motgift mot fåfänga när du har mindre än 1 timme / vecka för marknadsföringsanalys
tidigare i år intervjuade vi på Humanlytics mer än 100 små och medelstora företag (SMB) för att lära sig om deras största smärtpunkter för digital marknadsföring. Vad vi fann var att två återkommande teman fortsatte att komma upp om och om igen:
- knapp tid / bandbredd för analys: de flesta småföretagare och marknadsförare har mycket begränsad tid och bandbredd för att analysera sina data. De är för upptagna med att driva sina företag. Som en företagare uttryckte det, ” att använda data är som att försöka rädda ett piano från ett brinnande rum — det är trevligt att ha men jag har högre prioriteringar.”Det beror på att det tar mycket tid och utbildning att förvandla data till handlingsbara affärsinsikter, det vill säga att svara på affärsfrågor och stödja affärsbeslut.
- Vanity Metrics lägger inte till affärsvärde: Vanity metrics är mätvärden som får dig att må bra om ditt företag, men hjälper dig inte att fatta beslut (de är inte handlingsbara). Problemet med vanity metrics är att de faktiskt kan vara värre än att inte använda analytics. De är inte bara slöseri med tid, de kan faktiskt vilseleda dina affärsbeslut. Aggregerade mätvärden som ”nya sessioner” på din webbplats kan till exempel dölja mer än de avslöjar. Till exempel, om ditt antal nya sessioner går upp, är det bra (att få dragkraft med nya användare), eller en dålig sak (retention med återkommande användare går ner)?
det är här kohortanalys kommer in. Kohortanalysfunktionen i Google Analytics är motgiftet mot båda problemen (begränsad tid och vilseledande fåfänga).
Vad är en kohort? I ett nötskal är en kohort helt enkelt en delmängd av användare grupperade efter delade egenskaper. I samband med affärsanalys hänvisar en kohort vanligtvis till en delmängd av användare som är specifikt segmenterade efter förvärvsdatum (dvs. första gången en användare besöker din webbplats).
en ”kohortanalys” låter dig helt enkelt jämföra beteende och mätvärden för olika kohorter över tiden. Du kan sedan hitta de bäst presterande (eller lägst presterande) kohorterna och vilka faktorer som driver denna prestanda.
kohortanalysrapporten är en av de mest underskattade funktionerna på Google Analytics. Varför? Eftersom det hjälper dig att isolera effekterna av dina olika marknadsföringsaktiviteter på en viss grupp mottagare, istället för buller i data.
att köra en kohortanalys är ett av de enklaste sätten att köra ett experiment för ditt företag. Som marknadsförare kan du köra en tidsbunden kampanj med vissa egenskaper du vill testa: annonsinnehåll, marknadsföringskanal, målgrupp, målsidesdesign etc. Du kan sedan jämföra mätvärden för räckvidd, engagemang och konvertering för dessa olika marknadsföringskampanjer, för att se vilka faktorer i kampanjen som faktiskt tillförde ditt företag och vilka som inte gjorde det.
detta är det verkliga värdet och syftet med marknadsanalys i första hand. Enkelt uttryckt, marknadsföringsanalys berättar vad som fungerar, vad som inte fungerar och hur du justerar dina marknadsföringsaktiviteter baserat på denna feedback. Kohortanalys gör just det genom att fokusera på effekten av varje marknadsföringsaktivitet eller förändring på en specifik publik i tid.
när det gäller frågan om tidsbrist för många företag tar det mindre än en timme att gå igenom din typiska kohortanalys varje vecka. Varje företag har olika behov av marknadsanalys. Men för många företag, om du bara har tid och bandbredd att titta på en Google Analytics-rapport per vecka, rekommenderar jag ofta att du börjar med kohortanalysrapporten, istället för att slösa tid med fåfänga.
i den här artikeln kommer vi att täcka:
- vilken Kohortanalys är bra för
- begränsningar av Kohortanalys i Google Analytics
- en Nybörjarprimer till Kohortanalysrapporten i Google Analytics
- några exempel på Kohortanalyser för att komma igång
som en affärsanalysteknik låter en Kohortanalys dig jämföra variabler och förändringar mellan dina digitala marknadsföringskampanjer.
till exempel, som riktiga tegel-och murbruk butiker, webbplatser förändring. Om du gör det rätt förändras de mycket och ofta. Du kan använda en kohortanalys för att försöka isolera effekten av webbplatsändringen på användarnas beteende.
här är några faktorer som kan påverka användarnas beteende som du kanske vill analysera med en Kohortanalys:
- målgrupp
- annonsinnehåll
- kanaler
- kampanjer / experiment
- webbplats redesigns
- nya produktlinjer och tjänsteerbjudanden
- försäljning, rabatter, kampanjer
i webbanalys kan du jämföra hur kohorter presterar i trafikmått (t. ex. återkommande användare), engagemangsmått (t. ex. Genomsnittlig sessionslängd) eller konverteringsmått (t. ex. sessioner med transaktioner).
även om du teoretiskt kan analysera någon av dessa faktorer med en kohortanalys, kan inte alla analysverktyg (t.ex. Google Analytics) analysera effekterna av alla dessa faktorer på användarnas beteende.
begränsningar av Kohortanalys i Google Analytics
även om kohortanalys kan vara mycket användbar i teorin, har kohortanalysrapporten i Google Analytics många begränsningar i praktiken.
först och främst kan kohorter i allmänhet Tekniskt grupperas efter någon delad egenskap. Kohortanalysrapporten i Google Analytics (som har varit i beta ett tag) kan dock för närvarande bara definiera kohorter baserat på förvärvsdatum (dvs. första gången en användare besöker din webbplats).
för det andra är spårning av retention och återkommande användare på din webbplats (vilket är vad kohortanalys ofta används för) för närvarande en oprecis övning för Google Analytics. Låt oss till exempel säga att Pete är en användare på din webbplats och besöker din webbplats idag. Om han besöker igen imorgon bör Google Analytics registrera honom som en återkommande användare.
men om Pete gör något av dessa saker kanske Google Analytics inte kan spåra sin nästa session korrekt som en återkommande session:
- rensa webbläsarcookies
- besöker webbplatsen på en annan enhet eller webbläsare
- besöker webbplatsen i inkognitoläge
den typiska digitala konsumenten äger nu i genomsnitt 3,64 enheter, och 36% av amerikanerna äger en smartphone, en dator och en surfplatta. Denna oförmåga att konsekvent spåra användare över enheter, webbläsare och sessioner är inte ett trivialt problem.
slutligen finns det problemet med förvirrande variabler. Som vi diskuterade tidigare kan det vara till hjälp att överlagra dina kohortmätningar med din marknadsföringskalender för att se hur mätvärden förändras med dina marknadsföringsaktiviteter.
men varje samband mellan en marknadsföringskampanj och en uppgång i mätvärden är en korrelation, inte en orsakssamband. Kanske startade du den nya Facebook-annonskampanjen förra måndagen, men kan ökningen av användarretention verkligen tillskrivas kvaliteten på dina Facebook-annonser? Eller kan det vara så att en av dina äldre blogginlägg börjar få dragkraft?
om du inte kör randomiserade kontrollerade studier (RCT) där du slumpmässigt tilldelar användare till en kontrollgrupp eller en behandlingsgrupp, kan du inte definitivt fastställa orsakssamband mellan en marknadsföringskampanj och metriska förändringar. Detta gäller särskilt om du har flera kampanjer som körs samtidigt.
som har sagts, även med sina begränsningar, kan kohortanalysrapporten i Google Analytics fortfarande vara riktningskorrigerad för datadrivet beslutsfattande, särskilt om du testar dina marknadsföringskampanjer och förändringar som separata experiment (t.ex. om du bara kör Facebook-annonser i Januari, Twitter-annonser i februari, Adwords-kampanjer i Mars, etc.).
här är en genomgång av hur du använder kohortanalysfunktionen i Google Analytics.
en Nybörjarprimer till Kohortanalysrapporten i Google Analytics
du hittar Kohortanalysrapporten under publik.
överst i kohortanalysrapporten kan du justera inställningarna för kohortstyp, kohortstorlek, mått och datumintervall.
- kohort typ: för närvarande är det enda alternativet förvärvsdatum (datumet för användarens första session)
- Kohortstorlek: du kan välja att definiera kohorter efter dag, vecka eller månad. Om du till exempel väljer per månad representerar varje kohort de användare som förvärvats under en viss månad (t.ex. januarikohorten inkluderar alla användare som hade sin första session i Januari)
- datumintervall: tidsfönstret som du vill undersöka (t. ex. de senaste 6 veckorna)
- metrisk: data som du ser i rapporten. Standardmåttet är användarretention, som mäter procentandelen användare som returnerar.
du kan också välja dessa ”per användare” mätvärden och” totalt ” mätvärden:
du kan sedan välja vilka kohorter som ska visas i diagrammet.
du kan också lägga till ytterligare segment (t.ex. mobil/surfplatta trafik, etc) för jämförelse, precis som med någon annan rapport, genom att klicka genom att klicka på plusknappen bredvid ”alla användare” högst upp i rapporten. Du hittar vår handledning om hur du använder Google Analytics-segment för att analysera din publik här:
det verkliga köttet i kohortanalysrapporten är dock värmekartan precis under denna graf. Till exempel, nedan jämför jag alla användare med det betalda Trafiksegmentet.
med den här värmekartan kan du snabbt identifiera de högsta (och lägsta) mätvärdena per kohort och vecka efter förvärvsdatum. Vecka 0 representerar den vecka då den kohortens användare hade sin första session. Denna kohortvärmekarta kan inte exporteras, så du kan behöva kopiera/klistra in eller skärmdumpa grafiken.
låt oss säga att jag körde en ny AdWords-remarketingkampanj veckan 9/11 för att rikta om användare som besökte min webbplats. Som du kan se i Kohortanalysrapporten ovan ökade min användarretention betydligt den veckan. Detta kan vara bevis på att min remarketingkampanj ökar användarretentionen, vilket jag kan utforska ytterligare i min Adwords-rapport (under förvärv).
det är därför jag rekommenderar att du drar upp din marknadsföringskalender i ett separat fönster för att överlagra din kohortvärmekarta med sammanhanget för dina marknadsföringsaktiviteter. Om du bara vill spåra datumen för dina marknadsföringskampanjer föreslår jag att du försöker använda den inbyggda Annotations-funktionen i Google Analytics-rapporter.