Mi az a kohorszelemzés, és hogyan használd a Google Analyticsben

Maga a kohorszelemzés kissé összezavaró lehet, ennek pedig két fő oka van.

Az első ok, hogy a kohorszelemzés egy dinamikus folyamat. Ez azt jelenti, hogy más elemzési formákkal ellentétben a kohorszelemzés nem egy fix időszak munkameneteit vagy felhasználói tevékenységeit vizsgálja, hanem egy-egy adott felhasználócsoportot emel ki, és azok viselkedését elemzi egy bizonyos idő múlásával. (ez később egyértelmű lesz a szemléltető példának köszönhetően).

A másik ok, hogy a kohorszelemzés eredményeiből nehéz lehet pontosan kikövetkeztetni a legideálisabb lépéseket/változtatásokat, amelyekre szükség lehet a helyzet javítása érdekében. Ez az analízis megmutatja ugyan, hogy a felhasználók visszatérnek-e a webhelyre néhány héten belül, azonban arra nem ad választ, hogy miért (vagy miért nem).

Szóval miből is áll a kohorszelemzés? Egyáltalán mit jelent? Hogyan működik ez a Google Analytics rendszerében, és miért hasznos? Elég a kérdésekből, jöjjenek a válaszok!

Mi az a kohorszelemzés?

Definíció alapján a kohorszelemzés egy olyan analitikai módszer, ami azt vizsgálja, hogy egy csoport felhasználó viselkedése miként változik az idő múlásával, és ezzel betekintést nyújt ezen felhasználók élményeibe, illetve megmutatja, hogy mit tehet egy cég annak érdekében, hogy javítsa ezeket az élményeket.

Ez mind szép és jó, de nem árul el túl sokat arról, hogy mi is a kohorszelemzés valójában. Nézzünk meg először egy egyszerű példát arra, hogy hogyan jelenik meg ez a való életben, majd később a Google Analytics felületén is vetünk egy pillantást a kohorszelemzésre.

Egyszerű példa a kohorszelemzésre

Tegyük fel, hogy Orsolya, egy ügyfél, két hónappal ezelőtt ellátogatott webáruházadba az interneten, mert látta egy hirdetésben, hogy nagy leárazásokat kínálsz. Szétnézett a termékek között, és vett egy kis csomag próbacsomagot belőlük, hogy megnézze, milyen minőségre számíthat.

Cégtulajdonosként ilyenkor minden bizonnyal olyan kérdések fogalmazódnak meg benned, hogy „Vajon az olyan emberek, mint Orsi a próbacsomag miatt térnek vissza a webáruházamba?” vagy „Mennyi idő múlva térnek vissza?” esetleg „Milyen értéket képviselnek majd a cég számára?”.

Megkéred tehát áruházi asszisztensedet, hogy kövesse figyelemmel az olyan ügyfelek viselkedését, mint Orsolya, és nézze meg, hogy visszatérnek-e vásárolni, milyen gyakran, mennyi idő után, és így tovább…

Két hónappal később megkéred az asszisztensedet, hogy készítsen egy jelentést ezektől az Orsihoz hasonló emberekről (akiket a leárazás vonzott be az online üzletedbe és próbacsomagot vettek) – ezeknek az embereknek a csoportját nevezzük egy kohorsznak.

Mint az a jelentésből kiderült, az próbacsomag-vásárlók 55%-a egyáltalán nem tért vissza webáruházadba, 30%-uk visszatért, de nem vett semmit, míg a maradék 15% visszatért, és vásárolt is valamit ez alatt a két hónap alatt.

Szóval mi történt? Miért éppen ezek az arányok? Hogyan lehetne több látogatót rábírni arra, hogy térjen vissza webáruházadba (és lehetőleg ne csak nézelődni)?

Ilyenkor logikus feltételezni, hogy az emberek nagy része azért nem jött vissza soha, mert egyszerűen megfeledkeztek webáruházadról (persze lehetnek olyanok is, akiknek nem vált be a termék). Ebből következik, hogy talán megérné újracélzási kampányokkal elérni ezeket a látogatókat, emlékeztetni őket termékedről, és hogy vegyenek belőle többet, ha elégedettek voltak vele.

Ezek után megpróbálsz utánajárni annak, hogy miért nem vásároltak semmit azok, akik visszatértek webhelyedre. Talán kiderül, hogy a rendelési folyamat „Szállítási mód” lépésekor állnak meg sokan, és szakítják meg a vásárlást – lehet, hogy túl drága a házhozszállítás? Akkor mi lenne, ha egy olyan hirdetéssel céloznád újra ezeket a felhasználókat, ami olcsóbb, vagy akár ingyenes házhozszállítást kínál, ha visszatérnek hozzád vásárolni?

Mint láthatod, a kohorszelemzés önmagában nem feltétlenül ad válaszokat arra, hogy mi működik, és mi nem, de más elemzésekkel karöltve (például a Google Analytics rendszerében – nemsoká rátérünk erre is) rendkívül hasznos betekintéseket nyerhetsz vele látogatóid viselkedésébe, és azok miértjeibe.

A kohorszelemzés három legfontosabb tényezője

Az elméleti példa után térjünk át a kohorszelemzés gyakorlati részeire. Egy ilyen vizsgálat elvégzéséhez három fontos tényezőt kell definiálnod, mielőtt bármibe is belekezdenél.

1. Tényező: A kohorsz definíciója, ami mindig egy múltbéli időintervallumra vonatkozik

Egy kohorsz definíciója egy tetszőleges csoport, akik egy bizonyos múltbéli időintervallumon belül látogatták meg a webhelyedet (vagy blogodat, webáruházadat, stb.) Az első lépés tehát eldönteni, hogy mely időintervallumot szeretnéd vizsgálni.

A kohorszelemzésre úgy is tekinthetsz, mint egy tudományos kísérletre, aminek van egy eleje, egy vége, és egy csoportnyi alany, akiken a kísérleteket elvégzik. Egy ilyen kísérlet során minden tesztalany viselkedését figyelemmel követik, ahogyan azt te is teszed webhelyed látogatóival. Ebben az esetben a kohorszot a tesztalanyok alkotják a kísérlet elejétől a végéig.

Ha például egy konkrét promóciós esemény vagy kampány által kiváltott viselkedést szeretnéd vizsgálni látogatóidban, akkor a kohorszot azok a látogatók alkotják majd, akik az esemény ideje alatt érkeztek a webhelyedre.

A kohorszra több szűrőt is megadhatsz – például vizsgálhatod csak azokat a látogatókat, akik egy konkrét csatornán (Google, Facebook, Twitter, stb.) keresztül érkeztek webhelyedre.

2. Tényező: Az elemzés időtartama

Ha azt szeretnéd megtudni, hogy hogyan viselkednek a látogatók egy hónappal az első látogatásuk után, akkor az elemzés időtartama egy hónap. Ez a szám természetesen változhat az alapján, hogy mi az elemzés célja, hogy milyen jellegű tevékenységet folytat céged, hogy milyen a viszonyod az ügyfelekkel, stb.

3. Tényező: Az elemzés lezárásának időpontja

Ez sorban a harmadik tényező, amelyet ki kell választanod.

Tegyük fel, hogy egy olyan kohorsz viselkedését vizsgálod, amely január 1. és január 7. között látogattak el webhelyedre, és az elemzés időtartama egyhónap. Ilyenkor legkorábban február 7-én kaphatod meg az eredményeidet, hiszen ekkor jár le az egy hónap az utolsó felhasználónak, aki január 7-én látogatott el webhelyedre.

A Google Analytics kissé félreérthetően kezeli ezt a harmadik tényezőt. Nézzünk meg egy példát arra, hogy hogyan is néz ki a kohorszelemzés a GA felületén, és hogy mire kell odafigyelned (mit ne érts félre), amikor az eredményeket vizsgálod.

Kohorszelemzés a Google Analyticsben – Hogy néz ki, és mi téveszthet meg benne

A fenti példa egy Google Accounts fiók kohorszelemzését mutatja az alábbi beállításokkal:

• Kohorsztípus: Ügyfélszerzés időpontja
• Kohorszméret: hetente
• Mérőszám: Munkamenetek felhasználónkénti időtartama
• Dátumtartomány: A legutóbbi 6 héten (ezekből a képen csak 2 hét látható, de a példának ez most megfelel)

A kohorszokat a sorok jelölik, heteket pedig az oszlopok.

Az első időoszlop (0. hét) azt az átlag időtartamot mutatja, hogy átlagosan mennyi időt töltött el az adott kohorsz a webhely nézegetésével azon a héten, amikor először meglátogatta a webhelyet.

Egyelőre foglalkozzunk 1-1 sorral.

Ha az első kohorszot nézzük (a példa szerint szept. 23. – szept. 29. között első alkalommal látogató felhasználók), akkor a kiinduló (nulladik) héten 1 perc és 4 másodperc hosszú volt egy átlagos munkamenet időtartama, a következő héten (1. hét) 10 másodperc, utána (2. hét) pedig 7 másodperc.

A második kohorsz (vagyis a szept. 30 – okt. 6. között első alkalommal látogató felhasználók) kezdetben 1 perc 25 másodpercet töltöttek átlagosan a webhelyen, majd a következő héten (1. hét) 7 másodpercet, utána pedig (2. hét) 4 másodpercet.

Ha eddig érthető, akkor most vess egy pillantást az 1. hét és a 2. hét oszlopok legalsó értékeire, amelyek 4-4 másodpercet mutatnak, jóval kevesebbet, mint az előző sorokban. Mitől van ez? Nos, gondolj csak bele: ez a cikk november 7-én készül éppen. Ez azt jelenti, hogy most a nov. 5 – nov. 11. hét kellős közepén járunk. Ha megnézed a legutolsó kohorszt a listán, az az előző hetet (okt. 28. – nov. 3.) jelzi.

Ez az utolsó kohorsz még nem rendelkezik elegendő adattal az 1. hét (a jelenlegi hét) teljes kimutatására, hiszen még csak durván 2,5 nap telt el belőle – így az adatok nem az egész 1. hetet reprezentálják.

Az utolsó előtti kohorsznál a 2. hét oszlop utolsó értéke szintén a mostani hetet jelöli, hiszen ahhoz képest most van a második hét – ezért ez az adat sem egy egész hetet jelöl.

Ideális esetben ezek az adatok nem szabadna, hogy szerepeljenek a kohorszelemzés kimutatásában, mert még nem teljesen pontosak. Ha tehát a későbbiekben a Google Analyticset használod erre a célra, akkor tartsd észben, hogy mindig csak azon hetek adatait vedd figyelembe, amelyek egy teljes hetet reprezentálnak.

Kohorszelemzés a gyakorlatban

Nézzük meg, hogy hogyan működik a kohorszelemzés, ha nincsenek olyan eszközeid, mint a Google Analytics (habár egy ingyenes szolgáltatásról van szó, amit minden webmesternek ismernie kéne. Ezen kívül arról is szót ejtünk majd, hogy miért mutat a Google Analytics pontatlan kohorszadatokat, és hogy miért nem kell aggódnod emiatt.

Kohorszelemzés Google Analytics és hasonló eszközök nélkül

Az egyszerűbb magyarázat érdekében vegyünk példának egy olyan kitalált kohorszot, amelyet október 1-7. és november 1-7. között vizsgálunk.

A kohorszelemzéssel kapcsolatban gyakori félreértés, hogy ez az analízis csupán a kezdőidőszak (okt. 1. – okt. 7.) és a befejező időszak (nov. 1 – nov. 7.) közötti összesített adatok összevetése.

Valójában ez nem így van, hiszen nem lehet pontosan lemérni egy-egy kohorsz „teljesítményét” az összesített adatok alapján. Hogy miért? Mert lehetetlen megállapítani, hogy az az utolsó héten látogató személyek ugyan azok-e, akik az első héten is ellátogattak üzletedbe.

A kohorszelemzéshez azonosítanod kell minden felhasználót, akik a kezdőidőszakban (okt. 1. – okt. 7.) látogattak el webhelyedre, és egyenként kell megvizsgálnod a viselkedésüket az elemzés időtartamának végén, ami nov. 1 és nov. 7. között bármelyik napra eshet (aki október 3-án látogatott el, annál november 3-án jár le az egy hónap, aki 4-én látogatott, annak 4-én, stb.)

Ez után összesíted az egyéni felhasználók adatait, és így jön létre a végleges kohorszadat.

Azonban összegzés során egy kis problémába ütközöl majd. Az elemzés lezárásának időpontja nov. 1 és nov. 7. között bármelyik napra eshet attól függően, hogy a felhasználók mikor látogattak el először webhelyedre. Tehát valójában egy tartományról van szó, nem pedig egyetlen konkrét időpontról, mint például nov. 7.

Ebből következik, hogy az adatok nem lesznek egészen pontosak, hiszen a felhasználók elemzési időtartama lehet 1 hónap, vagy akár 1 hónap és 7 nap is. Ez kissé felfújja majd a végeredményt.

Ez történik a Google Analyticsben is, de ez teljesen érthető

A Google Analytics is beleveszi ezt a plusz hetet a kohorszelemzésbe, így nem teljesen pontos adatokat kínál, azonban érthető, hogy miért történik ez.

Az ilyen, kevésbé pontos adatok kiszámítása sokkal kevesebb számítási erőforrást vesz igénybe, ami nem elhanyagolandó, eltekintve hogy milyen elképesztő adatmennyiséget kell feldolgoznia az Analytics rendszerének, hogy minden egyéni felhasználóval számolni tudjon.

Ezzel nem igazán lehet mit kezdeni, de ettől még nagyon hasznos marad a kohorszelemzés a Google Analyticsben (különben nem szánnánk ennyi időt a magyarázására, és a Google sem fejlesztette volna ki ezt a funkciót) – csak tartsd észben, hogy nem 100%-ig pontos adatokat látsz.

Mi haszna van a kohorszelemzésnek egy cég számára?

Nézzünk meg, hogy milyen kohorszelemzéseket végezhetsz adataiddal, és hogy miként hasznosíthatod ezek eredményeit céged számára.

Általánosságban véve egy kohorszelemzés eredményeit sokkal nehezebb azonnal hasznosítani, mint más analízisekét. Ha például a konverziós tölcséredet vizsgálod, akkor azonnal, szinte valós időben láthatod, hogy a leendő ügyfelek a tölcsér melyik szintjén akadnak meg, vagy hagynak fel a folyamattal. Ilyenkor azonnal cselekedhetsz, és olyan változtatásokat végezhetsz, amelyek a későbbiekben kiküszöbölik az probléma forrását.

Azonban egy kohorszelemzés során meg kell várnod, hogy az egész elemzés befejeződjön. Amikor megérkeznek egy egy hónapos elemzési időtartamú kohorszelemzés végleges eredményei, és ezek alapján elvégzel néhány változtatást, akkor további egy hónapot kell majd várnod, hogy a végeredményeket összevethesd az előző elemzésével. Az újabb változtatások tesztelése még egy hónapot igényel majd, és így tovább.

Példák a kohorszelemzés felhasználására

Szóval mire érdemes használni a kohorszelemzést? Az egyszeri kohorszelemzésre jó példa a kampányok teljesítményének visszatekintő analízise, a folyamatos kohorszelemzés pedig jól alkalmazható a felhasználói aktivitás rendszeres mérésére.

A legtöbb sikeres marketinges és kampányvezető utólag kampányaira. Egy ilyen visszatekintés során néhány hónappal a kampány befejezése után vizsgálják meg annak adatait, és ez alapján megállapítják, hogy a kampánynak sikerülte-e elérnie a kívánt hosszú- és rövidtávú célokat.

A kohorszelemzés ilyenkor rengeteg viselkedési információt szolgáltathat a cég számára azokról az ügyfelekről, akiket a kampány során sikerült beszerezni vagy konvertálni. Ha például van egy olyan promóciós kampányod, amiben egy közel veszteséges áron kínálod termékeidet, akkor a végső cél az, hogy a vásárlók később visszatérjenek egy „valódi” vásárlásra, amin már rendesen keresni tudsz.

A kohorszelemzés segíthet kitalálni, hogy a kampány sikeres-e, tényleg visszatérnek-e ezek az ügyfelek, és hogy megéri-e folytatni/később megismételni ezt a bizonyos promóciót.

Említettük még a felhasználói aktivitás folyamatos mérését a kohorszelemzés segítségével. Sokan nem szívesen használnak kisebb időtartományokban olyan mutatókat, mint a visszafordulási arány, vagy a munkamenetek száma, mert ezek meglehetősen sokat változhatnak rövid időn belül.

Mivel azonban a kohorszelemzés egy nagyobb időtartomány alapján készül el, így a végeredményt kevésbé befolyásolják az átmeneti, rövid kilengések, és pontosabb képet biztosít az ügyfélaktivitásról.

Összegezve

Ez lenne tehát a kohorszelemzés „rövid” lényege. Mint láthattad, ez az analízis sokkal több, mint néhány összesített adat összehasonlítása két időszakból, és rengeteg hasznos információval láthatja el cégedet ügyfeleid viselkedéséről, ha megfelelően használod!