Smetarjenje podatkov

Objavljeno v torek, 22. september 2015 v kategoriji Spletna analitika. Članek za 5 min branja • Piše:

Andraž Štalec

4 metrike, s katerimi lahko s 95% natančnostjo napovemo vaše prihodke.

Ko v Google vtipkamo »na internetu je merljivo vse«, nam ta ponudi 2.710.000 zadetkov, povezanih s to tematiko. Sprva se človek nad tem navduši, saj to pomeni, da je marketing končno postal merljiv in da ga lahko nekako upravičimo, potem pa kmalu spozna, da to, da je merljivo »vse« (v resnici je merljivo »skoraj vse« in ne »vse«), predstavlja precej večjo težavo kot pa rešitev. Na eni strani navdušeni deležniki pričakujejo, da bomo lahko skozi digitalne metrike ponudili odgovor na vse (mimogrede, odgovor na vprašanje o vesolju, življenju in sploh vsem = 42), na drugi strani pa se srečujemo s kupi podatkov, ki jih marsikdo še ne zna pravilno razvrstiti in interpretirati. V Red Orbitu smo usmerjeni v učinkovitost, zato nas gmote podatkov ne zanimajo. Zanimajo pa nas vpogledi (insights), ki nam jih ti podatki ponujajo. S tem namenom smo se tudi lotili analize, kateri podatki oz. metrike so v spletnem marketingu sploh uporabni ter katere lahko odvržemo v koš za smeti.

Kako smo ločili zrnje od plev?

Naš oddelek za digitalno analitiko že nekaj let pridno spremlja in beleži ključne metrike pri večjem številu slovenskih spletnih strani. V zadnjem letu smo nekatere spletne strani nadgradili z naprednimi metrikami (beleženje vremena, nabavne cene, prebiranje vsebin, ogledi video posnetkov, pozicije lune …) in tako dobili še širši pogled v to, kaj in zakaj se dogaja na spletnih straneh. Zbirati smo pričeli vse večje število podatkov, ki pa smo jih previdno segmentirali in označevali, kar nam je omogočilo izvedbo analize, ki je sledila. A kot rečeno: manj je več. Napočil je trenutek, ko smo vse te podatke spustili skozi sito in izluščili tiste, ki so resnično pomembni. Ključno vprašanje, ki smo si ga zastavili, je bilo: »Kaj vpliva na prodajo na spletu?«

Analizirali smo več kot 5 milijonov sej (obiskov spletnih straneh), zabeleženih v zadnjih 12 mesecih, pri čemer smo zbrali in analizirali več kot 130 milijonov podatkov. Najprej smo preverili odvisnost med različnimi spremenljivkami in izračunali korelacije (glej Pearsonov koeficient korelacije v spodnji tabeli) ter determinacijske koeficiente (R2*), nato pa smo pri nekaterih pomembnejših spremenljivkah naredili še multivariatno regresijo. Na koncu smo prišli do modela, s pomočjo katerega lahko s 95-odstotno natančnostjo napovemo prihodke v spletni trgovini.

*R2 se giblje od 0 do 1 in določa, kakšen odstotek odvisne spremenljivke lahko pojasnimo s pomočjo neodvisne spremenljivke. Večji kot je R2, bolj natančno lahko pojasnimo odvisno spremenljivko.

Zapustna stopnja (a.k.a. bounce rate): Samovšečna gospa, ki ni tako pomembna, kot se ji zdi.

Že v digitalnem pamtiveku (v 90. letih prejšnjega tisočletja) je veljalo, da je zapustna stopnja ena izmed najpomembnejših digitalnih metrik. Izkaže se, da to ne drži popolnoma. Če je zapustna stopnja v mejah normale (pod 30 %), spremembe v njej (± nekaj odstotkov) nimajo nikakršnega vpliva na prodajo na spletni strani. Obremenjevanje s tem, kako znižati zapustno stopnjo s 23 % na 17 %, je torej brezpomensko, kar pa seveda ne pomeni, da si lahko privoščimo spletno stran z zapustno stopnjo 50 % ali več.

Vreme: Na spletu je vedno sončno in 28 °C.

Dejansko vreme in temperatura na lokaciji uporabnika nimata drastičnega vpliva na vedenje na spletu. Zmotno je razmišljanje, da je ob deževnem vremenu prodaja na spletu višja, ker smo vsi v varnem zavetju doma za računalnikom – in obratno. Lokalni vremenski pojavi naj bi sicer vplivali na emocionalno stanje uporabnikov, vendar se to na spletu ne kaže. To pa še ne pomeni, da enako velja tudi za sezonske oz. nemomentalne vremenske spremembe (npr. vročinski valovi).

Luna: Oprosti dragi, luna me je nosila (in bil sem ob 100 €).

Luna dviguje oceane, premika skale, krivi prostor-čas, torej bi lahko sklepali, da vpliva tudi na vedenje uporabnikov na spletu. Kakor so pokazale analize, se ljudje težje upognemo kot naš kozmos in luna na naše nakupno vedenje nima nikakršnega vpliva. Tudi če je modra.

Povprečna vrednost obiskovalca: 0,56 €.

Da, vemo. Ta je precej očitna, kljub temu pa jo bomo vseeno posebej izpostavili. Povprečna vrednost obiskovalca (izračuna se tako, da celotne prihodke delimo s številom obiskovalcev) ima enega izmed največjih vplivov na končno prodajo (R2 = 0,831). Zakaj sploh pišemo o tem? Prvič, ker je ta metrika pogosto spregledana in drugič, ker nam nudi odlično osnovo za izračun profitabilnosti posameznih digitalnih kanalov. Če je strošek pridobitve uporabnika na posameznem kanalu večji kot vrednost uporabnika, pridobljenega prek tega kanala, potem je nekaj narobe.

Obisk na spletni strani: »Supersize me«.

Nisem prepričan, ali je to posledica kapitalizma ali česa drugega, vendar prepričanje, da bo večji obisk na spletni strani rešil vse naše finančne težave, niti slučajno ne velja. Število obiskovalcev je sicer pomembno (brez njih zaslužka pač ne more biti), vendar je korelacija med obiskom in prihodki razmeroma šibka (R2 = 0,225).

Povprečna vrednost košarice: dve hruški in jabolko.

Zdi se, da je dejstvo, koliko povprečen uporabnik zapravi v spletni trgovini, precej pomembno – in dejansko tudi je. Še bolj zanimivo pa je, da povprečno število izdelkov v košarici nima velike korelacije s prihodki. Namig: raje kot v to, da uporabniki v košarico dodajo še en izdelek, bi se morali osredotočiti na to, kako uporabniku omogočiti, da čim hitreje zaključi nakup.

Konverzijska stopnja: Vse je OK, a kupil ne bom.

Četverico velikih zaključuje stopnja konverzije v spletni trgovini, ki ima močno korelacijo s povprečno vrednostjo obiskovalca. Prepričan sem, da je to nekaj, kar že vsi dolgo vemo, in prav zato se sprašujem, zakaj je na tem področju napredek tako minimalen. Testiranje uporabniške nakupne izkušnje je v Sloveniji še vedno znanstvena fantastika.

Tisti dan v mesecu: plače so. Gremo v šoping!

Plačo dobim 15. v mesecu, potem grem takoj v šoping in posledično se število transakcij 15. v mesecu dvigne. Verjetno res. Ampak plače so 1., 8., 15., pokojnine 31., 20. pa potečejo vezave. Izkaže se, da po plači nimamo vsi časa, zato nakup odložimo za kakšen dan ali dva, nato pa se najdejo še trije, ki jim konec meseca ostane 30 € in naredijo nakup tik pred novim prilivom prihodkov. Dejstvo: dan v mesecu nima kakšne pretirane povezave s prihodki na spletni strani.

Kakšna je torej formula za uspeh?

Ugotovili smo, da sta dva ključna dejavnika, ki vplivata na prodajo prek spleta, povprečna vrednost obiskovalca in število obiskovalcev. Nanju ne smemo gledati kot na dve neodvisni spremenljivki, vendar kot na par (funkcija z dvema spremenljivkama), katerega produkt ima izredno močno korelacijo s prodajo (R2 = 0,947). Za dodatno razumevanje vedenja digitalnih potrošnikov in njegovega vpliva na prodajo lahko spremljamo še povprečno vrednost nakupa in konverzijsko stopnjo. Vse ostale metrike imajo majhen vpliv na končni rezultat ali pa vplivajo na eno izmed že naštetih metrik.

V Red Orbitu smo se že dolgo tega odločili, da smetarji ne bomo, zato tudi ne smetarimo s podatki. Kaj boste vi počeli z njimi, se boste odločili sami. Lahko jih pustite na smetišču (razpolovni čas je razmeroma kratek in če boste dovolj dolgo gledali stran, se vam bo verjetno vse zdelo v najlepšem redu, ker bodo podatki izginili, preden se bo kdo zasekiral), lahko se igrate smetarje, lahko pa jih dejansko pričnete uporabljati in jih spremenite v €€€. It’s up to you.

Še vedno tukaj?
Vprašanje? Zapišite ga v komentar spodaj, pa ga skupaj predebatiramo.

2 odziva na “Smetarjenje podatkov”

  1. Hvala za odgovor…
    Se popolnoma strinjam, da včasih je potrebno delati s tem kar imaš in glede celostnega razumevanja bi želel pokomentirati, da tovrstna analiza zelo lepo in jasno prikazuje vplive posameznih metrik pri razumevanju prodaje preko spleta. Seveda pa bi bilo lahko zanimivo iti korak dlje in opazovati vplive glede na nakupno pot posameznika oz. skupin potrošnikov (če bi bilo mogoče tako povezati podatke).

    Veš kaj mislim? Torej razumevanje določenih dejanj v procesu nakupa (npr. kolikokrat je nekdo kliknil na stran in si ogledoval izdelek ali kaj podobnega), seveda če bi bilo mogoče opazovati (anonimne) podatke in pot posameznikov, ko so na spletni strani… I guess bi se sicer dalo kaj narediti s podobno konceptualizacijo ciljev v G. Analitics in opazovanjem, kako so vsi page-i skupaj dosegali cilje na posamezni stopnji procesa pred nakupom. A je kaj smisla v teh besedah?

    Vsekakor pa pohvalno glede analize, ki mislim, da na nek način dosega višje nivoje celovitega razumevanja analitike spletnih nakupov…

Dodaj odgovor