Haladó weboldal-analitika: túl az alapokon

Az a márka, amely csak alap analitikát használ, azt látja, hogy a konverziós arány 3%-ról 2,5%-ra esik, és pánikba esik. A termékre, a piacra vagy a közönségre fogja. A haladó analitikát használó márka pontosan tudja a hibát: a mobilos fizetés gombja 2 pixellel kisebb lett, ez a látogatók 40%-át érinti, és mérhető bevételbe kerül. Ez a különbség a találgatás és a tudás között.

A haladó analitika többet tesz, mint látogatókat és oldalmegtekintéseket számolni. Mintákat talál, megjósolja, mi jön ezután, és megmagyarázza, miért történnek a dolgok. Az alap analitika arra felel, hogy „hányan jártak itt?”, a haladó arra, hogy „miért mentek el?”, „ki fog vásárolni?” és „mi történik, ha ezt megváltoztatjuk?”

Miben különbözik a haladó analitika az alaptól?

Nézd meg a legtöbb analitikai vezérlőpultot, és ugyanazt találod: forgalmi számok, konverziós arány, visszafordulási arány. Hasznosak, de csak egy kérdésre felelnek. Ha mélyebbre nézel, látod, hogy az alap és a haladó analitika teljesen más problémákat old meg.

Az alap analitika leíró jellegű. Megmondja, mi történt. Látod, hogy 5000 ember látogatta meg az oldalt, és 125-en vásároltak. Látod, melyik forgalmi forrás hozta a legtöbb látogatót, és melyik oldalt nézik a legtöbben. Ez az alap: tudnod kell, mi történt. De itt meg is áll.

A haladó analitika diagnosztikai és előrejelző. Vedd azt az 5000 látogatót. A haladó elemzés azt kérdezi: melyik szegmensnek volt a legerősebb szándéka? A visszatérő látogatók más arányban vásároltak, mint az elsőre érkezők? Mely funkciókat használták valójában a vásárlók? Milyen minta választja el a vevőket a lepattanóktól? Melyik kohorsz (a januárban, illetve a márciusban feliratkozók csoportja) újít meg nagyobb eséllyel? Ezek a kérdések azt mutatják meg, miért történt valami, és mi jön ezután.

Az üzleti hatás hatalmas. Ha tudod, hogy a mobilos felhasználók konverziója kedd este 50%-kal esett, másnap pedig visszaállt, akkor kijavítottad a hibát, és megelőzted, hogy az az egész vállalatot érintse. Ha tudod, hogy az egyik forrásból érkezők 40%-kal többet költenek tranzakciónként, ugyanezeket a feltételeket megteremtheted a többi forrásnak is. Ha meg tudod jósolni, mely ügyfelek fognak lemorzsolódni, van időd megkeresni és megtartani őket. Ez nem találgatás, hanem pontosság.

Miért van rá szükséged?

Vizsgálj meg bármilyen analitikai beállítást, és ugyanazt a gondot találod: a betekintés túl korán megáll. Ismered a legjobb forgalmi forrásaidat, a konverziós arányodat, és tudod, mely oldalakat látogatják a legtöbben. A legtöbb márka itt megáll. Nagyjából 80%-os betekintésnél elakadnak, aztán csodálkoznak, miért érzik bizonytalannak a döntéseiket.

Nem az a kérdés, hogy az alap analitika hasznos-e (az). Az a kérdés, hogy választ ad-e azokra a döntésekre, amelyeket valójában meghozol. Ha a döntésed az, hogy „költsünk többet fizetett hirdetésre?”, az alap analitika megadhatja a választ. Ha az, hogy „melyik forgalmi forrás hoz olyan ügyfeleket, akik többet költenek, másokat is ajánlanak, és tovább maradnak?”, az alap analitika kevés. A haladó analitika ezt is megoldja.

A haladó analitika olyan problémákat is elkap, amelyeket más nem lát. Egy apró hiba, amely csak bizonyos napokon érinti a mobilos felhasználókat, láthatatlan marad az alap vezérlőpultokon. Egy funkció, amely az egyik szegmensnél növeli a megtartást, a másiknál nem, rejtve marad. Ha egy versenytárs lassan elviszi az értékes ügyfeleidet, az semmilyen riasztást nem indít el. A haladó analitika folyamatosan figyeli ezeket a mintákat, és a felszínre hozza őket, mielőtt nagy problémává nőnének.

Mi a gyakorlati különbség az alap és a haladó analitika között?

Vegyünk egy értékesítési tölcsért. Az alap analitika megmutatja a lemorzsolódást: 10 000 látogató ér a kezdőlapra, 3000 az árazási oldalra, 800 a pénztárig jut, 300 pedig befejezi a vásárlást. Hol vesztettél el 7000 embert? A vezérlőpult nem mondja meg. A haladó analitika szegmentálja a tölcsért: első látogatók és visszatérők, asztali gép és mobil, A forrás és B forrás. Egyszer csak azt látod, hogy a fizetett hirdetésekből érkező, először látogató mobilosok konverziója 2%, a szerves találatokból visszatérő asztali gépes látogatóké viszont 8%. Most már tudsz cselekedni: javítod az új látogatók mobilos élményét, a fizetett költést a vásárláshoz közelebb álló látogatókra összpontosítod, és újra megszólítási stratégiát építesz azoknak, akik korábban már jártak nálad.

Vegyük a megtartást. Az alap analitika megmutatja, hogy az egyhavi megtartásod 20%. Ez a számod. A haladó analitika azt kérdezi: melyik kohorsz (feliratkozási hónap) tart meg jobban? Mely funkciók függnek össze magasabb megtartással? Melyik felhasználói szegmens (cégméret, iparág, felhasználási cél) marad meg nagyobb eséllyel? Tovább maradnak azok az ügyfelek, akik az első héten elérnek egy bizonyos mérföldkövet? Ezekkel a válaszokkal úgy alakítod át a bevezetést, hogy több ember érje el azt a mérföldkövet. A megtartás javul. Ez a különbség aközött, hogy figyelsz egy mutatót, és aközött, hogy javítod.

Vegyük a rendellenességeket. Az alap analitika passzív. Megnézed a vezérlőpultot, és észreveszed, hogy valami más. A haladó analitika aktív. Egy automatikus rendszer figyeli az összes kulcsmutatót, észreveszi, ha valami a megszokottnál jobban változik (a konverzió egy nap alatt 15%-kal esik), és szól, mielőtt te magad észrevennéd. Hat óra kiesett bevételt kerültél el, mert 30 percen belül tudtad, nem a nap végén.

Mikor érdemes túllépni az alap analitikán?

Elsajátítottad az alapokat. Tudod, hogy a megtartási arányod 20%, a konverziós arányod 2,5%, és hogy a három legjobb forgalmi forrásod másként teljesít. De most olyan kérdéseid vannak, amelyekre a vezérlőpultod nem tud válaszolni: „Miért van az A forrásból érkezőknek 25%-os megtartása, a B forrásból érkezőknek pedig csak 15%?” vagy „Mely funkciók hozzák a legmagasabb élettartam-értéket?” Ezek haladó elemzést igényelnek, mert a válaszok nincsenek az alap riportokban. Szegmensekben, szűrőkben és összevetett adatokban rejtőznek.

Azt is észreveszed, hogy a problémák egyre finomabbak. Az elején a hibák nyilvánvalóak (leállt az oldal, nem működik a fizetés). De ahogy nősz, a hibák elbújnak. Egy bizonyos fizetési lépés lassú a 4G hálózaton lévő felhasználóknak. Egy versenytárs csendben átcsábítja a próbaidőszakos felhasználóidat. A bevezetés 25 év alattiakat zavar meg. Az alap eszközök nem látják ezeket az árnyalt mintákat, mert összesített adatokat néznek. A szegmentálással, kohorszkövetéssel és trendelemzéssel működő haladó analitika feltárja őket.

A méreted lehet a döntő tényező. Havi 1000 látogatónál minden felhasználó egyenként számít. Havi 100 000 látogatónál már emberek ezreinek mintáit olvasod. Egy kis minta (a látogatók 0,1%-a hibával találkozik) statisztikailag láthatatlanná válik. Mégis számít, ha összeadódik (0,1% × 100 ezer = havi 100 érintett felhasználó). A haladó analitika megtalálja ezeket a kicsi, de jelentős mintákat, mielőtt felnőnének.

Van azonban egy előfeltétel: kell egy csapat, amely cselekszik a betekintések alapján. A haladó analitika haszontalan, ha rájössz, hogy a fizetés lassú a mobilos felhasználóknak, de senki nem tudja kijavítani. Csak akkor fektess be haladó analitikába, ha vannak fejlesztőid, termékes vagy marketinges embereid, akik tovább tudnak lépni a feltárt betekintéseken. Egy kis induló vállalkozásnak lehet, hogy még nincs ilyen csapata. Egy nagyvállalatnak biztosan van.

Mely konkrét technikák tárják fel azt, amit az alap analitika elmulaszt?

A haladó analitika konkrét technikák sora, és mindegyik más fajta kérdésre felel. Itt van az az öt, amelyik számít.

Kohorszelemzés: Oszd a felhasználókat csoportokra aszerint, mikor iratkoztak fel (januári kohorsz, februári kohorsz és így tovább), és kövesd az egyes csoportok viselkedését az idő múlásával. Ebből kiderül, hogy a terméked javul vagy romlik. Ha a januári kohorsz 30 napos megtartása 20%, a júniusi viszont 25%, akkor egyre jobban tartod meg a felhasználókat. Ha a megtartás hónapról hónapra csökken, valami megváltozott (elromlott egy funkció, a versenytársak javultak, a bevezetés rosszabb lett). A kohorszelemzés a korai figyelmeztető rendszered.

Tölcsérelemzés: Térképezd fel a vásárlói utat lépésről lépésre (kezdőlap meglátogatása, cikk elolvasása, útmutató letöltése, e-mail-cím megadása, feliratkozás, első bejelentkezés). Mérd meg, hogy a látogatók hány százaléka teljesíti az egyes lépéseket. Látni fogod, hol vannak a legnagyobb lemorzsolódások. Lehet, hogy 10 ezren olvassák el a cikket, 3 ezren töltik le az útmutatót, 800-an adják meg az e-mail-címüket, 300-an iratkoznak fel. A cikk és a letöltés között 7000 embert veszítesz. Ez a lyuk. Ha ezt a lépést javítod, minden későbbi lépés is javul.

Attribúciós modellezés: Ha egy ügyfél konvertál, melyik érintési pont érdemli az elismerést? Fizetett hirdetésből jött, elment, látott egy újracélzott hirdetést, visszajött, elolvasott egy blogbejegyzést, rákattintott egy hírlevél-feliratkozásra, kapott egy e-mailt, aztán vásárolt. Melyik okozta a vásárlást? Az alap analitika azt mondja: „az utolsó” (az e-mail). Az attribúciós modellezés mindegyiknek elismerést ad a tényleges hatásuk alapján. Így kiderül, mely marketingtevékenységek működnek valóban, nem csak az, melyik áll a tölcsér végén.

Szegmentálás: A közönséged nem egységes. Az első látogatók teljesen másként viselkednek, mint a visszatérők. A mobilos felhasználóknak más igényeik vannak, mint az asztali gépeseknek. A különböző forgalmi forrásokból érkezők szándéka eltérő. A prémium ügyfelek elköteleződése más, mint az ingyenes felhasználóké. A haladó szegmentálás megmutatja ezeket a csoportokat, így mindegyikhez igazíthatod az üzenetedet és az élményt. Nem mindenkinek jó ugyanaz.

Megtartási görbék: Ábrázold, hányan maradnak veled az idő múlásával (1., 7., 30., 90. nap). A görbe alakja megmondja, van-e hűséges magod. Meredek esés, majd kiegyenlítődés? Vannak hűséges felhasználóid. Fokozatos csökkenés? Senki sem igazán ragaszkodik. A görbe szemléletesen összegzi a felhasználói elégedettséget és a termék-piac illeszkedést.

Mikor térj át a haladó analitikára

Elsajátítottad az alapokat, és mélyebb válaszokra van szükséged. Tudod, hogy a megtartási arányod 20%, a konverziós arányod 2,5%, és ismered a három legjobb forgalmi forrásodat. De most olyan kérdéseid vannak, mint: „Miért van az A forrásból érkezőknek 25%-os megtartása, a B forrásból érkezőknek pedig csak 15%?” vagy „Mely funkciók hozzák a legmagasabb élettartam-értéket?” Ezek haladó elemzést igényelnek, mert a válaszok nincsenek az alap vezérlőpultokon. Szegmentálni, szűrni, összevetni, és néha egyedi számításokat építeni kell. Ha folyton bosszant, hogy a vezérlőpultod nem válaszol a kérdéseidre, ideje feljebb lépni.

A problémák egyre finomabbak, és az alap eszközeid nem kapják el őket. Az elején a hibák nyilvánvalóak (leállt az oldal, nem működik a fizetés). Ahogy érsz, a problémák elbújnak (egy bizonyos fizetési lépés lassú a 4G hálózaton lévő felhasználóknak, egy új versenytárs átcsábítja a próbaidőszakos felhasználóidat, vagy a bevezetés zavaros a 25 év alattiaknak). Az alap eszközök ezeket az árnyalt problémákat nem látják. A megfelelő szegmentálással, trendelemzéssel és kohorszkövetéssel működő haladó analitika feltárja őket.

A méreted elérte azt a pontot, ahol a minták számítanak. Havi 1000 látogatónál minden felhasználó egyenként számít. Havi 100 000 látogatónál már emberek ezreinek mintáit nézed. A kis minták (a látogatók 0,1%-a hibával találkozik) láthatatlanná válnak. De számítanak, ha összeadódnak (0,1% × 100 ezer = havi 100 érintett felhasználó, évente több száz). A haladó analitika megtalálja ezeket a kicsi, de jelentős mintákat, mielőtt nagy problémává válnának.

Van csapatod, amely cselekszik a betekintések alapján. A haladó analitika cselekvés nélkül haszontalan. Ha rájössz, hogy a fizetés lassú a mobilos felhasználóknak, de nincs, aki kijavítsa, elvesztegetted az idődet. Csak akkor fektess be haladó analitikába, ha van fejlesztői, termékes vagy marketinges kapacitásod a betekintések alapján cselekedni. Egy kis induló vállalkozásnak lehet, hogy még nincs ilyen csapata. Egy nagyvállalatnak biztosan van.

Az üzleti hatás indokolja a befektetést. A haladó analitikának ára van: egy elemző felvétele (évi 80-150 ezer dollár), kifinomult eszközök vásárlása (havi 500-5000 dollár), valamint hetek beállítással és betanítással. Ha a konverziós arány 2%-os javulása évi 100 ezer dollár extra bevételt hoz, akkor 50 ezer dollárt költeni haladó analitikára megéri (2 év megtérülés). Ha a javulás minimális lenne, az alap analitika elég jó. Számold ki a megtérülést, mielőtt elköteleződsz.

Gyakori haladó analitikai technikák, és mit tárnak fel

Kohorszelemzés: a generációs viselkedés megértése. Oszd a felhasználókat csoportokra aszerint, mikor érkeztek (januári kohorsz, februári kohorsz és így tovább). Aztán kövesd az egyes kohorszok viselkedését az idő múlásával. Ebből kiderül, hogy a terméked javul vagy romlik. Ha a januári kohorsz 30 napos megtartása 20%, a júniusi viszont 25%, akkor egyre jobban tartod meg a felhasználókat. Ha a megtartás hónapról hónapra csökken, valami megváltozott (elromlott egy funkció, a versenytársak javultak, a bevezetés rosszabb lett). A kohorszelemzés a korai figyelmeztető rendszered a termék romlására vagy javulására.

Tölcsérelemzés: a folyamat réseinek megtalálása. Térképezd fel a vásárlói utat lépésről lépésre (kezdőlap meglátogatása → cikk elolvasása → útmutató letöltése → e-mail-cím megadása → feliratkozás → első bejelentkezés). Aztán mérd meg, hogy a látogatók hány százaléka teljesíti az egyes lépéseket. Kiderül, hogy 10 ezren olvassák el a cikket, 3 ezren töltik le az útmutatót, 800-an adják meg az e-mail-címüket, 300-an iratkoznak fel, 150-en jelentkeznek be először. Hol veszítesz embereket? A cikk és a letöltés között? Az e-mail és a feliratkozás között? Ha megtaláltad a legnagyobb rést, ki tudod javítani. Bármelyik lépés 5%-os javulása végigmegy az összes későbbi lépésen.

Attribúciós modellezés: annak megértése, mely érintési pontok hozzák valójában a konverziókat. Egy látogató fizetett hirdetésből érkezik, megnézi az oldalad, elmegy, lát egy újracélzott hirdetést, visszajön, elolvas egy blogbejegyzést, rákattint egy hírlevél-feliratkozásra, kap egy e-mailt, és végül vásárol. Melyik érintési pont kapja az elismerést a konverzióért? Az alap analitika azt mondja: „az utolsó érintési pont” (az e-mail). De az úton a fizetett hirdetés indította el. Az újracélzás hozta vissza. A blogbejegyzés győzte meg. Az attribúciós modellezés minden érintési pontnak elismerést ad a tényleges hatása alapján. Így kiderül, mely marketingtevékenységek működnek valóban, nem csak az, melyik áll a tölcsér végén.

Szegmentálás: annak felfedezése, hogy a közönséged nem egységes. Azt hiszed, minden látogatód egyforma, pedig nem. Az első látogatók teljesen másként viselkednek, mint a visszatérők. A mobilos felhasználóknak más igényeik vannak, mint az asztali gépeseknek. A különböző forgalmi forrásokból érkezők szándéka eltérő. A prémium ügyfelek elköteleződési mintái mások, mint az ingyenes felhasználóké. A haladó szegmentálás feltárja ezeket a csoportokat, így mindegyikhez igazíthatod az üzenetedet és az élményt. Nem mindenkinek jó ugyanaz, és a szegmentálás ezt bizonyítja.

Megtartási görbék: a felhasználó életciklusának láthatóvá tétele. Ábrázold a megtartást az idő függvényében (1., 7., 30., 90. nap). Meglátod a megtartási görbédet, amely felfedi a felhasználói viselkedési mintákat. Először gyorsan esik a megtartás, aztán kiegyenlítődik (a legtöbb látogató elmegy, de a hűségesek maradnak)? Vagy fokozatosan csökken (nincs egyértelmű hűséges csoport)? A görbe alakja megmondja, van-e termék-piac illeszkedésed. A meredek esés, amelyet lapos szakasz követ, valójában egészséges: azt jelenti, hogy van egy hűséges felhasználói magod. A fokozatos csökkenés azt jelenti, hogy senki sem igazán ragaszkodik. A görbe a felhasználói elégedettség látható összegzése.