Previous month:
helmikuu 2009
Next month:
huhtikuu 2009

maaliskuu 2009

Viimeisen klikin kritiikki kasvaa

Yhä useammassa online-mittausta ja kampanjaseurantaa tai yleisesti Web-analytiikkaa koskevassa seminaarissa ja nettiblogissa kritisoidaan ns. "viimeisen klikin" liiallista korostusta kampanjaraporteissa. Yksi erinomainen artikkeli aiheesta löytyi googlaamalla:

http://www.mediapost.com/publications/index.cfm?fuseaction=Articles.showArticle&art_aid=85024

Tarkastellaanpa hieman, mistä on kyse. Alla on tyypillinen esimerkki ROI-laskennasta eri liikennelähteille verkkokaupasta, käyttäen Google Analytics -mittausjärjestelmää:

ROI2_sources  

Pointti on siis siinä, että kun saittimittauksissa lasketaan, mistä kävijä saapui saitille, ennen kuin teki kauppaa vaikka verkkokaupassa tai matkailusivustossa, ja eritellään sitten eri liikennelähteiden (hakukoneet, bannerit, viitesivut, suora haku, email-kampanjat jne) vaikutus, niin lopputuloksena on usein yllä esimerkissä näytetyn kaltaisia lukuja siitä, miten hakukoneet ovat tuoneet liikenteestä suuren osan, ja samoin myynnistä.

Nyt kuitenkin kaikki tietävät, mikä on hakukoneiden rooli ostoprosessissa. Jos ajatellaan, että olen lähdössä matkalle Pariisiin, niin siinä vaiheessa kun etsin Googlesta "lento Pariisi", olen jo tavallaan päättänyt lähteä matkalle Pariisiin, ja haen hintavertailuja ja vaihtoehtoja lennoille. Mutta mistä sain virikkeen lähteä Pariisiin? Tuskinpa ainakaan Googlesta ja sen hakutuloksista, vaan virike on saattanut lähteä hyvinkin mediasta tai mediamainonnasta, eli olen nähnyt tv-, lehti-, ulkomainoksen tai nettibannerin (tai kuullut radiomainontaa), jossa on mainostettu edullisia Pariisin lentoja, tai sitten olen vain lukenut matkailualan juttuja lehdistä jne. Ja vaikka olisin heti banneria klikattuani käynyt vaikka jo lentoyhtiön varauskoneella tarkistamassa lentoaikatauluja ja -hintoja, juttelen asiasta kenties illalla vaimon kanssa, ja palaan netin ääreen sen jälkeen. Silloin en enää klikkaile itseäni verkkomedian sivulle ja etsi näkemääni banneria, jota kautta kulkisin lentoyhtiön sivulle, vaan joko menen sinne suoraan tai hakukoneen kautta. Ja niin sitten tilastot näyttävät, että tulin suoraan saitille, tai hakukoneen kautta, ja sitten tein oston. Ja että banner ei tuonut kauppaa.

Juuri tämän ongelman kiertämiseksi on olennaista, että kampanjamittauksissa lasketaan ei pelkästään suoria klikkejä kauppaan, vaan myös:

- kuinka moni banneria klikanneista tekee kauppaa myöhemmin, esim. kuukauden kuluessa siitä kun vieraili kampanjasivulla
- kuinka moni niistä, joille banner esitetttiin, teki kauppaa klikkaamatta banneria, mutta siirtyi esim. hakukoneen tai suoraan mainostajan sivulle ja teki sen jälkeen kauppaa

Vasta näin saadaan koko kuva mainoskampanjan vaikutuksesta, sillä "viimeisen klikin" päättely aina ylikorostaa hakukoneiden ja suorien hakujen merkitystä kaupan tuojina. Ja vastaavasti aliarvioi mediamainonnan ja tavanomaisten medioiden merkitystä kaupan generoijina. Samalla tavoin ROI-laskenta eri medioiden kustannustehokkuudesta vinoutuu viimeisen klikin laskennan kautta hakukoneiden hyväksi.

Mitä mainostajan tulisi tehdä saadakseen koko kuvan markkinointinsa tehokkuudesta?

Yksipuoliset saittimittaukset, joissa trackataan liikenteen lähteitä, ja päätellään niistä mikä markkinoinnissa toimi ja ei toiminut eivät siis riitä. Jotta mainostaja saisi koko kuvan markkinointinsa tehokkuuksista, suosittelemme:

- kolmannen osapuolen mainonnanhallintajärjestelmää, joka pystyy seuraamaan, kuinka moni kampanjalle altistuneista päätyy kauppaan, klikkasi mainosta tai ei

- offline-medioista (printti, suoramainokset, radiomainokset jne.) uniikkeja domaineja, jotka johtavat mediakohtaisille kampanjasivuille, jolloin tiedetään, että lähteenä oli kyseinen media

- dashboard-raportteja, joissa seurataan mainostajan sivun liikennettä ja myyntilukuja koko kampanjan ajan, jolloin nähdään koko kampanjan vaikutus näihin

Aina on myös muistettava se, että erilaiset online-mittaukset eivät kerro koko kuvaa kampanjan tehosta, sillä ne perustuvat selain/laitekohtaisiin cookeihin tai kyselytutkimuksiin, ja ihmiset tuhoavat cookejaan, torjuvat niitä selainasetuksillaan ja tietoturvaohjelmistoillaan, sekä vastaavat kyselyihin tyypillisesti niin että "minuun eivät mainokset vaikuta". Mutta saittiliikenne ja myyntiluvut kertovat korutonta kieltä kampanjan tehosta, jos niissä ei ole nousua, ei kampanja ole tehonnut, ja jos on nousua, kampanja on ainakin osatekijä menestykselle.

Havas Digital -konsernilla on mainostajan avuksi myös ainutlaatuinen Artemis-raportointijärjestelmä, jonka avulla voidaan seurata eri tekijöiden (hakukoneet, banner-kampanjat, saittimittaukset) ristiinvaikutuksia, esimerkiksi kuinka moni niistä, joille on esitetty tietty banner-kampanja tai ovat vierailleet jollain kampanjasivulla (esim. offline-mainoksen johdatttamana), ovat tietyn ajanjakson kuluessa esim. vierailleet hakukoneessa etsimässä tietoa mainostajan tuotteista tai palveluista, ja kuinka moni on päätynyt kauppaan asiakkaan sivustolle.

Jos asiakkaalla on vielä kivijalkakauppa verkon ulkopuolella, on syytä mitata senkin myyntilukuja, sillä onnistuneet verkkokampanjat aina myös kiihdyttävät verkon ulkopuolista kauppaa.

Kaikki ei siis näy Google Analytics -luvuissa - pitää muistaa, että sen takana on Google, joka haluaa nimenomaan argumentoida Googlen tehokkuutta myynnin generoijana. Lisäksi kokeneet Web-analyytikot tietävät, että Google Analytics laskee referrer-lukuja toisin kuin muut online-mittausjärjestelmät, tulkiten juuri "hakukoneiden kautta tulleeksi" sellaisetkin kävijät, jotka ovat kerran tulleet hakukoneen kautta mainostajan sivulle, mutta myöhemmin saapuvat suoraan kirjoittamalla sivun URLin selaimeensa...

Online-mittaustulokset vaativat aina siis myös osaavaa tulkitsijaa, sillä pelkät saittimittarien luvut saattavat hämätä näennäisellä tarkkuudellaan, ja johtaa harhapäätelmiin.

-Ismo Tenkanen


Web-analytiikan lyhyt historia: Osa 3 - eCommerce-mittaukset ja konversiolaskenta alkaa

Web-analytiikan lyhyt historia: Osa 3: eCommerce-mittaukset ja konversiolaskenta alkaa

Kävijämäärämittauksissa konversiolaskentaa ei todella tarvittu, koska verkkomedialle jokainen kävijä oli mainosmyynnin eli saitin ansaintalogiikan kannalta arvokas. Oli vain laskettava eri kävijöitä, näiden vierailutiheyksiä, vierailun kestoa, ladattuja sivuja per vierailu yms. Jo australialaiseen selainpohjaisen mittauksen pioneeriin RedSheriffiin suunniteltiin kuitenkin jo 2000-luvun alussa ns. eCommerce-moduulia, ja amerikkalaisiin järjestelmiin kuten WebSideStoryn HitBox ja WebTrends kehitettiin vastaavat lisähintaiset moduulit, joiden avulla voitiin laskea ei pelkästään kävijäliikennettä, vaan euroja tai taaloja, joita syntyi kävijöiden Web-ostoksista. Oli selvä, että verkkokaupat, matkailusaitit ja muut jotka pystyivät myymään tuotteitaan tai palveluitaan online, tarvitsivat bisneksensä kehittämiseksi ja optimoimiseksi työkaluja, joilla pystyi laskemaan suoraan rahasummia ja suhdelukuja, jotka kertoivat verkkoliiketoiminnan tehokkuudesta, ja jotka antoivat välineet liiketoiminnan edelleen tehostamiseen.

Näiden eCommerce-moduulien myötä oltiinkin jo konversio-laskennan arkipäivässä, sillä Web-analytiikan avulla voitiin esittää esim. seuraavanlaisia tunnuslukuja verkkokaupalle:

- keskioston arvo (Average Order Value)

- konversioprosentti eri tavoitevaiheisiin (tuotehaku, ostoskori, maksutavat, ostotapahtuma)

- eri lähteiden kautta saapuneiden konversio- ja tuottolaskelmat sekä vierailun keskimääräinen arvo sivustolle

- ostotapahtumien, ostettujen tuotteiden määrien, rahasummien trendikehitykset

- ostokoritapahtumat; koriin lisätyt ja poistetut tuotteet

Siinä missä mediamittauksessa segmentoitiin sivuston sisältöä ryhmittelemällä eri sivuja erilaisiin sisältöryhmiin ja laskettiin esimerkiksi nuoriso- tai naiskohderyhmäsivujen tavoittamia kontaktimääriä, eCommerce-mittauksissa pyritään pikemminkin segmentoimaan asiakasryhmiä. Edistyneemmissä mittausjärjestelmissä analysti voi itse määritellä lähes minkä tahansa mitattavan kriteerin segmentointiperusteeksi, ja sen jälkeen analysoida, miten vaikkapa tietyn kampanjasivun, hakusanakampanjan tai hakusanan kautta tulleet kävijät käyttäytyvät sivustossa.

Google Analytics ja hakumainonnan analyysi

Google osti keväällä 2005 Urchin Tracker-nimisen web-analytiikkaohjelmiston, ja alkoi kehittää sitä omaksi ilmaiseksi palvelukseen tukeakseen lähinnä AdWords-hakusanamainontaa. Palvelu nimettiin Google Analytics´iksi ja vaikka sen data on vuorokauden reaaliaikaa jäljessä, järjestelmä on jo niin monipuolinen ja kehittynyt, että monet isotkin verkkokaupat pitävät sitä ainoana mittausohjelmistonaan. Google Analyticsin vahvuudet ovat nimenomaan hakusanamarkkinoinnin raportoinnissa, sillä sen avulla voidaan analysoida hakumainonnan tehokkuutta niin kampanjoittain, hakukoneittain, kuin avainsanoittain aina konversio- ja ROI-kustannustehokkuuslaskelmiin asti.

Web-analytiikka tänään: eri lähteiden hyödyntäminen ja fuusiot

Web-analytiikka tänään on usein monen eri datalähteen hyödyntämistä ja ristiinajoa. Media Contacts ottaa usein analyysiin mukaan sekä kampanjadatoja mainonnanhallintajärjestelmistä, hakukonedatoja Google Analyticsista tai vastaavista, sekä sivustomittausdatoja asiakkaan selainpohjaisista mittauksista. Nämä kaikki on mahdollista yhdistää ja fuusioida Media Contactsin Artemis-järjestelmään, jolloin voidaan analysoida esim. kuinka moni niistä, joille on esitetty tietty markkinointikampanja, on vieraillut hakukoneessa ja tullut hakutuloksen kautta sivustolle, ja kuinka moni niistä, joille mainoskampanja esitettiin mutta eivät koskaan klikanneet banneria, päätyi kuitenkin ostotapahtumaan asiakkaan verkkokaupassa. Onhan mainonnan tehon aliarvioimista, jos ajatellaan, että mainos ei voisi vaikuttaa kenenkään ilman että sitä klikataan.

Analyysiin voidaan ottaa mukaan myös offline-medioita, joissa olleiden kampanjoiden tehokkuuksia voidaan usein laskea aivan samalla tavoin kuin digitaalisen markkinoinnin kampanjoita, esimerkiksi houkuttelemalla suoramainoskirjeen, printtimainonnan, mobiilimainonnan tms. välityksellä potentiaalisia asiakkaita tietyille kampanjasivuille ja sen jälkeen analysoimalla, kuinka moni näistä päätyy ostotapahtumaan.

Sivuston oman Web-mittauksen pohjalta voidaan analysoida esim. seuraavanlaisia asioita:

-          klassinen suppiloanalyysi siitä, miten kävijöitä putoaa pois verkkokaupan ostoprosessin eri vaiheissa

-          liikenteen lähteiden analyysi

-          hakukoneanalyysi: luonnollisten hakutulosten ja maksettujen hakumainosten tehokkuus

-          liikenteen avainparametrit ja suhdeluvut sekä trendikehitys

-          uusien ja paluukävijöiden vertailu

Lisäksi ovat mahdolliset erilaiset vertailuanalyysit ja tutkimustietoihin perustuvat analyysit sivuston käytettävyydestä, vahvuuksista ja heikkouksista jne. toimenpidesuosituksineen.  Laadimme aina asiakasräätälöidyn, asiakkaan omiin tavoitteisiin ja tarpeisiin perustuvan tarjouksen, jossa voimme myös tarvittaessa myös suositella sopivat mittaustyökalut ja niiden asennukset ja käyttöönottokoulutuksen asiakkaalle. Mistään järjestelmästähän ei ole hyötyä, oli kuinka kallis tahansa, jos sen tuloksia ei seurata ja tehdä niistä mitään toimenpidesuosituksia.

Vastaavasti oikein toteutettuna Web-analytiikka toimii paitsi sivustojen jatkuvan kehittämisen, myös markkinoinnin ja myynnin apuvälineenä. Kun klassisten sivuston sisäisten mittausten kylkeen otetaan mainonnanhallinnan raportit ja seurataan hakumainonnan tehokkuutta, Web-analytiikka on keino sekä tehdä merkittäviä säästöjä, että ennen muuta tehostaa markkinointia optimoimalla jatkuvasti eri markkinointitoimenpiteitä. Kannattamattomia toimenpiteitä karsimalla ja kannattaviin lisää satsaamalla Web-analytiikka tarjoaa keinot nostaa yrityksen markkinoinnin kustannustehokkuus eli ROI (Return On Investment) aivan uudelle tasolle.

- Ismo Tenkanen


Web-analytiikan lyhyt historia: Osa 2: Selainpohjaiset mittaukset

Web-analytiikan lyhyt historia:  Osa 2: Selainpohjaiset mittaukset markkinoille

Proxy-ongelman kiertämiseksi keksittiin ns. selainpohjaiset (browser based) mittaukset, jotka tarkoittivat htm-sivujen ”tagittamista” eli sivukoodiin lisättiin kutsu mittauspalvelimelle, ja ko. koodinpätkä eli ”tagi” liitettiin jokaiselle palvelun sivulle. Silloin idea oli, että kun loppukäyttäjä kutsui selaimellaan ko. verkkosivustoa, niin kutsutun sivun mukana tuli samalla kutsu mittauspalvelimelle, jolloin mittauspalvelimelle lähti tieto ko. sivun latauksesta silloinkin, kun kutsuttu sivu oli saatu välimuisteista. Näin saatiin mitattua kaikki liikenne kyseisellä sivustolla, riippumatta mistä palvelimesta tai välimuistista loppukäyttäjien selaimet saivat sivunsa.

Samalla ratkesi toinen lokianalyysien ongelma eli hakukoneiden robottien ja muiden automaatti-spiderien kahlaukset web-tiedostoissa, jotka näkyivät lokitiedostojen liikenteessä, mutta joita ei haluttu sellaisiin kävijämäärämittauksiin, joissa oltiin kiinnostuttu vain aidosta käyttäjien luomasta liikenteestä. Selainpohjaiset mittaukset edellyttivät sivuston aukeamista selaimessa, jolloin robottiliikenne suodattui automaattisesti pois.

Kun selainpohjaiset mittaukset tulivat markkinoille, saatiin samalla mittauspalvelimien kutsu-tageihin liitettyä Javascript- tai Java-ominaisuuksia, joiden avulla saatiin kaivettua myös sellaisia tietoja selaimesta, joita ei lokitietoihin kertynyt. Näitä olivat mm. käyttäjän näytön resoluutio ja näytön värit tai vierailun kesto Java-appletilla mitattuna sekä erilaiset selainlaajennukset. Samoin Javascriptin avulla päästiin seuraamaan poistumislinkkejä asiakkaan sivustolta.

Cookiet mukaan mittauksiin

Sekä lokianalyysiohjelmistot että selainpohjaiset mittaukset kehittyivät nopeasti markkinoiden kasvaessa, ja niihin tuli yhä monipuolisempia ominaisuuksia. Tyypillisesti niistä analysoitiin jo myös saapumis- ja poistumissivuja, vierailun kestoaikoja, ladattujen sivujen määriä per vierailu, yleisimpiä kävijäpolkuja jne.

Merkittävän lisäulottuvuuden mittauksiin toivat cookiet eli evästeet, joita selainpohjaisista mittauksista oli helppo lähettää takaisin selaimelle, joka kutsui mitattavaa sivustoa. Kun aiemmat lokianalyysit pystyivät laskemaan vain ladattujen tiedostojen, html-sivujen ja korkeintaan vierailukertojen määriä, päästiin cookien avulla laskemaan ns. eri kävijöiden (eli tarkemmin ottaen eri selaimien) määriä ja sitä kautta esim. eri kävijöiden vierailutiheyksiä (vierailukerrat per eri kävijä esim. viikon tai kuukauden aikana), uusien ja paluukävijöiden määriä, kävijäuskollisuuksia (kuinka moneen kertaan vierailtu palvelussa) jne.

Mainonnanhallintajärjestelmät

Mainonnanhallintajärjestelmät kuten Double Click, Ad Tech ja vastaavat hyödyntävät myös cookeja, ja pystyvät niiden myötä rajoittamaan esim. kuinka moneen kertaan samaa mainosta esitetään samalle selaimelle. Vastaavasti cookien avulla pystytään laskemaan mainoskampanjan tavoittamien nettokontaktien määriä (kuinka monelle eri selaimelle mainosta esitetty), ja raportoimaan myös mainosklikkaukset per eri kävijä, mikä on mielekkäämpi luku kuin klikkaukset per mainoksen esityskerrat.

Lisäksi kannattaa mainita, että vain mainonnanhallintajärjestelmät pystyvät luotettavasti mittaamaan mainosten esitys- ja klikkauskerrat, ainakin jos mainoksia jaellaan erilliseltä banner-serveriltä. Sen kautta tulleet klikkaukset kun eivät näy saittimittausten referrer-datassa eli viitesivuissa. Saittimittausten referrer-tilastoista ei siten voida luotettavasti arvioida banner-mainosten kautta tulleen liikenteen määriä.

Mediamittaukset

Kaupallinen kysyntä Web-mittauksiin lähti siis alun perin verkkomedioista, joiden oli siis välttämätöntä saada mitattua kaikki liikenne sivuilleen, mitä palvelinlokitiedostot ja niihin pohjautuvat lokianalyysit eivät pystyneet raportoimaan. Kävijämäärämittauksien kautta pystyttiin hinnoittelemaan ilmoitushinnat sivustolle, jolloin kävijämittaukset olivat välttämättömiä kaikille, jotka halusivat tarjota ilmoitustilaa mainostajille sivuillaan.

Kävijämäärämittauksissa olennaista oli täydellinen vertailukelpoisuus mittauksessa olevien sivustojen kesken, sekä yhdessä esim. toimialajärjestön, levikintarkastusjärjestöjen tai mainostajien järjestöjen kanssa luodut säännöt sille, mitä tietoja mittauksesta raportoidaan ja miten määritellään esim. sivusto, mitä saadaan laskea mukaan yhden sivuston liikennelukuihin. Eri maissa eri järjestöt ovat pyrkineet luomaan omia sääntöjään ja sääntelemään joko kävijämäärämittauksia tai valitsemaan ohjelmistot ja partnerit, joiden kanssa verkkomedioiden mittauksia tehdään. Ongelmana alalla ovat kansainvälisten standardien puuttuminen. Levikintarkastusjärjestöt ja verkkomainonnan etujärjestö IAB ovat tosin sopineet jo 2000-luvun alussa omat Web-mittauksen standardinsa, mutta nekin ovat osin vanhentuneet, puutteelliset ja USA:ssa ja Euroopassa on omat standardinsa.  Esimerkiksi vierailun kestolle ei edelleenkään ole järjellistä ja vertailukelpoista määritelmää.

Suomessa Web-sivustojen kävijämäärämittauksia hallitsi 90-luvulla Taloustutkimuksen Web Traffic Monitor, 2000-luvulla aluksi Suomen Gallup –konsernin RedSheriff, jonka Nielsen-Netratings osti ja muokkasi siitä SiteCensus-järjestelmänsä. Sen syrjäytti vuonna 2004 TNS Gallupin oma TNS Metrix, joka hallitsee edelleen markkinoita Suomessa. TNS Metrix pystyy tarjoamaan myös käyttöliittymän, jolla mediatoimisto voi laskea esim. nettokontakteja kampanjassa, johon valitaan joukko TNS Metrix-mittauksessa olevia verkkomedioita tai niiden osioita. Data on lähes reaaliaikaista, eli päivittyy päivittäin. Mediamittauksessa segmentoidaan usein sivustoa tai sivustojen osia sisällön perusteella, jolloin voidaan laskea esim. eri kohderyhmille tarkoitettujen sivujen tavoittavuuksia.

Lue lisää: Web-analytiikan lyhyt historia, osa 3: eCommerce-mittaukset ja konversiolaskenta alkavat:

http://www.konversio.fi/konversio/2009/03/webanalytiikan-lyhyt-historia-osa-3-ecommercemittaukset-ja-webanalytiikka-konversiolaskenta-alkaa.html

 


Web-analytiikan lyhyt historia: Osa 1 - Lokianalyysien aika

Web-analytiikan lyhyt historia: Osa 1: lokianalyyseista ensimmäisiin selainpohjaisiin mittareihin

1990-luvulla kun Web-sivut alkoivat yleistyä, jo Internet-operaattorit ja Web-hotellien ylläpitäjät tarjosivat saittien rakentajille lokianalyysi-tietoja sivuston kävijöistä. Lokianalyysit olivat usein ilmaisia ohjelmistoja, jotka analysoivat sitä dataa, mikä oli kertynyt Web-palvelimien lokitiedostoihin. Web-serverit voitiin siis palvelimen asetuksilla laittaa tallentamaan lokitietoja liikenteestä, jonka palvelimet olivat vastaanottaneet käyttäjien kutsuista.

World Wide Webin peruslogiikka kun oli, että jokainen käyttäjän linkin klikkaus tai web-osoitteen eli URLin (kuten www.mediacontacts.fi) kirjoittaminen selaimen osoitekenttään ja haun käynnistäminen lähettävät kutsun ko. sivustoa ylläpitävään palvelimeen. Lokitiedoston yksi tietue sisälsi mm. seuraavat kentät:

-          kutsujan IP-numero (kenelle kutsutut tiedostot palautetaan)

-          sekunnin tarkkuudella aika, jolloin kutsu saapunut palvelimelle

-          mitä sivua/tiedostoa on kutsuttu, esim. www.sivusto.fi/index.html

-          kutsujan käyttöjärjestelmä ja selainversio

Siten pelkän lokitiedon perusteella oli mahdollista ryhmitellä esim.

-          ladatuimmat sivut ja tiedostot palvelussa

-          latausmäärät tunneittain, päivittäin, kuukausittain jne.

-          yleisimmät selainversiot ja käyttöjärjestelmät

Lisäksi oli mahdollista tallentaa ns. referrer- eli viitetiedot, joka tarkoittaa sitä, että jos käyttäjä on tullut linkin kautta sivustolle, oli mahdollista tallentaa mitä linkkiä oli klikattu, ja jos linkki oli hakukone, saatiin linkin mukana myös käytetty hakusana tai –sanat. Niinpä analyysiin voitiin ottaa mukaan:

-          suosituimmat viitesivut eli mitkä saitit ohjaavat eniten liikennettä asiakkaalle

-          mitkä ovat suosituimmat hakukoneet joita käyttäjät ovat käyttäneet etsiäkseen asiakkaan sivustoa

-          mitkä ovat käytetyimmät hakusanat, joita käyttäjät ovat käyttäneet ennen kuin ovat tulleet hakukoneen tulossivun kautta asiakkaan sivustolle

Lokianalyysin ongelmat: proxy-palvelimet

Etenkin mainostilaa tarjoavien verkkomedioiden kannalta ongelmaksi muodostui nopeasti se, että palvelinlokit olivat hyvin puutteellisia, koska suuri osa sivuston lukijoista ei lainkaan näkynyt näissä lokitilastoissa. Tämä johtui siitä, että Internet-operaattorit pyrkivät aktiivisesti vähentämään liikennettä verkossa sillä, että perustivat ns. proxy- eli välimuistipalvelimia, joille ladattiin säännöllisin väliajoin suosituimmat tiedostot, joita operaattoriasiakkaat toistuvasti kutsuivat. Niinpä esim. Nokian verkkosivuista oli operaattorin proxy-palvelimelle tallennettu versio, jota tarjottiin loppukäyttäjälle, siitä huolimatta, että Nokia oli mahdollisesti jo päivän aikana uusinut sivujaan ja lisännyt sinne uutta materiaalia. Operaattoriasiakkaan selaimeen kuitenkin tuli oletusarvoisesti välimuistipalvelimelle tallennettu sivu, operaattorin omasta välimuistista, ja Nokian omille palvelimille asti ei kulkeutunut lainkaan kutsua loppukäyttäjältä. Jollei tämä sitten huomannut painaa refresh-painiketta, jolloin selain lähti hakemaan tuoreempaa versiota sivusta alkuperäislähteeltä.

Proxy-palvelimien myötä tilanne muuttuikin nopeasti sellaiseksi, että jopa enemmistö yksittäisen sivuston kutsuista saatiin välimuisteista, jolloin palvelinlokien tiedostoihin kertyi vain osa kaikesta liikenteestä. Ja ongelma oli, että kukaan ei pystynyt sanomaan, kuinka suuri osa liikenteestä näkyi palvelinlokeista. Operaattorit laativat jopa monisteita, joissa kerrottiin, että uuden sivuston pitää kertoa lokianalyysien luvut kymmenellä ja vanhemman sivuston kahdellakymmenellä, jotta saadaan tietää suurin piirtein todellinen sivuston liikennemäärä.

Jos kuitenkin verkkopalvelun liikeidea oli rahoittaa sivuston ylläpito ja sisällöntuotanto ilmoitustuloilla, oli tietenkin välttämätöntä selvittää kaiken liikenteen määrä, olipa selainkutsuihin vastattu asiakkaan ylläpitämiltä palvelimilta tai sitten operaattorien tai suuryritysten proxy-palvelimilta. Operaattorit itsekin ymmärsivät, että lokitiedostot eivät tätä asiaa pysty selvittämään, ja lähtivät ostamaan Web-mittauspalveluja yrityksiltä, jotka olivat ratkaisseet ao. ongelman.

Lue lisää: Web-analytiikan lyhyt historia, osa 2: Selainpohjaiset mittaukset:

http://www.konversio.fi/konversio/2009/03/webanalytiikan-lyhyt-historia-osa-2-selainpohjaiset-mittaukset.html


Web-analytiikka markkinoinnin apuna

Web-analyytikoiden yhdistys WAA (Web Analytics Association) määrittelee Web-analytiikan varsin suppeasti:

Web Analytics is the measurement, collection, analysis and reporting of Internet data for the purposes of understanding and optimizing Web usage.

Eli siis Web-analytiikan tavoitteena olisi tuon mukaisesti ainoastaan optimoida Web-sivujen käytettävyyttä sen tiedon pohjalta, jota sivuston käyttäjistä saadaan verkossa mitattua, kerättyä, analysoitua ja raportoitua.

Media Contacts lähtee omassa Web-analytiikassaan kuitenkin siitä, miten tätä kerättyä dataa voidaan hyödyntää markkinoinnissa. Niinpä myös laajennamme Web-analytiikan sisältämään paitsi sivuston sisäisiä mittauslukuja myös markkinointikampanjadatan (esim. mainonnanhallintajärjestelmistä), mukaan lukien luonnollisesti hakukonemarkkinointiin liittyvän datan esim. Google AdWordsistä tai vastaavista. Siten Web-analytiikan tavoitteisiin voidaan listata paitsi sivuston käyttäjäkokemuksen parantaminen, myös markkinoinnilliset tavoitteet kuten:

-          sivuston konversion parantaminen (kuinka moni sivuston vierailijoista päätyy haluttuun konversioon kuten ostotapahtuma, rekisteröinti palveluun, yhteydenottopyyntö jne.)

-          kävijäuskollisuuden parantaminen; vierailutiheyden nostaminen

-          kontaktien laatukriteerit: ohjataan sivustolle käyttäjiä, joille sivuston sisältö on relevanttia ja kiinnostavaa, mikä näkyy esim. vierailun kestossa ja ladatuissa sivuissa per vierailukerta sekä alhaisessa välittömässä poistumisprosentissa (bounce rate)

-          onnistuneet kampanjanostot sivustolla; optimoidaan esim. sisääntulosivuja siten, että tarjotaan kävijöille houkuttelevia uusia kampanjoita yms.

-          verkkokaupan/matkailusivuston keskioston kasvattaminen

Ohjelmistot, mittarit ja avainparametrit tavoitteiden mukaan

Verkon eri forumeissa ja blogeissa on paljon keskusteltu siitä, mitkä ovat parhaat Web-analytiikkaohjelmistot tai kävijäseurantatyökalut. Toisaalta on myös muistutettu siitä, että avainasia ei ole ohjelmisto vaan sen osaava käyttö ja tietojen analysointi. Myös analytiikkaohjelmiston valinta pitäisi lähteä asiakkaan tavoitteista, ei ohjelmistotuotteen ominaisuuksista. Jos asiakkaan sivusto on raskaan sarjan verkkokauppa, jossa on kymmeniä tai satoja tuhansia vierailukertoja per viikko, tai yksinkertainen yritysesittely, johon on kytketty yhteydenottopyyntömahdollisuus, tarpeet ovat hyvin erilaiset.

Niin ohjelmiston kuin mittareiden ja seurantakriteerien (eli hienosti ilmaistuna KPI  eli Key Performance Indicator) valinta pitäisi siis tapahtua asiakkaan tarpeiden ja tavoitteiden pohjalta. Mihin tarkoitukseen sivusto on perustettu, mitä tavoitteita sille on asetettu? Onnistumista voidaan mitata vasta kun tiedetään tavoitteet.

Verkkomedialle jokainen sivustolle saapunut on tavallaan konversio, sillä usein verkkomedian ainoana tulolähteenä ovat sivuston mainokset. Silloin tavoitteena on kasvattaa kävijämääriä, kävijätiheyttä, ladattujen sivujen määrää per vierailu ja vierailun kestoa. Tavoitteet ovat täysin erilaiset kuin yrityssivustolla, joka on perustanut sivustonsa paperikatalogin korvikkeeksi, tai asiakkaalla, joka on perustanut sivustonsa puhelinasiakaspalvelun vähentämiseksi ohjaamalla kävijöitä tarkistamaan usein kysyttyjä asioita verkkosivuilta (esim. verovirasto yms.), tai lentoyhtiöllä, joka pyrkii muuttamaan matkatoimistojen ja puhelinasiakaspalvelun kautta aiemmin tulleet tilaukset verkkotilauksiksi. Puhumattakaan verkkokaupasta, jolla ei ole lainkaan kivijalkamyymälää, vaan jonka kaikki tulot syntyvät verkkopalvelun kautta tapahtuneesta myynnistä.

Kun haluat tietää lisää Web-analytiikasta markkinoinnin apuna, ota yhteyttä:

http://www.mediacontacts.fi/contact-form.php

 


"Hakusanamainonta paljastuu kuplaksi"

"Hakusanamainonta paljastuu kuplaksi, kun kaikkien hakujen tulos on käyttäjän kannalta suboptimoitu EniroFonectaYritysluetteloX."

"Valtamediat pärjäävät laskusuhdanteessa jälleen suhteellisesti ottaen muita paremmin. Tilattavat sanomalehdet, televisio ja isot aikakauslehdet pärjäävät, kun mainostaja muistavat toimivansa pienessä maassa massamarkkinoilla".

Siinä kiteytyy suomalaisen mainostoimistopomon näkemys markkinoinnin lähitulevaisuudesta. Vastaajana oli tuoreimmassa Mainostaja-lehdessä (ilm. 16.2.2009) mainostoimisto Kingin toimitusjohtaja Jukka Kohonen.

Tällaiset kommentithan kertovat aina enemmän kirjoittajastaan kuin ennustavat tulevaa. Tuosta repliikistä voi ainakin päätellä sen, ettei ao. mainonnan konkari usko digitaaliseen markkinointiin, ja sekoittaa hakusanamainonnan katalogi-ilmoitteluun. Lohdutukseksi Kohoselle, hän ei ole toki yksin, sillä niinhän Mainonnan Neuvottelukunta on vuosia Suomessa tulkinnut Google-mainonnan osaksi "hakemistoilmoittelua", vaikka kyse on nimenomaan näyttömainonnasta (display ad), joka on vain kohdistettu uudella tavalla, hakusanan mukaisesti. Mahtavat näiden ihmisten konseptit mennä sekaisin viimeistään siinä vaiheessa, kun kuvalliset ja videoita sisältävät Google-mainokset alkavat yleistyä Suomessakin.

Mutta tuo toinen teesi, että laman aikana "vahvat vahvistuvat", sitä on myös toitotettu myös niin monesta lähteestä viime kuukausina, että varmaan siihen moni muukin on alkanut uskoa. Uskomuksen pohja lähtee siis siitä, että niin on tapahtunut menneiden lamojenkin aikana. Tilattavien sanomalehtien tilaaja- ja lukijamäärät siis kääntyvätkin uuteen nousuun, ja massa-aikakauslehdet nousevat uuteen kukoistukseensa.

Mediatoimistojen eloonjäämisen ehto ainakin on se, että tuntee mediakäyttäytymisessä vallitsevat trendit ja osaa vähän niitä haistella eteenpäinkin. Mainostoimistopuolella jotkut näyttävät ennemminkin uskovan edelleen taustapeiliin katsomisen ja uskovat historian toistavan itseään. Eihän Googlea ollut viime lamankaan aikana, miksi sitä olisi siis tulevan laman aikana?

- Ismo Tenkanen