Optimics » Webová analytika http://www.optimics.cz měření a optimalizace webu Mon, 06 Sep 2010 08:05:50 +0000 en hourly 1 http://wordpress.org/?v=3.0.1 Vyloučení interních přístupů na web http://www.optimics.cz/c/vylouceni-internich-pristupu-na-web http://www.optimics.cz/c/vylouceni-internich-pristupu-na-web#comments Mon, 06 Sep 2010 06:00:23 +0000 Oldřich Kejík http://www.optimics.cz/?p=1367 Pro správnou analýzu dat z Google Analytics může být důležité vyloučit ze statistik veškeré interní přístupy na web. Veškerá uváděná data o vašem webu se tak zpřesní. Jak na to? Existují dva způsoby:

  1. Pokud máte ve firmě stálou IP adresu, stačí nastavit filtr, který vylučuje interní přístupy.
  2. Pokud máte dynamickou IP adresu nebo vaši lidé pracují z více míst, např. z domova, je třeba nastavit filtr, který bude vylučovat přístupy dle cookies.

První způsob je vcelku dobře známý, druhý již méně – zato je více univerzálně využitelný. Představím vám nicméně postup v obou případech.

1. Stálá IP adresa

Pokud máte stálou IP adresu, je postup následující:

  1. V Overview (Přehledu) účtu Google Analytics klikněte na Filter Manager (Správce filtrů).
Vytvoření filtru v Google Analytics - krok 1
  1. Klikněte na možnost Add Filter (Přidat filtr).
Vytvoření filtru v Google Analytics - krok 2
  1. Proveďte následující:
    • Zadejte Filter Name (Název filtru).
    • Ponechte zaškrtnutou položku Predefined filter (Předdefinovaný filtr).
    • Ponechte vybranou možnost Exclude (Vyřadit).
    • Vyberte z nabídky Traffic from the IP addresses (Provoz z adres IP).
    • Dále vyberte z nabídky dle vlastního nastavení IP adresy, např. That are equal to (Které se rovnají).
    • Do pole IP address (Adresa IP) napište IP adresu. Lze zjistit např. na www.whatismyip.com. Pro zapsaní více IP adres použijte nástroj na automatické generování výrazu na stránkách Google Analytics.
Vytvoření filtru v Google Analytics - krok 3
  1. Níže vyberte profil, na který chcete filtr aplikovat, a kliknutím na Add (Přidat) ji přesuňte do pole Selected Website Profiles (Vybrané profily webových stránek).
  2. Uložte filtr.

2. Dynamická IP adresa – využití uživatelské proměnné

V druhém případě (dynamická IP nebo více míst) nastavíme filtr, který bude vylučovat přístupy dle konkrétních cookies, a to následovně:

  1. Na všechny stránky v interní sekci webu doplňte za kód Google Analytics následující javascript:
pageTracker._setVar('interni');

Za hodnotu interni můžete dosadit vlastní definici, např. operator, zaměstnanec atp.

Pokud nemáte interní sekci webu, vytvořte novou stránku, která bude obsahovat kód:

  <body onload="pageTracker._setVar('interni');">

Tuto stránku je potřeba navštěvovat ze všech firemních počítačů přibližně 1× měsíčně, aby se cookie obnovila.

  1. Vytvořte nový filtr a zadejte následující hodnoty:
    • Zadejte Filter Name (Název filtru).
    • Zaškrtněte položku Custom filter (Vlastní filtr).
    • Ponechte vybranou možnost Exclude (Vyřadit).
    • V položce Filter Field (Pole filtr) vyberte User Defined (Definováno uživatelem).
    • V položce Filter Pattern (Vzor filtru) zadejte hodnotu z javascriptu – zde interni.
    • Položku Case Sensitive (Rozlišovat malá a velká písmena) ponechte na hodnotě No (Ne).
  1. Dále vyberte profil, na který chcete filtr aplikovat a kliknutím na Add (Přidat) jej přesuňte do pole Selected Website Profiles (Vybrané profily webových stránek).
Vytvoření filtru v Google Analytics - krok 3b
  1. Uložte filtr.

Uživatelská proměnná – příležitost pro segmentaci

Uživatelská proměnná, kterou jsem použil v druhém případě, je jiná, než jste viděli v minulém článku  – jedná se o starší zápis, jehož nevýhoda je především nemožnost použít více uživatelských proměnných.

Naopak velkou výhodou starší uživatelské proměnné je, že se dá na jejím základě filtrovat celá návštěvnost do více profilů (jak jste viděli výše). Díky tomu si můžete vytvořit např. profil pro přihlášené návštěvníky (z minulého článku) a sledovat v něm pouze jejich chování (bez samplingu) – to zatím nové uživatelské proměnné neumí.

Komentáře

]]> Pro správnou analýzu dat z Google Analytics může být důležité vyloučit ze statistik veškeré interní přístupy na web. Veškerá uváděná data o vašem webu se tak zpřesní. Jak na to? Existují dva způsoby:

  1. Pokud máte ve firmě stálou IP adresu, stačí nastavit filtr, který vylučuje interní přístupy.
  2. Pokud máte dynamickou IP adresu nebo vaši lidé pracují z více míst, např. z domova, je třeba nastavit filtr, který bude vylučovat přístupy dle cookies.

První způsob je vcelku dobře známý, druhý již méně – zato je více univerzálně využitelný. Představím vám nicméně postup v obou případech.

1. Stálá IP adresa

Pokud máte stálou IP adresu, je postup následující:

  1. V Overview (Přehledu) účtu Google Analytics klikněte na Filter Manager (Správce filtrů).
Vytvoření filtru v Google Analytics - krok 1
  1. Klikněte na možnost Add Filter (Přidat filtr).
Vytvoření filtru v Google Analytics - krok 2
  1. Proveďte následující:
    • Zadejte Filter Name (Název filtru).
    • Ponechte zaškrtnutou položku Predefined filter (Předdefinovaný filtr).
    • Ponechte vybranou možnost Exclude (Vyřadit).
    • Vyberte z nabídky Traffic from the IP addresses (Provoz z adres IP).
    • Dále vyberte z nabídky dle vlastního nastavení IP adresy, např. That are equal to (Které se rovnají).
    • Do pole IP address (Adresa IP) napište IP adresu. Lze zjistit např. na www.whatismyip.com. Pro zapsaní více IP adres použijte nástroj na automatické generování výrazu na stránkách Google Analytics.
Vytvoření filtru v Google Analytics - krok 3
  1. Níže vyberte profil, na který chcete filtr aplikovat, a kliknutím na Add (Přidat) ji přesuňte do pole Selected Website Profiles (Vybrané profily webových stránek).
  2. Uložte filtr.

2. Dynamická IP adresa – využití uživatelské proměnné

V druhém případě (dynamická IP nebo více míst) nastavíme filtr, který bude vylučovat přístupy dle konkrétních cookies, a to následovně:

  1. Na všechny stránky v interní sekci webu doplňte za kód Google Analytics následující javascript:
pageTracker._setVar('interni');

Za hodnotu interni můžete dosadit vlastní definici, např. operator, zaměstnanec atp.

Pokud nemáte interní sekci webu, vytvořte novou stránku, která bude obsahovat kód:

  <body onload="pageTracker._setVar('interni');">

Tuto stránku je potřeba navštěvovat ze všech firemních počítačů přibližně 1× měsíčně, aby se cookie obnovila.

  1. Vytvořte nový filtr a zadejte následující hodnoty:
    • Zadejte Filter Name (Název filtru).
    • Zaškrtněte položku Custom filter (Vlastní filtr).
    • Ponechte vybranou možnost Exclude (Vyřadit).
    • V položce Filter Field (Pole filtr) vyberte User Defined (Definováno uživatelem).
    • V položce Filter Pattern (Vzor filtru) zadejte hodnotu z javascriptu – zde interni.
    • Položku Case Sensitive (Rozlišovat malá a velká písmena) ponechte na hodnotě No (Ne).
  1. Dále vyberte profil, na který chcete filtr aplikovat a kliknutím na Add (Přidat) jej přesuňte do pole Selected Website Profiles (Vybrané profily webových stránek).
Vytvoření filtru v Google Analytics - krok 3b
  1. Uložte filtr.

Uživatelská proměnná – příležitost pro segmentaci

Uživatelská proměnná, kterou jsem použil v druhém případě, je jiná, než jste viděli v minulém článku  – jedná se o starší zápis, jehož nevýhoda je především nemožnost použít více uživatelských proměnných.

Naopak velkou výhodou starší uživatelské proměnné je, že se dá na jejím základě filtrovat celá návštěvnost do více profilů (jak jste viděli výše). Díky tomu si můžete vytvořit např. profil pro přihlášené návštěvníky (z minulého článku) a sledovat v něm pouze jejich chování (bez samplingu) – to zatím nové uživatelské proměnné neumí.

]]> http://www.optimics.cz/c/vylouceni-internich-pristupu-na-web/feed 0 Sledování přihlášených uživatelů http://www.optimics.cz/c/sledovani-prihlasenych-uzivatelu http://www.optimics.cz/c/sledovani-prihlasenych-uzivatelu#comments Mon, 30 Aug 2010 06:00:31 +0000 Oldřich Kejík http://www.optimics.cz/?p=1327 Pokud návštěvníkům vašeho e-shopu nebo webu nabízíte možnost registrace a následného přihlášení, určitě vás bude zajímat, jak se tito návštěvníci na vašich stránkách chovají, jak odlišný je jejich rozhodovací a nákupní proces od ostatních návštěvníků a další údaje. Jak je můžete sledovat?

Do stránky, která se zobrazí návštěvníkům po registraci nebo přihlášení, doplňte ke kódu Google Analytics před volání pageTracker._trac­kPageview(); javascript v následujícím tva­ru:

pageTracker._setCustomVar(Index, "Name", "Value", Scope);

Jednotlivé položky ve skriptu označují:

  • Index = pořadí proměnné. Pokud je toto první proměnná, kterou měříte, označte ji jako 1, pokud již měříte jiné proměnné, označte ji dalším číslem v pořadí.
  • Name = název označující, co proměnná obsahuje (např. „Zákazník“ nebo „Přihlášený“).
  • Value = hodnota proměnné, můžeme zde označit typ zákazníka („Gold“, „VIP“ apod.)
  • Scope = parametr, který označuje platnost vlastní proměnné, v našem případě zde uvádíme hodnotu 1 (viz dále).

Parametr Scope udává, jak dlouho má být proměnná s návštěvníkem asociována. Můžete použít následující hodnoty:

  • 1 (Visitor-level) – nejdelší možná doba, nejdéle 2 roky, v praxi je tato doba ale určena především tím, jak často se mažou na návštěvníkově počítači cookies.
  • 2 (Session-level) – do konce aktuální návštěvy, při další návštěvě stejného člověka se již proměnná nepoužije.
  • 3 (Page-level) – označení je platné pouze na právě zobrazené stránce.

V případě webu, který nerozděluje přihlášené zákazníky do různých skupin, tak výsledný kód může vypadat například takto:

pageTracker._setCustomVar(1, "Přihlášený", "Ano", 1);

Statistiky návštěvnosti takto označených návštěvníků naleznete v Google Analytics v sekci Visitors (Návštěvníci) pod odkazem Custom Variables (Vlastní proměnné).

Segmentace vlastní proměnné

V Google Analytics si také díky segmentaci můžete zobrazit statistiky pouze těchto označených návštěvníků. Jak na to?

  1. Klikněte vpravo nahoře na tlačítko Advanced Segments (Pokročilé segmenty) a zvolte Create a new advanced segment (Vytvořit nový rozšířený segment).
  2. Z levé nabídky Visitors (Návštěvníci) vyberte Custom Variable (Vlastní proměnnou) s pořadím indexu a přesuňte ji do pole uprostřed stránky.
  3. Ponechte podmínku Matches Exactly (Shoduje se přesně s).
  4. Do pole Value (Hodnota) uveďte daný název proměnné, v našem případě Přihlášený.
  5. Segment pojmenujte a klikněte na Create and Apply to Report (Vytvořit a použít v přehledu).

K zobrazení nebo vypnutí připraveného segmentu se dostanete opět kliknutím vpravo nahoře na Advanced Segments (Pokročilé segmenty). K využití různých segmentů se dostaneme v některém z následujích článků o Google Analytics.

Vlastní proměnné v GA – spousta možností k využití

Pomocí vlastních proměnných nemusíte v Google Analytics označovat pouze návštěvníky nebo zákazníky webu, ale můžete např. také:

  • Označit jednotlivé stránky jmény nadřazených kategorií, do kterých patří. Snadno poté zjistíte, jak se která sekce webu podílí na obratu e-shopu atp.
  • Ukládat hodnoty zadané návštěvníky do formulářů, např. do kalkulaček (pohlaví, věk…). Následně můžete díky tomu segmentovat návštěvníky webu na základě těchto údajů.

Pokud chcete zjistit více o schopnostech a možnostech vlastních proměnných, navštivte dokumentaci na webu Google Analytics.

Související články:

Komentáře

Související články:]]> Pokud návštěvníkům vašeho e-shopu nebo webu nabízíte možnost registrace a následného přihlášení, určitě vás bude zajímat, jak se tito návštěvníci na vašich stránkách chovají, jak odlišný je jejich rozhodovací a nákupní proces od ostatních návštěvníků a další údaje. Jak je můžete sledovat?

Do stránky, která se zobrazí návštěvníkům po registraci nebo přihlášení, doplňte ke kódu Google Analytics před volání pageTracker._trac­kPageview(); javascript v následujícím tva­ru:

pageTracker._setCustomVar(Index, "Name", "Value", Scope);

Jednotlivé položky ve skriptu označují:

  • Index = pořadí proměnné. Pokud je toto první proměnná, kterou měříte, označte ji jako 1, pokud již měříte jiné proměnné, označte ji dalším číslem v pořadí.
  • Name = název označující, co proměnná obsahuje (např. „Zákazník“ nebo „Přihlášený“).
  • Value = hodnota proměnné, můžeme zde označit typ zákazníka („Gold“, „VIP“ apod.)
  • Scope = parametr, který označuje platnost vlastní proměnné, v našem případě zde uvádíme hodnotu 1 (viz dále).

Parametr Scope udává, jak dlouho má být proměnná s návštěvníkem asociována. Můžete použít následující hodnoty:

  • 1 (Visitor-level) – nejdelší možná doba, nejdéle 2 roky, v praxi je tato doba ale určena především tím, jak často se mažou na návštěvníkově počítači cookies.
  • 2 (Session-level) – do konce aktuální návštěvy, při další návštěvě stejného člověka se již proměnná nepoužije.
  • 3 (Page-level) – označení je platné pouze na právě zobrazené stránce.

V případě webu, který nerozděluje přihlášené zákazníky do různých skupin, tak výsledný kód může vypadat například takto:

pageTracker._setCustomVar(1, "Přihlášený", "Ano", 1);

Statistiky návštěvnosti takto označených návštěvníků naleznete v Google Analytics v sekci Visitors (Návštěvníci) pod odkazem Custom Variables (Vlastní proměnné).

Segmentace vlastní proměnné

V Google Analytics si také díky segmentaci můžete zobrazit statistiky pouze těchto označených návštěvníků. Jak na to?

  1. Klikněte vpravo nahoře na tlačítko Advanced Segments (Pokročilé segmenty) a zvolte Create a new advanced segment (Vytvořit nový rozšířený segment).
  2. Z levé nabídky Visitors (Návštěvníci) vyberte Custom Variable (Vlastní proměnnou) s pořadím indexu a přesuňte ji do pole uprostřed stránky.
  3. Ponechte podmínku Matches Exactly (Shoduje se přesně s).
  4. Do pole Value (Hodnota) uveďte daný název proměnné, v našem případě Přihlášený.
  5. Segment pojmenujte a klikněte na Create and Apply to Report (Vytvořit a použít v přehledu).

K zobrazení nebo vypnutí připraveného segmentu se dostanete opět kliknutím vpravo nahoře na Advanced Segments (Pokročilé segmenty). K využití různých segmentů se dostaneme v některém z následujích článků o Google Analytics.

Vlastní proměnné v GA – spousta možností k využití

Pomocí vlastních proměnných nemusíte v Google Analytics označovat pouze návštěvníky nebo zákazníky webu, ale můžete např. také:

  • Označit jednotlivé stránky jmény nadřazených kategorií, do kterých patří. Snadno poté zjistíte, jak se která sekce webu podílí na obratu e-shopu atp.
  • Ukládat hodnoty zadané návštěvníky do formulářů, např. do kalkulaček (pohlaví, věk…). Následně můžete díky tomu segmentovat návštěvníky webu na základě těchto údajů.

Pokud chcete zjistit více o schopnostech a možnostech vlastních proměnných, navštivte dokumentaci na webu Google Analytics.

Související články:

]]> http://www.optimics.cz/c/sledovani-prihlasenych-uzivatelu/feed 0 Sledování prokliků na specifické odkazy http://www.optimics.cz/c/sledovani-prokliku-na-specificke-odkazy http://www.optimics.cz/c/sledovani-prokliku-na-specificke-odkazy#comments Mon, 23 Aug 2010 06:00:12 +0000 Oldřich Kejík http://www.optimics.cz/?p=1184 Google Analytics poskytují mnoho zajímavých možností, jak zjistit o návštěvnících vašeho webu více informací, případně usnadnit si práci. Bohužel, mnoho z těchto možností není příliš známých. Proto se vám pokusíme představit některé z nich v několika následujících článcích o pokročilém využití Google Analytics.

Víte, na které odkazy na stránce návštěvníci klikají?

V základním reportu Google Analytics (GA) sice existuje report Site Overlay (Vizualizace na webu), které vám podá souhrnné informace, kolik lidí z dané stránky přešlo na jinou. Nezjistíte z něj ale, zda lidé klikli na odkaz v menu, na odkaz v článku nebo na obrázek. Jako příklad můžeme využít stránku Služby na našem webu. V Site Overlay vidíme, že 13 % návštěvníků kliklo na odkaz vedoucí na stránku Optimalizace webu. Nevíme už ale, zda klikli na nadpis v hlavním sloupci, na obrázek, na odkaz pod textem nebo na odkaz v menu napravo. U všech těchto odkazů je uvedeno 13 %:

Abychom dokázali určit, na který z odkazů návštěvníci skutečně klikají, je potřeba nastavit u každého z těchto odkazů sledování události GA – pomocí následujícího javascriptu (tzv. event):

onclick="pageTracker._trackEvent('Category', 'Action', 'Label');"

Jednotlivé položky ve skriptu označují:

  • Category (povinná položka) = název pro skupinu objektů, které chcete označit. V našem případě např. „Odkaz-optimalizace“.
  • Action (povinná položka) = konkretizace objektu, na kterém se akce provádí, např. zda se jedná o odkaz v menu, obrázek, video, atp. V našem případě to může být „nadpis“, „obrázek“, „odkaz“ a „menu“.
  • Label (nepovinná položka) = sem můžete volitelně přidat další informace o akci, např. že se jedná o kliknutí, spuštění nebo zastavení videa, přejetí myší atp. My jsme tento parametr v tomto případě nepotřebovali.

Celý odkaz na stránku Optimalizace webu tak může vypadat takto:

<a href="http://www.optimics.cz/optimalizace-webu.html"
onclick="pageTracker._trackEvent('Odkaz-optimalizace', 'menu');">Optimalizace webu</a>

Takto je třeba označit veškeré odkazy, které chcete měřit.

Pro zobrazení statistik prokliků klikněte v sekci Content (Obsah) na položku Event Tracking (Sledování událostí), kde naleznete několik reportů pro vyhodnocování dat.

Protože označování několika odkazů vedle sebe může být tímto způsobem zdlouhavé, můžete je označit také skupinově. Jak na to se dozvíte v článku Track outbound links and file downloads automatically in Google Analytics od Briana Cliftona.

Události v GA – mocný nástroj

Události, jejichž použití jsem vám ukázal v tomto článku, se dají používat pro sledování mnoha dalších prvků, o jejichž používání návštěvníky byste se dozvídali jinak jen těžko. Snadno pomocí nich můžete změřit např. kolikrát si návštěvníci stáhli soubor s vaším ceníkem, jestli si spustili video, na které externí odkazy klikají, jestli posouvají stránku dolů či přejedou myší nad určitým prvkem. Události jsou pro vás připraveny velmi obecně a dají se zapojit do jakýchkoliv javascriptových událostí na stránce – fantazii se tedy meze nekladou.

Pokud byste zatoužili po více informacích o událostech, navštivte dokumentaci na webu Google Analytics.

Související články:

Komentáře

Související články:]]> Google Analytics poskytují mnoho zajímavých možností, jak zjistit o návštěvnících vašeho webu více informací, případně usnadnit si práci. Bohužel, mnoho z těchto možností není příliš známých. Proto se vám pokusíme představit některé z nich v několika následujících článcích o pokročilém využití Google Analytics.

Víte, na které odkazy na stránce návštěvníci klikají?

V základním reportu Google Analytics (GA) sice existuje report Site Overlay (Vizualizace na webu), které vám podá souhrnné informace, kolik lidí z dané stránky přešlo na jinou. Nezjistíte z něj ale, zda lidé klikli na odkaz v menu, na odkaz v článku nebo na obrázek. Jako příklad můžeme využít stránku Služby na našem webu. V Site Overlay vidíme, že 13 % návštěvníků kliklo na odkaz vedoucí na stránku Optimalizace webu. Nevíme už ale, zda klikli na nadpis v hlavním sloupci, na obrázek, na odkaz pod textem nebo na odkaz v menu napravo. U všech těchto odkazů je uvedeno 13 %:

Abychom dokázali určit, na který z odkazů návštěvníci skutečně klikají, je potřeba nastavit u každého z těchto odkazů sledování události GA – pomocí následujícího javascriptu (tzv. event):

onclick="pageTracker._trackEvent('Category', 'Action', 'Label');"

Jednotlivé položky ve skriptu označují:

  • Category (povinná položka) = název pro skupinu objektů, které chcete označit. V našem případě např. „Odkaz-optimalizace“.
  • Action (povinná položka) = konkretizace objektu, na kterém se akce provádí, např. zda se jedná o odkaz v menu, obrázek, video, atp. V našem případě to může být „nadpis“, „obrázek“, „odkaz“ a „menu“.
  • Label (nepovinná položka) = sem můžete volitelně přidat další informace o akci, např. že se jedná o kliknutí, spuštění nebo zastavení videa, přejetí myší atp. My jsme tento parametr v tomto případě nepotřebovali.

Celý odkaz na stránku Optimalizace webu tak může vypadat takto:

<a href="http://www.optimics.cz/optimalizace-webu.html"
onclick="pageTracker._trackEvent('Odkaz-optimalizace', 'menu');">Optimalizace webu</a>

Takto je třeba označit veškeré odkazy, které chcete měřit.

Pro zobrazení statistik prokliků klikněte v sekci Content (Obsah) na položku Event Tracking (Sledování událostí), kde naleznete několik reportů pro vyhodnocování dat.

Protože označování několika odkazů vedle sebe může být tímto způsobem zdlouhavé, můžete je označit také skupinově. Jak na to se dozvíte v článku Track outbound links and file downloads automatically in Google Analytics od Briana Cliftona.

Události v GA – mocný nástroj

Události, jejichž použití jsem vám ukázal v tomto článku, se dají používat pro sledování mnoha dalších prvků, o jejichž používání návštěvníky byste se dozvídali jinak jen těžko. Snadno pomocí nich můžete změřit např. kolikrát si návštěvníci stáhli soubor s vaším ceníkem, jestli si spustili video, na které externí odkazy klikají, jestli posouvají stránku dolů či přejedou myší nad určitým prvkem. Události jsou pro vás připraveny velmi obecně a dají se zapojit do jakýchkoliv javascriptových událostí na stránce – fantazii se tedy meze nekladou.

Pokud byste zatoužili po více informacích o událostech, navštivte dokumentaci na webu Google Analytics.

Související články:

]]> http://www.optimics.cz/c/sledovani-prokliku-na-specificke-odkazy/feed 5 Porovnání demografických dat z Yahoo! Web Analytics a NetMonitoru http://www.optimics.cz/c/porovnani-demografickych-dat-z-yahoo-web-analytics-a-netmonitoru http://www.optimics.cz/c/porovnani-demografickych-dat-z-yahoo-web-analytics-a-netmonitoru#comments Mon, 28 Jun 2010 14:55:02 +0000 Jiří Brázda http://www.optimics.cz/?p=1090

Tento článek vyšel původně na blogu Dennise Mortensena, který pracuje jako Director of Data Insights v Yahoo!

Je to již přes rok, co Dennis na svém blogu oznámil příchod Yahoo! Web Analytics 9.5 a jednou z hlavních novinek nové verze byly demografické údaje jako je pohlaví a věk. Dennis je špičkový expert na webovou analytiku a ve svém videu ukázal několik způsobů, jak taková data využít. Pokud jste se ještě s prostředím Yahoo! Web Analytics nesetkali, doporučuji vám před čtením následujícího článku toto video shlédnout.

Nicméně několik analytiků z evropských zemí po tomto oznámení zpochybnilo schopnost Yahoo! poskytovat relevantní data tam, kde Yahoo! Search nemá téměř žádný podíl na trhu, jako například v Česku. Berte to pouze jako orientační údaj, ale v praxi vidím, že pro české weby s návštěvností několika málo tisíc návštěvníků může Yahoo! opravdu poskytnout relevantní data se spolehlivostí 80 %, pro weby s návštěvností nad 50 tisíc návštěvníků pak se spolehlivost blížící se až k hranici 95 %.

Schopnost Yahoo! shromažďovat demografická data vyplývá z faktu, že tato data pocházejí z Yahoo! ID, které potřebujete k používání široké škály webových aplikací od Yahoo!, zejména Yahoo! Mail a webu pro sdílení fotografií Flickr, který je populární prakticky ve všech zemích světa, a tak je pravděpodobně i zdrojem většiny českých návštěvníků s Yahoo! ID.

Pro mne, a doufám, že i pro mnohé z vás, to tedy již není otázka jen o tom, zda Yahoo! může poskytnout demografické údaje o návštěvnících vašeho webu, protože odpověď je jednoznačně ano. Tou skutečnou otázkou je, zda můžeme těmto údajům věřit, využít je pro analýzu chování v jednotlivých demografických segmentech, a přijímat rozhodnutí na základě těchto informací.

Proto jsem se rozhodl prozkoumat demografické údaje, specificky pohlaví, které Yahoo! Web Analytics poskytuje, a srovnat je s daty z NetMonitoru, což je oficiální platforma pro měření návštěvnosti internetu v České republice, na jejímž základě se formuje poptávka na místním trhu online médií a reklamy.

Srovnání jsem prováděl na webu Okoun.cz (tradiční diskusní fórum fungující od roku 2001). Veškerá data jsou uváděna za období 4 měsíců od listopadu 2009 do února 2010.

Srovnání Yahoo! Web Analytics a NetMonitoru v číslech a grafech

Než se ponoříme do detailních čísel, je nutné zdůraznit, že všechny druhy demografických měření (snad s výjimkou oficiálního sčítání lidu) jsou založeny na nějaké statistické aproximaci. Podstatou je, že pokud máme dostatečně velký vzorek, který vykazuje stejné vlastnosti jako celková populace, postačí nám analyzovat data ze vzorku s tím, že jakékoliv závěry z analýzy budou pravděpodobně platné pro celou populaci. Z toho plyne, že chybová odchylka z takového měření je silně závislá na kvalitě vzorku a míra spolehlivosti je tím nižší, čím větší je velikost populace a čím menší je velikost vzorku.

Tolik k teorii, zde je podíl mužů a žen mezi návštěvníky webu dle Yahoo! Web Analytics a NetMonitoru.

Podíl mužů a žen v celkové návštěvnosti

Z grafu vyplývá docela jasně, že zatímco data z Yahoo! ukazují zhruba 70 % mužů v celém časovém úseku, data NetMonitoru pro mužské návštěvníky kolísají v rozmezí 55 % – 65 %. Rozdíl mezi těmito dvěma systémy měření se tedy pohybuje v rozmezí do 15 procentních bo­dů.

Použíté metriky jsou však odlišné. Zatímco Yahoo! Web Analytics pracuje s jedinečnými návštěvníky (Unique Visitors, což ve skutečnosti znamená cookies), NetMonitor uvádí reálné uživatele (Real Users).

NetMonitor – metodika

Nechci zde zacházet do velkých podrobností, takže jen v kostce: NetMonitor je nasazen na přibližně 95 % českého internetu (z hlediska návštěvnosti, nikoliv počtu internetových stránek), a tak může rozlišovat mezi dobrými cookies (tj. cookies s vymezenou minimální životností) a špatnými cookies (pod prahem definované životnosti). Počet reálných uživatelů je následně odvozen z počtu dobrých cookies, počtu zobrazených stránek s těmito dobrými cookies a celkového počtu zobrazených stránek. Tato kalkulace odvozuje počet skutečných návštěvníků (reálných uživatelů) a má za cíl eliminovat nepřesnosti vzniklé mazáním cookies.

Demografické údaje v NetMonitoru jsou shromažďovány z panelu pomocí dvou metod: user-centric software (páteř panelu, ověřené údaje, cca 1/3 panelu) a site-centric pop-up dotazníky (méně spolehlivé údaje, které lze jen těžko ověřit, cca 2/3 panelu).

Plný popis metodiky najdete zde

Dobře, pojďme se teď podívat na celkový počet unikátních návštěvníků a reálných uživatelů tak, aby bylo možné posoudit rozdíl v poměru pohlaví, jak je uvedeno výše a vyvodit určité závěry.

Celková návštěvnost
Relativní velikost vzorku

Rozdíly v celkové návštěvnosti webu ponechme stranou, jedná se o různé metriky. Co je zde důležitější, je relativní velikost vzorku. Je zcela zřejmé, že Yahoo! má k dispozici značné množství dat. Ve skutečnosti je jich v tomto konkrétním případě třikrát více v porovnání s NetMonitorem. Webové stránky s převážně mezinárodní návštěvností mohou mít tento vzorek ještě větší – viděl jsem, že až 10 % celkové návštěvnosti může být identifikováno demografickými da­ty.

Důvěryhodnost demografických dat v Yahoo! Web Analytics

Žádné údaje nejsou 100% přesné, ale lze předpokládat, že NetMonitor vyvinul větší úsilí v rozvoji správné metodiky pro místní trh – a tak jejich údaje o celkovém rozdělení pohlaví by měly být blíže k pravdě. Pro reportování základních čísel a přilákání reklamních zadavatelů proto doporučuji využít NetMonitor, který poskytuje bohaté a ověřené demografické údaje, které lze snadno porovnat s jinými servery.

Tam, kde demografická data z Yahoo! Web Analytics nejsou příliš přesná, pokud jde o celkové počty, je rozdíl pravděpodobně způsoben tím, že Yahoo! nemá své služby lokalizované v českém jazyce. To ve výsledku posouvá data ve vzorku od běžné populace uživatelů internetu v České republice ve prospěch pokročilejších uživatelů.

Screenshot níže je toho důkazem. Česká republika se řadí k několika málo zemím na světě, kde Google není jedničkou mezi vyhledávači. Jedničkou je Seznam, ale pokročilí uživatelé obvykle dávají přednost Google. Z reportu Search Engines můžete vidět, že návštěvníci, kteří jsou identifikováni na základě jejich Yahoo! ID, používají převážně Google.

Search Engines report

Nicméně, demografická data z Yahoo! stále představují velkou hodnotu pro majitele webových stránek, kteří se snaží lépe pochopit a komunikovat se svými zákazníky. Je skutečně možné použít tato data pro identifikaci segmentů a detailní analýzu jejich chování ve srovnání s ostatními segmenty.

Níže uvedený graf dokládá, že data o pohlaví návštěvníků jsou velmi blízko realitě. Okoun.cz má množství různých témat kde můžete diskutovat a samozřejmě, některé z nich jsou zaměřeny čistě na mužské zájmy a některé naopak. Graf znázorňuje popularitu jednotlivých diskusních skupin jako podíl individuálních diskuzních skupin na celkovém počtu zobrazených stránek návštěvníky-muži a návštěvnicemi-ženami.

Relativní popularita diskuzních fór

Následující tabulka pak shrnuje 10 nejnavštěvo­vanějších diskusí mezi ženami.

Nejpopulárnější ženská diskuzní fóra

Závěr

Demografická data chyběla ve webové analytice po dlouhé roky, přestože v tradičním marketingu hrála demografická segmentace vždy ohromnou roli. A je právě na čase, abychom objevili její hodnotu i ve webové analytice.

Demografická data v Yahoo! Web Analytics nereprezentují přesně celkovou populaci na českém internetu, ale zdají se být velmi přesná pro mnoho návštěvníků, které lze identifikovat prostřednictvím Yahoo! ID. Můj závěr proto je, že tyto cenné demografické údaje mohou být skutečně využity v segmentaci a analýze návštěvníků vašich webových stránek. Obzvlášť pak v kombinaci s daty o chování návštěvníků, kampaních a prodejích, které nejsou k dispozici v NetMonitoru.

Jak se vám líbí myšlenka využití demografických dat pro segmentaci a analýzu chování návštěvníků vašeho webu? Víte, zda vaše marketingové kampaně cílí na správnou cílovou skupinu? Víte, zda mají na vašem eshopu vyšší konverzní poměr muži nebo ženy? Napadá vás, jak tato data využít pro optimalizaci webu? Zapojte se do diskuze pod článkem.

Související články:

Komentáře

Související články:]]>

Tento článek vyšel původně na blogu Dennise Mortensena, který pracuje jako Director of Data Insights v Yahoo!

Je to již přes rok, co Dennis na svém blogu oznámil příchod Yahoo! Web Analytics 9.5 a jednou z hlavních novinek nové verze byly demografické údaje jako je pohlaví a věk. Dennis je špičkový expert na webovou analytiku a ve svém videu ukázal několik způsobů, jak taková data využít. Pokud jste se ještě s prostředím Yahoo! Web Analytics nesetkali, doporučuji vám před čtením následujícího článku toto video shlédnout.

Nicméně několik analytiků z evropských zemí po tomto oznámení zpochybnilo schopnost Yahoo! poskytovat relevantní data tam, kde Yahoo! Search nemá téměř žádný podíl na trhu, jako například v Česku. Berte to pouze jako orientační údaj, ale v praxi vidím, že pro české weby s návštěvností několika málo tisíc návštěvníků může Yahoo! opravdu poskytnout relevantní data se spolehlivostí 80 %, pro weby s návštěvností nad 50 tisíc návštěvníků pak se spolehlivost blížící se až k hranici 95 %.

Schopnost Yahoo! shromažďovat demografická data vyplývá z faktu, že tato data pocházejí z Yahoo! ID, které potřebujete k používání široké škály webových aplikací od Yahoo!, zejména Yahoo! Mail a webu pro sdílení fotografií Flickr, který je populární prakticky ve všech zemích světa, a tak je pravděpodobně i zdrojem většiny českých návštěvníků s Yahoo! ID.

Pro mne, a doufám, že i pro mnohé z vás, to tedy již není otázka jen o tom, zda Yahoo! může poskytnout demografické údaje o návštěvnících vašeho webu, protože odpověď je jednoznačně ano. Tou skutečnou otázkou je, zda můžeme těmto údajům věřit, využít je pro analýzu chování v jednotlivých demografických segmentech, a přijímat rozhodnutí na základě těchto informací.

Proto jsem se rozhodl prozkoumat demografické údaje, specificky pohlaví, které Yahoo! Web Analytics poskytuje, a srovnat je s daty z NetMonitoru, což je oficiální platforma pro měření návštěvnosti internetu v České republice, na jejímž základě se formuje poptávka na místním trhu online médií a reklamy.

Srovnání jsem prováděl na webu Okoun.cz (tradiční diskusní fórum fungující od roku 2001). Veškerá data jsou uváděna za období 4 měsíců od listopadu 2009 do února 2010.

Srovnání Yahoo! Web Analytics a NetMonitoru v číslech a grafech

Než se ponoříme do detailních čísel, je nutné zdůraznit, že všechny druhy demografických měření (snad s výjimkou oficiálního sčítání lidu) jsou založeny na nějaké statistické aproximaci. Podstatou je, že pokud máme dostatečně velký vzorek, který vykazuje stejné vlastnosti jako celková populace, postačí nám analyzovat data ze vzorku s tím, že jakékoliv závěry z analýzy budou pravděpodobně platné pro celou populaci. Z toho plyne, že chybová odchylka z takového měření je silně závislá na kvalitě vzorku a míra spolehlivosti je tím nižší, čím větší je velikost populace a čím menší je velikost vzorku.

Tolik k teorii, zde je podíl mužů a žen mezi návštěvníky webu dle Yahoo! Web Analytics a NetMonitoru.

Podíl mužů a žen v celkové návštěvnosti

Z grafu vyplývá docela jasně, že zatímco data z Yahoo! ukazují zhruba 70 % mužů v celém časovém úseku, data NetMonitoru pro mužské návštěvníky kolísají v rozmezí 55 % – 65 %. Rozdíl mezi těmito dvěma systémy měření se tedy pohybuje v rozmezí do 15 procentních bo­dů.

Použíté metriky jsou však odlišné. Zatímco Yahoo! Web Analytics pracuje s jedinečnými návštěvníky (Unique Visitors, což ve skutečnosti znamená cookies), NetMonitor uvádí reálné uživatele (Real Users).

NetMonitor – metodika

Nechci zde zacházet do velkých podrobností, takže jen v kostce: NetMonitor je nasazen na přibližně 95 % českého internetu (z hlediska návštěvnosti, nikoliv počtu internetových stránek), a tak může rozlišovat mezi dobrými cookies (tj. cookies s vymezenou minimální životností) a špatnými cookies (pod prahem definované životnosti). Počet reálných uživatelů je následně odvozen z počtu dobrých cookies, počtu zobrazených stránek s těmito dobrými cookies a celkového počtu zobrazených stránek. Tato kalkulace odvozuje počet skutečných návštěvníků (reálných uživatelů) a má za cíl eliminovat nepřesnosti vzniklé mazáním cookies.

Demografické údaje v NetMonitoru jsou shromažďovány z panelu pomocí dvou metod: user-centric software (páteř panelu, ověřené údaje, cca 1/3 panelu) a site-centric pop-up dotazníky (méně spolehlivé údaje, které lze jen těžko ověřit, cca 2/3 panelu).

Plný popis metodiky najdete zde

Dobře, pojďme se teď podívat na celkový počet unikátních návštěvníků a reálných uživatelů tak, aby bylo možné posoudit rozdíl v poměru pohlaví, jak je uvedeno výše a vyvodit určité závěry.

Celková návštěvnost
Relativní velikost vzorku

Rozdíly v celkové návštěvnosti webu ponechme stranou, jedná se o různé metriky. Co je zde důležitější, je relativní velikost vzorku. Je zcela zřejmé, že Yahoo! má k dispozici značné množství dat. Ve skutečnosti je jich v tomto konkrétním případě třikrát více v porovnání s NetMonitorem. Webové stránky s převážně mezinárodní návštěvností mohou mít tento vzorek ještě větší – viděl jsem, že až 10 % celkové návštěvnosti může být identifikováno demografickými da­ty.

Důvěryhodnost demografických dat v Yahoo! Web Analytics

Žádné údaje nejsou 100% přesné, ale lze předpokládat, že NetMonitor vyvinul větší úsilí v rozvoji správné metodiky pro místní trh – a tak jejich údaje o celkovém rozdělení pohlaví by měly být blíže k pravdě. Pro reportování základních čísel a přilákání reklamních zadavatelů proto doporučuji využít NetMonitor, který poskytuje bohaté a ověřené demografické údaje, které lze snadno porovnat s jinými servery.

Tam, kde demografická data z Yahoo! Web Analytics nejsou příliš přesná, pokud jde o celkové počty, je rozdíl pravděpodobně způsoben tím, že Yahoo! nemá své služby lokalizované v českém jazyce. To ve výsledku posouvá data ve vzorku od běžné populace uživatelů internetu v České republice ve prospěch pokročilejších uživatelů.

Screenshot níže je toho důkazem. Česká republika se řadí k několika málo zemím na světě, kde Google není jedničkou mezi vyhledávači. Jedničkou je Seznam, ale pokročilí uživatelé obvykle dávají přednost Google. Z reportu Search Engines můžete vidět, že návštěvníci, kteří jsou identifikováni na základě jejich Yahoo! ID, používají převážně Google.

Search Engines report

Nicméně, demografická data z Yahoo! stále představují velkou hodnotu pro majitele webových stránek, kteří se snaží lépe pochopit a komunikovat se svými zákazníky. Je skutečně možné použít tato data pro identifikaci segmentů a detailní analýzu jejich chování ve srovnání s ostatními segmenty.

Níže uvedený graf dokládá, že data o pohlaví návštěvníků jsou velmi blízko realitě. Okoun.cz má množství různých témat kde můžete diskutovat a samozřejmě, některé z nich jsou zaměřeny čistě na mužské zájmy a některé naopak. Graf znázorňuje popularitu jednotlivých diskusních skupin jako podíl individuálních diskuzních skupin na celkovém počtu zobrazených stránek návštěvníky-muži a návštěvnicemi-ženami.

Relativní popularita diskuzních fór

Následující tabulka pak shrnuje 10 nejnavštěvo­vanějších diskusí mezi ženami.

Nejpopulárnější ženská diskuzní fóra

Závěr

Demografická data chyběla ve webové analytice po dlouhé roky, přestože v tradičním marketingu hrála demografická segmentace vždy ohromnou roli. A je právě na čase, abychom objevili její hodnotu i ve webové analytice.

Demografická data v Yahoo! Web Analytics nereprezentují přesně celkovou populaci na českém internetu, ale zdají se být velmi přesná pro mnoho návštěvníků, které lze identifikovat prostřednictvím Yahoo! ID. Můj závěr proto je, že tyto cenné demografické údaje mohou být skutečně využity v segmentaci a analýze návštěvníků vašich webových stránek. Obzvlášť pak v kombinaci s daty o chování návštěvníků, kampaních a prodejích, které nejsou k dispozici v NetMonitoru.

Jak se vám líbí myšlenka využití demografických dat pro segmentaci a analýzu chování návštěvníků vašeho webu? Víte, zda vaše marketingové kampaně cílí na správnou cílovou skupinu? Víte, zda mají na vašem eshopu vyšší konverzní poměr muži nebo ženy? Napadá vás, jak tato data využít pro optimalizaci webu? Zapojte se do diskuze pod článkem.

Související články:

]]> http://www.optimics.cz/c/porovnani-demografickych-dat-z-yahoo-web-analytics-a-netmonitoru/feed 3 Yahoo! Web Analytics pro eshopy http://www.optimics.cz/c/yahoo-web-analytics-pro-eshopy http://www.optimics.cz/c/yahoo-web-analytics-pro-eshopy#comments Mon, 07 Jun 2010 22:18:40 +0000 Jiří Brázda http://www.optimics.cz/?p=1073 Docela často od klientů dostáváme dotaz, zda Yahoo! Web Analytics (YWA) umí to či ono. Přestože to nejdůležitější popisujeme na naší stránce o Yahoo! Web Analytics, je zřejmé, že na českém internetu chybí dostatek konkrétních článků a případových studií o tom, jaké užitečné funkce a jiné výhody YWA nabízí. A protože nemalá část těchto dotazů přichází od eshopů, rád bych se dnes zaměřil na 5 konkrétních věcí, které s velkou radostí využije každý majitel a manažer většího eshopu.

1. Cross-sell report

Téměř každý eshop řeší, co, jak a kde připrodat zákazníkovi, který momentálně nějaké zboží v košíku na webu již má a chystá se dokončit nákup. Obvykle lze v košíku zobrazit několik málo položek a otázkou je, podle jaké logiky by se měl řídit výběr tohoto zboží. V českých eshopech se nejčastěji jedná o zboží, které je v akci nebo o zboží ve výprodeji.

U velkých eshopů lze ovšem využít i sofistikova­nějších metod, jejichž průkopníkem je Amazon, a které jsou založené na analýze transakčních a behaviorálních dat. Nejjednodušší, ovšem také jednou z nejplodnějších je analýza zboží, které se nejčastěji nakupuje v rámci jednoho košíku. Tato data můžete dolovat z interního systému a poté analyzovat v nějakém statistickém nástroji, ale proč, když to jde jednoduše v YWA prostřednictvím reportu Cross-sell analysis? Samozřejmě i s napojením na kampaně a další možnosti filtrování a segmentace, kterou YWA standardně nabízí.

2. Podíl na obratu

Optimalizace obchodní výkonnosti webu se v prvním kroku typicky zaměřuje na nákupní košík a objednávkový proces. Zde se často vyskytují banální chyby, které skutečně snižují konverzní poměr a obrat eshopu. Jak ovšem ukazuje mnoho analýz, které realizujeme pro naše klienty, součástí konverzního procesu jsou často i stránky mimo tradiční funnel.

Víte z vašeho analytického nástroje například to, v kolika procentech nákupů u nových návštěv se vyskytuje také zobrazení stránky s obchodními podmínkami? Budete se divit, ale je možné, že překvapivě hodně. A co to znamená? Že i stránka s nudnou právničinou se dá optimalizovat tak, aby byla zajímavá a prodávala – v Česku jsem zatím ale nic podobného neviděl.

V řeči YWA se této metrice říká Conversion participation a můžete si snadno vytvořit report, který vyzdvihne z nudného reportu nejnavštěvova­nějších stránek ty stránky vašeho eshopu, které nejčastěji vedou k nákupu. Nebo ještě lépe, použijte metriku Revenue participation a získáte ty stránky, které vám generují největší obrat. Dobré, ne?

3. Nezaplacené objednávky

Kolik procent objednávek na vašem eshopu zákazníci nikdy nepřevezmou, nezaplatí nebo zboží vrátí v zákonné lhůtě? Nula to určitě není, ale přitom všechny jednoduché online analytické nástroje v čele s Google Analytics se spoléhají na to, že vám ke každé kampani zobrazí počet objednávek na webu. Ani vaše PPC agentura vám zřejmě nikdy neřekne, která sestava, inzerát a produktová stránka generuje vyšší podíl nezaplacených objednávek.

YWA ovšem podporuje tzv. Pending sale a přímo v reportovacím rozhraní nabízí možnost označit ty objednávky, které byly skutečně zaplaceny a které ne. Pro velké množství položek lze tento proces také zautomatizovat prostřednictvím A­PI.

4. Klasifikace sortimentu

Teď se podržte, jdeme pomalu do finále. Generujete větší obrat prodejem značky Puma nebo Adidas? Fajn, to asi víte. Víte ale, která značka (tj. veškeré zboží dané značky) má lepší konverzní poměr? A jak je to v návaznosti na kampaně?

Každý větší eshop má tisíce položek v produktovém katalogu, jehož hierarchie může mít i několik úrovní – značka, výrobce, dodavatel atd. V YWA lze tato data klasifikovat do kategorií a ty pak zobrazovat v sales reportech podobně, jak jsem naznačil se značkami Puma a Adidas výše. Tato klasifikace probíhá prostřednictvím uploadu produktového katalogu ve formátu MS Excel, což znamená, že máte flexibilitu dělat v katalogu libovolné úpravy podle potřeby a to i se zpětnou platností.

A to není vše! V rámci produktového katalogu můžete dokonce ke každé položce uvádět i svoji nákupní cenu. YWA pak dokáže z prodejní a nákupní ceny automaticky vypočítat vaši marži. Když pak tuto marži postavíte proti nákladům na jednotlivé inzeráty, můžete okamžitě spočítat přímou ziskovost každé kampaně. Vše pohodlně na jednom místě.

5. Podpora více měn

Poslední funkce, taková třešnička na dortu, se týká eshopů, které působí na mezinárodním poli a prodávají zboží ve více různých měnách. YWA podporuje více měn (pozor, včetně Kč) a v rámci reportů pak dokáže automaticky konvertovat měny, ve kterých se uskutečnil nákup do měny, kterou si nastavíte jako primární. Nic složitého, ale velké mezinárodní eshopy to ocení.

Akce: Červen – měsíc Yahoo! Web Analytics

Nyní do konce června 2010 nabízíme vytvoření účtu a základní implementaci Yahoo! Web Analytics s více než 50% slevou oproti běžné ceně. Pokud chcete znát detailní podmínky akce a další podrobnosti, napište nám na info@optimics.cz.

Tak co tomu říkáte? Který report nebo funkce by pro váš eshop znamenala největší přínos?

Související články:

Komentáře

Související články:]]> Docela často od klientů dostáváme dotaz, zda Yahoo! Web Analytics (YWA) umí to či ono. Přestože to nejdůležitější popisujeme na naší stránce o Yahoo! Web Analytics, je zřejmé, že na českém internetu chybí dostatek konkrétních článků a případových studií o tom, jaké užitečné funkce a jiné výhody YWA nabízí. A protože nemalá část těchto dotazů přichází od eshopů, rád bych se dnes zaměřil na 5 konkrétních věcí, které s velkou radostí využije každý majitel a manažer většího eshopu.

1. Cross-sell report

Téměř každý eshop řeší, co, jak a kde připrodat zákazníkovi, který momentálně nějaké zboží v košíku na webu již má a chystá se dokončit nákup. Obvykle lze v košíku zobrazit několik málo položek a otázkou je, podle jaké logiky by se měl řídit výběr tohoto zboží. V českých eshopech se nejčastěji jedná o zboží, které je v akci nebo o zboží ve výprodeji.

U velkých eshopů lze ovšem využít i sofistikova­nějších metod, jejichž průkopníkem je Amazon, a které jsou založené na analýze transakčních a behaviorálních dat. Nejjednodušší, ovšem také jednou z nejplodnějších je analýza zboží, které se nejčastěji nakupuje v rámci jednoho košíku. Tato data můžete dolovat z interního systému a poté analyzovat v nějakém statistickém nástroji, ale proč, když to jde jednoduše v YWA prostřednictvím reportu Cross-sell analysis? Samozřejmě i s napojením na kampaně a další možnosti filtrování a segmentace, kterou YWA standardně nabízí.

2. Podíl na obratu

Optimalizace obchodní výkonnosti webu se v prvním kroku typicky zaměřuje na nákupní košík a objednávkový proces. Zde se často vyskytují banální chyby, které skutečně snižují konverzní poměr a obrat eshopu. Jak ovšem ukazuje mnoho analýz, které realizujeme pro naše klienty, součástí konverzního procesu jsou často i stránky mimo tradiční funnel.

Víte z vašeho analytického nástroje například to, v kolika procentech nákupů u nových návštěv se vyskytuje také zobrazení stránky s obchodními podmínkami? Budete se divit, ale je možné, že překvapivě hodně. A co to znamená? Že i stránka s nudnou právničinou se dá optimalizovat tak, aby byla zajímavá a prodávala – v Česku jsem zatím ale nic podobného neviděl.

V řeči YWA se této metrice říká Conversion participation a můžete si snadno vytvořit report, který vyzdvihne z nudného reportu nejnavštěvova­nějších stránek ty stránky vašeho eshopu, které nejčastěji vedou k nákupu. Nebo ještě lépe, použijte metriku Revenue participation a získáte ty stránky, které vám generují největší obrat. Dobré, ne?

3. Nezaplacené objednávky

Kolik procent objednávek na vašem eshopu zákazníci nikdy nepřevezmou, nezaplatí nebo zboží vrátí v zákonné lhůtě? Nula to určitě není, ale přitom všechny jednoduché online analytické nástroje v čele s Google Analytics se spoléhají na to, že vám ke každé kampani zobrazí počet objednávek na webu. Ani vaše PPC agentura vám zřejmě nikdy neřekne, která sestava, inzerát a produktová stránka generuje vyšší podíl nezaplacených objednávek.

YWA ovšem podporuje tzv. Pending sale a přímo v reportovacím rozhraní nabízí možnost označit ty objednávky, které byly skutečně zaplaceny a které ne. Pro velké množství položek lze tento proces také zautomatizovat prostřednictvím A­PI.

4. Klasifikace sortimentu

Teď se podržte, jdeme pomalu do finále. Generujete větší obrat prodejem značky Puma nebo Adidas? Fajn, to asi víte. Víte ale, která značka (tj. veškeré zboží dané značky) má lepší konverzní poměr? A jak je to v návaznosti na kampaně?

Každý větší eshop má tisíce položek v produktovém katalogu, jehož hierarchie může mít i několik úrovní – značka, výrobce, dodavatel atd. V YWA lze tato data klasifikovat do kategorií a ty pak zobrazovat v sales reportech podobně, jak jsem naznačil se značkami Puma a Adidas výše. Tato klasifikace probíhá prostřednictvím uploadu produktového katalogu ve formátu MS Excel, což znamená, že máte flexibilitu dělat v katalogu libovolné úpravy podle potřeby a to i se zpětnou platností.

A to není vše! V rámci produktového katalogu můžete dokonce ke každé položce uvádět i svoji nákupní cenu. YWA pak dokáže z prodejní a nákupní ceny automaticky vypočítat vaši marži. Když pak tuto marži postavíte proti nákladům na jednotlivé inzeráty, můžete okamžitě spočítat přímou ziskovost každé kampaně. Vše pohodlně na jednom místě.

5. Podpora více měn

Poslední funkce, taková třešnička na dortu, se týká eshopů, které působí na mezinárodním poli a prodávají zboží ve více různých měnách. YWA podporuje více měn (pozor, včetně Kč) a v rámci reportů pak dokáže automaticky konvertovat měny, ve kterých se uskutečnil nákup do měny, kterou si nastavíte jako primární. Nic složitého, ale velké mezinárodní eshopy to ocení.

Akce: Červen – měsíc Yahoo! Web Analytics

Nyní do konce června 2010 nabízíme vytvoření účtu a základní implementaci Yahoo! Web Analytics s více než 50% slevou oproti běžné ceně. Pokud chcete znát detailní podmínky akce a další podrobnosti, napište nám na info@optimics.cz.

Tak co tomu říkáte? Který report nebo funkce by pro váš eshop znamenala největší přínos?

Související články:

]]> http://www.optimics.cz/c/yahoo-web-analytics-pro-eshopy/feed 1 Pokročilé nástroje webové analytiky (aneb až vám Google Analytics přestanou stačit) http://www.optimics.cz/c/pokrocile-nastroje-webove-analytiky-aneb-az-vam-google-analytics-prestanou-stacit http://www.optimics.cz/c/pokrocile-nastroje-webove-analytiky-aneb-az-vam-google-analytics-prestanou-stacit#comments Thu, 25 Mar 2010 09:49:37 +0000 Martin Snížek http://www.optimics.cz/?p=1016

Tento článek původně vyšel na serveru Lupa.

Google udělal se svým nástrojem Google Analytics opravdu hodně pro rozšíření nástrojů pro webovou analytiku. Co když už ale ve svém online marketingu narážíte na hranice tohoto nástroje? Co vám nabízí pokročilá řešení, které již používají i české firmy, a o jaká z nich se zajímat?

Google Analytics – skvělý začátek

Google Analytics vám řeknou o vašich návštěvnících a webu hodně. Ačkoliv jsou zdarma, nabízejí bohatou funkcionalitu, dobré uživatelské rozhraní a širokou nápovědu. Jedná se o ideální startovací bod: nasadíte je na svůj web a postupně poznáváte, jaké informace vám webová analytika může přinést.

Především pokud jste větší firma, máte hodně navštěvovaný nebo složitý web, přestanou vám však Google Analytics postupně stačit. Ačkoliv nabízejí mnoho z enterprise-level funkcionality, mnoho jedinečných reportů a zajímavých funkcí, nejedná se o enterprise-level řešení, a žádnými úpravami v něj Google Analytics nepřetvoříte. Architektura Google Analytics je navržena pro masové použití na všech možných webech, vy však budete potřebovat úplně jiný přístup s důrazem na možnost přizpůsobení a individualizace (dostanu se k tomu dále).

Toto je velmi důležitý bod. Google Analytics nejsou špatným nástrojem, a pro některé weby a firmy zůstanou ideálním nástrojem „napořád“. Pro pokročilá řešení webové analytiky byste se měli rozhodnout ve chvíli, kdy už pracujete určitým způsobem s čísly a daty ze svého webu – nejen že je sledujete a reportujete, ale i využíváte pro optimalizaci kampaní a obchodní výkonnosti webu.

Co vám mohou nabídnout pokročilá řešení pro webovou analytiku

Přednosti a jiný přístup pokročilých řešení webové analytiky jsou patrné především v následujících pěti oblastech:

Customizace

Pokročilá řešení jsou připravena na to, že si je nastavíte kompletně podle svých potřeb. Můžete si vytvořit vlastní reporty i strukturu menu, definovat vlastní metriky (jménem a vzorcem, kterým se mají počítat). Můžete zobrazovat každému uživateli právě ty reporty a grafy, které jsou pro něj relevantní, můžete do řešení zadat plány pro jednotlivé metriky (např. prodeje) a sledovat rovnou v reportech úroveň jejich plnění. Stejnou flexibilitu máte i v oblasti implementace řešení, kde se můžete rozhodnout do velké hloubky, co vše chcete sledovat, jakým způsobem to sledovat a kam se to má posílat.

Integrace

Jakmile se dostanete přes určitou úroveň práce s webovými daty, budete je chtít integrovat s jinými systémy firmy. Webová data mohou doplnit informace v CRM, mohu se posílat do datového skladu a být analyzována s ostatními daty. A funguje to i obráceně – váš informační systém může posílat do webové analytiky informace o tom, jestli byla objednávka z webu skutečně zaplacena a zrealizována. Dozvíte se díky tomu, jakou skutečnou úspěšnost má vaše poslední kampaň, získáte lepší obrázek než jen ze sledování konverzí. Dalším rozměrem je import veškerých dat o vašich online kampaních a jejich kompletní analýza v rámci webové analytiky.

Funkcionalita

Pokročilá řešení nabízí mnoho zajímavých pohledů na vaše data, díky kterým můžete zlepšit průchod návštěvníků webem a přeměnit více z nich v zákazníky. Jedná se např. o bohatou analýzu cest návštěvníka po webu (clickstream analýza) nebo široce nastavitelné funnely. Můžete také pracovat s návštěvníky během celého nákupního cyklu, a to dokonce až na té úrovni, že vidíte kompletní zkušenost jakéhokoliv konkrétního návštěvníka s webem. Obvykle je také možné specifikovat velmi podrobně model, na základě kterého má být přiřazena konverze návštěvníka ke kampani, tzv. atribuční model (více).

Garance bezpečného a konzistentního nakládání s daty

Při používání Google Analytics dáváte Googlu k dispozici data o vašich zákaznících, objednávkách a často i obratech, a Google si s nimi může dělat, co uzná za vhodné. S tím, jak se Google rozšiřuje, se tento fakt stává problémem pro stále více firem (kterým může Google začít konkurovat), v České republice se to týká především velkých společností se zahraniční účastí.

U pokročilých řešení podepisujete velmi podrobnou smlouvu, ve které vám poskytovatel garantuje bezpečnost dat a také kvalitu služeb (SLA). Ve chvíli, kdy chcete spolupráci s ním ukončit, poskytovatel všechna vaše data ze svých serverů odstraní. Můžete si také být jisti, že poskytovatel nebude nástroj vyvíjet zcela svévolně, ale že vychází v dlouhodobém vývoji vstříc svým zákazníkům. Ve chvíli, kdy je již potřeba data z webu vážně zapojit do procesů a reportingu firmy, se pro vás profesionální garance stává nutnou podmínkou, kterou musí vaše analytické řešení splnit.

Podpora

V rámci smlouvy s poskytovatelem pokročilého řešení je také garantováno, že se vašimi problémy a případnými nefunkčnostmi systému bude zabývat profesionální podpora. Opět, při rozsáhlejším použití ve firmě se jedná o velmi důležitý požadavek.

Jaká řešení se používají

Pravděpodobně nejvýznamnějšími zástupci pokročilých řešení webové analytiky jsou Omniture Suite, Coremetrics, WebTrends a Unica NetInsight. Na pomezí mezi Google Analytics a pokročilými řešeními jsou Yahoo Web Analytics, které jsou poskytovány zdarma (přes vybrané partnery), ale nabízí mnoho z vlastností pokročilých řešení.

Z průzkumů, které existují, vyplývá, že největší podíl na trhu mají Google Analytics, následované Omniture a Coremetrics či WebTrends. Aktuální průzkum firmy iPerceptions na 458 amerických e-commerce webech hovoří o následujících podílech (srovnání dat z ledna 2010 a 2009):

Graf z průzkumu

Podle jiného průzkumu z roku 2010 se ukazuje, že Google Analytics dominuje především u menších webů, s návštěvností však roste podíl pokročilých řešení:

Graf z průzkumu

Co Česká republika?

U nás je nejrozšířenějším pokročilým analytickým řešením Omniture – používá ho např. Vodafone, Direct Pojišťovna, GE Money Bank, ČSA, Grisoft (AVG), UPC, Ikea, LG, Saxo Bank, Mediatel (Zlaté stránky), Nissan nebo ČSOB Pojišťovna. Webtrends jsou u nás používány např. v T-Mobile a v Toyotě, ostatní řešení podle našich informací nemají v ČR významnější instalace (můžete nás ale opravit v diskusi).

Na co se připravit – jak vypadá zavádění pokročilé webové analytiky

Pokročilé řešení webové analytiky by vám mělo přinést vyšší obchodní výkonnost webu, ale také pomoci lépe plánovat rozdělení vašich mediálních prostředků. Při rozhodnutí byste tedy měli vedle nákladů na analytické řešení stavět peníze, které můžete díky lepším informacím získat, případně ušetřit. Samotný projekt zavádění webové analytiky se ve stručnosti skládá z následujících čás­tí:

  • Analýza potřeb vaší firmy a webu
  • Výběr vhodného řešení
  • Návrh základní implementace na váš web
  • Implementace na web podle připraveného návrhu (obvykle dodavatelem webu)
  • Školení zainteresovaných uživatelů
  • Využívání analytiky a postupná implementace pokročilejší funkcionality

Kromě ceny analytického řešení je potřeba počítat i s nezanedba­telnými náklady na lidi, kteří budou analytické řešení průběžně přizpůsobovat k řešení všech potřeb a především budou vyvozovat z nasbíraných dat realizovatelná doporučení pro úpravy vašeho webu a marketingu. Tyto lidi můžete najmout interně, nebo využít specializovaných konzultantů.

Související články:

Komentáře

Související články:]]>

Tento článek původně vyšel na serveru Lupa.

Google udělal se svým nástrojem Google Analytics opravdu hodně pro rozšíření nástrojů pro webovou analytiku. Co když už ale ve svém online marketingu narážíte na hranice tohoto nástroje? Co vám nabízí pokročilá řešení, které již používají i české firmy, a o jaká z nich se zajímat?

Google Analytics – skvělý začátek

Google Analytics vám řeknou o vašich návštěvnících a webu hodně. Ačkoliv jsou zdarma, nabízejí bohatou funkcionalitu, dobré uživatelské rozhraní a širokou nápovědu. Jedná se o ideální startovací bod: nasadíte je na svůj web a postupně poznáváte, jaké informace vám webová analytika může přinést.

Především pokud jste větší firma, máte hodně navštěvovaný nebo složitý web, přestanou vám však Google Analytics postupně stačit. Ačkoliv nabízejí mnoho z enterprise-level funkcionality, mnoho jedinečných reportů a zajímavých funkcí, nejedná se o enterprise-level řešení, a žádnými úpravami v něj Google Analytics nepřetvoříte. Architektura Google Analytics je navržena pro masové použití na všech možných webech, vy však budete potřebovat úplně jiný přístup s důrazem na možnost přizpůsobení a individualizace (dostanu se k tomu dále).

Toto je velmi důležitý bod. Google Analytics nejsou špatným nástrojem, a pro některé weby a firmy zůstanou ideálním nástrojem „napořád“. Pro pokročilá řešení webové analytiky byste se měli rozhodnout ve chvíli, kdy už pracujete určitým způsobem s čísly a daty ze svého webu – nejen že je sledujete a reportujete, ale i využíváte pro optimalizaci kampaní a obchodní výkonnosti webu.

Co vám mohou nabídnout pokročilá řešení pro webovou analytiku

Přednosti a jiný přístup pokročilých řešení webové analytiky jsou patrné především v následujících pěti oblastech:

Customizace

Pokročilá řešení jsou připravena na to, že si je nastavíte kompletně podle svých potřeb. Můžete si vytvořit vlastní reporty i strukturu menu, definovat vlastní metriky (jménem a vzorcem, kterým se mají počítat). Můžete zobrazovat každému uživateli právě ty reporty a grafy, které jsou pro něj relevantní, můžete do řešení zadat plány pro jednotlivé metriky (např. prodeje) a sledovat rovnou v reportech úroveň jejich plnění. Stejnou flexibilitu máte i v oblasti implementace řešení, kde se můžete rozhodnout do velké hloubky, co vše chcete sledovat, jakým způsobem to sledovat a kam se to má posílat.

Integrace

Jakmile se dostanete přes určitou úroveň práce s webovými daty, budete je chtít integrovat s jinými systémy firmy. Webová data mohou doplnit informace v CRM, mohu se posílat do datového skladu a být analyzována s ostatními daty. A funguje to i obráceně – váš informační systém může posílat do webové analytiky informace o tom, jestli byla objednávka z webu skutečně zaplacena a zrealizována. Dozvíte se díky tomu, jakou skutečnou úspěšnost má vaše poslední kampaň, získáte lepší obrázek než jen ze sledování konverzí. Dalším rozměrem je import veškerých dat o vašich online kampaních a jejich kompletní analýza v rámci webové analytiky.

Funkcionalita

Pokročilá řešení nabízí mnoho zajímavých pohledů na vaše data, díky kterým můžete zlepšit průchod návštěvníků webem a přeměnit více z nich v zákazníky. Jedná se např. o bohatou analýzu cest návštěvníka po webu (clickstream analýza) nebo široce nastavitelné funnely. Můžete také pracovat s návštěvníky během celého nákupního cyklu, a to dokonce až na té úrovni, že vidíte kompletní zkušenost jakéhokoliv konkrétního návštěvníka s webem. Obvykle je také možné specifikovat velmi podrobně model, na základě kterého má být přiřazena konverze návštěvníka ke kampani, tzv. atribuční model (více).

Garance bezpečného a konzistentního nakládání s daty

Při používání Google Analytics dáváte Googlu k dispozici data o vašich zákaznících, objednávkách a často i obratech, a Google si s nimi může dělat, co uzná za vhodné. S tím, jak se Google rozšiřuje, se tento fakt stává problémem pro stále více firem (kterým může Google začít konkurovat), v České republice se to týká především velkých společností se zahraniční účastí.

U pokročilých řešení podepisujete velmi podrobnou smlouvu, ve které vám poskytovatel garantuje bezpečnost dat a také kvalitu služeb (SLA). Ve chvíli, kdy chcete spolupráci s ním ukončit, poskytovatel všechna vaše data ze svých serverů odstraní. Můžete si také být jisti, že poskytovatel nebude nástroj vyvíjet zcela svévolně, ale že vychází v dlouhodobém vývoji vstříc svým zákazníkům. Ve chvíli, kdy je již potřeba data z webu vážně zapojit do procesů a reportingu firmy, se pro vás profesionální garance stává nutnou podmínkou, kterou musí vaše analytické řešení splnit.

Podpora

V rámci smlouvy s poskytovatelem pokročilého řešení je také garantováno, že se vašimi problémy a případnými nefunkčnostmi systému bude zabývat profesionální podpora. Opět, při rozsáhlejším použití ve firmě se jedná o velmi důležitý požadavek.

Jaká řešení se používají

Pravděpodobně nejvýznamnějšími zástupci pokročilých řešení webové analytiky jsou Omniture Suite, Coremetrics, WebTrends a Unica NetInsight. Na pomezí mezi Google Analytics a pokročilými řešeními jsou Yahoo Web Analytics, které jsou poskytovány zdarma (přes vybrané partnery), ale nabízí mnoho z vlastností pokročilých řešení.

Z průzkumů, které existují, vyplývá, že největší podíl na trhu mají Google Analytics, následované Omniture a Coremetrics či WebTrends. Aktuální průzkum firmy iPerceptions na 458 amerických e-commerce webech hovoří o následujících podílech (srovnání dat z ledna 2010 a 2009):

Graf z průzkumu

Podle jiného průzkumu z roku 2010 se ukazuje, že Google Analytics dominuje především u menších webů, s návštěvností však roste podíl pokročilých řešení:

Graf z průzkumu

Co Česká republika?

U nás je nejrozšířenějším pokročilým analytickým řešením Omniture – používá ho např. Vodafone, Direct Pojišťovna, GE Money Bank, ČSA, Grisoft (AVG), UPC, Ikea, LG, Saxo Bank, Mediatel (Zlaté stránky), Nissan nebo ČSOB Pojišťovna. Webtrends jsou u nás používány např. v T-Mobile a v Toyotě, ostatní řešení podle našich informací nemají v ČR významnější instalace (můžete nás ale opravit v diskusi).

Na co se připravit – jak vypadá zavádění pokročilé webové analytiky

Pokročilé řešení webové analytiky by vám mělo přinést vyšší obchodní výkonnost webu, ale také pomoci lépe plánovat rozdělení vašich mediálních prostředků. Při rozhodnutí byste tedy měli vedle nákladů na analytické řešení stavět peníze, které můžete díky lepším informacím získat, případně ušetřit. Samotný projekt zavádění webové analytiky se ve stručnosti skládá z následujících čás­tí:

  • Analýza potřeb vaší firmy a webu
  • Výběr vhodného řešení
  • Návrh základní implementace na váš web
  • Implementace na web podle připraveného návrhu (obvykle dodavatelem webu)
  • Školení zainteresovaných uživatelů
  • Využívání analytiky a postupná implementace pokročilejší funkcionality

Kromě ceny analytického řešení je potřeba počítat i s nezanedba­telnými náklady na lidi, kteří budou analytické řešení průběžně přizpůsobovat k řešení všech potřeb a především budou vyvozovat z nasbíraných dat realizovatelná doporučení pro úpravy vašeho webu a marketingu. Tyto lidi můžete najmout interně, nebo využít specializovaných konzultantů.

Související články:

]]> http://www.optimics.cz/c/pokrocile-nastroje-webove-analytiky-aneb-az-vam-google-analytics-prestanou-stacit/feed 2 Jak na analýzu návštěvnosti (aneb základní reporting NENÍ dostatečným využitím vašich webových dat) http://www.optimics.cz/c/jak-na-analyzu-navstevnosti-aneb-zakladni-reporting-neni-dostatecnym-vyuzitim-vasich-webovych-dat http://www.optimics.cz/c/jak-na-analyzu-navstevnosti-aneb-zakladni-reporting-neni-dostatecnym-vyuzitim-vasich-webovych-dat#comments Fri, 05 Feb 2010 15:02:21 +0000 Martin Snížek http://www.optimics.cz/?p=980

„Žijeme v informačním věku, kdy největší hodnotu nemají továrny a ruce dělníků, ale informace.“

Podobná tvrzení slýcháme všichni poměrně často po posledních 10–20 let. Osobně jsem k nim dost skeptický. Nesprávně nám totiž vnucují myšlenku, že všechny informace, kterých dnes máme k dispozici obrovské množství, představují zlatý poklad. Mnoho lidí a firem se potom zaměřuje především na sběr co největšího množství informací a dat, a jejich prohlížením – málokdy z nich ale získají nějakou přidanou hodnotu nebo konkurenční výhodu.

Hezky se to dá ilustrovat na analýze návštěvnosti z dat Google Analytics (GA). Odhaduji, že 90 % uživatelů GA používá tento nástroj pro přehled o několika základních metrikách a faktech – počet návštěvníků, počet objednávek/kon­verzí, nejnavštěvovanější stránky, počet stránek shlédnutých na návštěvníka, průměrný čas strávený na webu a celkový bounce rate. U těchto metrik pak zkoumají vývoj v čase a zkouší si ho nějakým způsobem vysvětlit.

Na tom je hezky vidět celý problém. Informace vám samy o sobě (v základních reportech) nic nepřinesou, jsou příliš obecné – např. na průměrný čas na webu mohou mít vliv nárůsty a poklesy různých zdrojů návštěvnosti, kampaně, nové stránky na webu či úpravy stávajících, výpadky serveru… Abyste z těchto informací mohli získat nějakou přidanou hodnotu, reálný nárůst prodeje, musíte data analyzovat:

  • Nezabývat se pouze agregátním souborem, ale dívat se na menší podskupiny i jednotky souboru – jen tak můžete velké množství dat očistit od desítek nerozpoznatelných externích faktorů, působících společně i proti sobě.
  • Zasazovat informace do kontextu, spojovat je s jinými informacemi a hledat závislosti.
  • Být kreativní, přemýšlet o informacích v souvislostech.
  • Pečlivě se snažit získat všechny externí faktory, které mohou data ovlivňovat.

Konkrétně pro analýzu návštěvnosti na základě dat Google Analytics bych vám doporučil:

  1. Základní metriky mohou být ovlivněny tolika vlivy, že se téměř nedají samy o sobě analyzovat. Základem pro analýzu je tedy rozdělení vaší návštěvnosti do několika segmentů, což je v GA proklatě jednoduché (viz pravý horní roh rozhraní).

    Vytvořte si segmenty pro vaše nejčastější zdroje návštěvnosti (přímé přístupy a brandové dotazy, kampaně, vyhledávače, významné odkazující weby) a pro různé typy návštěvníků – např.:

    • ti, kteří hned z webu neodešli
    • zákazníci (konvertující návštěvníci)
    • zaujatí návštěvníci – např. podle počtu shlédnutých stránek, počtu návratů, času stráveného na webu, návštěvy určitých konkrétních stránek
    • zákazníci s vysokou hodnotou objednávky
    • návštěvníci přicházející přes konkrétní vstupní stránku
  2. Hledejte příčiny pro různé změny, odchylky a zvláštnosti v datech, snažte se získat opravdu věrohodná vysvětlení. Jděte v datech hluboko (drill-down), překřižujte si různé dimenze dat (např. vstupní stránky a zdroje návštěvnosti), vytvářejte si i pro jednorázové použití segmenty návštěvníků, obvykle již vcelku malé a specifické – např. návštěvníci, kteří si prohlédli několik důležitých prodejních stránek, a poté se nestali zákazníky. Tyto specifické segmenty vám umožní nahlédnout do nákupního cyklu a získat konkrétní náměty pro změny na webu.
  3. Snažte se podchytit externí vlivy, které mají na návštěvnost vašeho webu (ne jen na kvantitu, ale hlavně na kvalitu) dlouhodobě vliv – probíhající kampaně, vývoj vašeho oboru, média, změny vaší nabídky, změny vašeho webu… Všechny tyto vlivy je nejlepší si průběžně zaznamenávat přímo v GA do anotací (pod každým grafem) – při analýze díky tomu máte k ruce všechny podstatné informace.
  4. Pro některé analýzy již není dostatečné rozhraní Google Analytics – nebojte se v takovém případě použít Excel. Ať už pro poznamenávání různých součtů, výpočet mediánů a dalších statistik, tvorbu ad-hoc grafů, porovnávání různých údajů. GA export do Excelu samy podporují, kromě toho lze využít i různých speciálních programů čerpajících data z GA.

Bez této pečlivější analýzy vypadá celá analytika jako něco, do čeho nemá smysl dávat prostředky. Webová analytika musí vždy směřovat k jasným akcím, doporučovat změny na webu i v marketingu – neslouží jen ke sbírání údajů. Jakmile dokážete informace správně analyzovat, rázem můžete zjistit, kde jsou přesně problémy vašeho webu, jaké skupiny zákazníků oslovit s jakým sdělením, z jakých hlavních důvodů ztrácíte potenciální zákazníky – a rázem se před vámi otevřou nové možnosti a pohledy. Jen to není zadarmo!

Související články:

Komentáře

Související články:]]>

„Žijeme v informačním věku, kdy největší hodnotu nemají továrny a ruce dělníků, ale informace.“

Podobná tvrzení slýcháme všichni poměrně často po posledních 10–20 let. Osobně jsem k nim dost skeptický. Nesprávně nám totiž vnucují myšlenku, že všechny informace, kterých dnes máme k dispozici obrovské množství, představují zlatý poklad. Mnoho lidí a firem se potom zaměřuje především na sběr co největšího množství informací a dat, a jejich prohlížením – málokdy z nich ale získají nějakou přidanou hodnotu nebo konkurenční výhodu.

Hezky se to dá ilustrovat na analýze návštěvnosti z dat Google Analytics (GA). Odhaduji, že 90 % uživatelů GA používá tento nástroj pro přehled o několika základních metrikách a faktech – počet návštěvníků, počet objednávek/kon­verzí, nejnavštěvovanější stránky, počet stránek shlédnutých na návštěvníka, průměrný čas strávený na webu a celkový bounce rate. U těchto metrik pak zkoumají vývoj v čase a zkouší si ho nějakým způsobem vysvětlit.

Na tom je hezky vidět celý problém. Informace vám samy o sobě (v základních reportech) nic nepřinesou, jsou příliš obecné – např. na průměrný čas na webu mohou mít vliv nárůsty a poklesy různých zdrojů návštěvnosti, kampaně, nové stránky na webu či úpravy stávajících, výpadky serveru… Abyste z těchto informací mohli získat nějakou přidanou hodnotu, reálný nárůst prodeje, musíte data analyzovat:

  • Nezabývat se pouze agregátním souborem, ale dívat se na menší podskupiny i jednotky souboru – jen tak můžete velké množství dat očistit od desítek nerozpoznatelných externích faktorů, působících společně i proti sobě.
  • Zasazovat informace do kontextu, spojovat je s jinými informacemi a hledat závislosti.
  • Být kreativní, přemýšlet o informacích v souvislostech.
  • Pečlivě se snažit získat všechny externí faktory, které mohou data ovlivňovat.

Konkrétně pro analýzu návštěvnosti na základě dat Google Analytics bych vám doporučil:

  1. Základní metriky mohou být ovlivněny tolika vlivy, že se téměř nedají samy o sobě analyzovat. Základem pro analýzu je tedy rozdělení vaší návštěvnosti do několika segmentů, což je v GA proklatě jednoduché (viz pravý horní roh rozhraní).

    Vytvořte si segmenty pro vaše nejčastější zdroje návštěvnosti (přímé přístupy a brandové dotazy, kampaně, vyhledávače, významné odkazující weby) a pro různé typy návštěvníků – např.:

    • ti, kteří hned z webu neodešli
    • zákazníci (konvertující návštěvníci)
    • zaujatí návštěvníci – např. podle počtu shlédnutých stránek, počtu návratů, času stráveného na webu, návštěvy určitých konkrétních stránek
    • zákazníci s vysokou hodnotou objednávky
    • návštěvníci přicházející přes konkrétní vstupní stránku
  2. Hledejte příčiny pro různé změny, odchylky a zvláštnosti v datech, snažte se získat opravdu věrohodná vysvětlení. Jděte v datech hluboko (drill-down), překřižujte si různé dimenze dat (např. vstupní stránky a zdroje návštěvnosti), vytvářejte si i pro jednorázové použití segmenty návštěvníků, obvykle již vcelku malé a specifické – např. návštěvníci, kteří si prohlédli několik důležitých prodejních stránek, a poté se nestali zákazníky. Tyto specifické segmenty vám umožní nahlédnout do nákupního cyklu a získat konkrétní náměty pro změny na webu.
  3. Snažte se podchytit externí vlivy, které mají na návštěvnost vašeho webu (ne jen na kvantitu, ale hlavně na kvalitu) dlouhodobě vliv – probíhající kampaně, vývoj vašeho oboru, média, změny vaší nabídky, změny vašeho webu… Všechny tyto vlivy je nejlepší si průběžně zaznamenávat přímo v GA do anotací (pod každým grafem) – při analýze díky tomu máte k ruce všechny podstatné informace.
  4. Pro některé analýzy již není dostatečné rozhraní Google Analytics – nebojte se v takovém případě použít Excel. Ať už pro poznamenávání různých součtů, výpočet mediánů a dalších statistik, tvorbu ad-hoc grafů, porovnávání různých údajů. GA export do Excelu samy podporují, kromě toho lze využít i různých speciálních programů čerpajících data z GA.

Bez této pečlivější analýzy vypadá celá analytika jako něco, do čeho nemá smysl dávat prostředky. Webová analytika musí vždy směřovat k jasným akcím, doporučovat změny na webu i v marketingu – neslouží jen ke sbírání údajů. Jakmile dokážete informace správně analyzovat, rázem můžete zjistit, kde jsou přesně problémy vašeho webu, jaké skupiny zákazníků oslovit s jakým sdělením, z jakých hlavních důvodů ztrácíte potenciální zákazníky – a rázem se před vámi otevřou nové možnosti a pohledy. Jen to není zadarmo!

Související články:

]]> http://www.optimics.cz/c/jak-na-analyzu-navstevnosti-aneb-zakladni-reporting-neni-dostatecnym-vyuzitim-vasich-webovych-dat/feed 3 Jak využít data z vašeho webu ke zvýšení předvánočního prodeje (2/2) http://www.optimics.cz/c/jak-vyuzit-data-z-vaseho-webu-ke-zvyseni-predvanocniho-prodeje-cast2 http://www.optimics.cz/c/jak-vyuzit-data-z-vaseho-webu-ke-zvyseni-predvanocniho-prodeje-cast2#comments Tue, 08 Dec 2009 01:14:03 +0000 Jiří Brázda http://www.optimics.cz/?p=902 V prvním článku této minisérie jsem vám ukázal, jak lze prostřednictvím vizuální analýzy dat z Google Analytics zobrazit konverzní poměr webu pro jednotlivé geografické regiony. Zároveň jsem naznačil možnost, jak prostřednictvím segmentace návštěvníků webu v reálném čase lze zvýšit konverzní poměr u podprůměrně konvertujících regionů. Dnes bych na toto téma rád navázal s článkem, který se také věnuje zvyšování prodeje na základě analýzy dat z webu, ale jde na to trošku z jiné strany.

Akvizice, konverze, retence – čert aby se v tom vyznal!

Zvyšování prodeje je pro mnohé synonymem pro získávání nových zákazníků, protože tradičně se nové obchodní příležitosti hledají vysoko v tzv. sales funnelu. Alfou a omegou je návštěvnost a konverzní poměr. Osobně si myslím, že částečně proto je stále taková poptávka po SEO.

Nicméně často se podceňuje význam stávajících zákazníků a jejich podílu na celkových prodejích firmy. Data o zákaznících se nijak nezkoumají, nevyhodnocují a nevyužívají k udržení a zvyšování peněžní hodnoty jednotlivých zákazníků (tzv. life-time value nebo LTV). Je určitě škoda, že se online marketéři neučí více od tradičních disciplín, jako je direct marketing a katalogový prodej. Tyto obory totiž již dávno umí pracovat se segmentací a s efektivním cílením (nebo personalizací, chcete-li) marketingové komunikace jen na vybrané segmenty s cílem udržet zákazníky a zvyšovat v čase objem prodeje, který každý zákazník generuje.

Jak to dělá Amazon a jak můžete začít vy?

Podmínkou pro segmentaci zákazníků je analýza dat, která máte k dispozici o jednotlivých zákaznících a jejich transakční historii. Co budete potřebovat? Určitě především data (i to je překvapivě někde problém), nástroje pro analýzu dat a v neposlední řadě také šikovného analytika. Každá z těchto tří součástí je nezbytná pro úspěch. Ovšem nemusíte být hned tak velcí jako Amazon, který pro data mining svých dat o zákaznících používá robustní nástroje od SASu.

Na následujícím příkladu jednoho zahraničního eshopu bych vám chtěl ukázat, že i jednoduchá vizuální analýza dat o zákaznících a jejich objednávkách v primitivním modelu RFM (tzv. Recency Frequency Monetary) může být cenným zdrojem nových poznatků a souvislostí. Tento model, který se v direct marketingu používá již hodně dlouho, segmentuje zákazníky v třídimenzionální kostce podle času, který uplynul od poslední objednávky (recency), četnosti nákupů (frequency) a celkové/průměrné peněžní hodnoty všech nákupů daného zákazníka (monetary). RFM model, který má samozřejmě svá omezení a byl již v současnosti překonán mnohem sofistikovanějšími, prediktivními modely (zejména z kategorie behaviorálního cílení), ovšem může identifikovat segment, který je vhodný k zacílení přímé kampaně, jejímž účelem bude podnítit (nebo v marketingové hantýrce také reaktivovat) „mrtvé“ zákazníky k opakovanému nákupu.

Podívejte se na následující dva grafy. První graf ukazuje histogram počtu objednávek na zákazníka a vyplývá z něj, že drtivá většina zákazníků realizovala během několika let u daného eshopu pouze 1 objednávku. Druhý graf ukazuje opět na histogramu dobu, která u daného zákazníka uplynula od jeho poslední objednávky. Z druhého grafu je patrné, že většina zákazníků naposledy nakoupila více než před rokem.

RFM-frequencyRFM-recency

Když máte problémy s retencí…

Z obou grafů je zřejmé, že daný eshop má obrovský problém s retencí zákazníků, a že nezanedbatelný potenciál se skrývá nikoliv v získávání nových klientů, ale zejména v podněcování opakovaných nákupů u stávajících zákazníků. Pojďme se tedy na následujícím grafu, který zobrazuje zákazníky eshopu v modelu RFM (peněžní hodnota zákazníka je vyjádřena intenzitou zelené barvy), podívat na to, který segment zákazníků představuje nejvhodnější cíl reaktivační kampaně.

RFM

Můžete si stanovit relativně jednoduché pravidlo, že oslovíte zákazníky, kteří v minulosti nakoupili alespoň 2×, tj. v minulosti potenciálně loajální segment, ale jejichž poslední nákup proběhl nejméně před jedním rokem nebo dříve, tj. loajalita se nekoná. Je to stále relativně široce pojatý segment, ale momentálně postačuje alespoň pro demonstrační účely. V reálné aplikaci bych preferoval ještě užší segment, aby bylo možné maximalizovat relevanci kampaně a vysokou pravděpodobnost kladné odezvy na komunikovanou nabídku zboží.

Testujte, testujte, testujte!

Nezapomeňte také i v přímé komunikaci na vybrané segmenty zákazníků aplikovat pravidlo „test & learn”. Každou, i cílenou, marketingovou komunikaci testujte. Pro případ, že reaktivace selže a zákazník na nabídku nezareaguje, můžete jako alternativní součást komunikace nabídky nebo jako „follow up“ zjistit, co je příčinou odchodu zákazníka prostřednictvím dotazníkového výzkumu. Ale to už je jiná kapitola…

A co vy? Znáte hodnotu vašich zákazníků? Investujete nejen do akvizice nových zákazníků, ale i do retence a zvyšování hodnoty stávajících zákazníků? Také si myslíte, že hromadný emailing dvakrát týdně na celou databázi zákazníků bez jakékoliv segmentace je jen rychlá cesta k „unsubscribe“?

Související články:

Komentáře

Související články:]]> V prvním článku této minisérie jsem vám ukázal, jak lze prostřednictvím vizuální analýzy dat z Google Analytics zobrazit konverzní poměr webu pro jednotlivé geografické regiony. Zároveň jsem naznačil možnost, jak prostřednictvím segmentace návštěvníků webu v reálném čase lze zvýšit konverzní poměr u podprůměrně konvertujících regionů. Dnes bych na toto téma rád navázal s článkem, který se také věnuje zvyšování prodeje na základě analýzy dat z webu, ale jde na to trošku z jiné strany.

Akvizice, konverze, retence – čert aby se v tom vyznal!

Zvyšování prodeje je pro mnohé synonymem pro získávání nových zákazníků, protože tradičně se nové obchodní příležitosti hledají vysoko v tzv. sales funnelu. Alfou a omegou je návštěvnost a konverzní poměr. Osobně si myslím, že částečně proto je stále taková poptávka po SEO.

Nicméně často se podceňuje význam stávajících zákazníků a jejich podílu na celkových prodejích firmy. Data o zákaznících se nijak nezkoumají, nevyhodnocují a nevyužívají k udržení a zvyšování peněžní hodnoty jednotlivých zákazníků (tzv. life-time value nebo LTV). Je určitě škoda, že se online marketéři neučí více od tradičních disciplín, jako je direct marketing a katalogový prodej. Tyto obory totiž již dávno umí pracovat se segmentací a s efektivním cílením (nebo personalizací, chcete-li) marketingové komunikace jen na vybrané segmenty s cílem udržet zákazníky a zvyšovat v čase objem prodeje, který každý zákazník generuje.

Jak to dělá Amazon a jak můžete začít vy?

Podmínkou pro segmentaci zákazníků je analýza dat, která máte k dispozici o jednotlivých zákaznících a jejich transakční historii. Co budete potřebovat? Určitě především data (i to je překvapivě někde problém), nástroje pro analýzu dat a v neposlední řadě také šikovného analytika. Každá z těchto tří součástí je nezbytná pro úspěch. Ovšem nemusíte být hned tak velcí jako Amazon, který pro data mining svých dat o zákaznících používá robustní nástroje od SASu.

Na následujícím příkladu jednoho zahraničního eshopu bych vám chtěl ukázat, že i jednoduchá vizuální analýza dat o zákaznících a jejich objednávkách v primitivním modelu RFM (tzv. Recency Frequency Monetary) může být cenným zdrojem nových poznatků a souvislostí. Tento model, který se v direct marketingu používá již hodně dlouho, segmentuje zákazníky v třídimenzionální kostce podle času, který uplynul od poslední objednávky (recency), četnosti nákupů (frequency) a celkové/průměrné peněžní hodnoty všech nákupů daného zákazníka (monetary). RFM model, který má samozřejmě svá omezení a byl již v současnosti překonán mnohem sofistikovanějšími, prediktivními modely (zejména z kategorie behaviorálního cílení), ovšem může identifikovat segment, který je vhodný k zacílení přímé kampaně, jejímž účelem bude podnítit (nebo v marketingové hantýrce také reaktivovat) „mrtvé“ zákazníky k opakovanému nákupu.

Podívejte se na následující dva grafy. První graf ukazuje histogram počtu objednávek na zákazníka a vyplývá z něj, že drtivá většina zákazníků realizovala během několika let u daného eshopu pouze 1 objednávku. Druhý graf ukazuje opět na histogramu dobu, která u daného zákazníka uplynula od jeho poslední objednávky. Z druhého grafu je patrné, že většina zákazníků naposledy nakoupila více než před rokem.

RFM-frequencyRFM-recency

Když máte problémy s retencí…

Z obou grafů je zřejmé, že daný eshop má obrovský problém s retencí zákazníků, a že nezanedbatelný potenciál se skrývá nikoliv v získávání nových klientů, ale zejména v podněcování opakovaných nákupů u stávajících zákazníků. Pojďme se tedy na následujícím grafu, který zobrazuje zákazníky eshopu v modelu RFM (peněžní hodnota zákazníka je vyjádřena intenzitou zelené barvy), podívat na to, který segment zákazníků představuje nejvhodnější cíl reaktivační kampaně.

RFM

Můžete si stanovit relativně jednoduché pravidlo, že oslovíte zákazníky, kteří v minulosti nakoupili alespoň 2×, tj. v minulosti potenciálně loajální segment, ale jejichž poslední nákup proběhl nejméně před jedním rokem nebo dříve, tj. loajalita se nekoná. Je to stále relativně široce pojatý segment, ale momentálně postačuje alespoň pro demonstrační účely. V reálné aplikaci bych preferoval ještě užší segment, aby bylo možné maximalizovat relevanci kampaně a vysokou pravděpodobnost kladné odezvy na komunikovanou nabídku zboží.

Testujte, testujte, testujte!

Nezapomeňte také i v přímé komunikaci na vybrané segmenty zákazníků aplikovat pravidlo „test & learn”. Každou, i cílenou, marketingovou komunikaci testujte. Pro případ, že reaktivace selže a zákazník na nabídku nezareaguje, můžete jako alternativní součást komunikace nabídky nebo jako „follow up“ zjistit, co je příčinou odchodu zákazníka prostřednictvím dotazníkového výzkumu. Ale to už je jiná kapitola…

A co vy? Znáte hodnotu vašich zákazníků? Investujete nejen do akvizice nových zákazníků, ale i do retence a zvyšování hodnoty stávajících zákazníků? Také si myslíte, že hromadný emailing dvakrát týdně na celou databázi zákazníků bez jakékoliv segmentace je jen rychlá cesta k „unsubscribe“?

Související články:

]]> http://www.optimics.cz/c/jak-vyuzit-data-z-vaseho-webu-ke-zvyseni-predvanocniho-prodeje-cast2/feed 0 PPC možná vyhodnocujete zcela mylně http://www.optimics.cz/c/ppc-mozna-vyhodnocujete-zcela-mylne http://www.optimics.cz/c/ppc-mozna-vyhodnocujete-zcela-mylne#comments Thu, 22 Oct 2009 14:47:43 +0000 Martin Snížek http://www.optimics.cz/?p=752 Z konference WebTop 100 jsem si odnesl tuto informaci jako možná nejvíce zásadní. Přední české e-commerce projekty sice vyhodnocují, kolik zákazníků jim přinášejí jednotlivé kampaně (především PPC), ale dělají to možná nevědomky na základě špatných dat. Vyplynulo to z panelové diskuse, které se účastnili zástupci Invie, Vivantisu a Aukra. Dobře toto téma poté popsal také Roman Appeltauer ve své prezentaci (PDF ke stažení).

Jak Adwords, tak Sklik totiž měří konverze tak, že pokud návštěvník kdykoliv během 30 dní před konverzí kliknul na inzerát z vaší kampaně, započítá se jako konverze v PPC systému. Realita je však o dost složitější, lidé totiž přijdou na web před nákupem většinou vícekrát:

  • Poprvé třeba z newsletteru, z placené promo akce nebo díky doporučení od kamaráda – projdou si nabídku, ale zatím vše promýšlejí nebo se ještě podívají ke konkurenci.
  • Poté se na web vrací, aby se ujistili a zjistili další informace. Pokud si nepamatují adresu vašeho webu, často hledají ve vyhledávači jméno firmy – a klikají na PPC. Nebo si dělají ve vyhledávači větší rešerši – a opět třeba klikají na vaše PPC inzeráty.
  • To, na co se dnes zaměřují vyhodnocovací nástroje především, je poslední návštěva před koupí – a ta jde často opět přes vyhledávače.

Celý vtip je v tom, že ačkoliv zájem zákazníka nejspíš často vyvolávají kampaně, promo akce či newslettery, v číslech to vypadá, že prodeje přináší vyhledávače – PPC nebo přirozené výsledky. Vyhodnocování konverzí integrované v PPC systémech favorizuje tento typ inzerce velmi výrazně, avšak podobně výrazně to dělá i měřící systém Google Analytics. Ten přiřazuje konverze tomu zdroji návštěvnosti, přes který přišel návštěvník na web naposledy (s výjimkou přímých přístupů) – a vzhledem k tomu, že v závěrečných fázích nákupního cyklu jsou vyhledávače velmi často přítomny, opět je vykresluje v o něco lepším světle.

Na základě těchto nepřesných dat se dá velmi snadno udělat rozhodnutí vypneme všechno kromě vyhledávačů, případně mírnější snížíme objem peněz v klasických kampaních a nalijeme je do vyhledávání. S velkou pravděpodobností podobným počínáním snížíte svůj objem prodeje, protože bez úvodní fáze nákupního cyklu nevzniknou ani ty další. Samozřejmě, že někteří zákazníci projdou celým svým nákupním cyklem pouze ve vyhledávačích, ale zdaleka ne všichni – a o ty přijdete.

Mimochodem, na listopad a prosinec chystáme spolu s Benetou, Ogilvy Interactive a Ataxem prestižní školící program jménem Konverzní univerzita. Od mnoha známých osobností z praxe se tu naučíte dělat lépe online marketing a získávat přes svůj web více konverzí. Rádi vás tam uvidíme!

Komentáře

]]> Z konference WebTop 100 jsem si odnesl tuto informaci jako možná nejvíce zásadní. Přední české e-commerce projekty sice vyhodnocují, kolik zákazníků jim přinášejí jednotlivé kampaně (především PPC), ale dělají to možná nevědomky na základě špatných dat. Vyplynulo to z panelové diskuse, které se účastnili zástupci Invie, Vivantisu a Aukra. Dobře toto téma poté popsal také Roman Appeltauer ve své prezentaci (PDF ke stažení).

Jak Adwords, tak Sklik totiž měří konverze tak, že pokud návštěvník kdykoliv během 30 dní před konverzí kliknul na inzerát z vaší kampaně, započítá se jako konverze v PPC systému. Realita je však o dost složitější, lidé totiž přijdou na web před nákupem většinou vícekrát:

  • Poprvé třeba z newsletteru, z placené promo akce nebo díky doporučení od kamaráda – projdou si nabídku, ale zatím vše promýšlejí nebo se ještě podívají ke konkurenci.
  • Poté se na web vrací, aby se ujistili a zjistili další informace. Pokud si nepamatují adresu vašeho webu, často hledají ve vyhledávači jméno firmy – a klikají na PPC. Nebo si dělají ve vyhledávači větší rešerši – a opět třeba klikají na vaše PPC inzeráty.
  • To, na co se dnes zaměřují vyhodnocovací nástroje především, je poslední návštěva před koupí – a ta jde často opět přes vyhledávače.

Celý vtip je v tom, že ačkoliv zájem zákazníka nejspíš často vyvolávají kampaně, promo akce či newslettery, v číslech to vypadá, že prodeje přináší vyhledávače – PPC nebo přirozené výsledky. Vyhodnocování konverzí integrované v PPC systémech favorizuje tento typ inzerce velmi výrazně, avšak podobně výrazně to dělá i měřící systém Google Analytics. Ten přiřazuje konverze tomu zdroji návštěvnosti, přes který přišel návštěvník na web naposledy (s výjimkou přímých přístupů) – a vzhledem k tomu, že v závěrečných fázích nákupního cyklu jsou vyhledávače velmi často přítomny, opět je vykresluje v o něco lepším světle.

Na základě těchto nepřesných dat se dá velmi snadno udělat rozhodnutí vypneme všechno kromě vyhledávačů, případně mírnější snížíme objem peněz v klasických kampaních a nalijeme je do vyhledávání. S velkou pravděpodobností podobným počínáním snížíte svůj objem prodeje, protože bez úvodní fáze nákupního cyklu nevzniknou ani ty další. Samozřejmě, že někteří zákazníci projdou celým svým nákupním cyklem pouze ve vyhledávačích, ale zdaleka ne všichni – a o ty přijdete.

Mimochodem, na listopad a prosinec chystáme spolu s Benetou, Ogilvy Interactive a Ataxem prestižní školící program jménem Konverzní univerzita. Od mnoha známých osobností z praxe se tu naučíte dělat lépe online marketing a získávat přes svůj web více konverzí. Rádi vás tam uvidíme!

]]> http://www.optimics.cz/c/ppc-mozna-vyhodnocujete-zcela-mylne/feed 11 Jak využít data z vašeho webu ke zvýšení předvánočního prodeje (1/2) http://www.optimics.cz/c/jak-vyuzit-data-z-vaseho-webu-ke-zvyseni-predvanocniho-prodeje-cast1 http://www.optimics.cz/c/jak-vyuzit-data-z-vaseho-webu-ke-zvyseni-predvanocniho-prodeje-cast1#comments Sun, 04 Oct 2009 22:01:03 +0000 Jiří Brázda http://beta8.optimics.cz/?p=540 Téměř každý eshop v ČR má dnes k dispozici dva zdroje velmi cenných dat: data z Google Analytics a data o zákaznících a objednávkách z interní databáze. Velmi často se ovšem setkávám s tím, že poklady, které jsou ukryty v těchto datech, nejsou vůbec nijak využívány. A je to pochopitelné, protože oba datové zdroje obsahují obrovské množství dat, které je velmi obtížné zpracovat a dostat z nich nějaký hlubší význam přesahující běžné reporty o návštěvnosti a prodejích. Pojďme se tedy podívat na dva způsoby, jak lze prostřednictvím vizuální analýzy těchto dat zvýšit prodej na vašem eshopu během nastávajícího období vánočních nákupů.

Seznamte se, Google Analytics API

Podle mého průzkumu používá Google Analytics více než třetina všech webů v ČR a drtivá většina eshopů. S takto masovým rozšířením Google Analytics a s letošním příchodem aplikačního rozhraní pro export dat (Google Analytics Data Export API) má nyní mnoho firem podnikajících na internetu mnoho zajímavých dat na dosah ruky. Na základě analýzy těchto dat lze nastavit nové a zároveň relativně jednoduché marketingové nástroje, které vám pomohou zvýšit prodej na vašem webu. Jak už asi víte, Vánoce letos budou opět 24. prosince, takže máte nejvyšší čas!

Jako první příklad vám dnes ukáži, jak můžete využít export dat z Google Analytics API a vizuální analýzu těchto dat v business intelligence nástroji od Tableau Software, který používám již několik let a oblíbil jsem si jej díky jeho bezkonkurenční schopnosti jednoduše a intuitivně vizualizovat obrovská kvanta dat.

Podívejte se na následující příklad. Mapa zobrazuje geografickou segmentaci zákazníků z daného webu podle konverzního poměru za rok 2009. Velikost bublin reprezentuje význam daného regionu počtem návštěv, intenzita zelené barvy vyjadřuje konverzní poměr (sytější barva znamená vyšší konverzní poměr). Přestože analyzujeme stovky tisíc návštěv, vizuální reprezentace je velmi jednoduchá a pro každého okamžitě srozumitelná.


Geografická segmentace podle konverzního poměru

Nemusíte mít PhD ze statistiky, abyste okamžitě zjistili, že tady něco nehraje. Všimněte si obrovského rozdílu v konverzním poměru mezi východní a severozápadní částí země. Vidíte? Pokud se na daném webu objeví návštěvník z Libereckého nebo Ústeckého kraje, máte 3× menší pravděpodobnost ke konverzi než u návštěvníků z Moravy.

Jakmile identifikujete problém, můžete začít hledat příčinu. Ale pokud bude nutné v tomto případě udělat výzkum v terénu, bude to trvat poměrně dlouho, a nakonec můžete zjistit, že řešení bude příliš komplikované – otevřít novou pobočku v Liberci, spustit regionální kampaň nebo posílit obchodní tým v daném regionu. Nic z toho už letos nestihnete tak, aby se to výrazně projevilo v černých číslech.

Segmentujte! Segmentujte! Segmentujte!

Existuje ale i jiné, mnohem rychlejší a účinnější řešení. Nepátrejte po příčině, na to budete mít ještě dost času po Vánocích. Nyní musíte vymyslet něco, co bude fungovat hned. Řešení je jednoduché! Stačí, abyste na vašem webu dokázali v reálném čase segmentovat příchozí návštěvníky. Jakmile se na vašem webu objeví návštěvník z regionů s nízkým konverzním poměrem, v našem příkladě např. z Liberce, nabídněte mu nějakou časově omezenou akci, jednorázovou slevu nebo dárek zdarma. Jen tak pro inspiraci: podle výzkumů mezi zákazníky nakupujícími na internetu je jednou z hlavních konkurenčních výhod eshopů doprava zdarma.

Pokud nechcete sahat příliš hluboko do kapsy, můžete tuto nabídku omezit jen na produkty s vysokou marží. Můžete také spustit A/B test. Nabídku zobrazujte jen menší části návštěvníků z daného segmentu, zbylá část bude sloužit jako kontrolní skupina pro vyhodnocení statistické významnosti. Pokud bude po skončení testu rozdíl v konverzním poměru mezi oběma skupinami významný, závěr je jasný. Funguje to a pod stromečkem se bude zelenat!

Zajímá vás další tip, jak zvýšit předvánoční prodej na vašem eshopu? Počkejte si na druhý díl tohoto článku, kde se dozvíte, jak využít data o vašich zákaznících. Pokud máte dotazy nebo se chcete podělit o své zkušenosti s Google Analytics API nebo segmentací návštěvníků webu, napište k článku komentář!

Související články:

Komentáře

Související články:]]> Téměř každý eshop v ČR má dnes k dispozici dva zdroje velmi cenných dat: data z Google Analytics a data o zákaznících a objednávkách z interní databáze. Velmi často se ovšem setkávám s tím, že poklady, které jsou ukryty v těchto datech, nejsou vůbec nijak využívány. A je to pochopitelné, protože oba datové zdroje obsahují obrovské množství dat, které je velmi obtížné zpracovat a dostat z nich nějaký hlubší význam přesahující běžné reporty o návštěvnosti a prodejích. Pojďme se tedy podívat na dva způsoby, jak lze prostřednictvím vizuální analýzy těchto dat zvýšit prodej na vašem eshopu během nastávajícího období vánočních nákupů.

Seznamte se, Google Analytics API

Podle mého průzkumu používá Google Analytics více než třetina všech webů v ČR a drtivá většina eshopů. S takto masovým rozšířením Google Analytics a s letošním příchodem aplikačního rozhraní pro export dat (Google Analytics Data Export API) má nyní mnoho firem podnikajících na internetu mnoho zajímavých dat na dosah ruky. Na základě analýzy těchto dat lze nastavit nové a zároveň relativně jednoduché marketingové nástroje, které vám pomohou zvýšit prodej na vašem webu. Jak už asi víte, Vánoce letos budou opět 24. prosince, takže máte nejvyšší čas!

Jako první příklad vám dnes ukáži, jak můžete využít export dat z Google Analytics API a vizuální analýzu těchto dat v business intelligence nástroji od Tableau Software, který používám již několik let a oblíbil jsem si jej díky jeho bezkonkurenční schopnosti jednoduše a intuitivně vizualizovat obrovská kvanta dat.

Podívejte se na následující příklad. Mapa zobrazuje geografickou segmentaci zákazníků z daného webu podle konverzního poměru za rok 2009. Velikost bublin reprezentuje význam daného regionu počtem návštěv, intenzita zelené barvy vyjadřuje konverzní poměr (sytější barva znamená vyšší konverzní poměr). Přestože analyzujeme stovky tisíc návštěv, vizuální reprezentace je velmi jednoduchá a pro každého okamžitě srozumitelná.


Geografická segmentace podle konverzního poměru

Nemusíte mít PhD ze statistiky, abyste okamžitě zjistili, že tady něco nehraje. Všimněte si obrovského rozdílu v konverzním poměru mezi východní a severozápadní částí země. Vidíte? Pokud se na daném webu objeví návštěvník z Libereckého nebo Ústeckého kraje, máte 3× menší pravděpodobnost ke konverzi než u návštěvníků z Moravy.

Jakmile identifikujete problém, můžete začít hledat příčinu. Ale pokud bude nutné v tomto případě udělat výzkum v terénu, bude to trvat poměrně dlouho, a nakonec můžete zjistit, že řešení bude příliš komplikované – otevřít novou pobočku v Liberci, spustit regionální kampaň nebo posílit obchodní tým v daném regionu. Nic z toho už letos nestihnete tak, aby se to výrazně projevilo v černých číslech.

Segmentujte! Segmentujte! Segmentujte!

Existuje ale i jiné, mnohem rychlejší a účinnější řešení. Nepátrejte po příčině, na to budete mít ještě dost času po Vánocích. Nyní musíte vymyslet něco, co bude fungovat hned. Řešení je jednoduché! Stačí, abyste na vašem webu dokázali v reálném čase segmentovat příchozí návštěvníky. Jakmile se na vašem webu objeví návštěvník z regionů s nízkým konverzním poměrem, v našem příkladě např. z Liberce, nabídněte mu nějakou časově omezenou akci, jednorázovou slevu nebo dárek zdarma. Jen tak pro inspiraci: podle výzkumů mezi zákazníky nakupujícími na internetu je jednou z hlavních konkurenčních výhod eshopů doprava zdarma.

Pokud nechcete sahat příliš hluboko do kapsy, můžete tuto nabídku omezit jen na produkty s vysokou marží. Můžete také spustit A/B test. Nabídku zobrazujte jen menší části návštěvníků z daného segmentu, zbylá část bude sloužit jako kontrolní skupina pro vyhodnocení statistické významnosti. Pokud bude po skončení testu rozdíl v konverzním poměru mezi oběma skupinami významný, závěr je jasný. Funguje to a pod stromečkem se bude zelenat!

Zajímá vás další tip, jak zvýšit předvánoční prodej na vašem eshopu? Počkejte si na druhý díl tohoto článku, kde se dozvíte, jak využít data o vašich zákaznících. Pokud máte dotazy nebo se chcete podělit o své zkušenosti s Google Analytics API nebo segmentací návštěvníků webu, napište k článku komentář!

Související články:

]]> http://www.optimics.cz/c/jak-vyuzit-data-z-vaseho-webu-ke-zvyseni-predvanocniho-prodeje-cast1/feed 5