Подводные камни при анализе трафика сайта и его оценки

⭐⭐⭐⭐⭐ Когда делаете анализ посещаемости сайта, то важно продумать все до мелочей. Но это не всегда получается! Поэтому в этой статье я даю несколько примеров с кейсами, которые раскрывают срытые моменты веб-аналитики.

Онлайн анализ посещаемости сайта в интернете с примерами

Подводные камни при анализе посещаемости сайта

💣 Анализ посещаемости сайта — это очень ответственный и важный момент. Одно дело просто взять и собрать статистику. Другое, эти данные хорошенько проанализировать и на их основе сделать соответствующие выводы.

К сожалению, здесь встречается много скрытых хитростей. При неправильном анализе они могут увести развитие бизнеса совершенно в другую сторону. Поэтому сейчас мы рассмотрим несколько подводных камней, с которыми вы можете столкнуться на практике.

Оценка посещаемости сайта по запросам

Достаточно распространенная проблема в веб-аналитике — это неправильная оценка посещаемости сайта по поисковым запросам. Конечно же, информацию об источниках посетителей на сайте нам хорошо показывают стандартные отчеты Яндекс Метрики и Google Analytics.

Оценка посещаемости сайта по поисковым запросам людей

Но здесь не все так просто!

Если смотреть на посетителей из поиска, то увидим, что поисковики чаще скрывают информацию о том, по каким запросам вас искали. И чем дальше, чем больше эта ситуация будет усугубляться.

Яндекс и Гугл уже существенную часть запросов скрывают. Поэтому, возможно, наступит момент, когда мы совсем не будем видеть, а что же на самом деле человек искал в поиске.

Но даже сейчас, когда мы видим поисковые запросы, по которым перешли на сайт, то не всегда запрос пользователя отражает его интерес.

Бывают ситуации, когда человек начал набирать какой-то запрос. При наборе ему высветилась подсказка и в ней человек увидел формулировку, не совсем совпадающую с тем, что он искал. Пользователь хотел спросить по-другому, но формулировка с виду была подходящая и он по ней перешел.

Поисковые подсказки для пользователя в системе Яндекс
Поисковые подсказки

В таком случае, вы делаете вывод, что человек так искал вас и именно это ему было нужно.

Запомните, что до перехода на сайт, пользователь взаимодействовал с поисковой системой. А она могла немного изменить его поисковый запрос.

Еще есть интересное явление, которое сейчас наблюдается в Яндексе. Это переходы по подсказкам, когда люди начинают искать конкретную компанию.

Если у вас известный бренд и пользователи набирают название компании, то в поисковых подсказках может высвечиваться ссылка на сайт.

Как вредит ссылка в поисковых подсказках вредит анализу посещаемости сайта
Ссылка в поисковых подсказках

Если человек увидел такую подсказку на главной странице Яндекса, то он может перейти на сайт. В итоге в любой системе веб-аналитики у вас отразится прямой переход с главной страницы Яндекса, а не переходы с поиска. То есть вы не будете знать, как именно человек набирал.

В таком случае вы можете догадаться, что переходы с главной страницы Яндекса (если там не было рекламы), это как раз будут переходы по брендовым запросам. Это значит, что люди вас уже знают и набирают название компании.

Но есть еще более сложная ситуация!

Например, человек что-то искал в Яндексе совершенно, не связанное с тематикой. Либо искал по теме, но не переходил на сайт. А теперь он вспоминает о вашей компании и в поиске начинает набирать ее название.

В этот момент у него в выпадающем списке подсказок появляется прямая ссылка на ваш сайт. Человек по ней переходит и в web-аналитике фиксируется переход по предыдущему запросу посетителя, не связанному с вашим сайтом.

В системах коллтрекинга тоже отражаются такие запросы. Фиксируются переходы по совершенно непонятным фразам.

Поэтому, когда смотрите в отчетах переходы из поисковых систем, вы должны понимать, что не все так однозначно. Вы видите не все данные. Тем более часть из них может быть искажена. Особенно это остро наблюдается у крупных и известных брендов.

А если вы дополнительно смотрите конверсию, то статистика посещения сайта будет еще больше искажена. Ведь люди, искавшие по бренду, конвертируются с наибольшей вероятностью.

А это очень сильно искажает всю картину онлайн аналитики. То есть вы видите не те запросы, по которым вас искали. Поэтому нужно аккуратно на эти данные смотреть.

Разметка ссылок при анализе трафика сайта

Если вы используете рекламные системы, то информацию о переходах достаточно хорошо показывают соответствующие системы аналитики.

То есть если мы размещаем рекламу в Директе, то Метрика достаточно подробно и качественно все показывает.

Например, информацию о том, какое объявление, а также запрос был набран пользователем, когда он к вам перешел. Это важно Яндексу чтобы вы четко понимали эффективность рекламы. То же самое касается и Гугла.

Но бывают ситуации, когда в этой аналитике тоже могут возникать ошибки!

Как разметка ссылок может плохо повлиять на веб-аналитику

Например, вы разметили ссылки в своих рекламных объявлениях для анализа трафика сайта. Через некоторое время что-то поменяли в объявлениях, взяли одну рекламную кампанию за основу или сделали другую. Потом оказалось, что объявление находится в одной рекламной кампании, а метки в другой.

Затем на всей этой основе делают неправильные выводы. Ведь при онлайн анализе посещаемости сайта одна рекламная кампания может работать хорошо. Но в реальности будет совсем по-другому, так как метки просто находятся не там, где нужно.

Если в интернете вы размещаете рекламу на каких-то сторонних сайтах, то очень важно максимально и четко все размечать метками. Вы должны четко видеть, что пришли с такого-то сайта и по такой ссылке.

Если, например, это переход с социальных сетей, то вы должны знать, с какой сети переходили. А также нужно видеть, с какого поста был переход, когда он осуществился и так далее.

Но с размеченными ссылками есть проблема! Связана она с тем, что люди могут их копировать.

У вас может быть ссылка с разметкой на какой-то определенный источник трафика. Однако другие люди ее скопировали и разместили совершенно на других источниках. В итоге, по таким меткам можно сделать совершенно неправильные выводы.

Еще бывают ситуации, когда специально подставляют неправильные метки.

Например, размещается объявление в контекстной рекламе по каким-то брендовым запросам компании. Однако в ссылках (в метках) стоит параметр, который показывает, что это какая-то партнерская программа.

В итоге, люди с поиска, засчитываются, как посетители с других сайтов по партнерской программе потому что там схитрили представители партнерки или сами партнеры.

Делается это чтобы обмануть и показать, что за счет меток человек пришел с другого сайта. Поэтому тут тоже нужно очень внимательно смотреть!

Смотреть, по каким меткам пришли, это хорошо. Но откуда пришли и действительно ли были переходы с определенных сайтов? Эти данные тоже нужно сравнивать и анализировать.

Динамика покупок для анализа посетителей сайта

👜 Аналитика редко строится на изучении и анализе статичных данных. То есть если у вас есть срез каких-то цифр (например, продажи за один день), то это практически непригодно для анализа посетителей сайта и картины развития бизнеса.

Поэтому любой анализ должен быть динамичным. Нам нужен ряд цифр за какие-то календарные периоды чтобы понимать — движемся мы вверх или вниз.

Динамика покупок для анализа посетителей сайта в интернете
Виды динамики покупок

Динамика — это процент изменения последующего периода к предыдущему. Ее можно анализировать несколькими способами. То есть как бы сравнивать несколько периодов друг с другом:

  1. Цепная
  2. К базовому периоду
  3. К аналогичному периоду

Цепная динамика

Первый вид сравнения — это цепная динамика. Она дает понимание о том, как последующий период меняется к предыдущему. Например, так мы сможем сравнивать день со днем, месяц с месяцем или год с годом.

При сравнении месяц с месяцем у нас получается коэффициент сезонности. То есть мы начинаем понимать, какой месяц для нас был хорошим.

А также, как ведет себя потребитель и его спрос. Как он реагирует на изменения сезона. Ведь весь потребительский бизнес как правило, сезонный.

Цепная динамика (%) = (Период n / Период m) — 1

Ниже для примера представлено количество покупок на сайте по месяцам.

График цепной динамики покупок на сайте
Цепная динамика

По графику можно сделать определенные выводы. Например, в апреле 2015 года было падение. В 2014 показатель этого месяца был еще хуже. А июль 2015 имеет положительную статистику. Причем в 2014 году июль имел отрицательную сезонность в 14%.

Поэтому можно сделать некоторые выводы о том, какие факторы могли повлиять на покупки в июле 2015 года. Затем вывести среднее влияние этих факторов и потом дальше с ними работать. Например, использовать в прогнозировании.

Динамика к базовому периоду при оценке трафика сайта

При оценке трафика сайта и развития бизнеса, будет также полезна динамика к базовому периоду. У нас есть какой-то период 1, в котором не было каких-то мероприятий, рекламы и другой активности. И есть дальнейшие периоды, когда была активность.

Для того чтобы оценить эффективность этих действий в цифрах, мы по переменно сравниваем каждый последующий период с базовым. В итоге понимаем, на сколько каждый из них растет.

Динамика к базовому периоду = (Период n / Период о) — 1
Динамика к базовому периоду при оценке трафика сайта
График динамики к базовому периоду

В качестве базового месяца мы берем март 2014 года и попеременно сравниваем с ним все остальные месяцы.

Влияние наружной и тв рекламы на поисковый трафик

Давайте более подробно рассмотрим динамику. Тут есть очень интересный момент, когда приходилось совмещать офлайн и онлайн анализ.

Итак, у нас есть понедельный трафик, приходящий на сайт из поисковых систем. В первом столбике неделя, когда не было никаких внешних рекламных воздействий.

Понедельный поисковой трафик и динамика к базовой неделе
Понедельный поисковой трафик и прирост каждой недели с рекламной кампании к базовой неделе

Дальше с 6 недели начался старт наружной рекламной кампании. С 11 недели к ней присоединилась еще и телевизионная.

Задача заключается в том, чтобы проанализировать влияние наружной и тв рекламы на поисковый трафик сайта.

Что мы делаем?

Мы берем базовую первую неделю и каждую последующую считаем динамику к ней. Получаем синюю горку на графике.

Выводы тут напрашиваются неоднозначные.

На самом деле складывается впечатление, что если вывести даже средние, то как будто в 7 неделю реклама сработала в минус. Но такое быть не может. Она не могла отторгать потребителей.

Поэтому, когда пробуем оценить посещаемость сайта, то всегда стоит задумываться о дополнительных факторах, которые еще не включили в анализ. Это обычно неявные факторы, которые тоже могут влиять на бизнес.

Если говорить о примере по продаже пиццы, то на такой бизнес очень сильно влияет погода.

В холодную и дождливую погоду продажи росли. В солнечные и теплые дни продажи падали. Понятно, когда плохая погода, все сидят дома и заказывают пиццу. Когда погода хорошая, то многие идут гулять куда-нибудь.

Таким образом, мы понимаем, что возможно, в какой-то из недель, помимо рекламы могла быть и погода. Она могла подействовать на изменение трафика. Поэтому чтобы не приписать рекламе лишнего эффекта, нам нужно отдельно выделить эффект погоды и затем посчитать его.

У компании целевая аудитория — это мужчины и по большей части футбольные болельщики. Поэтому в течении всего футбольного матча взлетали продажи. Ведь все болельщики, которые собирались дома, заказывали пиццу. Соответственно, еще один фактор, это футбол.

Как нам выявить чистый эффект рекламы?

Для этого сведем все данные в таблицу ниже. Тут нумерация недель. Первая строчка — это базовая неделя и количество визитов. Ниже уже идут проценты поэтапного прироста к базовой неделе.

Также есть факторы, которые мы выявили. У нас есть солнечные дни, из-за которых продажи падают. Есть дождливые дни и футбольные матчи, из-за которых продажи растут.

Сейчас сделаем факторное разложение. То есть попробуем вычленить отдельное влияние каждого фактора.

У нас есть две недели (8 и 9-ая), когда не было ни дождя, ни солнца, ни футбола. Однако была наружная реклама. Эти недели были выше базовой в среднем на 12%. Соответственно, к наружной рекламе приписываем средний эффект в 12%.

Дальше есть две чистые недели (13 и 15), когда была наружная реклама и тв. Однако наружку мы уже высчитали, когда не было внешних факторов.

Канал Неделя года Трафик по неделям Динамика к базовой неделе Солн. дни Дожд. дни Доп. факторы (футбол) Наруж. реклама ТВ Солнце Дождь Футбол Прочие факторы
 нет 5 4500 0%
нррк 6 5500 22%  1 12% 10% 0%
нррк 7 4400 -2%  1 12% -14% 0%
нррк 8 5000 11% 12% -1%
нррк 9 5100 13% 12% 1%
нррк 10 5400 20%  1 12% 8% 0%
нррк+тв 11 6800 51%  1  1 12% 19% 10% 8% 2%
нррк+тв 12 6300 40%  1 12% 19% 10% -1%
нррк+тв 13 6000 33% 12% 19% 2%
нррк+тв 14 5300 18% 1 12% 19% -14% 1%
нррк+тв 15 5800 29% 12% 19% -2%

Соответственно, отнимаем от 33 число 12 и от 29 число 12. Остается чистый эффект телевизионной рекламы. Считаем среднюю и получаем 19%.

Теперь разбираем эффект от солнечных и дождливых дней. На седьмой неделе было солнце и наружная реклама. Тогда думали, почему была реклама, а результат составил -2%.

Так как выявили эффект наружной рекламы, берем его и отнимаем показатель динамики к базовой неделе. Получаем, что в солнечные дни трафик падает на 14%.

Тоже самое делаем и для другой солнечной недели (14). Только тут уже подсчитана наружная реклама, тв. Мы вычитаем наружный эффект из общего прироста. Остается эффект солнца -14%.

Тоже самое делаем и с дождем.

Есть еще одна спорная и очень сложная неделя (11). Там была наружная и тв реклама, а также дождливые дни с футболом. Из общей суммы вычитаем все факторы, которые посчитали. Все что остается, идет на футбол.

Далее проверяем.

На 10 неделе общий прирост был 20%. Из них 12% на наружную рекламу. Тв не было и остального тоже не было. Значит 8 идет на футбол.

Как бы вы не делали это факторное разложение, у вас всегда останутся какие-то не состыковки. То есть не получится так, что два дождливых дня абсолютно одинаково повлияли на продажи. Ведь всегда есть какие-то статистические выбросы и куча мелких факторов.

Поэтому в любом факторном анализе у вас должен быть столбик прочие факторы. Сюда относим всю разницу, которая получилась математически.

Такие факторы должны составлять самый малый процент. Они должны быть в десятки раз меньше, чем величины, оцененных вами факторов. Если они будут большие, значит какой-то фактор вы не учли.

Отмечу, что с погодными данными лучше работать на подневном основании. Есть много архивов метеосводок, где погоду можно развернуть по часам.

Динамика к аналогичному периоду для аналитики посещаемости сайта

Для того чтобы понимать, как сейчас обстоят дела относительно прошлого года, нужно сравнивать аналогичные периоды. Например, январь этого года с январем прошлого.

Динамика к аналогичному периоду для аналитики посещаемости сайта
Динамика к аналогичному периоду

Таким образом, выводим процент (тренд этого года) и понимаем, как чувствует бизнес, как меняются показатели и так далее. Это и есть динамика к аналогичному периоду. При аналитике посещаемости сайта ее тоже нужно использовать.

Динамика к аналогичному периоду = (Период в год 1 / Период в год 0) — 1

Обычно многие компании составляют like for like календарь. Это все 365 дней каждого года за последние 5 лет. Они расписаны так, что к каждому из них прикрепляется аналогичный день прошлого года. Например, первый понедельник февраля сравнивают с первым понедельником прошлого февраля.

Стоит сказать, что каждый год производственный календарь меняется. Также сам бизнес имеет зависимость от выходных, будней или каких-то праздников. Поэтому именно такое узкое сравнение день ко дню дает понимание того, как чувствует себя бизнес в этом году, месяце и на этой неделе.

Пример демографии при аналитике трафика сайта

📊 Сейчас рассмотрим пример демографии посетителей при аналитике трафика сайта. Есть такой инструмент, как Affinity Index. Взят он из сферы статистических и маркетинговых исследований, которые помогают нам рисовать портреты потребителей.

Итак, задача заключается в том, чтобы составить портрет целевой аудитории сети ресторанов компании. В частности, сделать для каждого ресторана.

Что мы делаем?

Из любой системы веб-аналитики берем данные по демографии посетителей сайта или определенных страниц. Вот, что получилось.

Демография посетителей сайта при аналитике трафика сайта в интернете
Демография посетителей сайта

60% посетителей составляют женщины. Причем больше трети, это возраст 25-35 лет. Соответственно, если разбить на демографические группы, то самая основная аудитория — это женщины 25-35 лет.

Но мы не можем сказать, что по всей сети ресторанов имеется одна и та же аудитория. Поэтому далее проводим более глубокий анализ трафика сайта.

Разбиение по демографическим группам

Делаем разбиение по демографическим группам посетителей каждого ресторана.

Разбиение посетителей по демографическим группам для каждого ресторана
Разбиение по демографическим группам для каждого ресторана

Видно, что массовую долю составляют женщины 25-35 лет. Конечно же, она варьируется и где-то вылезают другие демографические группы.

Но особых выводов тут сделать не можем. Ведь женщины 25-35 лет — это самая покупательская аудитория по всей России. Ее можно применить к любому бизнесу. Поэтому тут можно использовать инструмент Affinity Index. Ниже формула расчета.

Affinity Index = Доля n группы m субъекта / Доля n группы в общей сумме

  • если < 100%, то не характерно
  • если > 100%, то характерно

Полученное число показывает характерную выраженность какой-то группы в данной выборке относительно общей совокупности.

Демографическая группа 1 2 3 4 5 6 7 (Вся сеть)
Ж до 18 5% 3% 6% 8% 4% 3% 5%
М до 18 5% 4% 4% 6% 4% 2% 4%
Ж 18-25 12% 10% 12% 15% 8% 9% 11%
М 18-25 9% 9% 10% 14% 5% 6% 9%
Ж 25-35 25% 19% 20% 18% 19% 24% 21%
М 25-35 16% 15% 12% 10% 14% 10% 13%
Ж 35-45 12% 16% 15% 12% 18% 19% 15%
М 35-45 9% 14% 11% 8% 12% 10% 11%
Ж более 45 5% 6% 7% 6% 10% 12% 8%
М более 45 2% 4% 3% 3% 6% 5% 4%
Ж 59% 54% 60% 59% 59% 67% 60%
М 41% 46% 40% 41% 41% 33% 40%
до 18 10% 7% 10% 14% 8% 5% 9%
18-25 21% 19% 22% 29% 13% 15% 20%
25-35 41% 34% 32% 28% 33% 34% 34%
35-45 21% 30% 26% 20% 30% 29% 26%
более 45 7% 10% 10% 9% 16% 17% 12%

Например, в ресторане 1 доля женщин 18-25 лет составляет 12%. Сравниваем ее с долей во всей сети (11%). Здесь она более выражена.

Если посчитать Affinity Index, 12 разделить на 11, то он покажет нам значение более 100%. А чем больше 100% будет, тем более характерен будет такой признак для данной выборки. Чем меньше он будет 100%, тем менее характерен.

Таким образом мы просчитываем этот индекс для каждой демографической группы в каждом ресторане.

Например, женщины до 18 лет в ресторане 2 составляет 3%, а всего 5%. Тут он менее выражен. Соответственно, эта группа в данном ресторане менее выражена.

После того, как посчитали Affinity Index, мы видим, в каком ресторане и какие демографические группы более или менее выражены.

Демографическая группа 1 2 3 4 5 6
Ж до 18 103% 62% 124% 166% 83% 62%
М до 18 120% 96% 96% 144% 96% 48%
Ж 18-25 109% 91% 109% 136% 73% 82%
М 18-25 102% 102% 113% 158% 57% 68%
Ж 25-35 120% 91% 96% 86% 91% 115%
М 25-35 125% 117% 94% 78% 109% 78%
Ж 35-45 78% 104% 98% 78% 117% 124%
М 35-45 84% 131% 103% 75% 113% 94%
Ж более 45 65% 78% 91% 78% 130% 157%
М более 45 52% 104% 78% 78% 157% 130%
Ж 99% 91% 101% 99% 99% 112%
М 102% 114% 99% 102% 102% 82%
до 18 111% 78% 111% 156% 89% 56%
18-25 106% 96% 111% 146% 66% 76%
25-35 122% 101% 95% 83% 98% 101%
35-45 81% 115% 100% 77% 115% 112%
более 45 61% 87% 87% 78% 139% 148%

В ресторане 1 у нас менее выражены все люди старше 35 лет. Но при этом гораздо более выражены группы 25-35 лет.

В ресторане 2 в меньшей степени выражены женщины, а больше идут мужчины. Причем возраст 35-45 лет. Также смотрим и другие рестораны.

После анализа можно составить портрет потребителя по каждому ресторану.

Составляем портрет потребителя по каждому ресторану

Затем все маркетинговые активности, специальные предложения по меню, стандартное обслуживание строятся уже из того, какую аудиторию в большей степени мы наблюдаем в том или ином месте.

Коэффициент сезонности для прогноза

Коэффициент сезонности — это процент изменения месяца относительно предыдущего. Это дает понимание того, как бизнес зависит от сезонности. Ниже формула для расчета.

Коэффициент сезонности месяца 1 = Месяц 1 / Месяц 0 

Для того чтобы построить прогноз к примеру, по доставке пиццы, можно использовать Яндекс Вордстат. С его помощью можно нарисовать общую динамику рынка. Можно посмотреть историю поисковых запросов.

История поисковых запросов по доставке пиццы через Яндекс Вордстат
Поисковые запросы «доставка пиццы»

Тут мы видим динамику по месяцам.

Оказывается, что лето не такое высокое для продажи пиццы. Более лучше продажи идут зимой. Очень хорошо в декабре и январе. В общем, тут мы видим поведение потребителя.

Далее из полученных данных по нужным нам поисковым запросам, посчитали эту цепную динамику, о которой говорилось выше, и получили изменения показателей от месяца к месяцу. Далее вывели из них среднее для того чтобы скомпенсировать какие-то выбросы.

Применение коэффициента сезонности для прогноза

Месяц 2014 2015 2016 Средний 2016 прогноз 2017 прогноз
январь 106% 11% 119% 112% 26 756 31 397
февраль 88% 78% 88% 85% 23 629 26 550
март 112% 1105 111% 26 224 29 466
апрель 76% 78% 77% 20 190 22 686
май 111% 102% 107% 21 527 24 188
июнь 97% 99% 98% 21 100 23 709
июль 93% 113% 103% 21 651 24 328
август 126% 102% 114% 24 696 27 749
сентябрь 94% 103% 98% 24 291 27 294
октябрь 104% 105% 105% 25 486 28 637
ноябрь 100% 97% 99% 25 157 28 268
декабрь 105% 118% 111% 28 042 31 509

И столбик среднее мы взяли как образец коэффициента сезонности, который потом можно накладывать на имеющиеся данные.

Данные приведены за 2016 и 2017 год. Прогноз делался в 2014 году с данными всего за несколько месяцев. Задача была спрогнозировать на два года вперед. Поэтому используя эти коэффициенты сезонности общие по рынку, можно прогнозировать продажи.

Вычисление эффекта при анализе посещаемости сайта онлайн

📈 Еще одна задача при онлайн анализе посещаемости сайта. Тут тоже применение коэффициента сезонности, но на этот раз не в прогнозировании, а в анализе. С января 2015 по июль 2015 года очень сильно выросла конверсия. Причем она росла поэтапно.

Как проходило изменение конверсии на сайте
Конверсия на сайте

Если сравнивать июль с августом, то конверсия выросла на 3,5% в абсолютном выражении. А если считать в относительном, то на треть (30%).

И действительно, было принято ряд мер для увеличения конверсии. Например, улучшение юзабилити сайта, изменение дизайна, выкат более доступных товаров и так далее.

Но тут нельзя согласиться, что это был чистый рост за счет подобных изменений на сайте. Поэтому в таком случае берем динамику конверсии за прошлый год.

Динамика конверсии сайта за 2014 и 2015 год
Динамика конверсии

Видим, что конверсия за 2015 год растет. Хотя в 2014 году она тоже росла и никаких действий тогда не предпринимали. Это говорит о том, что у показателя конверсии, как практически у любых экономических показателей, существует определенная сезонность.

Здесь сразу нашлось объяснение потому что летом люди меньше бывают в интернете. Если кто-то и заходит на сайт, то это в большей степени будут прямые покупатели.

Летом их больше чем в январе, когда все сидят в интернете. Тогда очень много не целевого трафика. Люди заходя просто посмотреть что-то и потом опять уходят.

Но нам по-прежнему нужно определить чистый эффект от нашей активности!

Поэтому для его вычисления мы берем изменения в нашем году, в котором мы хотим очистить от сезонности. А также изменения за аналогичный период в прошлом году (в %). Отнимаем изменения этого и прошлого года и получаем чистый рост.

Давайте посмотрим все на цифрах.

В таблице есть конверсия по месяцам за 2015 и 2014 год. Приведен цепной рост от месяца к месяцу. А в последних столбиках уже рассчитан эффект.

Месяц 2015 Цепной рост 2014 Цепной рост Эффект в % Эффект в абс.
январь 15 12,2% 11,4%
февраль 15 12,6% 104% 12,1% 106% -3% -0,3%
март 2015 13,2% 105% 12,3% 102% 3% 0,4%
апрель 15 13,8% 105% 13,0% 106% -1% -0,25
май 15 14,5% 105% 13,3% 102% 3% 0,4%
июнь15 15,1% 104% 13,2% 99% 5% 0,7%
июль 15 15,8% 104% 13,7% 103% 1% 0,1%
рост за полгода: 130% 120% 10% 1,2%

Начнем с общего.

У нас задача была оценить изменение конверсии за полгода. Итак, в январе 2015 года было конверсии 12,2%. В июле стало 15,8%. В процентном соотношении это рост в 130%.

Но в 2014 году с января по июль за этот же период конверсия выросла на 120%. Соответственно, 130 — 120 = 10%. Это чистый рост за минус сезонность, который произошел из-за наших действий по увеличению конверсии.

Эффект в % (это именно динамика) = Динамика в год 1 — Динамика в год 0

  • Динамика в год 0 = Год 0 месяц n ÷ Год 0 месяц 0
  • Динамика в год 1 = Год 1 месяц n ÷ Год 1 месяц 0

Эффект в абсолютных величинах (это процент конверсии) = Эффект в % × Абс год 1 месяц 0

Чистая динамика в % у конверсии 10, что составляет от нашей базовой 1,2%. Если переводить в конверсионные проценты, то за счет наших действий конверсия выросла на 1,2%.

В итоге после анализа трафика сайта, мы очистили рост от обычной и постоянной сезонности. Мы получили такую горку, которая иллюстрирует нам эффективный рост.

Конверсия на сайте и чистый эффект от рекламной активности
Конверсия + чистый эффект

То есть в феврале, несмотря на то, что были приняты какие-то действия, они эффективными не были. На графике мы видим снижение. Февраль вырос к январю меньше чем в прошлом году, когда мы ничего не делали.

Это говорит о том, что наша активность была не эффективной.

Зато потом в марте наоборот! Март в этом году вырос гораздо больше к февралю чем в прошлом году. Это говорит о том, что наша активность имела эффект. И так каждый месяц.

На этом все!

Теперь вы знаете, какие подводные камни встречаются при анализе посещаемости сайта и динамике развития бизнеса в целом. Также мы рассмотрели некоторые примеры, которые помогают осознать всю важность работы.

(голосов: 327, средний: 5,00 из 5)
Загрузка...

Сказать спасибо кнопками ниже:

Секреты эффективной рекламы
Секреты эффективной рекламы!

Успей скачать, пока бесплатно! До конца моего предложения осталось:

Нажимая на кнопку, вы соглашаетесь с политикой конфиденциальности и пользовательским соглашением.

Оценка посещаемости сайта онлайн - отзывы

  • Спасибо за предоставленный анализ статистики посещаемости сайта. Очень нужная тема для многих. Есть один вопрос.
    В примере показано, что январь 2015 — 12,2%, а июль того же года составляет 15,8%. Разница в 3,6%. А в цепном росте выходит 130%. Как это получилось?

    • Когда мы производим расчеты вычисления эффекта, то нельзя считать в абсолютных величинах. То есть мы не можем считать, что в этом месяце мы заработали на 3 млн рублей больше, а в прошлом на 2 млн рублей. В итоге, 3 — 2 = 1 млн в эффект. Так считать нельзя!

      Здесь тоже самое. Проценты конверсии, это абсолютные величины. Для того чтобы вычислять эффект, нам нужно выводить их в динамический рост в процентах. То есть проценты в столбике цепной рост, это проценты изменения именно самого абсолютного показателя.

      Например, строчка с маем и апрелем написано 105% в 2015 году. То есть 14,5% конверсии разделить на 13,8%, получается рост не в абсолютных величинах, а в динамических. Это 105% по сравнению с прошлым месяцем.

      А в 2014 году май к апрелю увеличился на 102%. Таким образом, 105 — 102 = 3% чистого роста (показателя, а не конверсии). Для того чтобы перевести это в конверсионные величины, 3% умножаем на базовую цифру (14,5%). В итоге получаем 0,4% (рост чисто конверсионных процентов).

  • Спасибо! Потом попробую и у себя оценить трафик сайта.
    А в примере про влияние наружной и тв рекламы на поисковый трафик, могли ли быть еще какие-то факторы, которые влияли на конверсию?
    Почему такая уверенность, что влияла именно сезонность и проводимые мероприятия?

    • На самом деле в данном примере было много и других факторов. Но просто тут не привожу дабы не загромождать статью. Она и так получилась объемной.

      Но при анализе конечно же, факторов очень много. Просто невозможно одному просчитать сразу сотню факторов. Поэтому в таком случае многие аналитики выделяют только пару десяток самых важных факторов.

      А чтобы просчитывать вся, для этого нужен специальный отдел аналитики. Там должна работать целая команда чтобы справится с таким объемом работы.
      Ну а так да, чем больше факторов вы нароете, тем более точным будет ваш анализ.

Оценка посещаемости сайта онлайн - отзывы

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Нажимая на кнопку «Отправить», вы соглашаетесь с нашей политикой конфиденциальности и пользовательским соглашением.