Analiza kohorti u Google Analyticsu

28.10.2015. Google Analytics Mia Bešker

Analizom kohorti se uspoređuju grupe korisnika u kojoj svaka grupa, odnosno kohorta ima zajedničko jednako iskustvo kroz koje prolazi u svom životnom vijeku. Podacima pristupamo u Audience tabu u Google Analyticsu.

Kohorte povezuje jednak period vremena u kojem su korisnici privučeni, odnosno bilježi se prvi put kada su pristupili web stranici ili aplikaciji, a njihovo ponašanje u vremenu možemo pratiti na mjesečnoj, tjednoj pa i dnevnoj bazi. Korisnici iz početnog perioda korištenja određenog proizvoda ili usluge nemaju jednako iskustvo korištenja proizvoda ili usluge koje imaju korisnici kasnijih razdoblja. Razlog tome je uvođenje promjena u poslovnom modelu u određenim periodima vremena što može uzrokovati promjene u ponašanju korisnika, bilo pozitivne bilo negativne. Podaci za kohorte u Analyticsu se bilježe za maksimalno zadnja 3 mjeseca u kojem možemo promatrati tri kohorte kroz vrijeme (svaka kohorta je skupina korisnika u pojedinom mjesecu). Uz takav pristup šireg promatranja ponašanja korisnika, korisnike s druge strane možemo promatrati na dnevnoj razini za zadnjih 7 dana (tada kohorta podrazumijeva skupinu korisnika na dnevnoj bazi).

Ovisno o industriji koju promatramo analizom kohorti u Google Analyticsu možemo promatrati različite segmente. Da bismo na primjer uspoređivali kako se kohorte ponašaju ovisno o tome kojim kanalom su te skupine korisnika došle do određene web stranice koja se bavi prodajom proizvoda i dalje se ponašale možemo uspoređivati podatke na tjednoj bazi za paid, direktni i organski promet prema sessionima.

Ukoliko na primjer, promatramo industriju kao što je gaming, kod kojih želimo postići da se korisnici vraćaju u igru što češće, kohortama ćemo uspoređivati kako se inicijalna skupina korisnika ponaša u odnosu na neku drugu skupinu nakon što smo napravili određene promjene. U tom slučaju nam je korisna mjera retention rate (stopa zadržavanja korisnika). Retention rate je korisno računati i u industrijama koje često mijenjaju ponude proizvoda, nude određene akcije na dnevnoj/tjednoj bazi i sl.

Na sljedećem primjeru promatramo retention rate kompanije koja mijenja ponudu svojih proizvoda na tjednoj bazi. Period koji promatramo je 6 tjedana. Svaki redak tablice predstavlja jednu kohortu, odnosno skupinu korisnika koji su posjetili web stranicu i čije ponašanje pratimo dalje u vremenu. Svaki stupac definira ponašanje više različitih skupina korisnika u svakom narednom tjednu. Ako promatramo period od 16.08. do 22.08. vidimo da je od ukupnog broja od 1.445 korisnika u sljedećem tjednu zadržano 2,28% korisnika, u tjednu nakon 2,15% korisnika i tako redom. Očekivano je da stopa korisnika pada u svakom narednom periodu, ali je poželjno da je taj pad što manji jer u tom slučaju možemo reći da su korisnici zadovoljni onime što se nudi i da se vraćaju na stranicu, u aplikaciju i sl.

Kada je retention rate mlađih kohorti (koje se nalaze niže u stupcima) viši možemo zaključiti da su promjene koje se uvode, odnosno novije ponude, bolje i zanimljivije korisnicima pa se više vraćaju na web stranicu ili u aplikaciju. Ako izdvojimo prvi tjedan privlačenja korisnika iz prethodnog primjera možemo uočiti da je retention rate mlađih kohorti (npr. 23.08. – 29.08.) viši od retention ratea starijih kohorti (npr. 09.08. – 15.08.), izuzev posljednjeg tjedna privlačenja korisnika (13.09. – 19.09.).

Prema prethodno predstavljenom primjeru možemo zaključiti kako je stopa zadržavanja korisnika nije visoka i pada na prosječno 2,53% od ukupnog broja korisnika već u prvom tjednu. U tom slučaju bi trebalo poraditi na “animiranju” korisnika njihovim boljim informiranjem, boljim ponudama, zanimljivijim sadržajem i svim ostalim što može utjecati na povećanje njihovog vraćanja na web stranicu. Za dodatno, dublje analiziranje podataka potrebno je kombinirati i ostale segmente i uspoređivati odakle i u kojem periodu nam dolazi najviše kvalitetnog prometa te raditi promjene na temelju usporedbe podataka.

Analizom kohorti možemo promatrati ponašanje korisnika iz različitih kuteva, od načina na koji su došli na web stranicu ili do aplikacije, kako su se dalje ponašali, jesu li izvršili određenu akciju kao što je transakcija i sl. Njihova primjena je široka. Analiza kohorti nam je važna zbog praćenja ponašanja korisnika na web stranicama, npr. nakon slanja posebne ponude korisnicima e-mailom, kod čestog mijenjanja ponuda, akcija itd. Uz ponašanje korisnika na web stranicama, značajne su i za analizu ponašanja korisnika unutar aplikacija. Analizom takvih kohorti možemo pratiti koliko odabrana aplikacija zadovoljava potrebe korisnika i koliko dodatne promjene utječu na njezino više ili manje korištenje.

Na temelju zaključaka koje dobijemo analizom kohorti možemo biti sigurniji da su određene promjene donijele bolje ili pak lošije rezultate što nam u konačnici pomaže u donošenju kvalitetnijih odluka u budućnosti.