Godzina dziennie

z Web Analytics.
Stwrz dobr strategi
e-marketingow
Autor: Avinash Kaushik
Tumaczenie: Tomasz Walczak
ISBN: 978-83-246-1880-4
Tytu oryginau: Web Analytics: An Hour a Day
Format: 180x235, stron: 496
Czy potrafisz odpowiedzie na pytanie, ile osb dziennie odwiedza Twj serwis lub blog?
Jak dugo przebywaj w Twoim sklepie i ktra strona przyciga najwicej klientw? Jeeli
jeste w stanie przytoczy te dane, z pewnoci korzystasz z narzdzi pozwalajcych
na analiz ruchu na Twojej witrynie. Jeeli jednak nie masz bladego pojcia, jak interpretowa
i wykorzysta te informacje, dziki tej ksice rwnie i Ty zaczniesz efektywnie korzysta
ze statystyk! Analizy ruchu na stronie oferuje wiele rde, jednak dopiero usuga uruchomiona
przez Google Analytics w 2005 roku sprawia, e zaawansowane narzdzia stay si dostpne
dla przecitnego webmastera.
Autor tej niezwykej ksiki Avinash Kaushik, pracownik firmy Google pokae Ci krok
po kroku, jak opracowa skuteczn strategi analizy danych internetowych. Przekonasz si,
e wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawi wyniki
ogldalnoci i dochody Twojego serwisu. Dowiesz si midzy innymi, w jaki sposb zbiera
dane do analizy, oraz poznasz dostpne analizy jakociowe. Ponadto zrozumiesz kluczowe
elementy skutecznej strategii analizy danych internetowych oraz nauczysz si przeprowadza t
analiz. W kolejnych rozdziaach zapoznasz si take z dostpnymi miarami, analiz w obszarze
wyszukiwania, sporzdzaniem raportw czy te analizowaniem witryn z nurtu Web 2.0.
Historia analiz danych internetowych
Analizy zachowania, skutkw i dowiadcze
Sposoby zbierania danych do analizy
Pozyskiwanie danych na temat konkurencyjnoci
Dostpne analizy jakociowe
Elementy skutecznej strategii analizy danych internetowych
Najlepsze praktyki w tym zakresie
Wybr optymalnego narzdzia do prowadzenia analiz
Dostpne miary w analizie danych internetowych
Pomiar kosztw oraz zwrotu z inwestycji
Ustalanie czytelnikw serwisu
Analiza w obszarze wyszukiwania
Analiza skutecznoci kampanii PPC
Analiza skutkw marketingu e-mailowego oraz wielokanaowego
Opracowanie skutecznych raportw podsumowujcych
Zastosowanie procesu DMAIC
Analiza stron z nurtu Web 2.0
Mity z obszaru analizy danych internetowych
Obliczanie wspczynnika konwersji
Pozyskiwanie konsultantw oraz ekspertw wewntrznych
Zwiksz popularno swojej witryny dziki efektywnym analizom danych internetowych!

Spis treci
Przedmowa ....................................................................................................................19
Wprowadzenie ................................................................................................................23

Rozdzia 1. Web Analytics dzi i jutro ........................................................................ 31

Krtka historia analizy danych internetowych ..............................................................32
Obecne warunki i wyzwania .........................................................................................36
Tradycyjna analiza danych internetowych to przeszo ................................................38
Jak powinna wyglda analiza danych internetowych? .................................................40

Rozdzia 2. Zbieranie danych znaczenie i moliwoci ............................................. 53

Zrozumienie rde danych ..........................................................................................54
Dane ze strumieni klikni ...........................................................................................56
Dzienniki sieciowe .......................................................................................................................56
Pliki jednopikselowe ....................................................................................................................58
Znaczniki JavaScript ....................................................................................................................61
Przechwytywanie pakietw ..........................................................................................................65

Dane na temat skutkw ...............................................................................................70

Sklepy internetowe ......................................................................................................................71
Generowanie list potencjalnych klientw .....................................................................................72
Marka i promowanie produktw oraz pomoc techniczna .............................................................72

Dane z bada ...............................................................................................................74

Nastawienie .................................................................................................................................74
Struktura organizacyjna ...............................................................................................................75
Czas ............................................................................................................................................75

Dane na temat konkurencyjnoci .................................................................................76

Pomiary panelowe .......................................................................................................................77
Pomiary oparte na danych od ISP ................................................................................................78
Dane z wyszukiwarek ..................................................................................................................80

Rozdzia 3. Przegld analiz jakociowych .................................................................. 83

Istota koncentracji na kliencie ......................................................................................84
Laboratoryjne testy uytecznoci ..................................................................................84
Przeprowadzanie testw ..............................................................................................................86
Zalety laboratoryjnych testw uytecznoci .................................................................................88
Na co naley zwrci uwag ........................................................................................................89

11
SPIS TRE
CI

Pomiar co i dlaczego ..............................................................................................................43

Metoda Trinity nastawienie i podejcie strategiczne ................................................................45

Ocena heurystyczna .....................................................................................................90

Przeprowadzanie oceny heurystycznej ..........................................................................................91
Zalety stosowania oceny heurystycznej ........................................................................................93
Na co naley zwrci uwag ........................................................................................................94

Wizyty w siedzibie klienta ............................................................................................94

Przeprowadzanie wizyty w siedzibie klienta .................................................................................95
Zalety wizyt w siedzibie klienta ...................................................................................................97
Na co naley zwrci uwag ........................................................................................................97

Ankiety (kwestionariusze) ............................................................................................97

Ankiety wywietlane w witrynie ..................................................................................................98
Ankiety przesyane po wizycie .....................................................................................................99
Tworzenie i przeprowadzanie ankiety ..........................................................................................99
Zalety stosowania ankiet ...........................................................................................................103
Na co naley zwrci uwag ......................................................................................................104

SPIS TRE
CI

12

Podsumowanie ...........................................................................................................106

Rozdzia 4. Kluczowe elementy skutecznej strategii analizy danych internetowych .... 109
Koncentracja na kliencie ............................................................................................110
Odpowiedzi na pytania biznesowe ..............................................................................113
Regua 10/90 .............................................................................................................115
Zatrudnianie doskonaych analitykw internetowych .................................................119
Okrelanie optymalnej struktury organizacyjnej i obowizkw ...................................128
Centralizacja ..............................................................................................................................131
Decentralizacja ..........................................................................................................................131
Scentralizowana decentralizacja .................................................................................................132

Rozdzia 5. Podstawy analizy danych internetowych ............................................... 133

Zbieranie danych dzienniki sieciowe czy znaczniki JavaScript? ..............................134
Oddzielenie procesu udostpniania danych od ich zbierania .......................................................135
Rodzaj i rozmiar danych ............................................................................................................135
Innowacje ..................................................................................................................................136
Integracja ..................................................................................................................................136

Wybr optymalnego narzdzia do analizy danych internetowych ...............................137

Dawny sposb ...........................................................................................................................137
Nowy sposb .............................................................................................................................138

Okrelanie jakoci danych ze strumieni klikni .........................................................143

Stosowanie najlepszych praktyk ..................................................................................148
Oznaczanie wszystkich stron .....................................................................................................149
Znaczniki naley umieszcza na kocu (na pierwszym miejscu trzeba stawia klienta!) ..............150
Naley uywa znacznikw wewntrzwierszowych ....................................................................150
Okrelanie definicji niepowtarzalnej strony ................................................................................150
Inteligentne uywanie plikw cookie .........................................................................................151
Uwzgldnienie problemw z kodowaniem odnonikw .............................................................152

Naley uwzgldni przekierowania ............................................................................................153

Walidacja zebranych danych .....................................................................................................156
Prawidowe rejestrowanie operacji w witrynach bogatych w multimedia ....................................157

Trzypoziomowy test i co z tego? ..............................................................................157

Kluczowy wskanik wydajnoci: procent wracajcych uytkownikw ........................................158
Kluczowy wskanik wydajnoci: gwne strony wyjciowe .........................................................159
Kluczowy wskanik wydajnoci: wspczynnik konwersji dla najczciej szukanych sw ...........159

Rozdzia 6. Miesic 1. Zgbianie najwaniejszych zagadnie

z obszaru analizy danych internetowych ................................................ 161
Tydzie 1. Przygotowania do zrozumienia podstaw ....................................................162
Poniedziaek i wtorek: adresy URL ............................................................................................163

roda: parametry adresw URL .................................................................................................164

Czwartek i pitek: pliki cookie ..................................................................................................165

Tydzie 2. Powrt do podstawowych miar .................................................................168

13

Poniedziaek: odwiedziny i uytkownicy ....................................................................................168

Wtorek i roda: czas w witrynie .................................................................................................172
Czwartek i pitek: liczba wywietle stron .................................................................................176

SPIS TRE
CI

Tydzie 3. Poznawanie standardowych raportw .......................................................179

Poniedziaek i wtorek: wspczynnik odrzuce ..........................................................................179
Od rody do pitku: odnoniki wejciowe rda i szukane wyraenia ...................................182

Tydzie 4. Korzystanie z raportw na temat nawigacji i poziomu zawartoci witryny ......187

Poniedziaek i wtorek: listy stron najczciej ogldanych, wejciowych i wyjciowych ...........187

roda: najpopularniejsze punkty docelowe (odnoniki wyjciowe) ..............................................192

Czwartek i pitek: nakadki na witryny (mapy czstotliwoci klikni ) ......................................194

Rozdzia 7. Miesic 2. Analiza danych internetowych szybki start ......................... 201

Wymagania wstpne i ramy .......................................................................................202
Tydzie 1. Tworzenie podstawowych raportw ..........................................................202
Poniedziaek: najpopularniejsze rdowe adresy URL i najpopularniejsze szukane wyraenia ....204
Wtorek: popularno zawartoci witryny i wizyty na stronie gwnej .........................................206

roda i czwartek: czstotliwo klikni (nakadki na witryny) ...................................................208

Pitek: wspczynnik odrzuce witryny .....................................................................................209

Witryna sklepu internetowego szybki start ...........................................................210

Tydzie 2. Pomiar skutkw dziaa firmy ..................................................................................211
Tydzie 3. Ocena wynikw na podstawie celw oraz pomiar skutecznoci marketingowej
i zadowolenia klientw ...........................................................................................................214

Witryna pomocy technicznej szybki start ..............................................................218

Tydzie 2. Wchodzenie w rol klienta i pomiar wpywu witryny na tradycyjne kanay .................. 219
Tydzie 3. Pomiar sukcesu na podstawie gosu lub ocen klientw na poziomie witryny i stron ...... 223

Pomiar blogw szybki start ...................................................................................226

Tydzie 2. Przezwycianie zoonoci w celu pomiaru podstaw przy uyciu nowych miar .........226
Tydzie 3. Konkurencyjny punkt odniesienia oraz pomiar kosztw i zwrotu z inwestycji ...........229

Tydzie 4. Refleksje i podsumowanie .........................................................................233

Rozdzia 8. Miesic 3. Analiza w obszarze wyszukiwania

wyszukiwanie wewntrzne, SEO i PPC ............................................. 235
Tydzie 1. Analiza wyszukiwania wewntrznego w witrynie ......................................236
Poniedziaek: poznawanie wartoci wyszukiwania wewntrznego ...............................................236
Wtorek: wykrywanie trendw w wyszukiwaniu wewntrznym ..................................................241

roda: analiza czstotliwoci klikni za pomoc nakadki na witryn ........................................242

Czwartek: pomiar efektywnoci wynikw wyszukiwania ............................................................243
Pitek: pomiar skutkw zwizanych z wyszukiwaniem wewntrznym .......................................244

Tydzie 2. Rozpoczcie optymalizacji witryny pod ktem wyszukiwarek ....................245

Poniedziaek: zrozumienie wpywu odnonikw i ich optymalizacja ...........................................247
Wtorek: odnoniki do publikacji prasowych i witryn spoecznociowych ....................................247

roda i czwartek: optymalizacja znacznikw i zawartoci na stronach ........................................248

Pitek: dodawanie wskazwek na potrzeby robotw wyszukujcych ..........................................249

Tydzie 3. Pomiar skutkw SEO ................................................................................250

SPIS TRE
CI

14

Poniedziaek: sprawdzanie poziomu zindeksowania witryny .......................................................250

Wtorek: ledzenie odnonikw wejciowych i najpopularniejszych szukanych sw ....................251

roda: oddzielenie naturalnych odnonikw wejciowych od PPC ..............................................254

Czwartek: pomiar wartoci naturalnych odnonikw wejciowych .............................................255
Pitek: pomiar wpywu optymalizacji na najpopularniejsze strony .............................................255

Tydzie 4. Analiza skutecznoci kampanii PPC ..........................................................257

Poniedziaek: podstawy PPC .....................................................................................................258
Wtorek: pomiar wskanikw zwizanych z ofertami ..................................................................259

roda: definiowanie kluczowych miar wpywajcych na wyniki firmy ........................................260

Czwartek: pomiar liczby niepowtarzalnych uytkownikw ........................................................260
Pitek: najlepsze praktyki tworzenia raportw na temat PPC ....................................................261

Rozdzia 9. Miesic 4. Pomiar marketingu e-mailowego i wielokanaowego ............... 263

Tydzie 1. Podstawy (i nie tylko) marketingu e-mailowego ........................................264
Poniedziaek: podstawy marketingu e-mailowego ......................................................................264
Wtorek i roda: pomiar podstawowych wskanikw dotyczcych odpowiedzi ............................265
Czwartek i pitek: pomiar skutkw ...........................................................................................266

Tydzie 2. Marketing e-mailowy zaawansowana obserwacja skutkw ...................267

Poniedziaek i wtorek: pomiar efektywnoci witryny ..................................................................267

roda: unikanie puapek w analizie kampanii e-mailowych ........................................................268

Czwartek i pitek: integracja kampanii e-mailowej
z narzdziem do analizy danych internetowych .......................................................................269

Tygodnie 3. i 4. Marketing wielokanaowy ledzenie skutkw i analiza .................270

Tydzie 3. Wprowadzenie do marketingu wielokanaowego
i ledzenie tradycyjnych kampanii skoncentrowanych na internecie ........................................270
Tydzie 4.
ledzenie i analizowanie marketingu wielokanaowego .............................................275

Rozdzia 10. Miesic 5. Eksperymenty i testy zwizane z witryn

osiganie znaczcych skutkw dziki uwzgldnianiu opinii klientw ..... 283
Tygodnie 1. i 2. Po co testowa i jakie s moliwoci? ................................................284
Tydzie 1. Przygotowania i testy A/B ........................................................................................284
Tydzie 2. Poza testy A/B .........................................................................................................289

Tydzie 3. Co testowa ? Konkretne moliwoci i pomysy .........................................296

Poniedziaek: testowanie wanych stron i wezwa do dziaania ..................................................296
Wtorek: koncentracja na ruchu z wyszukiwarek ........................................................................298

roda: testowanie treci i materiaw .........................................................................................298

Czwartek: testy cen i promocji ...................................................................................................299
Pitek: testowanie kampanii marketingu bezporedniego ..........................................................299

Tydzie 4. Tworzenie doskonaego programu eksperymentw i testw ......................300

Rozdzia 11. Miesic 6. Trzy sekrety praktycznej analizy danych internetowych ............ 311
Tydzie 1. Wykorzystanie punktw odniesienia i celw
do motywowania do dziaa ....................................................................................312
Poniedziaek i wtorek: znaczenie punktw odniesienia i ustalania celw .....................................312

roda: wykorzystywanie zewntrznych punktw odniesienia .....................................................314

Czwartek: wykorzystywanie wewntrznych punktw odniesienia ..............................................317
Pitek: zachcanie i ustalanie celw ...........................................................................................320

Tydzie 2. Opracowywanie skutecznych raportw podsumowujcych dla zarzdu .....323

Poniedziaek: udostpnianie kontekstu punkty odniesienia, segmenty i trendy .....................324
Wtorek: wyodrbnianie kilku kluczowych miar .........................................................................326

roda: nie poprzestawaj na miarach docz te wnioski .........................................................327

Czwartek: ograniczanie raportu podsumowujcego do jednej strony ..........................................328
Pitek: wygld ma znaczenie .....................................................................................................329

Tydzie 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programw

opartych na raportach podsumowujcych ................................................................330
Poniedziaek: wybr miar zgodnych z modelem Trinity pod ktem dalekiej perspektyw ............330
Wtorek: tworzenie istotnych raportw podsumowujcych .........................................................333

roda: jedna miara jeden waciciel .......................................................................................334

Czwartek: od sw do czynw ....................................................................................................334
Pitek: pomiar skutecznoci raportw podsumowujcych ..........................................................336

Tydzie 4. Stosowanie podejcia Six Sigma i doskonaoci procesu

w analizie danych internetowych .............................................................................336
Poniedziaek: wszystko jest procesem ........................................................................................337
Od wtorku do czwartku: stosowanie procesu DMAIC ...............................................................342
Pitek: analiza zdobytej wiedzy .................................................................................................346

15
SPIS TRE
CI

Poniedziaek: hipotezy i okrelanie celw ...................................................................................301

Wtorek: testy i walidacja pod ktem wielu celw ......................................................................303

roda: przechodzenie od testw prostych do zoonych i rado z pracy .....................................304

Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testw .......................................305
Pitek: wdraanie dwch kluczowych elementw kadego programu testw .............................306

Rozdzia 12. Miesic 7. Analizy konkurencji i witryn z nurtu Web 2.0 ........................... 347
Analizy konkurencji ...................................................................................................348
Tydzie 1. Raporty na temat ruchu w konkurencyjnych witrynach ............................................349
Tydzie 2. Raporty na temat wyszukiwarek ..............................................................................354

Analizy witryn z nurtu Web 2.0 .................................................................................365

Tydzie 3. Pomiar sukcesu bogatych aplikacji internetowych ....................................................366
Tydzie 4. Pomiar sukcesu rde RSS .......................................................................................371

Rozdzia 13. Miesic 8. i nastpne. Rozwiewanie mitw

z obszaru analizy danych internetowych ................................................ 381
Do czego su analizy cieek? Do niczego ................................................................382
Problemy w obszarze analizy cieek ..........................................................................................383
Inna moliwo raport sekwencji grup stron .........................................................................385

SPIS TRE
CI

16

Wspczynnik konwersji bezwartociowa obsesja ...................................................388

Problemy zwizane ze wspczynnikiem konwersji ....................................................................389
Inna moliwo wspczynnik ukoczenia zada ze wzgldu na gwny cel ..........................391

Perfekcja umara doskonao , niech yje doskonao ...........................................393

Doskonae dane .........................................................................................................................394
Z prdkoci sieci WWW .........................................................................................................395
Fragmentaryczne dane z wielu rde ........................................................................................396

Dane w czasie rzeczywistym nieznaczce i kosztowne ............................................396

Efekty dostpu do danych w czasie rzeczywistym ......................................................................397
Lista kontrolna do okrelania gotowoci na dane w czasie rzeczywistym .....................................398

Standardowe wskaniki KPI mniej znaczce, ni sdzisz ........................................401

Rozdzia 14. Zagadnienia zaawansowane analiza danych internetowych

ze wspomaganiem ............................................................................... 405
Odblokowywanie potgi istotnoci statystycznej ........................................................406
Wykorzystanie zdumiewajcej potgi segmentacji ......................................................408
Segmentacja na podstawie wspczynnika odrzuce ...................................................................410
Segmentacja na podstawie wyszukiwarek ..................................................................................410
czenie danych na temat wyszukiwarek i ucieczek ...................................................................411
Okrelanie trendw w segmentach ............................................................................................412

Zrozumiae analizy i raporty ....................................................................................414

Uywanie adnych rysunkw .....................................................................................................414
Uywanie zrozumiaego jzyka ..................................................................................................415

Najlepsze praktyki przy obliczaniu wspczynnika konwersji ......................................418

Pomijanie oglnego wspczynnika konwersji dla caej witryny .................................................420
Uwzgldnianie trendw i sezonowoci .......................................................................................420
Zrozumienie strategii pozyskiwania klientw przez witryn i firm ............................................421
Pomiar wspczynnika konwersji z podziaem na pi najwaniejszych
wejciowych adresw URL ......................................................................................................422
Rezygnacja z pomiaru wspczynnika konwersji dla stron i odnonikw .....................................422

Obsesyjna segmentacja ..............................................................................................................423

Przedstawianie przychodw obok wspczynnika konwersji .......................................................424
Pomiar wspczynnika konwersji pod ktem celu ......................................................................424

Usprawnianie analiz z obszaru SEM i PPC ..................................................................426

Pomiar wspczynnika odrzuce
(zagregowanego i wedug najpopularniejszych szukanych wyrae) ........................................427
Kontrola usugodawcw i agencji ..............................................................................................428
Pomiar wspczynnika kanibalizacji ruchu naturalnego przez kampanie PPC .............................429
Agresywne stosowanie testw i eksperymentw .........................................................................430
Zrozumienie wielu celw klientw .............................................................................................431

Pomiar cudownego wspczynnika rezygnacji .............................................................432

Stosowanie segmentacji do wspczynnika rezygnacji .................................................................433
Wyciganie praktycznych wnioskw i podejmowanie dziaa ....................................................435

Pomiar liczby dni i wizyt do zakupu ...........................................................................436

Wykorzystanie statystycznych limitw kontrolnych ...................................................441

Obliczanie limitw kontrolnych .................................................................................................444
Praktyczny przykad zastosowania limitw kontrolnych ............................................................444

Pomiar rzeczywistego zakresu moliwej poprawy .......................................................447

Uwzgldnianie wspczynnika odrzuce ....................................................................................448
Odfiltrowywanie wizyt robotw wyszukujcych i oprogramowania do kontroli witryny
oraz bdw 404 i da rysunkw .........................................................................................449
Uwzgldnienie celw klientw ..................................................................................................450
Podejmowanie dziaa ...............................................................................................................452

Rozdzia 15. Budowanie kultury opartej na danych

praktyczne kroki i najlepsze praktyki ................................................... 457
Kluczowe umiejtnoci menederw
kierownikw dziau analizy danych internetowych ..................................................458
Prawdziwa pasja ........................................................................................................................459
Akceptacja i denie do zmian ...................................................................................................459
Kwestionowanie danych a do przesady .....................................................................................460
Nastawienie na innowacje pod ktem klienta ............................................................................460
Niekoniecznie mistrzowie liczb ...............................................................................................461
Naturalne zdolnoci biznesowe i rozsdek ..................................................................................461
Wybitne umiejtnoci interpersonalne .......................................................................................462

Kiedy i jak zatrudnia konsultantw oraz ekspertw wewntrznych? .........................462

Etap 1. Narodziny .....................................................................................................................464
Etap 2. Od niemowlcia do nastolatka .......................................................................................465
Etap 3. Szalona modo ............................................................................................................467
Etap 4. Dojrzao po trzydziestce ........................................................................................469

Siedem etapw budowania kultury podejmowania decyzji na podstawie danych .........471

Wyjcie od wynikw (skutkw) .................................................................................................471
Zrozumienie, e raporty to nie analizy, i promowanie tych ostatnich .........................................472

17
SPIS TRE
CI

Jak mierzy omawiane wskaniki? .............................................................................................438

Wyciganie praktycznych wnioskw i podejmowanie dziaa ....................................................439

Bezosobowe podejmowanie decyzji ............................................................................................473

Zachowania proaktywne zamiast reaktywnych ..........................................................................474
Due uprawnienia dla analitykw ..............................................................................................475
Stosowanie podejcia Trinity ......................................................................................................475
Mylenie w kategoriach procesu ................................................................................................476

Skorowidz ........................................................................................... 479

SPIS TRE
CI

18

Web Analytics
dzi i jutro

Rozdzia 1[SR1]

31
WEB ANALYTICS DZI
I JUTRO

20 marca 2007 roku wyszukiwanie wyraenia

web analytics + definition w wyszukiwarce
Google dao 642 000 wynikw w 0,11 sekundy.
Potwierdza to zoono i dug histori tej
wspaniaej dziedziny (oraz szybko generowania
wynikw przez wyszukiwark Google).

Stowarzyszenie Web Analytics Association (http://www.webanalyticsassociation.org)

zaproponowao niedawno standardow definicj analizy danych internetowych:
Analiza danych internetowych to obiektywne ledzenie, zbieranie,
mierzenie, tworzenie raportw i analizowanie ilociowych danych
internetowych w celu optymalizacji witryn oraz internetowych
kampanii marketingowych.
Analiza danych internetowych ma swe pocztki w latach 90. Jednak jej
pierwsz standardow definicj (przedstawion powyej) zaproponowano dopiero
w roku 2006, co pokazuje, jak moda jest to dziedzina.

Krtka historia analizy danych internetowych

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

32

W pocztkowym okresie istnienia internetu korzystanie z niego byo stosunkowo

proste. Uytkownik wpisywa adres i ujednolicony lokalizator zasobu (ang. Uniform
Resource Locator URL), otrzymywa plik z tekstem i odnonikami, po czym caa
interakcja si koczya. ycie byo wtedy proste.
Zauwaono, e czasem pojawiay si bdy, ktre powodoway, e nie mona
byo udostpni pliku, lub e zawiera on nieprawidowe odnoniki. Wtedy to sprytni
ludzie wymylili dzienniki serwera do rejestrowania bdw i wykorzystali je do
wyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizyta
odpowiadaa po prostu daniu zwrcenia pliku).
Wspomniane dzienniki serwera rejestroway nie sam fakt odwiedzin uytkownika
w witrynie, ale take dodatkowe informacje: nazw pliku, czas, rdo dania (witryn
lub stron internetow), adres IP, identyfikator przegldarki, nazw systemu
operacyjnego i tak dalej. Praca stawaa si coraz ciekawsza, poniewa mona byo
dowiedzie si czego o rdle dania.
Wraz z powikszaniem si dziennikw i wzrostem zainteresowania danymi
osb spoza wiata techniki jeszcze sprytniejsza osoba napisaa pierwszy skrypt,
ktry automatycznie przetwarza pliki dziennika i wywietla podstawowe wskaniki
(rysunek 1.1). W ten sposb narodzia si analiza danych internetowych.

Rysunek 1.1. Prosty raport programu Analog w wersji 0.9 (beta)

Rysunek 1.2. Przykadowy raport programu WebTrends

Do roku 2000, kiedy to popularno sieci WWW wci rosa w tempie

wykadniczym, analiza danych internetowych staa si ugruntowan dziedzin bada.
Kluczowymi dostawcami usug w tej brany byli Accrue, WebTrends, WebSideStory
i Coremetrics. Firmy te udostpniay coraz bardziej zaawansowane rozwizania, ktre
generoway olbrzymie iloci danych.
Mniej wicej w tym samym czasie usugodawcy i klienci w brany analizy danych
internetowych odkryli, e dzienniki serwera niekoniecznie s optymalnym rdem
informacji.
Stosowanie dziennikw wizao si z nastpujcymi problemami:
Zapisywanie stron w pamici podrcznej przez dostawcw usug internetowych.
Problem ten polega na tym, e po utworzeniu kopii strony na serwerze dostawcy

33
KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Program Analog napisany przez doktora Stephena Turnera w 1995 roku by
pierwsz aplikacj do analizy plikw dziennika powszechnie dostpn w sieci WWW.
Wci jest to jedno z najczciej uywanych narzdzi do analizy danych internetowych
i jest zainstalowane w witrynach wikszoci dostawcw usug internetowych
(ang. Internet Service Provider ISP). Analog i podobne mu programy uatwiy
rozpowszechnienie si analizy danych internetowych poza dziay informatyczne firm.
Raporty byy coraz adniejsze, a pracownicy z dziau marketingu mogli wreszcie
zrozumie , co si dzieje w witrynie.
W latach 1995 96 standardowi uytkownicy internetu mogli zetkn si
ze statystykami z uwagi na rozpowszechnienie si wspaniaego narzdzia nazywanego
licznikiem.
Liczniki odwiedzin na stronach byy prawdopodobnie
pierwszym przykadem sieciowego marketingu wirusowego (ich wprowadzenie
przypisywane jest firmie Web-Counter). Liczniki pojawiy si w kadym miejscu
sieci WWW. Byy ciekawe, a zarazem informoway o popularnoci strony.
Komercyjna analiza danych internetowych rozpocza si kilka lat pniej, a jej
najbardziej znanym owocem by program WebTrends. Aplikacja ta opieraa si na
wzbogaconym parserze standardowych plikw dziennika, jednak co jeszcze waniejsze,
generowaa tabele i eleganckie wykresy, ktre ostatecznie wprowadziy analiz danych
internetowych do zespow biznesowych (przykadowe dane wyjciowe programu
WebTrends przedstawia rysunek 1.2).

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

34

usug internetowych wszystkie nastpne dania powoduj zwrcenie wanie jej,

a operacje te nie s rejestrowane w plikach dziennika witryny.
Roboty wyszukujce. Wraz z rosnc popularnoci wyszukiwarek roboty
wyszukujce czsto przegldaj witryny i pozostawiaj w dziennikach wpisy
niezwizane z odwiedzinami uytkownikw. Te wpisy take s uwzgldniane
we wskanikach. Cho mona odfiltrowa odwiedziny robotw, trudno jest nady
z rejestrowaniem ich wszystkich, a ponadto staj si one coraz sprytniejsze.
Niepowtarzalni uytkownicy. Poniewa coraz wicej osb ma dynamicznie
przypisywany adres IP i odwiedza strony przy uyciu serwerw poredniczcych,
trudno jest okreli liczb niepowtarzalnych uytkownikw. Dostawcy uciekaj si
do uywania adresu IP w poczeniu z identyfikatorem agenta (identyfikator ten
obejmuje system operacyjny i przegldark uytkownika), jednak take to rozwizanie
nie jest doskonae. Mona te zastosowa pliki cookie ustawiane przez witryn,
jednak nie wszystkie dziay informatyczne korzystaj z tej techniki.
Z tych i innych przyczyn nowym standardem zbierania danych na temat
uytkowania witryny stay si znaczniki JavaScript (wiersze kodu w tym jzyku).
Jest to duo prostsza technika. Wystarczy doda do kadej strony kilka wierszy
kodu JavaScript, ktry zostanie uruchomiony po wczytaniu strony i przele dane
do rejestrujcego je serwera. Poniej przedstawiono przykadowy kompletny znacznik
JavaScript uywany przez Crazy Egg now firm wiadczc usugi w obszarze
analizy danych internetowych:
<script type="text/javascript">
//<![CDATA[
document.write('<scr'+'ipt
src="http://crazyegg.com/pages/scripts/1111.js?'+
(new Date()).getTime()+'" ~CAtype="text/javascript"></scr'+'ipt>');
//]]>
</script>

Pliki dziennika oparte na kodzie JavaScript s atwiejsze w konserwacji ni

pliki dziennika serwera. Powoduj take, e za zbieranie i przetwarzanie danych
zazwyczaj odpowiadaj nie wewntrzne, firmowe dziay informatyczne, ale dostawcy
usug z obszaru analizy danych internetowych. Uatwia to proces analizy. Znaczniki
JavaScript upraszczaj take wprowadzanie innowacji, rejestrowanie nowych rodzajw
danych i obsug plikw cookie w celu ledzenia aktywnoci uytkownikw. Obecnie
usugodawcy mog samodzielnie wykonywa te operacje, zamiast kontaktowa si
z dziaem informatycznym firmy.

Uwaga: Za znacznikami JavaScript take zwizane s pewne problemy omwione szczegowo

w rozdziale 2., Zbieranie danych znaczenie i moliwoci.

Rysunek 1.3. Raport ClickTracks w postaci nakadki na stron

(podzielony na wszystkich uytkownikw i odwiedziny z wyszukiwarki Google)

Obecnie w brany analizy danych internetowych dziaaj cztery due firmy:

Coremetrics, Omniture, WebTrends i WebSideStory. Jest te wielu rednich
dostawcw, na przykad Unica, indexTools i ClickTracks, oraz liczne podstawowe
rozwizania, takie jak produkty o otwartym dostpie do kodu rdowego AWStats,
Webalizer i StatCounter.
Duy wpyw na bran analizy danych internetowych miaa firma Google,
ktra w 2005 roku kupia produkt Urchin, a w 2006 udostpnia go bezpatnie pod
nazw Google Analytics. Obecnie uytkownicy mog bezpatnie korzysta
z pierwszorzdnych analiz danych internetowych. Trudno jest okreli liczb osb
stosujcych Google Analytics. Wikszo analitykw szacuje j na ponad p miliona

35
KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Nastpnym krokiem w ewolucji analizy danych internetowych byo

wprowadzenie nakadek na witryn (ang. site overlay), nazywanych te rozkadem
czstotliwoci klikni. Dziki tej technice osoby odpowiedzialne za podejmowanie
decyzji mog po prostu otworzy w przegldarce stron internetow, ktr chc
podda analizie, zamiast przetwarza zoone zbiory danych i przeglda tabele pene
informacji. Przegldarka lub aplikacja do analizy danych internetowych wywietla
wtedy przez okrelony czas miejsca o najwikszej liczbie klikni .
Upowszechnio to znacznie czynnoci bdce wczeniej domen analitykw
danych internetowych. Zwikszyo to te czsto korzystania z rozwiza
analitycznych, poniewa wszyscy mogli w bardzo prosty sposb patrzc
na liczb klikni zrozumie , co dzieje si na stronie.
Rysunek 1.3 pokazuje, jak atwo jest dokona segmentacji caego ruchu
w witrynie, wydzielajc odwiedziny z wyszukiwarki Google, oraz zaobserwowa
rnice w korzystaniu z odnonikw przez rne grupy. Pozwala to ustali , czego
szukaj dwa segmenty uytkownikw.

w cigu pierwszych szeciu miesicy. Zgodnie z powszechnymi oczekiwaniami

Microsoft wkrtce pjdzie w lady Google i take udostpni bezpatne narzdzie
do analizy danych internetowych.
Tempo wprowadzania innowacji w wiecie analizy danych internetowych nie
maleje. Wci pojawiaj si nowsze i atwiejsze sposoby wizualizacji zoonych
zbiorw danych na temat interakcji uytkownikw z witryn. Jedn z takich technik
jest mapa klikni udostpniana przez firm Crazy Egg (rysunek 1.4). W czasie
kiedy powstawaa ta ksika, wspomniana usuga bya dostpna w wersji beta.
Narzdzie to przedstawia grupy klikni na witrynie internetowej i ich liczebno
za pomoc kolorw. Im janiejszy kolor, tym wicej klikni koncentruje si wok
danego miejsca lub odnonika.

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

36

Rysunek 1.4. Raport w postaci mapy

klikni udostpniany przez Crazy Egg

Obecne warunki i wyzwania

Analiza danych internetowych wci znajduje si w wieku szczenicym. Dorosa
nieco od momentu narodzin i w pewnym sensie potrafi sama przetrwa , jednak
w przyszoci naley spodziewa si jeszcze znacznego rozwoju i licznych zmian.
Temu procesowi towarzyszy obecnie niezwyky splot wydarze.
Od dugiego czasu firmy ponosiy znaczne inwestycje na witryny internetowe,
poniewa wszyscy tak postpowali i byo to modne. W cigu kilku ostatnich lat
sie WWW dojrzaa i jest kanaem biznesowym uywanym przez wikszo firm.
Nagle okazao si, e kana ten podlega tym samym prawom ekonomicznym co inne
(na przykad sprzeda telefoniczna lub zwyke sklepy). Od czasu znacznego wzrostu
popularnoci sieci WWW prowadzone s coraz dokadniejsze analizy, a firmy
wymagaj od osb odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonych
na ten kana. To podejcie wymaga wielu zmian w funkcjonowaniu tego kanau

37
KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

i dziaaniach osb nim zarzdzajcych, ktre musz przeprowadza liczne badania,

aby wykaza si wynikami.
Nawet obecnie wiele osb utosamia analiz danych internetowych z badaniami
strumieni klikni . Cho jest to zupenie bdne podejcie, dla wikszoci praktykw
strumienie klikni to podstawa przy podejmowaniu decyzji zwizanych z witryn.
Poniewa te strumienie obejmuj tylko cz danych internetowych, liczne firmy
s rozczarowane brakiem praktycznych wnioskw mimo inwestycji ponoszonych przez
lata na narzdzia do analizy takich danych. Dostpnych jest mnstwo danych i jeszcze
wicej raportw, jednak w mylach osb odpowiedzialnych za podejmowanie decyzji
wci pojawia si pewne stwierdzenie: Dane nie powiedz mi, co mam robi.
W czasie boomu internetowego na rynku dziaao okoo 200 usugodawcw
o rnej wielkoci. Od momentu zaamania w brany nastpia konsolidacja.
Ekosystem firm zajmujcych si analiz danych internetowych jest zdominowany
przez usugodawcw, ktrzy staraj si uzyska przewag konkurencyjn, oferujc
coraz wicej funkcji. Zdominowali oni bran i okrelaj postrzeganie wiata analiz
(przy czym w praktyce jest to wiat raportw).
Brak wpywu praktykw na strategi i kierunek rozwoju ma negatywne skutki
dla brany. Standardowe techniki, na przykad innowacje pod ktem klienta (ang.
customer-driven innovation CDI), nigdy nie zostay przyjte w wiecie analizy danych
internetowych. Wikszo postpw wynika z innowacji opartych na moliwociach
(ang. possibility-driven innovation PDI), na przykad: Co jeszcze moemy zrobi
z zebranymi danymi? Wprowadmy innowacje na tej podstawie.
W brany wyranie wida brak wiedzy praktycznej. Co waniejsze, nie ma
te ludzi i podej , ktre umoliwiyby firmom internetowym wyciganie praktycznych
wnioskw pozwalajcych na strategiczne odrnienie si od konkurencji. Uniwersytety
i inne szkoy nie ucz praktycznej analizy danych internetowych. Istnieje tylko jeden
kurs internetowy na ten temat, prowadzony przez University of British Columbia.
Te braki w poczeniu z nadmiarem danych (w kategoriach danych surowych, ktre
mona uzyska w sieci WWW) prowadz do nieoptymalnych rozwiza przy
przedstawianiu firmom praktycznych wnioskw.
Ruch Web 2.0 i powizane z nim technologie coraz czciej s czym
oczekiwanym przez klientw. Ta zmiana to powana przeszkoda dla wikszoci
obecnych rozwiza i usugodawcw z obszaru analizy danych internetowych.
W wiecie Web 2.0 jeszcze waniejsze s szybkie zmiany w podejciu i opracowanie
strategii skutecznej analizy danych internetowych. Na przykad w Web 2.0 typowe
strumienie klikni nie s zbyt istotne, poniewa kada nowinka powoduje powolne
odchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wic mona
zmierzy sukces w takich warunkach?
Wraz z pojawieniem si programu Google Analytics rynek wprost eksplodowa,
poniewa wszyscy waciciele witryn mog bezpatnie uzyska dostp do danych
internetowych i do tego za pomoc zaawansowanych narzdzi. Oczekiwane darmowe

narzdzie Microsoftu dodatkowo zwikszy moliwoci praktykw. Jednak sam dostp

do narzdzi i danych nie rozwie problemw zwizanych z wyborem wskanikw
powodzenia i prawidow analiz danych internetowych.
Obecnie analitycy danych internetowych mog korzysta z wikszej iloci danych
ni kiedykolwiek wczeniej:

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

38

Analiza konkurencyjnoci pozwala nie tylko okreli , co dzieje si w witrynie,

ale take (za drobn opat) ustali , jak dziaaj witryny konkurencji.

Dane jakociowe (uyteczno , ankiety, bezporednia obserwacja) zapewniaj

informacje o wpywie kanau internetowego na inne kanay (warto zastanowi
si nad systemami CRM).

Wraz z rozwojem analizy danych internetowych od narodzin do obecnego

okresu niemowlcego uytkownicy mieli dostp do coraz wikszej iloci zoonych
danych. W prawie kadym narzdziu analitycznym za pomoc jednego kliknicia
mona wywietli setki miar.
Rosnca ilo danych zwiksza moliwoci w obszarze analiz i dziaa, ale
jednoczenie moe okaza si puapk, prowadzc do paraliu analitycznego.
Firmy dziaajce w sieci WWW wydaj miliony dolarw na analiz danych
internetowych, dc do optymalnego wykorzystania setek milionw dolarw
wydawanych na kampanie marketingowe i witryny internetowe, ktre z kolei maj
doprowadzi do uzyskania miliardw dolarw zyskw.
Podstawowym problemem przy tworzeniu ankiet, priorytetw marketingowych,
studiw przypadkw i list ycze jest moliwo dokadnego pomiaru danych w celu
podjcia optymalnych decyzji zwizanych ze spoytkowaniem setek milionw dolarw
wydawanych przez firmy. Najgorsze jest to, e wikszo firm prbuje rozwiza ten
problem w bdny sposb.

Tradycyjna analiza danych internetowych to przeszo

W audycji podcast z witryny Internet Marketing Voodoo z marca 2006 roku
stwierdziem, e tradycyjna analiza danych internetowych jest martwa. To samo
mogem powiedzie ju dwa lata wczeniej.
Analiza danych internetowych opieraa si pocztkowo na dziennikach
serwerw sieciowych, ktre zawieray gwnie informacje techniczne, a nie biznesowe.
Z uwagi na wyjtkow ciek rozwoju obecnie liczne narzdzia do analizy danych
internetowych i podejcie wikszoci firm koncentruj si na analizie strumieni
klikni . Rysunek 1.5 ilustruje typow analiz danych internetowych w przeszoci.
Dziki narzdziom do analizy danych internetowych mona byskawicznie
uzyska dostp do olbrzymich iloci danych, miar, kluczowych wskanikw wydajnoci
i innych liczb. Istnieje wielu uytkownikw i dostawcw takich usug oraz dobrze
ugruntowany system pracy i mylenia zwizany z przedstawianiem tych danych.

39

Jak wic wyglda tradycyjny wiat analizy danych internetowych? Jeli firma
korzysta z jednej z poniszych przykadowych miar, prawdopodobnie funkcjonuje
wanie w tym wiecie:
Liczba wywietle stron. Jeli firma prowadzi witryn sklepu internetowego (a take
wikszo innych witryn), to czy wysoka liczba wywietle stron przez uytkownika
jest korzystna, czy nie? Jeli nawigacja sprawia problemy, uytkownicy bd czsto
wywietla strony, ale nic nie kupi. Jeli nawigacja jest doskonaa, wywietle
stron bdzie mniej, jednak moliwe, e uytkownicy szybciej stwierdz, i ceny
nie s konkurencyjne, dlatego opuszcz witryn. Jak mona na podstawie samej liczby
wywietle stron stwierdzi , jak zachowuj si uytkownicy? Ponadto jaki wzorzec
zachowa klientw jest korzystny ze wzgldu na ten wskanik?
Liczba wizyt. Kiedy wizyty suyy do ledzenia liczby da danych kierowanych
do serwera. Wtedy mona byo utosamia wizyty z daniem strony lub treci.
Wicej wizyt oznaczao wiksz popularno , a na bardzo wczesnym etapie rozwoju
internetu take wiksz liczb uytkownikw. Obecnie wizyty maj bardzo mae
znaczenie z uwagi na liczb obrazw i multimediw umieszczanych na stronach.
danie typowej strony powoduje 25 wizyt na serwerze. Co naprawd mierzy analityk,
ledzc liczb wizyt? dania o dane kierowane do serwera? Liczb wywietlanych
stron? Liczb osb odwiedzajcych witryn?
Strony z najwiksz liczb wyj. O czym informuje analityka to, na ktrej stronie
internetowej odwiedzajcy najczciej opuszczaj witryn? Czy takie strony s gorsze
od innych? Przecie moliwe, e s to doskonae strony, na ktrych uytkownicy
znajduj to, czego szukaj, dlatego mog opuci witryn. Jeli klient bdzie szuka
aparatu cyfrowego Sony w witrynie Amazon.com i znajdzie to, co go interesuje,
wyjdzie z witryny. Podobnie zrobi osoby generujce 99% ruchu w tej witrynie.

KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Rysunek 1.5. Mnstwo miar i kluczowych wskanikw wydajnoci dostpnych po klikniciu przycisku

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

40

Wskanik opuszczania witryny nie informuje o tym, czy poziom poszczeglnych

stron jest wysoki, czy niski.
Zaangaowanie. Podobne zastrzeenia dotycz zaangaowania, ktre czsto oblicza
si jako liczb sesji podzielon przez liczb niepowtarzalnych uytkownikw. Jeli
wiele osb ponownie odwiedza witryn, czy dzieje si tak dlatego, e nie mog znale
szukanych treci, czy z uwagi na to, i jest to najpikniejsza witryna na wiecie ze
wspaniaymi informacjami?
Rozdzielczo ekranu uytkownikw. Rozdzielczo ekranu to doskonay przykad
niepotrzebnego wskanika, ktry ma bardzo niewielk warto . Kade narzdzie
do analizy danych internetowych informuje o rozdzielczoci ekranu, a miara ta pojawia
si w codziennych raportach, cho rzadko zmienia si czciej ni raz na sze miesicy.
Mimo to analitycy obliczaj j cay czas, co rozprasza usugobiorcw i powoduje
nieoptymalne wykorzystanie czasu. Ponadto czy nie lepiej po prostu uy bada firmy
Forrester Research lub Gartner na temat najnowszych trendw w danej brany i na
tej podstawie okreli optymaln wielko strony?
Wszystkie te wskaniki maj o czym informowa , jednak w praktyce tego
nie robi. Co gorsza, zwykle prowadz do bdnych wnioskw. Po wydaniu mnstwa
pienidzy na zakup narzdzi i poniesieniu jeszcze wikszych nakadw na uzyskanie
raportw firmy maj mao informacji na temat zwrotu z inwestycji lub opinii
uytkownikw na temat korzystania z witryny. Lata frustracji wynikajcej
z niemonoci zrozumienia danych i podejmowania dziaa na ich podstawie
doprowadziy do upadku tradycyjnej analizy danych internetowych. Nie udao si
dziki niej rozwiza problemw ani firm, ani ich klientw, poniewa nie prowadzia
do praktycznych wnioskw.

Jak powinna wyglda analiza danych internetowych?

W omawianej brany zachodz wanie istotne zmiany. Analiza danych internetowych
nie jest ju t sam dziedzin co dawniej. Nowy wiat analiz prowadzcych
do praktycznych wnioskw obejmuje nie tylko strumienie klikni . Istotne s take
dane na temat skutkw. Dane te zwykle mona zarejestrowa za pomoc znacznikw
JavaScript, jednak czasem pomiary te wymagaj wykazania si kreatywnoci.
Obecnie wana jest te analiza jakociowa: dlaczego odwiedzajcy zachowuj si
w okrelony sposb i dlaczego korzystaj z witryny?
Rozwj analizy danych internetowych powoduje, e waciciele witryn maj
duo wiksze moliwoci w zakresie wysuchiwania uytkownikw. Analizy obejmuj
obecnie bardziej istotne dane i pozwalaj zrozumie , jakie dziaania naley podj .
Dziki nowemu podejciu kana internetowy moe okaza si skutecznym narzdziem
dla firm, ktre wczeniej z niego nie korzystay.
Podstaw tradycyjnej analizy danych internetowych przez dugi czas byy
wbudowane kluczowe wskaniki wydajnoci (ang. key performance indicator KPI).

Podstawowy cel odwiedzajcych. Zamiast wnioskowa o celu wizyty na podstawie

ogldanych stron, w nowym i ulepszonym podejciu wystarczy poprosi klientw
o to, aby pomogli ustali , dlaczego odwiedzili witryn. Ryzyko korzystania
z wywietlanych stron przy okreleniu gwnego celu wizyty polega na tym, e jeli
witryna nie zawiera szukanych treci, waciciel nigdy si o tym nie dowie. Dlaczego
wic nie zada pytania uytkownikom? Warto przeprowadzi ankiet lub porozmawia

41
KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Jednak z uwagi na to, e oglne wskaniki KPI czsto nie uwzgldniaj strategicznych
rnic w dziaaniu firm, nie speniaj pokadanych w nich nadziei.
Aby wspzawodniczy z innymi firmami, trzeba przeprowadza kluczowe
analizy wnioskw (ang. key insights analysis KIA).
Poniej opisano kilka miar specyficznych dla nowego wiata analizy danych
internetowych prowadzcej do dziaa, a take przykadowe analizy KIA:
Analizy rozkadu czstotliwoci klikni. Analizy rozkadu czstotliwoci klikni
(powizane z nakadkami na witryn generowanymi przez narzdzia do analizy danych
internetowych) pomagaj zrozumie punkt widzenia klienta. Uatwiaj zrozumienie
dziaa uytkownikw witryny. Czy klikaj oni elementy zgodnie z oczekiwaniami
wacicieli witryny? Jeli nie, co uwaaj za ciekawsze od tych opcji? Ktre elementy
okazay si zupenie nieoczekiwanie interesujce dla uytkownikw?
Jeli firma dokonuje segmentacji ruchu w witrynie, moe ustali rnice
w zachowaniu rnych grup uytkownikw, na przykad klikni osb, ktre trafiy
na witryn z wyszukiwarki Google, i pozostaych odwiedzajcych. Mona na przykad
lepiej dopasowa tre dla uytkownikw z pierwszego z tych segmentw. Analizy
tego rodzaju s bardzo cenne, poniewa umoliwiaj podejmowanie dziaa. Nie
ograniczaj si do raportw i arkuszy programu Microsoft Office Excel, ale pozwalaj
dosownie przyjrze si stronom internetowym i zobaczy , jak zachowuj si klienci
z poszczeglnych segmentw. Na podstawie tych danych mona zacz tworzy
niestandardowe, spersonalizowane strony dla uytkownikw z rnych grup
i zwikszy przez to zaangaowanie klientw oraz poprawi wynik na skali gwnego
wskanika powodzenia.

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

42

z nimi przez telefon. Naley skontaktowa si z klientami i zapyta , dlaczego odwiedzili
witryn. Czasem mona w ten sposb odkry przyczyny, o ktrych waciciel nigdy
by nie pomyla, a ktre powinien by uwzgldnia od pocztku istnienia witryny.
Wspczynnik uko czonych zada . Zauwaalne jest te odchodzenie od korzystania
z danych na temat strumieni klikni (powizanych z wywietlaniem stron) w kierunku
pomiaru udanego ukoczenia zada. Firmy czsto maj witryny pomocy technicznej
z baz wiedzy, listami odpowiedzi na czsto zadawane pytania (ang. frequently asked
questions FAQ) i tak dalej. W dawnym podejciu sukces mierzono za pomoc
narzdzi do analizy strumieni klikni , uwzgldniajcych wszystkie osoby, ktre
zobaczyy artyku z bazy wiedzy lub list FAQ. Jednak czy sam fakt wywietlenia
przez uytkownika dugiej i skomplikowanej odpowiedzi oznacza sukces? Powodzenie
w wikszoci przypadkw bardzo trudno jest okreli na podstawie wywietlonych
stron. Wyjtkiem s witryny sklepw internetowych, w ktrych wywietlenie strony
z podzikowaniami po zoeniu zamwienia mona uzna za udane ukoczenie
zadania. W nowym podejciu zestaw analiz danych internetowych wzbogacono
o bardziej zaawansowane dane jakociowe, ktre pozwalaj zrozumie , czy klienci
ukoczyli zadania i znaleli to, czego szukali. Na tej podstawie mona podejmowa
dziaania, poniewa nie ma wtpliwoci, czy wywietlenie strony doprowadzio do
zrealizowania celu. Wystarczy zapyta (za pomoc ankiety, laboratoryjnych testw
uytecznoci lub testw w witrynie), a nastpnie podj dziaania na podstawie
uzyskanych odpowiedzi.
Trendy w zachowaniach segmentw uytkownikw. Niewiele dostpnych
obecnie narzdzi umoliwia segmentacj danych po ich zarejestrowaniu. W dawnym
podejciu uywano atrybutw w znacznikach JavaScript. Teraz dostpne s narzdzia
firm ClickTracks i Visual Sciences (ich ceny bardzo si rni) umoliwiajce prawdziw
segmentacj danych, dziki czemu nie trzeba sprawdza redniego czasu wizyty
w witrynie, najczciej szukanych sw kluczowych lub popularnych treci
z uwzgldnieniem wszystkich uytkownikw. Narzdzia te umoliwiaj podzia
klientw na grupy i rejestrowanie ich zachowa w sensowny sposb, co pozwala
na duo lepsze zrozumienie interakcji uytkownikw z witryn. Prowadzi to
do praktycznych wnioskw, na ktrych mona oprze dalsze dziaania.
Wielokanaowe analizy skutkw. Powan wad tradycyjnej analizy danych
internetowych byo oparcie jej na silosie (czyli na danych o strumieniu klikni
w witrynie). Jednak bardzo nieliczne firmy, niezalenie od ich rozmiaru, wi
strategi prowadzenia witryny i prowadzenie biznesu z silosem danych. Aby
zrozumie oglny wpyw kanau sieciowego, trzeba postrzega sie WWW jako
cz wikszego ekosystemu. Uzyskanie wartociowych wnioskw wymaga pomiaru
wpywu innych kanaw (na przykad reklam telewizyjnych i prasowych) na witryn
oraz witryny na inne kanay (na przykad liczb osb uywajcych witryny,
ale kupujcych produkty w zwykym sklepie lub przez telefon).

Poszerzenie perspektywy oznacza, e dane z narzdzi do analizy danych

internetowych pomagaj w analizach innego rodzaju (na przykad analizach wartoci
klienta w cyklu ycia osb pozyskanych wszystkimi kanaami). Poprawia te jako
analiz dziki wczeniu kluczowych informacji do analizy danych internetowych.
Obok danych o strumieniu klikni z ankiet i dotyczcych konwersji klientw poza
internetem nie powinno zabrakn podstawowych metadanych na temat firmy.
Wspczeni analitycy yj w czasach kluczowych analiz wnioskw i powinni
zda sobie spraw, e kada porcja danych ma wpyw na dziaania. Nie s to
jakiekolwiek operacje. Powinny to by dziaania, ktre przynosz skutki oczekiwane
przez klientw. (Warto zwrci na to uwag: nie s to efekty podane przez szefa
analitykw lub nawet przez jego przeoonego, ale wane dla klienta).
Wkroczenie w wiat wnioskw wymaga czasu, jednak pokonanie tej bariery
pozwala uzyska dugoterminow przewag strategiczn (i powan premi oraz
promocj, albo obie te korzyci, dla analityka).

Mona wyobrazi sobie klienta wchodzcego do i wychodzcego z supermarketu.

Jeli ta osoba nic nie kupi, kierownicy sklepu prawdopodobnie nawet nie dowiedz
si o jej istnieniu. Jeli klient wyda pienidze, waciciele dowiedz si, e pewne
produkty zostay sprzedane (jeli uytkownik korzysta z karty marketowej, uzyskaj
wicej informacji).
Z perspektywy zbierania danych odwiedziny w witrynie internetowej wygldaj
zupenie inaczej. W ich trakcie klient pozostawia duo danych niezalenie od tego,
czy co kupi, czy nie.
Witryna moe zarejestrowa kad alejk, w ktr wejdzie klient, wszystkie
ogldane produkty, czas czytania kadej etykiety, przedmioty umieszczone w koszyku
i usunite z niego, a take liczne inne informacje. Jeli klient w kocu co kupi,
meneder witryny bdzie wiedzia, gdzie mieszka uytkownik, skd trafi na witryn,
jakie promocje go interesuj, ile razy kupi co wczeniej i tak dalej. Jeli klient
po prostu wejdzie do witryny i opuci j, waciciel mimo to pozna wszystkie jego
dziaania i kolejno ich wykonywania.
Mam nadziej, e udao mi si zademonstrowa istotn przewag sieci WWW
w obszarze zbierania danych na temat odwiedzajcych. Wszystko to jest moliwe
bez naruszania podstawowych zasad prywatnoci (dlatego na przykad wikszo
witryn nie zarejestruje informacji o odwiedzinach Avinasha Kaushika, ale osoby
o identyfikatorze 159ar87te384ae8137 zapisanym w pliku cookie). Ponadto obecnie
istnieje bardzo dua liczba narzdzi, ktre byskawicznie tworz raporty obejmujce
wszelkie dane internetowe, wywietlaj je za pomoc rozmaitych diagramw,
wykresw, tabel, tabel przestawnych i zrzutw. Mona sobie wyobrazi ,
jak skomplikowana jest analiza wszystkich tych informacji.

KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Pomiar co i dlaczego

43

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

44

Jednak niezalenie od uywanych narzdzi dane mog jedynie pomc

w zrozumieniu tego, co si dzieje. Nie pozwalaj natomiast niezalenie od zakresu
przetwarzania danych okreli , dlaczego co si wydarzyo.
Dostpne s kliknicia, strony, czas odwiedzin w witrynie, cieki, promocje,
wspczynniki rezygnacji i tak dalej. Wane jest, aby pamita , e dane te nie
odpowiadaj na szereg kluczowych pyta. Dlaczego odwiedzajcy klikali okrelone
elementy? Dlaczego uytkownicy na jedne strony wchodzili, a inne omijali?
Dlaczego 50% klientw porzucio koszyk? Dlaczego 90% osb czyta odpowied
na najbardziej popularne pytanie na stronie pomocy technicznej, a nastpnie i tak
dzwoni do firmy? Dane nie odpowiadaj na pytanie dlaczego.
Dlatego tak istotne s dane jakociowe, ktre pomagaj zrozumie przyczyny.
Na tym polega rnica midzy 99% obecnych analiz witryn internetowych
prowadzcych do bardzo nielicznych wnioskw a 1% analiz, ktre pozwalaj
zrozumie sposb mylenia klientw.
Poczenie odpowiedzi na pytania co (analiza ilociowa) i dlaczego (analiza
jakociowa) moe okaza si wyjtkowo skuteczne. Kluczowa jest take umiejtno
zebrania wszystkich danych na temat strumieni klikni i ich dogbnej analizy.
Pozwoli to doj do wnioskw prowadzcych do istotnych zmian w witrynie, ktre
zwiksz komfort pracy uytkownikw.
Dostpnych jest wiele danych jakociowych (odpowiadajcych na pytanie
dlaczego). S to midzy innymi:
x

popularno marki i opinie na jej temat,

zadowolenie klientw,

wskaniki sieciowego marketingu szeptanego,

analizy otwartych wypowiedzi klientw,

zaangaowanie odwiedzajcych,

przywizanie klientw,

puls blogw.

Niektre z wymienionych danych dotycz interakcji klientw z witryn,

inne wskaniki mierz opinie i zachowania uytkownikw w miejscach innych
ni dana witryna, a jeszcze inne zwizane s z cechami mikkimi, na przykad
postrzeganiem marki.
Cho analiza jakociowa ma wiele odmian, prawdopodobnie najwaniejszym
wskanikiem z tej grupy jest interakcja klientw (odwiedzajcych) z witryn internetow.
Pierwszy krok na drodze do kluczowych analiz wnioskw powinien polega
na zrozumieniu wszystkich aspektw interakcji klientw z witryn. Moe to
doprowadzi do szybszego wysnucia praktycznych wnioskw i wywarcia istotnego
wpywu na proces podejmowania decyzji. Obecnie duo mwi si o modnych
wskanikach, takich jak warto lub wpyw marki oraz puls blogw. Te miary

mog by drugim lub trzecim przystankiem w podry, poniewa koncentracja

na nich moe prowadzi do nieoptymalnego wykorzystania czasu i zasobw, jeli
analityk wczeniej dobrze nie zrozumie elementw wpywajcych na zadowolenie
klienta i udane wykonywanie przez niego zada w witrynie.
Jest wiele metod zbierania danych jakociowych (odpowiadajcych na pytanie
dlaczego). S to midzy innymi:
laboratoryjne testy uytecznoci (uczestnicy wykonuj zadania z pomoc
badacza lub samodzielnie),

odwiedziny w siedzibie klienta (obserwacja uytkownikw w ich rodowisku

naturalnym),

testy i eksperymenty (jest to modna ostatnio technika obejmujca testy A/B

i wielu zmiennych),

nieustrukturyzowane rozmowy na odlego (zdalne komunikowanie si

z klientem w czasie, kiedy korzysta on z witryny; do komunikacji su
takie narzdzia, jak Ethnio),

ankiety (przodek wszystkich innych metod, wspomniany w omwieniu

gwnego celu odwiedzajcych w poprzednim podrozdziale).

Dla osb, ktre nie maj dowiadczenia w testach jakociowych, ankiety

to doskonay sposb na zapoznanie si z tym obszarem. Cho niektrzy twierdz
inaczej, metoda ta jest atwa w implementacji, mona j stosowa stale,
jest jednoczenie ilociowa, a wyniki pozwalaj zwykle wycign wiele praktycznych
wnioskw.
Poczenie odpowiedzi na pytania dlaczego (cele, motywacje i tak dalej) oraz
co (kliknicia, liczba odwiedzajcych) jest niezbdne jako podstawa udanego
i prowadzcego do dziaa programu analizy danych internetowych.

Metoda Trinity nastawienie i podejcie strategiczne

Kilka lat temu, w czasie zmaga z problemami w obszarze analizy danych
internetowych, pojawia si potrzeba zastosowania nowego paradygmatu, innego
sposobu mylenia o analizie. Zastosowanie wielu wskanikw KPI, raportw penych
danych i duej mocy obliczeniowej nie doprowadzio do uzyskania oczekiwanych
efektw.
Od kilku lat niemal kada witryna miaa zainstalowany standardowy pakiet
do analizy danych internetowych jednego z trzech czoowych producentw,
co umoliwiao generowanie raportw i doprowadzio do ogoszenia sukcesu
w obszarze ich conocnego przygotowywania. Jak jednak powinien wyglda
paradygmat, skoro zwyke dziaania nie doprowadziy do wysnucia wnioskw
umoliwiajcych popraw komfortu korzystania z witryny?

45
KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Odpowiedzi bya metoda Trinity nowy sposb mylenia o podejmowaniu

decyzji na temat witryny, wykraczajcy poza strumienie klikni . Trinity to take
platforma, na ktrej firma moe oprze strategi dziaa w sieci WWW.
Jej zastosowanie gwarantuje moliwo zbudowania pierwszorzdnej platformy
podejmowania decyzji, ktra zapewni przedsibiorstwu trwa przewag
konkurencyjn.
Gwn przyczyn wartoci metody Trinity jest jej istota: praktyczne wnioski
i miary (rysunek 1.6).

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

46

Rysunek 1.6. Rozwizywanie problemw

pod ktem praktycznych wnioskw i miar

Celem tej strategii jest rezygnacja z raportw. Analityk nie powinien si
zastanawia , jak zarzuca osoby podejmujce decyzj raportami penymi danych.
Praktyczne wnioski i miary to cel nadrzdny, poniewa umoliwiaj one strategiczne
odrnienie si od innych firm i uzyskanie trwaej przewagi konkurencyjnej.
Uzyskanie praktycznych wnioskw wraz z jasnymi celami pomaga
skonkretyzowa dziaania organizacji. Jeli czynnoci wykonywane przez analityka
(przygotowywanie raportw, analizy danych, spotkania, przegldy i tak dalej) nie
prowadz do praktycznych wnioskw, powinien z nich zrezygnowa . Ta strategia
zachca do wykonywania wartociowych zada i jest doskonaym sposobem
na uatwienie kluczowym osobom podejmowania decyzji w obszarze wykorzystania
zasobw.
Analizy zachowania
Pierwszy komponent metody Trinity to analizy zachowania, ktre odpowiadaj
tradycyjnym analizom strumieni klikni (rysunek 1.7).
Celem analiz zachowania jest wywnioskowanie (najdokadniejsze jak to moliwe
przy dostpnych danych) celw klientw lub osb odwiedzajcych witryn na podstawie
wszystkich informacji o danej osobie. Nie naley naladowa innych analitykw
i oczekiwa zbyt wiele po strumieniu danych. Najlepsze, co mona zrobi z takim
strumieniem, to prba ustalenia celu, i trzeba si z tym pogodzi .
Po zebraniu danych na temat strumieni klikni naley przeanalizowa je na
wyszym poziomie. Nie warto bada wizyt, cznego czasu korzystania z witryny,
liczby uytkownikw i stron wyjcia. W metodzie Trinity naley skoncentrowa

Rysunek 1.7. Analizy zachowania to prba zrozumienia celu klienta

Analizy skutkw
Drugi element metody Trinity to analizy skutkw (rysunek 1.8). Ja nazywam ten
komponent i co z tego?.
Ten komponent jest kluczowy z jednej prostej przyczyny: kiedy pod koniec
dnia wszystko zostao ju powiedziane i zrobione, analityk chce pozna skutki, jakie
bdzie to miao dla klientw i firmy. Ten element eliminuje te jedn z kluczowych
wad tradycyjnej analizy danych internetowych nadmiern koncentracj na miarach
opartych na strumieniu danych, powiconych stronie, czasowi i odwiedzajcym.
Poniewa analiza danych internetowych ma korzenie w analizie plikw dziennika
(ktre nigdy nie okrelay skutkw), od pocztku jej istnienia uywano wielu danych
i miar oprcz najwaniejszej odpowiedzi na pytanie: Co si stao, jakie s skutki?.
Warto zada wacicielom witryny nastpujce pytanie: Do czego suy wasza
witryna?. Zaskakujce jest, jak wielu z nich nie potrafi udzieli odpowiedzi skadajcej
si z mniej ni 15 sw. Ten element metody Trinity pozwala zmierzy , jak dobrze
witryna spenia cel swego istnienia.

47
KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

si na analizie rozkadu czstotliwoci klikni za pomoc raportu w formie nakadki

na witryn. Naley te przeprowadzi segmentacj danych na n poziomw, aby doj
do cennych wnioskw. Warto te przeanalizowa szukane wyraenia i to nie tylko
zewntrzne, ale take wewntrzne, ograniczone do witryny. Celem jest mdre
przeprowadzenie analizy strumieni klikni i rozpoczcie wnioskowania na temat
celw osb odwiedzajcych witryn.
Wnioskowanie na temat celw ma pewn wad dwie osoby mog
w odmienny sposb zinterpretowa ten sam zbir danych i klikni . Zwykle wynika
to z tego, e kady analityk ma wyjtkow wiedz i niepowtarzalne dowiadczenia.
Wielk zalet ustalenia, e najwaniejsze jest wnioskowanie na temat celw, jest
moliwo wykonywania tego zadania, przedstawiania efektw wsppracownikom,
sprawdzania poprawnoci przemyle, wycigania ostatecznych wnioskw i dawania
zalece.

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

48

Rysunek 1.8. Drugi element metody Trinity analizy skutkw (i co z tego?)

Komponent ten dobrze mierzy zyski witryn sklepw internetowych (nie tylko
ich poziom, ale te to, dlaczego przychody byy takie, a nie inne) i wspczynnik
konwersji. W witrynach pomocy technicznej pozwala okreli szybko rozwizywania
problemw i wskaniki zwizane z czasem. W witrynach sucych do zbierania list
potencjalnych klientw ten element Trinity mierzy liczb danych osobowych i ich
jako oraz zmiany w tym obszarze. Dla danej witryny lub firmy skutki mog by
inne od tych wymienionych na rysunku, jednak prawie zawsze s to miary zwizane
z dochodami i mona je uwzgldni w raportach finansowych firmy.
Kada witryna powinna istnie w jasno okrelonym celu. Jeli nie jest moliwy
pomiar wszystkich zwizanych z nim niuansw, zalecam cakowit rezygnacj
z pomiaru zachowa (strumienia klikni ). Jeli analityk nie moe solidnie zmierzy
skutkw, adna analiza zachowania nie bdzie wartociowa, poniewa nie wiadomo,
czy wszystkie rosnce wykresy generowane przez uywan aplikacj do analizy
danych internetowych przekadaj si na powikszenie wartoci firmy. Czy rezygnacja
ze strumieni klikni na rzecz wczeniejszego pomiaru skutkw to ekstremalne
rozwizanie? Tak. Czy jest to konieczne? Pewnie.
Analiza dowiadcze
Trzeci i ostatni komponent metody Trinity to dowiadczenia (rysunek 1.9). Ten
skadnik pozwala uzyska cenn, ale trudn do znalezienia odpowied na pytanie
dlaczego.
Cho komponent skutkw w metodzie Trinity jest niezbdny, pomiar
dowiadcze jest prawdopodobnie najwaniejszy. Kada firma, ktra popada w rutyn
i mimo usilnych stara nie potrafi doj do praktycznych wnioskw na podstawie

49

analizy zachowa i skutkw, powinna zainwestowa w analiz dowiadcze. Pozwala

to odpowiedzie na pytanie dlaczego. Te analizy przynosz ukojenie w trakcie cikiej
pracy nad danymi ze strumieni klikni .
Trudno wybra ulubione z dzieci, jednak dla mnie bez wtpienia analizy
dowiadcze s najcenniejsze. Wynika to z prostej przyczyny: analizy dowiadcze
pozwalaj przenikn myli klientw i zrozumie, dlaczego wykonuj oni okrelone czynnoci.
Jest wiele metod pozwalajcych zrozumie dowiadczenia klientw
z korzystaniem z witryny. Mona uy ankiet lub po prostu zadawa pytania, a take
zastosowa bardzo zoone techniki ilociowe i jakociowe. Ankiety pozwalaj zmierzy
satysfakcj klientw, a nawet przewidywa przysze zachowania (prawdopodobiestwo
zakupu lub polecanie innym produktw albo usug). W dalszej czci ksiki wyranie
wida , e jestem gorcym zwolennikiem eksperymentw i testw (naley pozwoli
klientom wyrazi ich preferencje) opartych na technice A/B i analizie wielu zmiennych.
Dostpne s te tradycyjne techniki projektowania skoncentrowanego na uytkowniku,
na przykad ocena heurystyczna. Mona te wykorzysta inn doskona technik:
laboratoryjne testy uytecznoci, lub odwiedzi klientw w ich siedzibie, co Scott
Cook, zaoyciel firmy Intuit, okrela jako istot innowacji skoncentrowanych
na kliencie.

Uwaga: W rozdziale 3., Przegld analiz jakociowych szczegowo omwiono wszystkie metody
projektowania skoncentrowanego na kliencie.

KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Rysunek 1.9. Trzeci element metody Trinity analizy dowiadcze (dlaczego)

Wszystkie metody zwizane z dowiadczeniami su jednemu celowi

usyszeniu przez firm gosu klientw, ktry w wikszoci korporacji ginie.
Rozwizania dla firm i klientw sytuacja wygrany-wygrany
W ostatecznym rozrachunku metoda Trinity ma prowadzi do dogbnego zrozumienia
dowiadcze klientw, aby mc wywoa optymalne zachowanie uytkownika, ktre
doprowadzi do sytuacji wygrana-wygrana dla firmy i klienta (rysunek 1.10).

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

50

Rysunek 1.10. Zrozumienie dowiadcze w celu wywoania zachowa prowadzcych do skutku wygrana-wygrana

Wane jest ostatnie zdanie metoda Trinity ma prowadzi do skutku

wygrana-wygrana.
Jeli dla danego klienta odpowiednia jest wersja podstawowa, a nie
profesjonalna, waciciele witryny powinni pomc odbiorcy to ustali i kupi
dopasowany produkt. To prawda, jeli klient kupi wersj profesjonaln, w krtkim
okresie zyski firmy bd wiksze. Jednak moliwe jest, e klient bdzie sfrustrowany,
poniewa wersja ta okae si zbyt zaawansowana, dlatego nie wrci wicej do sklepu.
Ponadto podzieli si negatywnymi opiniami z innymi osobami. Jednak jeli firma
pomoe mu w zakupie odpowiedniej, podstawowej wersji, klient za rok powrci, aby
kupi wersj profesjonaln. Metoda Trinity pozwala osiga korzyci dugoterminowe.
Naley zrozumie potrzeby i oczekiwania klientw, a nastpnie przygotowa
rozwizania pod ich ktem. Stosowanie metody Trinity umoliwia osignicie sukcesu,
a rozwizywanie problemw klientw, kiedy ju wiadomo, czym one s, jest zwykle
bardzo proste.
Kady komponent metody Trinity jest wspomagany przez rne narzdzia.
Podejcie to obejmuje rne techniki i wykorzystuje powtarzalne procesy.

Co najwaniejsze, stosujce j osoby musz mie zestaw kluczowych umiejtnoci.

Samo nastawienie nie prowadzi do rozwizania problemw (cho pozwala wkroczy
na dobr drog). Stosowanie strategicznej metody Trinity zwizane jest z utworzeniem
odpowiedniej struktury organizacyjnej i rozwinitej kultury.
Budowanie zintegrowanej platformy Trinity
Nie mona utworzy caej platformy w jeden dzie. Zwykle naley zdiagnozowa
obecny stan, a nastpnie doczy brakujce elementy. Trzeba si upewni , e plan
realizacji strategii i dziaa powdroeniowych umoliwia analitykom poczenie
wszystkich elementw metody Trinity (rysunek 1.11). Zapewni to firmie znaczn
przewag konkurencyjn.

51
KRTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH

Rysunek 1.11. Zintegrowana strategia Trinity (klucze podstawowe umoliwiaj powizanie najwaniejszych
silosw z danymi)

Jeli odwiedzajcy skadaj zamwienia lub przesyaj dane kontaktowe

za pomoc witryny, w bazie danych z zamwieniami mona zapisa anonimowe
elementy ledzce, na przykad tymczasowe identyfikatory session_id i cookie_id.
Pozwala to przeprowadzi zaawansowane analizy skutkw z podziaem na segmenty,
a take przeanalizowa zachowania prowadzce do tych skutkw.

ROZDZIA 1: WEB ANALYTICS DZI

I JUTRO

52

Identyfikatory session_id (ponownie anonimowe) mona przekazywa take

do narzdzia obsugujcego ankiety, co pozwala na podstawie ich wynikw wydzieli
segment najbardziej niezadowolonych klientw. Nastpnie mona wykorzysta
narzdzie do analizy danych internetowych i przeanalizowa strumienie klikni ,
aby ustali , ktre strony ogldali klienci zadowoleni, a co zobaczyli uytkownicy
niezadowoleni. Mona te sprawdzi , ktre elementy witryny najbardziej wpywaj
na satysfakcj klientw i tak dalej.
W wiecie, w ktrym perspektywa analityczna bya powanie ograniczona
przez stosowanie samych narzdzi do analizy danych internetowych i strumieni klikni ,
platforma Trinity wzbogaca dostpne dane, pomaga naprawd zrozumie klientw,
a take umoliwia szczegow analiz danych w celu uzyskania oglnych wnioskw.
Prowadzi to do wikszego zadowolenia klientw i wyszych zyskw firmy. Ponadto
sam analityk jest szczliwy, poniewa w kocu moe zmierzy si z analiz danych
jakociowych i ilociowych z wielu sesji co za frajda!
Platform Trinity mona stosowa do dowolnych odmian biznesu internetowego:
witryn sklepw internetowych, pomocy technicznej, promocji, organizacji non-profit,
maych firm i tak dalej. Wicej szczegw, a take przykady wykorzystania metody
Trinity do danego typu biznesu zawiera rozdzia 6., Miesic 1. Zgbianie
najwaniejszych zagadnie z obszaru analizy danych internetowych.