Blog

RSS
2017/05/03 13:10

Modelowanie atrybucji w praktyce (cz. 8) Jak naprawić raporty

Kto nigdy nie narobił bałaganu w Google Analytics, niech pierwszy rzuci kamieniem. Oto kilka typowych sytuacji:

  • Duża liczba wizyt i konwersji, których źródłem jest nasza własna domena (self-referral). Główne przyczyny to brak kodu analytics na niektórych stronach lub przejścia użytkowników między subdomenami (więcej na tem temat w artykule pomocy Google Analytics);
  • Wizyty i konwersje pochodzące z zewnętrznych stron obsługujących koszyk zakupów (np. bramek płatności online);
  • Niektóre linki wewnętrzne lub bannery na stronie zostały otagowane znacznikami utm, celem śledzenia skuteczności kampanii wewnętrznych (zamiast zastosowania śledzenia zdarzeń lub funkcjonalności promocji wewnętrznych)

Występujące w takich sytuacjach nadpisanie wcześniejszych źródeł kampanii może kompletnie zaciemnić obraz źródeł ruchu. Nawet jeśli usuniemy błędy w konfiguracji i wprowadzimy odpowiednie wykluczenia, to nie zadziałają one w odniesieniu do danych historycznych.

W poniższym przykładzie większość transakcji przypisana jest do przekierowania z własnej domeny i subdomen, a także bramki płatności eblik.pl oraz baneru umieszczonego na stronie:

model atrybucji dane 222

Dane te nie mówią nic o faktycznych źródłach ruchu, które przyprowadziły konwertujących użytkowników na stronę. Na szczęście narzędzia modelowania atrybucji pozwolą nam w prosty sposób „odzyskać” nadpisane dane o źródłach konwersji.

Standardowym modelem raportowania w Google Analytics jest Ostatnie kliknięcie niebezpośrednie. My zmodyfikujemy ten model, wykluczając dodatkowo z przypisania udziału w konwersji niepożądane źródła. W modelu awaryjnym wykluczymy je ponownie, poza wejściem bezpośrednim, skutkiem czego te ścieżki, które będą składały się wyłącznie z tych niepożądanych źródeł i wizyt bezpośrednich, będą raportowane jako wejścia bezpośrednie:

ostatnie klikniecie niebezposrednie 2 ulepszony

Zastosowanie tego modelu pozwoli zobaczyć, które źródła faktycznie doprowadziły na stronę konwertujących użytkowników:

model atrybucji dane 1

Inną typową uciążliwością są niekonsekwentne oznaczenia tagów utm (np. raz wielką literą, raz małą, umieszczenie źródła kampanii raz w utm_source, a raz w utm_medium lub utm_campaign), a także różne strony przekierowania z tego samego źródła, np: web.facebook.com, l.facebook.com, lm.facebook.com. Skutkiem tego dane o tym samym źródle ruchu są rozproszone pomiędzy różne źródła, a ich analiza jest uciążliwa.

Rozwiązaniem części tych problemów będą filtry widoków danych, ale będą one skuteczne dopiero od dnia ich zaimplementowania (nie zadziałają wstecz). Tutaj pomocne będzie grupowanie kanałów, które pozwoli połączyć rozproszone źródła danych i uzyskać raporty przyjaźniejsze do analizy – również w odniesieniu do danych historycznych.

Kolejny artykuł odnosi się do innego problemu z raportowaniem Google Analytics:
Modelowanie atrybucji w praktyce (cz. 9) Śledzenie konwersji offline

Wcześniejsze artykuły z cyklu Modelowanie atrybucji w praktyce:

Cz. 1 – Wprowadzenie
Cz. 2 – Zgrupowania kanałów
Cz. 3 – Modele Last-Click i modele awaryjne
Cz. 3½ – Ostatnie kliknięcie niebezpośrednie
Cz. 4 – Modele uwzględniające wspomaganie
Cz. 5 – Okna konwersji
Cz. 6 – Najlepszy model atrybucji
Cz. 7 – Wspomaganie czy kanibalizacja



Autor

Witold Wrodarczyk

Dyrektor Operacyjny Adequate Interactive Boutique Google Analytics & AdWords Qualified Professional

Adequate - Agencja interaktywna

Adres:
ul. Okopowa 47/23
01-059 Warszawa
Telefon:
(+48) 22 299 50 28

Nasza strona korzysta z plików cookie w celu realizacji usługi zgodnie z Polityką Prywatności.