Čísla smyslu zbavená

„Nastavte měření a my se pak podle těch čísel rozhodneme.“ Logické, ne? Problém je v tom, že samotná čísla je třeba většinou číst v určitém kontextu, aby dávala smysl nebo nebyla zavádějící.

Většina online nástrojů pro zjišťování chování návštěvníků na webu nabízí pěkné tabulky, někdy i grafy. proto se může zdát, že platit někomu, aby z takových dat vyvozoval závěry a dělal shrnutí, je zcela zbytečné.

Proč to nemusí být pravda? Pár příkladů:

Příčina a následek

Slyšeli jste také někdy:

  • „Na web mi chodí lidi hlavně z Google. Optimalizovat pro Seznam se mi nevyplatí.“
  • „Na web nikdo z mobilu nechodí a když přijde, tak ho hned opustí. Redesignovat web pro mobilní zařízením nedává smysl.“

A najdou se i další příklady, kdy lidé zaměňují příčinu za následek.

Není to náhodou obráceně?

  • Lidé ze Seznamu na web nechodí, protože se web nachází na často hledané fráze až na 6. stránce výsledků vyhledávání.
  • Lidé, kteří přijdou z mobilu na web, který se na mobilu špatně ovládá, příště najdou jiný lépe řešený web. Je také pravděpodobné, že Google ve výsledcích vyhledávání upřednostní weby optimalizované pro mobil.

Korelace neznamená kauzalitu

Studie Searchmetrics ukázala, že weby, které se umisťují ve vyhledávačích na předních příčkách, jsou hojně odkazovány na Facebooku (mají hodně lajků a sdílení). To však neznamená, že počet sdílení či lajků ovlivňuje pozice ve vyhledávačích.

Pokud vidíme, že jdou dvě věci ruku v ruce (v našem případě počet sdílení a pozice ve vyhledávačích), nemusí to znamenat, že jedna je příčinou a druhá následkem. Obě skutečnosti mohou mít třeba jednu příčinu. Odkazy na kvalitní web jsou uživateli spontánně šířeny, zatímco pozice webu ve vyhledávačích je dána mnoha různorodými faktory.

A/B testování a vliv náhody

Zjednodušeně: A/B testování je postup, kdy náhodně rozdělíme návštěvníky webu na dvě skupiny. Každé skupině zobrazíme trochu jinak vypadající stránku a změříme, zda se pro jednotlivé poloviny bude lišit počet konverzí (objednání newsletteru, zanechání kontaktu atp.)

Řekněme, že návštěvnost stránky je 2000 zobrazení (tedy pro každou skupinu 1000 zobrazení). Při původním vzhledu stránky zanechalo kontakt 40 lidí, v upravené verzi 50 lidí.

Super, tak to máme 25% zlepšení, že? Ne. Co když je to jen náhoda? V úvahu je třeba vzít statistickou významnost. Jinými slovy: Rozdíl v počtu konverzí je tak malý, že při opakování testu se výsledek nemusí vůbec potvrdit.

Vnější vlivy

„Před měsícem jsme upravili web a už teď máme nárůst návštěvnosti a prodejů o 20 procent. Zabralo to lépe než jsme čekali.“

A nemůže to být tím, že se blíží Vánoce a celková poptávka stoupá?

Schválně uvádím triviální příklad. Příčin, které ovlivní vyhodnocení změn na webu může být více:

  • sezónnost zboží či služby (je třeba mít meziroční srovnání)
  • online kampaň (tu bychom měli relativně snadno rozeznat)
  • offline kampaň (poznáme v analytickém nástroji už hůře, ale možnosti tu jsou)
  • nové produkty (třeba: MP3 přehrávače vytlačily z trhu discmany)
  • boom, poptávková bublina (můžeme se občas svézt i na vlně kampaně konkurence)

Zúžené zorné pole

„V příloze zasíláme seznam klíčových slov. Vypracujte tabulku s počtem hledání.“

Pokud jste profesionálem v určité oblasti, logicky používáte spoustu pojmů, které laická veřejnost nezná a nepoužívá.

Pokud významnou část vašich zákazníků tvoří laici, vyplatí se mluvit jejich jazykem. Odborný termín můžete ponechat v sekci pro odborníky či uvádět v závorce. Pár příkladů z praxe:

  • Otopné těleso vs. topení, radiátor.
  • Hromadné dálkové ovládání (HDO) vs. noční proud.

Pokud rozšíříte svůj pohled, možná zjistíte, že návštěvníci hledají mnohem častěji fráze, které byste vy – jakožto profíci v oboru – nikdy nepoužili.

Průměry vs. segmentace

„Průměrná délka návštěvy webu je 2:54 minut.“ nebo „Během jedné návštěvy si návštěvníci v průměru zobrazí 3,25 stránky.“

Je to hodně nebo málo? Co vám tento údaj řekne?

S průměry je často tak potíž, že shrnují chování velmi různorodých skupin. Jedna skupina s velmi odlišnými parametry pak může průměry velmi zkreslit.

Zajímavější je položit si otázky jako:

  • Liší se výrazně počet stránek na návštěvu u návštěvníků, kteří přišli z kampaně?
  • Jaká je průměrná délka návštěvy v produktové sekci vs. blogu na našem webu?

Informace vztažená k určitému segmentu návštěvníků umožňuje srovnání a dává mnohem větší smysl.

Vždy je dobré se ptát v kontextu cíle, který má návštěvník webu.

  • Dostal se návštěvník hledající adresu provozovny přímo na stránku Kontakt a pak odešel? Super. – Nicméně míra okamžitého opuštění nám vzrostla.
  • Zobrazil si čtenář našeho blogu jen jeden článek? Co můžeme udělat, abychom ho nalákali k přečtení dalších článků? – Například zobrazovat související články.

Předpokladem správného vyhodnocení je samozřejmě i znalost metodiky výpočtu. Proto kvízová otázka na závěr:

Jak spočítá Google Analytics délku návštěvy, při které návštěvník zobrazil jednu stránku?

Sdílej...Tweet about this on TwitterShare on Facebook0Share on Google+0Share on LinkedIn0Buffer this pageEmail this to someone

5 komentářů u “Čísla smyslu zbavená

  1. Parádní článek o tom, že záleží na tom, kdo a jak data interpretuje. Mimochodem, sám jsem k tomuto dospěl již před delší dobou a od té doby se nesnažím tolik optimalizovat, protože to nemá smysl. Snažím se spíše o vyšší kvalitu obsahu.

  2. Tipnu si. Nespočítá, protože měří čas mezi prokliky na stránce? Případně snad nějakým scriptem? 🙂

    • Ano, nespočítá, ale započte ji jako délku 0 sekund. A tyto nuly pak značně zkreslují průměry.
      Skriptem je možné si vystřelit událost třeba po 15 sekundách a zajistit tak, aby taková návštěva nebyla započítána s nulou a tedy jako okamžité opuštění. Nepoužívám to hlavně proto, že pak čísla o okamžitém opuštění s takto upraveným GA budou těžko srovnatelná s jiným webem bez této úpravy.

  3. Dobre postrehy! Prednedávnom som na túto tému prezentoval na Slovenskom UX fóre ( http://goo.gl/hBGwm4 ). Rozoberal som, že či už kvalitatívne, tak aj kvantitatívne dáta majú svoje (ne)výhody. Tento článok je zameraný len na jednu stranu celej rovnice. Najkrajšie na tom je, že ich vzájomnou kombináciou sa tieto chyby výrazne oslabujú. Zatiaľ však neexistujú rentabilné metódy pre ich kombináciu, resp. len naozaj veľké firmy ich dokážu realizovať.

  4. Perfektní postřehy. Dospěl jsem ke stejným závěrům. Čísla v Analytics ovlivňuje tolik faktorů, jako je počasí, výplaty, měsíc v roce, den v měsíci, atd., že vyhodnocovat cokoliv je velmi těžké.
    Článek sdílím dále v seznamu českých článků ke vzdělávání o analytice: http://www.affilo.cz/clanek/zobrazit/26/

Napsat komentář