Průměry lžou. Házejí všechny hodnoty do jednoho pytle a zastírají jejich různorodost. Zkusme si představit e-shop, který má velké množství různých produktů a zákazníci si často objednávají více položek zboží najednou. Při analýze průměrné hodnoty uskutečněných objednávek můžeme narazit na několik háčků. Tento newsletter vám ukáže pár postupů, které vám pomohou k přesnějšímu vnímání výkonu internetového obchodu a k možnosti učinit rozhodnutí založená na méně zastřených datech.
Poznámka: v ukázkách je jako měna uveden americký dolar, což je jenom kvůli tomu, že Google Analytics neumí českou měnu. Hodnoty jsou přesto skutečně v Kč.
Proč tady kriticky pohlížím na průměrnou hodnotu objednávky? Její největší nevýhodou je velmi snadná ovlivnitelnostpříliš velkými či malými hodnotami. Jak lze poznat, zda v našem průměru figurují taková čísla? Podívejte se na seznam hodnot vašich objednávek za delší období a seřaďte si jej podle výše celkové částky objednaných produktů či služeb.
V první desítce se mohou ukázat právě ty hodnoty, které vaši průměrnou hodnotu objednávky posouvají někam mimo. Nezapomeňte, že tyto objednávky mohou být testovací (od programátorů, od návštěvníků, od konkurence) nebo opravdu netypické objednávky od zákazníků, což se velmi často stává, pokud se vám míchají koncoví zákazníci a B2B segment.
Došli jsme zatím ke 2 situacím, které je třeba blíže prozkoumat:
- Očištění extrémních hodnot
- Různé skupiny návštěvníků / zákazníků
Očištění extrémních hodnot
Extrémy jsou celkem snadno vyřešitelné. Vyfiltrujeme pryč ty okrajové hodnoty. V případě nástroje Google Analytics to můžeme udělat přes pokročilé segmenty. Novému segmentu dáme dvě podmínky, vždy podle hodnoty výše objednávky, abychom si ji omezili zdola i shora.
V příkladu jsem použil hodnoty 500 Kč a 35000 Kč pro dolní a horní omezení, což na vzorku 1836 transakcí znamenalo odstranění přibližně 200 transakcí.
Je zajímavé, že průměrná hodnota objednávky se posunula níže. I z toho je jasné, že poměrně málo drahých objednávek vytáhlo průměrnou hodnotu objednávky nahoru a skutečný průměr je mnohem níže – původní množina měla medián, tedy číslo v přesné polovině seřazené řady hodnot, pouhých 3 482 Kč.
Kromě hodnoty objednávky lze extrémy očišťovat např. pro počet položek v objednávce.
Poznámka: Možná jste si povšimnuli, že míra konverze je na obrázku větší než 100 %, což se zdá zvláštní. Protože však pracujeme se segmentem, který omezuje návštěvy na pouze ty, které uskutečnily transakci, a protože návštěvník může vykonat klidně i více objednávek najednou, nemusíme se hodnotě 103,96 % divit.
Různé skupiny zákazníků
To všechno, co tady zaznělo, má úzkou spojitost se segmentací zákazníků třeba právě podle množství či hodnoty objednaného zboží. Naprosto jednoduchým rozdělením, jež můžeme aplikovat, jsou chudí a bohatí, (berte s nadsázkou) tedy rozseknutí skupin zákazníků podle nějaké hranice výše objednávky do minimálně dvou skupin. Postup zjišťování je velmi obdobný očišťování extrémů, akorát přibudou přísnější omezení.
Poznámka: Dejte si pozor, neboť všechny objednávky nízkých hodnot nemusí znamenat „špatné“ zákazníky. Dokupování příslušenství je jeden z příkladů situace, kdy je ta reálná získaná hodnota opravdu někde jinde.
Takovýmito způsoby se můžeme dostat k velice zajímavým poznatkům pro různé skupiny zákazníků. Co si z toho však odnést? Jak s tím můžeme naložit?
Nepochybně nás zajímá, odkud pocházejí návštěvníci, kteří uskutečnili takové odlišné objednávky. Podívejme se do základního přehledu zdrojů návštěvnosti.
Už jen podle toho obrázku by šlo vyčíst, které zdroje jsou perspektivní a že přímí návštěvníci, kteří jsou schopni si vyťukat adresu do prohlížeče, neboť pravděpodobně vaši firmu znají, tvoří velmi významnou skupinu. Ve skutečnosti se však musíte ponořit hlouběji do těchto zdrojů návštěvnosti a sledovat klíčová slova, odkazující zdroje a vyhledávače, které jsou pro vaše zákazníky užitečné.
Samozřejmě se neomezujte jen na zdroje návštěvnosti, sledujte také vstupní stránky uživatelů, prohlížený obsah či analyzujte možné problémy, které by je mohly na vašem webu potkat na cestě k objednávce.
Užitečnost těchto zjištění
Rozhodnutí, která z takovýchto analýz mohou vzejít, mohou být např.:
- Posílení propagace na určitém zdroji či naopak zastavení propagace
- Upravení provizních cen pro určité partnerské weby
- Upravení slibů, které uživatelům presentujeme v našich reklamních kampaních
