Poenget med webanalyse er optimalisering og handling, ikke innsamling av data, verktøy og flotte rapporter. Gjennom optimalisering og handling vil webanalysen bidra til økonomisk verdiskaping og forbedring av brukskvaliteten.
En rapport fra Econsultancy fra en tid tilbake tilsier at investeringen i webanalyse vil øke. I rapporten kommer det også frem at investeringene som gjøres er hovedsakelig i humankapital og ikke i verktøy - fordi det er menneskene som skaper verdiene, og ikke verktøyene.
For å kunne optimalisere og handle må man gjøre et forarbeid. I dette innlegget tar jeg for meg veien frem til optimalisering og handling gjennom en modell kalt
Effektiv webanalyse
Modell for Effektiv Webanalyse.
Strategisk fundament
Webanalyse uten en strategisk forankring i bedriften eller organisasjonen gjør arbeidet mye tyngre. Uten forankring hos ledelsen er det vanskelig å få gjennomført forbedringer (handling). I stedet for å bruke tiden til verdiskapning for egen bedrift/organisasjon eller for de besøkende, vil mye av tiden gå med til å misjonere webanalyse innad.
Webanalyse kan med andre ord også innebære organisasjonsendringer, politiske prosesser, endringer av tankesett og annerledes allokering av budsjetter.
Definer forretningsmål og ønsket utbytte
Det første man bør gjøre er å definere hvilke forretningsmål webanalysen skal gi svar på, og hva som er ønsket utbytte. Utarbeidelse av KPIer (Key Performance Indicators) vil bidra til å gi svar på dette, samt kunne avdekke hvilke målinger som bør gjøres.
Datainnsamlingsbehov og metode
Gjennom utarbeidelsen av KPIen bør det komme frem hvilke databehov man har, og gjennom dette også hvilke metoder som bør benyttes. Med andre ord, utarbeidelse av KPIer vil indirekte kunne si noe om valg av webanalyseverktøy.
- Er det et krav at dataene må lagres in-house?
- Er det behov for å lagre personinformasjon i webanalyseverktøyet?
- CRM-integrasjon eller integrasjon mot andre systemer?
- Innsamling av kvalitative data?
- Økonomiske forhold?
Selv om jeg skriver en del om Google Analytics er jeg verktøynøytral. For enkelte vil ikke gratisverktøy slik som Google Analytics eller Yahoo! Analytics være tilstrekkelig, men valg av verktøy bør avgjøres ut i fra hvilke behov man har, og ikke ut i fra en salgspitch fra en verktøyleverandør.
Operasjonell infrastruktur
Oppsett av webanalyse i henhold til behov
Denne delen har til hensikt å gi svar på hvordan informasjonen skal samles inn. Vi har kommet frem til hvilke(t) verktøy som er mest formålstjenlig for vårt behov.
Oppsett og implementering kan i blant være en forferdelig tung prosess, men et så riktig oppsett som mulig er nødvendig for at man skal kunne ta riktige beslutninger basert på dataene som kommer ut i andre enden. Med vilje har jeg skrevet "et så riktig oppsett som mulig", fordi at det vil også være et spørsmål om kost/nytte.
Mange installeringer jeg har sett er ikke satt opp i henhold til behov. Årsaken til dette er ofte at man ikke har definert forretningsmål eller ønsket utbytte. Dette punktet handler også om datakvalitet. Hvilke data er det viktig å samle inn, og hvilke data bør filtreres bort?
Dataene vil aldri bli perfekte, men de bør være så gode at man kan gjøre kvalifiserte analyser.
Noen enkle eksempler på dette kan være:
- Er kontoen riktig organisert?
- Spores konverteringsmål?
- Er egne ansatte ekskludert fra dataene?
- Spores kjøp og salg i nettbutikken? (Jeg overraskes stadig over nettbutikker som ikke tracker kjøp og salg).
- Spores søk fra "norske søkemotorer" slik som ABC Startsiden?
- Spores feilmeldinger, og er webanalysen satt opp til å spore brukerproblemer?
- Internsøk og søk med null treff
- Kampanjesporing
- Segmentering, for eksempel kunde/ikke-kunde.
- Sporing på tvers av domener og subdomener
- Sporing av RIA (Rich Internet Applications) slik som Flash og AJAX
Men, det er heller ikke noe poeng i at man skal samle alle typer data bare fordi man kan. Som Avinash Kaushik sier:
Det er ikke noe vits i å være rik på data, men fattig på informasjon.
Et forhold som mange ikke tenker over, er at om man bytter til en annen publiseringsløsning, må man også påberegne at webanalysen må settes opp på nytt.
Lag og kommuniser standardiserte analyserapporter
Når data har blitt samlet inn, hvordan får vi denne informasjonen til de riktige personene til riktig tid i riktig format?
Kun de mest interesserte vil logge seg inn i webanalyseverktøyet, og det er kanskje heller ikke riktig at alle skal ha tilgang. Det kan derfor vær nødvendig å utvikle standardiserte rapporter tilpasset mottageren, og sørge for distribusjon av rapportene. Forhåpentligvis har det vært gjennomført en KPI-workshop som har avdekket hvem som skal motta rapportene, og hvilke KPIer som skal rapporteres til hvem.
Rapportene må inneholde kontekst, det vil si at man kan ikke bare generere noen rapporter automatisk og sende de til mottageren. For at rapporten skal være verdiskapende og ikke bare en tidstyv for mottageren, må rapporten inneholde tolkninger av informasjonen og forslag til handlinger gjeldende for denne personens fagområde - med andre ord rapporter med action!
Verdiskapende prosess
Det er først gjennom analyse av dataene og handling basert på disse at webanalysen fører til verdiskaping. Det er dette som er webanalyse, men det er her minst ressurser brukes.
Avinash Kaushik mener at 10 % skal investeres i verktøy, og 90 % skal investeres i noen som kan analysere dataene. Eric T. Petersson mener en riktigere tilnærming er at 50 % bør investeres i verktøy, og 50 % bør investeres i mennesker.
Selv om de har en sprikende prosentsats er poenget likevel dette:
Uten en investering i noen som kan tolke dataene og komme med anbefalinger til optimalisering med bakgrunn i disse, gir webanalysen liten verdi.
For at webanalysen skal føre til verdiskaping fordrer det også at man ikke er en rigid organisasjon med en nettløsning som det er umulig å endre på. For som jeg skrev innledningsvis, først når webanalysen benyttes til optimalisering og handling vil den føre til økonomisk verdiskaping og forbedring av brukskvaliteten.
Analyser data og identifiser forbedringsområder
Det er mye og mangt som kan analyseres og antageligvis forbedres. Jeg er tilhenger av å dele dette opp i 4 områder basert på en modell som kalles REAN:
- Reach: Markedsføring, annonsering og all kommunikasjon som skjer utenfor nettstedet
- Engagement: Brukerens mottagelse på nettstedet (eks. kommunikasjon/innhold, brukervennlighet, design)
- Activation: Konverteringen
- Nurture: Vedlikeholde kontakten med den besøkende/kunden (eks. CRM, nyhetsbrev, sosiale medier)
Optimalisering
Basert på tolkning av data, hvordan kan vi optimalisere og forbedre det vi gjør? Dette punktet er det viktigste med hele webanalysen fordi at det er her verdien skapes og læring skjer.
Det kan kanskje synes som om det er en lang vei å gå før man får verdi ut av webanalysen, men det er fullt mulig å optimalisere og skape verdi selv om ikke alle forhold er på plass. Noe optimalisering er bedre enn ingen optimalisering.
Men jeg er likevel av den oppfatning av at har man ikke vært i gjennom en øvelse slik som jeg har beskrevet i dette innlegget, og har etablert forankring og prosesser, vil læringen utebli og verdiskapingen bli mindre.
Har du noen kommentarer, prosesser, erfaringer eller læringer som du har funnet nyttige - del de gjerne.
PS. Om du lurer på hvorfor to av stegene i modellen er grå, mens de andre har svart bakgrunn så er det fordi at min oppfatning er at de aller fleste befinner seg på disse nivåene. De har gått rett på innsamling av data og oppsett - men da ikke ut i fra behov siden de har hoppet bukk over forretningsmål og ønsket utbytte.