Staż w dziale IT Bluerank

Od września zapraszamy studentów kierunkow informatycznych na staż w dziale IT Bluerank.

Na najlepszych po zakonczeniu praktyk czeka etat!

Szczegółowe informacje znajdziecie na naszej stronie firmowej
www.bluerank.pl/praca/praktyki-w-dziale-it

W pierwszej fazie naboru czekamy na zgłoszenia do końca sierpnia.

--
Redakcja

User Generated Content, a procesy SEO

Osoby, które zainteresował cykl artykułów na temat analizy ścieżek konwersji oraz skutecznego wykorzystania analityki internetowej do badania zachowania internautów, zapraszamy 30 sierpnia br. do Hotelu Courtyard w Warszawie. Autor wpisów - Maciej Gałecki przedstawi tam prezentację pod tytułem „Ścieżki konwersji: nowa jakość w mierzeniu skuteczności działań e-marketingowych”. Wystąpienie to otworzy IV edycję konferencji E-commerce MoneyCon, której patronem merytorycznym jest firma Bluerank.

Jednocześnie informujemy, że 20 września Jacek Tkaczuk – Group SEO Manager w Bluerank, wystąpi podczas konferencji SMX w Sztokholmie. Jego prezentacja nosi tytuł „SEO & User Generated Content”. Z tej okazji prezentujemy na blogu kilka porad, w jaki sposób najlepiej wykorzystywać treści tworzone przez użytkowników do pozycjonowania serwisu...

Z punktu widzenia SEO, treść tworzona przez użytkowników ma bardzo dużą wartość, zgodnie z zasadą - content is the king. W przypadku internautów zaangażowanych w funkcjonowanie serwisu możemy liczyć, iż oni sami dostarczą nam dużo wartościowego tekstu, który będzie kontekstowo powiązany z tematyką, jaką się zajmujemy. Ponadto, w momencie osiągnięcia odpowiedniego poziomu ruchu oraz reputacji serwisu, treść zaczyna się tam pojawiać zupełnie bez naszego udziału. Dla przykładu można tu podać portale ogłoszeniowe lub serwisy (czy też ich sekcje) funkcjonujące na bazie pytań i odpowiedzi. Tworzenie treści przez użytkowników może przynieść serwisowi tysiące, a nawet setki tysięcy nowych stron. Z kolei odpowiednie pokierowanie tym procesem ma szansę poszerzyć potencjał SEO serwisu o tysiące czy setki tysięcy fraz kluczowych, szczególnie tych z długiego ogona. Co za tym idzie, dzięki User Generated Content (UGC) stosunkowo łatwo otrzymujemy duże wartości ruchu z Google.

Jak w pełni wykorzystać UGC podczas pozycjonowania?

Poprawna optymalizacja stron zawierających User Generated Content - poza zadbaniem o podstawy takie jak tytuły, opisy, czy nagłówki, należy również wytworzyć u użytkowników odpowiednie nawyki przygotowywania treści. Zależy nam przecież, by teksty  były redagowane zgodnie z naszymi oczekiwaniami i spełniały nie tylko funkcje komunikacyjne, ale również wpływały korzystnie na SEO. Możemy na przykład stworzyć rekomendacje dla użytkowników odnośnie tworzenia odpowiednich tytułów i opisów swoich ogłoszeń lub pytań. Możemy też zastosować automatyczne tworzenie tytułów stron, poprzez wykorzystanie wybranych kategorii i cech (na przykład - połączenie marki, modelu, roku i wersji samochodu oraz słowa "opinie" w serwisie, gdzie użytkownicy dodają wpisy na temat swoich pojazdów).

Właściwa indeksacja stron - jest to kwestia szczególnie istotna w przypadku User Generated Content, gdzie w krótkim czasie może przybywać bardzo wiele nowych treści. Należy stale monitorować poziomy indeksacji serwisu przez Google (poprzez automatyczne aplikacje do monitorowania wizyt Googlebota lub sprawdzając indeksację sajtmap w narzędziach Google dla webmasterów). Jeśli zauważymy błędy, należy wprowadzić odpowiednie zmiany.

Optymalne wykorzystanie dostępnej treści – kategoryzacja jest istotna, ale warto wprowadzać też dodatkowe opcje przeglądania treści według kryteriów innych, niż kategoria. Na przykład dla internautów przeglądających opinie na temat samochodów, może być dostępne standardowe drzewo kategorii typu marka i model, jednak można również wprowadzić dodatkową opcję podziału, w postaci opinii posegregowanych wedle klucza roku produkcji auta lub wersji silnika. W ten sposób jedna treść wykorzystywana jest kilkukrotnie na różne sposoby, a my mamy możliwość tworzenia nowych stron docelowych dla ruchu z Google. Dobrym przykładem będzie tu serwis www.inspireme.pl. Oprócz kategorii typu rodzaje pokoi, mamy też dostępne style i kolory (np. na stronie: http://www.inspireme.pl/projekty/k-wnetrza-kuchnie/1/ po lewej). Dzięki temu tworzymy setki nowych stron będących połączeniem rodzaju pomieszczenia ze stylem lub z kolorem (np. jasna łazienka, nowoczesna łazienka, jasna nowoczesna łazienka itd.). Tak naprawdę wciąż wykorzystujemy tu tę samą zawartość, czyli zdjęcia. Dzięki temu zabiegowi otrzymujemy dodatkowy ruch z Google - w tym przypadku jest to 30% wizyt.

--
Szymon Pietkiewicz

Analiza ścieżek konwersji - praktyczne przykłady analiz

W poprzednich wpisach przedstawiliśmy ścieżki konwersji oraz pojawiające się w związku z tym nowe możliwości bardziej wiarygodnej oceny wartości poszczególnych źródeł ruchu.

W ostatniej części naszego cyklu piszemy o praktycznym wykorzystaniu i wyciąganiu wniosków z udostępnionych danych - pokazujemy na czym naprawdę polega analityka internetowa. Poniżej znajdziecie przykłady trzech krótkich analiz, które można przeprowadzić przy pomocy raportów ścieżek konwersji.

1. Charakterystyka wizyt klientów

Informacje o ilości wizyt użytkownika przed złożeniem zamówienia są dostępne w Google Analytics od dawna, gdy jednak chcemy wyciągnąć bardziej precyzyjne dane, przyjdą nam z pomocą nowe raporty. Jako przykład weźmy zamówienia składane bezpośrednio przy pierwszej wizycie. Wiemy, że mają one bardzo różny charakter:

• mogą być złożone pod wpływem impulsu - gdy internauta po raz pierwszy spotyka się z marką lub produktem i zaintrygowany postanawia jeszcze podczas tej samej wizyty dokonać zakupu;
• mogą być złożone przez internautę, który już podjął decyzję o zakupie (np. wcześniej odwiedził tradycyjny sklep) - pojedyncza wizyta ma posłużyć wyłącznie do złożenia zamówienia.

Dla uproszczenia pomijamy tutaj zjawisko korzystania z wielu komputerów lub urządzeń mobilnych przez jednego użytkownika oraz wynikający z tego brak możliwości śledzenia użytkownika, który faktycznie wielokrotnie odwiedził witrynę, lecz na wielu różnych urządzeniach.

Patrząc na przedstawione niżej przykładowe dane, możemy nieco dokładniej zinterpretować charakter konwersji po jednej wizycie:

Wnioski są następujące...

• Klienci szczególnie często składają zamówienie wchodząc bezpośrednio lub za pośrednictwem wyników organicznych. Wejścia bezpośrednie mają zdecydowanie nawigacyjny charakter - internauta zna adres strony i ma świadomość jakie miejsce odwiedza. Wejścia z wyników organicznych wyszukiwarek w tym konkretnym przypadku pochodzą w przeważającej większości z zapytań zawierających nazwę serwisu lub jego adres, co również potwierdza ich nawigacyjny charakter ('chcę odwiedzić sklep X po to, by kupić w nim produkt A').
• Dużo zamówień pochodzi z kampanii linków sponsorowanych - świadczy to o dobrej konstrukcji kampanii, która emituje reklamy dla właściwych zapytań o charakterze transakcyjnym.
• Skuteczność działań reklamowych prowadzonych poza serwisem - zarówno sieć afiliacyjna (NetSales) jak i obecność w serwisach zewnętrznych (Snobka.pl, i Woman.pl) pozwalają sprowadzić użytkowników, którzy zachęceni właściwą informacją, dokonują zakupu.
• Skuteczność działań autopromocyjnych i lojalnościowych - newsletter i komunikacja przez platformę społecznościową Facebook są w stanie sprowadzić ruch, który generuje zamówienia. Jest to o tyle ciekawa informacja, że tego typu źródła ruchu najczęściej sprowadzają lojalnych użytkowników, którzy już wcześniej odwiedzali serwis (na newsletter trzeba się przecież zapisać).

Pogłębiając analizę, skoncentrujmy się teraz dla odmiany na sesjach z przynajmniej dwiema wizytami, które zakończyły się zakupem. Poniższa tabela prezentuje najpopularniejsze ścieżki zachowań w tym segmencie:

Widzimy, że...

• Proces decyzyjny jest najczęściej stosunkowo prosty - zwykle są to 2 - 4 wizyty do momentu złożenia zamówienia.
• Co ciekawe, internauci wracają na serwis przez ten sam kanał, przez który rozpoczęli z nim swoją przygodę. Jeżeli użytkownik trafił na serwis przez linki sponsorowane, to kolejną wizytę rozpoczął w ten sam sposób.
• Pierwsza ścieżka, która pokazuje wykorzystanie więcej niż dwóch różnych źródeł, przyniosła zaledwie 5 zamówień - mała popularność takich zachowań pozwala zmarginalizować na przykład problem conversion overlapping, czyli niekorzystnego, wielokrotnego rozliczania tej samej konwersji z różnymi partnerami (jeżeli stosowany jest w rozliczeniach z nimi model CPA lub CPL).

Interesujące wnioski można również wysnuć z analizy ścieżek zawierających powyżej 10 wizyt. Okazuje się, że w badanym przypadku jest to ponad 25% wszystkich złożonych zamówień! Tutaj również dominują proste, jednakowe wzorce zachowań:

2. Jaki jest wkład poszczególnego źródła w końcowym zamówieniu?

Drugi przykład analizy dotyczy przede wszystkim ostatniego wspomnianego segmentu. Dużo trudniej odpowiedzieć na pytanie postawione wyżej w przypadku bardziej złożonych wzorców zachowań, które składają się z wejść z różnych źródeł ruchu (przykład poniżej). By ustalić faktyczną wartość poszczególnych źródeł, kreacji reklamowych, czy słów kluczowych należy zastosować jeden z modeli atrybucji konwersji.

Zbierając wszystkie dotychczasowe obserwacje i wnioski w tym zakresie możemy powiedzieć, że...

• Najliczniej reprezentowane zachowania dotyczą przejść (pojedynczych lub wielokrotnych) z tego samego źródła ruchu - cała wartość zamówienia jest efektem tego źródła ruchu.
• Należy głębiej zastanowić się nad pierwotną przyczyną wizyty w serwisie w przypadku zamówień pochodzących ze źródeł o charakterze nawigacyjnym (wejścia bezpośrednie i z zapytań brandingowych z naturalnych wyników wyszukiwania). Wynikają one z wcześniejszej znajomości marki. Istnieje z pewnością konkretny powód, dla którego internauta postanowił wejść na serwis i złożyć zamówienie.
• Ścieżki o złożonym charakterze (1/4 całości) wykazują bardzo różnorodne zachowania internautów - we wskazanym wyżej przykładzie internauta odwiedzał serwis przez 5 unikatowych źródeł ruchu. Poszczególne źródła ruchu występują seriami (np. 11 wejść pod rząd z linków sponsorowanych), co wskazuje na wręcz nawigacyjne traktowanie, w tym wypadku, reklam serwisu. Z pokazanego wyżej schematu możemy wywnioskować coś jeszcze - prawdopodobnie mamy do czynienia z internautą, który sprowadzony na serwis zapisał się na newsletter i regularnie wracał poprzez ten kanał (mogą o tym świadczyć  źródła ruchu "poczta.wp.pl / referral" oraz "newsletter / email"). W momencie otrzymania atrakcyjnej oferty (np. promocja) wreszcie zdecydował się na zakup. Dowodzi to skuteczności treści newslettera oraz samego narzędzia. Idąc tym tropem należałoby wykonać analizę skierowaną na obliczenie wartości pozyskania subskrybenta newslettera (który z dużym prawdopodobieństwem złoży w przyszłości zamówienie) i zastosować optymalizację wydatków marketingowych również pod tym kątem.
• W przypadku ustalania wpływu źródeł ruchu dla długich ścieżek konwersji, zwykle stosuje się dwie zasady. Pierwsza to zmniejszenie istotności wejść pośrednich w ścieżce, gdyż internauta jedynie utrzymuje kontakt z serwisem (np. czeka na atrakcyjną promocję), ale nie mamy do czynienia ze zmianą jego preferencji lub decyzji, co do dokonania zakupu. Druga to ignorowania serii wejść z tego samego źródła, ponieważ powtarzalność (zaobserwowana również na poziomie zapytań czy kreacji reklamowych) ma charakter bardziej nawigacyjny niż decyzyjny. Biorąc pod uwagę te założenia, można w przypadku powyższego schematu zastosować model atrybucji konwersji, który przypisze największe znaczenie linkom sponsorowanym i newsletterowi. Pierwsze źródło odpowiadało za sprowadzenie internauty i doprowadzenie do subskrypcji newslettera, drugie zaś utrzymało jego zainteresowanie i wygenerowało (przez odpowiednią komunikację marketingową) zakup. Wniosek taki płynie również z faktu analizy pierwszego i ostatniego źródła wejścia w ścieżce konwersji - najczęściej bowiem te dwie skrajne wizyty mają największe znaczenie w całym procesie decyzyjnym.
• Analogiczna analiza wielu pojedynczych ścieżek pozwoliła nam zebrać bardziej ogólne i uniwersalne wnioski, których jednak nie możemy ujawnić publicznie.

3. Optymalizacja działań SEM - jakie słowa wykorzystać w pozycjonowaniu i kampaniach linków sponsorowanych?

Często działania PPC i SEO nie są ze sobą poprawnie koordynowane. Dużo mówi się o efekcie synergii i właściwym podejściu do analizy słów kluczowych, która pozwala identyfikować hasła o potencjale sprzedażowym (zwłaszcza kiedy taki jest główny cel działań marketingowych). Jednak dopiero analizowanie zapytań występujących w tej samej ścieżce konwersji przynosi nową porcję istotnych informacji, które należy dalej wykorzystać. Spójrzcie na przykład analizy przeprowadzonej dla jednego z naszych klientów. Poniższa tabela zawiera w wierszach słowa kluczowe (niestety ukryte, ze względu na ich wartość biznesową) wraz z dokładnym zestawem informacji pokazujących ich pośredni lub bezpośredni wpływ na złożone zamówienie. Bezpośredni wpływ to taki, kiedy słowo stanowiło zapytanie wykonane podczas wizyty, która zakończyła się zakupem. Pośredni wpływ wystąpił wtedy, gdy słowo pojawiło się w formie zapytania w jednej z wcześniejszych wizyt, które doprowadziły do późniejszego złożenia zamówienia. Ciekawe jest wyodrębnienie słów, które jednocześnie przyczyniły się w sposób pośredni i bezpośredni do zamówienia - internauta musiał użyć ich zarówno w trakcie, jak i na końcu ścieżki konwersji.

Słowa sprzedające w kanale organicznym (SEO):

Słowa sprzedające w kanale płatnym (linki sponsorowane):

W wyniku tej analizy:

• słowa z pierwszej tabeli powinny zostać uwzględnione w prowadzonej kampanii linków sponsorowanych - zwłaszcza hasła z wierszy 9 i 10, które dużo częściej uczestniczyły pośrednio w generowaniu zamówień (bez ścieżek konwersji nie mielibyśmy takiej informacji!),
• słowa z drugiej tabeli powinny być objęte działaniami pozycjonowania, zwłaszcza słowo z wiersza nr 307, które analogicznie cechuje się bardzo dużym, pośrednim wpływem na zakupy w analizowanym serwisie.

Mamy nadzieję, że powyższymi przykładami zainspirowaliśmy Was do aktywnego interpretowania danych ze ścieżek konwersji Google Analytics. Zrozumienie typowych i najpopularniejszych zachowań internautów, na pewno pozwoli Wam podjąć właściwe decyzje biznesowe i podnieść ogólną efektywność działań marketingowych. Gorąco zachęcamy do prowadzenia dalszych indywidualnych analiz!

--
Maciej Gałecki

Analiza ścieżek konwersji - Conversion Attribution - cz. II

Conversion Attribution to pojęcie, które... trudno (jeszcze) dobrze przełożyć na język polski :-) Jedno jest pewne - jest nierozerwalnie związane z nowymi raportami ścieżek konwersji w Google Analytics, o których pisaliśmy w ostatnim poście (bardzo ciekawe i szczegółowe opisanie tych raportów możecie znaleźć na blogu Conversion.pl).

Conversion Attribution (dosł. 'atrybucja konwersji', choć może bardziej pasowałoby określenie 'przypisanie konwersji') to parametr, który próbuje odpowiedzieć na pytanie - w jaki sposób każda z wizyt pojedynczego użytkownika wpłynęła na jego decyzję o wykonaniu pożądanej akcji (np. złożeniu zamówienia, rejestracji w serwisie, subsykrypcji newslettera, itp.), a także jaką wartość z tego tytułu reprezentuje?

Rozważmy trzy przykładowe ścieżki wizyt, które doprowadziły do teoretycznego zakupu:

Przy zastosowaniu najprostszych narzędzi i bez możliwości analizowania ścieżek konwersji, z raportów Google Analytics w domyślnej implementacji wyczytalibyśmy, że:

• w scenariuszu A konwersję wygenerowało wejście z wyników organicznych,
• w scenariuszu B konwersję wygenerowało wejście z wyników organicznych (znowu, ponieważ przy naliczaniu konwersji ignorowane są wejścia bezpośrednie, jeżeli wcześniejsza wizyta pochodziła z oznaczonego źródła ruchu),
• w scenariuszu C konwersję wygenerowało wejście z banera (kampanii reklamowej).

Wyciąganie wniosków z tych informacji nie jest rozsądne, gdyż błędem byłyby chociażby twierdzenia, że:

• nie ma sensu prowadzić kampanii PPC, skoro nie wygenerowała żadnych konwersji (przecież w ścieżkach A i C pojawiają się wizyty z tego kanału!),
• najwłaściwsze jest prowadzenie działań SEO (choć w ścieżce B to nie była wizyta, podczas której użytkownik faktycznie złożył zamówienie!).

Wreszcie, wciąż nic nie wiemy o ścieżkach wizyt!

• Jak użytkownik trafił na naszą ofertę - od którego źródła ruchu rozpoczął kontakt ze stroną?
• W jaki sposób powracał na serwis (przez kanały typu pull czy push - czyli przypominaliśmy się z ofertą, czy to raczej internauta był stroną aktywnie poszukującą?)
• Jeżeli wracał przez wyszukiwarki, to czy szukał konsekwentnie tego samego produktu? A może znalazł nasz serwis przez przypadek, poszukując zupełnie innego produktu i usługi? Kiedy zapamiętał naszą markę lub nazwę produktu zaczynając jej używać w celach nawigacyjnych?

Można postawić bardzo wiele problemów analitycznych tego rodzaju. Wszystko zależy od ich znaczenia i faktycznej wartości biznesowej udzielonych odpowiedzi. Zanim jednak zagłębimy się w tego typu analizy, skoncentrujmy się na próbie oszacowania udziału poszczególnych wizyt w końcowej korzyści, jaką reprezentuje każda mierzona akcja.

Modele przypisywania wartości konwersji do wizyt

Ogólnie rzecz ujmując, modele przypisywania wartości do poszczególnych wizyt wchodzących w ścieżkę prowadzącą do konwersji, można podzielić na:

• jednowymiarowe - czyli takie, gdzie cała wartość konwersji (np. zysk z zamówienia) jest przypisana do jednej konkretnej wizyty
• 'first-click' - model bazujący na założeniu, że do decyzji zakupu przyczynia się wyłącznie pierwsza wizyta w serwisie; wszelkie kolejne nie mają żadnego znaczenia - internauta powraca jedynie w celach nawigacyjnych, by złożyć zamówienie;
• 'last-click' - całkowite przeciwieństwo modelu opisanego powyżej - bazuje na założeniu, że decyzję zakupu internauta podejmuje wyłącznie w ciągu ostatniej wizyty; wszystkie wcześniejsze doświadczenia ze stroną nie są istotne; model ten jest najmocniej zbliżony do wyników prezentowanych w podstawowej implementacji Google Analytics; z naszego doświadczenia wynika, że jest on najbardziej właściwy tylko przy wszelkich decyzjach podejmowanych spontanicznie, gdy wcześniejsze wizyty użytkownika w serwisie lub znajomość marki mają marginalny charakter;
• wielowymiarowe - wartość konwersji jest rozdzielana pomiędzy dwie lub więcej (a nawet wszystkie) wizyty użytkownika - są to warianty bardziej złożone i w zdecydowanej większości przypadków również bardziej zbliżone w swoich założeniach do przebiegu realnych procesów decyzyjnych; możemy podzielić je na:
• proporcjonalne - określające równy (proporcjonalny) udział każdej wizyty użytkownika; jeżeli zatem internauta dokonał zakupu produktu po 5 wizytach w serwisie, według założeń tego modelu, każda wizyta odpowiadała w 1/5 (20%) za końcowy efekt;
• ważone - określające indywidualne znaczenie każdej wizyty ze względu na czynniki takie jak:
• kolejność wizyt - wizyty wcześniejsze mają większe znaczenie od wizyt ostatnich w ścieżce konwersji (lub na odwrót); wizyty środkowe mają najmniejsze (lub żadne) znaczenie; brane pod uwagę są wyłącznie wizyty skrajne (pierwsze i ostatnie);
• czas pomiędzy wizytami - wizyty bardziej rozłożone w czasie mają większe znaczenie (internauta zapomina o ofercie lub produkcie);
• charakter wizyty - np. jej źródło (sekwencja wizyt z tego samego źródła ma mniejsze znaczenie), czas trwania, ilość odsłon (ignorujemy wizyty jednoodsłonowe);
• inne - dowolne parametry, które wynikają z indywidualnych uwarunkowań firmy i prowadzonych przez nią działań marketingowych.

Jest to najprostszy podział, a każdy zastosowany model należy jeszcze indywidualnie doprecyzować, biorąc pod uwagę np. wpływ prowadzenia działań marketingowych offline oraz kontakt użytkownika z produktem lub usługą w świecie rzeczywistym.

Niezależnie od tego jakie warianty analizy przyjmiemy, pamiętajmy o jednym - każdy model będzie tak dobry i wartościowy, jak trafne będą założenia i wnioski wyciągane z końcowych obliczeń. Z tego punktu widzenia, lepiej zacząć od modeli prostych, a więc obarczonych mniejszą ilością błędnych założeń, które będą stopniowo coraz bardziej złożone, przy jednoczesnym monitorowaniu zmian jakościowych w efektach końcowych.

Pamiętajmy też, że conversion attribution ma nam pomóc w bardziej dokładnym ustaleniu wartości i faktycznej rentowności podejmowanych działań marketingowych. Obliczenia pozwolą podjąć decyzję o lepszym alokowaniu budżetów reklamowych. Nie bójmy się analizować pośredniego wpływu wizyt na konwersje - myślenie w kategoriach wyłącznie ostatniej wizyty i jej wpływie na decyzję zakupową na szczęście powoli odchodzi do lamusa. Świadczą o tym chociażby realne dane z raportów Google Analytics, które pokażemy... w następnym poście :-)

--
Maciej Gałecki

Analiza ścieżek konwersji - nowe możliwości Google Analytics

Analiza ścieżki konwersji, czyli sekwencji wizyt internauty, który ostatecznie wykonał pożądaną akcję w serwisie, to jedna z najważniejszych, nowych funkcji Google Analytics. Przykładowa ścieżka konwersji może wyglądać np. tak:

(przykładowe dane oparte na realnym zachowaniu internautów w serwisie jednego z naszych klientów)

Poza podstawowymi informacjami możemy również uzyskać dużą ilość bardziej szczegółowych danych o zachowaniu potencjalnych klientów. Na przykład, jako agencję SEM, zainteresują nas poszczególne wyrażenia wpisywane przez internautę w wyszukiwarkę. Przykładowa ścieżka konwersji przedstawiająca wejścia z wyszukiwarek może więc wyglądać w następujący sposób:

(przykładowe dane oparte na realnym zachowaniu internautów w serwisie jednego z naszych klientów)

Będąc certyfikowanym konsultantem Google Analytics, mieliśmy możliwość zapoznać się z nowymi raportami jako jedni z pierwszych, korzystając z przywileju uruchomienia tej funkcji na wybranych kontach naszych klientów. Raporty te przynoszą bardzo wiele ciekawych informacji, których uzyskanie za pomocą Google Analytics wymagało do tej pory raczej zaawansowanych prac i konfiguracji - także od strony technicznej. Mamy nadzieję, że nowe funkcje będą niedługo dostępne poprzez API i będzie je można wdrożyć w aplikacje analityczne, takie jak na przykład BlueStat.

Dwie najważniejsze korzyści płynące z nowych raportów GA to:

• lepsze zrozumienie sekwencji wizyt i udziałów poszczególnych źródeł ruchu w procesie decyzyjnym prowadzącym do konwersji,
• możliwość obliczenia wartości sprzedaży przypadającej na każde źródło ruchu lub kampanię, wynikającej z uczestnictwa danego kanału w ścieżce konwersji.

Naszym zdaniem przede wszystkim ten drugi punkt powinien zainteresować osoby odpowiedzialne za realizację działań o charakterze sprzedażowym (lub dowolnym innym policzalnym celu biznesowym), gdyż umożliwia bardzo precyzyjne policzenie wskaźnika ROI działań online. Pozwoli to skuteczniej alokować budżety marketingowe.

Wbrew pozorom, wyniki uzyskane za pomocą nowych raportów Google Analytics mogą istotnie różnić się od tego, co można zobaczyć w standardowej konfiguracji narzędzia, która przypisuje wartości konwersji ostatniej wizycie użytkownika (poza małymi wyjątkami), kompletnie ignorując wizyty wcześniejsze. Pomiar wartości źródeł ruchu w ścieżkach konwersji, które nie zakończyły się bezpośrednią konwersją (inaczej mówiąc - wszystkie wizyty poza ostatnią), wymaga przyjęcia założeń i zbudowania modelu przypisania konwersji (ang. 'conversion attribution'). O tym już niebawem - w kolejnym artykule na ten temat :-)

--
Maciej Gałecki