Kohorte analyse i Analytics
Mit navn er Mikkel, og jeg er SEO og PPC manager hos River Online. I dag har jeg et rigtigt godt tip til dig, som handler om en ny funktion i Analytics, som hedder kohorte analyse. Hvorfor skal vi så bruge tid på det? Det er fordi, jo mere tid du bruger i Analytics, jo bedre kommer du til at kende dine kunder. Jo bedre du kender dine kunder, jo mere kan du skubbe ud over disken. Jeg vil kort forklare, hvad kohorte egentlig er. Det er et gammelt romersk udtryk, hvor en deling af soldater på ca. 400 til 500 mand blev kaldt for en kohorte. I nutiden statistik betyder en kohorte en gruppe, som man følger over en længere periode. Når vi kigger på den funktion i Analytics, kan du se, at der er et interface, som ser således ud. Min er en engelsk version, og det som jeg har sagt min op efter er acquisition date. Acquisition date står som udgangspunkt som default, og det kan man ikke ændre. Det betyder, at det er fra den dag, hvor kunden kom ind på dit site. Så har vi et filter, hvor du kan dele kunderne ind på tid, i henhold til dag, uge eller måned. Under matrix er der rigtig mange forskellige ting, som du kan gøre eller inddele efter. I dag har jeg fokuseret på page views for at finde ud af, hvor meget brugerne interagerer med siden. Du kan også sætte en dato rangering med at gå tilbage i tid, det kan du gøre på dagsbasis eller ugebasis. Som udgangspunkt er det hernede på all sessions, du skal kigge, her kan du se, at der har været nogle forskellige brugere, dem skal du sammenholde med de tal, som står her, hvor der står dag 0. Det vil sige, at på dag 0 har der været dette antal page views. Her kan du se det samme, men over en 14 dags periode, hvor du kan se, hvor mange der er kommet tilbage. I dette tilfælde her har det været 7400 på en given dag, ud af dem vender 374 tilbage næste dag. Ud af det oprindelige antal vender 183 igen efter næste dag og så frem deles, og du kan se, at der bliver færre og færre besøgende. Hvorfor skal du så bruge det? Det er selvfølgelig for at se, om der er nogle anomalier. En anomali vil ikke passe ind i sammenhængen. I dette tilfælde er det ret tydeligt at se, at der er en tendens til en ret kraftig og jævn fordeling her, og som forsvinder langsomt. Du skal ind og se, hvorfor det forholder sig sådan. Har du gjort noget, er der noget på din forside med et tilbud, eller har du stoppet et tilbud, stoppet med en pop up eller noget andet, som har gjort, at brugerne enten er blevet ved med at komme eller er stoppet med at komme. Du kan også se her, at der er sket et eller andet afvigende, fordi her er der mange mennesker, så stopper det, men det kommer igen. Hvorfor er det lige tilfældet for din shop. Brug noget tid på det, og lær dine kunder bedre at kende.
Tak fordi du kiggede med
