Sivustosi liikenne oli tasaisesti 500 kävijää viikossa. Viime viikolla se putosi 350:een. Tiedät, mitä tapahtui (kävijöitä oli vähemmän). Et tiedä lainkaan, miksi.
Kuvaileva analytiikka kertoo, että luku muuttui. Diagnostinen analytiikka on tapa selvittää syy. Tässä artikkelissa käydään läpi tekniikat, joilla tutkit, mikä muutoksen oikeasti aiheutti, ja miten vältät harhapolut.
Diagnostinen analytiikka tarkoittaa sen tutkimista, miksi jokin tapahtui. Kuvaat oireen (liikenne laski 30 %) ja etenet sitten taaksepäin syyn löytämiseksi.
Tästä tulee vaikeaa: lähes mikä tahansa voi näyttää syyltä, jos et ole tarkkana. Poistumisprosenttisi nousi samalla viikolla, kun liikenne laski. Aiheuttiko poistumisprosentti laskun, vai liikkuivatko ne vain samaan aikaan ilman yhteyttä toisiinsa? Navigointisi muuttui. Aiheuttiko se laskun, vai muuttuivatko Googlen sijoitukset samaan aikaan? Diagnostisessa analytiikassa vastataan tähän tarkasti eikä arvailla.
Näin tutkit kuin ratkaisisit arvoitusta
Diagnostinen prosessi etenee vaiheittain. Aloita tarkasti ja laajenna sitten.
Vaihe 1: Määritä oire tarkasti
Ei "liikenne on huonoa." Vaan esimerkiksi "hakuliikenne laski 35 % ajanjaksolla 15. ja 20. tammikuuta välillä verrattuna edellisen kuukauden samaan jaksoon."
Tarkkuudella on väliä. "Liikenne laski" on epämääräistä. "Hakuliikenne laski nimenomaan 35 % viiden päivän aikana" kertoo tarkalleen, mitä tutkia, ja rajaa mahdollisia syitä rajusti. Et yritä selittää kaikkea liikennettä, vain sitä yhtä mittaria, joka liikkui.
Vaihe 2: Eristä, mikä voi olla syynä
Mikä muuttui mittarisi liikkuessa? Tämä on hypoteesilistasi.
Julkaisitko uutta sisältöä? Muutitko sivujesi otsikoita? Päivititkö sivustosi rakennetta? Oliko markkinointikampanja? Mainittiinko sinut toisella sivustolla? Oliko Googlen algoritmipäivitys? Julkaisiko kilpailija jotain? Muutitko analytiikka-asetuksiasi?
Kirjoita ylös jokainen uskottava syy. Älä huoli, vaikka lista olisi pitkä. Seuraavaksi tehtäväsi on poistaa vaihtoehtoja.
Vaihe 3: Testaa hypoteesit
Kysy jokaisesta hypoteesista: jos tämä olisi syy, mitä odottaisin näkeväni datassa?
Oletetaan, että hypoteesisi on "kilpailija käynnisti kampanjan ja vei hakuliikenteemme." Jos se pitää paikkansa, odottaisit näkeväsi: (a) tietyt avainsanat, joilla ennen sijoituit, sijoittuvat nyt kilpailijoille, (b) sijoituksesi putosivat juuri näillä avainsanoilla, (c) liikenteen lasku rajoittuu vain näihin avainsanoihin eikä koske koko hakuliikennettä.
Testaa se. Putosivatko sijoituksesi oikeasti näillä avainsanoilla? Jos kyllä, se tukee hypoteesiasi. Jos ei, hypoteesi on väärä, siirry seuraavaan.
Sama prosessi muille hypoteeseille. Julkaisitko uutta sisältöä? Jos se aiheutti liikenteen laskun, miksi uusi sisältö vähentäisi nykyistä liikennettä? Ei se vähentäisi, ellei uusi sisältö syö klikkauksia parhailta sivuiltasi (ne kilpailevat nyt samoista hakutuloksista). Jos näin ei tapahdu, se ei ole syy.
Vaihe 4: Tarkista syy-yhteys, älä vain korrelaatiota
Tämä vaihe yllättää useimmat. Kaksi mittaria voi liikkua yhdessä ilman, että toinen aiheuttaa toisen.
Poistumisprosenttisi nousi samalla viikolla, kun liikenne laski. Se on korrelaatio: ne liikkuivat yhdessä. Mutta korrelaatio ei ole syy-yhteys. Poistumisprosentti ei aiheuttanut liikenteen laskua. Molemmat voivat olla saman ongelman oireita (ehkä Google laski sivustosi sijoitusta, kävijöitä tuli vähemmän, ja tulleet pitivät sisältöäsi vähemmän osuvana).
Varmista syy-yhteys kysymällä: onko olemassa looginen mekanismi? Jos poistumisprosentti aiheutti liikenteen laskun, miten se toimisi? Ei se toimi. Poistumisprosentti kertoo, miten kävijät käyttäytyvät saavuttuaan. Se ei voi vaikuttaa siihen, kuinka moni ylipäätään saapuu. Tämä on siis todennäköisesti korrelaatiota, ei syy-yhteys.
Vaihe 5: Vahvista yksinkertaisimmalla selityksellä
Olet rajannut vaihtoehtoja. Liikenteesi laski nimenomaan hausta. Sijoituksesi putosivat. Sivustoon ei tehty uusia muutoksia. Johtopäätös: Google muutti hakutuloksia (algoritmipäivitys tai sijoitusten muutos). Se on yksinkertaisin selitys.
Dataan sopiva yksinkertaisin selitys on yleensä oikea. Älä keksi monimutkaisia teorioita, jos yksinkertainen selittää näkemäsi.
Tekniikat, jotka oikeasti toimivat
Diagnostinen analytiikka käyttää tiettyjä tekniikoita tutkimiseen. Tässä ne, joilla on merkitystä sivuston omistajalle.
Erittelyanalyysi (jaa datasi osiin)
Älä katso pelkkää "kaikkea liikennettä", vaan erittele se lähteen mukaan. Kuinka paljon tuli hausta? Kuinka paljon suoraan? Kuinka paljon viittauksista?
Jos kokonaisliikenne laski 30 %, mutta hakuliikenne vain 10 %, tiedät ongelman olevan muualla. Erittelemällä luvut olet rajannut tutkimusta.
Sama sivujen kanssa. Jos kokonaisliikenne laski, mutta parhaat sivusi ovat itse asiassa nousseet, tiedät ongelman olevan pienemmissä sivuissa, jotka romahtavat. Jos parhaat sivusi ovat laskeneet, tilanne on toinen. Erittely kertoo, mikä tarkalleen on rikki.
Trendianalyysi (vertaa jaksoja)
Katso samaa mittaria eri ajanjaksoina. Liikenteesi tässä kuussa, viime kuussa ja viime vuonna. Laskiko se äkillisesti vai vähitellen? Laskiko se tiettynä päivänä vai usean päivän aikana?
Äkillinen lasku 15. maaliskuuta on eri asia kuin vähittäinen lasku kahden viikon aikana. Ensimmäinen viittaa tapahtumaan (Google-päivitys, sivuston muutos, kilpailijan siirto). Jälkimmäinen viittaa trendiin (kausivaihtelu, vähittäinen sijoitusten menetys).
Trendin muoto kertoo, mistä kannattaa tutkia.
Poikkeamien tunnistus (huomaa, mikä on erilaista)
Liikenteesi on yleensä keskimäärin 500 kävijää päivässä. Viime torstaina se oli 650. Viime perjantaina 300. Ne ovat poikkeamia: ne eroavat normaalista.
Poikkeamat ansaitsevat tutkimista. Mitä tapahtui torstaina? Piikki viittaa johonkin myönteiseen (suosittu jako sosiaalisessa mediassa, maininta, hyvät Google-sijoitukset). Mitä tapahtui perjantaina? Romahdus viittaa johonkin kielteiseen (sivuston virhe, jokin muuttui).
Poikkeamat huomaamalla tiedät, mitä päiviä tutkia tarkemmin.
Kohorttianalyysi (vertaa ryhmiä)
Kohortti on kävijäryhmä, jolla on jotain yhteistä (he saapuivat tässä kuussa, tulivat Googlesta, katsoivat tietyn sivun).
Oletetaan, että konversioasteesi laski. Älä katso vain kokonaiskonversioita, vaan vertaa kohortteja. Laskivatko konversiot Googlesta tulleilla? Mainoksista tulleilla? Viittauksista tulleilla? Laskivatko ne uusilla kävijöillä mutta ei palaavilla?
Kohortteja vertaamalla näet, että ongelma rajautuu tiettyihin lähteisiin tai kävijätyyppeihin, mikä on paljon parempi vihje kuin yleinen trendi.
Virheet, jotka johtavat harhapoluille
Diagnostinen analytiikka näyttää yksinkertaiselta, mutta sen voi tehdä väärin monella tavalla.
Korrelaation sekoittaminen syy-yhteyteen
Kaksi asiaa liikkui yhdessä. Oletat, että toinen aiheutti toisen. Yleensä väärin.
Konversioasteesi ja poistumisprosenttisi nousivat molemmat. Sattumaa? Ehkä. Aiheuttaako korkeampi poistumisprosentti korkeamman konversion? Ei: poistumisprosentti ja konversio mittaavat eri kävijäryhmiä. Tämä korrelaatio on todennäköisesti merkityksetön.
Kysy aina: onko olemassa looginen mekanismi? Voisiko X oikeasti aiheuttaa Y:n?
Ulkoisten tekijöiden sivuuttaminen
Mittarisi muuttuivat. Ennen kuin syytät sivustoasi, kysy, muuttuiko jokin sivustosi ulkopuolella.
Julkaisiko Google algoritmipäivityksen? Käynnistikö kilpailija kampanjan? Oliko alallasi iso uutistapahtuma? Jos liikenteesi laski samalla viikolla, kun Google ilmoitti ydinpäivityksestä, se on todennäköisesti syy, ei jokin sinun tekemäsi asia.
Katso sivustosi ulkopuolelle ennen kuin katsot sen sisälle.
Yksinkertaisten syiden liiallinen miettiminen
Huomaat liikenteen laskeneen. Tutkit viikkoja ja löydät monimutkaisia asioita. Sitten huomaat, että todellinen syy oli yksinkertainen: sivustosi oli alhaalla kaksi tuntia yhtenä päivänä.
Yksinkertaiset syyt ovat yleisempiä kuin monimutkaiset. Tarkista ilmeinen ensin: antoiko sivustosi virheen? Poistitko vahingossa sivun? Muutitko jotain teknistä? Muuttuiko hakukoneliikenne rajusti? Nämä on helppo tarkistaa, ja usein ne ovat vastaus.
Liian monen asian muuttaminen kerralla
Huomasit ongelman. Päivitit etusivusi, muutit navigointia, päivitit tuotesivut ja kirjoitit tekstit uusiksi, kaikki yhtenä päivänä.
Nyt konversiot muuttuivat. Mikä muutos aiheutti sen? Kaikki? Yksi? Ei yksikään, ehkä se on kausivaihtelua? Et voi tietää, koska muutit liikaa kerralla.
Kun selvität ongelmia, muuta yksi asia ja mittaa vaikutus ennen kuin muutat seuraavaa.
Kun tarvitset apua selvittämiseen
Joskus diagnostinen analytiikka on suoraviivaista (teit muutoksen, mittarit muuttuivat, yhteys on ilmeinen). Joskus se on monimutkaista ja sotkuista.
Kun olet jumissa:
Puhu ihmisille, jotka tuntevat taustat. Jos pyörität verkkokauppaa ja konversiot laskivat, kysy maksupalvelun tarjoajalta, oliko häiriötä. Kysy tiimiltäsi, muuttiko joku jotain. Kysy kehittäjältäsi, oliko sivustopäivitys. Data-analyytikko voi löytää kaavan, mutta tiimi antaa asiayhteyden, joka ratkaisee arvoituksen.
Tarkenna pienimpään muutokseen. Älä yritä selvittää kaikkia mittareita kerralla. Valitse tärkein mittari ja selvitä se. Kun ymmärrät yhden muutoksen syyn, muut selkiävät usein itsestään.
Muista, että jotkin muutokset ovat vain kohinaa. Liikenteesi vaihtelee ylös ja alas joka viikko satunnaisen vaihtelun takia. Kaikkia muutoksia ei tarvitse selvittää. Jos keskiarvosi on 500 kävijää ja sait yhtenä viikkona 490, se on normaalin vaihtelun sisällä. Älä tutki jokaista pientä muutosta, keskity merkittäviin poikkeamiin.
Usein kysytyt kysymykset
Kuinka kauan kestää selvittää, miksi mittari muuttui?
Joskus minuutteja (teit muutoksen ja näet vaikutuksen). Joskus tunteja, jos datan läpikäynti vaatii aikaa. Joskus päiviä, jos syy on epäselvä. Mitä tarkempi alkuperäinen oireesi on, sitä nopeammin voit selvittää sen. "Liikenne laski maanantaina" on helpompi selvittää kuin "liikenne on laskenut vähitellen kolmen kuukauden ajan." Voit ottaa tämän käyttöön suoraan omalla sivustollasi WEMASY-sivustonrakentajalla.
Entä jos en löydä syytä?
On mahdollista, että syy on ulkoinen eikä näy datassasi (markkinamuutos, kausitrendi, kilpailijan toimi). On myös mahdollista, että muutos on vain satunnaista vaihtelua. Jos olet testannut ilmeiset hypoteesit etkä löytänyt mitään, hyväksy, ettei kaikkea voi aina selvittää. Siirry seuraavaan mahdollisuuteen.
Voinko selvittää asioita jälkikäteen vai pitääkö seurata reaaliaikaisesti?
Voit selvittää jälkikäteen, jos analytiikkajärjestelmäsi seurasi dataa. WEMASYn analytiikka säilyttää historiatiedot, joten voit palata viikkoja tai kuukausia taaksepäin ja tutkia. Et tarvitse reaaliaikaista tietoa selvittääksesi, miksi jokin tapahtui.
Voiko jonkin muutoksen huomata automaattisesti?
Kyllä. Useimmissa analytiikkatyökaluissa voit asettaa hälytyksiä äkillisistä muutoksista (liikenne laskee yli 20 %, konversiot putoavat jne.). Hälytys kertoo, että jokin muuttui, jotta voit selvittää sen. Selvitys on silti tehtävä itse: hälytys kertoo vain, että jokin on tutkimisen arvoista.
Pitäisikö ongelmat korjata diagnostisten havaintojen perusteella vai testata ne ensin?
Testaa ensin, jos voit. Kun luulet tietäväsi syyn, tee pieni muutos ja mittaa, paraneeko mittari. Se vahvistaa diagnoosin oikeaksi, ennen kuin käytät aikaa isoon korjaukseen. Pienet testit ovat nopeampia kuin väärän ongelman selvittäminen.
Miten diagnostinen analytiikka eroaa diagnostisesta business intelligencesta?
Ne ovat samankaltaisia käsitteitä. Molemmissa tutkitaan, miksi jokin tapahtui. Analytiikassa etsimme dataa tarkastelemalla juurisyitä. Business intelligencessa voit tarkastella myös toiminnallisia tekijöitä, tiimin päätöksiä ja markkinaolosuhteita. Sivuston omistajalle diagnostinen analytiikka on käytännön työkalu, jota voit käyttää suoraan.