Godzina dziennie
z Web Analytics.
Stwórz dobrą strategię
e-marketingową
Autor: Avinash Kaushik
Tłumaczenie: Tomasz Walczak
ISBN: 978-83-246-1880-4
Tytuł oryginału: Web Analytics: An Hour a Day
Format: 180x235, stron: 496
Czy potrafisz odpowiedzieć na pytanie, ile osób dziennie odwiedza Twój serwis lub blog?
Jak długo przebywają w Twoim sklepie i która strona przyciąga najwięcej klientów? Jeżeli
jesteS w stanie przytoczyć te dane, z pewnoScią korzystasz z narzędzi pozwalających
na analizę ruchu na Twojej witrynie. Jeżeli jednak nie masz bladego pojęcia, jak interpretować
i wykorzystać te informacje, dzięki tej książce również i Ty zaczniesz efektywnie korzystać
ze statystyk! Analizy ruchu na stronie oferuje wiele xródeł, jednak dopiero usługa uruchomiona
przez Google Analytics w 2005 roku sprawiła, że zaawansowane narzędzia stały się dostępne
dla przeciętnego webmastera.
Autor tej niezwykłej książki Avinash Kaushik, pracownik firmy Google pokaże Ci krok
po kroku, jak opracować skuteczną strategię analizy danych internetowych. Przekonasz się,
że wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawić wyniki
oglądalnoSci i dochody Twojego serwisu. Dowiesz się między innymi, w jaki sposób zbierać
dane do analizy, oraz poznasz dostępne analizy jakoSciowe. Ponadto zrozumiesz kluczowe
elementy skutecznej strategii analizy danych internetowych oraz nauczysz się przeprowadzać tę
analizę. W kolejnych rozdziałach zapoznasz się także z dostępnymi miarami, analizą w obszarze
wyszukiwania, sporządzaniem raportów czy też analizowaniem witryn z nurtu Web 2.0.
" Historia analiz danych internetowych
" Analizy zachowania, skutków i doSwiadczeń
" Sposoby zbierania danych do analizy
" Pozyskiwanie danych na temat konkurencyjnoSci
" Dostępne analizy jakoSciowe
" Elementy skutecznej strategii analizy danych internetowych
" Najlepsze praktyki w tym zakresie
" Wybór optymalnego narzędzia do prowadzenia analiz
" Dostępne miary w analizie danych internetowych
" Pomiar kosztów oraz zwrotu z inwestycji
" Ustalanie czytelników serwisu
" Analiza w obszarze wyszukiwania
" Analiza skutecznoSci kampanii PPC
" Analiza skutków marketingu e-mailowego oraz wielokanałowego
" Opracowanie skutecznych raportów podsumowujących
" Zastosowanie procesu DMAIC
" Analiza stron z nurtu Web 2.0
" Mity z obszaru analizy danych internetowych
" Obliczanie współczynnika konwersji
" Pozyskiwanie konsultantów oraz ekspertów wewnętrznych
Zwiększ popularnoSć swojej witryny dzięki efektywnym analizom danych internetowych!
Spis tre ci
Przedmowa ....................................................................................................................19
Wprowadzenie ................................................................................................................23
Rozdział 1. Web Analytics dziś i jutro ........................................................................ 31
Krótka historia analizy danych internetowych ..............................................................32
Obecne warunki i wyzwania .........................................................................................36
Tradycyjna analiza danych internetowych to przesz o ................................................38
Jak powinna wygl da analiza danych internetowych? .................................................40
11
Pomiar co i dlaczego ..............................................................................................................43
Metoda Trinity nastawienie i podej cie 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 konkurencyjno ci .................................................................................76
Pomiary panelowe .......................................................................................................................77
Pomiary oparte na danych od ISP ................................................................................................78
Dane z wyszukiwarek ..................................................................................................................80
Rozdział 3. Przegląd analiz jakościowych .................................................................. 83
Istota koncentracji na kliencie ......................................................................................84
Laboratoryjne testy u yteczno ci ..................................................................................84
Przeprowadzanie testów ..............................................................................................................86
Zalety laboratoryjnych testów u yteczno ci .................................................................................88
Na co nale y zwróci uwag ........................................................................................................89
SPIS TRE CI
Ocena heurystyczna .....................................................................................................90
Przeprowadzanie oceny heurystycznej ..........................................................................................91
Zalety stosowania oceny heurystycznej ........................................................................................93
Na co nale y zwróci uwag ........................................................................................................94
Wizyty w siedzibie klienta ............................................................................................94
Przeprowadzanie wizyty w siedzibie klienta .................................................................................95
Zalety wizyt w siedzibie klienta ...................................................................................................97
Na co nale y zwróci uwag ........................................................................................................97
Ankiety (kwestionariusze) ............................................................................................97
Ankiety wy wietlane w witrynie ..................................................................................................98
Ankiety przesy ane po wizycie .....................................................................................................99
Tworzenie i przeprowadzanie ankiety ..........................................................................................99
Zalety stosowania ankiet ...........................................................................................................103
Na co nale y zwróci uwag ......................................................................................................104
Podsumowanie ...........................................................................................................106
12
Rozdział 4. Kluczowe elementy skutecznej strategii analizy danych internetowych .... 109
Koncentracja na kliencie ............................................................................................110
Odpowiedzi na pytania biznesowe ..............................................................................113
Regu a 10/90 .............................................................................................................115
Zatrudnianie doskona ych analityków internetowych .................................................119
Okre lanie optymalnej struktury organizacyjnej i obowi zków ...................................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 udost pniania danych od ich zbierania .......................................................135
Rodzaj i rozmiar danych ............................................................................................................135
Innowacje ..................................................................................................................................136
Integracja ..................................................................................................................................136
Wybór optymalnego narz dzia do analizy danych internetowych ...............................137
Dawny sposób ...........................................................................................................................137
Nowy sposób .............................................................................................................................138
Okre lanie jako ci danych ze strumieni klikni .........................................................143
Stosowanie najlepszych praktyk ..................................................................................148
Oznaczanie wszystkich stron .....................................................................................................149
Znaczniki nale y umieszcza na ko cu (na pierwszym miejscu trzeba stawia klienta!) ..............150
Nale y u ywa znaczników wewn trzwierszowych ....................................................................150
Okre lanie definicji niepowtarzalnej strony ................................................................................150
Inteligentne u ywanie plików cookie .........................................................................................151
Uwzgl dnienie problemów z kodowaniem odno ników .............................................................152
SPIS TRE CI
Nale y uwzgl dni przekierowania ............................................................................................153
Walidacja zebranych danych .....................................................................................................156
Prawid owe rejestrowanie operacji w witrynach bogatych w multimedia ....................................157
Trzypoziomowy test i co z tego? ..............................................................................157
Kluczowy wska nik wydajno ci: procent wracaj cych u ytkowników ........................................158
Kluczowy wska nik wydajno ci: g ówne strony wyj ciowe .........................................................159
Kluczowy wska nik wydajno ci: wspó czynnik konwersji dla najcz ciej szukanych s ów ...........159
Rozdział 6. Miesiąc 1. Zgłębianie najważniejszych zagadnień
z obszaru analizy danych internetowych ................................................ 161
Tydzie 1. Przygotowania do zrozumienia podstaw ....................................................162
Poniedzia ek i wtorek: adresy URL ............................................................................................163
roda: parametry adresów URL .................................................................................................164
Czwartek i pi tek: pliki cookie ..................................................................................................165
13
Tydzie 2. Powrót do podstawowych miar .................................................................168
Poniedzia ek: odwiedziny i u ytkownicy ....................................................................................168
Wtorek i roda: czas w witrynie .................................................................................................172
Czwartek i pi tek: liczba wy wietle stron .................................................................................176
Tydzie 3. Poznawanie standardowych raportów .......................................................179
Poniedzia ek i wtorek: wspó czynnik odrzuce ..........................................................................179
Od rody do pi tku: odno niki wej ciowe ród a i szukane wyra enia ...................................182
Tydzie 4. Korzystanie z raportów na temat nawigacji i poziomu zawarto ci witryny ......187
Poniedzia ek i wtorek: listy stron najcz ciej ogl danych, wej ciowych i wyj ciowych ...........187
roda: najpopularniejsze punkty docelowe (odno niki wyj ciowe) ..............................................192
Czwartek i pi tek: nak adki na witryny (mapy cz stotliwo ci klikni ) ......................................194
Rozdział 7. Miesiąc 2. Analiza danych internetowych szybki start ......................... 201
Wymagania wst pne i ramy .......................................................................................202
Tydzie 1. Tworzenie podstawowych raportów ..........................................................202
Poniedzia ek: najpopularniejsze ród owe adresy URL i najpopularniejsze szukane wyra enia ....204
Wtorek: popularno zawarto ci witryny i wizyty na stronie g ównej .........................................206
roda i czwartek: cz stotliwo klikni (nak adki na witryny) ...................................................208
Pi tek: wspó czynnik odrzuce witryny .....................................................................................209
Witryna sklepu internetowego szybki start ...........................................................210
Tydzie 2. Pomiar skutków dzia a firmy ..................................................................................211
Tydzie 3. Ocena wyników na podstawie celów oraz pomiar skuteczno ci marketingowej
i zadowolenia klientów ...........................................................................................................214
Witryna pomocy technicznej szybki start ..............................................................218
Tydzie 2. Wchodzenie w rol klienta i pomiar wp ywu witryny na tradycyjne kana y .................. 219
Tydzie 3. Pomiar sukcesu na podstawie g osu lub ocen klientów na poziomie witryny i stron ...... 223
Pomiar blogów szybki start ...................................................................................226
Tydzie 2. Przezwyci anie z o ono ci w celu pomiaru podstaw przy u yciu nowych miar .........226
Tydzie 3. Konkurencyjny punkt odniesienia oraz pomiar kosztów i zwrotu z inwestycji ...........229
Tydzie 4. Refleksje i podsumowanie .........................................................................233
SPIS TRE CI
Rozdział 8. Miesiąc 3. Analiza w obszarze wyszukiwania
wyszukiwanie wewnętrzne, SEO i PPC ............................................. 235
Tydzie 1. Analiza wyszukiwania wewn trznego w witrynie ......................................236
Poniedzia ek: poznawanie warto ci wyszukiwania wewn trznego ...............................................236
Wtorek: wykrywanie trendów w wyszukiwaniu wewn trznym ..................................................241
roda: analiza cz stotliwo ci klikni za pomoc nak adki na witryn ........................................242
Czwartek: pomiar efektywno ci wyników wyszukiwania ............................................................243
Pi tek: pomiar skutków zwi zanych z wyszukiwaniem wewn trznym .......................................244
Tydzie 2. Rozpocz cie optymalizacji witryny pod k tem wyszukiwarek ....................245
Poniedzia ek: zrozumienie wp ywu odno ników i ich optymalizacja ...........................................247
Wtorek: odno niki do publikacji prasowych i witryn spo eczno ciowych ....................................247
roda i czwartek: optymalizacja znaczników i zawarto ci na stronach ........................................248
Pi tek: dodawanie wskazówek na potrzeby robotów wyszukuj cych ..........................................249
Tydzie 3. Pomiar skutków SEO ................................................................................250
14
Poniedzia ek: sprawdzanie poziomu zindeksowania witryny .......................................................250
Wtorek: ledzenie odno ników wej ciowych i najpopularniejszych szukanych s ów ....................251
roda: oddzielenie naturalnych odno ników wej ciowych od PPC ..............................................254
Czwartek: pomiar warto ci naturalnych odno ników wej ciowych .............................................255
Pi tek: pomiar wp ywu optymalizacji na najpopularniejsze strony .............................................255
Tydzie 4. Analiza skuteczno ci kampanii PPC ..........................................................257
Poniedzia ek: podstawy PPC .....................................................................................................258
Wtorek: pomiar wska ników zwi zanych z ofertami ..................................................................259
roda: definiowanie kluczowych miar wp ywaj cych na wyniki firmy ........................................260
Czwartek: pomiar liczby niepowtarzalnych u ytkowników ........................................................260
Pi tek: 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
Poniedzia ek: podstawy marketingu e-mailowego ......................................................................264
Wtorek i roda: pomiar podstawowych wska ników dotycz cych odpowiedzi ............................265
Czwartek i pi tek: pomiar skutków ...........................................................................................266
Tydzie 2. Marketing e-mailowy zaawansowana obserwacja skutków ...................267
Poniedzia ek i wtorek: pomiar efektywno ci witryny ..................................................................267
roda: unikanie pu apek w analizie kampanii e-mailowych ........................................................268
Czwartek i pi tek: integracja kampanii e-mailowej
z narz dziem do analizy danych internetowych .......................................................................269
Tygodnie 3. i 4. Marketing wielokana owy ledzenie skutków i analiza .................270
Tydzie 3. Wprowadzenie do marketingu wielokana owego
i ledzenie tradycyjnych kampanii skoncentrowanych na internecie ........................................270
Tydzie 4. ledzenie i analizowanie marketingu wielokana owego .............................................275
SPIS TRE 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 mo liwo ci? ................................................284
Tydzie 1. Przygotowania i testy A/B ........................................................................................284
Tydzie 2. Poza testy A/B .........................................................................................................289
Tydzie 3. Co testowa ? Konkretne mo liwo ci i pomys y .........................................296
Poniedzia ek: testowanie wa nych stron i wezwa do dzia ania ..................................................296
Wtorek: koncentracja na ruchu z wyszukiwarek ........................................................................298
roda: testowanie tre ci i materia ów .........................................................................................298
Czwartek: testy cen i promocji ...................................................................................................299
Pi tek: testowanie kampanii marketingu bezpo redniego ..........................................................299
Tydzie 4. Tworzenie doskona ego programu eksperymentów i testów ......................300
Poniedzia ek: hipotezy i okre lanie celów ...................................................................................301
Wtorek: testy i walidacja pod k tem wielu celów ......................................................................303
15
roda: przechodzenie od testów prostych do z o onych i rado z pracy .....................................304
Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testów .......................................305
Pi tek: wdra anie dwóch kluczowych elementów ka dego programu testów .............................306
Rozdział 11. Miesiąc 6. Trzy sekrety praktycznej analizy danych internetowych ............ 311
Tydzie 1. Wykorzystanie punktów odniesienia i celów
do motywowania do dzia a ....................................................................................312
Poniedzia ek i wtorek: znaczenie punktów odniesienia i ustalania celów .....................................312
roda: wykorzystywanie zewn trznych punktów odniesienia .....................................................314
Czwartek: wykorzystywanie wewn trznych punktów odniesienia ..............................................317
Pi tek: zach canie i ustalanie celów ...........................................................................................320
Tydzie 2. Opracowywanie skutecznych raportów podsumowuj cych dla zarz du .....323
Poniedzia ek: udost pnianie kontekstu punkty odniesienia, segmenty i trendy .....................324
Wtorek: wyodr bnianie kilku kluczowych miar .........................................................................326
roda: nie poprzestawaj na miarach do cz te wnioski .........................................................327
Czwartek: ograniczanie raportu podsumowuj cego do jednej strony ..........................................328
Pi tek: wygl d ma znaczenie .....................................................................................................329
Tydzie 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programów
opartych na raportach podsumowuj cych ................................................................330
Poniedzia ek: wybór miar zgodnych z modelem Trinity pod k tem dalekiej perspektyw ............330
Wtorek: tworzenie istotnych raportów podsumowuj cych .........................................................333
roda: jedna miara jeden w a ciciel .......................................................................................334
Czwartek: od s ów do czynów ....................................................................................................334
Pi tek: pomiar skuteczno ci raportów podsumowuj cych ..........................................................336
Tydzie 4. Stosowanie podej cia Six Sigma i doskona o ci procesu
w analizie danych internetowych .............................................................................336
Poniedzia ek: wszystko jest procesem ........................................................................................337
Od wtorku do czwartku: stosowanie procesu DMAIC ...............................................................342
Pi tek: analiza zdobytej wiedzy .................................................................................................346
SPIS TRE 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 s u analizy cie ek? Do niczego ................................................................382
Problemy w obszarze analizy cie ek ..........................................................................................383
Inna mo liwo raport sekwencji grup stron .........................................................................385
Wspó czynnik konwersji bezwarto ciowa obsesja ...................................................388
16
Problemy zwi zane ze wspó czynnikiem konwersji ....................................................................389
Inna mo liwo wspó czynnik uko czenia zada ze wzgl du na g ówny cel ..........................391
Perfekcja umar a doskona o , niech yje doskona o ...........................................393
Doskona e dane .........................................................................................................................394
Z pr dko ci sieci WWW .........................................................................................................395
Fragmentaryczne dane z wielu róde ........................................................................................396
Dane w czasie rzeczywistym nieznacz ce i kosztowne ............................................396
Efekty dost pu do danych w czasie rzeczywistym ......................................................................397
Lista kontrolna do okre lania gotowo ci na dane w czasie rzeczywistym .....................................398
Standardowe wska niki KPI mniej znacz ce, ni s dzisz ........................................401
Rozdział 14. Zagadnienia zaawansowane analiza danych internetowych
ze wspomaganiem ............................................................................... 405
Odblokowywanie pot gi istotno ci statystycznej ........................................................406
Wykorzystanie zdumiewaj cej pot gi segmentacji ......................................................408
Segmentacja na podstawie wspó czynnika odrzuce ...................................................................410
Segmentacja na podstawie wyszukiwarek ..................................................................................410
czenie danych na temat wyszukiwarek i ucieczek ...................................................................411
Okre lanie trendów w segmentach ............................................................................................412
Zrozumia e analizy i raporty ....................................................................................414
U ywanie adnych rysunków .....................................................................................................414
U ywanie zrozumia ego j zyka ..................................................................................................415
Najlepsze praktyki przy obliczaniu wspó czynnika konwersji ......................................418
Pomijanie ogólnego wspó czynnika konwersji dla ca ej witryny .................................................420
Uwzgl dnianie trendów i sezonowo ci .......................................................................................420
Zrozumienie strategii pozyskiwania klientów przez witryn i firm ............................................421
Pomiar wspó czynnika konwersji z podzia em na pi najwa niejszych
wej ciowych adresów URL ......................................................................................................422
Rezygnacja z pomiaru wspó czynnika konwersji dla stron i odno ników .....................................422
SPIS TRE CI
Obsesyjna segmentacja ..............................................................................................................423
Przedstawianie przychodów obok wspó czynnika konwersji .......................................................424
Pomiar wspó czynnika konwersji pod k tem celu ......................................................................424
Usprawnianie analiz z obszaru SEM i PPC ..................................................................426
Pomiar wspó czynnika odrzuce
(zagregowanego i wed ug najpopularniejszych szukanych wyra e ) ........................................427
Kontrola us ugodawców i agencji ..............................................................................................428
Pomiar wspó czynnika kanibalizacji ruchu naturalnego przez kampanie PPC .............................429
Agresywne stosowanie testów i eksperymentów .........................................................................430
Zrozumienie wielu celów klientów .............................................................................................431
Pomiar cudownego wspó czynnika rezygnacji .............................................................432
Stosowanie segmentacji do wspó czynnika rezygnacji .................................................................433
Wyci ganie praktycznych wniosków i podejmowanie dzia a ....................................................435
Pomiar liczby dni i wizyt do zakupu ...........................................................................436
Jak mierzy omawiane wska niki? .............................................................................................438
17
Wyci ganie praktycznych wniosków i podejmowanie dzia a ....................................................439
Wykorzystanie statystycznych limitów kontrolnych ...................................................441
Obliczanie limitów kontrolnych .................................................................................................444
Praktyczny przyk ad zastosowania limitów kontrolnych ............................................................444
Pomiar rzeczywistego zakresu mo liwej poprawy .......................................................447
Uwzgl dnianie wspó czynnika odrzuce ....................................................................................448
Odfiltrowywanie wizyt robotów wyszukuj cych i oprogramowania do kontroli witryny
oraz b dów 404 i da rysunków .........................................................................................449
Uwzgl dnienie celów klientów ..................................................................................................450
Podejmowanie dzia a ...............................................................................................................452
Rozdział 15. Budowanie kultury opartej na danych
praktyczne kroki i najlepsze praktyki ................................................... 457
Kluczowe umiej tno ci mened erów
kierowników dzia u analizy danych internetowych ..................................................458
Prawdziwa pasja ........................................................................................................................459
Akceptacja i d enie do zmian ...................................................................................................459
Kwestionowanie danych a do przesady .....................................................................................460
Nastawienie na innowacje pod k tem klienta ............................................................................460
Niekoniecznie mistrzowie liczb ...............................................................................................461
Naturalne zdolno ci biznesowe i rozs dek ..................................................................................461
Wybitne umiej tno ci interpersonalne .......................................................................................462
Kiedy i jak zatrudnia konsultantów oraz ekspertów wewn trznych? .........................462
Etap 1. Narodziny .....................................................................................................................464
Etap 2. Od niemowl cia do nastolatka .......................................................................................465
Etap 3. Szalona m odo ............................................................................................................467
Etap 4. Dojrza o po trzydziestce ........................................................................................469
Siedem etapów budowania kultury podejmowania decyzji na podstawie danych .........471
Wyj cie od wyników (skutków) .................................................................................................471
Zrozumienie, e raporty to nie analizy, i promowanie tych ostatnich .........................................472
SPIS TRE CI
Bezosobowe podejmowanie decyzji ............................................................................................473
Zachowania proaktywne zamiast reaktywnych ..........................................................................474
Du e uprawnienia dla analityków ..............................................................................................475
Stosowanie podej cia Trinity ......................................................................................................475
My lenie w kategoriach procesu ................................................................................................476
Skorowidz ........................................................................................... 479
18
SPIS TRE CI
Web Analytics
dzi i jutro
20 marca 2007 roku wyszukiwanie wyra enia
web analytics + definition w wyszukiwarce
Google da o 642 000 wyników w 0,11 sekundy.
Potwierdza to z o ono i d ug histori tej
31
wspania ej dziedziny (oraz szybko generowania
wyników przez wyszukiwark Google).
Rozdzia 1[SR1]
WEB ANALYTICS DZI I JUTRO
Stowarzyszenie Web Analytics Association (http://www.webanalyticsassociation.org)
zaproponowa o niedawno standardow definicj analizy danych internetowych:
Analiza danych internetowych to obiektywne ledzenie, zbieranie,
mierzenie, tworzenie raportów i analizowanie ilo ciowych danych
internetowych w celu optymalizacji witryn oraz internetowych
kampanii marketingowych.
Analiza danych internetowych ma swe pocz tki w latach 90. Jednak jej
pierwsz standardow definicj (przedstawion powy ej) zaproponowano dopiero
w roku 2006, co pokazuje, jak m oda jest to dziedzina.
Krótka historia analizy danych internetowych
W pocz tkowym okresie istnienia internetu korzystanie z niego by o stosunkowo
32
proste. U ytkownik wpisywa adres i ujednolicony lokalizator zasobu (ang. Uniform
Resource Locator URL), otrzymywa plik z tekstem i odno nikami, po czym ca a
interakcja si ko czy a. ycie by o wtedy proste.
Zauwa ono, e czasem pojawia y si b dy, które powodowa y, e nie mo na
by o udost pni pliku, lub e zawiera on nieprawid owe odno niki. Wtedy to sprytni
ludzie wymy lili dzienniki serwera do rejestrowania b dów i wykorzystali je do
wyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizyta
odpowiada a po prostu daniu zwrócenia pliku).
Wspomniane dzienniki serwera rejestrowa y nie sam fakt odwiedzin u ytkownika
w witrynie, ale tak e dodatkowe informacje: nazw pliku, czas, ród o dania (witryn
lub stron internetow ), adres IP, identyfikator przegl darki, nazw systemu
operacyjnego i tak dalej. Praca stawa a si coraz ciekawsza, poniewa mo na by o
dowiedzie si czego o ródle dania.
Wraz z powi kszaniem si dzienników i wzrostem zainteresowania danymi
osób spoza wiata techniki jeszcze sprytniejsza osoba napisa a pierwszy skrypt,
który automatycznie przetwarza pliki dziennika i wy wietla podstawowe wska niki
(rysunek 1.1). W ten sposób narodzi a si analiza danych internetowych.
Rysunek 1.1. Prosty raport programu Analog w wersji 0.9 (beta)
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
Program Analog napisany przez doktora Stephena Turnera w 1995 roku by
pierwsz aplikacj do analizy plików dziennika powszechnie dost pn w sieci WWW.
Wci jest to jedno z najcz ciej u ywanych narz dzi do analizy danych internetowych
i jest zainstalowane w witrynach wi kszo ci dostawców us ug internetowych
(ang. Internet Service Provider ISP). Analog i podobne mu programy u atwi y
rozpowszechnienie si analizy danych internetowych poza dzia y informatyczne firm.
Raporty by y coraz adniejsze, a pracownicy z dzia u marketingu mogli wreszcie
zrozumie , co si dzieje w witrynie.
W latach 1995 96 standardowi u ytkownicy internetu mogli zetkn si
ze statystykami z uwagi na rozpowszechnienie si wspania ego narz dzia nazywanego
licznikiem. Liczniki odwiedzin na stronach by y prawdopodobnie
pierwszym przyk adem sieciowego marketingu wirusowego (ich wprowadzenie
przypisywane jest firmie Web-Counter). Liczniki pojawi y si w ka dym miejscu
33
sieci WWW. By y ciekawe, a zarazem informowa y o popularno ci strony.
Komercyjna analiza danych internetowych rozpocz a si kilka lat pó niej, a jej
najbardziej znanym owocem by program WebTrends. Aplikacja ta opiera a si na
wzbogaconym parserze standardowych plików dziennika, jednak co jeszcze wa niejsze,
generowa a tabele i eleganckie wykresy, które ostatecznie wprowadzi y analiz danych
internetowych do zespo ów biznesowych (przyk adowe dane wyj ciowe programu
WebTrends przedstawia rysunek 1.2).
Rysunek 1.2. Przykładowy raport programu WebTrends
Do roku 2000, kiedy to popularno sieci WWW wci ros a w tempie
wyk adniczym, analiza danych internetowych sta a si ugruntowan dziedzin bada .
Kluczowymi dostawcami us ug w tej bran y byli Accrue, WebTrends, WebSideStory
i Coremetrics. Firmy te udost pnia y coraz bardziej zaawansowane rozwi zania, które
generowa y olbrzymie ilo ci danych.
Mniej wi cej w tym samym czasie us ugodawcy i klienci w bran y analizy danych
internetowych odkryli, e dzienniki serwera niekoniecznie s optymalnym ród em
informacji.
Stosowanie dzienników wi za o si z nast puj cymi problemami:
Zapisywanie stron w pami ci podr cznej przez dostawców us ug internetowych.
Problem ten polega na tym, e po utworzeniu kopii strony na serwerze dostawcy
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
us ug internetowych wszystkie nast pne dania powoduj zwrócenie w a nie jej,
a operacje te nie s rejestrowane w plikach dziennika witryny.
Roboty wyszukuj ce. Wraz z rosn c popularno ci wyszukiwarek roboty
wyszukuj ce cz sto przegl daj witryny i pozostawiaj w dziennikach wpisy
niezwi zane z odwiedzinami u ytkowników. Te wpisy tak e s uwzgl dniane
we wska nikach. Cho mo na odfiltrowa odwiedziny robotów, trudno jest nad y
z rejestrowaniem ich wszystkich, a ponadto staj si one coraz sprytniejsze .
Niepowtarzalni u ytkownicy. Poniewa coraz wi cej osób ma dynamicznie
przypisywany adres IP i odwiedza strony przy u yciu serwerów po rednicz cych,
trudno jest okre li liczb niepowtarzalnych u ytkowników. Dostawcy uciekaj si
do u ywania adresu IP w po czeniu z identyfikatorem agenta (identyfikator ten
obejmuje system operacyjny i przegl dark u ytkownika), jednak tak e to rozwi zanie
nie jest doskona e. Mo na te zastosowa pliki cookie ustawiane przez witryn ,
34
jednak nie wszystkie dzia y informatyczne korzystaj z tej techniki.
Z tych i innych przyczyn nowym standardem zbierania danych na temat
u ytkowania witryny sta y si znaczniki JavaScript (wiersze kodu w tym j zyku).
Jest to du o prostsza technika. Wystarczy doda do ka dej strony kilka wierszy
kodu JavaScript, który zostanie uruchomiony po wczytaniu strony i prze le dane
do rejestruj cego je serwera. Poni ej przedstawiono przyk adowy kompletny znacznik
JavaScript u ywany przez Crazy Egg now firm wiadcz c us ugi w obszarze
analizy danych internetowych:
Pliki dziennika oparte na kodzie JavaScript s atwiejsze w konserwacji ni
pliki dziennika serwera. Powoduj tak e, e za zbieranie i przetwarzanie danych
zazwyczaj odpowiadaj nie wewn trzne, firmowe dzia y informatyczne, ale dostawcy
us ug z obszaru analizy danych internetowych. U atwia to proces analizy. Znaczniki
JavaScript upraszczaj tak e wprowadzanie innowacji, rejestrowanie nowych rodzajów
danych i obs ug plików cookie w celu ledzenia aktywno ci u ytkowników. Obecnie
us ugodawcy mog samodzielnie wykonywa te operacje, zamiast kontaktowa si
z dzia em informatycznym firmy.
Uwaga: Za znacznikami JavaScript także związane są pewne problemy omówione szczegółowo
w rozdziale 2., Zbieranie danych znaczenie i możliwości .
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
Nast pnym krokiem w ewolucji analizy danych internetowych by o
wprowadzenie nak adek na witryn (ang. site overlay), nazywanych te rozk adem
cz stotliwo ci klikni . Dzi ki tej technice osoby odpowiedzialne za podejmowanie
decyzji mog po prostu otworzy w przegl darce stron internetow , któr chc
podda analizie, zamiast przetwarza z o one zbiory danych i przegl da tabele pe ne
informacji. Przegl darka lub aplikacja do analizy danych internetowych wy wietla
wtedy przez okre lony czas miejsca o najwi kszej liczbie klikni .
Upowszechni o to znacznie czynno ci b d ce wcze niej domen analityków
danych internetowych. Zwi kszy o to te cz sto korzystania z rozwi za
analitycznych, poniewa wszyscy mogli w bardzo prosty sposób patrz c
na liczb klikni zrozumie , co dzieje si na stronie.
Rysunek 1.3 pokazuje, jak atwo jest dokona segmentacji ca ego ruchu
w witrynie, wydzielaj c odwiedziny z wyszukiwarki Google, oraz zaobserwowa
35
ró nice w korzystaniu z odno ników przez ró ne grupy. Pozwala to ustali , czego
szukaj dwa segmenty u ytkowników.
Rysunek 1.3. Raport ClickTracks w postaci nakładki na stronę
(podzielony na wszystkich użytkowników i odwiedziny z wyszukiwarki Google)
Obecnie w bran y analizy danych internetowych dzia aj cztery du e firmy:
Coremetrics, Omniture, WebTrends i WebSideStory. Jest te wielu rednich
dostawców, na przyk ad Unica, indexTools i ClickTracks, oraz liczne podstawowe
rozwi zania, takie jak produkty o otwartym dost pie do kodu ród owego AWStats,
Webalizer i StatCounter.
Du y wp yw na bran analizy danych internetowych mia a firma Google,
która w 2005 roku kupi a produkt Urchin, a w 2006 udost pni a go bezp atnie pod
nazw Google Analytics. Obecnie u ytkownicy mog bezp atnie korzysta
z pierwszorz dnych analiz danych internetowych. Trudno jest okre li liczb osób
stosuj cych Google Analytics. Wi kszo analityków szacuje j na ponad pó miliona
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
w ci gu pierwszych sze ciu miesi cy. Zgodnie z powszechnymi oczekiwaniami
Microsoft wkrótce pójdzie w lady Google i tak e udost pni bezp atne narz dzie
do analizy danych internetowych.
Tempo wprowadzania innowacji w wiecie analizy danych internetowych nie
maleje. Wci pojawiaj si nowsze i atwiejsze sposoby wizualizacji z o onych
zbiorów danych na temat interakcji u ytkowników z witryn . Jedn z takich technik
jest mapa klikni udost pniana przez firm Crazy Egg (rysunek 1.4). W czasie
kiedy powstawa a ta ksi ka, wspomniana us uga by a dost pna w wersji beta.
Narz dzie to przedstawia grupy klikni na witrynie internetowej i ich liczebno
za pomoc kolorów. Im ja niejszy kolor, tym wi cej klikni koncentruje si wokó
danego miejsca lub odno nika.
36
Rysunek 1.4. Raport w postaci mapy
kliknięć udostępniany przez Crazy Egg
Obecne warunki i wyzwania
Analiza danych internetowych wci znajduje si w wieku szczeni cym. Doros a
nieco od momentu narodzin i w pewnym sensie potrafi sama przetrwa , jednak
w przysz o ci nale y spodziewa si jeszcze znacznego rozwoju i licznych zmian.
Temu procesowi towarzyszy obecnie niezwyk y splot wydarze .
Od d ugiego czasu firmy ponosi y znaczne inwestycje na witryny internetowe,
poniewa wszyscy tak post powali i by o to modne. W ci gu kilku ostatnich lat
sie WWW dojrza a i jest kana em biznesowym u ywanym przez wi kszo firm.
Nagle okaza o si , e kana ten podlega tym samym prawom ekonomicznym co inne
(na przyk ad sprzeda telefoniczna lub zwyk e sklepy). Od czasu znacznego wzrostu
popularno ci sieci WWW prowadzone s coraz dok adniejsze analizy, a firmy
wymagaj od osób odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonych
na ten kana . To podej cie wymaga wielu zmian w funkcjonowaniu tego kana u
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
i dzia aniach osób nim zarz dzaj cych, które musz przeprowadza liczne badania,
aby wykaza si wynikami.
Nawet obecnie wiele osób uto samia analiz danych internetowych z badaniami
strumieni klikni . Cho jest to zupe nie b dne podej cie, dla wi kszo ci praktyków
strumienie klikni to podstawa przy podejmowaniu decyzji zwi zanych z witryn .
Poniewa te strumienie obejmuj tylko cz danych internetowych, liczne firmy
s rozczarowane brakiem praktycznych wniosków mimo inwestycji ponoszonych przez
lata na narz dzia do analizy takich danych. Dost pnych jest mnóstwo danych i jeszcze
wi cej raportów, jednak w my lach osób odpowiedzialnych za podejmowanie decyzji
wci pojawia si pewne stwierdzenie: Dane nie powiedz mi, co mam robi .
W czasie boomu internetowego na rynku dzia a o oko o 200 us ugodawców
o ró nej wielko ci. Od momentu za amania w bran y nast pi a konsolidacja.
Ekosystem firm zajmuj cych si analiz danych internetowych jest zdominowany
37
przez us ugodawców, którzy staraj si uzyska przewag konkurencyjn , oferuj c
coraz wi cej funkcji. Zdominowali oni bran i okre laj postrzeganie wiata analiz
(przy czym w praktyce jest to wiat raportów).
Brak wp ywu praktyków na strategi i kierunek rozwoju ma negatywne skutki
dla bran y. Standardowe techniki, na przyk ad innowacje pod k tem klienta (ang.
customer-driven innovation CDI), nigdy nie zosta y przyj te w wiecie analizy danych
internetowych. Wi kszo post pów wynika z innowacji opartych na mo liwo ciach
(ang. possibility-driven innovation PDI), na przyk ad: Co jeszcze mo emy zrobi
z zebranymi danymi? Wprowad my innowacje na tej podstawie .
W bran y wyra nie wida brak wiedzy praktycznej. Co wa niejsze, nie ma
te ludzi i podej , które umo liwi yby firmom internetowym wyci ganie praktycznych
wniosków pozwalaj cych na strategiczne odró nienie si od konkurencji. Uniwersytety
i inne szko y nie ucz praktycznej analizy danych internetowych. Istnieje tylko jeden
kurs internetowy na ten temat, prowadzony przez University of British Columbia.
Te braki w po czeniu z nadmiarem danych (w kategoriach danych surowych, które
mo na uzyska w sieci WWW) prowadz do nieoptymalnych rozwi za przy
przedstawianiu firmom praktycznych wniosków.
Ruch Web 2.0 i powi zane z nim technologie coraz cz ciej s czym
oczekiwanym przez klientów. Ta zmiana to powa na przeszkoda dla wi kszo ci
obecnych rozwi za i us ugodawców z obszaru analizy danych internetowych.
W wiecie Web 2.0 jeszcze wa niejsze s szybkie zmiany w podej ciu i opracowanie
strategii skutecznej analizy danych internetowych. Na przyk ad w Web 2.0 typowe
strumienie klikni nie s zbyt istotne, poniewa ka da nowinka powoduje powolne
odchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wi c mo na
zmierzy sukces w takich warunkach?
Wraz z pojawieniem si programu Google Analytics rynek wprost eksplodowa ,
poniewa wszyscy w a ciciele witryn mog bezp atnie uzyska dost p do danych
internetowych i do tego za pomoc zaawansowanych narz dzi. Oczekiwane darmowe
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
narz dzie Microsoftu dodatkowo zwi kszy mo liwo ci praktyków. Jednak sam dost p
do narz dzi i danych nie rozwi e problemów zwi zanych z wyborem wska ników
powodzenia i prawid ow analiz danych internetowych.
Obecnie analitycy danych internetowych mog korzysta z wi kszej ilo ci danych
ni kiedykolwiek wcze niej:
Analiza konkurencyjno ci pozwala nie tylko okre li , co dzieje si w witrynie,
ale tak e (za drobn op at ) ustali , jak dzia aj witryny konkurencji.
Dane jako ciowe (u yteczno , ankiety, bezpo rednia obserwacja) zapewniaj
informacje o wp ywie kana u internetowego na inne kana y (warto zastanowi
si nad systemami CRM).
Wraz z rozwojem analizy danych internetowych od narodzin do obecnego
okresu niemowl cego u ytkownicy mieli dost p do coraz wi kszej ilo ci z o onych
danych. W prawie ka dym narz dziu analitycznym za pomoc jednego klikni cia
38
mo na wy wietli setki miar.
Rosn ca ilo danych zwi ksza mo liwo ci w obszarze analiz i dzia a , ale
jednocze nie mo e okaza si pu apk , prowadz c do parali u analitycznego.
Firmy dzia aj ce w sieci WWW wydaj miliony dolarów na analiz danych
internetowych, d c 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 mo liwo dok adnego pomiaru danych w celu
podj cia optymalnych decyzji zwi zanych ze spo ytkowaniem setek milionów dolarów
wydawanych przez firmy. Najgorsze jest to, e wi kszo firm próbuje rozwi za ten
problem w b dny sposób.
Tradycyjna analiza danych internetowych to przeszłość
W audycji podcast z witryny Internet Marketing Voodoo z marca 2006 roku
stwierdzi em, e tradycyjna analiza danych internetowych jest martwa. To samo
mog em powiedzie ju dwa lata wcze niej.
Analiza danych internetowych opiera a si pocz tkowo na dziennikach
serwerów sieciowych, które zawiera y g ównie informacje techniczne, a nie biznesowe.
Z uwagi na wyj tkow cie k rozwoju obecnie liczne narz dzia do analizy danych
internetowych i podej cie wi kszo ci firm koncentruj si na analizie strumieni
klikni . Rysunek 1.5 ilustruje typow analiz danych internetowych w przesz o ci.
Dzi ki narz dziom do analizy danych internetowych mo na b yskawicznie
uzyska dost p do olbrzymich ilo ci danych, miar, kluczowych wska ników wydajno ci
i innych liczb. Istnieje wielu u ytkowników i dostawców takich us ug oraz dobrze
ugruntowany system pracy i my lenia zwi zany z przedstawianiem tych danych.
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
39
Rysunek 1.5. Mnóstwo miar i kluczowych wskazników wydajności dostępnych po kliknięciu przycisku
Jak wi c wygl da tradycyjny wiat analizy danych internetowych? Je li firma
korzysta z jednej z poni szych przyk adowych miar, prawdopodobnie funkcjonuje
w a nie w tym wiecie:
Liczba wy wietle stron. Je li firma prowadzi witryn sklepu internetowego (a tak e
wi kszo innych witryn), to czy wysoka liczba wy wietle stron przez u ytkownika
jest korzystna, czy nie? Je li nawigacja sprawia problemy, u ytkownicy b d cz sto
wy wietla strony, ale nic nie kupi . Je li nawigacja jest doskona a, wy wietle
stron b dzie mniej, jednak mo liwe, e u ytkownicy szybciej stwierdz , i ceny
nie s konkurencyjne, dlatego opuszcz witryn . Jak mo na na podstawie samej liczby
wy wietle stron stwierdzi , jak zachowuj si u ytkownicy? Ponadto jaki wzorzec
zachowa klientów jest korzystny ze wzgl du na ten wska nik?
Liczba wizyt. Kiedy wizyty s u y y do ledzenia liczby da danych kierowanych
do serwera. Wtedy mo na by o uto samia wizyty z daniem strony lub tre ci.
Wi cej wizyt oznacza o wi ksz popularno , a na bardzo wczesnym etapie rozwoju
internetu tak e wi ksz liczb u ytkowników. Obecnie wizyty maj bardzo ma e
znaczenie z uwagi na liczb obrazów i multimediów umieszczanych na stronach.
danie typowej strony powoduje 25 wizyt na serwerze. Co naprawd mierzy analityk,
ledz c liczb wizyt? dania o dane kierowane do serwera? Liczb wy wietlanych
stron? Liczb osób odwiedzaj cych witryn ?
Strony z najwi ksz liczb wyj . O czym informuje analityka to, na której stronie
internetowej odwiedzaj cy najcz ciej opuszczaj witryn ? Czy takie strony s gorsze
od innych? Przecie mo liwe, e s to doskona e strony, na których u ytkownicy
znajduj to, czego szukaj , dlatego mog opu ci witryn . Je li klient b dzie szuka
aparatu cyfrowego Sony w witrynie Amazon.com i znajdzie to, co go interesuje,
wyjdzie z witryny. Podobnie zrobi osoby generuj ce 99% ruchu w tej witrynie.
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
Wska nik opuszczania witryny nie informuje o tym, czy poziom poszczególnych
stron jest wysoki, czy niski.
Zaanga owanie. Podobne zastrze enia dotycz zaanga owania, które cz sto oblicza
si jako liczb sesji podzielon przez liczb niepowtarzalnych u ytkowników. Je li
wiele osób ponownie odwiedza witryn , czy dzieje si tak dlatego, e nie mog znale
szukanych tre ci, czy z uwagi na to, i jest to najpi kniejsza witryna na wiecie ze
wspania ymi informacjami?
Rozdzielczo ekranu u ytkowników. Rozdzielczo ekranu to doskona y przyk ad
niepotrzebnego wska nika, który ma bardzo niewielk warto . Ka de narz dzie
do analizy danych internetowych informuje o rozdzielczo ci ekranu, a miara ta pojawia
si w codziennych raportach, cho rzadko zmienia si cz ciej ni raz na sze miesi cy.
Mimo to analitycy obliczaj j ca y czas, co rozprasza us ugobiorców i powoduje
nieoptymalne wykorzystanie czasu. Ponadto czy nie lepiej po prostu u y bada firmy
40
Forrester Research lub Gartner na temat najnowszych trendów w danej bran y i na
tej podstawie okre li optymaln wielko strony?
Wszystkie te wska niki maj o czym informowa , jednak w praktyce tego
nie robi . Co gorsza, zwykle prowadz do b dnych wniosków. Po wydaniu mnóstwa
pieni dzy na zakup narz dzi i poniesieniu jeszcze wi kszych nak adów na uzyskanie
raportów firmy maj ma o informacji na temat zwrotu z inwestycji lub opinii
u ytkowników na temat korzystania z witryny. Lata frustracji wynikaj cej
z niemo no ci zrozumienia danych i podejmowania dzia a na ich podstawie
doprowadzi y do upadku tradycyjnej analizy danych internetowych. Nie uda o si
dzi ki niej rozwi za problemów ani firm, ani ich klientów, poniewa nie prowadzi a
do praktycznych wniosków.
Jak powinna wyglądać analiza danych internetowych?
W omawianej bran y zachodz w a nie istotne zmiany. Analiza danych internetowych
nie jest ju t sam dziedzin co dawniej. Nowy wiat analiz prowadz cych
do praktycznych wniosków obejmuje nie tylko strumienie klikni . Istotne s tak e
dane na temat skutków. Dane te zwykle mo na zarejestrowa za pomoc znaczników
JavaScript, jednak czasem pomiary te wymagaj wykazania si kreatywno ci .
Obecnie wa na jest te analiza jako ciowa: dlaczego odwiedzaj cy zachowuj si
w okre lony sposób i dlaczego korzystaj z witryny?
Rozwój analizy danych internetowych powoduje, e w a ciciele witryn maj
du o wi ksze mo liwo ci w zakresie wys uchiwania u ytkowników. Analizy obejmuj
obecnie bardziej istotne dane i pozwalaj zrozumie , jakie dzia ania nale y podj .
Dzi ki nowemu podej ciu kana internetowy mo e okaza si skutecznym narz dziem
dla firm, które wcze niej z niego nie korzysta y.
Podstaw tradycyjnej analizy danych internetowych przez d ugi czas by y
wbudowane kluczowe wska niki wydajno ci (ang. key performance indicator KPI).
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
Jednak z uwagi na to, e ogólne wska niki KPI cz sto nie uwzgl dniaj strategicznych
ró nic w dzia aniu firm, nie spe niaj pok adanych w nich nadziei.
Aby wspó zawodniczy z innymi firmami, trzeba przeprowadza kluczowe
analizy wniosków (ang. key insights analysis KIA).
Poni ej opisano kilka miar specyficznych dla nowego wiata analizy danych
internetowych prowadz cej do dzia a , a tak e przyk adowe analizy KIA:
Analizy rozk adu cz stotliwo ci klikni . Analizy rozk adu cz stotliwo ci klikni
(powi zane z nak adkami na witryn generowanymi przez narz dzia do analizy danych
internetowych) pomagaj zrozumie punkt widzenia klienta. U atwiaj zrozumienie
dzia a u ytkowników witryny. Czy klikaj oni elementy zgodnie z oczekiwaniami
w a cicieli witryny? Je li nie, co uwa aj za ciekawsze od tych opcji? Które elementy
okaza y si zupe nie nieoczekiwanie interesuj ce dla u ytkowników?
Je li firma dokonuje segmentacji ruchu w witrynie, mo e ustali ró nice
41
w zachowaniu ró nych grup u ytkowników, na przyk ad klikni osób, które trafi y
na witryn z wyszukiwarki Google, i pozosta ych odwiedzaj cych. Mo na na przyk ad
lepiej dopasowa tre dla u ytkowników z pierwszego z tych segmentów. Analizy
tego rodzaju s bardzo cenne, poniewa umo liwiaj podejmowanie dzia a . Nie
ograniczaj si do raportów i arkuszy programu Microsoft Office Excel, ale pozwalaj
dos ownie przyjrze si stronom internetowym i zobaczy , jak zachowuj si klienci
z poszczególnych segmentów. Na podstawie tych danych mo na zacz tworzy
niestandardowe, spersonalizowane strony dla u ytkowników z ró nych grup
i zwi kszy przez to zaanga owanie klientów oraz poprawi wynik na skali g ównego
wska nika powodzenia.
Podstawowy cel odwiedzaj cych. Zamiast wnioskowa o celu wizyty na podstawie
ogl danych stron, w nowym i ulepszonym podej ciu wystarczy poprosi klientów
o to, aby pomogli ustali , dlaczego odwiedzili witryn . Ryzyko korzystania
z wy wietlanych stron przy okre leniu g ównego celu wizyty polega na tym, e je li
witryna nie zawiera szukanych tre ci, w a ciciel nigdy si o tym nie dowie. Dlaczego
wi c nie zada pytania u ytkownikom? Warto przeprowadzi ankiet lub porozmawia
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
z nimi przez telefon. Nale y skontaktowa si z klientami i zapyta , dlaczego odwiedzili
witryn . Czasem mo na w ten sposób odkry przyczyny, o których w a ciciel nigdy
by nie pomy la , a które powinien by uwzgl dnia od pocz tku istnienia witryny.
Wspó czynnik uko czonych zada . Zauwa alne jest te odchodzenie od korzystania
z danych na temat strumieni klikni (powi zanych z wy wietlaniem stron) w kierunku
pomiaru udanego uko czenia zada . Firmy cz sto maj witryny pomocy technicznej
z baz wiedzy, listami odpowiedzi na cz sto zadawane pytania (ang. frequently asked
questions FAQ) i tak dalej. W dawnym podej ciu sukces mierzono za pomoc
narz dzi do analizy strumieni klikni , uwzgl dniaj cych wszystkie osoby, które
zobaczy y artyku z bazy wiedzy lub list FAQ. Jednak czy sam fakt wy wietlenia
przez u ytkownika d ugiej i skomplikowanej odpowiedzi oznacza sukces? Powodzenie
w wi kszo ci przypadków bardzo trudno jest okre li na podstawie wy wietlonych
stron. Wyj tkiem s witryny sklepów internetowych, w których wy wietlenie strony
42
z podzi kowaniami po z o eniu zamówienia mo na uzna za udane uko czenie
zadania. W nowym podej ciu zestaw analiz danych internetowych wzbogacono
o bardziej zaawansowane dane jako ciowe, które pozwalaj zrozumie , czy klienci
uko czyli zadania i znale li to, czego szukali. Na tej podstawie mo na podejmowa
dzia ania, poniewa nie ma w tpliwo ci, czy wy wietlenie strony doprowadzi o do
zrealizowania celu. Wystarczy zapyta (za pomoc ankiety, laboratoryjnych testów
u yteczno ci lub testów w witrynie), a nast pnie podj dzia ania na podstawie
uzyskanych odpowiedzi.
Trendy w zachowaniach segmentów u ytkowników. Niewiele dost pnych
obecnie narz dzi umo liwia segmentacj danych po ich zarejestrowaniu. W dawnym
podej ciu u ywano atrybutów w znacznikach JavaScript. Teraz dost pne s narz dzia
firm ClickTracks i Visual Sciences (ich ceny bardzo si ró ni ) umo liwiaj ce prawdziw
segmentacj danych, dzi ki czemu nie trzeba sprawdza redniego czasu wizyty
w witrynie, najcz ciej szukanych s ów kluczowych lub popularnych tre ci
z uwzgl dnieniem wszystkich u ytkowników. Narz dzia te umo liwiaj podzia
klientów na grupy i rejestrowanie ich zachowa w sensowny sposób, co pozwala
na du o lepsze zrozumienie interakcji u ytkowników z witryn . Prowadzi to
do praktycznych wniosków, na których mo na oprze dalsze dzia ania.
Wielokana owe analizy skutków. Powa n wad tradycyjnej analizy danych
internetowych by o oparcie jej na silosie (czyli na danych o strumieniu klikni
w witrynie). Jednak bardzo nieliczne firmy, niezale nie od ich rozmiaru, wi
strategi prowadzenia witryny i prowadzenie biznesu z silosem danych. Aby
zrozumie ogólny wp yw kana u sieciowego, trzeba postrzega sie WWW jako
cz wi kszego ekosystemu. Uzyskanie warto ciowych wniosków wymaga pomiaru
wp ywu innych kana ów (na przyk ad reklam telewizyjnych i prasowych) na witryn
oraz witryny na inne kana y (na przyk ad liczb osób u ywaj cych witryny,
ale kupuj cych produkty w zwyk ym sklepie lub przez telefon).
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
Poszerzenie perspektywy oznacza, e dane z narz dzi do analizy danych
internetowych pomagaj w analizach innego rodzaju (na przyk ad analizach warto ci
klienta w cyklu ycia osób pozyskanych wszystkimi kana ami). Poprawia te jako
analiz dzi ki w czeniu kluczowych informacji do analizy danych internetowych.
Obok danych o strumieniu klikni z ankiet i dotycz cych konwersji klientów poza
internetem nie powinno zabrakn podstawowych metadanych na temat firmy.
Wspó cze ni analitycy yj w czasach kluczowych analiz wniosków i powinni
zda sobie spraw , e ka da porcja danych ma wp yw na dzia ania. Nie s to
jakiekolwiek operacje. Powinny to by dzia ania, które przynosz skutki oczekiwane
przez klientów. (Warto zwróci na to uwag : nie s to efekty po dane przez szefa
analityków lub nawet przez jego prze o onego, ale wa ne dla klienta).
Wkroczenie w wiat wniosków wymaga czasu, jednak pokonanie tej bariery
pozwala uzyska d ugoterminow przewag strategiczn (i powa n premi oraz
43
promocj , albo obie te korzy ci, dla analityka).
Pomiar co i dlaczego
Mo na wyobrazi sobie klienta wchodz cego do i wychodz cego z supermarketu.
Je li ta osoba nic nie kupi, kierownicy sklepu prawdopodobnie nawet nie dowiedz
si o jej istnieniu. Je li klient wyda pieni dze, w a ciciele dowiedz si , e pewne
produkty zosta y sprzedane (je li u ytkownik korzysta z karty marketowej, uzyskaj
wi cej informacji).
Z perspektywy zbierania danych odwiedziny w witrynie internetowej wygl daj
zupe nie inaczej. W ich trakcie klient pozostawia du o danych niezale nie od tego,
czy co kupi, czy nie.
Witryna mo e zarejestrowa ka d alejk , w któr wejdzie klient, wszystkie
ogl dane produkty, czas czytania ka dej etykiety , przedmioty umieszczone w koszyku
i usuni te z niego, a tak e liczne inne informacje. Je li klient w ko cu co kupi,
mened er witryny b dzie wiedzia , gdzie mieszka u ytkownik, sk d trafi na witryn ,
jakie promocje go interesuj , ile razy kupi co wcze niej i tak dalej. Je li klient
po prostu wejdzie do witryny i opu ci j , w a ciciel mimo to pozna wszystkie jego
dzia ania i kolejno ich wykonywania.
Mam nadziej , e uda o mi si zademonstrowa istotn przewag sieci WWW
w obszarze zbierania danych na temat odwiedzaj cych. Wszystko to jest mo liwe
bez naruszania podstawowych zasad prywatno ci (dlatego na przyk ad wi kszo
witryn nie zarejestruje informacji o odwiedzinach Avinasha Kaushika, ale osoby
o identyfikatorze 159ar87te384ae8137 zapisanym w pliku cookie). Ponadto obecnie
istnieje bardzo du a liczba narz dzi, które b yskawicznie tworz raporty obejmuj ce
wszelkie dane internetowe, wy wietlaj je za pomoc rozmaitych diagramów,
wykresów, tabel, tabel przestawnych i zrzutów. Mo na sobie wyobrazi ,
jak skomplikowana jest analiza wszystkich tych informacji.
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
Jednak niezale nie od u ywanych narz dzi dane mog jedynie pomóc
w zrozumieniu tego, co si dzieje. Nie pozwalaj natomiast niezale nie od zakresu
przetwarzania danych okre li , dlaczego co si wydarzy o.
Dost pne s klikni cia, strony, czas odwiedzin w witrynie, cie ki, promocje,
wspó czynniki rezygnacji i tak dalej. Wa ne jest, aby pami ta , e dane te nie
odpowiadaj na szereg kluczowych pyta . Dlaczego odwiedzaj cy klikali okre lone
elementy? Dlaczego u ytkownicy na jedne strony wchodzili, a inne omijali?
Dlaczego 50% klientów porzuci o koszyk? Dlaczego 90% osób czyta odpowied
na najbardziej popularne pytanie na stronie pomocy technicznej, a nast pnie i tak
dzwoni do firmy? Dane nie odpowiadaj na pytanie dlaczego.
Dlatego tak istotne s dane jako ciowe, które pomagaj zrozumie przyczyny.
Na tym polega ró nica mi dzy 99% obecnych analiz witryn internetowych
prowadz cych do bardzo nielicznych wniosków a 1% analiz, które pozwalaj
44
zrozumie sposób my lenia klientów.
Po czenie odpowiedzi na pytania co (analiza ilo ciowa) i dlaczego (analiza
jako ciowa) mo e okaza si wyj tkowo skuteczne. Kluczowa jest tak e umiej tno
zebrania wszystkich danych na temat strumieni klikni i ich dog bnej analizy.
Pozwoli to doj do wniosków prowadz cych do istotnych zmian w witrynie, które
zwi ksz komfort pracy u ytkowników.
Dost pnych jest wiele danych jako ciowych (odpowiadaj cych na pytanie
dlaczego). S to mi dzy innymi:
popularno marki i opinie na jej temat,
zadowolenie klientów,
wska niki sieciowego marketingu szeptanego,
analizy otwartych wypowiedzi klientów,
zaanga owanie odwiedzaj cych,
przywi zanie klientów,
puls blogów .
Niektóre z wymienionych danych dotycz interakcji klientów z witryn ,
inne wska niki mierz opinie i zachowania u ytkowników w miejscach innych
ni dana witryna, a jeszcze inne zwi zane s z cechami mi kkimi, na przyk ad
postrzeganiem marki.
Cho analiza jako ciowa ma wiele odmian, prawdopodobnie najwa niejszym
wska nikiem z tej grupy jest interakcja klientów (odwiedzaj cych) z witryn internetow .
Pierwszy krok na drodze do kluczowych analiz wniosków powinien polega
na zrozumieniu wszystkich aspektów interakcji klientów z witryn . Mo e to
doprowadzi do szybszego wysnucia praktycznych wniosków i wywarcia istotnego
wp ywu na proces podejmowania decyzji. Obecnie du o mówi si o modnych
wska nikach, takich jak warto lub wp yw marki oraz puls blogów . Te miary
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
mog by drugim lub trzecim przystankiem w podró y, poniewa koncentracja
na nich mo e prowadzi do nieoptymalnego wykorzystania czasu i zasobów, je li
analityk wcze niej dobrze nie zrozumie elementów wp ywaj cych na zadowolenie
klienta i udane wykonywanie przez niego zada w witrynie.
Jest wiele metod zbierania danych jako ciowych (odpowiadaj cych na pytanie
dlaczego). S to mi dzy innymi:
laboratoryjne testy u yteczno ci (uczestnicy wykonuj zadania z pomoc
badacza lub samodzielnie),
odwiedziny w siedzibie klienta (obserwacja u ytkowników w ich rodowisku
naturalnym ),
testy i eksperymenty (jest to modna ostatnio technika obejmuj ca testy A/B
i wielu zmiennych),
45
nieustrukturyzowane rozmowy na odleg o (zdalne komunikowanie si
z klientem w czasie, kiedy korzysta on z witryny; do komunikacji s u
takie narz dzia, jak Ethnio),
ankiety (przodek wszystkich innych metod, wspomniany w omówieniu
g ównego celu odwiedzaj cych w poprzednim podrozdziale).
Dla osób, które nie maj do wiadczenia w testach jako ciowych, ankiety
to doskona y sposób na zapoznanie si z tym obszarem. Cho niektórzy twierdz
inaczej, metoda ta jest atwa w implementacji, mo na j stosowa stale,
jest jednocze nie ilo ciowa, a wyniki pozwalaj zwykle wyci gn wiele praktycznych
wniosków.
Po czenie odpowiedzi na pytania dlaczego (cele, motywacje i tak dalej) oraz
co (klikni cia, liczba odwiedzaj cych) jest niezb dne jako podstawa udanego
i prowadz cego do dzia a programu analizy danych internetowych.
Metoda Trinity nastawienie i podejście strategiczne
Kilka lat temu, w czasie zmaga z problemami w obszarze analizy danych
internetowych, pojawi a si potrzeba zastosowania nowego paradygmatu, innego
sposobu my lenia o analizie. Zastosowanie wielu wska ników KPI, raportów pe nych
danych i du ej mocy obliczeniowej nie doprowadzi o do uzyskania oczekiwanych
efektów.
Od kilku lat niemal ka da witryna mia a zainstalowany standardowy pakiet
do analizy danych internetowych jednego z trzech czo owych producentów,
co umo liwia o generowanie raportów i doprowadzi o do og oszenia sukcesu
w obszarze ich conocnego przygotowywania. Jak jednak powinien wygl da
paradygmat, skoro zwyk e dzia ania nie doprowadzi y do wysnucia wniosków
umo liwiaj cych popraw komfortu korzystania z witryny?
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
Odpowiedzi by a metoda Trinity nowy sposób my lenia o podejmowaniu
decyzji na temat witryny, wykraczaj cy poza strumienie klikni . Trinity to tak e
platforma, na której firma mo e oprze strategi dzia a w sieci WWW.
Jej zastosowanie gwarantuje mo liwo zbudowania pierwszorz dnej platformy
podejmowania decyzji, która zapewni przedsi biorstwu trwa przewag
konkurencyjn .
G ówn przyczyn warto ci metody Trinity jest jej istota: praktyczne wnioski
i miary (rysunek 1.6).
46
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 podejmuj ce decyzj raportami pe nymi danych.
Praktyczne wnioski i miary to cel nadrz dny, poniewa umo liwiaj one strategiczne
odró nienie si od innych firm i uzyskanie trwa ej przewagi konkurencyjnej.
Uzyskanie praktycznych wniosków wraz z jasnymi celami pomaga
skonkretyzowa dzia ania organizacji. Je li czynno ci wykonywane przez analityka
(przygotowywanie raportów, analizy danych, spotkania, przegl dy i tak dalej) nie
prowadz do praktycznych wniosków, powinien z nich zrezygnowa . Ta strategia
zach ca do wykonywania warto ciowych zada i jest doskona ym sposobem
na u atwienie 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 (najdok adniejsze jak to mo liwe
przy dost pnych danych) celów klientów lub osób odwiedzaj cych witryn na podstawie
wszystkich informacji o danej osobie. Nie nale y na ladowa innych analityków
i oczekiwa zbyt wiele po strumieniu danych. Najlepsze, co mo na zrobi z takim
strumieniem, to próba ustalenia celu, i trzeba si z tym pogodzi .
Po zebraniu danych na temat strumieni klikni nale y przeanalizowa je na
wy szym poziomie. Nie warto bada wizyt, cznego czasu korzystania z witryny,
liczby u ytkowników i stron wyj cia. W metodzie Trinity nale y skoncentrowa
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
Rysunek 1.7. Analizy zachowania to próba zrozumienia celu klienta
si na analizie rozk adu cz stotliwo ci klikni za pomoc raportu w formie nak adki
na witryn . Nale y te przeprowadzi segmentacj danych na n poziomów, aby doj
47
do cennych wniosków. Warto te przeanalizowa szukane wyra enia i to nie tylko
zewn trzne, ale tak e wewn trzne, ograniczone do witryny. Celem jest m dre
przeprowadzenie analizy strumieni klikni i rozpocz cie wnioskowania na temat
celów osób odwiedzaj cych 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 ka dy analityk ma wyj tkow wiedz i niepowtarzalne do wiadczenia.
Wielk zalet ustalenia, e najwa niejsze jest wnioskowanie na temat celów, jest
mo liwo wykonywania tego zadania, przedstawiania efektów wspó pracownikom,
sprawdzania poprawno ci przemy le , wyci gania 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 zosta o ju powiedziane i zrobione, analityk chce pozna skutki, jakie
b dzie to mia o dla klientów i firmy. Ten element eliminuje te jedn z kluczowych
wad tradycyjnej analizy danych internetowych nadmiern koncentracj na miarach
opartych na strumieniu danych, po wi conych stronie, czasowi i odwiedzaj cym.
Poniewa analiza danych internetowych ma korzenie w analizie plików dziennika
(które nigdy nie okre la y skutków), od pocz tku jej istnienia u ywano wielu danych
i miar oprócz najwa niejszej odpowiedzi na pytanie: Co si sta o, jakie s skutki? .
Warto zada w a cicielom witryny nast puj ce pytanie: Do czego s u y wasza
witryna? . Zaskakuj ce jest, jak wielu z nich nie potrafi udzieli odpowiedzi sk adaj cej
si z mniej ni 15 s ów. Ten element metody Trinity pozwala zmierzy , jak dobrze
witryna spe nia cel swego istnienia.
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
48
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 by y takie, a nie inne) i wspó czynnik
konwersji. W witrynach pomocy technicznej pozwala okre li szybko rozwi zywania
problemów i wska niki zwi zane z czasem. W witrynach s u cych 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 zwi zane
z dochodami i mo na je uwzgl dni w raportach finansowych firmy.
Ka da witryna powinna istnie w jasno okre lonym celu. Je li nie jest mo liwy
pomiar wszystkich zwi zanych z nim niuansów, zalecam ca kowit rezygnacj
z pomiaru zachowa (strumienia klikni ). Je li analityk nie mo e solidnie zmierzy
skutków, adna analiza zachowania nie b dzie warto ciowa, poniewa nie wiadomo,
czy wszystkie rosn ce wykresy generowane przez u ywan aplikacj do analizy
danych internetowych przek adaj si na powi kszenie warto ci firmy. Czy rezygnacja
ze strumieni klikni na rzecz wcze niejszego pomiaru skutków to ekstremalne
rozwi zanie? Tak. Czy jest to konieczne? Pewnie.
Analiza doświadczeń
Trzeci i ostatni komponent metody Trinity to do wiadczenia (rysunek 1.9). Ten
sk adnik pozwala uzyska cenn , ale trudn do znalezienia odpowied na pytanie
dlaczego.
Cho komponent skutków w metodzie Trinity jest niezb dny, pomiar
do wiadcze jest prawdopodobnie najwa niejszy. Ka da firma, która popad a w rutyn
i mimo usilnych stara nie potrafi doj do praktycznych wniosków na podstawie
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
49
Rysunek 1.9. Trzeci element metody Trinity analizy doświadczeń (dlaczego)
analizy zachowa i skutków, powinna zainwestowa w analiz do wiadcze . Pozwala
to odpowiedzie na pytanie dlaczego. Te analizy przynosz ukojenie w trakcie ci kiej
pracy nad danymi ze strumieni klikni .
Trudno wybra ulubione z dzieci, jednak dla mnie bez w tpienia analizy
do wiadcze s najcenniejsze. Wynika to z prostej przyczyny: analizy do wiadcze
pozwalaj przenikn my li klientów i zrozumie , dlaczego wykonuj oni okre lone czynno ci.
Jest wiele metod pozwalaj cych zrozumie do wiadczenia klientów
z korzystaniem z witryny. Mo na u y ankiet lub po prostu zadawa pytania, a tak e
zastosowa bardzo z o one techniki ilo ciowe i jako ciowe. Ankiety pozwalaj zmierzy
satysfakcj klientów, a nawet przewidywa przysz e zachowania (prawdopodobie stwo
zakupu lub polecanie innym produktów albo us ug). W dalszej cz ci ksi ki wyra nie
wida , e jestem gor cym zwolennikiem eksperymentów i testów (nale y pozwoli
klientom wyrazi ich preferencje) opartych na technice A/B i analizie wielu zmiennych.
Dost pne s te tradycyjne techniki projektowania skoncentrowanego na u ytkowniku,
na przyk ad ocena heurystyczna. Mo na te wykorzysta inn doskona technik :
laboratoryjne testy u yteczno ci, lub odwiedzi klientów w ich siedzibie, co Scott
Cook, za o yciel firmy Intuit, okre la jako istot innowacji skoncentrowanych
na kliencie.
Uwaga: W rozdziale 3., Przegląd analiz jakościowych szczegółowo omówiono wszystkie metody
projektowania skoncentrowanego na kliencie.
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
Wszystkie metody zwi zane z do wiadczeniami s u jednemu celowi
us yszeniu przez firm g osu klientów, który w wi kszo ci korporacji ginie.
Rozwiązania dla firm i klientów sytuacja wygrany-wygrany
W ostatecznym rozrachunku metoda Trinity ma prowadzi do dog bnego zrozumienia
do wiadcze klientów, aby móc wywo a optymalne zachowanie u ytkownika, które
doprowadzi do sytuacji wygrana-wygrana dla firmy i klienta (rysunek 1.10).
50
Rysunek 1.10. Zrozumienie doświadczeń w celu wywołania zachowań prowadzących do skutku wygrana-wygrana
Wa ne jest ostatnie zdanie metoda Trinity ma prowadzi do skutku
wygrana-wygrana.
Je li dla danego klienta odpowiednia jest wersja podstawowa, a nie
profesjonalna, w a ciciele witryny powinni pomóc odbiorcy to ustali i kupi
dopasowany produkt. To prawda, je li klient kupi wersj profesjonaln , w krótkim
okresie zyski firmy b d wi ksze. Jednak mo liwe jest, e klient b dzie sfrustrowany,
poniewa wersja ta oka e si zbyt zaawansowana, dlatego nie wróci wi cej do sklepu.
Ponadto podzieli si negatywnymi opiniami z innymi osobami. Jednak je li firma
pomo e mu w zakupie odpowiedniej, podstawowej wersji, klient za rok powróci, aby
kupi wersj profesjonaln . Metoda Trinity pozwala osi ga korzy ci d ugoterminowe.
Nale y zrozumie potrzeby i oczekiwania klientów, a nast pnie przygotowa
rozwi zania pod ich k tem. Stosowanie metody Trinity umo liwia osi gni cie sukcesu,
a rozwi zywanie problemów klientów, kiedy ju wiadomo, czym one s , jest zwykle
bardzo proste.
Ka dy komponent metody Trinity jest wspomagany przez ró ne narz dzia.
Podej cie to obejmuje ró ne techniki i wykorzystuje powtarzalne procesy.
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
Co najwa niejsze, stosuj ce j osoby musz mie zestaw kluczowych umiej tno ci.
Samo nastawienie nie prowadzi do rozwi zania problemów (cho pozwala wkroczy
na dobr drog ). Stosowanie strategicznej metody Trinity zwi zane jest z utworzeniem
odpowiedniej struktury organizacyjnej i rozwini tej kultury.
Budowanie zintegrowanej platformy Trinity
Nie mo na utworzy ca ej platformy w jeden dzie . Zwykle nale y zdiagnozowa
obecny stan, a nast pnie do czy brakuj ce elementy. Trzeba si upewni , e plan
realizacji strategii i dzia a powdro eniowych umo liwia analitykom po czenie
wszystkich elementów metody Trinity (rysunek 1.11). Zapewni to firmie znaczn
przewag konkurencyjn .
51
Rysunek 1.11. Zintegrowana strategia Trinity (klucze podstawowe umożliwiają powiązanie najważniejszych
silosów z danymi)
Je li odwiedzaj cy sk adaj zamówienia lub przesy aj dane kontaktowe
za pomoc witryny, w bazie danych z zamówieniami mo na zapisa anonimowe
elementy ledz ce, na przyk ad tymczasowe identyfikatory session_id i cookie_id.
Pozwala to przeprowadzi zaawansowane analizy skutków z podzia em na segmenty,
a tak e przeanalizowa zachowania prowadz ce do tych skutków.
KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH
Identyfikatory session_id (ponownie anonimowe) mo na przekazywa tak e
do narz dzia obs uguj cego ankiety, co pozwala na podstawie ich wyników wydzieli
segment najbardziej niezadowolonych klientów. Nast pnie mo na wykorzysta
narz dzie do analizy danych internetowych i przeanalizowa strumienie klikni ,
aby ustali , które strony ogl dali klienci zadowoleni, a co zobaczyli u ytkownicy
niezadowoleni. Mo na te sprawdzi , które elementy witryny najbardziej wp ywaj
na satysfakcj klientów i tak dalej.
W wiecie, w którym perspektywa analityczna by a powa nie ograniczona
przez stosowanie samych narz dzi do analizy danych internetowych i strumieni klikni ,
platforma Trinity wzbogaca dost pne dane, pomaga naprawd zrozumie klientów,
a tak e umo liwia szczegó ow analiz danych w celu uzyskania ogólnych wniosków.
Prowadzi to do wi kszego zadowolenia klientów i wy szych zysków firmy. Ponadto
sam analityk jest szcz liwy, poniewa w ko cu mo e zmierzy si z analiz danych
52
jako ciowych i ilo ciowych z wielu sesji co za frajda!
Platform Trinity mo na stosowa do dowolnych odmian biznesu internetowego:
witryn sklepów internetowych, pomocy technicznej, promocji, organizacji non-profit,
ma ych firm i tak dalej. Wi cej szczegó ów, a tak e przyk ady wykorzystania metody
Trinity do danego typu biznesu zawiera rozdzia 6., Miesi c 1. Zg bianie
najwa niejszych zagadnie z obszaru analizy danych internetowych .
ROZDZIA 1:
WEB ANALYTICS DZI I JUTRO
Wyszukiwarka
Podobne podstrony:
Godzina dziennie z e mail marketingiem goemmaWeb Analytics 2 0 swiadome rozwijanie witryn internetowych webswiWeb AnalyticsWeb Analytics Overview of Log File SpyingDodatek do dziennika praktyk (gimnazjum) rozliczenie godzinDungeon Magazine 108 Web Enhancement2007 01 Web Building the Aptana Free Developer Environment for AjaxKto nie chce poznać tajemnicy Smoleńska Nasz Dziennikwięcej podobnych podstron