Pomembnost spletne analitike je na konferenci inOrbit 2017 izpostavljal Caleb Whitmore, direktor ene najbolj znanih agencij iz ZDA, Analytics pros. Med drugimi je soavtor knjige »Performance Marketing with Google Analytics« in ustanovitelj podjetja, ki sodeluje z več kot 100 korporacijami po celem svetu.
Caleb skrbi za razvoj, implementacijo in izvedbo uspešnih analitičnih strategij. Je eden izmed vodilnih in svetovno poznanih Google Analytics 360 Suite partnerjev in dela z blagovnimi znamkami, kot so Starbucks, GoPro, Yelp!, ASICS, TOMS, F5 Networks, Tableau in mnogimi drugimi, z njimi pa na mesec upravlja z več kot 50 milijardami podatkov. Podjetja spodbuja, da bi izboljšala komunikacijo s svojimi uporabniki digitalnih storitev na osebni ravni, ter jih nagovarja, naj vse več vlagajo v razvoj digitalne komunikacije in analize zbiranja povratnih informacij uporabnikov.
Informacije v družboslovnem (ali marketinškem) raziskovanju v splošnem zbiramo (ali agregiramo) tako, da poslušamo in opazujemo ljudi. Običajno to počnemo prek intervjujev ali fokusnih skupin. Takšnim raziskavam pravimo tudi kvalitativne študije.
Problem pri kvalitativnih raziskavah pa nastane, ko ljudje govorijo, da nekaj počnejo, vendar je realnost drugačna.
Ljudi je ogromno. Potem pa se pojavi še problem raziskovalcev, ki so metodološko slabo podkovani. Kaj hitro se nam zgodi, da so naši kvalitativni izsledki napačni.
Statistično gledano se nam lahko zelo verjetno zgodi, da se informacije ali hipoteze, ki jih pridobimo s pomočjo kvalitativnih načinov raziskovanja, izjalovijo, ko jih skušamo testirati na realnih podatkih. Predvsem jih lahko označimo za nenormalne po Gauss-Laplaceovi krivulji.
To lahko razložimo z zgodbo o ribiču, ki lovi ribe:
Kot ribič je tvoj cilj, da naloviš dovolj rib za večerjo, da boste ti in tvoja družina sita. Iz izkušenj pa veš, da je bolje vabo zalučati dlje, na tisti konec, kjer je gostota rib največja, ne pa tja, kjer ni veliko rib.
Tako nekako lahko poenostavljeno razumemo moč (ali nemoč) kvalitativnih raziskav, saj sklepi in zaključki verjetno ne bi bili pravilni ali bolje statistično značilni.
Zato se poleg kvalitativnih uporabljajo tudi kvantitativne raziskave, kar je Caleb odlično povzel s stavkom, da oba načina ostajata umetnost in znanost pridobivanja digitalnih informacij iz podatkov.
Caleb je na predavanju predstavil problem zbiranja podatkov s pomočjo Google Analitike. »Podatki so univerzalen jezik, podobno kot pravijo za matematiko. Pristopi pa so enaki za vsa podjetja,« trdi Caleb. Kaj je boljše za raziskovanje uporabniške izkušnje – agregirana ali individualna analiza uporabnikov?
Kako s pomočjo Google Analitike pridobiti dobre kvalitativne podatke in informacije, da bomo lahko pravilno sklepali o uporabniški izkušnji in vedenju?
Google Analitika vsebuje funkcijo uporabniškega raziskovalca (angl. User Explorer).
Vendar pa nam ta lahko nudi samo nekatere kvantitativne ali opisne kazalce, iz katerih lahko nekaj sklepamo.
Žal to ni enako, kot da bi uporabnika tu in zdaj vprašali, zakaj je nekaj storil (npr. kliknil na drugo stran ali določen gumb na naši strani).
Vsekakor izredno zanimiv problem, ki ga veliko raziskovalcev uporabniške izkušnje in vedenja razume napačno.
Kakšni so njegovi nasveti in metode sklepanja iz podatkov?
Obstaja več namenskih orodij za takšne raziskave, med drugimi pa Caleb priporoča uporabo orodij za analizo vedenja uporabnika:
Caleb je s pomočjo študije primera predstavil korake raziskovanja na spletnem mestu DAA.
1. Prvi korak je, da določimo končni cilj in ga postavimo za izhodišče naše analize. Naj poudarim, da tu mislimo na sledenje cilja (angl. goal flow), ki ga lahko vidimo v analitiki nemudoma (poročil ciljev v analitiki ni možno videti za nazaj!).
To je gotovo najpomembnejši korak, saj kasneje testiramo različne skupine uporabnikov ali segmente. Na spodnji sliki si lahko ogledamo segmente uporabnikov; od tistih na sredini, ki so npr. dosegli cilj, do tistih perifernih proti koncu.
2. Drugi korak je, da torej ustvarimo segment uporabnikov, ki so dosegli ta cilj in jih nastavimo kot izključene (angl. exclusion). Z drugo besedo jim lahko rečemo tudi optimalni uporabniki, saj so tisti, ki so dosegli naš zastavljen ali končni cilj (npr. dodali izdelek v košarico).
Študija primera DAA: Segmentacija uporabnikov, Vir: AnalyticsPros
3. Nato po principu lijaka dodajamo nove segmente. Začnemo po korakih, od centra v smer periferije in tako naprej.
4. Sestavljene segmente potem dodamo v uporabniška poročila (angl. User reports), da dobimo prečiščen seznam ID-jev uporabnikov.
5. Nato se zakopljemo v podatke posameznega uporabnika in spremljamo, če je kaj zanimivega. Sliko približamo in opazujemo obnašanje uporabnika. Skušamo sklepati, kaj se z njim dogaja.
6. Glede na naše ugotovitve ustvarimo še več segmentov in ponavljamo, dokler ne najdemo uporabnih in zanimivih izsledkov!
Caleb proti koncu pokaže še, kako v digitalnem svetu povezati kvalitativni in kvantitativni primer študije s pomočjo Google Analitike in integracije spletne storitve Hotjar.
Hotjar omogoča snemanje uporabniškega vedenja, aplikacija pa med drugimi funkcionalnostmi omogoča tudi ankete na spletni strani (namig, poglej desno spodaj 😉 in podaj mnenje o članku! 😊) in generira različna poročila.
Bistveno pa je, da lahko med seboj združimo podatke v Google Analitiki s pomočjo Hotjar ID ključa.
Združevanje podatkov v Google Analitiki z Hotjar, Vir: AnalyticsPros
Vse, kar potrebujemo, je da v Google Analitiki znamki (angl. property) nastavimo novo dimenzijo po meri (angl. custom dimension) in nato s pomočjo Google Tag Managerja integriramo , ki omogoča integracijo.