěšnější v tom typu chyby, pro který má více příkladů (v našem případě je několikanásobně více zákazníků, kteří neodešli – pro ty je model přesnější a proto dělá poměrně dost false negatives chyb, kterých se chceme vyvarovat). Data vedoucí z operátoru import je proto potřeba nejdříve rozdělit na pozitivní a negativní záznamy. Poté z té množiny, která dominuje v množství záznamů (v našem případě negativní) potřebujeme náhodně vybrat jejich podmnožinu tak, aby byl počet pozitivních i negativních záznamů při modelování srovnatelný (např. 50 na 50).

P5 sampling

Po vybrání reprezentativního vzorku pomocí operátoru Sample už stačí jen data opět spojit (operátor Join) a ověřit si, zda model podává skutečně lepší výsledky.

P6 matrix good

Jak interpretovat rozhodovací strom?

Samotná interpretace a “čtení” rozhodovacího stromu je poté už intuitivní a zábavná činnost. Najdete jej na záložce Tree ve výpisu výsledků. Strom v každém spoji obsahuje jeden konkrétní atribut a šipky s jeho odlišnými hodnotami popisují rozhodovací logiku. Strom se čte od shora dolů (od kořene k listům) a atributy, které se nacházejí v jeho vrchních vrstvách, jsou zpravidla těmi nejlepším prediktory. Každá cesta stromem končí v jednom z listů, který určuje, zda je výsledkem spíše pozitivní (červená) nebo negativní hodnota (modrá). Výška barevného sloupce pak naznačuje, jak velkého podílu ze všech záznamů se tato kombinace týká.

Na obrázku níže vidíte jednoduchý strom sestavený z mých osobních dat. Klíčovou proměnou je zde moje subjektivní spokojenost s daným dnem (1) nebo nespokojenost (0) – dny zde reprezentovaly jednotlivé záznamy. Začátek stromu ukazuje, že klíčovým faktorem spokojenosti je dobrá fyzická kondice. Ve zdravém těle zdravý duch a proto pokud se fyzicky cítím mizerně, spokojený rozhodně nejsem. Pokud je fyzická kondice dobrá, tak rozhoduje délka střední fyzické aktivity (chůze) v průběhu dne. Pokud nachodím více než 115 minut, tělo mě odmění dávkou endorfinů a to opět vede k mé spokojenosti.

Naopak pokud je čas chůze kratší a den předtím jsem vypil více než 10 alkoholických jednotek (přepočteno na malá piva), tak se ozve kocovina a spokojenost je ta tam. Pokud netrpím ani kocovinou, tak do hry vstupuje množství vyšší fyzické aktivity, jako je například běh nebo rychlá chůze do schodů. Pokud je tato aktivita vykonávána nejméně necelé půl hodiny denně a kvalita spánku byla vysoká, cítím se dobře. Naopak při nedostatečné kvalitě spánku vysoká fyzická zátěž může vést k rychlému vyčerpání a následné nespokojenosti. Tímto způsobem můžete snadno dočíst i zbytek stromu.

P7 finalni strom2

Sestavit rozhodovací strom, který dává i při interpretaci smysl selským rozumem, bývá opravdu radost. Lidé často namítají, že tím mnohdy odhalíte vztahy, které bývají předem intuitivně jasné (např. korelace kocoviny a nespokojenosti). Na druhou stranu jsou tyto vztahy podepřeny daty a nikoliv subjektivním míněním. Lze ovšem objevit i překvapivé kombinace vztahů, které už tak intuitivní nejsou (např. vztah náročné aktivity a kvality spánku). A navíc vám strom ukáže i konkrétní hodnoty, při kterých dochází k větvení (např. více než 10 alkoholických jednotek).

Cílem tohoto článku bylo ukázat, že sestavení rozhodovacích stromů nemusí být nutně jen záležitostí odborníků a že to může být dokonce zábava.

Příště se podíváme na to, jak využít rozhodovací stromy k analýze webových dat z Google Analytics.

Post to Twitter  

Napište první komentář!

Proč přejít na Universal Analytics? Protože musíte!

Pokud používáte Google Analytics, jistě víte o nové generaci tohoto analytického nástroje, tzv. Universal Analytics. Možná se ale ptáte, co přináší Universal Analytics nového a proč byste se tím měli zabývat. Existují na to dvě odpovědi.

Ta první odpověď je krátká a jednoduchá. Protože všechny účty Google Analytics musí přejít na novu platformu Universal Analytics. Vy také!

Pro úspěšnou migraci z Google Analytics na Universal Analytics musíte provést dva kroky (v tomto pořadí):

1. Jednoduše zmigrovat účet do Universal Analytics v administračním rozhraní.

Pokud to neuděláte sami, je velice pravděpodobné, že Google to již udělal za vás v rámci tzv. auto-transferu. První na řadu v auto-transferu jdou menší weby, velké weby s milionovou návštěvností jsou seřazeny až na konci fronty.

2. Změnit kódy na webu ze staré knihovny (ga.js nebo dc.js) na novou knihovnu (analytics.js).

Tento krok je náročnější, protože se mění kompletní zápis volání měřících kódů. Každou pageview, event nebo ecommerce transakci bude nutné přepsat do nové podoby. V závislosti na velikosti vašeho webu a složitosti implementace se může jednat i o poměrně rozsáhlý projekt, který bude vyžadovat kapacity IT.

Pokud budete chtít spolu se změnou kódů implementovat i Google Tag Manager (doporučujeme!), tak je potřeba počítat i s náklonností IT, kterou si marketing v některých větších organizacích musí vyjednat.

Po dokončení auto-transfer procesu máte cca dva roky na změnu kódů – poté již měření se starými kódy nebude fungovat! Velkým organizacím proto doporučujeme začít plánovat migraci na Universal Analytics co nejdříve.

V závislosti na tom, zda jste provedli tyto kroky, běží váš účet momentálně v jednom z těchto režimů:

1. Vše při starém (Google Analytics + staré kódy)

GA-classic

2. První krok máte za sebou (Universal Analytics + staré kódy)

GA-universal

3. Hotovo! (Universal Analytics + nové kódy)

Nebo ne? Změnit jenom měřící knihovnu a přepsat stávající měřící kódy je jen začátek – počkejte si na pokračování v dalším článku na tomto blogu. Dozvíte se tu druhou odpověď!

Související články:

Post to Twitter  

Napište první komentář!

Chytrý e-mailing: 3 tipy, bez kterých se zaručeně neobejdete

Ne nadarmo je e-mailing jeden z nejvýkonnějších marketingových kanálů vůbec – generuje vysoké konverze, udržuje stálý kontakt se zákazníky, buduje důvěru i vaše jméno. A dá se skvěle měřit! Bez kterých ingrediencí pro chytrý e-mailing se v Optimics neobejdeme? Které tři tipy pomohou i vám?


1) Segmentace

„Doručte produkty správným zákazníkům“

Snad nejtěžší kalibr vám odkryjeme hned na začátku – segmentace. Jeden z absolutně nejvýkonnějších nástrojů na zvýšení metrik (a samozřejmě zejména tržeb!) vašeho e-mailingu. Jistě znáte marketingovou poučku „správnou nabídku, ve správný čas, správným zákazníkům“; segmentace vám umí pomoci zejména se správnými zákazníky.


Představte si svět, ve kterém bychom v našich domovních poštovních schránkách našli letáky s nádobím, protože právě teď zařizujeme novou kuchyň; v restauraci bychom dostali jídelní lístek předvybraný jen z jídel, která máme rádi a zároveň se hodí k dnešnímu slunečnému dni; v e-mailových schránkách bychom nepotřebovali SPAM složku, protože každý e-mail by nás skutečně zaujal a s radostí bychom jej otevírali (ostatně, čeká tam na nás nabídka výletu na Konopiště, kde jsme tak dlouho nebyli).

Konec snění, zpět do reality – do zahlcených domovních schránek od Hornbacha, do jídeláku s nabídkou 156 pokrmů, do poštovní schránky s 350 nepřečtenými reklamními e-maily. Přesto je tady naděje! Díky segmentaci můžete docílit ideálního světa alespoň ve vašem e-mailovém marketingu – doručit váš produkt či službu správným zákazníkům.

Jak na to? Když řeknu, že disponujete jediným seznamem odběratelů newsletteru, s velkou mírou pravděpodobnosti budu mluvit k většině z vás. Nabízíte produkty (službu), máte přednastavenou HTML šablonu e-mailu, v pravidelném cyklu vyberete několik produktů, o nichž se domníváte, že budou teď v kurzu, vložíte je do šablony a hotový newsletter odešlete všem z vašeho seznamu. Trefil jsem se?

Co kdybychom váš seznam rozdělili alespoň do dvou segmentů: muže a ženy? Je velmi pravděpodobné (OK, je to téměř jisté), že ženy mají jiný okruh zájmů, potřeb a požadavků než muži. Můžete jim nabídnout jiné:

  • produkty,
  • textaci e-mailu i lákavější předmět,
  • incentivu, motivátor či dárek,
  • úvodní fotografii, design HTML šablony atd.
 

johnny_cupcakes-blog-full

To samé platí o mužích. Johnny Cupcakes díky jednoduché segmentaci docílili nárůstu clickthrough rate o 42 %, konverzní míry o 123 % a tržeb na kampaň o 141 %. Zkuste to taky.


Ale pojďme ještě více do hloubky. Řekněme, že máte prosperující obchod se sportovním náčiním. Co kdybychom list odběratelů rozdělili hned na několik segmentů:

  1. muže, kteří před rokem nakoupili činky s hmotností 2,5 kg,
  2. muže, kteří před rokem nakoupili činky s hmotností 10 kg,
  3. ženy, které před rokem nakoupily činky s hmotností 1,5 kg,
  4. ženy, které před rokem nakoupily závaží na kotníky.
Segmentu mužů s nízkým závažím můžete v newsletteru nabídnout těžší závaží (jistě už se stihli vypracovat a stávající hmotnost jim nestačí); segmentu mužů těžší váhy zas odprezentujete posilovací lavici (protože to myslí s kulturistikou evidentně vážně); ženám s činkou 1,5 kg asi nebudete nabízet těžší náčiní, ale můžete to zkusit s fitness podložkou; segmentu žen se závažím na kotníky zas nabídnete digitální sporttester na měření tepu.


Jistě najdete lepší příklady, když si obchod se sportovními potřebami zaměníte za váš byznys – autopůjčovnu, pojišťovnu, bankovní instituci nebo papírnictví…

V Optimics využíváme pro naše klienty dynamické segmenty, které dle předdefinovaných kritérií a podmínek automaticky zařazují/vylučují odběratele z daného segmentu dle jejich nákupní historie, aktuálního chování či zapojení. Kombinací dynamických segmentů získáváme nástroj, který vám umožní cílit skutečně na ty správné zákazníky.


2) Personalizace

„Zaujměte obecenstvo tím, co má rádo“

Pokud segmentaci nazveme králem efektivního e-mailingu, královnou bude personalizace. V kombinaci s dynamickým obsahem dokáže skutečně rozhýbat vaše metriky. Zaručeně.


Experian-Email-Personalization-Lift-Mar2013

Lidé jsou od narození naučeni reagovat na své křestní jméno. Rodiče tak volají na své děti, my voláme na své děti, oni tak volají na sebe. Poznávací znamení, že nám někdo chce něco sdělit; něco po nás žádá; nebo nám hodlá něco dát. Na jméno reagujeme všichni – často, i když nejsme zrovna příjemci jeho zvolání.

Využijte tohoto fenoménu ve vašem e-mailingu – místo „Dobrý den“ nebo „Vážený pane“, použijte „Milý Karle“ nebo „Milá paní Ptáčková“ nebo jednoduše „Jarmilo“. Pokud umístíte křestní jméno zákazníka přímo do předmětu, nejenže jej zaujmete (a tak trochu polichotíte jeho egu), ale zejména zvýšíte jeho ochotu k zapojení se do procesu otevřít – prokliknout – nakoupit. Ostatně, zde máte 7 důkazů, jak křestní jméno navýšilo CTR o 17 %. To vše díky jednomu slovu.

Personalizovaná data však rozhodně nekončí u křestního jména. Lidé obecně mají rádi vše, co se týká jich samotných – přibližte se jim díky personalizaci. Začít můžete u základních údajů, které znáte a disponujete jimi v interním CRM – věk, oblíbený způsob dopravy nebo nejkupovanější produkt, nejbližší odběrné místo anebo přímo bydliště zákazníka.


doggyloot

Personalizovaná data mohou mít také jiný cíl než je přímo příjemce zprávy – využijte data z okruhu vašich zákazníků a jejich zájmů. Vezměte si příklad z obchodu „pro psy“ Doggyloot, který se již v registračním formuláři ptá na velikost psa uživatele (pamatujete si na segmentaci?). Tým Doggylootu následně spustil kampaň s incentivou 5 dolarů za vyplnění sekce Moji psi – stačilo zadat jméno svého mazlíčka, datum jeho narození, plemeno, velikost a pohlaví. Tolik dat, která mohli využít k následné personalizaci a segmentaci e-mailingu! (Na to, o kolik procent zvýšili CTR, se raději podívejte sami.)


3) UX e-mailingu

„Zajistěte uživatelský prožitek od hlavičky po patičku“

Nezáleží, zda v rámci svých e-mailových kampaní používáte jednotnou HTML šablonu, nebo si každý týden dáváte záležet s výrobou tématických grafických newsletterů. Jisté je to, že nízkým (nebo dokonce žádným) uživatelským prožitkem svých kampaní můžete pohřbít – nebo alespoň výrazně snížit – výkon obou výše uvedených nástrojů. E-mailing je nedílnou součástí uživatelského prožitku vašeho online byznysu, právě proto řadíme UX hned na třetí místo.


Kreativa vašeho newsletteru, použitá textace, umístění CTA, velikost a počet fotografií či rozvržení layoutu – to vše dokáže efektivitě vašeho e-mailingu výrazně pomoci, ale také bolestivě uškodit. Abyste zůstali na tom správném břehu, dodržujte ve svých e-mailech alespoň následujících 10 základních tipů, které za mě shrnul Usabilitygeek­.com:

  1. Používejte krátké, relevantní a personalizované předměty.
  2. Nezapomeňte na přitažlivé a relevantní záhlaví e-mailu (nad foldem) vyjadřující hlavní poselství e-mailu.
  3. Zásadně užívejte stručnou ale zajímavou textaci – používejte odrážky, číselné seznamy, krátké věty a reálné statistiky ke zvýšení přesvědčivosti.
  4. Dejte si záležet s jednoduchým, výstižným, čistým a jednotným CTA.
  5. Nepřehánějte to s obrázky. Pamatujte, že jedna kvalitní fotografie vydá za tisíc slov (nebo spoustu malých nekvalitních obrázků).
  6. Nezapomínejte na atribut alt u tagů <img>. Většina poskytovatelů poštovních schránek ve výchozím stavu obrázky blokuje.
  7. Ze stejného důvodu používejte pro svá CTA textové odkazy, nikoliv obrázky. (Ideálně například Buletproof Buttons.)
  8. Zvažte, zda musíte mít v e-mailu navigační lištu, nebo ji alespoň vizuálně utlumte.
  9. Optimalizujte pro mobilní zařízení.
  10. Umožněte sdílení e-mailu na sociálních sítích.
  11. Bonus: Testujte, testujte, testujte!
Seznam by mohl pokračovat další stovkou ingrediencí, kterými umíme posunout výkon kampaní o řád výš, poskytnout vašim zákazníkům perfektní uživatelský prožitek a vám vyšší tržby. V Optimics vám nabídneme komplexní servis od návrhu strategie e-mailingu, přes technickou implementaci, průběžnou analýzu dat, A/B testování až po kreativní návrhy vašich e-mailů, které fungují. Segmentace, personalizace a UX zahrnuty.


Kontaktujte nás a pomůžeme vám stejně, jako jsme pomohli jedničkám na trhu.

 

Související články:

Post to Twitter  

Napište první komentář!

Sklik, klíčová slova a Universal Analytics

Začali jste používat Universal Analytics a zjistili jste, že v akvizičních reportech u návštěvnosti přivedené přes inzeráty Skliku chybí klíčová slova, která uživatelé zadali do vyhledávacího pole Seznamu? Potom jste na správném místě – níže přináším jednoduchý návod, jak pomocí Google Tag Manageru toto „omezení“ Universal Analytics obejít.

Universal Analytics jsou již více než měsíc v ostrém provozu. Pokud inzerujete v Skliku a pravidelně pracuje s akvizičními reporty, nepochybně jste zaznamenali jednu nepříjemnou věc. Návštěvy přicházející přes Sklik inzeráty nemají v Keyword reportu dostupné klíčové slova, která zobrazení inzerátu vyvolala:

sklik_notset

Nejedná se o chybu, ale o výchozí chování Universal Analytics. Model kategorizace zdrojů návštěvnosti se řídí několika pravidly – jejich kompletní přehled v jednoduché a přehledné formě znázorňuje tento diagram.

Pro Sklik je pak důležitá rozhodovací větev, která řeší přítomnost UTM parametrů v URL. Pokud u inzerátů nemáte „napevno“ zadaný UTM_term (což nedělá snad nikdo), namísto dynamicky převzatého klíčového slova se použije hodnota (not set).

Výsledek je tedy již zmiňovaná absence klíčových slov pro návštěvnost přivedenou Sklikem.

Toto téma bylo předmětem diskusí již několikrát (nejvíce asi na Twitteru v reakci na dotaz Marka Prokopa). Probíralo se také v rámci fóra partnerů Google Analytics (GACP). Netroufám si odhadnout, jaký nakonec bude závěr a zda-li se kategorizace zdrojů návštěv změní.

Důležité je ale to, že technicky lze toto chování obejít a zajistit, aby Universal Analytics dynamicky přebíraly hledanou frázi zadanou do vyhledávacího pole Seznamu.

Někteří z vás již možná pracují s nastavenými filtry, které klíčové slovo převezmou z HTTP referreru. Filtry mají ovšem jednu zásadní nevýhodu – nezobrazí hledané fráze korektně česky, ale v URLencoded podobě, což dosti zásadně komplikuje vyhodnocování a samotnou práci s reporty:

sklik_urlencoded

Proto vznikl tento článek, který popisuje flexibilní řešení s využitím Google Tag Manageru. Samotné řešení je velmi jednoduché:

Pokud návštěva přijde přes inzerát Skliku, nastavíme příslušné hodnoty
Traffic Sources ručně (včetně hledané fráze).

Konkrétní úpravy v nastavení GTM shrnují následující kroky:

Krok 1: Vytvořte makra pro získání UTM parametrů.

Toto makro (Macro Type: URL – Component Type: Query – Query Key: utm_campaign) získá hodnotu parametru utm_campaign. Analogicky vytvořte makra pro utm_medium, utm_source a utm_content.

TIP pro pokročilé uživatelé GTM – namísto 4 různých maker využijte makro typu Lookup Table, pomocí kterého lze efektivně zredukovat celkový počet maker (inspirujte se třeba u tohoto řešení od Simo Ahava).

utm_sklik-utm

Krok 2: Vytvořte makro pro získání parametru q z HTTP Referreru, který odpovídá hledané frázi na Seznamu zadané uživatelem (Macro Type: HTTP Referrer – Component Type: Query - Query Key: q):

utm_sklik-seznamquery

Krok 3: Vytvořte makro pro další úpravy hledané fráze.

Toto makro (Macro Type: Custom JavaScript) má za účel nahradit plusové znaménka mezerami, aby se nám s reporty pracovalo pohodlněji (poznámka: značka „+“ je přidána namísto mezer automaticky Seznamem, aby hledaná fráze mohla být parametricky předána v URL).

TIP: využijte pro snadnou editaci JavaScript kódu v GTM toto Chrome rozšíření.

Zdrojový kód makra:

 function() { return {{Seznam Query}}.repla­ce(/\+/g, ' '); } 

utm_sklik-termregex

Krok 4: Upravte standardní Tag pro měření Pageviews.

Mezi blokující pravidla (Blocking Rules) přidejte pravidlo, které zabrání změření pageview, pokud bude zdrojem návštěvy Seznamácký fulltext a zároveň bude URL obsahovat utm_source=sklik a utm_source=cpc (vycházím ze standardního označování kampaní pro vyhledávací síť Skliku; pokud své inzeráty označujete odlišně, podmínky tohoto pravidla samozřejmě upravte):

utm_sklik-rule

Krok 5: Zduplikujte Tag pro měření pageviews a jako spouštěcí pravidlo přidejte pravidlo vytvořené v předchozím kroku. Poté v sekci More settings > Fields to set nastavte jednotlivé parametry pro sledování kampaní a jako jejich hodnoty přidejte makra, která jste vytvořili pro získání UTM parametrů a hledané fráze na Seznamu.

Poznámka: aby bylo možné přepsat traffic source údaje pomocí GTM, je nutné vždy nastavit hodnotu parametru campaignName (vyplývá z modelu kategorizace zdrojů návštěv Universal Analytics).

utm_sklik-fields

Ve výsledku tedy bude mít 2 Tagy pro měření pageviews:

gtm_rules

Jsou jiné způsoby, jak k tomuto přistupovat, ale pro zajištění jednoduchosti a spolehlivosti jsem volil cestu alternativního měření pageviews  pro (pouze) Sklik návštěvy, aby nedocházelo k nepředvídatelnému chování a změnám kategorizace jiných zdrojů návštěv. Zde ještě pro úplnost doplním, že tyto úpravy mohou mít dopad na nastavení channel grouping, které pro jistotu také zrevidujte.

Krok 6: Spusťte ladící režím GTM (tlačítko Preview > Debug) a GA Debugger.

Přes jakýkoliv Sklik inzerát se proklikněte na váš web a pokud jste vše nastavili korektně, měli byste vidět následující:

hotovo

  1. UTM parametry, které slouží jako podmínka pro spuštění upraveného měření pageviews.

  2. Debug režim GTM ve spodní části obrazovky potvrzuje, že se tak stalo.

  3. GA Debugger konzole v pravé části obrazovky zobrazuje správné traffic source údaje, které jsme upravili pomoci GTM – včetně hledané fráze, která v tomto případě byla volejbalové kraťasy článek.

Universal Analytics po této úpravě korektně zobrazí klíčová slova u návštěv, která přišly přes Sklik inzeráty. V nastavení View (v české terminologii Zobrazení) u vašeho Analytics účtu není potřeba nic měnit, ani nemusíte přidávat filtry.

Keyword Report tedy bude vypadat následovně:

sklik_keywords

Toť vše! :-) V reportech se nicméně hodnoty (not set) zcela nezbavíte – například vracející se uživatelé budou mít klíčové slovo akvizice (not set) i nadále. Výjimek je více, ale i tak věřím, že vypovídající hodnota keyword reportu bude po provedení úprav mnohem vyšší!

Pokud máte k navrhovanému řešení jakýkoliv návrh či připomínku – využijte prosím komentáře!

PS: Možná jste si všimli, že do utm_content nastavuji ID inzerátu Skliku i přesto, že v URL je použita jiná hodnota. Důvod zde je jednoduchý – párování dat nákladů (cost data) na úrovní konkrétních inzerátů. K tomuto účelu se dají velmi efektivně využít dynamické proměnné Skliku a tématem dalšího článku bude právě to, jaké možnosti tato úprava přináší a jak cost-data používat v reportingu.

Související články:

Post to Twitter  

Komentáře: 10

Newsletter

Přihlaste se do našeho e-mailového magazínu a každý měsíc obdržíte užitečné články a studie přímo do vaši schránky!

Více

RSS článků
Krátce z Twitteru Sledujte nás na Twitteru

Sledujte nás na Twitteru