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.

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
2

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

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
4

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

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.
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.

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.

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.

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.

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
10

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

11

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
12

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.
13

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

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

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.

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.

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.

17

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
18

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
19

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

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.

21

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

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.

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.
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.

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
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

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

26

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:

27

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.).

28

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

Metodologija
Web logovi

Prednosti

Jednostavno procesiranje

Nedostaci

povijesnih podataka

Nema problema s

cachiranih stranica

vatrozidom posjetitelja

Praenje robota trailica od

Nemogunost zabiljeavanja

Zahtjeva samostalno spremanje i

arhiviranje podataka

vanosti za procjenu efekata

Roboti trailica poveavaju broj

posjetitelja

SEO napora

Tagiranje stranica

Nema problema s

praenjem cachiranih
stranica

procesa dovode do gubitka podataka

Vatrozid posjetitelja moe

Prikupljanje i obrada

onemoguiti poketanje JavaScript

podataka u skoro realnom

koda

vremenu

Pogreke tijekom implementacijskog

Nemogunost praenja robota

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

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 thirdparty 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
30

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

31

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

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

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.

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.

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

35

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.).

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

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

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.

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

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.

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

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

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.

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.

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.

43

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).

44

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
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

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 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

konfiguriranja na serveru i injenica da

ovisnost o serveru organizacije moe imati negativan utjecaj na kvalitetu prikupljenih

podataka.

5.2.3. Page tagging alati

Piwik
Piwik je open-source alat koji prua vrijedne podatke o posjetiteljima, uinkovitosti
marketinkih kampanja u svrhu bolje optimizacije online strategije organizacije. Prednosti
upotrebe ovog alata ukljuuju kontrolu nad podacima s obzirom na to da je ovaj alat dostupan
kao softver, prilagodljivo korisniko suelje, rangiranje kljunih rijei i real-time izvjea o
prometu na stranicama, mogunost blokiranja URL-ova i IP adresa po elji, mogunost izvoza
podataka u raznim formatima, mogunost segmentacije podataka te mogunost praenja vie
web lokacija istodobno. Jedna od funkcionalnosti alata Piwik je i usporedni grafiki prikaz
metrika kroz vrijeme (slika 15).
Slika 15. Usporedni prikaz metrike broja izlaza sa web lokacije na dvije izabrane web
stranice kroz vrijeme u alatu Piwik

Izvor: screenshot autora

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

IBM Unica NetInsight

IBM Unica NetInsight je vrlo napredan alat za web analitiku i prvenstveno je namijenjen
velikim organizacijama. Prednosti su mogunost vrlo fleksibilne izrade izvjetaja, mogunost
analiziranja puta posjetitelja po web stranicama, prilagodljiva kontrolna ploa prema
potrebama razliitih korisnika te mogunost integracije s alatima za poslovnu inteligenciju i
CRM alatima. Nedostatak je visoka cijena alata zbog orijentiranosti prema velikim
organizacijama.

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

5.2.4. Rezultati i analiza podataka prikupljenih anketom

Anketni upitnik koji je posluio da se na uzroku od 16 ispitanika utvrdi zadovoljstvo
koritenjem alata za web analitiku je priloen na kraju ovog diplomskog rada, a sastojao se od
ukupno 8 pitanja. Prvo pitanje je bilo namijenjeno dobivanju odgovora na pitanje koriste li
ispitanici alate za web analitiku u poslovne svrhe ili za analizu podataka na vlastitim web
sjeditima, a bilo je mogue odabrati oba ponuena odgovora a rezultati su prikazani na slici
16 gdje je vidljivo da 12 od 16 ispitanika (75%) alate za web analitiku koristi u sklopu posla
koji obavljaju dok ih 62.5% koristiti za prikupljanje podataka o posjeti vlastitih web sjedita.
Slika 16. Svrha koritenja alata za web analitiku

Slika 17. Najei koriteni alat za web analitiku meu ispitanicima

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.

Slika 18. Zadovoljstvo ispitanika najee koritenim alatom za web analitiku

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

Slika 19. Zadovoljstvo ispitanika funkcionalnostima alata u smislu integracije metrika u

poslovni model kojem pripada web sjedite

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:

Slika 20. Prikaz odgovora ispitanika na pitanje o integraciji clickstream podataka s

podacima iz drugih izvora u procesu analize

53

Na 7. pitanje Vrite li odreene akcije na temelju informacija koje dobijete analizom

podataka dobivenih alatima za web analitiku? negativno se izrazi samo jedan ispitanik to je
vrlo dobar rezultat s obzirom na to da dobiveni podaci bez poduzetih akcija ine proces web
analitike gotovo besmislenim. 8. pitanje se odnosilo na uspjeh u postizanju promjena na web
sjeditu akcijama poduzetim koristei dobivene informacije u procesu web analitike na koje je
odgovorilo 15 ispitanika koji su se potvrdno izjasnili na prethodnom pitanju, a rezultati su
takoer izvrsni gdje je samo jedan ispitanik zakljuio kako nije uspio materijalizirati dobivene
podatke u procesu web analitike.

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

Naime istraivanjem je utvreno da je konkurencija na tritu alata za web analitiku zaista

velika, stoga svi proizvoai uglavnom nude proizvode sa standardnim funkcionalnostima i
metrikama koje definira Web Analytics Association, kao to su metrike o broju posjetitelja
(Visitors), pregleda web stranica (Page views), o vremenu provedenom na web lokaciji (Time
on site) ili o izvoru prometa (Referrers) na temelju kojih je mogue kreirati do 300 razliitih
izvjetaja (Kaushik, 2007) koji e na neki nain koristiti barem jednu od navedenih metrika.
Stoga, da bi se diversificirali, proizvoai alata esto stavljaju naglasak na neke posebne
funkcionalnosti. Primjer je Crazy Egg, alat sa izrazito razvijenom funkcionalnou
vizualizacije posjetiteljeva kretanja po web stranicama ili GoingUp alat koji nudi
funkcionalnosti za poboljanje SEO rezultata korisnika. U svakom sluaju prilikom izbora
alata za web analitiku potrebno je dobro analizirati potrebe i ciljeve organizacije, te u skladu s
tim definirati kljune indikatore performansi (KPI) koji se razlikuju u ovisnosti o vrsti web
lokacije organizacije i poslovnim procesima pa su tako metrike koje su vane za jedan
poslovni model manje vane ili nevane za drugi.
Za web lokacije koje nude sadraj na temelju kojeg ele ostvarivati prihod putem oglasa u
pravilu moraju voditi rauna o metrikama kao to su broj posjeta u odreenom vremenskom
razdoblju, broj pregledanih stranica za vrijeme jedne posjete korisnika, trajanje posjete ili
stopu klikova na oglase (CTR).
Web sjedita iji je primarni cilj informiranje korisnika mogu za kljune indikatore
performansi postaviti metrike koje mjere djelotvornost interne trailice ili trajanje posjete
korisnika.
Web sjedita iji je glavni cilj prodaja proizvoda ili usluga za kljune indikatore performansi
e postaviti metrike koje mjere stope konverzije, prosjenu koliinu ili vrijednost narudbe.
Organizacije koje putem svoje web lokacije prikupljaju bazu potencijalnih klijenata bit e
takoer zainteresirane za stope konverzije ili za analizu odustajanja od procesa registracije.
U svakom sluaju to god bio cilj organizacije kljuni aspekt procesa web analitike je
djelovanje na temelju dobivenih informacija odnosno implementaciji promjena to je zadnja
faza u procesu koji ukljuuje i definiranje ciljeva, definiranje kljunih pokazatelja
performansi, prikupljanje i analizu podataka. Promjene su nune jer se sve mijenja u svijetu
Internet poslovanja velikom brzinom, te organizacije moraju posjetitelje svojih web lokacija
staviti u sredite pozornosti na nain da se iskoriste razni izvori podataka koji predoavaju
56

kompletnu sliku ponaanja posjetitelja na web sjeditu to je omogueno tijekom godina

evolucijom alata za web analitiku od jednostavnog prikupljanja clickstream podataka do
sofisticiranog alata koji omoguava iitavanje vrlo sloenih informacija potrebnih za
donoenje kvalitetnih poslovnih odluka.
Postavljena hipoteza je prihvaena i na temelju obrade primarnih podataka prikupljenih
anketiranjem uzorka od 16 ispitanika koji imaju iskustvo s alatima za web analitiku, bilo kroz
posao koji obavljaju ili analizirajui podatke sa vlastitih web sjedita gdje se 87.5% ispitanika
pozitivno izrazilo o vlastitom iskustvu integracije alata za web analitiku u poslovne modele
web sjedita na temelju raznih funkcionalnosti koje alati posjeduju.
Ipak treba naglasiti i to da jo uvijek postoje i odreene manjkavosti alata za web analitiku, i
to prvenstveno u pogledu faze prikupljanja podataka s obzirom na to da niti jedna od trenutno
dostupnih tehnologija nije savrena, to se posljedino odraava na kvalitetu i kvantitetu
prikupljenih podataka. Bez obzira na injenicu da greke u procesu prikupljanja podataka ipak
postoje, mogue je iz prikupljenih podataka iitati vrlo korisne informacije posebno u
pogledu trendova koji se javljaju na web stranicama kroz vrijeme. Rezultati analiza e
svakako ovisiti i o znanju web analitiara, meutim izbor alata za web analitiku je klju
uspjeha s obzirom na to da ni najbolji analitiar nee biti u stanju izvui korisne informacije iz
podataka dobivenih upotrebom neadekvatnih alata.
Pri izboru adekvatnog alata treba voditi rauna o potrebama organizacije, mogunostima
organizacije odnosno o snazi IT kadra, karakteristikama i funkcionalnostima alata, nainu
kojim alat prikuplja podatke, ukupnom troku alata (TCO) koji ne ukljuuje samo eventualnu
cijenu koju treba platiti za alat nego jo i brojne druge skrivene trokove, o vrsti podrke koju
nudi proizvoa, o mogunostima segmentacije podataka, o mogunostima izvoza podataka i
integraciji podataka iz vanjskih izvora. Nain prikupljanja podataka alatom za web analitiku
mora se dobro prouiti s obzirom na prednosti i nedostatke dostupnih metoda koji mogu imati
veliki utjecaj na kvalitetu prikupljenih podataka.
Dobra praksa prilikom izbora alata za web analitiku moe biti probni period koritenja jednog
od besplatnih alata, ukoliko je to mogue, kako bi se to bolje i jasnije mogle identificirati
potrebe organizacije. Dobar poetak bi svakako mogao biti Google Analytics, koji je vrlo
moan besplatan alat dostupan kao usluga putem web preglednika, jer ne zahtjeva ak ni
registraciju (ukoliko korisnik posjeduje Google raun, mogua je prijava direktno u suelje
alata). Alternativa mu moe biti Piwik, alat koji ima vrlo sline funkcionalnosti kao i Google
57

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

Zadovoljstvo koritenjem alata za web analitiku

1) Alat za web analitiku koristim:*

[ ] U poslovne svrhe
[ ] Za vlastitu web lokaciju

2) Alat koji (najee) koristim:*

( ) Google Analytics
( ) Piwik
( ) Neki drugi: _________________________________________________

3) Koliko esto vrite analizu/provjeravate kontrolnu plou alata?*

( ) Svaki dan
( ) 2-3 puta tjedno
( ) Jednom tjedno
( ) 2-3 puta mjeseno
( ) Jednom mjeseno
( ) Vrlo rijetko

4) Stupanj zadovoljstva alatom kojeg (najee) koristim:*

( ) Vrlo nezadovoljan/na
( ) Nezadovoljan/na ( ) Nisam ni zadovoljan/na, ni
nezadovoljan/na
( ) Zadovoljan/na
( ) Vrlo zadovoljan/na

5) Koliko ste zadovoljni funkcionalnostima vaeg alata u smislu integracije metrika u

poslovni model kojem pripada web sjedite?*

( ) Vrlo nezadovoljan/na
( ) Nezadovoljan/na ( ) Nisam ni zadovoljan/na, ni
nezadovoljan/na
( ) Zadovoljan/na
( ) Vrlo zadovoljan/na

61

6) Koristite li dobivene clickstream podatke alatima za web analitiku skupa s podacima iz

drugih izvora koji kako bi dobili kontekst za clickstream podatke?*

( ) Da
( ) Ne

7) Vrite li odreene akcije na temelju informacija koje dobijete analizom podataka

dobivenih alatima za web analitiku?*

( ) Da
( ) Ne

8) Ako je va odgovor na prethodno pitanje pozitivan jeste li uspjeli postii promjenu na

bolje akcijama poduzetim na temelju dobivenih informacija, inae preskoite ovo pitanje.

( ) 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

15. Peterson, E.T. (2004). Web Analytics Demystified: A Marketer's Guide to

Understanding How Your Web Site Affects Your Business. Celilo Group Media and
CafePress
16. Singh, G. & Chawla S. (2012). Understanding and Elevating the Web Practice through
Web Analytics. International Journal of Computers &Technology Volume 2 No.2 April
2012
17. Singh, S. , Makkar, A., Singh, N. (2011). A Metrics Based Approach to Analyse Web
Usage Pattern, International Journal of Computers & Technology, Volume 1 No.1
Dec. 2011
18. Tkalac Veri, A., Sini ori, D. & Poloki Voki, N. Prirunik za metodologiju
istraivakog rada: Kako osmisliti, provesti i opisati znanstveno i struno istraivanje
19. Waisberg, D. & Kaushik, A. (2009).Web Analytics 2.0: Empowering Customer
Centricity
20. Waisberg, D. & Kaushik, A. (2009).Web Analytics 2.0: Empowering Customer
Centricity Part II
21. Web Analytics Association (2008). Web Analytics Definitions Draft for Public
Comment
22. Zara, I. A., Velicu, B. C., Munthiu, M. C. & Tuta, M. Using Analytics for
Understanding the Consumer Online.
23. Zelenika, R. (1998). Metodologija i tehnologija izrade znanstvenog i strunog djela.
EF Rijeka

64

Web izvori:
Demers, T., (2013). Web Analytics Software Comparison: Identifying The Right Web
Analytics

Tools

For

Your

[Internet],

Business

<raspoloivo

na

http://searchengineland.com/web-analytics-software-comparison-identifying-the-right-webanalytics-tools-for-your-business-149373> [pristupljeno 22.6.2014.]

Dragon, N. (2012). Free Web Analytics [Internet], <raspoloivo na http://web-analyticsreview.toptenreviews.com/free-web-analytics.html> [pristupljeno 14.6.2014.]

Gartner (2014). Application Service Provider (ASP) [Internet],

<raspoloivo

na

http://www.gartner.com/it-glossary/asp-application-service-provider> [pristupljeno 4.5.2014.]

Investopedia (2014). Return On Investment ROI

[Internet],

< raspoloivo

na

http://www.investopedia.com/terms/r/returnoninvestment.asp> [pristupljeno 18.4.2014.]

Jantsch, J. (2012). The 10 Smartest Web Analytics Tools [Internet],

<raspoloivo

na

https://www.americanexpress.com/us/small-business/openforum/articles/the-10-smartestweb-analytics-tools/> [pristupljeno 12.6.2014.]

Oberoi, A. Top 30 Web Analytics Tools - Google Analytics Alternative [Internet], <raspoloivo na
http://www.adpushup.com/blog/web-analytics-tools-google-analytics-alternatives/>

[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-

analytics-tools-to-start-using-today.html> [pristupljeno 3.6.2014.]

Webopedia:

Web

analytics,

[Internet],

<raspoloivo

na:

http://www.webopedia.com/TERM/W/Web_analytics.html> [pristupljeno 16.3.2014.]

65

Wikipedia: Data analysis, [Internet], <raspoloivo na:

http://en.wikipedia.org/wiki/Data_analysis> [pristupljeno 16.4.2014.]

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