Možnosti Google Analytics sú skoro neobmedzené. Či už si prajete analyzovať technickú stránku svojej webovej stránky, prípadne používateľov alebo ich správanie, môže sa človek mnohokrát cítiť stratený. Niekedy nájdenie problému je ako hľadať ihlu v kope sena.

Ako a kde teda začať s analýzou dát?

Najdôležitejšie je položiť správnu otázku

Vyhodnotiť dáta, analyzovať marketingové kanály, segmentovať používateľov?

Byť dobrým webovým analytikom znamená vedieť položiť správne otázky a rozvíjať ich.

Dobrá otázka musí byť:

  • špecifická
  • merateľná
  • časovo ohraničená
  • relevantná

Metóda Kaizen

Na to, aby sme sa počas analýzy dát nestratili a prišli od položenia dobrej otázky k analýze samotnej, je dobré postupovať štrukturovane, podľa metódy. V praxi sa mi osvedčila metóda Kaizen.

Pozostáva z piatich krokov:

  1.   Anomality: Kde nachádzame anomality v dátach? Sú to dobré alebo zlé ukazovatele? Je niečo nezvyčajné nezvyčajné v mojich dátach?
  2.   Analýzy: Keď sme identifikovali anomalitu, môžeme ju analyzovať.
  3.   Riešenia: Vygenerujeme riešenia pre anomality, ktoré sme analyzovali.
  4.   Implementácie: Najlepšie riešenie implementujeme.
  5.   Vyhodnotenie: Priniesli riešenia želané výsledky? Boli tieto štatistiky významné? 

Tento proces je teda premena informácie, ktorú dostaneme z dát (anomality – položenia správnej otázky) na akciu (riešenie, ktoré prišlo po analýze dát, a od ktorého dúfame zlepšenie).

Rozoznanie anomalít

Najdôležitejším a často najkomplikovanejším krokom celej Kaizen metódy je identifikovanie anomalít. Prečo? Pretože Google Analytics nám ponúka také množstvo dát, grafov a tabuliek, že často nie je evidentné, že niečo nesedí, že je niečo divné.   

Existujú však 4 kroky, ktoré nám pomôžu analyzovať anomality.

Na začiatku je potrebné definovať si časový rozsah. Potom je treba sústrediť sa na technológiu a vstupné dimenzie. Najviac anomalít môže byť vysvetlených na základe analýzy týchto metrík.

Ak tieto kroky nepomôžu pri riešení vášho problému, je správny čas ponoriť sa do hlbšej analýzy správania užívateľa.


1. Časový rozsah

Zvoliť si správny časový rozsah je najdôležitejšie pre efektívnu analýzu.

Anomality sa môžu vyskytovať buď skokovo, počas časového úseku, alebo sa anomalita vyskytuje v porovnaní s predchádzajúcim časovým obdobím. Dôležité je vykresliť správne dáta v dostatočnom časovom období a sústrediť sa presne na toto obdobie.

Príklad: Všimnete si napríklad, že v marci vám klesol počet užívateľov o 40 %. Je tento trend podobný s dátami z predchádzajúceho roka? Nastal tento jav skokovo? Je to spôsobené tým, že skončilo leto a prichádza zima (môj e-shop napríklad predáva plavky)?

2. Technológia

Veľa anomalít je spôsobených technológiou. V tomto prípade je rozumné vytvoriť segment založený na dimenziách, ako:

  • druh zariadenia (mobil, tablet, PC),
  • verzia prehliadača (Chrome, Safari, IE…),
  • sieť,
  • verzia aplikácie.

Príklad: Klesol počet používateľov v porovnaní s predchádzajúcim mesiacom. Aplikovaním segmentu a analýzou technológie zistíme, že sa tak stalo na PC s prehliadačom Internet Explorer.

Môže to byť spôsobené problémami pri načítavaní, pretože určitá verzia Internet Exploreru na PC nedokáže spracovať JavaScript umiestnený na vašej stránke. V tomto prípade môžeme napríklad proaktívne upozorniť užívateľov stránky, aby si aktualizovali verziu Internet Exploreru.

3. Vstupné dimenzie

Po definovaní časového obdobia a identifikovaní eventuálnych technických parametrov sa môžeme sústrediť na vstupné dimenzie.

Tu je pár metrík, na ktoré by sme sa mali primárne sústrediť:

  • zdroj návštevnosti,
  • landing page,
  • miera okamžitých odchodov,
  • refferal.

Veľa anomalít môže byť spôsobených určitými zdrojmi návštevnosti. Napríklad platenými a neplatenými návštevami.

4. Správanie používateľa

Cez tieto metriky sa snažíme porozumieť tomu, ako sa používateľ na našej stránke správa. Patria sme hlavne tieto metriky:

  • čas na stránke,
  • konverzie a konverzný pomer,
  • udalosti,
  • používanie vyhľadávania.

Keď sa nám podarí úspešne identifikovať anomality, môžeme sa hlbšie ponoriť do ďalších krokov metódy Kaizen. Vždy je však potrebné rozmýšľať o tom, či sú naše dáta a zistenia štatisticky relevantné.

O praktickom využití štatistiky v analýze dát čoskoro napíšeme ďalší blog 🙂