Wykres, który się liczy

Spójrz poniżej. Przedstawiamy wykres kohortowy – jeden z kluczowych wykresów w Google Analytics.

Jeśli, jak typowy menedżer ds. marketingu, masz tylko kilka godzin tygodniowo na zapoznanie się z raportami analitycznymi, przejrzenie tego wykresu jest koniecznością. Jest to jeden z niewielu wykresów w Google Analytics, który bezpośrednio wskazuje, jak dobre są Twoje działania marketingowe!

Dlaczego akurat ten wykres jest taki ważny?

Większość wykresów analitycznych opisuje tylko poszczególne elementy Twojego marketingu. Sesje. Czas na miejscu. Konwersje. Transakcje. Patrząc w odosobnieniu, są to puste mierniki. Nie mapują się one do żadnej konkretnej czynności ani do celu. Bardzo trudno jest zrozumieć wszystkie współzależności pomiędzy nimi i mieć pewność co do wpływu ich delt na kluczowe wskaźniki biznesowe, które marketingowcy muszą doskonalić (jak sprzedaż).

Ponadto, żaden z nich nie mówi Ci nic o jakości ogólnego doświadczenia online Twoich użytkowników. Jak angażujące są te doświadczenie i jak ta to zaangażowanie zmienia się w czasie? Jak dużą wagę ma Twój przekaz, marka lub kampania marketingowa? Jak często ludzie wracają po więcej? Czy pozyskujesz mniej lub bardziej zaangażowanych użytkowników z czasem? Kiedy użytkownicy zaczynają się frustrować?

W marketingu liczy się tylko siła i intensywność doświadczenia. Jedynie przyglądając się metrykom w długiej perspektywie, złożonym z naturalnych wzorów i cykli użytkowania, można uzyskać użyteczne spostrzeżenia.

Na szczęście, jest jeden raport, który mówi więcej o zaangażowaniu. Raport z analizy kohortowej. Jeśli masz bardzo ograniczony czas na zapoznanie się z danymi, ten raport powinien z pewnością znaleźć się na Twojej liście kluczowych wykresów.

W tym artykule oprowadzimy Cię po strukturze tego raportu i pomożemy go zrozumieć. Dowiesz się, jakie spostrzeżenia można uzyskać i jak go rozszerzyć.

Uruchom swój Analtics i zaczynajmy!

Zrozumienie analizy kohorotowej

Aby uruchomić raport kohorty, wystarczy przejść do sekcji Audience i kliknąć Cohort Analysis.

Co to jest kohorta? Kohorta oznacza po prostu grupę użytkowników, którzy mają wspólne cechy charakterystyczne lub doświadczenie. Może to być na przykład data pozyskania, wiek, płeć lub miasto.

Celem analizy kohortowej – jak wskazuje Bounteous – jest spojrzenie na poszczególne grupy osób i sprawdzenie, jak zmienia się ich zachowanie w czasie.

Analiza kohortowa jest stosunkowo złożonym raportem z dużą ilością zmiennych części, więc przejdźmy przez nią krok po kroku.

Najpierw górna sekcja.

Cohort type jest cechą, na której budujemy nasze kohorty. Obecnie jedyną dostępną opcją w Analytics jest data pozyskania. Tak więc nasze kohorty będą zasadniczo grupami użytkowników, którzy dzielą konkretny przedział czasowy. Możesz grupować użytkowników według dni, tygodni lub miesięcy. W ujęciu analitycznym ten przedział czasowy nazywany jest Cohort size.

Metryka (Metric) jest tym, co mierzymy dla każdej kohorty. Do wyboru mamy 14 różnych metryk: wskaźniki dla poszczególnych użytkowników, wskaźniki retencji, wskaźniki łączne (agregowane). Przykładem metryki jest user retention, zdefiniowane jako liczba użytkowników, którzy wrócili na Twoją stronę ponownie w n-czasie (dzień, tydzień, miesiąc), podzielona przez całkowitą liczbę użytkowników w kohorcie. Zakres dat to kolejny parametr wykresu. Ustawia on okno czasowe dla raportu.

Na przykład, śledzenie zachowania użytkowników przez kohorty tygodniowe (ustawione według daty pozyskania) w ciągu 12 tygodni pomoże nam zrozumieć, jak wielu użytkowników z każdej kohorty (pozyskanych w jakimś konkretnym tygodniu) wróciło do strony internetowej w kolejnych tygodniach od pozyskania. Moglibyśmy zobaczyć, jaki był wskaźnik utrzymania użytkowników pozyskanych na przykład w pierwszym tygodniu stycznia, aż do drugiego tygodnia marca.

Zanim zanurzymy się w Analytics, najpierw spójrzmy na ilustrację (Intercom.com), która pokazuje, jak czytać wykresy kohortowe.

Poniżej znajduje się wykres kohortowy opracowany przez Analytics.

Sekcja wykresu pokazuje wydajność metryki dla wszystkich kohort w określonym zakresie dat. Oś pionowa jest wartością metryczną. Oś pozioma wyznacza okres od początku. Domyślnie, ten wykres wyświetla dane dla wszystkich kohort, co tym samym czyni go całkiem bezużytecznym. Na górze, można wybrać do 3 określonych kohort, które mają być wyświetlane. Ten wykres jest najbardziej przydatny przy porównaniu kształtu wykresów pomiędzy różnymi kohortami.

Częstym zjawiskiem na takich wykresach jest sam spadek wartości metrycznej z przedziału czasowego 0 do 1, po którym następuje znacznie wolniejszy spadek w następnym okresie.

Poniżej wykresu znajduje się tabela kohortowa.

Pierwsza kolumna pokazuje kohorty i ich bazy użytkowników. Najstarsze kohorty znajdują się na górze. Bądź ostrożny co do bazy użytkowników kohorty i upewnij się, że jest ona wystarczająco duża, aby na podstawie danych wysunąć odpowiednie żądania. Wiersze są wartościami metrycznymi dla kolejnych okresów czasu od początku. Komórki są wartościami metrycznymi dla danej kohorty i czasu po rozpoczęciu pomiaru. W naszym przykładzie ten wykres pokazuje wartości retencji użytkownika. Panele kohortowe mają kształt trójkąta, ponieważ niektóre kohorty nie były śledzone w pełnym zakresie dat (w naszym przypadku 12 tygodni).

W pierwszym wierszu tabeli (All Users) wizualizowana jest średnia z wartości metrycznych wszystkich kohort dla danego tygodnia, ważonych przez bazy użytkowników. Domyślny wykres kohortowy, który widziałeś przed sekundą, jest zbudowany z wartości tego wiersza. U nas dla średniej retencji użytkownika z 1 tygodnia 6,55% oznacza, że spośród wszystkich użytkowników, którzy zostali pozyskani w ciągu ostatnich 12 tygodni (bez względu na to, do jakiej kohorty należą), średnia stopa zwrotu z odwiedzin w pierwszym tygodniu po pozyskaniu wynosi 6,55%. Przeciętnie właśnie tylu użytkowników odwiedziło stronę ponownie tydzień po ich pozyskaniu, niezależnie od kohorty. Podobnie, 7-tygodniowy wskaźnik retencji użytkowników dla wszystkich kohort oznacza, że z kohort, które były wtedy aktywne (miał niezerową bazę użytkowników dla tego tygodnia), średnio 2,03% użytkowników pozyskanych w pierwszym tygodniu powróciło w 7 tygodniu.

Dane w pozostałych wierszach uwzględniają użytkowników nabytych tylko w jednym konkretnym tygodniu (lub dniu lub miesiącu, w zależności od wielkości kohorty wybranej na początku). Na przykład, w tygodniu od 26 stycznia do 1 lutego 2020 r. , było 3114 użytkowników. Dla każdego innego tygodnia tej kohorty wartość metryczna, którą widzisz w tabeli kohorty, jest tylko liczbą użytkowników powracających w tym tygodniu, podzieloną przez wszystkich użytkowników, którzy zostali pozyskani w tygodniu 0.

Obecnie w Analytics nie ma możliwości przeprowadzenia analizy kohortowej dla dowolnych dat, a najdłuższym oknem czasowym są 3 miesiące (lub inaczej poprzez prowadzenie kohort tygodniowych dla zakresu dat 12 tygodni, lub miesięcznych dla zakresu dat 3 miesięcy).

Ostatnią kwestią, o której jeszcze nie rozmawialiśmy, jest mapa cieplna (heatmap) dla wartości metrycznych. Może okazać się pomocna w szybkim uchwyceniu spadku w czasie. Znaczne różnice w odcieniu kolorów między kolumnami to prawdopodobnie najszybszy sposób na zauważenie problemów w cyklu życia klienta w różnych okresach czasu. Nickelled mówi, że domyślnie Google Analytics używa pięciu różnych kolorów.

Ostatnia komórka każdej kohorty to aktualny okres, więc zazwyczaj jest on mniej istotny.

Interpretowanie wykresu kohortowego

Przyjmijmy najpierw szeroką perspektywę. Wykres kohortowy jest jednym z najważniejszych wykresów w Google Analytics. Podczas gdy większość wykresów i diagramów przedstawia statyczne spojrzenie na Twoją firmę – niepowiązane migawki wydajności różnych komponentów, takich jak strony docelowe, witryny blogowe lub wskaźnik odbicia, wykres kohortowy mówi, jak angażujące są działania marketingowe w czasie oraz jak przekładają się one na odwiedziny i interakcje na stronie z Twoimi produktami. Niezależnie czy są to treści, produkty e-commerce lub funkcje SaaS. Finalnie tylko to się liczy.

Sprawdźmy teraz kilka konkretnych przypadków.

Jak dotąd przeprowadziliśmy analizę kohortową metryki zatrzymania użytkownika. Warto wiedzieć ile osób wraca na Twoją stronę, ale nie mówi to nic o tym, jak bardzo zaangażowani byli jako grupa, nie wspominając już o tym, jak zaangażowani byli indywidualni użytkownicy.

Aby uzyskać dodatkowe informacje na temat zaangażowania użytkowników, przydadzą się następujące wskaźniki:

  • pageviews,
  • session duration,
  • sessions,
  • users.

Jeśli chcesz sprawdzić zaangażowanie na indywidualnego użytkownika, warto sprawdzić jeden z pomiarów per capita jak:

  • goal completions per user,
  • pageviews per user,
  • session duration per user,
  • sessions per user.

Wydaje się, że najlepszym rozmiarem kohorty dla tej grupy metryk jest tydzień, jeśli prowadzisz stronę internetową opartą na treściach i dni, jeśli oferujesz produkty dużego kalibru, takie jak subskrypcja produktu SaaS. Dla firm z branży e-commerce najlepszą wielkością kohorty jest miesiąc.

Prowadzenie raportów z prawidłowymi parametrami wielkości kohorty i ram czasowych, powinno pomóc Ci zrozumieć, jak Twój marketing sprawdza się przy budowaniu lojalności.

Wykorzystajmy analizę kohortową, aby dowiedzieć się więcej o zmianach zaangażowania w czasie. Przeprowadźmy naszą analizę dla tygodniowych zakresów kohorty w ciągu 9 tygodni, aby uzyskać docelowe wyniki dla każdego użytkownika. Oto co uzyskujemy.

Wyraźnie widzimy, że istnieje problem z zaangażowaniem ludzi wokół treści poza pierwszym tygodniem. Widzimy również, że kohorta pozyskana w tygodniu 26 stycznia – 1 lutego miała najwyższą wartość metryczną. Aby zrozumieć dlaczego, trzeba zagłębić nasze działania marketingowe tego tygodnia i spróbować znaleźć korelacje w treści lub taktyce. Innym sposobem na zrozumienie tej różnicy jest zastosowanie dodatkowej segmentacji i sprawdzenie, jakie działania marketingowe, miasto, urządzenie lub inne zmienne spowodowały tę anomalię. Zrobimy to w następnej części tego bloga.

Przyjrzyjmy się teraz zagregowanemu czasowi trwania sesji z takimi samymi parametrami kohortowymi jak poprzednio. Oto co mamy.

Jak widać, dodaliśmy również dwa dodatkowe zakresy reprezentujące dwie indywidualne kohorty, 26 stycznia – 1 lutego oraz 16–22 lutego. Ponownie widzimy, że tydzień 26 stycznia – 1 lutego był wyjątkowy.

Możemy również skorzystać z analizy kohortowej, aby dowiedzieć się więcej o zdolności strony internetowej lub produktu do generowania przychodów, zarówno w ujęciu zagregowanym, jak i w przeliczeniu na użytkownika.

Spośród wszystkich dostępnych metryk, metryki, które pomogą odpowiedzieć na to pytanie w kategoriach zagregowanych, są następujące:

  • transactions,
  • revenue,

i w przeliczeniu na użytkownika:

  • transactions per user,
  • revenue per user.

Najlepszą wielkością kohorty dla tej grupy metryk jest miesiąc, ponieważ nie ma zbyt wielu firm, w których zwroty byłyby dokonywane codziennie lub tygodniowo. Przychód na użytkownika jest szczególnie ważny w tym przypadku, ponieważ mapuje on bezpośrednio do rentowności i może powiedzieć nam więcej o ilości pieniędzy, które średnio można wydać na pozyskanie jednego kliknięcia lub wizyty na stronie docelowej, lub unikalnego użytkownika, uwzględniając optymistyczny i pesymistyczny scenariusz. Może to również pomóc w zrozumieniu, jak konkretne działania marketingowe dla danego tygodnia na blogu lub w mediach społecznościowych wpływają na dochody przypadające na jednego użytkownika, a tym samym może dostarczyć więcej informacji o tym, co należy zrobić w przyszłości.

Wykres przedstawia wielkość przychodów na mieszkańca do 2 miesięcy po pozyskaniu. Jest to jeden z najlepszych wykresów pozwalających ocenić, czy działania z zakresu marketingu efektywnościowego zapewniają pożądany zwrot z inwestycji. Dla przykładu, w naszej analizie mieliśmy średni przychód w wysokości 6,33 zł w pierwszym miesiącu po miesiącu od pozyskania.

Ten raport może również rzucić światło na spadek sprzedaży. W naszym przypadku może zająć dwa miesiące, aby Twój marketing wygenerował pełny efekt sprzedaży, zarówno dla kohort grudniowych, jak i styczniowych, pierwsze miesiące po nabyciu nadal miały dość silny wplyw na sprzedaż.

Jest również całkiem jasne, że drugi miesiąc po pozyskaniu nie powinien przynieść żadnych dodatkowych zysków, ale może być przydatny w treści wyboru odpowiednich grup remarketingowych. W tym przypadku spróbuj wykorzystać do 45 dni działań remarketingowych, aby w pełni zdyskontować efekt sprzedaży, zakładając brak zmian w materiałach marketingowych (np. stronie internetowej).

Oczywiście są to tylko potencjalne sposoby interpretacji danych, a nie twarde zasady – każde żądanie w tym przypadku musiałoby zostać poddane dalszym testom, zanim można by je zastosować w praktyce w swojej działalności. Jak widać, wykres kohortowy daje wiele sposobów na interpretację danych.

Kohorty jako segmenty i vice versa

Zbadajmy teraz kilka dodatkowych funkcji i opcji, które możemy wykorzystać w raporcie kohorty.

Przede wszystkim, można połączyć wykresy kohortowe z niestandardowymi segmentami, aby zobaczyć, jak angażujący jest Twój marketing w innych wymiarach.

Kliknij Add segment.

Wybierz New segment.

Utwórz warunki dla segmentu. W naszym przykładzie będziemy budować segmenty dla naszych kluczowych kanałów marketingowych. Na początek, stworzymy segment organiczny. W naszej metryce będziemy używać Goal Completions per User. W związku z tym kliknij przycisk Conditions i wybierz, by wymiar Default Channel Grouping zawierał Organic Search. Zapisz. Zobacz nową tabelę kohortową i nowy kolor.

W bezpłatnej wersji Google Analytics można dodać do czterech segmentów. Dodamy jeszcze 2: CPC i direct.

Przy okazji, szybkim sposobem na tworzenie nowych segmentów na podstawie podobnej logiki jest kliknięcie strzałki “see more” na nazwie segmentu i wybranie Copy.

W rezultacie ponownie pojawi się panel segmentów zaawansowanych z domyślnymi wartościami z segmentu źródłowego. W naszym przypadku musimy zmienić domyślną nazwę grupowania kanałów na Paid Search. Zrób to samo dla Social. Mamy teraz 4 niestandardowe segmenty, które wykorzystywane są w naszej analizie kohortowej.

Wyniki dla dwóch nowych kanałów są następujące.

Na podstawie tych wykresów widzimy wyraźnie, że istnieją pewne różnice w tym, jak angażujące są poszczególne kanały. Wygląda na to, że Social zazwyczaj nie generuje wysokiego zaangażowania, podczas gdy Organic i PPC radzą sobie nieco lepiej, ale także różnią się znacznie w zależności od kohorty.

Ponadto obserwujemy, że żaden kanał nie generuje tak naprawdę długotrwałych, angażujących doświadczeń. Zawsze znajdzie się tydzień, kiedy zaangażowanie spada. Gdyby te sprawozdania zostały opracowane dla produktu SaaS z poprawnie zaimplementowanymi konwersjami celów, oznaczałoby to, że produkt ten nie jest wystarczająco przekonujący i powinien zostać ulepszony.

Druga dodatkowa funkcja pozwala nam na przekształcenie poszczególnych kohort w nowe segmenty do dalszego wykorzystania w remarketingu lub innych działaniach.

Powiedzmy, że ponownie uruchamiamy naszą analizę retencji użytkowników na cotygodniowych kohortach z 12-tygodniowym oknem kohorty i chcemy ponownie aktywować jedną z kohort. Możemy łatwo to zrobić za pomocą tej funkcji.

Wystarczy kliknąć komórkę, którą chcesz zmienić w segment.

Gdy klikniesz, zobaczysz wyskakujące okienko. Podaj nazwę segmentu i voila!

Kliknij Create. Ten konkretny segment będzie dostępny do późniejszego wykorzystania w Analytics. Możesz użyć go do tworzenia kampanii remarketingowych lub głębszej analizy swojego konta.

Komplikacje

Jest kilka rzeczy, o których musisz pamiętać w tej karcie. Jak podkreśla Bounteous, analiza kohortowa opiera się na tym, w jaki sposób Analytics zdefiniował użytkownika, który jest tylko unikalnym zestawem plików cookie przechowywanych w danej przeglądarce. Dlatego też śledzenie subdomen i crossdomen może wprowadzić zamęt w danych, jeśli nie używasz funkcji User ID.

Godzina tygodniowo

Celem tego postu była pomoc w pełnym zrozumieniu, jak odczytać wykres analizy kohortowej.

Marketing polega na tworzeniu angażujących doświadczeń, o których ludzie chcą rozmawiać ze swoimi przyjaciółmi. Jeśli to działa, inne rzeczy nie mają znaczenia.

Samo doświadczenie jest funkcją czasu i może się znacznie różnić w zależności od różnych taktyk, które Twoi potencjalni klienci napotykają. Analiza kohortowa jest najlepszym sposobem, aby to zbadać.

Jeśli prowadzisz biznes SaaS, to zobacz, jak Neil Patel stawia na wykorzystanie wykresów kohortowych do oceny SaaS marketingu, spójrz!

Jeśli masz tylko jedną godzinę tygodniowo na swoje raporty analityczne, najlepiej jest spędzić ją, patrząc na wykres kohortowy. Jeśli chcesz dowiedzieć się więcej i zobaczyć interakcje na żywo z analizą kohortową, polecamy obejrzenie tego filmu z Google Ventures, gdzie stosują analizę kohortową do pomiaru wpływu zmian produktu w czasie.

Upewnij się, że zapisałeś się na listę oczekujących. Sprawdź również Datomni, naszą główną usługę generowania leadów i zapisz się do Datapolia, narzędzia analitycznego dla naszych klientów.

Zapisz się na listę mailingową, aby otrzymywać nowy artykuł co tydzień!

Bibliografia

[1]  Behrooz Omidvar-Tehrani; Sihem Amer-Yahia; Laks VS Lakshmanan. Cohort representation and exploration. Turin, Italy: IEEE Conference on Data Science and Advanced Analytics (DSAA) 2018.

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *