Elementy AI wyróżniają GA4 na tle jego poprzednika Universal Analytics. Opiszemy szerzej 4 z nich: analiza automatyczna, analiza niestandardowa, dane i odbiorcy prognozowani, atrybucja oparta na danych.

Spis treści

1. Analiza automatyczna w Google Analytics 4 z użyciem AI
2. Tworzenie analiz niestandardowych w Google Analytics 4
3. Dane prognozowane z wykorzystaniem AI
4. Odbiorcy prognozowani z pomocą AI
5. Atrybucja oparta na danych
6. Podsumowanie

Analiza automatyczna w Google Analytics 4 z użyciem AI

Analiza automatyczna to funkcja, która wykorzystuje AI do automatycznych statystyk i wniosków na podstawie zgromadzonych danych. Działa ona na zasadzie uczenia maszynowego, dzięki czemu jest w stanie rozpoznawać wzorce, nietypowe zmiany i zarysowujące się trendy w zachowaniu użytkowników, a następnie przetwarzać te informacje na zrozumiałe i użyteczne podsumowania.

Jeden z podglądów w te informacje jest dostępny na stronie głównej GA4. Dzięki niemu przejrzymy pytania, na które warto rzucić okiem wraz z otrzymaną od razu odpowiedzią. Sugerowane pytania są podzielone na 6 kategorii, które pomagają się nam skupić na kluczowych aspektach analizy danych:

1. Ogólna skuteczność
                  np. W które dni mam najwięcej użytkowników?
2. Dane demograficzne
                  np. W których miastach jest najwięcej użytkowników?
3. Pozyskiwanie użytkowników
                  np. Porównaj przychody oraz użytkowników pochodzących z bezpłatnych/płatnych wyników wyszukiwania
4. Analiza ruchu
                  np. Miesięczny wzrost liczby użytkowników
5. Technologia
                  np. Jakie platformy są najczęściej używane?
6. E-commerce
                  np. Trend zmian tygodniowych przychodów w ciągu ostatnich 12 miesięcy

Gdy chcemy korzystać z tej funkcji, warto na bieżąco poddawać ocenie przydatność udzielanych informacji, aby algorytm był jak najlepiej dostosowany do naszych potrzeb. Dodatkowo każdą ze statystyk możemy udostępnić poprzez naciśnięcie trzech kropek w prawym górnym rogu opracowania.

W przypadku, kiedy nie ma dla nas interesującego pytania w opisanej wcześniej sekcji, możemy skorzystać z paska wyszukiwarki na górze strony. Funkcja ta działa nie najgorzej, ale AI nie odpowie nam na każde pytanie oraz musimy nauczyć się zadawać je w poprawny sposób. Przy odpowiedzi od AI będzie widniała charakterystyczna ikona trendu.

Kolejnym miejscem, gdzie znajdziemy analizę automatyczną jest zakładka “Trendy i rekomendacje” na Stronie głównej (innymi miejscami są: Podsumowanie reklam i Przegląd raportów). W niej dowiemy się o automatycznych statystykach oznaczonych symbolem gwiazdek i rekomendacjach dotyczących głównie obsługi Google Analytics 4 i jego rozszerzeń. Wskazywane przez sztuczną inteligencję statystyki to w większości anomalie dotyczące poszczególnych danych, jak np. w zeszłym miesiącu kanał „Organic” pojawił się w 60% Twoich ścieżek konwersji. Dzięki takim informacjom w łatwy sposób mamy wgląd w zmieniające się nieustannie dane na naszej witrynie lub/i aplikacji.

Wykrywanie anomalii bazuje na danych ciągów czasowych oraz różnych wartościach wymiarów w obrębie segmentu. Wykorzystując modele bayesowskie ciągów czasowych i analizę głównych składowych, funkcja automatycznie przewiduje wartość danych i tworzy przedział wiarygodności. Jeśli rzeczywista wartość wychodzi poza ten przedział, jest uznawana za anomalię. Okres szkolenia wynosi odpowiednio 2 tygodnie, 90 dni i 32 tygodnie dla anomalii godzinowych, dziennych i tygodniowych. Dzięki regularnym analizom co tydzień możemy szybko reagować na nietypowe zdarzenia i dostosować nasze strategie marketingowe na podstawie aktualnych wniosków.

Po naciśnięciu przycisku “Wyświetl wszystkie statystyki” nad zakładką “Trendy i rekomendacje” sprawdzimy wszystkie oferowane przez AI informacje na temat statystyk automatycznych do przejrzenia. Po naciśnięciu w interesującą nas danę, z prawej strony wyświetli się jej dłuższe opracowanie. Tak jak w przypadku pytań, zaleca się regularnie oceniać otrzymywane informacje, aby szkolić algorytm pod nasze preferencje.

Tworzenie analiz niestandardowych w Google Analytics 4

Statystyki niestandardowe wyznaczają warunki służące do wykrywania w danych zmian, które są dla nas ważne. Gdy te warunki zostaną spełnione, statystyki pojawią się w panelu Trendy. Statystyki te są oparte na zestawach reguł, które sami tworzymy. Dzięki temu możemy skoncentrować się na konkretnych metrykach i wskaźnikach, które są istotne dla naszej działalności. Sam proces tworzenia statystyk niestandardowych jest prosty i intuicyjny.

Na karcie Trendy w GA4 znajdziemy opcję „Wyświetl wszystkie statystyki”. Klikając na nią, otworzy się okno, w którym będziemy mogli tworzyć nowe statystyki. Możemy skorzystać z sugerowanych statystyk niestandardowych lub utworzyć własne od zera.

Jeśli chcemy skorzystać z proponowanych statystyk, zaznaczamy pole obok każdej z nich i klikamy „Utwórz na podstawie wybranej sugestii”. Jeśli jednak potrzebujemy dostosować te statystyki, klikamy „Sprawdź i utwórz”, gdzie możemy dokonać odpowiednich modyfikacji warunków.

Jeśli natomiast preferujemy stworzenie własnych statystyk, klikamy „Utwórz nowy” w sekcji „Zacznij od zera”. Następnie będziemy mogli zdefiniować warunki generowania statystyk.

Ważnym elementem jest wybór częstotliwości oceniania danych – możemy ustawić, czy mają być oceniane co godzinę, codziennie, co tydzień lub co miesiąc. Możemy także określić, które segmenty mają być uwzględnione lub wykluczone w analizie.

Kolejnym krokiem jest określenie danych, warunku i wartości, na podstawie których będą generowane statystyki. Możemy ustalić próg, od którego będą rejestrowane statystyki, na przykład procentowy spadek w aktywności użytkowników.

Nadajemy nazwę statystyce i dostosowujemy ustawienia powiadomień, jeśli chcemy otrzymywać powiadomienia
e-mailowe dla określonych użytkowników.

Gdy skończymy konfigurować statystykę, klikamy „Utwórz” i gotowe!

Dzięki możliwości tworzenia statystyk niestandardowych w Google Analytics 4, możemy dostosować analizę do swoich indywidualnych potrzeb i monitorować kluczowe metryki, które są istotne dla naszego biznesu. To przystępny sposób, aby uzyskać stosunkowo łatwy wgląd w dane i móc szybciej reagować na potencjalne anomalie opartych na konkretnych wskaźnikach.

Dla weteranów analityki wspomnimy, że funkcja ta jest zaawansowanym odpowiednikiem Alertów niestandardowych
z UA.

Dane prognozowane z wykorzystaniem AI

Google Analytics 4 oferuje funkcję danych prognozowanych, które automatycznie wzbogacają dane i umożliwiają analizę przyszłych zachowań użytkowników. Dzięki tym danym możemy uzyskać cenne informacje o klientach, gromadząc uporządkowane dane dotyczące zdarzeń. Google wykorzystuje systemy uczące się do przewidywania prawdopodobieństwa zakupu, rezygnacji oraz prognozowanych przychodów.

Prawdopodobieństwo zakupu informuje o szansach, że użytkownik, który był aktywny w ciągu ostatnich 28 dni, dokona zakupu w najbliższych 7 dniach. Natomiast prawdopodobieństwo rezygnacji określa szanse, że użytkownik, który był aktywny w witrynie lub aplikacji w ciągu ostatnich 7 dni, nie będzie aktywny w ciągu kolejnych 7 dni.

Dane prognozowane zawierają informacje o prognozowanych przychodach. Są to oczekiwane przychody w ciągu najbliższych 28 dni ze wszystkich konwersji opartych na potencjalnych zakupach, które użytkownik dokona w ciągu ostatnich 28 dni.

Aby skorzystać z tych danych musimy spełnić wymagania wstępne. Google Analytics wymaga minimalnej liczby pozytywnych i negatywnych przykładów użytkowników skłonnych do zakupów lub rezygnacji (w ciągu ostatnich 28 dni co najmniej 1000 powracających użytkowników spełniło odpowiedni warunek prognostyczny i 1000 użytkowników, którzy tego warunku nie spełnili). Konieczne jest również utrzymanie jakości modeli przez pewien czas. W celu kwalifikacji do korzystania z danych dotyczących prawdopodobieństwa zakupu i prognozowanych przychodów, usługa musi wysyłać zdarzenia purchase lub in_app_purchase, zaleca się jednak stosowanie zdarzeń purchase. Jeśli zbierasz dane o zdarzeniach purchase, musisz także gromadzić parametry value i currency tych zdarzeń.

Dane prognozowane są dostępne w Kreatorze list odbiorców i narzędziu Eksploracje. W Kreatorze list odbiorców możesz tworzyć listy odbiorców prognozowanych, a w narzędziu Eksploracje możesz korzystać z danych
o prawdopodobieństwie zakupu i rezygnacji w ramach metody Cykl życia użytkownika.

Aby jak najbardziej skorzystać z danych prognozowanych, zaleca się włączenie ustawienia „Wkład w modelowanie i statystyki biznesowe” w ustawieniach udostępniania danych. Ponadto, zbieranie różnorodnych i liczniejszych zdarzeń związanych z zachowaniem użytkowników przyczynia się do poprawy jakości modeli i dokładności prognoz.

Odbiorcy prognozowani z pomocą AI

W Google Analytics istnieje możliwość korzystania z danych prognozowanych, które umożliwiają tworzenie list odbiorców opartych na przewidywanych zachowaniach użytkowników. Dzięki tym danym możemy skonstruować listy, które zawierają użytkowników, przypuszczalnie dokonujących zakupu lub rezygnujących w określonym czasie. Narzędzie to, pomaga lepiej targetować kampanie i personalizować przekazy w przystępny sposób.

Aby skorzystać z funkcji odbiorców prognozowanych, nasze dane muszą spełniać określone wymagania wstępne.
Jeśli dane spełniają te kryteria, możemy tworzyć listy odbiorców na podstawie szablonów sugerowanych przez Google Analytics lub utworzyć niestandardowe listy z warunkami opartymi na danych prognozowanych.

W przypadku sugerowanych list odbiorców, które są gotowe do użycia, możemy wybrać grupy z dostępnej zakładki “Przewidywanie” i dostosować go do swoich potrzeb za pomocą Kreatora list odbiorców. Natomiast w przypadku tworzenia niestandardowych list odbiorców, możemy zdefiniować warunki oparte na danych prognozowanych, takie jak największe prawdopodobieństwo zakupu lub rezygnacji w określonym percentylu.

Możemy wykorzystać listy odbiorców prognozowanych w swoich usługach reklamowych, takich jak Google Ads, Display & Video 360 czy Search Ads 360. Listy te są automatycznie udostępniane wszystkim powiązanym kontom reklamowym. Możemy również wykorzystać je jako listy remarketingowe lub w kampaniach ponownie angażujących, aby docierać do użytkowników, którzy są bliscy konwersji lub są skłonni do rezygnacji.

Przykładowe sugerowane listy odbiorców prognozowanych obejmują „Kupujących, którzy w ciągu najbliższych 7 dni prawdopodobnie zrezygnują”, „Użytkowników, którzy w ciągu najbliższych 7 dni prawdopodobnie dokonają zakupu” czy „Użytkowników najbardziej skłonnych do zakupów w ciągu najbliższych 28 dni – prognoza”. Możemy dostosować te listy, dodając dodatkowe warunki, takie jak wartość od początku śledzenia lub określone zdarzenia.

Atrybucja oparta na danych

W świecie analizy danych i marketingu cyfrowego, koncepcje z teorii gier mogą odkrywać fascynujące sposoby analizowania i zrozumienia złożonych interakcji. Jednym z takich kluczowych pojęć jest Wartość Shapleya, nazwana
na cześć Lloyda Shapleya, który w 1953 roku zapoczątkował tę ideę jako narzędzie do podziału zysków w grach kooperacyjnych. Wartość ta odzwierciedla głębokie zrozumienie roli każdego gracza w zespole, uwzględniając ich wkład w osiągane korzyści. Teraz wyobraźmy sobie, że tę abstrakcyjną koncepcję możemy przenieść na grunt analizy marketingowej, a dokładniej na Atrybucję opartą na danych w GA4. Wartość Shapleya staje się narzędziem umożliwiającym nam przyglądanie się, jakie „kawałki tortu” przypadały każdemu kanałowi marketingowemu w procesie generowania zysków. Dzięki tej wartości możemy zrozumieć, ile wkładu każdy kanał wnosi w osiągnięcie poszczególnych celów.

Atrybucja ta, wykorzystuje zaawansowane algorytmy uczenia maszynowego do analizy ścieżek konwersji i ich wpływu na wyniki. Model ten bierze pod uwagę różne czynniki, takie jak czas od konwersji, rodzaj urządzenia, liczba interakcji
z reklamą, kolejność ekspozycji na reklamy i typ komponentów kreacji. Na tej podstawie model przypisuje udział w konwersji poszczególnym punktom kontaktu na podstawie obliczonego prawdopodobieństwa.

Atrybucja oparta na danych polega na analizie dostępnych danych o ścieżkach, aby opracować modele współczynnika konwersji dla każdego zdarzenia konwersji. Modele te oceniają prawdopodobieństwo dokonania konwersji przez użytkowników w różnych punktach ścieżki, biorąc pod uwagę ekspozycję na konkretne interakcje z reklamą. Aby porównać wyniki, modele używają danych z losowych grup kontrolnych do obliczenia korzyści wynikających
z wyświetleń reklam w Google.

Algorytm atrybucji przypisuje częściowe udziały w konwersji do poszczególnych punktów kontaktu na podstawie tego, jak zmieniają one szacowane prawdopodobieństwo konwersji. Wartości te są obliczane na podstawie różnych czynników, takich jak czas między interakcją z reklamą a konwersją, typ formatu i inne sygnały zapytań.

Dla skuteczniejszego zobrazowania tematu, załączam przykład zaproponowany przez Google:

Dzięki tej atrybucji w Google Analytics możemy lepiej zrozumieć, które punkty kontaktu są kluczowe dla konwersji i jak wpływają na wyniki marketingowe. To narzędzie umożliwia bardziej precyzyjne monitorowanie efektywności kampanii reklamowych oraz podejmowanie lepiej ugruntowanych decyzji dotyczących alokacji budżetu reklamowego. Wykorzystanie atrybucji opartej na danych może przyczynić się do zwiększenia skuteczności działań marketingowych
i osiągnięcia lepszych wyników konwersji.

Podsumowanie

Wprowadzenie sztucznej inteligencji (AI) i uczenia maszynowego do analizy danych w Google Analytics 4 może usprawnić proces wydobywania wartościowych informacji.

• Analiza automatyczna, wykorzystuje AI do generowania statystyk i wniosków na podstawie zgromadzonych danych, umożliwiając szybkie rozpoznawanie wzorców i nietypowych zmian w zachowaniu użytkowników.
• Tworzenie statystyk niestandardowych daje możliwość skupienia się na konkretnych metrykach i wskaźnikach istotnych dla działalności.
• Dane prognozowane wzbogacają dane o przyszłych zachowaniach użytkowników, dostarczając cennych informacji na temat prawdopodobieństwa zakupu, rezygnacji i prognozowanych przychodów.
• Możemy również korzystać z odbiorców prognozowanych, tworząc listy oparte na przewidywanych zachowaniach użytkowników, co pomoże w lepszym targetowaniu kampanii i personalizowaniu przekazów.

W celu jak najlepszego wykorzystania tych funkcji należy regularnie oceniać i dostosowywać otrzymywane informacje oraz spełnić określone wymagania dotyczące danych i modeli. Wykorzystanie AI i uczenia maszynowego nie zastąpi jeszcze dogłębnej analizy raportów przez człowieka, ale zapewni możliwość bardziej świadomego podejmowania decyzji marketingowych i lepszego zrozumienia klientów w przystępniejszy i szybszy sposób.

Bonus

Google udostępnił nową, bezpłatną ścieżkę edukacyjną dla osób zainteresowanych odkrywaniem tego, co kryje się pod maską generatywnego projektowania sztucznej inteligencji w Google Cloud. Szczegóły tutaj: https://www.cloudskillsboost.google/journeys/118

1. Wstęp
2. Różnice funkcyjne między narzędziami do analityki jakościowej 
   a. Mapy cieplne (heat maps)
   b. Nagrywanie sesji użytkowników 
   c. Dane i statystyki automatyczne
   d. Analiza lejków konwersji
3. Dodatkowe funkcje wybranych narzędzi do analityki jakościowej 
   a. Hotjar
   b. Clarity
   c. CUX.io
4. Ocena wybranych funkcjonalności i cech narzędzi analityki jakościowej 
   a. Cena

Wstęp

Analiza jakościowa użytkowników stała się nieodłącznym elementem procesu optymalizacji stron internetowych i doświadczenia użytkownika. W celu skutecznej oceny efektywności witryny i zrozumienia zachowań odwiedzających, powstało wiele narzędzi do analityki jakościowej dostępnych na rynku. W tym artykule dokonamy porównania trzech popularnych narzędzi: Hotjar, Clarity oraz CUX.io. Przeanalizujemy ich kluczowe funkcje, dodatkowe możliwości oraz ocenimy ich funkcjonalności i cechy związane z analityką behawioralną. Ostatecznie postaramy się odpowiedzieć na pytanie, które narzędzie jest najlepszym wyborem dla Twoich potrzeb. 

Jeżeli nie wiesz czym jest analityka jakościowa sprawdź artykuł: “Co to analityka jakościowa w marketingu?” 

Różnice funkcyjne między narzędziami do analityki jakościowej 

Mapy cieplne 

Mapy cieplne (heat maps) są funkcją wizualizacyjną, która pokazuje, które obszary strony internetowej są najczęściej klikane przez użytkowników. Różnice między narzędziami oscylują głównie w zakresie dashboardu, poza tym są do siebie zbliżone.

Nagrywanie sesji użytkowników 

Funkcja nagrywania sesji użytkowników pozwala rejestrować aktywność na stronie internetowej, taką jak kliknięcia, nawigacja i czas spędzony na stronie. Tak jak w przypadku map cieplnych, różnice głównie polegają na aspektach wizualnych funkcji. Hotjara wyróżnia graficzne przedstawienie akcji wykonanych podczas danej sesji, a funkcję Clarity automatyczne opracowanie pisemne całego nagrania z jednoczesnym wyciągnięciem wniosków. 

Dane i statystyki automatyczne 

Oprócz map cieplnych i nagrań sesji, narzędzia w formie dashboardów oferują prezentacje automatycznie zbieranych danych statystycznych. Poniżej zestawienie wybranych danych prezentowanych przez narzędzia Hotjar, Clarity i CUX.io. Należy pamiętać, że narzędzie te są stale i dynamicznie rozwijane (dane dla: 01.05.2023). 

Opis zbieranych danych: 

• Devices: Informacje dotyczące rodzaju urządzenia, na którym użytkownik korzysta z witryny, na przykład komputer, tablet, smartfon itp. 

• Operating System: System operacyjny używany przez użytkownika, takie jak Windows, macOS, iOS, Android itp. 
• Browser: Przeglądarka internetowa, którą użytkownik używa do przeglądania witryny, na przykład Chrome, Firefox, Safari itp. 
• Total sessions: Całkowita liczba sesji, czyli okresów interakcji użytkownika z witryną w określonym czasie. 
• Avg. page per session: Średnia liczba stron, które użytkownik odwiedza podczas jednej sesji na stronie internetowej. 
• Avg. session duration: Średni czas trwania sesji użytkownika, czyli ogólna średnia długość czasu spędzonego przez użytkowników na stronie podczas wszystkich sesji. 

• Avg. engagement time: Średni czas zaangażowania użytkownika, czyli średni czas spędzony przez użytkownika na interakcji z zawartością strony, taką jak przewijanie, klikanie itp. 
• Countries: Informacje o krajach, z których pochodzą użytkownicy, umożliwiające identyfikację geograficznego pochodzenia ruchu na stronie. 
• Top pages: Najpopularniejsze strony lub podstrony witryny, które są najczęściej odwiedzane przez użytkowników. 
• Referrers: Informacje o źródłach, z których użytkownicy przechodzą na stronę, takie jak linki z innych witryn, wyniki wyszukiwania organicznego lub reklamy. 
• Scroll depth: Miara wskazująca, jak daleko użytkownik przewinął stronę, co może świadczyć o tym, jak długo i jak dokładnie użytkownik czyta treść. 

• Top clicked buttons & links: Najczęściej klikane przyciski i linki na stronie, które pozwalają zidentyfikować najbardziej atrakcyjne dla użytkowników elementy interaktywne. 
• New vs returning: Informacje o tym, czy użytkownicy to nowi czy powracający, co pozwala na analizę lojalności użytkowników i skuteczności działań marketingowych. 
• Dead Clicks: Sytuacje, w których użytkownicy klikają na elementy, które nie są aktywne lub nie powodują żadnej reakcji. 
• Rage Clicks: Intensywne kliknięcia na stronie wynikające z frustracji użytkownika, z wywołanej np. przez błąd lub nieoczekiwane działanie witryny. 

• Rage Key Press: Szybkie naciśnięcie klawiszy na klawiaturze przez użytkownika, które również może być wynikiem frustracji lub niezadowolenia z interakcji. 
• Chaotic Movement: Nieprzewidywalne ruchy kursorem lub gesty użytkownika na stronie, które mogą wskazywać na dezorientację lub trudności w nawigacji. 
• Quick backs: Szybkie powroty użytkowników z powrotem na poprzednią stronę, co może wskazywać na brak zadowolenia z treści lub trudności w nawigacji. 
• Bounce rate: Wskaźnik odrzutu, czyli procent użytkowników, którzy opuszczają witrynę po odwiedzeniu tylko jednej strony, bez przeglądania innych podstron.  
• JavaScript errors: Informacje o błędach JavaScript na stronie, które mogą wpływać na funkcjonalność i działanie witryny. 
• Refreshing: Częste odświeżanie strony przez użytkownika, co może wskazywać na problemy z wyświetlaniem treści lub niezadowolenie z doświadczenia użytkownika. 

Analiza lejków konwersji 

W tym przypadku Hotjar oferuje funkcję „Funnels”, która umożliwia monitorowanie konwersji i analizę powodów, dla których użytkownicy rezygnują z procesu na stronie. Można filtrować i porównywać dane w różnych segmentach, a także zapisywać je na panelu sterowania. Natomiast CUX.io oferuje funkcję „Waterfalls”, która pozwala śledzić zachowanie użytkowników na stronie w różnych scenariuszach, takich jak wypełnienie formularza, rejestracja konta czy proces zakupowy. Umożliwia to wizualizację sekwencji kroków podjętych przez użytkowników i analizę, czy osiągają zamierzone cele. Clarity nie udostępnia takiej funkcji. 

Dodatkowe funkcje wybranych narzędzi do analityki jakościowej 

Hotjar

Ankiety i feedback: Funkcją wyróżniającą Hotjar na tle innych narzędzi jest łatwy system ankiet i informacji zwrotnej. Są to narzędzia, które pozwalają na poznanie opinii użytkowników o stronie internetowej oraz na zrozumienie jakie funkcjonalności powinna strona mieć, aby była bardziej przyjazna dla użytkownika. Zaletą systemu ankiet i informacji zwrotnej jest uzyskanie bezpośrednich opinii użytkowników oraz możliwość zapytania ich o konkretne kwestie związane z korzystaniem ze strony. 

Funkcja dodatkowo płatna, więcej na: https://www.hotjar.com/pricing/#ask 

Wywiady (Engage): to funkcjonalność, która umożliwia automatyzację procesu badania użytkowników. Dzięki niemu szybko rekrutujemy odpowiednich użytkowników i zorganizujemy rozmowy kwalifikacyjne w sposób prostszy i bardziej efektywny. To narzędzie pomaga w dostrzeganiu kluczowych spostrzeżeń, podczas gdy Engage zajmuje się hostowaniem, nagrywaniem i transkrybowaniem rozmów.  

Funkcja dodatkowo płatna, więcej na: https://www.hotjar.com/pricing/#engage 

Clarity 

Clarity SDK: dla systemu Android umożliwia przechwytywanie istotnych informacji o interakcjach użytkownika ze wszystkimi elementami aplikacji. Może to pomóc w odtwarzaniu sesji użytkowników, przeglądaniu map popularności i monitorowaniu kluczowych sygnałów aplikacji za pośrednictwem pulpitu (dashboardu). Integracja Clarity SDK z aplikacją mobilną wymaga minimalnego nakładu pracy programistycznej, a samo narzędzie wykorzystuje technologię do rekonstrukcji sesji użytkownika poprzez przechwytywanie poleceń rysunkowych niskiego poziomu (low-level drawing commands) w celu stworzenia filmu instruktażowego. 

Microsoft Clarity Live (rozszerzenie): pomaga łatwo zobaczyć, gdzie użytkownicy angażują się w witrynę, gdzie utknęli i przetestować nowe pomysły w czasie rzeczywistym. Eliminuje to potrzebę odwiedzenia osobnej witryny ani przeszukiwania kolumn danych, aby uzyskać potrzebne informacje. Clarity Live wykona mapy popularności i nagrania sesji, które można przeglądać bez opuszczania witryny. 

Clarity Website Benchmarks – Beta: umożliwia uzyskanie obrazu zachowań użytkowników i trendów w sieci. Dane są gromadzone z miliardów anonimowych sesji użytkowników na całym świecie dla witryn w języku angielskim i japońskim (z planami rozszerzenia zasięgu na cały świat). Trendy z witryn są podzielone na 14 kategorii. 

 Raport porównawczy może być wykorzystany na dwa sposoby: 

• Wizualizacja metryk dla określonej kategorii witryn 

• Porównanie danych dwóch kategorii witryn 

Copilot w Clarity (funkcja jeszcze niedostępna): będzie wykorzystywać generatywną sztuczną inteligencję za pośrednictwem dużych modeli językowych (LLM), aby udostępniać analizy. Clarity wprowadza tę samą technologię OpenAI, która leży u podstaw ChatGPT i nowego Bing, do danych w witrynach użytkowników. Funkcja Copilot w założeniu ma pomagać lepiej zrozumieć wskaźniki przedsiębiorstwa i witryny, aby umożliwić tworzenie lepszych doświadczeń dla odbiorców.  

3 planowane funkcje w ramach Copilot Clarity: 

• Clarity Chat: zobacz proste podsumowania 
• Session Insights: uzyskaj zwięzłe wnioski na temat nagrań sesji 
• Google Analytics Chat: zadawaj pytania dotyczące danych Google Analytics, aby odkrywać trendy 

CUX.io 

Cele: to sposób grupowania i filtrowania danych związanych z konwersją w celu ich analizy zgodnie z celami analitycznymi. Pozwala śledzić ścieżki użytkowników, które zakończyły określoną konwersję. Można skorzystać z predefiniowanych Celów lub stworzyć własne, dostosowane do ścieżki. Liczba celów dla projektu jest nieograniczona i nie potrzebujemy programisty, aby je dodawać, ponieważ zdarzenia w witrynie są rejestrowane automatycznie. Odpowiednio skonfigurowane Cele pozwalają śledzić różne interakcje użytkownika, takie jak kliknięcia, przewijanie, ładowanie strony, wypełnianie formularzy, czy ruch pochodzący z odesłań.  

Alocado:  czyli jak CUX.io wykorzystuje sztuczną inteligencję i uczenie maszynowe w analizie danych. Platforma wykorzystuje AI do wykrywania wzorców zachowań, co upraszcza optymalizację UX. Poprawia to wydajność analizy danych, automatyzując powtarzalne zadania i koncentrując się na wglądach opartych na danych w celu podejmowania trafniejszych decyzji, co w połączeniu z sekcją Celów działa bardzo dobrze. Identyfikuje problemy i frustracje użytkowników na podstawie wzorców, umożliwiając eliminowanie przeszkód związanych z konwersją. Dumnie nazywany przez firmę własnym AI-concierge. 

Ocena wybranych funkcjonalności i cech narzędzi do analityki jakościowej  

Subiektywne porównanie narzędzi analityki jakościowej Hotjar, Clarity i CUX.io. 

Oceny 0-3 oznaczają: 

0. Brak funkcjonalności 

1. Słaba wynik 

2. Średni wynik 

3. Najlepszy wynik 

Należy zauważyć, że każde narzędzie może mieć swoje unikalne cechy, które przyciągają określony rodzaj użytkowników, a przedstawione oceny są subiektywne. Na podstawie powyższej tabeli można dokonać ogólnego porównania. 

Cena

*Kwota przy opłacie miesięcznej bez promocji na dzień 18.05.2023. Aktualne cenniki: 

• https://cux.io/pricing/ 
• https://www.hotjar.com/pricing/ 
• https://clarity.microsoft.com/pricing 

** Najpopularniejszy (zalecany) wariant 

Ze względu na różne ograniczenia względem wariantów dla narzędzia Hotjar, poniżej zostaje przedstawiona dokładna specyfikacja: 

Cenniki dodatkowych funkcji od Hotjar opisanych wcześniej w artykule: 

• Ankiety i feedback (Ask): https://www.hotjar.com/pricing/#ask  
• Wywiady (Engage): https://www.hotjar.com/pricing/#engage  

1. Co to jest analityka jakościowa? 
   a. Do czego służą narzędzia do analityki jakościowej? 
2. Analityka ilościowa vs analityka jakościowa 
3. Zalety i wady wykorzystania analityki jakościowej w firmie 
   a. Zalety
   b. Wady
4. Popularne funkcje narzędzi analityki jakościowej
   a. Mapy cieplne (heat maps) 
   b. Nagrywanie sesji użytkowników
   c. Dane i statystyki automatyczne
   d. Analiza lejków konwersji 
5. 3 kluczowe wnioski – podsumowanie 

Co to jest analityka jakościowa?

Analityka jakościowa (behawioralna) to proces zbierania, analizy i interpretacji danych, które pozwalają zrozumieć zachowania i preferencje użytkowników na stronach internetowych lub w aplikacjach mobilnych. Dzięki niej poznamy zachowania klientów, ich oczekiwania, potrzeby i doświadczenia, a także w zidentyfikujemy problemy, które mogą prowadzić do niższej konwersji lub mniejszego współczynnika zaangażowania. Analityka behawioralna wykorzystuje funkcje, takie jak mapy cieplne, nagrywanie sesji użytkowników, analizę lejków konwersji i wiele innych. Dzięki temu właściciele stron internetowych i aplikacji mogą dostosować swoje produkty i usługi do potrzeb użytkowników, co przekłada się na lepsze wyniki biznesowe.  

Najbardziej popularne narzędzia do analityki jakościowej, jak np. Hotjar, Clarity czy CUX umożliwiają również zintegrowanie danych z innymi narzędziami analitycznymi, takimi jak Google Analytics, co pozwala na uzyskanie pełniejszego obrazu zachowania użytkowników na stronie. 

Analityka ilościowa vs analityka jakościowa 

Analityka ilościowa skupia się głównie na analizie danych liczbowych i statystyk, takich jak liczba odwiedzin strony, wskaźniki konwersji, czas spędzony na stronie itp. Koncentruje się na mierzeniu ilościowym i rozumieniu ogólnych wzorców i trendów w zachowaniach użytkowników. Analityka ta dostarcza wartościowych danych, które pozwalają na ocenę ogólnego sukcesu witryny, identyfikację obszarów do optymalizacji i mierzenie postępów w czasie. 

W opozycji, analityka jakościowa skupia się na zrozumieniu jakościowego aspektu interakcji użytkownika z witryną. Obejmuje to badanie zachowań, preferencji, motywacji i oczekiwań użytkowników. Celem jej jest zgłębienie emocji, intencji i wrażeń delikwentów, co pozwala na lepsze zrozumienie ich potrzeb i dostosowanie witryny do nich. 

Warto łączyć analitykę jakościową i ilościową, ponieważ oba te podejścia uzupełniają się nawzajem. Analityka ilościowa dostarcza ogólnych liczb i wskaźników, które wskazują na ogólny sukces i wydajność witryny. Natomiast analityka jakościowa pozwala na dogłębne zrozumienie kontekstu i przyczyn zachowań użytkowników. Kombinacja obu podejść pozwala uzyskać kompleksową perspektywę i lepsze narzędzia do podejmowania decyzji projektowych i optymalizacyjnych. 

Przez połączenie tych dwóch sposobów możemy odpowiedzieć na pytania zarówno „co” (analiza ilościowa) jak i „dlaczego” (analiza jakościowa) dotyczące zachowań użytkowników. 

Zalety i wady wykorzystania analityki jakościowej w firmie 

a. Zalety

• Lepsze zrozumienie klientów: Dokładne zrozumienie zachowań, preferencji i opinii klientów, co pozwala na lepsze dostosowanie produktów, usług i strategii marketingowych do ich potrzeb. Dzięki temu można osiągnąć większą satysfakcję klientów i zwiększyć sprzedaż. 
• Identyfikowanie problemów: Analityka jakościowa pozwala na wykrywanie problemów związanych z użytecznością stron internetowych, aplikacji czy innych interfejsów. Dzięki temu można szybko reagować i naprawiać problemy. 

• Optymalizacja działań: Analityka behawioralna pozwala na monitorowanie wyników działań marketingowych, testowanie różnych strategii i taktyk, oraz podejmowanie informowanych decyzji na podstawie danych.  

b. Wady

• Koszty: Wdrożenie i utrzymanie narzędzi analityki jakościowej może wiązać się z kosztami, takimi jak zakup licencji, szkolenia pracowników, utrzymanie infrastruktury IT i inne. 
• Prywatność i ochrona danych: Zebrane dane analityczne mogą być wrażliwe i wymagać odpowiedniego zabezpieczenia przed dostępem nieautoryzowanym. Konieczne jest również przestrzeganie przepisów o ochronie prywatności, takich jak RODO. 

• Trudność interpretacji wyników: Dane zebrane w ramach analityki jakościowej mogą być trudne do analizy i wyciągania jednoznacznym wniosków. Wymaga to odpowiednich umiejętności analitycznych powiązanych z umiejętnościami związanymi z UX. 

Popularne funkcje narzędzi analityki jakościowej 

a. Mapy cieplne

Mapy cieplne (heat maps) to funkcja, która pozwala na wizualizację, w jakie obszary strony internetowej użytkownicy najczęściej klikają. Działają na zasadzie kolorowej mapy, gdzie kolory oznaczają intensywność kliknięć na danej części strony (czym większa popularność elementu tym będzie od bardziej “gorący”/czerwony, gdy mniej to uświadczymy kolorów zimnych, np. niebieski). Zaletą map cieplnych jest możliwość szybkiego i łatwego zrozumienia, gdzie użytkownicy klikają najczęściej i na jakie elementy na stronie skupiają najwięcej uwagi.  

b. Nagrywanie sesji użytkowników 

Funkcja nagrywania sesji użytkowników umożliwia rejestrowanie aktywności na stronie internetowej, takich jak kliknięcia, nawigacja po stronie i czas spędzony na danej stronie. Dzięki temu można zrozumieć, jak użytkownicy korzystają ze strony i jakie mogą mieć problemy z nawigacją lub z interakcją z konkretnymi danymi elementami strony. Zaletą nagrywania sesji jest możliwość lepszego zrozumienia zachowań użytkowników oraz uzyskanie bezpośrednich dowodów na potencjalne problemy związane z interfejsem użytkownika. 

c. Dane i statystyki automatyczne 

Oprócz map cieplnych i nagrań sesji, narzędzia w formie dashboardów oferują prezentacje automatycznie zbieranych danych, takich jak np.:  

• Browser: Przeglądarka internetowa, którą użytkownik używa do przeglądania witryny, na przykład Chrome, Firefox, Safari itp. 
• Countries: Informacje o krajach, z których pochodzą użytkownicy, umożliwiające identyfikację geograficznego pochodzenia ruchu na stronie. 

• Avg. session duration: Średni czas trwania sesji użytkownika, czyli ogólna średnia długość czasu spędzonego przez użytkowników na stronie podczas wszystkich sesji. 
• Rage Clicks: Intensywne kliknięcia na stronie wynikające z frustracji użytkownika, z wywołanej np. przez błąd lub nieoczekiwane działanie witryny. 
• refreshing, czyli częste odświeżanie strony przez użytkownika, co może wskazywać na problemy z wyświetlaniem treści lub niezadowolenie z doświadczenia użytkownika. 
• Top clicked buttons & links: Najczęściej klikane przyciski i linki na stronie, które pozwalają zidentyfikować najbardziej atrakcyjne dla użytkowników elementy interaktywne. 
• i więcej (Sprawdź artykuł: “Porównanie funkcjonalne narzędzi do analityki jakościowej (Hotjar, Clarity, CUX.io)”) 

d. Analiza lejków konwersji 

Analiza umożliwia monitorowanie konwersji i analizę powodów, dla których użytkownicy rezygnują z procesu na stronie. Można filtrować i porównywać dane w różnych segmentach, a także zapisywać je na panelu sterowania. Funkcja pozwala śledzić zachowanie użytkowników na stronie w różnych scenariuszach, takich jak wypełnienie formularza, rejestracja konta czy proces zakupowy. Umożliwia to wizualizację sekwencji kroków podjętych przez użytkowników i analizę, czy osiągają zamierzone cele.  

3 kluczowe wnioski – podsumowanie 

1. Analityka jakościowa w marketingu jest istotnym procesem, które umożliwia lepsze zrozumienie klientów i dostosowanie produktów i usług do ich potrzeb. 

2. Wykorzystanie narzędzi analityki jakościowej, takich jak mapy cieplne i nagrywanie sesji użytkowników, pozwala na dokładne monitorowanie interakcji użytkowników i identyfikację problemów. 

3. Połączenie analizy jakościowej z analizą ilościową daje kompleksową perspektywę i prowadzi do lepszych decyzji projektowych. 

Analityka jakościowa jest wartościowym narzędziem dla firm, które dążą do doskonalenia swoich strategii marketingowych i osiągania lepszych wyników biznesowych poprzez lepsze zrozumienie i dostosowanie się do potrzeb użytkowników.