Het verkeer op je website was stabiel op 500 bezoekers per week. Vorige week daalde het naar 350. Je weet wat er gebeurde (minder bezoekers). Je hebt geen idee waarom.
Beschrijvende analytics vertelt je dat het getal veranderde. Diagnostische analytics (diagnostic analytics) is hoe je de reden vindt. Dit artikel behandelt de technieken om te onderzoeken wat de verandering echt veroorzaakte, en hoe je valse sporen vermijdt.
Diagnostische analytics is het onderzoeken waarom iets gebeurde. Je beschrijft het symptoom (het verkeer daalde 30%) en werkt dan terug om de oorzaak te vinden.
Dat is lastig, want bijna alles kan een oorzaak lijken als je niet oplet. Je bouncepercentage steeg in dezelfde week dat het verkeer daalde. Veroorzaakte het bouncepercentage de daling, of bewogen ze toevallig samen zonder iets met elkaar te maken te hebben? Je navigatie veranderde. Veroorzaakte dat de daling, of verschoof je positie in Google op hetzelfde moment? Bij diagnostische analytics beantwoord je dit precies, zonder te gokken.
Onderzoek het als een mysterie dat je oplost
Het diagnostische proces gaat in stappen. Begin specifiek en breid dan uit.
Stap 1: Beschrijf het symptoom precies
Niet "het verkeer is slecht." Maar iets als "het organische zoekverkeer daalde 35% tussen 15 en 20 januari vergeleken met dezelfde periode vorige maand."
De precisie telt. "Het verkeer daalde" is vaag. "Het organische zoekverkeer daalde 35% in een periode van vijf dagen" vertelt je precies wat je moet onderzoeken en beperkt de mogelijke oorzaken enorm. Je probeert niet al het verkeer te verklaren, alleen het ene cijfer dat bewoog.
Stap 2: Bepaal wat de oorzaak kan zijn
Wat veranderde er rond het moment dat je cijfer bewoog? Dat is je lijst met hypotheses.
Publiceerde je nieuwe inhoud? Veranderde je paginatitels? Paste je de structuur van je site aan? Had je een marketingcampagne? Werd je genoemd op een andere site? Was er een update van het algoritme van Google? Lanceerde een concurrent iets? Veranderde je je analytics-instellingen?
Schrijf elke aannemelijke oorzaak op. Maak je geen zorgen als de lijst lang is. Je volgende taak is mogelijkheden uitsluiten.
Stap 3: Test de hypotheses
Vraag je bij elke hypothese af: als dit de oorzaak was, wat zou ik dan in de data verwachten te zien?
Stel je hypothese is "een concurrent startte een campagne en pikte ons zoekverkeer in." Als dat klopt, verwacht je: (a) bepaalde zoekwoorden waarop jij hoog stond, scoren nu voor concurrenten, (b) jouw posities daalden voor precies die zoekwoorden, (c) de verkeersdaling beperkt zich tot die zoekwoorden en geldt niet voor al het zoekverkeer.
Test dat. Dalen je posities echt voor die zoekwoorden? Zo ja, dan is dat bewijs voor je hypothese. Zo nee, dan klopt de hypothese niet en ga je naar de volgende.
Hetzelfde proces geldt voor de andere hypotheses. Publiceerde je nieuwe inhoud? Als dat de verkeersdaling veroorzaakte, waarom zou nieuwe inhoud bestaand verkeer verminderen? Dat doet het niet, tenzij de nieuwe inhoud klikken wegneemt van je beste pagina's (ze concurreren nu om dezelfde zoekresultaten). Gebeurt dat niet, dan is dat niet de oorzaak.
Stap 4: Controleer op oorzaak en gevolg, niet alleen op samenhang
Deze stap onderschept de meeste mensen. Twee cijfers kunnen samen bewegen zonder dat het ene het andere veroorzaakt.
Je bouncepercentage steeg in dezelfde week dat het verkeer daalde. Dat is een samenhang (correlatie): ze bewogen samen. Maar samenhang is geen oorzaak. Het bouncepercentage veroorzaakte de verkeersdaling niet. Beide kunnen symptomen zijn van hetzelfde probleem (misschien zette Google je site lager; er kwamen minder bezoekers en wie kwam, vond je inhoud minder relevant).
Om oorzaak en gevolg te bevestigen, vraag je: is er een logisch mechanisme? Als het bouncepercentage het verkeer deed dalen, hoe zou dat werken? Dat kan niet. Het bouncepercentage zegt hoe bezoekers zich gedragen nadat ze aankwamen. Het kan niet beïnvloeden hoeveel bezoekers er überhaupt aankomen. Dit is dus waarschijnlijk samenhang, geen oorzaak.
Stap 5: Bevestig met de eenvoudigste verklaring
Je hebt de mogelijkheden beperkt. Je verkeer daalde specifiek in organische zoekresultaten. Je posities daalden. Er waren geen nieuwe wijzigingen op je site. Conclusie: Google veranderde de zoekresultaten (algoritme-update of verschuiving in posities). Dat is de eenvoudigste verklaring.
De eenvoudigste verklaring die bij de data past, is meestal de juiste. Verzin geen ingewikkelde theorieën als een simpele verklaart wat je ziet.
De technieken die echt werken
Diagnostische analytics gebruikt specifieke technieken om te onderzoeken. Dit zijn de technieken die ertoe doen voor website-eigenaren.
Uitsplitsing (segmenteer je data)
Kijk niet naar "al het verkeer", maar splits het uit per bron. Hoeveel kwam uit organische zoekresultaten? Hoeveel direct? Hoeveel via verwijzingen?
Daalde het totale verkeer 30% maar het organische zoekverkeer maar 10%, dan zit het probleem elders. Door de cijfers uit te splitsen, heb je het onderzoek beperkt.
Hetzelfde geldt voor pagina's. Daalde het totale verkeer maar staan je beste pagina's juist hoger, dan weet je dat kleinere pagina's instorten. Dalen je beste pagina's, dan is dat iets anders. De uitsplitsing laat zien wat er precies stuk is.
Trendanalyse (vergelijk periodes)
Bekijk hetzelfde cijfer over verschillende periodes. Je verkeer deze maand tegenover vorige maand en vorig jaar. Daalde het plotseling of geleidelijk? Daalde het op één dag of over meerdere dagen?
Een plotselinge daling op 15 maart is iets anders dan een geleidelijke daling over twee weken. Het eerste wijst op een gebeurtenis (Google-update, wijziging op je site, actie van een concurrent). Het tweede wijst op een trend (seizoensdaling, geleidelijk verlies van posities).
De vorm van de trend vertelt je waar je moet zoeken.
Afwijkingen opsporen (zie wat anders is)
Je verkeer is gemiddeld 500 bezoekers per dag. Afgelopen donderdag waren het er 650. Afgelopen vrijdag 300. Dat zijn afwijkingen (anomalieën): ze wijken af van het normale.
Afwijkingen verdienen onderzoek. Wat gebeurde er donderdag? Een piek wijst op iets positiefs (een populaire post op social media, een vermelding, goede posities in Google). Wat gebeurde er vrijdag? Een instorting wijst op iets negatiefs (een fout op je site, iets dat veranderde).
Door afwijkingen op te sporen, weet je welke dagen je diep moet onderzoeken.
Cohortanalyse (vergelijk groepen)
Een cohort is een groep bezoekers met iets gemeenschappelijks (ze kwamen deze maand, ze kwamen via Google, ze bekeken een bepaalde pagina).
Stel je conversiepercentage daalde. Kijk dan niet alleen naar de totale conversies, maar vergelijk cohorten. Daalden de conversies voor mensen uit Google? Uit advertenties? Uit verwijzingen? Daalden ze voor nieuwe bezoekers maar niet voor terugkerende bezoekers?
Door cohorten te vergelijken, zie je dat het probleem bij specifieke bronnen of soorten bezoekers zit, en dat is een veel betere aanwijzing dan een algemene trend.
De fouten die je op een dwaalspoor brengen
Diagnostische analytics lijkt simpel, maar er zijn veelvoorkomende manieren om het fout te doen.
Samenhang verwarren met oorzaak
Twee dingen bewogen samen. Je neemt aan dat het ene het andere veroorzaakte. Meestal fout.
Je conversiepercentage en je bouncepercentage stegen allebei. Toeval? Misschien. Veroorzaakt een hoger bouncepercentage een hogere conversie? Nee, bouncepercentage en conversie meten verschillende groepen bezoekers. Deze samenhang betekent waarschijnlijk niets.
Vraag altijd: is er een logisch mechanisme? Kan X echt Y veroorzaken?
Externe factoren negeren
Je cijfers veranderden. Voordat je je site de schuld geeft, vraag je of er iets buiten je site veranderde.
Bracht Google een algoritme-update uit? Startte een concurrent een campagne? Was er groot nieuws in je branche? Daalde je verkeer in dezelfde week dat Google een core update aankondigde, dan is dat waarschijnlijk de oorzaak en niet iets wat jij deed.
Kijk buiten je website voordat je binnen kijkt.
Simpele oorzaken te ingewikkeld maken
Je merkt dat het verkeer daalde. Je onderzoekt het wekenlang en vindt ingewikkelde problemen. Dan ontdek je dat de echte oorzaak simpel was: je site lag op één dag 2 uur plat.
Simpele oorzaken komen vaker voor dan ingewikkelde. Controleer eerst het voor de hand liggende: gaf je site een foutmelding? Verwijderde je per ongeluk een pagina? Veranderde je iets technisch? Veranderde het verkeer uit zoekmachines sterk? Dat is makkelijk te controleren en meestal is dat het antwoord.
Te veel dingen tegelijk veranderen
Je merkte een probleem. Je paste je homepage aan, veranderde je navigatie, paste je productpagina's aan en schreef je teksten opnieuw, allemaal op één dag.
Nu veranderden je conversies. Welke wijziging veroorzaakte dat? Allemaal? Eén? Geen enkele, misschien is het seizoensgebonden? Je weet het niet, omdat je te veel tegelijk veranderde.
Verander bij het opsporen van problemen één ding en meet het effect voordat je het volgende verandert.
Wanneer je hulp nodig hebt bij het uitzoeken
Soms is diagnostische analytics eenvoudig (je veranderde iets, de cijfers veranderden, het verband is duidelijk). Soms is het ingewikkeld en rommelig.
Als je vastloopt:
Praat met de mensen die de context kennen. Heb je een webshop en daalden de conversies, vraag dan aan je betaalprovider of er een storing was. Vraag je team of iemand iets veranderde. Vraag je ontwikkelaar of er een update van de site was. De data-analist vindt misschien het patroon, maar het team geeft de context die het mysterie oplost.
Zoom in op de kleinste verandering. Probeer niet alle cijfers tegelijk te onderzoeken. Kies het ene cijfer dat het meest telt en zoek dat uit. Begrijp je eenmaal de oorzaak van één verandering, dan worden de andere vaak duidelijk.
Bedenk dat sommige veranderingen gewoon ruis zijn. Je verkeer gaat elke week op en neer door toevallige schommelingen. Niet elke verandering hoeft onderzocht te worden. Is je gemiddelde 500 bezoekers en kreeg je er een week 490, dan valt dat binnen de normale schommeling. Onderzoek niet elke kleine verandering, maar richt je op grote afwijkingen.
Veelgestelde vragen
Hoe lang duurt het om uit te zoeken waarom een cijfer veranderde?
Soms minuten (je veranderde iets en ziet het effect). Soms uren als je data moet bekijken. Soms dagen als de oorzaak onduidelijk is. Hoe specifieker je oorspronkelijke symptoom, hoe sneller je de oorzaak vindt. "Het verkeer daalde maandag" is makkelijker uit te zoeken dan "het verkeer daalt al drie maanden geleidelijk." Met de Websitebouwer van WEMASY zet je dit direct op je eigen website op.
Wat als ik de oorzaak niet kan vinden?
Het kan zijn dat de oorzaak extern is en niet zichtbaar in je data (verschuiving op de markt, seizoenstrend, actie van een concurrent). Het kan ook zijn dat de verandering gewoon toevallige schommeling is. Heb je de voor de hand liggende hypotheses getest en niets gevonden, accepteer dan dat je niet alles kunt uitzoeken. Ga door naar de volgende kans.
Kan ik dingen achteraf uitzoeken, of moet ik ze live bijhouden?
Je kunt achteraf onderzoeken als je analytics de data bijhield. Analytics en inzichten van WEMASY bewaart historische data, zodat je weken of maanden terug kunt gaan om het uit te zoeken. Je hebt geen realtime inzichten nodig om uit te zoeken waarom iets gebeurde.
Kan ik automatisch zien wanneer er iets verandert?
Ja. De meeste analysetools laten je meldingen instellen voor plotselinge veranderingen (verkeer daalt meer dan 20%, conversies dalen, enzovoort). Zo'n melding vertelt je dat er iets veranderde, zodat je het kunt onderzoeken. Maar het uitzoeken blijft jouw werk: de melding zegt alleen dat er iets onderzoek waard is.
Moet ik problemen oplossen op basis van diagnostische bevindingen, of ze eerst testen?
Test eerst als dat kan. Denk je de oorzaak te kennen, maak dan een kleine wijziging en meet of het cijfer verbetert. Zo bevestig je dat je diagnose klopte voordat je tijd steekt in een grote oplossing. Kleine tests gaan sneller dan het verkeerde probleem opsporen.
Hoe verschilt diagnostische analytics van diagnostische business intelligence?
Het zijn vergelijkbare begrippen. Beide gaan over onderzoeken waarom iets gebeurde. Bij analytics kijken we specifiek naar data om oorzaken te vinden. Bij business intelligence kijk je misschien ook naar operationele factoren, beslissingen van het team en marktomstandigheden. Voor website-eigenaren is diagnostische analytics het praktische hulpmiddel dat je direct kunt gebruiken.