Trafikkilder i Google Analytics

Ved du hvad trafikkilderne i Google Analytics egentlig dækker over? Vidste du at nogle bannerannoncer havner som direkte besøg, og at selv om besøg bliver foretaget med direkte indtastning, så kan det stå som et besøg fra din Adwords?

Da emnet er forholdsvis bredt så får du en helt serie på 3 indlæg. I dette indlæg tager vi det helt nede på jorden. Hvad indgår i direkte trafik, søgemaskiner/søgeord og refererende trafik (henvisningswebsteder). Blogindlæg 2 bliver en mere detaljeret angivelse af dette, og viser faktisk sandheden (i dag er det Googles egen definition). Det 3. og sidste i serien handler om hvordan Google Analytics rent faktisk registrerer trafikken, på trods af disse definitioner – som de selv melder ud. Blogindlæg 3 er dermed med indhold, som du ikke finder på nogle sider fra Google af – en velbevaret hemmelighed, som nu skal frem i lyset (well – er allerede skrevet i Analyticsbogen, men ellers noget, som give rmange grå hår).

Vigtigheden af trafikkilden

Når du skal analysere dit website og alt omkring det, så er trafikkilderne noget af det mest vigtige. Når du ved hvor din bruger kommer fra kan du

• Se hvor meget trafik du har fået fra kilden. Fx hvor mange der er kommet via et banner
• Se hvilken trafikkilde, som giver trafik der konverterer. Dvs. du kan se hvor mange besøg, der kommer fra et specifikt site, og hvor mange af disse besøg, der køber. Du kan læse hvordan du udregner konverteringsraten.
• Du kan lave en præcis ROI beregning. Du kender udgiften til din markedsføring, og du kan måle præcis hvilken omsætning kampagnerne har genereret.

Forestil dig at du ikke kan vurdere trafikkildernes værdi. Kun ved at kende den præcise værdi af trafikkilderne kan du placere dine marketingkroner korrekt med størst muligt ROI til udbytte. Et eksempel kan være at du har brugt 10.000 kr. på Adwords og 10.000 kr. på bannerannoncer på et givent medie. Kender du ikke effekten lyder det vel ok med en 50/50 deling. Men så kigger du i dine webstatistik data, og ser at Adwords giver en omsætning på 50.000 kr. og bannerannoncerne kun 3.000 kr. Så kan det godt være at du bør genoverveje din budgetfordeling, og bruge flere penge på Adwords og færre på bannerannoncer.

Forstår du trafikkilderne og hvad giver af værdi, så kan du glæde både dig selv og din chef.

Du har nok efterhånden luret hvor vigtigt det er at kende trafikkilderne, og dermed også hvordan de er defineret. Lad os starte med en helt simpel udgave, som giver et godt overblik. I del 2 tager vi detaljerne

Hvordan fordeles trafikken på kilder?

Google Analytics officielle blog har lavet et “back to basics”-indlæg hvor de forklaret trafikkilderne på følgende måde:

Direkte trafik

Brugeren bliver placeret under direkte trafik hvis URL´en (dvs. navnet på hjemmesiden) blev tastet direkte ind i adresselinien. Det kan dog også ske hvis man besøger siden ved at klikke på sit bookmark, via et link i email (med mindre de er åbnet i en web-mail) eller hvis linket er i et dokument som pdf og word.

Hvis links er tagget med kampagnesporing, så vil de registreres som dette i stedet for som direkte.

Søgemaskine trafik

I Googles eget indlæg kalder de det organisk trafik i stedet, og definerer det som trafik fra organiske søgninger, dvs. trafik fra søgemaskiner, der ikke er betalt for.

Henvisningswebsteder i Google Analytics

Trafikken registreret under henvisningswebsteder (eller refererende sites, som jeg til tider kalder det) er trafik, hvor brugeren har klikket på et link på en anden side, som fører over til din side. Når brugerne fx. klikker på linket til webanalytiker.dk/blog på Avinash´s blog, så vil besøget stå som en reference fra http://www.kaushik.net/avinash/ (godt eksempel ik? ).

Andet – Kampagnesporing

Trafikkilderne har en kategori kaldet “Andet” hvilket er ganske misvisende. Det er al trafik sporet med kampagnesporing, og dermed al din markedsføring. I lagkagen, der viser overblikket er Adwords dog ikke under “Andet”, men under søgemaskiner.

Har du ikke hørt om trafikkilder før så er dette en god indledende forklaring, som giver et godt overblik. Men det er en lettere simplicifieret udgave, som mere avancerede brugere ikke er tjent med. Og på webanalytiker.dk får du selvfølgelig mere end på Google Analytics egen blog. Men du må vente i spænding til del 2…

Hvordan udregnes konverteringsraten?

Alle snakker om konverteringsrater, så er der noget mere oplagt end at få fastlagt definitionen? Definitionen på en konverteringsrate kan gives således:

Konverteringsraten = Salg divideret med Besøg. Dvs. andelen af besøg, som genererede et salg.

For en konverteringsrate er vel en konverteringsrate?

Ovenstående formel er sådan systemerne (Google Analytics, Indextools (Yahoo! Web Analytics) og SiteCatalyst) udregner konverteringsraten. Men derfor behøver det ikke være den bedste måde at udregne den på.

Konverteringsrate i forhold til unikke besøgende?

Giver det et retvisende billede hvis konverteringsraten udregnes i forhold til antal besøg? Nogle produktkategorier køber brugerne ved første besøg, fx. produkter med lav involvering som en CD eller bog og “besøg” giver dermed et forholdsvis reelt billede af konverteringsraten. Når brugeren kommer ind på sitet så bør målet være at sælge i det pågældende besøg. Vender brugeren tilbage efterfølgende, kan det være for at købe endnu en vare, for nu skal han have en bog mere.

Men hvad med salg af varer, som har en længere beslutningsproces? Hvor mange går på Google, søger på tørretumbler, og køber den første og bedste? Konverteringsraten for produkter med større involvering, samt varer, som man køber sjældent bør måske være på baggrund af antallet af unikke besøgende frem for besøg?

Emnet har længe stået på min emneliste, og da Johan Schlüter fra Velux samtidig har bragt emnet op på Linkedin i gruppen “Danish Web Analytics Circle” (hvis du interesserer dig for webanalyse og ikke allerede er medlem af gruppen, så bringes hermed en opfordring), var der ikke flere undskyldninger for ikke at få lavet et indlæg om emnet. Johan skriver:

Visits versus visítor. Er beregningsgrundlaget afhængigt en tidsmæssig besøgsfaktor og hvad er denne?

Om man tager sit udgangspunkt i visits eller visitors bør være afhængigt hvilken type website man holder sig. Nogle websites besøger brugeren en, to eller tre gange inden for en kort periode og købes en vare har jeg en positiv conversion og en højere rate, da jeg qua websites natur beregner udfra visitors, men beregner jeg ud fra visits er det narturligvis kun besøget, hvorved der købes, der registreres positivt og dermed lavere rate. Kunden kommer ikke igen de næste 0,5, en-to-fem år. Omvendt med websites som besøges tit og ofte. Her giver det bedre mening at tale om visits som udgangspunkt for beregningen, da et bogsite, ´bingosite:) etc, har en anderledes relation til kunden, der kommer jævnligt igen og igen. Jeg synes at logikken holder, men så opstår følgende dilemmaer. 1.) Conversion rates på tværs af brancher bliver svære at benchmarke. 2) Hvordan bestemmer vi “universelt tidsmæssigt”, at her er en type A og B website og bør vi gøre det. Hvad siger i?

Johan selv taler dermed for at differentiere definitionen på konverteringsraten alt efter hyppigheden for salg af produktet og når til to dilemmaer: Benchmark på tværs af brancher og definering af hvilken gruppe sitet skal placeres i.

Hvordan benchmarkes konverteringsraten på tværs af brancher?

Med en konverteringsrate på baggrund af visits, benytter mange 2% som benchmark. 2% er en ok konverteringsrate – ikke frygtindgydende lav, men heller ikke prangende og bevis på et gennem-optimeret salgssite. Men hvad er benchmark hvis man i stedet benytter unikke besøgende? Jeg mener ikke problemet er anderledes end hvis man bruger de 2% som benchmark. Dette mener jeg ikke ud fra ovenstående udsagn – hvis konverteringsraten udregnes på baggrund af besøg, så bør det være lettere at få en konverteringsprocent på 2, hvis man sælger bøger, frem for hvis man sælger tørretumblere. Et benchmark er ikke stærkere end at man skal tage sine forbehold, og ud fra benchmarket lave et reelt benchmark. Man har et udgangspunkt for at kunne navigere ud fra det

Hvilken gruppe af konverteringsrater hører sitet til?

Når man som ejer af et site skal placere sit site i forhold til hvordan konverteringsraten bør udregnes, hvad gør man så? I dag er der ingen klar måde at gøre dette på. Skulle jeg komme med et bud, så handler det om at undersøge mængden af research før et køb, dvs. hvor langt tid går der fra at brugeren første gang kigger på nettet efter produktet, til at det konkrete køb foretages? Endnu mere optimalt: Hvor mange gange besøger brugeren ens site, før beslutningen om køb foretages? I Google Analytics kan dette ses under e-commerce delen: Hhv. “Visits to Purchase” og “Days to Purchase”.

Vi kan nu og her lave en branchestandard: Hvis mere end 50% bruger 2 besøg eller flere før køb, så bør unikke besøgende benyttes til udregning af konverteringsraten. Hvis mere end 50% af salgene sker ved første besøg, så bør besøg benyttes.

Unikke besøgende er ikke kun ét tal

Indtil nu har jeg omtalt variablen “unikke besøgende” som ét tal, men så simpelt er det ikke. Unikke besøgende kan være pr. dag, pr. uge eller pr. måned. Forskellen er stor:

Bruger A kommer ind på sitet mandag og torsdag i samme uge. Udregning af unik besøgende pr. dag vil betyde at bruger A tæller som 2. Udregning pr. uge og pr. måned vil begge give 1. Hvis brugeren derimod besøger sitet torsdag og mandag (dvs. mandagen i ugen efter), så vil det tælle som 2 unikke besøgende ved både pr. dag og pr. uge, mens pr. måned tæller som 1. Der er to måder at håndtere dette: Enten at lade alt gå over en kam – konverteringsrate på baggrund af unikke besøgende er ALTID på baggrund af månedlige unikke besøgende, eller også skal der være klare definitioner for hvornår hvilken periode for unikke besøgende benyttes. Hvis sidstnævnte bør gøre sig gældende er det relevant at vide hvornår hvilken periode giver mest mening.

Unikke besøgende pr. dag

Brugeren kommer ind på dit site om morgenen for at læse om et produkt. Brugeren forlader dit site igen, fordi brugeren ønsker at læse om priser og udbudet på andre sites. I frokostpausen vender brugeren tilbage, for det var nu lidt spændende og en ok pris du havde. Om aftenen skal konen lige spørges, men så er beslutningen heller ikke større, end at varen købes samme aften. Som besøg vil dette tælles som 3, men som unik besøgende pr. dag, så er det kun 1. Udregnes konverteringsraten på baggrund af antallet af unikke besøgende pr. dag, så bør det være fordi beslutningen tages samme dag. Typisk skal der flere besøg til, men beslutningen om køb er ikke længere væk, end at den tages samme dag. Produktet kan være en håndpisker (hvor mange mænd har købt en håndpisker uden at spørge konen først? Markering med håndsoprækning).

Unikke besøgende pr. uge

Nu tages beslutningen ikke længere samme aften. Der er brug for mere ro omkring købet, og det kræver en weekend med. Konen skal lige se på udvalget, og være enig i beslutningen, som begge parter måske lige skal tænke over. Produktet kan være nye spisebordsstole. Her vil unikke besøgende pr. uge give en retfærdig konverteringsrate, da brugeren kun tæller med én gang, men også kun har i tankerne at købe én gang i denne periode. Det er vigtigt at pointere at unikke besøgende pr. uge ikke er for en løbende uge, men mandag til søndag (i Google Analytics dog søndag til lørdag, hvis sproget er sat til engelsk), hvilket betyder at brugeren kan tælle med 2 gange inden for en periode på 7 dage.

Unikke besøgende pr. måned

Historien gentager sig. Denne gang er beslutningsprocessen blot længere – mere end en uge, og formentlig under en måned. Produktet kan være en tørretumbler. Man skal liiiige ud og se varen i en butik, og rådføre sig flere steder før valget tages. Igen skal det pointeres at en bruger kan tælle med to gange, selv om besøgende foretages inden for en 30 dages periode – hvis det er over et månedsskift (og her er amerikanerne heldigvis enige i hvornår man deler ).

Hvilken unik til konverteringsraten?

Der er ingen tvivl om at det giver god mening af skille tingene ad, og bruge antallet af unikke besøgende i forhold til beslutningsprocessens længde. Men omvendt giver det et endnu større slør i ønsket efter et benchmark og en ensartet måde at gøre tingene på. Resultatet af at bruge unikke besøgende er at konverteringsraten stiger, og den stiger mere, jo længere periode de unikke besøgende gælder for (dvs. konverteringsraten vil være størst hvis det udregnes på baggrund af månedlige unikke besøgende).

Min holdning er derfor: Rør ikke ved periodens længde for de unikke besøgende. Den eneste effekt dette har, er niveauet for konverteringsraten – udviklingen er ens. Benyt ugentlige unikke besøgende, da det dækker bredest, tager bedst højde for sæson udsving (julen varer en uge rent helligdagsmæssigt, efterårsferien er en uge mv) og endeligt, så er det mit indtryk af størstedelen af produkterne solgt over nettet har en beslutningsperiode mellem 2 og 7 dage (hvis vi renser for de tilfælde hvor besøg vil blive brugt).

Mit forslag til endnu en branchestandard er derfor: I de tilfælde hvor brugeren benytter 2 eller flere besøg før et køb foretages, så skal konverteringsraten udregnes på baggrund af de ugentlige unikke besøgende.

Tak til Johan for et godt indlæg i webanalyse debatten, og for tilladelse til gengivelse her. Jeg håber flere vil starte debatter i gruppen på Linkedin, og ellers er man som altid meget velkommen til at skrive her til bloggen, så jeg kan tage emnet op

Hvad mener du? Er det relevant at dele konvertering op i flere måder at udregne det på, eller bør det kun være på baggrund af besøg? Er mine forslag til branchestandarder for skæve, for overfladiske eller generelt bare ubrugelige? Eller er der skabt historie i den danske webanalyse verden på en tilfældig mandag aften?

Jeg fortsætter stilen fra i går med fokus på udregning af tidsforbrug. Gårsdagens indlæg omhandlede Google Analytics beregning af tid, specielt med fokus på det gennemsnitlige tidsforbrug på sitet.

Udregning af tid pr. sidevisning

Dagens emne er udregning af den gennemsnitlige sidevisning.

Som nævnt i går udregnes tidsforbruget ved at registrere hver enkelt sidevisnings tidsforbrug. Det udregnes ved at tidsforbruget mellem registrering af side 1 og side 2 måles, og dette tidsforbrug tilskrives side 1.

Denne metode gør at tidsforbruget for sidste sidevisning aldrig registreres (uanset om brugeren ser 1 eller 14 sidevisning).

I går omtalte jeg hvordan det påvirker det samlede tidsforbrug. Men det er vigtigt også at holde for øje, at det også påvirker det gennemsnitlige tidsforbrug ved hver enkelt sidevisning.

Eksempel på tidsforbrug pr. side

Ovenstående eksempel viser en række sider, hvor tidsforbruget er 00:00:00. Man kan samtidig se at % Exit er lig 100% – alle der så disse sider, forlod sitet fra den pågældende side.

Det gennemsnitlige tidsforbrug pr. side påvirkes dermed meget kraftigt af om siden er brugerens side på sitet. Det er lidt tricky, for det er ikke helt så let at gennemskue hvordan de forskellige sider påvirkes.

Få det rigtige gennemsnitlige tidsforbrug på siden

Og alligevel er det ikke så avanceret. Kig på sidens % Exit, som viser hvor meget påvirkning, der er af dette.

Ønsker du det rigtige tidsforbrug for hver side, så skal du i gang med regnemaskinen. Først skal du udregne det samlede tidsforbrug på siden, og derefter skal du udregne hvor mange læsere, som bør indgå i udregningen, altså som har bidraget til tidsforbruget i data.

Det samlede tidsforbrug udregner du ved at gange tidsforbruget med det samlede antal sidevisninger.

Antallet af læsere, som bør indgå i udregningen, finder du ved at trække andelen af % Exits fra det samlede antal sidevisninger.

Det rigtige gennemsnitlige tidsforbrug for den konkrete side kan nu findes ved at dividere dine to tal: Samlet tidsforbrug divideret med antal læsere (fra din egen udregning).

Hvis halvdelen af sidevisningerne resulterer i et exit, så vil det gennemsnitlige tidsforbrug på siden dermed være dobbelt så højt. Hvis hver fjerde exit´er, så vil det rigtige tidsforbrug være 4 minutter, hvis det angivne er 3 min osv.

Google Analytics og Yahoo! Web Analytics

Det er ikke kun Google Analytics, hvor man skal være opmærksom på dette. Et system som Yahoo! Web Analytics og andre har samme måde at beregne tidsforbruget pr. sidevisning ud.

Efter flere gange at fået påstanden om “Google Analytics fejl” vil jeg gerne tage debatten op her. Først læste jeg selv oversættelsen hos SørenJ, hvor jeg kommenterede (uden at få svar). Dernæst blev det igen for nylig blæst op som en fejl ved min artikel om webanalyse på kommunikationsforum og endeligt kom kommentaren igen i går til mit indlæg om webstatistik begreber og definitioner.

Google Analytics FEJL og BEVIDSTE MISLEDNING

Påstanden om fejlen handler helt konkret om inddragelse af bouncerate i udregningen af det gennemsnitlige tidsforbrug. I dag er det sådan at når en bruger kun ser en side og derefter forlader sitet igen, så registreres det som et bounce (afvisning på dansk – men det er et tumpet ord). Tidsforbrug på hver enkelt side registreres ved at Google Analytics ved hvornår næste side registreres. Når der ikke er en næste side, da brugeren kun ser en side (ved bounce), jamen så er tidsforbruget lig 0 sekunder. Det trækker derfor ned i det gennemsnitlige tidsforbrug, når besøg som måles som 0 sekunder, tæller med i statistikken. For de giver 0 sekunder til tidsforbruget, men tæller stadig med som et besøg.

Det som især har fået nogle ud af starthullerne er at Google Analytics i dag indregner bounces. Både som besøg og til at udregne det gennemsnitlige tidsforbrug. Det betyder at hvis halvdelen bouncer, og den anden halvdel af de besøgende bruger 1 minut på sitet, så vil den gennemsnitlige besøgstid være 30 sekunder. Hvis bounces derimod ikke tæller med, så vil den gennemsnitlige besøgstid være 1 minut.

Google Analytics store forbrydelse består ifølge artiklen flere ting. Dels er det helt skrækkeligt at et bounce tæller som et besøg, dels er det forkert at det indgår i beregningen af det gennemsnitlige tidsforbrug men værst:::: Google Analytics havde lavet det om så det ikke indgik, men nu har de lavet det tilbage. Fyda fyda fyda, hvor er det bevidst misledning.

Tilbage på sporet

Mit strejf af ironi over den påståede MISLEDNING og FEJL skyldes flere grunde.

• Jeg mener på ingen måde fremlæggelsen og iscensættelsen er et seriøst bidrag til en webanalyse-debat, men bidrager i højere grad til at skræmme folk fra at have tryghed til deres data og deres webstatistik system.
• At lave hetz mod Google Analytics, giver ingen mening, når det omtalte faktisk gælder alle systemer
• En i øvrigt ellers god mulighed for spændende debat om et relevant emne bør ikke drukne i ord som FEJL og BEVIST MISLEDNING. Væk med Ekstra Bladet, ind med Version2.dk

Om vinklen skyldes at man som medarbejder på mediabureau har brug for at fremvise højest mulige resultater over for kunden (højest muligt tidsforbrug og frasortering af alle de brugere, som ikke købte nu og her) ved jeg ikke, men lad os komme tilbage på sporet.

Registerering af tid og gennemsnitlig tidsforbrug

De “almindelige” webstatistik systemer (Google Analytics, Indextools, SiteCatalyst mv) registrerer som omtalt tidsforbruget på en side ved at registrere hvornår næste side loades. Det betyder at brugere, der kun ser en side, registreres som 0 sekunder, lige meget hvor lang tid brugeren var på siden. For sites med stor bounce rate betyder det naturligvis at det gennemsnitlige tidsforbrug trækkes meget ned. For nylig lavede jeg en udregning for et site, som viste at det gennemsnitlige tidsforbrug ville have været 5 minutter mod 3,5 minut normalt, hvis man ikke indregnede bounces i udregningen.

I artiklen lægges der meget vægt på besøg med bounce, men det er vigtigt at pointere at tidsregistreringen udregnes på samme måde ved alle besøg. Dvs. at tidsforbruget på den sidste side aldrig bliver medregnet.

Ønsker man at udregne det reele registrerede gennemsnitlige tidsforbrug pr. besøg, så skal følgende udregnes:

“Systemet gennemsnitlige tidsforbrug” gange med “Total antal besøg”. Dette skal divideres med “Total antal besøg” fratrukket “Bounces”.

Det gennemsnitlige tidsforbrug pr. sidevisning skal først fratrækkes alle bounces, og derefter skal der trækkes en sidevisning fra, for hvert besøg.

Google Analytics og de andre systemer kan overveje at inddrage bounce i deres besøg, men udelukke dem fra udregningen af det gennemsnitlige tidsforbrug. Jeg tror dog det vil forvirre brugerne. Prøv at forklare en almindelig slutbruger ovenstående udregning samtidig med at de skal lære hvad forskellen på et besøg, unik besøgende og sidevisning er. Det vil være klart mere simpelt at det er på baggrund af alle besøg.

Benchmark er vejen frem. For lige meget om bounce indgår eller ej, så er der også altid brugere der liiige henter kaffe imens. Eller læser avis. Ser tv. Snakker med kollegaen osv. Så tallet bliver skubbet både op og ned af forskellige omstændigheder. Med udgangspunkt i at disse omstændigheder er nogenlunde faste for sitet, så er der altid mulighed for at se om tidsforbruget er steget i forhold til sidste uge, måned eller samme periode sidste år. Benchmark, benchmark, benchmark.

Hvordan kan man få det helt reele tidsforbrug?

Bruger man Google Analytics kan man implementere javascript, som laver et kald efter 15 sekunder. Således vil de første 15 sekunder registreres, også for bounces.

Men ellers begynder markedet at have flere alternative værktøjer, hvoraf bla. Clicktale er stærkere på dette område. ClickTale registrerer hele besøget (ja, optager det tilmed), og dette giver derfor mulighed for at få hele tidsforbruget – også på besøg med bounce.

Er et bounce et besøg?

Her begynder den spændende debat. For hvorfor skal et bounce nu tælle som et besøg, når brugeren kun lige kigger ind af butiksvinduet?

Jeg skal ikke ligge skjul på min holdning, og vil derfor komme med en række argumenter for at det bør indgå:

• Et bounce er stadig et besøg. Brugeren kom rent faktisk helt ind på sitet, og så ikke kun resultatet på søgemaskinens resultatoversigt eller lignende.
• Et bounce kan også være en glad bruger. Alle mine læsere fra RSS tror jeg fuldt ud får deres behov udfyldt ved at gå ind og læse dagens blogindlæg, og derefter forlade sitet igen. Jeg ser det ikke som et problem, brugeren er glad og tilfreds (well, måske mit indlæg var total kedeligt, men så må jeg jo stramme op ) og dette bounce bør derfor ikke betragtes som en fiasko.
• Hvis jeg har brugt adwords kroner på at hive en bruger ind på mit site for at eksponere en service eller en vare overfor brugeren, så er det vigtig information at vide hvad brugeren foretog sig. Hvis bounce-raten er høj, så tyder det på at jeg bruger forkerte søgeord eller at min landingpage ikke er god nok. Dårlige resultater er også meget vigtige resultater.
• Muligheden for at analysere sine trafikinvesteringer vil være elendig.

Et argument for at sortere et bounce fra er at brugeren ikke havde relevans til sitet, fx fordi det var et søgeord fra en naturlig søgning, der blot “rimede” på andet indhold på sitet. Det hjælper bare ikke at fjerne bounces da kun få vil havne helt forkert på sitet. Det betyder at alt for mange fejlagtigt vil blive sorteret fra.

For at gøre det endnu mere langhåret, så er et bounce ikke længere blot dem, der har set en sidevisning i Google Analytics. Bruger man det nye Event-tracking, og en bruger ser én side, derefter foretager en handling, der event-trackes (Tryk på flash-elementet på forsiden) og derefter forlades sitet, så er det ikke et bounce. Så nu kan en bruger godt kun have set en side, men ikke være med i statistikken af bounces. Indtil for kort tid siden gjorde det samme sig gældende for brugervariable utm_SetVar, men det ændrede Google Analytics da brugerne ikke var enige i denne betragtning.

Hvis man endelig ønsker at analysere på data uden bounces, så er det bare i gang med filter eller Google Analytics Costum Segmentation.

Debatten om et bounce bør være besøg med 1 sidevisning eller maks 5 sekunder på sitet gemmer jeg til en anden god dag.

Kend derfor dit webstatistikværktøjs begreber og definitioner

Faktum er at det igen skal understreges at det er alfa og omega at kende sit system. Det er utrolig vigtigt at vide hvordan ens data er fremkommet, for at man ved hvad de dækker over. Når man først kender sine data så er det tid til at trylle så websitet for alvor bliver toptjekket og optimeret. Du kan derfor med fordel læse mit tidligere indlæg (fra igår) om webstatistik værktøjernes begreber og definitioner.

Google Analytics lille rettelse

Og hvad angår Google Analytics? Det virker sådan lidt “nervøst” og problematisk at lave en ting om, for at ændre det igen. Jeg kender ikke baggrunden, for data-resultaterne af ændringen er logiske for enhver med lidt matematisk sans. Men det er klart at når man ændrer benchmark, så mister mange deres faste grund at stå på – hvad niveau er de nye tal nu på? Det største problem er light-userne, som ikke har samme fair chance for at fange en sådan ændring, mens professionelle folk bør være helt bekendt med sådanne ændringer via opdateringer på diverse blogs mv.. Jeg tror ikke vi ser ændringer af den kaliber fra Google Analytics lige fremover, med mindre de holder fast i det (og Avinash er enig… ).

Ser du det som et stort problem at bounce indgår i udregningen? Savner du en ny måde at udregne tidsforbrug? Bør besøg kun være brugere, der ser mere end én side? Bør nogle af systemerne tage denne kamp op, eller er det vigtigste blot at alle holder sig til samme standarder? Eller har du helt andre spændende input i denne debat? Giv gerne din mening til kende

Kend definitionerne på dit analyse værktøj

Det vigtigste er ikke nødvendigvis om tingene måles på den ene eller den anden måde. Det vigtigste er, at du ved hvilken! Den internationale Web Analytics Association har lavet en branchestandard for hvad de forskellige begreber betyder.

Bounce rate

Definitionen på bounce rate fx “Single page view visits divided by entry pages”. Så kort kan det gøres (diskussionen om 1 sidevisning vs 5-10 sek. tager jeg lige en anden god gang ).

Hvis du er interesseret i at læse alle definitionerne så Hent Web Analytics Association Webanalyse termer definition her.

Men en ting er hvad branchens guidelines foreskriver, en langt vigtigere ting er hvad dit værktøj leverer. Et par flinke herrer har fulgt op på dette og du kan derfor læse præcis hvilke definitioner, der gælder for dit værktøj.

Definitioner i Indextools / Yahoo! Web Analytics

Dennis Mortensen, den danske direktør for Yahoo! Web Analytics, får lov at komme på banen først, da han startede bølgen. Han valgte at følge op på ansvaret som udbyderne har, og lavede derfor et blogindlæg hvor han gennemgår de 26 begreber. 23 af dem indgår i Indextools og 20 af dem er med præcis samme definition.

De 3 der skiller sig ud er Return Visitor, Internal refferrer samt Search refferrer.

Se Dennis´ fine oversigt på http://visualrevenue.com/blog/2008/03/web-analytics-definitions-waa.html 

Definitioner Google Analytics

Justin Cutroni fra EpikOne fik fulgt op på ovenstående indlæg, ved at lave et tilsvarende for Google Analytics.

Google Analytics kan være med på 19 af de 26 termer, hvoraf størstedelen af de resterende 7 helt mangler.

Repeat visitor, Internal refferer, External refferer, Search refferer, original refferer og Single-page Visits indgår slet ikke mens Refferer har en anden definition.

Se Justins oversigt her: http://www.epikone.com/blog/2008/09/21/google-analytics-compliance-with-waa-standard-metrics/

Kendte du listen på forhånd?