Поведенческие метрики: когда они полезны, а когда - нет

Поведенческие метрики: когда они полезны, а когда - нет

Avatar500Px

SpySerp Team  |  

03 авг., 2018

Существует множество мнений насчет пользы поведенческих метрик в Google Analytics. Некоторые пользователи отмечают их пользу, некоторые же считают, что они не играют особой роли. Некоторые маркетологи и SEO-специалисты отмечают, что данные о поведении пользователей на сайте нужно учитывать для выстраивания дальнейшей стратегии, а некоторые (например, специалисты топовых SEO-агентств вроде SEER Interactive) говорят, что этим метрикам не стоит верить и обращать на них пристальное внимание.

Как и в большинстве случаев, истина находится где-то посередине. И в сегодняшней статье мы расскажем, когда стоит и когда не стоит обращать внимание на поведенческие метрики из Google Analytics.

Когда данные не стоит использовать?

1. Когда они используются для замены конверсионных показателей

Если команда демонстрирует успех ведения продвижения, базируясь на таких показателях, как глубина просмотра, процент отказов или время, которое пользователь провел на сайте, то такие данные мало чего стоят, если стоит задача, например, поднять продажи.

Вышеперечисленные метрики не могут выступать в качестве показателей конверсии, которые нужно оптимизировать в дальнейшем.

2. При сравнении с нерелевантными сайта

Не стоит брать поведенческие метрики сайта для сравнения с аналогичными показателями у сайтов, которые относятся к другой категории.

В своих предыдущих статьях мы рассматривали примеры разных показателей bounce rate и указывали, что для разноотраслевых сайтов и их типов показатели будут абсолютно разными. Так, для лендинга показатель отказов в 70% будет нормой, для коммерческого сайта - в пределах 45-55%, а для развлекательных блогов средняя конверсия составляет 40% и ниже.

Аналогичная ситуация и со временем пребывания пользователя на странице. Для e-commerce сайтов этот показатель не играет большой роли и команде не нужно, чтобы пользователь задерживался на сайте как можно дольше. Если посетитель потратил не 5-10 минут на покупку товара, а 40 минут, то это свидетельствует только о плохо выстроенном взаимодействии.

Таким образом, не стоит сравнивать между собой поведенческие метрики лендинга, новостного сайта, интернет-магазина и блога.

3. Отсутствует аналитика источников трафика и временного промежутка

Поведенческие метрики Google Analytics также окажутся бесполезными, если анализировать их без учета источников трафика и временных отрезков.

Пользователи, совершающие сеансы с мобильных телефонов, “принесут” с собой низкие показатели глубины просмотра и высокий bounce rate. Аналогичные показатели будут при трафике, полученном из социальных сетей. Это - не аномалия, а характерное поведение пользователей в сети.

Именно поэтому следует учитывать источники трафика и сопоставлять их с поведенческими характеристиками, а также проводить аналитику не на текущий период времени, а за промежуток в неделю, месяц, квартал и т.д.

Когда данные стоит использовать?

1. При сравнении с релевантными конкурентами (средняя информация по нише)

Если во втором пункте предыдущего раздела мы указали недопустимость сравнения с нерелевантными конкурентами, то в данном случае получается обратная картина: данные о поведении аудитории сайта можно и нужно сравнивать с показателями релевантных конкурентов.

Другими словами, сравнение данных между двумя лендингами, новостными сайтами или блогами позволит определить сильные и слабые стороны конкурента, а также вывести свою собственную стратегию на основании полученных данных.

2. Для аналитики конверсионной воронки

Количество регистраций увеличилось? Увеличилось число покупателей на сайте? Проверьте конверсионную воронку и определите этапы, на которых посетители лучше конвертируются в лидов, а также посмотрите их поведенческие характеристики для более углубленного анализа.

В свою очередь, конверсионная воронка может быть создана в Google Analytics.

Funnel1

3. Сравнение показателей за разные временные промежутки

В данном случае использование поведенческих метрик может быть полезным. К примеру, сравнивая показатели за май и ноябрь текущего года, можно сделать выводы о внутренних или внешних причинах изменения поведения посетителей.

Например, если вовлеченность пользователей и конверсия увеличиваются в период май-август и эти же показатели падают в период октябрь-март, то можно сделать вывод о сезонных колебаниях, влияющих на спрос/предложение. Другой пример: на сайте появился новый автор, после чего показатель отказов увеличился. Спустя время этот показатель выровнялся - это свидетельствует о том, что новый автор адаптировался к стилистике и рабочему процессу, и читабельность материалов на блоге снова приходит в норму.

Сделаем общий вывод: поведенческие метрики Google Analytics могут быть полезными не в качестве самостоятельного показателя, а в качестве инструментов, позволяющих корректировать или углубленно анализировать другие данные.   

Похожие статьи