Веб-аналитика это, или Обзорная лекция по веб-аналитике

Веб-аналитика сегодня – это анализ количественных данных и качественных показателей вашего сайта и
сайтов конкурентов, с целью обеспечить постоянное улучшение онлайн-показателей поведения
ваших покупателей и потенциальных покупателей, что приводит к достижению желаемого дохода онлайн и оффлайн.
— Авинаш Кошик

Веб-аналитика — это непрерывный процесс анализа данных, нацеленный на выявление и решение проблем сайта для достижения целей клиента.

Сегодня меня попросили прочитать обзорную лекцию по веб-аналитике на Tabtabus School. Она будет нацелена на студенческую аудиторию. Цель сформировать базовое понимание о том, что такое веб-аналитика и для чего она нужна.

В данной лекции мы построим цепочку, как строится процесс продвижения сайта от целей клиента до получения результата, и выясним, какое место в этом процессе занимает веб-аналитика. А также рассмотрим саму процедуру анализа данных от проверки достоверности данных до получения выводов. Нам потребуются такие понятия как цель (в веб-аналитике), конверсия и воронка продаж.

Определения

Цель — действие посетителя, в котором заинтересован владелец сайта.

Конверсия — доля визитов, за которые была достигнута хотя бы одна цель, в общем числе визитов.

Воронка продаж — принцип распределения клиентов по стадиям процесса продаж от первого контакта до достижения цели.

1. Цели клиента

Начнем с целей клиента. Казалось бы, очевидный вопрос – для чего мы продвигаем сайт? Задача специалиста (или рабочей группы) по продвижению: достичь целей клиента. Однако остановимся на этом вопросе еще раз, так как нередко приходится сталкиваться с тем, что для проекта делают «полезные» вещи, но при этом не все из них эффективны для получения результата.

Например, полезно сделать мобильную версию сайта, но вряд ли затраты на это окупятся для рекламной кампании по реализации дизель-генераторных установок или по оптовой продаже детской одежды. Или пример попроще – если ставится цель получить дополнительный трафик по товарным запросам, то вряд ли для достижения этих целей будет полезным размещение «конверсионных блоков». В приоритете окажутся другие задачи – например, подключение YML-выгрузки.

Что значит работать на цели клиента?

Процесс включает в себя следующие стадии.

• Постановка целей. На что мы будем работать: на какой объем трафика, или какое количество заявок, или звонков, или продаж, или договоров? Пример: цель получить 2500 визитов по сегменту без бренда из органики через 3 месяца. Или получить 150 заявок в месяц с сайта в апреле, 110 в мае, 130 в июне.
• Оцифровка целей. Через какую систему статистики и по какому сегменту мы будем получать данные. Это могут быть Яндекс.Метрика или Google Analytics, системы учета звонков (Comagic, например), CRM, которая используется в компании для регистрации договоров или возвратов и т.д.
• Оценка достижимости целей. Клиент может изначально ориентироваться на завышенные цифры. Например, получить оборот 2 млн руб с бюджета 10 тыс. руб. на рекламу в мебельной тематике. Такие вопросы необходимо обсуждать на начальном этапе.

Итак, цели клиента определили, оцифровали, цели достижимы. Далее определяем основные проблемы сайта, которые мешают в достижении поставленных результатов.

2. Построение проблематики

Здесь без систем статистики не обойтись. Используем Яндекс.Метрику и Google Analytics. В целом, ориентируемся только на одну из этих систем, однако для получения более полной статистики приходится часть данных получать из другой – например, в Google Analytics нет карты кликов и почти вся информация о поисковых фразах скрыта или не получена, в Яндекс.Метрике нет конкурентного и когортного анализа, мультиканальных последовательностей и т.д.

При этом нет алгоритмов, которые бы позволяли сделать процесс выявления проблем сайта стандартным.

Если мы работаем на трафик, позиции или заявки – нам нужны данные о текущем трафике.

Если работаем на звонки – дополнительно потребуются данные по звонкам.

Если на продажи, увеличение среднего чека – данные электронной торговли или CRM.

Если на договора – данные CRM.

Данные системы аналитики позволяют специалисту увидеть слабые места сайта и в совокупности с данными из поисковых систем, Wordstat, анализа конкурентов, расставить приоритеты по решению этих проблем.

Примеры:

• 17 марта трафик из Яндекса снизился почти до нуля – значит, сайт попал под фильтр Яндекса.
• Трафик из Google составляет только 15% от трафика из Яндекса – значит, сайт плохо ранжируется в Google.
• Конверсия в продажи 0,12% для интернет-магазина одежды – значит, смотрим качество трафика, если идет большая часть малоконверсионного информационного трафика, требуется изменить стратегию продвижения, чтобы привлекать больше трафика по коммерческим запросам.
• Низкие показатели лояльности для группы страниц входа (отказы более 60-70% при точном показателе отказов, среднее время на сайте – менее 15 секунд) – смотрим, соответствующие страницы, могут быть удалены (ошибка 404), медленно открываться (проверяем по Google PageSpeed), не соответствовать ожиданиям посетителей, содержать мало интересующей информации.
• Конверсия из Яндекс.Директ в 1,9 раз меньше, чем из канала бесплатного поиска – смотрим почему, из каких кампаний, объявлений, по каким словам.

После того, как проблемы выявлены, расставляем приоритеты: что принесет наибольший результат для клиента с наименьшими затратами на рекламную кампанию.

Например, из перечисленного выше списка проблем, не первом месте стоит вопрос вывода сайта из под фильтра Яндекса и повышение конверсии в Яндекс.Директ. Первое – так как чем раньше решить вопрос, тем быстрее получим резкий прирост трафика (прогнозируем, что он должен вернуться на уровень 80-90% от показателей до 17 марта). Но поскольку на это потребуется время (ориентировочно до 2-3 месяцев), то параллельно решаем вопрос, как улучшить рекламную кампанию в Яндекс.Директе, чтобы получить большее количество продаж для клиента.

3. Анализ данных

Остановимся подробнее на вопросе анализа данных.

Нередко сталкивался с тем, что не только клиенты, но и специалисты по продвижению полностью доверяют информации в системах сбора статистики. Я бы здесь вспомнил доктора Хауса с его кредо «Все лгут».

Да, прежде чем вообще тратить свое время на ознакомление с данными и попытками сделать те или иные выводы, необходимо проанализировать корректность самих этих данных.

Существует целый ряд проблем, которые могут влиять на то, что данные собираются некорректно. Я приведу лишь несколько примеров:

• Счетчик статистики установлен не на всех страницах. В этом случае будет большой перекос во внутренние переходы в метрике и реферальные в GA.
• Счетчик установлен на тестовых сайтах или случайно скопирован на веб-страницах других сайтов — будут переходы с других хостов.
• Рекламные кампании неправильно размечены — в Google Analytics яндекс.маркет будет падать в рефералы, яндекс.директ в переходы из поисковых систем.
• Выбрана низкая точность данных или неверная атрибуция (например, в Яндекс.Метрике по умолчанию выбирается атрибуция по последнему переходу; но чтобы сделать корректные выводы об эффективности каналов и конверсии в заявки нужны данные по последнему значимому переходу).
• Некорректно настроены цели. Или цели были настроены недавно (необходимо учесть, если потребуется проанализировать больший временной период).
• Данные электронной торговли повторно поступают в систему статистики при возврате на «спасибо»-страницу.

Таким образом, прежде чем работать с данными, необходимо проверить корректность этих данных для получения ответов на свои вопросы. Зачастую требуется построение отдельных сегментов для получения максимально точных сведений о получаемом трафике и конверсиях.

После того, как предварительные работы проведены, можно приступать к непосредственному анализу. Опять же – нет стандартного алгоритма действий. То, какие данные будут подвергнуты анализу, зависит исключительно от тех вопросов, которые ставит специалист для выявления проблем и подтверждения своих гипотез. Процесс анализа часто называется «погружением»: поверхностный анализ даст мало ответов и может даже сформировать ошибочное представление о текущей ситуации. Например, среди перечисленных выше проблем, была названа проблема низкой доли трафика из Google. Однако здесь требуется более глубокий анализ данных. Возможно, Google не ранжирует коммерческий сайт по информационным запросам, в то время как в Яндексе он успешно искался по обеим группам запросов. Если данная гипотеза подтверждается, то нет необходимости увеличивать трафик из Google за счет информационных запросов, так как эти работы не принесут реального возврата инвестиций.

4. Воронка продаж

В одной из лекций Михаил Сливинский, говоря о воронке продаж, провел аналогию с дырявым ведром, из которого выливается вода через все отверстия. На мой взгляд, это самая удачная аналогия.

С одной стороны, очевидно, что 100% посетителей сайта никогда не смогут стать покупателями. Однако именно к таким показателям мы должны стремиться. При том, что до корзины могут дойти, например, порядка 4-5% посетителей, а заказ совершить, например, 0.9%.

Построение воронки продаж позволяет наглядно увидеть те места, где присутствуют наибольшие потери, и на основании этих данных выявить наиболее приоритетные проблемы.

Например, для рекламной кампании интернет-магазина одежды, который работает на конверсии в покупки, воронка продаж будет выглядеть следующим образом:

• Число визитов на страницы входа: каталог, главная, корзина (кроме спасибо-страниц), страница акций и распродаж.
• Число целевых визитов: положить в корзину и купить в 1 клик.
• Число переходов в корзину (не обязательно).
• Число целевых визитов: оформление заказа через корзину или форму в 1 клик.

В зависимости от того, на какую цель мы работаем, воронка продаж может быть продолжена. Например, здесь можно указать следующие шаги:

• Число оплаченных покупок.
• Число покупок без возвратов.

5. Процесс анализа данных

Выше достаточно подробно разобрали первую составляющую процесса анализа данных:

• Определение и оцифровка целей клиента
• Выявление и приоритезация проблем.

Далее следуют следующие этапы:

• Решение проблем. На этом этапе специалист предлагает план мероприятий, которые позволят решить приоритетные проблемы. Данные мероприятия можно разделить на действия, направленные на улучшение качественных и количественных показателей трафика из каналов (объем, лояльность), и на действия, целью которых является увеличение коэффициента конверсии (за счет увеличения целевой аудитории и уменьшения нецелевой и за счет доработок на юзабилити).
• Прогноз. Предложенные решения должны быть не просто «полезны» для сайта. Они должны решать выявленную проблему и специалисту важно заранее оценить, спрогнозировать, какой результат он получит. Возможно, что для достижения целей клиента в поставленные сроки предложенных доработок будет недостаточно. В этом случае этот вопрос должен быть дополнительно обработан.
• Анализ полученных результатов. Системы статистики позволяют не только выявлять проблемы, но и давать оценку полученному результату. Важно, чтобы на этом этапе сравниваемые данные были сегментированы аналогично тем, на основании которых ранее делались выводы и строился прогноз.

Веб-аналитика – это тот инструмент, который позволяет четко построить проблематику для решения задач клиента с целью предложить наиболее эффективные решения и оценить полученный результат.

Дополнительная информация

promo.ingate.ru/books/ (Наши книги) — Комплексная веб-аналитика New Life

promo.ingate.ru/books/ (Наши книги) — Google Analytics, в этой книге я писал главу по практической части

promo.ingate.ru/books/ (Наши книги) — Инструкция по веб-аналитике

http://altblog.ru/web-analytica-avinash-kaushik/ — переводы статей Авинаша Кошика

http://web-analytic.ru/ — блог по веб-аналитике