- Hvilke sider på mit website/i min app genererer flest visninger?
- Hvilke landingssider er mest effektive og genererer flest konverteringer?
- Hvad søger brugerne efter på mit website/i min app, og hvordan kan jeg forbedre mit websites indhold eller navigationen?
- Hvor effektive er mine landingssider over tid, og bliver brugerne ført lige hurtigt videre til forskellige sider?
- Hvordan er brugernes vej gennem shoppingtragten?
- Hvordan er brugernes vej gennem de forskellige niveauer i mit spil?
- Hvad får brugerne til at lægge et produkt i kurven?
- Hvad får brugerne til at fjerne min app?
- Er der interessante segmentoverlap i mine data?
- Er der forskel på brugernes adfærd, alt efter hvornår de besøgte mit website første gang?
- Hvilke henvisningskilder genererer de mest værdifulde brugere?
Hvilke sider på mit website/i min app genererer flest visninger?
I Universal Analytics er vi vant til, at oplysningerne i rapporten Sider er inddelt ud fra dimensionen "Sidesti" og metrics såsom "Sidevisninger", "Unikke sidevisninger" og "Afvisningsprocent". På Google Analytics 4-ejendomme ser rapporten Sider anderledes ud, men du kan stadig nemt få vist de oplysninger, du søger, via en udforskning i Udforsk.
Det første, du skal gøre, er at aktivere en ekstra dimension via plusikonet (+) for at tilføje dimensioner i ruden Faneindstillinger i Udforsk. Helt konkret skal du tilføje dimensionen "Sidesti + forespørgselsstreng". Hvis du også vil have vist data efter sidetitel (i UA bruges der "Sidesti" i rapporten Sider), kan du aktivere den ekstra dimension "Sidetitel og skærmbillednavn".
Derefter skal du tilføje metric'en "Visninger", så den kan komme med i din udforskning. Det gør du ved at klikke på plusikonet (+) ud for sektionen Metrics i ruden Variabler og søge efter den metric, der skal tilføjes ("Visninger").
For at oprette udforskningen for sider skal du derefter fjerne de standard-metrics og -dimensioner, der er anvendt i indstillingerne for rækker og kolonner, og tilføje "Sidesti og forespørgselsstreng" som rækkedimension og "Visninger" som kolonne-metric. Med henblik på sammenligning kan du også tilføje "Aktive brugere" som en kolonne-metric, så du kan finde ud af, hvor populær en side er blandt unikke brugere.
Hvis du fjerner startsiden (/) og siden med kurven i Google Merchandise Store, kan du hurtigt se, at de mest populære produktsider på websitet er sektionerne Clearance (Oprydningsudsalg) og Men's Apparel (Herretøj).
Hvilke landingssider er mest effektive og genererer flest konverteringer?
Når du ved, hvilken side brugerne bliver ført videre til i din app eller på dit website, kan du optimere brugeroplevelsen og din marketingindsats. I Universal Analytics kan du få disse oplysninger via en brugsklar rapport på rapporteringsbrugerfladen, men det er endnu ikke muligt på Google Analytics 4-ejendomme. Rapporten kan dog genskabes som en udforskning i Udforsk.
Der er et par vigtige ting, du skal bruge for at kunne oprette denne udforskning: Dimensionen Landingsside og relevante metrics såsom Visninger, Sessioner og Brugere. Du skal aktivere de ekstra dimensioner og metrics via plusikonet (+) til tilføjelse af dimensioner:
Når disse dimensioner og metrics er tilgængelige til brug, skal du først tilføje dimensionen Landingsside som en række og relevante metrics såsom Visninger, Sessioner og Aktive brugere som værdier. Derved får du udforskningen Landingsside baseret på disse metrics.
Hvis du tilføjer den ekstra metric Køb, kan du se, hvilke landingssider der blev set, da der blev foretaget et køb:
Nu kan du ikke bare se, hvilke landingssider der blev set, da der blev foretaget et køb, men også sammenligne med de samlede tal for at få et klarere billede af effektiviteten for landingssider.
Hvad søger brugerne efter på mit website/i min app, og hvordan kan jeg forbedre mit websites indhold eller navigationen?
En anden almindelig rapport, du kan vælge at oprette som en udforskning i Udforsk, er Site Search. Hvis du vil gøre det, skal du følge nedenstående fremgangsmåde.
For det første skal du enten have aktiveret hændelsen Forbedret måling eller en tilpasset hændelse for at kunne indsamle data vedrørende websitesøgning. Hvis du bruger forbedret måling, har denne hændelse navnet "view_search_results". Derefter skal du sikre dig, at du har aktiveret parameteren "search_term" som en tilpasset dimension på din ejendom. Når du har gjort det, er den tilgængelig til brug i Udforsk.
Når de relevante data er tilgængelige, kan du oprette din udforskning. Den består af flere elementer. Først skal du aktivere dimensionen "search_term", så den kan bruges i din udforskning:
Når den er aktiveret, kan du føje den til udforskningen under indstillingen "Rækker". Derved får du en visning i stil med følgende:
Denne udforskning omfatter alle hændelser, og der vises derfor mange værdier af typen "(not set)". For at strømline visningen skal du oprette filteret "Hændelsesnavn" matcher eksakt "view_search_results", så der kun vises data for den pågældende hændelse:
Når dette filter er anvendt, får du vist en opdateret udforskning, hvor du kan se antal søgninger for hver angivet term (med andre ord en udforskning af typen søgeterm ved websitesøgning):
Når du ved, hvad brugerne søger efter på dit website, får du lettere ved at optimere indholdet med henblik på større brugerengagement og brugertilfredshed. Hvis du eksempelvis konstaterer en stigning mht. en bestemt søgeterm, kan det være en god idé at tilføje mere indhold med relation til den pågældende term, så brugerne nemmere kan finde det, de søger, eller finde svar på deres spørgsmål på dit website.
Hvor effektive er mine landingssider over tid, og bliver brugerne ført lige hurtigt videre til forskellige sider?
Der er forskellige visualiseringsmuligheder for hver udforskning. En mulighed, som sandsynligvis vil være nyttig for dig, er linjediagrammet, hvor du kan se tendenser mht. dataene over tid. Hvis du vil se tendenser for dine landingssider over tid, skal du bare skifte visualiseringstype ved at klikke på en af de seks visualiseringsmuligheder i ruden Faneindstillinger.
Hvis du skifter visualiseringstype til et linjediagram, oprettes der en graf med tendensen for de ti mest populære landingssider over tid.
Hvis du holder markøren over diagrammet, kan du se datapunkterne for hver dag.
Du kan muligvis også se afvigende data fremhævet i form af en tom cirkel. Hvis du holder markøren over den tomme cirkel, vises der oplysninger om afvigelsen. I nedenstående eksempel fra Google Analytics kan det ses, at der var en forventning om, at cirka 1.000 aktive brugere ville besøge startsiden den 2. februar, men at det observerede antal aktive brugere var 2.200, dvs. 116 % højere end forventet.
Tragte er et glimrende værktøj til at visualisere brugernes vej gennem en række trin, som du forestiller dig, at de vil fuldføre. Almindelige eksempler på brug af tragte er et flow mht. shoppingadfærd eller adfærd i forbindelse med betalingsprocessen, hvis der er tale om en e-handelsvirksomhed. For spiludviklere kan det være oplagt at se på brugernes fremskridt mht. de forskellige niveauer i et spil. Lad os tage et kig på konkrete eksempler på hvert af disse scenarier.
Hvordan er brugernes vej gennem shoppingtragten?
Når det gælder shoppingadfærd, kan det være en god idé at analysere, hvordan forskellige segmenter af brugere bevæger sig gennem en tragt, hvor de først får vist en vare, derefter lægger varen i kurven og til sidst køber varen. For at komme i gang med at bruge en sådan tragt kan du enten oprette den fra bunden eller bruge en af de praktiske skabeloner, der er tilgængelige via GA4-demokontoen til Google Merchandise Store. Hvis du vil vælge denne mulighed, skal du gå til Udforskning og derefter rulle ned og vælge "Tragten Shoppingadfærd" på listen over udforskninger med betegnelsen "Demo".
Når denne demoudforskning åbnes, er den skrivebeskyttet, men du kan klikke på "Lav en kopi" øverst til højre for at lave en kopi af udforskningen, som du derved bliver ejer af. Når du har lavet en kopi, kan du redigere og justere den efter behov.
I Google Merchandise Store sælges der Google-brandede varer, og to af de mest populære varekategorier på websitet er produkter med Android-brandet og produkter med YouTube-brandet. Sammenligning af disse to varekategorier kan være en nyttig metode til at få indsigt i shoppingadfærden, og du kan foretage en sådan sammenligning ved at oprette to nye segmenter – én for hver kategori. I dette konkrete tilfælde kan du oprette et segment med følgende betingelse for hændelsen "select_item": Parameteren "item_name" skal indeholde enten "Android" eller "YouTube".
Disse segmenter omfatter dermed brugere, som på deres vej gennem tragten "Shoppingadfærd" som minimum har klikket på enten et produkt med Android-brandet eller et produkt med YouTube-brandet. Interessant nok ser det ud til, at chancen for, at brugere, der som minimum har klikket på et produkt med Android-brandet, køber noget, er næsten dobbelt så stor som chancen for, at brugere, der har interageret med et produkt med YouTube-brandet, gør det. Bemærk! Dette betyder ikke, at de pågældende brugere har købt et brandet produkt – det betyder bare, at de har klikket på det. Hvis du kun vil have vist data for køb af varer med et bestemt brand, skal du i stedet bruge hændelsen "purchase" som vist nedenfor:
Når disse segmenter er anvendt, ser sammenligningen for tragten "Shoppingadfærd" således ud:
En ny tragtfunktion i GA4 er muligheden for at få en visualisering af tendensen for tragten over tid. For at vælge denne mulighed skal du skifte visualiseringstype til "Tendenstragt" i ruden Faneindstillinger. Derved åbnes der tendenstragtvisning, hvor du kan se tendensen for alle trin over tid. Du kan bruge rullefunktionen for at få vist data for forskellige dage for hvert trin og segment.
Du kan også vælge at få vist tendensen for et enkelt trin ad gangen for at få en mere overskuelig visualisering af ændringerne over tid. I dette konkrete eksempel kan du se, at der den 10. marts var en markant stigning mht. antal køb, og denne stigning var det ikke muligt at se med den forrige visning af dataene. Interessant nok ser det ud til, at forskellen mht. antal køb for henholdsvis brugere, der har fået vist Android-produkter, og brugere, der har fået vist YouTube-produkter, først er blevet udtalt efter denne stigning, hvilket tyder på, at en ændring mht. websitelayout eller marketingindsats har gjort Android-produkter mere populære fra og med dette tidspunkt.
Hvordan er brugernes vej gennem de forskellige niveauer i mit spil?
Dette spørgsmål stiller mange app- eller spiludviklere sikkert sig selv, og det kan analyseres ved hjælp af en tragt.
Det første, du skal gøre, er at oprette et specifikt trin for hvert niveau. I dette eksempel kan du bruge hændelsen "level_up" og oprette fem trin for fem niveauer i appen Flood-It! på GA4-demokontoen.
Ved at anvende disse trin kan du få vist brugernes fremskridt mht. de forskellige niveauer i spillet.
Det ser ud til, at der er større sandsynlighed for, at en bruger fortsætter med at spille, hvis vedkommende fuldfører niveau 1. Med udgangspunkt i dette kan du udføre A/B-test af forskellige scenarier, hvor der bruges tips eller andre metoder til at gøre det lettere for brugerne at fuldføre niveau 1, så de bliver ved med at bruge appen.
Hvis du får vist tendensen for ovennævnte tragt over tid, kan du desuden se en stigning på alle trin fra omkring den 19. marts, hvilket tyder på, at der er sket en ændring med hensyn til promoveringen af spillet eller dets synlighed på det pågældende tidspunkt.
Du kan også segmentere denne tragt for at se, om anskaffelseskanalen har betydning for brugernes fremskridt mht. de forskellige niveauer i spillet. I dette konkrete eksempel kan du se en sammenligning af anskaffelseskanalerne direkte trafik og betalt trafik. Som det fremgår, er levetiden for brugere, der blev anskaffet via betalte kampagner, længere (lavere afbrydelsesfrekvens) end levetiden for brugere, der blev anskaffet direkte, hvilket er tegn på, at den betalte annoncering fungerer efter hensigten.
En anden meget nyttig funktion i tragtudforskningen er muligheden for at oprette et segment eller en målgruppe ud fra afbrydelsesfrekvensen. I eksemplet nedenfor kan du se, at afbrydelsesfrekvensen begynder at stige omkring niveau 4. Det kan med andre ord være en god idé at oprette et segment bestående af dem, som er faldet fra på niveau 4 (dvs. dem, som ikke er nået videre til niveau 5), og bruge det som målgruppe for at opnå større rækkevidde eller at sende en push-notifikation for at opfordre brugerne til at vende tilbage for at fuldføre niveauet og fortsætte i spillet.
Du kan oprette et sådant segment ved at højreklikke på det relevante trin. Dette segment omfatter også et ekskluderingskriterie for niveau 5 for at sikre, at der målrettes mod den rette målgruppe.
En sidste ting, du med fordel kan føje til din tragtudforskning, er den nye metric "Forløbet tid". Det kan du gøre ved at slå skydeknappen for "Vis forløbet tid" i ruden Indstillinger til. Når du gør det, tilføjes der en ny metric-kolonne i tabellen:
Når du kan se, hvor lang tid det i gennemsnit tager brugerne at komme fra trin til trin, får du et godt fingerpeg om, hvorvidt det er lykkedes at skabe en succesfuld kundeoplevelse, eller (som i dette konkrete eksempel) hvor let eller svært det er at komme videre fra et bestemt niveau. Det kan også være en god anledning til at oprette en målgruppe, der skal sendes en push-notifikation eller remarketingmeddelelse til eller lignende. Det ser f.eks. ud til, at det i gennemsnit tager brugerne tre timer og 53 minutter at fuldføre niveau 2. Du kan oprette en målgruppe ud fra frafaldne brugere på dette niveau ved at højreklikke og vælge denne mulighed:
Derefter kan du med fordel benytte en eller anden form for opfordring eller tilskyndelse for at undgå, at medlemmerne af denne målgruppe forlader spillet eller appen.
En anden nyttig ny funktion i Udforsk i GA4 er stiudforskningen. Nu kan du vælge at få vist stien til eller fra en bestemt hændelse eller side eller et bestemt skærmbillede for at få vist brugernes interaktion med dit website eller din app. En funktion til visualisering af brugerflowet på et website har været efterspurgt længe, og med de nye stiudforskninger i GA4 er denne mulighed endelig til rådighed.
Hvad får brugerne til at lægge et produkt i kurven?
Dette spørgsmål stiller mange ejere eller administratorer af e-handelswebsites sikkert sig selv, og det kan nu undersøges ved hjælp af funktionen bagudrettet stianalyse.
Start med at åbne en ny stiudforskning og trykke eller klikke på "Start forfra" øverst til højre. Derefter kan du vælge et slutpunkt. Vælg "Hændelsesnavn".
Vælg derefter den hændelse, du vil have vist stien frem til, på den menu, der kan skydes ud. Da du i dette tilfælde vil se, hvad der har fået brugerne til at lægge et produkt i kurven, skal du vælge "add_to_cart". Hvis du ikke kan se det relevante hændelsesnavn, kan du trykke eller klikke på "Indlæs flere" eller søge efter det via søgefeltet øverst.
Min udforskning indlæses med et par trin, som allerede er udfyldt baseret på hændelsesnavnet. Hvis stianalysen i stedet skal baseres på sidenavn, kan det ændres på trinniveau. I eksemplet nedenfor har jeg valgt at skifte til "Sidetitel og skærmbilledklasse", og jeg kan nu se, at et betydeligt antal personer lægger noget fra siden Udsalg i kurven. Derefter kan jeg vælge at undersøge dette nærmere ved at se på, om der har været stor interesse for bestemte varer på siden Udsalg, og disse oplysninger kan jeg bruge i min marketingstrategi.
Hvad får brugerne til at fjerne min app?
En af de største bekymringer for appudviklere er, hvordan man undgår, at brugerne fjerner appen, og bagudrettet stianalyse er en glimrende metode til at finde frem til årsagen til, at dette sker. Hvis du vil bruge denne ressource, skal du starte med at oprette en ny bagudrettet stianalyse ved at trykke eller klikke på knappen "Start forfra" øverst i en stiudforskning. Vælg derefter hændelsesnavnet "app_remove" som startpunkt.
Hvis du går et par trin tilbage på stien, kan du begynde at se aktiviteter, der kan have fået brugerne til at fjerne appen. I dette konkrete eksempel kan det ses, at cirka 13 % af de brugere, der har valgt at fjerne appen, har set en annonceeksponering på et af de to sidste trin inden fjernelsen af appen. Det er en ret stor procentdel, og det er tegn på, at den aktuelle annoncevisningsmetode muligvis skal optimeres for at reducere de negative konsekvenser, så færre brugere vælger at fjerne appen.
Er der interessante segmentoverlap i mine data?
Teknikken segmentoverlap er en nem metode til at visualisere interaktionen mellem forskellige brugersegmenter. Man kan f.eks. vælge at visualisere overlappet mellem computerbrugere og mobilbrugere, som har tegnet abonnement på et websites nyhedsbrev. Det er en nemmere metode til at få oplysninger om, hvem der typisk tilmelder sig for at abonnere på nyhedsbrevet, end at lave en opdeling af en tabeludforskning.
Hvis du vil bruge denne metode, skal du først tilføje de segmenter, du vil analysere, i ruden med variabler. Klik på plusikonet (+) for at tilføje nye segmenter (derved åbnes værktøjet til segmentoprettelse).
Du kan oprette hændelsen "Tilmelding til nyhedsbrev" ved at vælge et hændelsessegment og vælge den hændelse, der skal filtreres efter (i dette tilfælde er det hændelsen "sign_up").
Når du har oprettet de segmenter, du vil have visualiseret, skal du anvende dem ved at dobbeltklikke på dem for at føje dem til ruden Faneindstillinger. Du kan tilføje op til tre segmenter ad gangen for at visualisere deres indbyrdes overlap via et Venn-diagram.
I dette eksempel har jeg tilføjet segmenterne "Computertrafik", "Mobiltrafik" og "Tilmelding til nyhedsbrev" for at finde ud af, hvilket segment der tegner sig for størstedelen af tilmeldingerne til nyhedsbrevet.
Som det fremgår af både Venn-diagrammet og række 6 i tabellen nedenfor, er det computerbrugere, som tegner sig for langt de fleste tilmeldinger til nyhedsbrevet. Det kan være tegn på, at mobilversionen ikke er skræddersyet til dette mål, eller at et problem med brugeroplevelsen gør det vanskeligt for brugerne at tilmelde sig nyhedsbrevet, og det kan være noget, som udviklerteamet og det team, der er ansvarligt for brugeroplevelsen, skal se nærmere på.
En meget nyttig funktion ved brug af teknikken segmentoverlap er muligheden for at oprette et nyt segment ud fra et overlap. Hvis jeg f.eks. vil oprette et nyt segment, som omfatter både computertrafik og brugere, der har tilmeldt sig nyhedsbrevet, kan jeg højreklikke på det visuelle element, der repræsenterer de relevante data, enten i Venn-diagrammet eller via tabellen, og vælge at oprette et segment ud fra disse data.
Derved åbnes værktøjet til segmentoprettelse med de betingelser, der er valgt på forhånd ud fra det valgte segmentsæt. Segmentnavnet er det beskrivende navn for de kombinerede betingelser, men om ønsket kan det ændres.
Du kan også vælge at oprette en målgruppe ud fra dette overlap ved at markere afkrydsningsfeltet øverst til højre, så du kan dele denne målgruppe med andre Google Marketing Platform-produkter, f.eks. Google Ads, for at opnå større rækkevidde.
Er der forskel på brugernes adfærd, alt efter hvornår de besøgte mit website første gang?
Kohorteudforskningen er et nyttigt værktøj, som du kan bruge til at få oplysninger om forskellige grupper websitebrugeres adfærd, alt efter hvornår og hvordan de blev inkluderet i en kohorte. Du kan gøre kohorteudforskningen endnu mere nyttig ved at vælge en anden metric eller beregningsmetode til analysen.
Første gang du åbner en ny kohorteudforskning i Udforsk, vises der en udforskning, som er genereret til dig ud fra kohorteinkludering for first_touch (hvordan en bruger er blevet kvalificeret til at blive inkluderet i kohorten – i dette tilfælde ved vedkommendes første besøg på websitet eller åbning af appen), kriterier for tilbagevenden for en hvilken som helst hændelse (hvilket vil sige, at brugeren er vendt tilbage og har foretaget en handling på dit website eller i din app), metric'en "Aktive brugere" og beregningstypen "Standard". Dette er en grundlæggende kohorteudforskning, som giver dig mulighed for at se, hvor mange brugere der er vendt tilbage til dit website pr. uge inden for fem uger, og om antallet varierer, alt efter hvornår de første gang besøgte dit website eller åbnede din app.
Hvis du ændrer metric-typen for denne udforskning fra "I alt" til "Pr. kohortebruger", kan du få vist tilbagevendingsprocenterne for hver uge. Denne metric-type er sandsynligvis mere nyttig end "I alt" for denne specifikke visning, da det giver dig mulighed for sammenligne antallet af tilbagevendende brugere for forskellige kohorter.
Hvis du har et e-handelswebsite, kan det også være nyttigt at ændre værdien fra metric'en "Aktive brugere" til metric'en "Købsomsætning", så du ikke kun får vist antal brugere, men også den omsætningsværdi, som hver kohorte genererer. Du kan enten vælge at få vist den samlede værdi for kohorten eller værdien pr. kohortebruger. I eksemplet nedenfor kan du se, at de første to kohorter genererede meget lidt omsætning pr. uge, men at omsætningen begyndte at stige fra og med den tredje kohorte.
Hvis du skifter beregningstype fra "Standard" til "Kumulativ", kan du se hver kohortes samlede indvirkning på virksomhedens omsætning.
I dette konkrete eksempel tyder dataene på, at der cirka fra og med den uge, som startede den 7. marts, blev taget initiativ til en mere målrettet marketingindsats med henblik på at få brugere, som foretager mange konverteringer, til at besøge Google Merchandise Store.
Hvilke henvisningskilder genererer de mest værdifulde brugere?
Hvis dit marketingteam har disse oplysninger, får de lettere ved at finde frem til de henvisningskilder, det kan være relevant at benytte som samarbejdspartnere. I dette konkrete tilfælde er "værdifulde brugere" defineret som de brugere, som sandsynligvis ikke vil fjerne appen, og som har en højere historisk LTV og forventes at generere større omsætning i løbet af deres levetid.
Hvis du vil oprette denne udforskning, skal du først vælge de metrics og dimensioner, der er nødvendige for at undersøge ting såsom stop af brug, LTV og levetidsbaseret omsætning. Vi vælger at bruge kilde og medium som dimensioner og tilføjer et par ekstra metrics fra sektionen "Brugerlevetid" ved hjælp af plusikonet (+) i sektionen Metrics i ruden Variabler.
Når du har anvendt disse metrics og dimensioner, kan du se, at der i mange rækker ikke er nogen værdi for "Sandsynlighed for stop af brug", da disse brugere ikke er kvalificerede til modellering med henblik på forudsigelse af sandsynligheden for stop af brug. Du kan oprette et filter, hvor sandsynligheden for stop af brug er > 0, for at ekskludere alle brugere uden en værdi for sandsynlighed for stop af brug. Derved får du en mere overskuelig udforskning i stil med denne:
Derefter kan du sortere dataene efter sandsynlighed for stop af brug for at finde frem til en eventuel kampagne, som har genereret et stort antal brugere med en lav værdi for sandsynlighed for stop af brug. Disse kampagner sikrer dig sandsynligvis mere engagerede brugere end de kampagner, som har genereret et stort antal brugere med en højere værdi for sandsynlighed for stop af brug.
På samme måde kan du få vist data for forventet antal køb, historisk LTV og forventet engagement for at finde frem til anskaffede brugeres værdi ud fra andet og mere end blot en enkelt session.
Som det fremgår af nedenstående screenshot er der i dette konkrete tilfælde et par rækker, hvor henvisningen til Google Merchandise Store er fra en anden kilde end Google, og selvom disse henvisningskilder har genereret forholdsvis få brugere, er der tale om brugere, som udmærker sig ved en lav værdi for stop af brug, lang engagementsvarighed, mange transaktioner og en god gennemsnitlig LTV. Disse henvisninger ser med andre ord ud til at være af stor værdi for butikken, og vi vil derfor anbefale marketingteamet at kontakte de pågældende henvisningskilder med henblik på at etablere tættere forretningsrelationer til dem.