Godzina_dziennie_z_Web_Analytics_Stworz_dobra_strategie_e_marketingowa_godweb by Jakub Jóźwiak

Godzina dziennie z Web Analytics. Stwórz dobr¹ strategiê e-marketingow¹ Autor: Avinash Kaushik T³umaczenie: Tomasz Walczak ISBN: 978-83-246-1880-4 Tytu³ orygina³u: Web Analytics: An Hour a Day Format: 180x235, stron: 496 Czy potrafisz odpowiedzieæ na pytanie, ile osób dziennie odwiedza Twój serwis lub blog? Jak d³ugo przebywaj¹ w Twoim sklepie i która strona przyci¹ga najwiêcej klientów? Je¿eli jesteœ w stanie przytoczyæ te dane, z pewnoœci¹ korzystasz z narzêdzi pozwalaj¹cych na analizê ruchu na Twojej witrynie. Je¿eli jednak nie masz bladego pojêcia, jak interpretowaæ i wykorzystaæ te informacje, dziêki tej ksi¹¿ce równie¿ i Ty zaczniesz efektywnie korzystaæ ze statystyk! Analizy ruchu na stronie oferuje wiele Ÿróde³, jednak dopiero us³uga uruchomiona przez Google Analytics w 2005 roku sprawi³a, ¿e zaawansowane narzêdzia sta³y siê dostêpne dla przeciêtnego webmastera. Autor tej niezwyk³ej ksi¹¿ki – Avinash Kaushik, pracownik firmy Google – poka¿e Ci krok po kroku, jak opracowaæ skuteczn¹ strategiê analizy danych internetowych. Przekonasz siê, ¿e wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawiæ wyniki ogl¹dalnoœci i dochody Twojego serwisu. Dowiesz siê miêdzy innymi, w jaki sposób zbieraæ dane do analizy, oraz poznasz dostêpne analizy jakoœciowe. Ponadto zrozumiesz kluczowe elementy skutecznej strategii analizy danych internetowych oraz nauczysz siê przeprowadzaæ tê analizê. W kolejnych rozdzia³ach zapoznasz siê tak¿e z dostêpnymi miarami, analiz¹ w obszarze wyszukiwania, sporz¹dzaniem raportów czy te¿ analizowaniem witryn z nurtu Web 2.0. • Historia analiz danych internetowych • Analizy zachowania, skutków i doœwiadczeñ • Sposoby zbierania danych do analizy • Pozyskiwanie danych na temat konkurencyjnoœci • Dostêpne analizy jakoœciowe • Elementy skutecznej strategii analizy danych internetowych • Najlepsze praktyki w tym zakresie • Wybór optymalnego narzêdzia do prowadzenia analiz • Dostêpne miary w analizie danych internetowych • Pomiar kosztów oraz zwrotu z inwestycji • Ustalanie czytelników serwisu • Analiza w obszarze wyszukiwania • Analiza skutecznoœci kampanii PPC • Analiza skutków marketingu e-mailowego oraz wielokana³owego • Opracowanie skutecznych raportów podsumowuj¹cych • Zastosowanie procesu DMAIC • Analiza stron z nurtu Web 2.0 • Mity z obszaru analizy danych internetowych • Obliczanie wspó³czynnika konwersji • Pozyskiwanie konsultantów oraz ekspertów wewnêtrznych Zwiêksz popularnoœæ swojej witryny dziêki efektywnym analizom danych internetowych!

Spis tre ci Przedmowa ....................................................................................................................19 Wprowadzenie ................................................................................................................23

Rozdział 1. Web Analytics dziś i jutro ........................................................................ 31 Krótka historia analizy danych internetowych ..............................................................32 Obecne warunki i wyzwania .........................................................................................36 Tradycyjna analiza danych internetowych to przesz o ................................................38 Jak powinna wygl da analiza danych internetowych? .................................................40

Rozdział 2. Zbieranie danych — znaczenie i możliwości ............................................. 53 Zrozumienie róde danych ..........................................................................................54 Dane ze strumieni klikni ...........................................................................................56 Dzienniki sieciowe .......................................................................................................................56 Pliki jednopikselowe ....................................................................................................................58 Znaczniki JavaScript ....................................................................................................................61 Przechwytywanie pakietów ..........................................................................................................65

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

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

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

Rozdział 3. Przegląd analiz jakościowych .................................................................. 83 Istota koncentracji na kliencie ......................................................................................84 Laboratoryjne testy u yteczno ci ..................................................................................84 Przeprowadzanie testów ..............................................................................................................86 Zalety laboratoryjnych testów u yteczno ci .................................................................................88 Na co nale y zwróci uwag ........................................................................................................89

11 SPIS TRE CI

Pomiar „co” i „dlaczego” ..............................................................................................................43 Metoda Trinity — nastawienie i podej cie strategiczne ................................................................45

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

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

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

SPIS TRE CI

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

Rozdział 4. Kluczowe elementy skutecznej strategii analizy danych internetowych .... 109 Koncentracja na kliencie ............................................................................................110 Odpowiedzi na pytania biznesowe ..............................................................................113 Regu a 10/90 .............................................................................................................115 Zatrudnianie doskona ych analityków internetowych .................................................119 Okre lanie optymalnej struktury organizacyjnej i obowi zków ...................................128 Centralizacja ..............................................................................................................................131 Decentralizacja ..........................................................................................................................131 Scentralizowana decentralizacja .................................................................................................132

Rozdział 5. Podstawy analizy danych internetowych ............................................... 133 Zbieranie danych — dzienniki sieciowe czy znaczniki JavaScript? ..............................134 Oddzielenie procesu udost pniania danych od ich zbierania .......................................................135 Rodzaj i rozmiar danych ............................................................................................................135 Innowacje ..................................................................................................................................136 Integracja ..................................................................................................................................136

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

Okre lanie jako ci danych ze strumieni klikni .........................................................143 Stosowanie najlepszych praktyk ..................................................................................148 Oznaczanie wszystkich stron .....................................................................................................149 Znaczniki nale y umieszcza na ko cu (na pierwszym miejscu trzeba stawia klienta!) ..............150 Nale y u ywa znaczników wewn trzwierszowych ....................................................................150 Okre lanie definicji niepowtarzalnej strony ................................................................................150 Inteligentne u ywanie plików cookie .........................................................................................151 Uwzgl dnienie problemów z kodowaniem odno ników .............................................................152

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

Trzypoziomowy test „i co z tego?” ..............................................................................157 Kluczowy wska nik wydajno ci: procent wracaj cych u ytkowników ........................................158 Kluczowy wska nik wydajno ci: g ówne strony wyj ciowe .........................................................159 Kluczowy wska nik wydajno ci: wspó czynnik konwersji dla najcz ciej szukanych s ów ...........159

Rozdział 6. Miesiąc 1. Zgłębianie najważniejszych zagadnień z obszaru analizy danych internetowych ................................................ 161 Tydzie 1. Przygotowania do zrozumienia podstaw ....................................................162 Poniedzia ek i wtorek: adresy URL ............................................................................................163

roda: parametry adresów URL .................................................................................................164 Czwartek i pi tek: pliki cookie ..................................................................................................165

Tydzie 2. Powrót do podstawowych miar .................................................................168

Poniedzia ek: odwiedziny i u ytkownicy ....................................................................................168 Wtorek i roda: czas w witrynie .................................................................................................172 Czwartek i pi tek: liczba wy wietle stron .................................................................................176

SPIS TRE CI

Tydzie 3. Poznawanie standardowych raportów .......................................................179 Poniedzia ek i wtorek: wspó czynnik odrzuce ..........................................................................179 Od rody do pi tku: odno niki wej ciowe — ród a i szukane wyra enia ...................................182

Tydzie 4. Korzystanie z raportów na temat nawigacji i poziomu zawarto ci witryny ......187 Poniedzia ek i wtorek: listy stron — najcz ciej ogl danych, wej ciowych i wyj ciowych ...........187

roda: najpopularniejsze punkty docelowe (odno niki wyj ciowe) ..............................................192 Czwartek i pi tek: nak adki na witryny (mapy cz stotliwo ci klikni ) ......................................194

Rozdział 7. Miesiąc 2. Analiza danych internetowych — szybki start ......................... 201 Wymagania wst pne i ramy .......................................................................................202 Tydzie 1. Tworzenie podstawowych raportów ..........................................................202 Poniedzia ek: najpopularniejsze ród owe adresy URL i najpopularniejsze szukane wyra enia ....204 Wtorek: popularno zawarto ci witryny i wizyty na stronie g ównej .........................................206

roda i czwartek: cz stotliwo klikni (nak adki na witryny) ...................................................208 Pi tek: wspó czynnik odrzuce witryny .....................................................................................209

Witryna sklepu internetowego — szybki start ...........................................................210 Tydzie 2. Pomiar skutków dzia a firmy ..................................................................................211 Tydzie 3. Ocena wyników na podstawie celów oraz pomiar skuteczno ci marketingowej i zadowolenia klientów ...........................................................................................................214

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

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

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

Rozdział 8. Miesiąc 3. Analiza w obszarze wyszukiwania — wyszukiwanie wewnętrzne, SEO i PPC ............................................. 235 Tydzie 1. Analiza wyszukiwania wewn trznego w witrynie ......................................236 Poniedzia ek: poznawanie warto ci wyszukiwania wewn trznego ...............................................236 Wtorek: wykrywanie trendów w wyszukiwaniu wewn trznym ..................................................241

roda: analiza cz stotliwo ci klikni za pomoc nak adki na witryn ........................................242 Czwartek: pomiar efektywno ci wyników wyszukiwania ............................................................243 Pi tek: pomiar skutków zwi zanych z wyszukiwaniem wewn trznym .......................................244

Tydzie 2. Rozpocz cie optymalizacji witryny pod k tem wyszukiwarek ....................245 Poniedzia ek: zrozumienie wp ywu odno ników i ich optymalizacja ...........................................247 Wtorek: odno niki do publikacji prasowych i witryn spo eczno ciowych ....................................247

roda i czwartek: optymalizacja znaczników i zawarto ci na stronach ........................................248 Pi tek: dodawanie wskazówek na potrzeby robotów wyszukuj cych ..........................................249

Tydzie 3. Pomiar skutków SEO ................................................................................250 SPIS TRE CI

Poniedzia ek: sprawdzanie poziomu zindeksowania witryny .......................................................250 Wtorek: ledzenie odno ników wej ciowych i najpopularniejszych szukanych s ów ....................251

roda: oddzielenie naturalnych odno ników wej ciowych od PPC ..............................................254 Czwartek: pomiar warto ci naturalnych odno ników wej ciowych .............................................255 Pi tek: pomiar wp ywu optymalizacji na najpopularniejsze strony .............................................255

Tydzie 4. Analiza skuteczno ci kampanii PPC ..........................................................257 Poniedzia ek: podstawy PPC .....................................................................................................258 Wtorek: pomiar wska ników zwi zanych z ofertami ..................................................................259

roda: definiowanie kluczowych miar wp ywaj cych na wyniki firmy ........................................260 Czwartek: pomiar liczby niepowtarzalnych u ytkowników ........................................................260 Pi tek: najlepsze praktyki tworzenia raportów na temat PPC ....................................................261

Rozdział 9. Miesiąc 4. Pomiar marketingu e-mailowego i wielokanałowego ............... 263 Tydzie 1. Podstawy (i nie tylko) marketingu e-mailowego ........................................264 Poniedzia ek: podstawy marketingu e-mailowego ......................................................................264 Wtorek i roda: pomiar podstawowych wska ników dotycz cych odpowiedzi ............................265 Czwartek i pi tek: pomiar skutków ...........................................................................................266

Tydzie 2. Marketing e-mailowy — zaawansowana obserwacja skutków ...................267 Poniedzia ek i wtorek: pomiar efektywno ci witryny ..................................................................267

roda: unikanie pu apek w analizie kampanii e-mailowych ........................................................268 Czwartek i pi tek: integracja kampanii e-mailowej z narz dziem do analizy danych internetowych .......................................................................269

Tygodnie 3. i 4. Marketing wielokana owy — ledzenie skutków i analiza .................270 Tydzie 3. Wprowadzenie do marketingu wielokana owego i ledzenie tradycyjnych kampanii skoncentrowanych na internecie ........................................270 Tydzie 4. ledzenie i analizowanie marketingu wielokana owego .............................................275

Rozdział 10. Miesiąc 5. Eksperymenty i testy związane z witryną — osiąganie znaczących skutków dzięki uwzględnianiu opinii klientów ..... 283 Tygodnie 1. i 2. Po co testowa i jakie s mo liwo ci? ................................................284 Tydzie 1. Przygotowania i testy A/B ........................................................................................284 Tydzie 2. Poza testy A/B .........................................................................................................289

Tydzie 3. Co testowa ? Konkretne mo liwo ci i pomys y .........................................296 Poniedzia ek: testowanie wa nych stron i wezwa do dzia ania ..................................................296 Wtorek: koncentracja na ruchu z wyszukiwarek ........................................................................298

roda: testowanie tre ci i materia ów .........................................................................................298 Czwartek: testy cen i promocji ...................................................................................................299 Pi tek: testowanie kampanii marketingu bezpo redniego ..........................................................299

Tydzie 4. Tworzenie doskona ego programu eksperymentów i testów ......................300

Rozdział 11. Miesiąc 6. Trzy sekrety praktycznej analizy danych internetowych ............ 311 Tydzie 1. Wykorzystanie punktów odniesienia i celów do motywowania do dzia a ....................................................................................312 Poniedzia ek i wtorek: znaczenie punktów odniesienia i ustalania celów .....................................312

roda: wykorzystywanie zewn trznych punktów odniesienia .....................................................314 Czwartek: wykorzystywanie wewn trznych punktów odniesienia ..............................................317 Pi tek: zach canie i ustalanie celów ...........................................................................................320

Tydzie 2. Opracowywanie skutecznych raportów podsumowuj cych dla zarz du .....323 Poniedzia ek: udost pnianie kontekstu — punkty odniesienia, segmenty i trendy .....................324 Wtorek: wyodr bnianie kilku kluczowych miar .........................................................................326

roda: nie poprzestawaj na miarach — do cz te wnioski .........................................................327 Czwartek: ograniczanie raportu podsumowuj cego do jednej strony ..........................................328 Pi tek: wygl d ma znaczenie .....................................................................................................329

Tydzie 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programów opartych na raportach podsumowuj cych ................................................................330 Poniedzia ek: wybór miar zgodnych z modelem Trinity pod k tem dalekiej perspektyw ............330 Wtorek: tworzenie istotnych raportów podsumowuj cych .........................................................333

roda: jedna miara — jeden w a ciciel .......................................................................................334 Czwartek: od s ów do czynów ....................................................................................................334 Pi tek: pomiar skuteczno ci raportów podsumowuj cych ..........................................................336

Tydzie 4. Stosowanie podej cia Six Sigma i doskona o ci procesu w analizie danych internetowych .............................................................................336 Poniedzia ek: wszystko jest procesem ........................................................................................337 Od wtorku do czwartku: stosowanie procesu DMAIC ...............................................................342 Pi tek: analiza zdobytej wiedzy .................................................................................................346

15 SPIS TRE CI

Poniedzia ek: hipotezy i okre lanie celów ...................................................................................301 Wtorek: testy i walidacja pod k tem wielu celów ......................................................................303

roda: przechodzenie od testów prostych do z o onych i rado z pracy .....................................304 Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testów .......................................305 Pi tek: wdra anie dwóch kluczowych elementów ka dego programu testów .............................306

Rozdział 12. Miesiąc 7. Analizy konkurencji i witryn z nurtu Web 2.0 ........................... 347 Analizy konkurencji ...................................................................................................348 Tydzie 1. Raporty na temat ruchu w konkurencyjnych witrynach ............................................349 Tydzie 2. Raporty na temat wyszukiwarek ..............................................................................354

Analizy witryn z nurtu Web 2.0 .................................................................................365 Tydzie 3. Pomiar sukcesu bogatych aplikacji internetowych ....................................................366 Tydzie 4. Pomiar sukcesu róde RSS .......................................................................................371

Rozdział 13. Miesiąc 8. i następne. Rozwiewanie mitów z obszaru analizy danych internetowych ................................................ 381 Do czego s u analizy cie ek? Do niczego ................................................................382 Problemy w obszarze analizy cie ek ..........................................................................................383 Inna mo liwo — raport sekwencji grup stron .........................................................................385

SPIS TRE CI

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

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

Dane w czasie rzeczywistym — nieznacz ce i kosztowne ............................................396 Efekty dost pu do danych w czasie rzeczywistym ......................................................................397 Lista kontrolna do okre lania gotowo ci na dane w czasie rzeczywistym .....................................398

Standardowe wska niki KPI — mniej znacz ce, ni s dzisz ........................................401

Rozdział 14. Zagadnienia zaawansowane — analiza danych internetowych ze wspomaganiem ............................................................................... 405 Odblokowywanie pot gi istotno ci statystycznej ........................................................406 Wykorzystanie zdumiewaj cej pot gi segmentacji ......................................................408 Segmentacja na podstawie wspó czynnika odrzuce ...................................................................410 Segmentacja na podstawie wyszukiwarek ..................................................................................410 czenie danych na temat wyszukiwarek i ucieczek ...................................................................411 Okre lanie trendów w segmentach ............................................................................................412

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

Najlepsze praktyki przy obliczaniu wspó czynnika konwersji ......................................418 Pomijanie ogólnego wspó czynnika konwersji dla ca ej witryny .................................................420 Uwzgl dnianie trendów i sezonowo ci .......................................................................................420 Zrozumienie strategii pozyskiwania klientów przez witryn i firm ............................................421 Pomiar wspó czynnika konwersji z podzia em na pi najwa niejszych wej ciowych adresów URL ......................................................................................................422 Rezygnacja z pomiaru wspó czynnika konwersji dla stron i odno ników .....................................422

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

Usprawnianie analiz z obszaru SEM i PPC ..................................................................426 Pomiar wspó czynnika odrzuce (zagregowanego i wed ug najpopularniejszych szukanych wyra e ) ........................................427 Kontrola us ugodawców i agencji ..............................................................................................428 Pomiar wspó czynnika kanibalizacji ruchu naturalnego przez kampanie PPC .............................429 Agresywne stosowanie testów i eksperymentów .........................................................................430 Zrozumienie wielu celów klientów .............................................................................................431

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

Pomiar liczby dni i wizyt do zakupu ...........................................................................436

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

Pomiar rzeczywistego zakresu mo liwej poprawy .......................................................447 Uwzgl dnianie wspó czynnika odrzuce ....................................................................................448 Odfiltrowywanie „wizyt” robotów wyszukuj cych i oprogramowania do kontroli witryny oraz b dów 404 i da rysunków .........................................................................................449 Uwzgl dnienie celów klientów ..................................................................................................450 Podejmowanie dzia a ...............................................................................................................452

Rozdział 15. Budowanie kultury opartej na danych — praktyczne kroki i najlepsze praktyki ................................................... 457 Kluczowe umiej tno ci mened erów kierowników dzia u analizy danych internetowych ..................................................458 Prawdziwa pasja ........................................................................................................................459 Akceptacja i d enie do zmian ...................................................................................................459 Kwestionowanie danych a do przesady .....................................................................................460 Nastawienie na innowacje pod k tem klienta ............................................................................460 Niekoniecznie „mistrzowie liczb” ...............................................................................................461 Naturalne zdolno ci biznesowe i rozs dek ..................................................................................461 Wybitne umiej tno ci interpersonalne .......................................................................................462

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

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

17 SPIS TRE CI

Jak mierzy omawiane wska niki? .............................................................................................438 Wyci ganie praktycznych wniosków i podejmowanie dzia a ....................................................439

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

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

SPIS TRE CI

Web Analytics dzi i jutro

Rozdzia 1[SR1]

31 WEB ANALYTICS DZI I JUTRO

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

Stowarzyszenie Web Analytics Association (http://www.webanalyticsassociation.org) zaproponowa o niedawno standardow definicj analizy danych internetowych: Analiza danych internetowych to obiektywne ledzenie, zbieranie, mierzenie, tworzenie raportów i analizowanie ilo ciowych danych internetowych w celu optymalizacji witryn oraz internetowych kampanii marketingowych. Analiza danych internetowych ma swe pocz tki w latach 90. Jednak jej pierwsz standardow definicj (przedstawion powy ej) zaproponowano dopiero w roku 2006, co pokazuje, jak m oda jest to dziedzina.

Krótka historia analizy danych internetowych

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

W pocz tkowym okresie istnienia internetu korzystanie z niego by o stosunkowo proste. U ytkownik wpisywa adres i ujednolicony lokalizator zasobu (ang. Uniform Resource Locator — URL), otrzymywa plik z tekstem i odno nikami, po czym ca a interakcja si ko czy a. ycie by o wtedy proste. Zauwa ono, e czasem pojawia y si b dy, które powodowa y, e nie mo na by o udost pni pliku, lub e zawiera on nieprawid owe odno niki. Wtedy to sprytni ludzie wymy lili dzienniki serwera do rejestrowania b dów i wykorzystali je do wyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizyta odpowiada a po prostu daniu zwrócenia pliku). Wspomniane dzienniki serwera rejestrowa y nie sam fakt odwiedzin u ytkownika w witrynie, ale tak e dodatkowe informacje: nazw pliku, czas, ród o dania (witryn lub stron internetow ), adres IP, identyfikator przegl darki, nazw systemu operacyjnego i tak dalej. Praca stawa a si coraz ciekawsza, poniewa mo na by o dowiedzie si czego o ródle dania. Wraz z powi kszaniem si dzienników i wzrostem zainteresowania danymi osób spoza wiata techniki jeszcze sprytniejsza osoba napisa a pierwszy skrypt, który automatycznie przetwarza pliki dziennika i wy wietla podstawowe wska niki (rysunek 1.1). W ten sposób narodzi a si analiza danych internetowych.

Rysunek 1.1. Prosty raport programu Analog w wersji 0.9 (beta)

Rysunek 1.2. Przykładowy raport programu WebTrends

Do roku 2000, kiedy to popularno sieci WWW wci ros a w tempie wyk adniczym, analiza danych internetowych sta a si ugruntowan dziedzin bada . Kluczowymi dostawcami us ug w tej bran y byli Accrue, WebTrends, WebSideStory i Coremetrics. Firmy te udost pnia y coraz bardziej zaawansowane rozwi zania, które generowa y olbrzymie ilo ci danych. Mniej wi cej w tym samym czasie us ugodawcy i klienci w bran y analizy danych internetowych odkryli, e dzienniki serwera niekoniecznie s optymalnym ród em informacji. Stosowanie dzienników wi za o si z nast puj cymi problemami: Zapisywanie stron w pami ci podr cznej przez dostawców us ug internetowych. Problem ten polega na tym, e po utworzeniu kopii strony na serwerze dostawcy

33 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Program Analog napisany przez doktora Stephena Turnera w 1995 roku by pierwsz aplikacj do analizy plików dziennika powszechnie dost pn w sieci WWW. Wci jest to jedno z najcz ciej u ywanych narz dzi do analizy danych internetowych i jest zainstalowane w witrynach wi kszo ci dostawców us ug internetowych (ang. Internet Service Provider — ISP). Analog i podobne mu programy u atwi y rozpowszechnienie si analizy danych internetowych poza dzia y informatyczne firm. Raporty by y coraz adniejsze, a pracownicy z dzia u marketingu mogli wreszcie zrozumie , co si dzieje w witrynie. W latach 1995 – 96 standardowi u ytkownicy internetu mogli zetkn si ze statystykami z uwagi na rozpowszechnienie si wspania ego narz dzia nazywanego licznikiem. Liczniki odwiedzin na stronach by y prawdopodobnie pierwszym przyk adem sieciowego marketingu wirusowego (ich wprowadzenie przypisywane jest firmie Web-Counter). Liczniki pojawi y si w ka dym miejscu sieci WWW. By y ciekawe, a zarazem informowa y o popularno ci strony. Komercyjna analiza danych internetowych rozpocz a si kilka lat pó niej, a jej najbardziej znanym owocem by program WebTrends. Aplikacja ta opiera a si na wzbogaconym parserze standardowych plików dziennika, jednak co jeszcze wa niejsze, generowa a tabele i eleganckie wykresy, które ostatecznie wprowadzi y analiz danych internetowych do zespo ów biznesowych (przyk adowe dane wyj ciowe programu WebTrends przedstawia rysunek 1.2).

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

us ug internetowych wszystkie nast pne dania powoduj zwrócenie w a nie jej, a operacje te nie s rejestrowane w plikach dziennika witryny. Roboty wyszukuj ce. Wraz z rosn c popularno ci wyszukiwarek roboty wyszukuj ce cz sto przegl daj witryny i pozostawiaj w dziennikach wpisy niezwi zane z odwiedzinami u ytkowników. Te wpisy tak e s uwzgl dniane we wska nikach. Cho mo na odfiltrowa odwiedziny robotów, trudno jest nad y z rejestrowaniem ich wszystkich, a ponadto staj si one coraz „sprytniejsze”. Niepowtarzalni u ytkownicy. Poniewa coraz wi cej osób ma dynamicznie przypisywany adres IP i odwiedza strony przy u yciu serwerów po rednicz cych, trudno jest okre li liczb niepowtarzalnych u ytkowników. Dostawcy uciekaj si do u ywania adresu IP w po czeniu z identyfikatorem agenta (identyfikator ten obejmuje system operacyjny i przegl dark u ytkownika), jednak tak e to rozwi zanie nie jest doskona e. Mo na te zastosowa pliki cookie ustawiane przez witryn , jednak nie wszystkie dzia y informatyczne korzystaj z tej techniki. Z tych i innych przyczyn nowym standardem zbierania danych na temat u ytkowania witryny sta y si znaczniki JavaScript (wiersze kodu w tym j zyku). Jest to du o prostsza technika. Wystarczy doda do ka dej strony kilka wierszy kodu JavaScript, który zostanie uruchomiony po wczytaniu strony i prze le dane do rejestruj cego je serwera. Poni ej przedstawiono przyk adowy kompletny znacznik JavaScript u ywany przez Crazy Egg — now firm wiadcz c us ugi w obszarze analizy danych internetowych: <script type="text/javascript"> //<![CDATA[ document.write('<scr'+'ipt src="http://crazyegg.com/pages/scripts/1111.js?'+ (new Date()).getTime()+'" ~CAtype="text/javascript"></scr'+'ipt>'); //]]> </script>

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

Uwaga: Za znacznikami JavaScript także związane są pewne problemy omówione szczegółowo w rozdziale 2., „Zbieranie danych — znaczenie i możliwości”.

Rysunek 1.3. Raport ClickTracks w postaci nakładki na stronę (podzielony na wszystkich użytkowników i odwiedziny z wyszukiwarki Google)

Obecnie w bran y analizy danych internetowych dzia aj cztery du e firmy: Coremetrics, Omniture, WebTrends i WebSideStory. Jest te wielu rednich dostawców, na przyk ad Unica, indexTools i ClickTracks, oraz liczne podstawowe rozwi zania, takie jak produkty o otwartym dost pie do kodu ród owego AWStats, Webalizer i StatCounter. Du y wp yw na bran analizy danych internetowych mia a firma Google, która w 2005 roku kupi a produkt Urchin, a w 2006 udost pni a go bezp atnie pod nazw Google Analytics. Obecnie u ytkownicy mog bezp atnie korzysta z pierwszorz dnych analiz danych internetowych. Trudno jest okre li liczb osób stosuj cych Google Analytics. Wi kszo analityków szacuje j na ponad pó miliona

35 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Nast pnym krokiem w ewolucji analizy danych internetowych by o wprowadzenie nak adek na witryn (ang. site overlay), nazywanych te rozk adem cz stotliwo ci klikni . Dzi ki tej technice osoby odpowiedzialne za podejmowanie decyzji mog po prostu otworzy w przegl darce stron internetow , któr chc podda analizie, zamiast przetwarza z o one zbiory danych i przegl da tabele pe ne informacji. Przegl darka lub aplikacja do analizy danych internetowych wy wietla wtedy przez okre lony czas miejsca o najwi kszej liczbie klikni . Upowszechni o to znacznie czynno ci b d ce wcze niej domen analityków danych internetowych. Zwi kszy o to te cz sto korzystania z rozwi za analitycznych, poniewa wszyscy mogli w bardzo prosty sposób — patrz c na liczb klikni — zrozumie , co dzieje si na stronie. Rysunek 1.3 pokazuje, jak atwo jest dokona segmentacji ca ego ruchu w witrynie, wydzielaj c odwiedziny z wyszukiwarki Google, oraz zaobserwowa ró nice w korzystaniu z odno ników przez ró ne grupy. Pozwala to ustali , czego szukaj dwa segmenty u ytkowników.

w ci gu pierwszych sze ciu miesi cy. Zgodnie z powszechnymi oczekiwaniami Microsoft wkrótce pójdzie w lady Google i tak e udost pni bezp atne narz dzie do analizy danych internetowych. Tempo wprowadzania innowacji w wiecie analizy danych internetowych nie maleje. Wci pojawiaj si nowsze i atwiejsze sposoby wizualizacji z o onych zbiorów danych na temat interakcji u ytkowników z witryn . Jedn z takich technik jest mapa klikni udost pniana przez firm Crazy Egg (rysunek 1.4). W czasie kiedy powstawa a ta ksi ka, wspomniana us uga by a dost pna w wersji beta. Narz dzie to przedstawia grupy klikni na witrynie internetowej i ich liczebno za pomoc kolorów. Im ja niejszy kolor, tym wi cej klikni koncentruje si wokó danego miejsca lub odno nika.

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

Rysunek 1.4. Raport w postaci mapy kliknięć udostępniany przez Crazy Egg

Obecne warunki i wyzwania Analiza danych internetowych wci znajduje si w wieku szczeni cym. Doros a nieco od momentu narodzin i w pewnym sensie potrafi sama przetrwa , jednak w przysz o ci nale y spodziewa si jeszcze znacznego rozwoju i licznych zmian. Temu procesowi towarzyszy obecnie niezwyk y splot wydarze . Od d ugiego czasu firmy ponosi y znaczne inwestycje na witryny internetowe, poniewa wszyscy tak post powali i by o to modne. W ci gu kilku ostatnich lat sie WWW „dojrza a” i jest kana em biznesowym u ywanym przez wi kszo firm. Nagle okaza o si , e kana ten podlega tym samym prawom ekonomicznym co inne (na przyk ad sprzeda telefoniczna lub zwyk e sklepy). Od czasu znacznego wzrostu popularno ci sieci WWW prowadzone s coraz dok adniejsze analizy, a firmy wymagaj od osób odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonych na ten kana . To podej cie wymaga wielu zmian w funkcjonowaniu tego kana u

37 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

i dzia aniach osób nim zarz dzaj cych, które musz przeprowadza liczne badania, aby wykaza si wynikami. Nawet obecnie wiele osób uto samia analiz danych internetowych z badaniami strumieni klikni . Cho jest to zupe nie b dne podej cie, dla wi kszo ci praktyków strumienie klikni to podstawa przy podejmowaniu decyzji zwi zanych z witryn . Poniewa te strumienie obejmuj tylko cz danych internetowych, liczne firmy s rozczarowane brakiem praktycznych wniosków mimo inwestycji ponoszonych przez lata na narz dzia do analizy takich danych. Dost pnych jest mnóstwo danych i jeszcze wi cej raportów, jednak w my lach osób odpowiedzialnych za podejmowanie decyzji wci pojawia si pewne stwierdzenie: „Dane nie powiedz mi, co mam robi ”. W czasie boomu internetowego na rynku dzia a o oko o 200 us ugodawców o ró nej wielko ci. Od momentu za amania w bran y nast pi a konsolidacja. Ekosystem firm zajmuj cych si analiz danych internetowych jest zdominowany przez us ugodawców, którzy staraj si uzyska przewag konkurencyjn , oferuj c coraz wi cej funkcji. Zdominowali oni bran i okre laj postrzeganie wiata analiz (przy czym w praktyce jest to wiat raportów). Brak wp ywu praktyków na strategi i kierunek rozwoju ma negatywne skutki dla bran y. Standardowe techniki, na przyk ad innowacje pod k tem klienta (ang. customer-driven innovation — CDI), nigdy nie zosta y przyj te w wiecie analizy danych internetowych. Wi kszo post pów wynika z innowacji opartych na mo liwo ciach (ang. possibility-driven innovation — PDI), na przyk ad: „Co jeszcze mo emy zrobi z zebranymi danymi? Wprowad my innowacje na tej podstawie”. W bran y wyra nie wida brak wiedzy praktycznej. Co wa niejsze, nie ma te ludzi i podej , które umo liwi yby firmom internetowym wyci ganie praktycznych wniosków pozwalaj cych na strategiczne odró nienie si od konkurencji. Uniwersytety i inne szko y nie ucz praktycznej analizy danych internetowych. Istnieje tylko jeden kurs internetowy na ten temat, prowadzony przez University of British Columbia. Te braki w po czeniu z nadmiarem danych (w kategoriach danych surowych, które mo na uzyska w sieci WWW) prowadz do nieoptymalnych rozwi za przy przedstawianiu firmom praktycznych wniosków. Ruch Web 2.0 i powi zane z nim technologie coraz cz ciej s czym oczekiwanym przez klientów. Ta zmiana to powa na przeszkoda dla wi kszo ci obecnych rozwi za i us ugodawców z obszaru analizy danych internetowych. W wiecie Web 2.0 jeszcze wa niejsze s szybkie zmiany w podej ciu i opracowanie strategii skutecznej analizy danych internetowych. Na przyk ad w Web 2.0 typowe strumienie klikni nie s zbyt istotne, poniewa ka da nowinka powoduje powolne odchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wi c mo na zmierzy sukces w takich warunkach? Wraz z pojawieniem si programu Google Analytics rynek wprost eksplodowa , poniewa wszyscy w a ciciele witryn mog bezp atnie uzyska dost p do danych internetowych i do tego za pomoc zaawansowanych narz dzi. Oczekiwane darmowe

narz dzie Microsoftu dodatkowo zwi kszy mo liwo ci praktyków. Jednak sam dost p do narz dzi i danych nie rozwi e problemów zwi zanych z wyborem wska ników powodzenia i prawid ow analiz danych internetowych. Obecnie analitycy danych internetowych mog korzysta z wi kszej ilo ci danych ni kiedykolwiek wcze niej:

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

Analiza konkurencyjno ci pozwala nie tylko okre li , co dzieje si w witrynie, ale tak e (za drobn op at ) ustali , jak dzia aj witryny konkurencji.

Dane jako ciowe (u yteczno , ankiety, bezpo rednia obserwacja) zapewniaj informacje o wp ywie kana u internetowego na inne kana y (warto zastanowi si nad systemami CRM).

Wraz z rozwojem analizy danych internetowych — od narodzin do obecnego okresu niemowl cego — u ytkownicy mieli dost p do coraz wi kszej ilo ci z o onych danych. W prawie ka dym narz dziu analitycznym za pomoc jednego klikni cia mo na wy wietli setki miar. Rosn ca ilo danych zwi ksza mo liwo ci w obszarze analiz i dzia a , ale jednocze nie mo e okaza si pu apk , prowadz c do parali u analitycznego. Firmy dzia aj ce w sieci WWW wydaj miliony dolarów na analiz danych internetowych, d c do optymalnego wykorzystania setek milionów dolarów wydawanych na kampanie marketingowe i witryny internetowe, które z kolei maj doprowadzi do uzyskania miliardów dolarów zysków. Podstawowym problemem przy tworzeniu ankiet, priorytetów marketingowych, studiów przypadków i list ycze jest mo liwo dok adnego pomiaru danych w celu podj cia optymalnych decyzji zwi zanych ze spo ytkowaniem setek milionów dolarów wydawanych przez firmy. Najgorsze jest to, e wi kszo firm próbuje rozwi za ten problem w b dny sposób.

Tradycyjna analiza danych internetowych to przeszłość W audycji podcast z witryny Internet Marketing Voodoo z marca 2006 roku stwierdzi em, e tradycyjna analiza danych internetowych jest martwa. To samo mog em powiedzie ju dwa lata wcze niej. Analiza danych internetowych opiera a si pocz tkowo na dziennikach serwerów sieciowych, które zawiera y g ównie informacje techniczne, a nie biznesowe. Z uwagi na wyj tkow cie k rozwoju obecnie liczne narz dzia do analizy danych internetowych i podej cie wi kszo ci firm koncentruj si na analizie strumieni klikni . Rysunek 1.5 ilustruje typow analiz danych internetowych w przesz o ci. Dzi ki narz dziom do analizy danych internetowych mo na b yskawicznie uzyska dost p do olbrzymich ilo ci danych, miar, kluczowych wska ników wydajno ci i innych liczb. Istnieje wielu u ytkowników i dostawców takich us ug oraz dobrze ugruntowany system pracy i my lenia zwi zany z przedstawianiem tych danych.

Jak wi c wygl da tradycyjny wiat analizy danych internetowych? Je li firma korzysta z jednej z poni szych przyk adowych miar, prawdopodobnie funkcjonuje w a nie w tym wiecie: Liczba wy wietle stron. Je li firma prowadzi witryn sklepu internetowego (a tak e wi kszo innych witryn), to czy wysoka liczba wy wietle stron przez u ytkownika jest korzystna, czy nie? Je li nawigacja sprawia problemy, u ytkownicy b d cz sto wy wietla strony, ale nic nie kupi . Je li nawigacja jest doskona a, wy wietle stron b dzie mniej, jednak mo liwe, e u ytkownicy szybciej stwierdz , i ceny nie s konkurencyjne, dlatego opuszcz witryn . Jak mo na na podstawie samej liczby wy wietle stron stwierdzi , jak zachowuj si u ytkownicy? Ponadto jaki wzorzec zachowa klientów jest korzystny ze wzgl du na ten wska nik? Liczba wizyt. Kiedy wizyty s u y y do ledzenia liczby da danych kierowanych do serwera. Wtedy mo na by o uto samia wizyty z daniem strony lub tre ci. Wi cej wizyt oznacza o wi ksz popularno , a na bardzo wczesnym etapie rozwoju internetu — tak e wi ksz liczb u ytkowników. Obecnie wizyty maj bardzo ma e znaczenie z uwagi na liczb obrazów i multimediów umieszczanych na stronach.

danie typowej strony powoduje 25 wizyt na serwerze. Co naprawd mierzy analityk, ledz c liczb wizyt? dania o dane kierowane do serwera? Liczb wy wietlanych stron? Liczb osób odwiedzaj cych witryn ? Strony z najwi ksz liczb wyj . O czym informuje analityka to, na której stronie internetowej odwiedzaj cy najcz ciej opuszczaj witryn ? Czy takie strony s gorsze od innych? Przecie mo liwe, e s to doskona e strony, na których u ytkownicy znajduj to, czego szukaj , dlatego mog opu ci witryn . Je li klient b dzie szuka aparatu cyfrowego Sony w witrynie Amazon.com i znajdzie to, co go interesuje, wyjdzie z witryny. Podobnie zrobi osoby generuj ce 99% ruchu w tej witrynie.

KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

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

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

Wska nik opuszczania witryny nie informuje o tym, czy poziom poszczególnych stron jest wysoki, czy niski. Zaanga owanie. Podobne zastrze enia dotycz zaanga owania, które cz sto oblicza si jako liczb sesji podzielon przez liczb niepowtarzalnych u ytkowników. Je li wiele osób ponownie odwiedza witryn , czy dzieje si tak dlatego, e nie mog znale szukanych tre ci, czy z uwagi na to, i jest to najpi kniejsza witryna na wiecie ze wspania ymi informacjami? Rozdzielczo ekranu u ytkowników. Rozdzielczo ekranu to doskona y przyk ad niepotrzebnego wska nika, który ma bardzo niewielk warto . Ka de narz dzie do analizy danych internetowych informuje o rozdzielczo ci ekranu, a miara ta pojawia si w codziennych raportach, cho rzadko zmienia si cz ciej ni raz na sze miesi cy. Mimo to analitycy obliczaj j ca y czas, co rozprasza us ugobiorców i powoduje nieoptymalne wykorzystanie czasu. Ponadto czy nie lepiej po prostu u y bada firmy Forrester Research lub Gartner na temat najnowszych trendów w danej bran y i na tej podstawie okre li optymaln wielko strony? Wszystkie te wska niki maj o czym informowa , jednak w praktyce tego nie robi . Co gorsza, zwykle prowadz do b dnych wniosków. Po wydaniu mnóstwa pieni dzy na zakup narz dzi i poniesieniu jeszcze wi kszych nak adów na uzyskanie raportów firmy maj ma o informacji na temat zwrotu z inwestycji lub opinii u ytkowników na temat korzystania z witryny. Lata frustracji wynikaj cej z niemo no ci zrozumienia danych i podejmowania dzia a na ich podstawie doprowadzi y do upadku tradycyjnej analizy danych internetowych. Nie uda o si dzi ki niej rozwi za problemów ani firm, ani ich klientów, poniewa nie prowadzi a do praktycznych wniosków.

Jak powinna wyglądać analiza danych internetowych? W omawianej bran y zachodz w a nie istotne zmiany. Analiza danych internetowych nie jest ju t sam dziedzin co dawniej. Nowy wiat analiz prowadz cych do praktycznych wniosków obejmuje nie tylko strumienie klikni . Istotne s tak e dane na temat skutków. Dane te zwykle mo na zarejestrowa za pomoc znaczników JavaScript, jednak czasem pomiary te wymagaj wykazania si kreatywno ci . Obecnie wa na jest te analiza jako ciowa: dlaczego odwiedzaj cy zachowuj si w okre lony sposób i dlaczego korzystaj z witryny? Rozwój analizy danych internetowych powoduje, e w a ciciele witryn maj du o wi ksze mo liwo ci w zakresie wys uchiwania u ytkowników. Analizy obejmuj obecnie bardziej istotne dane i pozwalaj zrozumie , jakie dzia ania nale y podj . Dzi ki nowemu podej ciu kana internetowy mo e okaza si skutecznym narz dziem dla firm, które wcze niej z niego nie korzysta y. Podstaw tradycyjnej analizy danych internetowych przez d ugi czas by y wbudowane kluczowe wska niki wydajno ci (ang. key performance indicator — KPI).

Podstawowy cel odwiedzaj cych. Zamiast wnioskowa o celu wizyty na podstawie ogl danych stron, w nowym i ulepszonym podej ciu wystarczy poprosi klientรณw o to, aby pomogli ustali , dlaczego odwiedzili witryn . Ryzyko korzystania z wy wietlanych stron przy okre leniu g รณwnego celu wizyty polega na tym, e je li witryna nie zawiera szukanych tre ci, w a ciciel nigdy si o tym nie dowie. Dlaczego wi c nie zada pytania u ytkownikom? Warto przeprowadzi ankiet lub porozmawia

41 ย KRร TKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Jednak z uwagi na to, e ogรณlne wska niki KPI cz sto nie uwzgl dniaj strategicznych rรณ nic w dzia aniu firm, nie spe niaj pok adanych w nich nadziei. Aby wspรณ zawodniczy z innymi firmami, trzeba przeprowadza kluczowe analizy wnioskรณw (ang. key insights analysis โ KIA). Poni ej opisano kilka miar specyficznych dla nowego wiata analizy danych internetowych prowadz cej do dzia a , a tak e przyk adowe analizy KIA: Analizy rozk adu cz stotliwo ci klikni . Analizy rozk adu cz stotliwo ci klikni (powi zane z nak adkami na witryn generowanymi przez narz dzia do analizy danych internetowych) pomagaj zrozumie punkt widzenia klienta. U atwiaj zrozumienie dzia a u ytkownikรณw witryny. Czy klikaj oni elementy zgodnie z oczekiwaniami w a cicieli witryny? Je li nie, co uwa aj za ciekawsze od tych opcji? Ktรณre elementy okaza y si zupe nie nieoczekiwanie interesuj ce dla u ytkownikรณw? Je li firma dokonuje segmentacji ruchu w witrynie, mo e ustali rรณ nice w zachowaniu rรณ nych grup u ytkownikรณw, na przyk ad klikni osรณb, ktรณre trafi y na witryn z wyszukiwarki Google, i pozosta ych odwiedzaj cych. Mo na na przyk ad lepiej dopasowa tre dla u ytkownikรณw z pierwszego z tych segmentรณw. Analizy tego rodzaju s bardzo cenne, poniewa umo liwiaj podejmowanie dzia a . Nie ograniczaj si do raportรณw i arkuszy programu Microsoft Office Excel, ale pozwalaj dos ownie przyjrze si stronom internetowym i zobaczy , jak zachowuj si klienci z poszczegรณlnych segmentรณw. Na podstawie tych danych mo na zacz tworzy niestandardowe, spersonalizowane strony dla u ytkownikรณw z rรณ nych grup i zwi kszy przez to zaanga owanie klientรณw oraz poprawi wynik na skali g รณwnego wska nika powodzenia.

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

z nimi przez telefon. Nale y skontaktowa si z klientami i zapyta , dlaczego odwiedzili witryn . Czasem mo na w ten sposób odkry przyczyny, o których w a ciciel nigdy by nie pomy la , a które powinien by uwzgl dnia od pocz tku istnienia witryny. Wspó czynnik uko czonych zada . Zauwa alne jest te odchodzenie od korzystania z danych na temat strumieni klikni (powi zanych z wy wietlaniem stron) w kierunku pomiaru udanego uko czenia zada . Firmy cz sto maj witryny pomocy technicznej z baz wiedzy, listami odpowiedzi na cz sto zadawane pytania (ang. frequently asked questions — FAQ) i tak dalej. W dawnym podej ciu sukces mierzono za pomoc narz dzi do analizy strumieni klikni , uwzgl dniaj cych wszystkie osoby, które zobaczy y artyku z bazy wiedzy lub list FAQ. Jednak czy sam fakt wy wietlenia przez u ytkownika d ugiej i skomplikowanej odpowiedzi oznacza sukces? Powodzenie w wi kszo ci przypadków bardzo trudno jest okre li na podstawie wy wietlonych stron. Wyj tkiem s witryny sklepów internetowych, w których wy wietlenie strony z podzi kowaniami po z o eniu zamówienia mo na uzna za udane uko czenie zadania. W nowym podej ciu zestaw analiz danych internetowych wzbogacono o bardziej zaawansowane dane jako ciowe, które pozwalaj zrozumie , czy klienci uko czyli zadania i znale li to, czego szukali. Na tej podstawie mo na podejmowa dzia ania, poniewa nie ma w tpliwo ci, czy wy wietlenie strony doprowadzi o do zrealizowania celu. Wystarczy zapyta (za pomoc ankiety, laboratoryjnych testów u yteczno ci lub testów w witrynie), a nast pnie podj dzia ania na podstawie uzyskanych odpowiedzi. Trendy w zachowaniach segmentów u ytkowników. Niewiele dost pnych obecnie narz dzi umo liwia segmentacj danych po ich zarejestrowaniu. W dawnym podej ciu u ywano atrybutów w znacznikach JavaScript. Teraz dost pne s narz dzia firm ClickTracks i Visual Sciences (ich ceny bardzo si ró ni ) umo liwiaj ce prawdziw segmentacj danych, dzi ki czemu nie trzeba sprawdza redniego czasu wizyty w witrynie, najcz ciej szukanych s ów kluczowych lub popularnych tre ci z uwzgl dnieniem wszystkich u ytkowników. Narz dzia te umo liwiaj podzia klientów na grupy i rejestrowanie ich zachowa w sensowny sposób, co pozwala na du o lepsze zrozumienie interakcji u ytkowników z witryn . Prowadzi to do praktycznych wniosków, na których mo na oprze dalsze dzia ania. Wielokana owe analizy skutków. Powa n wad tradycyjnej analizy danych internetowych by o oparcie jej na silosie (czyli na danych o strumieniu klikni w witrynie). Jednak bardzo nieliczne firmy, niezale nie od ich rozmiaru, wi strategi prowadzenia witryny i prowadzenie biznesu z silosem danych. Aby zrozumie ogólny wp yw kana u sieciowego, trzeba postrzega sie WWW jako cz wi kszego ekosystemu. Uzyskanie warto ciowych wniosków wymaga pomiaru wp ywu innych kana ów (na przyk ad reklam telewizyjnych i prasowych) na witryn oraz witryny na inne kana y (na przyk ad liczb osób u ywaj cych witryny, ale kupuj cych produkty w zwyk ym sklepie lub przez telefon).

Poszerzenie perspektywy oznacza, e dane z narz dzi do analizy danych internetowych pomagaj w analizach innego rodzaju (na przyk ad analizach warto ci klienta w cyklu ycia osób pozyskanych wszystkimi kana ami). Poprawia te jako analiz dzi ki w czeniu kluczowych informacji do analizy danych internetowych. Obok danych o strumieniu klikni z ankiet i dotycz cych konwersji klientów poza internetem nie powinno zabrakn podstawowych metadanych na temat firmy. Wspó cze ni analitycy yj w czasach kluczowych analiz wniosków i powinni zda sobie spraw , e ka da porcja danych ma wp yw na dzia ania. Nie s to jakiekolwiek operacje. Powinny to by dzia ania, które przynosz skutki oczekiwane przez klientów. (Warto zwróci na to uwag : nie s to efekty po dane przez szefa analityków lub nawet przez jego prze o onego, ale wa ne dla klienta). Wkroczenie w wiat wniosków wymaga czasu, jednak pokonanie tej bariery pozwala uzyska d ugoterminow przewag strategiczn (i powa n premi oraz promocj , albo obie te korzy ci, dla analityka).

Mo na wyobrazi sobie klienta wchodz cego do i wychodz cego z supermarketu. Je li ta osoba nic nie kupi, kierownicy sklepu prawdopodobnie nawet nie dowiedz si o jej istnieniu. Je li klient wyda pieni dze, w a ciciele dowiedz si , e pewne produkty zosta y sprzedane (je li u ytkownik korzysta z karty marketowej, uzyskaj wi cej informacji). Z perspektywy zbierania danych odwiedziny w witrynie internetowej wygl daj zupe nie inaczej. W ich trakcie klient pozostawia du o danych niezale nie od tego, czy co kupi, czy nie. Witryna mo e zarejestrowa ka d „alejk ”, w któr wejdzie klient, wszystkie ogl dane produkty, czas czytania ka dej „etykiety”, przedmioty umieszczone w koszyku i usuni te z niego, a tak e liczne inne informacje. Je li klient w ko cu co kupi, mened er witryny b dzie wiedzia , gdzie mieszka u ytkownik, sk d trafi na witryn , jakie promocje go interesuj , ile razy kupi co wcze niej i tak dalej. Je li klient po prostu wejdzie do witryny i opu ci j , w a ciciel mimo to pozna wszystkie jego dzia ania i kolejno ich wykonywania. Mam nadziej , e uda o mi si zademonstrowa istotn przewag sieci WWW w obszarze zbierania danych na temat odwiedzaj cych. Wszystko to jest mo liwe bez naruszania podstawowych zasad prywatno ci (dlatego na przyk ad wi kszo witryn nie zarejestruje informacji o odwiedzinach Avinasha Kaushika, ale osoby o identyfikatorze 159ar87te384ae8137 zapisanym w pliku cookie). Ponadto obecnie istnieje bardzo du a liczba narz dzi, które b yskawicznie tworz raporty obejmuj ce wszelkie dane internetowe, wy wietlaj je za pomoc rozmaitych diagramów, wykresów, tabel, tabel przestawnych i zrzutów. Mo na sobie wyobrazi , jak skomplikowana jest analiza wszystkich tych informacji.

KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Pomiar „co” i „dlaczego”

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

Jednak niezale nie od u ywanych narz dzi dane mog jedynie pomóc w zrozumieniu tego, co si dzieje. Nie pozwalaj natomiast — niezale nie od zakresu przetwarzania danych — okre li , dlaczego co si wydarzy o. Dost pne s klikni cia, strony, czas odwiedzin w witrynie, cie ki, promocje, wspó czynniki rezygnacji i tak dalej. Wa ne jest, aby pami ta , e dane te nie odpowiadaj na szereg kluczowych pyta . Dlaczego odwiedzaj cy klikali okre lone elementy? Dlaczego u ytkownicy na jedne strony wchodzili, a inne omijali? Dlaczego 50% klientów porzuci o koszyk? Dlaczego 90% osób czyta odpowied na najbardziej popularne pytanie na stronie pomocy technicznej, a nast pnie i tak dzwoni do firmy? Dane nie odpowiadaj na pytanie dlaczego. Dlatego tak istotne s dane jako ciowe, które pomagaj zrozumie przyczyny. Na tym polega ró nica mi dzy 99% obecnych analiz witryn internetowych prowadz cych do bardzo nielicznych wniosków a 1% analiz, które pozwalaj zrozumie sposób my lenia klientów. Po czenie odpowiedzi na pytania co (analiza ilo ciowa) i dlaczego (analiza jako ciowa) mo e okaza si wyj tkowo skuteczne. Kluczowa jest tak e umiej tno zebrania wszystkich danych na temat strumieni klikni i ich dog bnej analizy. Pozwoli to doj do wniosków prowadz cych do istotnych zmian w witrynie, które zwi ksz komfort pracy u ytkowników. Dost pnych jest wiele danych jako ciowych (odpowiadaj cych na pytanie dlaczego). S to mi dzy innymi: x

popularno marki i opinie na jej temat,

zadowolenie klientów,

wska niki sieciowego marketingu szeptanego,

analizy otwartych wypowiedzi klientów,

zaanga owanie odwiedzaj cych,

przywi zanie klientów,

„puls blogów”.

Niektóre z wymienionych danych dotycz interakcji klientów z witryn , inne wska niki mierz opinie i zachowania u ytkowników w miejscach innych ni dana witryna, a jeszcze inne zwi zane s z cechami mi kkimi, na przyk ad postrzeganiem marki. Cho analiza jako ciowa ma wiele odmian, prawdopodobnie najwa niejszym wska nikiem z tej grupy jest interakcja klientów (odwiedzaj cych) z witryn internetow . Pierwszy krok na drodze do kluczowych analiz wniosków powinien polega na zrozumieniu wszystkich aspektów interakcji klientów z witryn . Mo e to doprowadzi do szybszego wysnucia praktycznych wniosków i wywarcia istotnego wp ywu na proces podejmowania decyzji. Obecnie du o mówi si o „modnych” wska nikach, takich jak warto lub wp yw marki oraz „puls blogów”. Te miary

mog by drugim lub trzecim przystankiem w podró y, poniewa koncentracja na nich mo e prowadzi do nieoptymalnego wykorzystania czasu i zasobów, je li analityk wcze niej dobrze nie zrozumie elementów wp ywaj cych na zadowolenie klienta i udane wykonywanie przez niego zada w witrynie. Jest wiele metod zbierania danych jako ciowych (odpowiadaj cych na pytanie dlaczego). S to mi dzy innymi: laboratoryjne testy u yteczno ci (uczestnicy wykonuj zadania z pomoc badacza lub samodzielnie),

odwiedziny w siedzibie klienta (obserwacja u ytkowników w ich „ rodowisku naturalnym”),

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

nieustrukturyzowane rozmowy na odleg o (zdalne komunikowanie si z klientem w czasie, kiedy korzysta on z witryny; do komunikacji s u takie narz dzia, jak Ethnio),

ankiety (przodek wszystkich innych metod, wspomniany w omówieniu g ównego celu odwiedzaj cych w poprzednim podrozdziale).

Dla osób, które nie maj do wiadczenia w testach jako ciowych, ankiety to doskona y sposób na zapoznanie si z tym obszarem. Cho niektórzy twierdz inaczej, metoda ta jest atwa w implementacji, mo na j stosowa stale, jest jednocze nie ilo ciowa, a wyniki pozwalaj zwykle wyci gn wiele praktycznych wniosków. Po czenie odpowiedzi na pytania dlaczego (cele, motywacje i tak dalej) oraz co (klikni cia, liczba odwiedzaj cych) jest niezb dne jako podstawa udanego i prowadz cego do dzia a programu analizy danych internetowych.

Metoda Trinity — nastawienie i podejście strategiczne Kilka lat temu, w czasie zmaga z problemami w obszarze analizy danych internetowych, pojawi a si potrzeba zastosowania nowego paradygmatu, innego sposobu my lenia o analizie. Zastosowanie wielu wska ników KPI, raportów pe nych danych i du ej mocy obliczeniowej nie doprowadzi o do uzyskania oczekiwanych efektów. Od kilku lat niemal ka da witryna mia a zainstalowany standardowy pakiet do analizy danych internetowych jednego z trzech czo owych producentów, co umo liwia o generowanie raportów i doprowadzi o do og oszenia sukcesu w obszarze ich conocnego przygotowywania. Jak jednak powinien wygl da paradygmat, skoro zwyk e dzia ania nie doprowadzi y do wysnucia wniosków umo liwiaj cych popraw komfortu korzystania z witryny?

45 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Odpowiedzi by a metoda Trinity — nowy sposób my lenia o podejmowaniu decyzji na temat witryny, wykraczaj cy poza strumienie klikni . Trinity to tak e platforma, na której firma mo e oprze strategi dzia a w sieci WWW. Jej zastosowanie gwarantuje mo liwo zbudowania pierwszorz dnej platformy podejmowania decyzji, która zapewni przedsi biorstwu trwa przewag konkurencyjn . G ówn przyczyn warto ci metody Trinity jest jej istota: praktyczne wnioski i miary (rysunek 1.6).

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

Rysunek 1.6. Rozwiązywanie problemów pod kątem praktycznych wniosków i miar

Celem tej strategii jest rezygnacja z raportów. Analityk nie powinien si zastanawia , jak zarzuca osoby podejmuj ce decyzj raportami pe nymi danych. Praktyczne wnioski i miary to cel nadrz dny, poniewa umo liwiaj one strategiczne odró nienie si od innych firm i uzyskanie trwa ej przewagi konkurencyjnej. Uzyskanie praktycznych wniosków wraz z jasnymi celami pomaga skonkretyzowa dzia ania organizacji. Je li czynno ci wykonywane przez analityka (przygotowywanie raportów, analizy danych, spotkania, przegl dy i tak dalej) nie prowadz do praktycznych wniosków, powinien z nich zrezygnowa . Ta strategia zach ca do wykonywania warto ciowych zada i jest doskona ym sposobem na u atwienie kluczowym osobom podejmowania decyzji w obszarze wykorzystania zasobów. Analizy zachowania Pierwszy komponent metody Trinity to analizy zachowania, które odpowiadaj tradycyjnym analizom strumieni klikni (rysunek 1.7). Celem analiz zachowania jest wywnioskowanie (najdok adniejsze jak to mo liwe przy dost pnych danych) celów klientów lub osób odwiedzaj cych witryn na podstawie wszystkich informacji o danej osobie. Nie nale y na ladowa innych analityków i oczekiwa zbyt wiele po strumieniu danych. Najlepsze, co mo na zrobi z takim strumieniem, to próba ustalenia celu, i trzeba si z tym pogodzi . Po zebraniu danych na temat strumieni klikni nale y przeanalizowa je na wy szym poziomie. Nie warto bada wizyt, cznego czasu korzystania z witryny, liczby u ytkowników i stron wyj cia. W metodzie Trinity nale y skoncentrowa

Rysunek 1.7. Analizy zachowania to próba zrozumienia celu klienta

Analizy skutków Drugi element metody Trinity to analizy skutków (rysunek 1.8). Ja nazywam ten komponent „i co z tego?”. Ten komponent jest kluczowy z jednej prostej przyczyny: kiedy pod koniec dnia wszystko zosta o ju powiedziane i zrobione, analityk chce pozna skutki, jakie b dzie to mia o dla klientów i firmy. Ten element eliminuje te jedn z kluczowych wad tradycyjnej analizy danych internetowych — nadmiern koncentracj na miarach opartych na strumieniu danych, po wi conych stronie, czasowi i odwiedzaj cym. Poniewa analiza danych internetowych ma korzenie w analizie plików dziennika (które nigdy nie okre la y skutków), od pocz tku jej istnienia u ywano wielu danych i miar oprócz najwa niejszej — odpowiedzi na pytanie: „Co si sta o, jakie s skutki?”. Warto zada w a cicielom witryny nast puj ce pytanie: „Do czego s u y wasza witryna?”. Zaskakuj ce jest, jak wielu z nich nie potrafi udzieli odpowiedzi sk adaj cej si z mniej ni 15 s ów. Ten element metody Trinity pozwala zmierzy , jak dobrze witryna spe nia cel swego istnienia.

47 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

si na analizie rozk adu cz stotliwo ci klikni za pomoc raportu w formie nak adki na witryn . Nale y te przeprowadzi segmentacj danych na n poziomów, aby doj do cennych wniosków. Warto te przeanalizowa szukane wyra enia i to nie tylko zewn trzne, ale tak e wewn trzne, ograniczone do witryny. Celem jest m dre przeprowadzenie analizy strumieni klikni i rozpocz cie wnioskowania na temat celów osób odwiedzaj cych witryn . Wnioskowanie na temat celów ma pewn wad — dwie osoby mog w odmienny sposób zinterpretowa ten sam zbiór danych i klikni . Zwykle wynika to z tego, e ka dy analityk ma wyj tkow wiedz i niepowtarzalne do wiadczenia. Wielk zalet ustalenia, e najwa niejsze jest wnioskowanie na temat celów, jest mo liwo wykonywania tego zadania, przedstawiania efektów wspó pracownikom, sprawdzania poprawno ci przemy le , wyci gania ostatecznych wniosków i dawania zalece .

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

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

Komponent ten dobrze mierzy zyski witryn sklepów internetowych (nie tylko ich poziom, ale te to, dlaczego przychody by y takie, a nie inne) i wspó czynnik konwersji. W witrynach pomocy technicznej pozwala okre li szybko rozwi zywania problemów i wska niki zwi zane z czasem. W witrynach s u cych do zbierania list potencjalnych klientów ten element Trinity mierzy liczb danych osobowych i ich jako oraz zmiany w tym obszarze. Dla danej witryny lub firmy skutki mog by inne od tych wymienionych na rysunku, jednak prawie zawsze s to miary zwi zane z dochodami i mo na je uwzgl dni w raportach finansowych firmy. Ka da witryna powinna istnie w jasno okre lonym celu. Je li nie jest mo liwy pomiar wszystkich zwi zanych z nim niuansów, zalecam ca kowit rezygnacj z pomiaru zachowa (strumienia klikni ). Je li analityk nie mo e solidnie zmierzy skutków, adna analiza zachowania nie b dzie warto ciowa, poniewa nie wiadomo, czy wszystkie rosn ce wykresy generowane przez u ywan aplikacj do analizy danych internetowych przek adaj si na powi kszenie warto ci firmy. Czy rezygnacja ze strumieni klikni na rzecz wcze niejszego pomiaru skutków to ekstremalne rozwi zanie? Tak. Czy jest to konieczne? Pewnie. Analiza doświadczeń Trzeci i ostatni komponent metody Trinity to do wiadczenia (rysunek 1.9). Ten sk adnik pozwala uzyska cenn , ale trudn do znalezienia odpowied na pytanie dlaczego. Cho komponent skutków w metodzie Trinity jest niezb dny, pomiar do wiadcze jest prawdopodobnie najwa niejszy. Ka da firma, która popad a w rutyn i mimo usilnych stara nie potrafi doj do praktycznych wniosków na podstawie

analizy zachowa i skutków, powinna zainwestowa w analiz do wiadcze . Pozwala to odpowiedzie na pytanie dlaczego. Te analizy przynosz ukojenie w trakcie ci kiej pracy nad danymi ze strumieni klikni . Trudno wybra ulubione z dzieci, jednak dla mnie bez w tpienia analizy do wiadcze s najcenniejsze. Wynika to z prostej przyczyny: analizy do wiadcze pozwalaj przenikn my li klientów i zrozumie , dlaczego wykonuj oni okre lone czynno ci. Jest wiele metod pozwalaj cych zrozumie do wiadczenia klientów z korzystaniem z witryny. Mo na u y ankiet lub po prostu zadawa pytania, a tak e zastosowa bardzo z o one techniki ilo ciowe i jako ciowe. Ankiety pozwalaj zmierzy satysfakcj klientów, a nawet przewidywa przysz e zachowania (prawdopodobie stwo zakupu lub polecanie innym produktów albo us ug). W dalszej cz ci ksi ki wyra nie wida , e jestem gor cym zwolennikiem eksperymentów i testów (nale y pozwoli klientom wyrazi ich preferencje) opartych na technice A/B i analizie wielu zmiennych. Dost pne s te tradycyjne techniki projektowania skoncentrowanego na u ytkowniku, na przyk ad ocena heurystyczna. Mo na te wykorzysta inn doskona technik : laboratoryjne testy u yteczno ci, lub odwiedzi klientów w ich siedzibie, co Scott Cook, za o yciel firmy Intuit, okre la jako istot innowacji skoncentrowanych na kliencie.

Uwaga: W rozdziale 3., „Przegląd analiz jakościowych” szczegółowo omówiono wszystkie metody projektowania skoncentrowanego na kliencie.

KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

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

Wszystkie metody zwi zane z do wiadczeniami s u jednemu celowi — us yszeniu przez firm g osu klientów, który w wi kszo ci korporacji ginie. Rozwiązania dla firm i klientów — sytuacja wygrany-wygrany W ostatecznym rozrachunku metoda Trinity ma prowadzi do dog bnego zrozumienia do wiadcze klientów, aby móc wywo a optymalne zachowanie u ytkownika, które doprowadzi do sytuacji wygrana-wygrana dla firmy i klienta (rysunek 1.10).

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

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

Wa ne jest ostatnie zdanie — metoda Trinity ma prowadzi do skutku wygrana-wygrana. Je li dla danego klienta odpowiednia jest wersja podstawowa, a nie profesjonalna, w a ciciele witryny powinni pomóc odbiorcy to ustali i kupi dopasowany produkt. To prawda, je li klient kupi wersj profesjonaln , w krótkim okresie zyski firmy b d wi ksze. Jednak mo liwe jest, e klient b dzie sfrustrowany, poniewa wersja ta oka e si zbyt zaawansowana, dlatego nie wróci wi cej do sklepu. Ponadto podzieli si negatywnymi opiniami z innymi osobami. Jednak je li firma pomo e mu w zakupie odpowiedniej, podstawowej wersji, klient za rok powróci, aby kupi wersj profesjonaln . Metoda Trinity pozwala osi ga korzy ci d ugoterminowe. Nale y zrozumie potrzeby i oczekiwania klientów, a nast pnie przygotowa rozwi zania pod ich k tem. Stosowanie metody Trinity umo liwia osi gni cie sukcesu, a rozwi zywanie problemów klientów, kiedy ju wiadomo, czym one s , jest zwykle bardzo proste. Ka dy komponent metody Trinity jest wspomagany przez ró ne narz dzia. Podej cie to obejmuje ró ne techniki i wykorzystuje powtarzalne procesy.

Co najwa niejsze, stosuj ce j osoby musz mie zestaw kluczowych umiej tno ci. Samo nastawienie nie prowadzi do rozwi zania problemów (cho pozwala wkroczy na dobr drog ). Stosowanie strategicznej metody Trinity zwi zane jest z utworzeniem odpowiedniej struktury organizacyjnej i rozwini tej kultury. Budowanie zintegrowanej platformy Trinity Nie mo na utworzy ca ej platformy w jeden dzie . Zwykle nale y zdiagnozowa obecny stan, a nast pnie do czy brakuj ce elementy. Trzeba si upewni , e plan realizacji strategii i dzia a powdro eniowych umo liwia analitykom po czenie wszystkich elementów metody Trinity (rysunek 1.11). Zapewni to firmie znaczn przewag konkurencyjn .

51 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Rysunek 1.11. Zintegrowana strategia Trinity (klucze podstawowe umożliwiają powiązanie najważniejszych silosów z danymi)

Je li odwiedzaj cy sk adaj zamówienia lub przesy aj dane kontaktowe za pomoc witryny, w bazie danych z zamówieniami mo na zapisa anonimowe elementy ledz ce, na przyk ad tymczasowe identyfikatory session_id i cookie_id. Pozwala to przeprowadzi zaawansowane analizy skutków z podzia em na segmenty, a tak e przeanalizowa zachowania prowadz ce do tych skutków.

ROZDZIA 1: WEB ANALYTICS DZI I JUTRO

Identyfikatory session_id (ponownie anonimowe) mo na przekazywa tak e do narz dzia obs uguj cego ankiety, co pozwala na podstawie ich wyników wydzieli segment najbardziej niezadowolonych klientów. Nast pnie mo na wykorzysta narz dzie do analizy danych internetowych i przeanalizowa strumienie klikni , aby ustali , które strony ogl dali klienci zadowoleni, a co zobaczyli u ytkownicy niezadowoleni. Mo na te sprawdzi , które elementy witryny najbardziej wp ywaj na satysfakcj klientów i tak dalej. W wiecie, w którym perspektywa analityczna by a powa nie ograniczona przez stosowanie samych narz dzi do analizy danych internetowych i strumieni klikni , platforma Trinity wzbogaca dost pne dane, pomaga naprawd zrozumie klientów, a tak e umo liwia szczegó ow analiz danych w celu uzyskania ogólnych wniosków. Prowadzi to do wi kszego zadowolenia klientów i wy szych zysków firmy. Ponadto sam analityk jest szcz liwy, poniewa w ko cu mo e zmierzy si z analiz danych jako ciowych i ilo ciowych z wielu sesji — co za frajda! Platform Trinity mo na stosowa do dowolnych odmian biznesu internetowego: witryn sklepów internetowych, pomocy technicznej, promocji, organizacji non-profit, ma ych firm i tak dalej. Wi cej szczegó ów, a tak e przyk ady wykorzystania metody Trinity do danego typu biznesu zawiera rozdzia 6., „Miesi c 1. Zg bianie najwa niejszych zagadnie z obszaru analizy danych internetowych”.