Die Evolution von Digital Analytics und Marketing

Die Transformation der Art und Weise, wie Marketingspezialisten an Analytics herangehen müssen, ist im Gange. Es ist an der Zeit, nicht mehr über den Benutzerfluss nachzudenken und stattdessen an eine Reihe von Ereignissen (Aufgaben) zu denken, die wir von engagierten Benutzern erwarten.

Lange bevor die erste Web-Banner-Werbung erschien (27. Oktober 1994, in der Zeitschrift Wired), entschieden sich Vermarkter, die ihren Kunden bei ihren Marketingbemühungen helfen wollten, für die Verbindung von Analytik und Marketing. Im Laufe der Zeit hat sich diese Verbindung weiterentwickelt, ebenso wie die Fähigkeiten von Analysetools.

Früher lauteten Marketingberichte: „Sehen Sie sich die Anzahl der Website-Besucher an, die die Kampagne generiert hat!“ oder „Sehen Sie, wie viele Seitenaufrufe wir erzielen konnten!“ Dies waren die üblichen Verwendungszwecke von Analytics. Mit der Verbesserung der Analysetools wurde es schließlich möglich, Online-Verkäufe bestimmten Marketingbemühungen zuzuordnen.

In diesen mehr als 30 Jahren blieb eine Sache in der Interpretation webbasierter Analysen durch das Marketing konstant: Eine Kampagne brachte X Besucher auf die Website. Sie haben so viele Seiten angesehen, was zu einer bestimmten Anzahl von Verkäufen geführt hat. Im Wesentlichen ein grundlegender Benutzerfluss. Jeder Schritt auf der Website während der Reise des Besuchers wurde als flüssig und einfach zu verfolgen angesehen.

Als Vermarkter müssen wir damit beginnen, unser Gehirn für die nächste Generation von Analysetools und -techniken fit zu machen. Die neue Generation von Analysetools verarbeitet keine Aufzeichnungen der Benutzeraktivitäten (Logfiles) mehr, sondern speichert stattdessen bestimmte Ereignisse in einer Datenbank. Wenn Sie noch nichts von „Event-Based Analytics“ gehört haben, werden Sie bald überall davon hören.

Bereits im Oktober 2020 veröffentlichte Google Google Analytics 4 (GA4). Es befand sich im Beta-Modus, aber jeder Benutzer, der sich für Google Analytics anmeldete, wurde automatisch bei GA4 registriert. Sie mussten sich in GA auskennen, um das alte Universal Analytics (UA) einzurichten. Während GA das beliebteste Analysetool da draußen sein mag, macht Adobe Analytics seit einiger Zeit „ereignisbasierte Analysen“, zusammen mit mehreren anderen Analysetools da draußen.

Obwohl das offizielle Datum von Google, das alle dazu zwingt, auf GA4 umzusteigen, noch nicht bekannt gegeben wurde, können Sie sicher sein, dass es kommt, und es ist an der Zeit, über „ereignisbasierte Analysen“ nachzudenken und darüber, wie es sich von dem unterscheidet, was Sie gewohnt sind und einige der darin enthaltenen Vorteile.

Ereignisbasierte Analysen definieren

„Ereignisbasierte Analysen sind die Methode zum Verfolgen und Analysieren von Interaktionen zwischen Benutzern und Ihrem Produkt, die auch als Ereignisse bezeichnet werden.“

Was bedeutet das alles für Marketer? Wir müssen überdenken, wie wir Analysedaten als Teil unserer Marketingberichte präsentieren.

Wenn wir in der Vergangenheit über die Reise eines Benutzers sprachen, sagten wir: „Sie kamen von dieser Kampagne, landeten auf dieser Seite, besuchten diese Seiten und kauften XXX,XX $.“

Mit ereignisbasierter Analyse sehen wir immer noch, welche Kampagnen Besucher auf die Website gebracht haben. Es ist nicht so einfach, ihnen zu folgen, auf welchen Seiten sie sich angesehen haben, aber die Verfolgung der einzelnen Schritte im Checkout-Prozess wird viel einfacher.

Mit ereignisbasierter Analyse erhalten wir eine Produktansicht dessen, was mehr als nur der Benutzerfluss passiert ist.

Beispielsweise können wir ein Segment für eine bestimmte Kampagne erstellen und einzelne Schritte anzeigen (stellen Sie es sich als Sprungbrett vor, ein Benutzer kann leicht von einem zum anderen springen oder einige davon überspringen). Auf einer E-Commerce-Website sehen wir, wie viele Einheiten jedes Produkts in Einkaufswagen gelegt und wie viele gekauft wurden. Sie werden nicht sehen, ob sie ein Produkt in ihren Einkaufswagen legen und später wiederkommen und es entfernen oder die bestellte Menge verringern. Event-Based Analytics generiert einen Bericht, der in etwa so aussieht:

Ereignisbasierte Analysen und Segmentierung

Eine leistungsstarke Funktion, die mit Event-Based Analytics verfügbar wird, ist die erweiterte Segmentierung. Während Auftragsanalyse-Tools ein gewisses Maß an Segmentierung bieten, haben Sie jetzt viel mehr Flexibilität bei der Definition. Die Segmentierung bietet Ihnen die Möglichkeit, Interessenten und Kunden in bestimmte Gruppen einzuteilen, je nachdem, wie sie mit Ihrem Produkt interagieren.

Unten finden Sie ein Beispiel dafür, wie mit Event-Based Analytics User-Engagement über verschiedene Akquisitionskanäle generiert werden kann.

Bei ereignisbasierten Analysen wird höchstwahrscheinlich keine Messung der Absprungrate gemeldet. Wieso den? Denn das einfache Betrachten einer Seite ist ein Ereignis. Die meisten Analysetools erfassen jetzt die Zeit auf der Seite (ein Ereignis wird alle X Sekunden ausgelöst) über Timer und nicht nur anhand des Zeitstempels zwischen den Seitenaufrufen, und sie verfolgen auch das Scrollen des Benutzers auf einer Seite (Engagement). Um dies zu vereinfachen: Wenn ein Benutzer X Sekunden auf einer Seite verbringt oder mit dem Scrollen beginnt, ist er nicht abgesprungen, sondern hat sich engagiert. Wir müssen jetzt an „engagierte Sitzungen“ versus „nicht engagierte Sitzungen“ denken. Ein einzelner Seitenaufruf ohne Scrollen und mit weniger als X Sekunden ist eine „nicht engagierte Sitzung“.

Lesen Sie weiter: Was ist Customer Journey Analytics?

Verwenden Sie ereignisbasierte Analysen, um den Umsatz zu steigern

Bei einer E-Commerce-Website und einer mobilen App öffnet ein Website-Besucher (möglicherweise von einer Marketingkampagne) die Website und durchsucht eine Reihe von Artikeln, bevor er einen Artikel in seinen Einkaufswagen legt. Es könnte Tage später sein, sie melden sich wieder bei der mobilen App an und schließen den Kauf ab. In Ihrer Analyseplattform könnten die oben genannten Verhaltensweisen oder Ereignisse jetzt so aussehen: „Benutzerregistrierung“, „Nach Artikeln suchen“, „Artikeldetails anzeigen“, „Artikel in den Warenkorb legen“ und „Kauf abgeschlossen“. Bei vielen älteren Analysetools würden Sie diese verbundene Reise nicht sehen, aber Sie würden sehen, dass ein Benutzer von der X-Kampagne kam, Artikel in den Einkaufswagen legte und dann aufhörte. Ein anderer Benutzer hat sich „magisch“ über die App angemeldet, aber Artikel gekauft, ohne sie überhaupt in den Warenkorb zu legen.

Ereignisbasierte Daten können Fragen generieren, die zu Produktänderungen und -anpassungen führen. Nachdem wir die Daten aus dem obigen Beispiel überprüft haben, könnten wir fragen:

1. Der Prozentsatz der Benutzer, die den Checkout in einer einzigen Sitzung abschließen?
2. Unterscheidet sich die Conversion je nach Artikel oder Marke?
3. Wenn die Nutzer nicht konvertiert haben, wo haben sie das getan? (Website verlassen, andere Informationen weiterhin anzeigen usw.)
4. Wie lange dauert die Konvertierung (in Minuten oder Tagen)?
5. Treten Benutzer während des Bezahlvorgangs einem Zahlungsfehler oder anderen Problemen (Ereignissen) gegenüber?
6. Wenn sie nicht sofort gekauft haben, sind sie dann für immer weg?

Möglicherweise können Sie die oben genannten Fragen mit Ihren vorhandenen Analysetools beantworten, aber mit ereignisbasierten Analysen wird es viel einfacher.

Ereignisbasierte Analysen und Data Warehousing

Die Kombination Ihrer Event-Based Analytics-Daten mit einem Data Warehouse setzt Ihre Daten auf Steroide. Sie haben vielleicht bemerkt, dass jedes Ereignis im Wesentlichen ein Datenpunkt ist, der leicht in ein Data Warehouse exportiert werden kann.

Durch einfaches Exportieren Ihrer Daten haben Sie jetzt die Möglichkeit, Ihre Rohdaten zu manipulieren und zu verarbeiten. Bisher mussten Sie mit den Daten arbeiten, die in Ihrem Analysetool verfügbar waren.

Bei einer E-Commerce-Website verfolgen Sie beispielsweise wahrscheinlich eine eindeutige Kunden-ID. Dies ist per Gesetz eine anonyme ID (keine Möglichkeit, mit bestimmten personenbezogenen Daten zu verknüpfen). Innerhalb Ihrer Datenbank können Sie eine Kundensuche durchführen und sehen, wie viel bestimmte Kunden wann bestellen. Wie wäre es, wenn Sie einen Bericht über Kunden erstellen, die Artikel länger als 2 Wochen in ihrem Einkaufswagen belassen haben? Als Vermarkter könnten Sie dann anreizbasierte E-Mails generieren oder sich sogar von ihrem zugewiesenen Vertriebsmitarbeiter anrufen lassen, um zu sehen, was los ist. Es ist diese Kraft der kombinierten Daten im Data Warehouse, die es wirklich ermöglicht, dass ereignisbasierte Analysen den Umsatz steigern.

Die Berichterstellung wird weiter verbessert und vereinfacht, indem Sie Ihre Datenvisualisierungstools beim Zugriff auf das Data Warehouse verwenden. Sie müssen nicht mehr mehrere Datenquellen verbinden und einzelne Berichte anzeigen. Durch die Verbindung Ihres Datenvisualisierungstools mit dem Data Warehouse können Daten in einheitlichen Tabellen und Grafiken dargestellt werden.

Wenn Ihre Organisation ereignisbasierte Analysen noch nicht implementiert hat, beginnen Sie damit, entsprechende Pläne zu schmieden. Wenn Sie derzeit Universal Analytics (UA) von Google verwenden, bereiten Sie sich darauf vor, wann Google das Datum für die Deaktivierung von UA ​​bekannt gibt und Sie dazu zwingt, zu GA4 zu wechseln. Als Empfehlung für alle UA-Benutzer ist es an der Zeit, GA4 parallel zu betreiben, wenn auch aus keinem anderen Grund, sich damit vertraut zu machen und die damit verbundene Leistungsfähigkeit zu sehen.

Die in diesem Artikel geäußerten Meinungen sind die des Gastautors und nicht unbedingt die von MarTech. Mitarbeiter Autoren sind hier aufgelistet.