- Vilka sidor på min webbplats/i min app ger flest visningar?
- Vilka målsidor ger bäst resultat eller leder till flest konverteringar?
- Vad söker människor efter på min webbplats/i min app? Var bör jag förbättra innehållet eller navigeringen på min webbplats?
- Hur går det för mina målsidor över tid? Kommer användarna till olika sidor med samma frekvens?
- Hur leds användarna genom köptratten?
- Hur leds användarna genom nivåerna i mitt spel?
- Vad fick en användare att lägga en produkt i kundvagnen?
- Vad fick användare att ta bort min app?
- Finns det intressanta skärningspunkter mellan olika segment i min data?
- Beter sig användarna på olika sätt beroende på när de besökte min webbplats för första gången?
- Vilka länkkällor genererar de mest värdefulla användarna?
Vilka sidor på min webbplats/i min app ger flest visningar?
I Universal Analytics är vi vana vid att se sidrapporten uppdelad på dimensionen Sidsökväg och mätvärden som Sidvisningar, Unika sidvisningar, Avvisningsfrekvens och annat. Sidrapporten för Google Analytics 4-egendomar ser annorlunda ut, men du kan fortfarande enkelt återskapa det du letar efter som en utforskning i Utforska.
Först behöver du klicka på plusikonen i rutan Flikinställningar i Utforska för att lägga till en extra dimension. Närmare bestämt ska du lägga till dimensionen Sidsökväg + sökfrågesträng. Om du även vill dela upp din data efter sidrubrik (i UA används Sidsökväg) kan du aktivera den ytterligare dimensionen Sidrubrik och skärmnamn.
Därefter ska du lägga till mätvärdet Visningar för att inkludera det i utforskningen. Klicka på plusikonen vid avsnittet Mätvärden i rutan Variabler och sök efter mätvärdet Visningar så att du kan lägga till det.
För att skapa sidutforskningen måste du ta bort standardmätvärdena och standarddimensionerna från rad- och kolumninställningarna. Lägg sedan till Sidsökväg och sökfrågesträng som raddimension och Visningar som kolumnmätvärde. För jämförelseändamål kan du också lägga till Aktiva användare som kolumnmätvärde så att du kan se sidornas popularitet per unik användare.
Om du tar bort startsidan (/) och kundvagnssidan för Google Merchandise Store ser du snabbt att de populäraste produktsidorna på webbplatsen är avsnitten med reaprodukter och herrkläder.
Vilka målsidor ger bäst resultat eller leder till flest konverteringar?
Om du vet var användarna hamnar först i din app eller på din webbplats kan du optimera användarupplevelsen och förbättra dina marknadsföringsaktiviteter. I Universal Analytics hittar du denna information i en fördefinierad rapport via rapportgränssnittet. Den finns dock inte för Google Analytics 4-egendomar ännu. Däremot är det möjligt att återskapa detta som en utforskning i Utforska.
För att skapa den här utforskningen behöver du dimensionen Målsida och relevanta mätvärden som Visningar, Sessioner och Användare. Klicka på plusikonen för att aktivera dessa ytterligare dimensioner och mätvärden:
Efter att du har aktiverat de här dimensionerna och mätvärdena ska du lägga till dimensionerna för Målsida som en rad och lägga till relevanta mätvärden, som Visningar, Sessioner och Aktiva användare, som värden. På så sätt skapar du en utforskning av målsidan baserat på dessa mätvärden.
Genom att lägga till Köp som ytterligare mätvärde kan du se vilka målsidor användarna besökte när de gjorde ett köp:
Nu kan du se vilka målsidor användarna besökte när de gjorde ett köp och jämföra det med totalsummorna för att få en bättre bild av hur effektiv målsidan är.
Vad söker människor efter på min webbplats/i min app? Var bör jag förbättra innehållet eller navigeringen på min webbplats?
En annan vanlig rapport som du kan skapa i Utforska är utforskningen för webbplatssökningar. För att göra detta behöver du följa ett antal steg.
Först måste du ha aktiverat händelsen Förbättrad mätning eller en anpassad händelse för att samla in data om webbplatssökningar. Om du använder Förbättrad mätning heter händelsen view_search_results. Kontrollera att du har aktiverat parametern search_term som en anpassad dimension i din egendom. Efter att du har gjort detta kan du använda denna data i Utforska.
När du har tillgång till rätt data kan du börja skapa utforskningen. Den består av ett par olika delar. Först behöver du aktivera dimensionen för search_term så att den blir tillgänglig i utforskningen:
Därefter kan du lägga till den i utforskningen under inställningen Rader. Då visas ett resultat liknande detta:
Den här utforskningen visar många (not set)-värden eftersom den tar hänsyn till alla händelser. För att rensa bort irrelevant data och bara visa data om den aktuella händelsen kan du skapa ett filter med villkoret Händelsenamn matchar exakt view_search_results:
När filtret har tillämpats visas en uppdaterad utforskning med information om antalet sökningar efter varje term på listan:
När du vet vad användarna söker efter på din webbplats kan du optimera innehållet för att förbättra användarengagemang och användarnöjdhet. Om du till exempel ser en topp för en viss sökterm kan du överväga att lägga till mer innehåll där den termen ingår för att hjälpa dina webbplatsbesökare att hitta det de söker eller besvara deras frågor.
Hur går det för mina målsidor över tid? Kommer användarna till olika sidor med samma frekvens?
För varje utforskning kan du välja bland ett antal olika visualiseringsalternativ. Ett användbart alternativ är linjediagrammet, som visar trender för data över tid. Om du vill se hur populära dina målsidor är över tid kan du ändra visualiseringstypen genom att klicka på ett av de sex visualiseringsalternativen under Flikinställningar.
När du ändrar visualiseringstypen till linjediagram ser du en grafik med de tio populäraste målsidorna över tid.
Om du håller muspekaren över diagrammet visas datapunkterna för varje dag.
Eventuell avvikande data visas med en tom cirkel. Håll muspekaren över den tomma cirkeln för att se information om avvikelsen. Exemplet nedan utgår från tidigare insamlad data. Google Analytics förväntade sig att cirka 1 000 aktiva användare skulle besöka startsidan den 2 februari. Antalet observerade aktiva användare var 2 200, vilket var 116 % mer än förväntat.
Trattar är ett utmärkt verktyg för att enkelt visualisera hur användarna rör sig genom en uppsättning steg. Exempel på vanliga trattar för ett e-handelsföretag är flöden för köpbeteende respektive kassabetalningsbeteende. Om du är spelutvecklare kanske du vill se hur användarna rör sig genom olika nivåer i ditt spel. Här tittar vi närmare på några konkreta exempel.
Hur leds användarna genom köptratten?
Om du vill ta reda på dina kunders köpbeteende kan du analysera hur olika användarsegment rör sig genom en tratt för köpbeteende som innefattar att titta på en artikel, lägga den i kundvagnen och slutligen köpa den. Du kan skapa tratten helt från början eller använda en av de praktiska mallarna i G4-demokontot för Google Merchandise Store. Välj Utforskning, scrolla ned och välj Shopping Behavior Funnel på listan över demo-utforskningar.
När utforskningen öppnas är den skrivskyddad, men du kan klicka på Kopiera högst upp till höger för att skapa en kopia av utforskningen som du blir ägare till. Du kan redigera och anpassa kopian som du vill.
I Google Merchandise Store säljs produkter med Googles varumärke. Två populära produktkategorier på webbplatsen är artiklar med varumärkena Android och YouTube. För att förstå kundernas köpbeteende kan det vara en god idé att jämföra de här båda kategorierna. Det gör du genom att skapa två nya segment, ett för varje kategori. I det här fallet kan du skapa ett segment med ett villkor för händelsen select_item där parametern item_name innehåller antingen Android eller YouTube.
Segmenten fylls med användare som rörde sig genom köpbeteendetratten och som minst klickade på en produkt med varumärket Android eller YouTube. Intressant nog verkar det som att sannolikheten för köp var nästan dubbelt så hög bland användare som åtminstone klickade på en Android-produkt jämfört med användare som klickade på en YouTube-produkt. Observera att detta inte innebär att de köpte en produkt med varumärket, bara att de klickade på den. Om du bara är intresserad av att se köp av artiklar med ett specifikt varumärke kan du använda händelsen purchase i stället, som i exemplet nedan:
När du har tillämpat dessa segment ser jämförelsen av köpbeteendetratten ut så här:
En ny funktion hos trattar i GA4 är möjligheten att se hur populär tratten var över tid. Det gör du genom att ändra visualiseringstypen till Trendbaserad tratt under Flikinställningar. Då öppnas en trendbaserad trattvy som visar alla steg som användarna följde över tid. Du kan scrolla bland dem för att se antalet steg och segment per dag.
Du kan även titta på ett steg i taget för att enklare visualisera förändringar över tid. I det här exemplet ser du att det skedde en topp i antalet köp den 10 mars som inte framgick i den tidigare vyn över denna data. Nästan hela skillnaden i antalet köp från personer som tittade på Android- respektive YouTube-märkta produkter ser ut att inträffa efter denna topp. Det tyder på att det kan ha skett en ändring av layouten eller marknadsföringen som gjorde Android-produkter mer framträdande från den tidpunkten och framåt.
Hur leds användarna genom nivåerna i mitt spel?
Det här är en vanlig fråga bland spel- och apputvecklare. Du kan analysera frågan med hjälp av en tratt.
Först behöver du definiera de steg som är specifika för nivåförloppet. I det här exemplet kan du använda händelsen level_up och definiera fem steg för fem nivåer i G4-demokontot för Flood-it!-appen.
När du tillämpar dessa steg kan du se hur användarna rör sig genom varje spelnivå.
Det verkar som att användare som tar sig förbi nivå 1 är mer benägna att fortsätta spela. Denna information kan hjälpa dig att A/B-testa scenarier där du introducerar tips eller andra metoder för att hjälpa användarna att slutföra nivå 1 och därigenom minska antalet avhopp.
Om du visar tratten ovan som en tidsbaserad trend ser du även en ökning i alla steg från runt den 19 mars. Det kan vara ett tecken på att något i marknadsföringen av spelet eller dess exponering ändrades vid den tidpunkten.
Du kan också segmentera tratten för att se om olika förvärvskanaler påverkar nivåförloppet. I det här exemplet kan du jämföra förvärv av direkt och betald trafik. Då ser du att användare som förvärvades via betalda kampanjer stannar kvar längre (lägre avhoppsfrekvens) än de som förvärvades direkt. Det är ett tecken på att din betalda annonsering fungerar som förväntat.
En annan mycket användbar funktion hos trattutforskningen är att du kan skapa ett segment eller en målgrupp med avhoppade användare. I exemplet nedan ser du att avbrottsfrekvensen börjar öka runt nivå 4. Då kan du skapa ett segment med personer som hoppade av på nivå 4 (och som inte nådde nivå 5). Sedan kan du använda det som målgrupp för att utöka räckvidden eller skicka ett pushmeddelande till de användarna för att uppmuntra dem att fortsätta spela.
Du skapar ett sådant segment genom att högerklicka på steget du är intresserad av och välja att skapa ett segment. Segmentet bör också innehålla uteslutningskriterier för nivå 5 så att du är säker på att du inriktar dig på rätt målgrupp.
En sista sak som du kan lägga till i trattutforskningen är det nya mätvärdet Tid. Det gör du genom att slå på reglaget Visa tidsåtgång under Inställningar. Då läggs det till en ny mätvärdeskolumn i tabellen:
Användarnas genomsnittliga tidsåtgång från steg till steg kan vara en bra indikator på kundframgång, eller, i det här exemplet, på hur enkel eller svår en viss nivå är. Den här informationen kan dessutom vara en bra anledning att skapa en målgrupp med personer som du vill följa upp ytterligare med exempelvis ett pushmeddelande eller remarketingbudskap. I det här exemplet ser det ut att ta i genomsnitt tre timmar och 53 minuter att slutföra nivå 2. Du kan skapa en målgrupp med avhoppade användare genom att högerklicka och välja det alternativet:
Detta kan vara en lämplig målgrupp att inrikta dig på med en uppmuntran av något slag så att de inte hoppar av från spelet eller appen.
En utmärkt ny funktion i Utforska i GA4 är kundvägsutforskningen. Nu kan du välja en specifik händelse eller sida/skärm som du vill följa framåt eller bakåt för att se hur användarna rör sig på din webbplats eller din app. Möjligheten att se användarflödet på en webbplats har efterfrågats länge. Med den nya kundvägsutforskningen i GA4 är det äntligen möjligt.
Vad fick en användare att lägga en produkt i kundvagnen?
Detta är en fråga som många ägare av e-handelswebbplatser ställer sig och som nu är möjlig att utreda närmare med funktionen för bakåtriktad kundväg.
Kom igång genom att skapa en ny kundvägsutforskning och välja Börja om högst upp till höger. Välj sedan en slutpunkt. Välj Händelsenamn.
Välj vilken händelse du vill följa bakåt i menyn. Eftersom vi vill se vad som ledde användare att lägga en artikel i kundvagnen väljer vi Lägg i kundvagn. Om du inte ser händelsenamnet du är intresserad av kan du klicka på Läs in fler eller söka efter det via sökfältet högst upp.
Utforskningen läses in med några steg ifyllda på förhand baserat på händelsenamnet. Om du hellre vill följa kundvägen utifrån sidnamn kan du ändra det i varje steg. I exemplet nedan har vi växlat till Sidrubrik och skärmklass. Som du ser lägger relativt många användare en artikel i kundvagnen från sidan med reaprodukter. Du kan titta närmare på reasidan för att se om vissa artiklar är extra populära. Den informationen kan sedan ligga till grund för din fortsatta marknadsföringsstrategi.
Vad fick användare att ta bort min app?
För apputvecklare är avhopp (användare som tar bort appen) en viktig faktor. Att följa kundvägen bakåt kan vara ett effektivt sätt att ta reda på vad som fick användare att hoppa av från din app. Börja med att skapa en ny bakåtriktad väg genom att välja Börja om högst upp i en kundvägsutforskning. Välj sedan händelsenamnet app_remove som startpunkt.
Om du följer vägen ett par steg bakåt kan du börja se aktiviteter som kan ha lett till avhopp. I det här exemplet ser vi att cirka 13 % av användarna som hoppade av hade sett en annonsexponering inom två steg efter att ha tagit bort appen. Det är en ganska stor andel, vilket tyder på att du kanske behöver optimera annonsvisningen för att minska den negativa påverkan på användarna och därmed också antalet avhopp.
Finns det intressanta skärningspunkter mellan olika segment i min data?
Med överlappning mellan segment kan du enkelt visualisera hur olika användarsegment interagerar med varandra. Till exempel kan du visualisera överlappningen mellan datoranvändare och mobilanvändare som prenumererar på nyhetsbrev från en webbplats. Du behöver alltså inte analysera en tabellutforskning för att se varifrån de flesta registreringar för nyhetsbrev kommer.
För att göra detta måste du först lägga till segmenten du vill analysera i variabelpanelen. Klicka på plusikonen för att öppna segmentverktyget så att du kan lägga till nya segment.
Du kan skapa en händelse av typen Registrering för nyhetsbrev genom att välja ett händelsesegment och sedan välja lämplig händelse att filtrera fram, i det här fallet sign_up.
När du har skapat segmenten du vill visualisera ska du dubbelklicka på dem för att lägga till dem i rutan Flikinställningar. Du kan lägga till upp till tre segment åt gången för att visualisera överlappningen i ett Venn-diagram.
I det här exemplet har vi lagt till segment för datortrafik, mobiltrafik och registrering för nyhetsbrev för att se varifrån större delen av alla nyhetsbrevsregistreringar kommer.
Som du ser i både Venn-diagrammet och på rad 6 i tabellen nedan kommer majoriteten av alla registreringar från datoranvändare. Det kan tyda på att mobilupplevelsen inte är anpassad till det här målet eller att det finns ett problem med användargränssnittet som gör det svårt för användarna att registrera sig för nyhetsbrevet. Detta är något du kanske bör jobba vidare med tillsammans med utvecklings- och gränssnittsteamet.
En fördel med överlappning mellan segment är möjligheten att skapa ett nytt segment baserat på en överlappning. Anta till exempel att du vill skapa ett nytt segment som innefattar datortrafik och registreringar för nyhetsbrev. Då kan du högerklicka på den del av informationen som du är intresserad av, antingen i Venn-diagrammet eller i tabellen, och välja att skapa ett segment.
Då öppnas segmentverktyget med förvalda villkor beroende på vilken segmentuppsättning du valde. Som segmentnamn används de kombinerade villkoren, men du kan ändra detta om du vill.
Du kan dessutom välja att skapa en målgrupp baserat på överlappningen genom att markera rutan högst upp till höger. Sedan kan du dela målgruppen med andra Google Marketing Platform-produkter, däribland Google Ads, för att öka räckvidden.
Beter sig användarna på olika sätt beroende på när de besökte min webbplats för första gången?
Kohortutforskningen är ett användbart verktyg när du vill ta reda på hur olika grupper av webbplatsanvändare beter sig baserat på när och hur de blev medlemmar i en kohort. Du kan dessutom ändra mätvärdet eller beräkningen av det du analyserar i en kohortutforskning, vilket gör den ännu mer användbar.
Första gången du öppnar en ny kohortutforskning i Utforska skapas en utforskning baserat på en kohort bestående av first_touch, det vill säga hur användarna kvalificerade sig för kohorten. I vårt exempel används första gången användarna besökte webbplatsen eller appen, återkomstkriterier för en händelse (att användarna kom tillbaka och gjorde något på webbplatsen eller i appen), mätvärdet Aktiva användare och standardberäkningstypen. Resultatet är en enkel kohortutforskning som visar hur många användare som kommer tillbaka till en webbplats varje vecka under fem veckor och om antalet varierar beroende på när de kom till webbplatsen eller app första gången.
Om du ändrar mätvärdestypen för den här utforskningen från Summa till Per kohortanvändare kan du se procentandelen återkommande användare per vecka. Det här värdet är troligen mer användbart än summan i just det här exemplet, eftersom det ger en bild av antalet återkommande användare i varje kohort.
Om du har en e-handelswebbplats kan det även vara intressant att ändra från mätvärdet Aktiva användare till mätvärdet Intäkt från köp. Då ser du inte bara antalet användare utan även intäkterna som genereras från varje kohort. Du kan se detta som en totalsumma för hela kohorten eller per kohortanvändare. I exemplet nedan ser du att de första två kohorterna genererade mycket låga intäkter varje vecka men att intäkterna började öka med den tredje kohorten.
Om du ändrar beräkningstypen från Standard till Kumulativt kan du se varje kohorts totala effekt på företagets intäkter.
I det här exemplet tyder informationen på att från och med veckan som började den 7 mars skedde troligen en ökning av marknadsföringsinsatserna för att leda högkonverterande användare till Google Merchandise Store.
Vilka länkkällor genererar de mest värdefulla användarna?
Med den här informationen kan ditt marknadsföringsteam se vilka länkkällor de bör följa upp som partner. I det här exemplet tyder värdet på att användarna är mindre benägna att hoppa av, att de ger högre förväntade livstidsintäkter och att de har högre historisk LTV.
För att skapa den här utforskningen ska du först aktivera de mätvärden och dimensioner du behöver för att utforska sådant som avhopp, LTV och livstidsintäkt. Vi använder Källa och Medium som dimensioner och lägger till några ytterligare mätvärden från avsnittet Användarlivstid genom att trycka på plusikonen i avsnittet Mätvärden under Variabler.
När du har tillämpat dessa mätvärden och dimensioner ser du att många rader saknar värden för sannolikhet för avhopp. Anledningen är att sådana användare inte är kvalificerade att tas med i modelleringen av avhoppsprognoser. Du kan skapa ett filter för sannolikhet för avhopp >0 för att utesluta alla användare som inte har en beräknad sannolikhet för avhopp. Då får du en ren utforskning som ser ut så här:
Nu kan du sortera informationen utifrån sannolikhet för avhopp och se om det finns en kampanj med ett stort antal användare och förväntat lågt antal avhopp. Dessa kampanjer genererar troligen fler engagerade användare än kampanjer med förväntat högre antal avhopp.
På liknande sätt kan du titta på förutsedda köp, tidigare LTV och prediktivt engagemang för att ta reda på värdet på förvärvade användare bortom en enstaka session.
Skärmbilden nedan visar att det finns ett antal rader med hänvisningar från andra än Google till Google Merchandise Store med få användare men färre avhopp, längre engagemang, fler transaktioner och god genomsnittlig LTV. Dessa hänvisningar ser ut att vara av intresse för butiken och det kan därför vara en god idé att marknadsföringsteamet kontaktar dem för att stärka relationen.