Professional Documents
Culture Documents
EKONOMSKI FAKULTET
DIPLOMSKI RAD
Mentor:
Student:
Ivan Bekavac
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
4. WEB METRIKE...33
4.1. Osnovni pojmovi web metrika....33
2
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
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
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.).
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,
brendiranje.
6
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.
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.
11
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.
13
Definiranje
ciljeva
Definiranje KPIja
Prikupljanje
podataka
Analiza
podataka
Implementacija
promjena
Izvor: prikaz autora prema Waisberg, D. & Kaushik, A. (2009).Web Analytics 2.0: Empowering Customer
Centricity
14
Izvor: Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer
Centricity.
15
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%.
16
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.
sve vea informatika pismenost korisnika, odnosno sve vee usvajanje Interneta kao
medija znai sve veu vanost adekvatnog prisustva organizacije na webu,
17
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.
20
21
Izvor: Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer
Centricity.
Softver
SAAS
Lokacija
Brzina instalacije
Plaanje
Licenca softvera
Mjeseni iznos
Cijena
Besplatno 1.000.000$+
Besplatno 10.000$
Mogunost personalizacije
Visoka
Relativno niska
22
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.
funkcionalnostima 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.
23
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
24
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.
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
25
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
Datum
Vrijeme
IP adresa klijenta
Stranica s koje je
posjetitelj doao
URI upit
HTTP status
Kolaii
26
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:
27
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.).
28
Prednosti
Jednostavno procesiranje
Nedostaci
povijesnih podataka
Nema problema s
cachiranih stranica
vatrozidom posjetitelja
Nemogunost zabiljeavanja
SEO napora
Tagiranje stranica
Nema problema s
praenjem cachiranih
stranica
Prikupljanje i obrada
koda
vremenu
Ne zahtjeva samostalno
trailica s obzirom na to da ne
spremanje i arhiviranje
pokreu JavaScript
podataka
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 thirdparty 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.
29
31
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
32
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).
33
Slika 10. Prikaz dijela kontrolne ploe u alatu Google Analytics s osnovnim metrikama
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.
34
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.
35
proveo pregledavajui posljednju odnosno izlaznu stranicu (exit page) posljednju stranicu
zatraenu od strane posjetitelja tijekom jedne sesije (WAA, 2008).
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.).
36
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
interni izvor prometa kada je izvor prometa stranica s iste web lokacije,
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
37
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
38
jedinstveni posjetitelj poduzeo odreenu akciju (posjeta web lokaciji, kupnja ili preuzimanje
datoteke) na web lokaciji tijekom perioda izvjetavanja.
Slika 13. Usporedni prikaz broja sesija i stope odustajanja u odreenom vremenskom
periodu uz pomo alata Google Analytics
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.
39
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 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 :
40
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
Trgovaki model
KPI
Omjer novih i starih posjetitelja, postotak novih
posjetitelja, izvor prometa, pretraivane kljune rijei
ili
fraze,
prosjena
vrijednost
narudbe,
stope
Oglaivaki model
Pretplatniki model
postotak
novih
posjetitelja,
izvor
41
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.
42
- 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.
43
44
Izvor: Clifton, B.(2010). Advanced Web Metrics with Google Analytics (2nd ed.).
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
45
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
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 realtime podataka, mogunost analize na dvije razine uobiajena i detaljna, ali samo za nekoliko
zadnjih posjetitelja, te funkcionalnost praenja IP adresa posjetitelja u realnom vremenu.
Nedostatak je svakako zastarjelo korisniko suelje.
46
Mint
Mint je alat koji je usporediv sa Google Analyticsom po svojim funkcionalnostima i podacima
koje prikuplja. Od ostalih prednosti moe se izdvojiti dobro korisniko suelje, plaanje
jednokratna cijena, umjesto mjesene pretplate i visoka prilagodljivost jedinstvenim
potrebama organizacije. Nedostaci su nunost
47
Clicky
Clicky je jedan od najrobusnijih alata za web analitiku ija kontrolna ploa ukljuuje mnotvo
metrika koje je mogue prilagoavati prema potrebama organizacije. Clicky je dostupan u
besplatnoj verziji koja je ograniena s 3000 pregleda stranica dnevno i osnovnim svojstvima
to ga ini izvrsnim za male i srednje web lokacije. Prednosti ovog alata su vrlo dobra
analitika svojstva, mogunost analize nad real-time podacima, jednostavna instalacija
JavaScript koda na web stranice, mogunost preuzimanja pluginova za CMS-ove (Wordpress,
Joomla) koji odrade taj posao automatski, prikaz heat mapa te mogunost A/B testiranja.
Nedostaci ukljuuju suelje neprilagoeno poetnicima, plaanje naknade ako se eli koristiti
alat na vie web lokacija i ako broj pregleda stranica premauje 3000 dnevno ali i injenicu da
mnoga kljuna svojstva ovog alata zahtijevaju nadoplatu.
Chartbeat
Chartbeat je alat koji se najvie fokusira na real-time podatke i analizu, a prednosti ukljuuju
dobro korisniko suelje, detaljne informacije o tome kako korisnici dijele sadraj sa web
sjedita, real-time komponenta omoguava koja omoguava brze reakcije na temelju aurnih
podataka. Kao nedostatak moe se identificirati nemogunost prikaza povijesnih podataka.
GoSquared
Ovaj alat nudi neizostavne metrike za trgovake online poslovne modele. Uz pomo ovog
alata mogue je mjeriti angairanost posjetitelja na web sjeditu. Prednosti ovog alata se
ogledaju i u injenici da omoguava uvid u duljinu posjeta korisnika uz pomo alata
Pinging, koji funkcionira na nain da alje signal u odreenim vremenskim intervalima za
vrijeme trajanja posjete web sjeditu. Nakon dosezanja mjesenog limita pregleda web
stranica, nemogue je pristupiti podacima do slijedeeg mjeseca to je svakako jedan od
nedostataka ovog alata.
48
FoxMetrics
Ovaj alat omoguava specificiranje tono odreenih metrika koje su organizaciji potrebne.
Ostale prednosti ukljuuju mogunost praenja dogaaja kao to su pregledavanja biltena
(newsletter ) od strane korisnika, mogunost mjerenja i poboljavanja stopa konverzije i
mogunost mjerenja uspjeha oglaivakih kampanja. Neka od kljunih svojstava ovog alata
kao to je segmentacija zahtijevaju pretplatu na najskuplji plan to je svakako jedan od
nedostataka.
GoingUp
GoingUp je besplatan alat koji uz primarnu svrhu web analitike nudi i alate koji mogu
posluiti za pospjeivanje SEO strategije organizacije. Prednosti su i pruanje heatmaps
funkcije, ukljuenost SEO alata kao to je alat za kljune rijei, gustou kljunih rijei na
stranicama i alat za optimizaciju stranica. Nedostatak je s druge strane ba i injenici da je
ovaj alat besplatan i orijentiran vie na SEO mogunosti pa stoga ne omoguava najopseniju
analizu podataka sa web stranica u odnosu na konkurentske alate.
eTracker
Ovaj alat za web analitiku prua real-time podatke i kombinira kvalitativnu i kvantitativnu
analizu za to bolje razumijevanje prometa na web sjeditu. Prednosti ovog alata ukljuuju
mogunost mjerenja marketinkih kampanja i praenje ROI-ja, mogunost anketiranja ciljanih
grupa posjetitelja te automatska integracija s Google AdWords raunom. Prednosti su jo i
funkcionalnost koja omoguava praenje putanje pokazivaa korisnika za utvrivanje
angairanosti i naina na koji posjetitelji pregledavaju web stranice, to moe dati smjernice
za poboljanje dizajna i upotrebljivosti same web lokacije za svoje posjetitelje. Nadalje u
svrhu poveanja upotrebljivosti ovim alatom je mogue i prikupljati povratne informacije od
strane posjetitelja. Nedostatak je taj da veina navedenih funkcionalnosti nisu dio osnovne
verzije alata i koritenje svih funkcionalnosti zahtjeva visoke mjesene trokove.
49
Stuffed Tracker
Stuffed Tracker sadrava jedinstveni set alata za prikupljanje podataka i analizu ponaanja
posjetitelja na web stranicama. Prednosti ukljuuju pruanje informacija o broju jedinstvenih
posjetitelja na web stranicama, mogunost usporedbe organskog prometa na web stranicama
s podacima od marketinkih kampanja kao to su PPC ili e-mail kampanje i mogunost uvida
u to koji su izvori prometa rezultirali konverzijama. Nedostatak ovog alata se oituje u
injenici da je instalacija komplicirana za poetnike.
Crazy Egg
Crazy Egg alat koristi mogunosti heatmap tehnologije za vizualizaciju onoga to posjetitelji
rade na web stranicama, s obzirom na to da esto postoji poveznica izmeu onoga to
posjetitelji gledaju i putanje pokazivaa po web stranici (Jantsch, 2012). Na ovaj nain je
mogue prouiti koja podruja najvie zaokupljaju pozornost posjetitelja.
50
51
Slika 17 prikazuje rezultate drugog anketnog pitanja, koje je bilo postavljeno na nain da su
ispitanicima ponuena dva alata koja se u praksi najee koriste zbog svoje jednostavnosti,
kvalitete i dostupnosti (besplatni su) Google Analytics i Piwik dok je postojala i trea
mogunost unosa vlastitog odgovora ukoliko je u pitanju neki trei alat. Rezultati pokazuju da
je najee koriten alat Google Analytics, (15 od 16 ispitanika to je gotovo 94%). Alat koji
je jedan od korisnika sam unio je Flurry alat za mobilnu web analitiku.
etvrto pitanje u anketi se odnosilo na razinu zadovoljstva koritenim alatom, rezultati su
prikazani na slici 18.
Pitanje je bilo u obliku Likertove ljestvice s pet ponuenih odgovora gdje je zadovoljstvo
alatom izrazilo 14 ispitanika to je vrlo visokih 87.5%. Peto pitanje ankete je bilo kljuno za
prihvaanje postavljene hipoteze o zadovoljstvu alata s obzirom na funkcionalnosti koje
omoguavaju jednostavnu integraciju metrika u poslovne modele, gdje se pozitivno izrazilo
87.5% ispitanika.
52
Ostala tri pitanja u anketi su se odnosila na kvalitetu analiza koje ispitanici provode nad
svojim podacima, pa je tako u svjetlu paradigme web analitika 2.0, esto pitanje glasilo:
Koristite li dobivene clickstream podatke alatima za web analitiku skupa s podacima iz
drugih izvora koji kako bi dobili kontekst za clickstream podatke? a rezultati koji su
prikazani na slici 20 su vie nego zadovoljavajui:
53
54
6. ZAKLJUAK
Predmet ovog diplomskog rada bila je analiza tradicionalnih onsite alata za web analitiku
njihovih mogunosti, karakteristika i vanosti u modernom nainu poslovanja gdje Internet
svakim danom sve vie dobiva na znaenju. Uoljiv je nedostatak literature o ovom podruju
na hrvatskom jeziku koji treba biti popunjen s obzirom na to da proces web analitike
zapoinje izborom odgovarajueg alata, a izbora je uistinu mnogo. U prvom poglavlju ovog
diplomskog rada navedeni su problem i predmet samog rada gdje su navedene definicije web
analitike, posebnosti i karakteristike koje e biti obraene kroz rad.
U slijedeem poglavlju predstavljene su odrednice web analitike s ciljem razumijevanja
cijelog tog podruja i konteksta u kojem postoje alati za web analitiku, pribliavanja prolosti,
sadanjost i budunost ove discipline te obiljeja, probleme, pogreke i zablude u vezi web
analitike sve ono to je nuno za to bolje razumijevanje same problematike.
U treem su poglavlju objanjene sve znaajke alata za web analitiku kao to su vrste,
kategorije, naini prikupljanja podataka, funkcionalnosti alata te je jo jednom stavljena
posebna pozornost na vanost odabira odgovarajueg alata za web analitiku te kako tome
izboru pristupiti, s obzirom na to da esto krive odluke o izboru alata za web analitiku mogu
imati dalekosene i pogubne posljedice za organizaciju u vidu potroenih materijalnih resursa
i vremena na proces implementacije, odravanja i uenja o alatu koji nije sposoban odgovoriti
jedinstvenim potrebama organizacije.
U etvrtom poglavlju predstavljene su web metrike statistiki pokazatelji aktivnosti
posjetitelja na web stranicama, gdje su predstavljeni osnovni pojmovi vezani uz metrike,
definicije, najpoznatije i najee koritene web metrike te izbor adekvatnih metrika za
kljune indikatore performansi s obzirom na to da je svaka web stranica jedinstvena i
fokusiranje na kljunih nekoliko metrika koje pozivaju na brzu akciju esto moe biti
preduvjet uspjeha online nastupa organizacije.
U empirijskom istraivanju u kojem je izvrena analiza ukupno 17 alata iz skupine
tradicionalnih alata za web analitiku prihvaena je hipoteza postavljena na poetku rada:
H1: Funkcionalnosti alata web analitike doprinose jednostavnoj integraciji web metrike u
poslovne modele na webu.
55
Analytics ali i jednu prednost, u vidu vlasnitva nad podacima s obzirom na to da je Piwik
open source alat u obliku softvera. S druge strane nedostatak moe biti u potrebnom
tehnikom znanju za implementaciju.
Izrada ovog diplomskog rada i provoenje istraivanja u sklopu rada pomoglo je autoru da se
bolje upozna sa svijetom web analitike i stekne odreena znanja i iskustva kroz praktini rad s
alatima koji su bili dostupni u trenutku pisanja rada kao to je Google Analytics ili Piwik.
Steena znanja i iskustva sigurno e posluiti u daljnjem radu i profesionalnom razvoju. Isto
tako doprinos ovog diplomskog rada se moe gledati kroz injenicu da postoji nedostatak
literature o alatima za web analitiku i toj disciplini openito.
58
POPIS SLIKA
Slika 1. Proces web analitike....................................................................................................14
Slika 2. Grafiki prikaz zakljuaka dobivenih analizom samo clickstream podataka.............15
Slika 3. Grafiki prikaz zakljuaka dobivenih utilizirajui proces web analitike 2.0..............16
Slika 4. Grafiki prikaz kategorija alata za web analitiku........................................................22
Slika 5. Shematski prikaz tehnike prikupljanja podataka na serverskoj strani.........................25
Slika 6. Shematski prikaz prikupljanja podataka metodom tagiranja stranica..........................27
Slika 7. Primjer Google Analytics JavaScript koda..................................................................28
Slika 8. Prikaz funkcionalnosti Heat map alata Visual Website Optimizer..............................32
Slika 9. Prikaz geografske dimenzije posjetitelja funkcionalnost alata Google Analytics....32
Slika 10. Prikaz dijela kontrolne ploe u alatu Google Analytics s osnovnim metrikama.......34
Slika 11. Izraun trajanja posjeta web lokaciji..........................................................................36
Slika 12. Problem prilikom mjerenja trajanja posjeta web lokaciji koji se sastoji od samo
jedne pregledane stranice..........................................................................................................37
Slika 13. Usporedni prikaz broja sesija i stope odustajanja u odreenom vremenskom periodu
uz pomo alata Google Analytics.............................................................................................39
Slika 14. Shematski prikaz rada alata Google Analytics..........................................................45
Slika 15. Usporedni prikaz metrike broja izlaza sa web lokacije na dvije izabrane web stranice
kroz vrijeme u alatu Piwik........................................................................................................47
Slika 16. Svrha koritenja alata za web analitiku..51
Slika 17. Najei koriteni alat za web analitiku meu ispitanicima.51
Slika 18. Zadovoljstvo ispitanika najee koritenim alatom za web analitiku.52
Slika 19. Zadovoljstvo ispitanika funkcionalnostima alata u smislu integracije metrika u
poslovni model kojem pripada web sjedite.53
59
Slika 20. Prikaz odgovora ispitanika na pitanje o integraciji clickstream podataka s podacima
iz drugih izvora u procesu analize. ..53
POPIS TABLICA
Tablica 1. Usporedni prikaz dva oblika dostupnosti alata prema Creese & Veytsel (2000.)...22
Tablica 2. Elementi log datoteka od vanosti za proces web analitike.....................................26
Tablica 3. Prednosti i nedostaci metodologija prikupljanja podataka u web analitici..............29
Tablica 4: Primjer prikaza New Visitor, Return Visitor i Repeat Visitor metrika u alatima za
web analitiku, prema WAA, (2008)..........................................................................................38
Tablica 5: Prikaz etiri temeljna poslovna modela i nekih od pripadajuih tipinih KPI-jeva,
prema (Peterson, 2004.)............................................................................................................41
60
PRILOG
Primjer distribuirane ankete putem alata SurveyGizmo
[ ] U poslovne svrhe
[ ] Za vlastitu web lokaciju
( ) Google Analytics
( ) Piwik
( ) Neki drugi: _________________________________________________
( ) Svaki dan
( ) 2-3 puta tjedno
( ) Jednom tjedno
( ) 2-3 puta mjeseno
( ) Jednom mjeseno
( ) Vrlo rijetko
( ) Vrlo nezadovoljan/na
( ) Nezadovoljan/na ( ) Nisam ni zadovoljan/na, ni
nezadovoljan/na
( ) Zadovoljan/na
( ) Vrlo zadovoljan/na
( ) Vrlo nezadovoljan/na
( ) Nezadovoljan/na ( ) Nisam ni zadovoljan/na, ni
nezadovoljan/na
( ) Zadovoljan/na
( ) Vrlo zadovoljan/na
61
( ) Da
( ) Ne
( ) Da
( ) Ne
( ) Da
( ) Ne
Hvala!
62
LITERATURA
Knjige i publikacije:
1. Ash, T. (2008). Landing Page Optimization: The Definitive Guide to Testing and
Tuning forConversions. Indiana: Wiley Publishing, Inc.
2. Burby, J. & Atchison, S. (2007). Actionable Web Analytics: Using Data To Make
Smart Business Decisions. Indiana: Wiley Publishing, Inc.
3. Burby, J., Brown, A. & WAA Standards Committee (2007.) Web Analytics Definitions
Version 4.0
4. Clifton, B.(2010). Advanced Web Metrics with Google Analytics (2nd ed.). Indiana:
Wiley Publishing, Inc.
5. Creese, G. & Veytsel, A. (2000). Web Analytics: Translating Clicks into Business.
Boston: The Aberdeen Group, Inc.
6. Creese, G. & Burby, J. (2005). Web Analytics Key Metrics and KPIs. Web Anlytics
Association
7. Cutroni, J. (2010). Google Analytics. Published by OReilly Media, Inc.,
8. Eisenberg, B., Quarto-von Tividar, J. & Davis., L., T. (2008). Always Be Testing: The
Complete Guide to Google Website Optimizer.
9. Gupta, R., Mehta, K., Bhavsar, K. & Joshi, H. (2013). Mobile Web Analytics.
International Journal of Advanced Research in Computer Science and Electronics
Engineering (IJARCSEE) Volume 2, Issue 3, March 2013
10. Inan, H. (2002). Measuring the Success of Your Website: A Customer Centric
Approach to Website Measurement
11. Jackson, S. (2009). Cult of Analytics: Driving online marketing strategies using web
analytics. Butterworth-Heinemann.
12. Kaushik, A. (2007). Web Analytics: An Hour a Day. Indiana: Wiley Publishing, Inc.
13. Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science
of Customer Centricity. Indiana: Wiley Publishing, Inc.
14. Omidvar, M. A., Mirabi, V. R. & Shokry, N. (2011). Analyzing the Impact of Visitors
on Page Views with Google Analytics. International Journal of Web & Semantic
Technology (IJWesT) Vol.2, No.1, January 2011
63
64
Web izvori:
Demers, T., (2013). Web Analytics Software Comparison: Identifying The Right Web
Analytics
Tools
For
Your
[Internet],
Business
<raspoloivo
na
<raspoloivo
na
[Internet],
< raspoloivo
na
<raspoloivo
na
[pristupljeno
19.6.2014.]
Rappa,
M.
Business
models
on
the
web
[Internet],
<raspoloivo
na
http://digitalenterprise.org/models/models.html>[pristupljeno 12.3.2014.]
Ropelato, J. WEB ANALYTICS REVIEW [Internet],
<raspoloivo
na http://web-analytics-
review.toptenreviews.com/>[pristupljeno 21.6.2014.]
Sharon, S. (2011). Choosing the Best Web Analytic Tools for your Web Analytics Suite [Internet],
<raspoloivo na http://blog.intlock.com/choosing-the-best-web-analytic-tools-for-your-web-analyticssuite/> >[pristupljeno 12.6.2014.]
Teixeira, J. (2011). Get Involved: 5 Types of Web Analytics tools to start using today! [Internet],
<raspoloivo
na
http://www.morevisibility.com/blogs/analytics/get-involved-5-types-of-web-
Webopedia:
Web
analytics,
[Internet],
<raspoloivo
na:
66
SAETAK
Predmet ovog istraivanja bila je analiza tradicionalnih alata za web analitiku uz pomo kojih
je mogue dobiti zanimljive i korisne informacije o ponaanju posjetitelja na web stranicama,
te njihovih funkcionalnosti i integracije u poslovne modele koje pronalazimo na webu. Treba
napomenuti kako je danas za dobivanje korisnih informacija koje pozivaju na akciju potrebno
integrirati podatke dobivene alatima za web analitiku sa podacima iz drugih izvora kako bi se
prikupljenim podacima dao kontekst, meutim proces web analitike ipak zapoinje
prikupljanjem clickstream podataka na temelju izabranih metrika u skladu s ciljevima i
karakteristikama organizacije. Alati za web analitiku imaju brojne karakteristike i
funkcionalnosti koje im omoguavaju jednostavnu integraciju web metrika u poslovne modele
na webu, ime je prihvaena postavljena hipoteza u ovome radu, ali ba zbog toga je izboru
odgovarajueg alata potrebno prii oprezno i temeljito kako bi se izvukao maksimum iz
uloenog.
Kljune rijei: web analitika, alati za web analitiku, web metrike, poslovni modeli na webu,
ponaanje posjetitelja web stranica, funkcionalnosti alata za web analitiku
67
SUMMARY
Analysis of web analytics tools was the topic of this research in order to test their capabilities
and functionalities to discover if they can be integrated in various business models on the
web. Web analytics tools help business analysts to gain useful and actionable insights, but
web analytics is a process that requires a lot of preparation and knowledge in order to gain
useful information. In other words data acquired using these traditional web analytics tools
has to be integrated with data gathered from other sources to gain better understanding of the
overall context in which visitors behave browsing through the website. Nevertheless it all
starts with choosing a proper tool and that is usually not an easy task, as choosing the wrong
tool can really put the business in jeopardy. Web analytics tools available on the market have
a lot of amazing capabilities and functionalities which allow them to be easily integrated into
business models on the web which confirms research hypothesis but there lies the reason to
carefully select the proper tool.
Keywords: web analytics tools, web analytics, web metrics, business models on the web, the
behavior of website visitors, functionality of tools for web analytics
68