I mange år har jeg jobbet med webanalyse og har jobbet med mange konsulenter og analytikere, både nasjonalt og internasjonalt. Jeg har dermed etter så mange år, etablert en modell som jeg ofte jobber utifra når det kommer til webanalyse og hvordan jobbe med dette området. Jeg vet det finnes mange gode modeller allerede og har benyttet flere i løpet av årenes løp. Men siste årene har det formet seg en modell som jeg har benyttet mer og mer, og som har vært veldig naturlig i arbeidet jeg har gjort.
Jeg kaller den webanalysemodellen og jeg har gitt punktene i denne modellen også beskrivende innhold for å forklare nærmere hva innholdet i de forskjellige punktene inneholder. Jeg håper du også kan ha glede av denne modellen og kom gjerne med tips og forslag til forbedringer eller andre modeller som du liker å jobbe med.
Webanalysemodellen
- Mål og KPI.
Det er viktig å starte med bedriftens mål. Definere hva som er viktig for virksomheten og hva som definerer suksesskriteriene. Hva er det som driver bedriften videre. Hva lever den av. Finn det, og fokuser på de tre fanene: øke profitt, redusere kostander og øke kundetilfredshet. Dokumenter i eget Målestrategidokument (Measurement Strategy) - Verktøy.
Ikke alle selskaper trenger Google Analytics, selv om majoriteten av nettstedene i verden benytter denne. Det er viktig å være verktøyagnostisk, slik at du kan fokusere på kundens behov for måling og datainnsamling. Noen har kanskje behov for andre måleverktøy. Det kan være fristende å være med på bølgen av nye trender på måleverktøy-fronten, som med event-målinger istedet for session-baserte målinger, men dette bør altså vurderes ut ifra hvilket behov som foreligger. Multikanal og plattformanalyse vil kanskje være relevant for noen bedrifter. Det bør adresseres her, for å kunne ivareta måling av data på tvers av plattformer. - Datastyring og Complience.
Hva skal samles av data? Hva trenger du av data for å hente innsikt? Her benyttes det som allerede er dokumentert i målestrategidokumentet til å befeste databehovet. Dette dokumenteres også i målestrategidokumentet. Hva er allerede satt opp? Trenger vi det? Skal noe fjernes? Forbedres? Endres?
Dette vil bety at du som ansvarlig for webanalyse eller måleoppsettet, er nødt til å jobbe kryssfaglig for å hente inn andre fagområders behov for data. Dette er et viktig område, ettersom det kan by på mange problemer om ikke datastyringen foregår gjennom en helhetlig fremgangsmåte.
Datastyring er viktigere enn noen gang og et viktig underpunkt av dette punktet er GDPR. Hvordan behandler du denne dataen. Er dataen sensitiv. Er det andre aktører som er interessert i denne dataen. Datainnhenting, databehandling og datarapportering må være i henhold til gjeldende lover og regler.
Datavalidering er også et viktig underpunkt. Dette for å kontrollere og sjekke at den insamlede dataen, faktisk er i overensstemmelse med det vi ønsker og er nøyaktige og pålitelige. Hvis ingen tør å stole på tallene, så mister også alt dette sin hensikt og magefølelser rundt omkring, vil blomstre. Det bør unngås.
Sist men ikke minst i dette punktet, så faller datademokratisering under som et viktig moment. For det er kanskje mange som ønsker dataen. Bedriften kan ha egne regler for hvilken data som skal deles, hvorfor det skal deles og hvordan det skal deles. Det bør derfor legges til rette for demokratisering i målestrategidokumentet allerede her. - Segmentering og målgrupper:
Segmentering og målgrupper er viktige områder å ha avdekket i forkant av en implementering. Dette er de viktigste målgruppene du ønsker å analysere og monitorere over tid. Det krever dermed en generell tilnærming for alle områder, slik at målgrupper og segmenter ikke er forskjellige fra avdeling til avdeling, eller person til person. Dette vil ha mye å si for rapportering i etterkant. I tillegg brukes mange av disse til markedsføring, remarketing og retargeting. I dette punktet kan det for eksempel være lurt å kartlegge kundereisen til brukerne. - Implementering (Tagging og Oppsett):
Den tekniske prosessen med å sette opp sporing og innsamling av data. Her skal det som er notert i målestrategidokumentet settes ut i live gjennom tagger, pixels, api og mer. Oppdages det mangler her, på ting som skal måles, så bør man gå tilbake til punkt 3 på nytt. Husk også på at dette innebærer ikke bare de tekniske målingene som skal inn på nettstedet enten fysisk i kode eller via Tag Management, men det gjelder også konfigurasjonen av verktøyet som skal samle inn. Det finnes ingen verktøy som er “ready to go” på innsamling, selv om mange har trodd at Google Analytics har vært det i mange år. Du er nødt til å tilpasse målingen og datainnsamlingen både i verktøy og i sporingsimplementeringen.
Det bør også nevnes at all implementering og oppsett bør testes både i forkant og i etterkant. - Kontroll og sporing:
Når dagene går, så kan det være vanskelig å oppdage avvik eller feil underveis. Det er derfor viktig at det etableres gode rutiner for overvåking og kontroll. Dette gjelder hele ABC (Acquisition, Behavior og Conversion).
Det vil si det må være noe som forteller oss om trafikken endrer seg, om atferd eller nettsider endrer seg i tall eller om brukeratferder endrer seg drastisk. Dette kan gjøres gjennom dashboards, alerts, automatiske eposter osv.
Dette er hendelser som er viktig i et analytisk perspektiv for det kan være med på å avdekke enten tekniske feil, menneskelige feil eller markedstrender som slår feil ut og som gjør større skade enn forventet. Det siste ønsker vi definitivt å unngå . - Analyse og Optimalisering:
Gjennom datainnsamling, gjennomgåtte vilkår for behandlingen av denne dataen, så skal dataen tolkes og formidles som informasjon. Denne informasjonen vurderes opp mot kontekst, andre verdier, andre analyser og læringer før det omdannes til en spesifikk innsikt eller anbefaling.
Hensikten bak analyse er å gi anbefalinger for å gjøre noe bedre. Dette er et kontinuerlig arbeid. Husk at analyse er både kvalitativ, kvantitativ, testing og eksperimentering, men kan også være en form for feilsøking. I enkelte tilfeller kan det oppstå behov for å finne årsak bak en atferd eller mangel på atferd. Innsiktsbehov bør derfor dokumenteres på tvers av organisasjonen og jobbes etter med vitenskapelig grunnlag ved benyttelse av hypotese, testing/eksperimentering og vurdering.
Husk at analysearbeidet skal som regel rettes tilbake til de mål som er satt for virksomheten, slik at innsikt, tiltak og resultater kan pekes tilbake til noe man ønsker å oppnå. Det kan i mange tilfeller være vanskelig å starte et sted og da kan ABC (Acquisition, Behavior og Conversion) være et sted å starte. Det handler da om å analysere trafikk til nettstedet, trafikken på nettstedet og de verdier som genereres ut ifra det. ABC er en veldig nyttig analysemodell for å holde deg strukturert på det som er viktig i en tidlig fase og er som regel enkel å relatere til de overordnede mål.
Analyse medfører innsikt og innsikt medfører utvikling og det igjen medfører nye behov. Det betyr at analysarbeidet vil utvikles i flere retninger over tid. Vær tydelig på at de retningene er i henhold til de mål som er satt, og ikke til det som er interessant. Det er fort gjort å “analysere seg bort” som ikke alltid er like viktige. Prioriteringer av analyse og innsikt kan da være lurt. Ved å spørre seg, “hva er det jeg egentlig ønsker å vite”, kan ofte være en god rettesnor for analysearbeidet. Også for de henvendelser som måtte komme fra sidelinjen. - Rapportering og Dashboard:
Dette punktet handler om rapportering av data og innsikt. I større selskaper er det ofte behov for forskjellige rapporteringer på forskjellige nivåer. Desto lenger opp i nivåene, desto færre datapunkter bør egentlig serveres i rapportform.
Husk også at tall ikke sier så mye alltid, men at historier sier mer og at tydelige anbefalinger ofte er det mange ønsker. Rapportering av tall alene kan ofte bli oversett og drukne i andre rapporter og tall.
Vær derfor veldig tydelig. En måten å være tydelig på, er å være konsekvent på tidsperioder. Hvis det ikke opereres etter samme tidsperioder fra person til person eller avdeling til avdeling, så blir det vanskelig å se helheter, muligheter osv. Det blir rett og slett umulig å sammenligne.
I lange trender så er det vanskeligere å se endringer. På korte tidsperioder, så er det vanskelig å se endringer over tid.
Bruk derfor tidsperioder som passer godt til det du ønsker å rapportere på og som passer for det nivået du skal rapportere til. Jeg har selv flere ganger laget egne rapporter for operativt nivå som har vært vesentlig forskjellige fra de som skal serveres på toppledernivå. - Kunnskapstrening:
Uansett hvor lenge du har vært i bransjen, så vil du alltid ha behov for trening og kursing. Det er så mange kurs og emner jeg gjerne skulle tatt, men har kun tid og råd til å gjøre et knippe av dem.
Kontinuerlig kursing og trening er viktig. Teknologien går fort. Trender går enda fortere og innovative løsninger og metoder dukker stadig opp, særlig i etterkant av at kunstig intelligens har blitt allemannseie. Følg med på autoriteter i bransjen for å holde deg oppdatert. Jeg følger flere på LinkedIn, noen få på nyhetsbrev og blogger. - Dokumentasjon:
Målestragidokumentet er blitt nevnt her, men kan ikke sies for ofte. Det er superviktig med dokumentasjon av det meste. Webanalyse er ofte noe som berører mange fagområder og nøkkelpersoner i bedriften og gjerne helt ut til leverandører og byråer. Det er derfor viktig at dokumentasjonen er oversiktlig og enkel å benytte og sette seg inn i. Akkurat her er det nok ingen fasit på hvordan dokumentet skal være, sålenge det “sørver” den hensikt det er satt til.
Om noen er flinkere enn meg til å visualisere en slik modell, så gjerne kom med ditt forslag. De fleste er nok bedre enn denne.
Enten det er kvartalsvis, halvårlig eller årlig, så bør man gjennomgå denne modellen og målestrategidokumentet på nytt. Måling og optimalisering er ikke noe som er statisk, men høyst dynamisk. Det skjer mye innen teknologisk utvikling, innovasjon, trender og atferder. Det som var riktig i fjor, er ikke nødvendigvis det som er riktig i år.
Webanalyse er ikke en isolert aktivitet. Det er viktig å samarbeide med andre fagområder, for eksempel markedsføring, produktutvikling, salg og kundeservice. Samtlige fagområder sitter på mengder av viktig læring, feedback, data og kunnskap som kan være uvurderlig innen webanalyse. Det handler om å forstå bedriften, bedriftens virksomhet, kunder og deres behov.
Totalt sett synes jeg denne modellen gir en god start og oversikt på webanalyseprosessen. Ved å gjennomgå og gjennomføre disse punktene, vil du få strukturert måten du henter og bringer innsikt for å optimaliseres egen eller kunders bedrift og/eller markedsføringsaktiviteter.
Jeg håper dette kan være med på å hjelpe til et enklere og bedre arbeid med webanalyse.
//Krister Ross