Web analytics: Συμβουλές & τα πιο συνηθισμένα λάθη στην ανάλυση δεδομένων

Η μετρησιμότητα μέσω των web analytics είναι ένα από τα κύρια πλεονεκτήματα του διαδικτυακού marketing. Συχνά, ωστόσο, τα analytics χρησιμοποιούνται για να περιγράψουν μία εικόνα που τελικά απέχει κατά πολύ από την πραγματικότητα.

Η μετρησιμότητα του διαδικτύου είναι ένα νέο buzzword που χρειάζεται προσοχή. Μία βολική ιστορία, που λέει πως, επειδή μπορούμε να μετράμε τα πάντα, γνωρίζουμε την πάσα – εμπορική- αλήθεια. Είναι πολύ εύκολο λοιπόν να πάρουμε λάθος αποφάσεις, αποφασίζοντας με βάση την κακή ερμηνεία των analytics. Το φαινόμενο αυτό, θα μπορούσε να αποτελεί και μία από τις εκφάνσεις της σύγχρονης, διαδικτυακής, μυωπίας του marketing.

Παρακάτω, θα διαβάσετε μια πολύ διαφορετική ιστορία, λιγότερο βολική, η οποία ωστόσο εκτιμώ πως βρίσκεται πολύ πιο κοντά στην αλήθεια.

Οι άβολες αλήθειες των web analytics

Σίγουρα, δεν πρέπει να αγνοούμε τον πλούτο στατιστικών στοιχείων που μας προσφέρονται στο διαδικτυακό marketing.

H ορθή ερμηνεία των δεδομένων, μας επιτρέπει να επενδύουμε με μεγαλύτερη αυτοπεποίθηση στις επιλογές που αποδίδουν τη βέλτιστη επιστροφή στις επενδύσεις μας.

Στον αντίποδα, η δογματική υπακοή σε όσα τα στατιστικά στοιχεία υποδεικνύουν, είναι πιθανόν να αποδειχθεί μοιραία. Αυτό συμβαίνει διότι συχνά η εικόνα που σκιαγραφείται από τα analytics δεν αντανακλά πλήρως την πραγματικότητα. Στις περισσότερες, μάλιστα, των περιπτώσεων το σφάλμα δεν έγκειται στον κώδικα ή τη μηχανή, αλλά στον ανθρώπινο παράγοντα.

1. Κατανόηση των μεταβλητών στα Analytics

Η συγκεκριμένη κατηγορία λάθους έχει ένα ευρύ φάσμα. H σωστή γνωριμία με την πλατφόρμα του Google Analytics (και κάθε αντίστοιχη πλατφόρμα web analytics) είναι καθοριστική: Το διαδικτυακό μάρκετινγκ μπορεί να επιβάλει ταχείς ρυθμούς, ωστόσο η αφιέρωση του απαραίτητου χρόνου στην κατανόηση κάθε αναφοράς, metric, dimension κτλ. θα αποδώσει και είναι αναγκαία.

2. Λάθη Στρατηγικής & έλλειψη στοχοθέτησης στα analytics

Ένας από τους βασικούς παράγοντες που δεν επιτρέπει την αποτελεσματική ανάγνωση των analytics, είναι η απουσία καταγεγραμμένης στρατηγικής. Δεν αρκεί μόνο να γνωρίζουμε τι θέλουμε να πετύχουμε. Η απουσία καταγεγραμμένης στρατηγικής και στόχων μέσω βασικών δεικτών απόδοσης (Key Perfomance Indicators, KPIs) ισοδυναμεί με παντελή έλλειψη στρατηγικής.

Η αντιμετώπιση των analytics οφείλει να είναι όμοια με αυτή μίας διαφημιστικής καμπάνιας AdWords. Προτού γίνει οποιαδήποτε ενέργεια στα analytics, οφείλει να είναι ξεκάθαρη η στόχευσή μας. Ακόμα και για να δώσουμε μορφή στο λογαριασμό, πρέπει να γνωρίζουμε τις αναφορές που θα χρειαστούμε, ώστε να αποκτήσουμε πρόσβαση στην πληροφορία που μας ενδιαφέρει. Το πρώτο βήμα λοιπόν γίνεται πάντα στο χαρτί.

3. Τεχνικά σφάλματα στα analytics

Η φύση ενός προβλήματος στα analytics είναι συχνά τεχνική. Δεκάδες είναι τα τεχνικά λάθη (εδώ) στα οποία μπορεί να υποπέσει κανείς. Μπορεί να ξεκινάει ακόμα και από το πιο βασικό σημείο, όπως τη λανθασμένη εφαρμογή του κώδικα παρακολούθησης (Tracking Code) των Google Analytics.

Η στατιστική ανάλυση της επισκεψιμότητας μίας ιστοσελίδας ή ενός mobile app, ωστόσο, δεν αρκεί για να περιγράψει σωστά την αποτελεσματικότητα μίας καμπάνιας. Η μέτρηση των μετατροπών, είτε είναι πωλήσεις είτε εισερχόμενες φόρμες εκδήλωσης ενδιαφέροντος, είναι αυτή που θα συμπληρώσει το κάδρο που απεικονίζει τη συμπεριφορά των δυνητικών πελατών σας.

Πρέπει να υπάρξει μέριμνα, ώστε να είναι εφικτό να μετρηθούν δυσκολότερα- τεχνικά- μετατροπές, όπως δηλαδή οι τηλεφωνικές παραγγελίες (call analytics) ή οι μικρο-μετατροπές (micro-conversions) όπως πχ. τα κλικ σε στοιχεία της ιστοσελίδας σας, η εγγραφή στη λίστα newsletter σας ή η χρήση του live chat σας).

4. Λογικά Σφάλματα ανάλυσης δεδομένων

Η συγκεκριμένη είναι η πιο επικίνδυνη κατηγορία σφαλμάτων. Ενώ λοιπόν τεχνικά όλα λειτουργούν σωστά, κάνουμε λάθος στην ερμηνεία των δεδομένων.

- Αποδίδουμε λανθασμένα την πηγή μίας πώλησης (attribution error)

Δε γνωρίζουμε πάντα την πηγή μίας online πώλησης. Μερίδιο αυτής μπορεί να αποδοθεί σε περισσότερα από ένα κανάλια, όπως πχ. το Facebook και η αναζήτηση στο Google. Σε κάποια από αυτά τα κανάλια συχνά αποδίδεται μικρότερο ποσοστό πωλήσεων σε σχέση με την πραγματική συμβολή του καναλιού αυτού στις πωλήσεις.

Κοινωνικά δίκτυα, όπως το Facebook ή το Instagram, πρωταρχικά δίνουν αξία μέσω της δημιουργίας awareness. Σκεφθείτε δηλαδή ένα παράδειγμα, όπου ένα πρωί, μέσω μιας διαφήμισης στο Facebook, ο υποθετικός μας πελάτης ανακαλύπτει το brand μας. Όμως αυτός δε ψωνίζει την ώρα που βλέπει τη διαφήμιση, αλλά αργότερα, απευθείας από τη διεύθυνσή της ιστοσελίδας μας (direct traffic).

- Τι ποσοστό του κοινού μας γνωρίζουμε;

Μέσω των analytics έχουμε τη δυνατότητα να γνωρίζουμε τέλεια το διαδικτυακό μας κοινό. Υπάρχουν όμως περιπτώσεις στις οποίες δε πρέπει να γενικεύουμε τα συμπεράσματά που εξάγουμε από τα online δεδομένα μας. Δε πρέπει να ξεχνάμε πως, ανάλογα με την αγορά στην οποία δραστηριοποιούμαστε- μπορεί να υπάρχει σημαντική μερίδα του (offline) κοινού της εταιρίας μας η οποία δεν εκπροσωπείται επαρκώς online.

Για παράδειγμα, τα online analytics μίας tech startup μπορούμε να υποθέσουμε πως εκφράζουν ορθά το σύνολο του κοινού της εταιρίας. Στον αντίποδα, η γενίκευση των συμπερασμάτων που θα προκύψουν από τα web analytics μίας εταιρίας που πχ. εμπορεύεται σκεύη μαγειρικής θα μας οδηγούσε σε λανθασμένες παραδοχές.

- Μετράμε browser, όχι ανθρώπους (συνήθως)

Πίσω από τα νούμερα των analytics κρύβονται browsers. Για λόγους ευκολίας ωστόσο κάνουμε την παραδοχή πως πίσω από τα δεδομένα των analytics κρύβονται άνθρωποι. Μια παραδοχή που μπορεί να μας οδηγήσει σε λανθασμένες ερμηνείες: Η μητέρα που ψωνίζει online ρούχα για την κόρη της. Ο φίλος που αγοράζει δώρα για την κοπέλα του. Προβλήματα του τρόπου με τον οποίο λειτουργούν τα web analytics και που απλά απαιτούν από εμάς να σηκώσουμε το κεφάλι από τους αριθμούς και να βάζουμε στις εξισώσεις μας τους ανθρώπους πίσω από τους browsers.

- Εστιάζουμε στα data trends

Συχνά δίνεται πολύ μεγάλο βάρος στους απόλυτους αριθμούς των analytics και συγκεκριμένα σε αριθμούς που περιγράφουν το «τώρα» και δε δίνουν καμία πληροφορία για την επόμενη μέρα της επιχείρησής μας (vanity metrics).

Για χάρη της σωστής εξαγωγής συμπερασμάτων από τα στοιχεία των analytics, οφείλουμε να δίνουμε σημασία σε data trends. Οφείλουμε να έχουμε πολύ καλή κατανόηση του business, ώστε να επιλέξουμε χρονικά διαστήματα σύμφωνα και με την εποχικότητα (seasonality) της εταιρίας. Επίσης, τα ιστορικά δεδομένα είναι σημαντικά, αλλά μπορεί σε μία περίοδο 1 έτους να έχει διαμορφωθεί μία εντελώς διαφορετική αγορά που να τα καταστήσει ξεπερασμένα. Πάντα λοιπόν προσέχουμε την ανάλυσή μας και δε βιαζόμαστε να εξάγουμε συμπεράσματα.

- Σωστή ανάλυση των web analytics

Τα σημαντικότερα λάθη που πραγματοποιούμε στα web analytics έχουν ένα κοινό παρονομαστή: Την έλλειψη κατανόησης της συνολικής επιχειρηματικής πραγματικότητας πίσω από το eBusiness. Η ανάλυση των analytics οφείλει να λαμβάνει υπόψιν το σύνολο των λειτουργιών της επιχείρησης: η τεχνολογία, ο ανταγωνισμός, η καταναλωτική συμπεριφορά και η εξέλιξη των παραπάνω όσο δημιουργούνται οικονομίες κλίμακας είναι καθοριστικής σημασίας.

Για παράδειγμα, στην αποτίμηση μίας καμπάνιας Search Engine Marketing (SEM) δε θα μπορούσαμε να αγνοήσουμε το ποσοστό των cross-device πωλήσεων που δε μπορέσαμε να προσμετρήσουμε. Ούτε να αγνοήσουμε την online και offline Word-of-Mouth διαφήμιση. Ακόμα περισσότερο, η εφ’ όρου ζωής αξία (Customer Lifetime Value) κάθε νέου πελάτη που αποκτήθηκε μέσω της καμπάνιας SEM πρέπει να ληφθεί υπόψιν στην αποτίμηση της καμπάνιας.

Συνοπτικά, λοιπόν, τα analytics μπορεί όντως να αποτελέσουν ένα σημαντικό εργαλείο που μπορεί να ισχυροποιήσει τη θέση του brand που θα τα αξιοποιήσει. Αλλά όπως είδαμε παραπάνω, η αποτελεσματικότητά τους εξαρτάται σε πολύ μεγάλο βαθμό από τη προσέγγιση του αναλυτή.