- หน้าใดในเว็บไซต์/แอปทำให้เกิดการดูมากที่สุด
- หน้า Landing Page ใดมีประสิทธิภาพดีที่สุดหรือทำให้เกิด Conversion มากที่สุด
- ผู้คนค้นหาอะไรในเว็บไซต์/แอป ฉันจะปรับปรุงเนื้อหาหรือการนําทางในเว็บไซต์ที่จุดไหนได้บ้าง
- หน้า Landing Page มีประสิทธิภาพอย่างไรเมื่อเวลาผ่านไป ผู้ใช้ไปยังหน้าต่างๆ ที่อัตราเดียวกันหรือไม่
- ผู้ใช้ดำเนินการขั้นถัดไปใน Funnel การช็อปปิ้งอย่างไร
- ผู้ใช้ผ่านด่านในเกมของฉันอย่างไร
- สิ่งใดกระตุ้นให้ผู้ใช้เพิ่มผลิตภัณฑ์ลงในรถเข็น
- สิ่งใดทําให้ผู้ใช้นําแอปของฉันออก
- กลุ่มข้อมูลต่างๆ ของฉันมีจุดร่วมที่น่าสนใจหรือไม่
- ผู้ใช้มีพฤติกรรมต่างกันหรือไม่เมื่อพิจารณาจากการเข้าชมเว็บไซต์ของฉันครั้งแรก
- แหล่งการอ้างอิงใดทําให้เกิดผู้ใช้ที่มีคุณค่ามากที่สุด
หน้าใดในเว็บไซต์/แอปทำให้เกิดการดูมากที่สุด
ใน Universal Analytics เราคุ้นเคยกับการดูรายงานหน้าเว็บที่แสดงรายละเอียดตามมิติข้อมูลของ "เส้นทางหน้าเว็บ" และเมตริก เช่น "การดูหน้าเว็บ" "การดูหน้าเว็บที่ไม่ซ้ำ" "อัตราตีกลับ" และอื่นๆ ส่วนในพร็อพเพอร์ตี้ Google Analytics 4 รายงานหน้าเว็บจะมีลักษณะต่างออกไป แต่คุณยังสามารถสร้างสิ่งที่ต้องการขึ้นมาอีกครั้งเป็นการสํารวจในส่วนสํารวจได้อย่างง่ายดาย
ก่อนอื่น คุณจะต้องเปิดใช้มิติข้อมูลเพิ่มเติมผ่านไอคอน + เพื่อเพิ่มมิติข้อมูลในแผงการตั้งค่าแท็บในส่วนสํารวจ นั่นคือคุณจะเพิ่มมิติข้อมูล "เส้นทางหน้าเว็บ + สตริงการค้นหา" หากต้องการดูข้อมูลตามชื่อหน้าด้วย (ใน UA รายงานหน้าเว็บใช้ "เส้นทางหน้าเว็บ") ให้เปิดใช้มิติข้อมูลเพิ่มเติมซึ่งก็คือ "ชื่อหน้าและชื่อหน้าจอ"
ถัดไป คุณจะต้องเพิ่มเมตริกสําหรับ "การดู" เพื่อให้นําไปใช้ในการสํารวจได้ วิธีการคือคลิกไอคอน + ของส่วนเมตริกในแผงตัวแปร แล้วค้นหาเมตริก "การดู" ที่จะเพิ่ม
หากต้องการสร้างเมตริกการสํารวจหน้าเว็บ คุณจะต้องนําเมตริกและมิติข้อมูลเริ่มต้นที่ใช้ในการตั้งค่าแถวและคอลัมน์ออก จากนั้นเพิ่ม "เส้นทางหน้าเว็บและสตริงการค้นหา" เป็นมิติข้อมูลของแถว และเพิ่ม "การดู" เป็นเมตริกของคอลัมน์ นอกจากนี้ คุณยังทำการเปรียบเทียบโดยเพิ่ม "ผู้ใช้ที่ใช้งานอยู่" เป็นเมตริกของคอลัมน์เพื่อให้เห็นว่าหน้าเว็บได้รับความนิยมเพียงใดเมื่อดูจากผู้ใช้ที่ไม่ซ้ำได้ด้วย
สําหรับ Google Merchandise Store หากคุณนําหน้าแรก (/) และหน้าตะกร้าออก ก็จะเห็นเลยว่าหน้าผลิตภัณฑ์ยอดนิยมคือส่วนลดล้างสต็อกและส่วนเสื้อผ้าผู้ชายของเว็บไซต์
หน้า Landing Page ใดมีประสิทธิภาพดีที่สุดหรือทำให้เกิด Conversion มากที่สุด
การทราบว่าผู้ใช้ไปที่หน้าใดในแอปหรือเว็บไซต์เป็นอันดับแรกจะช่วยให้คุณมอบประสบการณ์การใช้งานที่ดียิ่งขึ้นแก่ผู้ใช้และปรับปรุงการทําการตลาดได้ ใน Universal Analytics ข้อมูลนี้จัดทำเป็นรายงานที่พร้อมใช้งานทันทีใน UI การรายงาน แต่ยังไม่มีในพร็อพเพอร์ตี้ Google Analytics 4 เราสามารถสร้างรายงานนี้ขึ้นมาใหม่ตั้งแต่ต้นโดยให้เป็นการสำรวจในส่วนสำรวจ
มีสิ่งสําคัญ 2 อย่างที่คุณต้องใช้ในการสร้างการสํารวจนี้ ได้แก่ มิติข้อมูลหน้า Landing Page และเมตริกที่เกี่ยวข้อง เช่น การดู เซสชัน และผู้ใช้ คุณจะต้องเปิดใช้มิติข้อมูลและเมตริกเพิ่มเติมผ่านไอคอน + เพื่อเพิ่มมิติข้อมูล
เมื่อทำให้มิติข้อมูลและเมตริกเหล่านี้พร้อมใช้งานแล้ว ให้เริ่มด้วยการเพิ่มมิติข้อมูลหน้า Landing Page เป็นแถว และเพิ่มเมตริกที่เกี่ยวข้อง เช่น การดู เซสชัน และผู้ใช้ที่ใช้งานอยู่เป็นค่า วิธีนี้จะแสดงการสํารวจหน้า Landing Page ตามเมตริกดังกล่าว
การเพิ่มเมตริกการซื้อเข้าไปอีกจะช่วยให้คุณเห็นว่ามีหน้า Landing Page ใดบ้างที่ผู้ใช้ดูเมื่อทำการซื้อ
ตอนนี้คุณก็จะเห็นว่าหน้า Landing Page ใดที่ผู้ใช้ดูเมื่อทำการซื้อ และสามารถเปรียบเทียบกับผลรวมทั้งหมดเพื่อให้ทราบประสิทธิภาพของหน้า Landing Page ได้ดีขึ้น
ผู้คนค้นหาอะไรในเว็บไซต์/แอป ฉันจะปรับปรุงเนื้อหาหรือการนําทางในเว็บไซต์ที่จุดไหนได้บ้าง
รายงานทั่วไปอีกประเภทที่คุณอาจต้องการสร้างในส่วนสํารวจคือการสํารวจการค้นหาเว็บไซต์ วิธีสร้างมี 2 ขั้นตอนดังนี้
ก่อนอื่น คุณต้องเปิดใช้เหตุการณ์การวัดที่ปรับปรุงแล้วหรือเหตุการณ์ที่กําหนดเองเพื่อรวบรวมข้อมูลการค้นหาเว็บไซต์ หากใช้การวัดที่ปรับปรุงแล้ว เหตุการณ์นี้จะเรียกว่า "view_search_results" จากนั้นคุณต้องตรวจสอบว่าได้เปิดใช้พารามิเตอร์สําหรับ "search_term" เป็นมิติข้อมูลที่กําหนดเองในพร็อพเพอร์ตี้ เมื่อเรียบร้อยแล้ว เหตุการณ์ดังกล่าวจะพร้อมใช้งานในส่วนสํารวจ
เมื่อมีข้อมูลที่ถูกต้องแล้ว คุณก็สร้างการสํารวจได้ ซึ่งจะมีอยู่ 2 ส่วนด้วยกัน ก่อนอื่น คุณต้องเปิดใช้มิติข้อมูลสําหรับ "search_term" เพื่อให้ใช้ในการสํารวจได้
เมื่อเปิดใช้แล้ว ให้นำไปเพิ่มในการสํารวจที่ส่วนการตั้งค่า "แถว" จากนั้นคุณจะเห็นเอาต์พุตในลักษณะนี้
การสํารวจนี้แสดงค่า (not set) จํานวนมากเนื่องจากดูที่เหตุการณ์ทั้งหมด หากต้องการซ่อนข้อมูลที่ไม่เกี่ยวข้อง คุณต้องสร้างตัวกรอง "ชื่อเหตุการณ์" ที่ตรงกับ "view_search_results" ทุกประการเพื่อให้แสดงเฉพาะข้อมูลของเหตุการณ์ดังกล่าว
เมื่อใช้ตัวกรองแล้ว คุณจะเห็นการสํารวจที่อัปเดตซึ่งแสดงจํานวนการค้นหาของแต่ละคําที่ระบุไว้ในรายการ ดังที่เรียกว่าการสํารวจข้อความค้นหาเว็บไซต์นั่นเอง
การทราบสิ่งที่ผู้ใช้กําลังค้นหาในเว็บไซต์เป็นวิธีที่ยอดเยี่ยมในการเพิ่มประสิทธิภาพเนื้อหาเพื่อให้ผู้ใช้มีส่วนร่วมและความพึงพอใจมากขึ้น เช่น หากเห็นว่าข้อความค้นหาใดได้รับความนิยมมากขึ้น คุณก็อาจพิจารณาเพิ่มเนื้อหาที่เกี่ยวข้องกับคำดังกล่าวเพื่อช่วยให้ผู้ใช้เว็บไซต์พบสิ่งที่ต้องการหรือตอบคําถามที่มีได้ง่ายขึ้น
หน้า Landing Page มีประสิทธิภาพอย่างไรเมื่อเวลาผ่านไป ผู้ใช้ไปยังหน้าต่างๆ ที่อัตราเดียวกันหรือไม่
คุณมีตัวเลือกการแสดงภาพหลายตัวเลือกสำหรับการสํารวจแต่ละครั้ง ตัวเลือกที่น่าจะเป็นประโยชน์คือแผนภูมิเส้นเพื่อดูแนวโน้มของข้อมูลตามช่วงเวลา หากต้องการดูแนวโน้มของหน้า Landing Page ตามช่วงเวลา ก็เพียงเปลี่ยนประเภทการแสดงภาพโดยคลิกตัวเลือกการแสดงภาพ 1 ใน 6 รายการในแผงการตั้งค่าแท็บ
การเปลี่ยนภาพเป็นแผนภูมิเส้นก็จะสร้างกราฟิกที่แสดงหน้า Landing Page ยอดนิยม 10 อันดับตามช่วงเวลา
เมื่อวางเมาส์เหนือแผนภูมิ คุณจะเห็นจุดข้อมูลของแต่ละวัน
นอกจากนี้ คุณยังอาจเห็นข้อมูลความผิดปกติที่ไฮไลต์ด้วยวงกลมว่างเปล่า ข้อมูลความผิดปกติจะแสดงขึ้นมาเมื่อวางเคอร์เซอร์เหนือวงกลมนั้น ในตัวอย่างด้านล่าง Google Analytics ได้คาดการณ์จากข้อมูลที่รวบรวมไว้ก่อนหน้านี้ว่าจะมีผู้ใช้ที่ใช้งานอยู่ราว 1,000 คนเข้าชมหน้าแรกในวันที่ 2 กุมภาพันธ์ แต่จํานวนผู้ใช้ที่ใช้งานอยู่ที่สังเกตการณ์คือ 2,200 คน ซึ่งสูงกว่าที่คาดไว้ 116%
Funnel เป็นเครื่องมือที่ยอดเยี่ยมในการแสดงให้เห็นเส้นทางการดำเนินการของผู้ใช้ที่คุณคิดว่าจะเกิดขึ้น กรณีการใช้งาน Funnel ที่พบได้ทั่วไปอาจเป็นโฟลว์พฤติกรรมการช็อปปิ้งหรือโฟลว์พฤติกรรมการชําระเงินสําหรับธุรกิจอีคอมเมิร์ซ สําหรับนักพัฒนาเกม คุณอาจต้องการดูว่าผู้ใช้ผ่านด่านต่างๆ ในเกมอย่างไร เรามาดูตัวอย่างที่เจาะจงของแต่ละกรณีการใช้งานกัน
ผู้ใช้ดำเนินการขั้นถัดไปใน Funnel การช็อปปิ้งอย่างไร
สําหรับพฤติกรรมการช็อปปิ้ง คุณอาจต้องการวิเคราะห์ลักษณะที่ผู้ใช้กลุ่มต่างๆ ดำเนินการขั้นถัดไปใน Funnel พฤติกรรมการช็อปปิ้ง ไม่ว่าจะเป็นการดูสินค้า เพิ่มสินค้าในรถเข็น และซื้อสินค้า คุณสามารถเริ่มต้นโดยสร้าง Funnel นี้ใหม่ตั้งแต่ต้น หรือใช้เทมเพลตที่มีให้ใช้งานผ่านบัญชีสาธิต GA4 ของ Google Merchandise Store เพื่อความสะดวกก็ได้ หากต้องการเลือกตัวเลือกนี้ ให้ไปที่ฮับการสํารวจ เลื่อนลง แล้วเลือก "Funnel พฤติกรรมการช็อปปิ้ง" จากการสํารวจ "สาธิต" ที่อยู่ในรายการ
การสํารวจนี้จะเปิดขึ้นโดยเป็นแบบอ่านอย่างเดียว แต่คุณสามารถคลิก "ทําสําเนา" ที่มุมขวาบนเพื่อทําสําเนาการสํารวจสาธิตนี้ซึ่งคุณจะเป็นเจ้าของ โดยเมื่อมีสําเนาแล้วก็แก้ไขและปรับได้ตามต้องการ
Google Merchandise Store ขายอุปกรณ์ที่มีแบรนด์ Google และอุปกรณ์ 2 หมวดหมู่ยอดนิยมในเว็บไซต์คือสินค้าที่มีแบรนด์ Android และสินค้าที่มีแบรนด์ YouTube การเปรียบเทียบสินค้า 2 หมวดหมู่นี้อาจเป็นประโยชน์ในการทําความเข้าใจพฤติกรรมการช็อปปิ้ง วิธีการคือสร้างกลุ่มใหม่ 2 กลุ่ม โดยสร้าง 1 กลุ่มสําหรับแต่ละหมวดหมู่ ในกรณีนี้ ให้สร้างกลุ่มที่มีเงื่อนไขซึ่งมีเหตุการณ์ "select_item" และพารามิเตอร์ที่ "item_name" มี "Android" หรือ "YouTube"
จากนั้นกลุ่มเหล่านี้จะแสดงผู้ใช้ที่ดำเนินการขั้นถัดไปใน Funnel พฤติกรรมการช็อปปิ้งซึ่งได้คลิกผลิตภัณฑ์แบรนด์ Android หรือผลิตภัณฑ์แบรนด์ YouTube เป็นอย่างน้อย ที่น่าสนใจคือปรากฏว่าผู้ใช้ที่คลิกผลิตภัณฑ์แบรนด์ Android เป็นอย่างน้อยมีแนวโน้มที่จะซื้อสินค้ามากกว่าผู้ใช้ที่โต้ตอบกับผลิตภัณฑ์แบรนด์ YouTube เกือบ 2 เท่า ทั้งนี้ไม่ได้หมายความว่าผู้ใช้ซื้อผลิตภัณฑ์ที่มีแบรนด์ เพียงแต่คลิกผลิตภัณฑ์นั้น หากคุณสนใจเฉพาะการซื้ออุปกรณ์แบรนด์หนึ่งๆ ให้ใช้เหตุการณ์การซื้อตามตัวอย่างด้านล่างแทน
เมื่อใช้กลุ่มเหล่านี้แล้ว การเปรียบเทียบ Funnel พฤติกรรมการช็อปปิ้งจะมีลักษณะดังนี้
ฟีเจอร์ใหม่สำหรับ Funnel ใน GA4 คือความสามารถในการดู Funnel ยอดนิยมตามช่วงเวลา ซึ่งใช้งานได้โดยเปลี่ยนประเภทการแสดงภาพเป็น "Funnel ยอดนิยม" ในแผงการตั้งค่าแท็บ เพื่อเปิดมุมมอง Funnel ยอดนิยมที่แสดงขั้นตอนยอดนิยมทั้งหมด คุณสามารถเลื่อนดูขั้นตอนต่างๆ เพื่อให้เห็นจำนวนตามวันของแต่ละขั้นตอนและแต่ละกลุ่ม
นอกจากนี้ คุณยังดูขั้นตอนยอดนิยมเพียงทีละขั้นตอนเพื่อให้เห็นภาพการเปลี่ยนแปลงตามช่วงเวลาได้ง่ายขึ้น ในตัวอย่างนี้จะเห็นว่าตั้งแต่วันที่ 10 มีนาคมมีการซื้อที่เพิ่มขึ้นซึ่งไม่ชัดเจนนักเมื่อดูจากมุมมองข้อมูลก่อนหน้านี้ ที่น่าสนใจคือความแตกต่างในการซื้อของผู้ที่ดูผลิตภัณฑ์ Android กับ YouTube ดูเหมือนว่าจะเกิดขึ้นหลังจากการเพิ่มขึ้นครั้งนี้เกือบทั้งหมด ซึ่งบ่งชี้ว่าอาจมีการเปลี่ยนแปลงเลย์เอาต์ของเว็บไซต์หรือความพยายามทางการตลาดที่ทําให้ผลิตภัณฑ์ Android โดดเด่นกว่านับตั้งแต่ช่วงเวลาดังกล่าว
ผู้ใช้ผ่านด่านในเกมของฉันอย่างไร
นี่เป็นคําถามที่พบบ่อยซึ่งนักพัฒนาแอปอาจมีเกี่ยวกับเกมหรือแอปของตน คุณวิเคราะห์คําถามนี้โดยดูจาก Funnel ได้
ขั้นแรก คุณต้องสร้างขั้นตอนสําหรับการผ่านด่านโดยเฉพาะ ในตัวอย่างนี้ คุณอาจใช้เหตุการณ์ "level_up" และสร้าง 5 ขั้นตอนสําหรับ 5 ระดับใน Flood-it! บัญชีสาธิต GA4
การใช้ขั้นตอนเหล่านี้จะแสดงให้เห็นว่าผู้ใช้ผ่านเกมแต่ละด่านอย่างไร
ดูเหมือนว่าผู้ใช้ที่ผ่านด่าน 1 มีแนวโน้มจะเล่นต่อ ข้อมูลนี้อาจช่วยในการทดสอบ A/B กับสถานการณ์ต่างๆ ที่คุณแนะนําเคล็ดลับหรือวิธีการอื่นๆ เพื่อช่วยให้ผู้ใช้ผ่านด่าน 1 เพื่อลดการเลิกใช้งาน
หาก Funnel ข้างต้นกลายเป็นที่นิยมเมื่อเวลาผ่านไป คุณก็จะเห็นการเพิ่มขึ้นของทุกขั้นตอนตั้งแต่ประมาณวันที่ 19 มีนาคมด้วย ซึ่งบ่งชี้ว่าอาจมีการเปลี่ยนแปลงเนื่องจากโปรโมชันหรือระดับการเข้าถึงเกม ณ เวลานั้น
คุณยังสามารถแบ่งกลุ่ม Funnel นี้เพื่อดูว่าแชแนลต่างๆ ในการได้ผู้ใช้ใหม่ส่งผลต่อการผ่านด่านโดยรวมหรือไม่ ในตัวอย่างนี้ ให้ดูการได้ผู้ใช้ใหม่จากการเข้าชมโดยตรงเทียบกับการเข้าชมที่เสียค่าใช้จ่าย คุณจะเห็นว่าผู้ใช้ที่ได้ผ่านแคมเปญที่เสียค่าใช้จ่ายมีระยะเวลาใช้งานนานกว่า (อัตราการหยุดกลางคันต่ำกว่า) ผู้ใช้ที่ได้มาโดยตรง ซึ่งเป็นสัญญาณว่าโฆษณาที่คุณลงแบบเสียค่าใช้จ่ายอาจได้ผลตามที่ต้องการ
ฟีเจอร์ที่มีประโยชน์อีกอย่างของการสำรวจ Funnel คือคุณสามารถสร้างกลุ่มหรือกลุ่มเป้าหมายจากผู้เลิกเล่นได้ ในตัวอย่างด้านล่างจะเห็นว่าอัตราการหยุดกลางคันเริ่มเพิ่มขึ้นประมาณด่าน 4 คุณอาจต้องสร้างกลุ่มผู้เลิกเล่นเมื่อถึงด่าน 4 (เล่นไม่ถึงด่าน 5) และใช้กลุ่มนั้นเป็นกลุ่มเป้าหมายเพื่อขยายการเข้าถึง หรือส่งข้อความ Push เพื่อกระตุ้นให้ผู้ใช้กลับมาเล่นจนจบด่านและเล่นด่านต่อๆ ไปในเกม
วิธีสร้างกลุ่มคือคลิกขวาที่ขั้นตอนที่สนใจ แล้วเลือกสร้างกลุ่ม กลุ่มที่ต้องใช้ที่นี่จะรวมเกณฑ์การยกเว้นสําหรับด่าน 5 ไว้ด้วยเพื่อให้กําหนดกลุ่มเป้าหมายได้อย่างเหมาะสม
ขั้นตอนสุดท้าย อีกสิ่งที่ต้องเพิ่มลงในการสำรวจ Funnel คือเมตริก "เวลาที่ผ่านไป" ใหม่ ซึ่งทําได้โดยการสลับปุ่ม "แสดงเวลาที่ผ่านไป" ในแผงการตั้งค่า วิธีนี้จะเพิ่มคอลัมน์เมตริกใหม่ในตาราง ดังนี้
การทราบเวลาโดยเฉลี่ยที่ลูกค้าใช้ในการไปยังขั้นตอนถัดไปจะเป็นตัวบ่งชี้ที่ยอดเยี่ยมถึงความสำเร็จของลูกค้า หรือในกรณีนี้คือระดับความยากหรือง่ายของแต่ละด่านในเกม ข้อมูลนี้ยังอาจเหมาะสําหรับการสร้างกลุ่มเป้าหมายที่คุณควรดําเนินการ เช่น การส่งข้อความ Push หรือข้อความรีมาร์เก็ตติ้ง ตัวอย่างเช่น ผู้เล่นใช้เวลาโดยเฉลี่ย 3 ชม. 53 นาทีเพื่อผ่านด่าน 2 คุณอาจสร้างกลุ่มเป้าหมายที่หยุดกลางคันจากข้อมูลนี้โดยการคลิกขวาแล้วเลือกตัวเลือกดังกล่าว
กลุ่มเป้าหมายนี้จะเหมาะอย่างยิ่งสำหรับใช้กําหนดเป้าหมายการกระตุ้นรูปแบบต่างๆ เพื่อไม่ให้เกิดการเลิกใช้งานเกมหรือแอป
ฟีเจอร์ใหม่ที่ยอดเยี่ยมของส่วนสํารวจใน GA4 คือการสำรวจเส้นทาง คุณสามารถเลือกเหตุการณ์หรือหน้าเว็บ/หน้าจอเฉพาะที่ต้องการกําหนดเส้นทางขั้นถัดไปหรือย้อนหลังเพื่อดูเส้นทางการใช้งานเว็บไซต์หรือแอปของผู้ใช้ได้แล้ว การทำความเข้าใจการไหลเวียนของผู้ใช้เว็บไซต์เป็นคําขอฟีเจอร์ที่เราได้รับมาเป็นเวลานาน และตอนนี้ก็กลายมาเป็นการสำรวจเส้นทางที่พร้อมให้บริการใน GA4 แล้ว
สิ่งใดกระตุ้นให้ผู้ใช้เพิ่มผลิตภัณฑ์ลงในรถเข็น
นี่เป็นคำถามที่เว็บไซต์อีคอมเมิร์ซจํานวนมากอาจถาม และตอนนี้สามารถหาคำตอบได้โดยใช้ฟีเจอร์เส้นทางย้อนหลัง
ในการเริ่มต้น ให้เปิดการสํารวจเส้นทางใหม่ แล้วกด "เริ่มใหม่" ที่มุมขวาบน จากนั้นคุณจะเลือกปลายทางได้ ให้เลือก "ชื่อเหตุการณ์"
จากนั้นเลือกเหตุการณ์ที่ต้องการย้อนไปจากในเมนูแบบเลื่อนออก ในกรณีนี้ เนื่องจากเราต้องการดูสิ่งที่ทำให้ผู้ใช้เพิ่มสินค้าลงในรถเข็น จึงเลือก "เพิ่มลงในรถเข็น" หากคุณไม่เห็นชื่อเหตุการณ์ที่สนใจ ให้กด "โหลดเพิ่มเติม" หรือใช้แถบค้นหาด้านบนเพื่อค้นหาเหตุการณ์นั้น
การสํารวจจะโหลดโดยมีข้อมูลของ 2 ขั้นตอนซึ่งสร้างจากชื่อเหตุการณ์อยู่แล้ว แต่หากต้องการกําหนดเส้นทางตามชื่อหน้าเว็บ ให้เปลี่ยนในแต่ละขั้นตอน ในตัวอย่างด้านล่าง เราเปลี่ยนไปใช้ "ชื่อหน้าและคลาสหน้าจอ" และเห็นว่ามีคนจำนวนมากพอสมควรที่เพิ่มสินค้าลงในรถเข็นจากหน้าการลดราคา เราต้องการทราบรายละเอียดเพิ่มเติมจึงเจาะลึกเกี่ยวกับหน้าการลดราคา เพื่อดูว่าผู้คนสนใจสินค้ารายการใดเป็นพิเศษหรือไม่เพื่อที่จะแจ้งให้ทีมกลยุทธ์ทางการตลาดทราบ
สิ่งใดทําให้ผู้ใช้นําแอปของฉันออก
ข้อกังวลหลักๆ ของนักพัฒนาแอปคือการเลิกใช้งาน (ผู้ใช้นําแอปออก) เส้นทางย้อนหลังอาจเป็นแหล่งข้อมูลที่ยอดเยี่ยมในการช่วยค้นหาสิ่งที่ทําให้ลูกค้าเลิกใช้งานแอป ในการเริ่มต้น คุณต้องสร้างเส้นทางย้อนหลังเส้นทางใหม่โดยคลิกปุ่ม "เริ่มใหม่" ที่ด้านบนของการสำรวจเส้นทาง จากนั้นเลือกชื่อเหตุการณ์ "app_remove" เป็นจุดเริ่มต้น
หากดูเส้นทางย้อนกลับไป 2 ขั้นตอน คุณจะเริ่มเห็นกิจกรรมที่อาจทําให้เกิดการเลิกใช้งาน ในกรณีนี้ เราเห็นว่าการเลิกใช้งานประมาณ 13% ที่เกิดขึ้นมีการแสดงโฆษณาภายใน 2 ขั้นตอนก่อนการนําแอปออก ตัวเลขนี้เป็นเปอร์เซ็นต์ที่ค่อนข้างสูงซึ่งบ่งชี้ว่าคุณอาจต้องปรับปรุงวิธีการแสดงโฆษณาเพื่อลดผลกระทบเชิงลบต่อผู้ใช้ ซึ่งก็จะลดจํานวนการเลิกใช้งาน
กลุ่มข้อมูลต่างๆ ของฉันมีจุดร่วมที่น่าสนใจหรือไม่
เทคนิคกลุ่มที่ซ้อนกันเป็นวิธีที่ยอดเยี่ยมในการช่วยให้เห็นว่ากลุ่มผู้ใช้ต่างๆ คาบเกี่ยวกันอย่างไร ตัวอย่างเช่น เราอาจเห็นส่วนที่ซ้อนกันของผู้ใช้เดสก์ท็อปกับผู้ใช้อุปกรณ์เคลื่อนที่ที่สมัครรับจดหมายข่าวของเว็บไซต์ วิธีนี้ทำให้เราทราบได้ไม่ยากว่าการสมัครรับจดหมายข่าวส่วนใหญ่มาจากอุปกรณ์ประเภทใด แทนที่จะต้องแจกแจงการสํารวจในรูปแบบตารางเพื่อให้ทราบข้อมูลเดียวกันนี้
ในการหาส่วนที่ซ้อนกัน ก่อนอื่นคุณต้องเพิ่มกลุ่มที่ต้องการวิเคราะห์ในแผงตัวแปร โดยคลิกไอคอน + เพื่อเพิ่มกลุ่มใหม่ (ซึ่งจะเปิดตัวสร้างกลุ่ม)
คุณสร้างเหตุการณ์ "การสมัครรับจดหมายข่าว" ได้โดยการเลือกกลุ่มเหตุการณ์ แล้วเลือกเหตุการณ์ที่เหมาะสมที่ต้องการกรอง ซึ่งในกรณีนี้คือ "sign_up"
เมื่อสร้างกลุ่มที่ต้องการแสดงภาพแล้ว ให้นำกลุ่มไปใช้โดยดับเบิลคลิกเพื่อเพิ่มลงในแผงการตั้งค่าแท็บ คุณเพิ่มกลุ่มได้สูงสุดครั้งละ 3 กลุ่มเพื่อแสดงภาพส่วนที่ซ้อนกันผ่านแผนภาพเวนน์
ในตัวอย่างนี้ เราได้เพิ่มกลุ่ม "การเข้าชมในเดสก์ท็อป" "การเข้าชมในอุปกรณ์เคลื่อนที่" และ "การสมัครรับจดหมายข่าว" เพื่อดูว่าการสมัครรับจดหมายข่าวส่วนใหญ่มาจากอุปกรณ์ประเภทใด
จากทั้งแผนภาพเวนน์และแถว 6 ของตารางด้านล่าง เห็นได้ว่าการสมัครรับจดหมายข่าวส่วนใหญ่มาจากผู้ใช้เดสก์ท็อป ข้อมูลนี้อาจบ่งชี้ว่าประสบการณ์การใช้งานในอุปกรณ์เคลื่อนที่ไม่ได้ออกแบบมาเพื่อวัตถุประสงค์นี้ หรืออาจมีปัญหาเกี่ยวกับ UX ที่เป็นอุปสรรคสำหรับผู้ใช้ในการสมัครรับจดหมายข่าว เราอาจต้องนำข้อสรุปที่ได้นี้ไปตรวจสอบเพิ่มเติมกับทีมพัฒนาซอฟต์แวร์และทีม UX
ฟีเจอร์ที่มีประโยชน์มากของเทคนิคกลุ่มที่ซ้อนกันคือความสามารถในการสร้างกลุ่มใหม่จากส่วนที่ซ้อนกัน ตัวอย่างเช่น หากต้องการสร้างกลุ่มใหม่ที่มีการเข้าชมในเดสก์ท็อปและการสมัครรับจดหมายข่าว ก็คลิกขวาตรงส่วนข้อมูลภาพที่สนใจ ไม่ว่าจะในแผนภาพเวนน์หรือในตาราง แล้วเลือกตัวเลือกเพื่อสร้างกลุ่ม
การทําเช่นนี้จะเปิดตัวสร้างกลุ่มซึ่งมีเงื่อนไขที่เลือกไว้ล่วงหน้าตามชุดกลุ่มที่ได้เลือกไว้ ตัวสร้างกลุ่มจะกําหนดชื่อที่สื่อความหมายของเงื่อนไขแบบรวมเป็นชื่อกลุ่ม แต่คุณเปลี่ยนชื่อนี้ได้หากต้องการ
คุณยังเลือกสร้างกลุ่มเป้าหมายจากส่วนที่ซ้อนกันนี้ได้โดยการเลือกช่องที่มุมขวาบน ซึ่งให้แชร์กลุ่มเป้าหมายนี้กับผลิตภัณฑ์อื่นๆ ของ Google Marketing Platform เช่น Google Ads เพื่อช่วยเพิ่มการเข้าถึง
ผู้ใช้มีพฤติกรรมต่างกันหรือไม่เมื่อพิจารณาจากการเข้าชมเว็บไซต์ของฉันครั้งแรก
การสำรวจกลุ่มประชากรตามรุ่นเป็นเครื่องมือที่ช่วยให้เข้าใจพฤติกรรมของผู้ใช้กลุ่มต่างๆ ในเว็บไซต์ โดยพิจารณาจากเวลาและวิธีการเข้าสู่กลุ่มประชากรตามรุ่น เครื่องมือนี้จะมีประโยชน์ยิ่งขึ้นเมื่อคุณเปลี่ยนเมตริกหรือการคํานวณสิ่งที่กำลังวิเคราะห์ในการสำรวจกลุ่มประชากรตามรุ่น
เมื่อเปิดการสำรวจกลุ่มประชากรตามรุ่นในส่วนสํารวจเป็นครั้งแรก คุณจะเห็นการสํารวจที่สร้างขึ้นสําหรับคุณโดยอิงจากการรวมกลุ่มประชากรตามรุ่น first_touch (หรือที่เรียกว่าการคัดผู้ที่เข้าเกณฑ์ของกลุ่มประชากรตามรุ่น ซึ่งในกรณีนี้คือครั้งแรกที่ผู้ใช้เข้าชมเว็บไซต์หรือแอป) เกณฑ์การรักษาสถานะของเหตุการณ์ใดๆ (หมายความว่าผู้ใช้กลับมาและดำเนินการใดก็ตามในเว็บไซต์หรือแอป) เมตริกผู้ใช้ที่ใช้งานอยู่ และประเภทการคํานวณตามมาตรฐาน ทั้งหมดนี้ทำให้เกิดเป็นการสำรวจกลุ่มประชากรตามรุ่นพื้นฐานซึ่งแสดงจํานวนผู้ใช้ที่คุณดึงดูดกลับมาที่เว็บไซต์ทุกสัปดาห์ในระยะเวลา 5 สัปดาห์ และแสดงให้เห็นว่าจํานวนนี้ผันแปรตามเวลาที่ผู้ใช้เข้ามายังเว็บไซต์หรือแอปเป็นครั้งแรกหรือไม่
หากเปลี่ยนประเภทเมตริกของการสํารวจนี้จาก "ผลรวม" เป็น "ต่อผู้ใช้ในกลุ่มประชากรตามรุ่น" คุณจะทราบเปอร์เซ็นต์การรักษาสถานะในแต่ละสัปดาห์ วิธีนี้น่าจะมีประโยชน์มากกว่าผลรวมของข้อมูลพร็อพเพอร์ตี้นี้ เนื่องจากช่วยให้ทราบว่ากลุ่มประชากรตามรุ่นแต่ละกลุ่มของผู้ใช้ที่กลับมาแตกต่างกันอย่างไร
สําหรับเว็บไซต์อีคอมเมิร์ซ คุณอาจใช้ประโยชน์จากเครื่องมือนี้ได้อีกอย่างโดยเปลี่ยนค่าจากเมตริกผู้ใช้ที่ใช้งานอยู่เป็นเมตริก "รายได้จากการซื้อ" เพื่อให้เห็นทั้งจำนวนผู้ใช้และมูลค่ารายได้จากกลุ่มประชากรตามรุ่นแต่ละกลุ่ม คุณจะดูข้อมูลนี้แบบผลรวมของกลุ่มประชากรตามรุ่นหรือแบบต่อผู้ใช้ในกลุ่มประชากรตามรุ่นก็ได้ ในตัวอย่างด้านล่างจะเห็นว่ากลุ่มประชากรตามรุ่น 2 กลุ่มแรกทำให้เกิดรายได้น้อยมากในแต่ละสัปดาห์ แต่กลุ่มประชากรตามรุ่นกลุ่มที่ 3 เป็นต้นไป รายได้นั้นเริ่มเพิ่มขึ้น
หากเปลี่ยนประเภทการคํานวณจากมาตรฐานเป็นสะสม คุณจะเห็นผลลัพธ์โดยรวมที่กลุ่มประชากรตามรุ่นแต่ละกลุ่มที่มีต่อรายได้ของธุรกิจ
ในตัวอย่างนี้ ข้อมูลชี้ให้เห็นว่าตั้งแต่ประมาณสัปดาห์ของวันที่ 7 มีนาคม อาจมีความพยายามทางการตลาดเพิ่มขึ้นเพื่อกระตุ้นให้ผู้ใช้ที่ทำให้เกิด Conversion สูงเข้าชม Google Merchandise Store
แหล่งการอ้างอิงใดทําให้เกิดผู้ใช้ที่มีคุณค่ามากที่สุด
การทราบข้อมูลนี้จะช่วยให้ทีมการตลาดทราบว่าควรลองเป็นพาร์ทเนอร์กับแหล่งการอ้างอิงใด ในกรณีนี้ มูลค่าบ่งชี้ว่าผู้ใช้มีแนวโน้มที่จะเลิกใช้งานน้อยลง สร้างรายได้ตลอดอายุการใช้งานที่คาดไว้สูงขึ้น และมี LTV ที่ผ่านมาสูงขึ้น
หากต้องการสร้างการสํารวจนี้ ก่อนอื่นคุณต้องนําเมตริกและมิติข้อมูลที่จําเป็นในการสํารวจสิ่งต่างๆ เช่น การเลิกใช้งาน, LTV และรายได้ตลอดอายุการใช้งานมาพิจารณา เราจะใช้แหล่งที่มาและสื่อเป็นมิติข้อมูล สําหรับเมตริก เราจะดึงข้อมูลเพิ่มเติมเล็กน้อยโดยการเพิ่มจากส่วน "อายุการใช้งานของผู้ใช้" โดยใช้ไอคอน + ในส่วนเมตริกของแผงตัวแปร
เมื่อใช้เมตริกและมิติข้อมูลเหล่านี้แล้ว คุณจะเห็นว่าหลายแถวไม่มีค่าความน่าจะเป็นของการเลิกใช้งาน เนื่องจากผู้ใช้ดังกล่าวไม่ตรงตามเกณฑ์การประมาณการคาดการณ์การเลิกใช้งาน คุณสามารถสร้างตัวกรองที่ความน่าจะเป็นของการเลิกใช้งาน > 0 เพื่อยกเว้นผู้ใช้ทั้งหมดที่ไม่มีความน่าจะเป็นของการเลิกใช้งานที่คํานวณแล้ว การสํารวจก็จะดูสะอาดตาเช่นนี้
จากนั้นคุณสามารถจัดเรียงข้อมูลตามความน่าจะเป็นของการเลิกใช้งานเพื่อดูว่ามีแคมเปญใดที่มีผู้ใช้จํานวนมากและการเลิกใช้งานที่คาดไว้ต่ำหรือไม่ แคมเปญเหล่านี้มีแนวโน้มที่จะสร้างผู้ใช้ที่มีส่วนร่วมได้มากกว่าแคมเปญที่มีค่าการเลิกใช้งานที่คาดการณ์สูงกว่า
ในทํานองเดียวกัน คุณสามารถดูการซื้อที่คาดการณ์, LTV ที่ผ่านมา และการมีส่วนร่วมที่คาดการณ์เพื่อระบุมูลค่าของผู้ใช้ที่ได้นอกเหนือจากเซสชันเดียว
เมื่อดูภาพหน้าจอด้านล่าง ในกรณีนี้มีการอ้างอิงที่ไม่ใช่ Google ไปยัง Google Merchandise Store ในบางแถวซึ่งมีผู้ใช้อยู่ในระดับต่ำ แต่มีการเลิกใช้งานต่ำกว่า มีระยะเวลาในการมีส่วนร่วมสูงกว่า มีการทำธุรกรรมสูงกว่า และมี LTV เฉลี่ยดี การอ้างอิงเหล่านี้ปรากฏว่าให้ผลลัพธ์ที่คุ้มค่าสำหรับร้านค้า จึงเป็นแหล่งการอ้างอิงที่เราแนะนําให้ทีมการตลาดติดต่อเพื่อใช้ประโยชน์จากความสัมพันธ์มากขึ้น