[GA4] Χρόνος ζωής χρήστη

Η τεχνική Συνολικός χρόνος χρήστη δείχνει πώς συμπεριφέρθηκαν οι χρήστες σας κατά τον συνολικό χρόνο τους ως πελάτες του ιστοτόπου ή της εφαρμογής σας. Με την τεχνική Συνολικός χρόνος χρήστη μπορείτε να βρείτε συγκεκριμένα insight, όπως τα εξής:

• Την πηγή, το μέσο και την καμπάνια που εξασφάλισε στους χρήστες τα υψηλότερα έσοδα συνολικού χρόνου, σε σύγκριση με τα έσοδα μόνο για τον επιλεγμένο μήνα

• Τις ενεργές καμπάνιες που αποκτούν χρήστες οι οποίοι αναμένεται να έχουν μεγαλύτερη αξία, με μεγαλύτερη πιθανότητα αγοράς και μικρότερη πιθανότητα απώλειας, όπως υπολογίζεται από τα μοντέλα προβλέψεων του Google Analytics

• Insight για τη συμπεριφορά των μοναδικών χρηστών, όπως πότε οι ενεργοί χρήστες σε μηνιαία βάση αγόρασαν τελευταία φορά κάποιο προϊόν από τον ιστότοπό σας ή πότε αλληλεπέδρασαν τελευταία φορά με την εφαρμογή σας

Δημιουργία εξερεύνησης συνολικού χρόνου χρήστη

1. Στην ενότητα Εξερεύνηση, στα δεξιά της επιλογής Έναρξη νέας εξερεύνησης, κάντε κλικ στην επιλογή Συλλογή προτύπων.
   Σημείωση: Ο προηγούμενος σύνδεσμος ανοίγει στην τελευταία ιδιοκτησία Analytics στην οποία αποκτήσατε πρόσβαση. Για να ανοίξετε την ιδιοκτησία, πρέπει να είστε συνδεδεμένοι σε έναν Λογαριασμό Google. Μπορείτε να αλλάξετε την ιδιοκτησία, χρησιμοποιώντας τον επιλογέα ιδιοκτησίας.
2. Επιλέξτε το πρότυπο Συνολικός χρόνος χρήστη.

Δεδομένα συνολικού χρόνου χρήστη

Τα δεδομένα χρόνου ζωής είναι διαθέσιμα για χρήστες που ήταν ενεργοί στον ιστότοπο ή την εφαρμογή σας μετά τις 15 Αυγούστου 2020. Για αυτούς τους χρήστες, το εύρος των δεδομένων στην τεχνική Χρόνος ζωής χρήστη περιλαμβάνει όλα τα δεδομένα τους από την πρώτη τους επίσκεψη στον ιστότοπο ή την εφαρμογή σας. Για παράδειγμα, ένας χρήστης που επισκέφτηκε τον ιστότοπό σας για πρώτη φορά τον Δεκέμβριο του 2019, αλλά η τελευταία φορά που ήταν ενεργός ήταν στις 14 Αυγούστου 2020, δεν περιλαμβάνεται. Αν ο ίδιος χρήστης ήταν ενεργός στις 16 Αυγούστου 2020, τότε περιλαμβάνονται όλα τα δεδομένα του από το προηγούμενο έτος.

Η τεχνική Συνολικός χρόνος χρήστη εμφανίζει συγκεντρωτικά δεδομένα για τους χρήστες του ιστοτόπου ή της εφαρμογής σας. Συγκεκριμένα, αυτή η τεχνική μπορεί να εμφανίζει τις παρακάτω πληροφορίες για κάθε χρήστη:

• Αρχικές αλληλεπιδράσεις: δεδομένα που σχετίζονται με την πρώτη φορά που έγινε μέτρηση του χρήστη για μια ιδιοκτησία. Για παράδειγμα, η ημερομηνία της πρώτης επίσκεψης ή αγοράς ή η καμπάνια μέσω της οποίας αποκτήθηκε ως χρήστης.
• Πιο πρόσφατες αλληλεπιδράσεις: δεδομένα που σχετίζονται με την τελευταία φορά που έγινε μέτρηση του χρήστη για μια ιδιοκτησία. Για παράδειγμα, η ημερομηνία της τελευταίας δραστηριότητας ή αγοράς.
• Αλληλεπιδράσεις χρόνου ζωής: δεδομένα που συγκεντρώνονται στη διάρκεια ζωής του χρήστη. Για παράδειγμα, τα συνολικά έσοδα ή η αφοσίωσή του.
• Προβλεπόμενες μετρήσεις: δεδομένα που δημιουργούνται μέσω της μηχανικής εκμάθησης για την πρόβλεψη της συμπεριφοράς του χρήστη:
  • Πιθανότητα αγοράς
  • Πιθανότητα αγοράς εντός εφαρμογής
  • Πιθανότητα απώλειας

Κάθε μία από τις μετρήσεις που είναι διαθέσιμες σε αυτή την τεχνική, εκτός από τις μετρήσεις χρηστών, μπορεί να εμφανιστεί ως μέσος όρος, σύνολο ή ένα από τα 4 αντιπροσωπευτικά εκατοστημόρια (10ο, 50ό, 80ό και 90ό), ώστε να λάβετε insight σχετικά με τις κατανομές των μετρήσεων. Για παράδειγμα, αν εξετάσετε την αξία χρόνου ζωής ή LTV ανά μέσο πρώτου χρήστη, μπορείτε να προβάλετε τα ακόλουθα σημεία δεδομένων για τους χρήστες σας, ομαδοποιημένα κατά το μέσο που ήταν υπεύθυνο για την πρώτη τους επίσκεψη στην εφαρμογή ή στον ιστότοπο:

• LTV (USD): Σύνολο: Εμφανίζει το άθροισμα των LTV των χρηστών που αποκτήθηκαν από κάθε μέσο.
• LTV (USD): Μέσος όρος: Εμφανίζει το μέσο LTV των χρηστών που αποκτήθηκαν από κάθε μέσο.
• LTV (USD): 10ο εκατοστημόριο: Για κάθε μέσο, εμφανίζει την τιμή LTV που έχει το 10% των χρηστών με χαμηλότερο LTV (για παράδειγμα, αν αυτή η τιμή είναι 20 €, αυτό σημαίνει ότι το 10% των χρηστών έχουν LTV κάτω από 20 €).
• LTV (USD): 90ό εκατοστημόριο: Για κάθε μέσο, εμφανίζει την τιμή LTV που έχει το 90% των χρηστών με χαμηλότερο LTV (για παράδειγμα, αν αυτή η τιμή είναι 100 €, αυτό σημαίνει ότι το 90% των χρηστών έχουν LTV κάτω από 100 €).

Λάβετε υπόψη ότι συχνά οι μετρήσεις εκατοστημορίου για μετρήσεις εσόδων, όπως το LTV, είναι μηδενικές, επειδή οι περισσότεροι χρήστες είναι χρήστες που δεν αγοράζουν και ακόμη και το 90ό εκατοστημόριο είναι μηδενικό (το 90% των χρηστών έχουν LTV μικρότερο ή ίσο του μηδέν). Σε αυτές τις περιπτώσεις, η εφαρμογή ενός τμήματος που φιλτράρει μόνο τους αγοραστές θα εμφανίζει μια πιο χρήσιμη αναλυτική προβολή του τρόπου κατανομής του LTV στους αγοραστές σας αντί για όλους τους χρήστες.

Σημείωση: Το όριο δειγματοληψίας για την τεχνική του Συνολικού χρόνου χρήστη είναι ένα εκατομμύριο χρήστες για το προϊόν Google Analytics χωρίς χρέωση και δέκα εκατομμύρια χρήστες για το προϊόν επί πληρωμή. Όταν το επιλεγμένο εύρος ημερομηνιών περιλαμβάνει περισσότερους χρήστες από τα όρια δειγματοληψίας, το Google Analytics θα χρησιμοποιήσει ένα τυχαιοποιημένο δείγμα αυτών των χρηστών (ένα εκατομμύριο ή δέκα εκατομμύρια με βάση τον τύπο της ιδιοκτησίας) και, στη συνέχεια, θα αυξήσει τα αποτελέσματα για την παροχή ολοκληρωμένων αποτελεσμάτων.

Εύρη ημερομηνιών σε εξερευνήσεις του συνολικού χρόνου χρήστη

Όταν επιλέγετε ένα εύρος ημερομηνιών, η εξερεύνηση εμφανίζει τους χρήστες που ήταν ενεργοί κατά το επιλεγμένο εύρος και παρέχει πληροφορίες σχετικά με τον χρόνο ζωής των χρηστών αυτών, συμπεριλαμβανομένων των δεδομένων πριν από την έναρξη του καθορισμένου εύρους.

Δεν μπορείτε να αλλάξετε την ημερομηνία λήξης σε μια εξερεύνηση χρόνου ζωής χρήστη. Είναι σταθερή σε Χθες.

Εξερευνήσεις χρόνου ζωής χρήστη και ταυτότητα αναφοράς

Η λειτουργία User-ID παρέχει στις ιδιοκτησίες Google Analytics 4 δύο τρόπους για τον εντοπισμό και την αναφορά των χρηστών σας σε διάφορες πλατφόρμες και συσκευές. Η μέθοδος ταυτότητας αναφοράς που χρησιμοποιείται από την ιδιοκτησία σας επηρεάζει τα δεδομένα χρόνου ζωής των χρηστών ως εξής:

Κατά User-ID και έπειτα συσκευή

Αυτή η μέθοδος χρησιμοποιεί το ακριβέστερο αναγνωριστικό χρήστη, αν έχει συλλεχθεί, προκειμένου να προσδιορίσει έναν χρήστη και να ενοποιήσει όλα τα συναφή συμβάντα στις αναφορές και τις εξερευνήσεις. Αν δεν συλλεχθεί κάποιο αναγνωριστικό χρήστη, τότε το Analytics χρησιμοποιεί ένα αναγνωριστικό συσκευής, δηλαδή είτε το αναγνωριστικό πελάτη για ιστοτόπους είτε το αναγνωριστικό παρουσίας εφαρμογής για εφαρμογές, για τον προσδιορισμό ενός χρήστη.

Όταν ένας συγκεκριμένος χρήστης έχει δραστηριότητα τόσο ως συνδεδεμένος όσο και ως μη συνδεδεμένος για το επιλεγμένο εύρος ημερομηνιών, η εξερεύνηση χρησιμοποιεί μόνο το τμήμα των δεδομένων συνολικού χρόνου χρήστη για τον χρόνο κατά τον οποίο ήταν σε σύνδεση. Με αυτόν τον τρόπο, παρέχεται μια ακριβέστερη απεικόνιση των δεδομένων χρήστη. Οι χρήστες δεν προσμετρώνται δύο φορές, ενώ στοιχεία μέτρησης όπως η μέση αξία χρόνου ζωής (LTV) είναι ακριβέστερα με τη χρήση βάσει User-ID. Η δραστηριότητα που λαμβάνει χώρα όταν ο χρήστης δεν είναι συνδεδεμένος δεν περιλαμβάνεται στην εξερεύνηση.

Σημείωση: Αν η ιδιοκτησία σας έχει ενεργοποιημένη τη συλλογή δεδομένων που παρέχονται από τους χρήστες (beta) και συλλέγει επίσης αναγνωριστικά χρήστη, έχετε υπόψη πιθανές ασυμφωνίες δεδομένων στις εξερευνήσεις συνολικού χρόνου χρήστη. Συγκεκριμένα, ενδέχεται να δείτε διπλότυπες καταμετρήσεις χρηστών ή χαμηλές μετρήσεις ανά συνολικό χρόνο χρήστη. Αυτό το πρόβλημα προκύπτει αν το εύρος ημερομηνιών της εξερεύνησης συμπίπτει με την ημερομηνία κατά την οποία ενεργοποιήθηκε η συλλογή δεδομένων που παρέχονται από τους χρήστες. Μπορείτε να ελέγξετε αυτή την ημερομηνία ενεργοποίησης στο ιστορικό αλλαγών της ιδιοκτησίας. Επιπλέον, για τις ιδιοκτησίες αυτές, δεν υποστηρίζονται προς το παρόν εξερευνήσεις συνολικού χρόνου χρήστη βάσει αναγνωριστικών χρήστη.

Μόνο κατά συσκευή

Αυτή η μέθοδος χρησιμοποιεί μόνο το αναγνωριστικό συσκευής (είτε την τιμή client_id του cookie του Analytics για ιστοτόπους είτε το αναγνωριστικό παρουσίας εφαρμογής για εφαρμογές για κινητά) για να προσδιορίσει έναν χρήστη, ενώ παραβλέπει τυχόν αναγνωριστικά χρήστη που συλλέχθηκαν. Με αυτή τη μέθοδο, τα δεδομένα συνολικού χρόνου χρήστη συγκεντρώνονται σε επίπεδο συσκευής.