VIDEO TRANSCRIPTION
No description has been generated for this video.
Czy wszyscy nasi klienci są tacy sami? Powiedziałbym, że uważam, że nie sądzę. Co więcej, myślenie analityczne każe powiedzieć więcej. Nie tylko średnia nic nie mówi o naszych użytkownikach, ale zazwyczaj po prostu kłamie i wprowadza nas w błędne myślenie. Jak się zastanawia, czy nasz klient jest w stanie zrozumieć, że nasz klient jest w stanie zrozumieć, że nasz klient jest w stanie zrozumieć, że nasz klient jest w stanie zrozumieć, że nasz klient jest w stanie zrozumieć, że nasz klient jest w stanie zrozumieć, Jak się zatem uchronić przed złymi decyzjami na podstawie uśrednionych danych? Jest tylko jedno hasło. Segmentacja. No to startujemy. Cześć. Cieszę się, że znowu się widzimy na kolejnej lekcji kursu z analityki internetowej z wykorzystaniem Google Analytics 4.
Do tej pory omówiliśmy sobie wiele metryk wymiarów i przydatnych raportów w nowym Google Analytics. Mam nadzieję, że już dużo sprawniej poruszasz się w tym narzędziu i swobodniej analizujesz dostępne tam dane. Podczas poprzednich lekcji, analizując dostępne dane w raportach, analizowaliśmy je z perspektywy całej populacji użytkowników naszej strony internetowej. Czy coś jest z tym nie tak? Popatrzmy przez chwilę na jeden przykład. Weźmy sobie wszystkich, którzy właśnie są na tej lekcji. Wszyscy razem jako grupa mamy jakieś średnie zarobki. Niech to będzie wartość X. Gdyby jednak nagle okazało się, że wśród kursantów pojawił się także kolega Jeff Bezos, postwierdził, że chce się podciągnąć z analityki, no to okazałoby się, że wtedy, jako grupa, wszyscy tutaj jesteśmy jednymi z najlepiej zarabiających ludzi w Europie.
A nasze średnie zarobki wyniosłyby pewnie jakieś 1000x. Oczywiście, że pensje analityków i specjalistów marketingu są generalnie obecnie niezłe i idą w górę, ale nadal życzę wszystkim średniej pensji z Jeffem w grupie, nawet jeśli będzie to bardzo duża grupa. Pytanie, jakie tutaj się jednak pojawia, to jest ile prawdy w takiej średniej? Czy średnia może świadczyć o naszej zamożności w takim wypadku? Zostawmy to pytanie na razie i idźmy dalej z naszym przykładem. Wiem, że Jeff Bezos raczej pewnie nie zauważyłby naszych wszystkich pensji naraz w swoim portfelu, ale przyjmijmy na chwilę, że jest to w jakiś sposób możliwe i że znaleźliśmy się z nim właśnie w tej samej grupie klientów docelowych. Niech będzie to firma sprzedająca jachty.
Tak więc, jeśli analityk w takiej jachtowej firmie analizuje średnie wartości całej populacji klientów, może jasno wywnioskować, że średnio stać ich klienta na jacht o wartości powiedzmy 1000x. Wedle wcześniej ustalonych kwestii zwrotu z nakładów na marketing, firma przyjęła, że może inwestować na promocję do 20% wartości takiego jachtu. W związku z tym marketing firmy korzysta z wniosków analityka i na reklamę i promocję jachtu wydaje kwotę 200y. Z kolei w rzeczywistości my jako grupa bez Jeffa możemy kupić sobie po jachcie o wartości faktycznej 10y, jeśli w ogóle planujemy kupić jacht kiedykolwiek. Jeff za to może sobie kupić jacht o wartości prawdopodobnie więcej nawet niż 10 tysięcy y. Tutaj z tego miejsca chcę serdecznie pozdrowić oczywiście Jeffa.
Jeśli Jeff mnie słyszysz i nie jesteś na orbicie, to sprawdź proszę tam przy okazji gdzie jest moja paczka, bo zaginęła gdzieś na tym Amazonie naszym polskim. Dobrze, ale wracając do naszych rozważań, w związku z całą tą sytuacją pojawiają się dwie ważne kwestie dotyczące działań marketingowych. Po pierwsze, firma nie ma pojęcia o faktycznej wartości użytkowników jachtów, czyli swojej grupie docelowej i przez to nie jest w stanie dopasować odpowiednio oferty dla nich. A po drugie, marketing nie wie ile może zapłacić za pozyskanie użytkownika z naszej grupy oraz ile może zapłacić za pozyskanie takiego Jeffa. Jeśli spojrzymy teraz na przykład na kwestie pozyskania klientów przy wykorzystaniu mediów aukcyjnych takich jak Google czy Facebook, to pojawia się fundamentalna kwestia ustalania stawek za kliknięcia na reklamę.
Trochę o tym mówiłem na ostatnie lekcje, ale wróćmy do tego na chwilę. W mediach aukcyjnych wszyscy reklamodawcy startują w aukcji, w której walczą o pojawienie się ich reklamy odpowiednim użytkownikom. Jednym z głównych czynników jakie decydują o wygraniu aukcji i wyświetleniu reklamy użytkownikom są stawki jakie jesteśmy w stanie zapłacić za kliknięcie na naszą właśnie reklamę i przejście na stronę naszej firmy przez użytkownika. Im wyższa stawka tym nasze reklamy częściej są wyświetlane na najlepszych i najbardziej widocznych pozycjach, a dodatkowo coraz częściej też automatyczne rozwiązania po prostu nastawione są na wyświetlanie reklam kierując się większą wartością użytkownika i jego szansą na dokonanie konwersji.
Tak więc jeśli znamy prawdziwą wartość użytkownika możemy dostosować odpowiednio stawkę i walczyć o pozyskanie właśnie tych użytkowników, którzy mają największą szansę odpowiedzieć na naszą ofertę i zostać naszymi klientami. W takim przypadku za pozyskanie klienta typu Jeff Bezos firma może zapłacić 10 albo nawet 100 razy więcej niż na innych użytkowników. Jeśli to wie i zastosuje odpowiednio stawki w aukcji zgodnie z wartością użytkownika zwiększa sobie wielokrotnie szanse na pozyskanie takiego Jeffa zanim zrobi to jej konkurencja. Jeśli natomiast firma operuje na średnich i traktuje wszystkich tak samo to mamy sytuację gdzie organizacja nie doszacowuje Jeffa w tym przypadku i przeszacowuje wszystkich innych użytkowników.
W takim przypadku raczej na pewno nie pozyska Jeffa, a z kolei przepłaci za wszystkich innych użytkowników co finalnie może po prostu nie spiąć się z biznesowego punktu widzenia. Mówiąc zupełnie wprost po prostu straci taka firma pieniądze na takiej akcji marketingowej. Klienci nie są tacy sami. Fakt ten jest może jasny dla nas na co dzień, ale w marketingu nie zawsze jest to takie oczywiste. A właściwie może precyzyjniej. Nie są klienci takiej samej wartości. Mimo że to dość oczywiste analizując raporty i robiąc tzw. analitykę bardzo często patrzymy na wszystkich użytkowników jako na jednorodną grupę i próbujemy tworzyć dla całej tej populacji uniwersalną strategię marketingową czy biznesową. A to po prostu nie działa.
Na świecie działa nie tylko zasada Pareto, ale można powiedzieć Super Pareto. Coraz więcej największych reklamodawców na świecie zdaje sobie sprawę, że mniej niż 10% ich klientów generuje ponad 90% zysków. Ile z tych użytkowników przenosi straty to już jest zupełnie inna historia. W takiej rzeczywistości naszą powinnością jest jedna słuszna strategia. Po pierwsze, zidentyfikować najbardziej wartościowych użytkowników i ich zatrzymać. Po drugie, pozyskać innych podobnych użytkowników do tych najbardziej wartościowych albo odebrać ich konkurencji. A po trzecie, zmienić tych mniej wartościowych w bardziej wartościowych jeśli się da. No i oczywiście jeszcze po czwarte, pozbyć się albo nie pozyskiwać klientów, którzy przynoszą straty.
Czyż nie rozmawialiśmy o tym już na pierwszej lekcji? To wszystko miało nas przygotować właśnie na ten moment w naszym rozwoju analitycznym, gdzie zajmiemy się właśnie dzieleniem użytkowników według ich wartości i zachowań. Czyli co będziemy dzisiaj robić? Czyli dzisiaj będziemy segmentować. Segmentowanie danych pozwala nam właśnie na zrozumienie różnic w wartości i zachowaniach użytkowników i przypisywanie ich do różnych grup po to, aby później mógł zaplanować odpowiednie strategie dla każdego z tych segmentów. Czyli tych naszych grup użytkowników. Tak więc podsumowując to, o czym do tej pory powiedzieliśmy. Analizowanie danych nie segmentowanych, opieranie się na średnich i sumach i podejmowanie na tej podstawie decyzji to, nie bójmy się tego słowa powiedzieć, przestępstwo analityczne.
A przestępstwo, które dodatkowo jeszcze nie niesie korzyści, bo nie ma szans na zysk, to już niestety nie tylko przestępstwo, ale trzeba to nazwać po imieniu po prostu głupota. Tak więc jeśli chcemy mieć w ogóle szansę osiągnąć sukces w biznesie w obecnych czasach, wykorzystując dane, musimy je segmentować. Na szczęście segmentowanie danych jest całkiem proste w Google Analytics 4 i szybko możemy tą fundamentalną kwestię analityki wdrożyć do naszych analiz. Powiemy sobie dziś zatem nie tylko o możliwościach segmentowania danych w GA4, ale spróbujemy sobie trochę ułożyć system segmentacji, tak aby segmentowanie było jak najbardziej efektywne nie tylko biznesowo, ale też operacyjnie. Zobaczmy zatem jakie możliwości są w zakresie segmentacji danych w Google Analytics 4.
W Google Analytics 4 segmentacja danych to jedna z bardziej rozbudowanych i przydatnych funkcji. Jako, że mamy w tym narzędziu dostępnych kilka możliwości porównywania zestawów danych, dlatego warto na samym początku ułożyć sobie jak to wygląda z dużego obrazka. Generalizując, dane segmentowane możemy wykorzystywać w dwóch obszarach. W analizach tworzonych w sekcji eksplorowanie oraz w raportach standardowych dzięki funkcji porównanie. Z tych dwóch opcji dużo bardziej rozbudowana i funkcjonalna jest funkcjonalność segmentowania w sekcji eksplorowanie. To tutaj możemy tworzyć pełną gamę segmentów z różnych zestawów danych na trzech poziomach szczegółowości. Na poziomie użytkownika, na poziomie sesji, czyli pojedynczej wizyty oraz na poziomie konkretnego zdarzenia. Na przykład wodermnienie wszystkich danych w raportach, gdzie w danym czasie wystąpiło zdarzenie, na przykład zakup.
W ten sposób tworzone segmenty możemy nakładać na wszelkie stworzone przez nas raporty nie standardowe w sekcji eksplorowanie. Tutaj warto od razu wspomnieć o ważnej funkcjonalności dotyczącej segmentów. Z każdego utworzonego segmentu możemy tworzyć tak zwane grupy odbiorców, czyli grupy użytkowników, którzy spełniają pewne wybrane przez nas kryteria dla danego segmentu, na przykład wszyscy użytkownicy, którzy dokonali zakupu. Tego typu stworzone grupy będziemy mogli następnie wykorzystywać do porównania danych w raportach standardowych lub wykorzystywać jako listy odbiorców w naszych kampaniach marketingowych Google Ads. Omówmy teraz sobie obie wspomniane przeze mnie opcje korzystania z segmentacji danych, ale też w ogóle ogólnie proces tworzenia i wykorzystania segmentów Google Analytics 4. Zacznijmy od sedna GA4, czyli sekcji eksplorowanie właśnie.
Aby wszystko było bardziej jasne, stwórzmy sobie teraz taki przykładowy segment od razu. W sekcji eksplorowanie musimy wybrać albo istniejącąs analizę, albo tworzymy nową. Na górze po lewej zakładce zmienne widzimy sekcje segmenty. Tutaj za pomocą przycisku plusa możemy stworzyć maksymalnie do 10 segmentów na każdą eksplorację, którą stworzyliśmy. Z kolei w każdej metodzie analizy, albo nazywając prościej w każdym raporcie niestandardowym, który tworzymy, możemy wykorzystywać maksymalnie do 4 segmentów w jednym momencie. Zabierzmy się teraz za wykorzystanie segmentów w praktyce i spróbujmy porównać sobie użytkowników, którzy kupili coś w naszym sklepie z tymi, którzy nie dokonali zakupu. Aby to zrobić, musimy zatem stworzyć dwa segmenty takich użytkowników, czyli taki, którzy dokonali zakupu i taki, którzy tego zakupu nie dokonali.
W naszym przypadku będzie to uwzględnienie w jednym segmencie, a wykluczenie w drugim, użytkowników, którzy wykonali zdarzenie pod tytułem potwierdzenie zakupu, albo Purchase, albo dotarli do strony odpowiednim adresie, na przykład dziękujemy za zakupy. Tak więc wybieramy przycisk plusa w sekcji segmentów i zaczynamy tworzyć nasz pierwszy segment. W pierwszym kroku tworzenia segmentu musimy wybrać typ segmentu, jaki chcemy utworzyć. Czy będzie to segment na poziomie użytkowników, sesji czy konkretnego zdarzenia. Poniżej tego wyboru możemy skorzystać z sugerowanych segmentów i szablonów, ale do tej części wrócimy jeszcze trochę później. W naszym przypadku wybieramy poziom użytkowników, bo interesuje nas podział danych według zachowania użytkowników w największej ilości przypadków.
W ogóle ten typ segmentów, czyli ten poziom użytkownika będzie przez nas raczej najczęściej wykorzystywany, bo skupiamy się wokół przede wszystkim użytkowników i to na ich poziomie będziemy analizowali większość danych. Po wybraniu odpowiedniego typu przechodzimy do kroku wyboru warunków, które charakteryzują interesującą nas grupę użytkowników. Możemy to zrobić na kilka sposobów przez uwzględnienie, wykluczenie albo wybór sekwencji jakich zdarzeń, wymiarów lub danych w różnej konfiguracji. Możemy np. uwzględnić zdarzenie lub kilka zdarzeń i do tego wykluczyć wymiar lub wymiary na zasadzie tworzenia logiki matematycznej z wykorzystaniem koniunkcji i alternatywy. Po wybraniu warunków dla danego segmentu po prawej stronie można zobaczyć takie estimacje liczby użytkowników tworzonego przez nas segmentu. Istnieje jeszcze drugi sposób tworzenia segmentu.
Wydaje mi się on bardzo przydatny, bo możemy tworzyć segmenty w momencie kiedy widzimy w analizowanych danych, że dana grupa użytkowników jest warta głębszej analizy. Jeśli podczas takiej analizy dostrzegamy ciekawą charakterystykę lub charakterystyki użytkowników i chcemy z nich stworzyć segment do dalszych analiz wystarczy nacisnąć prawym klawiszem na konkretny wiersz i wybrać opcję stwórz segment zaznaczenia. W ten sposób potworzy nam się kreator segmentów z predefiniowanym warunkami określającymi dany segment użytkowników. Oczywiście do takiego segmentu możemy dodać jakieś dodatkowe jeszcze warunki. Zapisujemy taki segment i gotowe. Proste prawda? No dobrze odbiegliśmy trochę od naszych segmentów, które mieliśmy tworzyć. Tak więc stworzymy teraz segment uwzględniający kupujących użytkowników oraz drugi segment wykluczający kupujących. Tak więc zwróć uwagę co robię.
Dzielę populację na dwie części. Czemu tak zrobiłem? Tutaj właśnie dochodzimy do takiego też dość ważnego aspektu w zakresie segmentowania danych. Kiedy tworzymy segmenty i chcemy zrozumieć co dzieje się w całej naszej populacji użytkowników zawsze musimy stworzyć segmenty wypełniające całą populację. Co nam da wtedy jasny obraz sytuacji? Tak więc jeśli tworzę segment uwzględniający kupujących zawsze dodaję drugi segment lub segmenty przeciwstawne, które określą resztę populacji użytkowników, czyli dopełnią ją do 100% populacji. W naszym przypadku tworzę tylko jeden segment dopełniający, czyli tych co nie kupili. W ten sposób jestem w stanie ocenić i zrozumieć różnice jakie wynikają z badanego przeze mnie zachowania, czyli w tym przypadku dokonania zakupu.
Jeśli natomiast chcemy porównywać więcej segmentów, pamiętajmy aby zawsze te segmenty, które tworzymy sumowały się do 100% populacji tak aby byśmy badali wszystkie obiekty, czy to będą użytkownicy, czy sesje, czy konkretne zdarzenia. W ten sposób będziemy mogli zrozumieć różnicę i skalę badanych zjawisk. Jeśli natomiast stworzyłbym w tej chwili tylko segment np. użytkownicy, którzy kupili, to mógłbym zbadać tylko tą konkretną grupę, bez odniesienia się do reszty populacji. Czasem tak się robi, ale to jest raczej rzadkie, dlatego że generalnie chodzi nam głównie o trendy i badanie różnic pomiędzy grupami w populacji, po to aby móc aplikować strategie korygujące te różnice i reagować na trendy.
Mam nadzieję, że rozumiesz o co tutaj mi chodzi i że sprawa jest dla Ciebie jasna. Ok, zobaczymy teraz jak możemy za aplikować nasze segmenty. W momencie kiedy dodajemy oba stworzone segmenty do wybranych wymiarów, otrzymamy dane podzielone według określonych kryteriów. Dla przykładu bierzemy tutaj sklep internetowy z gadżetami Google, którego celem jest przede wszystkim generowanie sprzedaży oczywiście. Notabene, przypominam, że możesz też swobodnie bawić się tymi danymi dokładnie co ja, bo Google Analytics dla tego serwisu jest dostępny dla wszystkich. Link do tych danych zamieszczam w opisie tej lekcji. Zacznijmy od takiego prostego zestawienia na początek, dotyczącego naszych użytkowników zrealizowanych przychodów i transakcji.
W danym okresie chcę dowiedzieć się ilu było użytkowników na mojej stronie, ilu zostało dokonanych zakupów, jakie zostały wygenerowane przychody. Zwróć uwagę, że tutaj też dodałem dwie ciekawe metryki ARPU i ARPPU. To dość dobrze znane metryki w świecie aplikacji, ale trochę mniej w świecie e-commerce. Są to metryki określające średni przychód na użytkownika oraz średni przychód na płacącego użytkownika. Zobacz jaką mamy ogromną różnicę. Czyż nie warto było się dowiedzieć więcej o tych użytkownikach, którzy są warci ponad 100 dolarów? Dodajmy zatem sobie dwa segmenty, o których wcześniej rozmawialiśmy. Tych co kupili i tych, którzy nie zostali naszymi klientami.
Zwróć uwagę, że dzięki dokonaniu takiej segmentacji widzimy jasno, że kupujących jest niewielka bardzo grupa w porównaniu do całej populacji użytkowników. To co mnie osobiście intryguje to czy jest wśród kupujących jakaś specjalna na te reprezentacja klientów? Aby to sprawdzić tworzę sobie dodatkowe segmenty o różnej wartości zakupów. Odnosząc się do średniej wartości na kupującego czy średniej wartości koszyka na kupującego. To co widać to w naszej grupie kupujących mamy także duże różnice w wartości. Tak więc mała grupa użytkowników generuje nam prawie połowę wartości zakupów. A każdy użytkownik jest wart parokrotnie więcej niż przeciętny kupujący. I tym samym w tym momencie odkryliśmy grupę tzw. klientów wielorybów w populacji naszych wszystkich użytkowników.
Tak potocznie czyli wieloryby mówi się w branży gier mobilnych i aplikacji na najbardziej zyskownych użytkowników. Możemy skopiować tę nazwę do świata e-commerce bo ona bardzo dobrze oddaje porównanie do przeciętnego użytkownika w tym naszym całym basenie użytkowników. Wieloryby to mały procent użytkowników który generuje większość przychodów w danym okresie. Mam nadzieję że pamiętasz jaka powinna być strategia w przypadku takich użytkowników. Przede wszystkim musimy ich utrzymać, następnie zidentyfikować i uzyskać czy pozyskać podobnych użytkowników do tych wielorybów. A na końcu zająć się zwiększaniem ich wartości oraz transformowaniem zwykłych tych użytkowników kupujących w wieloryby jeśli to w ogóle jest możliwe i mamy czy znajdziemy jakiś na to sposób.
Jeśli nam się to by udało to będzie to ten właśnie unikalny czynnik budowania sobie trwałej przewagi konkurencyjna na naszym rynku. A teraz dodatkowo zobaczmy jakie są najprostsze wnioski z tych danych dla naszych działań marketingowych. Pamiętaj że im prościej w analizie tym lepiej, tą zasadę trzeba zawsze stosować. Co musimy zrobić przede wszystkim w tym momencie? Jeśli dane mówią prawdę to zobacz kilkuset klientów generuje nam prawie połowę przychodów. A więc jeśli jesteśmy w stanie dowiedzieć się kim oni są i skąd ich pozyskaliśmy może uda nam się pozyskać podobnych do tej grupy użytkowników. W ten sposób z łatwością moglibyśmy podnieść nasze przychody o przynajmniej 30%.
Zrzuć uwagę o ile więcej możemy zapłacić za pozyskanie właśnie takich użytkowników w stosunku do innych odwiedzających naszą stronę internetową. Takim budżetem byłaby duża szansa na ich pozyskanie zwłaszcza w mediach aukcyjnych o których mówiliśmy dzisiaj na początku. Pamiętaj że to są proste wnioski z jasnych danych. Z kolei przewagę budujemy w oparciu o to jakie wykorzystamy w działaniach marketingowych i naszym podejściu do nakładów i zasobów finansowych na te działania właśnie. O kreatywności tutaj nie będę wspominał bo jest to raczej oczywista sprawa. Kreatywność jest cenia obecnie. Ok, idźmy dalej z naszymi analizami w oparciu o segmenty. Stwórzmy teraz raport złączący się do istotnego aspektu pozyskania użytkowników a więc związany właśnie z efektywnością naszych działań marketingowych.
Sprawdzimy zatem jak się rozkłada ilość kupujących użytkowników wersus ci co nie dokonali zakupu ze względu na źródła ich pozyskania. Aby taki raport stworzyć musimy wybrać jako wymiar pierwsze źródło medium. Ten wymiar pokazuje nam pierwsze źródło pozyskania użytkowników a nie źródło ostatniej sesji. Jako dane zostawiamy aktywnych użytkowników. W ten sposób możemy zobaczyć jak rozkładają się kupujący użytkownicy ze względu na źródło ich pozyskania. Widać wyraźnie, że w naszym badanym przypadku tylko dwa źródła generują prawdziwe przychody. Zwracam tutaj też szczególną uwagę na takie źródła które nie generują nam klientów a które są płatne w zależności od generowanego ruchu czyli np. Google Ads, Facebook Ads, LinkedIn oraz innego rodzaju tego typu platformy.
Jeśli mielibyśmy taką sytuację to oznacza to, że najprawdopodobniej jest coś bardzo nie tak z jakością prowadzonych przez nas działaj marketingowych i bardzo potrzebujemy ich optymalizacji. Ale też przede wszystkim należy je natychmiast wstrzymać jeśli ich celem jest generowanie sprzedaży a tego nie robią. Z kolei są też inne źródła jak widzisz które mają małą liczbę użytkowników ale bardzo przyzwoite przychody. Może warto się zastanowić jak udrożnić takie źródło. Może jest szansa na zwiększenie ilości użytkowników z tego źródła. A może są inne podobne źródła których jeszcze nie wykorzystaliśmy. Ok myślę że dzięki prostym przykładom rozumiesz już wagę tworzenia segmentów w oparciu o najważniejsze cele naszej strony internetowej. Idźmy zatem dalej w zakresie segmentowanych danych.
Zwróć uwagę że wszystkie dostępne metody analiz mają możliwość segmentacji czy to użytkowników czy sesji czy na poziomie zdarzeń. Weźmy sobie na przykład prosty raport dotyczący analizy ścieżki. Pamiętasz na ostatniej lekcji tworzyliśmy taki raport i analizowaliśmy zachowania użytkowników na drodze do konwersji. Dzięki segmentom możemy także odpowiedzieć sobie na kilka ważnych dodatkowych pytań dotyczących optymalizacji naszych działaj marketingowych w obszarze transakcji. Transakcji chociażby czy ścieżki do transakcji. Dokonajmy analizy ścieżki w tym momencie wykorzystując segmenty dotyczące wykorzystywanych urządzeń podczas procesu zakupu. Zobacz że na ścieżce transakcyjnej dużo większa liczba użytkowników odpada na ścieżce wykorzystując urządzenia mobilne. Może to na przykład świadczyć o mniejszej użyteczności ścieżki na naszej stronie na urządzeniach mobilnych.
Należałoby w takim razie przede wszystkim przyjrzeć się użytkownikom i sprawdzić czy faktycznie trudniej jest wykonać zakup na urządzeniu mobilnym niż na urządzeniu typu desktop. Zdarza się, że doświadczenia użytkowników na stronie mobilnej są gorsze, bo wersja strony na małym ekranie jest po prostu ubosza i pewne istotne elementy zachęcające lub pomagające ukończyć zakup nie są na przykład widoczne albo obecne w wersji mobilnej. Coraz częściej widać sytuacje gdzie w sklepach e-commerce rejestrujemy większy ruch przez urządzenia mobilne niż przez urządzenia desktopowe, ale większość konwersji odbywa się jednak na tego drugiego rodzaju urządzeniach.
Warto dokładnie badać takie zjawiska, bo może akurat tracimy bardzo dużo potencjału naszego biznesu przez mniejszą użyteczność strony mobilnej lub inne aspekty, które nie pozwalają tak samo łatwo dokonywać zakupu jak na stronie w wersji typu desktop. Wróćmy jeszcze na chwilę do procesu tworzenia samych segmentów. Podczas tworzenia segmentu może udało Ci się zwrócić uwagę, że mamy kilka dodatkowych rodzajów segmentów do stworzenia, czy możliwości stworzenia. Między innymi mamy dostępne przydatne szablony takie jak szablon segmentów opierających się na danych demograficznych, kwestiach technologii, czy chociażby ważne segmenty dotyczące źródeł pozyskania. Polecam z tych szablonów korzystać, bo po prostu są one wygodne, ale wisienką na torcie będą prognozowane grupy użytkowników.
Uważam, że to jedne z ciekawszych rozwiązań w Google Analytics 4 i jedno z takich, które będziemy na pewno intensywnie rozwijać. Z pomocą tych szablonów możemy tworzyć segmenty, które pomogą nam wydatnie w najważniejszej rzeczy w całej analityce, czyli właśnie w zwiększaniu wartości naszego biznesu. Dzięki nowym możliwościom GA4 w zakresie machine learningu możemy automatycznie korzystać z wyników modelowania naszych danych w zakresie na przykład prawdopodobieństwa zakupu czy rezygnacji z naszych usług przez użytkownika. Dzięki modelom machine learningowym, które są wbudowane w GA4 możemy tworzyć segmenty użytkowników, których prawdopodobieństwo zakupu na przykład w ciągu 7 następnych dni jest wysokie, albo na przykład możemy wyodrębnić użytkowników, którzy najprawdopodobniej zrezygnują z naszych usług w ciągu kolejnych 7 dni.
Możemy też wskazać tych, którzy są najbardziej skłonni z zakupu w najbliższych 28 dniach. Ok, może 7 dni to nie jest zakres obecnie jakiś powalający w jakim tutaj byśmy mogli się poruszać, ale jest to dobry początek, zwłaszcza, że zaczynamy dodawać tutaj już okresy dłuższe, czyli na przykład właśnie 28 dniowe. Idziemy w kierunku poszerzania na pewno tych zakresów. Co w takim razie możemy zrobić z tymi danymi, żeby zwiększyć wartość naszego biznesu? Pamiętasz w jakich obszarach warto powalczyć? Przede wszystkim należy co zrobić? Zatrzymać obecnych klientów, a po drugie znaleźć nowych wartościowych klientów, a po trzecie oczywiście zwiększyć wartość obecnych klientów i pozbyć się tych, którzy przynoszą straty, albo przynajmniej nie pozyskiwać ich dodatkowo.
Zobacz, jeśli możesz stworzyć segment użytkowników, którzy prawdopodobnie odejdą, przestaną być klientami, to skoro już mamy taką wiedzę, co to jest w ogóle za grupa, to możemy odpowiednio zadziałać. Pierwsze to, co przychodzi mi do głowy w takiej sytuacji, to na przykład jakaś super pomoc dla tej grupy i praca nad zwiększeniem lojalności, albo przynajmniej rozpoznanie, w czym był problem, dlaczego oni odeszli. Z kolei, jeśli jesteśmy w stanie rozpoznać tych, którzy raczej kupią z dużym prawdopodobieństwem, to co możemy zrobić? Czy że takie ludzie, którzy najpewniej kupią, robimy specjalną promocję? No właśnie nie, ponieważ tacy użytkownicy i tak raczej kupią, a przynajmniej tak się tego spodziewamy, to obniżanie ceny w takiej sytuacji jest po prostu zwykłą stratą części przychodów.
W segmentach dotyczących prognos, w standardzie poruszamy się w obszarze użytkowników, którzy znajdują się w najwyższym percentylu, czyli tym wyższym niż 95% oznacza to, że jeżeli analizujemy 1000 użytkowników populacji, to 50%, czyli te najwyższe 5%, najwięcej wydających będzie zaliczało się do naszej grupy odbiorców określonych właśnie przez Machine Learning. Możemy jednak zakres tych percentyli edytować i zmniejszać lub uzwiększać w momencie edytowania czy tworzenia danego segmentu. Obecnie trochę jeszcze możemy potraktować te segmenty jako bardziej ciekawostkę, przynajmniej ja tak traktuję, ale warto na pewno przetestować ich działanie i spróbować zaplikować je do działań marketingowych, bo wszystko wskazuje na to, że tego typu segmenty i dane oparte o prognozowanie z wykorzystaniem Machine Learning to przyszłość analityki.
Tak więc warto się tutaj już do tego zacząć przyzwyczajać. Na ostatniej lekcji omawialiśmy różne metody analiz, jeżeli pamiętasz. Nie wspominaliśmy jednak o metodzie opierającej się na segmentach, która nazywa się pokrywanie się segmentów. Ta metoda pozwala nam odkrywać grupy użytkowników wizyt lub zdarzeń o wspólnych cechach. Ponieważ my najczęściej będziemy skupiać się na użytkownikach, to przyjrzymy się czego możemy się o nich dowiedzieć i jak możemy tą wiedzę wykorzystać, korzystając z metody analiz pokrywania się segmentów. Metoda pokrywania się segmentów, jak sama nazwa oskazuje, pozwala w łatwy sposób analizować skalę wspólnych cech dwóch lub więcej grup użytkowników.
Ta technika jest bardzo ciekawa, bo do tej pory porównanie użytkowników, którzy zaliczali się do różnych segmentów, czyli grup użytkowników nie była bardzo wygodna. Teraz dzięki tej metodzie łatwo możemy wyłuskać użytkowników, którzy mają kilka dla nas ważnych cech i zaliczają się do ważnych dla nas grup użytkowników, czyli różnych segmentów. Weźmy sobie na przykład segment użytkowników, którzy dokonali zakupu w sklepie i chciałbym tutaj poznać pokrycie tego segmentu z innym segmentem związanym z rodzajem urządzenia oraz rodzajem płatnego źródła pochodzenia użytkownika. Czyli chciałbym zobaczyć jak się nakładają trzy różne segmenty na siebie i czy jest jakaś wspólna przestrzeń tutaj, czy są jakieś użytkownicy, którzy zaliczają się do trzech różnych segmentów.
I właśnie tutaj dodając te odpowiednie wybrane przez nas segmenty możemy zobaczyć ich wizualizację ze względu na liczbę aktywnych użytkowników w każdym tym segmencie. W tej analizie metryka ta jest tutaj zawsze niezmienna, ale możemy dodawać nasze dodatkowe jakieś metryki. Jeśli zbieramy dane o przychodach możemy też dodać sobie tutaj metryki związane z wartością per użytkownik, per klient, czyli płacący użytkownik. Tutaj chodzi mi na przykład o wspomniane na ostatniej lekcji i wcześniej na tej lekcji metryki RPPU i RPU. Od razu widać, że dużo więcej inwestujemy w ruch mobilny niż w desktop, jeśli chodzi o płatne źródła. Co ciekawe najwyższe RPPU występuje dla ruchu mobilnego, ale nie z płatnego źródła wcale.
Z kolei ruch płatny, który jest kupowany na urządzenia mobilne jest więcej wart niż ruch płatny na inne platformy. To nam daje też ciekawe wnioski, jeśli chodzi o inwestycje w marketing. Innym przykładem wykorzystania może być analiza z zakresu demografii technologii, ale z nastawieniem właśnie na porównanie wartości. Biorąc pod lupę ruch mobilny, desktopowy i przedział wieku naszych użytkowników jako segmenty oraz dodając odpowiednie metryki, widać, że ruch mobilny generuje największe przychody. Jeśli chodzi o wartość wszystkich użytkowników odwiedzających naszą stronę z urządzeń mobilnych, to właśnie osoby przedziale w wieku 25-54 są dużo więcej warte niż wszyscy inni pozostali. Generują dużą porcję przychodów, a jest ich bardzo mało w całej populacji użytkowników z urządzeń mobilnych.
Co ciekawe, brak jest tego typu osób odwiedzających przykładowy ten sklep, który wybraliśmy z urządzeń typu desktop. Fakt, że tutaj akurat wziąłem na tapetę sklep z produktami raczej dla milenialsów, to tutaj ta sytuacja może być zgodna z prawdą. To co tutaj jest też istotne, najeżdżając na odpowiednie części zbiorów, możemy z nich wygodnie tworzyć segmenty naciskając prawym klawiczem myszy. Uważam, że omawiana przez nas metoda eksploracji bardzo dobrze potrafi zobrazować sytuację i charakterystykę naszych odwiedzających. Możemy dzięki tego typu analizom odkryć dodatkowy kontekst w zebranych przez nas danych. Ok, idźmy dalej w naszych rozważaniach dotyczących segmentacji i związanych z tym zagadnieniem funkcjonalności GronoNetX 4.
W momencie tworzenia segmentu możemy zauważyć po prawej stronie nie tylko symulację populacji w zakresie wybranych przez nas warunków, ale także opcję powyżej utwórz grono odbiorców. W momencie tworzenia segmentu dzięki tej opcji możemy od razu stworzyć z warunków w segmencie grupę odbiorców. Grupa odbiorców to grupa użytkowników, która spełnia warunki tworzonego przez nas segmentu. Takie grupy odbiorców możemy wykorzystywać przede wszystkim jako nasze listy remarketingowe w narzędziu Google Ads i docierać do tych grup z określonymi dobrze dobranymi przekazami reklamowymi. Zazwyczaj kampania remarketingowa, jeśli jest dobrze prowadzona, ma kilkukrotnie wyższą skuteczność niż inne kampanie z podobnymi celami w tym samym rodzaju medium.
Remarketing odpowiada w wielu branżach za większość konwersji, ale aby być skutecznym potrzebna jest dobrze dobrana lista odbiorców z dobrze dobranymi przekazami reklamowymi. Z kolei w takiej stworzonej grupie odbiorców ta liczba użytkowników jest na bieżąco odświeżana. To znaczy, że i ilość tych użytkowników w danej grupie może i będzie się z czasem zmieniać. W momencie kiedy jakiś użytkownik będzie spełniać warunki danej grupy zostanie do niej automatycznie przypisany. Na to przypisywanie do danej grupy użytkowników mamy też wpływ. W momencie tworzenia listy odbiorców możemy zobaczyć, możemy wybrać tzw. okres członkostwa, czyli czas przez jaki użytkownik ma być przypisany do danej grupy. Maksymalny zakres po prostu pozostawia użytkowników tak długo jak będzie on istniał w Google Analytics.
Dla przykładu osoba, która dokonała zakupu może zostać przypisana do grupy odbiorców klient, jeśli taką grupę chcemy zdefiniować podczas tworzenia segmentu. Jeśli natomiast jego okres członkostwa wynosił 30 dni to po tym czasie od momentu wstąpienia do grupy użytkownik jest z tej grupy wypisywany. Jeśli natomiast wybierzemy opcję maksymalny okres to dany użytkownik po dokonaniu zakupu będzie już zawsze określony jako klient i będzie członkiem grupy odbiorców zdefiniowanych jako klienci. Do momentu oczywiście aż przestanie spełniać kryteria dla tej grupy lub przekroczy czas życia ciastka. W Google Analytics czas życia ciastka wynosi 2 lata w tej chwili. W większości przypadków rozsądek nakazuje wybrać w tym momencie realny zakres dni jaki powinien określać członkostwo w danej grupie.
Nie chodzi mi tutaj o kwestię przeżywalności ciastek bo rzadko się zdarza oczywiście że ciastko żyje 2 lata teraz. Ale chodzi mi o taki rozsądny okres w jakim członkostwo w danej grupie ma po prostu sens. Jeśli użytkownik przeciętny powinien kupować w naszym sklepie co około 60 dni to właśnie taki okres członkostwa ustaliłbym dla grupy aktywnych klient. Z kolei wybrałbym inny okres członkostwa np. 90 dni dla tzw. klientów zagrożonych. W takiej sytuacji jak byśmy dodali jeszcze parę takich segmentów możemy analizować liczbę użytkowników w różnych fazach życia z firmą. To oczywiście jest przykład bo tworzenie grup odbiorców ma multum zastosowań i możemy je tworzyć z wykorzystaniem wszystkich dostępnych zdarzeń, wymiarów i danych.
Tutaj jest sky's the limit jak to się ładnie po polsku mówi. Tutaj trzeba jeszcze jednej rzeczy ważnej wspomnieć. Jeśli dany użytkownik określony jako ten nasz aktywny klient powraca i robi zakupy a więc spełnia warunek dla grupy aktywny klient po 40 dniach to jego okres członkostwa się odnawia i znowu wynosi 60 dni. Mam nadzieję, że tego za bardzo nie zagmatwałem. Dla dodatkowej weryfikacji tych informacji, które podaję i też żeby sobie jeszcze raz może poczytać w tym dokładnie drugi raz zostawiam odpowiedni link w opisie tej lekcji do pomocy Google Analytics.
Z kolei tutaj w tym miejscu nie mogę nie wspomnieć o według mnie super innowacji w Google Analytics 4 jaka jest tworzenie reguły odbiorców, która pozwala nam tworzyć automatyczne zdarzenie o konkretnej nazwie w momencie kiedy jakiś użytkownik dołącza do danej stworzonej przez nas grupy odbiorców. Jak pamiętamy ze zdarzenia możemy łatwo tworzyć konwersje. To może być bardzo pomocne w momencie kiedy naszym celem np. kampanii jest np. budowanie świadomości marki lub produktu i zależy nam w kampaniach marketingowych na jakimś tam celu w postaci np. jakiegoś konkretnego zachowania użytkowników. Np. pochodzących z urządzeń mobilnych i będących w wieku 25-50 oraz odwiedzających stronę przynajmniej 3 minuty.
Tworząc segment odpowiadający takim zachowaniom i tworząc grupy odbiorców będziemy w stanie ocenić później jak nam idzie realizacja takiego celu. Bo za każdym razem jak użytkownik będzie do takiej grupy dołączał to będzie się wykonywało zdarzenie i będzie naliczała się konwersja. W tradycyjnym Google Analytics i Universal Analytics nie było to bardzo łatwe zadanie. Podsumowując zatem temat odbiorców. Wszystkie zdefiniowane przez nas listy czy grupy odbiorców będą widoczne w zestawieniu grup odbiorców w sekcji konfiguracja odbiorcy. A teraz musimy sobie jeszcze jedną rzecz wyjaśnić a propos grup odbiorców i samych segmentów. Segmenty jako takie nie funkcjonują poza konkretnymi eksploracjami.
Tak więc nie możemy póki co używać ich w innych eksploracjach i w każdej z nich musimy tworzyć odrębne zestawy segmentów. Tak więc dlatego też ja używam bardzo chętnie kart w obrębie jednej eksploracji zamiast tworzyć wiele odrębnych bytów samych eksploracji. Bo mogę w tym momencie korzystać z moich zestawów moich stworzonych segmentów dla różnych typów analiz. Z kolei grupy odbiorców które możemy tworzyć na podstawie segmentów funkcjonują poza sekcją eksploracja i możemy je wykorzystywać szerzej. Zdefiniowana grupa odbiorców funkcjonuje niejako na poziomie całej usługi. Dzięki temu możemy segmenty w formie grup odbiorców wykorzystać także w obrębie innych funkcji Google Analytics a nie tylko w obrębie sekcji eksploracji.
Ok mam nadzieję że już trochę lepiej rozumiesz sens tworzenia raportów Google Analytics 4 z wykorzystaniem sekcji eksploracja i segmentów. Nie jest to jednak jedyny sposób porównania grup danych w Google Analytics. Wspomniałem na początku tej lekcji że mamy dwa miejsca w których możemy porównywać dane ze sobą czy segmentować dane. W raportach tworzonych w zakładce eksplorowania, ale jeszcze mamy drugą możliwość korzystania z tych segmentowanych danych. Mówię tutaj o funkcji porównanie w raportach standardowych. Zwróć uwagę że na samej górze pod tytułem raportu mamy widoczny segment wszyscy użytkownicy. To właściwie nie jest segment bo jest to cała populacja ale w GA4 cała populacja też zachowuje się jako taki segment.
Obok tego naszego segmentu cała populacja czyli wszyscy użytkownicy widać opcję dodaj porównanie. Dzięki tej opcji możemy zacząć budować porównanie różnych danych w obrębie Google Analytics w raportach standardowych. Tworząc takie porównanie możemy wybrać do 5 różnych warunków które określą nam charakterystykę danego zbioru danych. Po prostu uwzględniamy albo wykluczamy dane z zakresu konkretnych wymiarów tak jak np. źródło pochodzenia albo rodzaj urządzenia jakiego używał użytkownik albo np. kraj czy region jego pochodzenia z którego plikał i wszedł naszą stronę. W tym miejscu możemy także wykorzystać wspomniane przez nas grupy odbiorców jako czynnik segmentujący które wcześniej tutaj stworzyliśmy. Np.
jeśli stworzyliśmy taką grupę odbiorców jak kupujący i niekupujący to tutaj możemy je właśnie wykorzystać do porównania na danych z raportów standardowych. Podoba mi się też bardzo że możemy tutaj łatwo też uwzględniać tylko użytkowników zalogowanych na naszej stronie dzięki funkcji user ID. W wersji Universal Analytics tutaj warto o tym wspomnieć nie mamy takiej opcji i musieliśmy oddzielnie analizować zalogowanych użytkowników w specjalnym do tego stworzonym widoku danych. Jako ćwiczenie stwórzmy proste porównanie użytkowników korzystając z różnych rodzajów urządzeń. W tym celu wybieramy opcję dodaj porównanie i w wymiarach wyszukujemy wymiar kategoria urządzenia i wybieramy desktop i to samo tu robimy dla kategorii urządzeń typu mobile.
Na końcu po prostu usuwamy segment wszyscy użytkownicy dla przeźlestości obrazu i mamy gotowe porównanie. Wszystkie raporty w tym momencie będą podzielone właśnie czyli posegmentowane według rodzaju używanych urządzeń przez użytkowników. Tutaj trzeba także pamiętać w zasadzie znowu dopełnienia segmentów do 100%. Nie lubię nawyku porównania segmentów do grupy wszyscy użytkownicy, bo w tej grupie mieści się też badana przez nas grupa zdefiniowana przez ten segment, który będziemy porównywać. Może to zaburzać dość wydatnie porównanie. Z kolei czasem dodaję ten segment wszyscy użytkownicy do porównywanych przeze mnie grup, aby sprawdzić czy przypadkiem gdzieś nie zgubiłem w cudzysłowie jakichś użytkowników, którzy nie zaliczają się do żadnego z tych stworzonych przeze mnie segmentów czyli grup użytkowników.
Dzięki funkcji porównanie wszystkie dane w raportach standardowych będą podzielone według stworzonych przez nas segmentów. W tym momencie nasze raporty standardowe stają się dużo bardziej przydatne do wyciągania pierwszych wstępnych wiosków o efektywności naszych działań. Dzięki temu możemy skupić się na tworzeniu już bardziej konkretnych raportów w sekcji eksplorowanie, które pomogą nam doprecyzować pierwsze obserwacje z raportów standardowych. Segmenty robią tutaj olbrzymią różnicę na plus jeśli chodzi o przydatność raportów standardowych. Polecam się tutaj przyjrzeć w tej chwili raportom standardowym i porównać się szczególnie w odniesieniu do najważniejszych naszych grup użytkowników.
W większości przypadków pierwszym porównaniem w tym momencie powinno być zawsze porównanie dwóch grup użytkowników czyli w tym przypadku klientów i tych którzy w badanym okresie klientami naszymi się nie stali. To bardzo dobry start i dobry nawyk do pierwszej obserwacji i planowania dalszych kroków analitycznych i optymalizacyjnych. Mam nadzieję, że zagadnienia związane z tematem segmentowania danych w Google Analytics 4 są dla Ciebie już trochę bardziej logiczne i zrozumiałe. Mamy w tej chwili dobry podkład pod rozbudowywanie o segmenty naszego prostego, ale skutecznego systemu analiz. Pamiętasz mam nadzieję nasze rozważania dotyczące systemu analizowania danych z lekcji 5, gdzie rozmawialiśmy od których raportów należy zacząć analizy i w którą stronę należy iść.
Przykładając oczywiście zasady od ogółu do szczegółu i zawsze trzymając zasady gdzie skupiamy się na celach biznesowych. Biorąc tutaj pod uwagę, że mamy już taką właśnie wiedzę dotyczącą istotności metryki raportów oraz kolejności ich analizowania, pojawia się tutaj od razu dość szybko analogiczne pytanie dotyczące segmentów. Czy są jakieś segmenty ważniejsze i mniej istotne? Od tworzenia jakich segmentów należy na przykład zacząć? Pomijam w tym momencie oczywiście kwestie tworzenia segmentów na potrzeby tworzenia list odbiorców dla Google Ads'ów, a jedynie myślę tutaj o analizach i wyciąganiu wniosków z danych przy ich pomocy.
W tym momencie im szybciej wrócimy do koncepcji z samego początku kursu do czego służy Google Analytics tym łatwiej będzie nam ułożyć dobry plan na segmentowanie danych Google Analytics 4. Tak więc co jest najważniejsze w analityce? Jaki jest główny cel? Pamiętasz? Oczywiście zwiększenie wartości firmy poprzez realizację założonych celów, które za tą wartość odpowiadają. Tak więc jakie segmenty będziemy tworzyć w pierwszej kolejności? Oczywiście takie, które będą najbliżej związane z naszymi celami głównymi i głównymi KPI, które wyznaczyliśmy. Tak więc pierwszymi segmentami jakie powinniśmy wykorzystywać są z całą pewnością segmenty związane bezpośrednio z celami głównymi strony, które to odzwierciedlają cel główny biznesowy. Tak więc w przypadku sklepu na przykład będą to raczej oczywiste dwa segmenty.
Mam nadzieję, że wiesz już jakie. No i brawo właśnie dokładnie będziemy porównywać użytkowników, którzy kupili i użytkowników, którzy nie dokonali transakcji u nas. W przypadku biznesów typu lead generation będzie to odpowiednio grupa leadów oraz tych, którzy leadami u nas nie zostali w danym okresie. To właśnie o tych segmentach cały czas w sumie rozmawialiśmy przez całą tą lekcję. Pamiętasz? Analizując oba te segmenty musimy tutaj zadać sobie ważne pytania na temat obu tych grup.
Jakie są różnice między nimi? Skąd oni pochodzą? Jakie źródło sprawiło, że mamy ich na swojej stronie? Jakie są proporcje tych użytkowników? Jakie koszty poniesiliśmy nabywając tych, którzy nie kupili? Co się stało, że pewni użytkownicy właśnie nie kupowali u nas i wiele, wiele innych. Podobne pytania i ten sam sposób myślenia i szukania odpowiedzi zadajemy sobie już od czwartej lekcji dotyczącej metric. Mam nadzieję, że pamiętasz jeszcze czwartą lekcję. Generalnie już ten jeden zestaw segmentów, o których właśnie mówimy pozwala na kolejne wiele godzin analiz i fundamentalnych wniosków do optymalizacji. Mam nadzieję, że pamiętasz nasz porządek analizowania raportów. Zastosuj go przy tej okazji, kiedy już masz stworzone segmenty.
Trzymaj się jak najwięcej schematów, a będzie ci się dużo łatwiej pracować z danymi. Stwórz swój system analiz i nie musisz robić tego dokładnie tak jak ja to proponuję. Najważniejsze to stworzyć swój własny system, który pozwoli mechanicznie wykonywać analizy, przykładać je do każdego biznesu praktycznie, czy do każdego rodzaju biznesu tak samo, a nie odkrywać chaotycznie jakieś nowe koło analityczne za każdym razem. Dzięki tym właśnie schematom można zachować siły na jakiś własny swój rozwór, jakieś bardziej konstruktywne myślenie, a nie spalać się w pracy. To taki tutaj mały tip o dwójka przemka. No dobrze, a tutaj dygresję na bok i wróćmy na chwilę jeszcze do naszych segmentów.
Jasnym jest, że segmentów związanych z biznesem może być bardzo dużo. Sama analiza i segmentacja kupujących to jest duża, albo nawet bardzo duża sprawa. I dziś to pewnie nie omówimy tu wszystkiego. To co mi głównie chodzi to pomysł dla Ciebie na sposób, porządek i plan w pracy analitycznej. I mam nadzieję, że to dla Ciebie tutaj jest w tej chwili jasne. Przejdźmy tutaj zatem dalej jakie segmenty będę tworzyć w następnej kolejności poza tymi biznesowymi, o których właśnie rozmawialiśmy, czy o tych najbliżej biznesu, najbliżej celów.
Jeśli wyczerpię ten temat najpilniejszy, czyli rozumiem skąd pochodzą moi klienci co i dlaczego kupują, czyli wiem co mam robić, aby utrzymać takich klientów i pozyskać podobnych, a więc mam jakiś tu plan jak zabezpieczyć sobie podstawowe utrzymanie i wzrost biznesu, mogę w następnej kolejności zacząć się zajmować optymalizacją kosztów. Tak więc kolejną kategorią segmentów jakie będę tworzył na moim koncie będą segmenty związane stricte z moimi działaniami marketingowymi. Popatrzę na całość z innej strony ze strony moich inwestycji. Ja mówię tu oczywiście o kosztach marketingowych, nie mówię o kosztach prowadzenia firmy, to mam nadzieję jest też jasne. I tutaj jak już mówiliśmy marketing może i powinien być inwestycją, a często niestety jest kosztem.
I wykonując segmentację użytkowników ze względu na nasze działania marketingowe, możemy szybko określić gdzie te nasze inwestycje są dobre, a gdzie mogą być lepsze, a gdzie ich po prostu nie powinno być. Tutaj nie mówię tylko o źródłach pochodzenia użytkownika, np. z kampanii marketingowych, w mediach aukcyjnych, ale też mówię o wszelkiego rodzaju maści akcjach marketingowych, które mają wspierać sprzedaż, a czasami nie jest to jasne czy tak faktycznie się dzieje. Tutaj pasuje wszystko co jest tak zwanym kosztem, nie lubię tej nazwy, ale jest kosztem marketingowym, który jest łatwy do modyfikacji. Szukajmy zatem niepotrzebnych kosztów, wzmacniamy w tym momencie pozytywne elementy i optymalizujemy marketing szybkimi działaniami naprawczymi.
Dobrym przykładem będą tu chociażby kwestie kreacji i przekazów reklamowych, czyli tworzymy segmenty i porównujemy realizację naszych celów ze względu na nasze działania marketingowe i związane z nimi koszty. Pamiętasz mam nadzieję, że przesuwanie budżetów i zasobów to często, a właściwie najczęściej, najszybszy i najbardziej efektywny sposób na optymalizację działań marketingowych. Mam nadzieję, że do tej pory wszystko jest w miarę jasne o czym powiedziałem. Pamiętaj, że nie musisz się ze mną zgadzać w całości. Analityka internetowa tak jak mówiłem nie jest nauka ścisła i nie trzeba na nią w ten sposób patrzeć. Jeśli na bazie tego co dziś słyszysz i widzisz, stworzysz swoje schematy, to będzie to chyba najlepsza informacja jaką mógłbym dostać jako prowadzący ten kurs.
W analityce nie musimy papugować po innych, możemy na ich bazie, na bazie tego co ktoś proponuje przetestować i stworzyć swój własny unikalny schemat analiz. Ok, ale idźmy z tym tematem kategorii segmentów dalej. Kolejną kategorią segmentów za jakie zazwyczaj się biorę będą wszelkie segmenty związane z zachowaniem użytkowników na stronie. Tutaj będziemy wspierać się z segmentami, które pozwolą nam zoptymalizować ścieżkę do celu naszych użytkowników. Pamiętasz jak mówiłem o ścieżce transakcyjnej i w ogóle całej ścieżce zakupowej? Nie tylko o ten element mi chodzi. Mówię tutaj czy chodzi mi tutaj o wszystkie elementy na stronie, które mogą mieć znaczenie do przybliżania użytkownika do naszego głównego celu na stronie. Weźmy np. artykuły na firmowym blogu.
Przecież ktoś musi na to poświęcić czas, ktoś to musi napisać. Czy ten blog w ogóle np. wspiera naszą sprzedaż albo wykonywanie jakichś innych celów biznesowych? Jakie artykuły były bardziej efektywne pod względem sprzedaży od jakichś innych artykułów? O czym warto pisać a o czym nie? Czy np. chociażby banner na górze strony generuje dodatkową sprzedaż albo przyczynia się do tej sprzedaży? Czy jakby go np. nie było to może paradoksalnie byłoby lepiej? No i w ogóle na koniec, ostatnią kategorią są wszelkie segmenty związane z demografią. Pamiętasz jak mówiłem, że to co dla mnie się liczy najbardziej to to co ludzie robią, czy np.
kupują czy nie, a nie to kim są i skąd są? Tutaj ktoś może od razu powiedzieć, że lokalizacja użytkownika ma znaczenie. Duże miasta, itd. Oczywiście, że pewnie znajdziemy różnicę w zachowaniach użytkowników z dużych miast i małych. I pewnie dlatego robimy segmentację ze względu na demografię co jakiś czas. Ale to nie jest najważniejsze. Tworzenie segmentów demograficznych w pierwszej kolejności może być mylące i prowadzić do złych wniosków. Zwróć uwagę na taki nasz rodzimy przykład.
Mimo, że kolega Obajtek jest z Pcimia i to jest dodatkowo dolnego, jaką posiada siłę nabywczą? Ile razy lepszą niż nie jeden dobry klient z centrum dużego miasta? Tak więc liczy się przede wszystkim kto co robi a nie skąd jest i ewentualnie kim jest. Przynajmniej to głównie się liczy na potrzeby analityki internetowej w służbie biznesu internetowego. Mam nadzieję, że rozumiesz mój punkt widzenia. A przy okazji pozdrawiam gorąco wszystkich analityków Pcimia Dolnego. No i tym samym szczęśliwie dotarliśmy do końca lekcji siódmej. To było na tyle jeśli chodzi o żelazne podstawy zagadnienia jakim jest segmentacja w Google Analytics 4.
Mam nadzieję, że ten temat nie był ani bardzo skomplikowany, ani co gorsza bardzo nudny, bo on jest fundamentalnie ważny dla nas wszystkich. Pobaw się segmentami, stwórz własny zestaw segmentów, który pozwoli Ci na szybkie, efektywne analizy i ocenę efektywności Twoich działań marketingowych. Pamiętaj, że najważniejsze to są segmenty, które są najbliżej naszych głównych celów biznesowych. Tymczasem dziękuję za uwagę na dzisiejszej lekcji i zapraszam na kolejną lekcję już za parę dni, na której zgłębimy tajemniczą i kontrowersyjną kwestię tzw. atrybucji. Podobno wszyscy o niej słyszeli, ale nikt jej do końca jeszcze nie widział. Na liniu przyznajemy faktów, a tymczasem do zobaczenia. .
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.