Hmatatelné výstupy mého studia

• Disertační práce “Využití modelu celoživotní hodnoty zákazníka (CLV) v rámci řízení výkonnosti maloobchodních společností” je kompletně v angličtině. Provozovatelé e-shopů a digitální marketéři si tam můžou najít tři zajímavé části: 1) postupy na analýzu zákaznické báze s interaktivním bezplatným nástrojem Customer Base Analysis připraveným přes Google Colab, 2) detailní srovnání prediktivní schopnosti modelů CLV a 3) návodný postup pro využití CLV v marketingu (skočte rovnou na přílohu C).
• Akademické články jsou veřejně dohledatelné přes databázi publikační činnosti VŠE, kde lze najít 12 záznamů včetně dvou časopisů s impakt faktorem a podíl na miniknížce Role marketingu ve firmách. Nejcitovanějším článkem je Modeling and Application of Customer Lifetime Value in Online Retail z časopisu Informatics.
• Neakademické publikace a prezentace, co jsem v této době dával dohromady, občas udržuji na tomto blogu.
• Přes vedení bakalářek a diplomek jsem pomohl vzniku 4 velmi šikovných inženýrů:
  • Roman Gazárek: Digitální analytika s využitím nástroje Adobe Analytics
  • Pavel Klika: Návrh a využití modelů pro podporu geomarketingu v komerční sféře
  • Martin Pešek: Způsoby predikce dlouhodobé hodnoty zákazníka
  • Tomáš Píhrt: Optimizing Customer Lifetime Value in Retail Banking
• Podílel jsem se na výuce Business Intelligence a Business Networking, e-Business Strategies. Také jsem pomáhal připravovat předmět o IT pro markeťáky.

Co mne potkalo během studia

Během těchto zkušeností se katedra pod Otovým vedením začala více věnovat podpoře inovací, což přispělo k vzniku podni­katelskému akcelerátoru xPORT.

V té době jsme vytvářeli také startup Farfalia (chvíli také pod názvy Crossdata či Asimplia), kterým jsme chtěli přinést chytřejší způsob zapojení dat do businessu. Namísto změti grafů a čísel jsme automatizovali psaná doporučení, která přímo mířila na zlepšení výkonnosti obchodu. Bohužel nám to ze spousty důvodů nevyšlo. Někdy by se hodilo detailně popsat failstory.

Výběr školitele

Zásadním bodem, který studenta provází několik let a mění se jen při velmi vážných situacích, je volba školitele. Nejspíše je to ještě důležitější než volba tématu práce. Jsem rád, že se mi cesty zkřížily s Otou Novotným už během diplomové práce, protože mi byl po celou doktorandskou dobu umožňovatelem, nefungoval jako mikromanažer a poskytoval vždy profesionální konstruktivní zpětnou vazbu.

Měl jsem díky jeho přístupu privilegium odmítnout zapojení do různých výzkumů, na které se doktorandi typicky hodí. Nemusel jsem tak naštěstí analyzovat statistiky přihlášených studentů na univerzitu, a hlavně jsem se nemusel podílet na projektech pro různá ministerstva, což by se mi příčilo.

Týmový přístup

Univerzity mají dobře propracovaný systém, jak podporovat vědu a výzkum, což však s sebou nese neskutečné formální peklo např. v podobě financování přes interní grantovou soutěž (IGA). Já tyto formality velkých organizací bytostně neumím, takže se hodilo, že jsme velmi brzy dali dohromady tým.

Jednomu týmu jsem se zařekl, že bychom usilovali o článek s impakt faktorem. Chtěli jsme si dopřát (byť neexistující) titul IF před jméno a drželi jsme se jednoho tématu v různých obměnách. Spoiler: povedly se nám dva impaktované časopisy.

Zajímavou problematikou takového virtuálního týmu je nízká motivace, když jedinou fungující incentivou je možné vydání článku, které je minimálně rok v nedohlednu. Projektový management v takovém případě nelze dělat nátlakem. Přišlo mi dost zásadní, aby projekt pořád někdo táhnul, jinak členové při své práci mimo univerzitu, na své disertaci a osobním životě nemusí mít vždy potřebu proaktivně kontrolovat, zda se nečeká na jejich vstup. Oproti byznysu jsou akademické termíny většinou vágní a deadline nikdo nevnímá smrtelně. Měli jsme dlouhé proluky a celkově šlo o proces delší než dlouhý. Asi přirozeně do toho občas padla tvrdá prokrastinace nebo čisté zablokování, že někdo pár týdnů nemůže reagovat či přispět. Pozitivně lze říci, že nám fungovala komunikace přes e-maily, jednu dobu vedení úkolů v Githubu, ale hlavně týmové aktivity: intenzivnější sezení v čajovně a na stejcích. V případě tohoto týmu s Lenkou, Lucií, Zdeňkem a Markem (díky moc, vy čtyři!) bylo skvělé, že každý přinesl do projektu úplně jiný pohled, což je potřeba. A projevilo se to i v pořadí autorů článků.

Práce při studiu, studium při práci

Škola bývá dost flexibilní v nárocích na doktoranda. Jak i uvádí Martin Potančok v testimoniálu, ohledně časů výuky se vždy dalo dobře domluvit.

Co bych doporučil doktorandům k celému studiu

1. Výběr tématu, u kterého člověk zůstane i přes opakované pivotování, je naprosto zásadní. Osobně bych nemohl zůstat u něčeho, co by mne pořád nelákalo prozkoumávat do větší hloubky a co zároveň zažívám i prakticky. V tom ohledu jsem se školitelem prodiskutoval téma tak, aby vyhovovalo jemu, ale musel jsem si táhnout já upřesnění, co bude a nebude součástí výzkumu. Profesoři navrhují svá témata, ale berte to spíš jako hrubou oblast, ve které čekají, čeho se aktivně chopíte.
2. Úvodní rešerše literatury je podstatná již v rámci návrhu projektu ještě před samotným začátkem studia, protože nechcete objevovat kolo.
3. Pravidelně prohledávat literaturu. Specializované akademické vyhledavače mi většinou nefungovaly dobře, protože jsou příliš složité a při pokročilém vyhledávání zase naopak příliš omezují výběr. Paradoxně jsem tak byl spokojen s Google Scholar a obměnou terminologie, abych se dostal k čerstvé literatuře. Jsem vyznavač přímého a bezplatného přístupu k akademickým výtvorům, což ale nesedí na většinu potřebných článků. Takže veřejně oceňuji Sci-hub jako zázračný zdroj, přes který si můžete rychle identifikovat, zda má nějaký článek vůbec smysl oficiálně získávat. Mimo to má univerzitní knihovna dost rešeršních služeb a seminářů.
4. Rozmyslet, kterým vědcům v oboru se ozvat a v jaký moment. Až moc pozdě jsem došel k tomu, že není třeba se bát ozvat i velkým autorům o radu nebo komentář.
5. Najít si svého poradce pro nepříjemné záležitosti: mně takto radil jeden kolega s veškerými formálními akademickými tématy, ve kterých jsem se nevyznal (co jsou to predátorské časopisy, jak dát dohromady interní granty). Naopak jsem se i já snažil radit ostatním v těch částech studia, které pro mne byly pohodové. Vhodným místem na takové seznámení je třeba Applied Informatics PhD Meetup od prof. Svátka.
6. Nezatracovat na začátku béčkové konference. To jsou takové konference a časopisy, u nichž je velká šance publikovat. Myslím, že přes všechnu pachuť jsou dobré pro první ročník pro oťukání výzkumu a vyladění veškerého procesu reproduktovatelného výzkumu.
7. Udělat si vlastní plán a nenechat se namočit do jiných náročných aktivit. Už jsem zmiňoval, že univerzita nabízí spoustu příležitostí na účasti ve výzkumech, kde byste zůstali ztraceni a nepomohlo by to nijak vašemu výzkumu. Třeba správně pojaté oponentury článků a prací zaberou velké množství času, a určitě lze půlku z nich odmítnout.
8. Připravte se na komplikované vztahy mezi částmi univerzity i fakulty. Bohužel nečekejte, že škola funguje jako jeden celek – ani vůči externímu světu, a hlavně ani vůči sobě. Tímto VŠE nehaním, neb tuším, že to je takto všude.
9. Mějte trpělivost se zamítáním článků a dlouhou dobou reakcí. Procesy peer-reviews trvají sice nepříjemně dlouho (klidně několik měsíců než vůbec získáte reakci, že se bude vašemu přihlášenému článku někdo věnovat), ale při větším množství recenzentů se stávají objektivním pohledem na vaše výstupy.
10. Využijte možného prodloužení (respektive pozastavení) studia. Berte to jako přirozenou součást procesu. Já jsem během pozastaveného studia udělal největší pokroky na disertační práci.
11. Zvažte možnosti zahraničních stáží pro zapojení na výzkumných projektech nebo pro soustředění na sepsání monografie. Já jsem to osobně nevyužil, protože jsem si nemohl dovolit na půl roku chybět v domovině, ale mám na to velmi dobré reference.

Co bych doporučil doktorandům ke psaní disertační práce

1. Počítejte s tím, že všechny analýzy budete muset opakovat. Reproduktovatelnost při jakékoliv analýzy dat je naprosto klíčová. Na Courseře je na to kurz Reproducible research pro jazyk R. Vyhraďte si čas na automatizaci načítání, zpracování a výstupů dat. Nejhorší jsou ty momenty, když máte v bitmapě připravený obrázek do článku a potřebujete přejmenovat nějakou legendu. Skriptování v R, Pythonu či jakémkoliv jiném jazyku bych bral jako základ i mimo statistická témata.
2. Postupy a procesy si zaznamenávejte. Jak během skriptování, tak v průběhu zpracování dat se hodí následovat nějakou zaběhlou metodu. Mně bylo nejbližší využít CRISP-DM. Mimo jiné tvoří tyto systematické postupy dobrou kostru metodiky článků a napojení na IMRAD.
3. Ideální by bylo mít kompletně veřejné datasety i postupy – např. v Google Colab. Když se mrknete, jak kupř. vypadají codelabs pro TensorFlow, tak byste rádi, aby většina zpracování dat mohla probíhat takto systematicky a sdíleně.
4. Pište v textovém editoru, který je pro vás pohodlný. Nejsem nerdovský typ, abych mohl psát rovnou v LaTeXu, ale mám rád dobře nasázené dokumenty, takže jsem disertaci psal v LyXu, což je WYSIWYG nádstavba, a k tomu jsem měl BibDesk an organizaci literatury. Podrobněji můžete pročíst třeba podobné doporučení Adama Herouta z brněnského FIT VUT. Ve Wordu bych nepřežil citace ani neustálou kontrolu formátování. Příště bych použil něco cloudového. Bojoval jsem se šablonou práce a mnoha úskalími správného formátování. Jestli chcete mou šablonu disertace pro účely FIS VŠE, napište.
5. Nastavte si se školitelem správně očekávání ohledně jeho role. Funguje na nějaké univerzitě, že školitel audituje veškeré detaily práce? Osobně jsem nemohl očekávat, že bych měl zkontrolovánu každou větu, ale byl jsem si jist, že školitel projde logické návaznosti a strukturu práce. Nad to už spíše fungoval jako mentor. Takže jsem na pravidelné schůzky chodil se seznamem témat a otázek, kde jsem potřeboval slyšet jeho názor nebo podporu určitého směrování.
6. Sestavte a udržujte minimální kostru práce. Čím dál v procesu psaní disertace jsem více a více prioritizoval, co je naprosto zásadní (vůči domluvenému projektu, vůči cílům práce), kterou kapitolu bych mohl zredukovat na jeden odstavec a v jakém případě bych mohl i ten odstavec vypustit.
7. Ptejte se často na zpětnou vazbu. Přes kamarády z oboru a kontakty ze sociálních sítí jsem se několikrát ujišťoval, že nějaký směr výzkumu by vůbec mohl padnout na ornou půdu. Ke konci psaní mi tyto kontakty hodně pomohly s kontrolou jazykové úrovně, srozumitelnosti a čitelnosti. Ne­oddalujte sepisování výstupů pro Den doktorandů a jiné možnosti získat průběžnou zpětnou vazbu od akademické obce.
8. Hlídejte si průběžně formální a jazykovou úroveň dokumentu. Přes LyX jsem měl citace v pořádku od začátku a nemusel jsem vymýšlet nějaké zástupné symboly. Velkou část mé angličtiny mi ohlídal textový editor, něco automatizovaná kontrola v Google Docs, ale největší přínos mi nabídla služby Grammarly (zde bez affiliate linku), která mne upozornila na spoustu divně napsaných vět.
9. Pište v angličtině. Neochuzujte vědecký svět o svá poznání jen tím, že omezíte své výstupy na rodný jazyk.

Co bylo dobré na celém studiu

Velkým benefitem doktorského studia je utvrzení ve vědeckých metodách: je důležité přesně stanovit, proč a jak se bude výzkum dělat. Nemůžete si jen tak sepsat určitý závěr, pokud není podložen hodnotnými referencemi nebo silným primárním výzkumem.

Opět potvrdím štěstí na školitele, když uvedu, jak se mi pozdávalo, že přímo vedoucí katedry rozvíjí kompetenční centra pro spolupráci s praxí a podnikatelský akcelerátor Xport pro vznik globálních startupů.

Co by mohlo být děláno lépe

1. Jaká je koncepce katedry a fakulty? Čím chce být KIT VŠE nebo FIS VŠE vyhlášené? Asi nikdy jsem neslyšel vizi a ambice těchto organizací. O­ficiální profilování je příliš vágní. Jako doktorand jsem byl myslím příliš malý pán, abych měl šanci do toho mluvit. Informatika je příliš dynamický obor a výzkum by měl být orientován raději na plus pět let než dohánění mínus pěti let; což potřebuje strategický leadership.
2. Je v pořádku, že každý akademický pracovník vede svou linku, nebo by mělo být méně témat, kterými katedra žije a táhne je dopředu ve větších týmech a partičkách? Ucelenost výzkumu jsem vnímal více u jiných kateder (např. KIZI má jasnější linku stále řešit téma jako GUHA, webové ontologie apod.). Možná to souvisí i s komunikací a PR těchto témat – úplně mimo jsem třeba dobře vnímal, jak se Michal Pěchouček snaží na ČVUT rozvíjet umělou inteligenci. Když si třeba otevřete stránku Artifical Intelligence Center, tak to je prostě nabušená výzva studentům, doktorandům a dalším, aby se zapojili do super témat!
3. Atribuci mezifakultního a meziškolního výzkumu jsem vnímal jako složitou zejména vzhledem k financování, takže jsem se ani nepokoušel aktivně spolupracovat s někým z jiné univerzity. A to si myslím, že je špatně. Subjektivně vnímám články autorů z více univerzit jako robustnější.
4. Tlačit na mezinárodní rovinu výzkumu. Podle mne má smysl, aby více děl bylo primárně mezinárodních, pokud chce univerzita hrát významnou roli. Vyzývání (challenging) studentů k řešení globálních témat je jistě první priorita. Aktivní navazování mezinárodních kontaktů je na to další dílek skládanky. Mně tento typ aktivit náhodou navedl na WU Wien na CLV workshop s Peterem Faderem a Brucem Hardiem, tedy největšími kapacitami v mém oboru, kteří nakonec sepisovali i externí posudky na mou disertační práci (toť zároveň má třetí doporučená priorita v této oblasti).
5. Chápu, že je extrémně těžké udržet lidi na fakultě, aby fungovali proaktivně na rozvoji fakulty a zároveň měli zkušenosti a kredibilitu z praxe. Má být mladý nadějný vědec svázán jen ke katedře, nebo má být katedra plná hybridních úvazků profesionálů, co se občas na kampusu zastaví?
6. Týmový výzkum je rozhodně přínosná forma aktivní práce, avšak v rámci doktorského studia se silně bije s potřebami jednotlivce, kdy v našich podmínkách je disertační práce solitérské dílo. Zároveň si sebemrskačsky uvědomuji, že někteří autoři píší pouze s někým.
7. Starost o student experience (obdoba zaběhlého oboru customer experience). Podobně jako jsem já v průběhu studia měl tolik divností a neznámých a pokud bych neměl na telefonu pár známých, tápal bych a bál se zaťukat na dveře studijní referentky. Myslím, že spoustě pracovníků univerzity je zcela jedno, co a jak prožívá student na magisterském či doktorském stupni a neberou je jako své zákazníky. Úplně v posledním tažení pro mne takovou zvláštností byla kauza chlebíčky. Je totiž zvykem, že na hlavní obhajobu disertační práce donáší doktorand pohoštění. Přes 38 tisíc zobrazení mého tweetu je však důkazem, že se zde narazilo na dost velké nepochopení, že má jít o poděkování akademické obci, které nesnižuje důstojnost studenta.

Jak budu pokračovat

Fakulta projevila zájem o další spolupráci. Vzhle­dem k mé zajímavé práci v Google a početným rodinným závazkům nechci intenzivně učit, ani řešit vědeckovýzkumnou činnost navíc. Akademikem naplno tedy nikoliv. Chci však rozvíjet svou dosavadní mezidisciplinární cestu na využití IT prostředků pro analýzu zákaznické báze zejména pro marketingové účely. V tom si věřím, že mám dost postupů, které markeťáci ani šéfové firem neznají, případně znalí analytici neumí jejich přínos vysvětlit a zrealizovat.

Mnohokrát okolo mne zazněla potřeba sepsat knihu. Asi aby se s ní dávalo mávat na konferencích řka „I wrote The Book“. To ještě promyslím.

The post Postřehy z doktorského studia first appeared on Dlouhý chvost.

Má letošní cesta do USA se trefila do několika zlomových okamžiků a náhod, díky kterým jsem zažil překvapivě jiné Státy.

Doletěl jsem do New Yorku chvíli před nástupem hurikánu Sandy. Vyšel mi i jeden z posledních nezrušených letů do San Francisca, byť po třech hodinách zpoždění jsem mu už moc šancí nedával.

V San Franciscu zrovna Giants vyhráli světový pohár. Prý je to baseballový tým a prý světový pohár zahrnuje jen USA. Každopádně okolo milionu lidí bylo slavnostně v ulicích a na důkaz svého obdivu měli aspoň něco v barvách týmu, oranžové spodní prádlo minimálně.

V Mountain View jsem byl svědkem pracovního nasazení nových Američanů: Martina Smrta, Petera Fabora a Martina Botťánka.

Navrátil jsem se do New Yorku, abych tam deset dní zkoumal následky hurikánu. První den jsem objevil černý Manhattan, kde nefungovala elektřina ani telefonní signál. Bezplatné autobusy nahrazovaly zaplavené metro. Obchody byly zavřené, byť ještě nevyrabované. Dvě restaurace zkusily fungovat s klasickým grilem venku na ulici. Dopravní situaci řídili policisté se světelnými meči.

Trefil jsem do hotelu na okraji čínské čtvrti, kde jsem zažil pravou romantiku při svíčkách, ve stísněném pokoji bez oken, bez teplé vody v koupelně a s hmyzími kamarády. Slevu za diskomfort jsem od Číňana nevyhádal.

Sledoval jsem, jak se každým dnem otevírají nové stanice metra, co už nejsou pod vodou. Zaměstnanci dopravního podniku makali jako šroubi. Za pár dní proto také obnovili jízdné v celém dopravním systému.

Byl jsem na Coney Island a Brighton Beach, kde hurikán napáchal hodně škod. Lidem bez přístřeší nepomohla ani sněhová vánice, pod kterou by se Praha zhroutila. Červený kříž tam rozvážel jídlo. Náklady bahna a písku odebíraly bagry a hasiči řezali spadlé stromy.

Horní část Manhattanu nic z toho nezpozorovala. Times Square žilo stále stejným rytmem. Dostal jsem se na Broadway na divadelní hru Glengarry Glenn Rose, kde hrál Al Pacino.

V muzeu Guggenheim byla exkluzivní výstava kreseb Pabla Picassa.

Konaly se volby. Drze jsem se šel podívat do tělocvičny jedné střední školy, jak si opět zvolili Obamu.

Město New York zrušilo maraton, kvůli kterému se sjely desítky tisíc běžců. Aby jim nevychladla stehna, probíhávali Central Parkem i bez cedulek.

Poslední den jsem se před odletem šel právě po Central Parku projít a náhodou jsem narazil na příjemný venkovní koncert Klezmatics.

The post Na správném místě first appeared on Dlouhý chvost.

Cíl: analyzovat homogenitu inzerátů

Krok 1: Získání dat

• Období: Last 30 days
• Select a report type: Ads
• Name your report: Ad Performance
• Choose columns: Ad status, Campaign, Ad group, Ad, Status, Impr., Clicks, Cost, Conversions, Conv. value

Krok 2: Statistiky na úrovni reklamní sestavy

• AdGroup CTR = Clicks/Impr.
• AdGroup CPC = Cost/Clicks
• AdGroup Conversion rate = Conversions/Clicks
• AdGroup CPA = Cost/Conversions
• AdGroup CoS = Cost/Conv. value
• AdGroup ROAS = Conv. value/Cost

Krok 3: Benchmarking inzerátů

Krok 4: Vyhodnocení benchmarkingu

Omezení a rozšíření

Skvěle mi tento typ analýzy fungoval u kampaní na propagaci aplikací (Universal App Campaigns), kde je kvůli limitu reklamních textů potřeba kreativu střídat.

Pokročilí čtenáři mohou přidávat funkce pro zhodnocení, zda je rozdíl mezi inzeráty v dané metrice statisticky významný. Automaticky odfiltrovávat nízké objemy. Vybírat, pro které sestavy se hodí různé metriky. Zkoumat, zda přítomnost určitého slova či fráze zlepšuje výkonnost. Fajnšmejkři to zpracují přes BigQuery Data Transfer a udělají si strojové učení s logistickou regresí nadprůměrných inzerátů dle slov, která obsahují. V rozvíjení se zde meze nekladou.

Používáte nějaký jiný postup? Sdílejte!

The post Výběr reklamních inzerátů k úpravě first appeared on Dlouhý chvost.

S rokem 2017 jsem spokojený po všech frontách. Sorry, Supe.

Práce

Dost jsem přednášel na odborných konferencích a akcích (třeba Datares­tart nebo Per­formance & Branding Summit). Několikrát jen protože jsem neuměl organizátory odmítnout. Každopádně jsem piloval záživnost i užitečnost svých analytických témat. Příští rok chci vystupovat jen v toliko případech, kdy si budu věřit v super výkon, dobrou formu a positivní dopad na účastníky.

Zasloužíte si pejska se jménem CLV. Vystoupení na Datarestartu 2017. Foto: Medio Interactive

Dlouhodobě omezuji veřejná školení a spíše dělám individuální kurzy pro konkrétní klienty, kdy je cílem vyřešit něco specifického. Nejvíce mne bavil jeden workhop o využití BigQuery pro kombinaci dat z Analytics, Firebase a DoubleClicku. Ponechávám si jen výuku webové analytiky v Digiaka, kde vzděláváme nově nastupivší account managery marketingových agentur a vidím, že ti potřebují základní lekci analytických postupů a Google Analytics jako sůl. Bez produktové znalosti digitálního marketingu a byznysového pohledu na data jsou to jen slabí nosiči vody.

Rodina a domácnost

Generační vývoj prototypů vozu Albín.

Jistě tušíte, že žluté obálky z Aliexpressu se pod stromečkem velmi zalíbily.

• Naučit se zatáčet. Vhodný motorek na to máme.
• Dálkové ovládání na tři čudlíky. Rádiový přijímač máme.
• Přesun ovládání do cloudu přes wifi. Velká neznámá.
• Kamera.
• Neuronovka pro kontrolu překážek.
• Neuronovka pro zatáčení a sledování semaforů (pusťte si toto demo video).

Škola

Už téměř humornou historkou je, že s hvězdným CLV týmem Lenkou, Lucií, Zdendou a Markem skoro dva roky procházíme recenzními řízeními, abychom mohli publikovat první výsledky výzkumu, jak je Pareto/NBD dostatečně dobrým modelem pro predikci CLV. Vytičili jsme si podmínku získání rozumného impact factoru, a té zvednuté laťce není povoleno klesnout.

Rozepsaná disertační práce a taiwanský oolong.

Osobní projekty

Finance: Investice

Mimochodem, četli jste článek od Adama Singera, jak prospěšné je investování pro markeťáky a datové analytiky (2015)?

U dvou z aktuálně ztrátových jsem v průběhu roku dosahoval požadovaných cílových hodnot, ale nevykonal jsem žádný příkaz, ani jsem to jako variantu nezvažoval. Pamatujte tedy, že nerealizovaný profit vám může být k prdu, a lepší vrabec v hrsti, nežli ztráta na burze.

Další malou diverzifikací jsou kryptoměny. Na začátku roku 2014 jsem byl lenivý na to udělat druhý stupeň verifikace na MtGox, než jsem tam mohl poslat peníze; a tato lenost se mi vyplatila, protože o dva týdny poté bych o vše přišel. Tehdy jsem se na tři roky stal nocoinerem a dnes mi tedy nevadí, že jsem z bitcoinu neudělal bytcoin. Volalitilitou posledních měsíců a jednoduchým regresním modelem v R jsem byl zlákán k investici do této komodity.

Zdraví

• Více vnímám, co jím. Odříkám si většinu junk foodu, velmi jsem zredukoval cukříky, zařadil do jídla výrazně více zeleniny ze sezóny aspoň na stejné polokouli. Víkendové vaření dětem je také zdravé a prosté. Když totiž mícháme páté přes deváté, je nám všem blbě.
• Kromě tradičních skalních oolongů z Wuyishanu jsem se uvolil pít i taiwanské oolongy, které jsou překvapivě také skvělé. Konvička v práci je nutnost.
• Mezi jedenáctou a půlnocí jsem občas sledoval pár seriálů na Netflixu, abych místo aktivního datlování na notebooku na chvíli i vypnul. Třeba How to Get Away with Murder, House of Cards, 13 Reasons Why, Narcos, El Chapo, ale hlavně krásný seriál ze součastnosti Black Mirror.
• V Google Now jsem se zbavil veškerého doporučovaného bulváru a politických témat. Hledám něco jako Ihned pro zahraniční novinky.
• Náladička se u mne dá řídit hudbou. Díky Tereze Roučkové jsem přešel ze Spotify do firemních barev Play Music a libuji si lepším uživatelským rozhraním za stejnou cenu.
• Díky Daliboru Klíčovi jsem začal cvičit Posterior chain s Petrem Dostálem. Fyzioterapeutka při kontrole málem tleskala, jak ty cviky přesně sedí na to, co potřebuji.

Přineslo vám to něco zajímavého? Máte pro mne nějaký tip? Sepsali jste vlastní soupis roku 2017? Podělte se v komentářích.

• Jirka Chomát – #PodnikamZmeny – Rok vzhůru nohama
• Pavel Ungr - Jak je na volné noze po 4 letech?
• Jakub Drahokoupil – Jaký byl můj rok 2017 (a druhá polovina roku 2016)

• Daniel Gottwald – Jaký byl rok 2017 a plány na 2018
• Roland Vojkovský – Rok 2017: Pokašlal som kopec vecí. Aj tak to bol najlepší rok
• Miloš Lácha - Jaký byl můj rok 2017 + plány na 2018
• Gabka Koščová – Ohliadnutie za rokom 2017
• Tomáš Zdražil - Rok 2017 jsem žil naplno, nejen těch 178 dní za hranicemi
• Ladislav Výsmek – Rekapitulace roku 2017 a cíle pro rok 2018
• David Nogol - Co mi přinesl rok 2017
• Karel Dytrych - 2017: Můj nejpestřejší a nejtěžší rok
• Jiří Rostecký - Mých odvážných osm roku 2017
• František Szabó - Jaký byl rok 2017 a jaký bude rok 2018?
• Zbyněk Buřival – Diginomád - Jak se vydařil rok 2017?
• Milan Pichlík - Můj báječný rok 2017 a plány na 2018
• Zuzana Bartůšková - 5 věcí, které mě překvapily na podnikání v účetnictví
• Lenka Krsová - 12 věcí, co mě mezi řádky naučil rok 2017
• Michal Hardyn - Shrnutí roku 2017
• Veronika Hurdová – Krkavčí matka - Co mi dal rok 2017
• Pavel Drábek - Můj rok 2017

The post Rekapitulace 2017 first appeared on Dlouhý chvost.

1. Klientovi jde o výkonnost. Má tedy v AdWords měřeny důležité konverze a jejich hodnotu.
2. Většina objemu návštěvnosti a konverzí stále proudí přes desktop. Tím pádem jej lze považovat za hlavní zařízení a mobilní výkonnost tomu přizpůsobovat.
3. Na desktopu se daří optimalizovat účinnost tak, aby desktopové PNO nebo ROAS odpovídalo cílům klienta.
4. Klient ještě nemá dost konverzí (nebo jiné důvody) na to, aby ideálně používal automatické strategie nabídek targetROAS nebo targetCPA.

Vlastní sloupec v novém rozhraní AdWords

Ověření výpočtu a využití

Na co pamatovat

Dávejte si pozor, abyste měli dost dat a pracovali alespoň s desítkami konverzí. Tudíž buďto volte delší časové období (minimálně bych dával 14 dní, většinou volím 30 dní), anebo dejte kampani šanci mobilní konverze ulovit nulovým mobilním modifikátorem.

Takovýto jednoduchý přístup vám umožní získat doporučení pro mobilní bidy ihned a bez jakéhokoliv externího nástroje rovnou v místě, kde modifikátory nastavujete.

Už jste tento vlastní sloupec v novém rozhraní AdWords zkoušeli?

The post Doporučený modifikátor pro mobilní zařízení v AdWords first appeared on Dlouhý chvost.

Když skript zjistí, že včera kampaň překročila více jak 90 % denního rozpočtu, pošle upozornění na zadaný e-mail. Je proto vhodné tento skript naplánovat na pravidelné spouštění.

V novém rozhraní jděte do menu Hromadné akce > Skripty > + Přidat a níže uvedený skript vložte. Upravte pár prvních řádků v nastavení a přes Náhled vyzkoušejte, že vše proběhne dobře. Uložte a v rámci Frekvence skriptu nastavte denní spouštění v takovou ranní dobu, že budete moci na upozornění reagovat.

Technicky skript používá AWQL dotaz na BUDGET_PER­FORMANCE_REPOR­T. Data se neukládají nikam průběžně, pouze se vyhodnotí a pošlou výsledky do e-mailu. V této verzi je skript určen pro jeden konkrétní účet, nikoliv pro MCC.

Skript si stáhněte z Githubu nebo překopírujte:

Berte, že jde o velmi primitivní skript na pár řádků. Budu rád za jakékoliv (podněty k) vylepšení a zpětnou vazbu z užívání.

The post Budget Guard first appeared on Dlouhý chvost.

1. Abyste mohli R využívat, musíte si ho nainstalovat.Na­instalujte si jádro R a nějaké příjemné uživatelské rozhraní pro lepší obsluhu – doporučuji open source program RStudio, který umí pracovat lokálně i serverově. Jste-li úplní Rkoví zelenáči, zkuste si základy jazyka osvojit v bezplatném online kurzu na Code School.
2. Nainstalujte si ďábelsky úžasný balíček RGoogleAnalytics od Tatvic, který přes API tahá do rozhraní data z Google Analytics. Abyste balíček zprovoznili, musíte doinstalovat pár potřebných rozšíření, jmenovitě např. jimi httr, lubridate, RCurl, bitops… Instalace krok po kroku je shrnuta zde. 
3. Zařiďte přístup k vašim Google credentials. Založte si projekt v Google Developers Console. V seznamu APIs si pro tento projekt zapněte Analytics API. V Credentials si založte nový Client ID. V rámci vašeho projektu vás na kartě Credentials zajímá Client ID a Client Secret. Jedná se o jednu z autorizačních technik Google Analytics. Uživatelské jméno a heslo jsou zastaralé způsoby ověření a neměly by se používat. Pokud tápete, zkuste tento návod.

Postupně budete spouštět v konzoli různé scripty, na jejichž konci vás čeká tabulka dat vytáhnutá z Google Analytics. Popis příkazů je rozepsán na blogu Tatvic, detailnější vhled případně zde.

Autorizujte přístupy aplikace. V první vlně ověříte přístup aplikace k vašemu účtu Google Analytics. Jen si pamatujte, že access token vyprší po 60 minutách, kdy si ho budete muset obnovit příkazem ValidateToken(to­ken).

require(RGoogleAnalytics)


client.id <- "xxxxxxxxxxxxxxxxx.apps.googleusercontent.com"


client.secret <- "xxxxxxxxxxxxxxxxxxxxxxxx"


token <- Auth(client.id,client.secret)


save(token,file="./token_file")

Vyvolání příkazů a čekání na autentifikaci v prohlížeči.

Čeho chcete dosáhnout je úspěšná autentifikace.

4. Získávejte data o vstupních stránkách z vyhledávačů. V další vlně si napíšete dotaz pro API Google Analytics.

query.list <- Init(start.date = "YYYY-MM-DD",


end.date = "YYYY-MM-DD",


dimensions = "ga:date,ga:landingPagePath",


metrics = "ga:entrances,ga:pageviews",


max.results = 10000,


sort = "-ga:date",


filters = "ga:medium==organic;ga:keyword!@název domény",


table.id = "ga:xxxxxxx")


ga.query <- QueryBuilder(query.list)


ga.data <- GetReportData(ga.query, token, paginate_query = TRUE)

Stěžejní je pro vás příkaz Init(), přes který formulujete parametry dotazu na Google Analytics. Přes GetReportData() můžete povolit měření v případě překročení povolených Core Reporting API limitů. V příkladu výše chceme pro konkrétní den vytáhnout seznam všech vstupních stránek pouze pro návštěvy z vyhledávačů. Analýzu omezíme jen na generické fráze. Jsou vyloučeny návštěvy z brandových dotazů, které výrazně vychylují aktivní brandové PPC. Tento seznam si v tomto případě obohacuji o pageviews metriky jako je počet vstupů, zobrazení stránek.

Metrik si můžete vyžádat více. Stačí se inspirovat v kompletní databázi platných kombinací metrik a dimenzí. Pokud občas používáte rozšíření Google Analytics pro Google Spreadsheets, sémantiku dotazů máte v malíku. Nebojte. R je hodné a za každý krok vedle vám řekne, co přesně jste udělali špatně.

Pokud se cítíte ztraceni, vždy můžete sáhnout po nápovědě – help(Init), help(GetRepor­tData).

ga.data$date <- as.Date(ga.data$date, "%Y%m%d")

Kontrola správného tvaru data po převedení.

6. Získejte počet vstupních stránek

Počet unikátních vstupních stránek z vyhledávačů po jednotlivých dnech (dimenze ga:date) získáte za pomoci agregace dat – kombinace vzorce aggregate() a proměnné length, která vrací počet složek seznamu (případně sum pro součet). Ze všech získaných hodnot si udělejte tabulku, zde nazvanou landing.pages. Výsledný dataset je o dvou sloupcích, kdy v prvním sloupci je časová osa (v našem případě po dnech) a v druhém sloupci hodnoty o počtu vstupních stránek.

Sloupce si můžete přejmenovat tak, aby vašemu jazyku seděly více.

names(landing.pages) <- c("Reporting Period","Count of Landing Pages")

Dokonce můžete načrtnout i předpokládaný vývoj za pomoci funkce HoltWinters().

Nikdy se nepouštějte do vyhodnocování počtu vstupních stránek bez znalosti trendu návštěvnosti. Počet návštěv na jednu vstupní stránku roste s lepšími pozicemi a vyšší hledaností tématu. Rostoucí počet vstupních stránek s klesajícím podílem není na první pohled žádná hitparáda. Opravdu ne? Na určité stránky vám uživatelé chodí přes pestrou škálu dotazů. Rozhodnete se tedy jejich obsah rozdělit do více stránek. Rozšiřujete informační strukturu, ale zároveň očekáváte, že podíl vstupů na tyto stránky bude nižší, resp. se rozloží mezi více stránek. Jindy jste provedli strojové odstraňování duplicitních stránek a očekáváte pokles vstupních stránek za rostoucího vývoje průměrné návštěvnosti na stránku.

query.list <- Init(start.date = "YYYY-MM-DD",


end.date = "YYYY-MM-DD",


dimensions = "ga:date,ga:keyword",


metrics = "ga:entrances",


max.results = 10000,


sort = "-ga:date",


filters = "ga:medium==organic;ga:source=@seznam;ga:keyword!@název domény",


table.id = "ga:xxxxxxx")

query.list <- Init(start.date = "YYYY-MM-DD",


end.date = "YYYY-MM-DD",


dimensions = "ga:date,ga:source,ga:landingPagePath",


metrics = "ga:entrances",


max.results = 10000,


sort = "-ga:date",


filters = "ga:medium==organic;ga:keyword!@název domény",


table.id = "ga:xxxxxxx")

landing.pages.s <- aggregate(landingPagePath ~ date+source, ga.data, length)

plot(landing.pages.s$date[landing.pages.s$source=="seznam"], landing.pages.s$landingPagePath[landing.pages.s$source=="seznam"], type="l")

Vstupní stránky představují obraz zájmu uživatelů o naše webové stránky. Aby se o nás ale mohli zajímat, musí nás vidět. Proto byste měli mít přehled i o zájmu vyhledávačů o vaše stránky. Sledujte jak vývoj počtu vstupních stránek z vyhledávačů, tak i počet zaindexovaných či dokonce crawlovaných stránek. Na měření botů jsou různé postupy, například odchytávat si access logy, nebo třeba přes Universal Analytics – jen buďte obezřetní, abyste si spíše neuškodili. Třeba zpomalením načítání stránek jako v druhém uváděném případě. Nízká míra zaindexovanosti značí možné problémy při průchodu robota, nebo při zařazování do indexu. Nízký poměr zaindexovaných stránek vůči crawlovaným může znamenat hodně stránek v Supplemental Indexu. Vyšší tendence robota crawlovat web je i přirozený důsledek častých změn obsahu webu nebo větších strukturálních změn.

Monitorování počtu vstupních stránek by se mělo stát milou rutinou. Můžete ho sledovat přímo v Google Analytics, nebo opět využít trochu té svěží automatizace. Například přes R, který nabízí řadu možností, jak z dat vytěžit maximum. V článku není prostor na podchycení jeho komplexnosti, ale každý si v něm najde své.

Důležité je se nikdy nesmířit s absolutním číslem vybrané metriky, ale nahlížet na ni z různých stran. Vývoj počtu unikátních vstupních stránek odráží předpokládaný vývoj vámi implementovaných změn, ale taky dává varovné signály nečekaného. My jsme například nedávno kontrolovali, jak rychle vyhledávače reagují na přechod webu na novou doménu. Dává smysl na trend nahlížet ve vztahu atraktivity pro uživatele (CTR, návštěvnost) či zájmu robotů o stránky (pozice, indexace vs. crawlování). Je také důležité sledovat, jak měnící se struktura vstupů ovlivňuje další metriky, jako jsou transakce, či rozvržení dotazů, přes které uživatel jednotlivé stránky nachází.

Stáhněte si obsáhlejší markdown včetně scriptů, které po otevření v RStudiu budete moci rovnou spouštět klávesovou zkratkou Ctrl+R. Najdete v něm podrobněji rozepsané příkazy včetně návodu na tvorbu hladkého grafu s více liniemi a vedlejší osou.

Dočetli jste až sem a stále nemáte dost? Přijďte se nachytřit 16. 6. na SEO restart 2017.

Díky za zajímavé postřehy k článku Pavlu Jaškovi.

Na další se budu těšit od vás. Jak a kdy byste informace o vstupních stránkách využili vy?

The post Automatizace při sledování počtu vstupních stránek first appeared on Dlouhý chvost.

3 nejlepší přednášky

1. Frederick Vallaeys – automatizace správy PPC kampaní. Skvělá sbírka praktických tipů pro správce PPC kampaní ohledně rozhodování, jak na veškeré potřebné nastavení výkonnostních kampaní. Mašiny nechme automatizovat, my řešme více koncepty, nastavování testů či velkých marketingovýchex­perimentů a pišme úžasné reklamy. Začít můžete s rozšířenými textovými inzeráty v AdWords, které si vaše mozkové závity zaslouží. Auto­matizace a skripty pak taky pomáhají objevit nové strategie.
2. Lucie Šperková – aplikovaný výzkum multikanálových atribučních modelů dotažený od A do Z. Od první imprese do poslední konverze. Dobře uchopený sběr dat, vlastní implementace statistických modelů a jasný tah na pomoc byznysu, jak více růst i v omezeném prostředí. Zdvojnásobení konverzí a jejich hodnoty při lepší účinnosti. Lucie taky ukázala, že ta­kovýto aplikovaný výzkum může být skvělým benefitem a odlišující prvek digitální agentury škálovaný přes více klientů. A jak ukázal nejen Frederick, statistika a programování je pro to zásadní znalost.
3. Kevin Hillstrom – srovnávání e-commerce s profesionálním sportem otevřelo oči v mnoha oblastech, které firmy dělají málo, vůbec či špatně. Analýza účinnosti marketingových kanálů bez řešení, co a komu prodávám, je nedostatečná. Protože od Kevina dlouhodobě louskám každý článek, knížku i všechny tweety, tweet i knížku, kterou vydává, vím, jak důležitá je zákaznická analytika, simulace vývojů zákaznické báze i prodávaných produktů a jak důležité je tlačit nejen na zákaznickou retenci, ale i správně ohodnocenou akvizici zákazníků, protože to je příprava živné půdy pro budoucí profit (ha, CLV!).

3 zásadní témata

1. Kdo netestuje, nemá jak ukázat výsledky. Před­náška Lukase Vermeera a všechny další, které jen zavadily o pojem A/B testování, potvrdily, že zásadní poznatky pro zvýšení obchodního výkonu a konkurenceschop­nosti plynou z vlastních experimentů, ověřování inkrementality, silných hypotéz a samozřejmě i chyb při tom způsobených.
2. Data & kreativita nefungují bez sebe. Chytré využití malých i velkých dat, mnoho vlastního a aplikovaného výzkumu, čtení vhodné literatury, hodiny strávané nad korelačními maticemi a explorativními analýzami budou markeťáky čím dál více posouvat a odlišovat od sebe. To vše ruku v ruce s kvalitativní stránkou toho, co se tvoří: včetně veškeré komunikace, co a proč se zákazníkům říká v různém kontextu. Michal Pastier ukázal, kolik konceptuální a datové práce je za tak „jednoduchou“ kam­paní jako Fofola a že to není jen výstřelek kreativní agentury kvůli získání prestižní oborové ceny, ale promyšlená věc s jasným positivním dopadem na výsledovku firmy. Kombinace datové a kreativní práce by mohla přičeřit více štik, které to natřou velkým firmám, které si myslí, že nemají čas řešit byznys jinak než obchodní silou.
3. Černou práci delegujte robotům. Manuálními úpravami zjištěte, jak věci dělat správně, ale pak je naskriptujte, naprogramujte či jinak automatizujte. Využívejte autobidding v PPC kampaních, ať se mašinka popere s nastavením mobilních modifikátorů a predikcí, ve kterou denní dobu na jakém zařízení budou uživatelé více konvertovat. Své nejlepší kreativy nechte poprat během programmatického nákupu displejových kampaní.  Vy se pak můžete zaměřit na dělání správných věcí, co vaši firmu dokáže dlouhodobě udržet konkurenceschopnou a co může umožnit její další růst. Ať již to je hledání unikátních výrazů unicorn keywords, práce s využitím poznatků z psychologie pro zlepšení zákaznické zkušenosti ne­bo volba správných KPI s marketingovým aktivitám, abyste neměřili svůj úspěch přes CTR.

3 konkrétní cesty, jak budu příští týden aplikovat poznatky

1. Udělám analýzu dis­tribuce konver­zní úspěšnosti růz­ných produktů v kampaních přes Google Nákupy. V tom mají mí čeští e-commerce klienti potenciál vydělat peníze. Zkusím také Frederickův skript na predikci výkonu produktových výrazů.
2. V reportech atribuce AdWords dat se podívám, ve kterých situacích by se data-driven atribuce mohla rozhodovat pro bidování lépe než last-click model. V tom je potenciál růstu.
3. Analýzou podobnou skriptu Pavla Adamčáka a Sama Ondrišáka se zaměřím na překryvy klíčových slov mezi kampaněmi stejného účtu. V tom je potenciál pro zvýšení kvality kampaní.

Při vysoko nastavené laťce z minulých let bylo jasné, že se pozornost účastníků bude upírat na spoustu drobností typu, že pěna v capuccinu nepřipomíná logo #mktfest nebo že přednášející zapomíná na předminulý čas ve své angličtině. Všechny další nedostatky beru jako součást ostravského dobrodružství a marketingové výuky: boj s ur­gencí při rezervování ubytování, s nedostatkem včasně přijíždějících taxíků či s hledáním nejkratších fron k drinkům je živý výzkum faktorů ovlivňujících zákaznickou zkušenost. Kéž by se podobně intenzivně řešili i připomínky zákazníků ve firmách s takovou intenzitou, jako se jednoduše vypisovaly na twitter 

Jindřichu Jindříči, díky moc za skvělou konferenci.

Další reporty z #mktfest

• Honza Felt: Sports, UX, and Hurting Brains
• H1.cz: Ohlasy z Marketing festivalu, den 1: Umění není s daty pracovat, ale správně je číst a analyzovat, pokračování: den 2
• Martin Brablec: Jak mohli copywriteři přežít Marketing festival 2016 a ještě si něco odnést
• Zdeněk Dvořák: Co mi dal Marketing Festival 2016
• Jarda Vidim: To nejlepší z Marketing Festivalu 2016 + slovenská verze
• Rasa Urbonaite: Main Takeaways and Top 8 Most Important Quotes from Marketing Festival in Ostrava
• Jakub Vlček: Datový (marketingový) festival 2016
• Klára Stehlíková: Mar­keting festival: data + emoce = VSL
• Mediaguru -stk-: Pro SEO je obsahová relevance stále důležitější
• Oliver Meres: Marketing Festival 2016: Worth it?
• Sławomir Borowy: 3 wizje, które przywiozłem z Marketing Festival 2016
• Lukáš Krejča: 4 highlights from Marketing Festival 2016
• Elvinas Karalis: Marketing Festival @ Ostrava: world-class boredom
• Martin Smutek: Nejlepší dřysty z Marketing Festivalu!!!
• Lucie Vaníčková: Mar­keting Festival: Budoucností jsou data a automatizace
• Petr Michl: Marketing Festival 2016: Reklamy na Fofolu vás naučí zásady kvalitních postav a příběhů
• Anna Kotarbová: Mar­keting Festival očima AdVisio: Roboti, cupcaky a Vikingové
• Proof & Reason: Postřehy z Marketing Festivalu
• Martin Koky: Co nového přinesl Marketing Festival v Ostravě?
• Michal Vaníček: Být či nebýt na Marketing Festivalu?
• INIZIO Internet Media: Postřehy z Marketing Festivalu
• Kristina Hartman: Nenuťte mě přemýšlet! aneb Psychologie skrytá za konverzemi
• Jarosław Miszczak: Dlaczego warto pojechać na Marketing Festival? Relacja z konferencji
• Lenka Fučíková: Před­nášela jsem na Marketing festivalu
• Jan Verner: Takový byl Marketing festival 2016
• Lenka Čvančarová: Mar­keting festival, vydání IV.
• Jakub Kotál: Marketing Festival 2016 – Kolik atribučních modelů znáš, tolikrát jsi člověkem
• daren&curtis: Mar­keting Festival 2016 očami dareňákov

The post #mktfest 2016: Mozkové závity budou potřeba i v plně automatizovaném marketingu first appeared on Dlouhý chvost.

Aktualizace z června 2022: návod z tohoto článku odpovídá verzi Universal Analytics. Pokud toto téma řešíte pro Google Analytics 4, využijte principy z tohoto článku pro platebních brany dle seznamu od Miroslava Pecky.

1. Zapomínání UTM parametrů u bannerové reklamy, retargetingových služeb, newsletterů či transakčních e-mailů. Důsledkem je, že vám návštěvnost pak padá do odkazujících zdrojů, přímé návštěvnosti nebo navyšuje přístupy z dřívějších zdrojů. Buďte, prosím, důslednější: nastavte si procesy, používejte co nejvíce automatické značkování (umí to např. Sklik, AdWords či Mailchimp) nebo aspoň nástroje usnadňující značkování.
2. Zneužívání UTM parametrů na měření interní propagace. Návštěvník přicházející z kampaně, který se proklikne na označkovaný banner na vaší vlastní titulní stránce, bude rozdělen do dvou samostatných návštěv a případná objednávka bude přiřazena interní propagaci a kampaň nemá nic. Buďto využívejte Justinův postup nebo možnosti v rozšířeném měření e-commerce.
3. Nevylučování platebních bran v nastavení měřeného webu. Toto se týká internetových obchodů, které umožňují platbu službami třetích stran. Níže popisuji podrobně, jak problém identifikovat, zjistit jeho dopady a jak jej vyřešit.

Problémy s platebními branami

Návštěvník platící na e-shopu např. přes Paypal přechází přes doménu paypal.com. To Google Analytics pochopí jako přechod z jiného odkazujícího zdroje než odkud přišel, vytvoří novou návštěvu a dokončená objednávka je přiřazena paypal.com / referral.

Jak poznat, zda máte problém s platebními branami?

paypal.com|pa­yu.com|secure­.avangate.com|mer­chant.webmo­ney.ru|checkou­t.wire­card.com|worldpa­y.com|ups.com|so­fort.com|(acs­.)?fio.cz|mban­k.eu|internet­banka.cz|moje­platba.cz|eras­vet.cz|paysec­.cz|gpesecure­.com|i-shop.homecredit­.cz|gopay|gpweb­pay|servis24­.cz|klient(1|2)­.rb.cz|unicre­ditbanking.net|ta­trabanka.sk|pla­tebnibrana.csob­.cz|mbank.pl|3dse­cure.mbank.(cz|sk)|ban­kmillennium.pl|on­line.ingbank.pl|e­bank.db-pbc.pl|ingban­k.pl|aliorban­k.pl|cap.attem­pts.securecode­.com|3dsecure2?­.csas.cz|ib24­.csob.cz|(ib|3dse­cure).slsp­.sk|acs4.3dse­cure.no

Jak poznat, zda vám to přepisuje kampaně

Ukážu to na příkladu PPC kampaní. V reportu Konverze > Vícekanálové cesty > Nejčastější konverzní trasy si vytvořte Segment konverzí, který vybere jen cesty obsahující Médium cpc nebo display a zároveň v té cestě má poslední interakce Médium rovnající se referral.

Podmínka Médium == referral nutně neznamená, že jde o platební bránu, ale pomůže vám identifikovat další možné neoznačené odkazující zdroje, které nemám v seznamu výše. S aplikovaným konverzním segmentem se podívejte, jaké cesty ke konverzi jsou ovlivněny.

Vidíte, že zde je 95 konverzí špatně přiřazeno Paypalu, ačkoliv by měly spadnout pod Google AdWords. Podobných cest byste našli najdete v dalších řádcích reportu více. Pro určení celkového dopadu použijte stejný konverzní segment v rámci přehledu Konverze > Atribuce > Nástroj porovnávání modelů. Nastavte atribuční model na Poslední nepřímý proklik, který Google Analytics používá ve všech standardních přehledech.

Vyloučení odkazující domény

Díky tomuto nastavení Google Analytics nebude návštěvu štěpit na nový odkazující zdroj a návštěva i konverze budou přiřazeny reálnému zdroji.

Úprava se projeví během pár hodin, ale neovlivní historická data. Zákazníci, kteří byli teď špatně označeni platební branou, avšak vracejí se na web stále napřímo, budou mít své další návštěvy ještě přiřazené platební bráně. Tato informace se upraví buďto časem (když si Google Analytics po 6 měsících přestane zdroj uživatele pamatovat) nebo příchodem přes jiný neplacený zdroj. I na obrázku výše vidíte, že po úpravě nastavení konverze přes Paypal nepadly úplně na nulu.

Podstatné je, že vám u kampaní i neplacených zdrojů začnou správně přiřazovat dávno ztracené konverze: a je už jen na vás, jak s nimi naložíte.

Znáte-li další domény, které nemám v seznamu, prosím o doplnění v komentářích. Díky moc Adamu Šilhanovi a Andrému Hellerovi za první reakce.

The post Nenechte platební brány přepisovat zdroj konverzí first appeared on Dlouhý chvost.

1) Výkonnost (performance)

Jedeme podle plánu? Jak jsme od něj daleko?

Sem zařazuji zejména absolutní metriky výše tržeb, zisku, hodnoty zákaznické báze a jejich srovnání se stanovenými cíli.

Příklad: chtěli jsme mít každý měsíc v prvním čtvrtletí alespoň 1 000 objednávek. V lednu jsme měli jen 650, takže jsme od cíle hodně vzdáleni.

2) Účinnost (efficiency)

Děláme věci správně? Co máme dělat lépe?

Sem zařazuji zejména finanční pohledy na CPA, PNO, ROAS, ROI, CLV či jiné zhodnocení návratnosti. V druhé fázi pak konverzní poměr, CTR, počet návštěv na konverzi, průměrná hodnota objednávky atd.

Příklad: 650 objednávek s hodnotou 1 300 000 Kč jsme získali za celkových 65 000 Kč. CPA bylo 65 000/650 = 100 Kč, PNO = 65 000/1 300 000 = 4,81 %. To vypadá dobře.

3) Efektivita (účelnost, effectiveness)

Děláme správné věci? Máme dělat něco jinak?

Sem zařazuji pro obchody kontrolu, které kategorie zboží se prodávají přes různé typy kampaní.

Také tomu můžete říkat účelnost, v angličtině použijete přídavné jméno effective.

Příklad: V lednu jsme propagovali výprodej skladových zásob odšťavňovačů. Ze 650 objednávek se výprodejové odšťavňovače objevily jako položka jen v 50 objednávkách, tj. 50/650 = 7,69% shoda. Téměř jsme se nezbavili těch skladových ležáků, takže to nehodnotíme positivně.

Historicky jsem se pro takové definice inspiroval jednou knihou od Voříška, kde to takto aplikoval na nákup IT služeb. 

The post Výkonnost, účinnost a efektivita first appeared on Dlouhý chvost.