Je draait een eigen rapport in je analytics-tool. Er staat: "Dit rapport is gebaseerd op 100.000 sessies. Niet-gesamplede data: 1.250.000 sessies." Je rapport gebruikt schattingen op basis van 8% van je echte data.
Datasampling gebeurt als analytics-tools niet al je data kunnen verwerken en daarom schatten. De schatting is vaak nauwkeurig genoeg, maar het zijn nog steeds niet je echte cijfers.
Wat datasampling is en waarom tools het gebruiken
Het probleem: te veel data om te verwerken
Analytics-tools verwerken miljoenen events per seconde voor miljoenen websites. Elk datapunt in realtime verwerken is niet praktisch. Is het verkeer hoog genoeg, dan schakelen tools van alles tellen over op een deel nemen en extrapoleren.
Hoe sampling werkt
De tool kijkt naar 10% van je verkeer. Hij berekent meetwaarden uit die 10%. Daarna vermenigvuldigt hij de uitkomst met 10 om het totaal te schatten. Toont de steekproef 5 conversies, dan schat de tool 50 conversies in totaal. Het is een wiskundige schatting, geen echte cijfers.
De samplingsnelheid verschilt per tool en verkeersniveau
Sommige tools beginnen te samplen bij 100.000 sessies per maand. Andere bij 1 miljoen. Sommige gratis abonnementen samplen agressiever dan betaalde. Hoe hoger je verkeer, hoe agressiever de sampling.
Sampling is (soms) transparant
Goede tools zeggen het als ze samplen. Er verschijnt een melding "Deze data is gesampled." Slechte tools vermelden het niet. Je denkt dat je naar echte cijfers kijkt, maar het zijn schattingen.
Wanneer datasampling gebeurt
In Google Analytics
De gratis versie van Google Analytics samplet als je eigen rapporten maakt die de verwerkingslimiet overschrijden (meestal rond 1 miljoen events). Premium-versies samplen bij veel hogere drempels. Bevat je rapport veel data, dan is sampling waarschijnlijk.
In realtime-rapporten
Realtime-data wordt bijna altijd gesampled, omdat echte realtime-data voor elk event rekenkundig onmogelijk is. Realtime-dashboards tonen schattingen die vaak worden bijgewerkt, geen exacte cijfers.
In complexe eigen rapporten
Hoe meer dimensies en meetwaarden je in een rapport opneemt, hoe waarschijnlijker sampling wordt. Een simpel rapport "verkeer per bron" is misschien niet gesampled. Een gedetailleerd rapport met 10 dimensies en eigen meetwaarden kan zwaar gesampled zijn.
De impact van datasampling
Schattingen liggen meestal dicht bij de echte cijfers
Samplingalgoritmen zijn geavanceerd. Een steekproef van 10% die naar 100% is geëxtrapoleerd, is vaak binnen een paar procent nauwkeurig. Voor beslissingen op hoofdlijnen zijn de schattingen goed genoeg.
Sampling werkt slecht bij kleine aantallen
Neem je 10% en zoek je conversies van één specifieke verkeersbron, dan zie je in de steekproef misschien nul, terwijl er in werkelijkheid een paar waren. De schatting wordt "nul conversies" terwijl het er twee of drie waren. Kleine aantallen worden vertekend.
Vergelijkingen worden minder betrouwbaar
Conversiepercentages van twee verkeersbronnen vergelijken met gesamplede data is gevaarlijk. Je concludeert misschien dat bron A beter presteert dan bron B, terwijl het verschil alleen samplingfout is.
Trendanalyse wordt minder nauwkeurig
Bij gesamplede data komt er ruis bij het volgen van stijgende of dalende conversies. Is de daling echt of gewoon samplingvariatie? Dat weet je niet zeker.
Zo werk je met gesamplede data
Haal niet-gesamplede data op als je tool dat biedt
Premium analytics-abonnementen bieden meestal niet-gesamplede data. Google Analytics 360 levert niet-gesamplede rapporten. De meeste betaalde analytics-tools laten je niet-gesamplede data exporteren. Neem je belangrijke beslissingen, upgrade dan voor echte cijfers.
Begrijp het samplingpercentage
Zie je een gesampled rapport, kijk dan naar het samplingpercentage. "Gebaseerd op 100.000 van 500.000 sessies" betekent 20% sampling. Hoe kleiner het percentage, hoe minder betrouwbaar de cijfers. Bij 50% of meer is het redelijk betrouwbaar. Bij 5% niet.
Gebruik segmenten om de hoeveelheid data te verkleinen
Gesamplede rapporten ontstaan doordat je te veel data probeert te verwerken. Gebruik een datumbereik of segment om de dataset te verkleinen. Rapporteer over de laatste 7 dagen in plaats van 90 dagen. Rapporteer over één verkeersbron in plaats van alle bronnen. Kleinere datasets worden minder snel gesampled.
Exporteer data voor analyse buiten de tool
Laat je tool toe niet-gesamplede data te exporteren, doe het dan. Exporteer naar een spreadsheet of database en analyseer daar. Zo heb je echte cijfers in plaats van schattingen.
Bouw geautomatiseerde rapporten met lagere complexiteit
Maak in plaats van één complex rapport met 10 dimensies meerdere simpele rapporten. Elk simpel rapport wordt minder snel gesampled. Samen geven ze je niet-gesamplede inzicht in je data.
Kun je datasampling vermijden
Datasampling is niet altijd te vermijden
Is je verkeer erg hoog en wil je realtime rapporteren, dan is enige sampling soms onvermijdelijk. Je kunt het beperken door rapporten simpel en gericht te houden.
Premium-tools bieden hogere drempels
Betaalde analytics-tools hebben veel hogere samplingdrempels dan gratis versies. Google Analytics 360 en andere premium-platforms verwerken veel grotere datavolumes zonder sampling.
Analytics aan de serverkant vermijdt sampling
Volg je conversies aan de serverkant in je eigen database, dan beheer je de data zelf en sample je nooit. Je conversiedata is exact. Deze aanpak vraagt meer technische opzet, maar geeft je echte cijfers.
Veelgestelde vragen
Is gesamplede data onbetrouwbaar?
Niet per se. Statistisch geldige sampling is betrouwbaar voor meetwaarden op hoofdlijnen. Maar bij kleine aantallen, specifieke vergelijkingen en gedetailleerde analyse verliest gesamplede data nauwkeurigheid. Gebruik het voor trends, niet voor precieze cijfers. Met de websitebouwer van WEMASY zet je dit direct op je website.
Hoe weet ik of mijn data gesampled is?
Zoek in je analytics-tool naar een melding als "Data is gesampled" of "Gebaseerd op X% van de sessies". Zie je geen melding, dan is het waarschijnlijk niet gesampled. De meeste tools melden sampling als het gebeurt.
Moet ik upgraden om datasampling te vermijden?
Alleen als sampling belangrijke beslissingen beïnvloedt. Gebruiken de meeste van je beslissingen al niet-gesamplede data, dan is upgraden alleen voor sampling misschien niet de moeite waard. Bepaal welke beslissingen echte cijfers nodig hebben en upgrade als dat veel uitmaakt.
Beïnvloedt datasampling mijn basismeetwaarden?
Misschien. Gebruikt je hoofddashboard gesamplede data, dan is je uitgangspunt een schatting. Maak een aparte weergave met rapporten van lagere complexiteit om niet-gesamplede cijfers voor je belangrijkste meetwaarden te krijgen.
Kan ik statistisch geldige conclusies trekken uit gesamplede data?
Voor totale trends wel. Voor specifieke vergelijkingen hangt het af van de steekproefgrootte. Een steekproef van 50% waarmee je 1000 events analyseert, kan conclusies dragen. Een steekproef van 1% waarmee je 100 events analyseert, niet.
Hoe beïnvloedt sampling de resultaten van A/B-tests?
A/B-tests hebben niet-gesamplede data nodig om geldig te zijn. Sampling brengt ruis in de resultaten. Draai je A/B-tests, zorg dan dat je analytics-tool de testdata niet samplet. De meeste betaalde tools samplen A/B-testdata niet.