Afgelopen mei mocht ik een tijdje optrekken met Dennis Mortensen, voorafgaand aan het Webanalytics Congres. Eén van de onderwerpen die ter sprake kwam was “data pollution”. Waar men tijdens de industriële revolutie nooit stil stond bij het feit dat dit in de toekomst grote vervuilingsproblemen met zich mee zou brengen, staan we nu totaal niet stil bij de gigantische hoeveelheden data die we publiceren en vooral opslaan sinds het commercieel toegankelijk worden van het internet. Van logfiles tot en met elke foto die we ooit eens met onze telefoon hebben gemaakt.
Alleen relevante data meten
Hoeveel organisaties ken jij die tijdens een “Request For Information” webanalytics traject de vraag stellen aan pakket leveranciers of verouderde data wel tijdig wordt verwijderd? De vraag wordt vooral andersom gesteld: blijft alle oude detail data wel toegankelijk? Ik zou in de vraagstelling nog een stap verder willen gaan: meten jullie alleen de data die relevant is om de organisatie te sturen en bezoekers uiteindelijk relevante content te bieden? In hoeverre zijn jullie verantwoord bezig met data opslag?
Wat moet je webanalytics pakket kunnen?
Je webanalytics pakket haal je m.i. in huis om te meten en te rapporteren. Natuurlijk heeft iedereen de mond vol van de stap er na (ik doe zelf niet anders): inzichten en verbeteren, maar in hoeverre heb je daar je webanalytics pakket voor nodig en waarom zou dit ook moeten worden gemeten wanneer je niet aan het verbeteren bent? Wat zou een webanalytics pakket in de basis eigenlijk moeten kunnen?
- KPI trend rapportages voor marketing, sales en service (uniek bereik, contactfrequentie, contacttijd, aantal verkopen, percentage beantwoorde vragen aan de interne zoekmachine etc.).
- Online advertisting rapportages (inkoopkosten en omzet).
- Per profiel bijhouden (of doorgeven aan de klantprofiel database) welke onderdelen / producten worden bezocht en gekocht (zodat op basis van deze profiel informatie content targeting kan plaatsvinden).
- Alert functionaliteit voor foutmeldingen / errors, traag functionerende applicaties en traffic burtsts etc. (dit punt later toegevoegd door discussie naar aanleiding van dit artikel)
Eenvoudig goed kunnen meten wordt steeds moeilijker
De informatie uit het eerste punt heb ik bij voorkeur beschikbaar op bezoeksegment niveau (klant type en gedrag type), zodat bijvoorbeeld prestatie per herkomst van de bezoeker kan worden bekeken (zoals je ook in je advertising rapportage wilt terugzien).
Ik noem in de opsomming van gewenste functionaliteiten niet de bezoeken, funnelrapportages en afhaakpercentages van allerlei subonderdelen van het online kanaal. Deze wens zorgt er normaliter voor dat daadwerkelijk alles wordt gemeten en dat je daardor vanuit de user interface van het webanalytics pakket een overweldigende hoeveelheid aan data kunt raadplegen. Daarbij is het met de opkomst van Rich User Internet applicaties steeds ingewikkelder om het kunnen meten goed in te regelen, laat staan wanneer je dit wilt met je Iphone applicatie. Een goede implementatie kost, zeker bij grotere organisaties. Dan kost het vaak weken of zelfs maanden… En waarom? Waarom wil je al die details weten als het pakket de 4 basispunten goed oppakt?
Gestructureerd het online kanaal verbeteren
Wanneer je op een gestructureerde manier aan de slag gaat met het verbeteren van het online kanaal zul je willen werken aan het steeds beter begrijpen hoe bezoekers / gebruikers reageren op bepaalde communicatie en interactie. Je wilt immers zorgen dat iedereen die enige vorm van latente behoefte heeft in een dienst of product zoals deze door jou wordt aangeboden wordt verleid om in een natuurlijk werkende omgeving zijn of haar bezoekdoelen te vervullen. Waar begin je? Je kunt immers niet de volledige internet presence in 1 maal optimaliseren, dat gaat stap voor stap. Je begint of daar waar de prestatie van het online kanaal achterblijft op de gestelde targets (verkoop) of daar waar de klachten van de klanten het grootst zijn (service). Het eerste geeft je webanalyse tool natuurlijk prima aan (zonder details te meten), voor het 2e zul je even moeten aankloppen bij de klachtenafdeling of wie weet al webcare team of, nog een stap verder: het eigen online klanten forum.
Hoe genereer je inzichten waar verbetering haalbaar is?
Wat is na het bepalen wat je wilt gaan verbeteren het meest logische proces voor verbetering? In mijn ogen kwalitatief onderzoek in combinatie met logisch nadenken en praktijkervaring. Natuurlijk geeft een kwantitatieve funnelrapportage inzichten over waar de bezoeker afhaakt, maar de reden van afhaken wordt niet helder. Grote usability bottlenecks zullen ook zeker naar voren komen tijdens logisch nadenken, een expert review of een usability test. Dat logisch nadenken moet je overigens ook nog steeds doen nadat een kwantitatieve rapportage aangeeft dat er ergens een groot afhaakpercentage is… Wat je niet weet is of men niet gewoon afhaakt omdat de concurrent een beter aanbod heeft en de bezoeker aan het vergelijken was…
Usability test niet alleen je eigen website
Afhaakredenen die buiten de eigen website liggen kom je overigens ook vaak niet te weten in de standaard usability test waarbij alleen de eigen site aan een kritische blik wordt onderworpen. Je zult het gehele daadwerkelijke aankoopgedrag in kaart willen brengen. “U bent op zoek naar een goede hypotheek: hier is een PC met internet: ga uw gang” zal je veel meer inzichten verlenen in ontbrekende informatie. Wat wist de klant waar, waardoor hij afhaakt? Het houden van een enquete op de website over de te optimaliseren omgeving geeft ook altijd geweldige inzichten voor verbetering.
Bepalen welke verbetering daadwerkelijk werkt
Door de bedrijsdoelen en klachten van klanten weet je waar je moet optimaliseren, door kwalitatief onderzoek kom je er achter wat er verbeterd moet worden. De laatste stap is de verbetering gaan opzetten en dat is het terrein van AB testen. Stel een multidisciplinair team samen met interactie en klant communicatie kennis dat nadenkt over wat de klant mist in de dialoog die hij voert met het bedrijf waarvan hij het online kanaal bezoekt. Maak hier hypothesen van en toets deze middels AB testing. Beoordeel de winnaar door in je webanalyse pakket te kijken naar de prestatie van het segment bezoeker dat een testvariant heeft gezien in de KPI trendrapportages en voer deze winnaar door voor alle bezoekers / gebruikers.
Webanalytics: back to basics
Zonder detail webanalytics waarvan niemand de tijd heeft om er naar te kijken heb je nu de website verbeterd. Management beschikt over de juiste stuurinformatie en met de toolset praktijkkennis, usability testen, enquetes en AB testen kun je het online kanaal continue optimaliseren. Daarnaast ontvangt het personal content targeting systeem alleen die profiel informatie die relevant is. Welk webanalyse pakket durft het aan om terug naar de basics te gaan en met een geweldige user interface alleen die informatie te meten en te rapporteren die echt relevant is en wordt door ongehoord goed in?
Senior conversion consultant
Online Dialogue
Ton Wesseling (1974) is een ervaren online analytics consultant en tevens internet ondernemer. Op dit moment is hij actief als senior conversion consultant bij expert collectief Online Dialogue. Ton heeft ervaring met online trajecten vo...
Lees verder »Nieuwsbrief
Voortdurend op de hoogte van het laatste analytics en optimalisaties nieuws met onze nieuwsbrief!
Gebruik je al Get Satisfaction?
Deze User feedback software wordt in Nederland onder andere gebruikt door careerwise.nl, watsnel.nl en stirrr.nl
Lees meer over Get SatisfactionAangeboden door AboutAnalyticsNieuwste reacties
- the pilatesbiz: Hi there! Quick question thats entirely off topic. Do you know how to make your site mobile friendly? My web site looks...
- Leendert: Als ik het nu zo kijk heeft independer dit met de lening site wel aangepast. Ik vind dit een interessante materie. Al...
- Jan de Vries: Dank Michel voor je tip!
- Michel Kompanje: Leuke site om in de gaten te houden is http://visual.ly/. Binnenkort kun je hier op een gemakkelijker manier je eigen...
8 reacties
Ton, leuk stuk. Ik denk ook zeker wel dat je verhaal kán werken, maar ik vermoed dat de ‘beperkte’ dataset die je uiteindelijk vaststelt toch groter is dan die jij in bovenstaand artikel opsomt. Neem bijvoorbeeld een bouncerate, exitrate, conversierate, funnels, flows, of om nog maar te zwijgen over een exitrate op veldniveau, het zijn allemaal (in jouw ogen?) detail waardes die voor mij van groot belang zijn om nader onderzoek naar te doen (daarin ben ik het overigens geheel met je eens). Het afbakenen van wat je meet: prima, maar het minimaliseren tot 3 bullets, nee
misschien wel voor marketeers, maar zeker niet voor mensen die continue werken aan het verbeteren van de website.
En daar zeg ik dus: totale onzin. Bouncerate per pagina, funnels etc. heb je niet nodig om te verbeteren. Bedrijfsdoelen en klantwensen zouden leidend moeten zijn in waar je wilt verbeteren. Om dan te bepalen wat er verbeterd moet worden geeft praktijkervaring, usability testen en enquetes veel waardevollere inzichten dan de analyse van kwantitatieve data (waar je de mens buitensluit). Het kan wel (deels), maar is ook steeds moeilijker met de opkomst van applicaties. Tot slot kom je middels AB testen dan tot de juiste verbeteringen (daar is daadwerkelijk gedrag weer leidend) en meet je specifiek voor het te testen onderdeel details, maar dan heb je dus in het hele traject de door jou genoemde detail informatie niet nodig gehad.
Helaas zeggen mensen niet altijd wat ze doen / denken en zegt het bekijken / observeren van hun gedrag veel meer dan wat ze daadwerkelijk zeggen (bv. in de vorm van klagen of tijdens usability onderzoeken).
Voor mij is het daarom ook altijd een samenwerking tussen enerzijds de kwantitatieve data en anderzijds de kwalitatieve data. Zo kan een kwalitatief resultaat input geven voor kwantitatief onderzoek en andersom. Voor goed kwantitatief onderzoek is je dataset wel degelijk van belang en kunnen bouncerates, funnels, etc zeker van grote toegevoegde waarde zijn, zeker als je ze gaat bekijken op segment of zelfs klantniveau.
Alleen details testen tijdens AB testen lijkt niet nuttig. Je wilt de wijzigingen die zich voordoen eventueel na je AB test ook inzichtelijk krijgen. Mensen veranderen, gedrag verandert, het web verandert. Hierdoor is een uitkomst van een AB test tijdig en zeker niet voor eeuwig. Detailinformatie kan heel goed op paginaniveau een KPI zijn van die pagina die je continue wilt meten. Meten, gebruiken en zien zijn overigens drie totaal verschillende dingen. Zo kan je in dit voorbeeld prima de data meten en gebruiken (bv in alerting), maar kan hij onzichtbaar zijn voor de (of sommige) gebruikers van de webanalytics software.
Rich Internet Applications zijn inderdaad niet zo makkelijk te meten als standaard webpagina’s, maar dat moet geen reden zijn om geen detailinformatie te willen meten.
Daarnaast is detailinformatie vaak voor het meten van performancedoeleinden zeer bruikbaar en is het in die zin (het verbeteren van de performance van een website) ook zeker zeer nuttig en eigenlijk een gewoon een must
Ook daarbij de opmerking: mensen zeggen vaak niet als er iets niet goed gaat, vaak ook omdat ze zelf überhaupt niet weten wanneer er iets fout gaat. In die situaties moet je wel terugvallen op je data omdat je anders nooit te horen zal krijgen dat je het moet verbeteren. Daar kan ik je nog wel eens een voorbeeld van geven als je dat wilt 
Toch ben ik het vanwege de praktische invulling en de kosten niet met je eens
Goed dat we eens een keer van mening verschillen. Waar ik het wel mee eens ben is dat errors moeten worden opgevangen (zoals ook server respons tijd etc.). Dat vind ik daadwerkelijk een taak van webanalytics en een punt welke in met notitie zal toevoegen aan de lijst van 3!
Overigens wordt data pollution in de volksmond anders gebruikt. Hier betreft het vervuilde data in plaats van de mogelijke vervuiling die de hoeveelheid data met zich meebrengt (zoals in de aanhef van het artikel bedoeld).
Ik heb het driemaal moeten lezen om enigzins te bgrijpen waar het nu overgaat. Laat ik voorop stellen dat ik het wel belangrijk vind om kritisch te zijn op wat je verzameld en hoe je hiermee omgaat nu en in de toekomst. Alleen vanuit privacy oogpunt al een zeer belangrijk punt. Wat mijn WA pakket moet kunnen hangt af van de toepassing en de rol van het pakket. Wordt het onderdeel van mijn BI tooling, is het een report tool of moeten mij marketeers hiermee gaan werken. Voor ons is de WA tool een onderdeel van onze BI. Ik wil dus wel de detail informatie en die integreren binnen mijn datawarehouse.
Momenteel zijn de toepassingen nog zeer beperkt. Maar ik kan best wel voorbeelden bedenken. Je ziet bijvoorbeeld dat iemand zeer snelle muisbewegingen maakt (detail informatie toch?) en op verkeerde plaatsen klikt (ook detail informatie), conclusie die heeft haast, actie laten we de site hierop aanpassen (grote button geen overbodige informatie kort en bondig).
Wat volgens mij duidelijk naar voren komt is dat je niet gaat verzamelen om het verzamelen maar dat het een middel is om je doel te bereiken.
Waarom zou je het niet meten? Het kost je niets extra en mocht je er mee aan de slag willen gaan dan is dat mogelijk incl. historische data. Eigenlijk haal je een beetje 2 dingen door elkaar: Aan de ene kan de algemene klantervaring en de sales en contactmomenten die daarmee verbonden zijn tegenover kleine punten waar je de conversie van een site kan verbeteren. Door je funnel analyse weet je bijvoorbeeld waar je eens een AB test moet doen of waar je klanten moet vragen wat er mis gaat. Gebruik ze dus als alarmbelletjes voor situaties. Zeker met de nieuwe alerts functionaliteiten van Analytics moet dat zeker gaan lukken!
@jan is dat een goed of slecht teken dat je 3 keer moest lezen? Voor BI voeding vind ik zelf punt 3 van de opgesomde punten afdoende (ik weet dan per profiel wat de voorkeuren en interesses zijn), maar ik ben het met je eens dat ik een 5e punt zou kunnen toevoegen: muis en toestenbord gebruik. Dit hoeft voor mij echter mij niet door de webanalyse tool gemeten te worden die je gebruikt voor voeding van de KPI dashboards of de informatiestroom naar het datawarehouse. Dit kan prima een aparte tool zijn die het datawarehouse informeert (vandaar dat ik het als apart punt nu niet opneem).
Zo heb ik voor functionaliteiten die ik verwacht van mijn webanalyse tool ook het social media aspect niet genoemd (informatie over houding van mensen binnen social media naar jouw merk en die van je concurrenten) de concurrentie presence op internet (advertentiedruk) en prijsstelling, omdat ik ook hier aparte informatiebronnen of tools gebruik. Dit is immers algemene houding informatie en niet profiel gekoppelde gedrags informatie. Dit wordt anders zodra er een koppeling komt tussen sociale netwerk profielen en je eigen klant database, dan worden de uitingen van je klanten op hun social netwerk profielen wel gedrags informatie, maar dan nog verwacht ik een aparte tool, omdat het geen klikgedrag betreft, maar een taalanalyse.
@luc
Gezien de voorwaarden die ik stel aan een webanalyse tool valt een pakket als Google Analytics af. Voor het opbouwen van profiel gebonden gedrags informatie zul je in zee moeten gaan met Omniture en Webtrends achtige spelers en daar telt het kostenaspect wel degenlijk mee. Meer meten = meer data en servcapaciteit bij de aanbieder en daar betaal je goed voor, daarnaast kost de implementatie meer tijd (en de inrichting) en ook dat voel je in je portemonnee.
Middels funnel analyse kun je zien waar grote afhaakpercentages zijn, maar je weet niet of dit normaal is (en er wel ruimte voor verbetering is) en hoe je zou kunnen verbeteren.. Grote bottlenecks komen in gebruikerstesten zeker naar voren, details niet. Maar moet je je wel met deze details bezighouden?