I artikeln är exemplen från Google Analytics, men tipsen stämmer även om ni använder andra webbanalysverktyg som Matomo eller Google Analytics App + Web.

Innehåll
1. För mycket helikopterperspektiv
2. För mycket detaljerat perspektiv
3. Inte förstå vad olika begrepp betyder
4. Felaktiga inställningar och inga filter i Google Analytics
5. Inga mål (nyckeltal) i Google Analytics
6. Inte minskat på antal unika rader (unika webbadresser)
7. Inte kontrollerat om personuppgifter lagras
8. Inte satt upp dashboards i Google Data Studio
9. Inte arbeta med hypoteser
10. Inte dokumentera analyser
11. Inte avsätta tid för analys och uppföljning
Sammanfattning

1. För mycket helikopterperspektiv

Det är lika viktigt att ha ett helikopterperspektiv på data som att se djävulen i detaljerna i den.

Att tolka och analysera data är svårt. Även om alla siffror är korrekta är det lätt att tolka dem fel. Ett vanligt misstag är att titta för mycket på de övergripande siffrorna, till exempel mätvärden som antal besök (sessioner), sidvisningar eller avvisningsfrekvens utan att ställa dem i relation till något annat.

Skärmdump från Google Analytics gränssnitt och rapporten Startsida.

"Startsidan" i Google Analytics är till för att få helikopterperspektiv på er statistik.

Den typen av siffror behöver brytas ner för en del av webbplatsen eller för en viss grupp av användare, segment, för att säkerställa att ni ni inte gör felaktiga tolkningar. När en uppdelning sker kan det visa sig att mätvärdena i föregående stycke skiljer sig åt. Det är först ni börjar titta på olika perspektiv på er data som ni gör en analys.

Övergripande siffror, mätvärden, ska alltid brytas med hjälp av segment, delar av webbplatsen och över olika tidsperioder innan slutsatser kan dras.

2. För mycket detaljerat perspektiv

Men det kan bli lika fel om analysen av siffror blir för detaljerad. Om ni bara tittar på detaljerna för en viss del av webbplatsen kanske ni missar något som är viktigt på en annan del av webbplatsen. Risken är att ni dra slutsatser från detaljer som gör att mer övergripande problem missas. Genom att lösa ett övergripande problem kan ett detaljerat problem lösas samtidigt. Men sällan tvärtom.

Google Analytics består av olika delar och i en analys behöver ni titta på de olika delarna för att få olika perspektiv på hur webbplatsen används.

Ett vanligt misstag är att fördjupa sig inom en viss del av Google Analytics men inte titta på övriga delar som finns. Till exempel att titta på beteende-rapporterna men inte titta på målgrupps- eller förvärvsrapporterna.

Det är en balansgång på en knivsegg att inte titta för mycket eller för lite på ett mer övergripande eller detaljerat plan. När ni borrat er ner i data behöver ni zooma ut för att sedan zooma in igen. Utifrån den tid som ni har tillgäng för att göra en analys behöver ni hinna med att zooma in och ut ett par gånger.

3. Inte förstå vad olika begrepp betyder

I webbanalys och Google Analytics finns hundratals olika begrepp. En del är tydliga och en del är otydliga. Ett vanligt misstag är att anta vad ett begrepp är och många av begreppen borde haft andra namn för att vara tydligare.

Begrepp som användare, återkommande användare, unika sidvisingar, kanalen direkt, tid på sida, sessionslängd och många andra begrepp kanske inte alltid definieras som ni tror. 

4. Felaktiga inställningar och inga filter i Google Analytics

Den data som kommer in i Google Analytics är nästan helt obearbetad. Om en webbplats har en relativt ny installation av Google Analytics är många inställningar rätt men om det är en gammal installation av Google Analytics kan till exempel inställningar för att sortera bort bottrafik vara avslagen.

I Google Analytics kan inställningar görs på olika nivåer för att bearbeta den data som skickas från er webbplats.

Förutom konkreta inställningar finns det också möjlighet att lägga till egna filter för att filtrera bort data, lägga till data och bearbeta data. I samband med att Google Analytics sätts upp ska ni se till att filter läggs upp till exempel för att ta bort data som inte är relevant och göra data likformig (till exempel att sökord alltid ska ha små bokstäver).

Om inte rätt inställningar är gjorda kan de leda till en att mätvärden för antal sessioner, besök, antal användare är för många. Resultatet blir att engagemangsvärden som sessionslängd, tid på sida och avvisningsfrekvense (engagemangsfrekvens) inte blir korrekta.

On demand-webbinarium - Kom igång med webbanalys

5. Inga mål (nyckeltal) i Google Analytics

I Google Analytics kan så kallade mål sättas upp för att följa upp viktiga interaktioner på webbplatsen. Ett mål kan sättas upp för att användare har besökt en viss sida eller att en viss händelse har skett. Till exempel att besökarna i ett flöde har kommit till den sista sidan, tacksidan.

Ett mål är en siffra som är viktigt att följa upp över tid. Ofta kallas det för ett nyckeltal eller på engelska för KPI, Key Performance Indicator. Att ha nyckeltal gör det enklare att fokusera på det övergripande perspektivet.

Att sätta upp mål i Google Analytics gör det enklare att följa upp de effektmål ni har med webbplatsen.

En utmaning kan vara att det kan vara svårt att sätta upp nyckeltal som mål i Google Analytics på grund av begränsningar i vad som kan sättas som mål. Till exempel om engagemangsvärden ska användas som nyckeltal. Då är det bättre att sätta upp en dashboard med nyckeltalen, se misstag nummer 9 nedan. Det är lika mycket ett misstag att tänka att ens nyckeltal måste vara mål i Google Analytics eftersom begränsar vilken typ av mätvärden som kan användas. Då är det bättre att att sätta upp nyckeltalen i ett dashboardverktyg som Google Data Studio.

6. Inte minskat på antal unika rader (unika webbadresser)

En del rapporter i Google Analytics har tabeller med många rader. I de flesta fall är det rapporter som listar sidor. Ofta är det många fler rader i tabellen än vad det är sidor på webbplatsen. I Google Analytics definineras en sida som en unik webbadress.

Att det finns flera unika webbadresser än sidor på webbplatsen beror oftast på att frågeparametrar läggs på en webbadress. Exempel på en webbadress med frågeparametrar är:

https://www.metamatrix.se/?frageparameter1=varde

När frågeparametern har ett unikt värde per besök blir det många extra rader eftersom varje unikt värde för frågeparametern blir en unik rad. I de flesta fall har de sidorna bara en (1) sidvisning.

Om ni har ett par hundra sidor på webbplatsen ska ni ha ungefär lika många rader i tabeller som listar sidor i Google Analytics. I exemplet ovan har webbplatsen ett par hundra sidor.

Endast frågeparametrar som tillför något i en analys ska vara kvar i Google Analytics. Annars ska de tas bort med hjälp av funktionen i Google Analytics för att ta bort frågeparametrar. Ett alternativ i komplicerade fall är att använda filter-funktionen i Google Analytics för att ta bort parametrar.

Inställningen för frågeparametarar ändras i Google Analytics inställningar.

7. Inte kontrollerat om personuppgifter lagras

Ett skäl till ha många unika rader i sidrapporterna i Google Analytics kan vara att frågeparametrars värden innehåller unika värden. En vanlig källa till unika värden är personuppgifter som e-postadresser, personnummer, användarnamn och liknande. Det är både mot Google Analytics avtal och bryter förmodligen mot dataskyddsförordningen, GDPR.

Personuppgifter får inte skickas till in till Google Analytics. Personuppgifter behöver tas bort innan de skickas in till Google Analytics antingen i Google Tag Manager eller i kod. Att ta bort personuppgifter med inställningen för att ta bort frågeparametrar eller med filter är inte korrekt.

Ett annat misstag ur GDPR-perspektiv är att inte anonymisera IP-adresser vilket är en inställning som behöver göras i kod eller Google Tag Manager.

8. Inte satt upp dashboards i Google Data Studio

En dashboard kan användas för att presentera de viktigaste nyckeltalen för webbplatsen tillsammans. Alternativet är att klicka sig omkring i Google Analytics varje gå viktiga nyckeltal ska tas fram. När det är lätt och smidigt att följa upp nyckeltalen kommer ni också följa upp dem. Dashboards kan skapas i verktyg som Google Data Studio eller Klipfolio.

Exempel på en enkel dashboard som anger de viktigaste nyckeltalen, men också ger möjlighet till viss förståelse kring varför nyckeltalen förändrats.

I en dashboard ska det vara lätt att se om era nyckeltal har förändrats över tid, till exempel i jämförelse med samma tidsperiod förra året. Om det sker en förändring som ni inte direkt kan identifiera varför den sker kan ni göra en fördjupad analys i Google Analytics för att utforska vad förändringen beror på. Dashboards är bra för att snabbt se om nyckeltal förändrats medan Google Analytics är för att att göra fördjupande analyser. Rätt verktyg ska användas vid rätt tillfälle.

9. Inte arbeta med hypoteser

Ett vanligt misstag i webbanalys är att surfa runt planlöst i Google Analytics och försöka hitta något som ser intressant ut att följa upp. Det finns en risk att det det ni finner inte är relavant att följa upp. Det är därför ofta bäst att arbeta utifrån en hypotes eller frågeställning för att ha fokus i analysen.

En hypotes kan till exempel vara ”ökningen av antalet medlemsansökningar beror på att användare kommer tillbaka efter första besöket”. Ofta leder den inledande hypotesen till andra frågeställningar och hypoteser och för varje omgång av hypoteser får ni en djupare och djupare förståelse för vad något beror på. Genom att dokumentera vilka hypoteser som testas är det lättare att över tid se vilka analyser som redan gjorts.

10. Inte dokumentera analyser

Ett vanligt misstag, som kan vara förödande för ens trovärdighet, är att inte kunna säga hur vi kommer fram till en viss insikt eller slutsats. Ni ska kunna svara på frågan: Vilka siffror bygger slutsatsen på och hur har de bearbetats? Ett enkelt test är att fråga sig själv om vi framåt i tiden skulle kunna göra exakt samma analys men för en annan tidsperiod. 

Den enklaste lösningen är att ta anteckningar vid en analys i ett Word-dokument eller annat liknande program. I Google Analytics kan webbadressen för en rapport kopieras för att snabbt kunna gå tillbaka till den. Skärmdumpar och skärminspelningar kan också vara till hjälp för att spara alla delar i en analys.

Exempel på hur analyser kan dokumenteras i kod i verktyget RStudio.

Det finns också verktyg för att göra mer avancerade analyser, till exempel i Jupyter, R Notebooks, Apache Zeppelin eller Observerable. De har gemensamt att alla steg i analysen, hämta och bearbeta data, görs med kod. Eftersom det är kod blir det enkelt att ändra tidsperiod och sedan göra samma analys igen. Nackdelen är att inlärningströskeln är hög och det krävs kunskap i programmeringsspråk som Python, R eller Javascript.

11. Inte avsätta tid för analys och uppföljning

Det vanligaste och mest förödande misstaget är att inte avsätta tid för analys och uppföljning i Google Analytics och andra verktyg. Ofta beror det på att analys och uppföljning prioriteras lågt i jämförelse med andra arbetsuppgifter. Vi vill gärna arbeta data-drivet, vara långsiktiga och ständigt förbättra vår webbplats men operativa uppgifter som behöver lösas nu kommer före.

Det finns ingen lätt lösning på tidsbrist. Dashboards kan vara en lösning för att det ska vara enklare att koninuterligt följa upp de viktigaste nyckeltalen. Men det behövs också tid att göra fördjupande analyser. Om övriga misstag i den här artikeln åtgärdas blir tiden som behöver läggas mindre när övergripande data ska följas upp men även när fördjupningar behöver göras.

Sammanfattning

I den här artikeln har vi tagit upp några av de misstag som vi själv gjort och som vi stöter på när vi arbetar med digital analys och webbanalys med många kunder. När vi är medvetna om vilka misstag vi kan göra det blir det enklare att göra rätt.

Om du tycker innehållet i den här artikeln var intressant kanske även följande artiklar är intressanta: