houseofrezac.com Analýza Google Analytics Webová analytika, VIKMB20 Vytvořeno 27. února 2017 Aktualizace 9. března 2017 Pavel Šabatka pavel@houseofrezac.com House of Řezáč, s.r.o. Údolní 222/5, 602 00 Brno O čem to bude dnes  Něco o Google Analytics  Data o webu pro  Marketéra  Designéra  Produktového manažera 2 Přístupy  Přihlaste se  https://analytics.google.com/analytics/web/  webova.analytika.kisk@gmail.com  VIKMB20+2019  Nápověda k rozhraní GA  https://goo.gl/E09h5R Krátce ke Google Analytics 4 5 Pohled marketéra 6 Motivace 7 Motivace 8 "Polovina peněz, které vynakládám na reklamu, je vyhozena z okna. Problém je, že nevím, která polovina to je." 9 Henry Ford (údajně) Motivace 10 Řízení marketingu  Posílit fungující kampaně  Vypnout či upravit nefungující  Najít příležitosti  Najít vztahy mezi kanály Jak dostat data do GA UTM parametry  GA rozlišuje organic, referral a direct  Všechny ostatní kampaně je třeba označit 12 Zdroje návštěv Vyhledávání Banner Email Medium organic banner email Source seznam.cz idnes.cz newsletter Campaing 2017-studium 2017-02-23-unor Term varianta 1 Content modry logo 13  Medium = platební model či způsob přenosu  Source = identifikace poskytovatele  Campaign = označení konkrétní kampaně  Term, Content = lze libovolně Tipy & Triky  Mějte taxonomii nebo nějaký systém, který budete sdílet s agenturami  Tagujte důsledně všechno  Používejte pouze malá písmena  U emailů si zaznamenávejte datum – např. den (2018-12-31) nebo jako číslo týdne (2018-42)  Využívejte filtry pro korekci dat 14 Úkol 1: označte Jste podnikatel v oboru webová analytika, máte web http://sabatka.net. Označte:  Bannerovou kampaň na portálu www.vaše-skupina.cz (nahraďte), která poběží v březnu 2019. Budou zde 2 různé verze barev.  Vizitky. Budou rozdávány průběžně.  Rádiovou kampaň – poběží v rádiu „Vaše skupina“ (nahraďte). Zkontrolujte svá data v Google Analytics na tabuli. 15 Jiné nástroje používají podobný systém  Google Analytics  UTM parametry  Momato (Piwik)  pk_campaign, pk_kwd=OrderNow  A&T Internet  xts, xto, xtor, … 16 Channel Grouping  Umožňuje nastavit vlastní seskupení zdrojů návštěv. Např.  Earned / Owned / Paid – udává strategii získávání návštěv  Dle uživatelského scénáře – jak často se scénáře objevují před konverzí? 17 Jak kampaně vyhodnotit Vyhodnocení 19 Počet cílů, konverzní poměr, chování Zisk z kanálů PNO / CPA Profit / ROMI / ROAS User Data / CLV Úroveň 1: chování Úkol 2: chování Ve view centrum-mandala.cz srovnejte jednotlivé kanály:  Které přivádí hodně uživatelů?  Které přivádí nové uživatele a které stávající?  Ze kterých uživatelé více prochází web?  Ze kterých uživatelé nakupují? • Jednoduché • Nevyžaduje (téměř žádné) úpravy kódu • Nereflektuje žádným způsobem peníze Hodnocení Úroveň 2: náklady Úkol 3: náklady Ve view „1 Master View“ srovnejte jednotlivé AdWords kampaně:  Které mají vysokou cenu za klik?  Které mají vysokou cenu za konverzi? • Data poskytují platformy, v rámci jednodné platformy jednoduché • Problém srovnání více platforem – data je třeba nějak integrovat Hodnocení Google Analytics: import dat o nákladech 26 Skriptíky pro Google Analytics  http://www.standajilek.cz/skripty/ke-stazeni/import-nakladu-do-google- analytics/  https://tyinternety.cz/prirucka-marketera/prirucka-marketera-importovani- nakladu-do-google-analytics-z-jinych-systemu-nez-adwords-sklik-facebook/  https://tyinternety.cz/prirucka-marketera/prirucka-marketera-import- nakladu-do-google-analytics_jak_na_jeho_automatizaci/ 27 Úroveň 3: zisk Úkol 4: zisk Ve view centrum-mandala.cz srovnejte jednotlivé kanály:  Které generují hodně tržeb?  Které generují uživatele s vysokou hodnotou? • Lze srovnat platformy • Je třeba mít nastaveny hodnoty transakcí (běžně je) a cílů (může být složité) Hodnocení Úroveň 4: návratnost Úkol 5: návratnost Podívejte se do „1 Master View“ na analýzu nákladů:  Pro jednotlivé kampaně AdWords srovnejte CPC, RPC  Jaké kampaně se určitě vyplácí?  Vyplácí se remarketing? • Smysluplná data • Složité na nastavení a provoz - je třeba dát všechna data na 1 místo. • Většinou nejsou započítány všechny náklady Hodnocení Úroveň 5: čistá návratnost • Dokonalé • Velmi drahé (desítky tisíc měsíčně) a velmi náročné (desítky hodin implementace) • Složité smysluplně vyhodnotit Hodnocení STDC Framework Kdo chodí na eshop nakupovat? 38 Nákup trvá delší dobu SEE Všichni, co by mohli chtít mou službu / produkt Lidé, co by mohli chtít vysavač THINK Lidé, kteří přemýšlejí o nákupu Lidé, co uvažují o koupi vysavače DO Lidé, kteří chtějí koupit / poptat Lidé, co chtějí koupit vysavač CARE Stávající zákazníci Zákazníci, co chtějí pytlíky do vysavače či jiný produkt Lidé zajímá jiný obsah SEE Trendy, obrázky, virální obsah THINK Články „jak vybrat“, informace o produktu, porovnávání produktů, ukládání produktů DO Benefity konkrétní firmy, srovnání cen v různých e-shopech, podmínky nákupu CARE Správná údržba, související produkty Marketing pro každou fázi vypadá jinak SEE Bannery, PR články, link building THINK Články a videa, PPC, SEO, Affiliate DO PPC, Remarketing, Produktové vyhledávače, Affiliate CARE Mailing, Sociální sítě Každou fázi musím měřit jinak SEE Počty impresí, doba na webu / počet stránek za návštěvu THINK Použití porovnávání produktů, zobrazení detailů produktů, přidání do wishlistu,… DO Konverzní poměr, celkový generovaný obrat CARE Opakovaný nákup, zákaznická analytika (CLV, ARR, RFM,…) Předchozí metody vyhodnocení vždy braly v úvahu jen fázi DO. Komplexnost digitálního marketingu Atribuce Atribuce 46 Pondělí Email Atribuce 47 Pondělí Email 100 Kč Atribuce 48 Pondělí Email Pondělí Email 100 Kč Úterý AdWords Středa Direct Atribuce 49 Pondělí Email Pondělí Email 100 Kč Úterý AdWords Středa Direct ? Kč ? Kč ? Kč Atribuční modelování 50 Cesta ke konverzi bývá dlouhá Níže stále jen offline zdroje Atribuční modelování 51 Pokud je cesta před konverzí krátká, není třeba modelování řešit. Zde třeba řešit je. Google Analytics: last-non-direct model 52 Pondělí Email Pondělí Email 100 Kč Úterý AdWords Středa Direct 0 Kč 100 Kč 0 Kč Google Analytics: další modely 53 Úkol 6 Srovnejte v libovolném view e-shopu:  Jaké cesty vedou uživatele typicky ke konverzi?  Jaká je délka cesty v interakcích?  Které kanály častěji nákupní cyklus začínají a které častěji zakončují?  Jsou nějaké kampaně, které nelze vypnout i přesto, že generují málo transakcí v last-nondirect modelu? 54 Další atribuční modely  Založené na reálném chování zákazníka  Hidden Markov Model  Shepley  Potřebujete atomická data, výpočetně složité 55 Další potíže s vyhodnocením kampaní Problémy  Atribuce  Opakované konverze  Chyby ve značkování kampaní  ROPO efekt  Cross device  Ztráta atribuce  Podměřování 57 Problémy  Atribuce  Opakované konverze  Chyby ve značkování kampaní  ROPO efekt  Cross device  Ztráta atribuce  Podměřování 58 Řešitelné Řešitelné složitě / omezeně Neřešitelné -> kritické myšlení + šolíchací kontatna Cross Device 59 Cross Device  Funguje-li používám-li funkci UserID  Omezená přesnost 60 Realita Většina e-shopů  Používá GA s měřením transakcí  1x za týden / měsíc exportuje data z reklamních systémů a v Google tabulkách to vyhodnotí  Roivenue a podobné systémy mají jen opravdu velcí hráči 62 Jak tedy na to? Pár doporučení  Univerzální návod neexistuje  Zvolte přiměřeně složité řešení  Započítejte šolíchací konstantu  Ztráta atribuce  Náklady na práci, agentury,…  Opakované nákupy  Používejte selský rozum 64 Pohled designera Google Analytics: Seskupení obsahu 66 Proč lidé chodí na můj web? Fázi a cíl jde odhadnout  Kombinace zdroj návštěvy + vstupní stránka  Email -> článek na blogu  Vyhledávání -> titulní stránka  Srovnávač zboží -> detail produktu  PPC reklama -> kategorie zboží  Přímá návštěva -> titulní stránka  Segmentace 68 Flows: lidé přicházející na detail produktu 69 Lidé přicházející na seznamy produktů 70 Úkol 7: chování na webu  Kolik návštěv chodí na web centrum-mandala.cz nakupovat? A co dělají ostaní?  Jaké části webů jsou nejzobrazovanější? 71 Segmentování Segmenty  Umožňují zobrazit data v GA jen pro velmi úzkou skupinu návštěv nebo uživatelů 73 Segmenty  Segment „zahrnout všechny návštěvy, které viděly stránku C“:  Segment „zahrnout všechny uživatele, které viděly stránku C“: 74 Stránka Návštěva Uživatel Uživatel 1 A B 2 A C A 3 B A Stránka Návštěva Uživatel Uživatel 1 A B 2 A C A 3 B A Úkol 8  Jaké stránky na webu www.muni.cz navštěvují uživatelé, kteří vstupují na titulní stránku? 75 Custom dimenze a metriky  Vlastní data, o která lze rozšířit GA  Dimenze  Týkající se uživatele, návštěv, hitů nebo produktů  Metriky  Číslo, čas nebo měna 76 Využití custom dimenzí  Data o uživatelích – pohlaví uživatele, počet nákupů, kraj  Informace o transakcích – způsob dopravy, platby apod.  Počasí v místě uživatele  Atributy obsahu webu – např. autor článku  Produktová data - aktuální dostupnost, štítky, specifické parametry 77 Navigace na stránce 78 79 Navigace na stránce Úkol 9 Pro web www.brno.cz zjistěte:  Jaký podíl uživatelů navštívilo stránky týkající se občanských průkazů?  Kam lidé chodí z rozcestníku občanských průkazů?  Jaké stránky navštěvují úředníci z magistrátu? Srovnejte se segmentem běžných uživatelů. 80 Nákupní proces Ecommerce funnel: makro pohled Ecommerce funnel: objednávka Úkol 10 Pro www.centrum-mandala.cz zjistěte:  Jsou nějaká slabá místa objednávkového procesu? Co tam může být špatně?  Na jaké stránky se při úpravách zaměřit jako první? 84 Pohled produktového manažera 85 Otázky  Které produkty mi vydělávají a které ne?  Jsou nějaké produkty s potenciálem?  Které produkty jsou na webu špatně prezentovány?  Klikají lidi na „Poslední zobrazené produkty“, nebo je to k ničemu?  Kde lidé při nákupu odpadávají Ecommerce  Za pomocí Enhanced Ecommerce budeme schopni zjistit:  Počet impresí daného produktu (na výpisu hledání)  CTR daného produktu z výpisu hledání  Konverzní poměr na úrovni produktů / kategorií  Počet zahájení / dokončení objednávky u každého produktu a opět příslušné agregace na úrovni kategorií  Detailní reporting s ohledem na typ produktu  Integrace CRM do Analytics - možnost propojit transakční historii (a tedy poté segmentovat chování návštěvníků podle socdem a dalších údajů, které máme k dispozici) Ecommerce: výkon produktů 88 Ecommerce: výkon produktů 89 Výkon produktů 90 Daniel Citizen Festina Casio Seiko Ingersoll Swiss Nixon Esprit Perigaum Tommy Junkers Rothenschild Tamaris Skagen Hodinky OililyZeppelin Gant FREDsBRUDER Mexx Replay Lacoste Luminox Converse Pulsar Bering Sansibar BillabongGuessCalvinDesigual Jacques Bossart Classy s.Oliver BossCOWBOYSBAG Haemmer Nástěnné Puma Mondaine 0,1% 1,0% 10,0% 100 1000 10000 Buy-To-DetailRate[%] Počet zobrazení produktu Poměr nákupů podle značky POTENCIÁL VÝKONNÉ NEMASTNÉ, NESLANÉ NÁKLADNÉ Ecommerce: na co se dívat jako první  Produkty  CTR  Buy to detail range  Funnely  Výkonnost reklamních ploch Úkol 11: ecommerce  Centrum-mandala.cz pro rok Q3 + Q4 2017: Jaké produkty generují tržby a jaké mají potenciál (buy-todetail rate)?  Jaké konkrétní kroky byste měli podniknout? 92 Depresivní závěr Sampling 94 Sampling  Pokud je v daném období hodně sessions (od 250 tisíc do 1 milionu dle typu reportu)  Pro časté jevy to nevadí, pro méně časté může být zkreslení obrovské 95 Agregace dat  Nejde zobrazit data pro konkrétního uživatele Jde obejít https://www.simoahava.com/analytics/improve-data-collection-with-four-custom-dimensions/  Lze řešit jiným nástrojem, např. Piwik, A&T Internet 96 Přesnost  100 % nelze dosáhnout  Blokování měření  Technické chyby  Chyba přenosu  Dobrá přesnost pro měření transakcí je 95 % 97 Rozdíly mezi nástroji  Různý význam metrik  Např. pageview u server-log nástroje vs. Google Analytics  Různé atribuční modely  AdWords říkají, že generovaly za měsíc 100 transakcí  GA říkají, že AdWords generovaly za stejný měsíc 40 transakcí  Jiná metodika měření  Bucketing  Někdy se liší se i 2 úplně stejně nastavené views 98 Při analýze je nutno vědět  Jak jsou data měřena (metodika, technologie), jaká je přesnost měření  Jestli jsou reporty vzorkovány  Co znamenají metriky - neexistuje standardizace  Bounce rate v Google Analytics vs. Bounce rate v Mailchimp  User v Google Analytics = Visitor v Piwik  Počítání sessions bývá jiné 99 Reálné vyhodnocení 100 Úkol 11 Vyberte si web, zde zjistěte:  Jaké jsou dlouhodobé trendy návštěvnosti?  Proč sem lidé chodí?  Je zde nějaká sezónnost?  Jaké stránky jsou nejdůležitější?  Jaké produkty jsou klíčové?  Jsou nějaké příležitosti? 101 Materiály 102 Materiály  https://www.kaushik.net/avinash/see-think-do-content-marketing- measurement-business-framework/  https://www.kaushik.net/avinash/digital-marketing-and-measurement- model/  Croll A., Yoskovitz B.: Lean Analytics 103 Pavel Šabatka @pavelsabatka pavel@houseofrezac.com houseofrezac.com