SVEUILITE U SPLITU

EKONOMSKI FAKULTET

DIPLOMSKI RAD

KOMPARATIVNA ANALIZA ALATA ZA WEB

ANALITIKU I WEB METRIKE

Mentor: Student:

doc. dr. sc. Daniela Garbin Pranievi Ivan Bekavac

Split, lipanj 2014.

2

SADRAJ:

1. UVOD...............................................................................................................4

1.1. Problem istraivanja..............................................................................................4

1.2. Predmet istraivanja..............................................................................................5

1.3. Ciljevi i doprinos istraivanja...............................................................................6

1.4. Metode istraivanja................................................................................................7

1.5. Sadraj diplomskog rada.......................................................................................8

2. ODREDNICE WEB ANALITIKE................................................................9

2.1. Osnovni pojmovi vezani za web analitiku............................................................9

2.2. Definicija web analitike.......................................................................................10

2.3. Povijesni razvoj web analitike.............................................................................11

2.4. Web analitika kao proces....................................................................................12

2.5. Web analitika 2.0..................................................................................................15

2.6. Budunost web analitike......................................................................................17

2.7. Najee pogreke i zablude u vezi web analitike..............................................18

2.8. Problemi privatnosti pri koritenju web analitike............................................20

3. ALATI ZA WEB ANALITIKU...21

3.1. Kategorije alata za web analitiku...21

3.2. Vanost izbora odgovarajueg alata za web analitiku..23

3.3. Prikupljanje podataka alatima za web analitiku..25

3.3.1. Prikupljanje podataka uz pomo web logova.25

3.3.2. Prikupljanje podataka metodom tagiranja stranica27

3.4. Upotreba kolaia u procesu web analitike...30

3.5. Funkcionalnosti alata za web analitiku..31

4. WEB METRIKE...33

4.1. Osnovni pojmovi web metrika....33

3

4.2. Najee koritene web metrike.35

4.2.1. Metrike za opisivanje posjeta.35

4.2.2. Metrike za opisivanje posjetitelja..38

4.2.3. Metrike za opisivanje angamana posjetitelja..39

4.2.4. Konverzijkse metrike.39

4.3. Kljuni pokazatelji performansi KPIs40

5. EMPIRIJSKO ISTRAIVANJE.42

5.1. Uzorak i metodologija istraivanja42

5.2. Rezultati istraivanja..43

5.2.1. Google Analytics....44

5.2.2. Web log alati..45

5.2.3. Page tagging alati...47

5.2.4. Rezultati i analiza podataka prikupljenih anketom...51

6. ZAKLJUAK55

POPIS SLIKA59

POPIS TABLICA..60

PRILOG.61

LITERATURA..63

SAETAK..67

SUMMARY68

4

1. UVOD

1.1. Problem istraivanja

Internet se razvija velikom brzinom te iz dana u dan dobiva sve vie korisnika diljem svijeta

stoga prisutnost na world wide webu u obliku web sjedita je nunost za sve organizacije i

poslovne subjekte. Internet nudi brzinu, doseg i velike multimedijalne mogunosti te se moe

rei da je u skladu s tim drastino promijenio nain na koji organizacije komuniciraju sa

svojim klijentima, dobavljaima, konkurentima i zaposlenicima (Omidvar, Mirabi & Shokry,

2011.). Web site je istovremeno i medij i poruka te ima direktan utjecaj na percepciju

korisnika o poslovnom subjektu i na sam poslovni uspjeh organizacije (Creese i Veytsel,

2000.). Upravo iz tog razloga javlja se potreba za web analitikom kako se vane, strateke

odluke o web stranicama ne bi morale donositi naslijepo.

Prema slubenoj definiciji Web Analytics Associationa (2008.) web analitika je mjerenje,

prikupljanje, analiza i izvjetavanje o podacima s Interneta u svrhu razumijevanja i

optimiziranja koritenja weba. Podaci s Interneta mogu biti promet na web stranicama,

transakcije na web stranici, performanse servera, studije upotrebljivosti ili jednostavno

informacije poslane od strane samih korisnika (Peterson, 2004.). Razumijevanje i optimizacija

koritenja web stranica je vana za poveavanje relevantnosti ciljanoj publici u svrhu

poveanja stopa konverzije (Waisberg i Kaushik, 2009., prema Sterne i Cuttler, 2000.),

odnosno poveanje lojalnosti korisnika (Creese i Veytsel, 2000.). Iz ovih definicija mogue je

prepoznati svrhu web analitike dobivanje informacija koje se mogu iskoristiti za donoenje

odreenih odluka i upravo je donoenje odluka temeljenih na konkretnim informacijama

prava vrijednost web analitike. Analiziranjem prometa na web stranicama mogue je izmeu

ostaloga dobiti uvid u broj posjetitelja, odakle dolaze posjetitelji (u geografskom smislu, ali i s

kojih web stranica pristiu) ili saznati koliko vremena posjetitelji provode na web stranicama.

Ostale prednosti koritenja web analitike ukljuuju poveanje opsega posla

organizacije/vlasnika web stranice, poveanje efikasnosti ili smanjivanje trokova (Clifton,

2010.). Podaci dobiveni koritenjem web analitike mogu biti od koristi marketerima koji ih

mogu koristiti za unaprjeenje proizvoda/usluga koje organizacija nudi ili za procjenu

uspjenosti odreenog marketinkog napora. Web dizajneri i web developeri, s druge strane

mogu iskoristiti dobivene podatke za unaprjeenje upotrebljivosti i korisnosti web stranica

posjetiteljima. Naposljetku, dobiveni podaci mogu biti korisni upravi poduzea za donoenje

poslovnih odluka. Uprava poduzea koritenjem web analitike moe nauiti kako zaraditi

5

novac od web stranice te kako kreirati odgovarajue iskustvo za korisnike ime ostvaruju

konkurentske prednosti (Kaushik, 2007.), a to je zapravo i poanta web analitike -

omoguavanje opstanka web stranice kroz razumijevanje korisnika kako bi shvatili to treba

poduzeti u svrhu kontinuiranog poboljavanja stanja odnosno odravanja koraka s

konkurencijom (Waisberg i Kaushik, 2009.).

1.2. Predmet istraivanja

Alate za web analitiku moemo svrstati u dvije glavne kategorije - offsite i onsite alate.

Offsite alati se koriste za mjerenje veliine potencijalne publike i trendova koji se dogaaju na

Internetu dok onsite alati mjere ponaanje korisnika na web stranici odnosno performanse

same web stranice (Clifton, 2010.) uz pomo metrika, a analiza takvih onsite alata za web

analitiku je upravo predmet ovog rada.

Proces web analitike zapoinje izborom odgovarajueg alata, a izbora je uistinu mnogo jer

organizacije koje koriste alate za web analitiku ele pratiti i mjeriti razne podatke kao to su

podaci o broju posjeta web stranici, koliko je od tog broja jedinstvenih posjetitelja, kako su

posjetili web stranicu direktno preko URL-a, preko trailica ili poveznica s drutvenih

mrea ili drugih web stranica, zatim koje su najee koritene kljune rijei prilikom

koritenja trailice, koliko vremena posjetitelji provedu na web stranici i mnoge druge

podatke koji mogu biti vrlo korisni raznim zainteresiranim stranama (webopedia.com). Uz

pomo web analitike mogue je i detektirati eventualne nepravilnosti u radu web stranica te

odrediti koja podruja su najzanimljivija i privlae najvie pozornosti korisnika kako bi se u

konanici poboljalo zadovoljstvo korisnika (ibid). Predmet ovog istraivanja je stoga analiza

alata za web analitiku koristei brojne karakteristike kao to su primjerice metrike

kvantitativne mjere kojima se opisuju dogaaji i trendovi na web stranicama (Kaushik, 2009.)

ili na temelju naina na koji alati za web analitiku prikupljaju podatke.

Podaci se najee prikupljaju koritenjem jedne od dvije najpopularnije tehnike: page tags i

logfiles. Page tagovi prikupljaju podatke preko korisnikovog Internet preglednika (browsera)

te ih alju na udaljene servere. Koritenje logfileova za prikupljanje naziva se jo i

prikupljanje podataka od strane servera (server-side data collection) s obzirom na to da server

biljei vlastite aktivnosti u tekstualnu datoteku i pohranjuje ih lokalno bez ikakve ovisnosti o

6

Internet pregledniku posjetitelja (Clifton, 2010.). U ovom radu biti e istraeni i prednosti i

nedostaci ovih naina prikupljanja podataka.

1.3. Ciljevi i doprinos istraivanja

Cilj istraivanja je teorijski pribliiti podruje web analitike te istraiti funkcionalnosti i

karakteristike alata za web analitiku i web metrike, a tu se ujedno moe prepoznati i doprinos

istraivanja s obzirom na manjak literature na hrvatskom jeziku iz ovog podruja. Cilj

istraivanja je svakako i analiziranje stanja na tritu alata za web analitiku s obzirom na to da

je Google predstavljanjem svog besplatnog alata Google Analytics pokrenuo pravu revoluciju

na tritu i natjerao komercijalne konkurente da se bre razvijaju i diferenciraju to je

rezultiralo time da alati za web analitiku postaju sve sofisticiraniji (Kaushik, 2009.) te je

samim time vanost izbora odgovarajueg alata postala vea, a izbor sve tei.

Empirijsko istraivanje stanja na tritu alata za web analitiku u sklopu ovog rada donijeti e

dakle trenutanu situaciju na tritu alata za web analitiku, pregled trendova na podruju alata

i metrika, povijesni pregled i evoluciju alata i metrika te pogled u budunost konzultirajui se

s najuglednijim svjetskim autoritetima na podruju web analitike. Uz to istraivanje bi trebalo

potvrditi istinitost slijedee hipoteze:

H1: Funkcionalnosti alata web analitike doprinose jednostavnoj integraciji web metrike u

poslovne modele na webu.

Michael Rappa opisuje poslovni model kao metodu poslovanja kojom tvrtka generira prihod

te navodi devet osnovnih kategorija poslovnih modela na webu brokerski model,

oglaivaki model, model informacijskih posrednika, trgovaki model, proizvoaki model,

suradniki model (affiliate), model virtualnih zajednica, pretplatniki model te model

pomonih usluga. Kod ovih poslovnih modela mogue je identificirati pet uobiajenih ciljeva:

- prodaja proizvoda ili usluga online gdje se ishodi mogu mjeriti brojem prodanih

proizvoda ili usluga,

- stvaranje baze potencijalnih klijenata gdje se ishodi mogu mjeriti brojem prikupljenih

kontakt podataka od posjetitelja web sitea,

- objava kvalitetnog sadraja koji e privui velik broj posjetitelja ime se poveavaju

prihodi od oglaavanja,

- pruanje informacija posjetiteljima web stranica,

- brendiranje.

7

Bez odgovarajuih web metrika je nemogue mjeriti efekte web stranica na posjetitelje stoga

je pri izboru alata za web analitiku vano znati koliko je odreeni alat spreman odgovoriti

jedinstvenim potrebama korisnika, a testiranjem postavljene hipoteze e se prihvatiti ili

odbaciti pretpostavka o jednostavnoj integraciji web metrika koje nude alati u specifinosti

poslovnih modela na webu.

1.4. Metode istraivanja

Pregledavanje dostupne strune i znanstvene literature temelj je za postavljanje teorijskog

dijela rada. Za empirijski dio rada koristit e se sekundarni podaci postojei podaci iz raznih

izvora koji e biti obraeni koristei sljedee metode znanstveno istraivakog rada

(Zelenika, 1998.):

- Induktivno-deduktivna metoda koja ukljuuje nain zakljuivanja iz opih postavki do

konkretnih zakljuaka te zakljuivanje o opim sudovima temeljem pojedinanih ili posebnih

injenica.

- Metoda apstrakcije kojom se namjerno odvajaju nebitni elementi, a istiu bitni elementi i

osobine odreenog predmeta ili pojave istraivanja.

- Metoda deskripcije kojom se jednostavno opisuju ili oitavaju injenice.

- Metoda komparacije kojom se uoava i usporeuje slinost i zajednika obiljeja dvaju ili

vie dogaaja, pojava ili objekata odnosno utvrivanje njihove slinosti u ponaanju i

intenzitetu i razlika meu njima.

8

1.5. Sadraj diplomskog rada

Prvo poglavlje ovog diplomskog rada je uvodno gdje su navedeni problem i predmet samog

rada gdje su navedene definicije weba analitike, posebnosti i karakteristike koje e biti

obraene kroz rad. Nadalje predstavljeni su ciljevi i doprinos rada te metode istraivanja koje

e se koristiti u radu. Naposljetku navedena je i struktura rada koja je poblie opisana kroz

sadraj diplomskog rada.

Drugo poglavlje predstavlja odrednice web analitike koje je nuno shvatiti kako bi se dobio

to bolji uvid u sljedee poglavlje koje opisuje same alate web analitike kao predmet ovog

rada. Stoga je drugo poglavlje podijeljeno na osam potpoglavlja, a pribliava prolost,

sadanjost i budunost web analitike te donosi jo i pojmove, probleme, pogreke i zablude u

vezi web analitike sve ono to je nuno za to bolje razumijevanje same problematike.

Ovdje e biti obraene teme kao to su vanost razumijevanja korisnika te sama orijentiranost

korisnicima u svrhu postizanja to boljih performansi web stranica.

Tree poglavlje donosi teoretski okvir u kojem su objanjene sve znaajke alata za web

analitiku kao to su vrste, elementi, kategorije, naini prikupljanja podataka, koritenje

kolaia u svrhu prikupljanja podataka o korisnicima web stranica, funkcionalnosti alata te

vanost odabira odgovarajueg alata za web analitiku te kako tome izboru pristupiti.

etvrto poglavlje se bavi web metrikom statistikim pokazateljima aktivnosti posjetitelja na

web stranicama, gdje se predstavljaju osnovni pojmovi vezani uz metrike, definicije,

najpoznatije i najee koritene web metrike te njihova evolucija. Biti e rijei i o vanosti

izbora adekvatnih metrika s obzirom na to da je svaka web stranica jedinstvena. Poseban

naglasak u ovom poglavlju biti e na odreivanju i vanosti kljunih pokazatelja performansi.

Empirijsko istraivanje je pretposljednje poglavlje u ovom radu gdje e se prezentirati

istraivanje, rezultati koji su dobiveni istraivanjem te zakljuci koji proizlaze iz provedenog

istraivanja.

Posljednje poglavlje donosi zakljuak diplomskog rada na koji se nastavljaju popisi slika,

tablica i priloga te koritene literature pri pisanju samog rada.

9

2. ODREDNICE WEB ANALITIKE

2.1. Osnovni pojmovi vezani za web analitiku

Upotrebljivost i funkcionalnost web sjedita ima direktan utjecaj na percepciju posjetitelja o

samoj organizaciji s obzirom na to da se u modernom nainu poslovanja web lokacija

organizacije esto poistovjeuje sa samom organizacijom. Partneri organizacije i klijenti esto

provode vie vremena u interakciji sa web stranicama nego sa zaposlenicima organizacije

(Creese & Veytsel, 2000.) i otuda vanost web analitike kao instrumenta za dobivanje

vrijednih spoznaja o ponaanju posjetitelja na web sjeditu.

U uvodnom dijelu rada predstavljena je slubena definicija web analitike (WAA, 2008.) koja

identificira mjerenje (a), prikupljanje (b), analiziranje (c) i izvjetavanje (d) o podacima s

Interneta kao osnovne sastavnice pojma web analitike.

Mjerenje (a) se vri prikupljanjem podataka koji se izraavaju kroz razne metrike -

kvantitativne mjere kojima se opisuju dogaaji i trendovi na web stranicama (Kaushik, 2009.).

Tri su tipa metrika u web analitici (Burby & Brown, 2007). koji se prikazuju u obliku

brojeva, omjera i kljunih pokazatelja performansi (KPI). Metrike u obliku broja su

najosnovnije jedinice za mjerenje izraena najee cijelim brojem. Omjer je najee broj

podijeljen brojem (iako u brojniku ili nazivniku moe biti i omjer) to znai da najee nije

izraen kao cijeli broj. KPI moe biti u obliku broja ili omjera, ali je tipino omjer te je

ukljuen u poslovnu strategiju.

Prikupljanje podataka (b) se uglavnom vri kroz jednu od dvije najrairenije metode:

koritenjem log datoteka odnosno prikupljanje podataka od strane servera te u novije

vrijeme koritenjem popularnije metode tagiranja web stranica uz pomo JavaScript koda.

Cilj analiziranja (c) je konverzija podataka u zakljuke koji slue pri donoenju odluka

(Waisberg i Kaushik, 2009.) te u tom smislu posebnu pozornost treba pokloniti izboru

odgovarajueg alata za web analitiku uzimajui u obzir jedinstvene karakteristike i ciljeve

organizacije, ali i zapoljavanju adekvatnog kadra koji e biti u stanju iz velike koliine

podataka izvui korisne informacije za podrku odluivanju. Ipak, ponekad je za organizaciju

dovoljno samo generirati izvjetaje (d) to omoguavaju alati za web analitiku na temelju

odabranih metrika koje su od vanosti za organizaciju.

10

2.2. Definicija web analitike

Kontinuirano optimiziranje online marketinke strategije, upotrebljivosti web sjedita i

sadraja na stranicama je preduvjet efektivnog e-poslovanja (Clifton, 2010.), a bez web

analitike previe je nesigurnosti za donositelje odluka (Singh & Chawla, 2012). Neadekvatno

web sjedite e imati poguban uinak na ROI poduzea i potencijalno srozati imid brenda.

Problem moe biti u loem ciljanju marketinkih kampanja, loim kritikama na webu ili u

preniskoj stopi konverzije. Identificiranje ovih problema mogue je uz pomo web analitike.

Implementacijom web analitike dobiva se uvid u koliinu prometa na web stranicama,

distribuciju posjetitelja, stope konverzija, najposjeenije stranice u sklopu web sjedita,

vrijeme koje korisnici provedu na stranicama, ali mogue je doznati i sloenije informacije

kao to su vrijednost posjetitelja po odreenim segmentima, ponaanje novih posjetitelja u

odnosu na postojee, stope konverzije u relaciji sa izvorom prometa na stranicu ili primjerice

informaciju koliko je u prosjeku posjeta potrebno da posjetitelj postane klijent. Sve te

informacije mogu biti od velike koristi u procesu donoenja odluka koje se odnose na

poboljanje online strategije nabolje to je i svrha web analitike (Clifton, 2010.). Na tom tragu

je i autor Avinash Kaushik (2009.) ija je definicija web analitike analiza kvalitativnih i

kvantitativnih podataka s web sjedita u svrhu kontinuiranog poboljanja online iskustva

posjetitelja to u konanici dovodi do efikasnijeg i efektivnijeg ostvarivanja zacrtanih online i

offline ciljeva organizacije. Kvantitativne podatke isporuuju tradicionalni alati za web

analitiku i oni daju uvid o ponaanju posjetitelja te odakle dolaze na web sjedite. Uz to

potrebno je prikupljati kvalitativne podatke koji daju odgovor na pitanje zato se posjetitelji

ponaaju na odreeni nain. Ovakvu vrstu podataka mogue je prikupljati iz vie razliith

izvora kao to su anketiranje posjetitelja ili testiranje (Cutroni, 2010.).

Kontinuirano poboljanje online iskustva posjetitelja na temelju informacija zadobivenih

alatima web analitike je kljuan aspekt procesa web analitike, a postizanje zacrtanih ciljeva i

poboljanje rezultata poslovanja na temelju donesenih odluka koje su potpomognute

otkrivenim informacijama u procesu web analitike je u konanici i smisao ulaganja u web

analitiku. U financijskom kontekstu web analitika se odnosi na upotrebu prikupljenih

podataka za odreivanje koji aspekti web stranica funkcioniraju u skladu s poslovnim

ciljevima organizacije (Singh, Makkar & Singh, 2011).

Prolo je vrijeme prikupljanja sirovih podataka o performansama web sjedita pa u skladu s

tim Burby i Atchison (2007.) jasno razlikuju izvjetavanje od web analitike, gdje web

11

analitika podrazumijeva iskoritavanje vie izvora podataka u svrhu razumijevanja posjetitelja

u skladu s poslovnim ciljevima kako bi se mogle dobiti preporuke za unaprjeivanje

postojeeg stanja te koritenje podataka o ponaanju posjetitelja u prolosti za identifikaciju

prilika u budunosti. S druge strane pojam izvjetavanja se odnosi na prikupljanje podataka

koji e se dijeliti kroz organizaciju kroz razne izvjetaje koji obuhvaaju to je mogue vie

podataka.

Vidljivo je da svi navedeni autori naglaavaju vanost optimiziranja marketinkih napora,

upotrebljivosti web sjedita i sadraja na web stranicama koristei podatke prikupljene iz vie

izvora kako bi se postigli to bolji rezultati poslovanja u skladu sa zacrtanim ciljevima

organizacije.

2.3. Povijesni razvoj web analitike

Dr. Stephen Turner 1995. godine je kreirao program naziva Analog za analizu log datoteka

koji je bio lako dostupan na webu i taj se dogaaj smatra roenjem web analitike. Analog i

drugi slini alati su omoguili iroko prihvaanje web analitike, da bi se nekoliko godina

kasnije pojavile prva komercijalna rjeenja za web analitiku predvoene WebTrends tvrtkom

koja je unaprijedila standardni parser log datoteka te dodala grafove (Kaushik, 2007).

Do poetka 2000. godine web analitika se vrsto etablirala kao disciplina s obzirom na ubrzan

porast popularnosti Interneta, a glavni igrai na tritu bile su tvrtke kao to su Accrue,

WebTrends, WebSideStory i Coremetrics sa svojim kompleksnim rjeenjima za web analitiku

koja su bila u mogunosti izvjetavati na temelju ogromnih koliina podataka.

Otprilike u to vrijeme poele su se uoavati manjkavosti koritenja web server log datoteka

kao optimalnog izvora podataka, a one ukljuuju page caching od strane pruatelja Internet

usluga (ISP-a), probleme sa crawlerima trailica koji bi se ukljuivali u rezultate kroz metrike

i probleme sa identificiranjem jedinstvenih posjetitelja (Unique Visitors) zbog dodjeljivanja

dinamikih IP adresa korisnicima od strane ISP-a (ibid).

Iz tih razloga JavaScript tagiranje stranica je polako postalo standard za prikupljanje podataka

sa web sjedita. Nekoliko redaka JavaScript koda se postavi na svaku stranicu koja se eli

pratiti. Kod se pokree u trenutku kada se stranica uita i alje podatke na odgovarajue

12

servere. Ovaj postupak je pojednostavnio implementaciju web analitike, a JavaScript log

datoteke su jednostavnije za odravati.

Slijedei evolucijski korak odnosi se na site overlay odnosno gustou klikova na stranici, jer

je donositeljima odluka omoguio brz pregled kretanja posjetitelja po web stranicama (ibid).

Posljedica toga bila je daljnja popularizacija web analitike jer su odjednom svi na jednostavan

nain mogli vidjeti to se dogaa na njihovim web stranicama samo gledajui klikove, a to je

uvelike utjecalo na jednostavnost optimiziranja web stranica baziranog na ponaanju

korisnika.

Google je snano utjecao na trite alata za web analitiku 2005. godine kada su preuzeli tvrtku

Urchin te 2006. lansirali besplatan alat Google Analytics. Prije toga web analitika je

uglavnom bila dostupna velikim organizacijama koje su si to mogle priutiti s obzirom na to

da prije Google Analytics alata nije bilo dostupnih besplatnih alata koji su istovremeno bili

jednostavni za implementaciju i dovoljno kvalitetni, stoga je pojava Google Analyticsa

izazvala preko noi veliko zanimanje za web analitiku, a taj je proces dodatno ubrzan

pojavom Yahoo! Web Analytics i drugih besplatnih alata kao to su Crazy Egg, Piwik i Open

Web Analytics.

2.4. Web analitika kao proces

Web analitika nije tehnologija za izradu izvjetaja nego cikliki proces za optimizaciju web

stranica koji izmeu ostaloga omoguava mjerenje trokova i profita akvizicije korisnika,

otkrivanje obrasca ponaanja najprofitabilnijih posjetitelja na web stranicama te optimizaciju

web sjedita poboljavajui performanse ili profitabilnost. Waisberg & Kaushik (2009.)

identificiraju slijedee korake procesa web analitike na temelju najboljih praksi:

1. definiranje ciljeva

2. definiranje KPI-jeva (kljunih pokazatelja performansi)

3. prikupljanje podataka

4. analiza podataka

5. implementacija promjena

Ciljevi web sjedita se mogu otkriti postavljanjem jednostavnog pitanja zato postoji web

sjedite, a jedinstven odgovor ne postoji. Tipino glavni cilj web trgovine je prodavanje

proizvoda, cilj web sjedita za podrku posjetiteljima je pruanje informacija i odgovora

13

svima zainteresiranima dok je primjerice portalima s vijestima cilj dostava to relevantnijeg

sadraja svojim korisnicima to za posljedicu ima poveanje prometa na web sjeditu i

automatski poveanje prihoda prodavanjem oglasnog prostora.

Definiranje ciljeva je vano zbog izbora odgovarajuih metrika za praenje uspjenosti web

stranica s obzirom na to da na web sjedite treba gledati kao i na svaku drugu investiciju te

oekivati odreeni povrat (ROI). ROI je mjera performansi koja se koristi za procjenu

efikasnosti investicije, a rauna se dijeljenjem neto dobitka od investicije sa trokom

investicije (investopedia.com, 2014).

Mjerenje ostvarenosti ciljeva se izvrava kreiranjem kljunih indikatora performansi (KPI)

koji pokazuju napredak ili nepostojanje istog u ostvarenju zadanih ciljeva. Za svaki KPI treba

biti vezana odreena akcija. Kvalitetan KPI bi trebao sadravati etiri atributa (Waisberg &

Kaushik, 2009.):

1. Jednostavnost nuna zbog lakeg razumijevanja od strane donositelja odluka

2. Relevantnost svaka organizacija je jedinstvena i samim time ima svoje jedinstvene

ciljeve stoga je potrebno formulirati KPI relevantan za organizaciju

3. Pravovremenost nuna zbog vanosti informacija za donositelje odluka koja opada s

vremenom

4. Instant korisnost - nuno je u trenutku prepoznati KPI za dobiti pravovremene

informacije

Primjer kvalitetnog kljunog indikatora performansi koji obuhvaa sve navedene atribute

moe biti bounce rate odnosno stopa odustajanja - postotak posjetitelja koji napuste web

sjedite nakon prve stranice koju posjete. Ova metrika je jednostavna s obzirom na to da ju je

lako razumjeti i objasniti. Relevantna je zato to identificira stranice s nedovoljno visokim

performansama. Pravovremena je jer je lako dostupna u svim alatima za web analitiku.

Naposljetku ima instant korisnost jer donositelj odluka moe odmah reagirati i posvetiti

pozornost stranicama s visokom stopom odustajanja.

U procesu web analitike vano je precizno prikupiti podatke te ih spremiti u bazu podataka za

daljnju analizu. Naini prikupljanja podataka su detaljnije predstavljeni u poglavlju 3.3.

14

Analiza podataka u procesu web analitike obuhvaa pregledavanje, proiavanje i

transformaciju podataka s ciljem otkrivanja korisnih informacija za potporu odluivanju.

Ovim postupcima mogue je otkriti veze, obrasce ili trendove koji postoje u setu podataka

(wikipedia, 2014).

Implementacija promjena je posljednja i najvanija etapa procesa web analitike jer svi

prikupljeni podaci gube smisao ukoliko se ne djeluje na temelju saznanja koja se dobiju

analizom.

Slika 1. Proces web analitike

Izvor: prikaz autora prema Waisberg, D. & Kaushik, A. (2009).Web Analytics 2.0: Empowering Customer

Centricity

Definiranje ciljeva

Definiranje KPI-ja

Prikupljanje podataka

Analiza podataka

Implementacija promjena

15

2.5. Web analitika 2.0

Pojam web analitike 2.0 predstavlja novu paradigmu u svijetu web analitike koja postavlja

posjetitelja u sredite pozornosti na nain da se iskoriste razni izvori podataka koji

predoavaju kompletnu sliku ponaanja posjetitelja na web sjeditu (Waisberg & Kaushik,

2009.) za razliku od tradicionalnog pristupa gdje je naglasak esto stavljan na clickstream

podatke iz kojih je teko izvui korisne zakljuke na temelju kojih je mogue donositi

konkretne odluke.

Slika 2. Grafiki prikaz zakljuaka dobivenih analizom samo clickstream podataka

Izvor: Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer

Centricity.

Dakle glavna ideja je ukljuivanje podataka dobivenih od strane samih posjetitelja,

konkurenata i podataka iz unutarnjih izvora organizacije. Ovaj pogled obuhvaa pet koraka

gdje se koriste kvalitativni i kvantitativni podaci za donoenje odluka. U prvom koraku

analiziraju se clickstream podaci koji u principu odgovaraju na pitanje to se dogaa na web

stranicama odnosno kako se posjetitelji ponaaju pregledavajui stranice web sjedita, a to je

dostupno kroz metrike kao to su vrijeme provedeno na odreenim stranicama, bounce rate ili

pak identificiranje izvora prometa na web stranice.

16

U drugom koraku potrebno je odgovoriti na pitanje koliko se ostvari konverzija putem web

sjedita, gdje je potrebno razlikovati makro konverzije kao primarni cilj i svrhu postojanja

web stranica, i mikro konverzije koje predstavljaju sekundarne ciljeve web stranica kao to su

primjerice podaci o pregledanim stranicama, broj preuzetih i/ili podignutih dokumenata sa

servera odnosno na server ili broj popunjenih i poslanih kontakt obrazaca.

Eksperimentiranje i testiranje te izravno traenje povratnih informacija od samih posjetitelja

su naini za dobivanje odgovora na pitanje "zato". Eksperimentiranje se svodi na smiljanje

raznih rjeenja gdje u konanici trite bira ono koje je optimalno, to otkriva jedan od

najvanijih ciljeva eksperimentiranja - uenje o korisnicima. Testiranje ukljuuje koritenje

raznih metoda kao to je A/B testiranje, optimizacija broja oglasa na stranicama ili testiranje

razliitih prodajnih odnosno cjenovnih taktika. Testiranje je vano jer je nuno znati je li i u

kojoj mjeri pretpostavke na kojima je bazirana izrada web lokacije odgovaraju oekivanjima i

potrebama ciljnih korisnika, odnosno kako optimizirati web lokaciju (Eisenberg, Quarto-von

Tividar, & Davis, 2008). S druge strane za dobivanje odgovora na pitanje zato se posjetitelji

ponaaju na odreeni nain mogue ih je, jednostavno pitati. Analizirajui clickstream

podatke teko je donijeti konkretne zakljuke o tome o tome koliko su posjetitelji zadovoljni

iskustvom na web stranicama, stoga je koritenjem online anketa, koje su esto besplatne i

jednostavne za izraditi, mogue dobiti vrijedne povratne informacije od strane posjetitelja to

je najbolji nain za poboljanje zadovoljstva posjetitelja, a posljedino i performansi web

stranica.

Na kraju potrebno je razumjeti okruenje i usporeivati se s konkurencijom to je nuno za

davanje konteksta clickstream podacima. Primjerice podatak o poveanju posjeenosti web

sjedita u promatranom razdoblju za 20% ne mora nuno biti dobra vijest, ako bi se taj

podatak stavio u kontekst gdje je poveanje posjeenosti web stranicama izravnog konkurenta

sa web sjeditem slinih performansi u istom razdoblju iznosilo 50%.

17

Slika 3. Grafiki prikaz zakljuaka dobivenih utilizirajui proces web analitike 2.0

Izvor: Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer

Centricity.

2.6. Budunost web analitike

Trini pokretai potranje za web analitikom su (Creese & Veytsel, 2000.):

sve vea informatika pismenost korisnika, odnosno sve vee usvajanje Interneta kao

medija znai sve veu vanost adekvatnog prisustva organizacije na webu,

pomo web analitike u procesu donoenja odluka na temelju podataka, a ne baziranih

na osjeaju,

u usporedbi s tradicionalnim offline tehnikama i alatima digitalni kanali pruaju

marketerima pravo bogatstvo podataka iz kojih je mogue donositi zakljuke na

kojima se baziraju budue poslovne odluke. Alati za web analitiku uvelike pomau u

tom procesu prikupljanja kvalitetnih informacija za organizacije koje se koriste za

optimizaciju web sjedita poveavajui efikasnost i ostvarene prihode.

18

Tijekom godina napredak tehnologije je omoguio evoluciju alata za web analitiku od

jednostavnog prikupljanja clickstream podataka do sofisticiranog alata koji omoguava

iitavanje vrlo sloenih informacija potrebnih za donoenje kvalitetnih poslovnih odluka.

Alati za web analitiku su danas dostupni preko raznih platformi i digitalnih ureaja. Tritem

dominiraju besplatni alati za web analitiku, meutim komercijalni postaju sve sofisticiraniji

kako bi svojim klijentima ponudili jedinstvenu vrijednost za novac.

Teko je sa sigurnou predvidjeti budunost web analitike s obzirom na dinaminost IT

okruenja i promjene koje se odvijaju strahovitom brzinom, meutim mogue je pretpostaviti

u kojem e se smjeru razvijati. Razvoj web analitike prvenstveno lei u razvoju algoritama

koji e biti u stanju preciznije ciljati odreene marketinke segmente, ime e biti mogue

uspostaviti vre veze na relaciji potroaa i njegovih elja te organizacija kao ponuivaa

proizvoda i usluga. Bolje ciljanje odreenih marketinkih kategorija bi znailo i poveanje

prihoda od oglasnog prostora vlasnicima web sjedita. Web analitika bi se mogla iskoristiti i

na nain da povee meusobno nekonkurentne organizacije tako da jednostavno jedna

organizacija putem svog web sjedita poalje posjetitelje drugoj koja nudi komplementarne

proizvode ili usluge. Nadalje, bez obzira na razne izazove kao to je primjerice problem

privatnosti koji se esto spominje u kontekstu web analitike oekuje se daljnji razvoj na

tritu web analitike s obzirom na rastuu konkurenciju u online poslovanju koja dovodi do

porasta potranje za razumijevanjem ponaanja posjetitelja na web sjeditu u svrhu

poboljanja online strategije poduzea i u konanici poveanja prihoda i ostvarenja ostalih

ciljeva.

2.7. Najee pogreke i zablude u vezi web analitike

Tehnologije koje se koriste za prikupljanju podataka u procesu web analitike kao to su page

tagging dodavanje JavaScript koda na svaku stranicu koju se eli pratiti ili prikupljanje

podataka uz pomo log datoteka e biti objanjene u slijedeem poglavlju, meutim ovdje je

bitno spomenuti kako niti jedna od trenutno dostupnih tehnologija nije savrena, to se

posljedino odraava na kvalitetu i kvantitetu prikupljenih podataka stoga je postizanje

perfekcije u prikupljanju podataka nemogue i potrebno je razumjeti ogranienja metoda

prikupljanja podataka te se shodno tome prilagoavati (Creese & Veytsel, 2000.). Problemi

koji se javljaju koritenjem page tagging metode ukljuuju propuste u postavljanju koda na

svaku pojedinanu stranicu to dovodi do nepotpunih podataka. Blokiranje pokretanja

19

JavaScripta na Internet preglednicima od strane korisnika te upotreba vatrozida koji moe

sprijeiti slanje prikupljenih podataka serverima alata za web analitiku na obradu dovode do

da je podcjenjivanja ukupnog broja posjetitelja web sjedita. S druge strane problem prilikom

koritenja log datoteka za prikupljanje podataka ukljuuje dinamike IP adrese koje pruatelji

Internet usluga dodjeljuju svojim korisnicima s obzirom na to da alati koji koriste log

datoteke identificiraju posjetitelje prema IP adresama to znai da e jedinstveni posjetitelj

biti zabiljeen vie puta ime se dobiva pogreno precijenjen broj jedinstvenih posjetitelja u

promatranom razdoblju. Nadalje u sluaju da se posjeena stranica spremi na raunalu

posjetitelja (caching) svaki sljedei put kada korisnik zatrai istu stranicu, bit e mu servirana

lokalno ime se nee zabiljeiti posjeta na serveru. Jo jedan problem ovog naina

prikupljanja podataka je ukljuivanje takozvanih robota ili paukova koje najee koriste web

trailice pri indeksiranju web stranica u ukupan broj posjetitelja ime se neopravdano

poveava broj posjetitelja. Koritenjem kolaia (cookies) u web analitici mogue je

identificirati posjetitelje i dobiti uvid s kojeg web sjedita dolaze, meutim i ovdje je

nemogue dobiti sto posto tone rezultate s obzirom na to da prema raznim istraivanjima

postoji nezanemariv broj korisnika koji redovito briu kolaie to dovodi to problema

identificiranja korisnika. Uz to problem identifikacije jedinstvenog korisnika se javlja ako

jedan korisnik koristi vie ureaja za posjeivanje istog web sjedita, ali i ako vie korisnika

koristi isto raunalo za pristup istom web sjeditu.

Bez obzira na injenicu da greke u procesu prikupljanja podataka postoje, ipak je mogue iz

prikupljenih podataka iitati vrlo korisne informacije s obzirom na to da pruaju uvid u

trendove koji se javljaju na stranicama kroz vrijeme uz pretpostavku da nije dolo do

drastinih promjena u tehnologiji prikupljanja podataka koja se koristi (Clifton, 2010.).

Meutim za dobivanje korisnih informacija koje mogu pomoi pri donoenju odluka bitno je

shvatiti vanost ljudskog faktora, naime alati za web analitiku samo serviraju podatke, a na

analitiarima je da izvuku vrijedne zakljuke na temelju tih podataka pa s tim u vezi Kaushik

(2009.) predstavlja pravilo 10/90 pri izboru alata za web analitiku gdje naglaava primarni cilj

izbora odgovarajueg alata postizanje najvee vrijednosti od implementiranog alata, te

naglaava kako je na svakih 10$ utroenih na alat za web analitiku u smislu trokova

implementacije ili tehnike podrke potrebno investirati dodatnih 90$ u ljudske potencijale,

kadar koji e biti u stanju provoditi kvalitetne analize nad prikupljenim podacima i izvui iz

njih informacije za potporu donoenju odluka. To u prijevodu znai da naglasak mora biti na

ljudima s obzirom na to da alati pruaju uvid u podatke ali nisu u stanju predlagati akcije na

20

temelju dobivenih podataka. Ovo pravilo vrijedi ak i ako je alat potpuno besplatan, ipak

treba uloiti odreene resurse u strunu pomo prilikom implementacije.

2.8. Problemi privatnosti pri koritenju web analitike

Zatita privatnosti korisnika na Internetu je vrlo popularna tema, posebno kada se esto u

kontekstu Internet poslovanja spominju sigurnosni problemi kao to su raunalni virusi ili

kraa identiteta, te zabrinutost oko toga koji tipovi podataka o korisnicima se prikupljaju,

kako se s njima postupa i gdje se ti podaci uvaju. Ljudi se esto ale da je praenje njihovih

posjeta web stranicama ugroavanje privatnosti, meutim treba razlikovati dva tipa

informacija koje se prikupljaju (Clifton, 2010.):

1. Informacije kojima se ne moe identificirati pojedina osoba (NonPersonally

Identifiable Information - non-PII) ove se informacije koriste za unaprijeenje

online iskustva svih posjetitelja na web stranicama bez ugroavanja privatnosti,

2. Informacije kojima se moe identificirati pojedina osoba (Personally Identifiable

Information - PII) ove informacije ukljuuju ime, dob ili adresu posjetitelja odnosno

sve ono to posjetitelj sam odlui podijeliti dobrovoljno. Prikupljanje ovakvih

informacija je u demokratskim zemljama esto regulirano zakonom, i potrebno je vrlo

jasno informirati posjetitelje o tome. Problem je u tome to esto dokumenti o

pravilima privatnosti organizacija nisu dovoljno vidljivi ni razumljivi, pa posjetitelji

nisu sigurni kakve podatke organizacija prikuplja, stoga je potrebno na web sjeditu

jasno istaknuti dokumente o pravilima privatnosti, to je i obvezno po zakonu

Europske Unije. Drugi problem moe biti u injenici da organizacija koristi ASP koji

prikuplja i sprema podatke na nain koji se kosi s izjavom o privatnosti organizacije, a

u tom sluaju je potrebno usklaivanje i redovito sigurnosno provjeravanje kako

organizacija jer u protivnom moe doi do velike tete za imid i poslovanje

organizacije (Kaushik, 2007.).

U svakom sluaju bez obzira na to kakav tip podataka organizacija prikuplja, veoma je vano

dobro zatiti prikupljene podatke.

21

3. ALATI ZA WEB ANALITIKU

3.1. Kategorije alata za web analitiku

Za dobivanje kvantitativnih i kvalitativnih podataka na temelju kojih je mogue donositi

konkretne odluke to je ideja web analitike 2.0 Avinasha Kaushika, potrebno je koristiti

raznovrsne alate koje Teixeira (2011.) razvrstava u pet kategorija:

1. Tradicionalni alati za web analitiku koji su predmet ovog rada.

2. Alati za praenje uinkovitosti na drutvenim mreama kao to su Klout, Twitalyzer,

Radian6.

3. Alati za prikupljanje povratnih informacija od posjetitelja kao to su OpinionLab,

SurveyMonkey ili ForeSee Results.

4. Alati za mobilnu web analitiku ija vanost sve vie raste paralelno s rastom udjela

prometa ostvarenog na web stranicama upravo koristei mobilne ureaje, a alati kao

to su Bango Analytics ili Mixpanel mogu pomoi u razumijevanju naina na koji

korisnici mobilnih ureaja komuniciraju sa web sjeditem. Ovi alati omoguavaju

prouavanje ponaanja posjetitelja web lokaciji putem mobilnih ureaja na slian

nain kao i tradicionalni alati za web analitiku, a nuni su za ostvarivanje

kompatibilnosti web lokacije s mobilnim ureajima (Gupta, Mehta, Bhavsar, & Joshi,

2013).

5. Alati za eksperimentiranje i testiranje uz pomo kojih je mogue provoditi A/B

testiranje primjerice dizajna web stranica ili grafikih elemenata u svrhu pronalaenja

optimalnog rjeenja, a sve s ciljem poveanja zadovoljstva posjetitelja. Primjeri ovih

alata su Visual Website Optimizer, Optimizely i Omniture Test & Target alat.

22

Slika 4. Grafiki prikaz kategorija alata za web analitiku

Izvor: Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer

Centricity.

Meu tradicionalnim alatima za web analitiku mogue je identificirati dvije kategorije po

obliku na koji je alat dostupan kao softver instaliran na raunalima organizacije i kao usluga

(SaaS software as a service) omoguena od strane ASPeva application service providera

(Creese & Veytsel, 2000.), a svaki od ova dva oblika ima svoje prednosti i nedostatke.

Tablica 1. Usporedni prikaz dva oblika dostupnosti alata prema Creese & Veytsel (2000.)

Karakteristika Softver SAAS

Lokacija Softver unutar organizacije Udaljen server ASP-a

Brzina instalacije Tjedni ili mjeseci Sati ili dani

Plaanje Licenca softvera Mjeseni iznos

Cijena Besplatno 1.000.000$+ Besplatno 10.000$

Praenje web lokacija Jedna ili nekoliko Jedna ili vie

Mogunost personalizacije Visoka Relativno niska

23

Application service provider (ASP) je prema Gartneru organizacija koja prua usluge i

funkcionalnosti aplikacija mrenim putem mnogim korisnicima po principu modela

iznajmljivanja ili naplate bazirane na iskoritenosti ponuene usluge. Softver koji se nudi

preko ASP modela naziva se jo i softver kao usluga (Software as a Service SaaS). Potreba

za ASP-ovima se razvila zbog velikih trokova softvera koji male i srednje organizacije esto

ne mogu pokriti. Prednost ovakvog modela je da teret unaprjeivanja softvera pada na ASP-a,

a ne na organizaciju koja koristi njihov softver, uz to brzina instalacije je mnogo prihvatljivija

te implementacija esto ne zahtijeva dodatne trokove u vidu investicije u novi hardver.

Softveru se najee pristupa putem web preglednika. Nedostaci mogu biti niska razina

personalizacije softvera prema klijentovim potrebama zbog visokih trokova, integracija s

klijentovim podacima prikupljenim iz drugih izvora moe biti problematina, gubitak kontrole

nad prikupljenim podacima. Ovi nedostaci ne postoje ako se organizacija odlui na kupnju

licence softvera kojeg instaliraju lokalno, ali tada do izraaja dolaze visoki trokovi

implementacije i resursa koji su za to potrebni te odravanja softvera.

3.2. Vanost izbora odgovarajueg alata za web analitiku

Izbor odgovarajueg alata u poslovnom svijetu ima veliki utjecaj na uspjenost posla s

obzirom na to da je uvijek potrebno odabrati alat koji najbolje zadovoljava jedinstvene

karakteristike organizacije. To naravno vrijedi i za izbor alata za web analitiku jer izbor

neadekvatnog alata moe biti poguban za organizaciju s obzirom na uloene materijalne i

nematerijalne resurse te vrijeme utroeno na implementaciju pa stoga. U procesu izbora

adekvatnog alata treba voditi rauna o:

upotrebljivosti alata odnosno odgovoriti na pitanje moe li alat odgovoriti zahtjevima

organizacije

funkcionalnostima alata

tehnikim detaljima koliko napora treba uloiti za implementaciju i podeavanje

alata

ukupnoj cijeni koja je esto varijabilna i obuhvaa mnogo vie od cijene samog alata

Na tritu postoji mnotvo alata za web analitiku ime izbor optimalnog postaje dugotrajniji i

tei za organizaciju.

24

U procesu izbora adekvatnog alata potrebno je razmisliti o tri kljune stvari (Kaushik, 2009.).

Prvo je bitno razluiti treba li organizacija izvjetavanje ili analiziranje i u skladu s time u

startu eliminirati neodgovarajue alate. Nakon toga je potrebno realno procijeniti svoje IT

mogunosti. Implementacija alata za web analitiku na uspjean nain ponekad moe biti

komplicirana stoga ukoliko organizacija ima snaan IT kadar moe tom procesu pristupiti

sama, inae je esto potrebno angairati vanjske strunjake to povisuje trokove i u tom

smislu jednostavnost implementacije alata za web analitiku moe biti kljuna stavka u

procesu izbora. Posljednja stvar o kojoj treba razmisliti prilikom izbora alata za web analitiku

su same mogunosti alata koje moraju biti u stanju odgovoriti potrebama organizacije.

Ponekad je dovoljno da alat pomogne organizaciji razumjeti ponaanje posjetitelja na web

sjeditu odnosno da alat ima samo mogunost prikaza clickstream podataka, a ponekad je u

duhu web analitike 2.0 potreban moan alat koji omoguava analizu kvantitativnih i

kvalitativnih podataka te integraciju podataka iz drugih izvora kao to su ankete korisnika,

ERP ili CRM sustavi. U svakom sluaju s obzirom na brz razvoj tehnologije i trita web

analitike potrebno je izabrati alat koji e najbolje zadovoljavati kratkorone potrebe

organizacije.

Nakon definiranja snaga i slabosti organizacije te potreba za alatom web analitike slijedi

prouavanje ponude na tritu alata. Besplatni alati kao to su Google Analytics ili Yahoo!

Web analytics su vrlo kvalitetni stoga esto nema potrebe za plaanjem komercijalnih rjeenja

ako ona ne nude znatno kvalitetniji proizvod ili uslugu koja je potrebna organizaciji. Neke

karakteristike alata o kojima treba voditi rauna ukljuuju mogunost instaliranja i

implementacije softvera lokalno ako je to vano za organizaciju s obzirom na to da veina se

veina rjeenja nudi kao ASP, koje metode prikupljanja podataka alat koristi (po mogunosti

vie od jedne), kakva je korisnika podrka i kolika je cijena, kakve su mogunosti

segmentacije podataka, koje su opcije dostupne prilikom preuzimanja prikupljenih podataka,

tko je vlasnik prikupljenih podataka ili kakve su mogunosti integracije podataka iz drugih

izvora u alat za web analitiku. Vrlo vano pitanje je i pitanje ukupne cijene alata, s obzirom na

to da je cijena esto varijabilna i odreuje je vie faktora koje je u startu ponekad teko

sagledati. Na cijenu moe utjecati troak po posjeti stranice ili drastian porast cijene nakon

odreene razine posjeta stranici. Uz to ponekad je potrebno dodatno platiti opcije kao to je

primjerice integracija podataka iz PPC oglaivakih kampanja s alatom za web analitiku. Na

cijenu svakako utjee i troak usluga prilikom instalacije i implementacije te podrka nakon

implementacije ukoliko za to nije zaduen IT kadar organizacije. Svakako treba ukalkulirati u

25

cijenu i eventualne trokove dodatnog hardvera kao to su osobna raunala, serveri ili jedince

za pohranu podataka u koje je potrebno investirati, a koji esto variraju u velikom rasponu.

Velik dio trokova odnosi se i na akviziciju kvalitetnog kadra koji e kroz analizu znati izvui

korisne i upotrebljive informacije. Neki od spomenutih trokova postojat e ak i u sluaju

izbora besplatnog alata kao to je Google Analytics stoga treba paljivo izraunati i dobro

odvagnuti ukupne trokove i prednosti za svaki alat koji se razmatra kako bi se na kraju

donijela optimalna odluka.

3.3. Prikupljanje podataka alatima za web analitiku

3.3.1. Prikupljanje podataka uz pomo web logova

Log datoteke su podaci prikupljeni na serveru organizacije, neovisno o Internet pregledniku

posjetitelja web lokacije. Server biljei aktivnosti u tekstualnu datoteku, a ta tehnika se naziva

prikupljanje podataka na serverskoj strani (server-side data collection). Aktivnosti su zahtjevi

prema web serveru kao to su prikaz stranica, slika ili PDF datoteka (Clifton, 2010.). Slika 5

shematski prikazuje ovaj proces gdje se aktivnosti biljee u tekstualnoj datoteci to

omoguuje analitiaru pregledavanje izvjetaja.

Slika 5. Shematski prikaz tehnike prikupljanja podataka na serverskoj strani.

Izvor: Clifton, B.(2010). Advanced Web Metrics with Google Analytics (2nd ed.).

Svaki put kada posjetitelj zatrai neku informaciju server registrira tu informaciju u log

datoteku koja biljei razne podatke od kojih su u tablici 2 navedeni oni koji su od koristi za

organizaciju u procesu web analitike (Peterson, 2004), a preporuka je svakako prikupljati

podatke koji su uistinu korisni s obzirom na to da je vrlo lako dodavati elemente u log

26

datoteku na nain da se promijeni format. Ovaj proces se odvija u etiri koraka (Waisberg &

Kaushik, 2009):

1. posjetitelj unese URL u Internet preglednik

2. zahtjev doe serveru na obradu

3. server kreira unos u log datoteku

4. stranica se isporuuje korisniku

Prednosti ove metode ukljuuju mogunost reprocesiranja podataka, vlasnitvo nad podacima

vlasnika web sjedita i spremanje podataka o ponaanju robota koje koriste web trailice za

indeksiranje web stranica (tablica 3). U prolosti je ova metoda prikupljanja podataka bila

najea zbog dostupnosti web server log datoteka meutim u zadnje vrijeme popularnija je

metoda prikupljanja podataka uz pomo JavaScript koda koji se postavlja na sve stranice koje

se ele pratiti client-side data collection.

Tablica 2. Elementi log datoteka od vanosti za proces web analitike prema Peterson (2004).

Element Objanjenje

Zatraeni resurs Zatraeni dokument od strane korisnika (HTML, GIF, JPG, PNG, PDF,...)

Datum Datum podnoenja zahtjeva

Vrijeme Vrijeme izvravanja zahtjeva

IP adresa klijenta Slui za identifikaciju posjetitelja (kolaii bolja opcija zbog dinamikih IP adresa)

Stranica s koje je

posjetitelj doao

Vrijedan podatak zbog razumijevanja izvora posjetitelja na web lokaciju

URI upit Za dinamiki generirane web stranice

HTTP status Za praenje pogreaka i linkova koji ne funkcioniraju

Kolaii Slue za identifikaciju posjetitelja

27

3.3.2. Prikupljanje podataka metodom tagiranja stranica

Ovom metodom se prikupljaju podaci preko korisnikovog Internet preglednika koji se onda

alju udaljenim serverima za prikupljanje podataka. Analitiar zatim pregledava izvjetaje sa

tih udaljenih servera (slika 6).

Slika 6. Shematski prikaz prikupljanja podataka metodom tagiranja stranica

Izvor: Clifton, B.(2010). Advanced Web Metrics with Google Analytics (2nd ed.).

Metoda tagiranja stranica se sastoji od postavljanja JavaScript koda na svaku stranicu web

sjedita koji se aktivira svaki put kada korisnik otvori tagiranu web stranicu te biljei u

posebnu datoteku informacije o posjetitelju te njegovo ponaanje na web stranici. Ovaj proces

se odvija u pet koraka (Waisberg & Kaushik, 2009):

1. posjetitelj unese URL u Internet preglednik

2. zahtjev doe serveru na obradu

3. server isporuuje stranicu s implementiranim JavaScript kodom korisniku

4. uitavanje stranice pokree JavaScript kod koji prikuplja podatke o posjeti korisnika i

alje ih udaljenom severu koji ih prikuplja

Primjer Google Analytics JavaScript koda (GATC Google Analytics Tracking Code) koji se

dodaje na svaku stranicu koja se eli pratiti prikazan je na slici 7:

28

Slika 7. Primjer Google Analytics JavaScript koda

Izvor: Cutroni, J. (2010). Google Analytics.

Ova verzija GATC-a prikazana na slici sadrava ga.async = true dio koda koji omoguava

uitavanje koda asinkrono, odnosno da Internet pretraiva korisnika nastavi uitavati

zatraenu web stranicu prije nego se GATC u potpunosti uita, ime se ubrzava ukupni proces

uitavanja stranice s obzirom na to da web trailice (pa tako i Google) uzimaju u obziro

brzinu uitavanja stranice prilikom rangiranja organskih rezultata pretraivanja (Cutroni,

2010.).

Prednosti ove metode ukljuuju brojanje svakog posjeta osim u sluaju da posjetitelj zatvori

stranicu prije nego se uita JavaScript kod, injenicu da vlasnik web sjedita ne mora brinuti o

spremanju i obradi prikupljenih podataka te uz to JavaScript kod ne pokreu roboti web

trailica to znai da nee biti ni pribrojani kao posjete ili posjetitelji priliko generiranja

izvjetaja (tablica 3).

Ova metoda prikupljanja podataka je u zadnje vrijeme najpopularnija zbog jednostavnosti

implementacije i injenice da je pruatelj usluge odgovoran za prikupljanje i obradu podataka

to umanjuje trokove vlasnika web sjedita, meutim nijedna metoda nije savrena pa je za

najbolje rezultate potrebno koristiti kombinaciju ove dvije metode koja se jo naziva i

hibridna metoda, a to je neto to omoguavaju pojedini alati za web analitiku (Clifton,

2010.).

29

Tablica 3. Prednosti i nedostaci metodologija prikupljanja podataka u web analitici

Metodologija Prednosti Nedostaci

Web logovi Jednostavno procesiranje

povijesnih podataka

Nema problema s

vatrozidom posjetitelja

Praenje robota trailica od

vanosti za procjenu efekata

SEO napora

Nemogunost zabiljeavanja

cachiranih stranica

Zahtjeva samostalno spremanje i

arhiviranje podataka

Roboti trailica poveavaju broj

posjetitelja

Tagiranje stranica Nema problema s

praenjem cachiranih

stranica

Prikupljanje i obrada

podataka u skoro realnom

vremenu

Ne zahtjeva samostalno

spremanje i arhiviranje

podataka

Pogreke tijekom implementacijskog

procesa dovode do gubitka podataka

Vatrozid posjetitelja moe

onemoguiti poketanje JavaScript

koda

Nemogunost praenja robota

trailica s obzirom na to da ne

pokreu JavaScript

Postoje jo neki mehanizmi prikupljanja podataka kao to su web beacons i packet sniffing,

meutim u praksi se rijetko koriste. Web beacons su razvijeni za praenje uspjenosti bannera

preko raznih web lokacija, a upravo zbog tih asocijacija s oglaivakim mreama su na loem

glasu, s obzirom na to da su u interakciji s third-party serverima i da uglavnom koriste third-

party kolaie. Packet sniffing je metoda bazirana na koritenju packet sniffera - softver ili

hardver pozicioniran na putu izmeu klijenta i servera koji zatim prikupi podatke na putu

prema serveru, ali i od servera prema klijentu. Nedostaci ove metode su dodatna ulaganja u

softver ili hardver, napori koje je potrebno uloiti u filtriranje potrebnih podataka te

najvanije od svega ovim putem se prikupljaju i podaci kojima je mogue otkriti identitet

posjetitelja kao to su lozinke, imena, adrese ili brojevi kreditnih kartica.

30

3.4. Upotreba kolaia u procesu web analitike

Kolaii (cookies) su male tekstualne datoteke u pravilu do 4KB (Clifton, 2010.) koje server

alje Internet pregledniku klijenta kako bi pratili aktivnosti posjetitelja prilikom posjete

odreenoj web lokaciji. Internet preglednik posjetitelja sprema kolaie na tvrdi disk te ih je

mogue pregledati koritenjem bilo kojeg programa za obradu teksta.

Web server tipino alje Internet pregledniku dva tipa kolaia trajni (persistent) i sesijske

(session) kolaie. Persistent kolaii ostaju nakon zatvaranja Internet preglednika i dostupni

su prilikom ponovnog pokretanja, za razliku od session kolaia koji traju samo za vrijeme

korisnikova posjeta (session) web sjeditu, a slue za razumijevanje ponaanja posjetitelja

tijekom te jedne posjete web sjeditu. Glavna svrha kolaia u web analitici je identifikacija

korisnika najee stvaranjem ID-a posjetitelja koji ne ugroava anonimnost, a ti podaci se

koriste za izraun pokazatelja kao to su broj novih posjetitelja na web sjedite, broj

posjetitelja koji su barem jednom posjetili web sjedite te uestalost posjeta i vrijeme izmeu

svakog pojedinog posjeta web lokaciji. Dvije su vrste kolaia first-party cookies i third-

party cookies. First-party kolaie kreira domena web sjedita te jedino ta domena moe

povui prikupljene podatke. Third-party kolaii se obino povezuju s oglaavanjem ili

umetnutim sadrajem kojeg isporuuje domena koju posjetitelj nije direktno zatraio. Problem

koji se esto spominje u vezi s kolaiima ovog tipa je praenje ponaanja posjetitelja preko

vie domena gdje se koriste. Kolaii po svojoj prirodi nisu maliciozni i ne mogu natetiti

raunalu korisnika te se smatraju sigurnim i uinkovitim instrumentom alata za web analitiku,

sve dok ne sadre osobne informacije posjetitelja stoga je potrebno prouiti kako se koriste

kolaii prilikom izbora alata za web analitiku i je li sve u skladu sa pravilima o privatnosti

organizacije (Peterson, 2004.). Loa strana upotrebe kolaia pri identifikaciji korisnika je

injenica da se lako mogu izbrisati u bilo kojem trenutku ili ak odbiti prihvaanje kroz

postavke Internet preglednika. Brisanje kolaia od strane korisnika je veliki problem jer u

tom sluaju korisnik dobije novi identifikator kada ponovno pristupi istom web sjeditu, te se

tretira kao novi korisnik. Meutim postoje i drugi problemi vezani uz upotrebu kolaia u

procesu web analitike, kao primjer moe se navesti scenarij u kojem jedan korisnik za pristup

odreenom web sjeditu koristi vie od jednog raunala, to znai da je taj isti korisnik

identificiran onoliko puta s koliko raunala pristupa web lokaciji ime se nerealno napuhava

broj jedinstvenih posjeta i posjetitelja. S druge strane mogua je i situacija u kojoj vie

razliitih osoba koristi isto raunalo za pristup istom web sjeditu te u toj situaciji dolazi do

prikaza manjeg broja jedinstvenih posjeta i posjetitelja u izvjetaju. Pouzdaniji nain

31

identificiranja korisnika od upotrebe kolaia je postavljanje registracijske forme na web

stranicu, gdje se svakom registriranom korisniku dodjeljuje jedinstveni identifikator, a

registracija je uvjet pristupanja sadraju, meutim u praksi je ovaj nain ostvariv na manjem

broju web sjedita iz jednostavnog razloga to korisnici ele to jednostavnije i slobodnije

pristupati eljenom sadraju (Clifton, 2010.).

3.5. Funkcionalnosti alata za web analitiku

Alati za web analitiku imaju generalno tri glavne pogodnosti generiranje izvjetaja,

rudarenje podataka i dinamiku prezentaciju sadraja (Ash, 2008), u sklopu kojih su brojne

karakteristike, meutim samo rijetki alati obuhvaaju sve ili barem veinu funkcionalnosti i

uglavnom je cijena implementacije kod takvih alata previsoka. S druge strane korisnici esto

ne trebaju sve funkcionalnosti koje alati pruaju stoga je vano prilikom izbora odgovarajueg

alata utvrditi potrebe organizacije. Funkcionalnosti alata za web analitiku su slijedee

(Sharon, 2011.):

1. Tradicionalno izvjetavanje koje ukljuuje:

openite izvjetaje kao to su broj posjeta, posjetitelja ili pregledanih stranica

detalje o posjetiteljima kao to su lokacija, vrsta Internet preglednika ili operativnog

sustava raunala

izvjetaje o izvoru prometa na web sjedite s obzirom na to da posjetitelji mogu doi

kroz brojne marketinke kanale. Analizom ovakvih izvjetaja mogue je doi do

vrijednih zakljuaka o vanosti pojedinoh marketinkog kanala te u skladu s time

donijeti odgovarajue odluke

2. Izvlaenje podataka u svrhu provoenja detaljnije analize uz pomo alata za

rudarenje podataka

3. Heat Maps, Scroll Maps and Click Maps koje vizualno prikazuju gdje posjetitelji

klikaju i to im najvie privlai pozornost

32

Slika 8. Prikaz funkcionalnosti Heat map alata Visual Website Optimizer

Izvor: http://visualwebsiteoptimizer.com/

4. Funnel analysis analiza konverzijskog lijevka uz pomo koje je mogue

identificirati sve faze u procesu konverzije i dobiti izvjetaje o stopama konverzije za

sve korake

5. Anketiranje posjetitelja

6. Ciljanje prema ponaanju posjetitelja za personalizaciju sadraja na web stranicama,

to primjerice omoguava BTBuckets, besplatan alat uz pomo kojega je mogue

maksimizirati stope konverzije u realnom vremenu segmentirajui i ciljajui strateke

korisnike grupe.

7. A/B i MVT (multivariate) testiranje uz pomo ovih funkcionalnosti mogue je

provoditi eksperimente za sve korake tijekom lijevka

Slika 9. Prikaz geografske dimenzije posjetitelja funkcionalnost alata Google Analytics

Izvor: printscreen autora

33

4. WEB METRIKE

4.1. Osnovni pojmovi web metrika

Web je jedini komunikacijski kanal koji omoguava praenje i analiziranje svega to

posjetitelji rade u interakciji sa web stranicama organizacije. Sve ovo se dogaa u realnom

vremenu to znai da je mogue prikupljati, analizirati i djelovati na temelju podataka vrlo

brzo (Inan, 2002). Alati za web analitiku preko web metrika nude brojne pogodnosti za online

poslovanje (Zara, Velicu, Munthiu, & Tuta) kao to su mogunost analize i poveanja

prodaje, praenja prihoda ostvarenih putem web lokacije, identificiranje izlaznih stranica i

shodno tome unaprjeivanje sadraja, praenje prometa posjetitelja ili lociranje pogreaka na

web stranicama.

U web analitici moemo razlikovati dva tipa web metrika, a to su brojevi (count) i omjeri

(ratio) metrike dobivene dijeljenjem jednog broja drugim. Metrike se mjere u sklopu

dimenzija kategorija podataka. Svim metrikama je zajednika karakteristika da

podrazumijevaju odreene akcije od strane posjetitelja, iskljuujui robote trailica koji

pretrauju sadraj na web stranicama kako bi ga indeksirali. Da bi metrike bile uinkovite

moraju biti bazirane na opeprihvaenim terminima, definicijama i praksama (Web Analytics

Association, 2008).

Prema WAA (2008.) etiri su temeljne metrike; Jedinstveni posjetitelji (Unique Visitors),

Posjete (Visit/Sessions), Pregledi stranice (Page Views) i Dogaaji (Events).

34

Slika 10. Prikaz dijela kontrolne ploe u alatu Google Analytics s osnovnim metrikama

Izvor: screenshot autora

Jedinstveni posjetitelji je metrika koja se izraava u obliku broja, a oznaava broj osoba koje

su posjetile odreenu web lokaciju barem jednom u promatranom razdoblju. Najpouzdanija

metoda brojenja jedinstvenih posjetitelja mogua je na nain da se posjetiteljima onemogui

pregledavanje sadraja bez prethodne registracije i prijavljivanja (login), meutim to je u

praksi najee neprihvatljivo, s obzirom na to da posjetitelji ele konzumirati sadraj bez

takvih prepreka. Koritenje kolaia je stoga najproirenija metoda za identificiranje

jedinstvenih posjetitelja, a mane ove tehnike su predstavljene u treem poglavlju ovog rada pa

se u principu moe rei kako je broj jedinstvenih posjetitelja zapravo zbroj jedinstvenih

cookieID-eva u odreenom vremenskom razdoblju (Kaushik, 2007.).

Posjetom web lokaciji se smatra interakcija posjetitelja u kojoj on zahtjeva isporuku barem

jedne web stranice, a traje dok korisnik ne zatvori svoj Internet preglednik ili nakon

odreenog period neaktivnosti koji je najee 30 minuta. Ovdje treba obratiti posebnu

pozornost na postavke o duljini neaktivnosti, s obzirom na to da moe doi do prikupljanja

krivih podataka to zorno ilustrira situacija u kojoj posjetitelj pregledava video materijal u

trajanju veem od 30 minuta, to znai da bi u tom sluaju jedna posjeta web lokaciji bila

zabiljeena vie od jednog puta.

35

Pregledi stranice jednostavno predstavljaju koliko je puta odreena web stranica pregledana

od strane posjetitelja. Uz to, uz pomo metrike pregledi stranica po posjeti (page view per

visit) mogue je dobiti podatke o broju pregledanih stranica od strane posjetitelja za vrijeme

trajanja posjeta web lokaciji (sesija).

Dogaaji se odnose na svaku zabiljeenu akciju uz koju se vee odreeno vrijeme i datum kao

to su prikaz oglasa na stranici, zapoinjanje i zavravanje nekakvih transakcija ili pregled

multimedije.

4.2. Najee koritene web metrike

4.2.1. Metrike za opisivanje posjeta

U ovu kategoriju spadaju dimenzije kao to su ulazna stranica (Entry Page), ciljna stranica

(Landing Page), izlazna stranica (Exit Page) te metrike poput trajanja posjeta (Visit Duration

Time on Site), izvor prometa (Referrer) i broj klikova na link (Click-through).

Ulazna stranica je prva web stranica kojom zapoinje posjet web lokaciji od strane korisnika.

Ova metrika se najee prezentira kao lista URL-ova ili naziva web stranica.

S druge strane ciljna stranica slui za identifikaciju poetnih stranica posjeta korisnika koji

su rezultirali nekakvim marketinkim naporom kao to je PPC oglaavanje. Ciljne stranice su

u pravilu optimizirane za specifine kljune rijei ili ciljne skupine posjetitelja.

Izlazna stranica je posljednja stranica koju je posjetitelj pregledao za vrijeme trajanja jedne

sesije.

Trajanje posjeta je metrika koja rauna vrijeme koje posjetitelji provedu na web sjeditu, a

najee se koristi u kontekstu angairanosti posjetitelja to je u korelaciji s relevantnou

sadraja web lokacije. Ova je metrika popularna jer ju je vrlo lako razumjeti, meutim isto

tako potrebno je razumjeti i kako se mjeri. Naime vrijeme koje posjetitelj provede

pretraujui web stranice na web sjeditu mjeri se na nain da se zabiljeava vrijeme u kojem

je posjetitelj poslao zahtjev serveru za odreenom stranicom te se vrijeme provedeno na

jednoj stranici jednostavno moe izraunati kao razlika izmeu dva zahtjeva za web

stranicama. Na temelju ovoga proizlazi da je nemogue izraunati vrijeme koje je posjetitelj

36

proveo pregledavajui posljednju odnosno izlaznu stranicu (exit page) posljednju stranicu

zatraenu od strane posjetitelja tijekom jedne sesije (WAA, 2008).

Slika 11. Izraun trajanja posjeta web lokaciji.

Izvor: Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer

Centricity

Slika 11 prikazuje situaciju u kojoj metrika trajanje posjeta iznosi 5 minuta, gdje je:

Tp1 (vrijeme provedeno na prvoj stranici) = 1 min i Tp2 (ukupno vrijeme provedeno na drugoj

web stranici) = 4 min. U ovoj situaciji alat za web analitiku ne zna koliko je trajao posjet

stranici broj 3, pa se toj stranici dodaje vrijeme posjete = 0, i ukupno vrijeme provedeno na

web lokaciji (Ts) u tom sluaju iznosi 5 minuta.

U situaciji kada je posjetitelj napustio web lokaciju nakon samo jedne pregledane stranice, ne

moe se znati koliko je zapravo posjetitelj vremena proveo pregledavajui stranicu, a alat za

web analitiku e u tom sluaju najee zabiljeiti da je vrijeme na web sjeditu 0 sekunda. Iz

tog razloga treba biti vrlo oprezan pri interpretaciji rezultata ove metrike, a pri izraunu

prosjenog vremena koje korisnik provede na web sjeditu potrebno je iskljuiti podatke za

sesije koje su obuhvaale samo jednu web stranicu (single-page visit) kako bi se dobili toniji

podaci (Kaushik, 2007.).

37

Slika 12. Problem prilikom mjerenja trajanja posjeta web lokaciji koji se sastoji od

samo jedne pregledane stranice

Izvor: Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer

Centricity

Posebnost ove metrike je i u injenici da je teko postaviti ciljeve s obzirom na to da ponekad

visoko prosjeno vrijeme koje posjetitelj provede na web lokaciji moe znaiti i to da

posjetitelji teko pronalaze eljeni sadraj zbog loe strukturirane navigacije na web sjeditu.

Izvor prometa je dimenzija koja pokazuje odakle dolazi promet na web stranicu, a s obzirom

na tip mogue je razlikovati (WAA, 2008):

interni izvor prometa kada je izvor prometa stranica s iste web lokacije,

eksterni izvor prometa u sluaju kada posjetitelji dolaze s vanjskog URL-a,

trailice kao izvor prometa gdje je mogue razlikovati internu trailicu u sklopu web

lokacije i trailice kao to su Google ili Bing,

direktan promet sluaj kada posjetitelj stranicu posjeti direktno unosei URL u

Internet preglednik ili koristei bookmark.

Analitiar nije ogranien ovom podjelom s obzirom na to da esto alati za web analitiku

ukljuuju daljne mogunosti segmentacije.

Broj klikova na link moe biti izraen u apsolutnom broju puta koliko je odreena poveznica

zabiljeila klikova posjetitelja, ali i ako omjer gdje se broj klikova na poveznicu dijeli s

ukupnim brojem prikaza te poveznice. Ova metrika se najee povezuje s eksternim

38

oglaivakim naporima (PPC), meutim isto tako moe biti korisna za razumijevanje

navigacije posjetitelja po web lokaciji.

4.2.2. Metrike za opisivanje posjetitelja

Metrike iz ove kategorije prikazuju razne atribute koje karakteriziraju posjetitelje web

sjedita, pomou kojih je mogue vriti segmentaciju posjetitelja kako bi se provele to

tonije i korisnije analize. Primjeri metrika iz ove kategorije su novi posjetitelji (New

Visitors), Returning Visitor, Repeat Visitor, broj posjeta po posjetitelju (Visits per Visitor),

Recency i Frequency.

Novi posjetitelji je metrika koja mjeri broj jedinstvenih posjetitelja koji su prvi put ostvarili

sesiju na web lokaciji za vrijeme perioda o kojem se izvjetava. Returning visitor je metrika

koja mjeri koliko je jedinstvenih posjetitelja ostvarilo interakciju s web lokacijom u

promatranom periodu, a da je njihov prvi posjet web lokaciji ostvaren prije promatranog

perioda. Repeat visitor je metrika koja mjeri broj jedinstvenih posjetitelja koji su ostvarili dva

ili vie posjeta web lokaciji za vrijeme perioda izvjetavanja. Tablica 4 prikazuje usporedni

prikaz ove tri metrike.

Tablica 4: Primjer prikaza New Visitor, Return Visitor i Repeat Visitor metrika u alatima za

web analitiku, prema WAA, (2008).

Period izvjetavanja New Visitor Return Visitor Repeat Visitor Unique Visitor

Ponedjeljak DA NE NE Jedan

Srijeda NE DA NE Jedan

Cijeli tjedan DA NE DA Jedan

Broj posjeta po posjetitelju je metrika koja se rauna kao broj posjeta u periodu

izvjetavanja podijeljen brojem jedinstvenih posjetitelja u istom tom periodu.

Recency je metrika koja mjeri vrijeme proteklo od odreene akcije koju je poduzeo

jedinstveni posjetitelj na web lokaciji, a frequency je metrika koja mjeri koliko je puta

39

jedinstveni posjetitelj poduzeo odreenu akciju (posjeta web lokaciji, kupnja ili preuzimanje

datoteke) na web lokaciji tijekom perioda izvjetavanja.

4.2.3. Metrike za opisivanje angamana posjetitelja

Ova kategorija obuhvaa metrike koje opisuju stupanj interakcije posjetitelja s web

stranicama, a ukljuuje metriku koja rauna udio naputanja odreene web stranice u

ukupnom broju prikazivanja te stranice (Page Exit Ratio), stopu odustajanja (Bounce Rate) i

broj posjeenih stranica po posjetitelju (Page Views per Visit).

Slika 13. Usporedni prikaz broja sesija i stope odustajanja u odreenom vremenskom

periodu uz pomo alata Google Analytics

Izvor: screenshot autora

Udio naputanja odreene web stranice u ukupnom broju prikazivanja te stranice (Page Exit

Ratio) se rauna kao omjer broja izlazaka koje zabiljei web stranica i ukupnog broja prikaza

te web stranice.

Stopa odustajanja je metrika koja se rauna kao omjer posjeta koji ukljuuju prikaz samo

jedne stranice (Single page visit) i broja ulaznih stranica.

4.2.4. Konverzijkse metrike

Metrike iz ove kategorije zabiljeavaju aktivnosti na web stranicama koje imaju odreenu

poslovnu vrijednost, a to su konverzija (Conversion) i stopa konverzije (Conversion Rate).

esto se stoga postavljaju za kljune indikatore performansi organizacije (KPI) s obzirom na

40

to da predstavljaju krajnji cilj koji se eli postii posjetom korisnika web lokaciji kao to je

kupnja ili pretplata.

Konverzija je metrika koja prikazuje broj uspjeno ostvarenih postavljenih ciljeva, dok je

stopa konverzije omjer izmeu broja ostvarenih konverzija i druge relevantne metrike (na

primjer broja posjeta ili jedinstvenih posjetitelja). Primjeri za stopu konverzije mogu biti:

- Broj konverzija / ukupan broj posjeta web lokaciji.

- Broj konverzija / ukupan broj posjetitelja web lokaciji.

- Broj konverzija / ukupan broj posjeta web lokaciji u kojima su proizvodi dodavani u

koaricu.

- Broj konverzija / ukupan broj posjetitelja web lokaciji koji su dodali neki proizvod u

koaricu.

Neki od faktora o kojima treba razmiljati, a koji mogu utjecati na stopu konverzije prema

Cliftonu (2010.) su :

Rang web lokacije na web trailicama.

Upotrebljivost i jednostavnost web lokacije za posjetitelje.

Zahtjev za registracijom posjetitelja u procesu kupnje.

Brzina uitavanja web stranica.

Sadraj i kvaliteta sadraja na web stranicama.

Kvaliteta trailice u sklopu web lokacije.

Kompatibilnost web lokacije s Internet preglednicima.

4.3. Kljuni pokazatelji performansi KPIs

Jedna od najeih pritubi na podatke dobivene alatima za web analitiku je ta da je podataka

jednostavno previe: previe grafova, opcija, varijabli iz kojih prosjeni korisnik teko moe

izvui korisne i razumljive informacije. Od tud se javlja potreba za fokusiranjem samo na

nekoliko kljunih metrika kljunih indikatora performansi (Kaushik, 2009.) uz pomo kojih

je mogue dobiti lako razumljive indikatore o performansama web lokacije i tome to se

promijenilo u odreenom vremenskom periodu i to zahtjeva posebnu pozornost (Peterson,

2004). Prava vrijednost koritenja kljunih indikatora performansi je u praenju promjena

41

kroz vrijeme jer na taj nain promjene u vrijednostima KPI-ja su jasno vidljive i to je

najvanije pozivaju na akciju.

Neka od obiljeja kljunih indikatori performansi prema Cliftonu (2010.) su:

Najee se pojavljuju u obliku omjera, postotka ili prosjeka ime se podacima daje

kontekst.

KPI mora biti vezan uz odreeni vremenski period ime se stavlja naglasak na

promjene i brzinu odvijanja promjena.

KPI pokree kljune poslovne odluke i akcije, a neke su akcije esto unaprijed

definirane za odreene situacije (Jackson, 2009).

Izbor metrika ovisi naravno o samoj organizaciji i njenim ciljevima, meutim mogue je

kategorizirati najee kljune indikatore performansi prema tipu poslovnog modela u koji

organizacija pripada, pa tako Peterson (2004.) razlikuje etiri fundamentalna poslovna modela

na webu iji su tipini indikatori performansi navedeni u tablici 5.

Tablica 5: Prikaz etiri temeljna poslovna modela i nekih od pripadajuih tipinih KPI-jeva,

prema (Peterson, 2004.)

Poslovni model KPI

Trgovaki model Omjer novih i starih posjetitelja, postotak novih

posjetitelja, izvor prometa, pretraivane kljune rijei

ili fraze, prosjena vrijednost narudbe, stope

konverzije novih i postojeih korisnika.

Oglaivaki model Ukupna koliina prometa, broj posjeta, omjer novih i

starih posjetitelja, postotak novih posjetitelja, izvor

prometa, prosjean broj pregledanih stranica po posjeti

web lokaciji, prosjeno vrijeme na web lokaciji.

Pretplatniki model Ukupna koliina prometa, omjer novih i starih

posjetitelja, postotak novih posjetitelja, izvor

prometa, pretraivane kljune rijei ili fraze, stopa

konverzije pretplatnika.

Model pomonih usluga. Ukupna koliina prometa, postotak novih posjetitelja,

izvor prometa.

42

5. EMPIRIJSKO ISTRAIVANJE

5.1. Uzorak i metodologija istraivanja

Kao to je u teoretskom dijelu ovog rada pojanjeno alati za web analitiku u osnovi prate

promet posjetitelja na odreenom web sjeditu. Informacije dobivene upotrebom alata za web

analitiku ukljuuju podatke o tome tko su posjetitelji web stanica, odakle dolaze (geografski

ali i iz kojih izvora), to rade za vrijeme posjete na web stranicama, koliko se zadravaju ili

primjerice koja je posljednja stranica za vrijeme trajanja sesije. Bolji alati za web analitiku uz

ove informacije pruaju i one sloenije kao to su izraun ROI-ja ili praenje unosa na

drutvenim mreama gdje se spominje organizacija. Sve ove informacije mogue je iskoristiti

u svrhu uinkovitijeg i djelotvornijeg ostvarivanja zacrtanih ciljeva organizacije koji esto

znaajno variraju u ovisnosti o poslovnom modelu kojem organizacija pripada. Pri izboru

alata za web analitiku potrebno je dobro promisliti to organizacija uistinu treba jer iako je rat

na tritu alata za web analitiku na podruju funkcionalnosti uglavnom zavren (Ropelato),

ipak postoje razlike meu alatima na koje treba obratiti pozornost, kako bi rezultati analize

dobivenih podataka bili lako razumljivi svim zainteresiranim stranama marketerima,

managerima i IT-slubi, a to je najvanije rezultati analize bi trebali pozivati na akciju jer je

to u konanici i smisao itave prie.

Istraivanje je vreno na prigodnom uzorku od 17 alata za web analitiku koristei sekundarne

podatke iz raznih izvora kako bi se testirala postavljena hipoteza:

H1: Funkcionalnosti alata web analitike doprinose jednostavnoj integraciji web metrike u

poslovne modele na webu.

Prigodni uzorak ine lanovi koji su na raspolaganju istraivau, odnosno oni lanovi koji su

stjecajem okolnosti dostupni prilikom istraivanja (Tkalac Veri, Sini ori, & Poloki

Voki).

U procesu istraivanja koritene su slijedee metode znanstveno istraivakog rada

(Zelenika, 1998.):

- Induktivno-deduktivna metoda koja ukljuuje nain zakljuivanja iz opih postavki do

konkretnih zakljuaka te zakljuivanje o opim sudovima temeljem pojedinanih ili posebnih

injenica.

43

- Metoda apstrakcije kojom se namjerno odvajaju nebitni elementi, a istiu bitni elementi i

osobine odreenog predmeta ili pojave istraivanja.

- Metoda deskripcije kojom se jednostavno opisuju ili oitavaju injenice.

- Metoda komparacije kojom se uoava i usporeuje slinost i zajednika obiljeja dvaju ili

vie dogaaja, pojava ili objekata odnosno utvrivanje njihove slinosti u ponaanju i

intenzitetu i razlika meu njima.

Uz navedeno istraivanje na temelju sekundarnih podataka, provedena je i online anketa

kojom su se prikupili primarni podaci meu populacijom koja se koristi alatima za web

analitiku izraena servisom SurveyGizmo, a distribuirana poznanicima autora putem

drutvenih mrea kao to su Facebook i Linkedin. Na taj nain se osigurala relevantnost

prikupljenih podataka. Anketu koja je ispitivala zadovoljstvo koritenja alatima za web

analitiku sastojala se od ukupno 8 pitanja i uspjeno je ispunjena od strane 16 ispitanika.

5.2. Rezultati istraivanja

S obzirom na postavljenu hipotezu, analizirani alati za web analitiku u sklopu ovog

istraivanja grupirani su po nainu na koji prikupljaju podatke, koristei log datoteke i

postavljanje JavaScript koda na web stranice, s obzirom da to i jest jedan od vanijih kriterija

pri izboru alata za web analitiku. Nain prikupljanja podataka nadalje i uvjetuje neke od

funkcionalnosti alata. Prilikom istraivanja koriteni su sekundarni podaci autora Demers,

(2013), Jantsch, (2012), Oberoi, Ropelato, Dragon, (2012). Meutim prvo slijedi osvrt na

Goolge Analytics alat za web analitiku koji je najpopularniji i najzastupljeniji (besplatni) alat

trenutano na tritu.

44

5.2.1. Google Analytics

Google Analytics je jedan od najboljih besplatnih alata za web analitiku koje je mogue

pronai na tritu i praktiki je postao sinonim za (besplatnu) web analitiku iako je originalno

zamiljen kao alat za AdWords korisnike (Demers). Trini udio ovog alata je prema

istraivanju Forrester Research Inc. iz 2009. godine na uzorku od 210,810 web lokacija

iznosio 70% (Clifton, 2010.). Koritenjem ovog alata kroz brojne funkcionalnosti koje prua

(to je nekarakteristino za besplatne alate) mogue je dobiti uvid u podatke kao to su popis

kljunih rijei koje dovode najvie prometa na web lokaciju ili koji aspekti dizajna web

sjedita odbojno djeluju na posjetitelje (Jantsch, 2012). Ovaj alat je besplatan kao i veina

drugih korisnih Google alata s obzirom na to da Google ostvaruje ogromne prihode kroz svoj

AdWords oglaivaki program, a Google Analytics vrlo dobro upotpunjuje AdWords raun

korisnika s obzirom na to da je integracija ova dva rauna vrlo jednostavna i ostvaruje se kroz

nekoliko klikova za razliku od nekih drugih alata koji za praenje uspjeha PPC kampanja

moraju dodatno obiljeavati sve web stranice koje se ele pratiti. U izvjetajima koje ovaj alat

moe generirati mogue je pronai informacije o posjetiteljima, izvorima prometa na web

stranice ili o ostvarenosti zadanih ciljeva. Zadavanje ciljeva kroz ovaj alat je vrlo jednostavno

i omoguava interpretaciju podataka usporedbom vie faktora odjednom, primjerice mogue

je doznati koliko je osoba odreenog spola i odreene dobi na odreenoj geografskoj lokaciji

ostvarilo konverzija u promatranom vremenskom razdoblju. Zadavanje ciljeva moe pomoi i

u praenju performansi web lokacije u financijskim terminima, primjerice koliko se prihoda

ostvari po jednom kliku posjetitelja, koliki je povrat na investiciju i kolika je profitna margina

(Dragon, 2012). Od ostalih prednosti alata Google Analytics moe se izdvojiti i mogunost

prilagodbe kontrolne ploe korisniku, vizualizacija konverzijskog lijevka, izvoz podataka u

raznim formatima kao to su CSV, TSV, PDF ili XML, odreivanje rasporeda po kojem

korisnik dobiva izvjetaje na e-mail adresu, izvjetavanje u velikom broju raznih svjetskih

jezika te visoka skalabilnost (Clifton, 2010.). Google Analytics alat prua i neke jedinstvene

napredne funkcionalnosti kao to su napredna segmentacija i filtriranje, mobilna web

analitika, pivot tablice, mogunost kreiranja prilagoenih izvjetaja ili benchmark

izvjetavanje (ibid).

45

Slika 14. Shematski prikaz rada alata Google Analytics

Izvor: Clifton, B.(2010). Advanced Web Metrics with Google Analytics (2nd ed.).

5.2.2. Web log alati

Webtrends Analytics

Webtrends je prva organizacija koja je ponudila alat za web analitiku, a danas je njihov alat

dostupan u vie varijanti ovisno o potrebama organizacije. Kao prednosti ovog alata mogue

je navesti mnotvo drugih naprednih informacija koje su dostupne uz jednostavne i uobiajene

mogunosti praenja posjetitelja, kao to je geografska lokacija posjetitelja, mogunost uvida

u ponaanje posjetitelja na svim web stranicama u sklopu web sjedita. vrlo dobra heatmap

funkcionalnost i naposljetku mogunost uvida u real-time podatke o angairanosti posjetitelja.

Nedostatak ovog alata svakako je vrlo visoka cijena.

FireStats

FireStats je alat koji se instalira na raunalo organizacije i prua vrlo jednostavan uvid u

aktivnosti posjetitelja na web sjeditu, to je jedna od prednosti koje jo obuhvaaju

mogunost preuzimanja sirovih log datoteka, dostupnost iroke palete ukljuenih jezika, a uz

to jedna instalacija omoguava praenje vie web lokacija na istom serveru. Ovdje kao

46

nedostatke treba navesti loe korisniko suelje i injenicu da ovaj alat nije za poetnike s

obzirom na zahtjeve prilikom instalacije.

AWStats

AWStats je jedan od najpoznatijih alata za analizu log datoteka koji prua podatke o dnevnim

posjetima, izvorima prometa i pretraivanim kljunim rijeima ili frazama. Prednosti ovoga

alata ukljuuju pruanje podataka o jedinstvenim posjetiteljima i vremenu koji provedu na

web lokaciji te prikaz podataka o lokaciji posjetitelja. Nedostaci su nemogunost dubinske

analize podataka, nemogunost mjerenja aktivnosti korisnika, identificiranje jedinstvenih

posjetitelja se vri koristei IP adresu to je vrlo manjkava metoda te zastarjelo korisniko

suelje.

Webalizer

Webalizer je vrlo jednostavan alat za web analitiku koji prua vrlo detaljne i razumljive

podatke u HTML formatu. Informacije koje prua lako je integrirati u proraunske tablice.

Prednosti ovog alata su auriranje log datoteka na dnevnoj bazi, mogunost pregledavanja log

datoteka online ili preuzimanje u sluaju potrebe za integracijom s drugim alatima, a izvjetaji

koje je mogue dobiti su jednostavni i razumljivi. Nedostaci ukljuuju injenicu da ovaj alat

ne upotrebljava kolaie pa su pogreke u podacima este, nemogunost dohvaanja

naprednijih podataka te zastarjelo korisniko suelje.

StatCounter

StatCounter je pouzdan i moan alat prilagodljiv potrebama organizacije. Razlikuje se od

ostalih serverskih alata jer je potrebno integrirati i poseban kod unutar web stranica za

prikupljanje dodatnih informacija o posjetiteljima. Prednosti ovog alata su dohvaanje real-

time podataka, mogunos