Was sind die gängigen Big-Data-Analytics-Modelle?

Hören Sie sich diesen Artikel an

Beispielsweise, welche Datenmodelle in der Datenanalyse insbesondere für einige Internetplattformprodukte direkt genutzt werden können. Es gibt 11 allgemeine Datenanalysemodelle, die direkt verwendet werden können, darunter Ereignisanalyse, Attributanalyse, Kanalanalyse, Sitzungsanalyse, Aufbewahrungsanalyse, Attributionsanalyse, Heatmap-Analyse, Verteilungsanalyse, Intervallanalyse, Pfadanalyse und Trichteranalyse.

Der Inhalt des Artikels:

• Ereignisanalyse
• Attributanalyse
• Kanalanalyse
• Sitzungsanalyse
• Aufbewahrungsanalyse
• Attributionsanalyse
• Heatmap-Analyse
• Verteilungsanalyse
• Intervallanalyse
• Pfad Analyse
• Trichteranalyse

Ereignisanalyse

Ereignisse beziehen sich auf das Verhalten von Benutzern in Apps, Websites und anderen Anwendungen, also wer, wann, wo, wie und was sie getan haben. Das Ereignisanalysemodell wird hauptsächlich verwendet, um das Verhalten des Benutzers in der Anwendung zu analysieren, z. B. das Öffnen der Anwendung, das Registrieren, Anmelden und Bezahlen der Bestellung. Das Benutzerverhalten wird anhand von Basismetriken wie der Anzahl der aktivierten Benutzer, der Anzahl der Auslöser und der Zugriffsdauer gemessen und unterstützt die Metrikberechnung zur Erstellung komplexer Metriken zur Messung von Geschäftsprozessen.

Welche Probleme kann das Ereignisanalysemodell lösen? Zum Beispiel:

1. Verfolgen Sie die tägliche Anzahl der Benutzer, Besuche und Produktnutzungszeit. Hat sich der Trend geändert? Welche Faktoren haben die Änderung verursacht?
2. Was ist der Unterschied zwischen der Verteilung der von Nutzern in St. Petersburg und Moskau gekauften Haushaltsgeräte?
3. Heute hat das Produkt ein Thema gestartet: Wie ist die Benutzerbeteiligung in jedem Zeitraum?
4. Wie hoch war die Anzahl zahlender Nutzer und der ARPU in den letzten sechs Monaten?

Das Ereignisanalysemodell kann das Benutzerverhalten plattformübergreifend in Echtzeit verfolgen, Indikatoränderungen dimensionübergreifend zuordnen und benutzerdefinierte Indikatoren zu neuen Indikatoren kombinieren, um leistungsfähigere Analysen zu erzielen. Die intelligenten Analyseprodukte von Analysys Ark unterstützen Dimensionsfilterung und Abteilungsbedingungen sowie Gruppenvergleiche durch die Analyse von Benutzergruppen.

Attributanalyse

Die Attributanalyse basiert auf einer Analyse der Anteile von benutzerdefinierten Attributen oder voreingestellten Attributen. Es kann die Anteile von Metrikattributen wie der Anzahl der Benutzer über verschiedene Attribute hinweg berechnen und dann die vorläufigen Schlussfolgerungen der Analyse erhalten. Durch die Analyse des Anteils der Nutzer mit Geschlechtsmerkmalen können wir beispielsweise schnell statistische Ergebnisse über die Anzahl der Nutzer unterschiedlichen Geschlechts erhalten.

Mithilfe der Attributanalyse können Sie schnell die Verteilung der Benutzer auf verschiedene Attribute erkennen, was für die Berechnung der Gesamtzahl der Benutzer mit unterschiedlichen Merkmalen nützlich ist. Bei der Verwendung der attributiven Analyse ist es notwendig, eine sinnvolle Messmethode zu wählen. Zu den häufig verwendeten Messmethoden gehören: Anzahl der Benutzer, Multiplizität, Summe, Maximum, Minimum, Durchschnitt usw.

Beispiel: Der von uns ausgewählte Indikator ist „Durchschnittlicher kumulierter Verbrauch“, die Dimension ist „Mitgliedschaftsstufe“ und der Benutzer wählt „Alle Benutzer“ aus. Dann erhalten wir als Ergebnis „Wie hoch ist der durchschnittliche Verbrauch aller Benutzer mit unterschiedlichen Mitgliedschaftsstufen“. .

Ähnlich wie das Ereignisanalysemodell kann das Attributanalysemodell mehrdimensionale Vergleiche für mehrere Benutzer durchführen und statistische Ergebnisse in verschiedenen Diagrammen anzeigen. Das Tag-Feature-Szenario kann auch einen statistischen Vergleich von Tags über Versionen hinweg durchführen.

Kanalanalyse

Kanäle, also verschiedene Kontaktpunkte zwischen Unternehmen (Produkten) und Nutzern, wie Suchmaschinen, soziale Netzwerke, Werbeplattformen, Offline-Meetings etc.

Das Kanalanalysemodell wird verwendet, um die Quellen von Benutzerbesuchen (einschließlich Besuchern) zu analysieren und die Qualität des Kanals anhand wichtiger Kennzahlen wie der Anzahl der besuchenden Benutzer, der Anzahl der Besuche, der Dauer des Besuchs und der Absprungrate zu bewerten . Es unterstützt auch benutzerdefinierte Conversion-Ziele, um den Conversion-Effekt von Kanälen zu messen.

Welche Probleme kann die Kanalanalyse lösen? Zum Beispiel:

1. Wie sieht es mit der Anzahl der Besucher und Seitenaufrufe jedes Kanals in Echtzeit aus?
2. Wie sieht es mit der Anzahl der Benutzerregistrierungen aus, die jeder Kanal anzieht?
3. Soziale Medien, Suchmaschinen, externe Links … Welcher Kanal hat die höchste Bindungsrate?
4. Konzentrieren sich die Nutzer der Wechat-Quelle eher auf den offiziellen Account oder auf den Freundeskreis?
5. Welche Suchbegriffe generieren den meisten Traffic und führen zu guten Conversions?

Das Kanalanalysemodell kann die Leistung jedes Kanals klar darstellen, indem es wichtige Kennzahlen und Konversionsraten identifiziert, die Analyseplattform und Kanalparameter auswählt, um den tatsächlichen Ausgabeeffekt verschiedener Kanäle zu bewerten, und schließlich eine Kombination hochwertiger Kanäle zur Verbesserung auswählt Gesamt-ROI.

Sitzungsanalyse

Eine Sitzung, d. h. eine Sitzung, bezieht sich auf eine Reihe von Abfolgen von Benutzeraktionen, die über einen bestimmten Zeitraum auf einer Website/H5/einem Widget/einer App stattfinden. Beispielsweise kann eine Sitzung mehrere Seitenaufrufe, Interaktionsereignisse usw. enthalten. Sitzungen haben zeitliche Attribute. Es können Sitzungen unterschiedlicher Dauer nach unterschiedlichen Schnittregeln erstellt werden.

Das Sitzungsanalysemodell enthält viele Metriken zur Messung der Qualität des Sitzungszugriffs, einschließlich Anzahl der Besuche, Anzahl der Besuche pro Kopf, Gesamtbesuchsdauer, Dauer pro Besuch, Tiefe pro Besuch, Absprungrate, Absprungrate, Anzahl der Ausstiege, Ausstiegsrate und Besuchsdauer pro Besuch. Pro Kopf, Gesamtzeit auf der Seite, durchschnittliche Zeit auf der Seite.

Im Gegensatz zur Ereignisanalyse unterstützt die Sitzungsanalyse zusätzlich Unterteilungen einiger Dimensionen, um den Anforderungen der Sitzungsanalyse in bestimmten Szenarios gerecht zu werden, darunter:

1. Kanalquellengruppierung: Wird zur Unterscheidung der Kanalquellen jedes Besuchs verwendet und gilt nur für Web/H5/Mini.
2. Anzahl der aufgerufenen Seiten: Mit einem Intervall von 5 wird die Verteilung der Anzahl der jeweils aufgerufenen Seiten berechnet;
3. Zielseite: Wird verwendet, um die Zielseite jedes Besuchs zu unterscheiden und die Qualität des Besuchs auf verschiedenen Zielseiten zu beurteilen.
4. Ausstiegsseite: Wird verwendet, um die Ausstiegsseite bei jedem Besuch zu unterscheiden, die Ausstiegssituation auf verschiedenen Seiten zu bewerten und eine Seite mit einer hohen Ausstiegsrate zur Optimierung zu finden.
5. Zugriffsdauer: 0–3 Sekunden, 3–10 Sekunden, 10–30 Sekunden, 30–60 Sekunden, 1–3 Minuten, 3–10 Minuten, 10–30 Minuten, 30–60 Minuten, 1 Stunde oder mehr. Teilen Sie die Zeitverteilung jedes Besuchs auf und berechnen Sie sie.

Ähnlich wie die Ereignisanalyse unterstützt auch die Sitzungsanalyse mehrere Indikatoren, mehrere Dimensionen und mehrere Filterbedingungen sowie den horizontalen Vergleich über mehrere Benutzergruppen hinweg. Gleichzeitig unterstützt es bei der Analyse einer Sitzung auch die statistische Analyse nach drei verschiedenen Detailebenen: Tag, Woche und Monat. Benutzer können die geeignete Granularität für die Analyse entsprechend dem Zeitintervall der Abfragedaten auswählen.

Aufbewahrungsanalyse

Aufbewahrung bedeutet, dass Benutzer Apps, Websites und andere Anwendungen verwendet haben und diese auch nach einiger Zeit weiterhin nutzen.

Das Retention Analysis Model ist eine Methode zur Messung des Benutzerstatus/-engagements über Downloads, DAUs und andere Kennzahlen hinaus, um ein tiefes Verständnis der Benutzerbindung und -abwanderung zu erlangen, Schlüsselfaktoren zu identifizieren, die ein nachhaltiges Produktwachstum beeinflussen, Marktentscheidungen zu treffen, Produkte zu verbessern und die Benutzerzahl zu erhöhen. Kosten usw.

Welche Probleme kann ein Retention-Analysemodell lösen? Zum Beispiel:

1. Gab es letzten Monat eine Iteration des Produkts, wie kann man dessen Wirkung bewerten? Wird das Verhalten vom Produktmanager erwartet?
2. Gibt es als soziale App einen Unterschied zwischen Benutzern, die nach der Anmeldung keine Freunde hinzufügen, und Benutzern, die 10 Freunde hinzufügen?
3. Die kurzfristige Bindung ist gering, die langfristige Bindung muss schlecht sein?
4. Zwei Werbekanäle ziehen unterschiedliche Nutzer an. Welche Kanalbenutzer sind mit größerer Wahrscheinlichkeit wertvolle Benutzer?
5. Wie hoch ist der Anteil der Benutzer, die sich in den letzten 30 Tagen angemeldet haben und nicht innerhalb eines halben Monats zurückgekehrt sind?

Das Aufbewahrungsanalysemodell unterstützt bedingte Filterung und Benchmarking über mehrere Populationen hinweg sowie Zufallsstichproben und vollständige Datenberechnung. Gleichzeitig können wir mithilfe der Aufbewahrungsanalyse auch feststellen, ob neue Benutzer bereit sind, Ihr Feature in einigen Tagen, Wochen und Monaten wieder zu nutzen, und wir können auch das Start- und Endverhalten für die Feature-Aufbewahrungsanalyse anpassen.

Die Retention wird anhand des Startzeitpunkts des Verhaltens einer Gruppe von Nutzern berechnet und beschreibt, ob das gewünschte Verhalten nach einem bestimmten Zeitraum in der Kohorte auftritt, in der das bestimmte Verhalten aufgetreten ist. Sowohl das anfängliche Verhalten als auch das nachfolgende Verhalten können ein beliebiges Ereignis oder ein bestimmtes Ereignis sein.

Für die Analyse können in unterschiedlichen Analyseszenarien unterschiedliche Lagerbedingungen eingestellt werden:

1. Das anfängliche Verhalten und das nachfolgende Verhalten werden auf das gleiche festgelegt, und das wiederholte Auftreten verschiedener Funktionen wird verglichen, um das Engagement des Benutzers für die Verwendung der verschiedenen Funktionen festzustellen.
2. Das anfängliche Verhalten ist das gleiche, und es werden unterschiedliche nachfolgende Verhaltensweisen angegeben, um zu vergleichen, ob sich dieselbe Optimierung unterschiedlich auf andere Funktionen auswirkt.
3. Die nachfolgenden Schritte sind die gleichen: Spezifizieren Sie unterschiedliche anfängliche Verhaltensweisen, vergleichen Sie und ermitteln Sie die Auswirkungen verschiedener Produktpraktiken und -funktionen auf wichtige Geschäftsziele.

Attributionsanalyse

Bei der Durchführung operativer Aktivitäten können wir Veranstaltungsinhalte an mehreren operativen Positionen innerhalb des Produkts platzieren, um die Aufmerksamkeit des Benutzers zu erregen, den Verkehrsfluss und das Benutzerverhalten zu lenken und die Interaktion zwischen Benutzern und Produkten zu erleichtern, was zu einer Konvertierung führt. Darüber hinaus können Nutzer selbst auch Informationen über Touchpoints wie Suche und Inhaltsempfehlungen erhalten. Diese Touchpoints spielen auch eine wichtige Rolle dafür, ob Nutzer Conversions erzielen können.

Mit anderen Worten: Bei der Benutzerkonvertierung sind viele Berührungspunkte auf der Website daran beteiligt, Benutzer zu überzeugen und anzuleiten und so ihre endgültige Entscheidung zu beeinflussen. Wenn man dann verschiedene Benutzerkontaktpunkte vergleicht, um zu sehen, wie gut sie zu den Schlüsselkennzahlen beigetragen haben, stellt sich die Frage, ob sie alle die großen Conversion-Chancen haben, die Betreiber erwarten, oder werden sie unterbewertet? Wie kann im nachfolgenden Vorgang die Ressourceneingabegewichtsverteilung jedes Arbeitselements angepasst werden?

Für die oben genannten Probleme bietet die Attributionsanalyse ein intuitives Maß, den Conversion-Beitrag, der in erster Linie dazu dient, den Beitrag von Benutzerkontaktpunkten auf einer Website zum gesamten Conversion-Ziel (z. B. Gesamtbestellwert) zu messen und zu bewerten, was äußerst einfach sein kann. Messen Sie den Conversion-Effekt und den Wertbeitrag jedes Arbeitsplatzes und Touchpoints. Es gibt fünf gängige Attributionsanalysemodelle:

1. Zuordnung der ersten Berührung: 100% Ein Conversion-Wert wird einem Ereignis zugewiesen, das der ersten Interaktion zugeordnet werden soll.
2. Zuordnung der letzten Berührung: 100 %-Conversion-Wert bezieht sich auf das letzte zuzuordnende Interaktionsereignis;
3. Lineare Attribution: Verteilt den Wert der Conversion gleichmäßig auf alle Attributereignisse entlang des Conversion-Pfads.
4. Standortzuordnung: Ordnen Sie den Conversion-Wert entsprechend der Position des Ereignisses zu, das entlang des Conversion-Pfads zugeordnet werden muss. In der Regel betragen die Ereignisse der ersten und letzten Interaktion jeweils 40 %, und die Ereignisse der Zwischeninteraktionspunkte werden zu gleichen Teilen in die verbleibenden 20% aufgeteilt;
5. Attribution des zeitlichen Verfalls: Verteilen Sie den Conversion-Wert in chronologischer Reihenfolge der Ereignisse, die Sie zuordnen möchten. Je näher am Zielereignis, desto größer ist der Beitrag und desto mehr wird dem zugeordneten Ereignis zugeordnet.

Mit dem Attributionsanalysemodell Ark von Analysys müssen Sie nur fünf einfache Schritte einrichten (Zielereignisse, Touchpoint-Ereignisse definieren, ein Attributionsmodell auswählen, einen Fensterzeitraum definieren und einen Abfragezeitbereich auswählen). Sie können intuitiv sehen, wie jeder Touchpoint funktioniert trägt zur gesamten metrischen Konvertierung bei.

Heatmap-Analyse

Das Heatmap-Analysemodell kann die Heatmap verwenden, um das Klick- und Scrollverhalten des Benutzers auf der Website, der H5-Seite und der App visuell anzuzeigen, um dem Produkt- und Betriebspersonal zu helfen, die Klickpräferenzen des Benutzers zu verstehen, bei der Optimierung des Seitendesigns und der Inhaltsanpassung zu helfen, usw. d.

Es gibt vier gängige Arten von Heatmaps:

1. Die Click-Location-Heatmap wird verwendet, um die Position aller Klicks auf der Website des Benutzers anzuzeigen. Je mehr Klicks aggregiert werden, desto heller ist die Farbe. Wird häufig zur Zielseitenanalyse verwendet: Wird auf den CTA-Inhalt geklickt? Gibt es wichtige Schaltflächen oder Elemente, auf die häufig geklickt wird und die an Stellen platziert werden, auf die nur wenige Benutzer zugreifen können? Gibt es Bilder oder Texte, auf die Benutzer klicken, für die es aber keinen Link gibt?
2. Elementklickkarte, um Klicks auf interagierende Elemente anzuzeigen. Zur Analyse: Welche konkreten Elemente generieren wie viele Klicks? Wie viel Prozent aller Seitenklicks werden getätigt? Gibt es Fehler, die nicht unseren Erwartungen entsprechen?
3. Sehen Sie sich eine Tiefenlinie an, die die Retentionsrate der Benutzer zeigt, die in einem bestimmten Bereich ankommen. Je niedriger der Prozentsatz, desto weniger Benutzer können den Standort sehen. Wird häufig verwendet, um die beste CTA-Platzierung zu finden und Content-Marketing-Conversions zu überwachen.
4. Eine Aufmerksamkeits-Heatmap, die zeigt, wie lange Benutzer in einem bestimmten Bereich bleiben. Je länger die Verweildauer, desto heller ist die Farbe des Bereichs. Wird normalerweise zur Analyse verwendet: um zu verstehen, welche Inhalte auf der Seite Besucher anziehen und welche Inhalte als wichtig erachtet, aber von den Benutzern ignoriert werden? Gibt es Inhalte, die von Nutzern sorgfältig gelesen und zu weit unten platziert wurden?

Verschiedene Arten von Heatmaps haben ihre eigenen Vor- und Nachteile, beispielsweise die Click-Location-Heatmap. Der Nachteil besteht darin, dass die Menge der gemeldeten Daten zunimmt, es jedoch sehr intuitiv sein kann, den Forschungsbedarf der Benutzer qualitativ zu analysieren und eine große Anzahl unerwarteter Klicks auf nicht interaktive Elemente zu finden. Durch Klicken auf die Heatmap eines Elements werden einige Inhalte herausgefiltert, die nicht angeklickt werden können. Anklickbare Elemente können zwar quantitativ analysiert werden, dies ist jedoch nicht intuitiv genug.

Wir können in verschiedenen Szenarien verschiedene geeignete Typen auswählen. Derzeit unterstützt Analysys Ark bereits Click-Position-Heatmap, Click-Element-Heatmap, Web-Side-View-Tiefenlinie, Click-Position-Heatmap und App-Side-Click-Element-Heatmap.

Verteilungsanalyse

Die Verteilungsanalyse kann grundsätzlich die Datenzerlegung nach der „Dimensionsindizierung“ ermöglichen, die ursprüngliche Dimension nach einem bestimmten numerischen Bereich aufteilen und dann die Verteilung jedes Messbereichs analysieren, was in den folgenden Analyseszenarien sehr häufig vorkommt: Summenverteilung, Analyse der Verteilung einer bestimmten Art von Sonderereignis über einen bestimmten Zeitraum, Analyse der Häufigkeit des Auftretens einer bestimmten Art von Sonderereignis und Analyse der Altersverteilung der Benutzer, die eine bestimmte Art von Ereignis initiiert haben.

Die Verteilungsanalyse konzentriert sich hauptsächlich auf zwei Arten von Attributen, den numerischen Typ und den Datumstyp, wie z. B. Anzahl, Alter, Zeit und Häufigkeit. Wenn die vom Benutzer hochgeladenen Daten diese beiden Arten von Attributen enthalten, handelt es sich bei der täglichen Analyse um eine Verteilung Mithilfe der Analyse können bestimmte Aufgaben gelöst werden. Zu den allgemeinen Indikatoren gehören: Häufigkeitsverteilung von X-Ereignissen, Verteilung der aktiven Zeiträume von X-Ereignissen, Verteilung der aktiven Tage von X-Ereignissen und Verteilung der Summen-/Durchschnitts-/Kopfwerte von X-Ereignissen und Y-Attributen.

Intervallanalyse

Die Intervallanalyse wird hauptsächlich verwendet, um die Zeitspanne zwischen dem Auslösen eines bestimmten Startereignisses durch einen Benutzer und dem Abschluss eines bestimmten Zielereignisses zu berechnen. Das heißt, es liefert grundsätzlich Statistiken zu verwandten Metriken in Bezug auf Zeit und Schrittlänge vom Startereignis bis zum Conversion-Ziel, sodass Personen, die auf die Conversion achten, die Situation des Conversion-Prozesses anhand dieser Metriken beobachten können.

Es gibt viele Anwendungsfälle für die Intervallanalyse: Sie kann zur Berechnung des Anmeldezeitintervalls und des Produktwiederkaufzyklus verwendet werden, als Analysetool zur Messung der Benutzeraktivität und -bindung sowie als Ergänzung zur Conversion-Funnel-Analyse. Der Dauerindikator wird verwendet, um die Conversion-Leistung eines bestimmten Conversion-Pfads im Zeitverlauf zu messen.

Die Intervallanalyse ist eine Ergänzung zum Conversion-Trichter, wenn sie zur Messung der Conversion-Leistung verwendet wird. Allerdings haben beide ihre eigenen Besonderheiten: Die Intervallanalyse konzentriert sich auf die Effektivität der Zeit, die Benutzer für den Abschluss einer Konvertierung benötigen, während sich Konvertierungstrichter auf Konvertierungsergebnismetriken sowie Konvertierungen und den Verlust jedes Links im Konvertierungsprozess konzentrieren.

Während wir auf die Ergebnisse der Konvertierung und die Parameter achten, die sich auf die Ergebnisse auswirken, müssen wir auch auf die Leistungsindikatoren im Konvertierungsprozess achten. Beispielsweise sind bei Finanz- und Vermögensverwaltungs-Apps neben der endgültigen Konvertierung von der Landingpage bis zur ersten Einzahlung viele Conversion-Links beteiligt. Neben der Geschwindigkeit müssen Sie auch auf die Konvertierungseffizienz zwischen den Hauptphasen achten, insbesondere auf Registrierung, Kartenverknüpfung und andere Links.

Mit der Intervallanalyse können wir das Zeitintervall der Verteilung der Benutzer beobachten, die zwei gegebene Ereignisse ausführen. In Kombination mit anderen Analysemodellen können wir Einblick in die Gesetze hinter dem Benutzerverhalten gewinnen, um Benutzererfahrung, Aktivität, Produktkonversionsrate und Produktwert zu untersuchen und zu verbessern.

Pfad Analyse

Pfade sind die Verhaltensverläufe, die Benutzer in einer Anwendung verwenden. Bei der Arbeit mit einem Produkt, sei es ein Produkt, ein Betriebsteam oder ein Marketingteam, wird gehofft, dass der Benutzerverhaltenspfad klar verstanden werden kann, um die Betriebsidee zu testen, die iterative Produktoptimierung zu leiten, und das ultimative Ziel des Benutzerwachstums und der Konvertierung zu erreichen.

Wenn es einen klaren Conversion-Pfad gibt, ist es einfacher, die Conversion-Raten zu verfolgen, indem man im Voraus einen Trichter erstellt. In vielen Fällen haben Benutzer jedoch trotz eines endgültigen Conversion-Ziels mehrere Möglichkeiten, dieses Ziel zu erreichen. In diesem Fall ist ein intelligentes Pfadanalysemodell erforderlich.

Mit dem Analysys Ark Path Mining-Modell können Sie die Blackbox des Benutzerverhaltens öffnen, den Quellpfad des Conversion-Ziels erkunden und alle Benutzerpfade und -proportionen visualisieren.

Das Path-Mining-Modell kann die folgenden Probleme lösen:

1. Über welchen Weg bilden Nutzer hauptsächlich eine Zahlungsumwandlung ab?
2. Was ist die tatsächliche Richtung, nachdem der Benutzer den erwarteten Pfad verlässt?
3. Was sind die Unterschiede in den Benutzerverhaltenspfaden für verschiedene Merkmale?

Trichteranalyse

Die Trichteranalyse ist eine Methode zur Analyse des Konversionseffekts von Benutzern über eine Reihe von Schritten, wenn sie ein Unternehmen nutzen. Das Analysys Ark-Trichteranalysemodell kann den Konvertierungsprozess über mehrere Schritte hinweg flexibel anpassen, wichtige Verlustbeziehungen und Einflussfaktoren finden und anschließend das Benutzerverhalten für gezielte Optimierungsmaßnahmen analysieren.

Was genau kann die Trichteranalyse also lösen? Zum Beispiel:

1. Die offizielle Website hat viel Verkehr, aber nur wenige registrierte Benutzer. Welcher Teil des Prozesses ist schiefgelaufen?
2. Wie hoch ist die Gesamtkonvertierung der Benutzer von „Registrieren – Karte verknüpfen – Bestellung aufgeben – Bestellung bezahlen“?
3. Welche Unterschiede gibt es bei den Umrechnungsraten für benutzerdefinierte Zahlungen in den einzelnen Regionen?
4. Zwei Werbekanäle bringen unterschiedliche Nutzer. Welcher Kanal hat die höchste Registrierungskonvertierung?
5. Letzte Woche wurde der Registrierungslink optimiert. Hat sich die Conversion-Dynamik verbessert?

Im Idealfall sollten Benutzer dem Weg des Produktdesigns bis zum Endziel folgen, aber die Realität ist, dass die Wege des Benutzerverhaltens unterschiedlich sind. Indem wir wichtige Geschäftspfade durch versteckte Ereignisse einrichten, können wir die Situation mit Konvertierungen und Verlusten in verschiedenen Geschäftsszenarien analysieren. Wir lokalisieren nicht nur potenzielle Produktprobleme, sondern finden auch die verlorenen Benutzer in jedem Link und zielen dann auf sie ab, um die Konvertierung voranzutreiben.

Lesen dieses Artikels:

• Was ist der Unterschied zwischen SEM und SEO?
• Verhaltensbezogene Website-Ranking-Faktoren – wie kann man sie steigern?

Danke fürs Lesen: SEO HELPER | NICOLA.TOP