Geavanceerde website-analytics: verder dan de basis

Een merk met basisanalytics ziet het conversiepercentage dalen van 3% naar 2,5% en raakt in paniek. Ze geven het product de schuld, de markt of het publiek. Een merk met geavanceerde analytics weet precies wat er mis is: een checkoutknop op mobiel die 2 pixels kleiner is uitgerold, bij 40% van de bezoekers, en meetbaar omzet kost. Dat is het verschil tussen gokken en weten.

Geavanceerde analytics gaat verder dan het tellen van bezoekers en paginaweergaven. Het vindt patronen, voorspelt wat er komt en verklaart waarom dingen gebeuren. Basisanalytics beantwoordt "hoeveel mensen kwamen er langs?". Geavanceerde analytics beantwoordt "waarom gingen ze weg?", "wie gaat kopen?" en "wat gebeurt er als we dit veranderen?"

Wat maakt geavanceerde analytics anders dan basisanalytics?

Kijk naar de meeste analyticsdashboards en je ziet steeds hetzelfde: verkeerscijfers, conversiepercentage, bouncepercentage. Dat is nuttig. Maar het beantwoordt maar één vraag. Kijk dieper en je ziet dat basis- en geavanceerde analytics heel andere problemen oplossen.

Basisanalytics is beschrijvend. Het vertelt wat er gebeurd is. Je ziet dat 5.000 mensen langskwamen en 125 converteerden. Je ziet welke verkeersbron de meeste bezoekers stuurde. Je ziet welke pagina het meeste verkeer krijgt. Dat is de basis: je moet weten wat er gebeurd is. Maar daar stopt het.

Geavanceerde analytics is diagnostisch en voorspellend. Neem diezelfde 5.000 bezoekers. Geavanceerde analyse vraagt: welk segment had de hoogste koopintentie? Converteerden terugkerende bezoekers anders dan nieuwe bezoekers? Welke functies gebruikten de mensen die kochten echt? Welk patroon scheidt kopers van bezoekers die meteen afhaken? Welke cohort (de groep die zich in januari aanmeldde tegenover maart) verlengt eerder? Die vragen wijzen op waarom dingen gebeurden en wat er hierna gebeurt.

De impact op je bedrijf is enorm. Een merk dat weet dat de conversie voor mobiele gebruikers dinsdagavond met 50% daalde en de volgende dag herstelde, heeft het probleem opgelost en voorkomen dat het bedrijfsbreed uitbreidde. Een merk dat weet dat gebruikers van één bron 40% meer uitgeven per transactie, kan die omstandigheden voor andere bronnen nabootsen. Een merk dat kan voorspellen welke klanten vertrekken, heeft tijd om contact op te nemen en ze te behouden. Dat is geen gokwerk, dat is precisie.

Waarom heb je het nodig?

Kijk naar elke analyticsopzet en je vindt hetzelfde probleem: de inzichten stoppen te vroeg. Je kent je belangrijkste verkeersbronnen. Je kent je conversiepercentage. Je weet welke pagina's mensen het vaakst bezoeken. Maar de meeste merken stoppen daar. Ze blijven hangen op ongeveer 80% inzicht en vragen zich dan af waarom hun beslissingen onzeker blijven voelen.

De vraag is niet of basisanalytics nuttig is (dat is het). De vraag is of het de beslissingen beantwoordt die je echt neemt. Is je beslissing "moeten we meer uitgeven aan betaalde advertenties?", dan kan basisanalytics het antwoord geven. Is je beslissing "welke verkeersbron levert klanten op die meer uitgeven, anderen aanbevelen en langer blijven?", dan schiet basisanalytics tekort. Geavanceerde analytics pakt dat wel aan.

Geavanceerde analytics vangt ook problemen op die niemand anders ziet. Een kleine bug die alleen mobiele gebruikers op bepaalde dagen raakt, verdwijnt in basisdashboards. Een functie die retentie stimuleert voor het ene segment maar niet voor het andere, blijft verborgen. Een concurrent die langzaam je waardevolle klanten afsnoept, geeft geen enkele melding. Geavanceerde analytics let continu op die patronen en laat ze zien voordat ze uitgroeien tot grote problemen.

Hoe verschillen basis- en geavanceerde analytics in de praktijk?

Neem een funnel. Basisanalytics laat de uitval zien: 10.000 bezoekers komen op de homepage, 3.000 op de prijspagina, 800 bij de checkout, 300 ronden de aankoop af. Waar zijn die 7.000 mensen gebleven? Het dashboard zegt het niet. Geavanceerde analytics splitst die funnel op: nieuwe bezoekers tegenover terugkerende bezoekers. Desktop tegenover mobiel. Verkeersbron A tegenover bron B. Opeens zie je dat nieuwe mobiele bezoekers uit betaalde advertenties 2% converteren, terwijl terugkerende desktopbezoekers uit organisch verkeer 8% converteren. Nu kun je handelen: de mobiele ervaring voor nieuwe bezoekers verbeteren, het advertentiebudget richten op bezoekers die dichter bij een aankoop zijn, en een strategie bedenken om mensen die eerder langskwamen opnieuw te bereiken.

Neem retentie. Basisanalytics laat zien dat je 20% retentie na een maand hebt. Dat is je getal. Geavanceerde analytics vraagt: welke cohort (aanmeldmaand) houdt beter vast? Welke functies hangen samen met hogere retentie? Welk gebruikerssegment (bedrijfsgrootte, branche, toepassing) blijft eerder? Blijven klanten langer als ze in de eerste week een bepaalde mijlpaal halen? Met die antwoorden pas je je onboarding aan zodat meer mensen die mijlpaal halen. De retentie verbetert. Het is het verschil tussen een cijfer volgen en het verbeteren.

Neem afwijkingen. Basisanalytics is passief. Jij kijkt op het dashboard en merkt dat er iets anders uitziet. Geavanceerde analytics is actief. Een automatisch systeem volgt elke belangrijke meting, ziet wanneer iets meer verandert dan zou moeten (conversie 15% lager in één dag) en waarschuwt je voordat je het zelf merkt. Zes uur gemiste omzet voorkomen, omdat je het binnen 30 minuten wist in plaats van aan het eind van de dag.

Wanneer ga je verder dan basisanalytics?

Je beheerst de basis. Je weet dat je retentie 20% is. Je weet dat je conversiepercentage 2,5% is. Je weet dat je top drie verkeersbronnen verschillend presteren. Maar nu stel je vragen die je dashboard niet kan beantwoorden: "Waarom hebben gebruikers van bron A 25% retentie en van bron B maar 15%?" of "Welke functies leveren de hoogste klantwaarde op?" Daar is geavanceerde analyse voor nodig, want de antwoorden staan niet in basisrapporten. Ze zitten verstopt in segmenten, filters en gekruiste data.

Je merkt ook dat problemen subtieler worden. In het begin zijn problemen duidelijk (de site ligt eruit, de checkout is kapot). Maar als je groeit, verstoppen problemen zich. Een specifieke checkoutstap is traag voor gebruikers op 4G. Een concurrent zet stilletjes je proefgebruikers om. Onboarding verwart gebruikers onder de 25. Basistools zien deze genuanceerde patronen niet, omdat ze naar totaalcijfers kijken. Geavanceerde analytics met segmentatie, cohorttracking en trendanalyse brengt ze aan het licht.

Je schaal kan de doorslag geven. Bij 1.000 bezoekers per maand telt elke gebruiker afzonderlijk. Bij 100.000 bezoekers per maand lees je patronen over duizenden mensen. Een klein patroon (0,1% van de bezoekers heeft een bug) wordt statistisch onzichtbaar. Maar het blijft belangrijk als het zich opstapelt (0,1% × 100.000 = 100 getroffen gebruikers per maand). Geavanceerde analytics vindt deze kleine maar belangrijke patronen voordat ze groeien.

Maar er is een voorwaarde: je team moet op inzichten kunnen handelen. Geavanceerde analytics is nutteloos als je ontdekt dat de checkout traag is voor mobiele gebruikers en niemand het kan oplossen. Investeer alleen in geavanceerde analytics als je techniek-, product- of marketingmensen hebt die kunnen handelen op wat je ontdekt. Een kleine startup heeft dat team misschien nog niet. Een groot bedrijf zeker wel.

Welke technieken laten patronen zien die basisanalytics mist?

Geavanceerde analytics is een set specifieke technieken, elk bedoeld voor een ander soort vraag. Dit zijn de vijf die het verschil maken.

Cohortanalyse: Verdeel gebruikers in groepen op basis van wanneer ze zich aanmeldden (januaricohort, februaricohort, enzovoort) en volg het gedrag van elke groep in de tijd. Zo zie je of je product beter of slechter wordt. Heeft het januaricohort 20% retentie na 30 dagen en het junicohort 25%, dan hou je gebruikers steeds beter vast. Daalt de retentie van maand tot maand, dan is er iets veranderd (een functie ging kapot, concurrenten werden beter, onboarding werd slechter). Cohortanalyse is je vroege waarschuwingssysteem.

Funnelanalyse: Breng de klantreis stap voor stap in kaart (homepage bezoeken, artikel lezen, gids downloaden, e-mailadres invullen, aanmelden, eerste keer inloggen). Meet welk percentage van de bezoekers elke stap voltooit. Je ziet waar de grootste uitval zit. Misschien lezen 10.000 bezoekers het artikel, downloaden er 3.000 de gids, vullen er 800 hun e-mailadres in en melden er 300 zich aan. Tussen artikel en download verlies je 7.000 mensen. Dat is je lek. Los die stap op en elke stap daarna verbetert mee.

Attributiemodellen: Als een klant converteert, welk contactmoment verdient de eer? Hij kwam via een betaalde advertentie, vertrok, zag retargeting, kwam terug, las een blogbericht, meldde zich aan voor de nieuwsbrief, kreeg een e-mail en kocht toen. Wat veroorzaakte de aankoop? Basisanalytics zegt "de laatste" (de e-mail). Een attributiemodel verdeelt de eer over alle contactmomenten op basis van hun echte invloed. Zo zie je welke marketingactiviteiten echt werken, en niet alleen welke als laatste in de funnel staan.

Segmentatie: Je publiek is geen blok. Nieuwe bezoekers gedragen zich heel anders dan terugkerende bezoekers. Mobiele gebruikers hebben andere behoeften dan desktopgebruikers. Gebruikers uit verschillende verkeersbronnen hebben verschillende bedoelingen. Betalende klanten gedragen zich anders dan gratis gebruikers. Geavanceerde segmentatie laat deze groepen zien, zodat je je boodschap en ervaring op elke groep kunt afstemmen. Eén maat past niet voor iedereen.

Retentiecurves: Zet in een grafiek hoeveel gebruikers er na verloop van tijd blijven (dag 1, dag 7, dag 30, dag 90). De vorm van die curve vertelt of je een trouwe kern hebt. Een steile daling die stabiliseert? Dan heb je trouwe gebruikers. Een geleidelijke daling? Dan blijft niemand echt hangen. De curve vat de tevredenheid van gebruikers en de aansluiting van je product op de markt in beeld samen.

Wanneer stap je over op geavanceerde analytics?

Je beheerst de basis en hebt diepere antwoorden nodig. Je weet dat je retentie 20% is. Je weet dat je conversiepercentage 2,5% is. Je kent je top drie verkeersbronnen. Maar nu stel je vragen als: "Waarom hebben gebruikers van bron A 25% retentie en van bron B maar 15%?" of "Welke functies leveren de hoogste klantwaarde op?" Daar is geavanceerde analyse voor nodig, want de antwoorden staan niet in basisdashboards. Je moet segmenteren, filteren, gegevens kruisen en soms eigen berekeningen bouwen. Ergert het je steeds dat je dashboard je vragen niet kan beantwoorden, dan is het tijd om een stap hoger te gaan.

Problemen worden subtieler en je basistools vangen ze niet op. In het begin zijn problemen duidelijk (de site ligt eruit, de checkout is kapot). Maar als je volwassener wordt, worden problemen verborgen (een bepaalde checkoutstap is traag voor gebruikers op 4G, een nieuwe concurrent zet je proefgebruikers om, of onboarding is verwarrend voor gebruikers onder de 25). Basistools zien deze genuanceerde problemen niet. Geavanceerde analytics met goede segmentatie, trendanalyse en cohorttracking brengt ze aan het licht.

Je schaal is groot genoeg dat patronen ertoe doen. Bij 1.000 bezoekers per maand telt elke gebruiker afzonderlijk. Bij 100.000 bezoekers per maand kijk je naar patronen over duizenden mensen. Kleine patronen (0,1% van de bezoekers heeft een bug) worden onzichtbaar. Maar ze blijven belangrijk als ze zich opstapelen (0,1% × 100.000 = 100 getroffen gebruikers per maand, honderden per jaar). Geavanceerde analytics vindt deze kleine maar belangrijke patronen voordat ze grote problemen worden.

Je hebt het team om op inzichten te handelen. Geavanceerde analytics is nutteloos zonder actie. Als je ontdekt dat je checkout traag is voor mobiele gebruikers maar niemand hebt die het oplost, heb je tijd verspild. Investeer alleen in geavanceerde analytics als je de techniek-, product- of marketingcapaciteit hebt om op de inzichten te handelen. Een kleine startup heeft dat team misschien nog niet. Een groot bedrijf zeker wel.

De impact op je bedrijf rechtvaardigt de investering. Geavanceerde analytics kost geld: een analist aannemen ($80-150k per jaar), geavanceerde tools kopen ($500-5000 per maand) en weken besteden aan opzet en training. Levert 2% meer conversie $100k extra jaaromzet op, dan is $50k uitgeven aan geavanceerde analytics logisch (terugverdiend in 2 jaar). Zijn de verbeteringen minimaal, dan is basisanalytics goed genoeg. Reken de ROI uit voordat je ergens aan begint.

Gangbare geavanceerde technieken en wat ze laten zien

Cohortanalyse: gedrag per generatie begrijpen. Verdeel gebruikers in groepen op basis van wanneer ze binnenkwamen (januaricohort, februaricohort, enzovoort). Volg daarna het gedrag van elke cohort in de tijd. Zo zie je of je product beter of slechter wordt. Heeft het januaricohort 20% retentie na 30 dagen en het junicohort 25%, dan hou je gebruikers steeds beter vast. Daalt de retentie van maand tot maand, dan is er iets veranderd (een functie ging kapot, concurrenten werden beter, onboarding werd slechter). Cohortanalyse is je vroege waarschuwingssysteem voor achteruitgang of verbetering van je product.

Funnelanalyse: de lekken in je proces vinden. Breng de klantreis stap voor stap in kaart (homepage bezoeken → artikel lezen → gids downloaden → e-mailadres invullen → aanmelden → eerste keer inloggen). Meet dan welk percentage van de bezoekers elke stap voltooit. Je ontdekt dat 10.000 bezoekers het artikel lezen, 3.000 de gids downloaden, 800 hun e-mailadres invullen, 300 zich aanmelden en 150 voor het eerst inloggen. Waar verlies je mensen? Tussen artikel en download? Tussen e-mailadres en aanmelding? Als je het grootste lek hebt gevonden, kun je het dichten. Een verbetering van 5% in één stap werkt door in alle stappen erna.

Attributiemodellen: begrijpen welke contactmomenten echt conversies opleveren. Een bezoeker komt via een betaalde advertentie, bezoekt je site, vertrekt, ziet een retargetingadvertentie, komt terug, leest een blogbericht, meldt zich aan voor de nieuwsbrief, krijgt een e-mail en koopt uiteindelijk. Welk contactmoment krijgt de eer voor de conversie? Basisanalytics zegt "het laatste contactmoment" (de e-mail). Maar de betaalde advertentie startte de reis. De retargeting bracht de bezoeker terug. Het blogbericht overtuigde. Een attributiemodel geeft alle contactmomenten eer op basis van hun echte invloed. Zo zie je welke marketingactiviteiten echt werken, en niet alleen welke als laatste in de funnel staan.

Segmentatie: ontdekken dat je publiek geen blok is. Je denkt dat al je bezoekers hetzelfde zijn, maar dat is niet zo. Nieuwe bezoekers gedragen zich heel anders dan terugkerende bezoekers. Mobiele gebruikers hebben andere behoeften dan desktopgebruikers. Gebruikers uit verschillende verkeersbronnen hebben verschillende bedoelingen. Betalende klanten gedragen zich anders dan gratis gebruikers. Geavanceerde segmentatie laat deze groepen zien, zodat je je boodschap en ervaring op elke groep kunt afstemmen. Eén maat past niet voor iedereen, en segmentatie bewijst dat.

Retentiecurves: de levensduur van een gebruiker in beeld. Zet retentie uit in de tijd (dag 1, dag 7, dag 30, dag 90). Je ziet je retentiecurve, die gebruikerspatronen laat zien. Daalt de retentie eerst snel en stabiliseert ze daarna (de meeste bezoekers vertrekken, maar trouwe gebruikers blijven)? Of daalt ze geleidelijk (geen duidelijke trouwe groep)? De vorm van je curve vertelt of je product bij de markt past. Een steile daling gevolgd door een vlakke lijn is eigenlijk gezond: het betekent dat je een kern van trouwe gebruikers hebt. Een geleidelijke daling betekent dat niemand echt blijft hangen. De curve is een visuele samenvatting van gebruikerstevredenheid.