Avinash Kaushik

• Avinash Kaushik ist der bekannteste Web Analyst der Welt. Sein Blog "occam's razor" hat er in zwei Bücher zu Papier gebracht.
  
• Avinash Kaushik bringt das Thema Web Analytics verständlich und lebhaft auf den Punkt. Er hat die Sicht die Besucher der Website und die Website selbst genau zu verstehen, um zielgerichtet zu analysieren und Informationen in entscheidungsrelevante Handlungen umzusetzen.
  

442 Seiten

Kapitel 1 – Die neue Web Analytics 2.0 Welt

Die bisherige Herangehensweise, Daten zu analysieren, muss überdacht werden. So viele Daten, so wenig Erkenntnisse. Avinash Kaushik stellt ein neues Model vor, in dem viele Komponenten zu einer quantitativen und qualitativen Analyse der eigenen Website und des Wettbewerbs führen: 

• Clickstreams (The What – als Analyse von Visits, Visitors, Time on Site, Page Views, Bounce Rate, etc.), 
• Multiple Outcomes Analysis (The How Much: Messung von Umsatz, eigesparten Kosten und Kundenzufriedenheit/Loyalität ), 
• Experimentation and Testing (The Why – Einsatz von A/B-Tests), 
• Voice of Customer (The Why – Kunden durch Onlinebefragungen, Lab Usability Tests, Remote Usability Tests, Cardsorting, etc. einbeziehen),
• Competitive Intelligence (The What Else – den Wettbewerb mit analysieren),
• Insights (The Gold!).
  

Kapitel 2 –Die optimale Strategie ein Web Analytcs Tool zu finden

Ein Web Analyst sollte sich selbst drei kritische Fragen stellen: (1) Möchte ich Reporting oder Web Analytics?, (2) Habe ich eine IT-Stärke oder trage ich eher die Businessbrille?, (3) Mache ich Clickstream-Analysen oder Web 2.0-Analytics?

Einem Web Analytics Anbieter sollte man 10 Fragen stellen: (1) Was ist der Unterschied zwischen Ihrem Tool und kostenlosen, wie Google Analytics und Yahoo! Analytics? (2) Bieten Sie zu 100% eine ASP-Lösung an oder auch Inhouse? (3) Wie erfassen Sie die Daten? (4) Was kostet Ihr Tool? (5) Welche Art von Support bieten Sie an? (6) Welche Funktionen in Ihrem Tool erlauben mir zu segmentieren? (7) Welche Möglichkeiten gibt es, die Daten Ihres Systems in mein System zu exportieren? (8) Welche Funktionen gibt es, um Daten in das Web Analytics Tool zu importieren? (9) Können Sie mir zwei Innovationen nennen, mit denen Sie sich in den nächsten drei Jahren gegen Ihren Wettbewerb behaupten möchten? (10) Warum haben die letzten beiden Kunden, die Sie verloren haben, Ihren Vertrag gekündigt? Wen nutzen diese jetzt? Können wir Ihre vorherigen Kunden anrufen?

Um das richtige Tool zu finden, stellt Avinash Kaushik die „3 Schubladen“ Methode vor: Schublade 1 (Omniture, Coremetrics, Webtrends), Schublade 2 (Unica’s Affinium NetInsights, XiTi, Nedstat, ClickTracks), Schublade 3 (Google Analytics, Yahoo! Web Analytics). Mit jeder Schublade wird man 85% seiner Bedürfnisse befriedigen können, die restlichen 15% machen dann den feinen Unterschied aus. Spezielle Fragen können sein, wie segmentiert wird, wie organische/bezahlte Suchen erfasst werden, wie einfach man Inhaltsgruppen bilden kann.

Kapitel 3 – Clickstream-Analysen: Metriken

In diesem Kapitel werden Metriken und Feinheiten vorgestellt: Visits, Visitors, Unique Visitors, Time on Page, Time on Site, Single Page View Session, Tabbed Browsing, Bounce Rate, Exit Rate, Conversion Rate, Engagement. Da es sehr viele Metriken gibt, hilft eine Klassifizierung, die für einen besten herauszufinden: Metriken sollten einfach verständlich, nützlich und schnell zu beschaffen sein. Als gutes Beispiel wird die Bounce Rate genannt. Die Metriken zeigt man am besten nicht im Standard-Report, sondern legt einen benutzerdefinierten Report an, wo alles zu zugespitzt ist, wie die Person, die Informationen braucht, es am besten versteht. Beginnen sollte man dann mit globalen Erkenntnissen, den Makro-Insights: Wie viele Besucher kommen auf meine Website? Woher kommen meine Besucher? Was möchte ich, dass meine Website-Besucher tun? Was tun meine Website-Besucher gerade?

Kapitel 4 –Praktische Lösungen für Clickstream-Analysen

Einfache Metriken geben einen ersten Überblick (Visits, Page Views, Pages/Visit, Bounce Rate, Avg.Time on Site, % New Visits, Trends für alle diese Metriken als kleine Graphik). Die Quellen der Besucher (Direct Traffic, Referring Sites, Search Engines) kann man tiefer analysieren, um anhand der verweisenden Websites oder der genutzten Suchbegriffe auf die Motive der Besucher zu schließen. 

Auch hilft die Kombination Traffic Quelle x Bounce Rate oder Conversion zu verstehen, welche Quellen bzw. Suchbegriffe erfolgreicher sind als andere. Mit Browser-Overlay (Click-Density) kann man sehen, wie Besucher auf der Website surften. Der Visits-to-Purchase Report beinhaltet die Anzahl an Besuchen, die stattfinden, bis etwas gekauft wird. 

Eine Segmentierung der Daten ist sehr wichtig (Aufteilung in Untergruppen), um das Besucherverhalten besser zu verstehen. DieAnalyse der internen Suche hilft, die Besuchermotive besser zu verstehen und auch wie gut diese Ergebnisse liefert. Zur Suchmaschinenoptimierung (SEO = Search Engine Optimation) helfen externe Tools, wie Webmaster Tools von Google oder der Site Explorer von Yahoo!. Zur Analyse der Suchbegriffe gehört die Performance einzelner Keywords, aber auch die Veränderung von einen Monat zum anderen (Welche sind neu? Was haben die gebracht?). Die Analyse von bezahlter Suche (PPC = Pay per Click) wird mit Zielen (Outcomes) in Verbindung gebracht, um zu sehen, wie eingesetztes Geld und gewonnenes im Verhältnis stehen (ROI = Return on Investment). 

Mit dem Event-Tracking kann man Rich-Media tracken (Flash, Videos). Dazu gibt es in Google Analytics Dimensionen wie Kategorie, Aktion, Label und Wert. Zum Ende des Kapitels geht es um Cookies (persistent, 1st Party, 3rd Party). Da man es oft mit sehr vielen Daten zu tun hat, kann das Erstellen eines Reports schon mal etwas dauern.

Mit Data-Sampling haben Web Analytics Tools eine Methode, um von einen reduzierten Datenbestand (Stichprobe) auf den gesamten zu schätzen... und dabei die Rechenzeit zu verringern. Historische Daten sollte man maximal 1 Jahr auf Klick-Level behalten. Aggregierte Reports, solange man die braucht, aber diese exportiert in einem Excel Format.

Kapitel 5 – Erfolg messbar machen

Reduzieren auf das Wesentliche. Warum gibt es unsere Website. Was ist das Kerngeschäft? Wenn eine Metrik ausdrücken könnte, ob die Website gut oder schlecht läuft, welche wäre das? Avinash Kaushik nennt 5 Beispiele, um den Erfolg einer Website zu messen: Task Completion Rate, Share of Search, Visitor Loyalty and Recency, RSS/Feed Suscribers, % of Valuable Exits.

Dann werden KPIs zur Conversion-Rate beschrieben: Cart Abandonment, Checkout Abandonment, Days an Visits to Purchase, Average Order Value. Kaushik weißt darauf hin, dass die Conversion Rate im Durchschnitt bei 2% liegt und man sich im Klaren sein sollte, wie hoch überhaupt das Potential ist. Zieht man die Bounce Rate ab, sowie alle Besucher, die überhaupt nicht vorhaben, etwas zu kaufen, dann wird das Stück vom Kuchen geringer, aber realistischer einzuschätzen. Wichtig ist es daher, neben der Makro-Conversion (Kauf) auch Mikro-Conversions zu messen (Engagierte, Interessierte Besucher, etc.). Für Nicht-Ecommerce-Websites zählen andere Erfolge, z.B. Visitor Loyality, Visitor Recency, Length of Visit, Depth of Visit. Bei B2B-Websites zählt z.B. die Produktansichten, PDF-Downloads.

Kapitel 6 – Qualitative Daten: Die Warum-Fragen beantworten

Durch Usability Tests im Labor, Remote Usability Tests (userzoom.com, fivesecondtest.com), Online-Card-Sorting-Studien (websort.net), künstlichen Heatmaps (feng-gui.com) und Onlinebefragungen (Page-Level-Umfragen wie z.B. von UserVoice oder Kampyle, Site-Level-Umfragen wie 4Q von iPerceptions), bekommt man die Stimme der Nutzer mit. Die wichtigsten Fragen bei einer Onlinebefragung sind: Warum sind Sie auf der Website? Konnten Sie Ihr Vorhaben erreichen? Wenn nicht, warum nicht? Daraus kann man für verschiedene Besuchsgründe die Task-Completion-Rate erfassen und sehen, wo es harkt bzw. gut läuft.

Kapitel 7 – Testen und Experimentieren

Durch kontrollierte Experimente (A/B Testing, Multivariates Testing) legt man den Fokus auf Landing Pages, Checkout-Prozess und Registrierungs-Prozess. Variiert werden verschiedene Elemente oder gar ganze Einzelseiten. Man bekommt eine statistische Aussage, welche Variante besser abgeschnitten hat.

Kapitel 8 – Competitve Intelligence Analysen

Competitive Intelligence meint, die eigene Website im Kontext der Web Umfeldes zu sehen, sprich, den Blick auch auf den Wettbewerb zu haben. Um Wettbewerbsdaten bzw. Bewegungsdaten im Internet zu erheben, gibt es verschiedene Methoden (Toolbar Daten, Panel Daten, Daten von Providern, Daten von Suchmaschinen, Benchmarks von Web Analytics Anbietern, Hybrid Daten). Vorgestellt werden Google Trends, Compete, firecklick, Google Insights for Search, Google Ad Planner und Hitwise. Analysiert wird z.B. die Reichweite, Zuvor- und im Anschluss besuchte Websites, genutzte Suchbegriffe, Soziodemographie und Psychographie der Nutzer.

Kapitel 9 – Social Media Analytics, Mobile Analytics, Video Analytics

Web Analytics hat neue Herausforderungen. Zum einen gibt es Rich Media, d.h. es gibt Videos und Website-Bereiche in flash oder Ajax, die nur eine einzelne Seite im Web-Browser wiederspiegeln. Um die Aktivitäten zu messen, braucht man Event-Tracking. Dann gibt es mobile Analytics, d.h. Websites werden auf mobilen Endgeräten genutzt. Blogs sind keine Websites, sondern bestehen meist aus einer einzelnen (der aktuellsten) Seite, die hauptsächlich konsumiert wird. Zudem gibt es RSS-Feeds, d.h. der Inhalt wird gar nicht mehr direkt auf der Website aufgerufen, sondern abgerufen und gelesen, ohne die Website zu besuchen. Auch hier braucht man andere Erfolgskriterien (z.B. Rss-Feed-Abonnenten). Twitter kann einen hohen Marketingeinfluss haben, dies zu messen ist ebenfalls eine Herausforderung. Vorgestellt werden technorati, twittercounter, retweetist, twitterfriends, klout und youtube insights für video-analysen.

Kapitel 10 – Optimale Lösungen für versteckte Web Analytics Fallen

Eine 100%ige Datengenauigkeit ist mit Web Analytics nicht zu meistern, deshalb sollte man seine Zeit effektiv nutzen und den Focus eher auf ausreichend präzise Daten und schnellen Entscheidungen setzen. Um schnelle Entscheidungen zu treffen, müssen diejenigen, die einen Report erhalten unterstützt werden: Mit einem „Action Dashboard“ sieht man Kennzahlen im Kontext, beschreibt die Erkenntnisse, benennt die Bedeutung für das Unternehmen und die erforderlichen nächsten Schritte zur Optimierung (Sowie die Benennung der Personen, die Verantwortung für die Kennzahl trägt). 

Das Dashboard sollte auf eine Din A4-Seite reduziert sein. Kaushik spricht von einer ganzheitlichen Sicht, den „Nonline Marketing“ und „Multichannel Analytics“ und meint damit den Zusammenhang und die Messung von Online und Offline-Medien. Durch „Behavioral Targetting“ wird Werbung auf das zuvor gemessene Verhalten ausgerichtet (Internetnutzung, Interessen). 

Web Analytics ist eine Evolution: Zu Beginn misst man einfache Kennzahlen: Page Views, Visitors, Time on Site, Referrers. Mit weiteren Einstellungen im Analytics System bekommt man dann weitere gehobenere Analysen: Internal Site Search, Goals, Funnel. Kampagnen-Tracking ist die nächste Stufe: Email, Affiliate, Paid Search, TV/Radio. Zu guter letzt kommt dann in der Evolution die Messung von Umsatz und Rich Media (Flash, Video).

Kapitel 11 – Leitprinzipien, um ein Web Analytics Ninja zu werden

Avinash Kaushik zeigt auf, was nötig ist, um wirklich gute Analysen zu machen. Web Analytics Kennzahlen sollten nicht allein stehen, sondern im Kontext (zeitliche Trends, vergleich zu Vorperioden, Vergleich zu internen und externen Benchmarks). Zudem ist eine Segmentierung der Daten wichtig (z.B. Conversions im Vergleich zu PPC-Kampagnen). Bei den Top-Keywords ist es wichtig zu wissen, welche aufgestiegen und welche abgestiegen sind. Bei den Search-Analysen macht es auch Sinn, hinter die Top 10 zu schauen, den sogenannten Long-Tail. Hier geht es darum, zusammenhänge in den Keywords zu finden, um die Besucher der Website und deren Motive besser zu verstehen. Typischerweise sind in den Top 10 auch branded Keywords, d.h. der Name der Website.

Kapitel 12 – Fortgeschrittenen Prinzipien, um ein Web Analytics Ninja zu werden

Von „Multitouch Campaign Attribution Analytics“ spricht man, wenn mehrere Werbemittel auf einen späteren Besucher der Website treffen. Die Frage dabei ist, welche Werbeform hat welchen Beitrag geleistet? Es gibt verschiedene „Attribution Models“, d.h. Modelle, wie man den Erfolg den Werbemitteln zuweist. Den Zuschlag (die Provision) kann das erste Werbemittel bekommen (First-Click-Credit) oder auch das letzte (Last-Click-Credit = das gängige Model). Auch sind weitere Modelle denkbar, wie z.B. dass jedes Werbemittel, was zuvor einen Berührungspunkt hatte, einen Anteil erhält. Anstelle der Werbemittel schlägt Kaushik vor, sich Media Channels näher anzusehen, um die Marketingausgaben zu optimieren: Search, Content Network, Display, YouTube, Social Media.
Im weiteren geht es darum, wie man den Einfluss von Multichanels erfasst. Indem man z.B. Urls einen Kampagnenparameter dran hängt, kann man im Web Analytics System sehen, woher die Besucher welcher Kampagne kommen. Bei Offline-Werbung kann man Coupons anbieten, die Online eingegeben werden.

Kapitel 13 – Die Karriere als Web Analyts

Wenn man Web Analyst werden möchte, muss man sich zwei zentrale Fragen stellen: Möchte ich als Techniker arbeiten oder eher die Business-Brille tragen? Werde ich ein einzelner Analyst sein oder ein Teamleiter? Am wenigsten wird der technische Individualist verdienen (40.000$ bis 100.000$), am meisten der Team Leader mit der Business-Brille (90.000$ bis 170.000$). 

Um Erfahrungen mit Web Analytics zu sammeln, sollte man mehrere Tools kennenlernen, um zu verstehen, wieso diese unterschiedlich sind. Avinash Kaushik beschreibt, wie er seinen Blog aufgebaut hat und seitdem mindestens 25 Web Analytics Tools temporär eingebunden hat, um diese zu verstehen. Als Web Analyst sollte man seine Ausbildung nicht auf Web Analytics Tools wie Omniture, Web Trends oder Google Analytics beschränken, sondern auch Tools wie Google Insights for Search, Compete oder Google Ad Planner kennen.

Kaushik rät solide Grundkenntnisse in Statistik zu haben (Signifikanzen mit Tools berechnen können). Als Analyst sollte man neugierig sein, gut im Team arbeiten können und eine Stärke haben, Daten zu visualisieren und zu präsentieren. Auch hilfreich ist es, an kostenlosen Webinars teilzunehmen. Um auf den Laufenden zu bleiben, sollte man laufend Blogs lesen. 

Ein Web Analyst sollte nur 20% mit Reporting verbringen. Mit den restlichen 80% sollte er sich zu 20% mit Akquisitions-Strategien auseinandersetzen, 20% mit Onsite-Customer Experience, 20% das eigene Unternehmen zu verstehen, 10% neue Möglichkeiten sichten und 10% für anderes. Zum Ende des Kapitels gibt Kaushik Ratschläge Web Analysten zu rekrutieren. Eine Web Analyst sollte das Internet kennen, mental flexibel sein, offen für Veränderungen, neugierig und kritisch denkend.

Kapitel 14 – Hippos, Ninjas & Co.: Eine Daten getriebene Kultur schaffen

Im letzten Kapitel geht es darum, wie man Web Analytics effektiv im Unternehmen einsetzt. Zu schnell passiert es, dass Reports geschickt werden, ohne Erkenntnisse und Handlungen daraus zu ziehen. Man sollte nicht einfach Daten ins Unternehmen spucken. Beginnen sollte man mit Kernergebnissen und Einflusse auf das Unternehmen, nicht mit Besucherzahlen. Man sollte sich mit einer Person im Unternehmen zusammenschließen und eine gute Analyse fahren, die man dann als Rollenmodel (da hat das so und so funktioniert) ins Unternehmen trägt. Man sollte sich eine Plattform (Konferenz) schaffen, wo man über seine Erfahrungen berichtet. Reports sollten Analysen beinhalten, die Aktionen fordern. Man sollte A/B-Tests einsetzen, die Customer Voice erfassen, Benchmarks entwickeln und Competitor Intelligence nutzen.

Kapitel 15 – Anhang – über die beigelegte CD

Die beiliegende CD beinhaltet Audiobeiträge, Videos und Präsentationen.