W dzisiejszym świecie marketingu internetowego, dane stanowią kluczowy czynnik sukcesu. Poznanie sposobu, w jaki użytkownicy korzystają z witryny internetowej, skąd pochodzą i jak się zachowują, może stanowczo pomóc podejmować świadome decyzje dotyczące strategii marketingowej i biznesowej. Google Analytics 4 (GA4) to potężne narzędzie analityczne, które umożliwia zbieranie i analizowanie danych dotyczących ruchu na stronach lub aplikacjach mobilnych. Oczywiście wymaga to odrobinę wiedzy i umiejętności, aby uzyskać wartościowe i użyteczne dane, ale na szczęście możemy wesprzeć się w tym za pomocą sztucznej inteligencji, czyli AI oraz uczenia maszynowego.
Elementy AI wyróżniają GA4 na tle jego poprzednika Universal Analytics. Opiszemy szerzej 4 z nich: analiza automatyczna, analiza niestandardowa, dane i odbiorcy prognozowani, atrybucja oparta na danych.
Spis treści
- Analiza automatyczna w Google Analytics 4 z użyciem AI
- Tworzenie analiz niestandardowych w Google Analytics 4
- Dane prognozowane z wykorzystaniem AI
- Odbiorcy prognozowani z pomocą AI
- Atrybucja oparta na danych
- Podsumowanie
Analiza automatyczna w Google Analytics 4 z użyciem AI
Analiza automatyczna to funkcja, która wykorzystuje AI do automatycznych statystyk i wniosków na podstawie zgromadzonych danych. Działa ona na zasadzie uczenia maszynowego, dzięki czemu jest w stanie rozpoznawać wzorce, nietypowe zmiany i zarysowujące się trendy w zachowaniu użytkowników, a następnie przetwarzać te informacje na zrozumiałe i użyteczne podsumowania.
Jeden z podglądów w te informacje jest dostępny na stronie głównej GA4. Dzięki niemu przejrzymy pytania, na które warto rzucić okiem wraz z otrzymaną od razu odpowiedzią. Sugerowane pytania są podzielone na 6 kategorii, które pomagają się nam skupić na kluczowych aspektach analizy danych:
- Ogólna skuteczność
np. W które dni mam najwięcej użytkowników? - Dane demograficzne
np. W których miastach jest najwięcej użytkowników? - Pozyskiwanie użytkowników
np. Porównaj przychody oraz użytkowników pochodzących z bezpłatnych/płatnych wyników wyszukiwania - Analiza ruchu
np. Miesięczny wzrost liczby użytkowników - Technologia
np. Jakie platformy są najczęściej używane? - E-commerce
np. Trend zmian tygodniowych przychodów w ciągu ostatnich 12 miesięcy
Gdy chcemy korzystać z tej funkcji, warto na bieżąco poddawać ocenie przydatność udzielanych informacji, aby algorytm był jak najlepiej dostosowany do naszych potrzeb. Dodatkowo każdą ze statystyk możemy udostępnić poprzez naciśnięcie trzech kropek w prawym górnym rogu opracowania.
W przypadku, kiedy nie ma dla nas interesującego pytania w opisanej wcześniej sekcji, możemy skorzystać z paska wyszukiwarki na górze strony. Funkcja ta działa nie najgorzej, ale AI nie odpowie nam na każde pytanie oraz musimy nauczyć się zadawać je w poprawny sposób. Przy odpowiedzi od AI będzie widniała charakterystyczna ikona trendu.
Kolejnym miejscem, gdzie znajdziemy analizę automatyczną jest zakładka “Trendy i rekomendacje” na Stronie głównej (innymi miejscami są: Podsumowanie reklam i Przegląd raportów). W niej dowiemy się o automatycznych statystykach oznaczonych symbolem gwiazdek i rekomendacjach dotyczących głównie obsługi Google Analytics 4 i jego rozszerzeń. Wskazywane przez sztuczną inteligencję statystyki to w większości anomalie dotyczące poszczególnych danych, jak np. w zeszłym miesiącu kanał „Organic” pojawił się w 60% Twoich ścieżek konwersji. Dzięki takim informacjom w łatwy sposób mamy wgląd w zmieniające się nieustannie dane na naszej witrynie lub/i aplikacji.
Wykrywanie anomalii bazuje na danych ciągów czasowych oraz różnych wartościach wymiarów w obrębie segmentu. Wykorzystując modele bayesowskie ciągów czasowych i analizę głównych składowych, funkcja automatycznie przewiduje wartość danych i tworzy przedział wiarygodności. Jeśli rzeczywista wartość wychodzi poza ten przedział, jest uznawana za anomalię. Okres szkolenia wynosi odpowiednio 2 tygodnie, 90 dni i 32 tygodnie dla anomalii godzinowych, dziennych i tygodniowych. Dzięki regularnym analizom co tydzień możemy szybko reagować na nietypowe zdarzenia i dostosować nasze strategie marketingowe na podstawie aktualnych wniosków.
Po naciśnięciu przycisku “Wyświetl wszystkie statystyki” nad zakładką “Trendy i rekomendacje” sprawdzimy wszystkie oferowane przez AI informacje na temat statystyk automatycznych do przejrzenia. Po naciśnięciu w interesującą nas danę, z prawej strony wyświetli się jej dłuższe opracowanie. Tak jak w przypadku pytań, zaleca się regularnie oceniać otrzymywane informacje, aby szkolić algorytm pod nasze preferencje.
Tworzenie analiz niestandardowych w Google Analytics 4
Statystyki niestandardowe wyznaczają warunki służące do wykrywania w danych zmian, które są dla nas ważne. Gdy te warunki zostaną spełnione, statystyki pojawią się w panelu Trendy. Statystyki te są oparte na zestawach reguł, które sami tworzymy. Dzięki temu możemy skoncentrować się na konkretnych metrykach i wskaźnikach, które są istotne dla naszej działalności. Sam proces tworzenia statystyk niestandardowych jest prosty i intuicyjny.
Na karcie Trendy w GA4 znajdziemy opcję „Wyświetl wszystkie statystyki”. Klikając na nią, otworzy się okno, w którym będziemy mogli tworzyć nowe statystyki. Możemy skorzystać z sugerowanych statystyk niestandardowych lub utworzyć własne od zera.
Jeśli chcemy skorzystać z proponowanych statystyk, zaznaczamy pole obok każdej z nich i klikamy „Utwórz na podstawie wybranej sugestii”. Jeśli jednak potrzebujemy dostosować te statystyki, klikamy „Sprawdź i utwórz”, gdzie możemy dokonać odpowiednich modyfikacji warunków.
Jeśli natomiast preferujemy stworzenie własnych statystyk, klikamy „Utwórz nowy” w sekcji „Zacznij od zera”. Następnie będziemy mogli zdefiniować warunki generowania statystyk.
Ważnym elementem jest wybór częstotliwości oceniania danych – możemy ustawić, czy mają być oceniane co godzinę, codziennie, co tydzień lub co miesiąc. Możemy także określić, które segmenty mają być uwzględnione lub wykluczone w analizie.
Kolejnym krokiem jest określenie danych, warunku i wartości, na podstawie których będą generowane statystyki. Możemy ustalić próg, od którego będą rejestrowane statystyki, na przykład procentowy spadek w aktywności użytkowników.
Nadajemy nazwę statystyce i dostosowujemy ustawienia powiadomień, jeśli chcemy otrzymywać powiadomienia
e-mailowe dla określonych użytkowników.
Gdy skończymy konfigurować statystykę, klikamy „Utwórz” i gotowe!
Dzięki możliwości tworzenia statystyk niestandardowych w Google Analytics 4, możemy dostosować analizę do swoich indywidualnych potrzeb i monitorować kluczowe metryki, które są istotne dla naszego biznesu. To przystępny sposób, aby uzyskać stosunkowo łatwy wgląd w dane i móc szybciej reagować na potencjalne anomalie opartych na konkretnych wskaźnikach.
Dla weteranów analityki wspomnimy, że funkcja ta jest zaawansowanym odpowiednikiem Alertów niestandardowych
z UA.
Dane prognozowane z wykorzystaniem AI
Google Analytics 4 oferuje funkcję danych prognozowanych, które automatycznie wzbogacają dane i umożliwiają analizę przyszłych zachowań użytkowników. Dzięki tym danym możemy uzyskać cenne informacje o klientach, gromadząc uporządkowane dane dotyczące zdarzeń. Google wykorzystuje systemy uczące się do przewidywania prawdopodobieństwa zakupu, rezygnacji oraz prognozowanych przychodów.
Prawdopodobieństwo zakupu informuje o szansach, że użytkownik, który był aktywny w ciągu ostatnich 28 dni, dokona zakupu w najbliższych 7 dniach. Natomiast prawdopodobieństwo rezygnacji określa szanse, że użytkownik, który był aktywny w witrynie lub aplikacji w ciągu ostatnich 7 dni, nie będzie aktywny w ciągu kolejnych 7 dni.
Dane prognozowane zawierają informacje o prognozowanych przychodach. Są to oczekiwane przychody w ciągu najbliższych 28 dni ze wszystkich konwersji opartych na potencjalnych zakupach, które użytkownik dokona w ciągu ostatnich 28 dni.
Aby skorzystać z tych danych musimy spełnić wymagania wstępne. Google Analytics wymaga minimalnej liczby pozytywnych i negatywnych przykładów użytkowników skłonnych do zakupów lub rezygnacji (w ciągu ostatnich 28 dni co najmniej 1000 powracających użytkowników spełniło odpowiedni warunek prognostyczny i 1000 użytkowników, którzy tego warunku nie spełnili). Konieczne jest również utrzymanie jakości modeli przez pewien czas. W celu kwalifikacji do korzystania z danych dotyczących prawdopodobieństwa zakupu i prognozowanych przychodów, usługa musi wysyłać zdarzenia purchase lub in_app_purchase, zaleca się jednak stosowanie zdarzeń purchase. Jeśli zbierasz dane o zdarzeniach purchase, musisz także gromadzić parametry value i currency tych zdarzeń.
Dane prognozowane są dostępne w Kreatorze list odbiorców i narzędziu Eksploracje. W Kreatorze list odbiorców możesz tworzyć listy odbiorców prognozowanych, a w narzędziu Eksploracje możesz korzystać z danych
o prawdopodobieństwie zakupu i rezygnacji w ramach metody Cykl życia użytkownika.
Aby jak najbardziej skorzystać z danych prognozowanych, zaleca się włączenie ustawienia „Wkład w modelowanie i statystyki biznesowe” w ustawieniach udostępniania danych. Ponadto, zbieranie różnorodnych i liczniejszych zdarzeń związanych z zachowaniem użytkowników przyczynia się do poprawy jakości modeli i dokładności prognoz.
Odbiorcy prognozowani z pomocą AI
W Google Analytics istnieje możliwość korzystania z danych prognozowanych, które umożliwiają tworzenie list odbiorców opartych na przewidywanych zachowaniach użytkowników. Dzięki tym danym możemy skonstruować listy, które zawierają użytkowników, przypuszczalnie dokonujących zakupu lub rezygnujących w określonym czasie. Narzędzie to, pomaga lepiej targetować kampanie i personalizować przekazy w przystępny sposób.
Aby skorzystać z funkcji odbiorców prognozowanych, nasze dane muszą spełniać określone wymagania wstępne.
Jeśli dane spełniają te kryteria, możemy tworzyć listy odbiorców na podstawie szablonów sugerowanych przez Google Analytics lub utworzyć niestandardowe listy z warunkami opartymi na danych prognozowanych.
W przypadku sugerowanych list odbiorców, które są gotowe do użycia, możemy wybrać grupy z dostępnej zakładki “Przewidywanie” i dostosować go do swoich potrzeb za pomocą Kreatora list odbiorców. Natomiast w przypadku tworzenia niestandardowych list odbiorców, możemy zdefiniować warunki oparte na danych prognozowanych, takie jak największe prawdopodobieństwo zakupu lub rezygnacji w określonym percentylu.
Możemy wykorzystać listy odbiorców prognozowanych w swoich usługach reklamowych, takich jak Google Ads, Display & Video 360 czy Search Ads 360. Listy te są automatycznie udostępniane wszystkim powiązanym kontom reklamowym. Możemy również wykorzystać je jako listy remarketingowe lub w kampaniach ponownie angażujących, aby docierać do użytkowników, którzy są bliscy konwersji lub są skłonni do rezygnacji.
Przykładowe sugerowane listy odbiorców prognozowanych obejmują „Kupujących, którzy w ciągu najbliższych 7 dni prawdopodobnie zrezygnują”, „Użytkowników, którzy w ciągu najbliższych 7 dni prawdopodobnie dokonają zakupu” czy „Użytkowników najbardziej skłonnych do zakupów w ciągu najbliższych 28 dni – prognoza”. Możemy dostosować te listy, dodając dodatkowe warunki, takie jak wartość od początku śledzenia lub określone zdarzenia.
Atrybucja oparta na danych
W świecie analizy danych i marketingu cyfrowego, koncepcje z teorii gier mogą odkrywać fascynujące sposoby analizowania i zrozumienia złożonych interakcji. Jednym z takich kluczowych pojęć jest Wartość Shapleya, nazwana
na cześć Lloyda Shapleya, który w 1953 roku zapoczątkował tę ideę jako narzędzie do podziału zysków w grach kooperacyjnych. Wartość ta odzwierciedla głębokie zrozumienie roli każdego gracza w zespole, uwzględniając ich wkład w osiągane korzyści. Teraz wyobraźmy sobie, że tę abstrakcyjną koncepcję możemy przenieść na grunt analizy marketingowej, a dokładniej na Atrybucję opartą na danych w GA4. Wartość Shapleya staje się narzędziem umożliwiającym nam przyglądanie się, jakie „kawałki tortu” przypadały każdemu kanałowi marketingowemu w procesie generowania zysków. Dzięki tej wartości możemy zrozumieć, ile wkładu każdy kanał wnosi w osiągnięcie poszczególnych celów.
Atrybucja ta, wykorzystuje zaawansowane algorytmy uczenia maszynowego do analizy ścieżek konwersji i ich wpływu na wyniki. Model ten bierze pod uwagę różne czynniki, takie jak czas od konwersji, rodzaj urządzenia, liczba interakcji
z reklamą, kolejność ekspozycji na reklamy i typ komponentów kreacji. Na tej podstawie model przypisuje udział w konwersji poszczególnym punktom kontaktu na podstawie obliczonego prawdopodobieństwa.
Atrybucja oparta na danych polega na analizie dostępnych danych o ścieżkach, aby opracować modele współczynnika konwersji dla każdego zdarzenia konwersji. Modele te oceniają prawdopodobieństwo dokonania konwersji przez użytkowników w różnych punktach ścieżki, biorąc pod uwagę ekspozycję na konkretne interakcje z reklamą. Aby porównać wyniki, modele używają danych z losowych grup kontrolnych do obliczenia korzyści wynikających
z wyświetleń reklam w Google.
Algorytm atrybucji przypisuje częściowe udziały w konwersji do poszczególnych punktów kontaktu na podstawie tego, jak zmieniają one szacowane prawdopodobieństwo konwersji. Wartości te są obliczane na podstawie różnych czynników, takich jak czas między interakcją z reklamą a konwersją, typ formatu i inne sygnały zapytań.
Dla skuteczniejszego zobrazowania tematu, załączam przykład zaproponowany przez Google:
Dzięki tej atrybucji w Google Analytics możemy lepiej zrozumieć, które punkty kontaktu są kluczowe dla konwersji i jak wpływają na wyniki marketingowe. To narzędzie umożliwia bardziej precyzyjne monitorowanie efektywności kampanii reklamowych oraz podejmowanie lepiej ugruntowanych decyzji dotyczących alokacji budżetu reklamowego. Wykorzystanie atrybucji opartej na danych może przyczynić się do zwiększenia skuteczności działań marketingowych
i osiągnięcia lepszych wyników konwersji.
Podsumowanie
Wprowadzenie sztucznej inteligencji (AI) i uczenia maszynowego do analizy danych w Google Analytics 4 może usprawnić proces wydobywania wartościowych informacji.
- Analiza automatyczna, wykorzystuje AI do generowania statystyk i wniosków na podstawie zgromadzonych danych, umożliwiając szybkie rozpoznawanie wzorców i nietypowych zmian w zachowaniu użytkowników.
- Tworzenie statystyk niestandardowych daje możliwość skupienia się na konkretnych metrykach i wskaźnikach istotnych dla działalności.
- Dane prognozowane wzbogacają dane o przyszłych zachowaniach użytkowników, dostarczając cennych informacji na temat prawdopodobieństwa zakupu, rezygnacji i prognozowanych przychodów.
- Możemy również korzystać z odbiorców prognozowanych, tworząc listy oparte na przewidywanych zachowaniach użytkowników, co pomoże w lepszym targetowaniu kampanii i personalizowaniu przekazów.
W celu jak najlepszego wykorzystania tych funkcji należy regularnie oceniać i dostosowywać otrzymywane informacje oraz spełnić określone wymagania dotyczące danych i modeli. Wykorzystanie AI i uczenia maszynowego nie zastąpi jeszcze dogłębnej analizy raportów przez człowieka, ale zapewni możliwość bardziej świadomego podejmowania decyzji marketingowych i lepszego zrozumienia klientów w przystępniejszy i szybszy sposób.
Bonus
Google udostępnił nową, bezpłatną ścieżkę edukacyjną dla osób zainteresowanych odkrywaniem tego, co kryje się pod maską generatywnego projektowania sztucznej inteligencji w Google Cloud. Szczegóły tutaj: https://www.cloudskillsboost.google/journeys/118
