Spis treści

Różne raporty w GA4 = różnice w danych 

Zacznijmy od kluczowego problemu – już w ramach jednego narzędzia – Google Analytics 4 mamy kilka koncepcji związanych z danymi. Różne raporty pokazują diametralnie inne liczby.  

Przykładowo inną liczbę użytkowników z Google Ads zobaczymy w raporcie pozyskanie użytkowników (który mówi nam o liczbie NOWYCH użytkowników których przyniosło dane źródło/kanał na stronę), inną w pozyskanie ruchu (pokazuje liczbę sesji, które przyniosło dane źródło). Jeszcze inną liczbę zobaczymy w zakładce reklamy, które pokazuje dane na poziomie eventu.  

Na koniec – inne wyniki zobaczymy w eksploracjach, które oprócz tego, że będą miały inny zakres zbierania (maksymalnie 14 miesięcy w wersji bezpłatnej) to pobierają dane z innego zbioru – wcześniej wstępnie zagregowanego, żeby przyspieszyć generowanie raportu. Przeczytaj więcej o raportach niestandardowych w GA4 w naszym artykule: Raporty niestandardowe w GA4 – czyli czym jest sekcja eksploracji.

Jeżeli dodamy do tego różne wyniki, jeżeli dane pobierzemy przez API a jeszcze inne w BQ, gdzie widzimy surowe dane, robi się nam niemałe zamieszanie. Pamiętajmy w tym miejscu – jest to zupełnie normalne (chociaż nieintuicyjne). Różnice między danymi w ramach GA4 i BQ, dobrze pokazuje artykuł TUTAJ.

Różne modele atrybucji = różnice w danych

Narzędzia mogą stosować różne modele atrybucji, co oznacza, że ​​konwersja może być przypisywana, różnym kampaniom/kanałom marketingowym/reklamom czy słowom kluczowym. W GA4 możemy w ustawieniach wybrać pomiędzy atrybucją Data Driven oraz atrybucją w modelu Last click. 

UWAGA: mimo zmiany ustawień niektóre raporty, będą korzystały z innych modeli. Przykładem może być tutaj raport pozyskanie użytkowników (w uproszczeniu model first click) czy pozyskanie ruchu (w uproszczeniu model last click). Model atrybucji możemy ustawić w administracji. Zmiana ta działa retroaktywnie co oznacza, że możemy wybrać inny model, zobaczyć historyczne dane, a następnie wrócić do poprzednich ustawień.  

W Google Ads zliczanie konwersji działa inaczej. Funkcjonują one w oparciu, o dane dotyczące wyświetleń i kliknięć w reklamy. Jeżeli klient wejdzie na stronę z reklamy z kampanii A, następnie wróci na stronę z kampanii B, a finalnie skonwertuje z newslettera, to w Google Ads konwersja zostanie przypisana: 

–  do kampanii A i B (przy modelu data driven – proporcje zostaną przypisane przez algorytmy),

– tylko do kampanii B w modelu last click.  

Zauważ, że w Google Analytics konwersja zostanie przypisana diametralnie inaczej (uwzględniając w różnych proporcjach – w zależności od modelu atrybucji także kampanie e-mail marketingową). W systemie Google Ads, w ustawieniach tych konwersji mamy 2 możliwe ustawienia – data driven oraz last click. Co ważne nie działają one retroaktywnie. Jeżeli zmienimy ustawienia, będziemy musieli poczekać ponownie, aż zbiorą się dane.  

Więcej o atrybucji w Google Ads przeczytasz TUTAJ.

Różnice w danych a dzień przypisania konwersji  

GA4 przypisuje konwersję i transakcję do dnia, w którym nastąpiła. Inaczej jest w Google Ads – tam konwersja przypisana jest, do dnia kliknięcia w reklamę. Innymi słowy, jeżeli klient kliknie w poniedziałek w reklamę, następnie wróci w środę z innego źródła (np. z wyników organicznych) to w Google Ads konwersja zostanie przypisana do poniedziałku, w GA4 do środy.

Różne będą też źródła – Ads przypisze konwersje do danej kampanii, która wygenerowała kliknięcie w poniedziałek – w GA4 w zależności od raportu konwersja może być przypisana do Google Ads (raport pozyskania użytkowników), Google/organic – raport pozyskanie ruchu lub częściowo do Google Ads częściowo do SEO (raport konwersje lub niektóre eksploracje).   

A teraz najlepsze – w CRMie/CMSie sklepu, transakcja może być przypisywana zupełnie inaczej. Spotkałem się z sytuacją, w której była ona przypisywana: po akceptacji przez Clint Service, po otrzymaniu potwierdzenia płatności, bezpośrednio po złożeniu do systemu, po zmianie statusu transakcji – to niektóre z przypadków. Nie muszę mówić, jak wpływa to na finalny wynik porównania.  

Ustawienia zliczania konwersji 

W GA4 możemy wybrać jedną z dwóch metod zliczania konwersji. Ustawienia te pozwalają nam śledzić konwersję: raz na zdarzenie lub raz na sesję. Przykładowo jeżeli celem, jest dla nas wejście na stronę kontaktu, warto podczas sesji zliczyć 1 takie zdarzenie (w większości przypadków nie ma znaczenia czy użytkownik wejdzie na daną podstronę 5 razy podczas sesji). Inaczej jest w przypadku np. wysłania formularza/transakcji – tutaj chcielibyśmy wiedzieć o wszystkich wysłanych formularzach czy wszystkich transakcjach – wybierzmy opcję raz na zdarzenie. 

Analogiczne ustawienia możemy znaleźć w Google Ads. Należy upewnić się, że ustawienia konkretnych konwersji, są zgodne w obu narzędziach. 

Aspekty techniczne mierzenia konwersji  

To kiedy zliczamy (w GTM albo za pomocą kodu) daną konwersję może mieć znaczenie. Często konwersja do Google Ads wysyłana jest w innym momencie niż do GA4. Przykładowo konwersja na wysłanie formularza, może być wysyłana po kliknięciu w przycisk wyślij, po przejściu walidacji lub po wyświetleniu strony podziękowania. Często nawet z pozoru mała różnica, może powodować duży rozjazd w danych.  

Konwersje mogą obejmować oprócz konkretnych zdefiniowanych działań, także inne mierzone np. na YouTube – przykładem mogą być tutaj konwersje polegające na subskrybcji kanału na YT (więcej TUTAJ).

Dodatkowo różne systemy marketingowe, jako konwersje mogą liczyć też dodatkowe akcje np. polubienie posta/share na FB – może to powodować, że w kolumnie konwersje w narzędziu zobaczymy liczbę akcji zdefiniowanych przez nas oraz dodatkowe aktywności, ni jak nie odpowiadające temu co widzimy w GA4.   

Różnice w danych przy różnych ustawieniach tożsamości w GA4

Jeszcze jedno ustawienie – tym razem wewnątrz narzędzia, które może wpłynąć na liczby i nasze porównania. Jest nim tożsamość na potrzeby raportowania. W zależności czy wybierzemy tożsamość opartą o urządzenie, mieszaną, obserwowaną, Google w różny sposób, będzie rozpoznawał użytkowników, różnie będzie też podchodził do tematu modelowania danych (czyli dodawania na podstawie sztucznej inteligencji takich danych, które nie zostały zebrane z uwagi na brak zgód w naszym narzędziu CMP).  

Ustawienie to działa retroaktywnie – możemy sprawdzać, jak wpływają zmiany tożsamości na dane i wrócić do poprzedniej wersji. Od razu powiem, że każda z nich ma swoje plusy i minusy więcej można przeczytać TUTAJ.  

Polecamy także stworzyć mini dokument z „warunkami do analizy” i uwzględnić w nim ustawienia, jakie należy sprawdzić przed startem analiz. Dzięki temu osoby, które raportują będą miały te same ustawienia narzędzia, co wpłynie na jakość danych.   

Consent mode a różnice w danych

Najbardziej hot słowo w analityce w 2024: dane modelowane i Consent Mode v2. Prawo narzuca na właścicieli stron i sklepów obowiązek zbierania zgód na przetwarzanie danych. W przypadku braku zgody użytkownika na śledzenie, GA4 może wysyłać anonimowe pingi do swoich serwisów, aby to na co nie zgodzili się użytkownicy wymodelować za pomocą AI. 

Nie muszę mówić, że modelowane dane mogą być naszym sprzymierzeńcem (więcej danych dla innych algorytmów, które na ich podstawie mogą lepiej rozumieć potencjalnych użytkowników i wyświetlić im bardziej adekwatne reklamy). Mogą także wpłynąć na zwiększenie liczby konwersji / transakcji w GA4. Niestety nie możemy sprawdzić, które transakcje są modelowane. Możemy to częściowo obejść, przełączając tożsamość na potrzeby raportowania i analizując różnice.    

Procesowanie danych 

Dane które zostaną zliczone muszą zostać przesłane do serwera i przeprocesowane. Trwa to od kilku do nawet 48 godzin (w wersji GA4 360 dane procesowane są znacznie szybciej). Niestety w narzędziu nie widzimy, kiedy była data ostatniej synchronizacji, czy wszystkie dane zostały poprawnie przeprocesowane.  

W związku z tym jeżeli prowadzimy porównania z ostatnich 2 dni, możemy natchnąć się na rozbieżności wynikające z faktu, że część danych jest już przeprocesowana i widoczna w raporcie, a część jeszcze nie. Rozwiązaniem tego problemu jest oczywiście nieuwzględnianie ostatnich 2 dni w analizach. 

Porównanie między rynkami  

Dla firm działających na kilku rynkach, problem mogą generować także, porównania danych między rynkami. Sprawdzenie danych w CRM i Google Analytics może pokazać, że rozbieżności między rynkami są duże. Bierze się to z faktu, że do takich porównań wykorzystujemy wymiar domyślny Kraj. Google rozpoznaje lokalizację użytkownika na podstawie adresu IP oraz innych sygnałów świadczących o lokalizacji użytkownika. W niektórych przypadkach lokalizacja ta może być niedokładana.  

Rozwiązaniem jest tutaj przekazywanie do warstwy danych parametru niestandardowego „rynek” co pozwoli uniezależnić się od tego, w jaki sposób Google rozpoznaje lokalizację użytkownika i przypisać konkretne sesje, a w dalszej kolejności także konwersje do odpowiedniego rynku.  

Technologia, przeglądarki i adblocki 

Tagi GA4 oraz Google Ads (ale często też innych narzędzi marketingowych) działają w oparciu o kody wstrzykiwane na stronę za pomocą Java Script. Technologiczne uwarunkowania mogą powodować problemy z prawidłowym zliczaniem każdej aktywności użytkownika.  

Przykładowo użytkownicy korzystający z przeglądarki Brave, lub z różnego rodzaju adblocków mogą blokować skrypty JS, a w przypadku niektórych z nich (adblock plus) także cały kontener GTM. Oczywiście w takiej sytuacji żadne dane nie zostaną przekazane do narzędzi śledzących, podczas gdy transakcje/konwersje mogą zostać prawidłowo wysłane do CRM. W takim wypadku, warto przekazywać informacje o przeglądarce do CRM – tak żeby mieć później możliwość porównania ich do danych GA4.  

Bramki płatności a różnice w danych

Użytkownicy po płatności często nie wracają na stronę podziękowania za transakcje. Dodatkowo niektóre formy płatności wyprowadzają użytkownika poza domenę – może to wiązać się z problemami:  

• ruch po powrocie z bramki zostanie przypisany do innego źródła (np. do źródła refferal konkretnego banku),  

• transakcja może nie zostać prawidłowo zanotowana.  

Rozwiązaniem może być odpalenie dodatkowego zdarzenia: zakup bez płatności, które uruchomi się przed przejściem do bramki płatności. Oczywiście rozwiązanie to spowoduje, że będziemy mieć informacje o przejściu całego procesu a nie finalnej transakcji – często odnotujemy kilka procent więcej realizacji takiego celu, niż finalnie zostanie dokonanych.  

Ustawienia GTM i błędy w konfiguracji 

Celowo ostatni błąd – bardziej częsty to… błędy w konfiguracji. Dane które wczoraj pojawiały się w warstwie danych zostają usunięte, zablokowane przy kolejnych zmianach na stronie, w aplikacji czy w systemie. Inną kategorią błędów będą zmiany w identyfikatorach, klasach, widocznych elementach, selektorach html – jeżeli na nich oparliśmy swoje wdrożenie, tym bardziej może okazać się ono nieodporne na zmiany strony.  

Ostatnią podkategorią są zmiany w samych narzędziach: GA4 i GTM  czy innych narzędziach marketingowych. One także mogą powodować, że niektóre elementy przestana być prawidłowo zliczane.  

Cykliczne sprawdzanie konfiguracji, poprawności warstwy danych, testowanie scenariuszy, reguł, zmiennych w GTM – to podstawa. Utrzymanie wdrożenia to jeden z kluczowych elementów poprawnego zliczania danych i skutecznej analityki.  

Podsumowanie

Różnice w danych o liczbach konwersji i transakcji między narzędziami analitycznymi mogą być… całkiem normalną sprawą. Często różnice nie wynikają z błędów w konfiguracji.  

Żeby zachować spójność w analizach warto przygotować: 

• Założenia raportowania – dokument pokazujący, które raporty będą kluczowe do oceny poszczególnych sytuacji. Możemy w nim zaznaczyć, że kampanie Google Ads oceniamy na podstawie konwersji z panelu Google Ads, a liczbę nowych użytkowników wyciągamy z raportu pozyskanie użytkownika. Spisanie ustawień narzędzi/poszczególnych raportów, pomoże nam oszczędzić masę czasu na tłumaczenie oraz na sprawdzanie przyczyn rozbieżności.  

• Definicje konkretnych raportów/metryk/wymiarów – tak aby konkretne osoby wiedziały co one oznaczają, gdyż często nazwy konwersja w różnych narzędziach oznaczają diametralnie coś innego. Baza definicji to przydatne narzędzie każdego data teamu.   

• Proces utrzymania wdrożenia – upewnijmy się i sprawdzajmy wdrożenie, żeby coś co działało wczoraj miało też prawo zadziałać jutro, a co ważniejsze żebyśmy dowiedzieli się jeżeli działać przestanie. Do procesu przydatna będzie dokumentacja wdrożeniowa – czyli opis tego jak skonfigurowaliśmy narzędzie.  

Inną sprawą jest wyszukiwanie błędów w konfiguracji i miejsc gdzie te błędy się pojawiają. Często taka zagadka jest poszukiwaniem przysłowiowej igły w stogu siana – w kolejnym artykule opiszę, jak podejść do tego problemu i jak ustrukturyzować poszukiwania tej igły.  

Dodatkowe materiały 

Zmiany w Google Ads i Google Analytics 2024 | Bluerank

Jak policzyć atrybucję w GA4 – Model Markowa | Bluerank

Google Analytics 4 w pytaniach i odpowiedziach | Bluerank

https://support.google.com/analytics/answer/12233314?hl=pl

https://support.google.com/google-ads/answer/7457111?hl=pl

Unia Europejska przyjęła ustawę Digital Markets Act, czyli rozporządzenie o rynkach cyfrowych, co wprowadzi znaczne zmiany w Google oraz ekosystemach Facebook i innych dużych graczy. Nowe rozporządzenie ma na celu zwiększenie konkurencji i innowacji w sektorze cyfrowym. Nakłada się ono ze zmianami technologicznymi w przeglądarkach i wycofaniem wsparcia dla third-party cookies (Safari już to zrobiło, Google Chrome zrobi to w drugim lub trzecim kwartale 2024). Aby dostosować się do nowego prawa, czeka nas sporo zmian – poniżej przedstawiamy najważniejsze z nich.

Zmiany w Google – Consent Mode v2

Google wprowadziło nową wersję Consent Mode, która jest zgodna z wymogami ustawy DMA. Nowa wersja Consent Mode wymaga, aby firmy zbierały od użytkowników zgody na wykorzystywanie danych osobowych do celów reklamowych. Do wdrożenia będziemy mieli dodatkowe pola:

– ad_user_data,

– ad_personalization.

Sankcje

Firmy, które nie wdrożą Consent Mode v2, będą pozbawione niektórych funkcji w Google Ads, takich jak:

• kierowanie reklam do określonych grup odbiorców ze szczególnym uwzględnieniem remarketingu z obszaru UE,
• ustalanie stawek reklamowych na podstawie danych o użytkownikach z UE.

W wyjątkowych przypadkach reklamy mogą nawet stracić możliwość kierowania reklam na rynki europejskie.

Więcej informacji na temat Consent Mode v2 można znaleźć w oficjalnej dokumentacji Google: https://developers.google.com/tag-platform/security/concepts/consent-mode

Zmiany w Google Signals

Google ogłosił, że w lutym 2024 roku wyłączy Google Signals z tożsamości na potrzeby raportowania. Oznacza to, że dane z Google Signals nie będą już wykorzystywane do identyfikowania użytkowników. Dane z Google Signals będą nadal używane do przygotowania raportów związanych z demografią i odbiorców.

Więcej o wykluczeniu Signals z raportowania możesz przeczytać tutaj: https://support.google.com/analytics/answer/9164320?hl=en#100223

Zmiany w Google Universal Analytics 360  

Data wygaszenia Universal Analytics nie uległa zmianie i będzie to koniec czerwca 2024 roku. Natomiast funkcjonalności grup odbiorców oraz ustalania stawek przy połączonych kontach Google Ads, przestaną działać w Europejskim Obszarze Gospodarczym już 6 marca 2024 roku. Oznacza to, że nie będzie możliwe wykorzystanie danych z UA w Google Ads i innych narzędziach Google – szczególnie do aktywacji użytkowników. Dodatkowo od marca przestaną działać raporty LTV.

Oficjalna informacja: https://blog.google/products/ads-commerce/google-analytics-360-ga4-update/

Zmiany w API

Google wprowadzi też zmiany w API swoich narzędzi – jeżeli korzystasz z API Google Ads, Display & Video 360, Google Analytics 4 – warto sprawdzić komunikaty związane z API.

Jak przygotować się na zmiany w Google? 

Jeśli jeszcze nie zbierasz poprawnie zgód na ciasteczka, to koniecznie zrób to jak najszybciej wybierając jedną z platform CMP (Consent Management Platform),

Dostosuj działanie CMP i polityki prywatności do wymogów Consent Mode v2,

Sprawdź ustawienia GA4,

Przejdź na GA4 przed 6 marca.

Polecamy też artykuł Google: Jak przygotować się na nadchodzące zmiany: https://support.google.com/google-ads/answer/14169838

Jeśli masz pytania dotyczące dopasowania Twojej analityki do wymogów, jakie niesie wprowadzenie DMA, napisz do Tomka Trzósło, Head of Marketing Analytics w Bluerank.  

1. Co to jest atrybucja?
2. Heurystyczne modele atrybucji
3. Atrybucja w Google Analytics 4
4. Atrybucja w modelu Markowa
5. Teoria
6. Jak przeliczyć atrybucję z surowych danych na łańcuchy Markowa w BigQuery?
7. Efekt + porównanie
8. Wnioski

Jaki model atrybucji będzie dla mnie najlepszy? Odpowiedź: To zależy. Sprawę „ułatwia” nam w pewien sposób Google, wycofując we wrześniu 2023 z Google Analytics 4 modele heurystyczne i zostawiając tylko 3 modele atrybucji. Powoduje to, że chcąc wykorzystać inne modele, musimy je przeliczyć sami. Dopiero porównując ze sobą dane z różnych modeli, możemy zastanowić się, jaki model atrybucji będzie najlepszy dla naszego biznesu. Jak zatem policzyć atrybucję? Jak porównać dane z różnych modeli między sobą? Sprawdźmy, jak to zrobić korzystając z danych Google Analytics 4 (GA4) i chmury Google – BigQuery.

Co to jest atrybucja?

Atrybucja konwersji to w marketingu proces określania, które działania marketingowe przyczyniły się do pożądanego zachowania klienta np. zakupu produktu, zapisu do newslettera czy wypełnienia formularza kontaktowego.
W zależności, jaki model wybierzemy, wartość i liczba konwersji zostanie przypisana inaczej. Innymi słowy: modele atrybucji przypisują danym źródłom, kanałom, reklamom konkretne wartości, w zależności od wybranej metodologii.

Heurystyczne modele atrybucji

Na podstawie tego, jaki model wykorzystuje dane narzędzie – w taki sposób zostanie podzielona zasługa za konkretne działania. Najbardziej rozpowszechniony do tej pory był model ostatniego niebezpośredniego kliknięcia (tzw. last click a w Google Analytics Universal last not direct click), który wartość i liczbę konwersji przypisuje ostatniemu źródłu (niebezpośredniemu), które ją spowodowało.

 Inne modele to heurystyczne to:

Atrybucja w Google Analytics 4

GA4 wprowadza w atrybucji swoistą rewolucję – zapoczątkowaną kilka lat temu w Google Ads. Chodzi o powolne odchodzenie od heurystycznych modeli, na korzyść modeli algorytmicznych. Dzielą one liczbę konwersji i ich wartość na mniejsze części i przypisują je różnym źródłom, które występują na ścieżce użytkownika. GA4 korzysta na ten moment w różnych raportach z 3 modeli atrybucji:

• data driven,
• last not direct click np. w raporcie pozyskanie ruchu,
• first click – np. w raporcie pozyskanie użytkownika.

Model data driven dzieli konwersje na mniejsze części – stąd w raportach możemy zobaczyć konwersje cząstkowe (innymi słowy, wartości po przecinku).

Model data driven, oparty na wartości Shapley’a z teorii gier losowych przypisuje wartości algorytmicznie – jak to się dzieje? Jak ustalane są poszczególne wagi? Możemy o tym przeczytać w pomocy Google:

„Wykorzystuje algorytmy systemów uczących się do oceny zarówno ścieżek konwersji, jak i ścieżek bez konwersji. Powstały w ten sposób model oparty na danych uczy się, w jaki sposób różne punkty kontaktu wpływają na wyniki konwersji. Model uwzględnia takie czynniki, jak czas, który upłynął od konwersji, rodzaj urządzenia, liczba interakcji z reklamą, kolejność ekspozycji na reklamy czy typ komponentów kreacji. Korzystając z metody przeciwstawnej hipotezy, model porównuje ze sobą to, co zaszło z tym, co mogłoby się wydarzyć, aby określić, które punkty kontaktu najprawdopodobniej doprowadzą do konwersji. Model przypisuje tym punktom kontaktu udział w konwersji na podstawie obliczonego prawdopodobieństwa” – źródło tutaj.

Z końcem września zostaną wycofane z Google Analytics 4 modele heurystyczne takie jak liniowy, upływ czasu, uwzględnienie pozycji. Jak przeliczyć atrybucję na inny model niż last click lub data driven? Z pomocą przychodzi BigQuery – hurtownia danych, do której możemy przesłać dane z GA4 i na surowych danych wykonać dowolne operacje.

Atrybucja w modelu Markowa

Alternatywą do algorytmicznego modelu data driven, jest atrybucja oparta na łańcuchach Markowa. W wielu przypadkach lepiej opisuje ona rzeczywistość. Warto sprawdzić, które elementy naszego media mixu, są niedoszacowane, a które są przeszacowane. Modele atrybucji oparte na łańcuchach Markowa nie przyjmują,
że wszystkie kanały marketingowe mają taki sam wpływ na konwersję.

Teoria

Opisywany model, wykorzystuje teorię łańcuchów Markowa, do określania wpływu poszczególnych kanałów marketingowych na konwersję.

W modelu atrybucji opartym na łańcuchach Markowa ścieżka konwersji jest traktowana jako łańcuch Markowa,
w którym stany reprezentują interakcje klienta z marką. Prawdopodobieństwo przejścia z jednego stanu do drugiego zależy od kanału marketingowego, w którym klient wykonał interakcję.

Model atrybucji oparty na łańcuchach Markowa można wykorzystać do przypisania udziału w konwersji do poszczególnych kanałów marketingowych. Udział w konwersji dla danego kanału marketingowego jest obliczany jako prawdopodobieństwo przejścia z poprzedniego stanu do stanu konwersji, przy założeniu, że kanał marketingowy był kanałem, w którym klient wykonał interakcję.

Model atrybucji oparty na łańcuchach Markowa ma kilka zalet, w tym:

• jest bardziej realistyczny niż modele atrybucji oparte heurystycznie,
• jest mniej wrażliwy na przypadkowe dane o małej istotności statystycznej,
• jest mniej obciążający obliczeniowo, dzięki temu możemy rozbijać kanały na subkanały i dokonywać bardziej granularnych obliczeń,
• inaczej niż Model Shapley’a – nie dyskryminuje kanałów domykających na ścieżkach (np. remarketingu).

Jak przeliczyć atrybucję z surowych danych na łańcuchy Markowa w BigQuery?

Czego będziemy potrzebować?

1. Projektu w Google Cloud, w którym przechowamy dane oraz połączonego z nim konta GA4,

2. Środowiska do uruchomienia skryptu w Python,

3. Biblioteki phytonowej: https://github.com/DP6/Marketing-Attribution-Models.

Biblioteka umożliwia nam za pomocą skryptów pyhtonowych i zapytań SQL-owych dokonać skomplikowanych przeliczeń matematycznych, aby z surowych danych, uzyskać wybrany model heurystyczny lub model oparty na łańcuchach Markowa.

4. Odpowiednich danych, które prześlemy do BigQuery. Szczególnie ważne będą: 

journey_id:  unikalny id ścieżki użytkownika. Najczęściej będzie to kombinacja identyfikatora sesji i użytkownika,

path_channels: kanał ścieżki prowadzący do konwersji,

path_timestamps: różnicę między czasem kliknięcia i konwersji,

conversion: danych o konwersji,

conversion_value: wartość konwersji,

user_pseudo_id : wartość przekazywana do BQ, kombinacja cookie id i identyfikatora sesji,

user_id: unikalny identyfikator użytkownika,

ga_session_id : identyfikator sesji.

5. Skonfigurowanego grupowania kanałów w GA4 – grupowanie kanałów, które dobrze odzwierciedla nasze wydatki marketingowe. Innymi słowy, podziału media mixu na mniejsze części, dla których będziemy chcieli porównać wartości i liczby konwersji.

Za pomocą biblioteki i danych z BigQuery możemy zbudować model, który przeliczy atrybucję z GA4 składowaną
w BigQuery w postaci surowych danych, na atrybucję opartą na Łańcuchach Markowa. Szczegółowe kody pythonowe
i algorytm, znajdziesz w tym artykule.

Efekt + porównanie

Wynikiem wykonanych przeliczeń będzie przypisana przez model liczba transakcji i/lub przychodów, która została przypisana do konkretnego kanału. Wyniki różnych atrybucji możemy śmiało pomiędzy sobą porównywać – pozwoli nam to na lepsze zrozumienie ścieżki użytkownika.

Dla powyższego wykresu możemy zauważyć, że o ile Google w modelu last click zaraportował prawie 1 milion złotych przychodu, to w modelu atrybucji opartej o łańcuchy, wyszło niewiele ponad 800 tysięcy złotych. Z drugiej strony w modelu last click przychody z Social Ads zostały mocno niedoszacowane (ponad 100 000 złotych więcej widzimy w modelu Markowa). W ten sposób możemy później na podstawie takich danych przetestować inny podział budżetów marketingowych.  

Wnioski

Analiza różnych modeli atrybucji może pomóc w zrozumieniu, jak klienci przechodzą przez ścieżkę konwersji. Różne modele pomogą nam lepiej estymować zależności między ścieżkami oraz lepiej określić, które z są ważne i wymagają dofinansowania, a z których możemy zwyczajnie zrezygnować.

Jeżeli potrzebujesz pomocy w przeliczaniu, konfiguracji BigQuery – zapraszamy do kontaktu.

Źródła:

1. https://support.google.com/analytics/answer/10596866?hl=pl&sjid=10004842146549516972-EU#zippy=%2Cin-this-article%2Cthe-methodology-behind-data-driven-attribution-advanced%2Ctematy-w-tym-artykule%2Cmetodologia-atrybucji-opartej-na-danych-zaawansowana
2. https://sprawnymarketing.pl/blog/wartosc-shapleya-w-modelowaniu-atrybucji/
3. https://towardsdatascience.com/brief-introduction-to-markov-chains-2c8cab9c98ab
4. https://stacktonic.com/article/build-a-data-driven-attribution-model-using-google-analytics-4-big-query-and-python

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. 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.