- Które strony w mojej witrynie lub aplikacji uzyskują najwięcej wyświetleń?
- Które strony docelowe mają największą skuteczność lub przynoszą najwięcej konwersji?
- Czego użytkownicy szukają w mojej witrynie lub aplikacji? W którym miejscu mogę ulepszyć zawartość witryny lub poruszanie się po niej?
- Jaka jest skuteczność moich stron docelowych na przestrzeni czasu? Czy użytkownicy trafiają na różne strony z taką samą częstotliwością?
- Jak użytkownicy przechodzą przez ścieżkę do zakupu?
- Jak użytkownicy przechodzą przez kolejne poziomy w mojej grze?
- Co skłoniło użytkownika do dodania produktu do koszyka?
- Co skłoniło użytkowników do usunięcia aplikacji?
- Czy między różnymi segmentami danych występują ciekawe współzależności?
- Czy użytkownicy zachowują się inaczej zależnie od tego, kiedy po raz pierwszy trafili do witryny?
- Z których źródeł odesłań pochodzą najbardziej wartościowi użytkownicy?
Które strony w mojej witrynie lub aplikacji uzyskują najwięcej wyświetleń?
W Universal Analytics raport Strony wyświetlał informacje uszeregowane według wymiaru „Ścieżka do strony” oraz danych takich jak m.in. „Odsłony”, „Unikalne odsłony” i „Współczynnik odrzuceń”. W usługach Google Analytics 4 raport Strony wygląda inaczej, ale nadal z łatwością możesz w nim odtworzyć to, czego potrzebujesz, korzystając z eksploracji w sekcji Eksplorowanie.
Najpierw musisz włączyć dodatkowy wymiar, korzystając z ikony +, która w sekcji Eksplorowanie służy do dodawania wymiarów w panelu Ustawienia karty. W szczególności musisz dodać wymiar „Ścieżka do strony + ciąg zapytania”. Jeśli chcesz też wyświetlać dane według tytułu strony (w UA w raporcie Strony służy do tego wymiar „Ścieżka do strony”), możesz włączyć wymiar dodatkowy „Tytuł strony i nazwa ekranu”.
Następnie dodaj dane „Wyświetlenia”, aby uwzględnić je w eksploracji. W tym celu w sekcji Dane w panelu Zmienne kliknij ikonę + i wyszukaj dane „Wyświetlenia”, które chcesz dodać.
Aby utworzyć eksplorację w raporcie Strony, musisz usunąć domyślne dane i wymiary zastosowane w ustawieniach wierszy i kolumn oraz dodać wymiar „Ścieżka do strony + ciąg zapytania” jako wymiar wiersza i dane „Wyświetlenia” jako dane kolumny. Dla porównania możesz też dodać dane „Aktywni użytkownicy” jako dane kolumny, aby sprawdzić popularność poszczególnych stron według unikalnego użytkownika.
W przypadku sklepu Google Merchandise Store, jeśli usuniesz z raportu stronę główną (/) i stronę koszyka, szybko zobaczysz, że najpopularniejsze strony produktów w witrynie to sekcje Wyprzedaż i Odzież męska.
Które strony docelowe mają największą skuteczność lub przynoszą najwięcej konwersji?
Wiedza o tym, gdzie użytkownicy trafiają najpierw do Twojej witryny lub aplikacji, może Ci ułatwić optymalizowanie komfortu użytkowników i działań marketingowych. W Universal Analytics możesz się tego dowiedzieć, z gotowego raportu dostępnego w interfejsie raportowania, ale w usługach Google Analytics 4 jeszcze go nie ma. Możesz go jednak odtworzyć pod postacią odpowiedniej eksploracji skonfigurowanej od podstaw w sekcji Eksplorowanie.
Do utworzenia tej eksploracji potrzebujesz kilku ważnych elementów: wymiaru Strona docelowa i odpowiednich danych, np. Wyświetlenia, Sesje i Użytkownicy. Aby dodać te wymiary i dane, musisz skorzystać z ikony +:
Gdy już będziesz mieć dostępne te wymiary i dane, zacznij od dodania do wiersza wymiaru Strona docelowa oraz odpowiednich danych, np. Wyświetlenia, Sesje i Aktywni użytkownicy, jako jego wartości. Otrzymasz w ten sposób eksplorację utworzoną na podstawie wymiaru Strona docelowa i wybranych danych.
Jeśli dodasz też dane Zakup, możesz sprawdzać, które strony docelowe były wyświetlane, gdy miał miejsce zakup:
Możesz teraz zobaczyć, które strony docelowe były wyświetlane w momencie zakupu, a także przeprowadzić porównanie z ogólnymi sumami, aby lepiej poznać skuteczność stron docelowych.
Czego użytkownicy szukają w mojej witrynie lub aplikacji? W którym miejscu mogę ulepszyć zawartość witryny lub poruszanie się po niej?
Kolejnym typowym raportem, który warto utworzyć w sekcji Eksplorowanie, jest eksploracja Wyszukiwania w witrynie. Wymaga to wykonania kilku czynności.
Najpierw musisz włączyć zdarzenie objęte pomiarem zaawansowanym lub zdarzenie niestandardowe, aby zbierać dane o wyszukiwaniu w witrynie. Jeśli korzystasz z pomiaru zaawansowanego, zdarzenie to będzie nosiło nazwę „view_search_results”. Następnie sprawdź, czy w usłudze masz włączony parametr „search_term” jako wymiar niestandardowy. Gdy go włączysz, wymiar ten stanie się dostępny w sekcji Eksplorowanie.
Gdy masz już odpowiednie dane, możesz utworzyć eksplorację. Będzie się ona składać z kilku elementów. Najpierw musisz włączyć parametr „search_term” jako wymiar, aby móc z niego korzystać w eksploracji:
Po włączeniu możesz go dodać do eksploracji w ustawieniu „Wiersze”. Zobaczysz wtedy dane wyjściowe podobne do tych:
Ta eksploracja wyświetla wiele wartości „(not set)” (nie ustawiono), ponieważ analizuje wszystkie zdarzenia. Aby ograniczyć nadmiar informacji, musisz utworzyć filtr „Nazwa zdarzenia” ze ścisłym dopasowaniem do ciągu „view_search_results” w celu wyświetlania tylko danych dotyczących tego zdarzenia:
Po zastosowaniu filtra nastąpi zaktualizowanie danych wyjściowych eksploracji, które będą teraz zawierać liczbę wyszukiwań poszczególnych haseł wymienionych na liście, czyli eksplorację haseł wyszukiwanych w witrynie:
Wiedza o tym, czego użytkownicy szukają w witrynie, bardzo pomoże Ci w optymalizowaniu jej zawartości pod kątem zwiększania ich zaangażowania i zadowolenia. Jeśli np. zaobserwujesz nagły wzrost liczby wyszukiwań konkretnego hasła, możesz spróbować dodać więcej związanych z nim treści, aby ułatwić użytkownikom witryny znajdowanie tego, czego szukają, lub odpowiedzi na ich pytania.
Jaka jest skuteczność moich stron docelowych na przestrzeni czasu? Czy użytkownicy trafiają na różne strony z taką samą częstotliwością?
W przypadku każdej eksploracji możesz korzystać z kilku opcji wizualizacji. Przydatny może być np. wykres liniowy przedstawiający trendy danych na przestrzeni czasu. Jeśli chcesz zobaczyć, jak zmieniała się z czasem popularność stron docelowych, wystarczy, że zmodyfikujesz typ wizualizacji, klikając 1 z 6 jej opcji w panelu Ustawienia karty.
Zmiana wizualizacji na wykres liniowy spowoduje utworzenie wykresu przedstawiającego, jak zmieniała się na przestrzeni czasu pierwsza 10 najpopularniejszych stron docelowych.
Gdy najedziesz kursorem na wykres, zobaczysz punkty danych odpowiadające poszczególnym dniom.
Możesz też zobaczyć dane o anomaliach wyróżnione przez puste kółko. Gdy najedziesz kursorem na takie kółko, pojawią się informacje o konkretnej anomalii. W przykładzie poniżej usługa Google Analytics przewidywała na podstawie zebranych wcześniej danych, że 2 lutego stronę główną odwiedzi około 1000 aktywnych użytkowników, ale zaobserwowana liczba aktywnych użytkowników wyniosła 2200, co stanowiło wynik wyższy od prognozy o 116%.
Ścieżki są świetnym narzędziem do łatwej wizualizacji postępów użytkowników na drodze do wykonania oczekiwanych przez Ciebie działań. Typowym zastosowaniem ścieżki w przypadku firm e-commerce może być proces dokonywania zakupu lub realizacji płatności. Deweloperzy gier mogą natomiast sprawdzać, jak użytkownicy przechodzą kolejne poziomy gry. Przyjrzyjmy się konkretnym przykładom dotyczącym obu branż.
Jak użytkownicy przechodzą przez ścieżkę do zakupu?
W przypadku zachowań zakupowych może Ci się przydać analiza przechodzenia poszczególnych segmentów użytkowników przez kolejne etapy ścieżki do zakupu: wyświetlenie produktu, dodanie go do koszyka i wreszcie zakup. Na początek możesz utworzyć tę ścieżkę od podstaw lub użyć jednego z wygodnych szablonów dostępnych na koncie demonstracyjnym GA4 w sklepie Google Merchandise Store. Aby skorzystać z szablonu, otwórz sekcję Eksplorowanie, przewiń w dół i na wyświetlonej liście eksploracji „Wersja demonstracyjna” wybierz „Ścieżka zachowań zakupowych”.
Po otwarciu tej eksploracji demonstracyjnej będzie ona dostępna tylko do odczytu, ale możesz w prawym górnym rogu kliknąć „Utwórz kopię”, aby utworzyć jej kopię, której będziesz właścicielem. Możesz ją edytować i dostosowywać w dowolny sposób.
Sklep Google Merchandise Store sprzedaje produkty marki Google, a 2 popularne kategorie w nim to produkty marki Android i produkty marki YouTube. Porównywanie tych 2 kategorii produktów może Ci pomóc zrozumieć zachowania zakupowe. W tym celu utwórz 2 nowe segmenty, po 1 dla każdej kategorii. W tym przypadku możesz utworzyć segment z warunkiem dotyczącym zdarzenia „select_item” i parametrem „item_name” o wartości „Android” lub „YouTube”.
Te segmenty będą obejmować użytkowników, którzy podczas przechodzenia przez ścieżkę zachowań zakupowych przynajmniej kliknęli produkt marki Android lub marki YouTube. Co ciekawe, użytkownicy, którzy przynajmniej kliknęli produkt marki Android, byli prawie 2-krotnie bardziej skłonni do zakupu czegoś niż osoby, które weszły w interakcję z produktem marki YouTube. Nie oznacza to, że klient kupił produkt danej marki, tylko że go kliknął. Jeśli interesują Cię tylko zakupy konkretnych markowych produktów, użyj zamiast tego zdarzenia zakupu, jak w tym przykładzie:
Po zastosowaniu tych segmentów porównanie ścieżki zachowań zakupowych będzie wyglądać tak:
Nowością w przypadku ścieżek w GA4 jest możliwość analizowania zmian trendów wskazywanych przez tę ścieżkę na przestrzeni czasu. Aby z tego skorzystać, w panelu Ustawienia karty zmień typ wizualizacji na „Ścieżka na wykresie liniowym”. Spowoduje to otwarcie widoku danych ścieżki pokazującej trend, który sygnalizuje zmiany trendów wszystkich kroków na przestrzeni czasu. Możesz najeżdżać kursorem na poszczególne kroki, aby sprawdzać liczbę według dnia w przypadku danego kroku i segmentu.
Możesz też wyświetlić tylko 1 krok naraz, aby uzyskać bardziej czytelny obraz wskazywanych przez niego zmian trendów na przestrzeni czasu. W tym przykładzie widać, że od 10 marca nastąpił wzrost liczby zakupów, który nie był tak wyraźny w poprzednim widoku danych. Co ciekawe, wydaje się, że różnica pod względem liczby zakupów między użytkownikami oglądającymi produkty marki Android a oglądającymi produkty marki YouTube zaczyna się objawiać niemalże dopiero po tym wzroście. Wskazuje to, że być może nastąpiła wtedy zmiana układu witryny lub działań marketingowych, dzięki której produkty marki Android zaczęły być bardziej widoczne.
Jak użytkownicy przechodzą przez kolejne poziomy w mojej grze?
To częste pytanie o grę lub aplikację, które może sobie zadawać jej deweloper. Odpowiedź można uzyskać dzięki analizie ścieżki.
Najpierw musisz utworzyć kroki odpowiadające przechodzeniu kolejnych poziomów. W tym przykładzie możesz użyć zdarzenia „level_up” i utworzyć 5 kroków dla 5 poziomów na koncie demonstracyjnym GA4 w grze Flood-it!.
Po zastosowaniu tych kroków dowiesz się, jak użytkownicy przechodzili kolejne poziomy gry.
Wygląda na to, że użytkownicy, którzy ukończyli poziom 1, są bardziej skłonni do dalszego grania. Ta informacja pomoże Ci w przeprowadzeniu testów A/B, w ramach których podasz wskazówki lub inne metody rozgrywki, aby ułatwić użytkownikom ukończenie poziomu 1. Powinno to sprzyjać ograniczeniu liczby rezygnacji z gry.
Podczas sprawdzania, czy z biegiem czasu opisana wyżej ścieżka wykazuje jakieś trendy, zauważysz, że w okolicach 19 marca nastąpił wzrost liczby użytkowników na każdym kroku ścieżki. Oznacza to, że w tym okresie mogło się coś zmienić pod względem promowania lub widoczności gry.
Możesz też podzielić tę ścieżkę na segmenty, aby sprawdzić, czy na ogólny postęp mają wpływ różne kanały pozyskiwania. W tym przykładzie możesz zobaczyć porównanie kanałów Wizyty bezpośrednie i Ruch płatny. Łatwo zauważysz, że użytkownicy, którzy zostali pozyskani dzięki płatnym kampaniom, na dłużej pozostają przy tej aplikacji (niższe współczynniki porzuceń) niż użytkownicy pozyskani bezpośrednio. To znak, że płatne reklamy działają zgodnie z oczekiwaniami.
Inną bardzo przydatną funkcją eksploracji ścieżki jest możliwość utworzenia segmentu lub listy odbiorców z użytkowników, którzy zrezygnowali z aplikacji. W przykładzie poniżej widać, że współczynnik porzuceń zaczyna rosnąć około poziomu 4. Możesz utworzyć segment użytkowników, którzy zrezygnowali z gry na poziomie 4 (nie udało im się dotrzeć do poziomu 5), a potem użyć go jako listy odbiorców. Posłuży Ci ona do poszerzania zasięgu lub wysyłania powiadomień push, w których będziesz zachęcać użytkowników do powrotu do gry, ukończenia poziomu, na jakim ją porzucili, i jej dalszego kontynuowania.
Aby utworzyć ten segment, kliknij prawym przyciskiem myszy odpowiedni krok i wybierz opcję tworzenia segmentu. Segment, którego chcesz używać, będzie też zawierał kryteria wykluczania w przypadku poziomu 5, aby zapewnić, że kierujesz przekaz do odpowiednich odbiorców.
Ostatnim elementem, który warto dodać do eksploracji ścieżki, jest nowy rodzaj danych „Czas między zdarzeniami”. Aby to zrobić, w panelu Ustawienia kliknij przycisk „Wyświetl czas między zdarzeniami”. Spowoduje to dodanie do tabeli nowej kolumny danych:
Wiedza o tym, ile czasu zajmuje średnio przechodzenie kolejnych kroków ścieżki, może być ważnym wyznacznikiem powodzenia Twojej gry wśród użytkowników, a w tym przypadku jej poziomu trudności. Informacje te mogą się też przydać do utworzenia listy odbiorców na potrzeby wykonywania różnych działań, np. wysyłania powiadomień push lub przekazów remarketingowych. Na przykład wygląda na to, że ukończenie poziomu 2 zajmuje średnio 3 godziny i 53 minuty. Możesz utworzyć listę odbiorców obejmującą osoby, które zrezygnowały z dalszej gry właśnie na tym poziomie. Aby to zrobić, kliknij prawym przyciskiem myszy i wybierz tę opcję:
Taka lista odbiorców będzie się doskonale nadawać do kierowania do użytkowników słów zachęty, aby nie rezygnowali jeszcze z gry lub aplikacji.
Nową, znakomitą funkcją w sekcji Eksplorowanie w GA4 jest eksploracja sekwencji ścieżki. Możesz teraz wybierać konkretne zdarzenia, strony lub ekrany, od których chcesz wyznaczać ścieżki do przodu lub do tyłu, aby zobaczyć, jak użytkownicy przechodzą przez Twoją witrynę lub aplikację. Od dawna otrzymywaliśmy prośby o dodanie analizy wzorca przeglądania witryny, a dzięki nowym eksploracjom sekwencji ścieżki w GA4 wreszcie stało się to możliwe.
Co skłoniło użytkownika do dodania produktu do koszyka?
To pytanie może sobie zadawać wielu właścicieli witryn e-commerce, a obecnie mogą uzyskać na nie odpowiedź dzięki funkcji wstecznego śledzenia sekwencji ścieżki.
Aby z niej korzystać, otwórz najpierw nową eksplorację sekwencji ścieżki i w prawym górnym rogu kliknij „Zacznij od początku”. Możesz wtedy wybrać punkt końcowy. Kliknij „Nazwa zdarzenia”.
Następnie wybierz w menu zdarzenie, do którego chcesz prześledzić wstecz sekwencję ścieżki. W tym przypadku chcemy sprawdzić, co skłoniło użytkowników do dodania produktów do koszyka. Wybieramy więc krok ścieżki „Dodaj do koszyka”. Jeśli nie widzisz nazwy interesującego Cię zdarzenia, kliknij „Wczytaj więcej” lub znajdź ją, korzystając z paska wyszukiwania u góry.
Eksploracja wczyta się z kilkoma krokami wypełnionymi już na podstawie nazwy zdarzenia. Jeśli zamiast tego chcesz utworzyć ścieżkę według nazwy strony, możesz to zrobić, zmieniając poszczególne kroki ścieżki. W przykładzie poniżej zmieniliśmy wymiar na „Tytuł strony i klasa ekranu”, dzięki czemu widać, że spora część użytkowników dodaje produkty do koszyka na stronie Wyprzedaż. Aby bliżej się temu przyjrzeć, możesz dokładniej przeanalizować tę stronę i sprawdzić, czy jakieś produkty cieszyły się zwiększonym zainteresowaniem. Pomoże Ci to w kształtowaniu strategii marketingowej.
Co skłoniło użytkowników do usunięcia aplikacji?
W przypadku deweloperów aplikacji poważnym problemem są rezygnacje (czyli usuwanie aplikacji przez użytkowników). Wsteczne śledzenie sekwencji ścieżki może być doskonałym źródłem informacji o tym, co skłoniło klientów do zrezygnowania z aplikacji. Na początek musisz utworzyć nową wsteczną sekwencję ścieżki, Aby to zrobić, w prawym górnym rogu eksploracji sekwencji ścieżki kliknij przycisk „Zacznij od początku”. Następnie jako punkt początkowy wybierz nazwę zdarzenia „app_remove”.
Gdy prześledzisz kilka kroków wstecz ścieżki, zaczniesz dostrzegać działania, które mogły doprowadzić do rezygnacji. W tym przypadku widać, że około 13 procentom użytkowników, którzy zrezygnowali z aplikacji, na 2 kroki przed jej usunięciem wyświetliła się w niej reklama. To całkiem duży odsetek, który wskazuje, że może musisz zoptymalizować sposób wyświetlania reklam, aby ograniczyć ich negatywny wpływ na użytkowników, wywołujący u nich chęć rezygnacji.
Czy między różnymi segmentami danych występują ciekawe współzależności?
Metoda analizy pokrywania się segmentów jest świetnym sposobem na łatwą wizualizację wzajemnych interakcji między różnymi segmentami użytkowników. Dzięki temu możesz np. zobaczyć, jaka część użytkowników komputerów pokrywa się z użytkownikami urządzeń mobilnych pod względem subskrybowania newslettera witryny. Pomoże Ci to sprawdzić, skąd pochodzi większość subskrypcji newslettera, bez konieczności dzielenia tabeli eksploracji w celu uzyskania tych danych.
Aby zobaczyć pokrywanie się segmentów, najpierw w panelu Zmienne dodaj segmenty, które chcesz przeanalizować. Aby dodać nowe segmenty, kliknij ikonę + (spowoduje to otwarcie Kreatora segmentów).
Możesz utworzyć zdarzenie Subskrypcja newslettera. Aby to zrobić, wybierz segment zdarzeń i wskaż odpowiednie zdarzenie, według którego chcesz filtrować dane (w tym przypadku „sign_up”).
Po utworzeniu segmentów, które chcesz objąć wizualizacją, musisz je zastosować. W tym celu kliknij je dwukrotnie, co spowoduje ich dodanie do panelu Ustawienia karty. Możesz dodać maksymalnie 3 segmenty naraz. Wizualizacja ich pokrywania się zostanie przedstawiona za pomocą diagramu Venna.
W tym przykładzie dodaliśmy segmenty „Ruch z komputerów”, „Ruch z komórek” i „Subskrypcja newslettera”, aby sprawdzić, skąd pochodzi większość subskrypcji newslettera.
Jak widać zarówno na diagramie Venna, jak i w wierszu 6 w tabeli poniżej, większość subskrypcji newslettera pochodzi od użytkowników komputerów. Może to oznaczać, że albo interfejs w wersji mobilnej nie jest dostosowany do tego celu, albo występuje w nim problem uniemożliwiający użytkownikom łatwe zasubskrybowanie newslettera. Wnioski te należałoby następnie przeanalizować wspólnie z zespołami deweloperów i projektantów interfejsu użytkownika.
Bardzo przydatną funkcją analizy pokrywania się segmentów jest możliwość utworzenia nowego segmentu z pokrywającej się części badanych segmentów. Jeśli np. chcesz utworzyć nowy segment obejmujący ruch z komputerów i subskrypcje newslettera, możesz kliknąć prawym przyciskiem myszy interesujący Cię wycinek danych (na diagramie Venna lub w tabeli) i wybrać opcję utworzenia segmentu.
Spowoduje to otwarcie Kreatora segmentów z warunkami określonymi wstępnie na podstawie wybranego przez Ciebie zbioru segmentów. Nowemu segmentowi zostanie nadana nazwa opisowa nawiązująca do połączonych warunków, którą możesz zmienić w razie potrzeby.
Na podstawie pokrywającej się części segmentów możesz nawet utworzyć listę odbiorców. Aby to zrobić, zaznacz pole w prawym górnym rogu. Umożliwi Ci to udostępnianie tej listy innym usługom Google Marketing Platform, np. Google Ads, w celu zwiększania zasięgu Twoich kampanii.
Czy użytkownicy zachowują się inaczej zależnie od tego, kiedy po raz pierwszy trafili do witryny?
Eksploracja kohort to przydatne narzędzie pozwalające zrozumieć, jak różne grupy użytkowników witryny zachowują się w zależności od tego, kiedy i jak zostały zaliczone do danej kohorty. Możliwość zmiany rodzaju danych lub modyfikowania obliczeń wielkości analizowanych w ramach eksploracji kohort jeszcze bardziej zwiększa użyteczność tego narzędzia.
Gdy po raz pierwszy otworzysz w sekcji Eksplorowanie nową eksplorację kohorty, zobaczysz eksplorację wygenerowaną z takimi ustawieniami: „Uwzględnione w kohorcie” – zdarzenie first_touch (sposób, w jaki ktoś zakwalifikował się do kohorty – w tym przypadku po raz pierwszy skorzystał z witryny lub aplikacji), „Kryterium pozostania” – „Dowolne zdarzenie” (czyli gdy użytkownicy wrócili do witryny lub aplikacji i zrobili w niej cokolwiek), „Dane” – „Aktywni użytkownicy” oraz „Obliczenia” – „Standardowo”. W efekcie podstawowa eksploracja kohort pokazuje, ilu użytkowników przyciągasz z powrotem do witryny w każdym z 5 kolejnych tygodni oraz czy ta wartość zmienia się w zależności od tego, kiedy po raz pierwszy skorzystali z Twojej witryny lub aplikacji.
Jeśli zmienisz w eksploracji rodzaj danych z „Suma” na „za użytkownika kohorty”, możesz poznać odsetek powracających użytkowników w skali tygodnia. Pewnie bardziej Ci się to przyda niż suma wartości w tym konkretnym widoku danych, ponieważ wskazuje, jak wygląda porównanie poszczególnych kohort pod względem powracających użytkowników.
W przypadku witryny e-commerce może Ci się też przydać zmiana wartości z danych „Aktywni użytkownicy” na dane „Przychody z zakupów”. Będziesz wtedy widzieć nie tylko użytkowników, ale także przychody uzyskiwane dzięki poszczególnym kohortom. Przychody te możesz mieć podane w postaci sumy dla danej kohorty lub z podziałem według użytkownika kohorty. W przykładzie poniżej widać, że pierwsze 2 kohorty przyniosły bardzo mało przychodów tygodniowo, ale już od 3. kohorty przychody zaczęły rosnąć.
Gdy zmienisz ustawienie „Obliczenia” ze „Standardowo” na „Całkowita”, zobaczysz ogólny wpływ każdej kohorty na przychody firmy.
Dane w tym przykładzie wskazują, że mniej więcej od tygodnia zaczynającego się 7 marca nastąpiło prawdopodobnie nasilenie się działań marketingowych mających na celu przyciąganie do sklepu Google Merchandise Store użytkowników często dokonujących konwersji.
Z których źródeł odesłań pochodzą najbardziej wartościowi użytkownicy?
Zdobycie tej informacji może pomóc Twojemu zespołowi marketingowemu w ustaleniu, które źródła odesłań warto zaprosić do współpracy jako partnerów. W tym przypadku wartość wskazuje, że użytkownicy są mniej skłonni do rezygnacji, mogą zgodnie z szacunkami przynieść większe przychody od początku śledzenia i mają wyższą historyczną wartość od początku śledzenia.
Aby utworzyć tę eksplorację, musisz najpierw uwzględnić w niej dane i wymiary niezbędne do analizy takich czynników jak skłonność do rezygnacji, wartość od początku śledzenia i przychody od początku śledzenia. Użyj więc wymiarów „Źródło” i „Medium” oraz kilku dodatkowych danych, które wybierzesz w sekcji „Wartość od początku śledzenia”, korzystając z ikony + w sekcji „Dane” w panelu Zmienne.
Po zastosowaniu tych danych i wymiarów zauważysz, że wiele wierszy nie zawiera żadnych wartości prawdopodobieństwa rezygnacji, ponieważ ci użytkownicy nie kwalifikują się do modelowania prognozy prawdopodobieństwa rezygnacji. Możesz utworzyć filtr z prawdopodobieństwem rezygnacji > 0, aby wykluczyć wszystkich użytkowników, dla których brak obliczonego prawdopodobieństwa rezygnacji. Uzyskasz wtedy przejrzystą eksplorację podobną do tej:
Następnie możesz posortować dane według prawdopodobieństwa rezygnacji i sprawdzić, czy masz jakąś kampanię z dużą liczbą użytkowników i niskim prognozowanym prawdopodobieństwem rezygnacji. Dzięki takim kampaniom pozyskasz pewnie więcej zaangażowanych użytkowników niż dzięki kampaniom o wyższym prognozowanym prawdopodobieństwie rezygnacji.
W podobny sposób możesz się też przyjrzeć przewidywanej liczbie zakupów, historycznej wartości od początku śledzenia i prognozowanemu zaangażowaniu, aby określić wartość pozyskanych użytkowników w okresie wykraczającym poza pojedynczą sesję.
Sądząc po zrzucie ekranu poniżej, w tym przypadku jest kilka wierszy z odesłaniami do sklepu Google Merchandise Store spoza usług Google. Odesłania te cechują się małą liczbą użytkowników, ale za to niższym prawdopodobieństwem rezygnacji, dłuższym czasem zaangażowania, wyższą liczbą transakcji i dobrą średnią wartością od początku śledzenia. Te odesłania wydają się być wartościowe dla sklepu, dlatego zalecamy, aby zespół marketingowy skontaktował się z ich źródłami w celu nawiązania bliższej współpracy.