Avanceret hjemmesideanalyse: gå videre end det basale

Et brand med basal analytics ser konverteringsraten falde fra 3 % til 2,5 % og får panik. Skylden går til produktet, markedet eller målgruppen. Et brand med avanceret analytics kender det præcise problem: En knap i mobilkassen blev udrullet 2 pixel mindre, det ramte 40 % af de besøgende, og det kostede målbar omsætning. Det er forskellen på at gætte og at vide.

Avanceret analytics går videre end at tælle besøgende og sidevisninger. Det finder mønstre, forudsiger, hvad der kommer, og forklarer, hvorfor tingene sker. Basal analytics svarer på "hvor mange besøgte os?". Avanceret analytics svarer på "hvorfor forlod de siden?", "hvem køber?" og "hvad sker der, hvis vi ændrer det her?"

Hvad gør avanceret analytics anderledes end basal?

Se på de fleste analytics-dashboards, og du finder det samme: trafiktal, konverteringsrate, afvisningsprocent. Det er nyttigt. Men det svarer kun på ét spørgsmål. Kig dybere, og du ser, at basal og avanceret analytics løser helt forskellige problemer.

Basal analytics er beskrivende. Den fortæller, hvad der skete. Du kan se, at 5.000 personer besøgte siden, og 125 konverterede. Du kan se, hvilken trafikkilde der sendte flest besøgende. Du kan se, hvilken side der får mest trafik. Det er fundamentet, for du skal vide, hvad der skete. Men det stopper dér.

Avanceret analytics er diagnosticerende og forudsigende. Tag de samme 5.000 besøgende. Avanceret analyse spørger: Hvilket segment havde den højeste købsintention? Konverterede tilbagevendende besøgende anderledes end førstegangsbesøgende? Hvilke funktioner brugte dem, der købte, egentlig? Hvilket mønster adskiller købere fra dem, der forlader siden? Hvilken kohorte (gruppen, der tilmeldte sig i januar, mod marts) er mest tilbøjelig til at forny? De spørgsmål peger på, hvorfor tingene skete, og hvad der sker som det næste.

Effekten for forretningen er stor. Et brand, der ved, at konverteringen faldt 50 % for mobilbrugere tirsdag aften og var tilbage dagen efter, har fundet problemet og forhindret det i resten af virksomheden. Et brand, der ved, at brugere fra én kilde bruger 40 % mere pr. køb, kan genskabe de forhold for andre kilder. Et brand, der kan forudsige, hvilke kunder der forlader dem, har tid til at række ud og beholde dem. Det er ikke gætværk. Det er præcision.

Hvorfor har du brug for det?

Se på en vilkårlig analytics-opsætning, og du finder det samme problem: Indsigten stopper for tidligt. Du kender dine største trafikkilder. Du kender din konverteringsrate. Du ved, hvilke sider folk besøger mest. Men de fleste brands stopper dér. De lander på omkring 80 % indsigt og undrer sig så over, at beslutningerne stadig føles usikre.

Spørgsmålet er ikke, om basal analytics er nyttig (det er den). Spørgsmålet er, om den svarer på de beslutninger, du faktisk tager. Hvis din beslutning er "skal vi bruge flere penge på betalte annoncer?", kan basal analytics give dig svaret. Hvis din beslutning er "hvilken trafikkilde giver kunder, der bruger mere, anbefaler os og bliver længere?", kommer basal analytics til kort. Det klarer avanceret analytics.

Avanceret analytics fanger også problemer, som ingen andre ser. En lille fejl, der kun rammer mobilbrugere på bestemte dage, bliver usynlig i basale dashboards. En funktion, der fastholder ét segment, men ikke et andet, forbliver skjult. En konkurrent, der langsomt tager dine mest værdifulde kunder, udløser ingen alarmer. Avanceret analytics holder løbende øje med de mønstre og viser dem, før de vokser sig til store problemer.

Hvordan adskiller basal og avanceret analytics sig i praksis?

Tag en konverteringstragt. Basal analytics viser frafaldet: 10.000 besøgende når forsiden, 3.000 når prissiden, 800 når kassen, og 300 gennemfører købet. Hvor mistede du 7.000 mennesker? Dashboardet siger det ikke. Avanceret analytics opdeler tragten: førstegangsbesøgende mod tilbagevendende. Computer mod mobil. Trafikkilde A mod kilde B. Pludselig ser du, at førstegangsbesøgende på mobil fra betalte annoncer konverterer med 2 %, mens tilbagevendende besøgende på computer fra organisk søgning konverterer med 8 %. Nu kan du handle: gøre mobiloplevelsen bedre for nye besøgende, flytte annoncebudgettet til besøgende, der er tættere på at købe, og lave en plan for at få tidligere besøgende tilbage.

Tag fastholdelse. Basal analytics viser, at du har 20 % fastholdelse efter en måned. Det er dit tal. Avanceret analytics spørger: Hvilken kohorte (tilmeldingsmåned) har bedst fastholdelse? Hvilke funktioner hænger sammen med højere fastholdelse? Hvilket brugersegment (virksomhedsstørrelse, branche, brugssituation) bliver oftest? Bliver kunder, der når en bestemt milepæl i den første uge, længere? Med de svar kan du ændre din onboarding, så flere når den milepæl. Fastholdelsen bliver bedre. Det er forskellen på at se på et tal og at forbedre det.

Tag afvigelser. Basal analytics er passiv. Du tjekker dashboardet og opdager, at noget ser anderledes ud. Avanceret analytics er aktiv. Et automatisk system holder øje med alle nøgletal, opdager, når noget ændrer sig mere end normalt (konverteringen falder 15 % på én dag), og giver dig besked, før du selv ser det. Seks timers tabt omsætning undgået, fordi du vidste det efter 30 minutter i stedet for sidst på dagen.

Hvornår skal du gå videre end basal analytics?

Du har styr på det grundlæggende. Du ved, at din fastholdelse er 20 %. Du ved, at din konverteringsrate er 2,5 %. Du ved, at dine tre største trafikkilder klarer sig forskelligt. Men nu stiller du spørgsmål, som dit dashboard ikke kan svare på: "Hvorfor har brugere fra kilde A 25 % fastholdelse, mens kilde B kun har 15 %?" eller "Hvilke funktioner giver den højeste kundeværdi over tid?" De spørgsmål kræver avanceret analyse, fordi svarene ikke står i de basale rapporter. De ligger skjult i segmenter, filtre og krydsrefererede data.

Du opdager også, at problemerne bliver mere subtile. I starten er problemerne tydelige (siden er nede, kassen virker ikke). Men når du vokser, gemmer problemerne sig. Et bestemt trin i kassen er langsomt for brugere på 4G. En konkurrent tager stille og roligt dine prøvebrugere. Onboarding forvirrer brugere under 25. Basale værktøjer ser ikke de nuancer, fordi de kigger på samlede tal. Avanceret analytics med segmentering, kohortesporing og trendanalyse afslører dem.

Din størrelse kan være det afgørende. Med 1.000 besøgende om måneden betyder hver enkelt bruger noget. Med 100.000 besøgende om måneden læser du mønstre på tværs af tusindvis af mennesker. Et lille mønster (0,1 % af de besøgende rammes af en fejl) bliver statistisk usynligt. Men det betyder stadig noget, hvis det løber op (0,1 % × 100.000 = 100 berørte brugere om måneden). Avanceret analytics finder de små, men vigtige mønstre, før de vokser.

Men der er en forudsætning: Du skal have et team, der handler på indsigten. Avanceret analytics er ubrugelig, hvis du opdager, at kassen er langsom for mobilbrugere, og ingen kan rette det. Invester kun i avanceret analytics, hvis du har udviklere, produktfolk eller marketingfolk, der kan handle på det, du finder. En lille startup har måske ikke teamet endnu. En stor virksomhed har det helt sikkert.

Hvilke teknikker afslører mønstre, som basal analytics overser?

Avanceret analytics er en samling af konkrete teknikker, og hver af dem besvarer en bestemt slags spørgsmål. Her er de fem, der gør en forskel.

Kohorteanalyse: Del brugerne op i grupper efter, hvornår de tilmeldte sig (januar-kohorten, februar-kohorten osv.), og følg hver gruppes adfærd over tid. Det viser, om dit produkt bliver bedre eller dårligere. Hvis januar-kohorten har 20 % fastholdelse efter 30 dage, og juni-kohorten har 25 %, bliver du bedre til at beholde brugerne. Hvis fastholdelsen falder fra måned til måned, er noget ændret (en funktion gik i stykker, konkurrenterne blev bedre, onboarding blev dårligere). Kohorteanalyse er dit tidlige varslingssystem.

Tragtanalyse: Kortlæg kundens rejse trin for trin (besøg forsiden, læs en artikel, download en guide, indtast e-mail, tilmeld dig, første login). Mål, hvor mange procent af de besøgende der gennemfører hvert trin. Du ser, hvor de største frafald sker. Måske læser 10.000 besøgende artiklen, 3.000 downloader guiden, 800 indtaster e-mail, og 300 tilmelder sig. Mellem artikel og download mister du 7.000 mennesker. Dér er lækagen. Ret det trin, og du forbedrer alle trinene efter.

Attributionsmodellering: Når en kunde konverterer, hvilket kontaktpunkt fortjener æren? Kunden kom fra en betalt annonce, forlod siden, så en retargeting-annonce, kom tilbage, læste et blogindlæg, tilmeldte sig nyhedsbrevet, fik en e-mail og købte så. Hvad udløste købet? Basal analytics siger "det sidste" (e-mailen). Attributionsmodellering fordeler æren på dem alle ud fra deres faktiske effekt. Det viser, hvilke marketingtiltag der virkelig virker, ikke bare hvilke der ligger sidst i tragten.

Segmentering: Din målgruppe er ikke ens. Førstegangsbesøgende opfører sig helt anderledes end tilbagevendende. Mobilbrugere har andre behov end computerbrugere. Brugere fra forskellige trafikkilder har forskellige hensigter. Betalende kunder engagerer sig anderledes end gratisbrugere. Avanceret segmentering viser de grupper, så du kan tilpasse din besked og oplevelse til hver af dem. Én løsning passer ikke til alle.

Fastholdelseskurver: Tegn, hvor mange brugere der bliver hængende over tid (dag 1, dag 7, dag 30, dag 90). Kurvens form fortæller, om du har en loyal kerne. Et stejlt fald, der flader ud? Så har du loyale brugere. Et gradvist fald? Så er ingen for alvor klistret til dig. Kurven er et billede af brugertilfredsheden og af, om produktet passer til markedet.

Hvornår skal du gå over til avanceret analytics

Du har styr på det grundlæggende og har brug for dybere svar. Du ved, at din fastholdelse er 20 %. Du ved, at din konverteringsrate er 2,5 %. Du kender dine tre største trafikkilder. Men nu spørger du: "Hvorfor har brugere fra kilde A 25 % fastholdelse, mens kilde B kun har 15 %?" eller "Hvilke funktioner giver den højeste kundeværdi over tid?" De spørgsmål kræver avanceret analyse, fordi svarene ikke står i basale dashboards. Du skal segmentere, filtrere, krydsreferere og nogle gange bygge egne beregninger. Hvis du hele tiden er frustreret over, at dit dashboard ikke kan svare på dine spørgsmål, er det tid til at rykke op.

Problemerne bliver mere subtile, og dine basale værktøjer kan ikke fange dem. I starten er problemerne tydelige (siden er nede, kassen virker ikke). Men når du bliver mere moden, skjuler problemerne sig (et bestemt trin i kassen er langsomt for brugere på 4G, en ny konkurrent tager dine prøvebrugere, eller onboarding er forvirrende for brugere under 25). Basale værktøjer ser ikke de nuancer. Avanceret analytics med ordentlig segmentering, trendanalyse og kohortesporing afslører dem.

Din størrelse er nået dertil, hvor mønstrene tæller. Med 1.000 besøgende om måneden betyder hver bruger noget. Med 100.000 besøgende om måneden ser du mønstre på tværs af tusindvis af mennesker. Små mønstre (0,1 % af de besøgende rammes af en fejl) bliver usynlige. Men de betyder stadig noget, hvis de løber op (0,1 % × 100.000 = 100 berørte brugere om måneden, hundredvis om året). Avanceret analytics finder de små, men vigtige mønstre, før de bliver store problemer.

Du har teamet til at handle på indsigten. Avanceret analytics er nytteløs uden handling. Hvis du opdager, at kassen er langsom for mobilbrugere, men ingen kan rette det, har du spildt tiden. Invester kun i avanceret analytics, hvis du har udviklere, produktfolk eller marketingfolk, der kan handle på indsigten. En lille startup har måske ikke teamet endnu. En stor virksomhed har det helt sikkert.

Effekten for forretningen retfærdiggør investeringen. Avanceret analytics koster: en analytiker ($80-150k om året), avancerede værktøjer ($500-5000 om måneden) og uger med opsætning og oplæring. Hvis 2 % højere konverteringsrate giver $100k i ekstra årlig omsætning, giver det mening at bruge $50k på avanceret analytics (tilbagebetalt på 2 år). Hvis forbedringerne ville være små, er basal analytics godt nok. Regn på afkastet, før du binder dig.

Almindelige avancerede analyseteknikker og hvad de afslører

Kohorteanalyse: forstå adfærd på tværs af generationer. Del brugerne op i grupper efter, hvornår de kom (januar-kohorten, februar-kohorten osv.). Følg derefter hver kohortes adfærd over tid. Det viser, om dit produkt bliver bedre eller dårligere. Hvis januar-kohorten har 20 % fastholdelse efter 30 dage, og juni-kohorten har 25 %, bliver du bedre til at beholde brugerne. Hvis fastholdelsen falder fra måned til måned, er noget ændret (en funktion gik i stykker, konkurrenterne blev bedre, onboarding blev dårligere). Kohorteanalyse er dit tidlige varslingssystem, både når produktet forværres, og når det forbedres.

Tragtanalyse: find lækagerne i din proces. Kortlæg kundens rejse trin for trin (besøg forsiden → læs en artikel → download en guide → indtast e-mail → tilmeld dig → første login). Mål derefter, hvor mange procent af de besøgende der gennemfører hvert trin. Du opdager, at 10.000 besøgende læser artiklen, 3.000 downloader guiden, 800 indtaster deres e-mail, 300 tilmelder sig, og 150 logger ind første gang. Hvor mister du folk? Mellem artikel og download? Mellem e-mail og tilmelding? Når du har fundet den største lækage, kan du rette den. 5 % bedre på ét trin slår igennem på alle trinene efter.

Attributionsmodellering: forstå, hvilke kontaktpunkter der faktisk driver konverteringer. En besøgende kommer fra en betalt annonce, besøger din side, forlader den, ser en retargeting-annonce, kommer tilbage, læser et blogindlæg, tilmelder sig nyhedsbrevet, får en e-mail og køber til sidst. Hvilket kontaktpunkt får æren for konverteringen? Basal analytics siger "det sidste kontaktpunkt" (e-mailen). Men den betalte annonce startede rejsen. Retargeting fik dem tilbage. Blogindlægget overbeviste dem. Attributionsmodellering giver alle kontaktpunkter ære efter deres faktiske effekt. Det viser, hvilke marketingtiltag der virkelig virker, ikke bare hvilke der ligger sidst i tragten.

Segmentering: opdag, at din målgruppe ikke er ens. Du tror, at alle dine besøgende er ens, men det er de ikke. Førstegangsbesøgende opfører sig helt anderledes end tilbagevendende. Mobilbrugere har andre behov end computerbrugere. Brugere fra forskellige trafikkilder har forskellige hensigter. Betalende kunder engagerer sig anderledes end gratisbrugere. Avanceret segmentering viser de grupper, så du kan tilpasse din besked og oplevelse til hver af dem. Én løsning passer ikke til alle, og segmentering beviser det.

Fastholdelseskurver: se en brugers levetid. Tegn fastholdelsen over tid (dag 1, dag 7, dag 30, dag 90). Du får din fastholdelseskurve, som viser, hvordan brugerne opfører sig. Falder fastholdelsen hurtigt i starten og flader så ud (de fleste besøgende forlader siden, men de loyale bliver)? Eller falder den gradvist (ingen tydelig loyal gruppe)? Kurvens form fortæller, om dit produkt passer til markedet. Et stejlt fald efterfulgt af en flad linje er faktisk sundt, for det betyder, at du har en kerne af loyale brugere. Et gradvist fald betyder, at ingen for alvor bliver hængende. Kurven er et billede af brugertilfredsheden.