Metoda životního cyklu uživatele ukazuje, jak se uživatelé chovali během celé doby, kdy byli zákazníky vašeho webu nebo aplikace. Může vás přivést ke konkrétním užitečným poznatkům, například:
-
Jaký zdroj, médium a kampaň vám přivedly uživatele s nejvyššími tržbami za celou dobu trvání v porovnání s tržbami jen za vybraný měsíc.
-
Které aktivní kampaně získávají uživatele, u nichž se očekává, že pro vás budou hodnotnější díky vyšší pravděpodobnosti nákupu a nižší pravděpodobnosti opuštění (podle výpočtů predikčních modelů Google Analytics).
-
Statistiky chování unikátních uživatelů, například kdy vaši aktivní uživatelé za měsíc naposledy koupili produkt na vašem webu nebo kdy naposledy provedli interakci s vaší aplikací.
Vytvoření průzkumu životního cyklu uživatele
- V sekci Prozkoumat, vpravo od možnosti Zahájit nový průzkum, klikněte na Galerie šablon.
Předchozí odkaz otevře službu v Analytics, kterou jste používali naposledy. Službu můžete změnit pomocí výběru služby. Musíte mít roli analytika nebo vyšší až mohli vytvořit přehled životního cyklu uživatele.
- Vyberte šablonu Životní cyklus uživatele.
Data ze životního cyklu uživatele
Data celkové doby trvání jsou k dispozici pro uživatele, kteří byli na vašem webu nebo v aplikaci aktivní po 15. srpnu 2020. Rozsah dat metody životního cyklu uživatele zahrnuje všechna data uživatelů od chvíle, kdy poprvé navštívili váš web nebo aplikaci. Příklad: Uživatel, který váš web poprvé navštívil v prosinci 2019, ale naposledy byl aktivní 14. srpna 2020, zahrnut nebude. Pokud byl tentýž uživatel aktivní 16. srpna 2020, budou zahrnuta i všechna jeho data za poslední rok.
Metoda životního cyklu uživatele zobrazuje souhrnná data týkající se uživatelů vašeho webu nebo aplikace. Konkrétně vám může ukázat pro každého uživatele následující informace:
- První interakce: data spojená s prvním měřením uživatele pro službu. Jedná se například o datum první návštěvy či nákupu nebo kampaň, přes kterou byl tento uživatel získán.
- Poslední interakce: data spojená s posledním měřením uživatele u dané služby. To může být například datum poslední aktivity nebo nákupu.
- Interakce za celou dobu trvání: souhrnná data za celou dobu trvání uživatele. Příkladem mohou být celkové tržby nebo zapojení.
- Prediktivní metriky: data generovaná pomocí strojového učení a sloužící k předvídání chování uživatelů:
- Pravděpodobnost nákupu
- Pravděpodobnost nákupu v aplikaci
- Pravděpodobnost opuštění
Každou z metrik dostupných v této metodě, s výjimkou počtů uživatelů, lze zobrazit jako průměr, celkový počet nebo jeden ze čtyř reprezentativních percentilů (10., 50., 80. a 90.), abyste měli přehled o rozdělení metrik. Pokud se například podíváte na LTV podle média prvního uživatele, můžete pro uživatele zobrazit následující datové body seskupené podle média, které bylo zodpovědné za jejich první návštěvu aplikace nebo webu:
- LTV (USD): Celkem: Zobrazuje součet LTV uživatelů získaných jednotlivými médii.
- LTV (USD): Průměr: Zobrazuje průměrnou LTV uživatelů získaných jednotlivými médii.
- LTV (USD): 10. percentil: U každého média je zobrazena hodnota LTV, u které má 10% uživatelů nižší LTV (pokud je např. 400 Kč, znamená to, že 10 % uživatelů má LTV nižší než 400 Kč).
- LTV (USD): 90. percentil: U každého média je zobrazena hodnota LTV, u které má 90 % uživatelů nižší LTV (pokud je např. 2000 Kč, znamená to, že 90 % uživatelů má LTV nižší než 2000 Kč).
Všimněte si, že metriky percentilů pro metriky tržeb, jako je LTV, jsou často nulové, protože většinu uživatelů tvoří uživatelé bez finančního plnění, a i 90. percentil je nulový (90 % uživatelů má LTV nižší nebo rovnou nule). V takových případech použitím segmentu, který filtruje pouze kupující, získáte užitečnější pohled na rozdělení LTV mezi kupujícími, nikoli mezi všemi uživateli.
Období v průzkumech životního cyklu uživatele
Když vyberete určité období, zobrazí se vám v průzkumu uživatelé, kteří byli ve zvoleném období aktivní. Kromě toho získáte informace o celém období, kdy byli tito uživatelé vašimi zákazníky – včetně údajů z doby před začátkem zmíněného období.
Datum ukončení nelze v průzkumu životního cyklu uživatele změnit. Je pevně nastaveno na „včera“.
Průzkum životního cyklu uživatele a identita pro přehledy
Funkce User-ID nabízí službám v Google Analytics 4 dva způsoby identifikace a vykazování (pro přehledy) uživatelů na různých platformách a zařízeních. Metoda identity pro přehledy, kterou vaše služba používá, ovlivňuje data ze životního cyklu uživatele, a to následovně:
Na základě User-ID a pak zařízení
Tato metoda využívá přesnější ID uživatele (pokud ho shromažďujete), které slouží k identifikaci uživatele a sjednocení všech souvisejících událostí v přehledech a průzkumech. Pokud ID uživatele neshromažďujete, identifikuje služba Analytics uživatele podle ID zařízení. U webů jsou to ID klientů, u aplikací pak ID instancí aplikací.
Pokud je ve zvoleném období u daného uživatele zaznamenána aktivita v přihlášeném stavu i aktivita po odhlášení, použijí se v průzkumu životní cyklu uživatele pouze data z té doby, kdy byl přihlášen. Údaje o uživatelích tak mohou být lépe interpretovány: uživatelé nejsou započítáváni vícekrát a metriky, jako je například průměrná celková hodnota (LTV), jsou díky použití User-ID přesnější. Aktivita zaznamenaná v době, kdy byl uživatel odhlášený, není do průzkumu zahrnuta.
Poznámka: Pokud je ve vaší službě povoleno shromažďování údajů poskytnutých uživatelem (beta) a shromažďují se také User-ID, v datech průzkumů životního cyklu uživatele mohou být nesrovnalosti. Konkrétně se může stát, že budou uživatelé započítáváni vícekrát nebo budou metriky vyjadřované v počtu na životní cyklus uživatele vykazovat nízké hodnoty. K těmto problémům dochází, když se období průzkumu a datum aktivace shromažďování údajů poskytnutých uživateli překrývají. Datum aktivace najdete v historii změn služby. U těchto služeb navíc v současné době nepodporujeme průzkumy životního cyklu uživatele vycházející z User-ID.
Pouze podle zařízení
Tato metoda identifikuje uživatele pouze podle ID zařízení (buď hodnoty client_id souboru cookie Analytics u webů, nebo ID instance aplikace u mobilních aplikací) a případná shromážděná ID uživatelů ignoruje. Při použití této metody se pro data ze životního cyklu uživatele vytváří souhrn na úrovni zařízení.