http://poznajemarketing.pl/wp-content/uploads/2019/01/analiza-kohortowa-google-analytics-02.jpgW Google Analytics raport „Analizy kohortowej” jest nadal stosunkowo słabo poznanym raportem, z którego istnienia część użytkowników być nadal nie zdaje sobie nawet sprawy. Warto jednak zwrócić na niego uwagę bowiem prezentuje on naprawdę ciekawe ujęcia danych dających nam możliwość spojrzenia na nie z zupełnie nowej perspektywy. Jednocześnie pojawia się wraz z nim termin, który wielu osobom z pewnością nie mówi zbyt wiele a mianowicie kohorta.

Na początek warto byłoby więc wyjaśnić czym w ogóle jest kohorta. Sam termin może brzmieć skomplikowanie jednak określenie to odnosi się tak naprawdę do grupy osób, którym można przypisać jakąś wspólną cechę. W przypadku raportów analizy kohortowej w Google Analytics tą cechą jest data pozyskania użytkownika. Dzięki wykorzystaniu raportów kohortowych możemy pogrupować użytkowników odwiedzających naszą stronę i badać jej efektywność w odniesieniu do tych konkretnych grup.

Konfiguracja raportu analizy kohortowej

Skoro już wiemy czym są kohorty i jakie możliwości daje ich analiza to warto zająć się już właściwymi raportami. Możemy do nich przejść wybierając raport „Analiza kohortowa” w sekcji „Odbiorcy”. Naszym oczom ukaże się mniej więcej taki widok:

 

 

 Może to wszystko wyglądać dość skomplikowanie dla kogoś kto pierwszy raz ma do czynienia z raportem analizy kohortowej. Zrozumienie go nie jest jednak wcale tak trudne a dane jakich dostarcza mogą się okazać naprawdę użyteczne tak więc warto poświęcić mu choć chwilę. Nad wykresem widzimy menu umożliwiające nam konfigurację raportu:

 

Po pierwsze mamy możliwość wybrania cechy, na podstawie której tworzone będą nasze kohorty i obecnie niestety jedyną opcją do wyboru jest tu data pozyskania. W tym wypadku warto od razu wytłumaczyć, że jako datę pozyskania użytkownika rozumie się datę pierwszej jego sesji na naszej stronie.

Następnie określić możemy wielkość kohorty. W przypadku gdy nasza kohorta bazuje na dacie pozyskania możemy ją tworzyć na bazie dnia, tygodnia a także miesiąca.

Kolejne pole menu konfiguracji pozwala nam wybrać jakie dane chcemy analizować w odniesieniu do naszych kohort. Mamy naprawdę spory wybór mogąc sobie porównywać jak poszczególne grupy użytkowników różnią się pod względem generowanych przychodów, liczby transakcji czy

W polu zakres dat określamy jakiego okresu dotyczy nasza analiza. Zakresy jakie będziemy mieli do wyboru zależą od tego jaką wielkość kohorty ustaliliśmy. Jeśli wielkość naszej kohorty określają dni to do wyboru mamy następujące zakresy:

  • ostatnie 7 dni
  • ostatnie 14 dni
  • ostatnie 21 dni
  • ostatnie 30 dni

jeśli tygodnie:

  • ostatni tydzień
  • ostatnie 3 tygodnie
  • ostatnie 6 tygodnie
  • ostatnie 9 tygodni
  • ostatnie 12 tygodni

a jeśli miesiące:

  • ostatni miesiąc
  • ostatnie 2 miesiące
  • ostatnie 3 miesiące

Bezpośrednio nad wykresem widoczna jest dodatkowa lista rozwijana pozwalająca określić czy wyświetlany będzie jeden zbiorczy wykres dla wszystkich kohort czy też dodatkowo chcemy wyświetlić wykresy odnoszące się do poszczególnych grup użytkowników. Domyślnie na wykresie prezentowane są zbiorcze dane odnoszące się do wszystkich kohort w naszym raporcie.

Jak odczytywać dane z raportu „Analiza kohortowa”

Gdy już odpowiednio skonfigurujemy sobie raport i naszym oczom ukaże się wygenerowany wykres wraz ze znajdującą się pod nim tabelą pełną danych możemy przystąpić do analizowania danych. U wielu osób mających po raz pierwszy styczność z raportem „Analizy kohortowej” może się zapewne pojawić pytanie” „jak interpretować te dane”?

Faktycznie na pierwszy rzut oka tabelka widoczna pod wykresem może niewiele mówić osobom, które wcześniej nie zgłębiały tematu kohort w Google Analytics. Jej interpretacja nie jest wcale tak trudna jednak na początek warto przyjrzeć się temu jak jest ona zbudowana. Pierwsza z kolumn odnosi się do wyznaczonych kohort i zawiera informację o ich liczebności a także zakresie dat, na bazie których powstały.

Kolejne kolumny odnoszą się do konkretnych okresów czasu zależnych od tego jaką wielkość kohorty ustawiliśmy i mogą się zatem odnosić do kolejnych dni, tygodni lub miesięcy. Jeśli z kolei spojrzymy na pierwszy to w pierwszym z nich znajdziemy zbiorcze podsumowanie danych dotyczące wszystkich kohort i odnoszące się również w kolejnych kolumnach

W kolejnych wierszach znajdziemy dane dla kolejnych kohort stworzonych według ustalonych przez nas kryteriów.

Zobaczmy jak to się prezentuje na konkretnym przykładzie:

W tym wypadku widzimy 3 grupy użytkowników (kohorty). Każda z tych grup zawiera użytkownik, którzy w podanym okresie czasu odwiedzili nasz serwis pierwszy raz. Mamy więc 54 972 użytkowników, których pierwszą sesję na naszej stronie odnotowano w okresie 1 – 31 października 2018, 53 423 użytkowników dla okresu 1 – 30 listopada i 42 087 użytkowników dla okresu 1 – 31 grudnia. Jak widzimy w pierwszym wierszu daje nam to łącznie 150 482 użytkowników pozyskanych w okresie 1 października – 31 grudnia.

Skoro już jesteśmy przy pierwszym wierszu to spójrzmy nieco bardziej w prawo na dane tam zawarte. W tym wypadku jako dane do analizy wybrałem przychody i to one są właśnie widoczne w kolejnych kolumnach na powyższym screenie. Jak widać w miesiącu zerowym wszystkie analizowane przez nas kohorty wygenerowały 72 741,69 dolarów w miesiącu 1 zapewniły 1 372,48 dolarów a w miesiącu 2 był to wynik 266,84 dolarów.

W tym miejscu należy zwrócić uwagę na to jak liczone są w podanym przykładzie wspomniane miesiące. Miesiąc 0 jest bowiem okresem liczonym od momentu pozyskania użytkownika i analogicznie jest z kolejnymi miesiącami gdzie miesiąc 1 to tak naprawdę okres 31 – 60 dni od momentu pozyskania użytkownika itd. Oczywiście analogicznie sytuacja wygląda gdy dokonujemy analizy po dniach lub tygodniach.

Jednak to jak liczone są poszczególne tygodnie to nie jedyny aspekt, na który trzeba uważać przy interpretacji danych z tego raportu. Istotne jest również zwrócenie uwagi na fakt, że z racji iż kohorty są wyznaczane na podstawie daty pozyskania z ostatnich dni, tygodni lub miesięcy to nie dla każdej kohorty będziemy mieli pełne dane w odniesieniu do kolejnych okresów dla należących do niej użytkowników.

W przypadku kohort „najświeższych” nie będziemy bowiem dysponowali danymi z kolejnych okresów. Naturalnym bowiem jest, że nie możemy porównywać jak w perspektywie trzech kolejnych miesięcy zachowywali się użytkownicy pozyskiwani w okresie 1 – 31 października z tymi pozyskanymi pomiędzy 1 a 31 grudnia.

Aby pokazać o czym mówię najlepiej będzie się odwołać do konkretnego przykładu i przywołać pokazywany już wcześniej screen:

Baczni obserwatorzy z pewnością zwrócili już uwagę na fakt, że począwszy od pierwszej wyznaczonej kohorty wraz z każdą kolejną prezentowany jest o jeden przedział czasowy mniej. W przypadku kohorty dla daty pozyskania 1 – 31 października widzimy pola dla miesiąca 0, 1, 2 oraz 3, dla kolejnej kohorty już tylko do miesiąca 2, dla jeszcze następnej tylko do miesiąca 1 itd. Właśnie dlatego w tym wypadku porównywanie sumarycznych danych nie byłoby zbyt dobrym rozwiązaniem bowiem zestawialibyśmy ze sobą kohorty posiadające różny zakres danych.

W przypadku gdy mówimy o analizie przychodów znacznie lepszym rozwiązaniem aby obiektywnie analizować te dane jest spojrzenie na średni przychód generowany przez jednego użytkownika. O ile bowiem przy pierwszej kohorcie (1 – 31 października) mamy do czynienia z największym sumarycznym przychodem w miesiącu 0 to spójrzmy na to jaki średnio przychód generowali użytkownicy z poszczególnych kohort:

 

Szybko przekonamy się, że znacznie gorzej prezentują się pod tym względem użytkownicy z kohorty kolejnej (1 – 30 listopada). W ich wypadku przychód nawet bezpośrednio w miesiącu pozyskania jest znikomy. Bez wątpienia w oczy rzuca się też zdecydowaną większość przychodu użytkownicy generują w miesiącu pozyskania. To może sugerować, że albo faktycznie swoje cele realizują już w początkowej fazie przygody z naszą marką albo mamy problem z ich lojalizowaniem.

Podobnie więc jak w przypadku innych raportów jedną z kluczowych kwestii jest pamiętanie o tym aby nie wyciągać pochopnych wniosków bowiem różne ujęcia danych mogą prowadzić do zupełnie różnych wniosków.

Do czego wykorzystać dane z raportu „Analiza kohortowa”?

Korzystają z analiz kohortowych przede wszystkim powinniśmy patrzeć na nie przez pryzmat możliwości dojścia do konkretnych wniosków mogących wpłynąć na nasz biznes. Same dane nie są dla nas wiele warte gdy nie potrafimy dostrzec płynących z nich dla nas konkretnych informacji.

Na podstawie danych jakich dostarcza nam analiza kohortowa możemy choćby przeanalizować „czas życia” klientów i wyciągnąć konkretne wnioski co do tego kiedy należy podejmować już jakieś działania mające na celu ponowne zaangażowanie użytkowników. Odniesienie tego do kryterium na podstawie, którego tworzone są kohorty a więc daty pozyskania pozwoli nam również przeanalizować czy poczynione przez nas w serwisie zmiany wpłynęły pozytywnie na okres aktywności odwiedzających nas osób.

Za sprawą raportu „Analiza kohortowa” mamy też możliwość spojrzenia na efektywność naszych kampanii marketingowych. Daje to bowiem możliwość oceny czy na przykład użytkownicy pozyskiwani w czasie trwania naszej akcji marketingowej generują więcej transakcji w naszym serwisie. Możemy również przyjrzeć się temu jak nasze działania przekładają się na retencję użytkowników.

Podsumowanie

Oczywiście pozyskiwanie tego typu danych było możliwe już wcześniej zanim jeszcze w Google Analytics pojawiły się raporty kohortowe. Proces ten był jednak znacznie bardziej żmudny i wymagał umiejętnego wykorzystania segmentów do filtrowania danych odnoszących do konkretnych grup użytkowników. Mimo wszystko korzystając z analizy kohortowej warto nadal korzystać z segmentów bowiem mogą one się okazać niezwykle użyteczne.

Należy bowiem pamiętać o zasadzie „segmentuj albo giń”, który w tym wypadku również ma zastosowanie a korzystanie z analizy kohortowej dla danych dotyczących wszystkich użytkowników serwisu nie zawsze da nam pełny obraz sytuacji. Bardzo często do naprawdę ciekawych danych dotrzemy wówczas gdy przystąpimy do bardziej złożonej analizy uwzględniającej choćby różne kanały dotarcia użytkowników do strony. Dopiero wtedy może się bowiem okazać, że na przykład użytkownicy pozyskiwani z organicznych wyników wyszukiwania wydają u nas więcej i generują więcej transakcji niż Ci pochodzący z mediów społecznościowych.

Zapisz

Zapisz

Zapisz

Zapisz

Zapisz

Zapisz

Zapisz