Spis treści

Różne raporty w GA4 = różnice w danych 

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

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

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

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

Różne modele atrybucji = różnice w danych

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

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

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

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

– tylko do kampanii B w modelu last click.  

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

Więcej o atrybucji w Google Ads przeczytasz TUTAJ.

Różnice w danych a dzień przypisania konwersji  

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

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

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

Ustawienia zliczania konwersji 

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

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

Aspekty techniczne mierzenia konwersji  

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

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

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

Różnice w danych przy różnych ustawieniach tożsamości w GA4

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

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

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

Consent mode a różnice w danych

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

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

Procesowanie danych 

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

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

Porównanie między rynkami  

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

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

Technologia, przeglądarki i adblocki 

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

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

Bramki płatności a różnice w danych

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

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

• transakcja może nie zostać prawidłowo zanotowana.  

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

Ustawienia GTM i błędy w konfiguracji 

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

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

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

Podsumowanie

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

Żeby zachować spójność w analizach warto przygotować: 

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

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

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

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

Dodatkowe materiały 

Zmiany w Google Ads i Google Analytics 2024 | Bluerank

Jak policzyć atrybucję w GA4 – Model Markowa | Bluerank

Google Analytics 4 w pytaniach i odpowiedziach | Bluerank

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

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

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.

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

Jednocześnie klienci oczekują coraz większej personalizacji, dzięki temu są bardziej lojalni ponieważ dana aplikacja/produkt/usługa jest dostosowana do ich potrzeb.
Dlatego też tak kluczowym jest śledzenie zachowań użytkowników w aplikacji, aby lepiej ich zrozumieć oraz dostarczać im lepsze i bardziej spersonalizowane rozwiązania.

Google Analytics: App + Web z integracją Firebase

Usługa Google Analytics: App + Web jest interesującą nowością od Google, która pojawiła się latem 2019 roku. Dzięki niej możliwe jest śledzenie zachowań użytkowników na podstawie ich zgód, pomiędzy platformami bazując na ich identyfikatorach oraz/lub urządzeniach. Umożliwia to pozyskanie danych, które pozwolą Wam lepiej zrozumieć zachowania użytkowników pomiędzy i na urządzeniach oraz odpowiednio zoptymalizować stronę/aplikację. 

Nowa usługa Google Analytics pozwala na integrację danych pozyskanych z aplikacji ze stroną internetową, aby zebrać większą ilość danych o użytkownikach korzystających z różnych platform. 

Posiada ona rozszerzone raporty Google Analytics for Firebase oraz zakładkę Explore, w której możecie przygotować własne eksploracje na podstawie interesujących Was segmentów, wymiarów i metryk. 

Przygotowane eksploracje są gotowe do udostępnienia innym lub pobrania. Dostępne raporty są elastyczne – w każdym z nich możecie skorzystać z opcji porównania danych (+Add Comparison) w tym samym raporcie np. według platform: ios, android oraz web.

Dzięki temu dowiecie się między innymi:

• ilu użytkowników znajduje się na każdej z platform,
• czy któraś z platform jest efektywniejsza,
• czy na danej platformie użytkownicy napotykają jakiś problem.
• czy na danej platformie użytkownicy napotykają jakiś problem.

Śledzenie zachowań waszych użytkowników opiera się przede wszystkim na “Eventach”.

Czym są eventy?

W aplikacji wszystkie interakcje użytkowników są mierzone w formie zdarzeń zamiast wyświetleń ekranów, za pomocą fragmentu kodu. Dlatego też warto przygotować listę interesujących was zdarzeń wraz z opisami miejsc wywołania. Następnie należy wdrożyć je samodzielnie w kodzie aplikacji lub przekazać do developera.

Wszelkie instrukcje dotyczące logowania eventów możemy znaleźć w dokumentacji Firebase:

https://firebase.google.com/docs/analytics/android/events?authuser=0

https://firebase.google.com/docs/analytics/ios/events?authuser=0

W przypadku eventów ze strony internetowej, tworzycie je samodzielnie w Google Tag Manager za pomocą odpowiednich tagów.

Jakie raporty warto obserwować?

Na początek zapoznajcie się z raportem w zakładce Home, przede wszystkim w poszukiwaniu wszelkich anomalii ale również aby mieć ogólny zarys sytuacji w jakiej znajduje się Wasza aplikacja i strona. Warto dodać porównanie dla platform (w tym rozdzielić je według systemów operacyjnych). Raport zawiera podstawowe dane np. liczba użytkowników, lokalizacje, wyświetlenia według klasy ekranu, konwersje itd. 

Jeżeli interesuje Was do jakich użytkowników kierować odpowiednie kampanie, należy zagłębić się w raport Demographics. Znajdziecie tam informacje dotyczące tego, skąd pochodzą Wasi użytkownicy, jaka płeć przeważa, jakie są ich zainteresowania, wiek oraz język. Korzystając z opcji dostosowywania raportu możecie porównać demografię użytkowników różnych platform, aby lepiej ich poznać, zrozumieć a przede wszystkim kierować do nich bardziej spersonalizowane komunikaty i kampanie.

W raporcie Technology >  App > Users by App version poznacie liczbę użytkowników dla danej wersji aplikacji. Na podstawie tych danych dowiecie się ilu użytkowników zaktualizowało aplikację oraz jaki jest czas zaangażowania dla poszczególnych wersji. Jest to przydatny raport do wyciągania wniosków dotyczących poprawności działania aplikacji i zaangażowania użytkowników dla poszczególnych wersji.

W zakładce All events znajdują się ogólne informacje dotyczące liczby zdarzeń oraz użytkowników dla określonych przez Was eventów jak i tych systemowych. W tym ogólnym raporcie zobaczymy np. o ile wzrosła lub spadła liczba poszczególnych zdarzeń. Warto kliknąć w interesujące Was zdarzenia, ponieważ dalej znajdziecie raporty z bardziej szczegółowymi danymi. Tutaj również warto skorzystać z opcji “Add comparison”.

Tak jak wspomniałam na początku, ciekawą i wartą uwagi opcją jest możliwość tworzenia własnych raportów z interesujących Was danych na podstawie dostępnych szablonów. Raporty opisane poniżej są wyjątkowe ze względu na to, że normalnie znajdują się one tylko w wersji Google Analytics 360. W Waszej zbiorczej usłudze App+Web możecie eksplorować dane z obu platform wygodnie i bez konieczności posiadania wspomnianej licencji.

• Dla aplikacji posiadającej etapy prowadzące do konwersji dobrze jest przyjrzeć się raportowi Funnel analysis. Dzięki temu raportowi dowiemy się jaki procent użytkowników z pierwszego kroku dotarło do kolejnych etapów, jaki jest wskaźnik ukończeń oraz porzuceń na poszczególnych krokach. Zrozumiemy, w którym momencie powinniśmy zoptymalizować naszą ścieżkę oraz dzięki doborowi interesujących nas segmentów, porównamy jakość ścieżki dla każdego z nich (np. dla różnych platform, urządzeń lub typów użytkowników).

• Jeżeli chcecie dowiedzieć się jak użytkownicy w danym segmencie poruszają się pomiędzy ekranami, rekomenduję przygotowanie raportu w szablonie Path analysis.

• Raport User explorer umożliwi Wam odizolowanie i badanie indywidualnych, zachowań użytkowników, zamiast zagregowanych. Przeanalizowanie takich zachowań pomoże Wam spersonalizować doświadczenie użytkownika, rozwiązać pewne problemy na które natrafił użytkownik.

• Segment overlap pozwoli Wam na szybkie porównanie utworzonych segmentów użytkowników, zrozumienie jak i kiedy te segmenty się pokrywają.

• Raport Realtime umożliwia monitorowanie w czasie rzeczywistym jak użytkownicy korzystają z aplikacji w przeciągu ostatnich 30 minut. Pozwoli Wam to wykrywać ewentualne błędy lub problematyczne elementy aplikacji.

Integracja Firebase z Google Analytics

Wspomnianą usługę skonfigurować można na dwa sposoby:

• Z poziomu projektu Firebase:
  1. Przechodzimy do Ustawień projektu
  2. Wybieramy zakładkę Integracje
  3. Google Analytics Włącz
  4. Następnie wybieramy konto i gotowe!
• Z poziomu Google Analytics tworzymy nową usługę typu Apps and Web a następnie przechodzimy przez instrukcję integracji aplikacji z Google Analytics.

Podsumowanie

Usługa jest na bieżąco rozwijana przez Google. Ostatnią nowinką jest możliwość połączenia konta Google Ads z nową usługą, co pozwala importować konwersje internetowe i listy remarketingowe z Google Analytics do celów pomiarowych i licytacji w Google Ads.

Według najnowszych informacji dotyczących roadmapy narzędzia, w planach znajduje się raportowanie rozszerzonego e-commerce, integracja z BigQuery, wykrywanie anomalii i predykcje za pomocą Machine Learning, integracja danych offline a także poziom premium, w tym umowy SLA.

Podsumowując obecne i przyszłe zalety nowej usługi przedstawiają się następująco:

• Elastyczność i wydajność – modele zdarzeń pozwalające na szczegółowe i elastyczne spostrzeżenia i analizy.
• Łatwość implementacji (omawiana na końcu artykułu) – oznacza mierzenie ważnych interakcji bez dodatkowej implementacji kodu ani skomplikowanych konfiguracji.
• Między-platformowość –  spójne metryki i wymiary w zintegrowanych raportach pomiędzy aplikacją a stroną internetową.
• Analizy doraźne – oraz ulepszona wizualizacja danych pozwalają lepiej zrozumieć użytkowników.
• Inteligencja – zdolności Machine Learning’u automatycznie tworzą spostrzeżenia i predykcje oraz wykrywają anomalie.

Narzędzie już w obecnee znacząco usprawnia pracę, pozwalając na przeprowadzenie dokładniejszych badań i wyciąganie odpowiednich wniosków, a jego rozbudowa to jedynie kwestia czasu.

Rok 2018 przyniósł premierę Google Marketing Platform. Technologicznie i koncepcyjnie odchodzimy od rozproszonego zestawu narzędzi, a zmierzamy do spójnego pojmowania i realizowania zadań i celów marketingu. To niewątpliwie jest odpowiedź na ewoluujące potrzeby i świadomość rynku. Jeszcze do niedawna, na rynku CEE, narzędzia klasy enterprise, jak Google Analytics 360, nie znajdowały się jedynie poza zasięgiem firmowych budżetów, ale również poza zakresem potrzeb organizacji. Przeważał brak uświadomionej potrzeby, a nie luka w środkach finansowych.

Obecnie obserwujemy rosnącą dojrzałość organizacji w obszarze wykorzystania analityki do realizacji celów biznesowych oraz marketingowych. Dojrzałość ma jednocześnie przełożenie na rosnący popyt na narzędzia klasy enterprise. Kto ich potrzebuje? Wbrew podejrzeniom, to nie wyłącznie duże organizacje, potentaci swoich branż. Coraz częściej, po takie narzędzia jak Google Analytics 360, sięgają agresywne startupy. Młode, dynamicznie rozwijające się firmy technologiczne, innowacyjne, nieraz wspierane przez globalne fundusze inwestycyjne. W dodatku, klient i dostawca spotykają się ponad granicami krajów i regionów, co tym bardziej świadczy poszukiwaniu najlepszych rozwiązań i usług, niezależnie od teoretycznych ograniczeń geograficznych.

Dlaczego firmy wybierają Google Analytics 360?

• Konkretnie określony poziom Service Level Agreement, wraz z stałym zakresem wsparcia od partnera Google Marketing Platform Sales Partner
• Zwiększone limity i brak próbkowania danych – dla rozbudowanej architektury danych
• Integracja z BigQuery – dla zaawansowanej analizy danych i integracji z BI
• Integracja z SalesForce – dla łączenia danych marketingowych i sprzedażowych
• Integracja z platformą marketingową (Display&Video 360) – dla dokładnego raportowania i lepszego targetowania kampanii

Coraz częściej firmy sięgają po, nie jedno, a zestaw narzędzi analitycznych z wachlarza Google Marketing Platform. Analytics 360 dla dokładnego pomiaru, Data Studio dla wygodnego raportowania, Optimize 360 dla stałej optymalizacji treści strony.  Z satysfakcją obserwujemy, jak Google Marketing Platform odpowiada na kolejne potrzeby naszych klientów.

Więcej o Analytics 360

We are currently observing the growing maturity of the organization in the area of ​​using analytics to achieve business and marketing goals. Maturity at the same time translates into a growing demand for enterprise-class tools. Who needs them? Contrary to the suspicions, it is not only large organizations, potentates of their industries. More and more often, aggressive startups reach for such tools as Google Analytics 360. Young, dynamically developing technology companies, innovative, often supported by global investment funds. In addition, the client and supplier meet across borders of countries and regions, which is also an evidence for the search for the best solutions and services, regardless of theoretical geographical limitations.

Why do companies choose Google Analytics 360?

• A specific level of Service Level Agreement, along with a constant scope of support from the Google Marketing Platform partner
• Increased limits and no data sampling – for an extensive data architecture
• Integration with BigQuery – for advanced data analysis and integration with BI
• Integration with SalesForce – for combining marketing and sales data
• Integration with the marketing platform (Display & Video 360) – for accurate reporting and better campaign targeting

Increasingly, companies are reaching for, not one but a set of analytical tools from the Google Marketing Platform. 360 Analytics for accurate measurement, Data Studio for convenient reporting, Optimize 360 ​​for constant content optimization.
We are pleased to see how the Google Marketing Platform responds to the further needs of our clients.

More aboutj Analytics 360

Na przełomie października i listopada tego roku odbył się Google Marketing Platform Partners Summit (wcześniej Google Analytics Summit). Pierwszy raz pod nową nazwą zjazd miał miejsce w San Francisco i zebrał w jednym miejscu ponad 1000 przedstawicieli agencji partnerskich Google z całego świata.

Miałem ogromną przyjemność reprezentować Bluerank na tym wydarzeniu. Wyjazd był bardzo intensywny, sama podróż w obie strony zajęła mi ponad 40 godzin. Było jednak warto, nie tylko z uwagi na możliwość zobaczenia kolejny raz na żywo Golden Gate Bridge, czy zjedzenia pysznego kraba od ulicznego sprzedawcy w Fisherman’s Wharf

2 dni konferencji zapełnione były wystąpieniami przedstawicieli Google, którzy opowiadali o nowościach pojawiających się w ramach GMP oraz o możliwościach, jakie daje odpowiednie wykorzystanie platformy. Równolegle, na kilku stanowiskach w wydzielonej przestrzeni, można było porozmawiać bezpośrednio z pracownikami Google i na żywo przetestować nowe rozwiązania. Spora część informacji obarczona była zakazem ich przekazywania, stąd nie o wszystkim mogę napisać tutaj. W bezpośrednich rozmowach z naszymi Klientami częścią z nich możemy się już dzielić, więc zapraszam.

Integracja danych i narzędzi

Przewodnim hasłem wydarzenia była szeroko rozumiana integracja na wielu poziomach – danych, narzędzi, czy dostępu do nich. O tym, oraz o znaczeniu danych first party, pisałem już szerzej tutaj. Narzędzia dostępne w ramach Google Marketing Platform mają w swym założeniu dawać możliwość łatwego łączenia się ze sobą. Przykładem może być tu uruchomione niedawno Integration Center – panel, pokazujący w jednym miejscu wszelkie połączenia pomiędzy narzędziami GMP i dający możliwość ich konfiguracji w kilku kliknięciach.

Podejście “Privacy first”

Innym istotnym tematem, pojawiającym się w wielu wystąpieniach, była prywatność użytkowników. Ważnym dla Google jest, aby wszelkie udostępniane narzędzia, pozwalające zbierać, analizować i wykorzystywać w działaniach reklamowych dane użytkowników, spełniały wszelkie normy prawne dotyczące danych osobowych. Stąd też we wszystkich narzędziach wykorzystujących dane pojawiły się odpowiednie ustawienia, pozwalające dopasować charakter i poziom zbieranych informacji do preferencji wyrażonych przez użytkowników danego serwisu. Szczególną uwagę należy przywiązywać do pozyskiwania odpowiednich zgód na przetwarzanie danych np. w kampaniach remarketingowych.

Jak śledzić zachowania użytkowników pomiędzy urządzeniami?

Kilka wystąpień dotyczyło, ogólnie rzecz biorąc, identyfikowania użytkowników pomiędzy urządzeniami. Dziś przeciętny internauta korzysta równolegle z minimum 3-4 urządzeń (komputer firmowy, komputer prywatny, smartfon lub dwa, tablet itp.). Większość obecnie dostępnych narzędzi do analizowania ruchu w serwisie czy śledzenia konwersji, opiera się o mechanizm ciasteczek (ang. cookies). Kiedy więc odwiedzę serwis najpierw na telefonie, a po chwili, zainteresowany już zakupem, sfinalizuję transakcję na komputerze, standardowe śledzenie konwersji „zgubi” połączenie pomiędzy urządzeniami i nie będzie w stanie „zauważyć”, że choć do konwersji doszło na komputerze, to impuls do niej został wywołany przez kontakt z mobilną wersją serwisu. Marketer, podejmując decyzję o alokacji budżetów i wykorzystaniu poszczególnych kanałów, mając tak ograniczoną czy wręcz zafałszowaną wiedzę na temat realnych zachowań użytkowników, może to robić nieoptymalnie.

Jedną z odpowiedzi Google na to wyzwanie, jest wdrożenie śledzenia cross-device, które umożliwia analizę przepływu użytkowników pomiędzy urządzeniami. Google Singals (więcej informacji na temat wdrożenia) które zadebiutowało kilka miesięcy temu, pozwala śledzić zachowania użytkowników na różnych urządzeniach. Umożliwia zatem analizowanie prawdziwych ścieżek prowadzących do konwersji. Dane zbierane pomiędzy urządzeniami można również wykorzystywać do remarketingu – np. możemy na komputerach wyświetlać reklamę zachęcającą do finalizacji porzuconego na mobile procesu zakupowego. Google cały czas rozwija ten mechanizm, udostępniając sukcesywnie kolejne raporty czy narzędzia, które wykorzystują potencjał drzemiący w danych cross-device.

Machine learning przyszłością marketingu

Sporo mówiono na temat wykorzystania machine learningu, zarówno do analizy danych, jak i do optymalizacji działań reklamowych. Widać, że Google silnie inwestuje w rozwiązania oparte o ML, czego dowodem są już obecne na platformie typy kampanii „automatycznych”, w których zarówno treści reklam jak i ich targetowanie opiera się o analizę danych i dynamicznie wprowadzane zmiany. Ilość danych, z jakimi spotyka się na co dzień marketer, wręcz wymusza stosowanie automatyzacji, gdyż ręczna ich analiza i obróbka jest bardzo trudna i czasochłonna, o ile nie niemożliwa.  

Jednoczesny rozwój algorytmów samo-uczących, dający coraz szersze i lepsze sposoby ich wykorzystania, pozwala z optymizmem spoglądać na przyszłość branży digital w zakresie analizy danych. Jestem przekonany, że rozwój technologii pozwoli na coraz częstsze stosowanie strategii data-driven przez marketerów. Przypominam, że wg. Google, dziś tylko 2% marek na świecie w pełni rozumie i wykorzystuje ten potencjał.

Europejski akcent

W ramach wydarzenia, zorganizowany został konkurs dla partnerów Google, do którego zgłoszonych zostało ponad 50 studiów przypadków z całego świata. Nagrodę w kategorii “Decyzje” otrzymała francuska firma AWE, partner Bluerank w ramach Digital Alliance, zrzeszającego agencje z Europy Centralnej i Zachodniej. W tym miejscu chciałbym serdecznie pogratulować naszym francuskim przyjaciołom zrealizowania efektywnej kampanii, która została wyróżniona na tak wysokim szczeblu

Podsumowując, Google Marketing Platform Summit obfitował w masę wiedzy dotyczącej samej platformy, ale miał też sporo do zaoferowania w zakresie inspiracji. Mnie osobiście udział w wydarzeniu pozwolił na szersze spojrzenie na tematy z zakresu szeroko rozumianej branży digital. Mam nadzieję, że w przyszłym roku będę miał możliwość uczestnictwa w kolejnej edycji, czego i Wam, czytelnikom, życzę. 

Tam, gdzie na działania marketingowe przeznaczane są znaczące budżety, pojawia się też naturalna potrzeba dokładniej analizy skuteczności kupowanych mediów. Jako doświadczony marketer doskonale wiesz, jak dzięki Google Analytics analizować ruch trafiający na Twoją witrynę. Czy jednak tak samo precyzyjnie śledzisz efektywność działań na samym YouTubie?

Z artykułu dowiesz się m.in.:

• jakie są podstawowe raporty w YouTube Analytics, które warto monitorować,
• jak wykorzystać wiedzę z raportów do optymalizacji kampanii i kreacji,
• co warto robić, aby podnieść efektywność działań na YouTubie.

Działania reklamowe, których nośnikiem jest wideo, są coraz częściej spotykaną pozycją w media planach digital. Jednym z najczęściej wykorzystywanych do tego typu aktywności mediów jest YouTube. Serwis udostępnia swoim użytkownikom proste narzędzie do analizy danych pochodzących z ich kanałów. Oto podstawowe raporty, które warto śledzić w YouTube Analytics (www.youtube.com/analytics), aby jeszcze lepiej prowadzić i optymalizować kampanie wideo.

1. Dane demograficzne

Dane z tego raportu są niezwykle istotne. Dzięki nim można się dowiedzieć, kto tak naprawdę ogląda filmy zamieszczane na kanale. Często można się spotkać z sytuacją, gdy po analizie danych okazuje się, że grupa, która w rzeczywistości stanowi audytorium marki, jest zupełnie innym segmentem użytkowników niż ten, który był zakładany na początku.
Informacje z tego raportu pozwalają na optymalizację ustawień dotyczących targetowania kampanii na YouTubie. Pozwala to m.in. na lepsze wydatkowanie budżetu.
W końcu dzięki temu raportowi można pozyskać wartościowe insighty, które pozwolą na tworzenie filmów lepiej dopasowanych do grupy docelowej naprawdę zainteresowanej przekazem.

Przykład

Jeżeli po analizie raportu okaże się, że najbardziej wartościowymi użytkownikami kanału są bezdzietne kobiety w wieku 35–44, będzie można bez wahania przeznaczyć większy budżet na ten segment użytkowników, ograniczając go jednocześnie np. w grupie 20-latek mających potomstwo.

2. Wyświetlenia

Wykorzystaj ten raport, aby sprawdzić, które filmy mają najwięcej wyświetleń i są najbardziej popularne. Tej wiedzy użyjesz przy tworzeniu kolejnych materiałów wideo. Pozwoli Ci to uniknąć niepewności, czy zakładane podejście jest właściwe, i zwiększy szanse na to, że nowa reklama również okaże się atrakcyjna dla użytkowników.

3. Miejsca odtwarzania i Źródła wizyt

Dzięki analizie Miejsc odtwarzania dowiesz się, na jakich stronach wyświetlone zostało wideo. Czy była to np. strona odtwarzania filmu na YouTubie, strona kanału lub inne strony w obrębie serwisu, czy może odtworzenie miało miejsce w witrynach i aplikacjach zewnętrznych.
Przeglądając raport Źródła wizyt, dowiesz się, dzięki jakim witrynom i funkcjom YouTube’a, użytkownicy znajdują Twoje treści, np. czy szukają ich bezpośrednio na YouTubie, klikają miniatury w proponowanych filmach czy też korzystają z linków na stronach sieci społecznościowych, takich jak Twitter czy Facebook.

Wskazówka

Informacje, które filmy wideo są najczęściej oglądane w następstwie wyszukiwania w serwisie, a które często polecane użytkownikom przez YouTube’a, z pewnością przydadzą się przy wyborze filmów do kampanii typu Discovery.

4. Utrzymanie uwagi odbiorców

To jeden z najbardziej istotnych raportów w YouTube Analytics. Sygnalizuje, jak odbierana jest treść wideo w poszczególnych sekundach. Raport wskazuje m.in. które części filmu są oglądane, a podczas których wideo jest porzucane przez oglądających. Pokazuje też zaangażowanie odbiorców w porównaniu z innymi filmami na YouTubie o podobnej długości.

Wskazówka

Wykorzystaj raport Utrzymanie uwagi do oceny skuteczności filmu, który ma zostać użyty w kampanii TrueView. Znaczące spadki w ciągu pierwszych kilku sekund wideo mogą oznaczać, że treść filmu nie do końca trafia w oczekiwania użytkowników, co może prowadzić do pomijania reklamy po pięciu pierwszych sekundach.

5. Urządzenia

Możliwe, że filmy, które pokazujesz swoim odbiorcom, są bardziej efektywne, jeśli są wyświetlane na komórkach zamiast na desktopie.
Czy tak rzeczywiście jest, dowiesz się z raportu Urządzenia. Niewykluczone, że dzięki śledzeniu danych pochodzących z tej sekcji YouTube Analytics zmienisz ustawienia swojej kampanii TrueView. Być może, analizując zaangażowanie użytkowników (jeżeli ono jest celem kampanii), dojdziesz do wniosku, że efektywniej będzie ograniczyć wyświetlanie reklam do jednego typu urządzeń i tym samym zwiększyć skuteczność kampanii.

6. Adnotacje

Skorzystaj z tego raportu, aby dowiedzieć się, które ze stosowanych w filmach adnotacji są najbardziej skuteczne w przekierowywaniu oglądających na Twoją witrynę. Raport Adnotacje to doskonałe źródło informacji przydatne do testowania różnych komunikatów, które wyświetlasz w tej formie. Dzięki niemu wyselekcjonujesz te, które naprawdę działają.

Wskazówka

Jeżeli po analizie raportu Utrzymanie uwagi wiesz, w którym momencie widzowie zwykle opuszczają Twoje wideo, możesz spróbować przesunąć moment pojawienia się adnotacji nieco wcześniej. Wielu twórców filmów implementuje adnotacje w końcowej fazie trwania filmów. Przesuwając je w inne miejsce, w prosty sposób możesz zwiększyć liczbę osób, które adnotacje zobaczą, a tym samym tych, które przejdą na witrynę.

7. Raporty zaangażowania

Ta sekcja YouTube Analytics zawiera dane o interakcjach
z filmami. Raporty dostarczają informacji o liczbie subskrypcji, negatywnych i pozytywnych ocenach filmów, komentarzy, udostępnień czy interakcji z adnotacjami i kartami. Raporty te pozwalają wykazać skuteczność „społecznościową” określonych filmów, także w innym, niż stricte performance’owym wymiarze.
Pamiętaj, że każda kampania reklamowa w serwisie YouTube jest inna i nie ma jednej recepty na skuteczność prowadzonych działań. Jeżeli zaproponowane dane w poszczególnych raportach nie są wystarczające, zawsze można skorzystać z konfiguracji celów w Google Analytics i mierzyć
rezultaty działań, analizując pochodzenie ruchu z YouTube’a. A już na pewno warto skorzystać z tej opcji, jeżeli YouTube jest wykorzystywany jako wsparcie działań performance.

Podstawowe raporty, które warto śledzić w YouTube Analytics

Raport Dane demograficzne

• Pozwala rozpoznać, kto tak naprawdę ogląda filmy na kanale.
• Jest źródłem insightów konsumenckich, dzięki którym możesz tworzyć wideo lepiej dopasowane do grupy docelowej.
• Umożliwia optymalizację ustawień dotyczących targetowania kampanii.

Raport Wyświetlenia

• Pozwala dowiedzieć się, co działa i co podoba się odbiorcom – na tej podstawie można tworzyć kolejne wideo, które będę angażować odbiorców równie mocno.

Raporty Miejsca odtwarzania i Źródła wizyt

• Informuje, na jakich stronach wyświetlony został content i dzięki jakim witrynom i funkcjom YouTube’a użytkownicy znajdują Twoje treści
• Wykorzystaj te informacje przy wyborze filmu do kampanii typu Discovery.

Raport Utrzymanie uwagi odbiorców

• Pozwala dowiedzieć się, jak odbierana jest treść wideo w poszczególnych sekundach.
• Umożliwia analizę zaangażowania odbiorców w porównaniu z innymi filmami na YouTubie o podobnej długości
• Wykorzystaj te informacje do oceny skuteczności filmu, który ma zostać użyty w kampanii TrueView

Raporty zaangażowania

• Informuje, jaka jest skuteczność „społecznościowa” określonych filmów także w innym niż stricte performance’owy wymiarze.

Raport Adnotacje

• Pozwala dowiedzieć się, które ze stosowanych w filmach adnotacji są najbardziej skuteczne w przekierowywaniu oglądających na Twoją witrynę.

Raport Urządzenia

• Umożliwia analizę zaangażowania użytkowników na poszczególnych urządzeniach.

Jak podnieść efektywność działań na YouTubie

1.  Wykorzystaj listy remarketingowe jako wykluczenia w kampanii. Jeżeli nie chcesz, aby reklamę zobaczyli użytkownicy, którzy dokonali już zakupu na Twojej witrynie, lub ci, których adresy e-mail pozyskałeś w kampanii leadowej, to dodaj wykluczenie w postaci listy remarketingowej obejmującej wszystkich, którzy spełniają powyższe kryterium.

2. Kieruj kampanie do użytkowników podobnych do tych, którzy oglądają filmy z Twojego kanału. Zamiast kierować kampanię do użytkowników z list odbiorców definiowanych przez AdWords, wykorzystaj zaawansowane algorytmy Google, które pozwolą na znalezienie osób, które nie oglądały Twoich filmów, nie były na Twojej witrynie, ale swoją charakterystyką przypominają Twoich widzów.

3. Stosuj listy Customer Match. Jednym z najskuteczniejszych sposobów targetowania w kampaniach kierowanych na YouTubie jest wykorzystanie baz adresów e-mail własnych klientów lub użytkowników. Reklama targetowana w ten sposób osiąga zwykle najwyższe wskaźniki obejrzeń. Pozwala też niezwykle precyzyjnie kierować przekaz marketingowy – bezpośrednio do wybranej grupy odbiorców, np. z firmowego CRM-a.

4. Dodaj nakładkę call to action do swoich filmów. Nakładka powinna zawierać chwytliwy nagłówek, docelowy adres URL, na który użytkownik zostanie przekierowany po kliknięciu (pamiętaj, że landing page powinien być spójny z treścią reklamy), oraz, dla wyższego CTR, logo firmy.

5. Przeglądaj zakładkę „Na czasie” na stronie głównej YouTube’a. Zorientujesz się, jakie filmy są najbardziej popularne, i być może wykorzystasz to w pomysłach na kierowanie reklam w kampaniach TrueView.

Artykuł ukazał się w wydaniu specjalnym #1 (5) magazynu Marketer +, lipiec-wrzesień 2017.

Od ponad miesiąca dostępna jest dla użytkowników Google Analytics nowa strona główna. Zaproponowane zmiany są bardzo potrzebne, ułatwiają pracę i wprowadzają nowatorskie rozwiązania. Czas przyjrzeć się dokładniej nowej stronie głównej Google Analytics.

W momencie zalogowania na konto i przejścia do wybranego widoku danych rozpoczynamy analizę od szybkiego i łatwego przejrzenia najważniejszych wskaźników naszych serwisów.
Strona główna oferuje zapoznanie się z podsumowaniem statystyk dotyczących m. in. użytkowników, sesji czy współczynnika odrzuceń. Można także dowiedzieć się jak wygląda korzystanie ze strony w czasie rzeczywistym. Poza tymi danymi Google Analytics umożliwił również ekspresowy dostęp do wiedzy o:
● kanałach pozyskiwania użytkowników,
● częstotliwości odwiedzin,
● stopniu utrzymania w czasie odwiedzających,
● czasu w jakim użytkownicy odwiedzają stronę lub aplikację,
● pochodzenia odwiedzających,
● używanych urządzeń,
● odwiedzanych podstron,
● realizacji celów,
● skuteczności realizowanych kampanii AdWords,
● dla stron ecommerce – skuteczności produktów.
Każda z powyższych sekcji Strony Głównej została opisana w sposób ułatwiający identyfikację danych. Dodatkowo istnieje opcja wybrania okresu, z którego będą przedstawiane dane oraz link do pełnego raportu.