Kapitel
1 – Web Analytics
– Gegenwart und
Zukunft
Im
Jahre 1995 war Analog das
erste Web Analyse
Programm. Frühere
Analyseprogramme waren
technisch darauf
ausgelegt, den Web-Traffic
über Logfiles vom
Server zu messen. Gab es
z.B. einen Serverausfall,
dann konnte das Web
Analytics System das
zeigen. Die Analyse Tools
waren aber nicht darauf
ausgelegt das
Besucherverhalten
dahingehend zu
untersuchen, das
businessrelevante Fragen
beantwortet werden
können. Um 2000 waren
Webtrends, WebSidestory
und Coremetrics die
bekanntesten WebAnalytics
Tools. Heutzutage
werden nicht mehr
Logfiles gemessen. In die
Webseiten werden kleine
Codes (Zählpixel)
eingebunden. Web
Analytics Systeme lesen
diese aus, sobald ein
Besucher die Seite
betritt.
2006
kam es dann zum Umbruch.
Google kaufte ein Jahr
zuvor den Web Analytics
Anbieter
"Urchin" auf
und bietet seitdem Google
Analytics kostenlos an,
was die großen Anbieter
zu höherem Wettbewerb
und Innovationen zwang.
Innovationen sind
beispielsweise die Daten
für beliebige
Teilgruppen auszuwerten
(Stichwort:
Segmentierung). Oder die
Visualisierung von
Clickpositionen durch
Heatmaps und
Browseroverlays. Oder
Methoden, um die
Wirksamkeit von
Marketingaktivitäten zu
messen. A/B-und
Multivariate
Testmethoden, um durch
Experimentieren an den
echten Besuchern
herauszufinden, welche
Kombinationen von Bild
und Text am meisten
wirken.
Web
Analytics Systeme
werden in Unternehmen
noch nicht richtig
eingesetzt. Die
Implementierung ist noch
recht einfach:
Script-Code rein, 1 Tag
warten, massig Daten da.
Es gibt unheimlich viele
Reportmöglichkeiten, die
auch genutzt werden und
so passiert es schnell,
das Beteiligte durch
Datenmassen erschlagen werden.
Aus den Standard-Reports
sind keine klaren
Handlungsempfehlungen
rauszulesen. Man braucht
einen guten
Web-Analysten, der
die Daten so analysiert,
dass es dem Unternehmen
nützt.
Analysen
wie PageViews und Website
Engagement sagen einem
nicht wirklich etwas
– die Nutzungsmotive
können unterschiedlich
sein. Wird viel gesurft,
weil es interessant ist
oder weil man
Informationen nicht
findet? Es ist nicht nur
wichtig nach dem
„WHAT“ zu
fragen, sondern auch nach
dem „WHY“. KPIs
(Key Performance
Indicators) helfen nicht
wirklich weiter, um das
Besucherverhalten zu
verstehen braucht man KIAs,
die Key Insights Analysis.
Zu den Key Insights
Analysis gehört die (1)
Site-Overlay Analyse, die
(2) Segmentierung und die
(3) Befragung nach dem
Besuchsgrund und dem
Erreichen des
Besuchzieles, (4)
Usability-Studien und (5)
A/B-Tests. Zudem befindet
man sich in einem
Ökosystem, d.h. um die
eigene Website passiert
etwas und mit Web
Analytics allein, misst
man nur einen Teil. Dazu
sind (5)
Wettbewerbsanalysen und
Google-Trend (6) Analysen
wichtig.
Das
Drei-Eck-Model (Trinity)
von Avinash Kaushik:
Durch die Analyse des Besucherverhaltens
durch (Site Overlay,
Segmentierung, Interne
und Externe Suche), der
Messen der Erreichung von
Geschäftszielen
(z.B. Conversions, Anzahl
an Kontakten) und dem Verstehen
von Kundenverhalten
(Kundenbefragung,
A/B-Tests,
Expertengutachten) kann
die Webseite so optimiert
werden, dass das sie den
Zielen des Unternehmens
gerecht wird. Avinash
Kaushik nennt diese (1)
Clickstream-Data, (2)
Outcome-Data und (3)
Research-Data. Die
Wettbewerbsanalysen (4)
Competetive-Data.
Kapitel 2
– Daten sammeln
Eine
Website muss ganzheitlich
analysiert werden. Dazu
gehören
Clickstream-Data,
Outcome-Data,
Research-Data,
Competitor-Data und die
Analyse von Trends.
- (1)
Clickstream-Data:
Clickstreams sind
Nutzungsdaten von
Besuchern (Unique User),
die bei einem
Websitebesuch (Visit)
veschiedene Einzelseiten
(Page views) aufrufen.
Das Dauer dieses
Verhaltens wird gemessen
(Time), sowie woher die
Nutzer kommen (Zuvor
besuchte Website,
Herkunftsland,
eingegebene
Google-Suchbegriffe).
Diese Daten werden in
unterschiedlichsten
Reports miteinander in
Beziehung gesetzt. Was
man dabei vergisst: Was
bedeutet das eigentlich?
Was löst das aus?
- (2)
Outcomes-Data:
Ein
Unternehmen muss sich im
Klaren darüber sein,
warum die eigene Website
existiert, was einem für
die Web Analyse wichtig
ist. Das ist für
verschiedene
Website-Typen
(E-Commerce, Lead
Generation, Brand,
Support) unterschiedlich.
- (3)
Research-Data:
Befragungen sind wichtig,
damit man die
Clickstream-Daten und die
Outcome-Daten verstehen
kann. Zu den Methoden
gehören Umfragen,
Expertengutachten,
Usability-Tests (Im Labor
oder Remote) und
Explorative
Einzelinterviews. Auch
zählt Avinash Kaushik
das A/B-Testing zu den
Research-Data, den die
Website-Designer haben
Hypothesen, die sie durch
den Test beantworten
möchten.
- (4)
Competetive-Data: Die
Website ist Teil eines
Ökosystems und existiert
nicht für sich allein.
Daher sind
Wettbewerbsanalysen
wichtig, um die eigene
Website im Kontext zu
sehen. Wettbewerbsdaten
können über ein Panel
(comScore) oder über
einen Internet Service
Provider (Hitwise)
gesammelt werden. Der
Nachteil bei den
Panel-Ansatz ist, dass
die Nutzung am
Arbeitsplatz nicht
gemessen werden kann. Der
Nachteil beim ISP, dass
tiefergehende Seiten
(https-Bereiche) nicht
analysiert werden.
Conversions können nur
mit dem Panel-Ansatz
gemessen werden.
- (5)
Google-Trends: In
Google-Trends können
Suchbegriffe eingegeben
werden und man sieht, wie
sich im Laufe der Zeit
diese erhöht oder
verringert haben.
Kapitel 3
– Überblick über
Qualitative Analysen
Lab
Usability Test: In
einem Usability-Test wird
gemessen, wie fähig die
User sind, um bestimmte
Aufgaben zu lösen. Sie
eignen sich, die Nutzer
zu verstehen, um das
User-Interface-Design und
den Workflow zu
optimieren. Gemessen wird
wie viele die Aufgabe
gelöst haben
(Effektivität). Wie
schnell und einfach das
ging (Effizienz). Und wie
zufrieden die Nutzer sind
(Satisfaction).
Usability-Studien eignen
sich für komplexe
Nutzungsszenarien in der
frühen
Entwicklungs-Phase von
Websitebereichen, weil
große Probleme
frühzeitig entdeckt
werden können. Für
bestehende Websites ist
es eine gute Methode, um
zu erfahren, was gut
funktioniert und was
nicht – vor allem
für diejenigen, die
durch Clickstream-Daten
ratlos sind. Mit dem
Vorhandensein komplexer
Analysemethoden, speziell
Multivariates Testing,
können Designfragen auch
mit dem Web Analytics
unter realen Bedingung an
einer hohen Nutzerzahl
durch das Tool
beantwortet werden.
Avinash Kaushik
befürwortet eine
Zusammenarbeit von User
Centered Design-Experten
und Web Analysten beim
Usability-Test. Sie sind
die ultimative
Kombination aus
quantitativer und
qualitativer Forschung.
Expertengutachten:
Expertengutachten oder
Heuristische Evaluationen
sind eine schnelle und
kostengünstige Variante,
die Website zu checken.
Durch eine vorherige
Befragung oder im
Gespräch mit den
Websiteverantwortlichen,
weiß der Gutachter, was
Hauptnutzungsszenarien
der Website sind. Der
Experte schaut sich die
Website an, durchläuft
die Nutzungsszenarien und
berät, wo
Usability-Probleme
auftauchen könnten. Es
werden die
offensichtlichsten
Probleme aufgedeckt. Man
kann es dabei beruhen
lasse oder es als erste
Arbeit für einen
folgenden Usability-Test
oder Multivariaten oder
A/B-Test nehmen.
Site
Visits: In der
natürlichen
Nutzungsumgebung werden
die Nutzer beobachtet.
Der Besuch ist Zuhause
oder am Arbeitsplatz. Der
Unterschied zum
Usability-Test ist, dass
der Nutzer zeigt, wie er
die Website bzw. das
Internet in seiner realen
Umgebung nutzt.
Onlineumfragen:
Umfragen können zu
Beginn des
Website-Besuches oder
mitten drin auf
bestimmten Einzelseiten
eingesetzt werden, um
mehr über die Nutzung
und den Eindruck der
Besucher zu erfahren.
Kapitel 4
– Wege einer
erfolgreichen Web
Analytics Strategie
Man
sollte eine langfristige
Kundenbeziehung im Kopf
haben und den Kunden
im Zentrum sehen.
Nicht jeder, der auf die
Website kommt, möchte
gleich etwas kaufen. Man
möchte sich über
Produkte informieren,
vergleichen, nach einen
Job suchen, stöbern. Es
ist wichtig, die Nutzer
zu fragen, warum sie auf
der Website sind, ob sie
ihr Ziel erreicht haben
und zufrieden sind und
was man für sie tun
kann.
Anstelle
nach bestimmten Reports
nachzufragen (wie ist
meine Conversion, Wie
viele Besucher haben
wir?) sollte man lieber Business-Fragen
stellen. Business-Fragen
sind offen gestellt und
lassen Spielraum und
damit mehr Möglichkeiten
zur Beantwortung der
Fragen. Businessfragen
sind z.B.: Wie können
wir unseren Umsatz
erhöhen? Was sind unsere
wertvollsten Partner, die
Besucher auf unsere
Website bringen? Was sind
die größten 5 Probleme,
die unsere Besucher auf
der Website begegnen? Das
wichtige für einen Web
Analysten ist, nicht
einfach Reports zu
liefern, denn diese
bringen keine Insights.
Die Aufgabe besteht
darin, immer wieder
Business-Fragen zu
stellen und die Freiheit
zu haben, Wege
aufzuzeigen, um diese zu
beantworten bzw. zu
Lösen.
Das
wichtige beim Web
Analytics ist nicht das
Tool, sondern der Mensch,
der die Daten analysiert.
Investiert man z.B.
100.000 $ in Web
Analytics, dann sollten
10.000 $ für das Tool
sein und 90.000 $ in den
Web Analysten investiert
werden.
Das nennt Avinash
Kaushik die 10/90-Regel.
Avinash Kaushik
beschreibt den idealen
Web Analysten (Hire
Great Web Analyst):
Er hat mehr als ein Web
Analytics Tool intensiv
genutzt, informiert
sich laufend in der
Yahoo! web analytics
group und in top Blogs,
besucht die Webseite vor
dem Analysieren und surft
zum Kennenlernen drauf
rum, hat den „Der
Kunde im Zentrum“-
Blick, hat ein
technisches Verständnis
wie Daten durch Web
Analytics erfasst werden,
kennt sich mit
quatitativen (the What?)
und qualitativen (the
Why?) Analysen aus, ist
ein begeisterter
Forscher, kann effektiv
kommunizieren, hat
Köpfchen und kann das
Komplexe einfach
wiedergeben, zeigt
Eigeninitiative und hat
ein dickes Fell. In
diesem Kapitel gibt
Kaushik auch
Empfehlungen, wie eine
Stellenbeschreibung
aussehen könnte.
Wo
ist der Web-Analyst im
Unternehmen, in der Organisationsstruktur
angesiedelt? Zum einen
kann er eine zentrale
Stellen in der IT oder im
Marketing haben. Er kann
aber auch eine Stabstelle
innehalten.
Kapitel
5 – Web
Analytics Grundlagen
Für
die Auswahl nach dem
optimalen Web Analytics
Tool unterscheidet
Kaushik nach dem
„Old“ und dem
„New Way“.
The
Old Way: Zu Beginn
werden die
geschäftsrelevanten
Anforderungen gesammelt
(Ziele, KPIs, Reports)
und die technischen
Anforderungen gesammelt
(System Architektur,
Server..). Alle
Anforderungen werden in
eine Anforderungsliste
zusammengestellt (RFP =
Request of Proposal).
Diese Anforderungsliste
wird an Web Analytics
Tool Anbieter geschickt.
Diejenigen, die der
Anforderungsliste nicht
zu nahezu 100% -
entsprechen, werden
gleich ausgefiltert. Ein
Unternehmenskomitee
entscheidet sich dann
für eine Lösung. Der
Ganze Prozess wird ca.
ein halbes Jahr in
Anspruch nehmen.
The
New Way: Es wird keine
Anforderungsliste an
die Web Analytics Tool
Anbieter geschickt. Es
gibt einen hoch
angesiedelten
Projektleiter und ein
oder zwei im Team, die
ein Tool auf Herz- und
Nieren prüfen werden.
Weitere aus dem
Unternehmen werden
informiert, dass ein Tool
gewählt wurde (nur zur
Info, keine
Featurerequest). Als Tool
wird ein kostenloses Tool
(Google Analytics) oder
eine Demoversion eines
Tools gewählt. Dann wird
das Trackingskript
eingebaut. Dann beginnt
man einfache Reports zu
verschicken und holt sich
nach ca. einer Woche
Feedback ein – es
wird Fragen geben, die
man bisher nicht
beantworten konnte. In
dieser Zeit lernt man
viele Hürden kennen, die
nicht unbedingt mit dem
Web Analytics Tool zu tun
haben, sondern eher mit
dem Aufbau der Website
und der Url-Struktur und
der Trackbarkeit von
Daten. Liegen die
Hürden am Tool, dann
kann man jetzt eine
intelligente Entscheidung
treffen, was man wirklich
brauch. Wählt man die
drei größten Anbieter
(Omniture, Coremetrics,
Webtrends), dann hat man
das Problem, dass diese
recht gleich in Ihren
Funktionen sind.
Sinnvoller ist es, Tools
zu vergleichen, die sich
voneinander
differenzieren
(Coremetrics, Visual
Science, IndexTools,
Unica, Clicktracks). Im
letzten Schritt soll man
30-Tage-Testversion von
den Anbietern einem
„Proof of
Concept“ unterziehen
und auch mit dem
„Free-Tool“
vergleichen.
Weitere
Themen des Kapitels sind
die Datenqualität (bis
10% Abweichungen zwischen
Tools ist normal), sowie
Best Practice zur
Implementierung (Tagging
von Einzelseiten, Nutzung
von 1st Party-Cookies,
Auswirkungen von
Redirects).
Mit
dem Abschnitt „Three
Layers of So What“
Test bezeichnet Kaushik
eine dreifache „Und?
Was Jetzt?“-
Fragestelltung, die man
einsetzt, um zu
entscheiden, welche
Metriken einem wirklich
weiterhelfen. Kann eine
Metrik einem nach
3maligen Nachfragen immer
noch keine Antwort auf
eine mögliche
Handlungsreaktion geben,
dann ist die Metrik nicht
nützlich.
Des
weiteren werden in diesem
Kapitel diverse KPIs
vorgestellt: Percent of
Repeat Visitors, Top Exit
Pages on the Website,
Conversion Rate for Top
Search Keywords.
Kapitel
6 – Tiefer
Einstieg in zentrale Web
Analytics Konzepte
In
diesem Kapitel geht es um
die technische Messung
und Metriken. Inhalte
sind: Urls, Cookies,
Visits, Unique Visitors
(„people“),
Time on Site, Page Views,
Bounce Rate, Referrer,
Top Pages, Top Entry
Pages, Top Exit Pages,
Top Destinations (Exit
Links), Site Overlay
(Click Density Analysis).
Kapitel 7
– Mit der Web Daten
Analyse beginnen
Nachdem
man das Tool seiner Wahl
hat, beginnt das
Analysieren der Daten.
Den Focus sollte man da
aber nicht auf alles das,
was man reporten kann
legen. Wichtiger ist es,
Ziele zu definieren und
diese „Outcomes“
zu messen. Wer sendet den
meisten Traffic auf die
Website (Top Refering
Urls)? Was sind die
Top Suchphrasen, mit
denen die Besucher auf
die Website einsteigen (Top
Key Phrases)? Was
sind die wichtigsten
Einzelseiten (Site
Content Popularity, Site
Bouce Rate)? Wie wird
die Homepage genutzt (Home
Page Visits)? Bei
E-Commerce Websites sind
die „Outcomes“
die Verkäufe von Waren,
die die Produktgruppe,
den Umsatz, den Absatz
und den
durchschnittlichen
Verkaufspreis beinhalten.
Wie viele der
Website-Nutzer (Unique
Visior) kaufen auch etwas
(Conversion Rate)?.
Ein weiteres Ziel, ist
die Kundenzufriedenheit,
die am besten durch eine Befragung
erhoben wird (VOC =
Voice of Customer).
Neue Metriken braucht man
z.B. bei der Messung von
Blogs (hohe Bouncerate,
da Blogbeitrag eine Seite
ist) und für RSS-Feeds
(Bekommt man mit, was
gelesen wird?).
Kapitel 8
– Search Analytics
– Interne Suche,
SEO, PPC
Die
interne Suche beinhalte
die Suchfunktion
innerhalb der eigenen
Website. Man sollte
die Top 25 Keywords
der internen Suche im
Auge behalten, diese
sagen viel über die
Besuchermotive aus. SEO
bedeutet Search Engine
Optimation und
beinhaltet die
natürlichen
Suchergebnisse von Google
und anderen
Suchmaschinen. PPC
bedeutet Pay Per Click
und beinhaltet die
bezahlte Suche von Google
und anderen
Suchmaschinen. Als
Reaktion auf eine
Sucheingabe erscheint
eine Werbeanzeige, wird
diese geklickt, dann wird
dafür bezahlt.
Kapitel 9
– E-Mail und
Multichannel Marketing
messen
Mit
E-Mails möchte man neue
Kunden gewinnen oder
bestehende halten. Der
Erfolg dieser Maßnahmen
kann technisch gemessen
werden (Wie viele haben
die Email erhalten?
Aufgerufen? Auf den Link
geklickt?). Unter
Multichannel Marketing,
den „Non-Line
Marketing“ ist
das Zusammenwirken von
Offline- und Online
Verhalten (Informieren /
Kaufen) von Kunden
gemeint. Diese hängen
zusammen und beeinflussen
einander.
Kapitel
10 – Website
Experimentieren &
Testen
In
diesem Kapitel werden
A/B-Tests und der
Nutzen beschrieben. Sind
es bisher immer die Hippos
(Highest Paid Person)
im Unternehmen gewesen,
die aus dem Bauch heraus
entschieden haben, wie
die Website gestaltet
werden sollte, so gibt es
nun die A/B-Tests.
Entscheiden tun die
Besucher der Website. Im
Livebetrieb werden 2
Varianten
unterschiedlichen
Besuchergruppen gezeigt.
Die Art des
Weiterklickens (Tiefer in
die Website einsteigen)
entscheidet dann für den
Erfolg der einzelnen
Varianten. Hat man mehr
als 2 Varianten, dann
nutzt man Multivariates
Testing. Bild- und
Textbausteine werden
dynamisch in diversen
Kombinationen im
Livebetrieb ausgetauscht.
Die Testverfahren nutzen Statistik
(Signifikanztests), d.h.
sie geben automatisch an,
wenn eine Variante besser
signifikant ist
(signifikant = jenseits
vom Zufall).
Kapitel
11 – Web Analytics
„entscheidungsrelevant“
machen
Daten
müssen zu Informationen
verdichtet werden und
diese Informationen in
Entscheidungen. Wenn
das nicht so ist, dann
nützt Web Analytics auch
nichts. Damit Zahlen
entscheidungsrelevant
sind, muss man ihnen
einen Kontext geben. Eine
Zahl allein, hilft nicht.
Kontext kann durch eine
Segmentierung, durch
einen Zeitverlauf oder
durch Benchmarks gegeben
werden. Zu jeden
dieser Varianten steht
die einzelne Zahl dann in
Bezug zu einer anderen
und ist interpretierbar,
d.h. man kann sagen, ob
die Zahl gestiegen oder
gesunken ist und ob das
gut oder schlecht ist.
Um
Zielgerichtet vorzugeben,
müssen auch Ziele
definiert werden.
Entscheidungsträger
haben wenig Zeit. Ihnen
muss man die
Informationen, die zur
Entscheidung verhelfen,
leicht verdaulich
anbieten. Die tut man mit
Executive Dashboards.
Kaushik empfielt das
Dashboard auf eine DIN
A4 Seite zu
reduzieren. Zum Dashboard
gehören auch Verantwortlichkeiten,
d.h. man muss wissen, wer
handeln muss, wenn eine Zahl
/ Metrik / KPI
besonders schlecht
aussieht. Um aus
Informationen Handlungen
zu machen, bedient man
sich der DMAIC-Methode
(define, measure,
analyze, improve,
control).
Bedeutet:
Ein Ziel definieren und
durch Metriken messbar
machen. Dann schauen, ob
es gut oder schlecht
performt. Bei schlechter
Performace, dieses
optimieren und im
Anschluß den Erfolg
kontrollieren.
Kapitel
12 – Wettbeweber
(Competetive
Intelligence) und Web 2.0
Analytics
Kaushik
zeigt auf, wie man
Informationen darüber
bekommt, wie man im
Vergleich zum Wettbewerb
steht. Es werden drei Datenquellen
unterschieden: Panel-based
measurement, ISP-based
measurement und search
engina data. Anbieter
sind Hitwise, Comscore,
Google Trends, Alexa,
Microsoft Ad Center.
Unter Web 2.0
Analytics versteht
Kaushik die Analyse von Rich
Internet Applications,
die mit einfachen Web
Analytics Methoden
(Seitenaufrufe) nicht
mehr gemessen werden
können. Auch RSS-Feeds
zählen zum Web 2.0
Analytics.
Kapitel
13 – Die Mythen des
Web Analytics
verschwinden lassen
Analysen
von Navigationspfaden
bringen nichts, auf
der Website gibt es
unendlich viele
Kombinationen der
Nutzung. Hilfreich
sind Navigationspfade aber
bei linearen Pfaden
(z.B. Bestellprozess, der
im Trichter/Funnel
abgebildet werden kann).
Auf der Conversion-Rate
liegt ein zu hoher
Focus. Ca. 2% der
Besucher konvertieren,
98% bleiben unbeachtet.
Diese müssen aber
analysiert werden, um die
Websitenutzung und die
Bedürfnisse der Besucher
(Besuchsgründe) zu
verstehen.
Eine Alternative
ist die Task-Completion-Rate,
d.h. Besucher geben an,
ob sie ihr Besuchsziel
erreicht haben. Perfection
is dead: Web
Analytics Daten sind nie
100%ig korrekt, weil sie
nicht 100%ig gemessen
werden können. Wichtig
ist nur, dass sie gut
genug sind, eine
Entscheidung zu fällen
und das geht auch bei
80-90%iger Genauigkeit.
Real-Time
Daten sind teuer und
nicht wirklich relevant,
da der Mensch ja auch
nicht Real-Time
Entscheidungen fällt.
Real-Time kann relevant
sein, wenn ein
intelligentes System
dahinter automatisch
Entscheidungen real-time
fällt (z.B. im Moment
des Besuches Nutzung
analysieren und gezielt
Content zuspielen).
Kapitel
14 –
Fortgeschrittene Web
Analytics Konzepte
Im
vorletzten Kapitel gibt
Kaushik Tips für
fortgeschrittene Web
Analysen. Vorgestellt
wird ein Online-Statistik-Rechner,
mit dem man Signifikanztests
machen kann (Ist die
Conversion jetzt
signifikant besser als
vorher?).
Segmentierung
ist wichtig: Man sollte
die Besucherquellen mit
der Bouncerate
kombinieren, um
festzustellen, welche
Quelle zu dem meisten
Abbrüchen führt. Für
die Messung der
Conversion Rate gibt
es Best Practice
Empfehlungen: Man sollte
die Total-Conversion-Rate
vergessen. Wichtiger ist
es, sich Trends über den
Zeitverlauf anzusehen.
Zudem verstehen, wie die
Besucher auf die Website
gekommen sind und welche
Traffic-Quellen die
höchsten Conversion
Rates erzielen. Neben der
Conversionrate sollte
auch der Umsatz stehen.
Denn es kann Quellen
geben, die eine niedrige
Conversionrate haben,
aber trotzdem einen sehr
hohen Umsatz bringen.
Weitere Tips für eine
fortgeschrittete Web
Analyse werden in diesem
Kapitel gegeben: Testen
& Experimientieren,
Abbruchraten messen und
Bruchstellen
identifizieren, Tage und
Besuche bis zum Kauf
messen. Der letzte Punkt
noch sehr interessant
„Measure the Real
Size of Your Convertible
Opportunity Pie“
– sagt aus, dass man
von allem Besuchern der
Website nur diejenigen in
Anbetracht ziehen soll,
die kaufwillig sind
– das ist das wahre
Potential der
konvertierbaren Besucher.
Kapitel
15 – Eine
datengetriebene
Unternehmenskultur
schaffen
Das
Kapitel legt den Focus
auf drei Dinge: Einen
großartigen Web
Analytics Manager finden
+ Expertise von Außen
bekommen + 7 Schritte
folgen, um eine
datengetriebene
Unternehmenskultur
aufzubauen. Der
großartige Web Analyst
hat eine tiefe
Leidenschaft für Web
Analytics, mag
Veränderungen. Und weiß
auf die Stimme der
Website Besucher zu
hören und dieses in
Handlungen zu übersetzen
(User Centered Design).
Er muß kein Statistik
Freak sein. Wichtiger ist
es, dass er
betriebswirtschaftlich
denken kann – er
muß fähig sein, andere
von seinen Ideen zu
überzeugen. In
Abhängigkeit vom der
Web-Analytics-Reife
werden externe
Unternehmen ins Boot
geholt.
Kaushik
unterscheidet 4 Stufen
(Stage 1: Birth, Stage 2:
Toddler to Early Teens,
Stage 3: The Wild Youth,
Stage 4: Maturity –
You are 30+). Je
weniger Erfahrung, desto
mehr externe Beratung.
Stufe 1: Man muß das
Tool finden und
implementieren. Stufe 2:
Es werden Dashboards und
Reportigs erstellt, so
wie verschiedene
Anspruchsgruppen des
Unternehmens das
brauchen. Stufe 3: Der
Einstieg ins
Experimemtieren &
Testen + Qualitative
Analysen hinzuziehen
(Usability Tests,
Umfragen) und eine
Strategy entwickelt, alle
Daten sinnvoll
miteinander zu
kombinieren. Stage 4:
Wege finden, Daten auf
unterschiedliche Weise zu
tracken (Rich Media
Applications, Videos).
Zum Schluß stellt
Kaushik noch ein
7-Schritte-Programm
zusammen. Man sollte
damit beginnen, Ziele zu
messen (Umsatz, Anzahl an
Leads, Anzahl neue
Kunden. Sich daran
erinnern, dass
„Reporting“
nicht
„Analysis“
bedeutet.
Der
Entscheidungsprozess
sollte depersonalisiert
sein, d.h. Entscheidungen
auf Basis von
Testergebnissen
(A/B-Tests) fällen. Man
sollte proaktiv sein. Man
soll seinen Web Analysten
genug Freiraum für
Analysen geben, nicht nur
Reports. Verknüpfe
Erfahrungen der Besucher
mit dem Verhalten der
Besucher und dem
Erreichen von
Unternehmenszielen.
|
