E-Commerce: "Αυτό" Ανέβασε το Conversion Rate. Όχι! "Αυτό" το έκανε!

conversion_optimization

SHARE

Το να κάνεις Optimize ένα Website είναι ένα - αν όχι το σημαντικότερο - από τα πιο σημαντικά θέματα που προκύπτουν σε ένα e-commerce website. Ο κάθε digital marketing strategist, growth hacker, απλός marketeer έχει δεκάδες ιδέες και τις εφαρμόζει καθημερινά κάνοντας δεκάδες η και εκατοντάδες αλλαγές επάνω σε ένα website. Όλα αποσκοπούν στο κέρδος. Όμως πως μετράμε τα αποτελέσματα των ενεργειών μας με έναν βαθμό στατιστικής αυτοπεποίθησης; Με λίγα λόγια, πως γνωρίζουμε ότι οποιαδήποτε αλλαγή γίνεται στο Conversion Rate είναι αποτέλεσμα των ενεργειών μας και ΌΧΙ από καθαρή τύχη;

Μια μικρή διευκρίνιση. Αυτό το άρθρο δεν μιλάει αλλά και ούτε αναφέρεται στο A/B Testing. Το Α/Β testing είναι μια καταπληκτική πρακτική και για την ακρίβεια μια μεγάλη επιστήμη που δεν την κατέχουν πολλοί. Όμως το να τρέχεις πειράματα με δύο ή και τρία ή και περισσότερα checkout flows δεν είναι πρακτικό για την μικρομεσαία επιχείρηση. 

Τα Δεδομένα Μας

Ο κόσμος πασχίζει και τρελαίνεται για εργαλεία! Ακούω παντού για Heatmaps, HotJar, Video Recordings (Όπου κάθεται κάποιος και βλέπει σε βίντεο τι κάνουν οι χρήστες του Online στην σελίδα του), Google Optimizer, CrazyEgg, Visual Website Optimizer, οι μισοί μου συνεργάτες και φίλοι από SEO Experts γίνανε Growth Hackers και οι άλλοι μισοί Conversion Experts. Και τώρα, θέλω να κάνω την βασική ερώτηση: Τι κατάλαβες από τα αποτελέσματα που πήρες από αυτά τα εργαλεία; Αυτό που κατάλαβες εσύ το κατάλαβε και ο διπλανός σου; Αυτό που κατάλαβες είναι ουσιαστικό; Θα καταλάβαινε το ίδιο πράγμα με σένα ένας ουδέτερος χρήστης; "Πήρες την απάντηση σου;", Έχεις αυτοπεποίθηση από αυτό που βλέπεις; Μα και βέβαια όχι. Διότι, για να έχεις μια απάντηση θα πρέπει να συνδυάσεις άλλα τόσα πράγματα αλλά και πάλι όλα είναι υποθετικά. Δεν υπάρχει μια επιστημονικά τεκμηριωμένη στατιστική βάση σε όλα αυτά διότι τα δεδομένα είναι ελλειπή.

Ακόμη και να μην ήταν ελλειπή τα συγκεκριμένα δεδομένα που προαναφέρω, υπάρχει ένα πρόβλημα. Αυτό το πρόβλημα ονομάζεται "Η ίδια η ιστοσελίδα που αναλύεις". Νομίζεις ότι αυτά τα εργαλεία δημιουργήθηκαν και πέτυχαν online επειδή φτιάχτηκαν για σελίδες της τάξεως των 200 daily users; Όχι βέβαια. Για να κάνεις σωστή ανάλυση χρειάζεσαι VOLUME όπου....μάντεψε, Ο "Ολοκαίνουργιος πελάτης σου" δεν έχει. 

Δεν είναι Μαγκιά να διπλασιάσεις το Conversion Rate σε μια εταιρεία με μισό εκατομμύριο μηνιαίους επισκέπτες και 100 πωλήσεις την ημέρα. Μαγκιά είναι να διπλασιάσεις το Conversion Rate σε μια εταιρεία με τρεις χιλιάδες μηνιαίους επισκέπτες και 7 πωλήσεις την ημέρα.

Σε αυτό το άρθρο, δεν θα αναφέρω για τακτικές και μεθόδους που βοηθούν να ανέβει το Conversion Rate διότι "αυτό που λειτουργεί για μένα, μπορεί να μην λειτουργεί για σένα" αλλά και αντίστροφα. Ταυτοχρόνως και το σημαντικότερο ΔΕΝ είμαι expert στο κομμάτι αυτό και ποτέ δεν θα ήθελα να είμαι διότι είναι ψυχοφθόρο. Όμως, σε αυτό το άρθρο θα δούμε με στατιστική ακρίβεια ΠΩΣ καταλαβαίνουμε η οποιαδήποτε αλλαγή που κάνουμε αν φέρνει το ανάλογο αποτέλεσμα με στατιστική ακρίβεια. Άρα είναι ένα δώρο για τους Conversion Experts. Για να το κάνουμε αυτό, θα χρησιμοποιήσουμε:

  • Τα Google Analytics 
  • Την Γλώσσα R

Η Γλώσσα & τα Πακέτα

Πρώτα κατεβάζουμε την γλώσσα R από εδώ. Έπειτα, κατεβάζουμε το RStudio από εδώ για να μας κάνει την ζωή πιο εύκολη. Έπειτα, για να συλλέξουμε δεδομένα από τα Google Analytics πρέπει να χρησιμοποιήσουμε ένα "πακέτο" που ονομάζεται "rga" oπότε αφού έχουμε κάνει εγκατάσταση την R και το RStudio - ανοίγουμε το RStudio όπως κάθε πρόγραμμα στον υπολογιστή μας και κάνουμε επικόλληση τον παρακάτω κώδικα:

#Πρώτα Αυτές τις 2 γραμμές
install.packages("devtools")
library(devtools)
#Μετά αυτές τις γραμμές
install_github("rga", "skardhamar")
library(RCurl)
library(bitops)
library(jsonlite)
library(httr)
library(rga)
#Θα ανοίξει το παράθυρο για να γίνει
#Authentication με τα Google Analytics
#Αποθηκεύστε τον κωδικό για μελλοντική
#Χρήση
rga.open(instance="ga", where="ga.rga")

Και κάνουμε Online Authentication

r_authentication_with_google

Ρυθμίζοντας τις Παραμέτρους στο Google Analytics

Σε αυτό το σημείο πρέπει να γνωρίζουμε τι ακριβώς θέλουμε να κάνουμε. Για παράδειγμα εγώ γνωρίζω για την δική μου ιστοσελίδα τις ημερομηνίες που δεν είχα κάνει τίποτα αλλά και τις ημερομηνίες που είχα κάνει τις αλλαγές μου. Επίσης γνωρίζω ότι θέλω να κοιτάξω καθαρά το Conversion Rate με βάση τις ενέργειες μου και τίποτα άλλο. Άρα επιλέγω συγκεκριμένες παραμέτρους που θέτει η ίδια η Google και μπορείτε να τις δείτε εδώ.

start_date <- "2017-07-01"
end_date <- "2018-03-14"
#Οι παράμετροι που διάλεξα από το Reference της Google
metrics <- "ga:goal1Starts,ga:goal1Completions,ga:goal1ConversionRate"
sort <- "ga:date

Καλώντας το GA API & Συλλογή Δεδομένων

Σε αυτό το σημείο, θέλουμε να τραβήξουμε τα δεδομένα που μας ενδιαφέρουν. Θα το κάνουμε με τον εξής τρόπο:

# Αλλάξτε το `XXXXXX` με το δικό σας profile_id
src <- ga$getData(
    "ga:XXXXXX",
    start.date = start_date,
    end.date = end_date,
    metrics = metrics,
    sort = sort,
    batch = TRUE
)

Έλεγχος των δεδομένων

Πρώτα να τα δούμε

str(src)
'data.frame':	438 obs. of  4 variables:
 $ date               : Date, format: "2017-07-01" ...
 $ goal1Starts        : num  280 307 337 334 323 509 442 472 400 343 ...
 $ goal1Completions   : num  280 307 337 334 323 509 442 472 400 343 ...
 $ goal1ConversionRate: num  4.54 4.39 5.04 5.48 4.73 ...
 - attr(*, "containsSampledData")= logi FALSE
summary(src)
      date             goal1Starts    goal1Completions goal1ConversionRate
 Min.   :2017-07-01   Min.   :106.0   Min.   :106.0    Min.   :1.891      
 1st Qu.:2017-08-20   1st Qu.:178.0   1st Qu.:178.0    1st Qu.:3.169      
 Median :2017-09-07   Median :210.0   Median :210.0    Median :3.752      
 Mean   :2017-010-07   Mean   :215.7   Mean   :215.7    Mean   :3.842      
 3rd Qu.:2017-11-24   3rd Qu.:244.0   3rd Qu.:244.0    3rd Qu.:4.364      
 Max.   :2018-03-14   Max.   :509.0   Max.   :509.0    Max.   :7.264 

Όλα φαίνονται καλά! Τώρα αυτό που πρέπει να κάνουμε είναι να ομαδοποιήσουμε τα δεδομένα μας με βάση τις συνθήκες μας. Για παράδειγμα, εμείς ξέρουμε ότι αλλάξαμε το site design & το checkout page design τον 12ο μήνα του 2017. Για να δούμε:

ga <- src

design <- function(date){
  if(date >= "2017-12-02")
    return("New")
  if(date <= "2017-12-01")
    return("Old")
  else
    return(NA)
}

ga$design <- as.factor(sapply(ga$date, design))

# Αποθηκεύουμε τα δεδομένα μας (σε περίπτωση προβλήματος)
write.csv(ga, "ga_cr_data.csv", row.names = FALSE)

Ώρα για την Απεικόνιση! 

Μια εικόνα 1000 λέξεις λέγανε οι Κινέζοι! στην περίπτωση μας 1 εικόνα ισοδυναμεί με εκείνο το πολυπόθητο συναίσθημα της σιγουριάς. Αυτό που χρειαζόμαστε για να κάνουμε το επόμενο βήμα στην εργασία μας.

#install.package("ggplot2")
library(ggplot2)
#install.package("scales")
library(scales)

daily_CR_plot <- ggplot(ga,
    aes(date,goal1ConversionRate, colour = design)) +
  geom_point() +
  stat_smooth() +
  ggtitle("Site Design & Conversion Rates\nJul-Mars 2018") +
  xlab("date") +
  ylab("Conversion Rate") +
  scale_y_continuous(labels = percent, limits=c(0, 1))

daily_CR_plot
conversion_rates

Όπως θα παρατηρήσετε στην από επάνω εικόνα, υπάρχουν πάρα πολλά outliers. Αυτοί είναι χρήστες που με βάση τις συνθήκες ανταποκρίνονται ανάλογα. Θα τα κοιτάξουμε παρακάτω.

Τώρα θα τα ομαδοποιήσουμε όλα και θα βγάλουμε το μέσο όρο του Conversion Rate για κάθε κανάλι.

checkout_conversion_rates

Καταπληκτικά νέα! Με το προηγούμενο design του Checkout περίπου ένας στους 4 (1/4) αγόραζε (Από αυτούς που πηγαίνανε στο checkout). Τώρα αγοράζει περίπου ο ένας στους δύο! (1/2). Χαλάλι στα χρήματα λοιπόν και μακάρι όλες οι επιχειρήσεις να πουλάνε αβέρτα!

Είναι τα αποτελέσματα Υπεύθυνα;

Στην αρχή του άρθρου αναφερόμαστε στους στόχους που πρέπει να έχει κάποιος πριν ξεκινήσει την ανάλυση. Εμείς βγάλαμε βασικό baseline Conversion Rate της τάξης του 48.75%. Αν αποφασίσουμε ένα ποσοστό αλλαγής το οποίο θα θέλουμε να "ελέγξουμε" και να δούμε αν λειτουργεί θα διάλεγα το λιγότερο 10% (είτε πάνω είτε κάτω) του παραπάνω κόσμου που έκανε τις αγορές. 

Για αυτόν τον λόγο, θα πάρω ένα "δείγμα επισκεπτών" όπου το 10% μου αναλογεί σε 1561 επισκέψεις. Και στο Νέο μου Website θα είναι 1705 επισκέψεις. Και τώρα θα κάνουμε ένα t-test. Αν δεν γνωρίζετε τι είναι το t-test δείτε το εδώ.

t.test(goal1ConversionRate~design, ga, var.equal=TRUE)
##
##  Two Sample t-test
##
## data:  goal1ConversionRate by design
## t = -3.395, df = 564, p-value = 0.0007336
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.21316 -0.05692
## sample estimates:
## mean in group New mean in group Old
##            0.4825            0.2476

βλέπουμε ότι το p-value = 0.0007336 και από την στιγμή που είναι < 0.5 τότε με απόλυτη μαθηματική και στατιστική ακρίβεια τα αποτελέσματα που πήραμε (αυξήσεις πωλήσεων) οφείλονται σε δικές μας ενέργειες και όχι στην τύχη. 

Κατακλείδα

Στο παραπάνω άρθρο αποδείξαμε πως μπορούμε να έχουμε πρόσβαση σε αποτελέσματα ενεργειών μας επάνω στο website μας η και των πελατών μας με στατιστική ακρίβεια. Όλα τα παραπάνω θα μπορούσαν να αυτοματοποιηθούν και να δημιουργήσουμε ένα όμορφο Online Dashboard όπου θα είχαμε όλους τους πελάτες μας μέσα (για επιχειρήσεις) ή όλα τα websites που έχει ο καθένας (για webmasters). Θα μπορούσαμε να κάνουμε δυναμικά σχεδιαγράμματα αντί για σκέτες "εικόνες" όπου θα έκανε interact και ο πελάτης καθώς επίσης θα μπορούσαμε να κάνουμε τα δεδομένα μας να είναι live δηλαδή να τα βλέπουμε "την στιγμή που γίνονται αγορές, πωλήσεις, banners" (οτιδήποτε μας ενδιαφέρει).

Με βάση το E-commerce-Europe.eu το μέσο Conversion Rate στην Ελλάδα είναι 1.44%

Δημοσίευση σχολίου

Παρακαλώ το σχόλιο σας να είναι σχετικό με την παραπάνω ανάρτηση

Comment

  • No HTML tags allowed.
  • Lines and paragraphs break automatically.
TOP