houseofrezac.com
Data pro design v 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
Pohled designera
Google Analytics: Seskupení obsahu
3
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
5
Flows: lidé přicházející na detail produktu
6
Lidé přicházející na seznamy produktů
7
Úkol 7: chování na webu
 Kolik návštěv chodí na web
centrum-mandala.cz nakupovat?
A co dělají ostaní?
 Jaké části webů jsou
nejzobrazovanější?
8
Segmentování
Segmenty
 Umožňují zobrazit data v GA jen pro velmi úzkou skupinu návštěv nebo
uživatelů
10
Segmenty
 Segment „zahrnout všechny návštěvy, které viděly stránku C“:
 Segment „zahrnout všechny uživatele, které viděly stránku C“:
11
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
Custom dimenze a metriky
 Vlastní data, o která lze rozšířit GA
 Dimenze
 Týkající se uživatele, návštěv, hitů nebo produktů
 Metriky
 Číslo, čas nebo měna
12
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
13
Navigace na stránce
14
15
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.
16
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?
20
Pohled produktového manažera
21
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
24
Ecommerce: výkon produktů
25
Výkon produktů
26
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
Depresivní závěr
Sampling
29
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
30
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
31
Přesnost
 100 % nelze dosáhnout
 Blokování měření
 Technické chyby
 Chyba přenosu
 Dobrá přesnost pro měření transakcí je 95 %
32
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
33
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
34