VIDEO TRANSCRIPTION
Dariusz Ciesielski
GA4 6 Raporty niestandardowe GA4 Eksplorowanie
Description generated by Skrybot
No description has been generated for this video.
Transcription generated by Skrybot
Wydaje mi się, że nie da się już rady po ostatniej lekcji, gdzie omawialiśmy wszystkie raporty standardowe. No ale widzę, że się myliłem. Ale do zobaczenia. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Dzień dobry. Zacznijmy zatem od pierwszej metody, czyli tzw. eksploracji swobodnej. Zakładam, że będzie to metoda najczęściej wykorzystywana przez siebie, dlatego że ta metoda jest najbardziej uniwersalna w zakresie wykorzystania metryki wymiarów. Sprawdźmy na tym jak ta metoda działa i stwórzmy sobie taki przykładowy, czy przykładowe raporty.
Żeby zacząć musimy wybrać szablon metoda eksploracja swobodna, albo po prostu pusty szablon i w nim wybierzemy metodę eksploracja swobodna. Generalnie to jest ona domyślna, więc będzie najpewniej już wybrana w interfejsie. Większość ludzi, i oczywiście ja się zaliczam też do tego ogrona, najlepiej uczy się na przykładach. Tak więc od razu stwórzmy sobie kilka przykładowych raportów, które z dużym prawdopodobieństwem w większości z nas prędzej czy później przydadzą się w późniejszych analizach. Na początek zacznijmy od bardzo prostego przykładu, aby oswoić się z interfejsem. Załóżmy, że chcemy przeanalizować jak wygląda ruch na naszej stronie z różnych krajów czy regionów podzielony według rodzaju używanych urządzeń przez naszych użytkowników.
Zwróć uwagę, że wybrałem pusty raport, w którym nie ma jeszcze wybranych żadnych danych w zakresie metryk czy wymiarów. Musimy je tutaj teraz w takim razie dodać. Wybierając przy każdym rodzaju danych przycisk plusa możemy wybrać dane, wymiary i segmenty z dostępnej listy. Zobacz, że jest ich naprawdę dużo. Aby było łatwiej szukać, dane są pogrupowane tematycznie w rozwijanym menu. Osobiście lubię tutaj korzystać szczególnie z wyszukiwarki na górze. Jeśli już będziesz pamiętać system nazw danych i wymiarów, to jestem pewien, że mocno także jak ja zaprzyjażdżę się właśnie z tą wyszukiwarką. OK, zgodnie z naszym planem tutaj na tą naszą analizę potrzebujemy bardzo konkretnych danych i wymiarów.
Pamiętasz, że wymiary zawierają dane niewyrażone liczbami, a metryki to dane wyrażone zawsze jakąś liczbą czy miarą liczbową, np. procentami. Tutaj w tym przypadku nazywamy te metryki danymi. W naszym przypadku potrzebujemy region i rodzaj urządzenia i to będą nasze wymiary, bo nie są wyrażone wielkością liczbową. Tak więc będę ich tutaj szukał na liście wymiarów. W przypadku wyboru regionu czy kraju czy miasta znajdę je odpowiednio w części dane demograficzne. Kolejnym wymiarem będzie rodzaj urządzenia. Tego rodzaju wymiaru znajdziemy w części platforma czy urządzenie. Wybieramy więc tutaj wymiar, w moim przypadku będzie to kategoria urządzenia. Tak na marginesie ten wymiar chyba używam najczęściej w zakresie wymiarów dotyczących platform i urządzeń.
Teraz klikamy zastosuj i nasze wymiary pojawią się na liście naszych podręcznych wymiarów w zakładce zmienne po lewej stronie. Czas na wybór teraz metryk, czyli danych. Chcemy przeanalizować ruch na stronie, więc potrzebujemy wybrać przede wszystkim sesję, ale oczywiście też warto dodać metrykę tutaj użytkownicy. Za pomocą przycisku plusa przechodzimy do listy dostępnych metryk. Łatwo widać, że potrzebne nam dane znajdą się w sekcji sesja oraz zapewne tutaj będzie też potrzebna nam sekcja użytkownik. Zobaczymy co tam się znajduje. W sekcji sesja możemy wybrać od razu metrykę sesje i pomyślałbym tutaj też o sesjach zaangażowania w tym momencie.
Pamiętaj tylko, że tutaj istnieje tendencja do wybierania zbyt wielu danych do jednego raportu, co może nam zaciemnić obraz całej sytuacji. Z drugiej strony pamiętaj, że wybieramy tutaj na razie tylko dane do naszej podręcznej listy na karcie zmienne, więc nie dodajemy ich prosto do raportu, tak że może być ich trochę więcej na tej liście. A wracając do wyboru danych. W sekcji użytkownik wybieram metrykę aktywni użytkownicy oraz metryki nowi i powracający użytkownicy. W ten sposób wypełniłem całą listę danych i wymiarów. Czas w takim razie na rozpoczęcie budowania naszego raportu. Aby stworzyć wspomniany raport wystarczy przeciągnąć dane sesje i aktywni użytkownicy do sekcji wartości w ustawieniach karty raportów.
Następnie to samo robimy z wymiarami, które umieszczamy w ustawieniach karty jako wiersze raportu. Raport jest praktycznie gotowy. Możemy go jednak zawsze trochę podrasować i sprawić, że będzie bardziej czytelny. Pierwszą rzeczą jaką możemy tutaj zrobić to zmienić układ danych. Możemy tu np. przenieść wymiar kategorii urządzeń do sekcji kolumn. W ten sposób nasz raport podzielimy sobie na czytelne kolumny z danymi według kategorii urządzeń. Moglibyśmy też zagnieździć wiersze bez wykorzystywania kolumn, ale wydaje mi się to mniej czytelne w przypadku tego rodzaju akurat raportu. To co możemy w tym miejscu jeszcze zrobić to zmienić wizualizację danych oraz przefiltrować dane według wybranego jakiegoś kryterium, aby dane były dla nas bardziej czytelne. Zacznijmy od filtrów.
Na samym dole ustawienia karty mamy dostępne funkcje filtrów, gdzie możemy wybrać wymiar lub dane na podstawie których dokonamy selekcji danych w raporcie. Na przykład pokaż w raporcie miasta, które miały więcej niż 100 sesji. Wystarczy kliknąć na komórkę filtrów, wybrać wymiar sesji i nadać mu warunek więcej niż 100. No i gotowe. W naszym raporcie pokażą się dane tylko dla miast powyżej 100 sesji w danym okresie. Tutaj ważna uwaga. Filtr mogą wykorzystywać także dane i wymiary nie wykorzystywane bezpośrednio w raporcie. Możemy filtrować zatem dane w raporcie na podstawie innych kryteriów z dostępnej listy danych czy wymiarów w sekcji zmienne.
Na przykład mogę wybrać kryterium dla raportu, gdzie chcę zobaczyć dane dotyczące tych naszych sesji i użytkowników według miast i oczywiście wykorzystywanych rodzajów urządzeń, ale tylko dla użytkowników, którzy korzystają z urządzeń z systemem Android. Tak więc możemy tu w wygodny sposób modelować sobie jakie dane wykorzystywane będą czy widoczne będą w raportach. Bardzo wygodną funkcją w zakresie filtrowania jest też filtrowanie przy pomocy danych używanych w samym raporcie. Przypuśćmy, że chcemy w naszym raporcie wykluczyć ruch pochodzący z Warszawy z urządzeń typu desktop, bo ewidentnie jest to miasto dominujące jeśli chodzi o ruch na stronie, a my chcemy dokonać analizy innych miast z nieodkrytym przez nas być może potencjałem.
W takim przypadku wystarczy kliknąć prawym klawiszem myszy na odpowiednią komórkę w raporcie i wybrać Wyklucz zaznaczenie. Dzięki temu tworzy nam się automatycznie filtr widoczny w sekcji filtry i zostanie on od razu zaplikowany do naszego raportu. Filtrowanie danych to bardzo potęże narzędzie i tutaj warto umieć się nim płynnie posługiwać. Pamiętajmy, że o zasadzie im prościej i czytelniej w raportach tym łatwiej będzie nam wyciągać wnioski. Funkcją warto umówienia jeszcze tutaj jest kwestia samej wizualizacji. Jak widzisz na górze zakładki ustawienia karty dostępne są rodzaje wykresów do wizualizacji raportów, które tworzymy. Trzeba jednak pamiętać, że jeśli użyjemy kilku kolumn z danymi to nie zawsze uda nam się nasz raport zwizualizować przy pomocy dostępnych wykresów.
Dlatego trzeba dodatkowo taki wykres też skonfigurować i wybrać odpowiednie dane do wizualizacji. Osobiście wykorzystuję dostępne wykresy kiedy tworzę prezentacje z audytem np. dla klientów, bo zawsze wymowna wizualizacja jest lepsza niż 1000 słów. Na co dzień jednak wolę opcję samej tabeli, ale też z opcją wizualnego określenia danych według ich udziału w całości. Pamiętajmy, że w analityce internetowej liczą się przede wszystkim trendy i proporcje a nie bezwzględne liczby, bo nie będą one nigdy idealnie dokładne i mówiliśmy o tym już niejednokrotnie. Tak więc aby lepiej rozumieć dane dostępne w raporcie możemy wykorzystać opcję typu komórki dostępną nad sekcją filtrów. Wybierając np. opcję mapy termicznej w łatwy sposób zrozumień proporcje danych, które wybraliśmy do naszego raportu.
Wykres słupkowy z kolei jest też całkiem niezły, ale ja osobiście wolę tzw. hitmapę, ale to oczywiście osobnicza preferencja. Warto sprawdzić co nam lepiej tutaj podpasuje. W przypadku metody eksploracji swobodnej na pewno stworzyłbym jeszcze 2 albo 3 raporty na pierwszy ogień, o które pyta mnie zawsze najwięcej użytkowników czy klientów, którymi pracuję. Pierwszy to raport dotyczący stron docelowych. Niby możemy poznać stron docelowe w raportach standardowych i robiliśmy to właśnie ostatnio jak pamiętasz, ale w przypadku prowadzenia kampanii marketingowych przyda nam się taki stały rozbudowany raport dotyczący właśnie naszych stron docelowych. Aby taki raport stworzyć musimy przede wszystkim wybrać odpowiedni wymiar i interesujące nas dane. Wybieramy zatem potrzebne wymiary dotyczące podstron serwisu.
Mamy tu do wyboru kilka opcji. Ja najczęściej wybieram albo tytuł strony, jeśli nasze strony są dobrze zatytułowane, a jeśli nie jestem tego pewny to lepszym rozwiązaniem będzie tutaj wybranie wymiaru ścieżka strony. Teraz musimy wybrać interesujące nas dane. Osobiście tutaj wybrałbym metrykę aktywni użytkownicy, sesję z zaangażowaniem oraz a może przede wszystkim metrykę wejścia, który odzierczy dla rozpoczęcia sesji oddanej pod strony. Jeśli to zrobimy to powstanie nam raport dotyczący liczby sesji i użytkowników według odwiedzonych przez nich pod stron. Dodając do niego metrykę sesje z zaangażowaniem możemy łatwo zobaczyć ile osób odbiło się o naszej strony wchodząc przez właśnie tutaj tą daną pod stronę, czyli naszą stronę docelową.
Tutaj przesłowo odbiło, mam na myśli, że użytkownik albo był na pod stronie krócej niż 10 sekund, albo nie przeszedł nigdzie dalej w głąb serwisu. Możemy oczywiście dodać też inne metryki dotyczące zaangażowania, jakie uznamy za przydatne. Kolejnym raportem, którym może nam się przydać i nie ma go w standardzie póki co to raport wyszukiwanych haseł na naszej stronie i jeśli posiadamy we wbudowaną wyszukiwarkę. Raport według mnie z kategorii tak zwanych must have, dlatego że wyszukiwanie jakby nie patrzeć samo w sobie wskazuje czego poszukują nasi odwiedzający na naszej stronie. Tylko w przypadku naszej strony może to wyskazywać na takie dwie ważne rzeczy. Jedno to jest to, że jakiś produkt jest popularny i może należy np.
go uwidoczyć na stronie głównej, albo go dodać np. do menu głównego, albo na bannerze itd. Z kolei może być też druga sprawa, czyli wyszukiwanie może oznaczać, że albo ktoś danego produktu nie może znaleźć w naszym sklepie, bo jest problem z użytekstnością strony, albo po prostu danego produktu nie ma u nas, a użytkownicy nasi go chcą. Może być może należałoby go zaoferować w najbliższym czasie. Tak więc tak czy inaczej jest to na tyle ważna informacja, że powinniśmy taki raport posiadać. Tutaj ciekawa sprawa jest taka, że w momencie konfiguracji GLA4 wybierając opcję śledzenia zaawansowanego, zbieramy dane dotyczące wyszukań na stronie w najpopularniejszych systemach zarządzania treścią, czyli tzw. CMS-ach.
Możemy też w ustawieniach śledzenia wyszukiwarki wybrać odpowiedni parametr odpowiedzialny za rejestrację wyszukiwanych haseł. Więc wszystko jest praktycznie ładnie zbierane automatycznie, z tym że jest jeden problem. Nie ma tych danych widocznych w interfejsie. Musimy je niejako wyciągnąć z odmętów zebranych danych w parametrach rejestrowanych przez nas już zdarzeń. W tym celu będziemy musieli wykonać jedną małą dodatkową konfigurację. Mianowicie potrzebujemy stworzyć wymiar niestandardowy, który będzie dla nas przechowało wyszukiwane hasła. Tak więc aby taki raport stworzyć musimy na chwilę opuścić naszą sekcję eksplorowanie i przejść do sekcji konfiguracja, definicje niestandardowe. W tym miejscu możemy stworzyć dodatkowe niestandardowe wymiary i dane. Wbieramy więc stwórz wymiar niestandardowy i nadajemy mu nazwę, np. wyszukiwane hasło.
Zakres to będzie zdarzenie, a następnie z parametrów zdarzenia musimy wybrać parametr search term. Zapisywamy wszystko i w ciągu mniej więcej 24 godzin powinny nam się zacząć pojawiać pierwsze dane dotyczące wyszukiwanych haseł. Skąd wiedziałem jakie parametry użyć? W momencie wyszukiwania na stronie w trybie debug view widać, że na stronie rejestruje się zdarzenie view search results, które zawiera parametr search term właśnie. Możesz zrobić sobie takie właśnie ćwiczenie i przy wykorzystaniu narzędzia debug view skorzystaj z wyszukiwarki na swojej stronie, a następnie zobacz szczegóły zdarzenia view search results. Jak już mamy tutaj wszystko jasne i stworzyliśmy ten potrzebny wymiar, teraz wystarczy tylko stworzyć raport, w którym wykorzystamy wspomniany wymiar pod nazwą wyszukiwane hasła oraz musimy wybrać potrzebne dane.
W naszym przypadku będzie to liczba zdarzeń oraz do wyboru inne dane jakie uznamy za przydatne. Pamiętaj tylko, że dane te nie będą od razu dostępne tak jak mówiłem po utworzeniu takiego wymiaru niestandardowego będziemy musieli poczekać około 24 godzin. Ok, myślę, że wystarczy ćwiczeń związanych z metodą eksploracji swobodnej. Mamy jeszcze dzisiaj kilka innych ważnych metod do omówienia, a czas nas goni. Przyjrzyjmy się teraz kolejnym metodom analiz pozwalającym analizować zachowania użytkowników na stronie lub w aplikacji. Pierwsza z nich to metoda eksploracji ścieżki, a druga to eksploracja sekwencji ścieżki. Obie nazwy mogą nie do końca wyjaśniać czym te metody się różnią, a więc pozwól, że się nad tym chwilę pochylę.
Eksplorowanie ścieżki to metoda, która pozwala analizować ścieżkę, którą my zakładamy dla naszych użytkowników. Co to znaczy my zakładamy? My wymyślamy czy my planujemy, projektujemy w jaki sposób użytkownicy mają się poruszać po stronie. Tworzymy taką ścieżkę idealną i możemy obserwować dzięki temu raportowi, czy użytkownicy faktycznie robią to co zakładaliśmy i co ewentualnie idzie nie tak w naszym planie. Takim najlepszym przykładem analizy ścieżki jest proces zakupowy, który tak naprawdę jest dość stały i każdy musi go przejść, aby wykonać zakup. Tak więc dzięki temu możemy dowiedzieć się, czy istnieją jakieś tak zwane wąskie gardła w tym procesie, gdzie mamy tak naprawdę dokładny problem na naszej stronie.
O tym procesie transakcyjnym trochę mówiliśmy w momencie analizowania raportów dotyczących przychodów, pamiętasz? Ale tutaj możemy taką analizę przeprowadzić dużo dokładniej. Z kolei eksplorowanie sekwencji ścieżki pozwala nam nie tyle analizować co odkrywać zachowania użytkowników na stronie. Możemy analizować co konkretnie zrobili użytkownicy albo od początku swojej wizyty, albo od samego końca, czyli od punktu końcowego do którego dotarli. Możemy wtedy np. dowiedzieć się w jaki jeszcze inny sposób nasi klienci wykonują cele na naszej stronie, jakie stosują sekwencje zachowań. Pozwala to wydatnie poprawić efektywność strony udrażniając drogi do celu albo po prostu odkrywając nowe i je optymalizując. Przypomina mi to trochę metody analizowania jak ludzie korzystają z chodnika.
W Polsce kładzie się chodnik jak uważa architekt. Z kolei ludzie korzystają według własnego widzimisie. W różnych mądrych państwach architekt czeka na to jaką ścieżką naturalnie wyznaczają mieszkańca, a następnie na tej naturalnej ścieżce buduje chodnik. Dzięki tym dwoma metodom możemy zobaczyć jak bardzo różni się nasz pomysł, nasz ścieżka użytkownika, czy czym różni się nasz pomysł od pomysłu użytkowników. Tego typu analiza może nam też pomóc udrożnić te wspomniane wąskie gardła, o których już parę razy mówiliśmy. Zróbmy sobie teraz szybko przykłady związane z tymi dwoma metodami. Zacznijmy o metody eksploracji ścieżki tutaj z angielskiego Funnel Exploration.
Wybieramy odpowiednią metodę albo wybierając nową kartę w naszym obecnym zestawie raportów, albo po prostu tworzymy nową eksplorację z galerii szablonów. Pozostawmy póki co opcję wizualizacji jako ścieżkę standardową i to co musimy zrobić w pierwszym kroku to musimy zaprojektować ścieżkę użytkowników jaką planujemy analizować. Najbardziej rozsądnym pierwszym krokiem będzie zbadanie idealnego dla nas scenariusza od wejścia na stronę do dokonania konwersji. Musimy zatem rozpisać sobie jakie kroki powinien zrobić użytkownik, aby wykonać cel główny naszej strony w najbardziej komfortowy i naturalny sposób jaki zaplanowaliśmy dla użytkowników naszej strony. Zobaczmy jak odbiega ten scenariusz od tego który jest rzeczywisty.
Zatem musimy założyć że użytkownik wchodzi na naszą stronę, rozpoczyna zatem sesję na jakiejś stronie docelowej, następnie przechodzi przez kolejne elementy ścieżki aż dojdzie do zakupu. Elementy ścieżki transakcyjnej są dość oczywiste i w większości przypadków dość sztywne, tak więc nie powinniśmy tutaj specjalnego dużego problemu z ustaleniem idealnego scenariusza. Oczywiście mówimy tu o serwisach typu e-commerce, ale zazwyczaj większość stron biznesowych które wykorzystują internet jako źródło klientów ma także swoje idealne scenariusze na stronie dla użytkowników. Teraz wystarczy z wybranych kroków scenariuszu utworzyć ścieżkę w naszym raporcie. Kroki tworzymy wybierając odpowiednie wymiary lub ich kombinacje.
Najczęściej w przypadku mierzenia ścieżki będą to określone zdarzenia z konkretnymi parametrami, ale możemy tu oczywiście wybrać też z całej gamy innych wymiarów. W momencie tworzenia ścieżki możemy określić też czas przerwy pomiędzy krokami, który tutaj np. miałoby ograniczać zaliczenie danego kroku do całej stworzonej przez nas ścieżki. Na początku jednak nie polecam wybierać tej opcji, bo może ona wykrzywić nam obraz danych, które będziemy później analizować. Kroki w ścieżce możemy dodawać i kasować w dowolny sposób za pomocą hamburgerowego menu z prawej strony każdego kroku. Jeśli już dodamy odpowiednie kroki w prawej kolumnie widzimy estimację ilości użytkowników, którzy przechodzą do końca ścieżki. Możemy teraz zobaczyć wizualizację ścieżki po zaakceptowaniu procesu tworzenia.
Jak widzisz mamy widocznie stworzone przez nas kroki ścieżki, które są wizualizowane w formie słupkowego wykresu, który odpowiada liczbie użytkowników przechodzących przez właśnie te kolejne kroki. Jeśli np. są zachwiane proporcje między poszczególnymi krokami, możemy ten nasz widok powiększyć, tzn. jeśli kolejny widok jest tak mały, że po prostu go nie widać. W takiej sytuacji słupek kroku, który powinien być proporcjonalnie dużo większy niż ten słupek poprzedzający czy następujący będzie miał taką charakterystyczną falę. W tym miejscu warto jeszcze wspomnieć o kilku ważnych ustawieniach tego raportu. Przede wszystkim możemy zobaczyć jakie następowały najczęściej czynności bezpośrednio po wybranym kroku. Tu musimy w tym celu włączyć opcję następna czynność i wybrać jako wymiar nazwę zdarzenia.
Dzięki temu najeżdżając na słupek w raporcie będziemy mogli zobaczyć nazwy zdarzeń jakie działy się czy dzieją się bezpośrednio po danym kroku na naszej ścieżce. W ustawieniach mamy także możliwość dodania przedziału czasowego jaki następuje średnio pomiędzy danymi krokami oraz dokonać tzw. podziału danych ze względu na wybrany przez nas wymiar np. rodzaj urządzenia albo chociażby region. Pamiętajmy tylko, że tego typu dodatkowe wymiary należy dodawać stopniowo jeśli pojawią się nam w głowie pytania dotyczące tego typu szczegółów albo rodzą się nam pewne podejrzenia związane z takimi danymi. Zbyt wypakowany raport danymi od samego początku może nam zaciemniać obraz i odciągnąć nas od najważniejszych wniosków. Na samym końcu muszę wspomnieć o ustawieniu dotyczącym otwierania lub zamykania ścieżki.
Temat jest dość istotny, bo zasadniczo zmienia sposób w jaki zaliczani są użytkownicy na ścieżce do kolejnych kroków. W przypadku ścieżki otwartej użytkownicy mogą na nią wchodzić w dowolnym kroku. Na ścieżkę z kolei zamkniętą użytkownicy mogą wejść czy staną zaliczeni do tej ścieżki tylko jeśli zaczną od kroku pierwszego. Użytkownicy są zaliczani tylko w przypadku kroków ścieżki które wykonali w określonej kolejności. Jeśli użytkownik pominął jakiś krok tym samym opuścił ścieżkę nie zostanie wtedy zaliczony następny krok. Aby dobrze zrozumieć tą kwestię weźmy np. ścieżkę otwartą składającą się z kroków ABC. Badamy 4 różnych użytkowników, którzy przechodzą odpowiednio kroki na ścieżce. Użytkownik 1 przeszedł wszystkie kroki po kolei i zostały one zaliczone na naszej ścieżce.
Użytkownik 2 zaczął od kroku B. Może to zrobić bo ścieżka jest właśnie w tej chwili otwarta. Zatem zaliczył 2 następujące po sobie kroki B i C. Użytkownik 3 przeszedł krok A oraz C. Czyli pominął krok B na ścieżce. Ścieżka została przerwana i zostaje mu zaliczony na ścieżce tylko krok A. Z kolei użytkownik nr 4 na ścieżce wszedł w ostatnim kroku C i ten krok tylko został mu zaliczony. W przypadku gdybyśmy taką ścieżkę zamknęli scenariusz wyglądałby trochę inaczej. Ponieważ ścieżka jest zamknięta użytkownicy muszą przejść ścieżkę od początku. Zatem w tym przypadku do ścieżki zaliczeni by byli tylko użytkownik 1 oraz 3. Obaj dlatego, że zaczęli od pierwszego kroku.
Reszta weszła na ścieżkę pomijając start ścieżki czyli krok A. Aby dobrze zrozumieć jak działa otwieranie i zamykanie ścieżki możesz też skorzystać z pomocy Google Analytics. Link zamieszczam do tego tematu w opisie tej lekcji. Wróćmy teraz na chwilę do samego raportu. Jak możemy szybko z niego wyciągnąć wnioski? Zwróć uwagę na wielkości procentowe ponad słupkami, które są właśnie wizualizowane przez wielkość słupka na wykresie. Widzimy tutaj ilu użytkowników pozostaje na ścieżce w porównaniu do poprzedniego kroku. Liczbę użytkowników odpadających widzimy też poniżej słupka i czerwonej strzałki. Skoro jeśli mamy ustawioną następną czynność w ustawieniach karty możemy zobaczyć co dalej dzieje się z użytkownikami po każdym kroku najeżdżając na poszczególne kroki na ścieżce. Mówiliśmy o tym troszeczkę wcześniej też.
W tym miejscu możemy zobaczyć jaki procent użytkowników odpada po danym kroku i pytanie jakie się tutaj pojawia to czy to wynika z jakiegoś ogólnego problemu w analizowanym kroku czy po prostu jest tylko wynikiem naszego błędnego założenia, że dany krok na pewno powinien nastąpić po kroku poprzedzającym. Duże różnice w ilości użytkowników postępujących po sobie krokach mogą właśnie świadczyć o dwóch wariantach, które musimy zweryfikować. Rapor ten doskonale nas wspomoże w analizie zachowań użytkowników na ścieżce i identyfikowaniu tak zwanych wąski gardeł o których już rozmawialiśmy poprzednio.
Jeśli jednak mamy trudność w określeniu ścieżki jaką poruszają się użytkownicy po naszej stronie możemy skorzystać z analizy ich zachowań i dowiedzieć się jak to się dzieje że użytkownicy stają się naszymi klientami. W tym celu skorzystamy z metody analiz która się nazywa eksploracja sekwencji ścieżki. Rapor sekwencji ścieżki pozwala nam na odkrywanie co dzieje się na ścieżce użytkowników którzy rozpoczęli albo zakończyli swoją drogę w konkretnym miejscu naszej stronie. Jak możesz zobaczyć w tym raporcie punktem początkowym jest zawsze rozpoczęcie sesji wyznaczone przez zdarzenie Session Start.
W kolejnym kroku możemy tutaj wybrać tak zwany typ węzła którym może być w tej chwili jedna z trzech opcji nazwa wydarzenia tytuł strony i nazwa lub klasa ekranu w przypadku aplikacji mobilnych. Wybierając tytuł strony możemy zobaczyć od jakich stron najczęściej użytkownicy rozpoczynają odwiedzenie na naszej stronie. Polecam w tym miejscu od razu ustawić jako wartości właśnie metrykę aktywni użytkownicy. Klikając wybrane węzły danych w krokach czyli tytuł strony w tym przypadku możemy zobaczyć też jakie kolejne pod strony odwiedzili użytkownicy w kolejnym kroku. Tutaj warto wspomnieć że ścieżki mogą obejmować więcej niż jedną sesję.
Wtedy jeśli użytkownik powraca na stronę kroki które już przebył nie będą dodawane do ścieżki za to wszystkie kolejne kroki nowe które wykonał w kolejnej sesji zostaną uwidocznione w raporcie z uwzględnieniem liczby użytkowników. Tutaj wygodna opcja to wyświetlenie tylko unikalnych węzłów bo pozwoli to na nie uwzględnienie wszystkich zdarzeń na danej stronie w każdym węźle. Pozwoli to na pokazanie tylko jednego węzła dla danego użytkownika w danym momencie. Ten temat wymaga czasem do precyzowania więc odsyłam Cię też do pomocy Google Analytics i tutaj odpowiedni link też zamieszczam w opisie tego filmu. Ok, powiedzieliśmy sobie o analizie scenariusza gdzie użytkownik rozpoczyna ścieżkę w jakimś punkcie. Spróbujmy jednak odwrócić trochę sytuację.
Sprawdźmy jakie strony odwiedzali użytkownicy którzy dotarli do pewnego punktu na naszej stronie. Na przykład do punktu na przykład potwierdzenie zakupu. Taki raport może nam bardzo łatwo pokazać najpopularniejsze ścieżki do konwersji. To jest właśnie to czego ja najczęściej szukam aby zrozumieć czy na pewno wiem jak pomóc użytkownikom wykonać cel główny na mojej stronie internetowej. Aby zrobić taką wersję raportu musimy kliknąć w prawym górnym rogu przycisk zacznie od początku gdzie wybieramy punkt końcowy a następnie jego typ czyli w moim przypadku tytuł strony. Teraz tylko z listy muszę wybrać stronę potwierdzającą dokonanie konwersji. W przykładzie będzie to oczywiście strona w stylu dziękujemy za zakup.
W ten sposób potworzy się raport dla ścieżki która kończy się na wspomnianej stronie. Jest to dokładnie w ten sam sposób się dzieje wszystko jak w przypadku punktu początkowego i możemy tutaj dodawać kroki poprzedzające krok bieżący aż do momentu aż dojdziemy do punktu jakiegoś początkowego. W ten sposób łatwo możemy zobaczyć najważniejsze ścieżki na stronie które prowadzą użytkowników do celu naszej strony czyli to w tym przypadku najważniejszej konwersji. Pamiętaj że na ścieżce będą wizualizowane dane z więcej niż jednej sesji użytkownika więc warto dobrze zrozumieć jak te dane są uwzględniane. Oczywiście link do pomocy znajdziesz w opisie tej lekcji. W kategorii metod analiz zachowania użytkowników pozostała nam jeszcze jedna metoda do umówienia czyli eksplorator zachowania pojedynczych użytkowników.
Ta metoda służy do analizy zachowania pojedynczych użytkowników określonych przez anonimowy identyfikator nadany przez Google Analytics czyli Client ID lub User ID jeśli takowe posiadamy kiedy mamy zaimplementowaną funkcjonalność User ID o której wspominaliśmy już kilka razy na poprzednich lekcjach. Jak widzisz ta metoda pozwala nam zobaczyć listę unikalnych ID i przypisane do nich wybrane przez nas dane. W momencie kiedy wybierzemy konkretny identyfikator możemy zobaczyć dokładną wizualizację wszystkich zdarzeń jakie zostały wywołane zgodnie z ich czasem przez danego użytkownika. Z kolei jeśli wybierzemy jakieś zdarzenie lub zdarzenia możemy utworzyć segment użytkowników którzy wywołali takie samo zdarzenie w tej właśnie samej konfiguracji jak nasz badany użytkownik.
Mimo że ogólnie tego typu analizy nie są przeze mnie często wykonywane bo uważam że są zbyt szczegółowe i zwyczajnie nie wnoszące zbyt wiele do kwestii ogólnej wartości to mogę powiedzieć że ta metoda analiz przydaje się jeśli odkrywamy jakiś błąd albo dziwne zachowania użytkownika i próbujemy je dokładnie przebadać i zapobiec im w jakiejś przyszłości. Z reguły jednak nie będzie ta metoda zbyt często przez Ciebie wykorzystywana bo jest zazwyczaj po prostu zbyt granularna a na tego typu analizy potrzeba naprawdę dużo wolnego czasu i psychicznego komfortu którego zazwyczaj nie mamy. Osobiście uważam że to może być dość przydatna metoda w analizowaniu przyczyn różnych anomalii w zachowaniach użytkowników.
Zasady jednak będzie to najpewniej metoda dość rzadko wykorzystywana przez większość użytkowników Google Analytics. Zgodnie z zasadą w którą wierzę i która mi od paru lat się sprawdza twierdzę że w analityce liczy się przede wszystkim rzeczy mające duży wpływ reszta to tylko dodatki. Przypominam tu już powtarzoną przeze mnie zasadę Pareto w analityce zatem analizujmy i przykładajmy uwagę do tych obszarów które mogą mieć największy wpływ na realizację naszych głównych celów biznesowych i wzrost wartości firmy w długim okresie. Omówiliśmy sobie zatem metody analiz z zakresu zachowań użytkowników a teraz zajmiemy się dwoma ciekawimi metodami czyli eksploracja kohort i eksploracja wartości od początku śledzenia. Eksploracja kohortowa to dość powszechna metoda analizowania użytkowników lub szerzej klientów.
Charakteryzuje się tym że w tego rodzaju raportach porównujemy odpowiednio grupę użytkowników zwane kohortami. Trochę na ten temat mówiliśmy sobie już w poprzedniej lekcji prawda, ale dla przypomnienia kohorta to jest to zbiór użytkowników którzy mają jakąś wspólną cechę w określonym okresie. W przypadku GA4 wspólną cechą możemy wybrać tutaj spośród wstępnie zdefiniowanych kryteriów albo po prostu spośród dowolnie wybranego zdarzenia. Analizy kohortowe pozwalają nam odseparować metryki dotyczące wzrostu zaangażowania od metryk pokazujących jakość zaangażowania. Jest to o tyle ważne że często zdarza się że dynamiczny wzrost ilości użytkowników potrafi ukryć problem zupełnie nielojalności albo braku zaangażowania już istniejących klientów.
Bywa często że analiza raportu nowi versus powracający użytkownicy nie jest w stanie nam pomóc zidentyfikować takiego problemu z odpowiednią dokładnością i w odpowiednim czasie. Zobaczmy teraz przykład wykorzystania analizy kohortowej w praktyce. Załóżmy że mamy sklep i chcemy zbadać jak wyglądają kwestie dokonywania zakupów przez użytkowników pozyskiwanych w kolejnych tygodniach w badanym okresie. W pierwszym kroku wybieramy kryterium jakie ma być wzięte pod uwagę jako kryterium łączące użytkowników kohorty. Wspólną cechą jaką bardzo często się wykorzystuje w przypadku analiz kohortowych jest czas pozyskania. Wybieramy więc kryterium pierwsza wizyta, data pozyskania. Następnie wybieramy kryterium pozostania w kohorcie jaki będzie brany pod uwagę w momencie zaliczania użytkowników do konkretnej kohorty w kolejnych tygodniach.
W naszym przypadku interesuje nas wykonanie dowolnej transakcji, ale oczywiście jeśli będziemy analizować inne zachowania to możemy wybierać wiele innych kryteriów spośród zbieranych przez nas zdarzeń konwersji. Pamiętajmy tutaj jednak zawsze o zasadzie gdzie zaczynamy od najważniejszych metryki danych które są bezpośrednio związane z celami głównymi strony i naszymi KPI. W przypadku sklepu będzie to prawie zawsze metryka dotycząca sprzedaży i transakcji. Następnie wybieramy szczegółowość kohorty. W naszym przypadku wybrałem szczegółowość co tygodniową, ale może nas też wybrać codzienną albo co miesięczną. Szczegółowość dobrze jest dobrać w zależności od naturalnego cyklu zakupowego naszej witrynie. Jeśli prowadzimy sklep spożywcy to być może analiza powracalności codziennej ma jakieś uzasadnienie.
Z kolei dla sklepu z butami bardziej adekwatna będzie pewnie miesięczna powracalność bo większość ludzi nie kupuje butów codziennie ani co tydzień. Przynajmniej ja nic nie wiem o takich zachowaniach. W przypadku aplikacji mobilnej z kolei czy mobilnej gry oczywiście jest zupełnie inaczej i nasze analizy będą raczej nastawione na szczegółowość codzienną. Przechodząc dalej musimy dokonać wyboru sposobu obliczenia danych w poszczególnych okresach. Możemy wybrać spośród trzech sposobów obliczenia standardowo, w sposób ciągły albo całkowity. W sposobie standardowym każda komórka uwzględnia wszystkich użytkowników należących do kohorty, którzy spełniają kryteria pozostania w danym okresie, niezależnie od ich działań w innych okresach. Te dane przedstawiają łączną wartość dla danego okresu.
Jeśli użytkownik został pozyskany w danym okresie i w tygodniu pierwszym dokonał zakupu, w drugim nic nie kupił, a w trzecim tygodniu znowu dokonał zakupu, to będzie uwzględniony w tygodniu jeden oraz trzy. W sposobie obliczenia ciągłym każda komórka uwzględnia wszystkich użytkowników należących do kohorty, którzy spełniają kryteria pozostania w danym okresie oraz spełnili je we wszystkich poprzednich okresach. Te dane przedstawiają łączną wartość dla danego okresu. Tak więc w naszym przykładzie użytkownik zostanie uwzględniony tylko w pierwszym tygodniu, a w trzecim już nie, bo nie spełnił kryterium w tygodniu drugim. Z kolei w sposobie całkowitym każda komórka uwzględnia wszystkich użytkowników należących do kohorty, którzy spełniają kryteria pozostania w dowolnym okresie eksploracji.
Te dane przedstawiają skumulowaną wartość dla każdego okresu. W naszym przykładzie jeśli użytkownik zaliczony będzie do tygodnia numer jeden, w tygodniu dwa będzie to dalej jeden, bo użytkownik spełnił kryterium konwersji w tygodniu pierwszym, a w tygodniu trzy będzie to dwa, bo użytkownik spełnił kryterium w dowolnym okresie dwa razy. W kwestii ustawień możemy także dodać podział danych ze względu na wybrany wymiar. Jest to ciekawe rozwiązanie w zakresie analizy kaloryczności, na przykład źródeł ruchu albo rodzajów urządzeń. Jednak dodawanie podziału zalecam robić dla głębszego spojrzenia na dane po pierwszej ogólnej analizie kohortowej w danym okresie.
Patrzmy na dane najpierw z dużego obrazka i dodajmy kolejno kryteria czy filtry według potrzeb, aby lepiej zrozumieć co się dzieje i z czego wynikają powstałe różnice w danych. Na samym końcu wybieramy oczywiście wartości jakie chcemy posiadać w naszych kohortach, czyli de facto to co będziemy badać. Tutaj też możemy wybrać tzw. typy danych i z mojego punktu widzenia bardzo istotne jest to ustawienie właśnie typu danych, bo pozwala nam operować na procentach a nie na bezwzględnych liczbach. Tutaj mówiliśmy o tym parę razy, że bezwzględne dane czy bezwzględne liczby są zawsze narażone na pewne nieścisłości w porównaniu z rzeczywistością, dlatego w analityce dużo bardziej istotne jest analizowanie trendów niż bezwzględnych danych.
W naszym przypadku możemy wybrać dane sumaryczne albo procentowe. W przypadku danych procentowych są one obliczane na podstawie podzielenia wartości danych przez liczbę użytkowników w kohortzie. I tutaj w przypadku naszego raportu możemy zobaczyć gdzie następuje wyraźne załamanie trendu zakupów w kohortach pozyskanych w danych tygodniach. Może to być ciekawy początek budowania strategii przedłużania aktywności zakupowej np. przez organizację promocji w tygodniach największego spadku zakupów lub innych aktywujących klientów akcji marketingowych. Analizy kohortowe mogą też nam pomóc w analizie rentowności działań marketingowych. Zwróć uwagę jeśli mamy dane dotyczące przychodów możemy zobaczyć ile zarobiliśmy na pozyskaniu danej kohorty. Wystarczy zmienić wartości na przychody z zakupów i zmienić sposób obliczania na całkowity.
W ten sposób widzimy ile faktycznie zarabiamy sumarycznie na użytkownikach pozyskanych w konkretnych okresach. Powyższy pomysł na wykorzystanie analiz kohortowych nie jest jedyny oczywiście, ale generalnie analizy kohortowe pozwalają nam obserwować jak zmieniają się metryki dotyczące użytkowników i ich relacji z naszą firmą w czasie. W pomocy Google Analytics znajdziesz też inne przykłady wykorzystania analiz kohortowych, ale ważne jest przede wszystkim podejście do tego typu analiz. Pamiętajmy, że naszym głównym celem jest pozyskanie wartościowych użytkowników i utrzymanie ich jak najdłużej. Analizy kohortowe pozwalają nam zrozumieć jak relacja z konkretnymi grupami użytkowników przebiega i jak różni się pod względem wartości w stosunku do innych grup użytkowników.
To pozwala nam tworzyć bardziej efektywne strategie nie tylko przedłużenia relacji, ale też zwiększenia jej wartości. Ok, w zasadzie pozostały nam już tylko dwie metody do omówienia, czyli metoda pokrywania się segmentów i analizę życiowej wartości użytkownika. Analizę pokrywania się segmentów omówimy przy okazji omawiania zagadnienia segmentów, więc na dziś pozostała już tylko jedna metoda, czyli wartość od początku śledzenia. Zacznijmy jednak od przypomnienia sobie jeszcze raz tematu wartości życiowej klienta. Filozofia prowadzenia biznesu według życiowej wartości klienta, czyli lifetime value, pozwala nam skupiać się na pozyskiwaniu wartościowych użytkowników, a nie na sprzedaży pojedynczych produktów. To zupełnie inna filozofia i pociąga za sobą ogromne zmiany w strategii firmy.
Pozwala ona być bardziej konkurencyjna na rynku i patrzeć na rozwój organizacji w dużo dłuższej perspektywie. Wyobraź sobie, że kupując róg w mediach aukcyjnych jesteś w stanie odróżnić takie źródła, gdzie pozyskujesz klientów wartych 10 razy więcej niż gdzie indziej. Ile jesteś wtedy w stanie zapłacić za takiego użytkownika? Albo jeszcze inaczej, zobacz prosty przykład. Sprzedając produkt za 100 zł z marżą 20%, ile możesz maksymalnie zapłacić na zapozyskanie takiej sprzedaży? Pomijam tej kwestię w tym momencie podatków i jakichś innych kosztów obocznych. Potraktuję to jako bardzo teoretycznie uproszczony przykład. W moim przekonaniu mogę maksymalnie zapłacić 20 zł. Dlaczego? Bo to jest granica.
Jeszcze nic nie tracę, tak jak mówiłem pomijam tutaj wszelkie inne aspekty, ale też nic już nie zarabiam. Taka sytuacja może być akceptowalna przez dość ograniczony okres działalności firmy. Szczególnie tyczy się tu firm gwałtownie rozwijających się i inwestujących w rozwój i zdobywanie pozycji rynkowej. Jak wiesz jest wiele takich startupów, które są znane na całym świecie i wyceniane bardzo wysoko na giełdach, a cały czas nie przenoszą zysków. Przykładem może być Uber, ale takich firm jest naprawdę dużo. Wracając jednak do samego przykładu. Jeśli wiemy, że dany użytkownik zostanie z nami 2 lata i w tym czasie kupi od nas 10 sztuk tego produktu, to 100 razy 10 równa się 1000 zł.
Jeśli dalej przyjmiemy, że mamy marż 20% na całej relacji, to ile możemy teoretycznie zapłacić za pozyskanie takiego jednego użytkownika? W tym przypadku 200 zł. I teraz wyobraź sobie jak to rzutuje na kwestię wygrywania aukcji i ustalania stawek za pozyskanie klienta w mediach aukcyjnych. Kto w takiej sytuacji wygra aukcje i na pewno pozyska danego użytkownika? Ten, który jest w stanie zaoferować 20 zł za pozyskanie czy ten, który 200? Chyba nie muszę na to odpowiadać, bo jest to dość oczywiste.
Tak więc jeśli firma działa zgodnie z wartością życiową klienta, co robi też dużo startupów, może wydawać się, że kupują użytkowników ze stratą na początku, ale finalnie generują zyski w dłuższym okresie i ich wartość rośnie, jeśli oczywiście firma ma plan na utrzymanie takich użytkowników i wygenerowanie finalnie wartości z tej relacji. Oczywiście taka filozofia niesie za sobą ryzyko, bo płacimy za przyszłe zyski, które mogą się nie pojawić z różnych powodów, ale jak to się mówi, kto grubo gra wygrać musi. I tu systemy aukcyjne działają na korzyść graczy, którzy właśnie w ten sposób działają. Jeśli ktoś wygrywa aukcję, bo oferuje najlepszą ofertę za użytkownika, to najczęściej w pierwszej kolejności system oferuje mu najlepszej jakości użytkowników.
Tak więc stworzy nam się sytuacja samo spełniająca się przepowiedni. Kto jest odważny i ryzykuje najbardziej agresywną strategię pozyskania użytkowników z minimalnym ryzykiem, bo jednak sobie policzył ten lifetime value, może spodziewać się najlepszych użytkowników, którzy finalnie mają największą szansę przynieść założone zyski dla tej firmy. Ok, skoro już rozumiemy na czym polega w dużym skrócie teoria, filozofii i podejścia lifetime value, to możemy przejść do konkretnych związanych z tą filozofią raportami w Google Analytics 4. W zakładce analiza znajduje się metoda analizy życiowej wartości klienta.
Co w takim razie oznacza wartość klienta w Google Analytics 4? Czy Google Analytics jest w stanie mierzyć wartość faktyczną całkowitą dla każdego użytkownika? Odpowiedź brzmi tak, jeśli mu na to pozwolimy i o tym powiemy sobie też szerzej na samym końcu tej lekcji. A teraz przejdziemy się dokładnie raportom właśnie tej metody analiz. Jak możesz zobaczyć tworzenie raportu rozpoczynamy od wyboru odpowiedniego wymiaru, do którego będziemy odnosić dane związane z zagadnieniami tzw. życiowej wartości. Zwróć uwagę, że w tej metodzie mamy dość ograniczony wybór wymiarów. Zawężą się one generalnie do wymiarów z kategorii wartość od początku śledzenia oraz kilku wymiarów z kategorii źródła wizyt.
Ponieważ w przypadku zagadnień dotyczących użytkowników i ich wartości interesuje mnie głównie skąd się biorą najlepsi użytkownicy i ci, których nie powinienem nigdy kupować, wybieram tutaj czy zaczynamy analizę od wyboru wymiaru medium. Następnie musimy wybrać interesujące nas dane. W tym zakresie także mamy dość ograniczone pole wyboru metryk do naszego raportu. Możemy wykorzystać przede wszystkim wszystkie metryki z kategorii wartość od początku śledzenia, prognozy oraz dwie metryki z kategorii użytkownik. Jak widzisz w poszczególnych metrykach znajdują się rozwijane listy, gdzie mamy dostępne takie opcje jak suma, średnia oraz tzw. percentyle.
Tak jak suma i średnia są dość oczywiste i możemy łatwo wyciągać wnioski z tych danych, to percentyle nie są tak powszechnie znane jako metryki w Google Analytics. Percentyle w tym przypadku pozwalają określić wartość względem innych wartości w grupie. Weźmy tutaj taki przykład. Jeśli twoje IQ wynosi 140 to zapewne jesteś w percentylu 90 i oznacza to, że masz wyższe IQ niż 90% populacji i tylko 10% populacji ma wyższe IQ niż ty. W naszych przykładach nasza populacja jest podzielona na cztery części. Na 10% 50%, 80% i 90%. Jeśli w naszych wynikach we wszystkich tych punktach wynik wynosi 0 to oznacza, że wartość tworzona jest przez mniej niż 10% naszych klientów.
Jeśli natomiast widzimy dane np. dla 90% oznacza to, że 10% populacji posiada życiową wartość powyżej podanej wartości. Dlatego, że patrzymy na średnią sumę oraz percentyle możemy dowiedzieć się jak średnia rozkłada się na różne segmenty klientów. Jak widzisz jeśli wszędzie w naszych kolumnach dotyczących percentyli występują same 0 to oznacza, że bardzo mała grupa generuje wartość z podanej sumy. To od razu pokazuje nam jak istotne jest różne podejście do różnych grup naszych klientów, bo generują oni dla nas bardzo różną wartość i nie można ich wszystkich traktować jednakowo. Średnia zazwyczaj w tym przypadku to jedno wielkie analityczne kłamstwo i tworzy tutaj podwójny problem. Jeśli bralibyśmy pod uwagę średnią np.
do oceniania ile jesteśmy w stanie zapłacić za pozyskanie jednego użytkownika to nie doszlacowujemy bardzo tych najlepszych użytkowników i bardzo przeszacowujemy całą resztę co powoduje całkowitą losowość w zakresie efektywności naszych działań marketingowych. W raportach dotyczących życiowej wartości możemy też wykorzystać metryki dotyczące predykcji ważnych dla nas metryk np. prawdopodobieństwo zakupu lub rezygnacji dla poszczególnych wybranych przez nas wymiarów. Są to metryki oparte o rozwiązania machine learning i dają ciekawą perspektywę jako wsparcie planowania naszej strategii marketingowej. Jeśli widzimy, że w danej grupie użytkowników prawdopodobieństwo rezygnacji jest wysokie w następnych 7 dniach to może warto pomyśleć np. nad szybką akcją promocyjną albo dodatkową ofertą która przedłuży czas pozostania klienta z naszą firmą.
Osobiście widzę w raportach dotyczących życiowej wartości duży potencjał i zapewne takie metryki także jak predykcja będą się rozwijać i będą brać pod uwagę dużo szersze okresy niż tylko ostatnie 7 dni. Jedyną barierą tutaj jest kwestia zbierania odpowiednich danych o użytkownikach i traktowania Google Analytics jako jednego źródła prawdy. Tutaj trzeba też zrozumieć w jaki sposób Google Analytics 4 kalkuluje życiową wartość, bo jest to zależne od tego w jaki sposób identyfikujemy użytkownika. Czy robimy to za pomocą funkcji user ID czy tylko za pomocą ciastka i ID wygenerowanego automatycznie przez GA4? W przypadku user ID Google Analytics będzie brał pod uwagę tylko takie transakcje czy inny rodzaj przychodów jeśli użytkownik był w tym czasie zalogowany.
W tym momencie musimy dbać o to aby użytkownicy zawsze dokonywali zakupów czy realizowali inne cele będąc zalogowanymi. Musimy po prostu skutecznie ich do tego zachęcać. Jeśli nie używamy user ID i nie mamy tego zaimplementowanego to Google Analytics 4 będzie brał pod uwagę wszystkie przychody jakie uda się zidentyfikować dla danego ID przez system. Aż do momentu kiedy ciastko zostanie skasowane albo użytkownik zmienił na przykład urządzenie. Jak to wygląda w praktyce? Jeśli użytkownik zalogował się i dokonał transakcji za 100 zł i później wrócił do sklepu i dokonał zakupu jako gość z innego urządzenia to możemy mieć dwa scenariusze. W przypadku wykorzystania user ID system rejestruje średnią wartość użytkownika jako 100.
Z kolei jeśli nie używamy user ID tylko dane z ciastek system rejestruje dwóch użytkowników i ich średnią wartość jako 75. Tym samym dojechaliśmy do końca lekcji 6. Mam nadzieję, że eksplorowanie w Google Analytics 4 nie jest już takie tajemnicze i skomplikowane. Tak jak mówiłem uważam tą sekcję za serce całego Google Analytics 4 i jedną z ważniejszych funkcjonalności. Możemy dzięki temu tworzyć szyte namiary zestawy raportów, które dużo jaśniej mogą pokazać nam obszary do optymalizacji w naszym biznesie. A co będzie na kolejnej lekcji? Już niedługo porozmawiamy sobie o jednej z najważniejszych kwestii w analityce internetowej czyli o segmentowaniu danych.
Będziemy też podczas tego tematu wracać właśnie do sekcji eksplorowania bo jak wiesz funkcja segmentów jest tutaj dość mocno obecna w każdym metodzie analiz którą dzisiaj też omawialiśmy. Ok to wszystko na dzisiaj. Bardzo dziękuję Ci za uwagę. Przejrzy sobie jeszcze raz sekcję eksplorowanie, poczuć ze swoimi danymi i mam nadzieję, że widzimy się już niedługo na lekcji 7. Do zobaczenia. .
S K R Y B O T
Skrybot. 2023, Video transcriptions from YouTube
By visiting or using our website, you agree that our website or the websites of our partners may use cookies to store information for the purpose of delivering better, faster, and more secure services, as well as for marketing purposes.