Trafiken till din webbplats låg stabilt på 500 besökare i veckan. Förra veckan sjönk den till 350. Du vet vad som hände (färre besökare). Du har ingen aning om varför.
Deskriptiv analys visar att siffran ändrades. Diagnostisk analys är hur du hittar orsaken. Den här artikeln går igenom teknikerna för att undersöka vad som faktiskt orsakade förändringen och hur du undviker att jaga falska spår.
Diagnostisk analys innebär att undersöka varför något hände. Du beskriver symptomet (trafiken sjönk med 30 %) och arbetar sedan bakåt för att hitta orsaken.
Det som gör det svårt: nästan vad som helst kan se ut som en orsak om du inte är försiktig. Din avvisningsfrekvens ökade samma vecka som trafiken sjönk. Orsakade avvisningsfrekvensen nedgången, eller rörde de sig bara åt samma håll utan att ha något med varandra att göra? Din navigering ändrades. Orsakade det nedgången, eller ändrades Googles rankningar samtidigt? Diagnostisk analys handlar om att svara på detta exakt, inte om att gissa.
Så undersöker du som om du löste en gåta
Den diagnostiska processen går i steg. Börja specifikt och bredda sedan.
Steg 1: Definiera symptomet exakt
Inte "trafiken är dålig." Något i stil med "den organiska söktrafiken sjönk med 35 % mellan 15 och 20 januari jämfört med samma period förra månaden."
Det specifika spelar roll. "Trafiken sjönk" är vagt. "Den organiska söktrafiken sjönk med 35 % under fem dagar" visar exakt vad du ska undersöka och minskar de möjliga orsakerna rejält. Du försöker inte förklara all trafik, bara det specifika mått som rörde sig.
Steg 2: Isolera vad som kan ha orsakat det
Vad ändrades kring den tidpunkt då ditt mått rörde sig? Det här är din lista över hypoteser.
Publicerade du nytt innehåll? Ändrade du sidtitlar? Uppdaterade du webbplatsens struktur? Körde du en marknadsföringskampanj? Blev du omnämnd på en annan webbplats? Kom det en uppdatering av Googles algoritm? Lanserade en konkurrent något? Ändrade du dina analysinställningar?
Skriv ner varje trolig orsak. Det gör inget om listan blir lång. Nästa uppgift är att utesluta möjligheter.
Steg 3: Testa hypoteserna
Fråga dig för varje hypotes: om det här var orsaken, vad skulle jag förvänta mig att se i data?
Säg att din hypotes är "en konkurrent lanserade en kampanj och tog vår söktrafik." Om det stämmer skulle du förvänta dig att se: (a) vissa sökord som du brukade ranka för rankar nu för konkurrenter, (b) dina rankningar sjönk för just de sökorden, (c) trafiknedgången är begränsad till de sökorden och finns inte i all söktrafik.
Testa det. Sjönk dina rankningar verkligen för de sökorden? Om ja är det ett belägg för din hypotes. Om nej är hypotesen fel, gå vidare till nästa.
Samma process gäller för de andra hypoteserna. Publicerade du nytt innehåll? Om det orsakade trafiknedgången, varför skulle nytt innehåll minska befintlig trafik? Det skulle det inte, om inte det nya innehållet tar klick från dina bästa sidor (de konkurrerar nu om samma sökresultat). Om det inte händer är det inte orsaken.
Steg 4: Kontrollera orsakssamband, inte bara korrelation
Det här steget fångar de flesta. Två mått kan röra sig tillsammans utan att det ena orsakar det andra.
Din avvisningsfrekvens ökade samma vecka som trafiken sjönk. Det är en korrelation, de rörde sig tillsammans. Men korrelation är inte orsakssamband. Avvisningsfrekvensen fick inte trafiken att sjunka. Båda kan vara symptom på samma problem (kanske nedvärderade Google din webbplats, färre besökare kom och de som kom tyckte att ditt innehåll var mindre relevant).
För att bekräfta orsakssamband frågar du: finns det en logisk mekanism? Om avvisningsfrekvensen fick trafiken att sjunka, hur skulle det gå till? Det gör det inte. Avvisningsfrekvens är hur besökare beter sig efter att de har kommit. Den kan inte påverka hur många som kommer från början. Det här är alltså troligen korrelation, inte orsakssamband.
Steg 5: Bekräfta med den enklaste förklaringen
Du har smalnat av möjligheterna. Din trafik sjönk specifikt i organisk sökning. Dina rankningar sjönk. Inga nya ändringar gjordes på webbplatsen. Slutsats: Google ändrade sökresultaten (algoritmuppdatering eller förändrad rankning). Det är den enklaste förklaringen.
Den enklaste förklaringen som stämmer med data är oftast den rätta. Hitta inte på invecklade teorier om en enkel förklarar det du ser.
Teknikerna som faktiskt fungerar
Diagnostisk analys använder särskilda tekniker för att undersöka. Här är de som spelar roll för webbplatsägare.
Uppdelningsanalys (segmentera din data)
I stället för att titta på "all trafik" delar du upp den efter källa. Hur mycket kom från organisk sökning? Hur mycket direkt? Hur mycket från hänvisningar?
Om den totala trafiken sjönk med 30 % men den organiska söktrafiken bara med 10 % vet du att problemet finns någon annanstans. Genom att dela upp siffrorna har du avgränsat undersökningen.
Samma sak med sidor. Om den totala trafiken sjönk men dina bästa sidor faktiskt har ökat vet du att det är de mindre sidorna som rasar. Om dina bästa sidor har minskat är det något annat. Uppdelningen visar vad som specifikt är trasigt.
Trendanalys (jämför perioder)
Titta på samma mått över olika tidsperioder. Din trafik den här månaden mot förra månaden mot förra året. Sjönk den plötsligt eller gradvis? Sjönk den en specifik dag eller under flera dagar?
En plötslig nedgång den 15 mars är något annat än en gradvis nedgång under två veckor. Det första tyder på en händelse (Google-uppdatering, ändring på webbplatsen, konkurrentens drag). Det andra tyder på en trend (säsongsmässig nedgång, gradvis förlust av rankning).
Trendens form visar var du ska undersöka.
Avvikelsedetektering (hitta det som skiljer sig)
Din trafik ligger vanligen på i snitt 500 besökare per dag. I torsdags var den 650. I fredags var den 300. Det är avvikelser, de skiljer sig från det normala.
Avvikelser förtjänar en undersökning. Vad hände på torsdagen? En topp tyder på något positivt (en populär delning i sociala medier, ett omnämnande, bra rankning på Google). Vad hände på fredagen? En krasch tyder på något negativt (ett fel på webbplatsen, något som ändrades).
Genom att hitta avvikelser vet du vilka dagar du ska undersöka noga.
Kohortanalys (jämför grupper)
En kohort är en grupp besökare som har något gemensamt (de kom den här månaden, de kom från Google, de tittade på en viss sida).
Säg att din konverteringsgrad sjönk. I stället för att bara titta på de totala konverteringarna jämför du kohorter. Sjönk konverteringarna för dem som kom från Google? Från annonser? Från hänvisningar? Sjönk de för nya besökare men inte för återkommande?
När du jämför kohorter ser du att problemet är begränsat till vissa källor eller besökartyper, vilket är en mycket bättre ledtråd än en allmän trend.
Misstagen som leder dig på fel spår
Diagnostisk analys ser enkel ut, men det finns vanliga sätt att göra fel.
Att blanda ihop korrelation och orsakssamband
Två saker rörde sig tillsammans. Du antar att det ena orsakade det andra. Oftast fel.
Din konverteringsgrad och din avvisningsfrekvens ökade båda. Slump? Kanske. Ger högre avvisningsfrekvens högre konvertering? Nej, avvisningsfrekvens och konvertering mäter olika besökargrupper. Den här korrelationen är troligen meningslös.
Fråga alltid: finns det en logisk mekanism? Kan X faktiskt orsaka Y?
Att ignorera yttre faktorer
Dina mått ändrades. Innan du skyller på din webbplats bör du fråga om något utanför webbplatsen ändrades.
Släppte Google en algoritmuppdatering? Lanserade en konkurrent en kampanj? Hade din bransch en stor nyhetshändelse? Om din trafik sjönk samma vecka som Google tillkännagav en större kärnuppdatering är det troligen orsaken, inte något du gjorde.
Titta utanför din webbplats innan du tittar inuti den.
Att överanalysera enkla orsaker
Du märker att trafiken sjönk. Du undersöker i flera veckor och hittar komplexa problem. Sedan upptäcker du att den verkliga orsaken var enkel: din webbplats låg nere i två timmar en dag.
Enkla orsaker är vanligare än komplexa. Kontrollera det uppenbara först: gav din webbplats fel? Raderade du av misstag en sida? Ändrade du något tekniskt? Ändrades trafiken från sökmotorer dramatiskt? Det är lätt att kontrollera och oftast är det där svaret finns.
Att ändra för många saker samtidigt
Du upptäckte ett problem. Du uppdaterade din startsida, ändrade din navigering, uppdaterade dina produktsidor och skrev om dina texter, allt på en dag.
Nu ändrades konverteringarna. Vilken ändring orsakade det? Alla? En? Ingen, kanske är det säsong? Du kan inte veta eftersom du ändrade för mycket på en gång.
När du diagnostiserar problem ska du ändra en sak och mäta effekten innan du ändrar nästa.
När du behöver hjälp med diagnosen
Ibland är diagnostisk analys enkel (du gjorde en ändring, måtten ändrades och sambandet är uppenbart). Ibland är den komplex och rörig.
När du kör fast:
Prata med dem som känner till sammanhanget. Om du driver en webbutik och konverteringarna sjönk kan du fråga din betalningsleverantör om det fanns ett problem. Fråga ditt team om de ändrade något. Fråga din utvecklare om webbplatsen uppdaterades. Dataanalytikern kanske hittar mönstret, men teamet ger det sammanhang som löser gåtan.
Zooma in på den minsta förändringen. Försök inte diagnostisera alla mått på en gång. Välj det mått som är viktigast och diagnostisera det. När du förstår orsaken till en förändring blir de andra ofta tydliga.
Kom ihåg att vissa förändringar bara är brus. Din trafik går upp och ner varje vecka på grund av slumpmässig variation. Inte varje förändring behöver diagnostiseras. Om ditt snitt är 500 besökare och du fick 490 en vecka ligger det inom normal variation. Undersök inte varje liten förändring, fokusera på betydande avvikelser.
Vanliga frågor
Hur lång tid tar det att diagnostisera varför ett mått ändrades?
Ibland minuter (du gjorde en ändring och ser effekten). Ibland timmar om du behöver gå igenom data. Ibland dagar om orsaken är oklar. Ju mer specifikt ditt ursprungliga symptom är, desto snabbare kan du diagnostisera det. "Trafiken sjönk på måndagen" är lättare att diagnostisera än "trafiken har minskat gradvis i tre månader." Med WEMASYs webbplatsbyggare kan du ställa in det direkt på din webbplats.
Vad gör jag om jag inte hittar orsaken?
Det är möjligt att orsaken är extern och inte syns i din data (marknadsförändring, säsongstrend, konkurrentens agerande). Det är också möjligt att förändringen bara är slumpmässig variation. Om du har testat de självklara hypoteserna och inte hittat något får du acceptera att du ibland inte kan diagnostisera allt. Gå vidare till nästa möjlighet.
Kan jag diagnostisera i efterhand eller måste jag följa saker live?
Du kan diagnostisera i efterhand om ditt analyssystem samlade in data. WEMASYs analys sparar historiska data så att du kan gå tillbaka veckor eller månader och undersöka. Du behöver inte realtidsdata för att diagnostisera varför något hände.
Finns det något sätt att automatiskt veta när något ändras?
Ja. De flesta analysverktyg låter dig ställa in aviseringar för plötsliga förändringar (trafiken sjunker mer än 20 %, konverteringarna faller och så vidare). Aviseringarna visar att något har ändrats så att du kan diagnostisera det. Men du måste fortfarande göra diagnosen själv, aviseringen visar bara att något är värt att undersöka.
Ska jag åtgärda problem utifrån diagnostiska resultat eller testa dem först?
Testa först om du kan. När du tror att du vet orsaken gör du en liten ändring och mäter om måttet förbättras. Det bekräftar att din diagnos var rätt innan du lägger tid på en stor åtgärd. Små tester går snabbare än att felsöka fel problem.
Hur skiljer sig diagnostisk analys från diagnostisk business intelligence?
De är liknande begrepp. Båda handlar om att undersöka varför något hände. Inom analys tittar vi specifikt på data för att hitta grundorsaker. Inom business intelligence kan du också titta på operativa faktorer, teamets beslut och marknadsläget. För webbplatsägare är diagnostisk analys det praktiska verktyget du kan använda direkt.