Godzina dziennie
z Web Analytics.
Stwórz dobr¹ strategiê
e-marketingow¹
Autor: Avinash Kaushik
T³umaczenie: Tomasz Walczak
ISBN: 978-83-246-1880-4
Tytu³ orygina³u:
Format: 180x235, stron: 496
Czy potrafisz odpowiedzieæ na pytanie, ile osób dziennie odwiedza Twój serwis lub blog?
Jak d³ugo przebywaj¹ w Twoim sklepie i która strona przyci¹ga najwiêcej klientów? Je¿eli
jesteœ w stanie przytoczyæ te dane, z pewnoœci¹ korzystasz z narzêdzi pozwalaj¹cych
na analizê ruchu na Twojej witrynie. Je¿eli jednak nie masz bladego pojêcia, jak interpretowaæ
i wykorzystaæ te informacje, dziêki tej ksi¹¿ce równie¿ i Ty zaczniesz efektywnie korzystaæ
ze statystyk! Analizy ruchu na stronie oferuje wiele Ÿróde³, jednak dopiero us³uga uruchomiona
przez Google Analytics w 2005 roku sprawi³a, ¿e zaawansowane narzêdzia sta³y siê dostêpne
dla przeciêtnego webmastera.
Autor tej niezwyk³ej ksi¹¿ki – Avinash Kaushik, pracownik firmy Google – poka¿e Ci krok
po kroku, jak opracowaæ skuteczn¹ strategiê analizy danych internetowych. Przekonasz siê,
¿e wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawiæ wyniki
ogl¹dalnoœci i dochody Twojego serwisu. Dowiesz siê miêdzy innymi, w jaki sposób zbieraæ
dane do analizy, oraz poznasz dostêpne analizy jakoœciowe. Ponadto zrozumiesz kluczowe
elementy skutecznej strategii analizy danych internetowych oraz nauczysz siê przeprowadzaæ tê
analizê. W kolejnych rozdzia³ach zapoznasz siê tak¿e z dostêpnymi miarami, analiz¹ w obszarze
wyszukiwania, sporz¹dzaniem raportów czy te¿ analizowaniem witryn z nurtu Web 2.0.
•
Historia analiz danych internetowych
•
Analizy zachowania, skutków i doœwiadczeñ
•
Sposoby zbierania danych do analizy
•
Pozyskiwanie danych na temat konkurencyjnoœci
•
Dostêpne analizy jakoœciowe
•
Elementy skutecznej strategii analizy danych internetowych
•
Najlepsze praktyki w tym zakresie
•
Wybór optymalnego narzêdzia do prowadzenia analiz
•
Dostêpne miary w analizie danych internetowych
•
Pomiar kosztów oraz zwrotu z inwestycji
•
Ustalanie czytelników serwisu
•
Analiza w obszarze wyszukiwania
•
Analiza skutecznoœci kampanii PPC
•
Analiza skutków marketingu e-mailowego oraz wielokana³owego
•
Opracowanie skutecznych raportów podsumowuj¹cych
•
Zastosowanie procesu DMAIC
•
Analiza stron z nurtu Web 2.0
•
Mity z obszaru analizy danych internetowych
•
Obliczanie wspó³czynnika konwersji
•
Pozyskiwanie konsultantów oraz ekspertów wewnêtrznych
Zwiêksz popularnoœæ swojej witryny dziêki efektywnym analizom danych internetowych!
11
SPIS
TR
E
CI
Spis treci
Przedmowa ....................................................................................................................19
Wprowadzenie ................................................................................................................23
Rozdział 1. Web Analytics dziś i jutro ........................................................................ 31
Krótka historia analizy danych internetowych ..............................................................32
Obecne warunki i wyzwania .........................................................................................36
Tradycyjna analiza danych internetowych to przeszo ................................................38
Jak powinna wyglda analiza danych internetowych? .................................................40
Pomiar „co” i „dlaczego” ..............................................................................................................43
Metoda Trinity — nastawienie i podejcie strategiczne ................................................................45
Rozdział 2. Zbieranie danych — znaczenie i możliwości ............................................. 53
Zrozumienie róde danych ..........................................................................................54
Dane ze strumieni klikni ...........................................................................................56
Dzienniki sieciowe .......................................................................................................................56
Pliki jednopikselowe ....................................................................................................................58
Znaczniki JavaScript ....................................................................................................................61
Przechwytywanie pakietów ..........................................................................................................65
Dane na temat skutków ...............................................................................................70
Sklepy internetowe ......................................................................................................................71
Generowanie list potencjalnych klientów .....................................................................................72
Marka i promowanie produktów oraz pomoc techniczna .............................................................72
Dane z bada ...............................................................................................................74
Nastawienie .................................................................................................................................74
Struktura organizacyjna ...............................................................................................................75
Czas ............................................................................................................................................75
Dane na temat konkurencyjnoci .................................................................................76
Pomiary panelowe .......................................................................................................................77
Pomiary oparte na danych od ISP ................................................................................................78
Dane z wyszukiwarek ..................................................................................................................80
Rozdział 3. Przegląd analiz jakościowych .................................................................. 83
Istota koncentracji na kliencie ......................................................................................84
Laboratoryjne testy uytecznoci ..................................................................................84
Przeprowadzanie testów ..............................................................................................................86
Zalety laboratoryjnych testów uytecznoci .................................................................................88
Na co naley zwróci uwag ........................................................................................................89
12
SPIS
T
R
E
CI
Ocena heurystyczna .....................................................................................................90
Przeprowadzanie oceny heurystycznej ..........................................................................................91
Zalety stosowania oceny heurystycznej ........................................................................................93
Na co naley zwróci uwag ........................................................................................................94
Wizyty w siedzibie klienta ............................................................................................94
Przeprowadzanie wizyty w siedzibie klienta .................................................................................95
Zalety wizyt w siedzibie klienta ...................................................................................................97
Na co naley zwróci uwag ........................................................................................................97
Ankiety (kwestionariusze) ............................................................................................97
Ankiety wywietlane w witrynie ..................................................................................................98
Ankiety przesyane po wizycie .....................................................................................................99
Tworzenie i przeprowadzanie ankiety ..........................................................................................99
Zalety stosowania ankiet ...........................................................................................................103
Na co naley zwróci uwag ......................................................................................................104
Podsumowanie ...........................................................................................................106
Rozdział 4. Kluczowe elementy skutecznej strategii analizy danych internetowych .... 109
Koncentracja na kliencie ............................................................................................110
Odpowiedzi na pytania biznesowe ..............................................................................113
Regua 10/90 .............................................................................................................115
Zatrudnianie doskonaych analityków internetowych .................................................119
Okrelanie optymalnej struktury organizacyjnej i obowizków ...................................128
Centralizacja ..............................................................................................................................131
Decentralizacja ..........................................................................................................................131
Scentralizowana decentralizacja .................................................................................................132
Rozdział 5. Podstawy analizy danych internetowych ............................................... 133
Zbieranie danych — dzienniki sieciowe czy znaczniki JavaScript? ..............................134
Oddzielenie procesu udostpniania danych od ich zbierania .......................................................135
Rodzaj i rozmiar danych ............................................................................................................135
Innowacje ..................................................................................................................................136
Integracja ..................................................................................................................................136
Wybór optymalnego narzdzia do analizy danych internetowych ...............................137
Dawny sposób ...........................................................................................................................137
Nowy sposób .............................................................................................................................138
Okrelanie jakoci danych ze strumieni klikni .........................................................143
Stosowanie najlepszych praktyk ..................................................................................148
Oznaczanie wszystkich stron .....................................................................................................149
Znaczniki naley umieszcza na kocu (na pierwszym miejscu trzeba stawia klienta!) ..............150
Naley uywa znaczników wewntrzwierszowych ....................................................................150
Okrelanie definicji niepowtarzalnej strony ................................................................................150
Inteligentne uywanie plików cookie .........................................................................................151
Uwzgldnienie problemów z kodowaniem odnoników .............................................................152
13
SPIS
TR
E
CI
Naley uwzgldni przekierowania ............................................................................................153
Walidacja zebranych danych .....................................................................................................156
Prawidowe rejestrowanie operacji w witrynach bogatych w multimedia ....................................157
Trzypoziomowy test „i co z tego?” ..............................................................................157
Kluczowy wskanik wydajnoci: procent wracajcych uytkowników ........................................158
Kluczowy wskanik wydajnoci: gówne strony wyjciowe .........................................................159
Kluczowy wskanik wydajnoci: wspóczynnik konwersji dla najczciej szukanych sów ...........159
Rozdział 6. Miesiąc 1. Zgłębianie najważniejszych zagadnień
z obszaru analizy danych internetowych ................................................ 161
Tydzie 1. Przygotowania do zrozumienia podstaw ....................................................162
Poniedziaek i wtorek: adresy URL ............................................................................................163
roda: parametry adresów URL .................................................................................................164
Czwartek i pitek: pliki cookie ..................................................................................................165
Tydzie 2. Powrót do podstawowych miar .................................................................168
Poniedziaek: odwiedziny i uytkownicy ....................................................................................168
Wtorek i roda: czas w witrynie .................................................................................................172
Czwartek i pitek: liczba wywietle stron .................................................................................176
Tydzie 3. Poznawanie standardowych raportów .......................................................179
Poniedziaek i wtorek: wspóczynnik odrzuce ..........................................................................179
Od rody do pitku: odnoniki wejciowe — róda i szukane wyraenia ...................................182
Tydzie 4. Korzystanie z raportów na temat nawigacji i poziomu zawartoci witryny ......187
Poniedziaek i wtorek: listy stron — najczciej ogldanych, wejciowych i wyjciowych ...........187
roda: najpopularniejsze punkty docelowe (odnoniki wyjciowe) ..............................................192
Czwartek i pitek: nakadki na witryny (mapy czstotliwoci klikni ) ......................................194
Rozdział 7. Miesiąc 2. Analiza danych internetowych — szybki start ......................... 201
Wymagania wstpne i ramy .......................................................................................202
Tydzie 1. Tworzenie podstawowych raportów ..........................................................202
Poniedziaek: najpopularniejsze ródowe adresy URL i najpopularniejsze szukane wyraenia ....204
Wtorek: popularno zawartoci witryny i wizyty na stronie gównej .........................................206
roda i czwartek: czstotliwo klikni (nakadki na witryny) ...................................................208
Pitek: wspóczynnik odrzuce witryny .....................................................................................209
Witryna sklepu internetowego — szybki start ...........................................................210
Tydzie 2. Pomiar skutków dziaa firmy ..................................................................................211
Tydzie 3. Ocena wyników na podstawie celów oraz pomiar skutecznoci marketingowej
i zadowolenia klientów ...........................................................................................................214
Witryna pomocy technicznej — szybki start ..............................................................218
Tydzie 2. Wchodzenie w rol klienta i pomiar wpywu witryny na tradycyjne kanay .................. 219
Tydzie 3. Pomiar sukcesu na podstawie gosu lub ocen klientów na poziomie witryny i stron ...... 223
Pomiar blogów — szybki start ...................................................................................226
Tydzie 2. Przezwycianie zoonoci w celu pomiaru podstaw przy uyciu nowych miar .........226
Tydzie 3. Konkurencyjny punkt odniesienia oraz pomiar kosztów i zwrotu z inwestycji ...........229
Tydzie 4. Refleksje i podsumowanie .........................................................................233
14
SPIS
T
R
E
CI
Rozdział 8. Miesiąc 3. Analiza w obszarze wyszukiwania
— wyszukiwanie wewnętrzne, SEO i PPC ............................................. 235
Tydzie 1. Analiza wyszukiwania wewntrznego w witrynie ......................................236
Poniedziaek: poznawanie wartoci wyszukiwania wewntrznego ...............................................236
Wtorek: wykrywanie trendów w wyszukiwaniu wewntrznym ..................................................241
roda: analiza czstotliwoci klikni za pomoc nakadki na witryn ........................................242
Czwartek: pomiar efektywnoci wyników wyszukiwania ............................................................243
Pitek: pomiar skutków zwizanych z wyszukiwaniem wewntrznym .......................................244
Tydzie 2. Rozpoczcie optymalizacji witryny pod ktem wyszukiwarek ....................245
Poniedziaek: zrozumienie wpywu odnoników i ich optymalizacja ...........................................247
Wtorek: odnoniki do publikacji prasowych i witryn spoecznociowych ....................................247
roda i czwartek: optymalizacja znaczników i zawartoci na stronach ........................................248
Pitek: dodawanie wskazówek na potrzeby robotów wyszukujcych ..........................................249
Tydzie 3. Pomiar skutków SEO ................................................................................250
Poniedziaek: sprawdzanie poziomu zindeksowania witryny .......................................................250
Wtorek: ledzenie odnoników wejciowych i najpopularniejszych szukanych sów ....................251
roda: oddzielenie naturalnych odnoników wejciowych od PPC ..............................................254
Czwartek: pomiar wartoci naturalnych odnoników wejciowych .............................................255
Pitek: pomiar wpywu optymalizacji na najpopularniejsze strony .............................................255
Tydzie 4. Analiza skutecznoci kampanii PPC ..........................................................257
Poniedziaek: podstawy PPC .....................................................................................................258
Wtorek: pomiar wskaników zwizanych z ofertami ..................................................................259
roda: definiowanie kluczowych miar wpywajcych na wyniki firmy ........................................260
Czwartek: pomiar liczby niepowtarzalnych uytkowników ........................................................260
Pitek: najlepsze praktyki tworzenia raportów na temat PPC ....................................................261
Rozdział 9. Miesiąc 4. Pomiar marketingu e-mailowego i wielokanałowego ............... 263
Tydzie 1. Podstawy (i nie tylko) marketingu e-mailowego ........................................264
Poniedziaek: podstawy marketingu e-mailowego ......................................................................264
Wtorek i roda: pomiar podstawowych wskaników dotyczcych odpowiedzi ............................265
Czwartek i pitek: pomiar skutków ...........................................................................................266
Tydzie 2. Marketing e-mailowy — zaawansowana obserwacja skutków ...................267
Poniedziaek i wtorek: pomiar efektywnoci witryny ..................................................................267
roda: unikanie puapek w analizie kampanii e-mailowych ........................................................268
Czwartek i pitek: integracja kampanii e-mailowej
z narzdziem do analizy danych internetowych .......................................................................269
Tygodnie 3. i 4. Marketing wielokanaowy — ledzenie skutków i analiza .................270
Tydzie 3. Wprowadzenie do marketingu wielokanaowego
i ledzenie tradycyjnych kampanii skoncentrowanych na internecie ........................................270
Tydzie 4. ledzenie i analizowanie marketingu wielokanaowego .............................................275
15
SPIS
TR
E
CI
Rozdział 10. Miesiąc 5. Eksperymenty i testy związane z witryną
— osiąganie znaczących skutków dzięki uwzględnianiu opinii klientów ..... 283
Tygodnie 1. i 2. Po co testowa i jakie s moliwoci? ................................................284
Tydzie 1. Przygotowania i testy A/B ........................................................................................284
Tydzie 2. Poza testy A/B .........................................................................................................289
Tydzie 3. Co testowa ? Konkretne moliwoci i pomysy .........................................296
Poniedziaek: testowanie wanych stron i wezwa do dziaania ..................................................296
Wtorek: koncentracja na ruchu z wyszukiwarek ........................................................................298
roda: testowanie treci i materiaów .........................................................................................298
Czwartek: testy cen i promocji ...................................................................................................299
Pitek: testowanie kampanii marketingu bezporedniego ..........................................................299
Tydzie 4. Tworzenie doskonaego programu eksperymentów i testów ......................300
Poniedziaek: hipotezy i okrelanie celów ...................................................................................301
Wtorek: testy i walidacja pod ktem wielu celów ......................................................................303
roda: przechodzenie od testów prostych do zoonych i rado z pracy .....................................304
Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testów .......................................305
Pitek: wdraanie dwóch kluczowych elementów kadego programu testów .............................306
Rozdział 11. Miesiąc 6. Trzy sekrety praktycznej analizy danych internetowych ............ 311
Tydzie 1. Wykorzystanie punktów odniesienia i celów
do motywowania do dziaa ....................................................................................312
Poniedziaek i wtorek: znaczenie punktów odniesienia i ustalania celów .....................................312
roda: wykorzystywanie zewntrznych punktów odniesienia .....................................................314
Czwartek: wykorzystywanie wewntrznych punktów odniesienia ..............................................317
Pitek: zachcanie i ustalanie celów ...........................................................................................320
Tydzie 2. Opracowywanie skutecznych raportów podsumowujcych dla zarzdu .....323
Poniedziaek: udostpnianie kontekstu — punkty odniesienia, segmenty i trendy .....................324
Wtorek: wyodrbnianie kilku kluczowych miar .........................................................................326
roda: nie poprzestawaj na miarach — docz te wnioski .........................................................327
Czwartek: ograniczanie raportu podsumowujcego do jednej strony ..........................................328
Pitek: wygld ma znaczenie .....................................................................................................329
Tydzie 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programów
opartych na raportach podsumowujcych ................................................................330
Poniedziaek: wybór miar zgodnych z modelem Trinity pod ktem dalekiej perspektyw ............330
Wtorek: tworzenie istotnych raportów podsumowujcych .........................................................333
roda: jedna miara — jeden waciciel .......................................................................................334
Czwartek: od sów do czynów ....................................................................................................334
Pitek: pomiar skutecznoci raportów podsumowujcych ..........................................................336
Tydzie 4. Stosowanie podejcia Six Sigma i doskonaoci procesu
w analizie danych internetowych .............................................................................336
Poniedziaek: wszystko jest procesem ........................................................................................337
Od wtorku do czwartku: stosowanie procesu DMAIC ...............................................................342
Pitek: analiza zdobytej wiedzy .................................................................................................346
16
SPIS
T
R
E
CI
Rozdział 12. Miesiąc 7. Analizy konkurencji i witryn z nurtu Web 2.0 ........................... 347
Analizy konkurencji ...................................................................................................348
Tydzie 1. Raporty na temat ruchu w konkurencyjnych witrynach ............................................349
Tydzie 2. Raporty na temat wyszukiwarek ..............................................................................354
Analizy witryn z nurtu Web 2.0 .................................................................................365
Tydzie 3. Pomiar sukcesu bogatych aplikacji internetowych ....................................................366
Tydzie 4. Pomiar sukcesu róde RSS .......................................................................................371
Rozdział 13. Miesiąc 8. i następne. Rozwiewanie mitów
z obszaru analizy danych internetowych ................................................ 381
Do czego su analizy cieek? Do niczego ................................................................382
Problemy w obszarze analizy cieek ..........................................................................................383
Inna moliwo — raport sekwencji grup stron .........................................................................385
Wspóczynnik konwersji — bezwartociowa obsesja ...................................................388
Problemy zwizane ze wspóczynnikiem konwersji ....................................................................389
Inna moliwo — wspóczynnik ukoczenia zada ze wzgldu na gówny cel ..........................391
Perfekcja — umara doskonao , niech yje doskonao ...........................................393
Doskonae dane .........................................................................................................................394
Z prdkoci sieci WWW .........................................................................................................395
Fragmentaryczne dane z wielu róde ........................................................................................396
Dane w czasie rzeczywistym — nieznaczce i kosztowne ............................................396
Efekty dostpu do danych w czasie rzeczywistym ......................................................................397
Lista kontrolna do okrelania gotowoci na dane w czasie rzeczywistym .....................................398
Standardowe wskaniki KPI — mniej znaczce, ni sdzisz ........................................401
Rozdział 14. Zagadnienia zaawansowane — analiza danych internetowych
ze wspomaganiem ............................................................................... 405
Odblokowywanie potgi istotnoci statystycznej ........................................................406
Wykorzystanie zdumiewajcej potgi segmentacji ......................................................408
Segmentacja na podstawie wspóczynnika odrzuce ...................................................................410
Segmentacja na podstawie wyszukiwarek ..................................................................................410
czenie danych na temat wyszukiwarek i ucieczek ...................................................................411
Okrelanie trendów w segmentach ............................................................................................412
„Zrozumiae” analizy i raporty ....................................................................................414
Uywanie adnych rysunków .....................................................................................................414
Uywanie zrozumiaego jzyka ..................................................................................................415
Najlepsze praktyki przy obliczaniu wspóczynnika konwersji ......................................418
Pomijanie ogólnego wspóczynnika konwersji dla caej witryny .................................................420
Uwzgldnianie trendów i sezonowoci .......................................................................................420
Zrozumienie strategii pozyskiwania klientów przez witryn i firm ............................................421
Pomiar wspóczynnika konwersji z podziaem na pi najwaniejszych
wejciowych adresów URL ......................................................................................................422
Rezygnacja z pomiaru wspóczynnika konwersji dla stron i odnoników .....................................422
17
SPIS
TR
E
CI
Obsesyjna segmentacja ..............................................................................................................423
Przedstawianie przychodów obok wspóczynnika konwersji .......................................................424
Pomiar wspóczynnika konwersji pod ktem celu ......................................................................424
Usprawnianie analiz z obszaru SEM i PPC ..................................................................426
Pomiar wspóczynnika odrzuce
(zagregowanego i wedug najpopularniejszych szukanych wyrae) ........................................427
Kontrola usugodawców i agencji ..............................................................................................428
Pomiar wspóczynnika kanibalizacji ruchu naturalnego przez kampanie PPC .............................429
Agresywne stosowanie testów i eksperymentów .........................................................................430
Zrozumienie wielu celów klientów .............................................................................................431
Pomiar cudownego wspóczynnika rezygnacji .............................................................432
Stosowanie segmentacji do wspóczynnika rezygnacji .................................................................433
Wyciganie praktycznych wniosków i podejmowanie dziaa ....................................................435
Pomiar liczby dni i wizyt do zakupu ...........................................................................436
Jak mierzy omawiane wskaniki? .............................................................................................438
Wyciganie praktycznych wniosków i podejmowanie dziaa ....................................................439
Wykorzystanie statystycznych limitów kontrolnych ...................................................441
Obliczanie limitów kontrolnych .................................................................................................444
Praktyczny przykad zastosowania limitów kontrolnych ............................................................444
Pomiar rzeczywistego zakresu moliwej poprawy .......................................................447
Uwzgldnianie wspóczynnika odrzuce ....................................................................................448
Odfiltrowywanie „wizyt” robotów wyszukujcych i oprogramowania do kontroli witryny
oraz bdów 404 i da rysunków .........................................................................................449
Uwzgldnienie celów klientów ..................................................................................................450
Podejmowanie dziaa ...............................................................................................................452
Rozdział 15. Budowanie kultury opartej na danych
— praktyczne kroki i najlepsze praktyki ................................................... 457
Kluczowe umiejtnoci menederów
kierowników dziau analizy danych internetowych ..................................................458
Prawdziwa pasja ........................................................................................................................459
Akceptacja i denie do zmian ...................................................................................................459
Kwestionowanie danych a do przesady .....................................................................................460
Nastawienie na innowacje pod ktem klienta ............................................................................460
Niekoniecznie „mistrzowie liczb” ...............................................................................................461
Naturalne zdolnoci biznesowe i rozsdek ..................................................................................461
Wybitne umiejtnoci interpersonalne .......................................................................................462
Kiedy i jak zatrudnia konsultantów oraz ekspertów wewntrznych? .........................462
Etap 1. Narodziny .....................................................................................................................464
Etap 2. Od niemowlcia do nastolatka .......................................................................................465
Etap 3. Szalona modo ............................................................................................................467
Etap 4. Dojrzao — po trzydziestce ........................................................................................469
Siedem etapów budowania kultury podejmowania decyzji na podstawie danych .........471
Wyjcie od wyników (skutków) .................................................................................................471
Zrozumienie, e raporty to nie analizy, i promowanie tych ostatnich .........................................472
18
SPIS
T
R
E
CI
Bezosobowe podejmowanie decyzji ............................................................................................473
Zachowania proaktywne zamiast reaktywnych ..........................................................................474
Due uprawnienia dla analityków ..............................................................................................475
Stosowanie podejcia Trinity ......................................................................................................475
Mylenie w kategoriach procesu ................................................................................................476
Skorowidz ........................................................................................... 479
31
WEB ANA
LYTICS D
Z
I
I J
U
TRO
Web Analytics
dzi i jutro
20 marca 2007 roku wyszukiwanie wyraenia
„web analytics” + definition w wyszukiwarce
Google dao 642 000 wyników w 0,11 sekundy.
Potwierdza to zoono i dug histori tej
wspaniaej dziedziny (oraz szybko generowania
wyników przez wyszukiwark Google).
Rozdzia 1[SR1]
32
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
Stowarzyszenie Web Analytics Association (http://www.webanalyticsassociation.org)
zaproponowao niedawno standardow definicj analizy danych internetowych:
Analiza danych internetowych to obiektywne ledzenie, zbieranie,
mierzenie, tworzenie raportów i analizowanie ilociowych danych
internetowych w celu optymalizacji witryn oraz internetowych
kampanii marketingowych.
Analiza danych internetowych ma swe pocztki w latach 90. Jednak jej
pierwsz standardow definicj (przedstawion powyej) zaproponowano dopiero
w roku 2006, co pokazuje, jak moda jest to dziedzina.
Krótka historia analizy danych internetowych
W pocztkowym okresie istnienia internetu korzystanie z niego byo stosunkowo
proste. Uytkownik wpisywa adres i ujednolicony lokalizator zasobu (ang. Uniform
Resource Locator — URL), otrzymywa plik z tekstem i odnonikami, po czym caa
interakcja si koczya. ycie byo wtedy proste.
Zauwaono, e czasem pojawiay si bdy, które powodoway, e nie mona
byo udostpni pliku, lub e zawiera on nieprawidowe odnoniki. Wtedy to sprytni
ludzie wymylili dzienniki serwera do rejestrowania bdów i wykorzystali je do
wyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizyta
odpowiadaa po prostu daniu zwrócenia pliku).
Wspomniane dzienniki serwera rejestroway nie sam fakt odwiedzin uytkownika
w witrynie, ale take dodatkowe informacje: nazw pliku, czas, ródo dania (witryn
lub stron internetow), adres IP, identyfikator przegldarki, nazw systemu
operacyjnego i tak dalej. Praca stawaa si coraz ciekawsza, poniewa mona byo
dowiedzie si czego o ródle dania.
Wraz z powikszaniem si dzienników i wzrostem zainteresowania danymi
osób spoza wiata techniki jeszcze sprytniejsza osoba napisaa pierwszy skrypt,
który automatycznie przetwarza pliki dziennika i wywietla podstawowe wskaniki
(rysunek 1.1). W ten sposób narodzia si analiza danych internetowych.
Rysunek 1.1. Prosty raport programu Analog w wersji 0.9 (beta)
33
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
Program Analog napisany przez doktora Stephena Turnera w 1995 roku by
pierwsz aplikacj do analizy plików dziennika powszechnie dostpn w sieci WWW.
Wci jest to jedno z najczciej uywanych narzdzi do analizy danych internetowych
i jest zainstalowane w witrynach wikszoci dostawców usug internetowych
(ang. Internet Service Provider — ISP). Analog i podobne mu programy uatwiy
rozpowszechnienie si analizy danych internetowych poza dziay informatyczne firm.
Raporty byy coraz adniejsze, a pracownicy z dziau marketingu mogli wreszcie
zrozumie , co si dzieje w witrynie.
W latach 1995 – 96 standardowi uytkownicy internetu mogli zetkn si
ze statystykami z uwagi na rozpowszechnienie si wspaniaego narzdzia nazywanego
licznikiem.
Liczniki odwiedzin na stronach byy prawdopodobnie
pierwszym przykadem sieciowego marketingu wirusowego (ich wprowadzenie
przypisywane jest firmie Web-Counter). Liczniki pojawiy si w kadym miejscu
sieci WWW. Byy ciekawe, a zarazem informoway o popularnoci strony.
Komercyjna analiza danych internetowych rozpocza si kilka lat póniej, a jej
najbardziej znanym owocem by program WebTrends. Aplikacja ta opieraa si na
wzbogaconym parserze standardowych plików dziennika, jednak co jeszcze waniejsze,
generowaa tabele i eleganckie wykresy, które ostatecznie wprowadziy analiz danych
internetowych do zespoów biznesowych (przykadowe dane wyjciowe programu
WebTrends przedstawia rysunek 1.2).
Rysunek 1.2. Przykładowy raport programu WebTrends
Do roku 2000, kiedy to popularno sieci WWW wci rosa w tempie
wykadniczym, analiza danych internetowych staa si ugruntowan dziedzin bada.
Kluczowymi dostawcami usug w tej brany byli Accrue, WebTrends, WebSideStory
i Coremetrics. Firmy te udostpniay coraz bardziej zaawansowane rozwizania, które
generoway olbrzymie iloci danych.
Mniej wicej w tym samym czasie usugodawcy i klienci w brany analizy danych
internetowych odkryli, e dzienniki serwera niekoniecznie s optymalnym ródem
informacji.
Stosowanie dzienników wizao si z nastpujcymi problemami:
Zapisywanie stron w pamici podrcznej przez dostawców usug internetowych.
Problem ten polega na tym, e po utworzeniu kopii strony na serwerze dostawcy
34
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
usug internetowych wszystkie nastpne dania powoduj zwrócenie wanie jej,
a operacje te nie s rejestrowane w plikach dziennika witryny.
Roboty wyszukujce. Wraz z rosnc popularnoci wyszukiwarek roboty
wyszukujce czsto przegldaj witryny i pozostawiaj w dziennikach wpisy
niezwizane z odwiedzinami uytkowników. Te wpisy take s uwzgldniane
we wskanikach. Cho mona odfiltrowa odwiedziny robotów, trudno jest nady
z rejestrowaniem ich wszystkich, a ponadto staj si one coraz „sprytniejsze”.
Niepowtarzalni uytkownicy. Poniewa coraz wicej osób ma dynamicznie
przypisywany adres IP i odwiedza strony przy uyciu serwerów poredniczcych,
trudno jest okreli liczb niepowtarzalnych uytkowników. Dostawcy uciekaj si
do uywania adresu IP w poczeniu z identyfikatorem agenta (identyfikator ten
obejmuje system operacyjny i przegldark uytkownika), jednak take to rozwizanie
nie jest doskonae. Mona te zastosowa pliki cookie ustawiane przez witryn,
jednak nie wszystkie dziay informatyczne korzystaj z tej techniki.
Z tych i innych przyczyn nowym standardem zbierania danych na temat
uytkowania witryny stay si znaczniki JavaScript (wiersze kodu w tym jzyku).
Jest to duo prostsza technika. Wystarczy doda do kadej strony kilka wierszy
kodu JavaScript, który zostanie uruchomiony po wczytaniu strony i przele dane
do rejestrujcego je serwera. Poniej przedstawiono przykadowy kompletny znacznik
JavaScript uywany przez Crazy Egg — now firm wiadczc usugi w obszarze
analizy danych internetowych:
<script type="text/javascript">
//<![CDATA[
document.write('<scr'+'ipt
src="http://crazyegg.com/pages/scripts/1111.js?'+
(new Date()).getTime()+'" ~CAtype="text/javascript"></scr'+'ipt>');
//]]>
</script>
Pliki dziennika oparte na kodzie JavaScript s atwiejsze w konserwacji ni
pliki dziennika serwera. Powoduj take, e za zbieranie i przetwarzanie danych
zazwyczaj odpowiadaj nie wewntrzne, firmowe dziay informatyczne, ale dostawcy
usug z obszaru analizy danych internetowych. Uatwia to proces analizy. Znaczniki
JavaScript upraszczaj take wprowadzanie innowacji, rejestrowanie nowych rodzajów
danych i obsug plików cookie w celu ledzenia aktywnoci uytkowników. Obecnie
usugodawcy mog samodzielnie wykonywa te operacje, zamiast kontaktowa si
z dziaem informatycznym firmy.
Uwaga:
Za znacznikami JavaScript także związane są pewne problemy omówione szczegółowo
w rozdziale 2., „Zbieranie danych — znaczenie i możliwości”.
35
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWYC
H
Nastpnym krokiem w ewolucji analizy danych internetowych byo
wprowadzenie nakadek na witryn (ang. site overlay), nazywanych te rozkadem
czstotliwoci klikni. Dziki tej technice osoby odpowiedzialne za podejmowanie
decyzji mog po prostu otworzy w przegldarce stron internetow, któr chc
podda analizie, zamiast przetwarza zoone zbiory danych i przeglda tabele pene
informacji. Przegldarka lub aplikacja do analizy danych internetowych wywietla
wtedy przez okrelony czas miejsca o najwikszej liczbie klikni .
Upowszechnio to znacznie czynnoci bdce wczeniej domen analityków
danych internetowych. Zwikszyo to te czsto korzystania z rozwiza
analitycznych, poniewa wszyscy mogli w bardzo prosty sposób — patrzc
na liczb klikni — zrozumie , co dzieje si na stronie.
Rysunek 1.3 pokazuje, jak atwo jest dokona segmentacji caego ruchu
w witrynie, wydzielajc odwiedziny z wyszukiwarki Google, oraz zaobserwowa
rónice w korzystaniu z odnoników przez róne grupy. Pozwala to ustali , czego
szukaj dwa segmenty uytkowników.
Rysunek 1.3. Raport ClickTracks w postaci nakładki na stronę
(podzielony na wszystkich użytkowników i odwiedziny z wyszukiwarki Google)
Obecnie w brany analizy danych internetowych dziaaj cztery due firmy:
Coremetrics, Omniture, WebTrends i WebSideStory. Jest te wielu rednich
dostawców, na przykad Unica, indexTools i ClickTracks, oraz liczne podstawowe
rozwizania, takie jak produkty o otwartym dostpie do kodu ródowego AWStats,
Webalizer i StatCounter.
Duy wpyw na bran analizy danych internetowych miaa firma Google,
która w 2005 roku kupia produkt Urchin, a w 2006 udostpnia go bezpatnie pod
nazw Google Analytics. Obecnie uytkownicy mog bezpatnie korzysta
z pierwszorzdnych analiz danych internetowych. Trudno jest okreli liczb osób
stosujcych Google Analytics. Wikszo analityków szacuje j na ponad pó miliona
36
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
w cigu pierwszych szeciu miesicy. Zgodnie z powszechnymi oczekiwaniami
Microsoft wkrótce pójdzie w lady Google i take udostpni bezpatne narzdzie
do analizy danych internetowych.
Tempo wprowadzania innowacji w wiecie analizy danych internetowych nie
maleje. Wci pojawiaj si nowsze i atwiejsze sposoby wizualizacji zoonych
zbiorów danych na temat interakcji uytkowników z witryn. Jedn z takich technik
jest mapa klikni udostpniana przez firm Crazy Egg (rysunek 1.4). W czasie
kiedy powstawaa ta ksika, wspomniana usuga bya dostpna w wersji beta.
Narzdzie to przedstawia grupy klikni na witrynie internetowej i ich liczebno
za pomoc kolorów. Im janiejszy kolor, tym wicej klikni koncentruje si wokó
danego miejsca lub odnonika.
Rysunek 1.4. Raport w postaci mapy
kliknięć udostępniany przez Crazy Egg
Obecne warunki i wyzwania
Analiza danych internetowych wci znajduje si w wieku szczenicym. Dorosa
nieco od momentu narodzin i w pewnym sensie potrafi sama przetrwa , jednak
w przyszoci naley spodziewa si jeszcze znacznego rozwoju i licznych zmian.
Temu procesowi towarzyszy obecnie niezwyky splot wydarze.
Od dugiego czasu firmy ponosiy znaczne inwestycje na witryny internetowe,
poniewa wszyscy tak postpowali i byo to modne. W cigu kilku ostatnich lat
sie WWW „dojrzaa” i jest kanaem biznesowym uywanym przez wikszo firm.
Nagle okazao si, e kana ten podlega tym samym prawom ekonomicznym co inne
(na przykad sprzeda telefoniczna lub zwyke sklepy). Od czasu znacznego wzrostu
popularnoci sieci WWW prowadzone s coraz dokadniejsze analizy, a firmy
wymagaj od osób odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonych
na ten kana. To podejcie wymaga wielu zmian w funkcjonowaniu tego kanau
37
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
i dziaaniach osób nim zarzdzajcych, które musz przeprowadza liczne badania,
aby wykaza si wynikami.
Nawet obecnie wiele osób utosamia analiz danych internetowych z badaniami
strumieni klikni . Cho jest to zupenie bdne podejcie, dla wikszoci praktyków
strumienie klikni to podstawa przy podejmowaniu decyzji zwizanych z witryn.
Poniewa te strumienie obejmuj tylko cz danych internetowych, liczne firmy
s rozczarowane brakiem praktycznych wniosków mimo inwestycji ponoszonych przez
lata na narzdzia do analizy takich danych. Dostpnych jest mnóstwo danych i jeszcze
wicej raportów, jednak w mylach osób odpowiedzialnych za podejmowanie decyzji
wci pojawia si pewne stwierdzenie: „Dane nie powiedz mi, co mam robi”.
W czasie boomu internetowego na rynku dziaao okoo 200 usugodawców
o rónej wielkoci. Od momentu zaamania w brany nastpia konsolidacja.
Ekosystem firm zajmujcych si analiz danych internetowych jest zdominowany
przez usugodawców, którzy staraj si uzyska przewag konkurencyjn, oferujc
coraz wicej funkcji. Zdominowali oni bran i okrelaj postrzeganie wiata analiz
(przy czym w praktyce jest to wiat raportów).
Brak wpywu praktyków na strategi i kierunek rozwoju ma negatywne skutki
dla brany. Standardowe techniki, na przykad innowacje pod ktem klienta (ang.
customer-driven innovation — CDI), nigdy nie zostay przyjte w wiecie analizy danych
internetowych. Wikszo postpów wynika z innowacji opartych na moliwociach
(ang. possibility-driven innovation — PDI), na przykad: „Co jeszcze moemy zrobi
z zebranymi danymi? Wprowadmy innowacje na tej podstawie”.
W brany wyranie wida brak wiedzy praktycznej. Co waniejsze, nie ma
te ludzi i podej , które umoliwiyby firmom internetowym wyciganie praktycznych
wniosków pozwalajcych na strategiczne odrónienie si od konkurencji. Uniwersytety
i inne szkoy nie ucz praktycznej analizy danych internetowych. Istnieje tylko jeden
kurs internetowy na ten temat, prowadzony przez University of British Columbia.
Te braki w poczeniu z nadmiarem danych (w kategoriach danych surowych, które
mona uzyska w sieci WWW) prowadz do nieoptymalnych rozwiza przy
przedstawianiu firmom praktycznych wniosków.
Ruch Web 2.0 i powizane z nim technologie coraz czciej s czym
oczekiwanym przez klientów. Ta zmiana to powana przeszkoda dla wikszoci
obecnych rozwiza i usugodawców z obszaru analizy danych internetowych.
W wiecie Web 2.0 jeszcze waniejsze s szybkie zmiany w podejciu i opracowanie
strategii skutecznej analizy danych internetowych. Na przykad w Web 2.0 typowe
strumienie klikni nie s zbyt istotne, poniewa kada nowinka powoduje powolne
odchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wic mona
zmierzy sukces w takich warunkach?
Wraz z pojawieniem si programu Google Analytics rynek wprost eksplodowa,
poniewa wszyscy waciciele witryn mog bezpatnie uzyska dostp do danych
internetowych i do tego za pomoc zaawansowanych narzdzi. Oczekiwane darmowe
38
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
narzdzie Microsoftu dodatkowo zwikszy moliwoci praktyków. Jednak sam dostp
do narzdzi i danych nie rozwie problemów zwizanych z wyborem wskaników
powodzenia i prawidow analiz danych internetowych.
Obecnie analitycy danych internetowych mog korzysta z wikszej iloci danych
ni kiedykolwiek wczeniej:
x
Analiza konkurencyjnoci pozwala nie tylko okreli , co dzieje si w witrynie,
ale take (za drobn opat) ustali , jak dziaaj witryny konkurencji.
x
Dane jakociowe (uyteczno , ankiety, bezporednia obserwacja) zapewniaj
informacje o wpywie kanau internetowego na inne kanay (warto zastanowi
si nad systemami CRM).
Wraz z rozwojem analizy danych internetowych — od narodzin do obecnego
okresu niemowlcego — uytkownicy mieli dostp do coraz wikszej iloci zoonych
danych. W prawie kadym narzdziu analitycznym za pomoc jednego kliknicia
mona wywietli setki miar.
Rosnca ilo danych zwiksza moliwoci w obszarze analiz i dziaa, ale
jednoczenie moe okaza si puapk, prowadzc do paraliu analitycznego.
Firmy dziaajce w sieci WWW wydaj miliony dolarów na analiz danych
internetowych, dc do optymalnego wykorzystania setek milionów dolarów
wydawanych na kampanie marketingowe i witryny internetowe, które z kolei maj
doprowadzi do uzyskania miliardów dolarów zysków.
Podstawowym problemem przy tworzeniu ankiet, priorytetów marketingowych,
studiów przypadków i list ycze jest moliwo dokadnego pomiaru danych w celu
podjcia optymalnych decyzji zwizanych ze spoytkowaniem setek milionów dolarów
wydawanych przez firmy. Najgorsze jest to, e wikszo firm próbuje rozwiza ten
problem w bdny sposób.
Tradycyjna analiza danych internetowych to przeszłość
W audycji podcast z witryny Internet Marketing Voodoo z marca 2006 roku
stwierdziem, e tradycyjna analiza danych internetowych jest martwa. To samo
mogem powiedzie ju dwa lata wczeniej.
Analiza danych internetowych opieraa si pocztkowo na dziennikach
serwerów sieciowych, które zawieray gównie informacje techniczne, a nie biznesowe.
Z uwagi na wyjtkow ciek rozwoju obecnie liczne narzdzia do analizy danych
internetowych i podejcie wikszoci firm koncentruj si na analizie strumieni
klikni . Rysunek 1.5 ilustruje typow analiz danych internetowych w przeszoci.
Dziki narzdziom do analizy danych internetowych mona byskawicznie
uzyska dostp do olbrzymich iloci danych, miar, kluczowych wskaników wydajnoci
i innych liczb. Istnieje wielu uytkowników i dostawców takich usug oraz dobrze
ugruntowany system pracy i mylenia zwizany z przedstawianiem tych danych.
39
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
Rysunek 1.5. Mnóstwo miar i kluczowych wskaźników wydajności dostępnych po kliknięciu przycisku
Jak wic wyglda tradycyjny wiat analizy danych internetowych? Jeli firma
korzysta z jednej z poniszych przykadowych miar, prawdopodobnie funkcjonuje
wanie w tym wiecie:
Liczba wywietle stron. Jeli firma prowadzi witryn sklepu internetowego (a take
wikszo innych witryn), to czy wysoka liczba wywietle stron przez uytkownika
jest korzystna, czy nie? Jeli nawigacja sprawia problemy, uytkownicy bd czsto
wywietla strony, ale nic nie kupi. Jeli nawigacja jest doskonaa, wywietle
stron bdzie mniej, jednak moliwe, e uytkownicy szybciej stwierdz, i ceny
nie s konkurencyjne, dlatego opuszcz witryn. Jak mona na podstawie samej liczby
wywietle stron stwierdzi , jak zachowuj si uytkownicy? Ponadto jaki wzorzec
zachowa klientów jest korzystny ze wzgldu na ten wskanik?
Liczba wizyt. Kiedy wizyty suyy do ledzenia liczby da danych kierowanych
do serwera. Wtedy mona byo utosamia wizyty z daniem strony lub treci.
Wicej wizyt oznaczao wiksz popularno , a na bardzo wczesnym etapie rozwoju
internetu — take wiksz liczb uytkowników. Obecnie wizyty maj bardzo mae
znaczenie z uwagi na liczb obrazów i multimediów umieszczanych na stronach.
danie typowej strony powoduje 25 wizyt na serwerze. Co naprawd mierzy analityk,
ledzc liczb wizyt? dania o dane kierowane do serwera? Liczb wywietlanych
stron? Liczb osób odwiedzajcych witryn?
Strony z najwiksz liczb wyj. O czym informuje analityka to, na której stronie
internetowej odwiedzajcy najczciej opuszczaj witryn? Czy takie strony s gorsze
od innych? Przecie moliwe, e s to doskonae strony, na których uytkownicy
znajduj to, czego szukaj, dlatego mog opuci witryn. Jeli klient bdzie szuka
aparatu cyfrowego Sony w witrynie Amazon.com i znajdzie to, co go interesuje,
wyjdzie z witryny. Podobnie zrobi osoby generujce 99% ruchu w tej witrynie.
40
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
Wskanik opuszczania witryny nie informuje o tym, czy poziom poszczególnych
stron jest wysoki, czy niski.
Zaangaowanie. Podobne zastrzeenia dotycz zaangaowania, które czsto oblicza
si jako liczb sesji podzielon przez liczb niepowtarzalnych uytkowników. Jeli
wiele osób ponownie odwiedza witryn, czy dzieje si tak dlatego, e nie mog znale
szukanych treci, czy z uwagi na to, i jest to najpikniejsza witryna na wiecie ze
wspaniaymi informacjami?
Rozdzielczo ekranu uytkowników. Rozdzielczo ekranu to doskonay przykad
niepotrzebnego wskanika, który ma bardzo niewielk warto . Kade narzdzie
do analizy danych internetowych informuje o rozdzielczoci ekranu, a miara ta pojawia
si w codziennych raportach, cho rzadko zmienia si czciej ni raz na sze miesicy.
Mimo to analitycy obliczaj j cay czas, co rozprasza usugobiorców i powoduje
nieoptymalne wykorzystanie czasu. Ponadto czy nie lepiej po prostu uy bada firmy
Forrester Research lub Gartner na temat najnowszych trendów w danej brany i na
tej podstawie okreli optymaln wielko strony?
Wszystkie te wskaniki maj o czym informowa , jednak w praktyce tego
nie robi. Co gorsza, zwykle prowadz do bdnych wniosków. Po wydaniu mnóstwa
pienidzy na zakup narzdzi i poniesieniu jeszcze wikszych nakadów na uzyskanie
raportów firmy maj mao informacji na temat zwrotu z inwestycji lub opinii
uytkowników na temat korzystania z witryny. Lata frustracji wynikajcej
z niemonoci zrozumienia danych i podejmowania dziaa na ich podstawie
doprowadziy do upadku tradycyjnej analizy danych internetowych. Nie udao si
dziki niej rozwiza problemów ani firm, ani ich klientów, poniewa nie prowadzia
do praktycznych wniosków.
Jak powinna wyglądać analiza danych internetowych?
W omawianej brany zachodz wanie istotne zmiany. Analiza danych internetowych
nie jest ju t sam dziedzin co dawniej. Nowy wiat analiz prowadzcych
do praktycznych wniosków obejmuje nie tylko strumienie klikni . Istotne s take
dane na temat skutków. Dane te zwykle mona zarejestrowa za pomoc znaczników
JavaScript, jednak czasem pomiary te wymagaj wykazania si kreatywnoci.
Obecnie wana jest te analiza jakociowa: dlaczego odwiedzajcy zachowuj si
w okrelony sposób i dlaczego korzystaj z witryny?
Rozwój analizy danych internetowych powoduje, e waciciele witryn maj
duo wiksze moliwoci w zakresie wysuchiwania uytkowników. Analizy obejmuj
obecnie bardziej istotne dane i pozwalaj zrozumie , jakie dziaania naley podj .
Dziki nowemu podejciu kana internetowy moe okaza si skutecznym narzdziem
dla firm, które wczeniej z niego nie korzystay.
Podstaw tradycyjnej analizy danych internetowych przez dugi czas byy
wbudowane kluczowe wskaniki wydajnoci (ang. key performance indicator — KPI).
41
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
Jednak z uwagi na to, e ogólne wskaniki KPI czsto nie uwzgldniaj strategicznych
rónic w dziaaniu firm, nie speniaj pokadanych w nich nadziei.
Aby wspózawodniczy z innymi firmami, trzeba przeprowadza kluczowe
analizy wniosków (ang. key insights analysis — KIA).
Poniej opisano kilka miar specyficznych dla nowego wiata analizy danych
internetowych prowadzcej do dziaa, a take przykadowe analizy KIA:
Analizy rozkadu czstotliwoci klikni. Analizy rozkadu czstotliwoci klikni
(powizane z nakadkami na witryn generowanymi przez narzdzia do analizy danych
internetowych) pomagaj zrozumie punkt widzenia klienta. Uatwiaj zrozumienie
dziaa uytkowników witryny. Czy klikaj oni elementy zgodnie z oczekiwaniami
wacicieli witryny? Jeli nie, co uwaaj za ciekawsze od tych opcji? Które elementy
okazay si zupenie nieoczekiwanie interesujce dla uytkowników?
Jeli firma dokonuje segmentacji ruchu w witrynie, moe ustali rónice
w zachowaniu rónych grup uytkowników, na przykad klikni osób, które trafiy
na witryn z wyszukiwarki Google, i pozostaych odwiedzajcych. Mona na przykad
lepiej dopasowa tre dla uytkowników z pierwszego z tych segmentów. Analizy
tego rodzaju s bardzo cenne, poniewa umoliwiaj podejmowanie dziaa. Nie
ograniczaj si do raportów i arkuszy programu Microsoft Office Excel, ale pozwalaj
dosownie przyjrze si stronom internetowym i zobaczy , jak zachowuj si klienci
z poszczególnych segmentów. Na podstawie tych danych mona zacz tworzy
niestandardowe, spersonalizowane strony dla uytkowników z rónych grup
i zwikszy przez to zaangaowanie klientów oraz poprawi wynik na skali gównego
wskanika powodzenia.
Podstawowy cel odwiedzajcych. Zamiast wnioskowa o celu wizyty na podstawie
ogldanych stron, w nowym i ulepszonym podejciu wystarczy poprosi klientów
o to, aby pomogli ustali , dlaczego odwiedzili witryn. Ryzyko korzystania
z wywietlanych stron przy okreleniu gównego celu wizyty polega na tym, e jeli
witryna nie zawiera szukanych treci, waciciel nigdy si o tym nie dowie. Dlaczego
wic nie zada pytania uytkownikom? Warto przeprowadzi ankiet lub porozmawia
42
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
z nimi przez telefon. Naley skontaktowa si z klientami i zapyta , dlaczego odwiedzili
witryn. Czasem mona w ten sposób odkry przyczyny, o których waciciel nigdy
by nie pomyla, a które powinien by uwzgldnia od pocztku istnienia witryny.
Wspóczynnik uko czonych zada . Zauwaalne jest te odchodzenie od korzystania
z danych na temat strumieni klikni (powizanych z wywietlaniem stron) w kierunku
pomiaru udanego ukoczenia zada. Firmy czsto maj witryny pomocy technicznej
z baz wiedzy, listami odpowiedzi na czsto zadawane pytania (ang. frequently asked
questions — FAQ) i tak dalej. W dawnym podejciu sukces mierzono za pomoc
narzdzi do analizy strumieni klikni , uwzgldniajcych wszystkie osoby, które
zobaczyy artyku z bazy wiedzy lub list FAQ. Jednak czy sam fakt wywietlenia
przez uytkownika dugiej i skomplikowanej odpowiedzi oznacza sukces? Powodzenie
w wikszoci przypadków bardzo trudno jest okreli na podstawie wywietlonych
stron. Wyjtkiem s witryny sklepów internetowych, w których wywietlenie strony
z podzikowaniami po zoeniu zamówienia mona uzna za udane ukoczenie
zadania. W nowym podejciu zestaw analiz danych internetowych wzbogacono
o bardziej zaawansowane dane jakociowe, które pozwalaj zrozumie , czy klienci
ukoczyli zadania i znaleli to, czego szukali. Na tej podstawie mona podejmowa
dziaania, poniewa nie ma wtpliwoci, czy wywietlenie strony doprowadzio do
zrealizowania celu. Wystarczy zapyta (za pomoc ankiety, laboratoryjnych testów
uytecznoci lub testów w witrynie), a nastpnie podj dziaania na podstawie
uzyskanych odpowiedzi.
Trendy w zachowaniach segmentów uytkowników. Niewiele dostpnych
obecnie narzdzi umoliwia segmentacj danych po ich zarejestrowaniu. W dawnym
podejciu uywano atrybutów w znacznikach JavaScript. Teraz dostpne s narzdzia
firm ClickTracks i Visual Sciences (ich ceny bardzo si róni) umoliwiajce prawdziw
segmentacj danych, dziki czemu nie trzeba sprawdza redniego czasu wizyty
w witrynie, najczciej szukanych sów kluczowych lub popularnych treci
z uwzgldnieniem wszystkich uytkowników. Narzdzia te umoliwiaj podzia
klientów na grupy i rejestrowanie ich zachowa w sensowny sposób, co pozwala
na duo lepsze zrozumienie interakcji uytkowników z witryn. Prowadzi to
do praktycznych wniosków, na których mona oprze dalsze dziaania.
Wielokanaowe analizy skutków. Powan wad tradycyjnej analizy danych
internetowych byo oparcie jej na silosie (czyli na danych o strumieniu klikni
w witrynie). Jednak bardzo nieliczne firmy, niezalenie od ich rozmiaru, wi
strategi prowadzenia witryny i prowadzenie biznesu z silosem danych. Aby
zrozumie ogólny wpyw kanau sieciowego, trzeba postrzega sie WWW jako
cz wikszego ekosystemu. Uzyskanie wartociowych wniosków wymaga pomiaru
wpywu innych kanaów (na przykad reklam telewizyjnych i prasowych) na witryn
oraz witryny na inne kanay (na przykad liczb osób uywajcych witryny,
ale kupujcych produkty w zwykym sklepie lub przez telefon).
43
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
Poszerzenie perspektywy oznacza, e dane z narzdzi do analizy danych
internetowych pomagaj w analizach innego rodzaju (na przykad analizach wartoci
klienta w cyklu ycia osób pozyskanych wszystkimi kanaami). Poprawia te jako
analiz dziki wczeniu kluczowych informacji do analizy danych internetowych.
Obok danych o strumieniu klikni z ankiet i dotyczcych konwersji klientów poza
internetem nie powinno zabrakn podstawowych metadanych na temat firmy.
Wspóczeni analitycy yj w czasach kluczowych analiz wniosków i powinni
zda sobie spraw, e kada porcja danych ma wpyw na dziaania. Nie s to
jakiekolwiek operacje. Powinny to by dziaania, które przynosz skutki oczekiwane
przez klientów. (Warto zwróci na to uwag: nie s to efekty podane przez szefa
analityków lub nawet przez jego przeoonego, ale wane dla klienta).
Wkroczenie w wiat wniosków wymaga czasu, jednak pokonanie tej bariery
pozwala uzyska dugoterminow przewag strategiczn (i powan premi oraz
promocj, albo obie te korzyci, dla analityka).
Pomiar „co” i „dlaczego”
Mona wyobrazi sobie klienta wchodzcego do i wychodzcego z supermarketu.
Jeli ta osoba nic nie kupi, kierownicy sklepu prawdopodobnie nawet nie dowiedz
si o jej istnieniu. Jeli klient wyda pienidze, waciciele dowiedz si, e pewne
produkty zostay sprzedane (jeli uytkownik korzysta z karty marketowej, uzyskaj
wicej informacji).
Z perspektywy zbierania danych odwiedziny w witrynie internetowej wygldaj
zupenie inaczej. W ich trakcie klient pozostawia duo danych niezalenie od tego,
czy co kupi, czy nie.
Witryna moe zarejestrowa kad „alejk”, w któr wejdzie klient, wszystkie
ogldane produkty, czas czytania kadej „etykiety”, przedmioty umieszczone w koszyku
i usunite z niego, a take liczne inne informacje. Jeli klient w kocu co kupi,
meneder witryny bdzie wiedzia, gdzie mieszka uytkownik, skd trafi na witryn,
jakie promocje go interesuj, ile razy kupi co wczeniej i tak dalej. Jeli klient
po prostu wejdzie do witryny i opuci j, waciciel mimo to pozna wszystkie jego
dziaania i kolejno ich wykonywania.
Mam nadziej, e udao mi si zademonstrowa istotn przewag sieci WWW
w obszarze zbierania danych na temat odwiedzajcych. Wszystko to jest moliwe
bez naruszania podstawowych zasad prywatnoci (dlatego na przykad wikszo
witryn nie zarejestruje informacji o odwiedzinach Avinasha Kaushika, ale osoby
o identyfikatorze
159ar87te384ae8137
zapisanym w pliku cookie). Ponadto obecnie
istnieje bardzo dua liczba narzdzi, które byskawicznie tworz raporty obejmujce
wszelkie dane internetowe, wywietlaj je za pomoc rozmaitych diagramów,
wykresów, tabel, tabel przestawnych i zrzutów. Mona sobie wyobrazi ,
jak skomplikowana jest analiza wszystkich tych informacji.
44
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
Jednak niezalenie od uywanych narzdzi dane mog jedynie pomóc
w zrozumieniu tego, co si dzieje. Nie pozwalaj natomiast — niezalenie od zakresu
przetwarzania danych — okreli , dlaczego co si wydarzyo.
Dostpne s kliknicia, strony, czas odwiedzin w witrynie, cieki, promocje,
wspóczynniki rezygnacji i tak dalej. Wane jest, aby pamita , e dane te nie
odpowiadaj na szereg kluczowych pyta. Dlaczego odwiedzajcy klikali okrelone
elementy? Dlaczego uytkownicy na jedne strony wchodzili, a inne omijali?
Dlaczego 50% klientów porzucio koszyk? Dlaczego 90% osób czyta odpowied
na najbardziej popularne pytanie na stronie pomocy technicznej, a nastpnie i tak
dzwoni do firmy? Dane nie odpowiadaj na pytanie dlaczego.
Dlatego tak istotne s dane jakociowe, które pomagaj zrozumie przyczyny.
Na tym polega rónica midzy 99% obecnych analiz witryn internetowych
prowadzcych do bardzo nielicznych wniosków a 1% analiz, które pozwalaj
zrozumie sposób mylenia klientów.
Poczenie odpowiedzi na pytania co (analiza ilociowa) i dlaczego (analiza
jakociowa) moe okaza si wyjtkowo skuteczne. Kluczowa jest take umiejtno
zebrania wszystkich danych na temat strumieni klikni i ich dogbnej analizy.
Pozwoli to doj do wniosków prowadzcych do istotnych zmian w witrynie, które
zwiksz komfort pracy uytkowników.
Dostpnych jest wiele danych jakociowych (odpowiadajcych na pytanie
dlaczego). S to midzy innymi:
x
popularno marki i opinie na jej temat,
x
zadowolenie klientów,
x
wskaniki sieciowego marketingu szeptanego,
x
analizy otwartych wypowiedzi klientów,
x
zaangaowanie odwiedzajcych,
x
przywizanie klientów,
x
„puls blogów”.
Niektóre z wymienionych danych dotycz interakcji klientów z witryn,
inne wskaniki mierz opinie i zachowania uytkowników w miejscach innych
ni dana witryna, a jeszcze inne zwizane s z cechami mikkimi, na przykad
postrzeganiem marki.
Cho analiza jakociowa ma wiele odmian, prawdopodobnie najwaniejszym
wskanikiem z tej grupy jest interakcja klientów (odwiedzajcych) z witryn internetow.
Pierwszy krok na drodze do kluczowych analiz wniosków powinien polega
na zrozumieniu wszystkich aspektów interakcji klientów z witryn. Moe to
doprowadzi do szybszego wysnucia praktycznych wniosków i wywarcia istotnego
wpywu na proces podejmowania decyzji. Obecnie duo mówi si o „modnych”
wskanikach, takich jak warto lub wpyw marki oraz „puls blogów”. Te miary
45
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
mog by drugim lub trzecim przystankiem w podróy, poniewa koncentracja
na nich moe prowadzi do nieoptymalnego wykorzystania czasu i zasobów, jeli
analityk wczeniej dobrze nie zrozumie elementów wpywajcych na zadowolenie
klienta i udane wykonywanie przez niego zada w witrynie.
Jest wiele metod zbierania danych jakociowych (odpowiadajcych na pytanie
dlaczego). S to midzy innymi:
x
laboratoryjne testy uytecznoci (uczestnicy wykonuj zadania z pomoc
badacza lub samodzielnie),
x
odwiedziny w siedzibie klienta (obserwacja uytkowników w ich „rodowisku
naturalnym”),
x
testy i eksperymenty (jest to modna ostatnio technika obejmujca testy A/B
i wielu zmiennych),
x
nieustrukturyzowane rozmowy na odlego (zdalne komunikowanie si
z klientem w czasie, kiedy korzysta on z witryny; do komunikacji su
takie narzdzia, jak Ethnio),
x
ankiety (przodek wszystkich innych metod, wspomniany w omówieniu
gównego celu odwiedzajcych w poprzednim podrozdziale).
Dla osób, które nie maj dowiadczenia w testach jakociowych, ankiety
to doskonay sposób na zapoznanie si z tym obszarem. Cho niektórzy twierdz
inaczej, metoda ta jest atwa w implementacji, mona j stosowa stale,
jest jednoczenie ilociowa, a wyniki pozwalaj zwykle wycign wiele praktycznych
wniosków.
Poczenie odpowiedzi na pytania dlaczego (cele, motywacje i tak dalej) oraz
co (kliknicia, liczba odwiedzajcych) jest niezbdne jako podstawa udanego
i prowadzcego do dziaa programu analizy danych internetowych.
Metoda Trinity — nastawienie i podejście strategiczne
Kilka lat temu, w czasie zmaga z problemami w obszarze analizy danych
internetowych, pojawia si potrzeba zastosowania nowego paradygmatu, innego
sposobu mylenia o analizie. Zastosowanie wielu wskaników KPI, raportów penych
danych i duej mocy obliczeniowej nie doprowadzio do uzyskania oczekiwanych
efektów.
Od kilku lat niemal kada witryna miaa zainstalowany standardowy pakiet
do analizy danych internetowych jednego z trzech czoowych producentów,
co umoliwiao generowanie raportów i doprowadzio do ogoszenia sukcesu
w obszarze ich conocnego przygotowywania. Jak jednak powinien wyglda
paradygmat, skoro zwyke dziaania nie doprowadziy do wysnucia wniosków
umoliwiajcych popraw komfortu korzystania z witryny?
46
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
Odpowiedzi bya metoda Trinity — nowy sposób mylenia o podejmowaniu
decyzji na temat witryny, wykraczajcy poza strumienie klikni . Trinity to take
platforma, na której firma moe oprze strategi dziaa w sieci WWW.
Jej zastosowanie gwarantuje moliwo zbudowania pierwszorzdnej platformy
podejmowania decyzji, która zapewni przedsibiorstwu trwa przewag
konkurencyjn.
Gówn przyczyn wartoci metody Trinity jest jej istota: praktyczne wnioski
i miary (rysunek 1.6).
Rysunek 1.6. Rozwiązywanie problemów
pod kątem praktycznych wniosków i miar
Celem tej strategii jest rezygnacja z raportów. Analityk nie powinien si
zastanawia , jak zarzuca osoby podejmujce decyzj raportami penymi danych.
Praktyczne wnioski i miary to cel nadrzdny, poniewa umoliwiaj one strategiczne
odrónienie si od innych firm i uzyskanie trwaej przewagi konkurencyjnej.
Uzyskanie praktycznych wniosków wraz z jasnymi celami pomaga
skonkretyzowa dziaania organizacji. Jeli czynnoci wykonywane przez analityka
(przygotowywanie raportów, analizy danych, spotkania, przegldy i tak dalej) nie
prowadz do praktycznych wniosków, powinien z nich zrezygnowa . Ta strategia
zachca do wykonywania wartociowych zada i jest doskonaym sposobem
na uatwienie kluczowym osobom podejmowania decyzji w obszarze wykorzystania
zasobów.
Analizy zachowania
Pierwszy komponent metody Trinity to analizy zachowania, które odpowiadaj
tradycyjnym analizom strumieni klikni (rysunek 1.7).
Celem analiz zachowania jest wywnioskowanie (najdokadniejsze jak to moliwe
przy dostpnych danych) celów klientów lub osób odwiedzajcych witryn na podstawie
wszystkich informacji o danej osobie. Nie naley naladowa innych analityków
i oczekiwa zbyt wiele po strumieniu danych. Najlepsze, co mona zrobi z takim
strumieniem, to próba ustalenia celu, i trzeba si z tym pogodzi .
Po zebraniu danych na temat strumieni klikni naley przeanalizowa je na
wyszym poziomie. Nie warto bada wizyt, cznego czasu korzystania z witryny,
liczby uytkowników i stron wyjcia. W metodzie Trinity naley skoncentrowa
47
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
Rysunek 1.7. Analizy zachowania to próba zrozumienia celu klienta
si na analizie rozkadu czstotliwoci klikni za pomoc raportu w formie nakadki
na witryn. Naley te przeprowadzi segmentacj danych na n poziomów, aby doj
do cennych wniosków. Warto te przeanalizowa szukane wyraenia i to nie tylko
zewntrzne, ale take wewntrzne, ograniczone do witryny. Celem jest mdre
przeprowadzenie analizy strumieni klikni i rozpoczcie wnioskowania na temat
celów osób odwiedzajcych witryn.
Wnioskowanie na temat celów ma pewn wad — dwie osoby mog
w odmienny sposób zinterpretowa ten sam zbiór danych i klikni . Zwykle wynika
to z tego, e kady analityk ma wyjtkow wiedz i niepowtarzalne dowiadczenia.
Wielk zalet ustalenia, e najwaniejsze jest wnioskowanie na temat celów, jest
moliwo wykonywania tego zadania, przedstawiania efektów wspópracownikom,
sprawdzania poprawnoci przemyle, wycigania ostatecznych wniosków i dawania
zalece.
Analizy skutków
Drugi element metody Trinity to analizy skutków (rysunek 1.8). Ja nazywam ten
komponent „i co z tego?”.
Ten komponent jest kluczowy z jednej prostej przyczyny: kiedy pod koniec
dnia wszystko zostao ju powiedziane i zrobione, analityk chce pozna skutki, jakie
bdzie to miao dla klientów i firmy. Ten element eliminuje te jedn z kluczowych
wad tradycyjnej analizy danych internetowych — nadmiern koncentracj na miarach
opartych na strumieniu danych, powiconych stronie, czasowi i odwiedzajcym.
Poniewa analiza danych internetowych ma korzenie w analizie plików dziennika
(które nigdy nie okrelay skutków), od pocztku jej istnienia uywano wielu danych
i miar oprócz najwaniejszej — odpowiedzi na pytanie: „Co si stao, jakie s skutki?”.
Warto zada wacicielom witryny nastpujce pytanie: „Do czego suy wasza
witryna?”. Zaskakujce jest, jak wielu z nich nie potrafi udzieli odpowiedzi skadajcej
si z mniej ni 15 sów. Ten element metody Trinity pozwala zmierzy , jak dobrze
witryna spenia cel swego istnienia.
48
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
Rysunek 1.8. Drugi element metody Trinity — analizy skutków („i co z tego?”)
Komponent ten dobrze mierzy zyski witryn sklepów internetowych (nie tylko
ich poziom, ale te to, dlaczego przychody byy takie, a nie inne) i wspóczynnik
konwersji. W witrynach pomocy technicznej pozwala okreli szybko rozwizywania
problemów i wskaniki zwizane z czasem. W witrynach sucych do zbierania list
potencjalnych klientów ten element Trinity mierzy liczb danych osobowych i ich
jako oraz zmiany w tym obszarze. Dla danej witryny lub firmy skutki mog by
inne od tych wymienionych na rysunku, jednak prawie zawsze s to miary zwizane
z dochodami i mona je uwzgldni w raportach finansowych firmy.
Kada witryna powinna istnie w jasno okrelonym celu. Jeli nie jest moliwy
pomiar wszystkich zwizanych z nim niuansów, zalecam cakowit rezygnacj
z pomiaru zachowa (strumienia klikni ). Jeli analityk nie moe solidnie zmierzy
skutków, adna analiza zachowania nie bdzie wartociowa, poniewa nie wiadomo,
czy wszystkie rosnce wykresy generowane przez uywan aplikacj do analizy
danych internetowych przekadaj si na powikszenie wartoci firmy. Czy rezygnacja
ze strumieni klikni na rzecz wczeniejszego pomiaru skutków to ekstremalne
rozwizanie? Tak. Czy jest to konieczne? Pewnie.
Analiza doświadczeń
Trzeci i ostatni komponent metody Trinity to dowiadczenia (rysunek 1.9). Ten
skadnik pozwala uzyska cenn, ale trudn do znalezienia odpowied na pytanie
dlaczego.
Cho komponent skutków w metodzie Trinity jest niezbdny, pomiar
dowiadcze jest prawdopodobnie najwaniejszy. Kada firma, która popada w rutyn
i mimo usilnych stara nie potrafi doj do praktycznych wniosków na podstawie
49
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
Rysunek 1.9. Trzeci element metody Trinity — analizy doświadczeń (dlaczego)
analizy zachowa i skutków, powinna zainwestowa w analiz dowiadcze. Pozwala
to odpowiedzie na pytanie dlaczego. Te analizy przynosz ukojenie w trakcie cikiej
pracy nad danymi ze strumieni klikni .
Trudno wybra ulubione z dzieci, jednak dla mnie bez wtpienia analizy
dowiadcze s najcenniejsze. Wynika to z prostej przyczyny: analizy dowiadcze
pozwalaj przenikn myli klientów i zrozumie, dlaczego wykonuj oni okrelone czynnoci.
Jest wiele metod pozwalajcych zrozumie dowiadczenia klientów
z korzystaniem z witryny. Mona uy ankiet lub po prostu zadawa pytania, a take
zastosowa bardzo zoone techniki ilociowe i jakociowe. Ankiety pozwalaj zmierzy
satysfakcj klientów, a nawet przewidywa przysze zachowania (prawdopodobiestwo
zakupu lub polecanie innym produktów albo usug). W dalszej czci ksiki wyranie
wida , e jestem gorcym zwolennikiem eksperymentów i testów (naley pozwoli
klientom wyrazi ich preferencje) opartych na technice A/B i analizie wielu zmiennych.
Dostpne s te tradycyjne techniki projektowania skoncentrowanego na uytkowniku,
na przykad ocena heurystyczna. Mona te wykorzysta inn doskona technik:
laboratoryjne testy uytecznoci, lub odwiedzi klientów w ich siedzibie, co Scott
Cook, zaoyciel firmy Intuit, okrela jako istot innowacji skoncentrowanych
na kliencie.
Uwaga:
W rozdziale 3., „Przegląd analiz jakościowych” szczegółowo omówiono wszystkie metody
projektowania skoncentrowanego na kliencie.
50
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
Wszystkie metody zwizane z dowiadczeniami su jednemu celowi
— usyszeniu przez firm gosu klientów, który w wikszoci korporacji ginie.
Rozwiązania dla firm i klientów — sytuacja wygrany-wygrany
W ostatecznym rozrachunku metoda Trinity ma prowadzi do dogbnego zrozumienia
dowiadcze klientów, aby móc wywoa optymalne zachowanie uytkownika, które
doprowadzi do sytuacji wygrana-wygrana dla firmy i klienta (rysunek 1.10).
Rysunek 1.10. Zrozumienie doświadczeń w celu wywołania zachowań prowadzących do skutku wygrana-wygrana
Wane jest ostatnie zdanie — metoda Trinity ma prowadzi do skutku
wygrana-wygrana.
Jeli dla danego klienta odpowiednia jest wersja podstawowa, a nie
profesjonalna, waciciele witryny powinni pomóc odbiorcy to ustali i kupi
dopasowany produkt. To prawda, jeli klient kupi wersj profesjonaln, w krótkim
okresie zyski firmy bd wiksze. Jednak moliwe jest, e klient bdzie sfrustrowany,
poniewa wersja ta okae si zbyt zaawansowana, dlatego nie wróci wicej do sklepu.
Ponadto podzieli si negatywnymi opiniami z innymi osobami. Jednak jeli firma
pomoe mu w zakupie odpowiedniej, podstawowej wersji, klient za rok powróci, aby
kupi wersj profesjonaln. Metoda Trinity pozwala osiga korzyci dugoterminowe.
Naley zrozumie potrzeby i oczekiwania klientów, a nastpnie przygotowa
rozwizania pod ich ktem. Stosowanie metody Trinity umoliwia osignicie sukcesu,
a rozwizywanie problemów klientów, kiedy ju wiadomo, czym one s, jest zwykle
bardzo proste.
Kady komponent metody Trinity jest wspomagany przez róne narzdzia.
Podejcie to obejmuje róne techniki i wykorzystuje powtarzalne procesy.
51
K
R
ÓTK
A
HI
ST
ORIA ANAL
IZ
Y DANYCH
I
N
TERNET
OWY
C
H
Co najwaniejsze, stosujce j osoby musz mie zestaw kluczowych umiejtnoci.
Samo nastawienie nie prowadzi do rozwizania problemów (cho pozwala wkroczy
na dobr drog). Stosowanie strategicznej metody Trinity zwizane jest z utworzeniem
odpowiedniej struktury organizacyjnej i rozwinitej kultury.
Budowanie zintegrowanej platformy Trinity
Nie mona utworzy caej platformy w jeden dzie. Zwykle naley zdiagnozowa
obecny stan, a nastpnie doczy brakujce elementy. Trzeba si upewni , e plan
realizacji strategii i dziaa powdroeniowych umoliwia analitykom poczenie
wszystkich elementów metody Trinity (rysunek 1.11). Zapewni to firmie znaczn
przewag konkurencyjn.
Rysunek 1.11. Zintegrowana strategia Trinity (klucze podstawowe umożliwiają powiązanie najważniejszych
silosów z danymi)
Jeli odwiedzajcy skadaj zamówienia lub przesyaj dane kontaktowe
za pomoc witryny, w bazie danych z zamówieniami mona zapisa anonimowe
elementy ledzce, na przykad tymczasowe identyfikatory
session_id
i
cookie_id
.
Pozwala to przeprowadzi zaawansowane analizy skutków z podziaem na segmenty,
a take przeanalizowa zachowania prowadzce do tych skutków.
52
ROZDZ
IA
1
:
WEB ANALY
T
IC
S
DZI
I JUTRO
Identyfikatory
session_id
(ponownie anonimowe) mona przekazywa take
do narzdzia obsugujcego ankiety, co pozwala na podstawie ich wyników wydzieli
segment najbardziej niezadowolonych klientów. Nastpnie mona wykorzysta
narzdzie do analizy danych internetowych i przeanalizowa strumienie klikni ,
aby ustali , które strony ogldali klienci zadowoleni, a co zobaczyli uytkownicy
niezadowoleni. Mona te sprawdzi , które elementy witryny najbardziej wpywaj
na satysfakcj klientów i tak dalej.
W wiecie, w którym perspektywa analityczna bya powanie ograniczona
przez stosowanie samych narzdzi do analizy danych internetowych i strumieni klikni ,
platforma Trinity wzbogaca dostpne dane, pomaga naprawd zrozumie klientów,
a take umoliwia szczegóow analiz danych w celu uzyskania ogólnych wniosków.
Prowadzi to do wikszego zadowolenia klientów i wyszych zysków firmy. Ponadto
sam analityk jest szczliwy, poniewa w kocu moe zmierzy si z analiz danych
jakociowych i ilociowych z wielu sesji — co za frajda!
Platform Trinity mona stosowa do dowolnych odmian biznesu internetowego:
witryn sklepów internetowych, pomocy technicznej, promocji, organizacji non-profit,
maych firm i tak dalej. Wicej szczegóów, a take przykady wykorzystania metody
Trinity do danego typu biznesu zawiera rozdzia 6., „Miesic 1. Zgbianie
najwaniejszych zagadnie z obszaru analizy danych internetowych”.
Wyszukiwarka
Podobne podstrony:
Godzina dziennie z e mail marketingiem(1)
Godzina dziennie z Facebook marketingiem
informatyka web analytics 2 0 swiadome rozwijanie witryn internetowych avinash kaushik ebook
Godzina dziennie z Facebook marketingiem godzif
więcej podobnych podstron