Yritys, joka käyttää perusanalytiikkaa, näkee konversioasteen putoavan 3 prosentista 2,5 prosenttiin ja menee paniikkiin. Syyksi epäillään tuotetta, markkinaa tai yleisöä. Yritys, jolla on edistynyt analytiikka, tietää tarkan ongelman: mobiilin kassapainike julkaistiin kaksi pikseliä pienempänä, se vaikutti 40 prosenttiin kävijöistä ja maksoi mitattavasti myyntiä. Tämä on ero arvaamisen ja tietämisen välillä.
Edistynyt analytiikka menee pidemmälle kuin kävijöiden ja sivunäyttöjen laskeminen. Se löytää kaavoja, ennustaa, mitä tapahtuu seuraavaksi, ja selittää, miksi asiat tapahtuvat. Perusanalytiikka vastaa kysymykseen "montako kävi?", mutta edistynyt analytiikka vastaa kysymyksiin "miksi he lähtivät?", "kuka ostaa?" ja "mitä tapahtuu, jos muutamme tämän?"
Mikä erottaa edistyneen analytiikan perusanalytiikasta?
Katso useimpia analytiikan koontinäyttöjä, niin löydät aina samat asiat: kävijämäärät, konversioasteen ja poistumisprosentin. Ne ovat hyödyllisiä, mutta ne vastaavat vain yhteen kysymykseen. Kun katsot tarkemmin, huomaat, että perusanalytiikka ja edistynyt analytiikka ratkaisevat täysin eri ongelmia.
Perusanalytiikka on kuvailevaa. Se kertoo, mitä tapahtui. Näet, että 5 000 ihmistä vieraili ja 125 konvertoi. Näet, mistä liikennelähteestä tuli eniten kävijöitä. Näet, mille sivulle tulee eniten liikennettä. Tämä on perusta: sinun täytyy tietää, mitä tapahtui. Mutta siihen se myös jää.
Edistynyt analytiikka on diagnosoivaa ja ennakoivaa. Otetaan samat 5 000 kävijää. Edistynyt analyysi kysyy: mikä segmentti oli ostoaikeiltaan vahvin? Konvertoivatko palaavat kävijät eri tahtiin kuin ensikertalaiset? Mitä ominaisuuksia ostaneet ihmiset todella käyttivät? Mikä kaava erottaa ostajat poistujista? Mikä kohortti (tammikuussa vai maaliskuussa rekisteröityneiden ryhmä) uusii todennäköisemmin? Nämä kysymykset osoittavat, miksi asiat tapahtuivat ja mitä tapahtuu seuraavaksi.
Liiketoimintavaikutus on valtava. Yritys, joka tietää konversion pudonneen 50 prosenttia mobiilikäyttäjillä tiistai-iltana ja palautuneen seuraavana päivänä, on korjannut ongelman ja estänyt sen leviämisen koko yritykseen. Yritys, joka tietää yhdestä lähteestä tulevien käyttäjien kuluttavan 40 prosenttia enemmän per tilaus, voi toistaa nämä olosuhteet muille lähteille. Yritys, joka osaa ennustaa, mitkä asiakkaat lopettavat, ehtii ottaa yhteyttä ja pitää heidät. Se ei ole arvailua vaan tarkkuutta.
Miksi tarvitset sitä?
Katso mitä tahansa analytiikka-asetusta, niin löydät saman ongelman: oivallukset loppuvat liian aikaisin. Tiedät suurimmat liikennelähteesi. Tiedät konversioasteesi. Tiedät, mitä sivuja ihmiset katsovat eniten. Mutta useimmat yritykset pysähtyvät tähän. Ne jäävät noin 80 prosentin oivalluksen tasolle ja ihmettelevät, miksi päätökset tuntuvat edelleen epävarmoilta.
Kysymys ei ole siitä, onko perusanalytiikka hyödyllistä (on). Kysymys on siitä, vastaako se päätöksiin, joita oikeasti teet. Jos päätöksesi on "pitäisikö meidän panostaa maksettuun mainontaan enemmän?", perusanalytiikka voi antaa vastauksen. Jos päätöksesi on "mikä liikennelähde tuottaa asiakkaita, jotka kuluttavat enemmän, suosittelevat muille ja pysyvät pidempään?", perusanalytiikka ei riitä. Sen hoitaa edistynyt analytiikka.
Edistynyt analytiikka huomaa myös ongelmat, joita kukaan muu ei näe. Pieni virhe, joka vaikuttaa vain mobiilikäyttäjiin tiettyinä päivinä, jää näkymättömiin perusnäkymissä. Ominaisuus, joka pitää yhden segmentin mukana mutta ei toista, pysyy piilossa. Kilpailija, joka vie hitaasti arvokkaita asiakkaitasi, ei laukaise yhtään hälytystä. Edistynyt analytiikka seuraa näitä kaavoja jatkuvasti ja nostaa ne esiin, ennen kuin ne kasvavat suuriksi ongelmiksi.
Miten perus- ja edistynyt analytiikka eroavat käytännössä?
Otetaan konversiosuppilo. Perusanalytiikka näyttää poistumat: 10 000 kävijää saapuu etusivulle, 3 000 hinnoittelusivulle, 800 kassalle ja 300 viimeistelee ostoksen. Mihin menetit 7 000 ihmistä? Koontinäyttö ei kerro. Edistynyt analytiikka segmentoi suppilon: ensikertalaiset ja palaavat kävijät. Tietokone ja mobiili. Lähde A ja lähde B. Yhtäkkiä näet, että maksetusta mainonnasta tulevien ensikertalaisten mobiilikävijöiden konversio on 2 prosenttia, mutta orgaanisesta hausta palaavien tietokonekävijöiden konversio on 8 prosenttia. Nyt voit toimia: parantaa mobiilikäyttökokemusta uusille kävijöille, kohdistaa mainosbudjetin ostovalmiimpiin kävijöihin ja kehittää uudelleenaktivointistrategian aiemmin vierailleille.
Otetaan asiakkaiden pysyvyys. Perusanalytiikka näyttää, että kuukauden pysyvyys on 20 prosenttia. Se on sinun lukusi. Edistynyt analytiikka kysyy: minkä kohortin (rekisteröitymiskuukauden) pysyvyys on parempi? Mitkä ominaisuudet korreloivat korkeamman pysyvyyden kanssa? Mikä käyttäjäsegmentti (yrityksen koko, toimiala, käyttötarkoitus) todennäköisemmin pysyy mukana? Pysyvätkö asiakkaat, jotka saavuttavat tietyn virstanpylvään ensimmäisellä viikolla, pidempään? Näillä vastauksilla muutat perehdytystä niin, että useampi pääsee kyseiseen virstanpylvääseen. Pysyvyys paranee. Se on ero mittarin seuraamisen ja sen parantamisen välillä.
Otetaan poikkeamat. Perusanalytiikka on passiivista. Katsot koontinäyttöä ja huomaat, että jokin näyttää erilaiselta. Edistynyt analytiikka on aktiivista. Automaattinen järjestelmä seuraa jokaista avainmittaria, huomaa, kun jokin muuttuu enemmän kuin pitäisi (konversio laskee 15 prosenttia yhdessä päivässä), ja hälyttää sinulle ennen kuin ehdit huomata itse. Kuuden tunnin menetetty myynti vältetään, kun tiedät asiasta 30 minuutissa etkä vasta päivän päätteeksi.
Milloin sinun kannattaa siirtyä perusanalytiikkaa pidemmälle?
Hallitset perusteet. Tiedät pysyvyysasteesi olevan 20 prosenttia. Tiedät konversioasteesi olevan 2,5 prosenttia. Tiedät kolmen suurimman liikennelähteesi toimivan eri tavoin. Mutta nyt kysyt asioita, joihin koontinäyttösi ei vastaa: "Miksi lähteen A käyttäjien pysyvyys on 25 prosenttia, mutta lähteen B vain 15 prosenttia?" tai "Mitkä ominaisuudet tuottavat korkeimman asiakkuuden elinkaariarvon?" Nämä kysymykset vaativat edistynyttä analyysia, koska vastaukset eivät löydy perusraporteista. Ne ovat piilossa segmenteissä, suodattimissa ja ristiin viitatussa datassa.
Huomaat myös, että ongelmat muuttuvat hienovaraisemmiksi. Alussa ongelmat ovat ilmeisiä (sivusto on alhaalla, kassa on rikki). Mutta kun kasvat, ongelmat piiloutuvat. Tietty kassavaihe on hidas 4G-verkossa oleville käyttäjille. Kilpailija muuntaa hiljaa kokeilukäyttäjäsi omiksi asiakkaikseen. Perehdytys hämmentää alle 25-vuotiaita. Perustyökalut eivät näe näitä vivahteikkaita kaavoja, koska ne katsovat koottua dataa. Edistynyt analytiikka segmentoinnin, kohorttiseurannan ja trendianalyysin avulla paljastaa ne.
Mittakaavasi voi olla ratkaiseva tekijä. Kun kuukausittaisia kävijöitä on 1 000, jokainen käyttäjä merkitsee yksilönä. Kun kuukausittaisia kävijöitä on 100 000, luet kaavoja tuhansien ihmisten joukosta. Pieni kaava (0,1 prosenttia kävijöistä kokee virheen) muuttuu tilastollisesti näkymättömäksi. Silti sillä on merkitystä, jos se kasautuu (0,1 % × 100 000 = 100 vaikutuksen kohteeksi joutunutta käyttäjää kuukaudessa). Edistynyt analytiikka löytää nämä pienet mutta merkittävät kaavat, ennen kuin ne kasvavat.
Yksi edellytys on kuitenkin: tiimin täytyy toimia oivallusten pohjalta. Edistynyt analytiikka on hyödytöntä, jos huomaat kassan olevan hidas mobiilikäyttäjille mutta kukaan ei pysty korjaamaan sitä. Panosta edistyneeseen analytiikkaan vasta, kun sinulla on kehittäjiä, tuote- tai markkinointiväkeä, joka voi toimia löytämiesi oivallusten mukaan. Pieni startup-yritys ei välttämättä vielä omista tiimiä. Suuryritys omistaa varmasti.
Mitkä tekniikat paljastavat kaavat, jotka perusanalytiikka ohittaa?
Edistynyt analytiikka on joukko tekniikoita, joista jokainen vastaa erilaiseen kysymykseen. Tässä viisi, jotka vievät asiaa eteenpäin.
Kohorttianalyysi: Jaa käyttäjät ryhmiin rekisteröitymisajan mukaan (tammikuun kohortti, helmikuun kohortti ja niin edelleen) ja seuraa kunkin ryhmän käyttäytymistä ajan yli. Näin näet, paraneeko vai heikkeneekö tuotteesi. Jos tammikuun kohortin 30 päivän pysyvyys on 20 prosenttia mutta kesäkuun kohortin 25 prosenttia, onnistut pitämään käyttäjät paremmin. Jos pysyvyys heikkenee kuukausi kuukaudelta, jokin on muuttunut (ominaisuus meni rikki, kilpailijat paranivat, perehdytys huononi). Kohorttianalyysi on varhaisvaroitusjärjestelmäsi.
Suppiloanalyysi: Kartoita asiakkaan matka vaihe vaiheelta (etusivun vierailu, artikkelin luku, oppaan lataus, sähköpostiosoitteen syöttö, rekisteröityminen, ensimmäinen kirjautuminen). Mittaa, kuinka suuri osa kävijöistä suorittaa kunkin vaiheen. Näet, missä suurimmat pudotukset tapahtuvat. Ehkä 10 000 kävijää lukee artikkelin, 3 000 lataa oppaan, 800 syöttää sähköpostiosoitteensa ja 300 rekisteröityy. Artikkelin ja latauksen välillä menetät 7 000 ihmistä. Siinä on vuotokohtasi. Korjaa se vaihe, niin parannat jokaista sitä seuraavaa vaihetta.
Attribuutiomallinnus: Kun asiakas konvertoi, mikä kontaktipiste ansaitsee kunnian? Hän tuli maksetusta mainoksesta, lähti, näki uudelleenmarkkinointia, palasi, luki blogikirjoituksen, klikkasi uutiskirjeen tilauslinkkiä, sai sähköpostin ja osti sitten. Mikä niistä aiheutti ostoksen? Perusanalytiikka sanoo "viimeinen" (sähköposti). Attribuutiomallinnus jakaa kunnian kaikille niiden todellisen vaikutuksen mukaan. Näin näet, mitkä markkinointitoimet oikeasti toimivat, eikä vain sitä, mikä on viimeisenä suppilossa.
Segmentointi: Yleisösi ei ole yhtenäinen massa. Ensikertalaiset käyttäytyvät täysin eri tavalla kuin palaavat kävijät. Mobiilikäyttäjillä on eri tarpeet kuin tietokoneen käyttäjillä. Eri liikennelähteistä tulevilla käyttäjillä on eri aikeet. Maksavilla asiakkailla on eri sitoutuminen kuin ilmaisen version käyttäjillä. Edistynyt segmentointi paljastaa nämä ryhmät, jolloin voit räätälöidä viestisi ja kokemuksesi kullekin. Yksi koko ei sovi kaikille.
Pysyvyyskäyrät: Piirrä kuvaaja siitä, kuinka moni käyttäjä pysyy mukana ajan kuluessa (päivä 1, päivä 7, päivä 30, päivä 90). Käyrän muoto kertoo, onko sinulla uskollinen ydinjoukko. Jyrkkä pudotus, joka tasaantuu? Sinulla on uskollisia käyttäjiä. Tasainen hidas lasku? Kukaan ei ole todella kiinni tuotteessa. Käyrä tiivistää visuaalisesti käyttäjätyytyväisyyden ja tuotteen sopivuuden markkinoille.
Milloin siirtyä edistyneeseen analytiikkaan
Hallitset perusteet ja tarvitset syvempiä vastauksia. Tiedät pysyvyysasteesi olevan 20 prosenttia. Tiedät konversioasteesi olevan 2,5 prosenttia. Tiedät kolme suurinta liikennelähdettäsi. Mutta nyt kysyt: "Miksi lähteen A käyttäjien pysyvyys on 25 prosenttia, mutta lähteen B vain 15 prosenttia?" tai "Mitkä ominaisuudet tuottavat korkeimman asiakkuuden elinkaariarvon?" Nämä kysymykset vaativat edistynyttä analyysia, koska vastaukset eivät löydy perusnäkymistä. Sinun täytyy segmentoida, suodattaa, viitata ristiin ja joskus rakentaa omia laskelmia. Jos turhaudut jatkuvasti siihen, ettei koontinäyttösi vastaa kysymyksiisi, on aika siirtyä eteenpäin.
Ongelmat muuttuvat hienovaraisemmiksi, eivätkä perustyökalusi löydä niitä. Alussa ongelmat ovat ilmeisiä (sivusto on alhaalla, kassa on rikki). Mutta kun kehityt, ongelmat piiloutuvat (tietty kassavaihe on hidas 4G-verkossa oleville käyttäjille, uusi kilpailija muuntaa kokeilukäyttäjäsi omikseen tai perehdytys hämmentää alle 25-vuotiaita). Perustyökalut eivät näe näitä vivahteikkaita ongelmia. Edistynyt analytiikka oikealla segmentoinnilla, trendianalyysillä ja kohorttiseurannalla paljastaa ne.
Mittakaavasi on saavuttanut pisteen, jossa kaavoilla on väliä. Kun kuukausittaisia kävijöitä on 1 000, jokainen käyttäjä merkitsee yksilönä. Kun kuukausittaisia kävijöitä on 100 000, katsot kaavoja tuhansien ihmisten joukosta. Pienet kaavat (0,1 prosenttia kävijöistä kokee virheen) muuttuvat näkymättömiksi. Silti niillä on merkitystä, jos ne kasautuvat (0,1 % × 100 000 = 100 vaikutuksen kohteeksi joutunutta käyttäjää kuukaudessa, satoja vuodessa). Edistynyt analytiikka löytää nämä pienet mutta merkittävät kaavat, ennen kuin niistä tulee suuria ongelmia.
Sinulla on tiimi, joka toimii oivallusten pohjalta. Edistynyt analytiikka on hyödytöntä ilman toimia. Jos huomaat kassasi olevan hidas mobiilikäyttäjille mutta sinulla ei ole ketään korjaamassa sitä, olet hukannut aikaa. Panosta edistyneeseen analytiikkaan vain, jos sinulla on kehitys-, tuote- tai markkinointiresursseja toimia oivallusten mukaan. Pieni startup-yritys ei välttämättä vielä omista tiimiä. Suuryritys omistaa varmasti.
Liiketoimintavaikutus oikeuttaa investoinnin. Edistynyt analytiikka maksaa: analyytikon palkkaaminen ($80-150k vuodessa), kehittyneiden työkalujen osto ($500-5000 kuukaudessa) ja viikkojen käyttöönotto ja koulutus. Jos konversioasteen 2 prosentin parannus tuottaa $100k lisätuloja vuodessa, $50k:n käyttäminen edistyneeseen analytiikkaan on järkevää (kahden vuoden takaisinmaksu). Jos parannukset jäisivät vähäisiksi, perusanalytiikka riittää. Laske tuotto ennen sitoutumista.
Yleiset edistyneen analytiikan tekniikat ja mitä ne paljastavat
Kohorttianalyysi: sukupolvien käyttäytymisen ymmärtäminen. Jaa käyttäjät ryhmiin saapumisajan mukaan (tammikuun kohortti, helmikuun kohortti ja niin edelleen). Seuraa sitten kunkin kohortin käyttäytymistä ajan yli. Näin näet, paraneeko vai heikkeneekö tuotteesi. Jos tammikuun kohortin 30 päivän pysyvyys on 20 prosenttia mutta kesäkuun kohortin 25 prosenttia, onnistut pitämään käyttäjät paremmin. Jos pysyvyys heikkenee kuukausi kuukaudelta, jokin on muuttunut (ominaisuus meni rikki, kilpailijat paranivat, perehdytys huononi). Kohorttianalyysi on varhaisvaroitusjärjestelmäsi tuotteen heikkenemiselle tai paranemiselle.
Suppiloanalyysi: prosessisi vuotokohtien löytäminen. Kartoita asiakkaan matka vaihe vaiheelta (etusivun vierailu → artikkelin luku → oppaan lataus → sähköpostiosoitteen syöttö → rekisteröityminen → ensimmäinen kirjautuminen). Mittaa sitten, kuinka suuri osa kävijöistä suorittaa kunkin vaiheen. Huomaat, että 10 000 kävijää lukee artikkelin, 3 000 lataa oppaan, 800 syöttää sähköpostiosoitteensa, 300 rekisteröityy ja 150 kirjautuu ensimmäisen kerran. Missä menetät ihmisiä? Artikkelin ja latauksen välillä? Sähköpostin ja rekisteröitymisen välillä? Kun löydät suurimman vuotokohdan, voit korjata sen. Viiden prosentin parannus missä tahansa vaiheessa kasautuu kaikkiin sitä seuraaviin vaiheisiin.
Attribuutiomallinnus: sen ymmärtäminen, mitkä kontaktipisteet oikeasti ajavat konversioita. Kävijä tulee maksetusta mainoksesta, vierailee sivustollasi, lähtee, näkee uudelleenmarkkinointimainoksen, palaa, lukee blogikirjoituksen, klikkaa uutiskirjeen tilauslinkkiä, saa sähköpostin ja ostaa lopulta. Mikä kontaktipiste saa kunnian konversiosta? Perusanalytiikka sanoo "viimeinen kontaktipiste" (sähköposti). Mutta maksettu mainos aloitti matkan. Uudelleenmarkkinointi toi hänet takaisin. Blogikirjoitus vakuutti hänet. Attribuutiomallinnus antaa kunnian kaikille kontaktipisteille niiden todellisen vaikutuksen mukaan. Näin näet, mitkä markkinointitoimet oikeasti toimivat, eikä vain sitä, mikä on viimeisenä suppilossa.
Segmentointi: sen löytäminen, ettei yleisösi ole yhtenäinen massa. Luulet kaikkien kävijöidesi olevan samanlaisia, mutta he eivät ole. Ensikertalaiset käyttäytyvät täysin eri tavalla kuin palaavat kävijät. Mobiilikäyttäjillä on eri tarpeet kuin tietokoneen käyttäjillä. Eri liikennelähteistä tulevilla käyttäjillä on eri aikeet. Maksavilla asiakkailla on eri sitoutumiskaavat kuin ilmaisen version käyttäjillä. Edistynyt segmentointi paljastaa nämä ryhmät, jolloin voit räätälöidä viestisi ja kokemuksesi kullekin. Yksi koko ei sovi kaikille, ja segmentointi todistaa sen.
Pysyvyyskäyrät: käyttäjän elinkaaren visualisointi. Piirrä pysyvyys ajan yli (päivä 1, päivä 7, päivä 30, päivä 90). Näet pysyvyyskäyrän, joka paljastaa käyttäjien käyttäytymiskaavat. Putoaako pysyvyys aluksi nopeasti ja tasaantuu sitten (useimmat kävijät lähtevät, mutta uskolliset pysyvät)? Vai laskeeko se tasaisesti (selkeää uskollista ryhmää ei ole)? Käyrän muoto kertoo, sopiiko tuotteesi markkinoille. Jyrkkä pudotus, jota seuraa tasainen viiva, on itse asiassa terve merkki: se tarkoittaa, että sinulla on uskollisten käyttäjien ydinjoukko. Tasainen hidas lasku tarkoittaa, ettei kukaan ole todella kiinni tuotteessa. Käyrä on visuaalinen yhteenveto käyttäjätyytyväisyydestä.
Tarvitsenko koodaustaitoja edistyneeseen analytiikkaan?
Ei välttämättä, mutta ne auttavat. Tuoteanalytiikan alustat ja BI-työkalut mahdollistavat edistyneen analyysin käyttöliittymän kautta ilman koodia. SQL- tai Python-taidot avaavat kuitenkin rajattomat mahdollisuudet. Jos osaat kirjoittaa kyselyitä, työkalujen suunnittelijoiden päätökset siitä, mitä mittareita näytetään, eivät rajoita sinua.
Mitä eroa on edistyneellä analytiikalla ja datatieteellä?
Edistynyt analytiikka yrittää ymmärtää, mitä tapahtui ja mitä tapahtuu. Datatiede rakentaa tilastollisia malleja ja koneoppimisjärjestelmiä ennustamiseen ja optimointiin. Datatiede on edistyneen analytiikan osajoukko, joka käyttää matematiikkaa ja koodia. Useimmat yritykset pystyvät edistyneeseen analytiikkaan. Harvoilla on osaamista varsinaiseen datatieteeseen.
Paljonko edistyneen analytiikan infrastruktuuri maksaa?
Hinta vaihtelee ilmaisesta kuusinumeroiseen. Ilmainen: käytä nykyisen analytiikka-alustasi edistyneitä ominaisuuksia. Edullinen: tuoteanalytiikan alusta ($100-500/kk) sekä analyytikon työaika. Kallis: palkkaa data-insinööri ($100k+ palkka), rakenna tietovarasto ($500+ kuukaudessa) ja käytä analytiikkatyökaluja ($1000+ kuukaudessa). Aloita työkaluista. Rakenna oma infrastruktuuri vasta, jos työkalut eivät skaalaudu.
Kuinka kauan kestää nähdä tuloksia edistyneestä analytiikasta?
Käyttöönotto kestää 2-4 viikkoa (mittarien määrittely, koodin instrumentointi, tiimin koulutus). Ensimmäiset oivallukset tulevat 4-6 viikossa (tarvitaan riittävästi dataa). Ensimmäiset oivalluksiin perustuvat merkittävät päätökset syntyvät 2-3 kuukaudessa. Tuotto näkyy 3-6 kuukaudessa. Älä odota välittömiä tuloksia. Edistynyt analytiikka on pitkän aikavälin investointi.
Voinko tehdä edistynyttä analytiikkaa pelkällä Google Analyticsilla?
Osittain. Google Analytics osaa kohortit, suppilot, segmentit ja pysyvyyskäyrät käyttöliittymänsä kautta. Monimutkaisessa analyysissa GA:n rakenne kuitenkin rajoittaa. Räätälöity analyysi vaatii datan viennin BigQueryyn ja SQL:n kirjoittamista. Useimmat yritykset, jotka tarvitsevat edistynyttä analytiikkaa GA:n rajojen yli, investoivat omaan alustaan.
Mikä on yleisin virhe edistyneessä analytiikassa?
Korrelaation sekoittaminen kausaliteettiin. Huomaat, että hinnoittelusivulla käyvien käyttäjien pysyvyys on heikompi. Johtopäätös: hinnoittelusivu pelottaa ihmiset pois. Todellisuus: lähtöä harkitsevat käyttäjät käyvät ensin hinnoittelusivulla. Sivu ei aiheuttanut poistumaa vaan paljasti jo olemassa olevan aikeen. Edistynyt analytiikka vaatii epäilevää asennetta ja testausta, ei pelkkää kaavojen bongaamista.