- Hvilke sider eller skjermer på nettstedet mitt eller i appen min har flest visninger?
- Hvilke landingssider har de beste resultatene eller flest konverteringer?
- Hva søker folk etter i appen eller på nettstedet? Hvor kan innholdet eller navigeringen gjøres enda bedre?
- Hvilke resultater oppnår jeg med landingssidene over tid? Lander brukerne på ulike sider i like stor grad?
- Hvordan går brukerne gjennom handletrakten?
- Hvordan går brukerne gjennom nivåene i spillet?
- Hva får brukere til å legge produkter i handlekurven?
- Hva fører til at brukere fjerner appen?
- Finnes det interessante skjæringspunkter mellom ulike segmenter av dataene mine?
- Varierer brukernes atferd etter når de først besøkte nettstedet mitt?
- Hvilke henvisningskilder genererer de mest verdifulle brukerne?
Hvilke sider eller skjermer på nettstedet mitt eller i appen min har flest visninger?
I Universal Analytics er vi vant til å se «Sider»-rapporten inndelt etter «Sidebane»-dimensjonen og beregninger som blant annet «Sidevisninger», «Unike sidevisninger» og «Fluktfrekvens». I Google Analytics 4-områder ser Sider-rapporten annerledes ut, men du kan enkelt gjenskape det du ser etter, som en utforskning i Utforskninger.
Først må du aktivere en tilleggsdimensjon via +-ikonet, slik at du kan legge til dimensjoner i Faneinnstillinger-feltet i Utforskninger. Helt konkret må du legge til «Sidebane og søkestreng»-dimensjonen. Hvis du også vil se dataene inndelt etter sidetittel (i UA bruker siderapporten «Sidebane»), kan du aktivere «Sidetittel og skjermnavn» som en ekstra dimensjon.
Deretter må du legge til Visninger-beregningen, slik at du kan ta den med i utforskningen. Du kan gjøre dette ved å klikke på +-ikonet i Beregninger-delen av Variabler-feltet og søke etter og legge til Visninger-beregningen.
Når du skal utarbeide en sideutforskning, må du fjerne standardberegningene og -dimensjonene som brukes i innstillingene for radene og kolonnene, og legge til «Sidebane og søkestreng» og «Visninger» som henholdsvis raddimensjon og kolonneberegning. Du kan også sammenligne hvor populære de enkelte sidene er hos unike brukere, ved å legge til «Aktive brukere» som kolonneberegning.
Hvis du fjerner startsiden (/) og handlekurvsiden for Google Merchandise Store, kan du raskt se at de mest populære produktsidene er i delene om restsalg og herreklær på nettstedet.
Hvilke landingssider har de beste resultatene eller flest konverteringer?
Hvis du vet hvor brukerne først kommer til appen eller nettstedet, kan du optimalisere brukeropplevelsen og markedsføringstiltakene. I Universal Analytics er dette en forhåndsdefinert rapport i brukergrensesnittet for rapportering, men i Google Analytics 4-områder finnes den foreløpig ikke. I Utforskninger kan du gjenskape dette fra grunnen av i en utforskning.
Denne utforskningen må baseres på noen viktige elementer: Landingsside-dimensjonen og relevante beregninger som Økter, Brukere og Visninger. Du må aktivere de ekstra dimensjonene og beregningene via +-ikonet som brukes for å legge til dimensjoner:
Når disse dimensjonene og beregningene er tilgjengelige for bruk, må du først legge til Landingsside-dimensjonen som en rad, og så legge til relevante beregninger – for eksempel Økter, Visninger og Aktive brukere – som verdier. Med dette får du en utforskning av landingssider basert på disse beregningene.
Når du legger til «Kjøp» som ekstraberegning, kan du se hvilke landingssider som ble åpnet i forbindelse med kjøp:
Nå kan du se hvilke landingssider som ble åpnet før kjøp, og sammenligne disse dataene med de samlede dataene om landingssider, så du ser hvor effektive de enkelte sidene er.
Hva søker folk etter i appen eller på nettstedet? Hvor kan innholdet eller navigeringen gjøres enda bedre?
En annen vanlig rapport du kan opprette i Utforskninger, er en utforskning om nettstedsøk. Du kan gjøre dette ved å fullføre et par trinn.
Først må du aktivere en egendefinert hendelse eller en hendelse knyttet til forbedret måling for å samle inn data om søk på nettstedet. Hvis du bruker forbedret måling, kalles denne hendelsen «view_search_results». Deretter må du påse at du har aktivert parameteren for «search_term» som en egendefinert dimensjon i området ditt. Når det er gjort, blir hendelsen tilgjengelig i Utforskninger.
Så fort du har tilgang til de rette dataene, kan du opprette utforskningen, som blir bestående av et par deler. Først må du aktivere «search_term»-dimensjonen for bruk i utforskningen:
Når den er aktivert, kan du legge den til i utforskningen via innstillingene for rader. Resultatet blir omtrent slik:
Denne utforskningen har mange (not set)-verdier (ikke angitt) fordi den ser på alle hendelsene. Du kan redusere støyen ved å opprette et filter for «Hendelsesnavn» som samsvarer eksakt med «view_search_results», slik at det bare vises data om den aktuelle hendelsen:
Når filteret er aktivert, får du en oppdatert utforskning som viser antallet søk etter de enkelte termene som er oppført. Med andre ord har du en utforskning av søketermer på nettstedet:
Når du vet hva brukerne søker etter på nettstedet, kan du enklere optimalisere innholdet for å oppnå høyere brukertilfredshet og -engasjement. Hvis du for eksempel ser en stor oppgang i bruken av en bestemt søketerm, kan du vurdere å legge til mer innhold knyttet til denne termen, slik at brukerne på nettstedet enklere finner det de er ute etter, eller får svar på spørsmålene de måtte ha.
Hvilke resultater oppnår jeg med landingssidene over tid? Lander brukerne på ulike sider i like stor grad?
I hver utforskning kan du velge mellom flere ulike visualiseringer. Et linjediagram kan for eksempel være nyttig hvis du vil se datatrender over tid. Hvis du vil se langsiktige trender for landingssidene, er det bare å endre visualiseringstypen ved å klikke på en av de seks ulike visualiseringsalternativene under Faneinnstillinger-feltet.
Hvis du endrer visualiseringen til et linjediagram, opprettes en fremstilling av trendene for de ti mest brukte landingssidene over tid.
Hvis du holder markøren over diagrammet, ser du datapunktene for hver dag.
Eventuelle dataavvik er fremhevet med en tom sirkel. Hvis du holder markøren over den tomme sirkelen, vises informasjon om avviket. I eksempelet nedenfor forventet Google Analytics at omtrent 1000 aktive brukere skulle besøke startsiden 2. februar, basert på data som tidligere var samlet inn. Det ble imidlertid registrert 2200 aktive brukere, altså 116 % høyere enn forventet.
Trakter er et nyttig verktøy for å fremstille visuelt hvordan du forestiller deg at brukerne går gjennom et gitt sett av trinn. Vanlige bruksmønstre for trakter kan være flyten for handleatferd eller betalingsatferd i nettbutikker. For spillutviklere kan det være nyttig å kartlegge hvordan brukere gjør fremdrift i spillnivåer. Vi skal se på spesifikke eksempler på hver av disse.
Hvordan går brukerne gjennom handletrakten?
Når det gjelder handleatferd, kan det være lurt å analysere hvordan ulike brukersegmenter går gjennom handleatferdstrakten ved å se på varer, legge dem i handlekurven og så kjøpe dem. Du kan komme i gang ved å opprette denne trakten fra grunnen av, eller du kan bruke en av malene du har tilgang til via GA4-testkontoen for Google Merchandise Store. Dette siste alternativet velger du ved å gå til utforskningssenteret, rulle ned og velge «Trakt for handleatferd» fra de valgte testutforskningene.
Denne utforskningen åpnes skrivebeskyttet, men du kan klikke på «Lag en kopi» øverst til høyre for å lage en kopi av denne utforskningen, som du så blir eier av. Når du har denne kopien, kan du redigere og tilpasse den som du måtte ønske.
Google Merchandise Store selger Google-salgsvarer, og to populære kategorier på nettstedet er Android- og YouTube-merkevarer. Det kan være nyttig å sammenligne disse to varekategoriene for å forstå handleatferden. For å gjøre dette må du opprette to nye segmenter: ett for hver kategori. I dette tilfellet kan du opprette et segment med en betingelse om at «select_item»-hendelsen utløses, og at parameteren «item_name» inneholder enten «Android» eller «YouTube».
Disse segmentene viser så brukere som har gått gjennom trakten for handleatferd og minst klikket på et Android- eller YouTube-merkeprodukt. Noe som er interessant å merke seg, er at brukere som klikket på en Android-salgsvare, nesten dobbelt så ofte kjøpte noe sammenlignet med dem som samhandlet med YouTube-salgsvarer. Merk deg at dette ikke betyr at de kjøpte et merkeprodukt, bare at de klikket på det. Hvis du utelukkende er interessert i kjøp av bestemte merkeprodukter, må du i stedet bruke kjøpshendelsen, som nedenfor:
Når disse segmentene brukes, ser sammenligningen av handletrakten for de to merkene slik ut:
I GA4 kan du nå se trender for denne trakten over tid. Du kan gjøre dette ved å endre visualiseringstypen til «Trendbasert trakt» i «Faneinnstillinger»-feltet. Nå åpnes en trendbasert traktvisning, der du kan se alle trinnene på vei opp over tid. Du kan rulle over dem for å se antallet per dag for hvert trinn og segment.
Visningen kan også omfatte trendene for bare ett trinn om gangen, slik at du enklere ser endringer over tid. I dette eksempelet kan du se at salgstallene steg betraktelig 10. mars, noe som ikke var opplagt i den forrige datavisningen. Det er interessant å merke seg at forskjellen i antallet kjøp mellom de som så på henholdsvis Android og YouTube, nesten i sin helhet kan tilskrives tidspunktet for denne oppgangen og tiden deretter. Dette kan være en indikasjon på at utformingen av nettstedet eller markedsføringstiltakene ble endret på en måte som gjorde Android-produkter mer fremtredende.
Hvordan går brukerne gjennom nivåene i spillet?
Mange utviklere stiller dette spørsmålet om appene og spillene sine, og du kan analysere dette spørsmålet i en trakt.
Først må du definere spesifikke trinn for å følge med på fremdriften. I dette eksempelet kan du bruke «level_up»-hendelsen og lage fem trinn i GA4-testkontoen for fem nivåer i Flood-It!
Når du bruker disse trinnene, ser du fremdriften brukerne har på hvert spillnivå.
Det ser ut til at brukere som kommer seg forbi nivå 1, fortsetter å spille. Med denne informasjonen kan du A/B-teste ulike scenarioer der du innfører tips eller andre metoder for å hjelpe brukerne med å fullføre nivå 1, slik at frafallet reduseres.
Hvis du ser på trender for den ovennevnte trakten over tid, kan du se en oppgang for alle trinnene rundt 19. mars – en indikasjon på at synligheten til eller markedsføringen av spillet kanskje ble endret i dette tidsrommet.
Du kan også segmentere denne trakten for å se om ulike kanaler for brukeranskaffelse påvirker den generelle fremdriften. I dette eksempelet kan du se på anskaffelse via direkte trafikk kontra betalt trafikk. Du ser at brukere du får gjennom betalte kampanjer, faktisk forblir brukere over lengre tid (lavere avbruddsfrekvenser) enn de du skaffer deg direkte, noe som indikerer at den betalte markedsføringen fungerer slik den skal.
En annen nyttig funksjon i traktutforskninger er at du kan opprette segmenter eller målgrupper fra rullegardinmenyen. I eksempelet nedenfor ser du at avbruddsfrekvensen øker rundt nivå 4. Det kan være lurt å opprette et segment for de som faller fra på nivå 4 (kommer seg ikke til nivå 5), og bruke dette som en målgruppe for å få større rekkevidde eller sende en pushvarsling til brukerne for å oppfordre dem til å fullføre nivået og komme seg videre i spillet.
For å opprette dette segmentet må du høyreklikke på det aktuelle trinnet og velge å opprette et segment. Segmentet du skal bruke her, inkluderer også et ekskluderingskriterium for nivå 5, så du vet du målretter annonser mot den rette målgruppen.
En siste ting som kan være lurt å legge til i traktutforskningen, er den nye «Forløpt tid»-beregningen. Dette gjør du ved å trykke på «Vis forløpt tid»-knappen i «Innstillinger»-feltet. Med dette blir det lagt til en ny beregningskolonne i tabellen:
At du kan se hvor lang tid det i snitt tar brukerne å gå fra ett trinn til det neste, kan være en god indikator på kundesuksess eller, i dette tilfellet, hvor enkelt eller vanskelig et nivå kan være. Ut fra denne informasjonen kan det være lurt å opprette en målgruppe du kan rette konkrete tiltak mot, for eksempel ved å sende dem pushvarslinger eller remarketingbudskap. Det ser for eksempel ut at det i gjennomsnitt tar 3 timer og 53 minutter å fullføre nivå 2. Du kan opprette en målgruppe bestående av de som faller fra her, ved å høyreklikke og velge det aktuelle alternativet.
Det kan være nyttig å rette visse oppfordringer mot denne målgruppen, slik at de ikke slutter å bruke appen eller spille spillet.
En flott ny funksjon i Utforskninger i GA4 er baneutforskninger. Nå kan du velge en bestemt hendelse eller side/skjerm og utforske hvilke forutgående eller påfølgende trinn som finnes i brukernes baner gjennom appen eller på nettstedet. Brukere har flere ganger bedt oss om å utvikle en funksjon som gjør at de kan sette seg inn i brukerflyten på nettsteder. Med de nye baneutforskningene i GA4 er dette endelig mulig.
Hva får brukere til å legge produkter i handlekurven?
Dette er et spørsmål vi får ofte fra nettbutikker, og det kan besvares ved å bruke funksjonen for bakoverbaner.
Du kan starte denne funksjonen ved å åpne en ny baneutforskning og trykke på «Start på nytt» øverst til høyre. Deretter kan du velge et sluttpunkt. Velg «Hendelsesnavn».
Velg så hendelsen du vil spore tilbake fra, fra menyen. Ettersom vi i dette tilfellet vil se hva som førte til at brukere la varer i handlekurven, velger vi «Legg i handlekurven». Hvis du ikke ser hendelsesnavnet du er interessert i, kan du trykke på «Last inn flere» eller søke etter navnet i søkefeltet øverst.
Utforskningen blir lastet inn med et par trinn som allerede er fylt ut basert på hendelsesnavnet. Hvis du i stedet vil utforske banen etter sidenavn, kan du endre dette per trinn. I eksempelet nedenfor er det byttet til «Sidetittel og skjermklasse», og du kan se at ganske mange la varer i handlekurven når de var på salgssiden. Du kan undersøke salgssiden for å finne ut mer om dette og se om visse varer var spesielt interessante, slik at du kan ta høyde for dette i markedsføringsstrategien.
Hva fører til at brukere fjerner appen?
For apputviklere er det viktig å unngå frafall (at folk slutter å bruke appen). Det kan være nyttig å gå bakover i banen for å finne ut hva som fører til at kunder slutter å bruke appen. For å komme i gang må du opprette en ny bakoverbane ved å trykke på «Start på nytt»-knappen øverst i en baneutforskning. Deretter velger du «app_remove»-hendelsesnavnet som utgangspunkt.
Hvis du går tilbake et par trinn i banen, får du se aktiviteter som kan ha forårsaket frafallet. I dette tilfellet ser vi at omtrent 13 % av brukerne som sluttet å bruke appen, hadde sett en annonsevisning i løpet av de siste to trinnene før appen ble fjernet. Dette er en nokså høy prosentandel og en indikasjon på at du nok bør optimalisere måten du viser annonser på, så du kan unngå den negative effekten dette har på brukerne, og redusere frafallet.
Finnes det interessante skjæringspunkter mellom ulike segmenter av dataene mine?
Med teknikken segmentoverlapping kan du enkelt få visuelle fremstillinger av hvordan ulike brukersegmenter samhandler med hverandre. Du kan for eksempel se overlappingen mellom brukere som har registrert seg for nyhetsbrevet til et nettsted på henholdsvis mobil og datamaskiner. Dermed blir det enklere for deg å se hvor hovedandelen av registreringer for nyhetsbrevet gjøres, i stedet for å finne disse opplysningene ved å hente ut spesifikke detaljer fra en tabellutforskning.
For å gjøre dette må du først legge til segmentene du vil analysere, i Variabler-feltet. Klikk på +-ikonet for å legge til nye segmenter (med dette åpnes segmenteringsverktøyet).
Du kan opprette hendelsen som registrerer nye abonnementer på nyhetsbrevet, ved å velge et hendelsessegment, i dette tilfellet «sign_up».
Når du har fått med alle segmentene du vil se en visuell fremstilling av, må du dobbeltklikke på dem for å aktivere dem, slik at de legges til i Faneinnstillinger-feltet. Du kan legge til opptil tre segmenter om gangen for å visualisere overlappingen i et venndiagram.
I dette eksempelet er det lagt til segmenter for «Mobiltrafikk», «Datamaskintrafikk» og «Registrering for nyhetsbrev» for å se hvor de fleste registreringene gjøres.
Som du kan se både i venndiagrammet og rad 6 i tabellen nedenfor, står brukere på datamaskiner bak de fleste registreringene. Dette kan antyde enten at mobilopplevelsen ikke er tilpasset dette målet i tilstrekkelig grad, eller at det kan være forhold ved brukeropplevelsen som gjør det vanskelig for brukerne å registrere seg for nyhetsbrevet. Disse opplysningene kan det være nyttig å la utviklings- og brukeropplevelsesteamene se nærmere på.
Noe som er veldig nyttig med segmentoverlapping, er at du kan opprette nye segmenter ut fra overlappende områder. Hvis du for eksempel vil opprette et nytt segment som omfatter trafikk fra datamaskiner og registreringer for nyhetsbrevet, kan du høyreklikke på det aktuelle datautvalget som fremstilles visuelt, som du er interessert i, enten via tabellen eller i venndiagrammet, og velge å opprette et nytt segment.
Når du har gjort det, åpnes segmenteringsverktøyet med betingelsene som er forhåndsvalgt basert på segmentsettet du har valgt. Det beskrivende navnet på de kombinerte betingelsene blir navnet på segmentet, men du kan endre navnet slik du måtte ønske.
Du kan til og med opprette en målgruppe ut fra dette overlappende området ved å merke av i avmerkingsboksen øverst til høyre. Dette gir deg tillatelse til å dele denne målgruppen med andre Google Marketing Platform-produkter, blant annet Google Ads, for å øke rekkevidden.
Varierer brukernes atferd etter når de først besøkte nettstedet mitt?
Kohortutforskning er et nyttig verktøy hvis du vil forstå atferden til ulike grupper av brukere av nettstedet ditt, basert på når og hvordan de først ble tatt med i kohorten. Hvis du endrer beregningen eller kalkuleringsmetoden for det du analyserer i en kohortutforskning, kan resultatene bli enda nyttigere.
Når du åpner en ny kohortutforskning i Utforskninger for første gang, ser du en utforskning som er generert for deg, basert på «first_touch» som kriteriet for inkludering i kohorten (altså hvordan folk ble tatt med i kohorten, som i dette tilfellet er at de åpnet appen eller nettstedet for første gang), returkriterier for eventuelle hendelser (altså at brukerne kom tilbake og gjorde noe i appen eller på nettstedet), en beregning for aktive brukere samt en standard kalkuleringsmetode. Dette resulterer i en grunnleggende kohortutforskning der du får se hvor mange brukere som kommer tilbake til nettstedet hver uke over 5 uker, og om dette påvirkes av når de brukte appen eller besøkte nettstedet for første gang.
Hvis du endrer beregningstypen i denne utforskningen fra «sum» til «per kohortbruker», kan du få inntrykk av hvor mange prosent som returnerer uke etter uke. Dette er sannsynligvis nyttigere informasjon enn summen i denne visningen, ettersom du får sammenlignet prosentandelen returnerende brukere i de ulike kohortene.
Hvis du har en nettbutikk, kan det også være lurt å endre verdien fra en beregning for aktivere brukere til en beregning for kjøpsinntekter, slik at du ikke bare ser brukere, men også inntektene hver kohort genererer. Du kan se på dette som summen av kohortinntekter eller inntekter per kohortbruker. I eksempelet nedenfor ser du at de to første kohortene genererte veldig lave inntekter, men at inntektene steg med den tredje kohorten.
Hvis du går fra standard til kumulativ kalkuleringsmetode, kan du se den samlede innvirkningen hver kohort har på bedriftsinntektene.
I dette eksempelet antyder dataene at det fra og med uken som begynte 7. mars, ble brukt mer penger på markedsføring for å få flere besøk av hyppig konverterende brukere i Google Merchandise Store.
Hvilke henvisningskilder genererer de mest verdifulle brukerne?
At du sitter på denne informasjonen, betyr at du kan få markedsføringsteamet ditt til å gjøre lønnsomme henvisningskilder om til partnere. I dette tilfellet indikerer verdien at brukerne har mindre sjanse for å falle fra, har høyere forventet levetid og høyere historisk LTV.
Når du skal lage denne utforskningen, må du først hente inn de beregningene og dimensjonene du trenger for å utforske faktorer som LTV, frafall og levetidsinntekter. Vi bruker kilden og mediet som dimensjoner. I tillegg til standardberegningene henter vi noen ekstra beregninger ved å legge dem til fra «Hele brukerens levetid»-delen ved hjelp av +-ikonet i Beregninger-delen i Variabler-feltet.
Når du tar i bruk disse beregningene og dimensjonene, ser du at mange rader ikke har verdier for sannsynlighet for frafall, fordi disse brukerne ikke er kvalifisert for modellering av frafallsberegningen. Du kan opprette et filter der sannsynligheten for frafall er > 0, for å ekskludere alle brukere som ikke har noen anslått sannsynlighet for frafall. Du får da en utforskning som ser slik ut:
Deretter kan du sortere dataene etter sannsynlighet for frafall og se om det finnes noen kampanje med et betydelig antall brukere og et lavt forventet frafall. Disse kampanjene har større sannsynlighet for å generere mer engasjerte brukere enn kampanjer som har en høyere anslått frafallsverdi.
Du kan også se på anslåtte kjøp, anslått historisk LTV og anslått engasjement for å identifisere verdien av de anskaffede brukerne utover den enkelte økten.
Hvis du ser på skjermdumpene nedenfor, ser du at det her finnes noen rader med henvisninger til Google Merchandise Store fra andre henvisningskilder enn Google som har et lavt antall brukere, lengre engasjementsvarighet, høyere transaksjoner og en god gjennomsnittlig LTV. Disse henvisningene ser ut til å være lønnsomme for butikken, så dette er henvisningskilder vi anbefaler at markedsføringsteamet bygger gode relasjoner med.