Η επισκεψιμότητα της ιστοσελίδας σου ήταν σταθερή στους 500 επισκέπτες την εβδομάδα. Την περασμένη εβδομάδα έπεσε στους 350. Ξέρεις τι έγινε (λιγότεροι επισκέπτες). Δεν έχεις ιδέα γιατί.
Η περιγραφική ανάλυση σου λέει ότι ο αριθμός άλλαξε. Η διαγνωστική ανάλυση είναι ο τρόπος να βρεις τον λόγο. Αυτό το άρθρο καλύπτει τις τεχνικές για να ψάξεις τι προκάλεσε πραγματικά την αλλαγή και πώς να μην κυνηγάς λάθος ίχνη.
Η διαγνωστική ανάλυση είναι η πρακτική του να ψάχνεις γιατί έγινε κάτι. Περιγράφεις το σύμπτωμα (η επισκεψιμότητα έπεσε 30%) και μετά δουλεύεις προς τα πίσω για να βρεις την αιτία.
Το δύσκολο είναι αυτό: σχεδόν οτιδήποτε μπορεί να φανεί αιτία αν δεν προσέχεις. Το bounce rate ανέβηκε την ίδια εβδομάδα που έπεσε η επισκεψιμότητα. Προκάλεσε το bounce rate την πτώση ή κινήθηκαν μαζί χωρίς να έχουν καμία σχέση; Άλλαξε η πλοήγησή σου. Προκάλεσε την πτώση ή άλλαξαν την ίδια στιγμή οι κατατάξεις στη Google; Η διαγνωστική ανάλυση σημαίνει να απαντάς με ακρίβεια, όχι να μαντεύεις.
Πώς να ψάχνεις σαν να λύνεις μυστήριο
Η διαδικασία διάγνωσης γίνεται σε βήματα. Ξεκίνα συγκεκριμένα και μετά άνοιξε.
Βήμα 1: Όρισε το σύμπτωμα με ακρίβεια
Όχι «η επισκεψιμότητα είναι χάλια». Κάτι σαν «η οργανική επισκεψιμότητα από αναζήτηση έπεσε 35% από τις 15 έως τις 20 Ιανουαρίου σε σύγκριση με την ίδια περίοδο του προηγούμενου μήνα».
Η ακρίβεια μετράει. Το «η επισκεψιμότητα έπεσε» είναι αόριστο. Το «η οργανική επισκεψιμότητα από αναζήτηση έπεσε 35% σε πέντε μέρες» σου λέει ακριβώς τι να ψάξεις και στενεύει πολύ τις πιθανές αιτίες. Δεν προσπαθείς να εξηγήσεις όλη την επισκεψιμότητα, μόνο τη συγκεκριμένη μετρική που κινήθηκε.
Βήμα 2: Απομόνωσε τι μπορεί να το προκάλεσε
Τι άλλαξε γύρω στην ώρα που κινήθηκε η μετρική σου; Αυτή είναι η λίστα των υποθέσεών σου.
Δημοσίευσες νέο περιεχόμενο; Άλλαξες τους τίτλους των σελίδων σου; Άλλαξες τη δομή της ιστοσελίδας; Έτρεξες καμπάνια μάρκετινγκ; Σε ανέφερε κάποια άλλη ιστοσελίδα; Υπήρξε αναβάθμιση του αλγορίθμου της Google; Λάνσαρε κάτι ένας ανταγωνιστής; Άλλαξες τις ρυθμίσεις των στατιστικών σου;
Γράψε κάθε πιθανή αιτία. Μην ανησυχείς αν η λίστα είναι μεγάλη. Η δουλειά σου στη συνέχεια είναι να αποκλείσεις πιθανότητες.
Βήμα 3: Δοκίμασε τις υποθέσεις
Για κάθε υπόθεση ρώτα: αν αυτή ήταν η αιτία, τι θα περίμενα να δω στα δεδομένα;
Πες ότι η υπόθεσή σου είναι «ένας ανταγωνιστής λάνσαρε καμπάνια και πήρε την επισκεψιμότητά μας από την αναζήτηση». Αν ισχύει, θα περίμενες να δεις: (α) κάποιες λέξεις-κλειδιά για τις οποίες κατατασσόσουν τώρα κατατάσσουν τους ανταγωνιστές, (β) οι κατατάξεις σου έπεσαν για αυτές ακριβώς τις λέξεις-κλειδιά, (γ) η πτώση της επισκεψιμότητας περιορίζεται σε αυτές τις λέξεις-κλειδιά, όχι σε όλη την επισκεψιμότητα από αναζήτηση.
Δοκίμασέ το. Έπεσαν πραγματικά οι κατατάξεις σου για αυτές τις λέξεις-κλειδιά; Αν ναι, είναι ένδειξη υπέρ της υπόθεσής σου. Αν όχι, η υπόθεση είναι λάθος. Πήγαινε στην επόμενη.
Η ίδια διαδικασία ισχύει για τις υπόλοιπες υποθέσεις. Δημοσίευσες νέο περιεχόμενο; Αν αυτό προκάλεσε την πτώση, γιατί να μειώσει το νέο περιεχόμενο την υπάρχουσα επισκεψιμότητα; Δεν θα το έκανε, εκτός αν το νέο περιεχόμενο τρώει κλικ από τις κορυφαίες σελίδες σου (τώρα ανταγωνίζονται για τα ίδια αποτελέσματα αναζήτησης). Αν δεν συμβαίνει αυτό, δεν είναι η αιτία.
Βήμα 4: Έλεγξε για αιτιότητα, όχι μόνο για συσχέτιση
Αυτό το βήμα πιάνει τους περισσότερους. Δύο μετρικές μπορούν να κινηθούν μαζί χωρίς η μία να προκαλεί την άλλη.
Το bounce rate ανέβηκε την ίδια εβδομάδα που έπεσε η επισκεψιμότητα. Αυτό είναι συσχέτιση: κινήθηκαν μαζί. Η συσχέτιση όμως δεν είναι αιτιότητα. Το bounce rate δεν έριξε την επισκεψιμότητα. Και τα δύο μπορεί να είναι συμπτώματα του ίδιου προβλήματος (ίσως η Google υποβάθμισε την ιστοσελίδα σου, ήρθαν λιγότεροι επισκέπτες και όσοι ήρθαν βρήκαν το περιεχόμενό σου λιγότερο σχετικό).
Για να επιβεβαιώσεις την αιτιότητα, ρώτα: υπάρχει λογικός μηχανισμός; Αν το bounce rate έριξε την επισκεψιμότητα, πώς θα δούλευε αυτό; Δεν δουλεύει. Το bounce rate δείχνει πώς συμπεριφέρονται οι επισκέπτες αφού έρθουν. Δεν μπορεί να επηρεάσει πόσοι θα έρθουν εξαρχής. Άρα είναι μάλλον συσχέτιση, όχι αιτιότητα.
Βήμα 5: Επιβεβαίωσε με την πιο απλή εξήγηση
Έχεις στενέψει τις πιθανότητες. Η επισκεψιμότητά σου έπεσε συγκεκριμένα στην οργανική αναζήτηση. Οι κατατάξεις σου έπεσαν. Δεν έγιναν νέες αλλαγές στην ιστοσελίδα. Συμπέρασμα: η Google άλλαξε τα αποτελέσματα αναζήτησης (αναβάθμιση αλγορίθμου ή μετακίνηση κατάταξης). Αυτή είναι η πιο απλή εξήγηση.
Η πιο απλή εξήγηση που ταιριάζει στα δεδομένα είναι συνήθως η σωστή. Μην εφευρίσκεις περίπλοκες θεωρίες αν μια απλή εξηγεί αυτό που βλέπεις.
Οι τεχνικές που δουλεύουν πραγματικά
Η διαγνωστική ανάλυση χρησιμοποιεί συγκεκριμένες τεχνικές για την έρευνα. Αυτές είναι οι τεχνικές που μετράνε για τους ιδιοκτήτες ιστοσελίδων.
Ανάλυση ανά κατηγορία (χώρισε τα δεδομένα σου)
Αντί να κοιτάς «όλη την επισκεψιμότητα», χώρισέ την ανά πηγή. Πόση ήρθε από οργανική αναζήτηση; Πόση απευθείας; Πόση από παραπομπές;
Αν η συνολική επισκεψιμότητα έπεσε 30% αλλά η οργανική αναζήτηση έπεσε μόνο 10%, ξέρεις ότι το πρόβλημα είναι αλλού. Χωρίζοντας τους αριθμούς, έχεις στενέψει την έρευνα.
Το ίδιο και με τις σελίδες. Αν η συνολική επισκεψιμότητα έπεσε αλλά οι κορυφαίες σελίδες σου ανέβηκαν, ξέρεις ότι το πρόβλημα είναι οι μικρότερες σελίδες που καταρρέουν. Αν οι κορυφαίες σελίδες σου έπεσαν, είναι άλλη υπόθεση. Ο διαχωρισμός σου δείχνει τι ακριβώς χαλάει.
Ανάλυση τάσης (σύγκρινε περιόδους)
Κοίτα την ίδια μετρική σε διαφορετικές χρονικές περιόδους. Η επισκεψιμότητά σου αυτόν τον μήνα σε σχέση με τον προηγούμενο και με πέρυσι. Έπεσε απότομα ή σταδιακά; Έπεσε σε μια συγκεκριμένη μέρα ή σε αρκετές μέρες;
Μια απότομη πτώση στις 15 Μαρτίου είναι διαφορετική από μια σταδιακή μείωση σε δύο εβδομάδες. Η πρώτη δείχνει γεγονός (αναβάθμιση της Google, αλλαγή στην ιστοσελίδα, κίνηση ανταγωνιστή). Η δεύτερη δείχνει τάση (εποχική μείωση, σταδιακή απώλεια κατάταξης).
Το σχήμα της τάσης σου λέει πού να ψάξεις.
Εντοπισμός ανωμαλιών (βρες τι διαφέρει)
Η επισκεψιμότητά σου έχει συνήθως μέσο όρο 500 επισκέπτες την ημέρα. Την περασμένη Πέμπτη ήταν 650. Την περασμένη Παρασκευή ήταν 300. Αυτές είναι ανωμαλίες: διαφέρουν από το κανονικό.
Οι ανωμαλίες αξίζουν έρευνα. Τι έγινε την Πέμπτη; Μια αιχμή δείχνει κάτι θετικό (μια δημοφιλής κοινοποίηση, μια αναφορά, καλές κατατάξεις στη Google). Τι έγινε την Παρασκευή; Μια κατάρρευση δείχνει κάτι αρνητικό (σφάλμα στην ιστοσελίδα, κάτι άλλαξε).
Εντοπίζοντας τις ανωμαλίες, ξέρεις ποιες μέρες να ψάξεις σε βάθος.
Ανάλυση ομάδων (cohort) (σύγκρινε ομάδες)
Μια ομάδα (cohort) είναι ένα σύνολο επισκεπτών με κάτι κοινό (ήρθαν αυτόν τον μήνα, ήρθαν από τη Google, είδαν μια συγκεκριμένη σελίδα).
Πες ότι έπεσε το ποσοστό μετατροπής σου. Αντί να κοιτάς μόνο τις συνολικές μετατροπές, σύγκρινε ομάδες. Έπεσαν οι μετατροπές για όσους ήρθαν από τη Google; Από διαφημίσεις; Από παραπομπές; Έπεσαν για νέους επισκέπτες αλλά όχι για επισκέπτες που επιστρέφουν;
Συγκρίνοντας ομάδες, βλέπεις ότι το πρόβλημα περιορίζεται σε συγκεκριμένες πηγές ή τύπους επισκεπτών, που είναι πολύ καλύτερη ένδειξη από μια γενική τάση.
Τα λάθη που σε στέλνουν σε λάθος δρόμο
Η διαγνωστική ανάλυση φαίνεται απλή αλλά υπάρχουν συνηθισμένοι τρόποι να την κάνεις λάθος.
Να μπερδεύεις τη συσχέτιση με την αιτιότητα
Δύο πράγματα κινήθηκαν μαζί. Υποθέτεις ότι το ένα προκάλεσε το άλλο. Συνήθως λάθος.
Το ποσοστό μετατροπής και το bounce rate ανέβηκαν και τα δύο. Σύμπτωση; Ίσως. Το υψηλότερο bounce rate προκαλεί υψηλότερη μετατροπή; Όχι, το bounce rate και η μετατροπή μετράνε διαφορετικές ομάδες επισκεπτών. Αυτή η συσχέτιση μάλλον δεν σημαίνει τίποτα.
Ρώτα πάντα: υπάρχει λογικός μηχανισμός; Μπορεί το Χ να προκαλέσει πραγματικά το Υ;
Να αγνοείς εξωτερικούς παράγοντες
Οι μετρικές σου άλλαξαν. Πριν κατηγορήσεις την ιστοσελίδα σου, ρώτα αν άλλαξε κάτι έξω από αυτήν.
Έβγαλε η Google αναβάθμιση αλγορίθμου; Λάνσαρε καμπάνια ένας ανταγωνιστής; Είχε ο κλάδος σου ένα μεγάλο γεγονός στις ειδήσεις; Αν η επισκεψιμότητά σου έπεσε την ίδια εβδομάδα που η Google ανακοίνωσε μια core αναβάθμιση, αυτή είναι μάλλον η αιτία, όχι κάτι που έκανες εσύ.
Κοίτα έξω από την ιστοσελίδα σου πριν κοιτάξεις μέσα.
Να περιπλέκεις τις απλές αιτίες
Παρατηρείς ότι έπεσε η επισκεψιμότητα. Ψάχνεις εβδομάδες και ανακαλύπτεις περίπλοκα ζητήματα. Μετά βρίσκεις ότι η πραγματική αιτία ήταν απλή: η ιστοσελίδα σου έπεσε για 2 ώρες μία μέρα.
Οι απλές αιτίες είναι πιο συνηθισμένες από τις περίπλοκες. Έλεγξε πρώτα τα προφανή: έβγαλε σφάλμα η ιστοσελίδα; Έσβησες κατά λάθος μια σελίδα; Άλλαξες κάτι τεχνικό; Άλλαξε δραματικά η επισκεψιμότητα από τις μηχανές αναζήτησης; Αυτά ελέγχονται εύκολα και συνήθως είναι η απάντηση.
Να αλλάζεις πολλά πράγματα μαζί
Πρόσεξες ένα πρόβλημα. Άλλαξες την αρχική σου σελίδα, την πλοήγηση, τις σελίδες προϊόντων και ξαναέγραψες τα κείμενά σου, όλα σε μία μέρα.
Τώρα οι μετατροπές άλλαξαν. Ποια αλλαγή το προκάλεσε; Όλες; Μία; Καμία, μήπως είναι εποχικό; Δεν μπορείς να πεις γιατί άλλαξες πολλά μαζί.
Όταν διαγιγνώσκεις προβλήματα, άλλαξε ένα πράγμα και μέτρησε τον αντίκτυπο πριν αλλάξεις το επόμενο.
Όταν χρειάζεσαι βοήθεια στη διάγνωση
Μερικές φορές η διαγνωστική ανάλυση είναι απλή (έκανες μια αλλαγή, άλλαξαν οι μετρικές, η σύνδεση είναι προφανής). Άλλες φορές είναι περίπλοκη και μπερδεμένη.
Όταν κολλήσεις:
Μίλησε με ανθρώπους που ξέρουν το πλαίσιο. Αν έχεις e-shop και έπεσαν οι μετατροπές, ρώτα τον πάροχο πληρωμών αν υπήρξε πρόβλημα. Ρώτα την ομάδα σου αν άλλαξε κάτι. Ρώτα τον προγραμματιστή σου αν έγινε αναβάθμιση της ιστοσελίδας. Ο αναλυτής δεδομένων μπορεί να βρει το μοτίβο, αλλά η ομάδα δίνει το πλαίσιο που λύνει το μυστήριο.
Εστίασε στη μικρότερη αλλαγή. Μην προσπαθείς να διαγνώσεις όλες τις μετρικές μαζί. Διάλεξε τη μετρική που μετράει περισσότερο και διάγνωσε εκείνη. Όταν καταλάβεις την αιτία μιας αλλαγής, οι άλλες συχνά ξεκαθαρίζουν.
Θυμήσου ότι κάποιες αλλαγές είναι απλώς θόρυβος. Η επισκεψιμότητά σου ανεβοκατεβαίνει κάθε εβδομάδα λόγω τυχαίας διακύμανσης. Δεν χρειάζεται κάθε αλλαγή διάγνωση. Αν ο μέσος όρος σου είναι 500 επισκέπτες και μια εβδομάδα είχες 490, είναι μέσα στην κανονική διακύμανση. Μην ψάχνεις κάθε μικροαλλαγή. Εστίασε στις σημαντικές αποκλίσεις.
Συχνές ερωτήσεις
Πόσο χρόνο παίρνει να διαγνώσω γιατί άλλαξε μια μετρική;
Μερικές φορές λεπτά (έκανες μια αλλαγή, βλέπεις τον αντίκτυπο). Μερικές φορές ώρες, αν χρειάζεται να δεις δεδομένα. Μερικές φορές μέρες, αν η αιτία δεν είναι ξεκάθαρη. Όσο πιο συγκεκριμένο είναι το αρχικό σύμπτωμα, τόσο πιο γρήγορα το διαγιγνώσκεις. Το «η επισκεψιμότητα έπεσε τη Δευτέρα» διαγιγνώσκεται πιο εύκολα από το «η επισκεψιμότητα πέφτει σταδιακά εδώ και τρεις μήνες». Με τον δημιουργό ιστοσελίδων του WEMASY, μπορείς να το στήσεις απευθείας στην ιστοσελίδα σου.
Τι γίνεται αν δεν μπορώ να βρω την αιτία;
Είναι πιθανό η αιτία να είναι εξωτερική και να μη φαίνεται στα δεδομένα σου (αλλαγή στην αγορά, εποχική τάση, κίνηση ανταγωνιστή). Είναι επίσης πιθανό η αλλαγή να είναι απλώς τυχαία διακύμανση. Αν δοκίμασες τις προφανείς υποθέσεις και δεν βρήκες τίποτα, δέξου ότι μερικές φορές δεν διαγιγνώσκονται όλα. Προχώρα στην επόμενη ευκαιρία.
Μπορώ να διαγνώσω πράγματα αναδρομικά ή πρέπει να τα παρακολουθώ ζωντανά;
Μπορείς να διαγνώσεις αναδρομικά αν το σύστημα στατιστικών κατέγραψε τα δεδομένα. Τα στατιστικά του WEMASY κρατούν ιστορικά δεδομένα, ώστε να γυρίσεις εβδομάδες ή μήνες πίσω και να ψάξεις. Δεν χρειάζεσαι δεδομένα σε πραγματικό χρόνο για να διαγνώσεις γιατί έγινε κάτι.
Υπάρχει τρόπος να μαθαίνω αυτόματα όταν αλλάζει κάτι;
Ναι. Τα περισσότερα εργαλεία στατιστικών σου επιτρέπουν να βάλεις ειδοποιήσεις για απότομες αλλαγές (η επισκεψιμότητα πέφτει πάνω από 20%, πέφτουν οι μετατροπές κ.λπ.). Αυτές οι ειδοποιήσεις σου λένε ότι άλλαξε κάτι, ώστε να το διαγνώσεις. Τη διάγνωση όμως πρέπει να την κάνεις εσύ. Η ειδοποίηση απλώς σου λέει ότι αξίζει να ψάξεις.
Να διορθώνω προβλήματα με βάση τα διαγνωστικά ευρήματα ή να τα δοκιμάζω πρώτα;
Δοκίμασε πρώτα αν μπορείς. Όταν νομίζεις ότι ξέρεις την αιτία, κάνε μια μικρή αλλαγή και μέτρησε αν βελτιώνεται η μετρική. Έτσι επιβεβαιώνεις ότι η διάγνωσή σου ήταν σωστή πριν επενδύσεις χρόνο σε μεγάλη διόρθωση. Οι μικρές δοκιμές είναι πιο γρήγορες από το να ψάχνεις λάθος πρόβλημα.
Σε τι διαφέρει η διαγνωστική ανάλυση από τη διαγνωστική επιχειρηματική νοημοσύνη (business intelligence);
Είναι παρόμοιες έννοιες. Και οι δύο αφορούν το να ψάχνεις γιατί έγινε κάτι. Στα στατιστικά κοιτάμε συγκεκριμένα δεδομένα για να βρούμε βασικές αιτίες. Στην επιχειρηματική νοημοσύνη μπορεί να κοιτάς και λειτουργικούς παράγοντες, αποφάσεις της ομάδας, συνθήκες της αγοράς. Για τους ιδιοκτήτες ιστοσελίδων, η διαγνωστική ανάλυση είναι το πρακτικό εργαλείο που μπορούν να χρησιμοποιήσουν άμεσα.