Cyfroteka.pl

klikaj i czytaj online

Cyfro
Czytomierz
01294 012856 11049112 na godz. na dobę w sumie
Godzina dziennie z Web Analytics. Stwórz dobrą strategię e-marketingową - książka
Godzina dziennie z Web Analytics. Stwórz dobrą strategię e-marketingową - książka
Autor: Liczba stron: 496
Wydawca: Helion Język publikacji: polski
ISBN: 978-83-246-1880-4 Data wydania:
Lektor:
Kategoria: ebooki >> komputery i informatyka >> biznes it >> e-biznes
Porównaj ceny (książka, ebook, audiobook).

Czy potrafisz odpowiedzieć na pytanie, ile osób dziennie odwiedza Twój serwis lub blog? Jak długo przebywają w Twoim sklepie i która strona przyciąga najwięcej klientów? Jeżeli jesteś w stanie przytoczyć te dane, z pewnością korzystasz z narzędzi pozwalających na analizę ruchu na Twojej witrynie. Jeżeli jednak nie masz bladego pojęcia, jak interpretować i wykorzystać te informacje, dzięki tej książce również i Ty zaczniesz efektywnie korzystać ze statystyk! Analizy ruchu na stronie oferuje wiele źródeł, jednak dopiero usługa uruchomiona przez Google Analytics w 2005 roku sprawiła, że zaawansowane narzędzia stały się dostępne dla przeciętnego webmastera.

Autor tej niezwykłej książki - Avinash Kaushik, pracownik firmy Google - pokaże Ci krok po kroku, jak opracować skuteczną strategię analizy danych internetowych. Przekonasz się, że wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawić wyniki oglądalności i dochody Twojego serwisu. Dowiesz się między innymi, w jaki sposób zbierać dane do analizy, oraz poznasz dostępne analizy jakościowe. Ponadto zrozumiesz kluczowe elementy skutecznej strategii analizy danych internetowych oraz nauczysz się przeprowadzać tę analizę. W kolejnych rozdziałach zapoznasz się także z dostępnymi miarami, analizą w obszarze wyszukiwania, sporządzaniem raportów czy też analizowaniem witryn z nurtu Web 2.0. Po przeczytaniu tej książki podejmowanie decyzji na podstawie dostępnych danych nie będzie dla Ciebie żadnym problemem!

Zwiększ popularność swojej witryny dzięki efektywnym analizom danych internetowych!



Patron medialny:

Znajdź podobne książki Ostatnio czytane w tej kategorii

Darmowy fragment publikacji:

Godzina dziennie z Web Analytics. Stwórz dobr¹ strategiê e-marketingow¹ Autor: Avinash Kaushik T³umaczenie: Tomasz Walczak ISBN: 978-83-246-1880-4 Tytu³ orygina³u: Web Analytics: An Hour a Day Format: 180x235, stron: 496 Czy potrafisz odpowiedzieæ na pytanie, ile osób dziennie odwiedza Twój serwis lub blog? Jak d³ugo przebywaj¹ w Twoim sklepie i która strona przyci¹ga najwiêcej klientów? Je¿eli jesteœ w stanie przytoczyæ te dane, z pewnoœci¹ korzystasz z narzêdzi pozwalaj¹cych na analizê ruchu na Twojej witrynie. Je¿eli jednak nie masz bladego pojêcia, jak interpretowaæ i wykorzystaæ te informacje, dziêki tej ksi¹¿ce równie¿ i Ty zaczniesz efektywnie korzystaæ ze statystyk! Analizy ruchu na stronie oferuje wiele Ÿróde³, jednak dopiero us³uga uruchomiona przez Google Analytics w 2005 roku sprawi³a, ¿e zaawansowane narzêdzia sta³y siê dostêpne dla przeciêtnego webmastera. Autor tej niezwyk³ej ksi¹¿ki – Avinash Kaushik, pracownik firmy Google – poka¿e Ci krok po kroku, jak opracowaæ skuteczn¹ strategiê analizy danych internetowych. Przekonasz siê, ¿e wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawiæ wyniki ogl¹dalnoœci i dochody Twojego serwisu. Dowiesz siê miêdzy innymi, w jaki sposób zbieraæ dane do analizy, oraz poznasz dostêpne analizy jakoœciowe. Ponadto zrozumiesz kluczowe elementy skutecznej strategii analizy danych internetowych oraz nauczysz siê przeprowadzaæ tê analizê. W kolejnych rozdzia³ach zapoznasz siê tak¿e z dostêpnymi miarami, analiz¹ w obszarze wyszukiwania, sporz¹dzaniem raportów czy te¿ analizowaniem witryn z nurtu Web 2.0. • Historia analiz danych internetowych • Analizy zachowania, skutków i doœwiadczeñ • Sposoby zbierania danych do analizy • Pozyskiwanie danych na temat konkurencyjnoœci • Dostêpne analizy jakoœciowe • Elementy skutecznej strategii analizy danych internetowych • Najlepsze praktyki w tym zakresie • Wybór optymalnego narzêdzia do prowadzenia analiz • Dostêpne miary w analizie danych internetowych • Pomiar kosztów oraz zwrotu z inwestycji • Ustalanie czytelników serwisu • Analiza w obszarze wyszukiwania • Analiza skutecznoœci kampanii PPC • Analiza skutków marketingu e-mailowego oraz wielokana³owego • Opracowanie skutecznych raportów podsumowuj¹cych • Zastosowanie procesu DMAIC • Analiza stron z nurtu Web 2.0 • Mity z obszaru analizy danych internetowych • Obliczanie wspó³czynnika konwersji • Pozyskiwanie konsultantów oraz ekspertów wewnêtrznych Zwiêksz popularnoœæ swojej witryny dziêki efektywnym analizom danych internetowych! Spis treĂci 11 „ S P I S T R E ¥ C I 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 przeszïoĂÊ ................................................38 Jak powinna wyglÈdaÊ analiza danych internetowych? .................................................40 Pomiar „co” i „dlaczego” ..............................................................................................................43 Metoda Trinity — nastawienie i podejĂcie strategiczne ................................................................45 Rozdział 2. Zbieranie danych — znaczenie i możliwości .............................................53 Zrozumienie ěródeï danych ..........................................................................................54 Dane ze strumieni klikniÚÊ ...........................................................................................56 Dzienniki sieciowe .......................................................................................................................56 Pliki jednopikselowe ....................................................................................................................58 Znaczniki JavaScript ....................................................................................................................61 Przechwytywanie pakietów ..........................................................................................................65 Dane na temat skutków ...............................................................................................70 Sklepy internetowe ......................................................................................................................71 Generowanie list potencjalnych klientów .....................................................................................72 Marka i promowanie produktów oraz pomoc techniczna .............................................................72 Dane z badañ ...............................................................................................................74 Nastawienie .................................................................................................................................74 Struktura organizacyjna ...............................................................................................................75 Czas ............................................................................................................................................75 Dane na temat konkurencyjnoĂci .................................................................................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 uĝytecznoĂci ..................................................................................84 Przeprowadzanie testów ..............................................................................................................86 Zalety laboratoryjnych testów uĝytecznoĂci .................................................................................88 Na co naleĝy zwróciÊ uwagÚ ........................................................................................................89 12 „ I C ¥ E R T S I P S Ocena heurystyczna .....................................................................................................90 Przeprowadzanie oceny heurystycznej ..........................................................................................91 Zalety stosowania oceny heurystycznej ........................................................................................93 Na co naleĝy zwróciÊ uwagÚ ........................................................................................................94 Wizyty w siedzibie klienta ............................................................................................94 Przeprowadzanie wizyty w siedzibie klienta .................................................................................95 Zalety wizyt w siedzibie klienta ...................................................................................................97 Na co naleĝy zwróciÊ uwagÚ ........................................................................................................97 Ankiety (kwestionariusze) ............................................................................................97 Ankiety wyĂwietlane w witrynie ..................................................................................................98 Ankiety przesyïane po wizycie .....................................................................................................99 Tworzenie i przeprowadzanie ankiety ..........................................................................................99 Zalety stosowania ankiet ...........................................................................................................103 Na co naleĝy zwróciÊ uwagÚ ......................................................................................................104 Podsumowanie ...........................................................................................................106 Rozdział 4. Kluczowe elementy skutecznej strategii analizy danych internetowych .... 109 Koncentracja na kliencie ............................................................................................110 Odpowiedzi na pytania biznesowe ..............................................................................113 Reguïa 10/90 .............................................................................................................115 Zatrudnianie doskonaïych analityków internetowych .................................................119 OkreĂlanie optymalnej struktury organizacyjnej i obowiÈzków ...................................128 Centralizacja ..............................................................................................................................131 Decentralizacja ..........................................................................................................................131 Scentralizowana decentralizacja .................................................................................................132 Rozdział 5. Podstawy analizy danych internetowych ............................................... 133 Zbieranie danych — dzienniki sieciowe czy znaczniki JavaScript? ..............................134 Oddzielenie procesu udostÚpniania danych od ich zbierania .......................................................135 Rodzaj i rozmiar danych ............................................................................................................135 Innowacje ..................................................................................................................................136 Integracja ..................................................................................................................................136 Wybór optymalnego narzÚdzia do analizy danych internetowych ...............................137 Dawny sposób ...........................................................................................................................137 Nowy sposób .............................................................................................................................138 OkreĂlanie jakoĂci danych ze strumieni klikniÚÊ .........................................................143 Stosowanie najlepszych praktyk ..................................................................................148 Oznaczanie wszystkich stron .....................................................................................................149 Znaczniki naleĝy umieszczaÊ na koñcu (na pierwszym miejscu trzeba stawiaÊ klienta!) ..............150 Naleĝy uĝywaÊ znaczników wewnÈtrzwierszowych ....................................................................150 OkreĂlanie definicji niepowtarzalnej strony ................................................................................150 Inteligentne uĝywanie plików cookie .........................................................................................151 UwzglÚdnienie problemów z kodowaniem odnoĂników .............................................................152 Naleĝy uwzglÚdniÊ przekierowania ............................................................................................153 Walidacja zebranych danych .....................................................................................................156 Prawidïowe rejestrowanie operacji w witrynach bogatych w multimedia ....................................157 Trzypoziomowy test „i co z tego?” ..............................................................................157 Kluczowy wskaěnik wydajnoĂci: procent wracajÈcych uĝytkowników ........................................158 Kluczowy wskaěnik wydajnoĂci: gïówne strony wyjĂciowe .........................................................159 Kluczowy wskaěnik wydajnoĂci: wspóïczynnik konwersji dla najczÚĂciej szukanych sïów ...........159 Rozdział 6. Miesiąc 1. Zgłębianie najważniejszych zagadnień z obszaru analizy danych internetowych ................................................ 161 Tydzieñ 1. Przygotowania do zrozumienia podstaw ....................................................162 Poniedziaïek i wtorek: adresy URL ............................................................................................163 ¥roda: parametry adresów URL .................................................................................................164 Czwartek i piÈtek: pliki cookie ..................................................................................................165 Tydzieñ 2. Powrót do podstawowych miar .................................................................168 Poniedziaïek: odwiedziny i uĝytkownicy ....................................................................................168 Wtorek i Ăroda: czas w witrynie .................................................................................................172 Czwartek i piÈtek: liczba wyĂwietleñ stron .................................................................................176 Tydzieñ 3. Poznawanie standardowych raportów .......................................................179 Poniedziaïek i wtorek: wspóïczynnik odrzuceñ ..........................................................................179 Od Ărody do piÈtku: odnoĂniki wejĂciowe — ěródïa i szukane wyraĝenia ...................................182 Tydzieñ 4. Korzystanie z raportów na temat nawigacji i poziomu zawartoĂci witryny ......187 Poniedziaïek i wtorek: listy stron — najczÚĂciej oglÈdanych, wejĂciowych i wyjĂciowych ...........187 ¥roda: najpopularniejsze punkty docelowe (odnoĂniki wyjĂciowe) ..............................................192 Czwartek i piÈtek: nakïadki na witryny (mapy czÚstotliwoĂci klikniÚÊ) ......................................194 13 „ S P I S T R E ¥ C I Rozdział 7. Miesiąc 2. Analiza danych internetowych — szybki start ......................... 201 Wymagania wstÚpne i ramy .......................................................................................202 Tydzieñ 1. Tworzenie podstawowych raportów ..........................................................202 Poniedziaïek: najpopularniejsze ěródïowe adresy URL i najpopularniejsze szukane wyraĝenia ....204 Wtorek: popularnoĂÊ zawartoĂci witryny i wizyty na stronie gïównej .........................................206 ¥roda i czwartek: czÚstotliwoĂÊ klikniÚÊ (nakïadki na witryny) ...................................................208 PiÈtek: wspóïczynnik odrzuceñ witryny .....................................................................................209 Witryna sklepu internetowego — szybki start ...........................................................210 Tydzieñ 2. Pomiar skutków dziaïañ firmy ..................................................................................211 Tydzieñ 3. Ocena wyników na podstawie celów oraz pomiar skutecznoĂci marketingowej i zadowolenia klientów ...........................................................................................................214 Witryna pomocy technicznej — szybki start ..............................................................218 Tydzieñ 2. Wchodzenie w rolÚ klienta i pomiar wpïywu witryny na tradycyjne kanaïy .................. 219 Tydzieñ 3. Pomiar sukcesu na podstawie gïosu lub ocen klientów na poziomie witryny i stron ...... 223 Pomiar blogów — szybki start ...................................................................................226 Tydzieñ 2. PrzezwyciÚĝanie zïoĝonoĂci w celu pomiaru podstaw przy uĝyciu nowych miar .........226 Tydzieñ 3. Konkurencyjny punkt odniesienia oraz pomiar kosztów i zwrotu z inwestycji ...........229 Tydzieñ 4. Refleksje i podsumowanie .........................................................................233 14 „ I C ¥ E R T S I P S Rozdział 8. Miesiąc 3. Analiza w obszarze wyszukiwania — wyszukiwanie wewnętrzne, SEO i PPC ............................................. 235 Tydzieñ 1. Analiza wyszukiwania wewnÚtrznego w witrynie ......................................236 Poniedziaïek: poznawanie wartoĂci wyszukiwania wewnÚtrznego ...............................................236 Wtorek: wykrywanie trendów w wyszukiwaniu wewnÚtrznym ..................................................241 ¥roda: analiza czÚstotliwoĂci klikniÚÊ za pomocÈ nakïadki na witrynÚ ........................................242 Czwartek: pomiar efektywnoĂci wyników wyszukiwania ............................................................243 PiÈtek: pomiar skutków zwiÈzanych z wyszukiwaniem wewnÚtrznym .......................................244 Tydzieñ 2. RozpoczÚcie optymalizacji witryny pod kÈtem wyszukiwarek ....................245 Poniedziaïek: zrozumienie wpïywu odnoĂników i ich optymalizacja ...........................................247 Wtorek: odnoĂniki do publikacji prasowych i witryn spoïecznoĂciowych ....................................247 ¥roda i czwartek: optymalizacja znaczników i zawartoĂci na stronach ........................................248 PiÈtek: dodawanie wskazówek na potrzeby robotów wyszukujÈcych ..........................................249 Tydzieñ 3. Pomiar skutków SEO ................................................................................250 Poniedziaïek: sprawdzanie poziomu zindeksowania witryny .......................................................250 Wtorek: Ăledzenie odnoĂników wejĂciowych i najpopularniejszych szukanych sïów ....................251 ¥roda: oddzielenie naturalnych odnoĂników wejĂciowych od PPC ..............................................254 Czwartek: pomiar wartoĂci naturalnych odnoĂników wejĂciowych .............................................255 PiÈtek: pomiar wpïywu optymalizacji na najpopularniejsze strony .............................................255 Tydzieñ 4. Analiza skutecznoĂci kampanii PPC ..........................................................257 Poniedziaïek: podstawy PPC .....................................................................................................258 Wtorek: pomiar wskaěników zwiÈzanych z ofertami ..................................................................259 ¥roda: definiowanie kluczowych miar wpïywajÈcych na wyniki firmy ........................................260 Czwartek: pomiar liczby niepowtarzalnych uĝytkowników ........................................................260 PiÈtek: najlepsze praktyki tworzenia raportów na temat PPC ....................................................261 Rozdział 9. Miesiąc 4. Pomiar marketingu e-mailowego i wielokanałowego ............... 263 Tydzieñ 1. Podstawy (i nie tylko) marketingu e-mailowego ........................................264 Poniedziaïek: podstawy marketingu e-mailowego ......................................................................264 Wtorek i Ăroda: pomiar podstawowych wskaěników dotyczÈcych odpowiedzi ............................265 Czwartek i piÈtek: pomiar skutków ...........................................................................................266 Tydzieñ 2. Marketing e-mailowy — zaawansowana obserwacja skutków ...................267 Poniedziaïek i wtorek: pomiar efektywnoĂci witryny ..................................................................267 ¥roda: unikanie puïapek w analizie kampanii e-mailowych ........................................................268 Czwartek i piÈtek: integracja kampanii e-mailowej z narzÚdziem do analizy danych internetowych .......................................................................269 Tygodnie 3. i 4. Marketing wielokanaïowy — Ăledzenie skutków i analiza .................270 Tydzieñ 3. Wprowadzenie do marketingu wielokanaïowego i Ăledzenie tradycyjnych kampanii skoncentrowanych na internecie ........................................270 Tydzieñ 4. ¥ledzenie i analizowanie marketingu wielokanaïowego .............................................275 Rozdział 10. Miesiąc 5. Eksperymenty i testy związane z witryną — osiąganie znaczących skutków dzięki uwzględnianiu opinii klientów ..... 283 Tygodnie 1. i 2. Po co testowaÊ i jakie sÈ moĝliwoĂci? ................................................284 Tydzieñ 1. Przygotowania i testy A/B ........................................................................................284 Tydzieñ 2. Poza testy A/B .........................................................................................................289 Tydzieñ 3. Co testowaÊ? Konkretne moĝliwoĂci i pomysïy .........................................296 Poniedziaïek: testowanie waĝnych stron i wezwañ do dziaïania ..................................................296 Wtorek: koncentracja na ruchu z wyszukiwarek ........................................................................298 ¥roda: testowanie treĂci i materiaïów .........................................................................................298 Czwartek: testy cen i promocji ...................................................................................................299 PiÈtek: testowanie kampanii marketingu bezpoĂredniego ..........................................................299 Tydzieñ 4. Tworzenie doskonaïego programu eksperymentów i testów ......................300 Poniedziaïek: hipotezy i okreĂlanie celów ...................................................................................301 Wtorek: testy i walidacja pod kÈtem wielu celów ......................................................................303 ¥roda: przechodzenie od testów prostych do zïoĝonych i radoĂÊ z pracy .....................................304 Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testów .......................................305 PiÈtek: wdraĝanie dwóch kluczowych elementów kaĝdego programu testów .............................306 Rozdział 11. Miesiąc 6. Trzy sekrety praktycznej analizy danych internetowych ............ 311 15 „ S P I S T R E ¥ C I Tydzieñ 1. Wykorzystanie punktów odniesienia i celów do motywowania do dziaïañ ....................................................................................312 Poniedziaïek i wtorek: znaczenie punktów odniesienia i ustalania celów .....................................312 ¥roda: wykorzystywanie zewnÚtrznych punktów odniesienia .....................................................314 Czwartek: wykorzystywanie wewnÚtrznych punktów odniesienia ..............................................317 PiÈtek: zachÚcanie i ustalanie celów ...........................................................................................320 Tydzieñ 2. Opracowywanie skutecznych raportów podsumowujÈcych dla zarzÈdu .....323 Poniedziaïek: udostÚpnianie kontekstu — punkty odniesienia, segmenty i trendy .....................324 Wtorek: wyodrÚbnianie kilku kluczowych miar .........................................................................326 ¥roda: nie poprzestawaj na miarach — doïÈcz teĝ wnioski .........................................................327 Czwartek: ograniczanie raportu podsumowujÈcego do jednej strony ..........................................328 PiÈtek: wyglÈd ma znaczenie .....................................................................................................329 Tydzieñ 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programów opartych na raportach podsumowujÈcych ................................................................330 Poniedziaïek: wybór miar zgodnych z modelem Trinity pod kÈtem dalekiej perspektyw ............330 Wtorek: tworzenie istotnych raportów podsumowujÈcych .........................................................333 ¥roda: jedna miara — jeden wïaĂciciel .......................................................................................334 Czwartek: od sïów do czynów ....................................................................................................334 PiÈtek: pomiar skutecznoĂci raportów podsumowujÈcych ..........................................................336 Tydzieñ 4. Stosowanie podejĂcia Six Sigma i doskonaïoĂci procesu w analizie danych internetowych .............................................................................336 Poniedziaïek: wszystko jest procesem ........................................................................................337 Od wtorku do czwartku: stosowanie procesu DMAIC ...............................................................342 PiÈtek: analiza zdobytej wiedzy .................................................................................................346 16 „ I C ¥ E R T S I P S Rozdział 12. Miesiąc 7. Analizy konkurencji i witryn z nurtu Web 2.0 ........................... 347 Analizy konkurencji ...................................................................................................348 Tydzieñ 1. Raporty na temat ruchu w konkurencyjnych witrynach ............................................349 Tydzieñ 2. Raporty na temat wyszukiwarek ..............................................................................354 Analizy witryn z nurtu Web 2.0 .................................................................................365 Tydzieñ 3. Pomiar sukcesu bogatych aplikacji internetowych ....................................................366 Tydzieñ 4. Pomiar sukcesu ěródeï RSS .......................................................................................371 Rozdział 13. Miesiąc 8. i następne. Rozwiewanie mitów z obszaru analizy danych internetowych ................................................ 381 Do czego sïuĝÈ analizy Ăcieĝek? Do niczego ................................................................382 Problemy w obszarze analizy Ăcieĝek ..........................................................................................383 Inna moĝliwoĂÊ — raport sekwencji grup stron .........................................................................385 Wspóïczynnik konwersji — bezwartoĂciowa obsesja ...................................................388 Problemy zwiÈzane ze wspóïczynnikiem konwersji ....................................................................389 Inna moĝliwoĂÊ — wspóïczynnik ukoñczenia zadañ ze wzglÚdu na gïówny cel ..........................391 Perfekcja — umarïa doskonaïoĂÊ, niech ĝyje doskonaïoĂÊ ...........................................393 Doskonaïe dane .........................................................................................................................394 Z prÚdkoĂciÈ sieci WWW .........................................................................................................395 Fragmentaryczne dane z wielu ěródeï ........................................................................................396 Dane w czasie rzeczywistym — nieznaczÈce i kosztowne ............................................396 Efekty dostÚpu do danych w czasie rzeczywistym ......................................................................397 Lista kontrolna do okreĂlania gotowoĂci na dane w czasie rzeczywistym .....................................398 Standardowe wskaěniki KPI — mniej znaczÈce, niĝ sÈdzisz ........................................401 Rozdział 14. Zagadnienia zaawansowane — analiza danych internetowych ze wspomaganiem ............................................................................... 405 Odblokowywanie potÚgi istotnoĂci statystycznej ........................................................406 Wykorzystanie zdumiewajÈcej potÚgi segmentacji ......................................................408 Segmentacja na podstawie wspóïczynnika odrzuceñ ...................................................................410 Segmentacja na podstawie wyszukiwarek ..................................................................................410 ’Èczenie danych na temat wyszukiwarek i ucieczek ...................................................................411 OkreĂlanie trendów w segmentach ............................................................................................412 „Zrozumiaïe” analizy i raporty ....................................................................................414 Uĝywanie ïadnych rysunków .....................................................................................................414 Uĝywanie zrozumiaïego jÚzyka ..................................................................................................415 Najlepsze praktyki przy obliczaniu wspóïczynnika konwersji ......................................418 Pomijanie ogólnego wspóïczynnika konwersji dla caïej witryny .................................................420 UwzglÚdnianie trendów i sezonowoĂci .......................................................................................420 Zrozumienie strategii pozyskiwania klientów przez witrynÚ i firmÚ ............................................421 Pomiar wspóïczynnika konwersji z podziaïem na piÚÊ najwaĝniejszych wejĂciowych adresów URL ......................................................................................................422 Rezygnacja z pomiaru wspóïczynnika konwersji dla stron i odnoĂników .....................................422 Obsesyjna segmentacja ..............................................................................................................423 Przedstawianie przychodów obok wspóïczynnika konwersji .......................................................424 Pomiar wspóïczynnika konwersji pod kÈtem celu ......................................................................424 Usprawnianie analiz z obszaru SEM i PPC ..................................................................426 Pomiar wspóïczynnika odrzuceñ (zagregowanego i wedïug najpopularniejszych szukanych wyraĝeñ) ........................................427 Kontrola usïugodawców i agencji ..............................................................................................428 Pomiar wspóïczynnika kanibalizacji ruchu naturalnego przez kampanie PPC .............................429 Agresywne stosowanie testów i eksperymentów .........................................................................430 Zrozumienie wielu celów klientów .............................................................................................431 Pomiar cudownego wspóïczynnika rezygnacji .............................................................432 Stosowanie segmentacji do wspóïczynnika rezygnacji .................................................................433 WyciÈganie praktycznych wniosków i podejmowanie dziaïañ ....................................................435 Pomiar liczby dni i wizyt do zakupu ...........................................................................436 Jak mierzyÊ omawiane wskaěniki? .............................................................................................438 WyciÈganie praktycznych wniosków i podejmowanie dziaïañ ....................................................439 Wykorzystanie statystycznych limitów kontrolnych ...................................................441 Obliczanie limitów kontrolnych .................................................................................................444 Praktyczny przykïad zastosowania limitów kontrolnych ............................................................444 Pomiar rzeczywistego zakresu moĝliwej poprawy .......................................................447 UwzglÚdnianie wspóïczynnika odrzuceñ ....................................................................................448 Odfiltrowywanie „wizyt” robotów wyszukujÈcych i oprogramowania do kontroli witryny oraz bïÚdów 404 i ĝÈdañ rysunków .........................................................................................449 UwzglÚdnienie celów klientów ..................................................................................................450 Podejmowanie dziaïañ ...............................................................................................................452 17 „ S P I S T R E ¥ C I Rozdział 15. Budowanie kultury opartej na danych — praktyczne kroki i najlepsze praktyki ................................................... 457 Kluczowe umiejÚtnoĂci menedĝerów kierowników dziaïu analizy danych internetowych ..................................................458 Prawdziwa pasja ........................................................................................................................459 Akceptacja i dÈĝenie do zmian ...................................................................................................459 Kwestionowanie danych aĝ do przesady .....................................................................................460 Nastawienie na innowacje pod kÈtem klienta ............................................................................460 Niekoniecznie „mistrzowie liczb” ...............................................................................................461 Naturalne zdolnoĂci biznesowe i rozsÈdek ..................................................................................461 Wybitne umiejÚtnoĂci interpersonalne .......................................................................................462 Kiedy i jak zatrudniaÊ konsultantów oraz ekspertów wewnÚtrznych? .........................462 Etap 1. Narodziny .....................................................................................................................464 Etap 2. Od niemowlÚcia do nastolatka .......................................................................................465 Etap 3. Szalona mïodoĂÊ ............................................................................................................467 Etap 4. DojrzaïoĂÊ — po trzydziestce ........................................................................................469 Siedem etapów budowania kultury podejmowania decyzji na podstawie danych .........471 WyjĂcie od wyników (skutków) .................................................................................................471 Zrozumienie, ĝe raporty to nie analizy, i promowanie tych ostatnich .........................................472 Bezosobowe podejmowanie decyzji ............................................................................................473 Zachowania proaktywne zamiast reaktywnych ..........................................................................474 Duĝe uprawnienia dla analityków ..............................................................................................475 Stosowanie podejĂcia Trinity ......................................................................................................475 MyĂlenie w kategoriach procesu ................................................................................................476 Skorowidz ........................................................................................... 479 18 „ I C ¥ E R T S I P S Web Analytics dziĂ i jutro 20 marca 2007 roku wyszukiwanie wyraĝenia „web analytics” + definition w wyszukiwarce Google daïo 642 000 wyników w 0,11 sekundy. Potwierdza to zïoĝonoĂÊ i dïugÈ historiÚ tej wspaniaïej dziedziny (oraz szybkoĂÊ generowania wyników przez wyszukiwarkÚ Google). Rozdziaá 1[SR1] 31 „ W E B A N A L Y T I C S D Z I ¥ I J U T R O Stowarzyszenie Web Analytics Association (http://www.webanalyticsassociation.org) zaproponowaïo niedawno standardowÈ definicjÚ analizy danych internetowych: Analiza danych internetowych to obiektywne Ăledzenie, zbieranie, mierzenie, tworzenie raportów i analizowanie iloĂciowych danych internetowych w celu optymalizacji witryn oraz internetowych kampanii marketingowych. Analiza danych internetowych ma swe poczÈtki w latach 90. Jednak jej pierwszÈ standardowÈ definicjÚ (przedstawionÈ powyĝej) zaproponowano dopiero w roku 2006, co pokazuje, jak mïoda jest to dziedzina. Krótka historia analizy danych internetowych W poczÈtkowym okresie istnienia internetu korzystanie z niego byïo stosunkowo proste. Uĝytkownik wpisywaï adres i ujednolicony lokalizator zasobu (ang. Uniform Resource Locator — URL), otrzymywaï plik z tekstem i odnoĂnikami, po czym caïa interakcja siÚ koñczyïa. ¿ycie byïo wtedy proste. Zauwaĝono, ĝe czasem pojawiaïy siÚ bïÚdy, które powodowaïy, ĝe nie moĝna byïo udostÚpniÊ pliku, lub ĝe zawieraï on nieprawidïowe odnoĂniki. Wtedy to sprytni ludzie wymyĂlili dzienniki serwera do rejestrowania bïÚdów i wykorzystali je do wyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizyta odpowiadaïa po prostu ĝÈdaniu zwrócenia pliku). Wspomniane dzienniki serwera rejestrowaïy nie sam fakt odwiedzin uĝytkownika w witrynie, ale takĝe dodatkowe informacje: nazwÚ pliku, czas, ěródïo ĝÈdania (witrynÚ lub stronÚ internetowÈ), adres IP, identyfikator przeglÈdarki, nazwÚ systemu operacyjnego i tak dalej. Praca stawaïa siÚ coraz ciekawsza, poniewaĝ moĝna byïo dowiedzieÊ siÚ czegoĂ o ěródle ĝÈdania. Wraz z powiÚkszaniem siÚ dzienników i wzrostem zainteresowania danymi osób spoza Ăwiata techniki jeszcze sprytniejsza osoba napisaïa pierwszy skrypt, który automatycznie przetwarzaï pliki dziennika i wyĂwietlaï podstawowe wskaěniki (rysunek 1.1). W ten sposób narodziïa siÚ analiza danych internetowych. 32 „ O R T U J I ¥ I Z D S C I T Y L A N A B E W : 1 ’ A I Z D Z O R Rysunek 1.1. Prosty raport programu Analog w wersji 0.9 (beta) Program Analog napisany przez doktora Stephena Turnera w 1995 roku byï pierwszÈ aplikacjÈ do analizy plików dziennika powszechnie dostÚpnÈ w sieci WWW. WciÈĝ jest to jedno z najczÚĂciej uĝywanych narzÚdzi do analizy danych internetowych i jest zainstalowane w witrynach wiÚkszoĂci dostawców usïug internetowych (ang. Internet Service Provider — ISP). Analog i podobne mu programy uïatwiïy rozpowszechnienie siÚ analizy danych internetowych poza dziaïy informatyczne firm. Raporty byïy coraz ïadniejsze, a pracownicy z dziaïu marketingu mogli wreszcie zrozumieÊ, co siÚ dzieje w witrynie. W latach 1995 – 96 standardowi uĝytkownicy internetu mogli zetknÈÊ siÚ ze statystykami z uwagi na rozpowszechnienie siÚ wspaniaïego narzÚdzia nazywanego licznikiem. Liczniki odwiedzin na stronach byïy prawdopodobnie pierwszym przykïadem sieciowego marketingu wirusowego (ich wprowadzenie przypisywane jest firmie Web-Counter). Liczniki pojawiïy siÚ w kaĝdym miejscu sieci WWW. Byïy ciekawe, a zarazem informowaïy o popularnoĂci strony. Komercyjna analiza danych internetowych rozpoczÚïa siÚ kilka lat póěniej, a jej najbardziej znanym owocem byï program WebTrends. Aplikacja ta opieraïa siÚ na wzbogaconym parserze standardowych plików dziennika, jednak co jeszcze waĝniejsze, generowaïa tabele i eleganckie wykresy, które ostatecznie wprowadziïy analizÚ danych internetowych do zespoïów biznesowych (przykïadowe dane wyjĂciowe programu WebTrends przedstawia rysunek 1.2). Rysunek 1.2. Przykładowy raport programu WebTrends Do roku 2000, kiedy to popularnoĂÊ sieci WWW wciÈĝ rosïa w tempie wykïadniczym, analiza danych internetowych staïa siÚ ugruntowanÈ dziedzinÈ badañ. Kluczowymi dostawcami usïug w tej branĝy byli Accrue, WebTrends, WebSideStory i Coremetrics. Firmy te udostÚpniaïy coraz bardziej zaawansowane rozwiÈzania, które generowaïy olbrzymie iloĂci danych. Mniej wiÚcej w tym samym czasie usïugodawcy i klienci w branĝy analizy danych internetowych odkryli, ĝe dzienniki serwera niekoniecznie sÈ optymalnym ěródïem informacji. Stosowanie dzienników wiÈzaïo siÚ z nastÚpujÈcymi problemami: Zapisywanie stron w pamiÚci podrÚcznej przez dostawców usïug internetowych. Problem ten polega na tym, ĝe po utworzeniu kopii strony na serwerze dostawcy 33 „ K R Ó T K A H I S T O R I A A N A L I Z Y D A N Y C H I N T E R N E T O W Y C H 34 „ O R T U J I ¥ I Z D S C I T Y L A N A B E W : 1 ’ A I Z D Z O R usïug internetowych wszystkie nastÚpne ĝÈdania powodujÈ zwrócenie wïaĂnie jej, a operacje te nie sÈ rejestrowane w plikach dziennika witryny. Roboty wyszukujÈce. Wraz z rosnÈcÈ popularnoĂciÈ wyszukiwarek roboty wyszukujÈce czÚsto przeglÈdajÈ witryny i pozostawiajÈ w dziennikach wpisy niezwiÈzane z odwiedzinami uĝytkowników. Te wpisy takĝe sÈ uwzglÚdniane we wskaěnikach. ChoÊ moĝna odfiltrowaÊ odwiedziny robotów, trudno jest nadÈĝyÊ z rejestrowaniem ich wszystkich, a ponadto stajÈ siÚ one coraz „sprytniejsze”. Niepowtarzalni uĝytkownicy. Poniewaĝ coraz wiÚcej osób ma dynamicznie przypisywany adres IP i odwiedza strony przy uĝyciu serwerów poĂredniczÈcych, trudno jest okreĂliÊ liczbÚ niepowtarzalnych uĝytkowników. Dostawcy uciekajÈ siÚ do uĝywania adresu IP w poïÈczeniu z identyfikatorem agenta (identyfikator ten obejmuje system operacyjny i przeglÈdarkÚ uĝytkownika), jednak takĝe to rozwiÈzanie nie jest doskonaïe. Moĝna teĝ zastosowaÊ pliki cookie ustawiane przez witrynÚ, jednak nie wszystkie dziaïy informatyczne korzystajÈ z tej techniki. Z tych i innych przyczyn nowym standardem zbierania danych na temat uĝytkowania witryny staïy siÚ znaczniki JavaScript (wiersze kodu w tym jÚzyku). Jest to duĝo prostsza technika. Wystarczy dodaÊ do kaĝdej strony kilka wierszy kodu JavaScript, który zostanie uruchomiony po wczytaniu strony i przeĂle dane do rejestrujÈcego je serwera. Poniĝej przedstawiono przykïadowy kompletny znacznik JavaScript uĝywany przez Crazy Egg — nowÈ firmÚ ĂwiadczÈcÈ usïugi w obszarze analizy danych internetowych: script type= text/javascript // ![CDATA[ document.write( scr + ipt src= http://crazyegg.com/pages/scripts/1111.js? + (new Date()).getTime()+ ~CAtype= text/javascript /scr + ipt ); //]] /script Pliki dziennika oparte na kodzie JavaScript sÈ ïatwiejsze w konserwacji niĝ pliki dziennika serwera. PowodujÈ takĝe, ĝe za zbieranie i przetwarzanie danych zazwyczaj odpowiadajÈ nie wewnÚtrzne, firmowe dziaïy informatyczne, ale dostawcy usïug z obszaru analizy danych internetowych. Uïatwia to proces analizy. Znaczniki JavaScript upraszczajÈ takĝe wprowadzanie innowacji, rejestrowanie nowych rodzajów danych i obsïugÚ plików cookie w celu Ăledzenia aktywnoĂci uĝytkowników. Obecnie usïugodawcy mogÈ samodzielnie wykonywaÊ te operacje, zamiast kontaktowaÊ siÚ z dziaïem informatycznym firmy. Uwaga: Za znacznikami JavaScript także związane są pewne problemy omówione szczegółowo w rozdziale 2., „Zbieranie danych — znaczenie i możliwości”. NastÚpnym krokiem w ewolucji analizy danych internetowych byïo wprowadzenie nakïadek na witrynÚ (ang. site overlay), nazywanych teĝ rozkïadem czÚstotliwoĂci klikniÚÊ. DziÚki tej technice osoby odpowiedzialne za podejmowanie decyzji mogÈ po prostu otworzyÊ w przeglÈdarce stronÚ internetowÈ, którÈ chcÈ poddaÊ analizie, zamiast przetwarzaÊ zïoĝone zbiory danych i przeglÈdaÊ tabele peïne informacji. PrzeglÈdarka lub aplikacja do analizy danych internetowych wyĂwietla wtedy przez okreĂlony czas miejsca o najwiÚkszej liczbie klikniÚÊ. Upowszechniïo to znacznie czynnoĂci bÚdÈce wczeĂniej domenÈ analityków danych internetowych. ZwiÚkszyïo to teĝ czÚstoĂÊ korzystania z rozwiÈzañ analitycznych, poniewaĝ wszyscy mogli w bardzo prosty sposób — patrzÈc na liczbÚ klikniÚÊ — zrozumieÊ, co dzieje siÚ na stronie. Rysunek 1.3 pokazuje, jak ïatwo jest dokonaÊ segmentacji caïego ruchu w witrynie, wydzielajÈc odwiedziny z wyszukiwarki Google, oraz zaobserwowaÊ róĝnice w korzystaniu z odnoĂników przez róĝne grupy. Pozwala to ustaliÊ, czego szukajÈ dwa segmenty uĝytkowników. Rysunek 1.3. Raport ClickTracks w postaci nakładki na stronę (podzielony na wszystkich użytkowników i odwiedziny z wyszukiwarki Google) Obecnie w branĝy analizy danych internetowych dziaïajÈ cztery duĝe firmy: Coremetrics, Omniture, WebTrends i WebSideStory. Jest teĝ wielu Ărednich dostawców, na przykïad Unica, indexTools i ClickTracks, oraz liczne podstawowe rozwiÈzania, takie jak produkty o otwartym dostÚpie do kodu ěródïowego AWStats, Webalizer i StatCounter. Duĝy wpïyw na branĝÚ analizy danych internetowych miaïa firma Google, która w 2005 roku kupiïa produkt Urchin, a w 2006 udostÚpniïa go bezpïatnie pod nazwÚ Google Analytics. Obecnie uĝytkownicy mogÈ bezpïatnie korzystaÊ z pierwszorzÚdnych analiz danych internetowych. Trudno jest okreĂliÊ liczbÚ osób stosujÈcych Google Analytics. WiÚkszoĂÊ analityków szacuje jÈ na ponad póï miliona 35 „ K R Ó T K A H I S T O R I A A N A L I Z Y D A N Y C H I N T E R N E T O W Y C H 36 „ O R T U J I ¥ I Z D S C I T Y L A N A B E W : 1 ’ A I Z D Z O R w ciÈgu pierwszych szeĂciu miesiÚcy. Zgodnie z powszechnymi oczekiwaniami Microsoft wkrótce pójdzie w Ălady Google i takĝe udostÚpni bezpïatne narzÚdzie do analizy danych internetowych. Tempo wprowadzania innowacji w Ăwiecie analizy danych internetowych nie maleje. WciÈĝ pojawiajÈ siÚ nowsze i ïatwiejsze sposoby wizualizacji zïoĝonych zbiorów danych na temat interakcji uĝytkowników z witrynÈ. JednÈ z takich technik jest mapa klikniÚÊ udostÚpniana przez firmÚ Crazy Egg (rysunek 1.4). W czasie kiedy powstawaïa ta ksiÈĝka, wspomniana usïuga byïa dostÚpna w wersji beta. NarzÚdzie to przedstawia grupy klikniÚÊ na witrynie internetowej i ich liczebnoĂÊ za pomocÈ kolorów. Im jaĂniejszy kolor, tym wiÚcej klikniÚÊ koncentruje siÚ wokóï danego miejsca lub odnoĂnika. Rysunek 1.4. Raport w postaci mapy kliknięć udostępniany przez Crazy Egg Obecne warunki i wyzwania Analiza danych internetowych wciÈĝ znajduje siÚ w wieku szczeniÚcym. Dorosïa nieco od momentu narodzin i w pewnym sensie potrafi sama przetrwaÊ, jednak w przyszïoĂci naleĝy spodziewaÊ siÚ jeszcze znacznego rozwoju i licznych zmian. Temu procesowi towarzyszy obecnie niezwykïy splot wydarzeñ. Od dïugiego czasu firmy ponosiïy znaczne inwestycje na witryny internetowe, poniewaĝ wszyscy tak postÚpowali i byïo to modne. W ciÈgu kilku ostatnich lat sieÊ WWW „dojrzaïa” i jest kanaïem biznesowym uĝywanym przez wiÚkszoĂÊ firm. Nagle okazaïo siÚ, ĝe kanaï ten podlega tym samym prawom ekonomicznym co inne (na przykïad sprzedaĝ telefoniczna lub zwykïe sklepy). Od czasu znacznego wzrostu popularnoĂci sieci WWW prowadzone sÈ coraz dokïadniejsze analizy, a firmy wymagajÈ od osób odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonych na ten kanaï. To podejĂcie wymaga wielu zmian w funkcjonowaniu tego kanaïu i dziaïaniach osób nim zarzÈdzajÈcych, które muszÈ przeprowadzaÊ liczne badania, aby wykazaÊ siÚ wynikami. Nawet obecnie wiele osób utoĝsamia analizÚ danych internetowych z badaniami strumieni klikniÚÊ. ChoÊ jest to zupeïnie bïÚdne podejĂcie, dla wiÚkszoĂci praktyków strumienie klikniÚÊ to podstawa przy podejmowaniu decyzji zwiÈzanych z witrynÈ. Poniewaĝ te strumienie obejmujÈ tylko czÚĂÊ danych internetowych, liczne firmy sÈ rozczarowane brakiem praktycznych wniosków mimo inwestycji ponoszonych przez lata na narzÚdzia do analizy takich danych. DostÚpnych jest mnóstwo danych i jeszcze wiÚcej raportów, jednak w myĂlach osób odpowiedzialnych za podejmowanie decyzji wciÈĝ pojawia siÚ pewne stwierdzenie: „Dane nie powiedzÈ mi, co mam robiÊ”. W czasie boomu internetowego na rynku dziaïaïo okoïo 200 usïugodawców o róĝnej wielkoĂci. Od momentu zaïamania w branĝy nastÈpiïa konsolidacja. Ekosystem firm zajmujÈcych siÚ analizÈ danych internetowych jest zdominowany przez usïugodawców, którzy starajÈ siÚ uzyskaÊ przewagÚ konkurencyjnÈ, oferujÈc coraz wiÚcej funkcji. Zdominowali oni branĝÚ i okreĂlajÈ postrzeganie Ăwiata analiz (przy czym w praktyce jest to Ăwiat raportów). Brak wpïywu praktyków na strategiÚ i kierunek rozwoju ma negatywne skutki dla branĝy. Standardowe techniki, na przykïad innowacje pod kÈtem klienta (ang. customer-driven innovation — CDI), nigdy nie zostaïy przyjÚte w Ăwiecie analizy danych internetowych. WiÚkszoĂÊ postÚpów wynika z innowacji opartych na moĝliwoĂciach (ang. possibility-driven innovation — PDI), na przykïad: „Co jeszcze moĝemy zrobiÊ z zebranymi danymi? Wprowaděmy innowacje na tej podstawie”. W branĝy wyraěnie widaÊ brak wiedzy praktycznej. Co waĝniejsze, nie ma teĝ ludzi i podejĂÊ, które umoĝliwiïyby firmom internetowym wyciÈganie praktycznych wniosków pozwalajÈcych na strategiczne odróĝnienie siÚ od konkurencji. Uniwersytety i inne szkoïy nie uczÈ praktycznej analizy danych internetowych. Istnieje tylko jeden kurs internetowy na ten temat, prowadzony przez University of British Columbia. Te braki w poïÈczeniu z nadmiarem danych (w kategoriach danych surowych, które moĝna uzyskaÊ w sieci WWW) prowadzÈ do nieoptymalnych rozwiÈzañ przy przedstawianiu firmom praktycznych wniosków. Ruch Web 2.0 i powiÈzane z nim technologie coraz czÚĂciej sÈ czymĂ oczekiwanym przez klientów. Ta zmiana to powaĝna przeszkoda dla wiÚkszoĂci obecnych rozwiÈzañ i usïugodawców z obszaru analizy danych internetowych. W Ăwiecie Web 2.0 jeszcze waĝniejsze sÈ szybkie zmiany w podejĂciu i opracowanie strategii skutecznej analizy danych internetowych. Na przykïad w Web 2.0 typowe strumienie klikniÚÊ nie sÈ zbyt istotne, poniewaĝ kaĝda nowinka powoduje powolne odchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wiÚc moĝna zmierzyÊ sukces w takich warunkach? Wraz z pojawieniem siÚ programu Google Analytics rynek wprost eksplodowaï, poniewaĝ wszyscy wïaĂciciele witryn mogÈ bezpïatnie uzyskaÊ dostÚp do danych internetowych i do tego za pomocÈ zaawansowanych narzÚdzi. Oczekiwane darmowe 37 „ K R Ó T K A H I S T O R I A A N A L I Z Y D A N Y C H I N T E R N E T O W Y C H 38 „ O R T U J I ¥ I Z D S C I T Y L A N A B E W : 1 ’ A I Z D Z O R narzÚdzie Microsoftu dodatkowo zwiÚkszy moĝliwoĂci praktyków. Jednak sam dostÚp do narzÚdzi i danych nie rozwiÈĝe problemów zwiÈzanych z wyborem wskaěników powodzenia i prawidïowÈ analizÈ danych internetowych. Obecnie analitycy danych internetowych mogÈ korzystaÊ z wiÚkszej iloĂci danych niĝ kiedykolwiek wczeĂniej: x x Analiza konkurencyjnoĂci pozwala nie tylko okreĂliÊ, co dzieje siÚ w witrynie, ale takĝe (za drobnÈ opïatÈ) ustaliÊ, jak dziaïajÈ witryny konkurencji. Dane jakoĂciowe (uĝytecznoĂÊ, ankiety, bezpoĂrednia obserwacja) zapewniajÈ informacje o wpïywie kanaïu internetowego na inne kanaïy (warto zastanowiÊ siÚ nad systemami CRM). Wraz z rozwojem analizy danych internetowych — od narodzin do obecnego okresu niemowlÚcego — uĝytkownicy mieli dostÚp do coraz wiÚkszej iloĂci zïoĝonych danych. W prawie kaĝdym narzÚdziu analitycznym za pomocÈ jednego klikniÚcia moĝna wyĂwietliÊ setki miar. RosnÈca iloĂÊ danych zwiÚksza moĝliwoĂci w obszarze analiz i dziaïañ, ale jednoczeĂnie moĝe okazaÊ siÚ puïapkÈ, prowadzÈc do paraliĝu analitycznego. Firmy dziaïajÈce w sieci WWW wydajÈ miliony dolarów na analizÚ danych internetowych, dÈĝÈc do optymalnego wykorzystania setek milionów dolarów wydawanych na kampanie marketingowe i witryny internetowe, które z kolei majÈ doprowadziÊ do uzyskania miliardów dolarów zysków. Podstawowym problemem przy tworzeniu ankiet, priorytetów marketingowych, studiów przypadków i list ĝyczeñ jest moĝliwoĂÊ dokïadnego pomiaru danych w celu podjÚcia optymalnych decyzji zwiÈzanych ze spoĝytkowaniem setek milionów dolarów wydawanych przez firmy. Najgorsze jest to, ĝe wiÚkszoĂÊ firm próbuje rozwiÈzaÊ ten problem w bïÚdny sposób. Tradycyjna analiza danych internetowych to przeszłość W audycji podcast z witryny Internet Marketing Voodoo z marca 2006 roku stwierdziïem, ĝe tradycyjna analiza danych internetowych jest martwa. To samo mogïem powiedzieÊ juĝ dwa lata wczeĂniej. Analiza danych internetowych opieraïa siÚ poczÈtkowo na dziennikach serwerów sieciowych, które zawieraïy gïównie informacje techniczne, a nie biznesowe. Z uwagi na wyjÈtkowÈ ĂcieĝkÚ rozwoju obecnie liczne narzÚdzia do analizy danych internetowych i podejĂcie wiÚkszoĂci firm koncentrujÈ siÚ na analizie strumieni klikniÚÊ. Rysunek 1.5 ilustruje typowÈ analizÚ danych internetowych w przeszïoĂci. DziÚki narzÚdziom do analizy danych internetowych moĝna bïyskawicznie uzyskaÊ dostÚp do olbrzymich iloĂci danych, miar, kluczowych wskaěników wydajnoĂci i innych liczb. Istnieje wielu uĝytkowników i dostawców takich usïug oraz dobrze ugruntowany system pracy i myĂlenia zwiÈzany z przedstawianiem tych danych. 39 „ K R Ó T K A H I S T O R I A A N A L I Z Y D A N Y C H I N T E R N E T O W Y C H Rysunek 1.5. Mnóstwo miar i kluczowych wskaźników wydajności dostępnych po kliknięciu przycisku Jak wiÚc wyglÈda tradycyjny Ăwiat analizy danych internetowych? JeĂli firma korzysta z jednej z poniĝszych przykïadowych miar, prawdopodobnie funkcjonuje wïaĂnie w tym Ăwiecie: Liczba wyĂwietleñ stron. JeĂli firma prowadzi witrynÚ sklepu internetowego (a takĝe wiÚkszoĂÊ innych witryn), to czy wysoka liczba wyĂwietleñ stron przez uĝytkownika jest korzystna, czy nie? JeĂli nawigacja sprawia problemy, uĝytkownicy bÚdÈ czÚsto wyĂwietlaÊ strony, ale nic nie kupiÈ. JeĂli nawigacja jest doskonaïa, wyĂwietleñ stron bÚdzie mniej, jednak moĝliwe, ĝe uĝytkownicy szybciej stwierdzÈ, iĝ ceny nie sÈ konkurencyjne, dlatego opuszczÈ witrynÚ. Jak moĝna na podstawie samej liczby wyĂwietleñ stron stwierdziÊ, jak zachowujÈ siÚ uĝytkownicy? Ponadto jaki wzorzec zachowañ klientów jest korzystny ze wzglÚdu na ten wskaěnik? Liczba wizyt. KiedyĂ wizyty sïuĝyïy do Ăledzenia liczby ĝÈdañ danych kierowanych do serwera. Wtedy moĝna byïo utoĝsamiaÊ wizyty z ĝÈdaniem strony lub treĂci. WiÚcej wizyt oznaczaïo wiÚkszÈ popularnoĂÊ, a na bardzo wczesnym etapie rozwoju internetu — takĝe wiÚkszÈ liczbÚ uĝytkowników. Obecnie wizyty majÈ bardzo maïe znaczenie z uwagi na liczbÚ obrazów i multimediów umieszczanych na stronach. ¿Èdanie typowej strony powoduje 25 wizyt na serwerze. Co naprawdÚ mierzy analityk, ĂledzÈc liczbÚ wizyt? ¿Èdania o dane kierowane do serwera? LiczbÚ wyĂwietlanych stron? LiczbÚ osób odwiedzajÈcych witrynÚ? Strony z najwiÚkszÈ liczbÈ wyjĂÊ. O czym informuje analityka to, na której stronie internetowej odwiedzajÈcy najczÚĂciej opuszczajÈ witrynÚ? Czy takie strony sÈ gorsze od innych? Przecieĝ moĝliwe, ĝe sÈ to doskonaïe strony, na których uĝytkownicy znajdujÈ to, czego szukajÈ, dlatego mogÈ opuĂciÊ witrynÚ. JeĂli klient bÚdzie szukaï aparatu cyfrowego Sony w witrynie Amazon.com i znajdzie to, co go interesuje, wyjdzie z witryny. Podobnie zrobiÈ osoby generujÈce 99 ruchu w tej witrynie. 40 „ O R T U J I ¥ I Z D S C I T Y L A N A B E W : 1 ’ A I Z D Z O R Wskaěnik opuszczania witryny nie informuje o tym, czy poziom poszczególnych stron jest wysoki, czy niski. Zaangaĝowanie. Podobne zastrzeĝenia dotyczÈ zaangaĝowania, które czÚsto oblicza siÚ jako liczbÚ sesji podzielonÈ przez liczbÚ niepowtarzalnych uĝytkowników. JeĂli wiele osób ponownie odwiedza witrynÚ, czy dzieje siÚ tak dlatego, ĝe nie mogÈ znaleěÊ szukanych treĂci, czy z uwagi na to, iĝ jest to najpiÚkniejsza witryna na Ăwiecie ze wspaniaïymi informacjami? RozdzielczoĂÊ ekranu uĝytkowników. RozdzielczoĂÊ ekranu to doskonaïy przykïad niepotrzebnego wskaěnika, który ma bardzo niewielkÈ wartoĂÊ. Kaĝde narzÚdzie do analizy danych internetowych informuje o rozdzielczoĂci ekranu, a miara ta pojawia siÚ w codziennych raportach, choÊ rzadko zmienia siÚ czÚĂciej niĝ raz na szeĂÊ miesiÚcy. Mimo to analitycy obliczajÈ jÈ caïy czas, co rozprasza usïugobiorców i powoduje nieoptymalne wykorzystanie czasu. Ponadto czy nie lepiej po prostu uĝyÊ badañ firmy Forrester Research lub Gartner na temat najnowszych trendów w danej branĝy i na tej podstawie okreĂliÊ optymalnÈ wielkoĂÊ strony? Wszystkie te wskaěniki majÈ o czymĂ informowaÊ, jednak w praktyce tego nie robiÈ. Co gorsza, zwykle prowadzÈ do bïÚdnych wniosków. Po wydaniu mnóstwa pieniÚdzy na zakup narzÚdzi i poniesieniu jeszcze wiÚkszych nakïadów na uzyskanie raportów firmy majÈ maïo informacji na temat zwrotu z inwestycji lub opinii uĝytkowników na temat korzystania z witryny. Lata frustracji wynikajÈcej z niemoĝnoĂci zrozumienia danych i podejmowania dziaïañ na ich podstawie doprowadziïy do upadku tradycyjnej analizy danych internetowych. Nie udaïo siÚ dziÚki niej rozwiÈzaÊ problemów ani firm, ani ich klientów, poniewaĝ nie prowadziïa do praktycznych wniosków. Jak powinna wyglądać analiza danych internetowych? W omawianej branĝy zachodzÈ wïaĂnie istotne zmiany. Analiza danych internetowych nie jest juĝ tÈ samÈ dziedzinÈ co dawniej. Nowy Ăwiat analiz prowadzÈcych do praktycznych wniosków obejmuje nie tylko strumienie klikniÚÊ. Istotne sÈ takĝe dane na temat skutków. Dane te zwykle moĝna zarejestrowaÊ za pomocÈ znaczników JavaScript, jednak czasem pomiary te wymagajÈ wykazania siÚ kreatywnoĂciÈ. Obecnie waĝna jest teĝ analiza jakoĂciowa: dlaczego odwiedzajÈcy zachowujÈ siÚ w okreĂlony sposób i dlaczego korzystajÈ z witryny? Rozwój analizy danych internetowych powoduje, ĝe wïaĂciciele witryn majÈ duĝo wiÚksze moĝliwoĂci w zakresie wysïuchiwania uĝytkowników. Analizy obejmujÈ obecnie bardziej istotne dane i pozwalajÈ zrozumieÊ, jakie dziaïania naleĝy podjÈÊ. DziÚki nowemu podejĂciu kanaï internetowy moĝe okazaÊ siÚ skutecznym narzÚdziem dla firm, które wczeĂniej z niego nie korzystaïy. PodstawÈ tradycyjnej analizy danych internetowych przez dïugi czas byïy wbudowane kluczowe wskaěniki wydajnoĂci (ang. key performance indicator — KPI). Jednak z uwagi na to, ĝe ogólne wskaěniki KPI czÚsto nie uwzglÚdniajÈ strategicznych róĝnic w dziaïaniu firm, nie speïniajÈ pokïadanych w nich nadziei. Aby wspóïzawodniczyÊ z innymi firmami, trzeba przeprowadzaÊ kluczowe analizy wniosków (ang. key insights analysis — KIA). Poniĝej opisano kilka miar specyficznych dla nowego Ăwiata analizy danych internetowych prowadzÈcej do dziaïañ, a takĝe przykïadowe analizy KIA: Analizy rozkïadu czÚstotliwoĂci klikniÚÊ. Analizy rozkïadu czÚstotliwoĂci klikniÚÊ (powiÈzane z nakïadkami na witrynÚ generowanymi przez narzÚdzia do analizy danych internetowych) pomagajÈ zrozumieÊ punkt widzenia klienta. UïatwiajÈ zrozumienie dziaïañ uĝytkowników witryny. Czy klikajÈ oni elementy zgodnie z oczekiwaniami wïaĂcicieli witryny? JeĂli nie, co uwaĝajÈ za ciekawsze od tych opcji? Które elementy okazaïy siÚ zupeïnie nieoczekiwanie interesujÈce dla uĝytkowników? JeĂli firma dokonuje segmentacji ruchu w witrynie, moĝe ustaliÊ róĝnice w zachowaniu róĝnych grup uĝytkowników, na przykïad klikniÚÊ osób, które trafiïy na witrynÚ z wyszukiwarki Google, i pozostaïych odwiedzajÈcych. Moĝna na przykïad lepiej dopasowaÊ treĂÊ dla uĝytkowników z pierwszego z tych segmentów. Analizy tego rodzaju sÈ bardzo cenne, poniewaĝ umoĝliwiajÈ podejmowanie dziaïañ. Nie ograniczajÈ siÚ do raportów i arkuszy programu Microsoft Office Excel, ale pozwalajÈ dosïownie przyjrzeÊ siÚ stronom internetowym i zobaczyÊ, jak zachowujÈ siÚ klienci z poszczególnych segmentów. Na podstawie tych danych moĝna zaczÈÊ tworzyÊ niestandardowe, spersonalizowane strony dla uĝytkowników z róĝnych grup i zwiÚkszyÊ przez to zaangaĝowanie klientów oraz poprawiÊ wynik na skali gïównego wskaěnika powodzenia. Podstawowy cel odwiedzajÈcych. Zamiast wnioskowaÊ o celu wizyty na podstawie oglÈdanych stron, w nowym i ulepszonym podejĂciu wystarczy poprosiÊ klientów o to, aby pomogli ustaliÊ, dlaczego odwiedzili witrynÚ. Ryzyko korzystania z wyĂwietlanych stron przy okreĂleniu gïównego celu wizyty polega na tym, ĝe jeĂli witryna nie zawiera szukanych treĂci, wïaĂciciel nigdy siÚ o tym nie dowie. Dlaczego wiÚc nie zadaÊ pytania uĝytkownikom? Warto przeprowadziÊ ankietÚ lub porozmawiaÊ 41 „ K R Ó T K A H I S T O R I A A N A L I Z Y D A N Y C H I N T E R N E T O W Y C H 42 „ O R T U J I ¥ I Z D S C I T Y L A N A B E W : 1 ’ A I Z D Z O R z nimi przez telefon. Naleĝy skontaktowaÊ siÚ z klientami i zapytaÊ, dlaczego odwiedzili witrynÚ. Czasem moĝna w ten sposób odkryÊ przyczyny, o których wïaĂciciel nigdy by nie pomyĂlaï, a które powinien byï uwzglÚdniaÊ od poczÈtku istnienia witryny. Wspóïczynnik ukoñczonych zadañ. Zauwaĝalne jest teĝ odchodzenie od korzystania z danych na temat strumieni klikniÚÊ (powiÈzanych z wyĂwietlaniem stron) w kierunku pomiaru udanego ukoñczenia zadañ. Firmy czÚsto majÈ witryny pomocy technicznej z bazÈ wiedzy, listami odpowiedzi na czÚsto zadawane pytania (ang. frequently asked questions — FAQ) i tak dalej. W dawnym podejĂciu sukces mierzono za pomocÈ narzÚdzi do analizy strumieni klikniÚÊ, uwzglÚdniajÈcych wszystkie osoby, które zobaczyïy artykuï z bazy wiedzy lub listÚ FAQ. Jednak czy sam fakt wyĂwietlenia przez uĝytkownika dïugiej i skomplikowanej odpowiedzi oznacza sukces? Powodzenie w wiÚkszoĂci przypadków bardzo trudno jest okreĂliÊ na podstawie wyĂwietlonych stron. WyjÈtkiem sÈ witryny sklepów internetowych, w których wyĂwietlenie strony z podziÚkowaniami po zïoĝeniu zamówienia moĝna uznaÊ za udane ukoñczenie zadania. W nowym podejĂciu zestaw analiz danych internetowych wzbogacono o bardziej zaawansowane dane jakoĂciowe, które pozwalajÈ zrozumieÊ, czy klienci ukoñczyli zadania i znaleěli to, czego szukali. Na tej podstawie moĝna podejmowaÊ dziaïania, poniewaĝ nie ma wÈtpliwoĂci, czy wyĂwietlenie strony doprowadziïo do zrealizowania celu. Wystarczy zapytaÊ (za pomocÈ ankiety, laboratoryjnych testów uĝytecznoĂci lub testów w witrynie), a nastÚpnie podjÈÊ dziaïania na podstawie uzyskanych odpowiedzi. Trendy w zachowaniach segmentów uĝytkowników. Niewiele dostÚpnych obecnie narzÚdzi umoĝliwia segmentacjÚ danych po ich zarejestrowaniu. W dawnym podejĂciu uĝywano atrybutów w znacznikach JavaScript. Teraz dostÚpne sÈ narzÚdzia firm ClickTracks i Visual Sciences (ich ceny bardzo siÚ róĝniÈ) umoĝliwiajÈce prawdziwÈ segmentacjÚ danych, dziÚki czemu nie trzeba sprawdzaÊ Ăredniego czasu wizyty w witrynie, najczÚĂciej szukanych sïów kluczowych lub popularnych treĂci z uwzglÚdnieniem wszystkich uĝytkowników. NarzÚdzia te umoĝliwiajÈ podziaï klientów na grupy i rejestrowanie ich zachowañ w sensowny sposób, co pozwala na duĝo lepsze zrozumienie interakcji uĝytkowników z witrynÈ. Prowadzi to do praktycznych wniosków, na których moĝna oprzeÊ dalsze dziaï
Pobierz darmowy fragment (pdf)

Gdzie kupić całą publikację:

Godzina dziennie z Web Analytics. Stwórz dobrą strategię e-marketingową
Autor:

Opinie na temat publikacji:


Inne popularne pozycje z tej kategorii:


Czytaj również:


Prowadzisz stronę lub blog? Wstaw link do fragmentu tej książki i współpracuj z Cyfroteką: