Godzina dziennie z Web Analytics. Stwórz dobr¹ strategiê e-marketingow¹ Autor: Avinash Kaushik T³umaczenie: Tomasz Walczak ISBN: 978-83-246-1880-4 Tytu³ orygina³u: Web Analytics: An Hour a Day Format: 180x235, stron: 496 Czy potrafisz odpowiedzieæ na pytanie, ile osób dziennie odwiedza Twój serwis lub blog? Jak d³ugo przebywaj¹ w Twoim sklepie i która strona przyci¹ga najwiêcej klientów? Je eli jesteœ w stanie przytoczyæ te dane, z pewnoœci¹ korzystasz z narzêdzi pozwalaj¹cych na analizê ruchu na Twojej witrynie. Je eli jednak nie masz bladego pojêcia, jak interpretowaæ i wykorzystaæ te informacje, dziêki tej ksi¹ ce równie i Ty zaczniesz efektywnie korzystaæ ze statystyk! Analizy ruchu na stronie oferuje wiele Ÿróde³, jednak dopiero us³uga uruchomiona przez Google Analytics w 2005 roku sprawi³a, e zaawansowane narzêdzia sta³y siê dostêpne dla przeciêtnego webmastera. Autor tej niezwyk³ej ksi¹ ki Avinash Kaushik, pracownik firmy Google poka e Ci krok po kroku, jak opracowaæ skuteczn¹ strategiê analizy danych internetowych. Przekonasz siê, e wystarczy zaledwie godzina dziennie z Web Analytics, by znacznie poprawiæ wyniki ogl¹dalnoœci i dochody Twojego serwisu. Dowiesz siê miêdzy innymi, w jaki sposób zbieraæ dane do analizy, oraz poznasz dostêpne analizy jakoœciowe. Ponadto zrozumiesz kluczowe elementy skutecznej strategii analizy danych internetowych oraz nauczysz siê przeprowadzaæ tê analizê. W kolejnych rozdzia³ach zapoznasz siê tak e z dostêpnymi miarami, analiz¹ w obszarze wyszukiwania, sporz¹dzaniem raportów czy te analizowaniem witryn z nurtu Web 2.0. Historia analiz danych internetowych Analizy zachowania, skutków i doœwiadczeñ Sposoby zbierania danych do analizy Pozyskiwanie danych na temat konkurencyjnoœci Dostêpne analizy jakoœciowe Elementy skutecznej strategii analizy danych internetowych Najlepsze praktyki w tym zakresie Wybór optymalnego narzêdzia do prowadzenia analiz Dostêpne miary w analizie danych internetowych Pomiar kosztów oraz zwrotu z inwestycji Ustalanie czytelników serwisu Analiza w obszarze wyszukiwania Analiza skutecznoœci kampanii PPC Analiza skutków marketingu e-mailowego oraz wielokana³owego Opracowanie skutecznych raportów podsumowuj¹cych Zastosowanie procesu DMAIC Analiza stron z nurtu Web 2.0 Mity z obszaru analizy danych internetowych Obliczanie wspó³czynnika konwersji Pozyskiwanie konsultantów oraz ekspertów wewnêtrznych Zwiêksz popularnoœæ swojej witryny dziêki efektywnym analizom danych internetowych!
Spis tre ci Przedmowa...19 Wprowadzenie...23 Rozdział 1. Web Analytics dziś i jutro... 31 Krótka historia analizy danych internetowych...32 Obecne warunki i wyzwania...36 Tradycyjna analiza danych internetowych to przesz o...38 Jak powinna wygl da analiza danych internetowych?...40 Pomiar co i dlaczego...43 Metoda Trinity nastawienie i podej cie strategiczne...45 Rozdział 2. Zbieranie danych znaczenie i możliwości... 53 Zrozumienie róde danych...54 Dane ze strumieni klikni...56 Dzienniki sieciowe...56 Pliki jednopikselowe...58 Znaczniki JavaScript...61 Przechwytywanie pakietów...65 Dane na temat skutków...70 Sklepy internetowe...71 Generowanie list potencjalnych klientów...72 Marka i promowanie produktów oraz pomoc techniczna...72 Dane z bada...74 Nastawienie...74 Struktura organizacyjna...75 Czas...75 Dane na temat konkurencyjno ci...76 Pomiary panelowe...77 Pomiary oparte na danych od ISP...78 Dane z wyszukiwarek...80 11 SPIS TRE CI Rozdział 3. Przegląd analiz jakościowych... 83 Istota koncentracji na kliencie...84 Laboratoryjne testy u yteczno ci...84 Przeprowadzanie testów...86 Zalety laboratoryjnych testów u yteczno ci...88 Na co nale y zwróci uwag...89
12 Ocena heurystyczna...90 Przeprowadzanie oceny heurystycznej...91 Zalety stosowania oceny heurystycznej...93 Na co nale y zwróci uwag...94 Wizyty w siedzibie klienta...94 Przeprowadzanie wizyty w siedzibie klienta...95 Zalety wizyt w siedzibie klienta...97 Na co nale y zwróci uwag...97 Ankiety (kwestionariusze)...97 Ankiety wy wietlane w witrynie...98 Ankiety przesy ane po wizycie...99 Tworzenie i przeprowadzanie ankiety...99 Zalety stosowania ankiet...103 Na co nale y zwróci uwag...104 Podsumowanie...106 SPIS TRE CI Rozdział 4. Kluczowe elementy skutecznej strategii analizy danych internetowych... 109 Koncentracja na kliencie...110 Odpowiedzi na pytania biznesowe...113 Regu a 10/90...115 Zatrudnianie doskona ych analityków internetowych...119 Okre lanie optymalnej struktury organizacyjnej i obowi zków...128 Centralizacja...131 Decentralizacja...131 Scentralizowana decentralizacja...132 Rozdział 5. Podstawy analizy danych internetowych... 133 Zbieranie danych dzienniki sieciowe czy znaczniki JavaScript?...134 Oddzielenie procesu udost pniania danych od ich zbierania...135 Rodzaj i rozmiar danych...135 Innowacje...136 Integracja...136 Wybór optymalnego narz dzia do analizy danych internetowych...137 Dawny sposób...137 Nowy sposób...138 Okre lanie jako ci danych ze strumieni klikni...143 Stosowanie najlepszych praktyk...148 Oznaczanie wszystkich stron...149 Znaczniki nale y umieszcza na ko cu (na pierwszym miejscu trzeba stawia klienta!)...150 Nale y u ywa znaczników wewn trzwierszowych...150 Okre lanie definicji niepowtarzalnej strony...150 Inteligentne u ywanie plików cookie...151 Uwzgl dnienie problemów z kodowaniem odno ników...152
Rozdział 6. Nale y uwzgl dni przekierowania...153 Walidacja zebranych danych...156 Prawid owe rejestrowanie operacji w witrynach bogatych w multimedia...157 Trzypoziomowy test i co z tego?...157 Kluczowy wska nik wydajno ci: procent wracaj cych u ytkowników...158 Kluczowy wska nik wydajno ci: g ówne strony wyj ciowe...159 Kluczowy wska nik wydajno ci: wspó czynnik konwersji dla najcz ciej szukanych s ów...159 Miesiąc 1. Zgłębianie najważniejszych zagadnień z obszaru analizy danych internetowych... 161 Tydzie 1. Przygotowania do zrozumienia podstaw...162 Poniedzia ek i wtorek: adresy URL...163 roda: parametry adresów URL...164 Czwartek i pi tek: pliki cookie...165 Tydzie 2. Powrót do podstawowych miar...168 Poniedzia ek: odwiedziny i u ytkownicy...168 Wtorek i roda: czas w witrynie...172 Czwartek i pi tek: liczba wy wietle stron...176 Tydzie 3. Poznawanie standardowych raportów...179 Poniedzia ek i wtorek: wspó czynnik odrzuce...179 Od rody do pi tku: odno niki wej ciowe ród a i szukane wyra enia...182 Tydzie 4. Korzystanie z raportów na temat nawigacji i poziomu zawarto ci witryny...187 Poniedzia ek i wtorek: listy stron najcz ciej ogl danych, wej ciowych i wyj ciowych...187 roda: najpopularniejsze punkty docelowe (odno niki wyj ciowe)...192 Czwartek i pi tek: nak adki na witryny (mapy cz stotliwo ci klikni )...194 13 SPIS TRE CI Rozdział 7. Miesiąc 2. Analiza danych internetowych szybki start... 201 Wymagania wst pne i ramy...202 Tydzie 1. Tworzenie podstawowych raportów...202 Poniedzia ek: najpopularniejsze ród owe adresy URL i najpopularniejsze szukane wyra enia...204 Wtorek: popularno zawarto ci witryny i wizyty na stronie g ównej...206 roda i czwartek: cz stotliwo klikni (nak adki na witryny)...208 Pi tek: wspó czynnik odrzuce witryny...209 Witryna sklepu internetowego szybki start...210 Tydzie 2. Pomiar skutków dzia a firmy...211 Tydzie 3. Ocena wyników na podstawie celów oraz pomiar skuteczno ci marketingowej i zadowolenia klientów...214 Witryna pomocy technicznej szybki start...218 Tydzie 2. Wchodzenie w rol klienta i pomiar wp ywu witryny na tradycyjne kana y... 219 Tydzie 3. Pomiar sukcesu na podstawie g osu lub ocen klientów na poziomie witryny i stron... 223 Pomiar blogów szybki start...226 Tydzie 2. Przezwyci anie z o ono ci w celu pomiaru podstaw przy u yciu nowych miar...226 Tydzie 3. Konkurencyjny punkt odniesienia oraz pomiar kosztów i zwrotu z inwestycji...229 Tydzie 4. Refleksje i podsumowanie...233
14 SPIS TRE CI Rozdział 8. Miesiąc 3. Analiza w obszarze wyszukiwania wyszukiwanie wewnętrzne, SEO i PPC... 235 Tydzie 1. Analiza wyszukiwania wewn trznego w witrynie...236 Poniedzia ek: poznawanie warto ci wyszukiwania wewn trznego...236 Wtorek: wykrywanie trendów w wyszukiwaniu wewn trznym...241 roda: analiza cz stotliwo ci klikni za pomoc nak adki na witryn...242 Czwartek: pomiar efektywno ci wyników wyszukiwania...243 Pi tek: pomiar skutków zwi zanych z wyszukiwaniem wewn trznym...244 Tydzie 2. Rozpocz cie optymalizacji witryny pod k tem wyszukiwarek...245 Poniedzia ek: zrozumienie wp ywu odno ników i ich optymalizacja...247 Wtorek: odno niki do publikacji prasowych i witryn spo eczno ciowych...247 roda i czwartek: optymalizacja znaczników i zawarto ci na stronach...248 Pi tek: dodawanie wskazówek na potrzeby robotów wyszukuj cych...249 Tydzie 3. Pomiar skutków SEO...250 Poniedzia ek: sprawdzanie poziomu zindeksowania witryny...250 Wtorek: ledzenie odno ników wej ciowych i najpopularniejszych szukanych s ów...251 roda: oddzielenie naturalnych odno ników wej ciowych od PPC...254 Czwartek: pomiar warto ci naturalnych odno ników wej ciowych...255 Pi tek: pomiar wp ywu optymalizacji na najpopularniejsze strony...255 Tydzie 4. Analiza skuteczno ci kampanii PPC...257 Poniedzia ek: podstawy PPC...258 Wtorek: pomiar wska ników zwi zanych z ofertami...259 roda: definiowanie kluczowych miar wp ywaj cych na wyniki firmy...260 Czwartek: pomiar liczby niepowtarzalnych u ytkowników...260 Pi tek: najlepsze praktyki tworzenia raportów na temat PPC...261 Rozdział 9. Miesiąc 4. Pomiar marketingu e-mailowego i wielokanałowego... 263 Tydzie 1. Podstawy (i nie tylko) marketingu e-mailowego...264 Poniedzia ek: podstawy marketingu e-mailowego...264 Wtorek i roda: pomiar podstawowych wska ników dotycz cych odpowiedzi...265 Czwartek i pi tek: pomiar skutków...266 Tydzie 2. Marketing e-mailowy zaawansowana obserwacja skutków...267 Poniedzia ek i wtorek: pomiar efektywno ci witryny...267 roda: unikanie pu apek w analizie kampanii e-mailowych...268 Czwartek i pi tek: integracja kampanii e-mailowej z narz dziem do analizy danych internetowych...269 Tygodnie 3. i 4. Marketing wielokana owy ledzenie skutków i analiza...270 Tydzie 3. Wprowadzenie do marketingu wielokana owego i ledzenie tradycyjnych kampanii skoncentrowanych na internecie...270 Tydzie 4. ledzenie i analizowanie marketingu wielokana owego...275
Rozdział 10. Miesiąc 5. Eksperymenty i testy związane z witryną osiąganie znaczących skutków dzięki uwzględnianiu opinii klientów... 283 Tygodnie 1. i 2. Po co testowa i jakie s mo liwo ci?...284 Tydzie 1. Przygotowania i testy A/B...284 Tydzie 2. Poza testy A/B...289 Tydzie 3. Co testowa? Konkretne mo liwo ci i pomys y...296 Poniedzia ek: testowanie wa nych stron i wezwa do dzia ania...296 Wtorek: koncentracja na ruchu z wyszukiwarek...298 roda: testowanie tre ci i materia ów...298 Czwartek: testy cen i promocji...299 Pi tek: testowanie kampanii marketingu bezpo redniego...299 Tydzie 4. Tworzenie doskona ego programu eksperymentów i testów...300 Poniedzia ek: hipotezy i okre lanie celów...301 Wtorek: testy i walidacja pod k tem wielu celów...303 roda: przechodzenie od testów prostych do z o onych i rado z pracy...304 Czwartek: koncentracja na wiedzy eksperckiej i propagowaniu testów...305 Pi tek: wdra anie dwóch kluczowych elementów ka dego programu testów...306 Rozdział 11. Miesiąc 6. Trzy sekrety praktycznej analizy danych internetowych... 311 Tydzie 1. Wykorzystanie punktów odniesienia i celów do motywowania do dzia a...312 Poniedzia ek i wtorek: znaczenie punktów odniesienia i ustalania celów...312 roda: wykorzystywanie zewn trznych punktów odniesienia...314 Czwartek: wykorzystywanie wewn trznych punktów odniesienia...317 Pi tek: zach canie i ustalanie celów...320 Tydzie 2. Opracowywanie skutecznych raportów podsumowuj cych dla zarz du...323 Poniedzia ek: udost pnianie kontekstu punkty odniesienia, segmenty i trendy...324 Wtorek: wyodr bnianie kilku kluczowych miar...326 roda: nie poprzestawaj na miarach do cz te wnioski...327 Czwartek: ograniczanie raportu podsumowuj cego do jednej strony...328 Pi tek: wygl d ma znaczenie...329 Tydzie 3. Stosowanie najlepszych praktyk w tworzeniu skutecznych programów opartych na raportach podsumowuj cych...330 Poniedzia ek: wybór miar zgodnych z modelem Trinity pod k tem dalekiej perspektyw...330 Wtorek: tworzenie istotnych raportów podsumowuj cych...333 roda: jedna miara jeden w a ciciel...334 Czwartek: od s ów do czynów...334 Pi tek: pomiar skuteczno ci raportów podsumowuj cych...336 Tydzie 4. Stosowanie podej cia Six Sigma i doskona o ci procesu w analizie danych internetowych...336 Poniedzia ek: wszystko jest procesem...337 Od wtorku do czwartku: stosowanie procesu DMAIC...342 Pi tek: analiza zdobytej wiedzy...346 15 SPIS TRE CI
Rozdział 12. Miesiąc 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 róde RSS...371 16 SPIS TRE CI Rozdział 13. Miesiąc 8. i następne. Rozwiewanie mitów z obszaru analizy danych internetowych... 381 Do czego s u analizy cie ek? Do niczego...382 Problemy w obszarze analizy cie ek...383 Inna mo liwo raport sekwencji grup stron...385 Wspó czynnik konwersji bezwarto ciowa obsesja...388 Problemy zwi zane ze wspó czynnikiem konwersji...389 Inna mo liwo wspó czynnik uko czenia zada ze wzgl du na g ówny cel...391 Perfekcja umar a doskona o, niech yje doskona o...393 Doskona e dane...394 Z pr dko ci sieci WWW...395 Fragmentaryczne dane z wielu róde...396 Dane w czasie rzeczywistym nieznacz ce i kosztowne...396 Efekty dost pu do danych w czasie rzeczywistym...397 Lista kontrolna do okre lania gotowo ci na dane w czasie rzeczywistym...398 Standardowe wska niki KPI mniej znacz ce, ni s dzisz...401 Rozdział 14. Zagadnienia zaawansowane analiza danych internetowych ze wspomaganiem... 405 Odblokowywanie pot gi istotno ci statystycznej...406 Wykorzystanie zdumiewaj cej pot gi segmentacji...408 Segmentacja na podstawie wspó czynnika odrzuce...410 Segmentacja na podstawie wyszukiwarek...410 czenie danych na temat wyszukiwarek i ucieczek...411 Okre lanie trendów w segmentach...412 Zrozumia e analizy i raporty...414 U ywanie adnych rysunków...414 U ywanie zrozumia ego j zyka...415 Najlepsze praktyki przy obliczaniu wspó czynnika konwersji...418 Pomijanie ogólnego wspó czynnika konwersji dla ca ej witryny...420 Uwzgl dnianie trendów i sezonowo ci...420 Zrozumienie strategii pozyskiwania klientów przez witryn i firm...421 Pomiar wspó czynnika konwersji z podzia em na pi najwa niejszych wej ciowych adresów URL...422 Rezygnacja z pomiaru wspó czynnika konwersji dla stron i odno ników...422
Obsesyjna segmentacja...423 Przedstawianie przychodów obok wspó czynnika konwersji...424 Pomiar wspó czynnika konwersji pod k tem celu...424 Usprawnianie analiz z obszaru SEM i PPC...426 Pomiar wspó czynnika odrzuce (zagregowanego i wed ug najpopularniejszych szukanych wyra e )...427 Kontrola us ugodawców i agencji...428 Pomiar wspó czynnika kanibalizacji ruchu naturalnego przez kampanie PPC...429 Agresywne stosowanie testów i eksperymentów...430 Zrozumienie wielu celów klientów...431 Pomiar cudownego wspó czynnika rezygnacji...432 Stosowanie segmentacji do wspó czynnika rezygnacji...433 Wyci ganie praktycznych wniosków i podejmowanie dzia a...435 Pomiar liczby dni i wizyt do zakupu...436 Jak mierzy omawiane wska niki?...438 Wyci ganie praktycznych wniosków i podejmowanie dzia a...439 Wykorzystanie statystycznych limitów kontrolnych...441 Obliczanie limitów kontrolnych...444 Praktyczny przyk ad zastosowania limitów kontrolnych...444 Pomiar rzeczywistego zakresu mo liwej poprawy...447 Uwzgl dnianie wspó czynnika odrzuce...448 Odfiltrowywanie wizyt robotów wyszukuj cych i oprogramowania do kontroli witryny oraz b dów 404 i da rysunków...449 Uwzgl dnienie celów klientów...450 Podejmowanie dzia a...452 17 SPIS TRE CI Rozdział 15. Budowanie kultury opartej na danych praktyczne kroki i najlepsze praktyki... 457 Kluczowe umiej tno ci mened erów kierowników dzia u analizy danych internetowych...458 Prawdziwa pasja...459 Akceptacja i d enie do zmian...459 Kwestionowanie danych a do przesady...460 Nastawienie na innowacje pod k tem klienta...460 Niekoniecznie mistrzowie liczb...461 Naturalne zdolno ci biznesowe i rozs dek...461 Wybitne umiej tno ci interpersonalne...462 Kiedy i jak zatrudnia konsultantów oraz ekspertów wewn trznych?...462 Etap 1. Narodziny...464 Etap 2. Od niemowl cia do nastolatka...465 Etap 3. Szalona m odo...467 Etap 4. Dojrza o po trzydziestce...469 Siedem etapów budowania kultury podejmowania decyzji na podstawie danych...471 Wyj cie od wyników (skutków)...471 Zrozumienie, e raporty to nie analizy, i promowanie tych ostatnich...472
Bezosobowe podejmowanie decyzji...473 Zachowania proaktywne zamiast reaktywnych...474 Du e uprawnienia dla analityków...475 Stosowanie podej cia Trinity...475 My lenie w kategoriach procesu...476 Skorowidz... 479 18 SPIS TRE CI
Web Analytics dzi i jutro 20 marca 2007 roku wyszukiwanie wyra enia web analytics + definition w wyszukiwarce Google da o 642 000 wyników w 0,11 sekundy. Potwierdza to z o ono i d ug histori tej wspania ej dziedziny (oraz szybko generowania wyników przez wyszukiwark Google). Rozdzia 1[SR1] 31 WEB ANALYTICS DZI I JUTRO
Stowarzyszenie Web Analytics Association (http://www.webanalyticsassociation.org) zaproponowa o niedawno standardow definicj analizy danych internetowych: Analiza danych internetowych to obiektywne ledzenie, zbieranie, mierzenie, tworzenie raportów i analizowanie ilo ciowych danych internetowych w celu optymalizacji witryn oraz internetowych kampanii marketingowych. Analiza danych internetowych ma swe pocz tki w latach 90. Jednak jej pierwsz standardow definicj (przedstawion powy ej) zaproponowano dopiero w roku 2006, co pokazuje, jak m oda jest to dziedzina. Krótka historia analizy danych internetowych 32 ROZDZIA 1: WEB ANALYTICS DZI I JUTRO W pocz tkowym okresie istnienia internetu korzystanie z niego by o stosunkowo proste. U ytkownik wpisywa adres i ujednolicony lokalizator zasobu (ang. Uniform Resource Locator URL), otrzymywa plik z tekstem i odno nikami, po czym ca a interakcja si ko czy a. ycie by o wtedy proste. Zauwa ono, e czasem pojawia y si b dy, które powodowa y, e nie mo na by o udost pni pliku, lub e zawiera on nieprawid owe odno niki. Wtedy to sprytni ludzie wymy lili dzienniki serwera do rejestrowania b dów i wykorzystali je do wyszukiwania informacji o wizytach (ang. hit) do serwera sieciowego (wtedy wizyta odpowiada a po prostu daniu zwrócenia pliku). Wspomniane dzienniki serwera rejestrowa y nie sam fakt odwiedzin u ytkownika w witrynie, ale tak e dodatkowe informacje: nazw pliku, czas, ród o dania (witryn lub stron internetow ), adres IP, identyfikator przegl darki, nazw systemu operacyjnego i tak dalej. Praca stawa a si coraz ciekawsza, poniewa mo na by o dowiedzie si czego o ródle dania. Wraz z powi kszaniem si dzienników i wzrostem zainteresowania danymi osób spoza wiata techniki jeszcze sprytniejsza osoba napisa a pierwszy skrypt, który automatycznie przetwarza pliki dziennika i wy wietla podstawowe wska niki (rysunek 1.1). W ten sposób narodzi a si analiza danych internetowych. Rysunek 1.1. Prosty raport programu Analog w wersji 0.9 (beta)
Program Analog napisany przez doktora Stephena Turnera w 1995 roku by pierwsz aplikacj do analizy plików dziennika powszechnie dost pn w sieci WWW. Wci jest to jedno z najcz ciej u ywanych narz dzi do analizy danych internetowych i jest zainstalowane w witrynach wi kszo ci dostawców us ug internetowych (ang. Internet Service Provider ISP). Analog i podobne mu programy u atwi y rozpowszechnienie si analizy danych internetowych poza dzia y informatyczne firm. Raporty by y coraz adniejsze, a pracownicy z dzia u marketingu mogli wreszcie zrozumie, co si dzieje w witrynie. W latach 1995 96 standardowi u ytkownicy internetu mogli zetkn si ze statystykami z uwagi na rozpowszechnienie si wspania ego narz dzia nazywanego licznikiem. Liczniki odwiedzin na stronach by y prawdopodobnie pierwszym przyk adem sieciowego marketingu wirusowego (ich wprowadzenie przypisywane jest firmie Web-Counter). Liczniki pojawi y si w ka dym miejscu sieci WWW. By y ciekawe, a zarazem informowa y o popularno ci strony. Komercyjna analiza danych internetowych rozpocz a si kilka lat pó niej, a jej najbardziej znanym owocem by program WebTrends. Aplikacja ta opiera a si na wzbogaconym parserze standardowych plików dziennika, jednak co jeszcze wa niejsze, generowa a tabele i eleganckie wykresy, które ostatecznie wprowadzi y analiz danych internetowych do zespo ów biznesowych (przyk adowe dane wyj ciowe programu WebTrends przedstawia rysunek 1.2). Rysunek 1.2. Przykładowy raport programu WebTrends 33 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Do roku 2000, kiedy to popularno sieci WWW wci ros a w tempie wyk adniczym, analiza danych internetowych sta a si ugruntowan dziedzin bada. Kluczowymi dostawcami us ug w tej bran y byli Accrue, WebTrends, WebSideStory i Coremetrics. Firmy te udost pnia y coraz bardziej zaawansowane rozwi zania, które generowa y olbrzymie ilo ci danych. Mniej wi cej w tym samym czasie us ugodawcy i klienci w bran y analizy danych internetowych odkryli, e dzienniki serwera niekoniecznie s optymalnym ród em informacji. Stosowanie dzienników wi za o si z nast puj cymi problemami: Zapisywanie stron w pami ci podr cznej przez dostawców us ug internetowych. Problem ten polega na tym, e po utworzeniu kopii strony na serwerze dostawcy
34 ROZDZIA 1: WEB ANALYTICS DZI I JUTRO us ug internetowych wszystkie nast pne dania powoduj zwrócenie w a nie jej, a operacje te nie s rejestrowane w plikach dziennika witryny. Roboty wyszukuj ce. Wraz z rosn c popularno ci wyszukiwarek roboty wyszukuj ce cz sto przegl daj witryny i pozostawiaj w dziennikach wpisy niezwi zane z odwiedzinami u ytkowników. Te wpisy tak e s uwzgl dniane we wska nikach. Cho mo na odfiltrowa odwiedziny robotów, trudno jest nad y z rejestrowaniem ich wszystkich, a ponadto staj si one coraz sprytniejsze. Niepowtarzalni u ytkownicy. Poniewa coraz wi cej osób ma dynamicznie przypisywany adres IP i odwiedza strony przy u yciu serwerów po rednicz cych, trudno jest okre li liczb niepowtarzalnych u ytkowników. Dostawcy uciekaj si do u ywania adresu IP w po czeniu z identyfikatorem agenta (identyfikator ten obejmuje system operacyjny i przegl dark u ytkownika), jednak tak e to rozwi zanie nie jest doskona e. Mo na te zastosowa pliki cookie ustawiane przez witryn, jednak nie wszystkie dzia y informatyczne korzystaj z tej techniki. Z tych i innych przyczyn nowym standardem zbierania danych na temat u ytkowania witryny sta y si znaczniki JavaScript (wiersze kodu w tym j zyku). Jest to du o prostsza technika. Wystarczy doda do ka dej strony kilka wierszy kodu JavaScript, który zostanie uruchomiony po wczytaniu strony i prze le dane do rejestruj cego je serwera. Poni ej przedstawiono przyk adowy kompletny znacznik JavaScript u ywany przez Crazy Egg now firm wiadcz c us ugi 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 tak e, e za zbieranie i przetwarzanie danych zazwyczaj odpowiadaj nie wewn trzne, firmowe dzia y informatyczne, ale dostawcy us ug z obszaru analizy danych internetowych. U atwia to proces analizy. Znaczniki JavaScript upraszczaj tak e wprowadzanie innowacji, rejestrowanie nowych rodzajów danych i obs ug plików cookie w celu ledzenia aktywno ci u ytkowników. Obecnie us ugodawcy mog samodzielnie wykonywa te operacje, zamiast kontaktowa si z dzia em informatycznym firmy. Uwaga: Za znacznikami JavaScript także związane są pewne problemy omówione szczegółowo w rozdziale 2., Zbieranie danych znaczenie i możliwości.
Nast pnym krokiem w ewolucji analizy danych internetowych by o wprowadzenie nak adek na witryn (ang. site overlay), nazywanych te rozk adem cz stotliwo ci klikni. Dzi ki tej technice osoby odpowiedzialne za podejmowanie decyzji mog po prostu otworzy w przegl darce stron internetow, któr chc podda analizie, zamiast przetwarza z o one zbiory danych i przegl da tabele pe ne informacji. Przegl darka lub aplikacja do analizy danych internetowych wy wietla wtedy przez okre lony czas miejsca o najwi kszej liczbie klikni. Upowszechni o to znacznie czynno ci b d ce wcze niej domen analityków danych internetowych. Zwi kszy o to te cz sto korzystania z rozwi za analitycznych, poniewa wszyscy mogli w bardzo prosty sposób patrz c na liczb klikni zrozumie, co dzieje si na stronie. Rysunek 1.3 pokazuje, jak atwo jest dokona segmentacji ca ego ruchu w witrynie, wydzielaj c odwiedziny z wyszukiwarki Google, oraz zaobserwowa ró nice w korzystaniu z odno ników przez ró ne grupy. Pozwala to ustali, czego szukaj dwa segmenty u ytkowników. Rysunek 1.3. Raport ClickTracks w postaci nakładki na stronę (podzielony na wszystkich użytkowników i odwiedziny z wyszukiwarki Google) 35 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH Obecnie w bran y analizy danych internetowych dzia aj cztery du e firmy: Coremetrics, Omniture, WebTrends i WebSideStory. Jest te wielu rednich dostawców, na przyk ad Unica, indextools i ClickTracks, oraz liczne podstawowe rozwi zania, takie jak produkty o otwartym dost pie do kodu ród owego AWStats, Webalizer i StatCounter. Du y wp yw na bran analizy danych internetowych mia a firma Google, która w 2005 roku kupi a produkt Urchin, a w 2006 udost pni a go bezp atnie pod nazw Google Analytics. Obecnie u ytkownicy mog bezp atnie korzysta z pierwszorz dnych analiz danych internetowych. Trudno jest okre li liczb osób stosuj cych Google Analytics. Wi kszo analityków szacuje j na ponad pó miliona
w ci gu pierwszych sze ciu miesi cy. Zgodnie z powszechnymi oczekiwaniami Microsoft wkrótce pójdzie w lady Google i tak e udost pni bezp atne narz dzie do analizy danych internetowych. Tempo wprowadzania innowacji w wiecie analizy danych internetowych nie maleje. Wci pojawiaj si nowsze i atwiejsze sposoby wizualizacji z o onych zbiorów danych na temat interakcji u ytkowników z witryn. Jedn z takich technik jest mapa klikni udost pniana przez firm Crazy Egg (rysunek 1.4). W czasie kiedy powstawa a ta ksi ka, wspomniana us uga by a dost pna w wersji beta. Narz dzie to przedstawia grupy klikni na witrynie internetowej i ich liczebno za pomoc kolorów. Im ja niejszy kolor, tym wi cej klikni koncentruje si wokó danego miejsca lub odno nika. 36 ROZDZIA 1: WEB ANALYTICS DZI I JUTRO Rysunek 1.4. Raport w postaci mapy kliknięć udostępniany przez Crazy Egg Obecne warunki i wyzwania Analiza danych internetowych wci znajduje si w wieku szczeni cym. Doros a nieco od momentu narodzin i w pewnym sensie potrafi sama przetrwa, jednak w przysz o ci nale y spodziewa si jeszcze znacznego rozwoju i licznych zmian. Temu procesowi towarzyszy obecnie niezwyk y splot wydarze. Od d ugiego czasu firmy ponosi y znaczne inwestycje na witryny internetowe, poniewa wszyscy tak post powali i by o to modne. W ci gu kilku ostatnich lat sie WWW dojrza a i jest kana em biznesowym u ywanym przez wi kszo firm. Nagle okaza o si, e kana ten podlega tym samym prawom ekonomicznym co inne (na przyk ad sprzeda telefoniczna lub zwyk e sklepy). Od czasu znacznego wzrostu popularno ci sieci WWW prowadzone s coraz dok adniejsze analizy, a firmy wymagaj od osób odpowiedzialnych za witryny uzasadnienia inwestycji ponoszonych na ten kana. To podej cie wymaga wielu zmian w funkcjonowaniu tego kana u
i dzia aniach osób nim zarz dzaj cych, które musz przeprowadza liczne badania, aby wykaza si wynikami. Nawet obecnie wiele osób uto samia analiz danych internetowych z badaniami strumieni klikni. Cho jest to zupe nie b dne podej cie, dla wi kszo ci praktyków strumienie klikni to podstawa przy podejmowaniu decyzji zwi zanych z witryn. Poniewa te strumienie obejmuj tylko cz danych internetowych, liczne firmy s rozczarowane brakiem praktycznych wniosków mimo inwestycji ponoszonych przez lata na narz dzia do analizy takich danych. Dost pnych jest mnóstwo danych i jeszcze wi cej raportów, jednak w my lach osób odpowiedzialnych za podejmowanie decyzji wci pojawia si pewne stwierdzenie: Dane nie powiedz mi, co mam robi. W czasie boomu internetowego na rynku dzia a o oko o 200 us ugodawców o ró nej wielko ci. Od momentu za amania w bran y nast pi a konsolidacja. Ekosystem firm zajmuj cych si analiz danych internetowych jest zdominowany przez us ugodawców, którzy staraj si uzyska przewag konkurencyjn, oferuj c coraz wi cej funkcji. Zdominowali oni bran i okre laj postrzeganie wiata analiz (przy czym w praktyce jest to wiat raportów). Brak wp ywu praktyków na strategi i kierunek rozwoju ma negatywne skutki dla bran y. Standardowe techniki, na przyk ad innowacje pod k tem klienta (ang. customer-driven innovation CDI), nigdy nie zosta y przyj te w wiecie analizy danych internetowych. Wi kszo post pów wynika z innowacji opartych na mo liwo ciach (ang. possibility-driven innovation PDI), na przyk ad: Co jeszcze mo emy zrobi z zebranymi danymi? Wprowad my innowacje na tej podstawie. W bran y wyra nie wida brak wiedzy praktycznej. Co wa niejsze, nie ma te ludzi i podej, które umo liwi yby firmom internetowym wyci ganie praktycznych wniosków pozwalaj cych na strategiczne odró nienie si od konkurencji. Uniwersytety i inne szko y nie ucz praktycznej analizy danych internetowych. Istnieje tylko jeden kurs internetowy na ten temat, prowadzony przez University of British Columbia. Te braki w po czeniu z nadmiarem danych (w kategoriach danych surowych, które mo na uzyska w sieci WWW) prowadz do nieoptymalnych rozwi za przy przedstawianiu firmom praktycznych wniosków. Ruch Web 2.0 i powi zane z nim technologie coraz cz ciej s czym oczekiwanym przez klientów. Ta zmiana to powa na przeszkoda dla wi kszo ci obecnych rozwi za i us ugodawców z obszaru analizy danych internetowych. W wiecie Web 2.0 jeszcze wa niejsze s szybkie zmiany w podej ciu i opracowanie strategii skutecznej analizy danych internetowych. Na przyk ad w Web 2.0 typowe strumienie klikni nie s zbyt istotne, poniewa ka da nowinka powoduje powolne odchodzenie od paradygmatu sieci WWW opartej na stronach. Jak wi c mo na zmierzy sukces w takich warunkach? Wraz z pojawieniem si programu Google Analytics rynek wprost eksplodowa, poniewa wszyscy w a ciciele witryn mog bezp atnie uzyska dost p do danych internetowych i do tego za pomoc zaawansowanych narz dzi. Oczekiwane darmowe 37 KRÓTKA HISTORIA ANALIZY DANYCH INTERNETOWYCH