Пол и возраст

Давайте переключимся на представление с сортировкой по возрасту.

Перед нами появляется сразу много данных. Попытаемся разобраться в них по шагам.

Разбивка данного представления является совершенно типичной. График сверху, блок - вот здесь и таблица со множеством данных.

Первый график показывает долю пользователей в каждой группе населения. Очевидно, что нам отображаются данные по пользователям, согласно нашему выбору в этом выпадающем меню; доля пользователей в оранжевой зоне, это 25-34 лет. К ним принадлежит примерно 50% от людей, посетивших веб-сайт. Следующий набор пользователей - это диапазон 18-24 лет, они на втором месте; затем идут 35-44 лет, 44-54 лет и вплоть до 65+, доля которых пренебрежимо мала. Это просто для понимания.

Давайте посмотрим на соотношение страниц и сеансов. Здесь мы видим множество пересечений. Это довольно трудно анализировать, но смотреть на каждую линию в отдельности здесь бессмысленно. К тому же, расстановка здесь изменяется. Группа 25-34 лет просматривает на так уж и много страниц. Они чаще всех заходят на сайт, но каждый из них просматривает, в среднем, немного страниц. В этой категории побеждает возрастная группа пользователей 45-54 лет.

Оранжевая линия походит на эту группу пользователей, и видно, что эти линии постоянно пересекаются. К примеру, во вторник, люди из группы 45-54 лет, просмотрели за сессию наибольшее количество страниц, однако в субботу их сменила группа 55-64 лет. Изменилось очень многое. Выводы не вполне очевидны. Из этих данных на получишь сколь-нибудь полезную информацию. Также, мал временной период выборки. Возможно, если увеличить период времени, мы увидим здесь больше изменений. Давайте попробуем. Устанавливаем диапазон дат с 1 июля по 22 сентября и нажимаем "Применить". Теперь все перемешалось.

Именно так проверяются данные на графике. Экспериментируем, меняем настройки, и смотрим можно ли вывести из этого какую-либо гипотезу. Я бы предпочел выбрать вот этот блок данных для формулирования предположений.

Это очень любопытный блок данных. Некоторое время назад, просматривая его из любопытства, я обнаружил несколько интересных закономерностей. Когда смотришь на эти данные, возникают несколько интересных вопросов по маркетингу. Для понимания смысла этих данных, вам нужно иметь некоторый опыт в принятии решений, включая возможность дальнейшего развития для вашего веб-сайта.

Взглянем. Перед началом анализа, необходимо проверить выбранный диапазон дат. Мы выбрали диапазон с 1 июля по 22 сентября 2019 г. Как обычно, данные разделены согласно возрасту, отсортированы в порядке уменьшения, по количеству пользователей в каждой возрастной группе. Вот почему здесь видна небольшая стрелка. Мы уже знаем, что почти 50% пользователей в группе 25-34 лет. Знаем значение каждой из колонок: сессии новых пользователей, показатель отказов, страницы за сессию, средняя продолжительность сессии. А вот мы видим новый блок: "Конверсии" для данного веб-сайта. У нас будет специальный курс по настройке конверсий и анализу данных. Однако, для понимания в этой главе, где мы делим пользователей по возрасту, мы попробуем разобраться в трех вещах: транзакции, доход и коэффициент транзакций. Некоторым из вас, данные термины могут быть уже знакомы.

Представим, что на веб-сайт зашли три посетителя и что-то купили. Посетитель 1 приобрел товаров на $100, а затем на $20. Посетитель 2 приобрел товаров на $120. Посетитель три приобрел товаров на $60, на $30, и снова на $30. Общая выручка, которую принес веб-сайт в первом, втором и третьем случае равняется $120. Всего выручка составила $360. При этом, общее количество осуществленных транзакций на сайте, равно двум для первого пользователя, одной для второго и трем для третьего. Всего 6 транзакций. Это вторая колонка в таблице. Третья колонка - это коэффициент конверсий. У Google для этого берется количество транзакций (в нашем первом примере это 11), которое затем делится на количество сеансов, после чего вычисляется процент от результата.

Давайте проверим на калькуляторе. В первом примере у нас было 11 транзакций в группе 25-34 лет, при общем количестве сессий 40703. Так как нужно посчитать это в процентах, то умножаем результат на 100. Получается 0.027%, что округляется до 0.03%. Вы уже поняли: количество транзакций делится на количество сеансов в данном сегменте. Также можно посчитать общий показатель эффективности рекламы, разделив общее количество транзакций на общее количество сеансов.

Теперь можно приступить к анализу данных в таблице.

Давайте посмотрим на область таблицы с конверсиями. Отметим самый высокий показатель в каждой из колонок. Больше всех транзакций совершила группа 25-34 лет. Также отметим занявших второе место. Сделаем то же самое с колонкой "Доход". Максимальный доход принесла группа 55-64 лет. Второе место у группы 35-44 лет. У кого наилучшие показатели коэффициента транзакций? Это снова группа 55-64 лет. На втором месте группа 45-54 лет. Возрастная группа 25-34 лет, составляющая около 50% нашей популяции, принесли нам всего $404 выручки. Отметьте это для себя: так много пользователей, посещающих веб-сайт, при этом приносят нам так мало. В то время как возрастная группа 55-64 лет, наименьшая по количеству посещений (кроме группы 65+ лет), приносит нам более чем в два раза больше выручки чем самая многочисленная группа населения. Это ставит перед нам маркетинговую задачу, требующую решения.

По какой-то причине, мы имеем на сайте больше всего людей возрастной группы 25-34 лет; 50% от общего кол-ва трафика. Однако, они - не те, кто совершает покупки. Товар покупает возрастная группа 55-64 лет.

Мы можем предположить здесь одно из двух.

Первое - мы прикладываем наибольшие усилия в направлении, которое не приносит результата; возможно, мы в чем-то ошиблись, и нужно это исправить. Нужно работать над повышением показателя эффективности для возрастной группы 25-34 лет.

Другой возможный вариант - сконцентрироваться на возрастной группе, которая, как мы внезапно обнаружили, имеет хорошие показатели. Что бы мы не пытались делать для других возрастных групп, группа 55-64 лет имеет наилучшие показатели эффективности. Почему бы не сконцентрироваться на том, чтобы понять, как мы можем увеличить посещаемость веб-сайта данной группой пользователей. Если удастся это сделать, показатель эффективности вырастет автоматически, т.к. результаты уже есть у нас в таблице.

Такими представляются два возможных подхода к решению задачи. В одном случае мы решаем, что наши результаты представляют собой что-то вроде воронки с наибольшим объемом сверху, а в середине и снизу у нас что-то пошло не так; это надо исправить, и результаты улучшатся. С другой стороны, мы можем решить, что наша воронка просто работает лучше для определенных категорий пользователей, в ее середине и нижней части. Почему бы не улучшить работу с верхней частью воронки, чтобы она вся состояла из пользователей, подобных этим. Выбор за вами. Бизнесу необходимо ответить на подобный вызов. Ответ будет зависеть от продаваемого товара, условий, в которых ведется бизнес, и множества прочих вещей.

Тем не менее, Google Analytics предоставляет вам сведения, подобные этим. Ниоткуда больше вы бы не смогли получить подобные данные, на основании которых вы, по крайней мере, смогли сформировать для себя задачу. Цель данного курса как раз в том, чтобы показать, как взяв простой блок данных, подобный этому разделению пользователей на основе возрастных групп, можно применить к нему множество подходов и посмотреть, что получится в итоге, после чего уже принимать бизнес-решения, которые приводят к большим изменениям. Именно так Google Analytics позволяет вам принимать решения на основе имеющихся данных.

Как маркетологу, мне хотелось бы понимать, не упускаю ли я чего-либо, просматривая период времени только с 1 июля по 22 сентября 2019г. Возможно, в прошлом году, направление развития было совершенно иным. Нам следует установить больший диапазон дат, что позволит нам понимать, какие изменения произошли и когда, если изменения вообще имели место.

Можно задать с начала года. Также, необходимо задать сравнение с другим периодом времени для того, чтобы понимать, сохраняется ли поведение, которое мы наблюдаем после 1 июля, на более долгий срок. Сравниваем период 1 января - 22 сентября 2019 г. с предыдущим периодом 11 апреля - 31 декабря 2018 г. Оба периода включают одинаковое количество дней. Щелкаем на "Применить".

Мы видим в таблице нечто удивительное. Происходившее в период с 1 января по 22 сентября 2019 г. весьма сильно отличается от предшествующего периода. В период 11 апреля - 31 декабря 2018 г. все сегменты имели показатель эффективности свыше 1.5%. А потом, что-то пошло не так. Мы имели средний показатель в 1.78%, а теперь мы имеем 0.04%. Что-то резко случилось в данный промежуток времени. Мы не знаем, т.к., по-видимому, для этого необходимо понимать данный бизнес. С веб-сайта исчезли многие товары? Либо, фокус бизнеса переключился с веб-сайта на что-то иное. Либо еще что-нибудь. Изменился стиль продукции, либо появились другие веб-сайты с похожим предложением. Мы не узнаем наверняка. Зато теперь мы знаем, что что-то произошло. Что-то резко случилось между предыдущим периодом апрель-декабрь и нынешним январь-сентябрь.

Можно отыскать и конкретный период времени, когда это произошло. Нужно сравнить между собой периоды поменьше, т.к. мы видим, что отклонение произошло в период с января по сентябрь. Разобьем данный диапазон на периоды поменьше. Возьмем для сравнения между собой периоды 1 мая - 22 сентября 2019 г. и 7 декабря 2018 г. - 30 апреля 2019 г. Смотрим.

Поведение остается ровным в течение всего периода. Это означает, что отклонение произошло ранее в пределах выбранного нами тогда периода с апреля 2018. Давайте разобьем, начиная с августа 2018 и по декабрь того же года.

Вы видите, как много проб и ошибок включает данный процесс. Существуют и другие методы, но поскольку мы в данном разделе курса, я пытаюсь разобраться с периодом отклонения, используя данные, доступные нам в данном разделе. Здесь нет четко определенного процесса, поэтому необходимо немного поэкспериментировать с настройками, возможно, поиграть с датами, либо с другой переменной, чтобы увидеть, о чем говорят нам наши данные. Проще говоря, это метод проб и ошибок.

Мы выбрали для сравнения период с 1 августа по 31 декабря 2018 г. Необходимо очистить и снова обозначить выбор, чтобы установить предшествующий период. Давайте взглянем.

Отклонение уже однозначно имело место после 31 июля. Показатель эффективности в 2.98% резко превратился в 0.98%, затем в 0.85%. И мы знаем, что далее он упал еще сильнее, до 0.04% и 0.03%. Теперь мы знаем, что отклонение произошло где-то в период с 1 марта по 31 июля. Можно продвигаться дальше, делить и этот период, и смотреть что происходит.

Здесь мы обсуждали раздел демографии, но приемы, о которых я вам здесь рассказал, помогут вам при работе со всеми представлениями данных, которые вы встретите в Google Analytics. На самом деле, в будущем, когда мы будем создавать свои собственные представления данных, мы сможем пользоваться этими самыми приемами. Выбор диапазонов дат, переключение между представлениями и наборами данных, которые мы имеем перед собой на данный момент. К примеру, я переключился со "страниц за сеанс" на "пользователей", и затем далее, и анализ продолжился в другом направлении. Наполовину анализ является поставленным процессом, т.к. мы знаем куда и зачем нужно смотреть, но затем, он полностью зависит от экспериментирования с данными, наблюдения за их изменением в определенный период времени, и т.п.

Переходим в гендерный раздел. Динамика данных в данном разделе может быть иной, однако, подход к этим данным весьма схож с подходом, который мы использовали при разделении пользователей на возрастные группы.

Выберем наш диапазон дат, пусть это будет с 1 июля по 22 сентября 2019 г. Используем тот же самый процесс для анализа. Единственное отличие в том, что здесь мы видим два различных сегмента. Из интересных находок здесь, мы видим, что как минимум, в данный период времени, имелось 21976 пользователей женского и 42417 мужского пола. Грубо говоря, это 1/3 против 2/3. 66 мужчин и 33 женщины из каждых 100 пользователей. Это пропорциональная разбивка данных на группы. Еще из интересного здесь: выручка от мужской и женской аудитории практически одинакова. Трафик от мужской аудитории двукратно превышает трафик от женской, при этом выручка распределяется между группами как 50/50 (практически).

Это снова формирует вопрос к маркетологам: следует ли обеспечить лучший показатель эффективности для мужской части трафика? Либо, следует ли увеличить посещаемость веб-сайта для женской части трафика, т.к. у него самого по себе уже высокие показатели эффективности. Вопрос, которым должны задаваться маркетологи, зависит от целей и взглядов компании. Что делать с веб-сайтом? Какова стратегия дальнейшего развития? А также, многие другие. Однако, это не тема данной главы. Наша цель - понимание какие данные из Google Analytics задают нам подобное направление. Как только у нас появились такие данные, мы можем ответить на различные вызовы, изменить стратегию и многое другое.

Переходим из гендерного раздела в раздел интересов.