Cloudwise regularnie przeprowadza wywiady z właścicielami małych i średnich firm, aby dokładnie poznać i zrozumieć aktualne wyzwania związane z analizą danych i marketingiem. W ostatnim czasie dwa zagadnienia powtarzały się szczególnie często:
- Brak czasu i zasobów na analitykę – większość właścicieli małych firm i marketerów ma bardzo ograniczony czas i zasoby, aby analizować dane. Są zbyt zajęci prowadzeniem firmy. Jak powiedział jeden z naszych rozmówców – „praca z danymi jest jak ratowanie pianina z płonącego mieszkania – byłoby świetnie, ale mamy ważniejsze priorytety”. Jest tak dlatego, że wymaga to sporo czasu i umiejętności, aby przekształcić dane w użyteczne biznesowo wnioski, w tym odpowiedzieć na pytania biznesowe i wspierać podejmowanie codziennych decyzji.
- Liczne wskaźniki nie niosą wartości biznesowej – puste wskaźniki mogą pozwolić lepiej poczuć się ze swoim biznesem, ale nie pomagają w podejmowaniu decyzji i działaniu. Problem ze zbędnymi miernikami polega na tym, że mogą być bardziej szkodliwe niż brak analityki w ogóle. Nie tylko powodują stratę czasu, ale mogą wprowadzać w błąd podczas podejmowania decyzji biznesowych. Agregowane metryki, na przykład „nowe sesje na stronie”, mogą więcej ukrywać niż ujawniać. Na przykład, jeśli liczba nowych sesji wzrosła, to dobry sygnał (zdobywasz nowych użytkowników) czy zły sygnał (retencja wśród powracających użytkowników spada)?
W tym miejscu pojawia się analiza kohortowa. Funkcja analizy kohort w Google Analytics stanowi antidotum na oba problemy (ograniczony czas i mylące puste wskaźniki).
Czym to jest kohorta? Krótko mówiąc, kohorta to po prostu podzbiór użytkowników pogrupowanych według wspólnych cech. W kontekście analityki biznesowej, kohorta zwykle odnosi się do podzbioru użytkowników podzielonych według daty pozyskania (np. pierwszej wizyty użytkownika w witrynie).
Analiza kohortowa pozwala zatem po prostu porównać zachowanie i wskaźniki różnych kohort w czasie. Następnie możesz znaleźć kohorty o najwyższych lub najniższych wartościach i sprawdzić, jakie czynniki wpływają na te rezultaty.
Raport analizy kohortowej to jedna z najbardziej niedocenianych funkcji w Google Analytics. Dlaczego? Ponieważ pomaga wyodrębnić wpływ różnych działań marketingowych na określoną grupę odbiorców, zamiast szumu informacyjnego.
Analiza kohortowa to jeden z najprostszych sposobów na przeprowadzanie eksperymentów biznesowych. Jako marketer możesz uruchomić ograniczoną czasowo kampanię z określonymi elementami, które chcesz przetestować: treść reklamy, kanał reklamowy, grupa docelowa, wygląd strony docelowej itp. Następnie możesz porównać wskaźniki zasięgu, zaangażowania i konwersji dla tych kampanii, aby zobaczyć, które czynniki rzeczywiście okazały się wartościowe dla firmy, a które nie.
To jest przede wszystkim prawdziwa wartość i cel analityki w marketingu. Mówiąc najprościej, analityka w marketingu odpowiada na pytania, co działa, a co nie, i jak dostosować działania marketingowe na podstawie uzyskanych informacji zwrotnych. Analiza kohortowa koncentruje się na wpływie każdego działania lub zmiany na określoną grupę docelową w czasie.
Jeśli chodzi o problem braku czasu w wielu firmach, przeglądanie typowej analizy kohortowej co tydzień zajmie mniej niż godzinę. Każdy biznes ma inne potrzeby w zakresie analiz marketingowych. Jednak w przypadku wielu firm, jeśli masz czas i zasoby tylko na jeden raport Google Analytics tygodniowo, często zalecam rozpoczęcie od raportu analizy kohortowej, zamiast tracić czas na niepotrzebne dane.
Jako metoda analizy biznesowej, analiza kohortowa umożliwia porównywanie zmiennych i zmian między kampaniami marketingowymi. Podobnie jak w przypadku witryn sklepów stacjonarnych, zmieniają się strony internetowe. Jeśli robisz to dobrze, zmieniają się bardzo i często. Możesz użyć analizy kohortowej, aby spróbować określić wpływ modyfikacji witryny na zachowanie użytkowników. Oto kilka czynników, które mogą wpływać na zachowanie użytkowników, które warto przeanalizować za pomocą analizy kohortowej:
- grupa docelowa,
- treść reklamy,
- kanały reklamowe,
- kampanie i eksperymenty,
- zmiany w wyglądzie strony,
- nowe produkty i usługi,
- wyprzedaże i rabaty.
W ramach analityki internetowej możesz porównać wyniki kohorty pod względem wskaźników ruchu (np. powracający użytkownicy), wskaźników zaangażowania (np. średni czas trwania sesji) lub wskaźników konwersji (np. sesje z transakcjami).
Teoretycznie można zbadać każdy z tych czynników za pomocą analizy kohortowej, jednak nie każde narzędzie, nawet Google Analytics, umożliwia analizę wpływu wszystkich tych czynników na zachowanie użytkowników. Dlatego w Cloudwise wspieramy klientów dodatkowymi rozwiązaniami, które wdrażamy indywidualnie.
Ograniczenia analizy kohortowej w Google Analytics
Mimo że analiza kohortowa może być bardzo przydatna, w praktyce raport analizy kohortowej w Google Analytics ma wiele ograniczeń. Po pierwsze, ogólnie kohorty można technicznie grupować według dowolnej wspólnej cechy. Jednak raport analizy kohortowej w Google Analytics może obecnie definiować tylko kohorty na podstawie daty pozyskania (tj. pierwszej wizyty użytkownika w witrynie).
Po drugie, śledzenie retencji i powracających użytkowników w witrynie (do czego często jest używana analiza kohortowa) jest obecnie nieprecyzyjnym zadaniem dla Google Analytics. Załóżmy na przykład, że Andrzej jest użytkownikiem witryny i odwiedza ją w dniu dzisiejszym. Jeśli jutro ponownie ją odwiedzi, Google Analytics powinno zarejestrować go jako powracającego użytkownika.
Jeśli jednak Andrzej wykona jedną z poniższych czynności, Google Analytics może nie być w stanie prawidłowo śledzić jego następnej sesji jako sesji powracającej:
- czyszczenie plików cookie przeglądarki,
- odwiedzanie witryny na innym urządzeniu lub w innej przeglądarce,
- odwiedzanie strony w trybie incognito.
Wyniki badania Kantar TNS zgromadzone w raporcie „Polska jest Mobi 2018” wskazują, że Polacy posiadają średnio 3 urządzenia podłączone do internetu. Warto także zwrócić uwagę na zjawisko tzw. multiscreeningu, które określa jednoczesne wykorzystanie różnych kanałów online. Z badania IAB Polska wynika, że już w roku 2018 ich udział wśród polskich internautów w wieku 15 i więcej lat przekroczył 93%. Ograniczona możliwość konsekwentnego śledzenia użytkowników na różnych urządzeniach, przeglądarkach i sesjach nie jest trywialnym wyzwaniem.
Co więcej, pojawia się problem mylących zmiennych. Pomocne może być nałożenie danych kohorty na kalendarz marketingowy, aby zobaczyć, jak wskaźniki zmieniają się w kontekście prowadzonych działań marketingowych. Jednak jakikolwiek związek między kampanią marketingową a wzrostem wskaźników to korelacja, a nie związek przyczynowo-skutkowy. Być może rozpocząłeś nową kampanię reklamową na Facebooku w zeszły poniedziałek, ale czy rzeczywiście wzrost utrzymania użytkowników można przypisać tym reklamom? A może jeden ze starszych postów na blogu zaczyna zyskiwać na popularności?
Jeśli nie przeprowadzisz randomizowanych badań kontrolowanych (RCT), w których losowo przypisujesz użytkowników do grupy kontrolnej i grupy badawczej, nie możesz potwierdzić występowania zależności przyczynowej między kampanią reklamową a zmianami wskaźników. Jest to szczególnie istotne, jeśli masz jednocześnie uruchomionych wiele kampanii.