Godzina dziennie z Web Analytics. Stwórz dobrą strategię e
Transkrypt
Godzina dziennie z Web Analytics. Stwórz dobrą strategię e
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 treci 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 przeszo ................................................38 Jak powinna wyglda 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 konkurencyjnoci .................................................................................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 uytecznoci ..................................................................................84 Przeprowadzanie testów ..............................................................................................................86 Zalety laboratoryjnych testów uytecznoci .................................................................................88 Na co naley zwróci uwag ........................................................................................................89 11 SPIS TRE CI Pomiar „co” i „dlaczego” ..............................................................................................................43 Metoda Trinity — nastawienie i podejcie strategiczne ................................................................45 Ocena heurystyczna .....................................................................................................90 Przeprowadzanie oceny heurystycznej ..........................................................................................91 Zalety stosowania oceny heurystycznej ........................................................................................93 Na co naley zwróci uwag ........................................................................................................94 Wizyty w siedzibie klienta ............................................................................................94 Przeprowadzanie wizyty w siedzibie klienta .................................................................................95 Zalety wizyt w siedzibie klienta ...................................................................................................97 Na co naley zwróci uwag ........................................................................................................97 Ankiety (kwestionariusze) ............................................................................................97 Ankiety wywietlane w witrynie ..................................................................................................98 Ankiety przesyane po wizycie .....................................................................................................99 Tworzenie i przeprowadzanie ankiety ..........................................................................................99 Zalety stosowania ankiet ...........................................................................................................103 Na co naley zwróci uwag ......................................................................................................104 SPIS TRE CI 12 Podsumowanie ...........................................................................................................106 Rozdział 4. Kluczowe elementy skutecznej strategii analizy danych internetowych .... 109 Koncentracja na kliencie ............................................................................................110 Odpowiedzi na pytania biznesowe ..............................................................................113 Regua 10/90 .............................................................................................................115 Zatrudnianie doskonaych analityków internetowych .................................................119 Okrelanie optymalnej struktury organizacyjnej i obowizków ...................................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 udostpniania danych od ich zbierania .......................................................135 Rodzaj i rozmiar danych ............................................................................................................135 Innowacje ..................................................................................................................................136 Integracja ..................................................................................................................................136 Wybór optymalnego narzdzia do analizy danych internetowych ...............................137 Dawny sposób ...........................................................................................................................137 Nowy sposób .............................................................................................................................138 Okrelanie jakoci danych ze strumieni klikni .........................................................143 Stosowanie najlepszych praktyk ..................................................................................148 Oznaczanie wszystkich stron .....................................................................................................149 Znaczniki naley umieszcza na kocu (na pierwszym miejscu trzeba stawia klienta!) ..............150 Naley uywa znaczników wewntrzwierszowych ....................................................................150 Okrelanie definicji niepowtarzalnej strony ................................................................................150 Inteligentne uywanie plików cookie .........................................................................................151 Uwzgldnienie problemów z kodowaniem odnoników .............................................................152 Naley uwzgldni przekierowania ............................................................................................153 Walidacja zebranych danych .....................................................................................................156 Prawidowe rejestrowanie operacji w witrynach bogatych w multimedia ....................................157 Trzypoziomowy test „i co z tego?” ..............................................................................157 Kluczowy wskanik wydajnoci: procent wracajcych uytkowników ........................................158 Kluczowy wskanik wydajnoci: gówne strony wyjciowe .........................................................159 Kluczowy wskanik wydajnoci: wspóczynnik konwersji dla najczciej szukanych sów ...........159 Rozdział 6. Miesiąc 1. Zgłębianie najważniejszych zagadnień z obszaru analizy danych internetowych ................................................ 161 Tydzie 1. Przygotowania do zrozumienia podstaw ....................................................162 Poniedziaek i wtorek: adresy URL ............................................................................................163 roda: parametry adresów URL .................................................................................................164 Czwartek i pitek: pliki cookie ..................................................................................................165 Tydzie 2. Powrót do podstawowych miar .................................................................168 13 Poniedziaek: odwiedziny i uytkownicy ....................................................................................168 Wtorek i roda: czas w witrynie .................................................................................................172 Czwartek i pitek: liczba wywietle stron .................................................................................176 SPIS TRE CI Tydzie 3. Poznawanie standardowych raportów .......................................................179 Poniedziaek i wtorek: wspóczynnik odrzuce ..........................................................................179 Od rody do pitku: odnoniki wejciowe — róda i szukane wyraenia ...................................182 Tydzie 4. Korzystanie z raportów na temat nawigacji i poziomu zawartoci witryny ......187 Poniedziaek i wtorek: listy stron — najczciej ogldanych, wejciowych i wyjciowych ...........187 roda: najpopularniejsze punkty docelowe (odnoniki wyjciowe) ..............................................192 Czwartek i pitek: nakadki na witryny (mapy czstotliwoci klikni) ......................................194 Rozdział 7. Miesiąc 2. Analiza danych internetowych — szybki start ......................... 201 Wymagania wstpne i ramy .......................................................................................202 Tydzie 1. Tworzenie podstawowych raportów ..........................................................202 Poniedziaek: najpopularniejsze ródowe adresy URL i najpopularniejsze szukane wyraenia ....204 Wtorek: popularno zawartoci witryny i wizyty na stronie gównej .........................................206 roda i czwartek: czstotliwo klikni (nakadki na witryny) ...................................................208 Pitek: wspóczynnik odrzuce witryny .....................................................................................209 Witryna sklepu internetowego — szybki start ...........................................................210 Tydzie 2. Pomiar skutków dziaa firmy ..................................................................................211 Tydzie 3. Ocena wyników na podstawie celów oraz pomiar skutecznoci marketingowej i zadowolenia klientów ...........................................................................................................214 Witryna pomocy technicznej — szybki start ..............................................................218 Tydzie 2. Wchodzenie w rol klienta i pomiar wpywu witryny na tradycyjne kanay .................. 219 Tydzie 3. Pomiar sukcesu na podstawie gosu lub ocen klientów na poziomie witryny i stron ...... 223 Pomiar blogów — szybki start ...................................................................................226 Tydzie 2. Przezwycianie zoonoci w celu pomiaru podstaw przy uyciu 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 wewntrznego w witrynie ......................................236 Poniedziaek: poznawanie wartoci wyszukiwania wewntrznego ...............................................236 Wtorek: wykrywanie trendów w wyszukiwaniu wewntrznym ..................................................241 roda: analiza czstotliwoci klikni za pomoc nakadki na witryn ........................................242 Czwartek: pomiar efektywnoci wyników wyszukiwania ............................................................243 Pitek: pomiar skutków zwizanych z wyszukiwaniem wewntrznym .......................................244 Tydzie 2. Rozpoczcie optymalizacji witryny pod ktem wyszukiwarek ....................245 Poniedziaek: zrozumienie wpywu odnoników i ich optymalizacja ...........................................247 Wtorek: odnoniki do publikacji prasowych i witryn spoecznociowych ....................................247 roda i czwartek: optymalizacja znaczników i zawartoci na stronach ........................................248 Pitek: dodawanie wskazówek na potrzeby robotów wyszukujcych ..........................................249 Tydzie 3. Pomiar skutków SEO ................................................................................250 SPIS TRE CI 14 Poniedziaek: sprawdzanie poziomu zindeksowania witryny .......................................................250 Wtorek: ledzenie odnoników wejciowych i najpopularniejszych szukanych sów ....................251 roda: oddzielenie naturalnych odnoników wejciowych od PPC ..............................................254 Czwartek: pomiar wartoci naturalnych odnoników wejciowych .............................................255 Pitek: pomiar wpywu optymalizacji na najpopularniejsze strony .............................................255 Tydzie 4. Analiza skutecznoci kampanii PPC ..........................................................257 Poniedziaek: podstawy PPC .....................................................................................................258 Wtorek: pomiar wskaników zwizanych z ofertami ..................................................................259 roda: definiowanie kluczowych miar wpywajcych na wyniki firmy ........................................260 Czwartek: pomiar liczby niepowtarzalnych uytkowników ........................................................260 Pitek: 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 Poniedziaek: podstawy marketingu e-mailowego ......................................................................264 Wtorek i roda: pomiar podstawowych wskaników dotyczcych odpowiedzi ............................265 Czwartek i pitek: pomiar skutków ...........................................................................................266 Tydzie 2. Marketing e-mailowy — zaawansowana obserwacja skutków ...................267 Poniedziaek i wtorek: pomiar efektywnoci witryny ..................................................................267 roda: unikanie puapek w analizie kampanii e-mailowych ........................................................268 Czwartek i pitek: integracja kampanii e-mailowej z narzdziem do analizy danych internetowych .......................................................................269 Tygodnie 3. i 4. Marketing wielokanaowy — ledzenie skutków i analiza .................270 Tydzie 3. Wprowadzenie do marketingu wielokanaowego i ledzenie tradycyjnych kampanii skoncentrowanych na internecie ........................................270 Tydzie 4. ledzenie i analizowanie marketingu wielokanaowego .............................................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 moliwoci? ................................................284 Tydzie 1. Przygotowania i testy A/B ........................................................................................284 Tydzie 2. Poza testy A/B .........................................................................................................289 Tydzie 3. Co testowa? Konkretne moliwoci i pomysy .........................................296 Poniedziaek: testowanie wanych stron i wezwa do dziaania ..................................................296 Wtorek: koncentracja na ruchu z wyszukiwarek ........................................................................298 roda: testowanie treci i materiaów .........................................................................................298 Czwartek: testy cen i promocji ...................................................................................................299 Pitek: testowanie kampanii marketingu bezporedniego ..........................................................299 Tydzie 4. Tworzenie doskonaego 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 dziaa ....................................................................................312 Poniedziaek i wtorek: znaczenie punktów odniesienia i ustalania celów .....................................312 roda: wykorzystywanie zewntrznych punktów odniesienia .....................................................314 Czwartek: wykorzystywanie wewntrznych punktów odniesienia ..............................................317 Pitek: zachcanie i ustalanie celów ...........................................................................................320 Tydzie 2. Opracowywanie skutecznych raportów podsumowujcych dla zarzdu .....323 Poniedziaek: udostpnianie kontekstu — punkty odniesienia, segmenty i trendy .....................324 Wtorek: wyodrbnianie kilku kluczowych miar .........................................................................326 roda: nie poprzestawaj na miarach — docz te wnioski .........................................................327 Czwartek: ograniczanie raportu podsumowujcego do jednej strony ..........................................328 Pitek: wygld ma znaczenie .....................................................................................................329 Tydzie 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programów opartych na raportach podsumowujcych ................................................................330 Poniedziaek: wybór miar zgodnych z modelem Trinity pod ktem dalekiej perspektyw ............330 Wtorek: tworzenie istotnych raportów podsumowujcych .........................................................333 roda: jedna miara — jeden waciciel .......................................................................................334 Czwartek: od sów do czynów ....................................................................................................334 Pitek: pomiar skutecznoci raportów podsumowujcych ..........................................................336 Tydzie 4. Stosowanie podejcia Six Sigma i doskonaoci procesu w analizie danych internetowych .............................................................................336 Poniedziaek: wszystko jest procesem ........................................................................................337 Od wtorku do czwartku: stosowanie procesu DMAIC ...............................................................342 Pitek: analiza zdobytej wiedzy .................................................................................................346 15 SPIS TRE CI Poniedziaek: hipotezy i okrelanie celów ...................................................................................301 Wtorek: testy i walidacja pod ktem wielu celów ......................................................................303 roda: przechodzenie od testów prostych do zoonych i rado z pracy .....................................304 Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testów .......................................305 Pitek: wdraanie dwóch kluczowych elementów kadego 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 su analizy cieek? Do niczego ................................................................382 Problemy w obszarze analizy cieek ..........................................................................................383 Inna moliwo — raport sekwencji grup stron .........................................................................385 SPIS TRE CI 16 Wspóczynnik konwersji — bezwartociowa obsesja ...................................................388 Problemy zwizane ze wspóczynnikiem konwersji ....................................................................389 Inna moliwo — wspóczynnik ukoczenia zada ze wzgldu na gówny cel ..........................391 Perfekcja — umara doskonao, niech yje doskonao ...........................................393 Doskonae dane .........................................................................................................................394 Z prdkoci sieci WWW .........................................................................................................395 Fragmentaryczne dane z wielu róde ........................................................................................396 Dane w czasie rzeczywistym — nieznaczce i kosztowne ............................................396 Efekty dostpu do danych w czasie rzeczywistym ......................................................................397 Lista kontrolna do okrelania gotowoci na dane w czasie rzeczywistym .....................................398 Standardowe wskaniki KPI — mniej znaczce, ni sdzisz ........................................401 Rozdział 14. Zagadnienia zaawansowane — analiza danych internetowych ze wspomaganiem ............................................................................... 405 Odblokowywanie potgi istotnoci statystycznej ........................................................406 Wykorzystanie zdumiewajcej potgi segmentacji ......................................................408 Segmentacja na podstawie wspóczynnika odrzuce ...................................................................410 Segmentacja na podstawie wyszukiwarek ..................................................................................410 czenie danych na temat wyszukiwarek i ucieczek ...................................................................411 Okrelanie trendów w segmentach ............................................................................................412 „Zrozumiae” analizy i raporty ....................................................................................414 Uywanie adnych rysunków .....................................................................................................414 Uywanie zrozumiaego jzyka ..................................................................................................415 Najlepsze praktyki przy obliczaniu wspóczynnika konwersji ......................................418 Pomijanie ogólnego wspóczynnika konwersji dla caej witryny .................................................420 Uwzgldnianie trendów i sezonowoci .......................................................................................420 Zrozumienie strategii pozyskiwania klientów przez witryn i firm ............................................421 Pomiar wspóczynnika konwersji z podziaem na pi najwaniejszych wejciowych adresów URL ......................................................................................................422 Rezygnacja z pomiaru wspóczynnika konwersji dla stron i odnoników .....................................422 Obsesyjna segmentacja ..............................................................................................................423 Przedstawianie przychodów obok wspóczynnika konwersji .......................................................424 Pomiar wspóczynnika konwersji pod ktem celu ......................................................................424 Usprawnianie analiz z obszaru SEM i PPC ..................................................................426 Pomiar wspóczynnika odrzuce (zagregowanego i wedug najpopularniejszych szukanych wyrae) ........................................427 Kontrola usugodawców i agencji ..............................................................................................428 Pomiar wspóczynnika kanibalizacji ruchu naturalnego przez kampanie PPC .............................429 Agresywne stosowanie testów i eksperymentów .........................................................................430 Zrozumienie wielu celów klientów .............................................................................................431 Pomiar cudownego wspóczynnika rezygnacji .............................................................432 Stosowanie segmentacji do wspóczynnika rezygnacji .................................................................433 Wyciganie praktycznych wniosków i podejmowanie dziaa ....................................................435 Pomiar liczby dni i wizyt do zakupu ...........................................................................436 Wykorzystanie statystycznych limitów kontrolnych ...................................................441 Obliczanie limitów kontrolnych .................................................................................................444 Praktyczny przykad zastosowania limitów kontrolnych ............................................................444 Pomiar rzeczywistego zakresu moliwej poprawy .......................................................447 Uwzgldnianie wspóczynnika odrzuce ....................................................................................448 Odfiltrowywanie „wizyt” robotów wyszukujcych i oprogramowania do kontroli witryny oraz bdów 404 i da rysunków .........................................................................................449 Uwzgldnienie celów klientów ..................................................................................................450 Podejmowanie dziaa ...............................................................................................................452 Rozdział 15. Budowanie kultury opartej na danych — praktyczne kroki i najlepsze praktyki ................................................... 457 Kluczowe umiejtnoci menederów kierowników dziau analizy danych internetowych ..................................................458 Prawdziwa pasja ........................................................................................................................459 Akceptacja i denie do zmian ...................................................................................................459 Kwestionowanie danych a do przesady .....................................................................................460 Nastawienie na innowacje pod ktem klienta ............................................................................460 Niekoniecznie „mistrzowie liczb” ...............................................................................................461 Naturalne zdolnoci biznesowe i rozsdek ..................................................................................461 Wybitne umiejtnoci interpersonalne .......................................................................................462 Kiedy i jak zatrudnia konsultantów oraz ekspertów wewntrznych? .........................462 Etap 1. Narodziny .....................................................................................................................464 Etap 2. Od niemowlcia do nastolatka .......................................................................................465 Etap 3. Szalona modo ............................................................................................................467 Etap 4. Dojrzao — po trzydziestce ........................................................................................469 Siedem etapów budowania kultury podejmowania decyzji na podstawie danych .........471 Wyjcie od wyników (skutków) .................................................................................................471 Zrozumienie, e raporty to nie analizy, i promowanie tych ostatnich .........................................472 17 SPIS TRE CI Jak mierzy omawiane wskaniki? .............................................................................................438 Wyciganie praktycznych wniosków i podejmowanie dziaa ....................................................439 Bezosobowe podejmowanie decyzji ............................................................................................473 Zachowania proaktywne zamiast reaktywnych ..........................................................................474 Due uprawnienia dla analityków ..............................................................................................475 Stosowanie podejcia Trinity ......................................................................................................475 Mylenie w kategoriach procesu ................................................................................................476 Skorowidz ........................................................................................... 479 SPIS TRE CI 18 Web Analytics dzi i jutro Rozdzia 1[SR1] 31 WEB ANALYTICS DZI I JUTRO 20 marca 2007 roku wyszukiwanie wyraenia „web analytics” + definition w wyszukiwarce Google dao 642 000 wyników w 0,11 sekundy. Potwierdza to zoono i dug histori tej wspaniaej dziedziny (oraz szybko generowania wyników przez wyszukiwark Google). Stowarzyszenie Web Analytics Association (http://www.webanalyticsassociation.org) zaproponowao niedawno standardow definicj analizy danych internetowych: Analiza danych internetowych to obiektywne ledzenie, zbieranie, mierzenie, tworzenie raportów i analizowanie ilociowych danych internetowych w celu optymalizacji witryn oraz internetowych kampanii marketingowych. Analiza danych internetowych ma swe pocztki w latach 90. Jednak jej pierwsz standardow definicj (przedstawion powyej) zaproponowano dopiero w roku 2006, co pokazuje, jak moda jest to dziedzina. Krótka historia analizy danych internetowych ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 32 W pocztkowym okresie istnienia internetu korzystanie z niego byo stosunkowo proste. Uytkownik wpisywa adres i ujednolicony lokalizator zasobu (ang. Uniform Resource Locator — URL), otrzymywa plik z tekstem i odnonikami, po czym caa interakcja si koczya. ycie byo wtedy proste. Zauwaono, e czasem pojawiay si bdy, które powodoway, e nie mona byo udostpni pliku, lub e zawiera on nieprawidowe odnoniki. Wtedy to sprytni ludzie wymylili dzienniki serwera do rejestrowania bdów i wykorzystali je do wyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizyta odpowiadaa po prostu daniu zwrócenia pliku). Wspomniane dzienniki serwera rejestroway nie sam fakt odwiedzin uytkownika w witrynie, ale take dodatkowe informacje: nazw pliku, czas, ródo dania (witryn lub stron internetow), adres IP, identyfikator przegldarki, nazw systemu operacyjnego i tak dalej. Praca stawaa si coraz ciekawsza, poniewa mona byo dowiedzie si czego o ródle dania. Wraz z powikszaniem si dzienników i wzrostem zainteresowania danymi osób spoza wiata techniki jeszcze sprytniejsza osoba napisaa pierwszy skrypt, który automatycznie przetwarza pliki dziennika i wywietla podstawowe wskaniki (rysunek 1.1). W ten sposób narodzia 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 rosa w tempie wykadniczym, analiza danych internetowych staa si ugruntowan dziedzin bada. Kluczowymi dostawcami usug w tej brany byli Accrue, WebTrends, WebSideStory i Coremetrics. Firmy te udostpniay coraz bardziej zaawansowane rozwizania, które generoway olbrzymie iloci danych. Mniej wicej w tym samym czasie usugodawcy i klienci w brany analizy danych internetowych odkryli, e dzienniki serwera niekoniecznie s optymalnym ródem informacji. Stosowanie dzienników wizao si z nastpujcymi problemami: Zapisywanie stron w pamici podrcznej przez dostawców usug 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 dostpn w sieci WWW. Wci jest to jedno z najczciej uywanych narzdzi do analizy danych internetowych i jest zainstalowane w witrynach wikszoci dostawców usug internetowych (ang. Internet Service Provider — ISP). Analog i podobne mu programy uatwiy rozpowszechnienie si analizy danych internetowych poza dziay informatyczne firm. Raporty byy coraz adniejsze, a pracownicy z dziau marketingu mogli wreszcie zrozumie, co si dzieje w witrynie. W latach 1995 – 96 standardowi uytkownicy internetu mogli zetkn si ze statystykami z uwagi na rozpowszechnienie si wspaniaego narzdzia nazywanego licznikiem. Liczniki odwiedzin na stronach byy prawdopodobnie pierwszym przykadem sieciowego marketingu wirusowego (ich wprowadzenie przypisywane jest firmie Web-Counter). Liczniki pojawiy si w kadym miejscu sieci WWW. Byy ciekawe, a zarazem informoway o popularnoci strony. Komercyjna analiza danych internetowych rozpocza si kilka lat póniej, a jej najbardziej znanym owocem by program WebTrends. Aplikacja ta opieraa si na wzbogaconym parserze standardowych plików dziennika, jednak co jeszcze waniejsze, generowaa tabele i eleganckie wykresy, które ostatecznie wprowadziy analiz danych internetowych do zespoów biznesowych (przykadowe dane wyjciowe programu WebTrends przedstawia rysunek 1.2). ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 34 usug internetowych wszystkie nastpne dania powoduj zwrócenie wanie jej, a operacje te nie s rejestrowane w plikach dziennika witryny. Roboty wyszukujce. Wraz z rosnc popularnoci wyszukiwarek roboty wyszukujce czsto przegldaj witryny i pozostawiaj w dziennikach wpisy niezwizane z odwiedzinami uytkowników. Te wpisy take s uwzgldniane we wskanikach. Cho mona odfiltrowa odwiedziny robotów, trudno jest nady z rejestrowaniem ich wszystkich, a ponadto staj si one coraz „sprytniejsze”. Niepowtarzalni uytkownicy. Poniewa coraz wicej osób ma dynamicznie przypisywany adres IP i odwiedza strony przy uyciu serwerów poredniczcych, trudno jest okreli liczb niepowtarzalnych uytkowników. Dostawcy uciekaj si do uywania adresu IP w poczeniu z identyfikatorem agenta (identyfikator ten obejmuje system operacyjny i przegldark uytkownika), jednak take to rozwizanie nie jest doskonae. Mona te zastosowa pliki cookie ustawiane przez witryn, jednak nie wszystkie dziay informatyczne korzystaj z tej techniki. Z tych i innych przyczyn nowym standardem zbierania danych na temat uytkowania witryny stay si znaczniki JavaScript (wiersze kodu w tym jzyku). Jest to duo prostsza technika. Wystarczy doda do kadej strony kilka wierszy kodu JavaScript, który zostanie uruchomiony po wczytaniu strony i przele dane do rejestrujcego je serwera. Poniej przedstawiono przykadowy kompletny znacznik JavaScript uywany przez Crazy Egg — now firm wiadczc usugi 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 take, e za zbieranie i przetwarzanie danych zazwyczaj odpowiadaj nie wewntrzne, firmowe dziay informatyczne, ale dostawcy usug z obszaru analizy danych internetowych. Uatwia to proces analizy. Znaczniki JavaScript upraszczaj take wprowadzanie innowacji, rejestrowanie nowych rodzajów danych i obsug plików cookie w celu ledzenia aktywnoci uytkowników. Obecnie usugodawcy mog samodzielnie wykonywa te operacje, zamiast kontaktowa si z dziaem 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 brany analizy danych internetowych dziaaj cztery due firmy: Coremetrics, Omniture, WebTrends i WebSideStory. Jest te wielu rednich dostawców, na przykad Unica, indexTools i ClickTracks, oraz liczne podstawowe rozwizania, takie jak produkty o otwartym dostpie do kodu ródowego AWStats, Webalizer i StatCounter. Duy wpyw na bran analizy danych internetowych miaa firma Google, która w 2005 roku kupia produkt Urchin, a w 2006 udostpnia go bezpatnie pod nazw Google Analytics. Obecnie uytkownicy mog bezpatnie korzysta z pierwszorzdnych analiz danych internetowych. Trudno jest okreli liczb osób stosujcych Google Analytics. Wikszo analityków szacuje j na ponad pó miliona 35 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Nastpnym krokiem w ewolucji analizy danych internetowych byo wprowadzenie nakadek na witryn (ang. site overlay), nazywanych te rozkadem czstotliwoci klikni. Dziki tej technice osoby odpowiedzialne za podejmowanie decyzji mog po prostu otworzy w przegldarce stron internetow, któr chc podda analizie, zamiast przetwarza zoone zbiory danych i przeglda tabele pene informacji. Przegldarka lub aplikacja do analizy danych internetowych wywietla wtedy przez okrelony czas miejsca o najwikszej liczbie klikni. Upowszechnio to znacznie czynnoci bdce wczeniej domen analityków danych internetowych. Zwikszyo to te czsto korzystania z rozwiza analitycznych, poniewa wszyscy mogli w bardzo prosty sposób — patrzc na liczb klikni — zrozumie, co dzieje si na stronie. Rysunek 1.3 pokazuje, jak atwo jest dokona segmentacji caego ruchu w witrynie, wydzielajc odwiedziny z wyszukiwarki Google, oraz zaobserwowa rónice w korzystaniu z odnoników przez róne grupy. Pozwala to ustali, czego szukaj dwa segmenty uytkowników. w cigu pierwszych szeciu miesicy. Zgodnie z powszechnymi oczekiwaniami Microsoft wkrótce pójdzie w lady Google i take udostpni bezpatne narzdzie do analizy danych internetowych. Tempo wprowadzania innowacji w wiecie analizy danych internetowych nie maleje. Wci pojawiaj si nowsze i atwiejsze sposoby wizualizacji zoonych zbiorów danych na temat interakcji uytkowników z witryn. Jedn z takich technik jest mapa klikni udostpniana przez firm Crazy Egg (rysunek 1.4). W czasie kiedy powstawaa ta ksika, wspomniana usuga bya dostpna w wersji beta. Narzdzie to przedstawia grupy klikni na witrynie internetowej i ich liczebno za pomoc kolorów. Im janiejszy kolor, tym wicej klikni koncentruje si wokó danego miejsca lub odnonika. ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 36 Rysunek 1.4. Raport w postaci mapy kliknięć udostępniany przez Crazy Egg Obecne warunki i wyzwania Analiza danych internetowych wci znajduje si w wieku szczenicym. Dorosa nieco od momentu narodzin i w pewnym sensie potrafi sama przetrwa, jednak w przyszoci naley spodziewa si jeszcze znacznego rozwoju i licznych zmian. Temu procesowi towarzyszy obecnie niezwyky splot wydarze. Od dugiego czasu firmy ponosiy znaczne inwestycje na witryny internetowe, poniewa wszyscy tak postpowali i byo to modne. W cigu kilku ostatnich lat sie WWW „dojrzaa” i jest kanaem biznesowym uywanym przez wikszo firm. Nagle okazao si, e kana ten podlega tym samym prawom ekonomicznym co inne (na przykad sprzeda telefoniczna lub zwyke sklepy). Od czasu znacznego wzrostu popularnoci sieci WWW prowadzone s coraz dokadniejsze analizy, a firmy wymagaj od osób odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonych na ten kana. To podejcie wymaga wielu zmian w funkcjonowaniu tego kanau 37 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH i dziaaniach osób nim zarzdzajcych, które musz przeprowadza liczne badania, aby wykaza si wynikami. Nawet obecnie wiele osób utosamia analiz danych internetowych z badaniami strumieni klikni. Cho jest to zupenie bdne podejcie, dla wikszoci praktyków strumienie klikni to podstawa przy podejmowaniu decyzji zwizanych z witryn. Poniewa te strumienie obejmuj tylko cz danych internetowych, liczne firmy s rozczarowane brakiem praktycznych wniosków mimo inwestycji ponoszonych przez lata na narzdzia do analizy takich danych. Dostpnych jest mnóstwo danych i jeszcze wicej raportów, jednak w mylach osób odpowiedzialnych za podejmowanie decyzji wci pojawia si pewne stwierdzenie: „Dane nie powiedz mi, co mam robi”. W czasie boomu internetowego na rynku dziaao okoo 200 usugodawców o rónej wielkoci. Od momentu zaamania w brany nastpia konsolidacja. Ekosystem firm zajmujcych si analiz danych internetowych jest zdominowany przez usugodawców, którzy staraj si uzyska przewag konkurencyjn, oferujc coraz wicej funkcji. Zdominowali oni bran i okrelaj postrzeganie wiata analiz (przy czym w praktyce jest to wiat raportów). Brak wpywu praktyków na strategi i kierunek rozwoju ma negatywne skutki dla brany. Standardowe techniki, na przykad innowacje pod ktem klienta (ang. customer-driven innovation — CDI), nigdy nie zostay przyjte w wiecie analizy danych internetowych. Wikszo postpów wynika z innowacji opartych na moliwociach (ang. possibility-driven innovation — PDI), na przykad: „Co jeszcze moemy zrobi z zebranymi danymi? Wprowadmy innowacje na tej podstawie”. W brany wyranie wida brak wiedzy praktycznej. Co waniejsze, nie ma te ludzi i podej, które umoliwiyby firmom internetowym wyciganie praktycznych wniosków pozwalajcych na strategiczne odrónienie si od konkurencji. Uniwersytety i inne szkoy nie ucz praktycznej analizy danych internetowych. Istnieje tylko jeden kurs internetowy na ten temat, prowadzony przez University of British Columbia. Te braki w poczeniu z nadmiarem danych (w kategoriach danych surowych, które mona uzyska w sieci WWW) prowadz do nieoptymalnych rozwiza przy przedstawianiu firmom praktycznych wniosków. Ruch Web 2.0 i powizane z nim technologie coraz czciej s czym oczekiwanym przez klientów. Ta zmiana to powana przeszkoda dla wikszoci obecnych rozwiza i usugodawców z obszaru analizy danych internetowych. W wiecie Web 2.0 jeszcze waniejsze s szybkie zmiany w podejciu i opracowanie strategii skutecznej analizy danych internetowych. Na przykad w Web 2.0 typowe strumienie klikni nie s zbyt istotne, poniewa kada nowinka powoduje powolne odchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wic mona zmierzy sukces w takich warunkach? Wraz z pojawieniem si programu Google Analytics rynek wprost eksplodowa, poniewa wszyscy waciciele witryn mog bezpatnie uzyska dostp do danych internetowych i do tego za pomoc zaawansowanych narzdzi. Oczekiwane darmowe narzdzie Microsoftu dodatkowo zwikszy moliwoci praktyków. Jednak sam dostp do narzdzi i danych nie rozwie problemów zwizanych z wyborem wskaników powodzenia i prawidow analiz danych internetowych. Obecnie analitycy danych internetowych mog korzysta z wikszej iloci danych ni kiedykolwiek wczeniej: ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 38 x Analiza konkurencyjnoci pozwala nie tylko okreli, co dzieje si w witrynie, ale take (za drobn opat) ustali, jak dziaaj witryny konkurencji. x Dane jakociowe (uyteczno, ankiety, bezporednia obserwacja) zapewniaj informacje o wpywie kanau internetowego na inne kanay (warto zastanowi si nad systemami CRM). Wraz z rozwojem analizy danych internetowych — od narodzin do obecnego okresu niemowlcego — uytkownicy mieli dostp do coraz wikszej iloci zoonych danych. W prawie kadym narzdziu analitycznym za pomoc jednego kliknicia mona wywietli setki miar. Rosnca ilo danych zwiksza moliwoci w obszarze analiz i dziaa, ale jednoczenie moe okaza si puapk, prowadzc do paraliu analitycznego. Firmy dziaajce w sieci WWW wydaj miliony dolarów na analiz danych internetowych, dc 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 moliwo dokadnego pomiaru danych w celu podjcia optymalnych decyzji zwizanych ze spoytkowaniem setek milionów dolarów wydawanych przez firmy. Najgorsze jest to, e wikszo firm próbuje rozwiza ten problem w bdny sposób. Tradycyjna analiza danych internetowych to przeszłość W audycji podcast z witryny Internet Marketing Voodoo z marca 2006 roku stwierdziem, e tradycyjna analiza danych internetowych jest martwa. To samo mogem powiedzie ju dwa lata wczeniej. Analiza danych internetowych opieraa si pocztkowo na dziennikach serwerów sieciowych, które zawieray gównie informacje techniczne, a nie biznesowe. Z uwagi na wyjtkow ciek rozwoju obecnie liczne narzdzia do analizy danych internetowych i podejcie wikszoci firm koncentruj si na analizie strumieni klikni. Rysunek 1.5 ilustruje typow analiz danych internetowych w przeszoci. Dziki narzdziom do analizy danych internetowych mona byskawicznie uzyska dostp do olbrzymich iloci danych, miar, kluczowych wskaników wydajnoci i innych liczb. Istnieje wielu uytkowników i dostawców takich usug oraz dobrze ugruntowany system pracy i mylenia zwizany z przedstawianiem tych danych. 39 Jak wic wyglda tradycyjny wiat analizy danych internetowych? Jeli firma korzysta z jednej z poniszych przykadowych miar, prawdopodobnie funkcjonuje wanie w tym wiecie: Liczba wywietle stron. Jeli firma prowadzi witryn sklepu internetowego (a take wikszo innych witryn), to czy wysoka liczba wywietle stron przez uytkownika jest korzystna, czy nie? Jeli nawigacja sprawia problemy, uytkownicy bd czsto wywietla strony, ale nic nie kupi. Jeli nawigacja jest doskonaa, wywietle stron bdzie mniej, jednak moliwe, e uytkownicy szybciej stwierdz, i ceny nie s konkurencyjne, dlatego opuszcz witryn. Jak mona na podstawie samej liczby wywietle stron stwierdzi, jak zachowuj si uytkownicy? Ponadto jaki wzorzec zachowa klientów jest korzystny ze wzgldu na ten wskanik? Liczba wizyt. Kiedy wizyty suyy do ledzenia liczby da danych kierowanych do serwera. Wtedy mona byo utosamia wizyty z daniem strony lub treci. Wicej wizyt oznaczao wiksz popularno, a na bardzo wczesnym etapie rozwoju internetu — take wiksz liczb uytkowników. Obecnie wizyty maj bardzo mae znaczenie z uwagi na liczb obrazów i multimediów umieszczanych na stronach. danie typowej strony powoduje 25 wizyt na serwerze. Co naprawd mierzy analityk, ledzc liczb wizyt? dania o dane kierowane do serwera? Liczb wywietlanych stron? Liczb osób odwiedzajcych witryn? Strony z najwiksz liczb wyj. O czym informuje analityka to, na której stronie internetowej odwiedzajcy najczciej opuszczaj witryn? Czy takie strony s gorsze od innych? Przecie moliwe, e s to doskonae strony, na których uytkownicy znajduj to, czego szukaj, dlatego mog opuci witryn. Jeli klient bdzie szuka aparatu cyfrowego Sony w witrynie Amazon.com i znajdzie to, co go interesuje, wyjdzie z witryny. Podobnie zrobi osoby generujce 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 40 Wskanik opuszczania witryny nie informuje o tym, czy poziom poszczególnych stron jest wysoki, czy niski. Zaangaowanie. Podobne zastrzeenia dotycz zaangaowania, które czsto oblicza si jako liczb sesji podzielon przez liczb niepowtarzalnych uytkowników. Jeli wiele osób ponownie odwiedza witryn, czy dzieje si tak dlatego, e nie mog znale szukanych treci, czy z uwagi na to, i jest to najpikniejsza witryna na wiecie ze wspaniaymi informacjami? Rozdzielczo ekranu uytkowników. Rozdzielczo ekranu to doskonay przykad niepotrzebnego wskanika, który ma bardzo niewielk warto. Kade narzdzie do analizy danych internetowych informuje o rozdzielczoci ekranu, a miara ta pojawia si w codziennych raportach, cho rzadko zmienia si czciej ni raz na sze miesicy. Mimo to analitycy obliczaj j cay czas, co rozprasza usugobiorców i powoduje nieoptymalne wykorzystanie czasu. Ponadto czy nie lepiej po prostu uy bada firmy Forrester Research lub Gartner na temat najnowszych trendów w danej brany i na tej podstawie okreli optymaln wielko strony? Wszystkie te wskaniki maj o czym informowa, jednak w praktyce tego nie robi. Co gorsza, zwykle prowadz do bdnych wniosków. Po wydaniu mnóstwa pienidzy na zakup narzdzi i poniesieniu jeszcze wikszych nakadów na uzyskanie raportów firmy maj mao informacji na temat zwrotu z inwestycji lub opinii uytkowników na temat korzystania z witryny. Lata frustracji wynikajcej z niemonoci zrozumienia danych i podejmowania dziaa na ich podstawie doprowadziy do upadku tradycyjnej analizy danych internetowych. Nie udao si dziki niej rozwiza problemów ani firm, ani ich klientów, poniewa nie prowadzia do praktycznych wniosków. Jak powinna wyglądać analiza danych internetowych? W omawianej brany zachodz wanie istotne zmiany. Analiza danych internetowych nie jest ju t sam dziedzin co dawniej. Nowy wiat analiz prowadzcych do praktycznych wniosków obejmuje nie tylko strumienie klikni. Istotne s take dane na temat skutków. Dane te zwykle mona zarejestrowa za pomoc znaczników JavaScript, jednak czasem pomiary te wymagaj wykazania si kreatywnoci. Obecnie wana jest te analiza jakociowa: dlaczego odwiedzajcy zachowuj si w okrelony sposób i dlaczego korzystaj z witryny? Rozwój analizy danych internetowych powoduje, e waciciele witryn maj duo wiksze moliwoci w zakresie wysuchiwania uytkowników. Analizy obejmuj obecnie bardziej istotne dane i pozwalaj zrozumie, jakie dziaania naley podj. Dziki nowemu podejciu kana internetowy moe okaza si skutecznym narzdziem dla firm, które wczeniej z niego nie korzystay. Podstaw tradycyjnej analizy danych internetowych przez dugi czas byy wbudowane kluczowe wskaniki wydajnoci (ang. key performance indicator — KPI). Podstawowy cel odwiedzajcych. Zamiast wnioskowa o celu wizyty na podstawie ogldanych stron, w nowym i ulepszonym podejciu wystarczy poprosi klientów o to, aby pomogli ustali, dlaczego odwiedzili witryn. Ryzyko korzystania z wywietlanych stron przy okreleniu gównego celu wizyty polega na tym, e jeli witryna nie zawiera szukanych treci, waciciel nigdy si o tym nie dowie. Dlaczego wic nie zada pytania uytkownikom? Warto przeprowadzi ankiet lub porozmawia 41 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Jednak z uwagi na to, e ogólne wskaniki KPI czsto nie uwzgldniaj strategicznych rónic w dziaaniu firm, nie speniaj pokadanych w nich nadziei. Aby wspózawodniczy z innymi firmami, trzeba przeprowadza kluczowe analizy wniosków (ang. key insights analysis — KIA). Poniej opisano kilka miar specyficznych dla nowego wiata analizy danych internetowych prowadzcej do dziaa, a take przykadowe analizy KIA: Analizy rozkadu czstotliwoci klikni. Analizy rozkadu czstotliwoci klikni (powizane z nakadkami na witryn generowanymi przez narzdzia do analizy danych internetowych) pomagaj zrozumie punkt widzenia klienta. Uatwiaj zrozumienie dziaa uytkowników witryny. Czy klikaj oni elementy zgodnie z oczekiwaniami wacicieli witryny? Jeli nie, co uwaaj za ciekawsze od tych opcji? Które elementy okazay si zupenie nieoczekiwanie interesujce dla uytkowników? Jeli firma dokonuje segmentacji ruchu w witrynie, moe ustali rónice w zachowaniu rónych grup uytkowników, na przykad klikni osób, które trafiy na witryn z wyszukiwarki Google, i pozostaych odwiedzajcych. Mona na przykad lepiej dopasowa tre dla uytkowników z pierwszego z tych segmentów. Analizy tego rodzaju s bardzo cenne, poniewa umoliwiaj podejmowanie dziaa. Nie ograniczaj si do raportów i arkuszy programu Microsoft Office Excel, ale pozwalaj dosownie przyjrze si stronom internetowym i zobaczy, jak zachowuj si klienci z poszczególnych segmentów. Na podstawie tych danych mona zacz tworzy niestandardowe, spersonalizowane strony dla uytkowników z rónych grup i zwikszy przez to zaangaowanie klientów oraz poprawi wynik na skali gównego wskanika powodzenia. ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 42 z nimi przez telefon. Naley skontaktowa si z klientami i zapyta, dlaczego odwiedzili witryn. Czasem mona w ten sposób odkry przyczyny, o których waciciel nigdy by nie pomyla, a które powinien by uwzgldnia od pocztku istnienia witryny. Wspóczynnik ukoczonych zada. Zauwaalne jest te odchodzenie od korzystania z danych na temat strumieni klikni (powizanych z wywietlaniem stron) w kierunku pomiaru udanego ukoczenia zada. Firmy czsto maj witryny pomocy technicznej z baz wiedzy, listami odpowiedzi na czsto zadawane pytania (ang. frequently asked questions — FAQ) i tak dalej. W dawnym podejciu sukces mierzono za pomoc narzdzi do analizy strumieni klikni, uwzgldniajcych wszystkie osoby, które zobaczyy artyku z bazy wiedzy lub list FAQ. Jednak czy sam fakt wywietlenia przez uytkownika dugiej i skomplikowanej odpowiedzi oznacza sukces? Powodzenie w wikszoci przypadków bardzo trudno jest okreli na podstawie wywietlonych stron. Wyjtkiem s witryny sklepów internetowych, w których wywietlenie strony z podzikowaniami po zoeniu zamówienia mona uzna za udane ukoczenie zadania. W nowym podejciu zestaw analiz danych internetowych wzbogacono o bardziej zaawansowane dane jakociowe, które pozwalaj zrozumie, czy klienci ukoczyli zadania i znaleli to, czego szukali. Na tej podstawie mona podejmowa dziaania, poniewa nie ma wtpliwoci, czy wywietlenie strony doprowadzio do zrealizowania celu. Wystarczy zapyta (za pomoc ankiety, laboratoryjnych testów uytecznoci lub testów w witrynie), a nastpnie podj dziaania na podstawie uzyskanych odpowiedzi. Trendy w zachowaniach segmentów uytkowników. Niewiele dostpnych obecnie narzdzi umoliwia segmentacj danych po ich zarejestrowaniu. W dawnym podejciu uywano atrybutów w znacznikach JavaScript. Teraz dostpne s narzdzia firm ClickTracks i Visual Sciences (ich ceny bardzo si róni) umoliwiajce prawdziw segmentacj danych, dziki czemu nie trzeba sprawdza redniego czasu wizyty w witrynie, najczciej szukanych sów kluczowych lub popularnych treci z uwzgldnieniem wszystkich uytkowników. Narzdzia te umoliwiaj podzia klientów na grupy i rejestrowanie ich zachowa w sensowny sposób, co pozwala na duo lepsze zrozumienie interakcji uytkowników z witryn. Prowadzi to do praktycznych wniosków, na których mona oprze dalsze dziaania. Wielokanaowe analizy skutków. Powan wad tradycyjnej analizy danych internetowych byo oparcie jej na silosie (czyli na danych o strumieniu klikni w witrynie). Jednak bardzo nieliczne firmy, niezalenie od ich rozmiaru, wi strategi prowadzenia witryny i prowadzenie biznesu z silosem danych. Aby zrozumie ogólny wpyw kanau sieciowego, trzeba postrzega sie WWW jako cz wikszego ekosystemu. Uzyskanie wartociowych wniosków wymaga pomiaru wpywu innych kanaów (na przykad reklam telewizyjnych i prasowych) na witryn oraz witryny na inne kanay (na przykad liczb osób uywajcych witryny, ale kupujcych produkty w zwykym sklepie lub przez telefon). Poszerzenie perspektywy oznacza, e dane z narzdzi do analizy danych internetowych pomagaj w analizach innego rodzaju (na przykad analizach wartoci klienta w cyklu ycia osób pozyskanych wszystkimi kanaami). Poprawia te jako analiz dziki wczeniu kluczowych informacji do analizy danych internetowych. Obok danych o strumieniu klikni z ankiet i dotyczcych konwersji klientów poza internetem nie powinno zabrakn podstawowych metadanych na temat firmy. Wspóczeni analitycy yj w czasach kluczowych analiz wniosków i powinni zda sobie spraw, e kada porcja danych ma wpyw na dziaania. Nie s to jakiekolwiek operacje. Powinny to by dziaania, które przynosz skutki oczekiwane przez klientów. (Warto zwróci na to uwag: nie s to efekty podane przez szefa analityków lub nawet przez jego przeoonego, ale wane dla klienta). Wkroczenie w wiat wniosków wymaga czasu, jednak pokonanie tej bariery pozwala uzyska dugoterminow przewag strategiczn (i powan premi oraz promocj, albo obie te korzyci, dla analityka). Mona wyobrazi sobie klienta wchodzcego do i wychodzcego z supermarketu. Jeli ta osoba nic nie kupi, kierownicy sklepu prawdopodobnie nawet nie dowiedz si o jej istnieniu. Jeli klient wyda pienidze, waciciele dowiedz si, e pewne produkty zostay sprzedane (jeli uytkownik korzysta z karty marketowej, uzyskaj wicej informacji). Z perspektywy zbierania danych odwiedziny w witrynie internetowej wygldaj zupenie inaczej. W ich trakcie klient pozostawia duo danych niezalenie od tego, czy co kupi, czy nie. Witryna moe zarejestrowa kad „alejk”, w któr wejdzie klient, wszystkie ogldane produkty, czas czytania kadej „etykiety”, przedmioty umieszczone w koszyku i usunite z niego, a take liczne inne informacje. Jeli klient w kocu co kupi, meneder witryny bdzie wiedzia, gdzie mieszka uytkownik, skd trafi na witryn, jakie promocje go interesuj, ile razy kupi co wczeniej i tak dalej. Jeli klient po prostu wejdzie do witryny i opuci j, waciciel mimo to pozna wszystkie jego dziaania i kolejno ich wykonywania. Mam nadziej, e udao mi si zademonstrowa istotn przewag sieci WWW w obszarze zbierania danych na temat odwiedzajcych. Wszystko to jest moliwe bez naruszania podstawowych zasad prywatnoci (dlatego na przykad wikszo witryn nie zarejestruje informacji o odwiedzinach Avinasha Kaushika, ale osoby o identyfikatorze 159ar87te384ae8137 zapisanym w pliku cookie). Ponadto obecnie istnieje bardzo dua liczba narzdzi, które byskawicznie tworz raporty obejmujce wszelkie dane internetowe, wywietlaj je za pomoc rozmaitych diagramów, wykresów, tabel, tabel przestawnych i zrzutów. Mona sobie wyobrazi, jak skomplikowana jest analiza wszystkich tych informacji. KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Pomiar „co” i „dlaczego” 43 ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 44 Jednak niezalenie od uywanych narzdzi dane mog jedynie pomóc w zrozumieniu tego, co si dzieje. Nie pozwalaj natomiast — niezalenie od zakresu przetwarzania danych — okreli, dlaczego co si wydarzyo. Dostpne s kliknicia, strony, czas odwiedzin w witrynie, cieki, promocje, wspóczynniki rezygnacji i tak dalej. Wane jest, aby pamita, e dane te nie odpowiadaj na szereg kluczowych pyta. Dlaczego odwiedzajcy klikali okrelone elementy? Dlaczego uytkownicy na jedne strony wchodzili, a inne omijali? Dlaczego 50% klientów porzucio koszyk? Dlaczego 90% osób czyta odpowied na najbardziej popularne pytanie na stronie pomocy technicznej, a nastpnie i tak dzwoni do firmy? Dane nie odpowiadaj na pytanie dlaczego. Dlatego tak istotne s dane jakociowe, które pomagaj zrozumie przyczyny. Na tym polega rónica midzy 99% obecnych analiz witryn internetowych prowadzcych do bardzo nielicznych wniosków a 1% analiz, które pozwalaj zrozumie sposób mylenia klientów. Poczenie odpowiedzi na pytania co (analiza ilociowa) i dlaczego (analiza jakociowa) moe okaza si wyjtkowo skuteczne. Kluczowa jest take umiejtno zebrania wszystkich danych na temat strumieni klikni i ich dogbnej analizy. Pozwoli to doj do wniosków prowadzcych do istotnych zmian w witrynie, które zwiksz komfort pracy uytkowników. Dostpnych jest wiele danych jakociowych (odpowiadajcych na pytanie dlaczego). S to midzy innymi: x popularno marki i opinie na jej temat, x zadowolenie klientów, x wskaniki sieciowego marketingu szeptanego, x analizy otwartych wypowiedzi klientów, x zaangaowanie odwiedzajcych, x przywizanie klientów, x „puls blogów”. Niektóre z wymienionych danych dotycz interakcji klientów z witryn, inne wskaniki mierz opinie i zachowania uytkowników w miejscach innych ni dana witryna, a jeszcze inne zwizane s z cechami mikkimi, na przykad postrzeganiem marki. Cho analiza jakociowa ma wiele odmian, prawdopodobnie najwaniejszym wskanikiem z tej grupy jest interakcja klientów (odwiedzajcych) z witryn internetow. Pierwszy krok na drodze do kluczowych analiz wniosków powinien polega na zrozumieniu wszystkich aspektów interakcji klientów z witryn. Moe to doprowadzi do szybszego wysnucia praktycznych wniosków i wywarcia istotnego wpywu na proces podejmowania decyzji. Obecnie duo mówi si o „modnych” wskanikach, takich jak warto lub wpyw marki oraz „puls blogów”. Te miary mog by drugim lub trzecim przystankiem w podróy, poniewa koncentracja na nich moe prowadzi do nieoptymalnego wykorzystania czasu i zasobów, jeli analityk wczeniej dobrze nie zrozumie elementów wpywajcych na zadowolenie klienta i udane wykonywanie przez niego zada w witrynie. Jest wiele metod zbierania danych jakociowych (odpowiadajcych na pytanie dlaczego). S to midzy innymi: laboratoryjne testy uytecznoci (uczestnicy wykonuj zadania z pomoc badacza lub samodzielnie), x odwiedziny w siedzibie klienta (obserwacja uytkowników w ich „rodowisku naturalnym”), x testy i eksperymenty (jest to modna ostatnio technika obejmujca testy A/B i wielu zmiennych), x nieustrukturyzowane rozmowy na odlego (zdalne komunikowanie si z klientem w czasie, kiedy korzysta on z witryny; do komunikacji su takie narzdzia, jak Ethnio), x ankiety (przodek wszystkich innych metod, wspomniany w omówieniu gównego celu odwiedzajcych w poprzednim podrozdziale). Dla osób, które nie maj dowiadczenia w testach jakociowych, ankiety to doskonay sposób na zapoznanie si z tym obszarem. Cho niektórzy twierdz inaczej, metoda ta jest atwa w implementacji, mona j stosowa stale, jest jednoczenie ilociowa, a wyniki pozwalaj zwykle wycign wiele praktycznych wniosków. Poczenie odpowiedzi na pytania dlaczego (cele, motywacje i tak dalej) oraz co (kliknicia, liczba odwiedzajcych) jest niezbdne jako podstawa udanego i prowadzcego do dziaa programu analizy danych internetowych. Metoda Trinity — nastawienie i podejście strategiczne Kilka lat temu, w czasie zmaga z problemami w obszarze analizy danych internetowych, pojawia si potrzeba zastosowania nowego paradygmatu, innego sposobu mylenia o analizie. Zastosowanie wielu wskaników KPI, raportów penych danych i duej mocy obliczeniowej nie doprowadzio do uzyskania oczekiwanych efektów. Od kilku lat niemal kada witryna miaa zainstalowany standardowy pakiet do analizy danych internetowych jednego z trzech czoowych producentów, co umoliwiao generowanie raportów i doprowadzio do ogoszenia sukcesu w obszarze ich conocnego przygotowywania. Jak jednak powinien wyglda paradygmat, skoro zwyke dziaania nie doprowadziy do wysnucia wniosków umoliwiajcych popraw komfortu korzystania z witryny? 45 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH x Odpowiedzi bya metoda Trinity — nowy sposób mylenia o podejmowaniu decyzji na temat witryny, wykraczajcy poza strumienie klikni. Trinity to take platforma, na której firma moe oprze strategi dziaa w sieci WWW. Jej zastosowanie gwarantuje moliwo zbudowania pierwszorzdnej platformy podejmowania decyzji, która zapewni przedsibiorstwu trwa przewag konkurencyjn. Gówn przyczyn wartoci metody Trinity jest jej istota: praktyczne wnioski i miary (rysunek 1.6). ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 46 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 podejmujce decyzj raportami penymi danych. Praktyczne wnioski i miary to cel nadrzdny, poniewa umoliwiaj one strategiczne odrónienie si od innych firm i uzyskanie trwaej przewagi konkurencyjnej. Uzyskanie praktycznych wniosków wraz z jasnymi celami pomaga skonkretyzowa dziaania organizacji. Jeli czynnoci wykonywane przez analityka (przygotowywanie raportów, analizy danych, spotkania, przegldy i tak dalej) nie prowadz do praktycznych wniosków, powinien z nich zrezygnowa. Ta strategia zachca do wykonywania wartociowych zada i jest doskonaym sposobem na uatwienie 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 (najdokadniejsze jak to moliwe przy dostpnych danych) celów klientów lub osób odwiedzajcych witryn na podstawie wszystkich informacji o danej osobie. Nie naley naladowa innych analityków i oczekiwa zbyt wiele po strumieniu danych. Najlepsze, co mona zrobi z takim strumieniem, to próba ustalenia celu, i trzeba si z tym pogodzi. Po zebraniu danych na temat strumieni klikni naley przeanalizowa je na wyszym poziomie. Nie warto bada wizyt, cznego czasu korzystania z witryny, liczby uytkowników i stron wyjcia. W metodzie Trinity naley 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 zostao ju powiedziane i zrobione, analityk chce pozna skutki, jakie bdzie to miao dla klientów i firmy. Ten element eliminuje te jedn z kluczowych wad tradycyjnej analizy danych internetowych — nadmiern koncentracj na miarach opartych na strumieniu danych, powiconych stronie, czasowi i odwiedzajcym. Poniewa analiza danych internetowych ma korzenie w analizie plików dziennika (które nigdy nie okrelay skutków), od pocztku jej istnienia uywano wielu danych i miar oprócz najwaniejszej — odpowiedzi na pytanie: „Co si stao, jakie s skutki?”. Warto zada wacicielom witryny nastpujce pytanie: „Do czego suy wasza witryna?”. Zaskakujce jest, jak wielu z nich nie potrafi udzieli odpowiedzi skadajcej si z mniej ni 15 sów. Ten element metody Trinity pozwala zmierzy, jak dobrze witryna spenia cel swego istnienia. 47 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH si na analizie rozkadu czstotliwoci klikni za pomoc raportu w formie nakadki na witryn. Naley te przeprowadzi segmentacj danych na n poziomów, aby doj do cennych wniosków. Warto te przeanalizowa szukane wyraenia i to nie tylko zewntrzne, ale take wewntrzne, ograniczone do witryny. Celem jest mdre przeprowadzenie analizy strumieni klikni i rozpoczcie wnioskowania na temat celów osób odwiedzajcych 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 kady analityk ma wyjtkow wiedz i niepowtarzalne dowiadczenia. Wielk zalet ustalenia, e najwaniejsze jest wnioskowanie na temat celów, jest moliwo wykonywania tego zadania, przedstawiania efektów wspópracownikom, sprawdzania poprawnoci przemyle, wycigania ostatecznych wniosków i dawania zalece. ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 48 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 byy takie, a nie inne) i wspóczynnik konwersji. W witrynach pomocy technicznej pozwala okreli szybko rozwizywania problemów i wskaniki zwizane z czasem. W witrynach sucych 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 zwizane z dochodami i mona je uwzgldni w raportach finansowych firmy. Kada witryna powinna istnie w jasno okrelonym celu. Jeli nie jest moliwy pomiar wszystkich zwizanych z nim niuansów, zalecam cakowit rezygnacj z pomiaru zachowa (strumienia klikni). Jeli analityk nie moe solidnie zmierzy skutków, adna analiza zachowania nie bdzie wartociowa, poniewa nie wiadomo, czy wszystkie rosnce wykresy generowane przez uywan aplikacj do analizy danych internetowych przekadaj si na powikszenie wartoci firmy. Czy rezygnacja ze strumieni klikni na rzecz wczeniejszego pomiaru skutków to ekstremalne rozwizanie? Tak. Czy jest to konieczne? Pewnie. Analiza doświadczeń Trzeci i ostatni komponent metody Trinity to dowiadczenia (rysunek 1.9). Ten skadnik pozwala uzyska cenn, ale trudn do znalezienia odpowied na pytanie dlaczego. Cho komponent skutków w metodzie Trinity jest niezbdny, pomiar dowiadcze jest prawdopodobnie najwaniejszy. Kada firma, która popada w rutyn i mimo usilnych stara nie potrafi doj do praktycznych wniosków na podstawie 49 analizy zachowa i skutków, powinna zainwestowa w analiz dowiadcze. Pozwala to odpowiedzie na pytanie dlaczego. Te analizy przynosz ukojenie w trakcie cikiej pracy nad danymi ze strumieni klikni. Trudno wybra ulubione z dzieci, jednak dla mnie bez wtpienia analizy dowiadcze s najcenniejsze. Wynika to z prostej przyczyny: analizy dowiadcze pozwalaj przenikn myli klientów i zrozumie, dlaczego wykonuj oni okrelone czynnoci. Jest wiele metod pozwalajcych zrozumie dowiadczenia klientów z korzystaniem z witryny. Mona uy ankiet lub po prostu zadawa pytania, a take zastosowa bardzo zoone techniki ilociowe i jakociowe. Ankiety pozwalaj zmierzy satysfakcj klientów, a nawet przewidywa przysze zachowania (prawdopodobiestwo zakupu lub polecanie innym produktów albo usug). W dalszej czci ksiki wyranie wida, e jestem gorcym zwolennikiem eksperymentów i testów (naley pozwoli klientom wyrazi ich preferencje) opartych na technice A/B i analizie wielu zmiennych. Dostpne s te tradycyjne techniki projektowania skoncentrowanego na uytkowniku, na przykad ocena heurystyczna. Mona te wykorzysta inn doskona technik: laboratoryjne testy uytecznoci, lub odwiedzi klientów w ich siedzibie, co Scott Cook, zaoyciel firmy Intuit, okrela 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 zwizane z dowiadczeniami su jednemu celowi — usyszeniu przez firm gosu klientów, który w wikszoci korporacji ginie. Rozwiązania dla firm i klientów — sytuacja wygrany-wygrany W ostatecznym rozrachunku metoda Trinity ma prowadzi do dogbnego zrozumienia dowiadcze klientów, aby móc wywoa optymalne zachowanie uytkownika, które doprowadzi do sytuacji wygrana-wygrana dla firmy i klienta (rysunek 1.10). ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 50 Rysunek 1.10. Zrozumienie doświadczeń w celu wywołania zachowań prowadzących do skutku wygrana-wygrana Wane jest ostatnie zdanie — metoda Trinity ma prowadzi do skutku wygrana-wygrana. Jeli dla danego klienta odpowiednia jest wersja podstawowa, a nie profesjonalna, waciciele witryny powinni pomóc odbiorcy to ustali i kupi dopasowany produkt. To prawda, jeli klient kupi wersj profesjonaln, w krótkim okresie zyski firmy bd wiksze. Jednak moliwe jest, e klient bdzie sfrustrowany, poniewa wersja ta okae si zbyt zaawansowana, dlatego nie wróci wicej do sklepu. Ponadto podzieli si negatywnymi opiniami z innymi osobami. Jednak jeli firma pomoe mu w zakupie odpowiedniej, podstawowej wersji, klient za rok powróci, aby kupi wersj profesjonaln. Metoda Trinity pozwala osiga korzyci dugoterminowe. Naley zrozumie potrzeby i oczekiwania klientów, a nastpnie przygotowa rozwizania pod ich ktem. Stosowanie metody Trinity umoliwia osignicie sukcesu, a rozwizywanie problemów klientów, kiedy ju wiadomo, czym one s, jest zwykle bardzo proste. Kady komponent metody Trinity jest wspomagany przez róne narzdzia. Podejcie to obejmuje róne techniki i wykorzystuje powtarzalne procesy. Co najwaniejsze, stosujce j osoby musz mie zestaw kluczowych umiejtnoci. Samo nastawienie nie prowadzi do rozwizania problemów (cho pozwala wkroczy na dobr drog). Stosowanie strategicznej metody Trinity zwizane jest z utworzeniem odpowiedniej struktury organizacyjnej i rozwinitej kultury. Budowanie zintegrowanej platformy Trinity Nie mona utworzy caej platformy w jeden dzie. Zwykle naley zdiagnozowa obecny stan, a nastpnie doczy brakujce elementy. Trzeba si upewni, e plan realizacji strategii i dziaa powdroeniowych umoliwia analitykom poczenie 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) Jeli odwiedzajcy skadaj zamówienia lub przesyaj dane kontaktowe za pomoc witryny, w bazie danych z zamówieniami mona zapisa anonimowe elementy ledzce, na przykad tymczasowe identyfikatory session_id i cookie_id. Pozwala to przeprowadzi zaawansowane analizy skutków z podziaem na segmenty, a take przeanalizowa zachowania prowadzce do tych skutków. ROZDZIA 1: WEB ANALYTICS DZI I JUTRO 52 Identyfikatory session_id (ponownie anonimowe) mona przekazywa take do narzdzia obsugujcego ankiety, co pozwala na podstawie ich wyników wydzieli segment najbardziej niezadowolonych klientów. Nastpnie mona wykorzysta narzdzie do analizy danych internetowych i przeanalizowa strumienie klikni, aby ustali, które strony ogldali klienci zadowoleni, a co zobaczyli uytkownicy niezadowoleni. Mona te sprawdzi, które elementy witryny najbardziej wpywaj na satysfakcj klientów i tak dalej. W wiecie, w którym perspektywa analityczna bya powanie ograniczona przez stosowanie samych narzdzi do analizy danych internetowych i strumieni klikni, platforma Trinity wzbogaca dostpne dane, pomaga naprawd zrozumie klientów, a take umoliwia szczegóow analiz danych w celu uzyskania ogólnych wniosków. Prowadzi to do wikszego zadowolenia klientów i wyszych zysków firmy. Ponadto sam analityk jest szczliwy, poniewa w kocu moe zmierzy si z analiz danych jakociowych i ilociowych z wielu sesji — co za frajda! Platform Trinity mona stosowa do dowolnych odmian biznesu internetowego: witryn sklepów internetowych, pomocy technicznej, promocji, organizacji non-profit, maych firm i tak dalej. Wicej szczegóów, a take przykady wykorzystania metody Trinity do danego typu biznesu zawiera rozdzia 6., „Miesic 1. Zgbianie najwaniejszych zagadnie z obszaru analizy danych internetowych”.