Jaki model współpracy wybrać: co jeśli nie możemy przeprowadzać testów?

Jaki model współpracy wybrać: co jeśli nie możemy przeprowadzać testówOptymalizacja konwersji łączy się z przeprowadzaniem testów. Niestety mają one swoje ograniczenia. A głównie jedno – potrzebny jest wystarczająco duży ruch, aby testy A/B lub wielowymiarowe przyniosły wyniki w rozsądnym czasie. Czy jeżeli nasz serwis nie przekroczył tej granicy powinniśmy siedzieć z założonymi rękoma? Jak rozliczyć się z firmą, która ma ten serwis poprawiać?

Często spotykamy się z tego typu pytaniami w trakcie rozpoczynania pracy z częścią naszym Klientów. Niestety Polska to nie USA i liczba użytkowników odwiedzających serwisy w niektórych niszach jest nie tak duża.

Ten artykuł stanowi część drugą Buyers’ Guide by Conversion. Tutaj zapoznanie się z poprzednią częścią: Jaki model współpracy wybrać w ramach projektu optymalizacji konwersji? – warto to zrobić przed lekturą poniższego artykułu.

Magiczna granica wielkości ruchu

Granica testowania

zdjęcie od FHgitarre

Zaczęliście się pewnie zastanawiać czy istnieje coś takiego jak magiczna granica ruchu, który pozwoli na testy?

Niestety muszę Was rozczarować, ponieważ takiej granicy nie ma. Dlaczego? Ponieważ możliwość testowania zależy nie tylko od wielkości ruchu, ale też od jego specyfiki, czyli obecnego współczynnika konwersji. Zależy również od tego jaki wzrost współczynnika konwersji oczekujemy. Dlatego, mówiąc o granicy wielkości ruchu, myślimy bardziej o jego parametrach (dowiedz się na czym dokładnie polega statystyka w testach A/B i jakie elementy ruchy brane są pod uwagę).

Sklep internetowy może mieć współczynnik konwersji poniżej 1%, a strona docelowa kampanii ubezpieczyciela ponad 8%. Jeżeli w obu przypadkach będziemy planowali wzrosty o 30%, granice liczby odwiedzin będą się znacząco różniły. Do ich wyliczenia możemy wykorzystać kalkulator długości trwania testu.

Jeżeli miałbym polecić niepisaną zasadę, która rozdziela serwisy na których uda Wam się przeprowadzić testy w rozsądnym okresie czasu (10-14 dni) to powiedziałbym, że potrzebujecie ok. 100 konwersji na każdą testowaną kombinację na tydzień.

Czyli, jeżeli planujecie test A/B w którym będzie tylko wersja oryginalna i jedna wersja testowa, to będziecie potrzebowali do tego około 200 konwersji w dwa tygodnie. Można powiedzieć, że to 200 konwersji w 2 tygodnie jest absolutnym minimum do przeprowadzania testów (bo nie możemy testować mniejszej liczby różnych rzeczy niż 2 – sprawdźcie o czym jeszcze trzeba pamiętać przed rozpoczęciem testów A/B i wielowymiarowych.

Co jeśli takiego ruchu nie posiadamy?

Na pewno nie wszyscy z Was opiekują się stronami, które spełniają warunek 200 konwersji w dwa tygodnie. W takim przypadku przeprowadzanie testów jest zazwyczaj niemożliwe.

Mateusz pisał, że istnieją dwa modele rozliczania się za współprace z firmą w zakresie projektu optymalizacji konwersji:

  • rozliczanie za efekt końcowy projektu – gdy wynagrodzenie firmy doradczej uzależnione jest od ostatecznego wyniku potwierdzonego testami A/B lub wielowymiarowymi (a nie porównaniem dwóch okresów!)
  • rozliczanie za wkład pracy – gdy wcześniej ustalone wynagrodzenie jest wypłacane po zakończeniu projektu za godziwie wykonaną pracę

Jeżeli testy w obrębie witryny można przeprowadzać, to wtedy pierwsza z wymienionych wyżej opcji jest znacznie lepsza. Dlaczego? Ponieważ daje gwarancje uzyskanych wyników. Niestety, nigdy gdy nie jest tak, że 100% rekomendacji jest trafionych. Właśnie dzięki testowaniu, rozliczenie za efekt pozwala zminimalizować ryzyko „wdepnięcia” w te nietrafione rekomendacje.

Z drugiej strony, jeżeli testów nie możemy przeprowadzać, możemy:

  1. postarać się zwiększyć ruch na czas trwania testów – ważne jest, aby pozyskać ruch analogiczny do tego, który na co dzień odwiedza nasz serwis
  2. rozliczyć się za wkład pracy

W przypadku braku możliwości przeprowadzania testów, często pojawia się trzecie rozwiązanie. Jest to pokusa, aby rozliczyć się za „efekt końcowy” projektu optymalizacji konwersji. Albo agencje, albo klienci proponują, aby sukces był liczony w inny sposób – za pomocą porównania dwóch okresów czasu – przed wdrożeniem poprawek i po ich wdrożeniu.

W artykule o modelu współpracy przy projektach optymalizacji konwersji przeczytacie, dlaczego to podejście jest niepoprawne, a jego wyniki są wypaczane przez czynniki zewnętrzne.

Dlaczego więc, pojawia się czasem pokusa wśród firm, aby podsunąć potencjalnemu Klientowi model współpracy w modelu opartym o sukces gdy testów przeprowadzać się nie da?

Zazwyczaj model ten daje wyższe wynagrodzenie za przeprowadzone prace. Jeżeli dzięki pracy udowodniony jest wzrost sprzedaży o kilka tysięcy złotych to łatwiej jest uzasadnić Klientowi wysoką zapłatę za projekt.

Jednak tak jak pisaliśmy, przy porównaniu dwóch okresów czasu istnieje bardzo wiele innych czynników, które mogły wpłynąć na wzrost współczynnika konwersji. Jeżeli poprawa strony miała na to mały wpływ, to będąc klientem możemy płacić agencji za sukces, na który miała znikomy wpływ.

Dość powiedzieć, że pewnego razu w trakcie spotkania z Klientem dowiedzieliśmy się o agencji, która gwarantowała podniesienie współczynnika konwersji w jego sklepie internetowym bez przeprowadzania testów. Sposób liczenia wzrostu z porównaniem dwóch okresów był niepoprawny, ale najzabawniejszy był fakt, że agencja planowała wdrożyć zmiany w połowie listopada. Jest to okres kiedy w branży w której działał ten sklep internetowy współczynnik konwersji z okazji przedświątecznej gorączki rokrocznie wzrastał o kilkadziesiąt procent. Prawda, że był to bezpieczny ruch ze strony firmy doradczej? :)

Kliknij na zdjęcie, aby powiększyć

Jaki jest przebieg projektu w obu modelach: rozliczenia za efekt oraz rozliczenia za włożoną pracę

W obu modelach, działania, które są podejmowane są niemal identyczne. W przypadku rozliczenia za efekt kroki są następujące:

  1. zebranie danych i wnikliwa analiza (analiza danych ilościowych – Google Analytics, jakościowych – ankiety, testy użyteczności, analiza ekspercka)
  2. zaplanowanie usprawnień użyteczności i przekazu marketingowego (ustalenie priorytetów i wybór niektórych z nich do testów)
  3. przygotowanie szkiców proponowanych zmian
  4. przygotowanie projektów graficznych (po stronie Klienta lub firmy doradczej)
  5. wybór narzędzia do testów, ich zaprogramowanie i przeprowadzenie
  6. analiza wyników testu i powrót do kroku pierwszego

Kroki przy optymalizacji konwersji rozliczanej za wkład pracy różnią się niewiele. Dokładnie różnią się dwoma elementami:

  • w kroku drugim w przypadku rozliczenia za czas projektowy nie wybiera się jedynie kilku zmian do wdrożenia, lecz wdraża się wszystkie, które wynikły w trakcie badań z kroku pierwszego
  • z racji braku przeprowadzania testów krok piąty i szósty nie są realizowane

Oznacza to, że w projektach rozliczanych za przepracowany czas, efektem końcowym są szkice zmian lub gotowy, poprawiony projekt graficzny serwisu. Są w nim wdrożone wszystkie rekomendacje, które poprawiają problemy użytkowników wykryte na podstawie badań i analiz przeprowadzonych w kroku pierwszym.

Niemal na pewno ich wdrożenie przyniesie wzrost współczynnika konwersji. Niewątpliwym plusem jest szybkość realizacji takiego projektu.

Niestety, nikt, nigdy nie może być w 100% pewny czy zaproponowane na podstawie takiego badania zmiany rzeczywiście podniosą współczynnik konwersji (ani tym bardziej o ile). Rodzi to niepewność, która może być zlikwidowana tylko za pomocą testów a/b albo wielowymiarowych. Dzięki nim wiemy czy i o ile wzrósł współczynnik konwersji w wyniku zmian zaproponowanych w efekcie pracy.

Podsumowując: co nam pozostaje?

  1. Jeżeli mamy wystarczająco duży ruch – 200 konwersji w dwa tygodnie – przy optymalizacji konwersji powinniśmy rozliczać się z agencjami w modelu opartymi o sukces potwierdzony poprzez testy A/B lub wielowymiarowe. Tutaj znajdziecie więcej wskazówek na ten temat
  2. Jeżeli nie mamy wystarczająco dużego ruchu – rozliczajmy się w wynagrodzeniu za wykonaną pracę, której efektem najlepiej, żeby były rekomendacje w postaci szkiców i tekstów na Twojej witrynie, a nie suchy raport wypisujący same wnioski z badania (lub zgrubnie wskazujący błędy)

Pamiętajmy przy tym: optymalizacja konwersji to nie (tylko) poprawa użyteczności!

6 wtyczek, które turbodoładują Google Analytics

Jesteś analitykiem niternetowym? Uwielbiasz analizować różne segmenty użytkowników Twojeg serwisu w celu jego optymalizacji? Jesteś z Google Analytics na Ty, a pojęcia metryka, wymiar, ciasteczka to dla Ciebie codzienność?

Jak połączyć Google Analytics z systemami CRM?

Jeżeli przynajmniej na jedno z tych pytań odpowiedziałeś twierdząco, to powinieneś mieć armię wtyczek do Twoich przeglądarek, które ułatwiają Ci codzienną pracę.

Poniżej znajdziesz wybrane rozszerzenia do przeglądarek Firefox oraz Chrome, które pomagają mi w codziennej pracy z Google Analytics. Krótko opiszę, co jest dzięki nim możliwe i jak mogą pomóc Ci w śledzeniu Twoich użytkowników. Mam nadzieję, że będzie to dla Was również inspiracja do dalszych poszukiwań usprawnień.

Jestem przekonany, że jest więcej rozszerzeń, które pomogą każdemu kto zajmuje się analityką internetową, dlatego będę wdzięczny jeżeli w komentarzu zostawicie swoje uwagi na ten temat:) Ja sam podaję tutaj wtyczki, które działają tylko w nowej wersji Google Analytics, ponieważ zgodnie z zapowiedziami ma ona zostać na stałe włączona od stycznia, bez możliwości przejścia do starej wersji.

Zazwyczaj podane wtyczki dostępne są w internecie dla obu przeglądarek – ja jednak prezentuję po jednej dla każdej, zaznaczając czasami odpowiednika.

Analytics Helper

  • Przeglądarka: Google Chrome (ściągnij wtyczkę)
  • Odpowiednik dla Firefoxa: GA?
  • Wykorzystanie: Wtyczka wykrywa czy na danej stronie zainstalowany jest kod śledzący Google Analytics. Wtyczka powie nam również, jaki jest indywidualny numer UA oraz która wersja kodu śledzącego jest zainstalowana na stronie. Dowiemy się z niej również czy kod śledzący jest osadzony we właściwym miejscu.
Wtyczka Analytics Helper dla Google Chrome

GA copy and paste

Wtyczka Goal copy and paste dla Google Chrome

Straight to Google Analytics

  • Przeglądarka: Google Chrome (ściągnij wtyczkę)
  • Wykorzystanie: Wtyczka po prostu przenosi nas bezpośrednio do strony logowania po wpisaniu adresu www.google.com/analytics. Standardowo w pierwszej kolejności musimy kliknąć na duży niebieski przycisk „Zaloguj się do analytics” – moim zdaniem niepotrzebnie, jeżeli posiadam już konto:P
Strona logowania do Google Analytics

RegEx Checker

Strona logowania do Google Analytics

Edit this cookie

  • Przeglądarka: Google Chrome (ściągnij wtyczkę)
  • Wykorzystanie: Wtyczka umożliwia podglądanie ciasteczek, a jak dobrze wiemy, to one właśnie niosą informacje, które następnie są dostępne w naszych interfejsach. Jeżeli skonfigurowaliśmy nasz kod śleądzy na bardziej zaawansowanym poziomie (np. instalując zmienne niestandardowe), to dzięki tej wtyczce szybko przekonamy się czy wszystko działa poprawnie.
Wtyczka Edit this cookie dla Google Chrome

HttpFox

  • Przeglądarka: Firefox (ściągnij wtyczkę)
  • Odpowiednik dla Chrome’a: Google Analytics Debugger – w rzeczywistości nie jest do właściwy odpowiednik tej wtyczki, ale używam go w tym samym celu:)
  • Wykorzystanie:Wtyczka pokaże nam, jakie informacje wysyłane są do serwera Google Analytics ze strony, na której jesteśmy. Nagranie wysyłanych rządań pozwoli nam np. ocenić poprawność implementacji wirtualnych odsłon nie czekając na spłynięcie danych do naszego interfejsu.

Wtyczka HttpFox dla Firefox
Kliknij na screen, aby powiększyć

Jak widać Google Chrome opanował moje zestawienie. Nie znaczy to jednak, że daje ona więcej wtyczek ułatwiających korzystanie z Google Analytics. Fakt ten wynika raczej z tego, że większość wtyczek dla Firefoxa nie uwzględnia jeszcze nowej wersji Google Analytics.

Teraz Wasza kolej! Jakich wtyczek używacie we współpracy z Google Analytics i w czym one Wam pomagają. Zachęcam do dzielenia się doświadczeniami!

Jak połączyć Google Analytics z systemami CRM?

Jak połączyć Google Analytics z systemami CRM?

Google Analytics dostarcza nam masę danych ilościowych na temat interakcji użytkowników z naszymi serwisami. Spotykamy się z problemem, że tych danych jest za dużo i nie wiemy co z nimi robić.

Z drugiej strony, czasem okazuje się jednak, że tych danych mamy w narzędziu za mało. Zapytacie pewnie jak to?

Google Analytics nie powie nam np. czy dane zamówienie jest pierwszym zamówieniem danego użytkownika i skąd przyszedł on przy pierwszym zamówieniu (ścieżki wielokanałowe zdradzają nam tylko część informacji). Nie powie nam także ile średnio odwiedzin naszego sklepu zajmuje mu podjęcie decyzji. Jeśli prowadzimy także sprzedaż offline to możemy pomarzyć o tym, aby Google Analytics powiedział nam, który użytkownik online odpowiada naszemu użytkownikowi offline :)

Integracja baz danych GA i CRMZastanawialiście się kiedyś jak poradzić sobie ze zbudowaniem znacznie pełniejszego obrazu naszych klientów czy leadów pochodzących z kanału online? Prawdą jest, że im więcej danych mamy (i umiemy je wykorzystać), tym lepiej możemy dostosować nasze działania marketingowe, więc gra jest warta świeczki.

Czasem słyszałem pytania, czy istnieje możliwość importu danych z Google Analytics do zewnętrznych baz danych i łączenie tych danych ze sobą w celu dokładniejszej analizy.

Odpowiedź jest prosta: istnieje i to nie jedna.

API Google Analytics

Pewnie wielu z Was odrazu pomyślało: „hej, przecież możemy wyciągać dane z Google Analytics za pomocą API”.

Jasne, że możemy. Tylko jak je połączymy z danymi w innych systemach? Google Analytics nie przechowuje żadnych osobistych danych naszych użytkowników, czyli np. imienia i nazwiska, adresu zamieszkania czy adresu IP.

Oznacza to ni mniej ni więcej, że owszem możemy sobie wyeksportować liczbę odwiedzin w danym dniu, współczynnik odrzuceń (bounce rate) oraz źródło ich pochodzenia. Nie dowiemy się jednak, ilu z nich to klienci, którzy złożyli zamówienie dwa tygodnie temu. Google Analytics nam tych danych nie da, bo ich fizycznie nie posiada (a przynajmniej nam ich nie przedstawia ;))).

Przykład zapytania Google Analytics API
Kliknij na screen, aby powiększyć

Jak więc zaadresować ten problem?

Przekazywanie interesujących nas danych z Google Analytics do zewnętrznej bazy CRM

Jeżeli chcemy mieć możliwość analizy dodatkowych danych na temat naszych klientów czy leadów w naszych bazach CRM musimy te dodatkowe dane przekazać.

Wyobraźmy sobie sytuację sklepu internetowego, który chce widzieć jak zmieniały się źródła wejścia każdego z użytkowników wraz z kolejnymi zamówieniami. Czyli, że np. źródłem pierwszego zamówienia była kampania PPC, drugiego wejście bezpośrednie, a trzecie zamówienia danego klienta została zainicjowane mailingiem.

W normalnych warunkach, użytkownik przy składaniu zamówienia wypełniłby formularz (i pewnie się zarejestrował) zawierający takie dane:

  • imię
  • nazwisko
  • adres dostawy
  • email
  • login

Co musielibyśmy zrobić, żeby widzieć w naszym CRMie jakie było źródło odwiedzin użytkownika? Musielibyśmy taką informację przekazać do CRMu wraz z pozostałymi danymi z formularza.

Jak więc to zrobić?

Nie będziemy przecież pytać użytkownika w formularzu składania zamówienia: „z jakiego źródła odesłania przychodzisz dobry człowieku?” (tutaj dowiesz się jakie są elementy, które warto w formularzach przetestować, a tutaj jak stworzyć dobry formularz). Szczególnie, że nie musimy o to pytać, ponieważ takie dane zawierają ciasteczka Google Analytics przechowywane w przeglądarce użytkownika. Musimy je jedynie przeczytać, a następnie wartość źródła odesłania przekazać w ukrytym polu formularza.

Nie wydaje się to łatwe? Nie wiesz jak czytać ciasteczka Google Analytics?

Tak naprawdę nie ma nic prostszego

Tak się składa, że niejaki Danny wyręczył nas w programowaniu i napisał skrypt, który czyta ciasteczka Google Analytics.

Wystarczy, że wczytamy skrypt na naszej stronie, a otrzymamy możliwość łatwego wykorzystania wszystkich elementów przechowywanych w ciasteczkach użytkownika. Przykładowo możemy m.in. poznać i przekazać w kodzie html:

  • czas od ostatniej wizyty
  • źródło odwiedzin
  • słowo kluczowe odwiedzin
  • numer kolejnych odwiedzin
  • słowo kluczowe

a co za tym idzie także bezproblemowo te dane przesłać do naszej bazy CRM.

Przyznacie, że nie ma w tym nic trudnego, prawda?

Dążąc do perfekcji i osiągnięcia nirvany

Jest niestety jeden problem z wykorzystaniem tego podejścia. Tak jak pisałem, żeby analizować dane w CRMie, musimy je tam przekazać. Oznacza to, że już dziś musimy zadecydować, jakie dane będą nam potrzebne w przyszłości. Co jeśli ich nie przekażemy? Niestety nie będziemy mogli cofnąć czasu.

Na szczęście istnieje na to recepta.

Pamiętacie jak wspominałem o API Google Analytics? Daje nam ono dostęp do wszystkich danych historycznych zebranych w ramach naszego konta. Wspominałem, że standardowo nie da się tych danych wyeksportować dla pojedynczego użytkownika. Istnieje jednak na to pewien sposób.

Jak połączyć ze sobą dwa zestawy danych?

Zawsze jest tak, że jeżeli chcemy połączyć dwa zestawy danych, muszą one posiadać jeden wspólny element, który przyjmuje unikalne wartości. Przykładowo w bazie CRM takim kluczem jest numer klienta. Do jednego numeru może być przypisany tylko jeden klient i jego unikalne dane.

Z drugiej strony mamy dane z Google Analytics w których nie ma unikalnego numeru, który rozróżniałby każdego użytkownika i jego działania. Prawda jest jednak taka, że unikalny numer każdego użytkownika istnieje, tylko Google Analytics nam go nie udostępnia :)

To jest standardowe ciasteczko utma, które zostało utworzone przez Google Analytics na mojej przeglądarce w trakcie odwiedzin naszego bloga:

32856364.423507134.1316540148.1319460289.1321559324.8

Pogrubiony numer to ID użytkownika – losowy unikalny identyfikator (więcej informacji o ciasteczku utma znajdziecie tutaj). To ID nie zmienia się przy kolejnych odwiedzinach – zawsze pozostaje takie samo (dopóki ktoś nie skasuje ciasteczek ;)).

Teraz, jeżeli każdemu użytkownikowi przy odwiedzinach przekażemy do Google Analytics jako zmienną niestandardową ten numer ID (znowu za pomocą skryptu Danny’ego), to będziemy mogli analizować poczynania każdego pojedynczego użytkownika na naszej stronie:

Unikalne ID uzytkowników w Google Analytics
Kliknij na screen, aby powiększyć

Mariusz korzystał z tego sposobu pisząc artykuł na temat _addIgnoredOrganic w Google Analytics.

Mamy więc taką sytuację:

  1. W naszej bazie CRM, każdy klient / lead posiada unikalny wpis
  2. W Google Analytics każdy pojedynczy użytkownik posiada unikalny numer ID

Aby połączyć te dane ze sobą, w obu bazach każdy użytkownik musi posiadać wspólny rekord. Oznacza to, że do bazy CRM musimy przekazać unikalne ID naszego użytkownika przechowywane przez Google Analytics (w zmiennych niestandardowych). Możemy ro zrobić opisywanym już sposobem, a więc w trakcie składania formularza przekazać wartość unikalnego ID jako ukryte pole do naszej bazy.

Stworzy nam się wtedy w bazie CRM taka tabela:

Login
Imię
Nazwisko
Adres
Unikalne ID

Login-1
Jacek
Placek
Adres 1
1000020245

Login-2
Krzysztof
Iksiński
Adres 2
100057639

Z drugiej strony w Google Analytics będziemy mieli druga tabelę:

Dane z Google Analytics zaiwerające unikalne ID
Kliknij na screen, aby powiększyć

Jak widzicie mamy część wspólną, czyli Unikalne ID użytkownika w jednej i drugiej bazie. Dzięki temu możemy je połączyć. Teraz, jeżeli będziemy potrzebowali jakichkolwiek informacji na temat któregoś z naszych użytkowników, wystarczy że stworzymy odpowiednie zapytanie przez API. Podając jako wyróżnik jego unikalne ID będziemy mieli dostęp do wszystkich zbieranych przez Google Analytics danych na jego temat.

Podsumowując

Google Analytics jest świetnym narzędziem do analizy danych ilościowych pochodzących z naszych serwisów. Niestety czasem jego możliwości się kończą i wtedy będziemy chcieli wykorzystać te dane w połączeniu z innymi, które mamy dostępne w hurtowniach danych lub bazach CRM. Dzięki takiemu podejściu będziecie mogli łączyć dane online i offline i przenieść swoją analizę i wnioski na prawdziwie wyższy poziom.

Co sądzicie o podejściu łączenia danych z Google Analytics z innymi systemami? Uważacie, że może to być przydatne?