Оценка эффективности – пожалуй, самый популярный тип аналитических задач. Процессы и срезы могут быть самыми разными, например:

  • оценка трафика (в зависимости от ключевых слов и источников трафика)
  • оценка объема продаж (в зависимости от свойств документа входа и стоимости товаров)
  • и т.д. и т.п.

Поиск закономерностей глобально состоит из двух этапов, рассмотрим их подробно.

Определение критериев (KPI)

Типичные показатели эффективности в поисковом продвижении:

  • позиции по запросам,
  • трафик,
  • количество конверсий,
  •  объем продаж.

Каждый KPI имеет право на жизнь. В зависимости от задачи и специфики бизнеса компании могут использоваться различные показатели эффективности. В большинстве случаев стоит стремиться к тому KPI, который является основным для компании.

Для большинства торговых компаний и интернет-магазинов самый разумный KPI – объем продаж. Современные системы веб-аналитики, телефонии и CRM позволяют достаточно точно учитывать продажи. Но даже неразвитые средства сбора информации позволяют делать вполне достоверные сравнительные заключения.

Поиск срезов и выявление зависимостей

Основная идея эффективной аналитики состоит в поиске срезов, в которых можно обнаружить достоверные закономерности. Как правило, для аналитических задач глобальные оценки малоинформативны, а для сколь-нибудь крупных проектов с различными источниками трафика, различной маржей по группам товаров и прочей спецификой – и вовсе бесполезны.

Как можно искать информативные срезы?

  1. Можно исходить из доступных данных. Собираем в кучу все имеющиеся данные, делаем срезы по всевозможным критериям и следим за KPI. Минус этого подхода в ограничении горизонта исследований объемом исходных данных.
  2. Можно придумывать критерии, которые могут как-либо влиять. А затем придумываем способ собрать нужные данные и анализируем их. Минус этого подхода в трудоемкости сбора данных.

На практике обычно начинаем с более доступного первого способа, и при необходимости продолжаем вторым. Экономим время и деньги.

Как не выдать желаемое за действительное и отделить «мух от котлет»?

Запросто можно ошибиться, приняв за чистую монету непроверенные или неполные, и оттого некорректные, данные. Это чревато неверными выводами. Приведем пару примеров.

Ночь, парковка. Подъезжает автомобиль, водитель глушит двигатель. Через несколько секунд открывается правая передняя дверь и водитель выходит. Логичен вывод – машина праворульная. Угу. Вот только еще через несколько секунд открывается левая дверь и выходит человек. Выходит, леворульная?? Нет. Ничего не выходит, этих данных недостаточно для вывода. Иными словами, задача недоопределена.

Второй пример сугубо практический (эти данные были собраны пару лет назад для коммерческого сайта, торгующего различным оборудованием).

Предположим, мы хотим выяснить оптимальное время для открутки контекстной рекламы. В терминологии сервисов веб-аналитики мы изучаем зависимость внутрисайтовой конверсии от времени суток.

Для этого формируем пользовательский отчет в Google Analytics, содержащий показатели «достигнутые переходы к цели» и «уникальные посетители» по размеру «время суток». Можно использовать дополнительные срезы, для этого их нужно включить перед размером «время суток» (например, «источник», «канал», «ключевое слово» и пр.).

Выгрузив данные отчета в Excel, можем получить такую картину распределения конверсий по времени:

Пунктиром обозначена кривая, полученная из Google Analytics. Согласитесь, довольно странно – конверсия максимальна по ночам, а днем стремится к нулю. Внимательный разбор части данных показал, что CMS сайта не позволяла отсеять спам и поэтому существенная доля конверсий – фикция. Если же выгрузить данные по конверсиям из CRM, в которой лже-конверсии отфильтрованы, все становится на свои места (сплошная линия).

Правильные KPI и достоверные данные – ключ к успеху.

 

Источник: seonews.ru

Поделиться в соц. сетях

Опубликовать в Google Plus
Опубликовать в LiveJournal
Опубликовать в Одноклассники
Опубликовать в Яндекс
Опубликовать в Мой Мир

Рекомендуем ещё