वेब विश्लेषिकी: सभी संख्याएँ समान रूप से उपयोगी नहीं हैं

हमसे लगातार पूछा जा रहा है: Google Analytics में डेटा एकत्र करने में क्या त्रुटि है? किस काउंटर पर भरोसा करना बेहतर है? क्या सभी विसंगतियों से छुटकारा पाना और उपस्थिति की सटीक संख्या प्राप्त करना संभव है?

हम हमेशा जवाब देते हैं: त्रुटि आमतौर पर लगभग 10% है, सटीकता में कोई स्पष्ट नेता नहीं है, सभी त्रुटियों को दूर करना असंभव है - यह तकनीक कैसे काम करती है।

लगभग कोई भी यह नहीं समझता है कि विश्लेषण के परिणाम को प्रभावित करने के लिए गलत डेटा संग्रह एकमात्र त्रुटि नहीं है। यहां तक ​​कि पूरी तरह से एकत्र किए गए डेटा हमें साइट पर आवश्यक संकेतकों की सही गणना करने की अनुमति नहीं देंगे (सबसे पहले, रूपांतरण का प्रतिशत)। एकत्र किया गया डेटा पर्याप्त नहीं हो सकता है! हर कोई इसे समझता है: यदि केवल 15 आगंतुक साइट पर आए और उनमें से कोई भी ऋण आवेदन पत्र नहीं भर पाया, तो रूपांतरण के बारे में बात करना जल्दबाजी होगी। तो सामान्य ज्ञान हमें बताता है; लेकिन हम किस बिंदु पर कह सकते हैं कि पर्याप्त डेटा है? क्या मुझे अन्य 100 यात्राओं की उम्मीद करनी चाहिए? 200? 500?

जब हम एक विज्ञापन अभियान चलाते हैं, तो हम प्रत्येक आगंतुक के लिए भुगतान करते हैं। वेब विश्लेषिकी डेटा हमें यह बताना चाहिए कि कौन से विज्ञापन बजट को बर्बाद कर रहे हैं, कौन से कीवर्ड हमारे लिए अधिक महत्वपूर्ण हैं। हमें जल्द से जल्द परिणाम जानने की आवश्यकता है! वह कब तैयार होगा?

इस समस्या को हल करने में सामान्य ज्ञान एक सहायक नहीं है। तथ्य यह है कि सांख्यिकीय संकेतकों के विश्लेषण में हम यादृच्छिक प्रक्रियाओं के साथ सामना कर रहे हैं। हमारा मस्तिष्क एक समान प्रक्रिया की कल्पना करने की कोशिश कर रहा है: यदि साइट पर रूपांतरण 10% है, तो हमें लगता है कि हर दसवां भाग होगा:



यहां तक ​​कि अगर हम समझते हैं कि वास्तविकता अलग दिखती है, तो भ्रम से छुटकारा पाना मुश्किल है: "कुछ रूपांतरणों की प्रतीक्षा करें और सटीक डेटा प्राप्त करें"। वास्तव में, यह प्रक्रिया बहुत अधिक अराजक है, उदाहरण के लिए:



इसका मतलब है कि सीमित संख्या में विज़िट के साथ, यहां तक ​​कि आगंतुकों, विचारों, रूपांतरणों की संख्या पर सटीक डेटा होने के बावजूद, हम भविष्य की बिक्री की सटीक भविष्यवाणी नहीं कर सकते। ऐसा कोई डेटा नहीं है जो गणना किए गए संकेतकों में दृढ़ विश्वास प्रदान करता है: हम केवल रूपांतरण के "वास्तविक" प्रतिशत का अनुमान लगा सकते हैं।

अच्छी खबर है: हम उस सटीकता का अनुमान लगा सकते हैं जिसके साथ हमने इस गुणांक की गणना की और महसूस किया कि क्या यह सटीकता हमारे लिए पर्याप्त है, या यदि हमें अधिक डेटा की प्रतीक्षा करने की आवश्यकता है। मैं गणितीय गणना में नहीं जाऊंगा, सैद्धांतिक भाग बता रहा हूं। मैं केवल दो सरल सूत्र दूंगा जिनके द्वारा आपको आवश्यक संख्याओं की गणना करना आसान है।

गणितीय आँकड़ों की मुख्य अवधारणा जिसे प्रत्येक विश्लेषक को सीखना चाहिए वह है विश्वास अंतराल। यह वह सीमा है जिसमें हमारे द्वारा आवश्यक मूल्य का सही मूल्य झूठ हो सकता है: उदाहरण के लिए, रूपांतरण दर। सामान्य तरीके से गणना रूपांतरण मूल्य (उदाहरण के लिए, Google Analytics द्वारा) इस अंतराल के अंदर कहीं निहित है; रूपांतरण का सही मूल्य (जिसे हम केवल अंतहीन ट्रैफ़िक पर सीखते हैं) भी संभवतः इसके अंदर स्थित है।

सबसे अधिक संभावना है!

हां, हम केवल पूर्ण सटीकता के साथ कह सकते हैं कि रूपांतरण गैर-नकारात्मक है (और सौ प्रतिशत से कम)। गणितीय सूत्र हमें एक आत्मविश्वास अंतराल बनाने में मदद करेंगे जिसमें एक वास्तविक रूपांतरण बहुत संभावना है। हमारे अनुमान के लिए संभावना वितरण इस तरह दिखता है:



डेटा सैंपल में वृद्धि के साथ, घंटी संकरी हो जाती है, और इस बात की संभावना बढ़ जाती है कि सही मूल्य मापा गया के करीब है। हम चुनते हैं कि विश्वसनीयता को पर्याप्त माना जाता है। एक ही वक्र से विभिन्न आत्मविश्वास अंतराल का निर्माण किया जा सकता है। चार्ट दो विकल्प दिखाता है (लाल और हरा)।

चलो व्यापार के लिए नीचे उतरो। आइए विज्ञापनों में से एक के रूपांतरण के लिए विश्वास अंतराल की गणना करें - "एक डिस्काउंट पर एक हाथी खरीदें!"। उदाहरण के लिए, Google Analytics में हम 143 विज़िट और इस विज्ञापन के लिए 2.1% रूपांतरण देखते हैं। हम इस विज्ञापन की तुलना दूसरे के साथ करना चाहते हैं ("मास्को में डिलीवरी के साथ हाथी") - इसमें 184 विज़िट और 2.7% रूपांतरण हैं - और सबसे अच्छा एक का चयन करें। कई विपणक पहले ही निष्कर्ष निकाल चुके हैं कि दूसरा विज्ञापन बेहतर है, लेकिन हमें इसे गणितीय रूप से जांचने की आवश्यकता है।

विश्लेषण शुरू करने से पहले, हम एक महत्वपूर्ण निर्णय लेते हैं: क्या विश्वसनीयता पर्याप्त होगी। मानक मानों का उपयोग करना सबसे सुविधाजनक है जो गणनाओं को सरल बनाते हैं: ये 68%, 95% और 99.7% हैं (इन्हें क्रमशः "एक सिग्मा", "दो सिग्मा" और "तीन सिग्मा" कहा जाता है)। मैं अधिकतम आत्मविश्वास (तीन सिग्मा) के साथ गिनती करना चाहूंगा, लेकिन यह अंतराल का विस्तार करता है और अक्सर इसे पूरी तरह से एकरूप बनाता है।

सूत्र जो हमें इस तरह दिखने में मदद करेगा :

।

जहाँ R सरल विभाग द्वारा गणना रूपांतरण गुणांक है, N विज़िट की संख्या है, और α सिग्मा की संख्या है, अर्थात माप सटीकता।

68% की सटीकता के साथ, पहले विज्ञापन का रूपांतरण 0.8% से 3.3% की सीमा में है ; 1.7% से 3.8% तक दूसरा विज्ञापन रूपांतरण।

हतोत्साहित, है ना? दक्षता की तुलना करना असंभव है: अंतराल चौराहा। दोनों विज्ञापन नेता हो सकते हैं। अगर हम 95% की संभावना के लिए अंतराल का निर्माण करना चाहते हैं, तो वे दो बार विस्तृत होंगे। हमें डेटा के लिए प्रतीक्षा करने की आवश्यकता है, और परेशानी यह है कि हम यह भी नहीं जानते हैं कि ये अंतराल "बिदाई" और एक नेता उभरता है: यह वास्तविक रूपांतरण दरों के अंतर पर निर्भर करता है। आमतौर पर, निश्चितता के लिए, आपको प्रत्येक विज्ञापन (एक शब्द, अभियान या अन्य खंड जिसका रूपांतरण हम मानते हैं) के लिए लगभग सौ रूपांतरणों की आवश्यकता होती है। कृपया ध्यान दें: हमारा सूत्र केवल तभी अच्छी तरह से गणना करता है जब रूपांतरण 30% से अधिक न हो।

लेकिन क्या होगा यदि हमारा विज्ञापन एक भी रूपांतरण न उत्पन्न करे? टॉड हमें गला घोंटने लगता है: चलो विज्ञापनों को बंद करें और बजट को बचाएं!
पिछले रूपांतरणों के अनुसार शून्य रूपांतरणों की गणना नहीं की जा सकती है: यह पता चलता है कि 0 सटीक परिणाम है। ऐसा नहीं है। यदि हमारे पास 0 रूपांतरण और एन विज़िट हैं, तो विश्वास अंतराल को सरल माना जाता है :

• एक सिग्मा के लिए (आत्मविश्वास 68%): 0 से 1.15 / N तक अंतराल
• दो सिग्मा (95% आत्मविश्वास) के लिए: 0 से 3 / एन तक अंतराल
• तीन सिग्मा (99.7% आत्मविश्वास) के लिए: 0 से 6 / एन तक का अंतराल।

यदि हमारे पास तीसरा विज्ञापन ("एक मैच के रूप में हाथी") है, जिसके परिणामस्वरूप एकल रूपांतरण के बिना 93 आगंतुकों का परिणाम होता है, तो हम केवल एक सिग्मा की निश्चितता के साथ कह सकते हैं कि इसका रूपांतरण 1.2% से नीचे है। यह घोषणा "हाथी विद डिलेवरी" से भी बदतर है, लेकिन "हाथी पर छूट" के बारे में बात करना जल्दबाजी होगी। इस जगह के अधिकांश लोग आश्चर्यचकित हैं, और कुछ भी नहीं मानते हैं: क्या सब कुछ वास्तव में इतना अस्थिर है? हालांकि, बड़े अभियानों के संचालन का अनुभव केवल रूपांतरणों की यादृच्छिक प्रकृति की पुष्टि करता है और इस तथ्य पर कि पहले सौ सेकंड पर "शून्य" विज्ञापन एक अच्छा परिणाम दिखाना शुरू कर सकता है।

लोकप्रिय एनालिटिक्स टूल हमारे लिए इन मूल्यों पर विचार क्यों नहीं करते हैं? मैं केवल अटकलें लगा सकता हूं। यह जानकारी रिपोर्ट को महत्वपूर्ण रूप से जटिल करेगी, और सबसे महत्वपूर्ण बात, अप्रिय सत्य को उजागर करेगी: इन रिपोर्टों में स्मार्ट और सटीक संख्याओं की ध्यान देने योग्य संख्या वास्तव में बेकार और खतरनाक भी है (यदि आप सामान्य ज्ञान पर भरोसा करते हैं)। मतगणना त्रुटियों के बारे में भूल जाने के बाद, आप एक प्रभावी विज्ञापन अभियान को रोक सकते हैं, इसे असफल मानते हुए, विज्ञापन का एक बुरा संस्करण चुन सकते हैं, गलत तरीके से विज्ञापन बजट वितरित कर सकते हैं या एसईओ रणनीति विकसित करते समय गलती कर सकते हैं।

Google वेबसाइट ऑप्टिमाइज़र के लिए आत्मविश्वास अंतराल उत्कृष्ट हैं, वेबसाइटों पर परीक्षा परिणामों का संचालन और विश्लेषण करने के लिए एक उपकरण। ऑप्टिमाइज़र केवल निष्कर्ष निकालता है जब यह आश्वस्त हो जाता है कि अंतराल में "विचलन" है और पृष्ठ के विकल्पों में से एक अन्य नमूनों के रूपांतरण में सांख्यिकीय रूप से बेहतर है।



कई उपकरण इस डेटा को "हुड के तहत" खाते में लेते हैं: उदाहरण के लिए, Yandex.Direct घोषणा के बारे में केवल तभी निष्कर्ष निकालता है जब वह पर्याप्त डेटा एकत्र करता है और परिणाम के बारे में सुनिश्चित होता है। बेशक, हमारे लिए उन्हें ट्रैफ़िक रिपोर्टों में देखना दिलचस्प होगा, ताकि दृष्टि से अनुमानों में गलती न हो। आप एक्सेल के लिए एक स्क्रिप्ट लिख सकते हैं जो स्वचालित रूप से आत्मविश्वास अंतराल की गणना करता है, लेकिन इसके लिए निरंतर डेटा अपलोड की आवश्यकता होती है। आप इन सिस्टम और बाहरी स्क्रिप्ट के एपीआई का उपयोग करके इस कार्यक्षमता को मीट्रिक या Analytics में जोड़ सकते हैं।

क्या हम प्रत्येक विज्ञापन के प्रदर्शन के मूल्यांकन के लिए सैकड़ों रूपांतरणों की प्रतीक्षा करने के लिए मजबूर हैं? यह एक आदर्श समाधान होगा, लेकिन आमतौर पर असंभव: पर्याप्त विज्ञापन बजट नहीं है। समयपूर्व घातक निर्णय न लेने का प्रयास करें (उन विज्ञापनों को हटाएं या संशोधित करें जो दिवालिया साबित नहीं हुए हैं) जब तक कि सांख्यिकीय रूप से महत्वपूर्ण परिणाम प्राप्त नहीं होते हैं; जबकि कुछ भी नहीं रोकता है, उदाहरण के लिए, उन पर क्लिक करने की लागत को अस्थायी रूप से कम करें।

मध्यवर्ती लक्ष्यों का रिकॉर्ड जोड़ना उपयोगी है: उदाहरण के लिए, उत्पाद को टोकरी में रखना एक इच्छुक खरीदार का संकेत है, लेकिन पुष्टि की गई खरीदारी की तुलना में इस तरह के रूपांतरण अधिक होंगे, इसलिए आप पहले एक सांख्यिकीय महत्वपूर्ण परिणाम देखेंगे। और उसी समय, मूल्यांकन करें कि असुविधाजनक चेकआउट प्रक्रिया के कारण कितने लोग साइट छोड़ देते हैं!

संख्याओं में निराश न हों, लेकिन लुकआउट पर रहें: फिर आप कार्रवाई के लिए एक मार्गदर्शक देख सकते हैं जहां अन्य केवल गंदे झूठ पाते हैं।