Analiza Stron Internetowych
5 godz. 45 min · Google · Biznes i Automatyzacje
Karol DziedzicNiniejszy kurs został przygotowany z myślą o praktycznym wyciąganiu wniosków na podstawie danych tak, aby móc podejmować odpowiednie decyzje biznesowe. Dowiesz się, dlaczego obecnie warto skupić się na myśleniu “data driven”, niż ślepo ufać swojej intuicji. Ten kurs będzie do tego doskonałym wsparciem.
W pierwszej części kursu przejdziemy przez checklistę wdrożeniową, aby krok po kroku sprawdzić poprawność zbieranych danych w Google Analytics. Omówimy często popełniane błędy, wskażemy nieistotne elementy na których nie powinniśmy marnować czasu przy analizach oraz nauczymy się konfigurować cele oraz źródła ruchu pod kątem późniejszych analiz.
Kolejna część kursu skupia się na poznaniu tego, co stoi za konkretnymi zmiennymi w Google Analytics. Wiele osób popełnia błędy podczas interpretacji danych w związku z niezrozumieniem ich definicji. Wspólnie przejdziemy przez wszystkie niuanse związane z interpretacją danych, tak, by nie popełnić w przyszłości niepotrzebnych błędów.
Z tego rozdziału dowiesz się, w jaki sposób sprawdzić charakterystykę swoich potencjalnych klientów na stronie internetowej. Opowiemy Ci o tym jak budować persony swoich klientów oraz nauczysz się jak grupować użytkowników w odpowiednie segmenty w Google Analytics. Ponadto, poznasz sposoby na późniejsze wykorzystanie utworzone przez siebie segmentów użytkowników w dalszych działaniach marketingowych.
W tym rozdziale przejdziemy dokładnie przez proces weryfikacji efektywności każdego kanału reklamowego, który sprowadza ruch na Twoją stronę. Zaczniemy od sprawdzenia jakości tego ruchu, poprzez analizę konwersji wspomaganych na modelach atrybucji, kończąc na nauce sprawdzania zwrotów z inwestycji poniesionych na reklamę. Nauczysz się swobodnie zarządzać budżetami reklamowymi, przerzucając je odpowiednio pomiędzy najlepiej konwertujące źródła.
Kolejny rozdział poświęcony jest dogłębnej analizie zachowań użytkowników na Twojej stronie internetowej. Nauczysz się analizować zarówno przepływy użytkowników przez swój serwis internetowy, znajdować najlepsze treści na swojej stronie oraz sprawdzać, czego użytkownicy szukają na Twojej stronie. Ponadto, dowiesz się, jak analizować lejki konwersji i jak zwiększać ich przepustowość.
W tym rozdziale opowiemy Ci o tym, w jaki sposób tworzyć odpowiednie raporty na podstawie danych z Google Analytics. Dowiesz się z jakich narzędzi w jakiej konkretnej sytuacji musisz korzystać, aby Twoja praca na danych przebiegała sprawnie. Na praktycznych przykładach nauczysz tworzyć raporty dopasowane do Twoich potrzeb.
Ostatni rozdział poświęcony jest technicznym elementom wdrożeniowym. Dowiesz się jak za pomocą Google Tag Managera samodzielnie poradzić sobie z wdrażaniem celów na Twojej stronie internetowej. Dodatkowo poznasz sposoby na dokładniejsze analizowanie aktywności użytkowników na stronie oraz poznasz metody wdrażania zewnętrzne narzędzi pomocnych w analityce poprzez GTM.
eKurs stworzony został z myślą o osobach, które chcą nauczyć się lepiej wyciągać wnioski na podstawie danych. Oznacza to zarówno tych, którzy już pracują z Google Analytics, jak i tych, którzy dopiero rozpoczynają swoją przygodę z analityką internetową.
Cześć! W poprzednich lekcjach nauczyliśmy się, w jaki sposób sprawdzić charakterystykę
naszych potencjalnych klientów pod kątem wieku, pod kątem płci oraz miasta, skąd
pochodzą. Dodatkowo te zmienne również ze sobą krzyżowaliśmy. W tej
lekcji postaramy się na podstawie tych trzech zmiennych oraz jeszcze ich
większej ilości spróbować zbudować personę naszego klienta. Zatem wskoczmy
do naszych Analytics. To, co robiliśmy
wcześniej, to wchodziliśmy w zakładkę Odbiorcy, d la
przykładu - w Dane demograficzne i wchodziliśmy w zakładkę Wiek. Spróbujmy
w tym momencie połączyć trzy zmienne, jakimi są wiek, płeć oraz
miasto, czyli miejscowość w Analytics. Wcześniej
zmienne krzyżowaliśmy za pomocą funkcji Wymiar dodatkowy, zatem zróbmy
to też w tym momencie. Mamy ustawioną zmienną wiek, dopiszmy
zmienną płeć tak, żeby skrzyżować dwie wstępne zmienne. I w
tym momencie spróbujmy dodać kolejny element, jakim jest miasto. Jeżeli
w tym momencie klikniemy na Wymiar dodatkowy i wpiszemy miejscowość,
po czym zaznaczymy tę funkcję, system niestety skrzyżuje
nam wiek z miejscowością, a nie o to nam chodziło. Naszym
zadaniem było skrzyżowanie trzech zmiennych, czego w standardowych raportach w Analytics,
niestety nie jesteśmy w stanie zrobić. Co zrobić w tym momencie? Musimy
wykorzystać kolejną z funkcjonalności dostępnych naszym Analytics, jakimi
są Raporty niestandardowe. Gdzie je można odnaleźć? W
lewym menu, pod ikonką puzzli - jeżeli ją rozwiniemy,
znajdziemy taką pozycję jak właśnie Raporty niestandardowe. I za
ich pomocą spróbujemy większą ilość naszych zmiennych w Analytics skrzyżować. A zatem
do dzieła! Klikamy w Raporty niestandardowe i kolejną
rzeczą jest kliknięcie w Nowy raport niestandardowy. Naszym
oczom ukaże się pulpit, w którym te raporty będziemy tworzyć. W dużym uproszczeniu -
te niebieskie klocki, które znajdują się pod hasłem Dodaj dane, to
jest nic innego, jak kolejne kolumny w naszym wykresie. Natomiast ten zielony klocek, czyli
wymiar, będą to elementy, czyli jakby charakterystyki naszych klientów wielokrotnie
zagłębione. Jakich podstawowych danych użyjemy
do zbudowania tego raportu? Są to następujące elementy: pierwszy element,
jeżeli klikamy Dodaj dane, potrzebujemy mieć wolumen ruchu naszych klientów,
czyli jest to zmienna Użytkownicy i taką zmienną też wpisujemy, tworząc nasz
raport niestandardowy. Kolejny element - możemy tutaj
dorzucić standardową rzecz, która się znajduje w wielu raportach, czyli
sesje - żebyśmy zobaczyli, jak często ci użytkownicy wchodzą na naszą
stronę. Zatem wpisujemy kolejną zmienną zmienną - "Sesje". Możemy
tutaj dodawać oczywiście dużo więcej kolejnych elementów, czyli właśnie współczynniki
odrzuceń, strony/sesje - tak naprawdę wszystkie zmienne, które są w naszym Analytics. Natomiast
teraz dla uproszczenia wrzućmy zmienną, pod kątem której podejmujemy decyzję,
jaką jest współczynnik konwersji e-commerce. Zatem klikamy Dodaj
dane, wpisujemy "współczynnik" i pokazuje nam się współczynnik
konwersji e-commerce. Dla bezpieczeństwa wpiszmy tu również "przychody",
żebyśmy nie popadli w pułapkę statystyczną, czyli mamy współczynnik konwersji na poziomie
200% - tak jak mieliśmy to wcześniej w przypadku sprawdzenia miast, z
jakich pochodzą nasi użytkownicy. Dlatego też dla bezpieczeństwa
klikamy Dodaj dane, wpisujemy "przychody", skrolujemy
delikatnie niżej, gdzie tą zmienną "Przychody" znajdujemy. Oczywiście
możemy zmienić kolejność tych elementów w naszym raporcie - tak żeby było nam wygodniej. Okej,
przechodząc do sedna: naszym zadaniem było skrzyżowanie trzech zmiennych w
naszym Analytics. I zacznijmy może od zmiennej, która charakteryzowała się
najwyższym współczynnikiem konwersji, czy podział per miasta. Co
musimy zrobić? Klikamy sobie na zielony klocek, czyli Dodaj wymiar i wpisujemy
miejscowość. Zaznaczamy tą zmienną, natomiast
to jeszcze nie daje nam odpowiedzi na nasze pytanie, dlatego też dorzucamy kolejne
zmienne. Zatem dorzućmy tutaj zmienną "Wiek" oraz
zmienną "Płeć". W porządku. Jeżeli
chcielibyśmy to badanie person, budowanie tych person przeprowadzić
jeszcze per dane/źródło, pamiętajmy o tym, że mamy tutaj również funkcję filtrowania
danych, czyli jakby te dane możemy jeszcze poukładać przez pryzmat na
przykład ruchu organicznego, ruchu z Facebooka, ruchu z AdWordsów - co potrzebujemy. Natomiast postarajmy się
podchodzić zawsze do tego od ogółu do szczegółu, czyli patrzymy na ogólne charakterystyki i
krok po kroku dochodzimy do głębszych informacji. W porządku. Klikamy
Zapisz. Nasz raport w tym momencie jest przygotowywany
i dostajemy tutaj zwrotną
informację na temat danych, które chcieliśmy
uzyskać. Przefiltrujmy sobie te miejscowości pod kątem współczynnika
konwersji e-commerce. I znowu ten
sam błąd, z którym mieliśmy wcześniej do czynienia w przypadku miejscowości, czyli natrafiliśmy
znowu na miejscowości charakteryzujące się tym współczynnikiem
konwersji dużo dużo powyżej normy, czyli 200%. Naturalną operacją
w tym momencie jest filtrowanie danych, czyli zmierzamy do góry,
nad tabelkę - do zakładki Zaawansowane, czyli synonim do "filtrowania",
po czym filtrujemy po raz kolejny nasze dane pod kątem wolumenu
ruchu. Czyli w tym przypadku użytkowników musimy zmienić zmienną "Miejscowość"
na "Użytkownicy - większe niż 1%". Pamiętamy -
procent tutaj nie działa, musimy wpisać tę liczbę ręcznie. Czyli wpiszmy
sobie 713, co stanowi w zaokrągleniu 1% z 71295
użytkowników, po czym kliknijmy "Zastosuj", aby te dane się przefiltrowały. Otrzymujemy
informacje, które mieliśmy w poprzedniej lekcji, czyli że Nowy
Jork charakteryzuje się najwyższym współczynnikiem konwersji e-commerce. Nie
jest to dla nas jeszcze wartość dodana. Wartością dodaną będzie, jeżeli znajdziemy
dane dotyczące wieku i płci osób właśnie
z Nowego Jorku, czy one charakteryzują się wyższym czy niższym współczynnikiem konwersji
e-commerce. Jak dojść do tych danych? W najprostszy sposób - w przygotowanym
przez nas w raporcie, jak pamiętamy, tych pozycji zielonych mieliśmy trzy. One
układały się tak jedna pod drugą, tzn., że były wielokrotnie zagłębione. Tym
samym wystarczy, że klikniemy sobie w nazwę Nowy Jork, raport się
przebuduje, czyli zagłębi, i zobaczymy ludzi w przedziale wiekowym
już stricte z Nowego Jorku. Co
tu zobaczymy? Osoby w wieku 35-44
charakteryzują się tym współczynnikiem konwersji najwyższym. Co do zasady
możemy znowu kliknąć sobie w pozycję Wieku i dojść jeszcze do
głębszych danych, czyli mężczyźni i kobiety,
tutaj akurat nie ma różnicy, mają podobny współczynnik konwersji. Co
jest ważne? Przechodzimy od ogółu do szczegółu. Najlepiej przy zestawianiu zmiennych
zacząć od tych, które charakteryzują się najwyższym współczynnikiem konwersji i iść w dół. Oczywiście
jest to żmudna praca w ten sposób. Zawsze możemy te wszystkie dane poprzez
API Analytics wyrzucić do zewnętrznych programów, gdzie na podstawie na przykład drzew
decyzyjnych możemy te persony zbudować wcześniej. Natomiast dysponując tylko Analytics,
w najprostszej formie za pomocą raportów niestandardowych
jesteśmy w stanie te persony zbudować. Podsumowując,
co należy z tej lekcji zapamiętać? Do budowy
naszych person możemy wykorzystać raporty niestandardowe. Za pomocą
zestawienia różnych charakterystyk w raporcie niestandardowym odkryjemy połączenia
zmiennych dotyczących naszych klientów, gdzie finalnie uzyskamy
informacje na temat person o najwyższym współczynniku konwersji.
Na podstawie tych danych - czyli jak w tym momencie wyciągnęliśmy
dane, że mężczyźni tudzież kobiety w wieku 35-44 z
Nowego Jorku charakteryzują się najwyższym współczynnikiem konwersji - będziemy mogli
stworzyć segmenty w naszym Analytics do badania różnych zależności
na temat tych ludzi już w naszym systemie. To już w kolejnej lekcji. Dzięki
na teraz! Do usłyszenia za chwilę!