Godzina dziennie z Web Analytics. Stwórz dobr¹ strategiê e-marketingow¹Autor: Avinash KaushikT³umaczenie: Tomasz WalczakISBN: 978-83-246-1880-4Tytu³ orygina³u: Web Analytics: An Hour a DayFormat: 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 wewnêtrznychZwiêksz popularnoœæ swojej witryny dziêki efektywnym analizom danych internetowych!

11

� SP

IS TR

EC

I

Spis tre�ci

Przedmowa ....................................................................................................................19Wprowadzenie ................................................................................................................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? .................................................40Pomiar „co” i „dlaczego” ..............................................................................................................43Metoda Trinity — nastawienie i podej�cie strategiczne ................................................................45

Rozdział 2. Zbieranie danych — znaczenie i możliwości ............................................. 53

Zrozumienie �róde� danych ..........................................................................................54

Dane ze strumieni klikni� ...........................................................................................56Dzienniki sieciowe .......................................................................................................................56Pliki jednopikselowe ....................................................................................................................58Znaczniki JavaScript ....................................................................................................................61Przechwytywanie pakietów ..........................................................................................................65

Dane na temat skutków ...............................................................................................70Sklepy internetowe ......................................................................................................................71Generowanie list potencjalnych klientów .....................................................................................72Marka i promowanie produktów oraz pomoc techniczna .............................................................72

Dane z bada� ...............................................................................................................74Nastawienie .................................................................................................................................74Struktura organizacyjna ...............................................................................................................75Czas ............................................................................................................................................75

Dane na temat konkurencyjno�ci .................................................................................76Pomiary panelowe .......................................................................................................................77Pomiary oparte na danych od ISP ................................................................................................78Dane z wyszukiwarek ..................................................................................................................80

Rozdział 3. Przegląd analiz jakościowych .................................................................. 83

Istota koncentracji na kliencie ......................................................................................84

Laboratoryjne testy u�yteczno�ci ..................................................................................84Przeprowadzanie testów ..............................................................................................................86Zalety laboratoryjnych testów u�yteczno�ci .................................................................................88Na co nale�y zwróci uwag� ........................................................................................................89

12

SPIS

TR

EC

I �

Ocena heurystyczna .....................................................................................................90Przeprowadzanie oceny heurystycznej ..........................................................................................91Zalety stosowania oceny heurystycznej ........................................................................................93Na co nale�y zwróci uwag� ........................................................................................................94

Wizyty w siedzibie klienta ............................................................................................94Przeprowadzanie wizyty w siedzibie klienta .................................................................................95Zalety wizyt w siedzibie klienta ...................................................................................................97Na co nale�y zwróci uwag� ........................................................................................................97

Ankiety (kwestionariusze) ............................................................................................97Ankiety wy�wietlane w witrynie ..................................................................................................98Ankiety przesy�ane po wizycie .....................................................................................................99Tworzenie i przeprowadzanie ankiety ..........................................................................................99Zalety stosowania ankiet ...........................................................................................................103Na co nale�y zwróci uwag� ......................................................................................................104

Podsumowanie ...........................................................................................................106

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 ...................................128Centralizacja ..............................................................................................................................131Decentralizacja ..........................................................................................................................131Scentralizowana decentralizacja .................................................................................................132

Rozdział 5. Podstawy analizy danych internetowych ............................................... 133

Zbieranie danych — dzienniki sieciowe czy znaczniki JavaScript? ..............................134Oddzielenie procesu udost�pniania danych od ich zbierania .......................................................135Rodzaj i rozmiar danych ............................................................................................................135Innowacje ..................................................................................................................................136Integracja ..................................................................................................................................136

Wybór optymalnego narz�dzia do analizy danych internetowych ...............................137Dawny sposób ...........................................................................................................................137Nowy sposób .............................................................................................................................138

Okre�lanie jako�ci danych ze strumieni klikni� .........................................................143

Stosowanie najlepszych praktyk ..................................................................................148Oznaczanie wszystkich stron .....................................................................................................149Znaczniki nale�y umieszcza na ko�cu (na pierwszym miejscu trzeba stawia klienta!) ..............150Nale�y u�ywa znaczników wewn�trzwierszowych ....................................................................150Okre�lanie definicji niepowtarzalnej strony ................................................................................150Inteligentne u�ywanie plików cookie .........................................................................................151Uwzgl�dnienie problemów z kodowaniem odno�ników .............................................................152

13

� SP

IS TR

EC

I

Nale�y uwzgl�dni przekierowania ............................................................................................153Walidacja zebranych danych .....................................................................................................156Prawid�owe rejestrowanie operacji w witrynach bogatych w multimedia ....................................157

Trzypoziomowy test „i co z tego?” ..............................................................................157Kluczowy wska�nik wydajno�ci: procent wracaj�cych u�ytkowników ........................................158Kluczowy wska�nik wydajno�ci: g�ówne strony wyj�ciowe .........................................................159Kluczowy 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 ....................................................162Poniedzia�ek i wtorek: adresy URL ............................................................................................163roda: parametry adresów URL .................................................................................................164Czwartek i pi�tek: pliki cookie ..................................................................................................165

Tydzie� 2. Powrót do podstawowych miar .................................................................168Poniedzia�ek: odwiedziny i u�ytkownicy ....................................................................................168Wtorek i �roda: czas w witrynie .................................................................................................172Czwartek i pi�tek: liczba wy�wietle� stron .................................................................................176

Tydzie� 3. Poznawanie standardowych raportów .......................................................179Poniedzia�ek i wtorek: wspó�czynnik odrzuce� ..........................................................................179Od �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 ......187Poniedzia�ek i wtorek: listy stron — najcz��ciej ogl�danych, wej�ciowych i wyj�ciowych ...........187roda: najpopularniejsze punkty docelowe (odno�niki wyj�ciowe) ..............................................192Czwartek 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 ..........................................................202Poniedzia�ek: najpopularniejsze �ród�owe adresy URL i najpopularniejsze szukane wyra�enia ....204Wtorek: popularno� zawarto�ci witryny i wizyty na stronie g�ównej .........................................206roda i czwartek: cz�stotliwo� klikni� (nak�adki na witryny) ...................................................208Pi�tek: wspó�czynnik odrzuce� witryny .....................................................................................209

Witryna sklepu internetowego — szybki start ...........................................................210Tydzie� 2. Pomiar skutków dzia�a� firmy ..................................................................................211Tydzie� 3. Ocena wyników na podstawie celów oraz pomiar skuteczno�ci marketingowej

i zadowolenia klientów ...........................................................................................................214

Witryna pomocy technicznej — szybki start ..............................................................218Tydzie� 2. Wchodzenie w rol� klienta i pomiar wp�ywu witryny na tradycyjne kana�y .................. 219Tydzie� 3. Pomiar sukcesu na podstawie g�osu lub ocen klientów na poziomie witryny i stron ...... 223

Pomiar blogów — szybki start ...................................................................................226Tydzie� 2. Przezwyci��anie z�o�ono�ci w celu pomiaru podstaw przy u�yciu nowych miar .........226Tydzie� 3. Konkurencyjny punkt odniesienia oraz pomiar kosztów i zwrotu z inwestycji ...........229

Tydzie� 4. Refleksje i podsumowanie .........................................................................233

14

SPIS

TR

EC

I �

Rozdział 8. Miesiąc 3. Analiza w obszarze wyszukiwania

— wyszukiwanie wewnętrzne, SEO i PPC ............................................. 235

Tydzie� 1. Analiza wyszukiwania wewn�trznego w witrynie ......................................236Poniedzia�ek: poznawanie warto�ci wyszukiwania wewn�trznego ...............................................236Wtorek: wykrywanie trendów w wyszukiwaniu wewn�trznym ..................................................241roda: analiza cz�stotliwo�ci klikni� za pomoc� nak�adki na witryn� ........................................242Czwartek: pomiar efektywno�ci wyników wyszukiwania ............................................................243Pi�tek: pomiar skutków zwi�zanych z wyszukiwaniem wewn�trznym .......................................244

Tydzie� 2. Rozpocz�cie optymalizacji witryny pod k�tem wyszukiwarek ....................245Poniedzia�ek: zrozumienie wp�ywu odno�ników i ich optymalizacja ...........................................247Wtorek: odno�niki do publikacji prasowych i witryn spo�eczno�ciowych ....................................247roda i czwartek: optymalizacja znaczników i zawarto�ci na stronach ........................................248Pi�tek: dodawanie wskazówek na potrzeby robotów wyszukuj�cych ..........................................249

Tydzie� 3. Pomiar skutków SEO ................................................................................250Poniedzia�ek: sprawdzanie poziomu zindeksowania witryny .......................................................250Wtorek: �ledzenie odno�ników wej�ciowych i najpopularniejszych szukanych s�ów ....................251roda: oddzielenie naturalnych odno�ników wej�ciowych od PPC ..............................................254Czwartek: pomiar warto�ci naturalnych odno�ników wej�ciowych .............................................255Pi�tek: pomiar wp�ywu optymalizacji na najpopularniejsze strony .............................................255

Tydzie� 4. Analiza skuteczno�ci kampanii PPC ..........................................................257Poniedzia�ek: podstawy PPC .....................................................................................................258Wtorek: pomiar wska�ników zwi�zanych z ofertami ..................................................................259roda: definiowanie kluczowych miar wp�ywaj�cych na wyniki firmy ........................................260Czwartek: pomiar liczby niepowtarzalnych u�ytkowników ........................................................260Pi�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 ........................................264Poniedzia�ek: podstawy marketingu e-mailowego ......................................................................264Wtorek i �roda: pomiar podstawowych wska�ników dotycz�cych odpowiedzi ............................265Czwartek i pi�tek: pomiar skutków ...........................................................................................266

Tydzie� 2. Marketing e-mailowy — zaawansowana obserwacja skutków ...................267Poniedzia�ek i wtorek: pomiar efektywno�ci witryny ..................................................................267roda: unikanie pu�apek w analizie kampanii e-mailowych ........................................................268Czwartek 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 .................270Tydzie� 3. Wprowadzenie do marketingu wielokana�owego

i �ledzenie tradycyjnych kampanii skoncentrowanych na internecie ........................................270Tydzie� 4. ledzenie i analizowanie marketingu wielokana�owego .............................................275

15

� SP

IS TR

EC

I

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? ................................................284Tydzie� 1. Przygotowania i testy A/B ........................................................................................284Tydzie� 2. Poza testy A/B .........................................................................................................289

Tydzie� 3. Co testowa? Konkretne mo�liwo�ci i pomys�y .........................................296Poniedzia�ek: testowanie wa�nych stron i wezwa� do dzia�ania ..................................................296Wtorek: koncentracja na ruchu z wyszukiwarek ........................................................................298roda: testowanie tre�ci i materia�ów .........................................................................................298Czwartek: testy cen i promocji ...................................................................................................299Pi�tek: testowanie kampanii marketingu bezpo�redniego ..........................................................299

Tydzie� 4. Tworzenie doskona�ego programu eksperymentów i testów ......................300Poniedzia�ek: hipotezy i okre�lanie celów ...................................................................................301Wtorek: testy i walidacja pod k�tem wielu celów ......................................................................303roda: przechodzenie od testów prostych do z�o�onych i rado� z pracy .....................................304Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testów .......................................305Pi�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 celówdo motywowania do dzia�a� ....................................................................................312

Poniedzia�ek i wtorek: znaczenie punktów odniesienia i ustalania celów .....................................312roda: wykorzystywanie zewn�trznych punktów odniesienia .....................................................314Czwartek: wykorzystywanie wewn�trznych punktów odniesienia ..............................................317Pi�tek: zach�canie i ustalanie celów ...........................................................................................320

Tydzie� 2. Opracowywanie skutecznych raportów podsumowuj�cych dla zarz�du .....323Poniedzia�ek: udost�pnianie kontekstu — punkty odniesienia, segmenty i trendy .....................324Wtorek: wyodr�bnianie kilku kluczowych miar .........................................................................326roda: nie poprzestawaj na miarach — do��cz te� wnioski .........................................................327Czwartek: ograniczanie raportu podsumowuj�cego do jednej strony ..........................................328Pi�tek: wygl�d ma znaczenie .....................................................................................................329

Tydzie� 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programówopartych na raportach podsumowuj�cych ................................................................330

Poniedzia�ek: wybór miar zgodnych z modelem Trinity pod k�tem dalekiej perspektyw ............330Wtorek: tworzenie istotnych raportów podsumowuj�cych .........................................................333roda: jedna miara — jeden w�a�ciciel .......................................................................................334Czwartek: od s�ów do czynów ....................................................................................................334Pi�tek: pomiar skuteczno�ci raportów podsumowuj�cych ..........................................................336

Tydzie� 4. Stosowanie podej�cia Six Sigma i doskona�o�ci procesuw analizie danych internetowych .............................................................................336

Poniedzia�ek: wszystko jest procesem ........................................................................................337Od wtorku do czwartku: stosowanie procesu DMAIC ...............................................................342Pi�tek: analiza zdobytej wiedzy .................................................................................................346

16

SPIS

TR

EC

I �

Rozdział 12. Miesiąc 7. Analizy konkurencji i witryn z nurtu Web 2.0 ........................... 347

Analizy konkurencji ...................................................................................................348Tydzie� 1. Raporty na temat ruchu w konkurencyjnych witrynach ............................................349Tydzie� 2. Raporty na temat wyszukiwarek ..............................................................................354

Analizy witryn z nurtu Web 2.0 .................................................................................365Tydzie� 3. Pomiar sukcesu bogatych aplikacji internetowych ....................................................366Tydzie� 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 ................................................................382Problemy w obszarze analizy �cie�ek ..........................................................................................383Inna mo�liwo� — raport sekwencji grup stron .........................................................................385

Wspó�czynnik konwersji — bezwarto�ciowa obsesja ...................................................388Problemy zwi�zane ze wspó�czynnikiem konwersji ....................................................................389Inna mo�liwo� — wspó�czynnik uko�czenia zada� ze wzgl�du na g�ówny cel ..........................391

Perfekcja — umar�a doskona�o�, niech �yje doskona�o� ...........................................393Doskona�e dane .........................................................................................................................394Z pr�dko�ci� sieci WWW .........................................................................................................395Fragmentaryczne dane z wielu �róde� ........................................................................................396

Dane w czasie rzeczywistym — nieznacz�ce i kosztowne ............................................396Efekty dost�pu do danych w czasie rzeczywistym ......................................................................397Lista 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 ......................................................408Segmentacja na podstawie wspó�czynnika odrzuce� ...................................................................410Segmentacja na podstawie wyszukiwarek ..................................................................................410��czenie danych na temat wyszukiwarek i ucieczek ...................................................................411Okre�lanie trendów w segmentach ............................................................................................412

„Zrozumia�e” analizy i raporty ....................................................................................414U�ywanie �adnych rysunków .....................................................................................................414U�ywanie zrozumia�ego j�zyka ..................................................................................................415

Najlepsze praktyki przy obliczaniu wspó�czynnika konwersji ......................................418Pomijanie ogólnego wspó�czynnika konwersji dla ca�ej witryny .................................................420Uwzgl�dnianie trendów i sezonowo�ci .......................................................................................420Zrozumienie strategii pozyskiwania klientów przez witryn� i firm� ............................................421Pomiar wspó�czynnika konwersji z podzia�em na pi� najwa�niejszych

wej�ciowych adresów URL ......................................................................................................422Rezygnacja z pomiaru wspó�czynnika konwersji dla stron i odno�ników .....................................422

17

� SP

IS TR

EC

I

Obsesyjna segmentacja ..............................................................................................................423Przedstawianie przychodów obok wspó�czynnika konwersji .......................................................424Pomiar wspó�czynnika konwersji pod k�tem celu ......................................................................424

Usprawnianie analiz z obszaru SEM i PPC ..................................................................426Pomiar wspó�czynnika odrzuce�

(zagregowanego i wed�ug najpopularniejszych szukanych wyra�e�) ........................................427Kontrola us�ugodawców i agencji ..............................................................................................428Pomiar wspó�czynnika kanibalizacji ruchu naturalnego przez kampanie PPC .............................429Agresywne stosowanie testów i eksperymentów .........................................................................430Zrozumienie wielu celów klientów .............................................................................................431

Pomiar cudownego wspó�czynnika rezygnacji .............................................................432Stosowanie segmentacji do wspó�czynnika rezygnacji .................................................................433Wyci�ganie praktycznych wniosków i podejmowanie dzia�a� ....................................................435

Pomiar liczby dni i wizyt do zakupu ...........................................................................436Jak mierzy omawiane wska�niki? .............................................................................................438Wyci�ganie praktycznych wniosków i podejmowanie dzia�a� ....................................................439

Wykorzystanie statystycznych limitów kontrolnych ...................................................441Obliczanie limitów kontrolnych .................................................................................................444Praktyczny przyk�ad zastosowania limitów kontrolnych ............................................................444

Pomiar rzeczywistego zakresu mo�liwej poprawy .......................................................447Uwzgl�dnianie wspó�czynnika odrzuce� ....................................................................................448Odfiltrowywanie „wizyt” robotów wyszukuj�cych i oprogramowania do kontroli witryny

oraz b��dów 404 i ��da� rysunków .........................................................................................449Uwzgl�dnienie celów klientów ..................................................................................................450Podejmowanie dzia�a� ...............................................................................................................452

Rozdział 15. Budowanie kultury opartej na danych

— praktyczne kroki i najlepsze praktyki ................................................... 457

Kluczowe umiej�tno�ci mened�erówkierowników dzia�u analizy danych internetowych ..................................................458

Prawdziwa pasja ........................................................................................................................459Akceptacja i d��enie do zmian ...................................................................................................459Kwestionowanie danych a� do przesady .....................................................................................460Nastawienie na innowacje pod k�tem klienta ............................................................................460Niekoniecznie „mistrzowie liczb” ...............................................................................................461Naturalne zdolno�ci biznesowe i rozs�dek ..................................................................................461Wybitne umiej�tno�ci interpersonalne .......................................................................................462

Kiedy i jak zatrudnia konsultantów oraz ekspertów wewn�trznych? .........................462Etap 1. Narodziny .....................................................................................................................464Etap 2. Od niemowl�cia do nastolatka .......................................................................................465Etap 3. Szalona m�odo� ............................................................................................................467Etap 4. Dojrza�o� — po trzydziestce ........................................................................................469

Siedem etapów budowania kultury podejmowania decyzji na podstawie danych .........471Wyj�cie od wyników (skutków) .................................................................................................471Zrozumienie, �e raporty to nie analizy, i promowanie tych ostatnich .........................................472

18

SPIS

TR

EC

I �

Bezosobowe podejmowanie decyzji ............................................................................................473Zachowania proaktywne zamiast reaktywnych ..........................................................................474Du�e uprawnienia dla analityków ..............................................................................................475Stosowanie podej�cia Trinity ......................................................................................................475My�lenie w kategoriach procesu ................................................................................................476

Skorowidz ........................................................................................... 479

31

� W

EB

AN

ALY

TIC

S DZ

I I JUT

RO

Web Analyticsdzi� i jutro

20 marca 2007 roku wyszukiwanie wyra�enia„web analytics” + definition w wyszukiwarceGoogle da�o 642 000 wyników w 0,11 sekundy.Potwierdza to z�o�ono�� i d�ug� histori� tejwspania�ej dziedziny (oraz szybko�� generowaniawyników przez wyszukiwark� Google).

Rozdzia� 1[SR1]

32

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

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 danychinternetowych w celu optymalizacji witryn oraz internetowychkampanii marketingowych.

Analiza danych internetowych ma swe pocz�tki w latach 90. Jednak jejpierwsz� standardow� definicj� (przedstawion� powy�ej) zaproponowano dopierow 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 stosunkowoproste. U�ytkownik wpisywa� adres i ujednolicony lokalizator zasobu (ang. UniformResource Locator — URL), otrzymywa� plik z tekstem i odno�nikami, po czym ca�ainterakcja si� ko�czy�a. �ycie by�o wtedy proste.

Zauwa�ono, �e czasem pojawia�y si� b��dy, które powodowa�y, �e nie mo�naby�o udost�pni pliku, lub �e zawiera� on nieprawid�owe odno�niki. Wtedy to sprytniludzie wymy�lili dzienniki serwera do rejestrowania b��dów i wykorzystali je dowyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizytaodpowiada�a po prostu ��daniu zwrócenia pliku).

Wspomniane dzienniki serwera rejestrowa�y nie sam fakt odwiedzin u�ytkownikaw witrynie, ale tak�e dodatkowe informacje: nazw� pliku, czas, �ród�o ��dania (witryn�lub stron� internetow�), adres IP, identyfikator przegl�darki, nazw� systemuoperacyjnego i tak dalej. Praca stawa�a si� coraz ciekawsza, poniewa� mo�na by�odowiedzie si� czego� o �ródle ��dania.

Wraz z powi�kszaniem si� dzienników i wzrostem zainteresowania danymiosób 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)

33

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

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 internetowychi jest zainstalowane w witrynach wi�kszo�ci dostawców us�ug internetowych(ang. Internet Service Provider — ISP). Analog i podobne mu programy u�atwi�yrozpowszechnienie si� analizy danych internetowych poza dzia�y informatyczne firm.Raporty by�y coraz �adniejsze, a pracownicy z dzia�u marketingu mogli wreszciezrozumie, 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 nazywanegolicznikiem. Liczniki odwiedzin na stronach by�y prawdopodobniepierwszym przyk�adem sieciowego marketingu wirusowego (ich wprowadzenieprzypisywane jest firmie Web-Counter). Liczniki pojawi�y si� w ka�dym miejscusieci WWW. By�y ciekawe, a zarazem informowa�y o popularno�ci strony.

Komercyjna analiza danych internetowych rozpocz��a si� kilka lat pó�niej, a jejnajbardziej znanym owocem by� program WebTrends. Aplikacja ta opiera�a si� nawzbogaconym parserze standardowych plików dziennika, jednak co jeszcze wa�niejsze,generowa�a tabele i eleganckie wykresy, które ostatecznie wprowadzi�y analiz� danychinternetowych do zespo�ów biznesowych (przyk�adowe dane wyj�ciowe programuWebTrends przedstawia rysunek 1.2).

Rysunek 1.2. Przykładowy raport programu WebTrends

Do roku 2000, kiedy to popularno� sieci WWW wci�� ros�a w tempiewyk�adniczym, analiza danych internetowych sta�a si� ugruntowan� dziedzin� bada�.Kluczowymi dostawcami us�ug w tej bran�y byli Accrue, WebTrends, WebSideStoryi Coremetrics. Firmy te udost�pnia�y coraz bardziej zaawansowane rozwi�zania, któregenerowa�y olbrzymie ilo�ci danych.

Mniej wi�cej w tym samym czasie us�ugodawcy i klienci w bran�y analizy danychinternetowych odkryli, �e dzienniki serwera niekoniecznie s� optymalnym �ród�eminformacji.

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

34

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

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 robotywyszukuj�ce cz�sto przegl�daj� witryny i pozostawiaj� w dziennikach wpisyniezwi�zane z odwiedzinami u�ytkowników. Te wpisy tak�e s� uwzgl�dnianewe wska�nikach. Cho mo�na odfiltrowa odwiedziny robotów, trudno jest nad��yz rejestrowaniem ich wszystkich, a ponadto staj� si� one coraz „sprytniejsze”.

Niepowtarzalni u�ytkownicy. Poniewa� coraz wi�cej osób ma dynamicznieprzypisywany 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 tenobejmuje system operacyjny i przegl�dark� u�ytkownika), jednak tak�e to rozwi�zanienie jest doskona�e. Mo�na te� zastosowa pliki cookie ustawiane przez witryn�,jednak nie wszystkie dzia�y informatyczne korzystaj� z tej techniki.

Z tych i innych przyczyn nowym standardem zbierania danych na tematu�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 wierszykodu JavaScript, który zostanie uruchomiony po wczytaniu strony i prze�le danedo rejestruj�cego je serwera. Poni�ej przedstawiono przyk�adowy kompletny znacznikJavaScript u�ywany przez Crazy Egg — now� firm� �wiadcz�c� us�ugi w obszarzeanalizy danych internetowych:

<script type="text/javascript">//<![CDATA[ document.write('<scr'+'ipt src="http://crazyegg.com/pages/scripts/1111.js?'+ (new Date()).getTime()+'" ~CAtype="text/javascript"></scr'+'ipt>'); //]]></script>

Pliki dziennika oparte na kodzie JavaScript s� �atwiejsze w konserwacji ni�pliki dziennika serwera. Powoduj� tak�e, �e za zbieranie i przetwarzanie danychzazwyczaj odpowiadaj� nie wewn�trzne, firmowe dzia�y informatyczne, ale dostawcyus�ug z obszaru analizy danych internetowych. U�atwia to proces analizy. ZnacznikiJavaScript upraszczaj� tak�e wprowadzanie innowacji, rejestrowanie nowych rodzajówdanych i obs�ug� plików cookie w celu �ledzenia aktywno�ci u�ytkowników. Obecnieus�ugodawcy mog� samodzielnie wykonywa te operacje, zamiast kontaktowa si�z dzia�em informatycznym firmy.

U w ag a : Za znacznikami JavaScript także związane są pewne problemy omówione szczegółowo

w rozdziale 2., „Zbieranie danych — znaczenie i możliwości”.

35

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

Nast�pnym krokiem w ewolucji analizy danych internetowych by�owprowadzenie nak�adek na witryn� (ang. site overlay), nazywanych te� rozk�ademcz�stotliwo�ci klikni��. Dzi�ki tej technice osoby odpowiedzialne za podejmowaniedecyzji 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�neinformacji. Przegl�darka lub aplikacja do analizy danych internetowych wy�wietlawtedy przez okre�lony czas miejsca o najwi�kszej liczbie klikni�.

Upowszechni�o to znacznie czynno�ci b�d�ce wcze�niej domen� analitykówdanych internetowych. Zwi�kszy�o to te� cz�sto� korzystania z rozwi�za�analitycznych, poniewa� wszyscy mogli w bardzo prosty sposób — patrz�cna liczb� klikni� — zrozumie, co dzieje si� na stronie.

Rysunek 1.3 pokazuje, jak �atwo jest dokona segmentacji ca�ego ruchuw witrynie, wydzielaj�c odwiedziny z wyszukiwarki Google, oraz zaobserwowaró�nice w korzystaniu z odno�ników przez ró�ne grupy. Pozwala to ustali, czegoszukaj� 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 �rednichdostawców, na przyk�ad Unica, indexTools i ClickTracks, oraz liczne podstawowerozwi�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 podnazw� Google Analytics. Obecnie u�ytkownicy mog� bezp�atnie korzystaz pierwszorz�dnych analiz danych internetowych. Trudno jest okre�li liczb� osóbstosuj�cych Google Analytics. Wi�kszo� analityków szacuje j� na ponad pó� miliona

36

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

w ci�gu pierwszych sze�ciu miesi�cy. Zgodnie z powszechnymi oczekiwaniamiMicrosoft wkrótce pójdzie w �lady Google i tak�e udost�pni bezp�atne narz�dziedo analizy danych internetowych.

Tempo wprowadzania innowacji w �wiecie analizy danych internetowych niemaleje. Wci�� pojawiaj� si� nowsze i �atwiejsze sposoby wizualizacji z�o�onychzbiorów danych na temat interakcji u�ytkowników z witryn�. Jedn� z takich technikjest mapa klikni�� udost�pniana przez firm� Crazy Egg (rysunek 1.4). W czasiekiedy 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.

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�anieco od momentu narodzin i w pewnym sensie potrafi sama przetrwa, jednakw 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 latsie 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 wzrostupopularno�ci sieci WWW prowadzone s� coraz dok�adniejsze analizy, a firmywymagaj� od osób odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonychna ten kana�. To podej�cie wymaga wielu zmian w funkcjonowaniu tego kana�u

37

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

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 badaniamistrumieni klikni�. Cho jest to zupe�nie b��dne podej�cie, dla wi�kszo�ci praktykówstrumienie klikni� to podstawa przy podejmowaniu decyzji zwi�zanych z witryn�.Poniewa� te strumienie obejmuj� tylko cz�� danych internetowych, liczne firmys� rozczarowane brakiem praktycznych wniosków mimo inwestycji ponoszonych przezlata na narz�dzia do analizy takich danych. Dost�pnych jest mnóstwo danych i jeszczewi�cej raportów, jednak w my�lach osób odpowiedzialnych za podejmowanie decyzjiwci�� pojawia si� pewne stwierdzenie: „Dane nie powiedz� mi, co mam robi�”.

W czasie boomu internetowego na rynku dzia�a�o oko�o 200 us�ugodawcówo ró�nej wielko�ci. Od momentu za�amania w bran�y nast�pi�a konsolidacja.Ekosystem firm zajmuj�cych si� analiz� danych internetowych jest zdominowanyprzez us�ugodawców, którzy staraj� si� uzyska przewag� konkurencyjn�, oferuj�ccoraz 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 skutkidla 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 danychinternetowych. Wi�kszo� post�pów wynika z innowacji opartych na mo�liwo�ciach(ang. possibility-driven innovation — PDI), na przyk�ad: „Co jeszcze mo�emy zrobiz zebranymi danymi? Wprowad�my innowacje na tej podstawie”.

W bran�y wyra�nie wida brak wiedzy praktycznej. Co wa�niejsze, nie mate� ludzi i podej�, które umo�liwi�yby firmom internetowym wyci�ganie praktycznychwniosków pozwalaj�cych na strategiczne odró�nienie si� od konkurencji. Uniwersytetyi inne szko�y nie ucz� praktycznej analizy danych internetowych. Istnieje tylko jedenkurs internetowy na ten temat, prowadzony przez University of British Columbia.Te braki w po��czeniu z nadmiarem danych (w kategoriach danych surowych, któremo�na uzyska w sieci WWW) prowadz� do nieoptymalnych rozwi�za� przyprzedstawianiu 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�ciobecnych 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 opracowaniestrategii skutecznej analizy danych internetowych. Na przyk�ad w Web 2.0 typowestrumienie klikni� nie s� zbyt istotne, poniewa� ka�da nowinka powoduje powolneodchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wi�c mo�nazmierzy 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 danychinternetowych i do tego za pomoc� zaawansowanych narz�dzi. Oczekiwane darmowe

38

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

narz�dzie Microsoftu dodatkowo zwi�kszy mo�liwo�ci praktyków. Jednak sam dost�pdo narz�dzi i danych nie rozwi��e problemów zwi�zanych z wyborem wska�nikówpowodzenia i prawid�ow� analiz� danych internetowych.

Obecnie analitycy danych internetowych mog� korzysta z wi�kszej ilo�ci danychni� 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 zastanowisi� nad systemami CRM).

Wraz z rozwojem analizy danych internetowych — od narodzin do obecnegookresu niemowl�cego — u�ytkownicy mieli dost�p do coraz wi�kszej ilo�ci z�o�onychdanych. W prawie ka�dym narz�dziu analitycznym za pomoc� jednego klikni�ciamo�na wy�wietli setki miar.

Rosn�ca ilo� danych zwi�ksza mo�liwo�ci w obszarze analiz i dzia�a�, alejednocze�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� danychinternetowych, d���c do optymalnego wykorzystania setek milionów dolarówwydawanych 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 celupodj�cia optymalnych decyzji zwi�zanych ze spo�ytkowaniem setek milionów dolarówwydawanych przez firmy. Najgorsze jest to, �e wi�kszo� firm próbuje rozwi�za tenproblem w b��dny sposób.

Tradycyjna analiza danych internetowych to przeszłość

W audycji podcast z witryny Internet Marketing Voodoo z marca 2006 rokustwierdzi�em, �e tradycyjna analiza danych internetowych jest martwa. To samomog�em powiedzie ju� dwa lata wcze�niej.

Analiza danych internetowych opiera�a si� pocz�tkowo na dziennikachserwerów 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 danychinternetowych i podej�cie wi�kszo�ci firm koncentruj� si� na analizie strumieniklikni�. Rysunek 1.5 ilustruje typow� analiz� danych internetowych w przesz�o�ci.

Dzi�ki narz�dziom do analizy danych internetowych mo�na b�yskawicznieuzyska dost�p do olbrzymich ilo�ci danych, miar, kluczowych wska�ników wydajno�cii innych liczb. Istnieje wielu u�ytkowników i dostawców takich us�ug oraz dobrzeugruntowany system pracy i my�lenia zwi�zany z przedstawianiem tych danych.

39

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

Rysunek 1.5. Mnóstwo miar i kluczowych wskaźników wydajności dostępnych po kliknięciu przycisku

Jak wi�c wygl�da tradycyjny �wiat analizy danych internetowych? Je�li firmakorzysta z jednej z poni�szych przyk�adowych miar, prawdopodobnie funkcjonujew�a�nie w tym �wiecie:

Liczba wy�wietle stron. Je�li firma prowadzi witryn� sklepu internetowego (a tak�ewi�kszo� innych witryn), to czy wysoka liczba wy�wietle� stron przez u�ytkownikajest korzystna, czy nie? Je�li nawigacja sprawia problemy, u�ytkownicy b�d� cz�stowy�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� cenynie s� konkurencyjne, dlatego opuszcz� witryn�. Jak mo�na na podstawie samej liczbywy�wietle� stron stwierdzi, jak zachowuj� si� u�ytkownicy? Ponadto jaki wzorzeczachowa� klientów jest korzystny ze wzgl�du na ten wska�nik?

Liczba wizyt. Kiedy� wizyty s�u�y�y do �ledzenia liczby ��da� danych kierowanychdo 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 rozwojuinternetu — tak�e wi�ksz� liczb� u�ytkowników. Obecnie wizyty maj� bardzo ma�eznaczenie 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�wietlanychstron? Liczb� osób odwiedzaj�cych witryn�?

Strony z najwi�ksz� liczb� wyj��. O czym informuje analityka to, na której stronieinternetowej odwiedzaj�cy najcz��ciej opuszczaj� witryn�? Czy takie strony s� gorszeod innych? Przecie� mo�liwe, �e s� to doskona�e strony, na których u�ytkownicyznajduj� 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.

40

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

Wska�nik opuszczania witryny nie informuje o tym, czy poziom poszczególnychstron jest wysoki, czy niski.

Zaanga�owanie. Podobne zastrze�enia dotycz� zaanga�owania, które cz�sto obliczasi� jako liczb� sesji podzielon� przez liczb� niepowtarzalnych u�ytkowników. Je�liwiele 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 zewspania�ymi informacjami?

Rozdzielczo�� ekranu u�ytkowników. Rozdzielczo� ekranu to doskona�y przyk�adniepotrzebnego wska�nika, który ma bardzo niewielk� warto�. Ka�de narz�dziedo analizy danych internetowych informuje o rozdzielczo�ci ekranu, a miara ta pojawiasi� 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 powodujenieoptymalne wykorzystanie czasu. Ponadto czy nie lepiej po prostu u�y bada� firmyForrester Research lub Gartner na temat najnowszych trendów w danej bran�y i natej podstawie okre�li optymaln� wielko� strony?

Wszystkie te wska�niki maj� o czym� informowa, jednak w praktyce tegonie robi�. Co gorsza, zwykle prowadz� do b��dnych wniosków. Po wydaniu mnóstwapieni�dzy na zakup narz�dzi i poniesieniu jeszcze wi�kszych nak�adów na uzyskanieraportów firmy maj� ma�o informacji na temat zwrotu z inwestycji lub opiniiu�ytkowników na temat korzystania z witryny. Lata frustracji wynikaj�cejz niemo�no�ci zrozumienia danych i podejmowania dzia�a� na ich podstawiedoprowadzi�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�ado praktycznych wniosków.

Jak powinna wyglądać analiza danych internetowych?

W omawianej bran�y zachodz� w�a�nie istotne zmiany. Analiza danych internetowychnie jest ju� t� sam� dziedzin� co dawniej. Nowy �wiat analiz prowadz�cychdo praktycznych wniosków obejmuje nie tylko strumienie klikni�. Istotne s� tak�edane na temat skutków. Dane te zwykle mo�na zarejestrowa za pomoc� znacznikówJavaScript, 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�dziemdla firm, które wcze�niej z niego nie korzysta�y.

Podstaw� tradycyjnej analizy danych internetowych przez d�ugi czas by�ywbudowane kluczowe wska�niki wydajno�ci (ang. key performance indicator — KPI).

41

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

Jednak z uwagi na to, �e ogólne wska�niki KPI cz�sto nie uwzgl�dniaj� strategicznychró�nic w dzia�aniu firm, nie spe�niaj� pok�adanych w nich nadziei.Aby wspó�zawodniczy z innymi firmami, trzeba przeprowadza kluczoweanalizy wniosków (ang. key insights analysis — KIA).

Poni�ej opisano kilka miar specyficznych dla nowego �wiata analizy danychinternetowych 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 danychinternetowych) pomagaj� zrozumie punkt widzenia klienta. U�atwiaj� zrozumieniedzia�a� u�ytkowników witryny. Czy klikaj� oni elementy zgodnie z oczekiwaniamiw�a�cicieli witryny? Je�li nie, co uwa�aj� za ciekawsze od tych opcji? Które elementyokaza�y si� zupe�nie nieoczekiwanie interesuj�ce dla u�ytkowników?

Je�li firma dokonuje segmentacji ruchu w witrynie, mo�e ustali ró�nicew zachowaniu ró�nych grup u�ytkowników, na przyk�ad klikni� osób, które trafi�yna witryn� z wyszukiwarki Google, i pozosta�ych odwiedzaj�cych. Mo�na na przyk�adlepiej dopasowa tre� dla u�ytkowników z pierwszego z tych segmentów. Analizytego rodzaju s� bardzo cenne, poniewa� umo�liwiaj� podejmowanie dzia�a�. Nieograniczaj� si� do raportów i arkuszy programu Microsoft Office Excel, ale pozwalaj�dos�ownie przyjrze si� stronom internetowym i zobaczy, jak zachowuj� si� klienciz poszczególnych segmentów. Na podstawie tych danych mo�na zacz� tworzyniestandardowe, spersonalizowane strony dla u�ytkowników z ró�nych grupi zwi�kszy przez to zaanga�owanie klientów oraz poprawi wynik na skali g�ównegowska�nika powodzenia.

Podstawowy cel odwiedzaj�cych. Zamiast wnioskowa o celu wizyty na podstawieogl�danych stron, w nowym i ulepszonym podej�ciu wystarczy poprosi klientówo to, aby pomogli ustali, dlaczego odwiedzili witryn�. Ryzyko korzystaniaz wy�wietlanych stron przy okre�leniu g�ównego celu wizyty polega na tym, �e je�liwitryna nie zawiera szukanych tre�ci, w�a�ciciel nigdy si� o tym nie dowie. Dlaczegowi�c nie zada pytania u�ytkownikom? Warto przeprowadzi ankiet� lub porozmawia

42

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

z nimi przez telefon. Nale�y skontaktowa si� z klientami i zapyta, dlaczego odwiedziliwitryn�. Czasem mo�na w ten sposób odkry przyczyny, o których w�a�ciciel nigdyby nie pomy�la�, a które powinien by� uwzgl�dnia od pocz�tku istnienia witryny.

Wspó�czynnik ukoczonych zada. Zauwa�alne jest te� odchodzenie od korzystaniaz danych na temat strumieni klikni� (powi�zanych z wy�wietlaniem stron) w kierunkupomiaru udanego uko�czenia zada�. Firmy cz�sto maj� witryny pomocy technicznejz baz� wiedzy, listami odpowiedzi na cz�sto zadawane pytania (ang. frequently askedquestions — FAQ) i tak dalej. W dawnym podej�ciu sukces mierzono za pomoc�narz�dzi do analizy strumieni klikni�, uwzgl�dniaj�cych wszystkie osoby, którezobaczy�y artyku� z bazy wiedzy lub list� FAQ. Jednak czy sam fakt wy�wietleniaprzez u�ytkownika d�ugiej i skomplikowanej odpowiedzi oznacza sukces? Powodzeniew wi�kszo�ci przypadków bardzo trudno jest okre�li na podstawie wy�wietlonychstron. Wyj�tkiem s� witryny sklepów internetowych, w których wy�wietlenie stronyz podzi�kowaniami po z�o�eniu zamówienia mo�na uzna za udane uko�czeniezadania. W nowym podej�ciu zestaw analiz danych internetowych wzbogaconoo bardziej zaawansowane dane jako�ciowe, które pozwalaj� zrozumie, czy klienciuko�czyli zadania i znale�li to, czego szukali. Na tej podstawie mo�na podejmowadzia�ania, poniewa� nie ma w�tpliwo�ci, czy wy�wietlenie strony doprowadzi�o dozrealizowania celu. Wystarczy zapyta (za pomoc� ankiety, laboratoryjnych testówu�yteczno�ci lub testów w witrynie), a nast�pnie podj� dzia�ania na podstawieuzyskanych odpowiedzi.

Trendy w zachowaniach segmentów u�ytkowników. Niewiele dost�pnychobecnie narz�dzi umo�liwia segmentacj� danych po ich zarejestrowaniu. W dawnympodej�ciu u�ywano atrybutów w znacznikach JavaScript. Teraz dost�pne s� narz�dziafirm ClickTracks i Visual Sciences (ich ceny bardzo si� ró�ni�) umo�liwiaj�ce prawdziw�segmentacj� danych, dzi�ki czemu nie trzeba sprawdza �redniego czasu wizytyw witrynie, najcz��ciej szukanych s�ów kluczowych lub popularnych tre�ciz uwzgl�dnieniem wszystkich u�ytkowników. Narz�dzia te umo�liwiaj� podzia�klientów na grupy i rejestrowanie ich zachowa� w sensowny sposób, co pozwalana du�o lepsze zrozumienie interakcji u�ytkowników z witryn�. Prowadzi todo praktycznych wniosków, na których mo�na oprze dalsze dzia�ania.

Wielokana�owe analizy skutków. Powa�n� wad� tradycyjnej analizy danychinternetowych 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. Abyzrozumie ogólny wp�yw kana�u sieciowego, trzeba postrzega sie WWW jakocz�� wi�kszego ekosystemu. Uzyskanie warto�ciowych wniosków wymaga pomiaruwp�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).

43

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

Poszerzenie perspektywy oznacza, �e dane z narz�dzi do analizy danychinternetowych pomagaj� w analizach innego rodzaju (na przyk�ad analizach warto�ciklienta 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 pozainternetem nie powinno zabrakn� podstawowych metadanych na temat firmy.

Wspó�cze�ni analitycy �yj� w czasach kluczowych analiz wniosków i powinnizda sobie spraw�, �e ka�da porcja danych ma wp�yw na dzia�ania. Nie s� tojakiekolwiek operacje. Powinny to by dzia�ania, które przynosz� skutki oczekiwaneprzez klientów. (Warto zwróci na to uwag�: nie s� to efekty po��dane przez szefaanalityków lub nawet przez jego prze�o�onego, ale wa�ne dla klienta).

Wkroczenie w �wiat wniosków wymaga czasu, jednak pokonanie tej barierypozwala uzyska d�ugoterminow� przewag� strategiczn� (i powa�n� premi� orazpromocj�, 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 pewneprodukty 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, wszystkieogl�dane produkty, czas czytania ka�dej „etykiety”, przedmioty umieszczone w koszykui 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 klientpo prostu wejdzie do witryny i opu�ci j�, w�a�ciciel mimo to pozna wszystkie jegodzia�ania i kolejno� ich wykonywania.

Mam nadziej�, �e uda�o mi si� zademonstrowa istotn� przewag� sieci WWWw obszarze zbierania danych na temat odwiedzaj�cych. Wszystko to jest mo�liwebez naruszania podstawowych zasad prywatno�ci (dlatego na przyk�ad wi�kszo�witryn nie zarejestruje informacji o odwiedzinach Avinasha Kaushika, ale osobyo identyfikatorze 159ar87te384ae8137 zapisanym w pliku cookie). Ponadto obecnieistnieje bardzo du�a liczba narz�dzi, które b�yskawicznie tworz� raporty obejmuj�cewszelkie 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.

44

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

Jednak niezale�nie od u�ywanych narz�dzi dane mog� jedynie pomócw zrozumieniu tego, co si� dzieje. Nie pozwalaj� natomiast — niezale�nie od zakresuprzetwarzania 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 nieodpowiadaj� na szereg kluczowych pyta�. Dlaczego odwiedzaj�cy klikali okre�loneelementy? 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 takdzwoni 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 internetowychprowadz�cych do bardzo nielicznych wniosków a 1% analiz, które pozwalaj�zrozumie sposób my�lenia klientów.

Po��czenie odpowiedzi na pytania co (analiza ilo�ciowa) i dlaczego (analizajako�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, którezwi�ksz� komfort pracy u�ytkowników.

Dost�pnych jest wiele danych jako�ciowych (odpowiadaj�cych na pytaniedlaczego). 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 innychni� dana witryna, a jeszcze inne zwi�zane s� z cechami mi�kkimi, na przyk�adpostrzeganiem marki.

Cho analiza jako�ciowa ma wiele odmian, prawdopodobnie najwa�niejszymwska�nikiem z tej grupy jest interakcja klientów (odwiedzaj�cych) z witryn� internetow�.

Pierwszy krok na drodze do kluczowych analiz wniosków powinien polegana zrozumieniu wszystkich aspektów interakcji klientów z witryn�. Mo�e todoprowadzi do szybszego wysnucia praktycznych wniosków i wywarcia istotnegowp�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

45

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

mog� by drugim lub trzecim przystankiem w podró�y, poniewa� koncentracjana nich mo�e prowadzi do nieoptymalnego wykorzystania czasu i zasobów, je�lianalityk wcze�niej dobrze nie zrozumie elementów wp�ywaj�cych na zadowolenieklienta i udane wykonywanie przez niego zada� w witrynie.

Jest wiele metod zbierania danych jako�ciowych (odpowiadaj�cych na pytaniedlaczego). 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 „�rodowiskunaturalnym”),

� testy i eksperymenty (jest to modna ostatnio technika obejmuj�ca testy A/Bi wielu zmiennych),

� 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 omówieniug�ównego celu odwiedzaj�cych w poprzednim podrozdziale).

Dla osób, które nie maj� do�wiadczenia w testach jako�ciowych, ankietyto 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 praktycznychwniosków.

Po��czenie odpowiedzi na pytania dlaczego (cele, motywacje i tak dalej) orazco (klikni�cia, liczba odwiedzaj�cych) jest niezb�dne jako podstawa udanegoi 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 danychinternetowych, pojawi�a si� potrzeba zastosowania nowego paradygmatu, innegosposobu my�lenia o analizie. Zastosowanie wielu wska�ników KPI, raportów pe�nychdanych i du�ej mocy obliczeniowej nie doprowadzi�o do uzyskania oczekiwanychefektów.

Od kilku lat niemal ka�da witryna mia�a zainstalowany standardowy pakietdo analizy danych internetowych jednego z trzech czo�owych producentów,co umo�liwia�o generowanie raportów i doprowadzi�o do og�oszenia sukcesuw obszarze ich conocnego przygotowywania. Jak jednak powinien wygl�daparadygmat, skoro zwyk�e dzia�ania nie doprowadzi�y do wysnucia wnioskówumo�liwiaj�cych popraw� komfortu korzystania z witryny?

46

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

Odpowiedzi� by�a metoda Trinity — nowy sposób my�lenia o podejmowaniudecyzji na temat witryny, wykraczaj�cy poza strumienie klikni�. Trinity to tak�eplatforma, na której firma mo�e oprze strategi� dzia�a� w sieci WWW.Jej zastosowanie gwarantuje mo�liwo� zbudowania pierwszorz�dnej platformypodejmowania decyzji, która zapewni przedsi�biorstwu trwa�� przewag�konkurencyjn�.

G�ówn� przyczyn� warto�ci metody Trinity jest jej istota: praktyczne wnioskii miary (rysunek 1.6).

Rysunek 1.6. Rozwiązywanie problemów

pod kątem praktycznych wniosków i miar

Celem tej strategii jest rezygnacja z raportów. Analityk nie powinien si�zastanawia, jak zarzuca osoby podejmuj�ce decyzj� raportami pe�nymi danych.Praktyczne wnioski i miary to cel nadrz�dny, poniewa� umo�liwiaj� one strategiczneodró�nienie si� od innych firm i uzyskanie trwa�ej przewagi konkurencyjnej.

Uzyskanie praktycznych wniosków wraz z jasnymi celami pomagaskonkretyzowa dzia�ania organizacji. Je�li czynno�ci wykonywane przez analityka(przygotowywanie raportów, analizy danych, spotkania, przegl�dy i tak dalej) nieprowadz� do praktycznych wniosków, powinien z nich zrezygnowa. Ta strategiazach�ca do wykonywania warto�ciowych zada� i jest doskona�ym sposobemna u�atwienie kluczowym osobom podejmowania decyzji w obszarze wykorzystaniazasobów.

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�liweprzy dost�pnych danych) celów klientów lub osób odwiedzaj�cych witryn� na podstawiewszystkich informacji o danej osobie. Nie nale�y na�ladowa innych analitykówi oczekiwa zbyt wiele po strumieniu danych. Najlepsze, co mo�na zrobi z takimstrumieniem, to próba ustalenia celu, i trzeba si� z tym pogodzi.

Po zebraniu danych na temat strumieni klikni� nale�y przeanalizowa je nawy�szym poziomie. Nie warto bada wizyt, ��cznego czasu korzystania z witryny,liczby u�ytkowników i stron wyj�cia. W metodzie Trinity nale�y skoncentrowa

47

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

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�adkina witryn�. Nale�y te� przeprowadzi segmentacj� danych na n poziomów, aby doj�do cennych wniosków. Warto te� przeanalizowa szukane wyra�enia i to nie tylkozewn�trzne, ale tak�e wewn�trzne, ograniczone do witryny. Celem jest m�dreprzeprowadzenie analizy strumieni klikni� i rozpocz�cie wnioskowania na tematcelów 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 wynikato 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, jestmo�liwo� wykonywania tego zadania, przedstawiania efektów wspó�pracownikom,sprawdzania poprawno�ci przemy�le�, wyci�gania ostatecznych wniosków i dawaniazalece�.

Analizy skutków

Drugi element metody Trinity to analizy skutków (rysunek 1.8). Ja nazywam tenkomponent „i co z tego?”.

Ten komponent jest kluczowy z jednej prostej przyczyny: kiedy pod koniecdnia wszystko zosta�o ju� powiedziane i zrobione, analityk chce pozna skutki, jakieb�dzie to mia�o dla klientów i firmy. Ten element eliminuje te� jedn� z kluczowychwad tradycyjnej analizy danych internetowych — nadmiern� koncentracj� na miarachopartych 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 danychi 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 waszawitryna?”. Zaskakuj�ce jest, jak wielu z nich nie potrafi udzieli odpowiedzi sk�adaj�cejsi� z mniej ni� 15 s�ów. Ten element metody Trinity pozwala zmierzy, jak dobrzewitryna spe�nia cel swego istnienia.

48

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

Rysunek 1.8. Drugi element metody Trinity — analizy skutków („i co z tego?”)

Komponent ten dobrze mierzy zyski witryn sklepów internetowych (nie tylkoich poziom, ale te� to, dlaczego przychody by�y takie, a nie inne) i wspó�czynnikkonwersji. W witrynach pomocy technicznej pozwala okre�li szybko� rozwi�zywaniaproblemów i wska�niki zwi�zane z czasem. W witrynach s�u��cych do zbierania listpotencjalnych klientów ten element Trinity mierzy liczb� danych osobowych i ichjako� oraz zmiany w tym obszarze. Dla danej witryny lub firmy skutki mog� byinne od tych wymienionych na rysunku, jednak prawie zawsze s� to miary zwi�zanez 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�liwypomiar wszystkich zwi�zanych z nim niuansów, zalecam ca�kowit� rezygnacj�z pomiaru zachowa� (strumienia klikni�). Je�li analityk nie mo�e solidnie zmierzyskutków, �adna analiza zachowania nie b�dzie warto�ciowa, poniewa� nie wiadomo,czy wszystkie rosn�ce wykresy generowane przez u�ywan� aplikacj� do analizydanych internetowych przek�adaj� si� na powi�kszenie warto�ci firmy. Czy rezygnacjaze strumieni klikni� na rzecz wcze�niejszego pomiaru skutków to ekstremalnerozwi�zanie? Tak. Czy jest to konieczne? Pewnie.

Analiza doświadczeń

Trzeci i ostatni komponent metody Trinity to do�wiadczenia (rysunek 1.9). Tensk�adnik pozwala uzyska cenn�, ale trudn� do znalezienia odpowied� na pytaniedlaczego.

Cho komponent skutków w metodzie Trinity jest niezb�dny, pomiardo�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

49

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

Rysunek 1.9. Trzeci element metody Trinity — analizy doświadczeń (dlaczego)

analizy zachowa� i skutków, powinna zainwestowa w analiz� do�wiadcze�. Pozwalato odpowiedzie na pytanie dlaczego. Te analizy przynosz� ukojenie w trakcie ci��kiejpracy nad danymi ze strumieni klikni�.

Trudno wybra ulubione z dzieci, jednak dla mnie bez w�tpienia analizydo�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 klientówz korzystaniem z witryny. Mo�na u�y ankiet lub po prostu zadawa pytania, a tak�ezastosowa bardzo z�o�one techniki ilo�ciowe i jako�ciowe. Ankiety pozwalaj� zmierzysatysfakcj� klientów, a nawet przewidywa przysz�e zachowania (prawdopodobie�stwozakupu lub polecanie innym produktów albo us�ug). W dalszej cz��ci ksi��ki wyra�niewida, �e jestem gor�cym zwolennikiem eksperymentów i testów (nale�y pozwoliklientom 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 ScottCook, za�o�yciel firmy Intuit, okre�la jako istot� innowacji skoncentrowanychna kliencie.

U w ag a : W rozdziale 3., „Przegląd analiz jakościowych” szczegółowo omówiono wszystkie metody

projektowania skoncentrowanego na kliencie.

50

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

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 zrozumieniado�wiadcze� klientów, aby móc wywo�a� optymalne zachowanie u�ytkownika, któredoprowadzi do sytuacji wygrana-wygrana dla firmy i klienta (rysunek 1.10).

Rysunek 1.10. Zrozumienie doświadczeń w celu wywołania zachowań prowadzących do skutku wygrana-wygrana

Wa�ne jest ostatnie zdanie — metoda Trinity ma prowadzi do skutkuwygrana-wygrana.

Je�li dla danego klienta odpowiednia jest wersja podstawowa, a nieprofesjonalna, w�a�ciciele witryny powinni pomóc odbiorcy to ustali i kupidopasowany produkt. To prawda, je�li klient kupi wersj� profesjonaln�, w krótkimokresie 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 firmapomo�e mu w zakupie odpowiedniej, podstawowej wersji, klient za rok powróci, abykupi wersj� profesjonaln�. Metoda Trinity pozwala osi�ga korzy�ci d�ugoterminowe.

Nale�y zrozumie potrzeby i oczekiwania klientów, a nast�pnie przygotowarozwi�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 zwyklebardzo proste.

Ka�dy komponent metody Trinity jest wspomagany przez ró�ne narz�dzia.Podej�cie to obejmuje ró�ne techniki i wykorzystuje powtarzalne procesy.

51

� K

RÓ

TK

A H

ISTO

RIA

AN

ALIZ

Y D

AN

YC

H IN

TE

RN

ET

OW

YC

H

Co najwa�niejsze, stosuj�ce j� osoby musz� mie zestaw kluczowych umiej�tno�ci.Samo nastawienie nie prowadzi do rozwi�zania problemów (cho pozwala wkroczyna dobr� drog�). Stosowanie strategicznej metody Trinity zwi�zane jest z utworzeniemodpowiedniej struktury organizacyjnej i rozwini�tej kultury.

Budowanie zintegrowanej platformy Trinity

Nie mo�na utworzy ca�ej platformy w jeden dzie�. Zwykle nale�y zdiagnozowaobecny stan, a nast�pnie do��czy brakuj�ce elementy. Trzeba si� upewni, �e planrealizacji strategii i dzia�a� powdro�eniowych umo�liwia analitykom po��czeniewszystkich elementów metody Trinity (rysunek 1.11). Zapewni to firmie znaczn�przewag� konkurencyjn�.

Rysunek 1.11. Zintegrowana strategia Trinity (klucze podstawowe umożliwiają powiązanie najważniejszych

silosów z danymi)

Je�li odwiedzaj�cy sk�adaj� zamówienia lub przesy�aj� dane kontaktoweza pomoc� witryny, w bazie danych z zamówieniami mo�na zapisa anonimoweelementy �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.

52

RO

ZD

ZIA

� 1

: W

EB

AN

ALY

TIC

S D

ZI

I J

UT

RO

�

Identyfikatory session_id (ponownie anonimowe) mo�na przekazywa tak�edo narz�dzia obs�uguj�cego ankiety, co pozwala na podstawie ich wyników wydzielisegment najbardziej niezadowolonych klientów. Nast�pnie mo�na wykorzystanarz�dzie do analizy danych internetowych i przeanalizowa strumienie klikni�,aby ustali, które strony ogl�dali klienci zadowoleni, a co zobaczyli u�ytkownicyniezadowoleni. 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 ograniczonaprzez 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. Ponadtosam analityk jest szcz��liwy, poniewa� w ko�cu mo�e zmierzy si� z analiz� danychjako�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 metodyTrinity do danego typu biznesu zawiera rozdzia� 6., „Miesi�c 1. Zg��bianienajwa�niejszych zagadnie� z obszaru analizy danych internetowych”.