Departement für Informatik Universität Fribourg Information System Research Group. Web Analytics

Transkript

1 Departement für Informatik Universität Fribourg Information System Research Group Web Analytics Seminararbeit von Bastian Kälin Seminar CRM April 2008 unter Anleitung von: Prof. Dr. Andreas Meier Information System Research Group Universität Fribourg 1700 Fribourg Darius Zumstein Information System Research Group Universität Fribourg 1700 Fribourg

2 Inhaltsverzeichnis Inhaltsverzeichnis 1 Einleitung 1 2 Entstehung von Web Analytics 2 3 Begriffe Page Views - Seitenaufrufe Visits - Seitenbesuche Unique Visitors - eindeutige Besucher Beispiel Datenquellen Weblogs JavaScript Tags Andere Ansätze Web Beacons Packet Sniffing Hybride Lösungen Vorgehensweise Web Analytics Planung KPIs von E-Commerce Seiten KPIs von Produktinformationsseiten KPIs von werbungsbasierten Inhaltseiten Messung Analyse Segmentierung Monetarisierung Aktion Fallbeispiel: Google Analytics Beispielwebseite Übersicht Definieren von Zielen Metriken Exportieren von Reports Hauptelemente von Google Analytics Dashboard i

3 Inhaltsverzeichnis Besucher Zugriffsquellen Content Ziele E-Commerce Kritik an Google Analytics ii

4 Abbildungsverzeichnis Abbildungsverzeichnis 2.1 HTML Tag zum Einbinden des Zählers[1] Generierter Zähler[1] Ablauf des Loggings bei Weblogs JavaScript Tag von Google Analytics Ablauf des Loggings bei JavaScript Tags Schema zur Vorgehensweise bei Web Analytics Grafische Darstellung der Anwendung eines A/B-Tests Tagbasierte Web Analytics Installationen der grössen Schweizer Webseiten [7] Schema der Beispielwebseite Startseite der Google Analytics Plattform Konfiguration eines Trichters Trichteranalyse Navigationsmenu für Benutzersegmentierung Segmentierung der Webseitenbesucher nach installierter Flash-Version Navigationsmenu für die Segmentierung nach Zugriffsquellen Zielwerte nach Zugriffsquellen segmentiert Navigationsmenu für die Webseiteninhaltsreports Navigationsmenu für die Analyse der Webseitenziele Visualisierung der Pfade die zum Erreichen des Ziels Kaufabschluss geführt haben Navigationsmenu für die E-Commerce Analysen iii

5 1 Einleitung 1 Einleitung Ziel ist, dass unsere Nutzer uns irgendwann die Frage stellen können, was sie morgen machen sollen oder was für einen Job sie annehmen sollen. [7] Dieses Zitat von Eric Schmidt, dem Vorstandschef von Google, soll eine erste Vorstellung von der Wichtigkeit und Tragweite von Web Analytics geben. Unter Web Analytics, was zum Teil auch mit Datenverkehrsanalyse oder Clickstreamanalyse bezeichnet wird, versteht man die Aufzeichnung und Auswertung des Userverhaltens auf Webseiten. Web Analytics werden dazu eingesetzt, um Webseiten anhand definierter Ziele zu analysieren und zu optimieren. Sie eröffnen zudem nie dagewesene Möglichkeiten im Customer Relation Management. In Kombination mit bereits bestehenden Methoden bieten Web Analytics eine effektive Möglichkeit zum besseren Verständnis der Bedürfnisse der Kunden. Was sind die Grundlagen und Hintergründe von Web Analytics? Wie werden sie eingesetzt und welche Herausforderungen und Probleme stellen sich in der Praxis? Diese Fragen werden in dieser Seminararbeit beantwortet und es wird ein Überblick über den aktuellen Stand der Technologie gegeben. In einem zweiten Teil wird Google Analytics[3], eine der meistverwendeten Software für Web Analytics, vorgestellt. 1

6 2 Entstehung von Web Analytics 2 Entstehung von Web Analytics Am Anfang des Internets war die Situation ziemlich einfach. Der Benutzer tippte eine URL ein und als Resultat wurde ihm vom Server eine Datei mit Text und Links zurückgeliefert. Bereits in dieser Zeit wurde auf dem Server ein Logfile geführt, in dem alle Anfragen und anderen Ereignisse wie zum Beispiel Fehlermeldungen eingetragen wurden. Die Idee, aus diesem Logfile Daten zu extrahieren und Statistiken über die Anzahl der Anfragen zu erstellen war gewissermassen die Geburtsstunde von Web Analytics. Daraufhin wurde das Konzept erweitert und auch weitere Informationen wie IP- Adressen, Browser, Betriebssysteme der Benutzer ausgewertet. Eines der ersten Programme das aus diese Logfiles einfache Metriken exportieren konnte war Analog, geschrieben von Dr. Stephen Turner.[Kau07] Somit war es nun auch auf einer weniger technischen Ebene möglich mit den Daten aus den Server Logfiles zu arbeiten. Ein sehr einfaches Beispiel dafür, wie Web Analytics in dieser Zeit verwendet wurden, stellt der Counter dar. Wie sich wohl die meisten Leser erinnern mögen, war es vor einiger Zeit sehr verbreitet, einen Besucherzähler auf der Webseite zu haben. Eine weitere Idee, die in 1996 enstand, war die Möglichkeit, bei einem Drittanbieter einen Zählerdienst zu registrieren und so nicht mehr die eigenen Logfiles für die Statistik zu verwenden. Der Zähler konnte so einfach, mit dem in Abbildung 2.1 dargestellten IMG Block, in die HTML Webseite integriert werden. Der Counter ist in Abbildung 2.2 ersichtlich. <IMG SRC=" Abbildung 2.1: HTML Tag zum Einbinden des Zählers[1] Abbildung 2.2: Generierter Zähler[1] Nun war es ein kleiner Schritt, den kleinen Codeblock nicht nur zum Generieren von Zählern, sondern allgemein zum Erfassen von Webdaten zu nutzen. Diese sogenannten Tags bestanden aus kleinen Bildern oder JavaScript-Blöcken, deren Anfragen auf dem jeweiligen Server (Tracker) speziell geloggt wurden. Dadurch wurde es möglich, mit einer Kombination von Technologien auf dem Server- und dem Client, die eigentlichen Loggingmechanismen von der Webseite zu trennen. 2

7 2 Entstehung von Web Analytics Einige Jahre später entstanden die ersten kommerzielle Lösungen, wovon WebTrends die bekannteste war.[kau07]. WebTrends konnte aus den Logfiles viele verschiedene Metriken extrahieren und es war möglich damit grafische Auswertungen zu machen. Um das Jahr 2000, durch das enorme Wachstum des Internets verstärkt, wurden auch Web Analytics immer populärer. Allein zwischen 1999 und 2000 wuchs der Web Analytics Markt von 141 auf 400 Millionen Dollar.[6] Eine interessanter Wandel geschah in den folgenden Jahren, wohl nicht zuletzt durch das Platzen der Dotcom-Blase bedingt. Viele der zu dieser Zeit existierenden ungefähr 60 Firmen verschwanden wieder vom Markt oder wurden aufgekauft. Die Produkte wurden standardisiert und der Ansatz, die Erfassung der Daten einer Drittfirma zu überlassen, gewann mehr und mehr an Bedeutung, nicht zuletzt dadurch, dass damit auch sehr viel Ausgaben entfielen. Dies führte dazu, dass auf der technischen Seite immer mehr mit Tagging gearbeitet wurde und die veralteten HTML Bild Tags durch neue JavaScript Tags ersetzt wurden, die auch deutlich mehr Informationen über die User aufzeichen konnten. In der heutigen Zeit zeichnen sich Web Analytics vorallem durch eine wachsende Integration in die Businessprozesse ab. Wichtige Fragen sind heute, wie man Web Analytics gewinnbringend mit anderen Businesssystemen kombinieren kann oder wie Web Analytics in Multi-Channel Analysen eingesetzt werden können.[6] Die technologischen Fragen stehen heute weit weniger im Vordergrund als dies noch vor 10 Jahren der Fall war, denoch werden ständig neue Innovationen geschaffen. Die technische Entwicklung von Web Analytics ist noch lange nicht abgeschlossen. 3

8 3 Begriffe 3 Begriffe Bevor mit der genaueren Untersuchung von Web Analytics begonnen wird, ist es sinnvoll, einige wichtige Begriffe zu definieren, auf denen fast alle Metriken aufbauen. In 2006 wurden von der Web Analytics Association (WAA) die folgenden drei Begriffe definiert, die als Grundlage fast aller Metriken betrachtet werden können.[jb07] 3.1 Page Views - Seitenaufrufe Diese Zahl gibt an, wie viel mal eine einzelne Seite einer Webseite angesehen wurde. Mehrfache Besuche von einem User werden mehrfach gezählt 3.2 Visits - Seitenbesuche Die Anzahl Seitenbesuche sagt aus, wieviel mal die Webseite besucht wurde. Hier spielt es keine Rolle ob der Benutzer eine oder hundert einzelne Seiten angeschaut hat, in beiden Fällen wird nur ein Besuch gezählt. Wenn der Benutzer jedoch für eine längere Zeit passiv ist und keine weiteren Seiten anfordert, wird angenommen dass er nicht mehr online ist und der Besuch wird beendet (Session Timeout). Beim Laden einer Seite nach dem Timeout wird ein neuer Besuch für diesen Besucher registriert. Dieses Timeout ist wählbar, ein häufiger Standardwert beträgt 30 Minuten. Für die Authentifizierung werden meistens Cookies eingesetzt. Es existieren aber auch andere Verfahren der Sitzungsverwaltung. 3.3 Unique Visitors - eindeutige Besucher Hier wird gezählt, wieviele eindeutige Benutzer die Webseite besucht haben. Jedoch wird hier versucht jeden Benutzer nur einmal zu zählen auch wenn er im Zeitrahmen zweimal die Seite besucht hat. Die Authentifizierung des Benutzers geschieht meistens mit einem Cookie das permanent auf dem Client gespeichert wird. 3.4 Beispiel Ein Kunde besucht die Webseite einer Firma. Er klickt sich durch fünfzehn Seiten und verlässt die Webseite. Nach zwei Wochen kommt derselbe Kunde erneut auf die Webseite, verlässt sie aber gleich wieder, da es keine Neuigkeiten gibt. Die Auswertung der 4

9 3.4 Beispiel Firmenwebseite über diesem Zeitraum ergibt, sofern dies der einzige Besucher der Seite war, gemäss Definition 16 Page Views, 2 Visits und 1 Unique Visitor. 5

10 4 Datenquellen 4 Datenquellen Während der Entstehung von Web Analytics haben sich einige Standards in der Datenerfassung entwickelt die hier vorgestellt werden sollen. Jede der Varianten bietet unterschiedliche Anwendungsgebiete und Vor- und Nachteile. Dies führt dazu, dass je nach Anforderungen an die Analyse unterschiedliche Technologien eingesetzt werden müssen. Es ist in gewissen Fällen auch sinnvoll, parallel mehrere der Methoden einzusetzen um die Vorteile beider Varianten zu erhalten. Hier wird ein Überblick über die einzelnen Ansätze gegeben und gezeigt inwiefern sie sich unterscheiden. 4.1 Weblogs Mit den Weblogs hat die Entstehung der Web Analytics ihren Anfang genommen. Hierbei wird bei jedem Aufruf einer URL durch den Benutzer auf dem Server ein Logeintrag geschrieben. Diese Logeinträge werden dann später durch ein Tool ausgelesen und Metriken generiert. In Abbildung 4.1 ist der Aufruf dargestellt. Abbildung 4.1: Ablauf des Loggings bei Weblogs 1. Der Benutzer tippt eine URL ein - Anfrage an den Server 6

11 4.2 JavaScript Tags 2. Der Server schreibt einen Logeintrag 3. Der Server schickt die Antwort zurück Es ist sehr einfach Logfiles zu sammeln, da diese von den meisten Servern automatisch generiert werden. Ebenso existieren viele Tools um Logfiles auszuwerten und einfache Metriken zu erstellen. Jedoch können mit Weblogs nur gewisse Informationen gesammelt werden, da die Informationen auf das beschränkt sind, was der Browser dem Server bei einer Anfrage übermittelt. Ein weiteres Problem der Weblogs ist das Caching. Wenn der Aufruf einer Seite gecachet wird, erhält der Server gar keine Meldung dass die Seite erneut geladen wurde und die Statistik wirde so verfälscht. 4.2 JavaScript Tags Die im Moment am verbreitetste Lösung zur Datensammlung sind JavaScript Tags. Dabei handelt es sich um eine clientseitige Lösung der Datensammlung, wobei in jeder Webseite etwas JavaScript Code eingefügt wird. Dieser JavaScript Code (ein Beispiel ist in Abbildung 4.2 gezeigt) wird bei jedem Laden der Seite ausgeführt und sendet eine spezielle Anfrage an einen Web Analytics Server der die Anfragen aufzeichnet. Ein Schema für die Aufrufe bei JavaScript Tags zeigt Abbildung 4.3. Ein wichtiger Unterschied zu Weblogs ist, dass der Webserver und der Web Analytics Server getrennt sein können, womit es möglich ist einen ASP (Application Service Provider) für Web Analytics zu verwenden. Es ist aber auch möglich einen eigenen Logserver zu verwenden, um so beispielweise sensible Daten zu schützen. Weitere Vorteile der JavaScript Tags sind, dass bei gecachtem Zugriff auf die Seite das Logging trotzdem passiert und dass durch die Verwendung von JavaScript mehr Daten über den User gesammelt werden können. Ein grosser Nachteil der Tags: Clients mit deaktivierten JavaScript werden nicht aufgezeichnet. <script type="text/javascript"> var gajshost = ((" == document.location.protocol)? " : " document.write(unescape("%3cscript src= " + gajshost + "google-analytics.com/ga.js type= text/javascript %3E%3C/script%3E")); </script> <script type="text/javascript"> var pagetracker = _gat._gettracker("usercodega"); pagetracker._initdata(); pagetracker._trackpageview(); </script> Abbildung 4.2: JavaScript Tag von Google Analytics 7

12 4.3 Andere Ansätze Abbildung 4.3: Ablauf des Loggings bei JavaScript Tags 1. Der Benutzer tippt eine URL ein - Anfrage an den Server 2. Der Server schickt die Antwort zurück - in der Antwort ist das JavaScript Tag eingebettet 3. Der Browser des Benutzers führt beim Laden der Seite das JavaScript aus - Das Script schickt eine Anfrage an den Logserver 4. Der Logserver schreibt den Logeintrag zu den entsprechenden Logeinträgen für diese Webseite 4.3 Andere Ansätze Web Beacons Web Beacons sind die Vorgänger von JavaScript Tags. Durch den einfachen Seitenzähler inspiriert, entstand mit den Web Beacons eine neue Idee zur Generierung von Statistiken. Anstatt dass der Server die Aufrufe direkt in ein Logfile einträgt, wird der Webseite ein kleines Element eingefügt, das bei jedem Seitenaufruf eine spezielle Anfrage auslöst. Technisch wird dies durch ein transparentes 1x1 Pixel Bild gelöst, das in einem HTML IMG Element eingebettet war. Dieses Bild verweist auf den Web Analytics Server der bei jedem Aufruf des Bildes einen Logeintrag für die jeweilige Webseite erstellt. 8

13 4.3.2 Packet Sniffing Packet Sniffing Zwischen dem Server und den Client wird eine weitere Schicht eingeführt - der Packet Sniffer. Wie der Name schon sagt, können bei dieser Technik alle Datenpakete die ausgetauscht werden analysiert werden. Es existieren Hardware- oder Softwarelösungen, jedoch ist die Verwendung von Packet Sniffing nur in Ausnahmefällen sinnvoll Hybride Lösungen Die beschriebenen Möglichkeiten können auch kombiniert werden. So werden zum Beispiel Weblogs in Kombination mit JavaScript Tagging häufig eingesetzt um Fehler und ungenaue Statistiken zu vermeiden, da JavaScript Tagging bei ausgeschaltetem JavaScript auf dem Browser nicht funktionniert und so gewisse Benutzer nicht registriert würden. Durch die Kombination können viele dieser Problem behoben werden, jedoch erfordert die Verwendung von mehreren Varianten auch mehr Aufwand. 9

14 5 Vorgehensweise Web Analytics 5 Vorgehensweise Web Analytics Die Entscheidung darüber wie die Daten aus dem Internet zur Analyse gesammelt werden ist nur ein Schritt beim Einsatz von Web Analytics. Es ist mindestens genauso wichtig, wie diese Daten ausgewertet werden und Schlussfolgerungen gezogen werden. Es gibt verschiedene Möglichkeiten dieses Vorgehen zu strukturieren. Ein einfaches Schema das die wichtigsten Punkte enthält ist in [JB07] beschrieben. Es werden die folgenden 4 Schritte vorgeschlagen: Planung der Analyse / Definieren von Key Performance Indicators Erstellen von Reports / Messen der Performance Analyse der Reports Aktion / Optimierung Abbildung 5.1: Schema zur Vorgehensweise bei Web Analytics 10

15 5.1 Planung Es ist wichtig zu realisieren dass es sich hier um einen zyklischen Prozess handelt. Nach der ersten Analyse und Optimierung der Webseite werden die gewonnenen Erkenntnisse wieder verwendet, um die einzelne Schritten zu verfeinern und anzupassen. Im folgenden werden die einzelnen Schritte genauer untersucht. 5.1 Planung In diesem ersten Schritt geht es darum, die Ziele der Webseite in Zusammenhang mit der gesamten Geschäftstrategie zu finden und daraus messbare Indikatoren abzuleiten (Key Performance Indicators). Das genaue Wissen um die Ziele der Webseite ist einer der wichtigsten Punkte beim Betreiben von Web Analytics, denn je präziser die Ziele definiert werden, desto genauer fallen auch die Resultate aus und umso mehr Nutzen kann aus den Resultaten gezogen werden. Ein Weg, um die Ziele der Webseite zu finden, ist es den Trichterprozess (conversion funnel) der Seite zu analysieren. [JB07] Der klassische conversion funnel einer E- Commerce Webseite besteht aus den folgenden 4 Schritten. 1. Kenntnis 2. Interesse 3. Kaufabsicht 4. Kauf Ein Beispiel: Viele User kennen das Produkt, aber weniger haben ein Interesse daran, einige der Interessieren hegen eine Kaufabsicht aber nur ein paar davon entschliessen sich schlussendlich zum Kauf. Wenn der Trichterprozess einer Webseite bekannt ist, fällt es viel leichter die Ziele der Webseite zu bestimmen. Im Falle des vorherigen Beispiels wären einige Ziele: Steigern des Bekanntheitsgrades des Produktes Steigern des Interesses der Kunden durch Information über das Produkt auf der Webseite Möglichkeit zum Onlineshopping um dadurch den Verkauf zu steigern Die Key Performance Indicators werden nun dazu verwendet, um den Erfüllungsgrad der definierten Ziele zu messen. Die meisten Webseiten können in eine handvoll Kategorien eingeteilt werden, und jede dieser Kategorien besitzt einige typische KPIs. Drei der wichtigsten Kategorien werden im Folgenden kurz vorgestellt. 11

16 5.1.1 KPIs von E-Commerce Seiten KPIs von E-Commerce Seiten Bei diesen Webseiten liegt der Schwerpunkt im Verkauf von Produkten und Dienstleistung direkt auf der Webseite. Daher ist hier der Bestell- und Bezahlungsprozess von grosser Wichtigkeit. Anzahl Bestellungen / Anzahl Besuche Durchschnittliche Grösse der Bestellung Verhältnis der Conversions beim Bestellprozess Verhältnis Online- zu Offlineverkäufen KPIs von Produktinformationsseiten Diese Art von Seiten sollen ein gewisses Produkt oder eine Dienstleitung bekanntmachen, das nicht online verkauft wird. Daher gelten hier andere Gesetzmässigkeiten als beispielsweise bei E-Commerce Seiten. Oftmals ist es möglich sich auf diesen Seiten zu registrieren und so detailliertere Informationen über bestimmte Produkte zu erhalten. Anzahl Bestellungen / Anzahl Besuche Anzahl Bestellungen aufgeteilt nach Kundensegmenten Anzahl Bestellungen / registierte Benutzer. Wieviele effektive Bestellungen tätigen die registrierten Benutzer? Abnahme der Conversions beim Registrierungsprozess. Damit wird festegestellt ob beim Registrierungsprozess Schwierigkeiten auftreten KPIs von werbungsbasierten Inhaltseiten Bei vielbesuchten Webseiten wo hauptsächlich nur Inhalt angezeigt wird, ist es eine häufig genutzte Möglichkeit mit Werbung Gewinn zu erzielen. Visits pro Woche Anzahl Pageviews pro Visit Durchschnittlich Dauer der Visits Anzahl Klicks auf Werbung / Anzahl Visits 12

17 5.2 Messung 5.2 Messung Für eine erfolgreiche Messung ist es entscheidend, möglichst präzise Metriken zu definieren, die die definierten KPIs messen können. Diese Messungen werden in Reports zusammengefasst. Es ist wichtig hier zu bemerken, dass die Daten die für die Reports gebraucht werden, nicht nur aus den Daten der Webanalyse bestehen sondern dass auch beliebige andere Unternehmensdaten verwendet werden. Daher wird zwischen primären und sekundären Datentypen unterschieden. Primäre Datentypen: Daten die direkt mit der Webseite verknüpft sind. Der grosse Teil dieser Daten wird meistens mithilfe von Web Analytics Tools gewonnen. Es gehören aber auch andere Typen von Daten zu dieser Kategorie, wie zum Beispiel vergleichbare Daten der Konkurrenz, diese sind aber schwierig zu besorgen und sind oftmals viel weniger detailliert als die eigenen Daten. Ebenfalls werden häufig Daten über das Userverhalten auf der Webseite aus anderen Quellen gesammelt (Umfragen, Verhaltensstudien, Usability Lab, etc.). Sekundäre Datentypen: Daten die nicht direkt mit der Webseite zu tun haben, aber in der Auswertung dennoch von Interesse sein können wie zum Beispiel allgemeine Kundendaten, Geschäftsdaten, Transaktionsdaten, Callcenterdaten, Forschungdaten und andere. Durch die riesige Masse an Daten, die zur Verfügung stehen, ist es schwierig aber auch sehr wichtig, genau diejenigen Daten zu verwenden, die für die Entwicklung der KPIs von Bedeutung sind. 5.3 Analyse Der nächste Schritt ist es die generierten Reports zu analysieren. Es geht darum herauszufinden, warum die KPIs sich verändert haben und was geändert werden kann um in Zukunft positive Ergebnisse zu erzielen. In anderen Worten bedeutet dies, dass analysiert wird, warum die User der Webseite ein gewisses Verhalten an den Tag legen. Ein Beispiel soll dies genauer aufzeigen: Nach einigen Änderungen an einer E-Commerce Webseite werden deutlich weniger Produkte verkauft, obwohl in der selben Zeitspanne eine Steigerung der Besuche auf der Seite registriert wurde. Diese Fakten sind durch die generierten Reports ersichtlich. Erst durch die Analyse der Ausstiegsraten der mit dem Kaufprozess zusammenhängenden Webseiten wird ersichtlich, dass zwar viele Benutzer am Kauf interessiert waren, jedoch der irreführende Aufbau eines Formulars zur Kreditkartenbezahlung 60% der Benutzer zum Verlassen des Kaufprozesses bewogen hat. Daher hat die Analyse ergeben, dass der Fehler bei einem Fehlentscheid des Designsteams der Webseite und nicht, wie man zu Beginn ebenfalls annehmen konnte, gar an fehlender Nachfrage nach dem Produkt gelegen hat. 13

18 5.3.1 Segmentierung Das Beispiel zeigt die Wichtigkeit einer sauberen Analyse, denn schliesslich werden aufgrund dieser Resultate die Entscheidungen im nächsten Schritt, der Optimierung, gefällt. Zwei wichtige Konzepte, die in der Webanalyse verwendet werden sind die Segmentierung und die Monetisierung, welche noch genauer erläutert werden sollen Segmentierung Einige Tendenzen in den Reports sind nicht für alle Segmente der Besucher gleich und deshalb ist es wichtig diese Segmente einzeln zu betrachten und untereinander zu vergleichen. Viele Analysen sind erst durch Segmentierung möglich. Je nach Qualität und Umfang der Reports können unterschiedliche Arten von Segmentierungen vorgenommen werden. Wenn die Reports aus einem Web Analytics Tool stammen, hängt es auch von der gewählten Methode zur Datensammlung und dem Anbieter ab, welche Segmentierungen vorgenommen werden können. Im folgenden einige Beispiele für Segmentierungen, diese Liste lässt sich jedoch beliebig erweitern. Segmentierung nach Besuchshäufigkeit. Neue Besucher, wiederkehrende Besucher, Stammkunden, registrierte Benuter, etc... Herkunft der Webbesucher. Suchmaschine, Keywords, andere Webseiten, etc... Geografische Segmentierung Demographische Segmentierung Segmentierung nach Verhalten der Benutzer Segmentierung nach Werbekampagne Monetarisierung Bei der Monetarisierung werden Metriken aus den Reports Geldwerte zugeordnet. Dies vereinfacht die Auswertungen und lässt Vergleiche zwischen den einzelnen Metriken zu. So kann man beispielsweise besser entscheiden, welche Optimierungen mit welcher Priorität vorgenommen werden sollten. 5.4 Aktion Wenn die Resultate der Analyse vorliegen, ist ein wichtiger Teil der Webanalyse erledigt. Nun können Aktionen aufgrund der Resultate durchgeführt werden. Es ist wichtig zu erkennen, dass diese Aktionen nicht zwingend mit der Webseite verknüpft sein müssen. Beispielsweise kann in der Analyse entdeckt werden, dass durch Offline-Marketing die Onlineverkäufe gesteigert werden können. Dies führt zu einer Aktion in der Marketingabteilung und betrifft die Webseite nicht. 14

19 5.4 Aktion Eine der Hauptanwendungen von Webanalytics ist die Webseite anhand der Resultate der Analyse zu optimieren. Ob die in der Analyse gefundenen Schwachpunkte der Webseite wirklich gelöst werden können und ob der vermutete Weg der richtige ist, ist aber offen. Um Antworten auf diese Fragen zu finden, können Optimierungen versuchsweise durchgeführt, und diese mithilfe von Tests ausgewertet werden. Eine vielgenutzte Möglichkeit um Webseiten zu testen ist die Variation der Webseite, wobei mithilfe von Web Analytics verschiedene Varianten verglichen werden, und schliesslich anhand der Vergleichsdaten für eine Optimierungsstrategie entschieden wird. Es existieren verschiedene spezialisierte Tools um diese Variationen und Auswertungen vorzunehmen. Häufige Testverfahren sind A/B-Tests (Abbildung 5.2) oder Multivariate- Tests, wobei zwei oder mehrere verschiedene Varianten einer ganzen Webseite oder Teilen davon parallel betrieben werden. Abbildung 5.2: Grafische Darstellung der Anwendung eines A/B-Tests Die Tests liefern Erkenntnisse wie die Optimierungen am besten durchgeführt werden sollten. Anhand dieser Resultate wird schliesslich optimert. 15

20 6 Fallbeispiel: Google Analytics 6 Fallbeispiel: Google Analytics In diesem Fallbeispiel soll ein existierendes Web Analytics Tools vorgestellt werden und gezeigt werden, wie die beschriebene Vorgehensweise damit abgebildet werden kann. Es ist sinnvoll, dafür ein weitverbreitetes Produkt zu verwenden, das einfach ist, aber alle wichtigen Funktionen anbietet. Gemäss einer Statistik vom Dezember 2007[7] ist Google Analytics[3], früher Urchin, das im Moment meistverwendete Tool für tagbasierte Web Analytics in der Schweiz. Die Statistik in Abbildung 6.1 zeigt dies deutlich. Abbildung 6.1: Tagbasierte Web Analytics Installationen der grössen Schweizer Webseiten [7] Es ist wichtig zu bemerken, dass bei dieser Statistik nur die tagbasierten Web Analytics Systeme verzeichnet sind. Es ist sehr wahrscheinlich, dass einige dieser Firmen auch serverbasierte Lösungen einsetzen. 6.1 Beispielwebseite Es wurde eine sehr einfache Webseite erstellt um die Möglichkeiten der Web Analyse an einem Beispiel zu zeigen. In Abbildung 6.2 ist das Schema dieser Webseite dargestellt. Es handelt sich dabei um eine sehr vereinfachte Form einer E-Commerceseite. Es wird nur 16

21 6.2 Übersicht ein Produkt verkauft und die Darstellung in den Seiten ist nur minimal mit Hyperlink und Text angedeutet. Abbildung 6.2: Schema der Beispielwebseite 6.2 Übersicht Die Abbildung 6.3 zeigt die Startseite der Google Analytics Plattform. Nach einer 10 minütigen Konfiguration der zu analysierenden Webseite steht einem dieses Werkzeug kostenlos zur Verfügung. Dannach muss natürlich eine gewisse Zeit gewartet werden, bis Userdaten gesammelt wurden, bevor erste Auswertungen gemacht werden können. Google Analytics aktualisiert die Berichte in der Regel alle 24 Stunden.[3] Definieren von Zielen Ein wichtiger Bestandteil von Web Analytics ist das Definieren von Seitenzielen (Conversions). Hierbei werden Seiten, die einen speziellen Nutzen haben, als Zielseiten definiert und es wird untersucht, wie viele Benutzer den Weg auf diese Zielseiten finden. Ebenso kann den Zielseiten ein bestimmter Geldwert zugeordnet werden, um monetarisierte Auswertungen zu machen. Im Beispiel wurden die zwei Zielseiten Kaufabschluss und Produktinfo definiert. Das eine Ziel ist erfüllt wenn der Benutzer das Produkt gekauft 17

22 6.2.1 Definieren von Zielen Abbildung 6.3: Startseite der Google Analytics Plattform 18

23 6.2.2 Metriken hat, das andere bereits wenn er sich auf der Produktinformationsseite über das Produkt informiert. Beiden Zielen wird ein Geldwert hinterlegt, der später bei der Analyse berücksichtigt wird. Es wird der Wert CHF 20.- für den Kaufabschluss und CHF 1.- für die Produkteinformationsseite festgelegt, da angenommen wird, dass jeder 20te Kunde der sich auf der Produkteinformationsseite informiert das Produkt entweder online oder offline bestellt. Es wird ein sogenannter Trichter aus Seiten definiert, die schliesslich auf die Zielseite führen. Damit kann genauer untersucht werden, auf welchem Weg die Benutzer zum Ziel finden und ob Hindernisse vorhanden sind. Wie dies in Google Analytics gelöst wird und wie eine Auswertung aussehen kann, ist in Abbildungen 6.4 und 6.5 anhand des Ziels Kaufabschluss genauer dargestellt. Abbildung 6.4: Konfiguration eines Trichters Metriken Zu Beginn ist es wichtig, die in Google Analytics verfügbaren Metriken zu betrachten. Sie können in drei Hautkategorien aufgeteilt werden. Website-Nutzung Damit werden die grundsätzlichen Metriken abgedeckt wie: Anzahl Besuche / Seiten pro Besuch / Besuchszeit / Neue Besucher / eindeutige Besucher / etc.. Ziel-Conversions Dies sind alle Metriken, die im Zusammenhang mit den definierten Seitenzielen stehen. Darunter fallen: Ziel-Conversion-Rate pro Ziel / Ziel- Conversion-Rate / Zielwert pro Zugriff E-Commerce Für E-Commerce Seiten existieren spezielle Metriken, die bei der Konfiguration von Google Analytics aktiviert werden können, da sie nur für E-Commerce Seiten sinnvoll sind. Diese Metriken sind Umsatz / Transaktionen / Durchschnittswert / E-Commerce-Conversion-Rate / Wert pro Besuch 19

24 6.2.3 Exportieren von Reports Abbildung 6.5: Trichteranalyse Exportieren von Reports Die beliebig zusammengestellten Reports können als PDF, XML, CSV oder TSV exportiert werden und so in den meisten Programmen weiterverarbeitet werden, und als PDF auch direkt in Präsentationen oder Meetings vorgestellt werden. Ebenso lassen sich in zeitlichen Abständen automatisch Reports per versenden. 6.3 Hauptelemente von Google Analytics Dashboard Die Arbeit in Google Analytics beginnt auf dem Dashboard. Es dient als Übersichtsseite und die angezeigten Inhalte können beliebig konfiguriert werden. Praktisch alle Reports können auf das Dashboard gesetzt werden. So ist es zum Beispiel sinnvoll die wichtigsten KPIs bereits mit Reports auf dem Dashboard zusammenzufassen. Ebenso besteht die Möglichkeit das Dashboard zu exportieren. Eine Ansicht des Dashboards wurde bereits in Abbildung 6.3 dargestellt Besucher In dieser Kategorie können die Besucher nach den verschiedensten Kategorien segmentiert werden. Eine Übersicht über die Möglichkeiten bietet das Navigationsmenu das in Abbildung 6.6 dargestellt ist. 20

25 6.3.3 Zugriffsquellen Abbildung 6.6: Navigationsmenu für Benutzersegmentierung Im folgenden Beispiel soll die Möglichkeit der Usersegmentierung erläutert werden. In die Webseite soll eine neue Flashanimation eingefügt werden, die nur mit der Flash Version 9.0 r47 oder höher funktioniert. Nun muss abgeklärt werden, wieviele User von dieser Änderung betroffen wären und demnach eine neue Version installieren müssten um die neue Animation abspielen zu können oder ob es sinnvoller ist die Flashanimation zu ändern und die Kompatibilität mit älteren Flash-Versionen aufrechtzuerhalten. Der Report aus Google Analytics ist in Abbildung 6.7 gezeigt. Abbildung 6.7: Segmentierung der Webseitenbesucher nach installierter Flash-Version Die Analyse des Reports ergibt, dass bereits 82.5% der bisherigen Besucher die benötigte Flashversion besitzen. Daher wird entschieden, dass die neue Flashanimation verwendet wird, jedoch zusätzlich ein Link und eine Beschreibung zum Download der neuen Version von Flash auf der Seite eingefügt wird, da trotzdem mehr als 15% der User von dieser Änderung betroffen sind und die neue Version downloaden müssen Zugriffsquellen Hier können die Zugriffe nach Zugriffsquellen segmentiert werden. Ein wichtiges Beispiel dafür ist die Segmentierung nach Suchmaschine und nach gesuchten Keywords. Einen Überblick über die Möglichkeiten liefert die Abbildung 6.8. Interessant zu erwähnen ist 21

26 6.3.4 Content hier auch die Integration von Google AdWords[2], das die Möglichkeit bietet Werbekampagnen für Keywords zu lancieren. In der Segmentierung nach Zugriffsquellen lassen sich die Zugriffe analysieren, die durch diese Werbekampagnen gewonnen wurden. Bei der Beispielseite soll analysiert werden, ob die Zugriffe mittels Suchmaschine oder die direkten Zugriffe einen höheren Zielwert ergeben. Das Resultat ist in Abbildung 6.9 gezeigt. Abbildung 6.8: Navigationsmenu für die Segmentierung nach Zugriffsquellen Abbildung 6.9: Zielwerte nach Zugriffsquellen segmentiert Content Eine andere Möglichkeit ist es, die einzelnen Seiten der Webseite zu analysieren. Welche die am häufigsten besuchten Seiten der Webseite sind und von welchen Seiten die Webseite am häufigsten verlassen wird, sind nur die einfachsten Erkenntnisse die hier gewonnen werden können. Die in Abbildung 6.10 dargestellten Möglichkeiten sind verfügbar Ziele Hier können die Conversionraten für die definierten Webseitenziele analysiert werden. Das Navigationsmenu ist in Abbildung 6.11 zu sehen. Eine Möglichkeit zur Visualisierung sind die Zielpfade. Bei diesem Report wird gezeigt, auf welchen Wegen ein Ziel erreicht wurde. Im Beispiel in Abbildung 6.12 wird ersichtlich, dass der Kaufabschluss einerseits direkt von der Startseite, aber auch über den Umweg über die Produktinformationsseite erfolgt ist und in welchem Verhältnis. 22