Realna segmentacja – optymalizacja strony pod konwersje ciąg dalszy

W kilku ostatnich postach opisywałem moje spojrzenie na model optymalizacji wskaźnika konwersji na witrynie internetowej. Model związany z zwiększaniem ilości konwersji na stronie internetowej.

W postach opisałem już dokładnie tematy:

• kontynuacji obietnicy na stronie internetowej,
• USP, czyli unikalnej wartości oferty,
• wykorzystywania pilności w optymalizacji konwersji,
• optymalizacji wyceny procesu w umyśle użytkownika
• wykorzystania zachęt i promocji .

Realna segmentacja

W moim ujęciu realna segmentacja to wykorzystanie danych analitycznych w celu zrozumienia znaczenia określonej treści w optymalizacji konwersji. Nie sama optymalizacja strony, tylko analiza danych, która przy takie optymalizacji będzie przydatna. Jaka treść sprawia, że użytkownicy konwertują? Jaką treścią interesują się określone grupy użytkowników?

Takie działania mogą obejmować 2 typy analiz:

• analiza przydatności treści
• analiza zainteresowań użytkowników

Analiza przydatności treści

W analizie treści odkrywamy, jakie treści są ważne z perspektywy konwersji. Czy jest jakaś różnica pomiędzy efektywnością ze strony użytkowników, którzy widzieli podstronę X, a tymi, którzy jej nie widzieli?

Szczególne znaczenie ma tutaj wykorzystanie nowej segmentacji w Google Analytics, które pozwala na analizę danych nie tylko w ujęciu wizyty, ale również użytkownika. Pozwala to analizować, czy określona treść widziana przez użytkowników w czasie jednej wizyty, ma wpływ na ich zachowanie w następnych wizytach.

Uwaga:
Trzeba pamiętać, że korelacja nie oznacza skutkowości i przyczyny. Z tego powodu wyniki takich analiz warto pogłębić (czy np. rozkład kampanii, źródeł ruchu nie wpływa na wyniki danych), w miarę możliwości przetestować.

Przykład 1
W poniższym sklepie internetowym występuje podstrona związana z wyprzedażami i promocjami – adres „/wyprzedaz_promocje.php”. Analizujemy, czy warto promować tę podstronę w nawigacji i w kampaniach reklamowych. Dzielimy użytkowników na 3 grupy:

• nie mieli kontaktu z podstroną
  

• mieli kontakt z tą podstronę
  

• rozpoczynali odwiedziny od tej podstrony.

Jak widać z poniższych danych średnia wartość wizyty jest dużo wyższa dla użytkowników, którzy mieli kontakt z podstroną „/wyprzedaz_promocje.php” niż dla tych, którzy nie mieli kontaktu z nią. W tym kontekście warto by przetestować zwiększenie znaczenia tej podstrony w nawigacji. Powinno się to przełożyć na wyższą sprzedaż.

Przykład 2:
W poniższym sklepie internetowym występuje podstrona przechowalni produktów „/przechow”. Analizujemy, czy ta funkcjonalność ma pozytywny wpływ na sprzedaż. Czy odwodzi on użytkowników od kupna, czy prowadzi później do wyższej sprzedaży?

Jak widać niemal wszyscy użytkownicy, którzy mieli kontakt z „/przechow” ostatecznie skonwertowali.

Co więcej wartość średniej wizyty segmentu użytkowników, którzy skonwertowali nie mieli kontaktu z przechowalnią produktów jest niższa niż wartość średniej wizyty segmentu użytkowników, którzy skonwertowali i mieli kontakt z przechowalnią produktów.

To pokazuje duże znaczenie przechowalni produktów.

Analiza zainteresowań i demografii użytkowników

Nowa funkcjonalność w Google Analytics pozwala na zaawansowaną analizę demografii i zainteresowań klientów. Na podstawie tych danych możemy lepiej dopasowywać strategię przygotowania treści dla potencjalnych klientów.

Serwis bardzo często rozwijamy na podstawie scenariuszy użycia dla „person”, fikcyjnych postaci utożsamiających potencjalną grupę docelową serwisu. Analiza danych demograficznych i zainteresowań może pomóc jeszcze bardziej „urealnić” takie persony.

Przykład 1:
Na poniższej analizie widać, że największy odsetek wśród konwertujących użytkowników mają osoby 25-34. Grupa ta nie tylko jest najważniejszą grupą użytkowników na stronie, ale również wykazuje nadreprezentację osób konwertujących (wyższy wskaźnik procentowy osób 25-34 wśród konwertujących użytkowników niż w użytkownikach total).

Jeżeli chodzi o samą wartość użytkowników, największą wartość wykazują starsi użytkownicy. Jest ich mało, jednak jak kupują to kupują dużo (wysoki wskaźnik konwersji, wysoka wartość wizyty).

W kontekście tych danych warto w aktywnościach promocyjnych bardziej przystosowywać treść na stronie do osób młodych (skala) lub też na dotarciu do osób starszych (np. wyższe modyfikatory w Sieci reklamowej).

Przykład 2:
Analiza może również obejmować zainteresowania użytkowników poszczególnymi produktami? Które produkty są najczęściej oglądane i kupowane przez poszczególne grupy docelowe? Dużo powie na ten temat średnia wartość podstrony Ecommerce dla poszczególnych grup docelowych.

Jak widać grupy 18-24 i 45-44 interesuje się zupełnie różnymi produktami. Może to stanowić inspirację do tworzenia kreacji, przygotowania kampanii.

Podsumowanie
Podobne analizy można tworzyć z uwzględnieniem płci, zainteresowań użytkowników. Przykłady takich analiz w następnych artykułach.

Trackback URI | Comments RSS