Din hjemmesides trafik lå stabilt på 500 besøgende om ugen. Sidste uge faldt den til 350. Du ved, hvad der skete (færre besøgende). Du aner ikke hvorfor.
Deskriptiv analytics fortæller dig, at tallet ændrede sig. Diagnostisk analytics er måden, du finder årsagen på. Her gennemgår vi metoderne til at undersøge, hvad der faktisk forårsagede ændringen, og hvordan du undgår falske spor.
Diagnostisk analytics er at undersøge, hvorfor noget skete. Du beskriver symptomet (trafikken faldt 30 %) og arbejder dig baglæns til årsagen.
Det svære er, at næsten alt kan ligne en årsag, hvis du ikke er omhyggelig. Din afvisningsprocent steg i samme uge, som trafikken faldt. Forårsagede afvisningsprocenten faldet, eller bevægede de sig bare tilfældigt sammen uden at have noget med hinanden at gøre? Din navigation blev ændret. Forårsagede det faldet, eller ændrede Google-placeringerne sig samtidig? Diagnostisk analytics handler om at svare præcist, ikke om at gætte.
Sådan undersøger du sagen som en detektiv
Den diagnostiske proces går trin for trin. Start konkret, og udvid så.
Trin 1: Beskriv symptomet præcist
Ikke "trafikken er dårlig". Men noget i retning af "organisk søgetrafik faldt 35 % mellem 15. og 20. januar sammenlignet med samme periode måneden før".
Præcisionen tæller. "Trafikken faldt" er vagt. "Organisk søgetrafik faldt 35 % over fem dage" fortæller dig præcis, hvad du skal undersøge, og indsnævrer de mulige årsager markant. Du prøver ikke at forklare al trafik, kun det tal, der flyttede sig.
Trin 2: Find ud af, hvad der kan have forårsaget det
Hvad ændrede sig omkring det tidspunkt, hvor dit tal flyttede sig? Det er din liste over hypoteser.
Udgav du nyt indhold? Ændrede du sidetitler? Ændrede du hjemmesidens opbygning? Havde du en kampagne? Blev du nævnt på en anden hjemmeside? Var der en opdatering af Googles algoritme? Lancerede en konkurrent noget? Ændrede du indstillinger i din analytics?
Skriv hver sandsynlig årsag ned. Det gør ikke noget, at listen er lang. Din næste opgave er at udelukke muligheder.
Trin 3: Test hypoteserne
Spørg for hver hypotese: hvis det var årsagen, hvad ville jeg så forvente at se i dataene?
Sig, at din hypotese er "en konkurrent startede en kampagne og tog vores søgetrafik". Hvis det er sandt, ville du forvente: (a) nogle søgeord, du plejede at ligge højt på, ligger nu højt hos konkurrenter, (b) din placering faldt for netop de søgeord, (c) trafikfaldet sidder kun på de søgeord og ikke på al søgetrafik.
Test det. Faldt din placering faktisk for de søgeord? Hvis ja, er det et argument for din hypotese. Hvis nej, er hypotesen forkert. Gå videre til den næste.
Samme fremgangsmåde for de andre hypoteser. Udgav du nyt indhold? Hvis det forårsagede trafikfaldet, hvorfor skulle nyt indhold så sænke den eksisterende trafik? Det ville det ikke, medmindre det nye indhold æder klik fra dine bedste sider (de konkurrerer nu om de samme søgeresultater). Sker det ikke, er det ikke årsagen.
Trin 4: Tjek årsagssammenhæng, ikke kun sammenfald
Det her trin fanger de fleste. To tal kan bevæge sig sammen, uden at det ene forårsager det andet.
Din afvisningsprocent steg i samme uge, som trafikken faldt. Det er et sammenfald: de bevægede sig sammen. Men sammenfald er ikke årsagssammenhæng. Afvisningsprocenten fik ikke trafikken til at falde. Begge kan være symptomer på det samme problem (måske nedprioriterede Google din hjemmeside, så færre besøgende kom, og dem, der kom, syntes, dit indhold var mindre relevant).
For at bekræfte årsagssammenhæng spørger du: findes der en logisk mekanisme? Hvis afvisningsprocenten fik trafikken til at falde, hvordan skulle det så virke? Det gør det ikke. Afvisningsprocenten er, hvordan besøgende opfører sig, efter de er kommet. Den kan ikke påvirke, hvor mange der kommer. Så det er nok sammenfald og ikke årsag.
Trin 5: Bekræft med den enkleste forklaring
Du har indsnævret mulighederne. Din trafik faldt specifikt i organisk søgning. Dine placeringer faldt. Der skete ingen nye ændringer på hjemmesiden. Konklusion: Google ændrede søgeresultaterne (opdatering af algoritmen eller ændret placering). Det er den enkleste forklaring.
Den enkleste forklaring, der passer til dataene, er som regel den rigtige. Opfind ikke indviklede teorier, hvis en enkel forklarer det, du ser.
De metoder, der faktisk virker
Diagnostisk analytics bruger bestemte metoder til at undersøge. Her er dem, der tæller for hjemmesideejere.
Nedbrydning (del dine data op)
I stedet for at se på "al trafik" kan du dele den op efter kilde. Hvor meget kom fra organisk søgning? Hvor meget fra direkte besøg? Hvor meget fra henvisninger?
Hvis den samlede trafik faldt 30 %, men organisk søgning kun faldt 10 %, ved du, at problemet ligger andre steder. Ved at dele tallene op har du indsnævret undersøgelsen.
Det samme gælder sider. Faldt den samlede trafik, men dine bedste sider faktisk steg, ved du, at det er de mindre sider, der styrtdykker. Er dine bedste sider faldet, er det noget andet. Opdelingen viser, hvad der helt konkret er galt.
Tendensanalyse (sammenlign perioder)
Se på det samme tal på tværs af perioder. Din trafik denne måned mod sidste måned mod sidste år. Faldt den pludseligt eller gradvist? Faldt den på en bestemt dag eller over flere dage?
Et pludseligt fald den 15. marts er noget andet end et gradvist fald over to uger. Det ene tyder på en begivenhed (Google-opdatering, ændring på hjemmesiden, konkurrentens træk). Det andet tyder på en tendens (sæsonfald, gradvist tab af placering).
Tendensens form viser, hvor du skal lede.
Afvigelser (find det, der er anderledes)
Din trafik ligger normalt på 500 besøgende om dagen. Sidste torsdag var den 650. Sidste fredag var den 300. Det er afvigelser: de er anderledes end normalt.
Afvigelser fortjener en undersøgelse. Hvad skete der torsdag? Et udsving opad tyder på noget positivt (et populært opslag på sociale medier, en omtale, gode Google-placeringer). Hvad skete der fredag? Et styrt tyder på noget negativt (en fejl på hjemmesiden, noget ændret).
Når du finder afvigelserne, ved du, hvilke dage du skal grave i.
Kohorteanalyse (sammenlign grupper)
En kohorte er en gruppe besøgende, der har noget til fælles (de kom i denne måned, de kom fra Google, de så en bestemt side).
Sig, at din konverteringsrate faldt. I stedet for kun at se på de samlede konverteringer kan du sammenligne kohorter. Faldt konverteringerne for dem, der kom fra Google? Fra annoncer? Fra henvisninger? Faldt de for nye besøgende, men ikke for gengangere?
Når du sammenligner kohorter, kan du se, at problemet sidder ved bestemte kilder eller typer af besøgende. Det er et meget bedre spor end en generel tendens.
Fejlene, der leder dig på vildspor
Diagnostisk analytics ser enkelt ud, men der er almindelige måder at tage fejl på.
At forveksle sammenfald med årsag
To ting bevægede sig sammen. Du går ud fra, at det ene forårsagede det andet. Som regel forkert.
Din konverteringsrate og din afvisningsprocent steg begge. Tilfældigt? Måske. Giver højere afvisningsprocent højere konvertering? Nej, afvisningsprocent og konvertering måler forskellige grupper af besøgende. Det sammenfald er sandsynligvis meningsløst.
Spørg altid: findes der en logisk mekanisme? Kan X faktisk forårsage Y?
At overse ydre faktorer
Dine tal ændrede sig. Før du giver din hjemmeside skylden, så spørg, om noget uden for den har ændret sig.
Udgav Google en opdatering af algoritmen? Startede en konkurrent en kampagne? Var der en stor nyhed i din branche? Faldt din trafik i samme uge, som Google annoncerede en større opdatering, er det sandsynligvis årsagen og ikke noget, du har gjort.
Kig uden for din hjemmeside, før du kigger indenfor.
At overtænke enkle årsager
Du ser, at trafikken faldt. Du undersøger i flere uger og finder indviklede problemer. Så opdager du, at den egentlige årsag var enkel: din hjemmeside lå nede i to timer en dag.
Enkle årsager er mere almindelige end indviklede. Tjek det oplagte først: gav hjemmesiden fejl? Slettede du ved et uheld en side? Ændrede du noget teknisk? Ændrede trafikken fra søgemaskiner sig kraftigt? Det er nemt at tjekke, og det er som regel svaret.
At ændre for mange ting på én gang
Du opdagede et problem. Du opdaterede din forside, ændrede din navigation, opdaterede dine produktsider og skrev dine tekster om, alt sammen på én dag.
Nu ændrede konverteringerne sig. Hvilken ændring forårsagede det? Alle? Én? Ingen, måske er det sæson? Du kan ikke se det, fordi du ændrede for meget på én gang.
Når du leder efter en årsag, så ændr én ting og mål effekten, før du ændrer den næste.
Når du har brug for hjælp til at finde årsagen
Nogle gange er diagnostisk analytics ligetil (du lavede en ændring, tallene ændrede sig, og sammenhængen er oplagt). Andre gange er det indviklet og rodet.
Når du sidder fast:
Tal med dem, der kender sammenhængen. Har du en webshop, og konverteringerne faldt, så spørg din betalingsudbyder, om der var et problem. Spørg dit team, om de ændrede noget. Spørg din udvikler, om der var en opdatering. Dataanalytikeren finder måske mønstret, men teamet kender sammenhængen, der løser gåden.
Zoom ind på den mindste ændring. Prøv ikke at finde årsagen til alle tal på én gang. Vælg det tal, der betyder mest, og find årsagen til det. Når du forstår årsagen til én ændring, bliver resten ofte tydelig.
Husk, at nogle ændringer bare er støj. Din trafik går op og ned hver uge på grund af tilfældige udsving. Ikke alle ændringer skal undersøges. Er dit gennemsnit 500 besøgende, og du fik 490 én uge, er det inden for det normale. Undersøg ikke hver lille ændring. Fokusér på store afvigelser.
Ofte stillede spørgsmål
Hvor lang tid tager det at finde ud af, hvorfor et tal ændrede sig?
Nogle gange minutter (du lavede en ændring og ser effekten). Nogle gange timer, hvis du skal gennemgå data. Nogle gange dage, hvis årsagen er uklar. Jo mere præcist dit oprindelige symptom er, jo hurtigere finder du årsagen. "Trafikken faldt mandag" er lettere at finde årsagen til end "trafikken har faldet gradvist i tre måneder". Med WEMASY's hjemmesidebygger kan du sætte det op direkte på din hjemmeside.
Hvad hvis jeg ikke kan finde årsagen?
Årsagen kan være ekstern og ikke synlig i dine data (markedsændring, sæson, konkurrentens træk). Det kan også bare være tilfældige udsving. Har du testet de oplagte hypoteser og intet fundet, må du acceptere, at du nogle gange ikke kan forklare alt. Gå videre til den næste mulighed.
Kan jeg finde årsagen bagefter, eller skal jeg følge med live?
Du kan finde årsagen bagefter, hvis din analytics har registreret dataene. WEMASY's analytics gemmer tidligere data, så du kan gå uger eller måneder tilbage og undersøge. Du behøver ikke data i realtid for at finde ud af, hvorfor noget skete.
Kan jeg automatisk få besked, når noget ændrer sig?
Ja. De fleste analyseværktøjer lader dig sætte alarmer op for pludselige ændringer (trafikken falder mere end 20 %, konverteringerne falder og så videre). Alarmerne fortæller dig, at noget har ændret sig, så du kan finde årsagen. Men du skal stadig selv lave diagnosen. Alarmen fortæller kun, at noget er værd at undersøge.
Skal jeg rette problemer ud fra diagnosen eller teste dem først?
Test først, hvis du kan. Når du tror, du kender årsagen, så lav en lille ændring og mål, om tallet bliver bedre. Det bekræfter, at din diagnose var rigtig, før du bruger tid på en stor rettelse. Små tests går hurtigere end at fejlfinde det forkerte problem.
Hvordan adskiller diagnostisk analytics sig fra diagnostisk business intelligence?
De ligner hinanden. Begge handler om at undersøge, hvorfor noget skete. I analytics ser vi specifikt på data for at finde grundårsager. I business intelligence kan du også se på driften, teamets beslutninger og markedsforhold. For hjemmesideejere er diagnostisk analytics det praktiske værktøj, du kan bruge direkte.