Chatbot i idea grupowania treści 

W chacie GPT umieściłam raport ze stronami w mojej firmowej witrynie. Miały stanowić punkt wyjścia do stworzenia grupowania treści w Google Analytics 4. Łącząc wiele adresów w spójne kategorie, zyskalibyśmy pełniejsze zrozumienie zachowań użytkowników na stronie oraz usprawnili proces optymalizacji treści witryny.  

Zadanie chatbota polegało na zidentyfikowaniu wzorców w adresach stron i podziale na kategorie. Raport zawierał nie tylko same url-e, ale także powiązane z nimi dane.  

Prompt: 

“Podziel strony mojej witryny na kategorie treści w Google Analytics 4 na podstawie ich struktury i celów. Mam dane, które obejmują ścieżki URL stron, liczbę sesji, kluczowe zdarzenia oraz średni czas zaangażowania użytkowników na każdej stronie. Chciałabym, abyś na tej podstawie stworzył kategorie” 

W wyniku zapytania otrzymałam kategorii, które pasowały do mojej witryny, a jednocześnie odzwierciedlały wejścia użytkowników na strony i przechodzenie pomiędzy poszczególnymi sekcjami. 

Tipy: 

– dane klientów umieszczamy jedynie w wersjach chatbotów przeznaczonych do celów firmowych (np. chat gpt teams), aby zapewnić wyższy poziom prywatności i bezpieczeństwa informacji  

– najlepszym, najczęściej akceptowanym przez chatboty formatem jest csv  

– staramy się przygotować pliki, tak aby zawierały jednie ważne dla nas dane, np. wyeksportowany do csv raport z GA4 będzie zawierał wiersze typu: # Wyeksportowany raport w formacie CSV, # Konto: xxx, # Usługa: xxx. Te informacje są zbędne a wręcz mogą utrudnić pracę chatbotom.  

Przykładowy poprawny plik: 

url,pageviews,avg_time 

/oferty-pracy/analityk-danych,450,120 

/oferty-pracy/specjalista-seo,320,95 

/blog/analityka-internetowa,780,180 

Chatbot zna wyrażenia regularne  

W kolejnym kroku poprosiłam chatbota o przygotowanie wyrażeń regularnych, które umożliwiłyby dodanie grupowania treści w GA4 za pośrednictwem Google Tag Managera. W szybki sposób uzyskałam podstawę do utworzenia tabeli wyrażeń regularnych.  

Prompt 

„Stwórz wyrażenia regularne (regex), które pozwolą na przypisanie stron mojej witryny do określonych kategorii treści w Google Tag Manager. Kategoryzacja została już przeprowadzona i obejmuje następujące grupy: 

• Kariera: Strony zawierające informacje o pracy, oferty zatrudnienia i rekrutację. 

• Strona główna: Strona główna witryny. 

• Oferta: Strony zawierające szczegóły dotyczące usług i ofert firmy. 

• Portfolio: Strony prezentujące zrealizowane projekty lub produkty. 

• O nas: Strony z informacjami o firmie, zespole, misji itp. 

• Blog: Strony z artykułami blogowymi. 

• Inne: Wszystkie strony, które nie pasują do powyższych kategorii. 

W pierwszej wersji odpowiedzi chatbot stworzył wyrażenia regularne, które zamiast grupować wszystkie adresy zawierające jakiś wspólny element, np. oferty pracy w dziale analityki, seo, itd. ograniczyły się jedynie do głównego adresu danej sekcji. Nauczona tym doświadczeniem zmodyfikowałam zapytanie, poszerzając o kryterium weryfikacji: 

Prompt 2.0 

„Stwórz wyrażenia regularne (regex), które pozwolą na przypisanie stron mojej witryny do określonych kategorii treści w Google Tag Manager. Kategoryzacja została już przeprowadzona i obejmuje następujące grupy: 

• Kariera: Strony zawierające informacje o pracy, oferty zatrudnienia i rekrutację. 

• Strona główna: Strona główna witryny. 

• Oferta: Strony zawierające szczegóły dotyczące usług i ofert firmy. 

• Portfolio: Strony prezentujące zrealizowane projekty lub produkty. 

• O nas: Strony z informacjami o firmie, zespole, misji itp. 

• Blog: Strony z artykułami blogowymi. 

• Inne: Wszystkie strony, które nie pasują do powyższych kategorii. 

Wygenerowane wyrażenia regularne powinny być dostosowane do ścieżek URL, które odpowiadają tym kategoriom. Upewnij się, że regexy uwzględniają różne możliwe warianty ścieżek i są wystarczająco elastyczne, aby uchwycić wszystkie strony, które pasują do danej kategorii. 

W wyniku chciałbym otrzymać listę regexów, gotowych do zastosowania w GTM, z krótkim opisem, jak działa każdy regex i dla jakiej kategorii jest przeznaczony.” 

Tipy:  

– oczekiwania powinny być dobrze sprecyzowane.  

– testuj, testuj, testuj. Warto poprosić chatbota o weryfikację czy podane przez nas wcześniej adresy pasują do wzorców. Dobrym posunięciem będzie także prośba o przypisanie hipotetycznych, przyszłych adresów do kategorii w oparciu o przyjęte reguły.  

Chatbot – jasnowidz 

Wypróbowałam możliwości chata GPT także w zakresie praktycznej analizy danych. Pierwsze zdanie polegało na wyestymowaniu istotnych z punktu widzenia naszej strony firmowej metryk.  

Prompt 

„Na podstawie danych o odsłonach z ostatnich 6 miesięcy, przeanalizuj trendy dla każdej grupy treści. Użyj prostego modelu predykcyjnego (możesz użyć Prophet) i pokaż przewidywane wartości na następne 3 miesiące.” 

Poprosiłam chatbota o estymacje dla okresu, z którego już dysponowałam statystykami, więc byłam w stanie ocenić w jakim stopniu wyliczone metryki odbiegają od rzeczywistości. Taka walidacja historyczna wykazała, że zastosowany model odbiegał o ok. 12% od danych z konta.  

Tipy: 

– jeżeli zależy Ci na konkretnym modelu / podejściu do estymacji musisz je doprecyzować  

– nie podawaj od razu wszystkich metryk, które chcesz wyestymować. Nadmiar danych połączony z zastosowaniem kilku metod prognozowania może w skrajnych przypadkach doprowadzić do zawieszenia chatu 

Chatbot przed zarządem 

Ostatnie zadanie chatbota polegało na utworzeniu wykresów ze zmieniającymi się w czasie metrykami z podziałem na kategorie.  

Prompt 

„Przygotuj zestaw wykresów słupkowych dla danych dotyczących średniego czasu zaangażowania użytkowników w poszczególnych kategoriach (Kariera, Oferta, Blog, Portfolio, O nas) na podstawie raportu zawierającego miesięczne dane (maj, czerwiec, lipiec, sierpień 2024). 

Każdy wykres powinien spełniać następujące kryteria: 

– Jedna kategoria na wykres: Każdy wykres przedstawia dane tylko dla jednej kategorii. 

– Wskaźnik: Oś Y przedstawia średni czas zaangażowania użytkownika w sekundach. 

– Okres: Oś X powinna przedstawiać kolejne miesiące (maj, czerwiec, lipiec, sierpień). 

– Porządek: Słupki są ułożone chronologicznie (maj -> sierpień). 

Wygląd: Wykresy powinny być estetyczne, czytelne i wyróżniać się opisanymi osiami oraz tytułami. Każdy wykres powinien zawierać legendę z nazwą wskaźnika. 

Dane: Użyj średnich wartości wskaźnika dla każdej kategorii w danym miesiącu. 

Dodatkowo: 

– Zastosuj spójny styl wykresów. 

– Jeśli to możliwe, dodaj linię trendu dla każdej kategorii, aby pokazać dynamikę zmian. 

Po zakończeniu generacji wykresów, przedstaw je w osobnych grafikach lub w formie raportu wizualnego.” 

Dojście do wersji wykresu, która byłaby czytelna dla „zwykłego człowieka” zajęło mnie i chatowi trochę czasu. Początkowo tworzył wizualizacje, które przypominały pajęczyny, a w konsekwencji były bezużyteczne. Przetoczony prompt jest wersją uwzględniającą całą ścieżkę prowadzącą do uzyskania dobrego wykresu.  

Tipy: 

– określ dokładnie: metryki, zakres wykresu, sposób wizualizacji, kryteria.  

Na koniec 

Chatboty mogą znacznie usprawnić pracę w obszarze analityki internetowej, w tym z Google Analytics 4, poprzez automatyzację powtarzalnych zadań i dostarczanie szybkich analiz.  

Wszystkie zadania, które wykonał chat GPT były oczywiście możliwe bez jego wsparcia. Jednak wymagałyby większej ilości czasu a w niektórych przypadkach wiedzy (np. modele prognozowania).  

Użyteczność chatbotów zależy od odpowiedniego przygotowania danych, precyzji zapytań i walidacji wyników. To narzędzia, które wspierają specjalistów, ale nie zastąpią ich wiedzy i doświadczenia. 

Spis treści:

1. Wydłużony czas przechowywania danych
2. Przeciwdziałanie próbkowaniu danych
3. Szybka aktualizacja danych w raportach
4. Zaawansowane zarządzenie dostępem do danych
5. Pełny obraz sytuacji
6. Podsumowanie

1. Wydłużony czas przechowywania danych

Wyobraź sobie sytuację w której zostajesz poproszony o odpowiedź na pytanie dotyczące tego czy w 2022 roku użytkownicy korzystali jednocześnie z urządzeń mobilnych, tabletów i komputerów. W tym celu możesz skorzystać z szablonu w raportach eksploracji. Dzięki temu, że okres przechowywania danych w GA4 360 wynosi 50 miesięcy będziesz w stanie odpowiedzieć na to pytanie w ciągu kilku minut. Nie byłoby to możliwe w standardowej wersji narzędzia z uwagi na to że maksymalny okres przechowywania danych wynosi 14 miesięcy, czyli w październiku 2023 roku nie będziemy mieli dostępnych danych za cały 2022 rok.

Wydłużony do 50 miesięcy czas przechowywania będzie również niezastąpiony w analizach kilkuletnich trendów czy sezonowości.

Należy pamiętać że okres przechowywania danych jest ograniczony jedynie sekcji eksploracji. Raporty standardowe nie polegają restrykcjom bez względu na wersję narzędzia.

2. Przeciwdziałanie próbkowaniu danych

Próbkowanie danych to statystyczny zabieg stosowany w Google Analytics 4 polegający na tym, że dane w raportach generowanie są na podstawie reprezentatywnych grup a nie całości zebranych informacji. Stosowany jest on głównie w celu przyspieszenia działania narzędzia. O tym, czy raport jest próbkowany możemy dowiedzieć się z komunikatu o góry zestawienia w sekcji eksploracji:

Z próbkowaniem danych w GA4 można się zetknąć głównie w raportach eksploracji, choć przy bardzo dużej liczbie użytkowników czy zastosowaniu wymiarów dodatkowych, filtrów lub segmentów może ono również wystąpić w raportach standardowych.

Zabieg próbkowania może wpływać na dokładność analiz. Poniższy przykład prezentuje dane z okresu 30 dni dla zestawienia wymiaru nazwa hosta z metryką wyświetlenia w przypadku tej samej witryny ale dwóch różnych wersji narzędzia. Widać że różnica w liczbie wyświetleń sięga 12%.

GA4 360 daje nam dwie możliwości radzenia sobie z próbkowaniem w panelu narzędzia:

a) Dostosowanie poziomu dokładności i szybkości. Dzięki wyborze opcji bardziej szczegółowe wyniki możemy uzyskać niespróbkowaną eksplorację.

b) Prośba o niespróbowane wyniki. Alternatywnie, jeżeli nie będzie możliwości uzyskania niepróbkowanych danych od razu pojawi się opcja wysłania prośby o dokładny raport. Wyniki będą dostępne w większości przypadków po około 30 minutach.

Warto wspomnieć o tym, że w standardowej wersji systemu jedynym sposobem przeciwdziałania próbkowaniu jest zmiana wielkości populacji, na przykład poprzez skrócenie zakresu dat.

3. Szybka aktualizacja danych w raportach

W dzisiejszym szybko zmieniającym się świecie dostęp do aktualnych danych jest bardzo istotny. Na przykład jeżeli prowadzisz trwające kilka dni akcje marketingowe, ważne żeby Twój zespół mógł analizować wyniki ba bieżąco. Będzie to możliwe, jedynie w GA4 360, które w większości przypadków (dla usług Premium Normal i Large) będzie w stanie przetworzyć dane od 1 do 4 godzin. Z doświadczenia wiemy, że dla usług standardowych czas ten wynosi minimum 24 godziny. Sprawna aktualizacja danych może też pozwolić na realizację działań naprawczych. Na przykład dzięki aktualnym danym możemy wykryć nagły spadek liczby użytkowników czy współczynnika konwersji wywołany opublikowaniem nowej wersji strony i błyskawicznie podjąć działania w kierunku poprawy sytuacji.

4. Zaawansowane zarządzenie dostępem do danych

W przypadku firm o zróżnicowanej działalności i chcących zarządzać w sposób zaawansowany dostępem do danych pomocna będzie funkcjonalność tworzenia usług podrzędnych. Są to za zwyczaj podzbiory danych, które znajdują się w usłudze głównej. Na przykład można wydzielić usługę podrzędną dla każdego rynku na którym prowadzona jest działalność, dla każdej marki, dzięki czemu ułatwiamy analizowanie danych. Usługa podrzędna stworzona dla agencji marketingowej prowadzącej kampanię na konkretnej platformie sprawi, że nie będziemy zmuszeni do prezentowaniu partnerom wszystkich danych przychodowych, uzyskają jedynie informacje niezbędne do prowadzenia własnych optymalizacji. Należy pamiętać, że dodanie usługi podrzędnej będzie się wiązało ze wzrostem kosztów licencji z uwagi na przetwarzanie dodatkowych zdarzeń, na przykład atrybucja modelowana jest niezależnie dla usługi źródłowej i podrzędnej.

5. Pełny obraz sytuacji

Przeglądając dane w raportach standardowych możecie natknąć się na wiersz z wymiarem (other). Dane prezentowane są w ten sposób z uwagi na przekroczenie limitów wierszy w tabeli. Wpływ na to mają między innymi rodzaje raportów (niektóre raporty mają wyższe limity) lub złożoność zestawienia danych (wymiary dodatkowe, filtry).

Ukrycie części danych w jednym wierszu sprawia, że nie mamy pełnego obrazu sytuacji. Może to powodować problemy na przykład podczas analizy efektywności kategorii produktów. Przy skomplikowanych drzewie kategorii dane dotyczące niektórych elementów zostaną „ukryte” w wierszu (other) i w efekcie możemy się nie dowiedzieć, które rodzaje kategorii wyeliminować z działań promocyjnych. Brak pełnego obrazu sytuacji może doprowadzić do tworzenia błędnych strategii marketingowych. Problem agregacji danych do jednego wiersza rozwiążesz dzięki funkcjonalności automatycznych lub ręcznie konfigurowanych rozwiniętych zbiorów danych.

Pomocne w uzyskaniu pełnej informacji na temat zachowania użytkowników będą również zwiększone w porównaniu ze standardowym GA4, limity danych. Kilka przykładów różnic znajdziesz w poniżesz tabeli.

Dzięki funkcjonalności rozwiniętych zbiorów danych oraz zwiększonym limitom przetwarzanych informacji, jesteśmy w stanie w pełni zrozumieć naszych odbiorców i podejmować bardziej trafne decyzje biznesowe. Co istotne, przy wsparciu konsultantów z Full Stack Experts, mamy pewność, że jakość danych, które gromadzimy w narzędziu, jest na najwyższym poziomie. To pozwala nam w pełni wykorzystać potencjał Google Analytics 4 360 i zwiększyć efektywność naszych działań marketingowych.

Tadeusz Skrzypczak, Head of Product&User Intelligence w Ringier Axel Springer Polska

Podsumowanie

Oczywiście część opisanych w artykule problemów można rozwiązać metodami zastępczymi, na przykład tworząc własne skrypty minimalizujące próbkowanie i przekazujących dane do Big Query czy innej hurtowni przy pomocy specjalistów data science lub programistów. Natomiast jeżeli zależy nam, żeby wszystkie działy w organizacji mówiły „językiem danych” musimy zagwarantować do nich szybki i łatwy dostęp bezpośrednio w panelu narzędzia dla każdej osoby zaangażowanej w optymalizację strony czy działania marketingowe. Google Analytics 4 360 przy odpowiedniej konfiguracji da nam taką możliwość, dzięki temu więcej osób będzie mogło mieć wpływ na zwiększenie efektywności biznesu.

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. 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. 

Spis treści:

1. Co to jest BigQuery i dlaczego warto z niego korzystać?
   • Jedno źródło prawdy
2. Jak wygląda konfiguracja pierwszego projektu w Google Cloud Platform?
3. Tryb piaskownicy
4. Jakie są koszty BigQuery?
5. Jak przesłać dane do BigQuery?
   • Jak połączyć dane z Google Analytics 4 do BigQuery?
   • BigQuery Data Transfer Service, czyli jak połączyć dane z Google Ads do BigQuery?
6. Co dalej?

Co to jest BigQuery i dlaczego warto z niego korzystać? 

BigQuery jest skalowalną hurtownią danych w chmurze Google Cloud Platform. Pozwala na sprawne analizowanie i wyciąganie wniosków z dużych zbiorów danych z różnych źródeł. Dodatkowo możesz przechowywać tam dane w formie tabelarycznej. Do przetwarzania danych w BQ przydatna będzie znajomość SQL (Structured Query Language). Nie znasz SQL? Spokojnie, dane możesz przeanalizować korzystając z narzędzi BI (Looker Studio, Power BI i inne – więcej o tego typu narzędziach pisaliśmy w poprzednim artykule – link tutaj).  

Jedno źródło prawdy 

BigQuery często nazywane jest „jednym źródłem prawdy”. Określenie to wzięło się z możliwości wyciągnięcia wniosków i analiz z wielu różnych źródeł oraz danych historycznych. Umożliwia łatwe i szybkie przetwarzanie dużych zbiorów danych. Dodatkowo, dzięki skalowalności BQ oferuje elastyczne zwiększanie oraz zmniejszanie zużywanych zasobów, co pozwala na dopasowanie mocy obliczeniowej do bieżących potrzeb oraz ograniczanie niepotrzebnych kosztów. Narzędzie jest częścią ekosystemu Google Cloud Platform, co umożliwia łatwą integrację z innymi usługami Google, takimi jak Google Cloud Storage, Google Dataflow czy Google Analitycs 4.  

Ważnym tematem w aspekcie korzystania z BigQuery jest prywatność danych. Narzędzie zapewnia wysoki poziom bezpieczeństwa danych, dzięki czemu możesz mieć pewność, że Twoje dane są chronione przed nieautoryzowanym dostępem. 

Ponadto, co najważniejsze BigQuery oferuje szereg narzędzi analitycznych, takich jak możliwość tworzenia raportów, analizy trendów czy wykorzystanie elementów Machine Learning. Dzięki temu możesz uzyskać wartościowe informacje na temat swoich danych bez konieczności posiadania dużej wiedzy z dziedzin programowania czy AI. 

Jak wygląda konfiguracja pierwszego projektu w Google Cloud Platform? 

BigQuery jest jednym z narzędzi Google Cloud Platform, zatem aby zacząć niego korzystać konieczne jest utworzenie konta: 

• konieczne jest zalogowanie się kontem Google, 
• zostaniesz poproszona/y o podanie danych karty kredytowej – jest to zabezpieczenie przed robotami i żadne środki nie zostaną pobrane z Twojego konta, 
• otrzymasz darmowe 300$ na start (ważne 90 dni) – wystarczające środki, aby zapoznać się z interfejsem oraz w celach edukacyjnych. Nie zostaniesz też obciążony dodatkowymi kosztami, jeśli nie wyrazisz na to zgody.  

Po utworzeniu konta czas na stworzenie pierwszego projektu w Google Cloud Project. Jest to podstawowy poziom organizacji w GCP (Google Cloud Platform) i to do niego przypiszemy narzędzia, z których chcemy korzystać. BigQuery jest aktywowane automatycznie, zatem etap konfiguracji mamy za sobą. 

Tryb piaskownicy 

Jeśli nie chcesz podawać danych z karty kredytowej, a jedynie przetestować działanie BigQuery na podstawie publicznych zbiorów danych rozwiązanie BigQuery Sandbox jest stworzone idealnie dla Ciebie. w tym celu otwórz narzędzie BigQuery, zaloguj się do swojego konta Google, utwórz projekt i gotowe! Przed Tobą powinien znajdować się baner odnośnie „piaskownicy”. 

Pamiętaj! To rozwiązanie nie pozwala Ci na przesyłanie własnych danych oraz wszystkie utworzone przez Ciebie tabele znikną po 60 dniach. 

Jakie są koszty BigQuery? 

Koszty BigQuery możemy podzieli na dwa rodzaje:

• cena przetwarzania (analiz) danych – koszt wywoływania zapytań SQL, funkcji i skryptów stworzonych przez użytkownika.
  – pierwszy 1TB przetwarzania danych jest darmowy, 
  – po przekroczeniu limitu koszt jest równy 5$ / TB, 

• przechowywanie danych – koszt przechowywania danych, które zostały przesłane do BQ: 
  – pierwsze 10 GB danych miesięcznie jest bezpłatne, 
  – po przekroczeniu limitu koszt przetrzymywania danych długofalowych (tabele, które nie były edytowane w ciągu ostatnich 90 dni) to 0.01$ / GB, zaś koszt danych używanych w ciągu ostatnich 90 dni to 0.02$ / GB. 

Jeden gigabajt odpowiada za około 1,6 mln zdarzeń w Google Analytics, choć liczba ta będzie się zmieniać w zależności od rozmiaru działania. 

Wiecej informacji o opłatach za BigQuery: https://cloud.google.com/bigquery/pricing. Jeśli chcesz sprawdzić koszt wykonanego zapytania skorzystaj z kalkulatora kosztów. 

Jak przesłać dane do BigQuery? 

Utworzyliśmy konto, stworzyliśmy również projekt, ale skąd wziąć dane, które będziemy analizować? Możemy je przesłać za pomocą narzędzi Google Cloud do przesyłania lub magazynowania danych takich jak Cloud Storage, Dataflow lub Pub/Sub. Możliwe jest również użycie API BigQuery stworzone do przesyłania danych. Sposoby te zostaną omówione w kolejnym artykule, zaś dziś omówimy krok po kroku proces integracji Google Analytics 4 oraz Google Ads z BigQuery. 

Jak połączyć dane z Google Analytics 4 do BigQuery? 

Aby korzystać z danych GA4 w BigQuery, konieczne jest połączenie usługi GA4 z utworzonym przez nas projektem w Google Cloud Platform. Wcześniej, w Google Analytics Universal możliwości integracji możliwe było jedynie dla użytkowników „premium” – korzystających z płatnej wersji 360. W GA4 firma Google udostępniła tę możliwość darmowo, dla wszystkich. Dzięki temu, po zaledwie kilku kliknięciach jesteśmy w stanie uruchomić automatyczny eksport danych z Google Analytics do BigQuery. 

Możliwość połączenia Google Analytics 4 i BigQuery znajdziemy w panelu administracji. Należy użyć adresu e-mail, który ma uprawnienia dostępu do projektu BigQuery na poziomie właściciel oraz rolę edytora w usłudze w Analytics zawierającej widok danych, który chcemy połączyć: 

Eksport danych z Google Analytics 4 pozwala nam na dostęp do surowych danych zatem mogą one różnić się od tych widocznych w interfejsie Google Analytics. Istnieje również kilka innych powodów tego zjawiska takie jak atrybucja ruchu wpływ narzędzi Google Signals. Wszystkie przyczyny zostały szczegółowo opisane w dokumentacji.  

Podczas przesyłania danych musimy się jednak liczyć z istniejącymi limitami. Dla wersji standardowej jest to 1 mln zdarzeń dziennie, zaś dla wersji 360 są to miliardy zdarzeń dziennie. Warto zatem podczas konfiguracji uwzględniać określone strumienie dane i wykluczyć niepotrzebne zdarzenia. 

Po przesłaniu danych każdy wiersz w tabeli BigQuery odpowiada kolejnemu zdarzeniu, zaś dane zdarzenia są unikalne dla Google Analytics 4. 

BigQuery Data Transfer Service, czyli jak połączyć dane z Google Ads do BigQuery? 

Oprócz linkowania narzędzia Google Analytics z  BigQuery istnieje również prosty sposób na przesyłanie danych z narzędzi takich jak YouTube czy Google Ads na którym dziś się skupimy.  

W celu utworzenie eksportu danych z Google Ads do BigQuery pierwszym krokiem jest włączenie darmowego narzędzia BigQuery Data Transfer Service w naszym projekcie Google Cloud. Następnie przechodzimy do BigQuery oraz Data transfers: 

Po przejściu do narzędzia zobaczymy listę aktualnych, istniejących transferów: 

Po kliknięciu „Utwórz transfer” („Create transfer”) zostaniemy poproszeni o wybranie typu źródła danych. w naszym przypadku wybieramy „Google Ads (formerly AdWords)”: 

Na kolejnym ekranie jesteśmy poproszeni o podanie szczegółów konfiguracji – nazwę transferu, czas kiedy eksport danych powinien zostać wykonany, Customer ID (ID konta Google Ads) oraz wybranie zbioru danych. Aby zachować spójność w przesyłanych danych rekomenduję utworzenie nowego zbioru danych z nazwą odnoszącą się do zawartych w nich danych takie jak nazwa narzędzia z którego pochodzą: 

Po uzupełnieniu wymaganych danych klikamy „Zapisz” („Safe”) i gotowe! Cóż, prawie – stworzyliśmy transfer danych, który będzie regularnie pobierał dane z Google Ads do BigQuery – pozostało nam zatem uzupełnienie danych historycznych. w tym celu klikamy na utworzony transfer. Znajdziemy tam informacje o statusie wykonanych eksportów. Nas na ten moment interesują nas opcje zawarte w prawym górnym rogu a zwłaszcza „Zaplanuj uzupełnienie” („Schedule backfill”), gdzie możemy zlecić pobranie danych historycznych z wybranego okresu. 

Po poprawnym eksporcie danych zobaczymy w naszym zbiorze tabele dotyczące poszczególnych statystyk odnośnie kampanii oraz prowadzonych reklam:

Co dalej? 

Google Big Query umożliwia analizę danych z różnych źródeł oraz należy do ekosystemu Google w związku z czym będzie przydatnym narzędziem dla specjalistów marketingowych korzystających z narzędzie takich jak Google Ads czy Google Analytics 4. Pierwsze kroki w BigQuery za Tobą – stworzyliśmy połączenie pomiędzy wspomnianymi narzędziami co pozwoli nam w przyszłości na przeprowadzenie przykładowych analiz, wizualizację oraz wyciąganie informacji, które nas interesują. Zachęcam do przeglądania danych przy pomocy zapytań SQL oraz zapoznania się z dokumentacją, aby jeszcze dokładniej poznać możliwości BigQuery i w pełni wykorzystać jego potencjał. 

Spis treści:

1. Europejskie aspekty prywatności – wejdźmy głębiej w wyzwania stojące przed narzędziami 
2. Rozwiązania stosowane przez Piwik-a Pro i Google Analytics 4 
3. Jeszcze wyższa jakość danych  
4. Kilka słów na koniec 

Zacznijmy jednak od nakreślenia sytuacji, w której obecnie funkcjonują oba narzędzia analityczne.  Użytkownicy Internetu są coraz bardziej świadomi, że ich poczynania w Internecie nie zostają niezauważone. Co więcej – ok 81% obywateli USA uważa zagrożenia płynące ze zbierania danych przez firmy za bardziej znaczące od zysków. ¹  

System regulacji prawnych w zakresie ochrony danych osobowych stopniowo staje się coraz bardziej szczelny. Najnowsze ustalenia pochodzą z października 2022 roku. Siódmego października zeszłego roku Joe Biden podpisał rozporządzenie wykonawcze w sprawie wzmocnienia zabezpieczeń dla działań wywiadowczych amerykańskich służb bezpieczeństwa. Na jego mocy służby wywiadowcze mogą mieć dostęp do danych osobowych jedynie w zakresie niezbędnym i proporcjonalnym do realizacji celów sprzecznych z bezpieczeństwem narodowym. ² Po stronie użytkowników sieci stoi także technologia, zabezpieczenia chroniące przed niechcianymi reklamami (adblocki) stają się coraz bardziej skuteczne i popularne. Przeglądarki (np. Safari) w ramach ustawień defaultowych mogą   third-party cookies, które jeszcze do niedawna stanowiły domyślne źródło informacji czy sposób tragetowania dla wielu reklamodawców online.  

Pierwszy ważny “gracz” na rynku platform analitycznych – Google Analytics 4 ma być odpowiedzią na zmieniający się pod kątem technologii, mentalności i regulacji prawnych Internet. Drugi “zawodnik” -Piwik Pro powstał w 2013 roku. ³ Już początkowe wzmianki, które można znaleźć o platformie w wyszukiwarce Google, skupiają się na prywatności danych i przechowywaniu ich na własnych serwerach. ⁴ Piwik Pro miał wypełnić niszę tworzoną przez firmy, które nie chciały (i nadal nie chcą) dzielić się z gigantem z Doliny Krzemowej swoimi informacjami biznesowymi.   

Europejskie aspekty prywatności – wejdźmy głębiej w wyzwania stojące przed narzędziami 

Regulacje w zakresie przetwarzania danych osób fizycznych w UE definiuje Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2016/679 (RODO). Rozporządzenie (…) reguluje przetwarzanie przez osoby fizyczne, przedsiębiorstwa lub organizacje osobowe. Obejmują wszystkie aktywności wykraczające poza “strefę osobistą” (np.  gdy w związku z działalnością finansową, kulturową, społeczną)  ⁵ 

Dodatkowo w (…)niektórych przypadkach zastosowanie ma szczegółowe ustawodawstwo sektorowe regulujące między innymi wykorzystywanie danych o lokalizacji lub plików cookie — dyrektywa o prywatności i łączności internetowej (dyrektywa 2002/58/WE Parlamentu Europejskiego i Rady z dnia 12 lipca 2002 (Dz.U. 201 z 31.7.2002, s. 37) oraz rozporządzenie (WE) nr 2006/2004 Parlamentu Europejskiego i Rady z dnia 27 października 2004 r. (Dz.U. 364 z 9.12.2004, s. 1). ⁶  

Do danych osobowych możemy zaliczyć informacje, które pozwalają na zidentyfikowanie osoby żyjącej, np.  

• imię i nazwisko; 

• adres zamieszkania; 
• adres e-mail zawierający imię i nazwisko; 
• dane o położeniu (np. ustawienia lokalizacji w telefonie komórkowym); 
• adres IP; 
• pliki cookie. ⁷ 

Rozwiązania stosowane przez Piwik-a Pro i Google Analytics 4 

Google Analytics wykorzystuje tagi (pliki cookie) na stronach internetowych i pakiety SDK (identyfikatory instalacji aplikacji). Google różnicuje dane osobowe w rozumieniu RODO w zestawieniu z informacjami umożliwiającymi identyfikację. Do tej grupy NIE zalicza, np.:  

• plików cookie, 
• identyfikatorów wyświetlania reklam, 
• adresów IP, 
• innych pseudonimowych identyfikatorów użytkownika. ⁸ 

Bez wyrażonej zgody ze strony Internauty (w tzw. trybie – Consent Mode; Tryb uzyskiwania zgody) Google nie przechowuje identyfikatora użytkownika. Sam Tryb uzyskiwania zgody to bardzo interesujące rozwiązanie.  Jest kompatybilny z platformami do zarządzania zgodami użytkowników i  innymi niestandardowymi wdrożeniami do pozyskiwania akceptacji Internautów na wykorzystanie ich danych. Consent Mode jest w stanie na podstawie decyzji użytkownika dostosować działanie tagów Google Analytics, Google Ads a nawet tagów firm zewnętrznych. Jeżeli użytkownik nie wyrazi zgody w jego urządzeniu nie zostaną zapisane pliki cookie a jedynie sygnały (pingi) wskazujące np., czy nastąpiła konwersja, jaka była sygnatura czasowa zdarzeń, jak wygląda losowy numer przydzielany podczas każdego wczytania strony, z jakiej strony pochodziło odesłanie.  ⁹  

Piwik Pro stosuje trzy metody gromadzenia danych: 

1. Anonimowe śledzenie za pomocą plików cookie i danych sesji 

Metoda wykorzystująca tzw. anonimowe dane.  Zanim użytkownik wyrazi zgodę na śledzenie lub gdy odmówi informacje o jego wizycie są ograniczone w następujący sposób: 

• brak geolokalizacji lub ograniczenie do kraju 
• nie jest wykorzystywany tzw. odcisk palca urządzenia (device fingerprinting / canvas fingerprinting /  browser fingerprinting / machine fingerprinting). Rozumiany jako proces identyfikowania urządzenia (przeglądarki) w oparciu o specyficzną konfigurację.  ¹⁰ 
• po wejściu na stronę w przeglądarce użytkownika jest przechowywany plik cookie: Visitor ID, który po 30 minutach zostaje skasowany.    ¹¹ 

2.  Anonimowe śledzenie bez plików cookie, ale z danymi sesji 

W tym przypadku Piwik Pro stosuje już fingerprinting. Platforma gromadzi wyłącznie dane sesyjne, bez danych osobowych. Potencjalnym zagrożeniem metody jest duplikacja sesji a tym samym zmniejszona jakość danych.  

3. Anonimowe śledzenie bez plików cookie lub danych sesji 

Trzeci sposób (najbardziej restrykcyjny) pozwala jedynie na identyfikację samych zdarzeń, bez informacji o sesjach i użytkownikach. Niesie ze sobą najmniej informacji spośród wszystkich wymienionych. Ta metoda nie pozwala zidentyfikować osoby i nie można jej użyć do wskazania pojedynczej sesji. Nie śledzi czasu spędzonego na stronie, współczynnika odrzuceń, przepływów użytkowników, lejków ani atrybucji kanału. ¹² 

Wizualizacja dobrze oddaje zakresy i informacje dla poszczególnych metod: 

Jeszcze wyższa jakość danych  

Funkcjonowanie narzędzi w ramach obecnych regulacji to jeden z aspektów, który należy wziąć pod uwagę decydując się na implantację Piwik-a Pro lub GA4. Równie jest są rozwiązania technologiczne, które pozwalają na pozyskanie maksymalnie wartościowych i kompleksowych informacji.   

1. Modelowanie konwersji 

Nie tylko adblocki i stopniowy zanik użyteczności third-party cookies są przeszkodą w śledzeniu efektów działań online. Przeszkodę może stanowić także skracanie okien konwersji przez przeglądarki.  ¹³ Wg Google rozwiązaniem w takiej sytuacji mają być modelowane konwersje, polegające na wyszukiwaniu trendów pomiędzy konwersjami odnotowanymi i nieodnotowanymi. “Jeśli na przykład przypisane konwersje z jednej przeglądarki są podobne do nieprzypisanych konwersji z innej przeglądarki, model systemów uczących się przewidzi ogólną atrybucję. Na podstawie tej prognozy konwersje zostaną następnie zagregowane, aby można było uwzględnić zarówno konwersje modelowane, jak i rejestrowane “ ¹⁴ 

Piwik Pro nie posiada podobnej funkcjonalności.    

2. Model atrybucji 

Właściciele witryn internetowych (ze szczególnym naciskiem na strony e-commerce) jako kluczową postrzegają odpowiedź na pytanie – które z naszych działań najlepiej przyczyniają się do realizacji naszych celów. Takich informacji możemy szukać w modelowaniu atrybucji rozumianej jako reguła albo zbiór reguł, “(..)które określają sposób przypisywania sprzedaży i konwersji do punktów styczności na ścieżkach konwersji”. ¹⁵  

GA4 wyróżnia model oparty o dane (nie jest to jednak jedyny model dostępny w narzędziu). Przypisuje wagi w pozyskiwaniu konwersji wszystkim źródłom na ścieżce użytkownika. Bierze pod uwagę drogi zakończone sukcesem i takie, które nie zostały pomyślnie sfinalizowane. “Model uwzględnia takie czynniki, jak czas, który upłynął od konwersji, rodzaj urządzenia, liczbę interakcji z reklamą, kolejność ekspozycji na reklamy czy typ komponentów kreacji. “  

Model atrybucji oparty o dane nie jest standardowo dostępny w usłudze Piwik Pro. Istnieje natomiast możliwość dodania własnego modelu.  

3. Integracje z innymi systemami i zasilanie w dodatkowe dane 

Integracja z innymi narzędziami w rzeczywistości bez ciastek to dobry kierunek, aby dodać zdarzeniom dodatkowy kontekst, doprecyzować informacje czy przenalizować i zaprezentować wyniki w przejrzystej wizualizacji.  

GA4 możemy wzbogacić o połączenia z: 

• Google Ads 
• Firebase 
• Big Query 

• Display & Video 360 
• Google Ad Manager 
• Google Merchant Center 
• Google Search Console 
• Google Optimize 

• Google Play 
• Search Ads 360 ¹⁶ 

Dodatkowo za pośrednictwem importu pliku użytkownicy narzędzia są w stanie poszerzyć statystyki o dane o kosztach, dane produktów, dane użytkowników, zdarzenia offline. ¹⁷ 

Piwik Pro oferuje integracje z: 

• Google Search Console 

• Tableau 
• Microsoft Power BI 
• Google Sheets 
• Looker Studio 
• Supermetrics 

• AWS S3 
• Azure Blob Storage 
• Big Query 
• Android SDK 
• IOs SDK 

• React Native SDK 
• Flutter SDK 
• React 
• Angular 
• Gatsby 
• NextJS 
• PWAs 
• AMP (Accelerated Mobile Pages) 
• Confluence 
• Microsoft SharePoint Online 
• Microsoft SharePoint On-premises ¹⁸ 

4. Serwery 

Piwik Pro umożliwia przechowywanie danych na własnych serwerach / prywatnej chmurze.  ¹⁹ W przypadku GA 4 zbieranie danych pomiarowych z urządzeń znajdujących się w UE odbywa się na serwerach (a także domenach) znajdujących się w Unii Europejskiej. W drugim kroku następuje przekierowanie do serwerów przetwarzania Google Analytics.  

Kontrowersyjny adres IP (wg RODO pozwalający na identyfikację tożsamości) nie zostaje zapisany. Zgodnie z treściami w centrum pomocy narzędzia:” Google Analytics 4 nie rejestruje ani nie przechowuje adresów IP osób fizycznych. 

Analytics udostępnia przybliżone dane geolokalizacyjne, pobierając z adresów IP te metadane: miasto (oraz szerokość i długość geograficzną miasta), kontynent, kraj, region, subkontynent (oraz odpowiedniki oparte na identyfikatorze). W przypadku ruchu w Unii Europejskiej dane o adresie IP są używane wyłącznie do pobierania danych geolokalizacyjnych, a następnie natychmiast odrzucane. Dane te nie są rejestrowane, dostępne ani używane do żadnych innych celów.” ²⁰ 

Kilka słów na koniec 

Rozstrzygnięcie zgodności obu narzędzi z obecnymi systemami prawnymi jest zadaniem bardzo karkołomnym. Wymaga prawniczej wiedzy połączonej z dogłębną znajomością technologii stojącej za Google Analytics 4 i Piwik Pro. Do tego idealnego scenariusza na rozstrzygnięcie sporu należy dodać jeszcze realia ewentualnych sądowych batalii. Skoro o niewinności O.J. Simsona przesądzili krasomówczy, drodzy obrońcy ewentualne spory o legalność narzędzi potencjalnie będą zależały od zasobności firm.  

Oczywiście prawdopodobieństwo tak radykalnego rozwiązania jak batalie sądowe jest stosunkowo małe, więc właściciele stron internetowych powinni skupić się na wyborze narzędzia analitycznego, które najlepiej odpowiada ich zapotrzebowaniu biznesowemu. Następnie przyjrzeć się aspektom prywatności danych, aby móc rzetelnie poinformować każdą wchodzącą na stronę osobę – jakie informacje są zbierane, jak będą wykorzystane i dać jemu / jej możliwość wyboru. Ostatecznie być w zgodzie z wyborami Internautów.   

Źródła:

[1] https://www.pewresearch.org/internet/2019/11/15/americans-and-privacy-concerned-confused-and-feeling-lack-of-control-over-their-personal-information/

[2] https://www.whitehouse.gov/briefing-room/statements-releases/2022/10/07/fact-sheet-president-biden-signs-executive-order-to-implement-the-european-union-u-s-data-privacy-framework/

[3] https://nowymarketing.pl/a/18115,piwik-pro-pierwsza-polska-firma-dolacza-do-akceleratora-eit-digital

[4] https://nowymarketing.pl/a/18115,piwik-pro-pierwsza-polska-firma-dolacza-do-akceleratora-eit-digital [1] https://commission.europa.eu/law/law-topic/data-protection/reform/what-does-general-data-protection-regulation-gdpr-govern_pl

[5] https://commission.europa.eu/law/law-topic/data-protection/reform/what-does-general-data-protection-regulation-gdpr-govern_pl [1]

[6] https://commission.europa.eu/law/law-topic/data-protection/reform/what-personal-data_pl

[7] https://commission.europa.eu/law/law-topic/data-protection/reform/what-personal-data_pl

[8] https://support.google.com/analytics/answer/7686480

[9] https://support.google.com/analytics/answer/9976101 [1] https://clearcode.cc/blog/device-fingerprinting/

[10] https://clearcode.cc/blog/device-fingerprinting/

[11] https://piwik.pro/blog/the-ultimate-guide-to-data-anonymization-in-analytics/

[12] https://piwik.pro/blog/how-to-do-useful-analytics-without-personal-data/

[13] https://clearcode.cc/blog/intelligent-tracking-prevention-faq/

[14] https://support.google.com/analytics/answer/10710245?hl=pl

[15] https://support.google.com/analytics/answer/1662518?hl=pl

[16] https://support.google.com/analytics/topic/9306488?hl=pl&ref_topic=9143232

[17] https://support.google.com/analytics/answer/10071301?hl=pl

[18] https://piwik.pro/integrations/

[19] https://piwikpro.pl/

[20] https://support.google.com/analytics/answer/11598602

Spis treści:

1. Czym są narzędzia Business Intelligence do wizualizacji danych?
2. Czym jest wizualizacja danych?
3. Jak wizualizować dane?
4. Cechy narzędzi Business Intelligence do wizualizacji danych 
5. Porównanie 4 platform do wizualizacji danych 
6. #1 Looker Studio 
7. #2 Power BI 
8. #3 Tableau  
9. #4 Qlik Sense 
10. Porównanie funkcjonalności analizowanych narzędzi: 
11. Podsumowanie 

Narzędzia BI ułatwiają gromadzenie właściwych danych oraz ich wizualizację w sposób, który pozwala nam zrozumieć co one oznaczają. Dlatego ważne jest, aby dokładnie przeanalizować potrzeby organizacji i wybrać te, które najlepiej odpowiada tym potrzebom. 

Czym są narzędzia Business Intelligence do wizualizacji danych?

 
Narzędzia Business Intelligence (BI) to rodzaj oprogramowania, które gromadzi i przetwarza duże ilości danych. Dzięki nim możemy tworzyć raporty, panele i wizualizacje danych, które mają za zadanie: 

• przyspieszyć i usprawnić podejmowanie decyzji,
• zoptymalizować wewnętrzne procesy biznesowe, 
• zwiększyć wydajność operacyjną i produktywność,
• dostrzegać problemy biznesowe, którymi należy się zająć,
• identyfikować pojawiające się trendy rynkowe,
• rozwijać lepsze strategie biznesowe,
• szukać możliwości przychodowe,
• zdobyć przewagę konkurencyjną.

Czym jest wizualizacja danych? 

Wizualizacja danych w analityce to proces przedstawiania danych w formie graficznej na przykład wykresów, map czy diagramów, aby ułatwić ich interpretacje i zrozumienie. Wizualizacje znacznie ułatwiają i przyspieszają, analizę oferując możliwość dostrzeżenia, co jest ważne. Pozwalają zobaczyć, zrozumieć wzorce i relacje oraz dostrzec pojawiające się trendy, co często jest utrudnione analizując “surowe” dane zawarte w tabelach i bazach danych.  

W przypadku analizy biznesowej mogą to być wnioski dotyczące wyników w postaci kluczowych wskaźników. Analiza taka na przykład może dotyczyć oceny skuteczności kampanii reklamowej prowadzonej dla klienta, gdzie możemy porównywać różne dane okresowe. Możliwości są nieograniczone.  

Co wykorzystać do wizualizacji danych? 

Istnieje wiele rodzajów wizualizacji danych. Najczęściej wykorzystywane w analityce to wykresy słupkowe, kołowe i liniowe, mapy geograficzne, diagramy, wskaźniki, listy oraz tabele.  

Na rynku jest coraz więcej narzędzi, posiadają podobne funkcjonalności, takie jak tworzenie interaktywnych raportów i wizualizacji, jednak każde z nich ma swoje unikalne cechy i funkcje, które mogą sprawić, że będzie bardziej odpowiednie dla indywidualnych potrzeb i celów organizacji.  

Cechy narzędzi Business Intelligence do wizualizacji danych

Najważniejszymi czynnikami, które należy wziąć pod uwagę przy wyborze narzędzia do wizualizacji danych, są:  

• łatwość nauki i obsługi,  
• integracje z różnymi źródłami danych,  
• posiadanie funkcji analitycznych opartych na “machine learning”.  

Narzędzie musi działać stabilnie, pozwalać łatwo i szybko dodawać dane, wprowadzać zmiany w celu jeszcze lepszego zrozumienia analiz.  

Porównanie 4 platform do wizualizacji danych 

W naszej codziennej pracy korzystamy najczęściej z Looker Studio (dawniej Data Studio) i Microsoft Power BI. Do porównania wybraliśmy też dwie inne platformy: Tableau oraz Qlik Sense. 

#1 Looker Studio 

Looker Studio, znane wcześniej jako Google Data Studio, to darmowe narzędzie, które potrafi przekształcić dane w łatwe do odczytania, w pełni konfigurowalne raporty z wykorzystaniem wielu rożnych źródeł danych. Między innymi takich jak Google Analytics, Google Sheets, plików CSV, bazy danych MySQL czy Google BigQuery. Pozwala to skrócić czas dostępu do danych i zaoszczędzić na procesach raportowania.  

Looker Studio Pro to płatna wersja Looker Studio. Ale dzięki Looker Studio Pro uzyskujemy dostęp do wszystkich funkcji Looker Studio, a także ulepszone i rozszerzone możliwości wykorzystania w organizacji oraz wsparcie techniczne. 

Narzędzie to nie wymaga instalacji dodatkowego oprogramowania, działa jako aplikacja online z poziomu przeglądarki.  

Funkcjonalności: 

• Łączenie z wieloma źródłami danych za pomocą Google Connectors oraz Partner Connectors np. Supermetrics, Semrush, Ahrefs czy Funnel,
• Udostępnianie raportów,
• Opcja prezentacji raportów,
• Duża dostępność przykładowych szablonów raportów,
• W pełni konfigurowalne pulpity nawigacyjne i raporty,
• Zaawansowane możliwości filtrowania,
• Metoda modelowania (LookML),
• Aktualizowanie danych w czasie rzeczywistym,
• Bezpieczeństwo i prywatność danych.

Trail: 

• Nie dotyczy 

Cena: 

• Darmowa wersja Looker Studio,
• Ustalane indywidualne dla Looker Studio Pro,
• Płatne wersje niektórych konektorów.

Przykładowy raport stworzony w Looker Studio

#2 Power BI 

Power BI firmy Microsoft to rozwiązanie, które pomaga szybciej eksplorować dane biznesowe i podejmować bardziej świadome decyzje. Początkowo było dodatkiem do klasycznego Excela, jednak z czasem zostało rozwinięte w pełnoprawne narzędzie. Umożliwia szybkie i łatwe przygotowanie danych do analiz oraz łączenie się z ponad 100 źródłami danych, wspomaga organizowanie ogromnych ilości danych zgodnie z potrzebami oraz tworzenie niestandardowych modeli do analizy. Narzędzie oferuje wizualizacje wspomagane przez sztuczną inteligencję oraz oferuje dostęp do ponad stu stworzonych przez społeczność szablonów. 

Power BI jest narzędziem typu self-service, co oznacza, że każdy jej użytkownik powinien być w stanie samodzielnie połączyć się z danymi i zbudować raport. Utworzone raporty są dostępne przez przeglądarkę oraz aplikację na urządzeniach mobilnych. 

Funkcjonalności:  

• Programu Power BI Desktop,.
• Wizualizacje z wykorzystaniem sztucznej inteligencji, 
• Zaawansowana sztuczna inteligencja,
• Dostęp poprzez aplikacje mobilną,
• Udostępnianie raportów,
• Raport podzielone na strony, 
• Możliwość łączenia się z ponad 100 źródłami danych, 
• Bezpieczeństwo i szyfrowanie danych,
• Metryki dotyczące tworzenia, wykorzystywania i publikowania treści, 
• Dostępność dodatku automatycznego skalowania,
• Wielkość przechowywania danych od 10GB na użytkownika do 100TB.

Trail:  

• 30 dni 

Cena: 

• Power BI Pro – 10$ miesięcznie na użytkownika 

Częstotliwość odświeżania – 8/dzień 

 Maksymalny rozmiar magazynu – 10 GB na użytkownika 

Łączenie ze 100 źródłami danych – Tak  

• Power BI Premium – 20$ miesięcznie na użytkownika 

Częstotliwość odświeżania – 48/dzień 

Maksymalny rozmiar magazynu – 100 TB  

Łączenie ze 100 źródłami danych – Tak  

• Power BI Premium – od $4,995 miesięcznie na organizację 

Częstotliwość odświeżania – 48/dzień 

Maksymalny rozmiar magazynu – 100 TB 

Łączenie ze 100 źródłami danych – Tak 

Przykładowy raport stworzony w Power BI 

#3 Tableau

Tableau to narzędzie raportowo-analityczne dedykowane dla wszystkich użytkowników: sprawdza się w zespołach, w organizacjach oraz dla indywidualnych analityków. Cechuje się bardzo dużymi możliwościami wizualizacji, ale nawet początkujący użytkownicy nie powinni mieć problemów z obsługą jego interfejsu. Tableau to solidne i niezawodne narzędzie. Działa z dużą wydajnością, nawet w przypadku dużych zbiorów danych. Oferuje aplikację mobilną dostępną na systemy IOS i Android, która zapewnia pełną funkcjonalność wersji Desktop i Online.  

Funkcjonalności: 

• Analiza trendów,
• Tworzenie zaawansowanych raportów,
• Zaawansowane funkcjonalności analityczne,
• Automatyzacja raportowania,
• Analiza danych z pomocą sztucznej inteligencji,
• Wielowarstwowe funkcje zarządzania uprawnieniami,
• Aplikacje na platformy iOS i Android,
• Dobrze prosperującą społeczność.

Trail:  

14 dni 

Cena: 

• Tableau Viewer – 14$ miesięcznie na użytkownika 
• Tableau Explorer – 42$ miesięcznie na użytkownika 
• Tableau Creator – 70$ miesięcznie na użytkownika 

Przykładowy raport stworzony w Tableau 

#4 Qlik Sense 

 
Qlik Sense to elastyczne i skalowalne narzędzie, które działa całkowicie w chmurze. Konfiguracja jego jest szybka i łatwa, a dzięki sztucznej inteligencji umożliwia użytkownikom nietechnicznym łatwe przeprowadzanie zaawansowanej analizy danych. Qlik Sense opiera się na modelu QIX Associative Data Indexing — technologii pozwalającej na eksplorowanie relacji zachodzących między danymi pochodzącymi z różnych źródeł. Wspiera inteligentne przeszukiwanie danych. Oferuje również dostęp do aplikacji z dowolnego urządzenia oraz możliwość przechowywania danych na serwerze, w chmurze, lub w modelu hybrydowym. 

Funkcjonalności: 

• Zaawansowany asystent sztucznej inteligencji,
• Interaktywne pulpity nawigacyjne,
• Inteligentne wizualizacje,
• Możliwość łączenia się za pomocą konektorów z wieloma źródłami danych,
• Dostęp z urządzeń mobilnych,
• Mapowanie wielowarstwowe do wizualizacji geograficznych,
• Współtworzenie treści,
• Eksportowanie danych i wizualizacji,
• Certyfikaty bezpieczeństwa,
• Integracje API.

Trail:  

• 30 dni 

Cena:   

• Qlik Sense® Business – $30 miesięcznie na użytkownika 

• Qlik Sense Enterprise SaaS – ustalane indywidualnie  

Porównanie funkcjonalności analizowanych narzędzi: 

Looker Studio jest dość prostym w obsłudze narzędziem z szeroką gamą dostępnych źródeł danych, dużymi możliwościami filtrowania oraz udostępniania raportów. Plusem jest również mnogość konektorów tych już wbudowanych, ale także tych tworzonych przez społeczność oraz łączenia z narzędziami takimi jak Supermetrics czy Funnel. 

Power BI jest idealne dla firm, które potrzebują łatwego i szybkiego dostępu do danych z wieloma opcjami wizualizacji oraz dostępnością dodatkowych funkcji. 

Tableau oferuje łatwy w użyciu interfejs, szerokie możliwości konfiguracji, duży wybór różnych źródeł danych oraz dostęp z urządzeń mobilnych. 

Qlik Sense oferuje elastyczne i zaawansowane możliwości analizy danych o dość intuicyjnym interfejsie, cechuje go duża wydajność oraz dostęp z urządzeń mobilnych. 

Podsumowanie 

Narzędzia analityczne klasy BI to niezwykle ważna klasa narzędzi w zasobniku każdego analityka.  Pomagają z morza danych wybrać te istotne i przedstawić je w sposób czytelny dla użytkownika. Wyciągnięcie danych z wielkich baz zawierających często miliony rekordów jest praktycznie niemożliwe. Zobrazowanie ich za pomocą wizualizacji pomaga lepiej zrozumieć trendy, liczby i zbliżać się do świętego grala każdej firmy – podejmowania decyzji opartych na danych a nie na przewidywaniach i intuicji. 

„Liczby w kontekście – analityka Customer Journey”

Chcesz zobaczyć całe wystąpienie? Wypełnij formularz znajdujący się na dole strony, a prześlemy Ci wideo. Będziesz miał także dostęp do pozostałych materiałów Blueffect 2021.

Czego dowiesz się z prezentacji?

• If you don’t know the customer, numbers are just numbers” – te słowa jednego z autorytetów w obszarze analityki webowej, Caleba Whitmore’a, w dobie post-cookies zyskują nowy wymiar.
• Podczas tegorocznej edycji konferencji Blueffect nieprzypadkowo przez wszystkie przypadki odmienialiśmy słowo ,,Relacje” – to one bowiem będą w nadchodzących miesiącach i latach dyktować nowe KPI dla e-marketingu.
• Podczas prezentacji Aleksandra Lisiecka-Lenart poruszyła zagadnienie User Intent wraz z jego aktywnym wykorzystaniem w atrybucji konwersji.
• Mówi o przyszłości analiz cross-device i tym, jakie metryki monitorować, by w ścieżce klienta SEE-THINK-DO-CARE eksplorować każdy z etapów.

Dotąd skupialiście się na pozyskiwaniu jak największej ilości danych? Przyszedł idealny czas na przekucie jej w jakość. Dopiero tworzycie swoje centrum dowodzenia data-driven? Podpowiadamy na co warto położyć szczególny nacisk.

Zarejestruj się i zobacz całe wystąpienie:

Więcej informacji na temat konferencji Blueffect 2021 znaleźć można na stronie.

Pobierz bezpłatnie raport Era post (third party) cookies: