Прошу простить за большую паузу между выпусками рассылки: мне нужно было время на подготовку к проведению большого тренинга и разгребание новых материалов. Что ж, много времени прошло, многое изменилось — даже слово “Интернет” теперь нужно писать с большой буквы! Больше такого не повторится, так что продолжим наше путешествие. Напомню адреса прошлых выпусков:
Часть 1. Вступление.
Часть 2. Сбор данных.
Часть 3. Базовые метрики.
Перед тем, как перейти к описанию метрик и технологий анализа, хочу еще раз напомнить о том, зачем мы тратим на это своё время. Заниматься исследованием поведения аудитории имеет смысл только тогда, когда вы хотели бы, чтобы она вела себя определенным образом. Так что:
Почему мы вновь заговорили о целеполагании? Во-первых, это важнее всего, а во-вторых, для тех целей, достижение которых мы можем отследить через систему статистики, снятие данных может быть автоматизировано. В таких системах аналитики для электронной коммерции, как Google Analytics и Яндекс.Метрика, есть способ регистрировать достижение целей и даже рассчитывать прибыль, которую компания получает от их достижения.

Обычно цель задается адресом страницы, которую посещает пользователь — к примеру, для интернет-магазина целью может быть “оформление заказа”, а соответствующей страницей — информация о том, что заказ принят. Можно задавать и несколько целей и привязывать их достижение к рекламным кампаниям в контекстной рекламе, что даст возможность напрямую оценить стоимость привлеченного покупателя (стоимость клика по рекламе поделить на долю кликнувших, которые затем купили товар).
Если вы продаете товары через Интернет, то Google Analytics способен учитывать прибыль с каждой транзакции. Для этого нужно включить в Analytics раздел “Электронная торговля” и заставить ваш сайт передавать в код скрипта данные о прибыли. Такая учетная система обеспечит вас очень интересными данными — для контекстной рекламы, например, это будет прибыльность каждого рекламного объявления.
Если ваш сайт — простая визитка, а цель — продажи товара или услуги, то, конечно, никакая статистика не позволит вам определить достижение этой цели. В таких случаях необходимо:
Другой важной настраиваемой метрикой является учет запросов к внутренней поисковой системе. Например, Google Analytics позволяет отслеживать такие запросы и составлять по ним статистику.

Запросы к поиску на сайте — это хороший источник информации о том, чего не хватает пользователям, в каких местах сайта затруднена навигация и как откорректировать результаты поиска вручную, чтобы требуемые пользователю результаты располагались выше. “Правильная” система поиска практически всегда содержит дополнительные “вручную дописанные” ссылки — вот, к примеру, страница поиска на Microsoft.com:
В выборе таких ссылок помогает именно анализ внутреннего поиска.
Имея полный комплект данных статистики и настроенный учет целей, можно переходить от “статистической” части напрямую к аналитической: попытаться воспользоваться полученными данными для того, чтобы принять решения о коррекции рекламной кампании, внешнего вида страниц сайта или ассортимента товаров. Аналитическая работа в целом состоит из трех этапов:
Однако, тут нас поджидают сложности. Одной из главных проблем при анализе данных интернет-статистики, как и в других областях маркетинга, является некорректное определение причинно-следственных связей. Предположим, что данные аналитики говорят о том, что определенный товар просматривается чаще, а покупается — реже. Совсем неопытный маркетолог предположит, что “в интернете такая аудитория”, чуть более продвинутый аналитик сразу изложит несколько возможных причин:
Скорее всего, разные результаты являются следствием сразу нескольких причин, а вот каких именно — предстоит узнать из более тщательного анализа. Помочь в определении истинных причинно-следственных связей может сегментация данных и тестирование. О них я подробно расскажу в дальнейших частях.
Часть 1. Вступление.
Часть 2. Сбор данных.
Часть 3. Базовые метрики.
Перед тем, как перейти к описанию метрик и технологий анализа, хочу еще раз напомнить о том, зачем мы тратим на это своё время. Заниматься исследованием поведения аудитории имеет смысл только тогда, когда вы хотели бы, чтобы она вела себя определенным образом. Так что:
- Перед работой с данными необходимо определить цели, которые вы преследуете на сайте.
- Цели должны быть измеримы.
- Для коммерческого сайта цели должны быть максимально близки к получению прибыли.
- Истинная цель маркетинговых мероприятий в Интернете лежит вне Интернета.
Почему мы вновь заговорили о целеполагании? Во-первых, это важнее всего, а во-вторых, для тех целей, достижение которых мы можем отследить через систему статистики, снятие данных может быть автоматизировано. В таких системах аналитики для электронной коммерции, как Google Analytics и Яндекс.Метрика, есть способ регистрировать достижение целей и даже рассчитывать прибыль, которую компания получает от их достижения.

Обычно цель задается адресом страницы, которую посещает пользователь — к примеру, для интернет-магазина целью может быть “оформление заказа”, а соответствующей страницей — информация о том, что заказ принят. Можно задавать и несколько целей и привязывать их достижение к рекламным кампаниям в контекстной рекламе, что даст возможность напрямую оценить стоимость привлеченного покупателя (стоимость клика по рекламе поделить на долю кликнувших, которые затем купили товар).
Если вы продаете товары через Интернет, то Google Analytics способен учитывать прибыль с каждой транзакции. Для этого нужно включить в Analytics раздел “Электронная торговля” и заставить ваш сайт передавать в код скрипта данные о прибыли. Такая учетная система обеспечит вас очень интересными данными — для контекстной рекламы, например, это будет прибыльность каждого рекламного объявления.
Если ваш сайт — простая визитка, а цель — продажи товара или услуги, то, конечно, никакая статистика не позволит вам определить достижение этой цели. В таких случаях необходимо:
- Отслеживать, сколько клиентов пришло к вам с сайта, одним из неточных способов.
- Отслеживать достижение “самых близких к продаже” целей — например, просмотра прайс-листа.
Другой важной настраиваемой метрикой является учет запросов к внутренней поисковой системе. Например, Google Analytics позволяет отслеживать такие запросы и составлять по ним статистику.

Запросы к поиску на сайте — это хороший источник информации о том, чего не хватает пользователям, в каких местах сайта затруднена навигация и как откорректировать результаты поиска вручную, чтобы требуемые пользователю результаты располагались выше. “Правильная” система поиска практически всегда содержит дополнительные “вручную дописанные” ссылки — вот, к примеру, страница поиска на Microsoft.com:

В выборе таких ссылок помогает именно анализ внутреннего поиска.
Имея полный комплект данных статистики и настроенный учет целей, можно переходить от “статистической” части напрямую к аналитической: попытаться воспользоваться полученными данными для того, чтобы принять решения о коррекции рекламной кампании, внешнего вида страниц сайта или ассортимента товаров. Аналитическая работа в целом состоит из трех этапов:
- Получить данные
- Сделать выводы о том, почему данные выглядят именно так
- Предложить изменения, которые улучшили бы ситуацию.
Однако, тут нас поджидают сложности. Одной из главных проблем при анализе данных интернет-статистики, как и в других областях маркетинга, является некорректное определение причинно-следственных связей. Предположим, что данные аналитики говорят о том, что определенный товар просматривается чаще, а покупается — реже. Совсем неопытный маркетолог предположит, что “в интернете такая аудитория”, чуть более продвинутый аналитик сразу изложит несколько возможных причин:
- Текст одного рекламного объявления более привлекателен и создает завышенные ожидания у аудитории
- Ресурсы, на которых публикуется реклама, имеют специфическую аудиторию
- Страницы с описанием товаров неравнозначны по качеству
- Сами товары имеют различный уровень конвертации
Скорее всего, разные результаты являются следствием сразу нескольких причин, а вот каких именно — предстоит узнать из более тщательного анализа. Помочь в определении истинных причинно-следственных связей может сегментация данных и тестирование. О них я подробно расскажу в дальнейших частях.
