Kolik z návštěvníků stránek lékaře se přímo objedná na konzultaci? 1-2%? Možná 5%, pokud máte vyladěný konverzní proces. Zbývajících 95% ovšem není odpad, jsou to většinou pořád potenciální pacienti, jen v jiné fázi rozhodovacího procesu. Většina webových stránek lékařů a klinik se ovšem zaměřuje právě jen na tu velmi malou část svých návštěvníků – na lidi rozhodnuté podstoupit konkrétní zákrok a hledající už jen lékaře, který by zákrok provedl. Přitom optikou této malé skupiny pak často měří nejen výkon vlastních stránek, ale i výkon online zdrojů, se kterými lékaři nějak pracují. To je ovšem jako bychom měřili výkon hráčů v hokejovém týmu jen podle střelených branek. 

Především u velkých invazivních zákroků jako je zvětšení prsou se rozhodovací proces pacienta o podstoupení zákroku počítá spíš na roky než měsíce a ani u menších zákroků se zpravidla nejedná o impulzivní rozhodnutí, ale pacient podstoupení zákroku důkladně zvažuje. Předtím než se objedná na konzultaci ke konkrétnímu lékaři, velmi pravděpodobně navštíví desítky různých webů, kde si pročítá informace jak o zákroku, tak o lékaři. Než se dostane do konverzní fáze (kontaktování lékaře), pravděpodobně několikrát navštíví přes různé zdroje i webové stránky lékaře, pro kterého se nakonec rozhodne.

Na tomto schématu je zachycena cesta pacienta ke kontaktování lékaře. Pacient přišel poprvé na web lékaře z Google (SEO), druhou návštěvu uskutečnil proklikem z remarketingové bannerové kampaně, pak si lékaře lustroval na online reputation webech – navštívil známýlékař.cz, estheticon, z firmy.cz opět přišel na web lékaře, nicméně lékaře kontaktoval (provedl konverzi) až při poslední návštěvě webu přes PPC kampaň.

Report nejčastějších konverzních cest v Google Analytics

Výše uvedený příklad konverzní cesty pacienta je samozřejmě smyšlený, nicméně poměrně realistický – podívejte se pro zajímavost v Google Analytics na report nejčastějších konverzních cest, kde se zobrazují nejběžnější cesty návštěvníka ke konverzi. Kombinací různých zdrojů návštěv mohou být tisíce a často jsou poměrně dlouhé.

Každý zdroj, který pozitivně ovlivní pacienta v jeho rozhodnutí podstoupit zákrok u konkrétního lékaře má svou hodnotu, protože asistuje finální konverzi. Jde ovšem o to určit které zdroje tyto asistence poskytly ajakou hodnotu tyto asistované konverze mají.

Bod za asistenci získává…

V hokeji je definována asistence jako přihrávka z níž dá příjemce přihrávky branku. Ve statistikách se evidují i takzvané druhé asistence, což jsou přihrávky, které přijímají hráči přihrávající střelci branky. Za první i druhou asistenci se hráči připisuje jeden kanadský bod (mimochodem, stejně jako za gól). Stejně tak v online marketingu by měly být online zdroje, které asistovaly finální konverzi nějak odměněny. Pojďme si ukázat jak s asistovanými konverzemi umí pracovat Google Analytics a jaká jsou jeho omezení.

U většiny reportů spojených s konverzemi uvažuje Google Analytics stejně jako většina jiných analytických nástrojů (včetně lidských mozků) jednoduše – 100% hodnoty konverze přisoudí zdroji, který přivedl návštěvu, při které konverze nastala – (v našem příkladu PPC kampani). Což očividně není správně, protože ke konverzi přispěly i další zdroje. V reportu asistovaných konverzí ovšem umí Google Analytics pracovat i s dalšími zdroji návštěv pacienta, který nakonec konvertoval. Z reportu jde jednoduše vyčíst kolikrát zdroj asistoval k finální konverzi (assisted conversions) v poměru k počtu generovaných finálních konverzí (last click conversions) tohoto zdroje.

assisted-conversions

Report asistovaných konverzí v Google Analytics

V tomto reportu je jedno, kolikátou návštěvu zdroj přivedl – jednoduše, pokud zdroj přivedl návštěvníka, který později provedl konverzi, započítá mu asistovanou konverzi.

TIP: Google Analytics umožňuje si vydefinovat sledované kanály (zdroje návštěvnosti) nad rámec jeho jednoduchého rozdělení na “organic search”, “paid search” apod. Tím získáte detailnější přehled o výkonu jednotlivých zdrojů pacientů. Na tomto odkazu stáhnete definici kanálů, kterou používáme my a která obsahuje většinu důležitých online zdrojů návštěvnosti.

Report asistovaných konverzí nám tedy ukáže poměrně přesně (až na omezení, která uvádíme níže) kolikrát zdroj asistoval ke konverzi a kolikrát sám konverzi zakončil. Pokud chceme zdroje nějak za asistenci odměnit, musíme v Google Analytics změnit systém hodnocení zdrojů za konverze a k tomu slouží nástroj porovnání atribučních modelů.

Atribuční modely

atribucni-modely

Atribuční modely v Google Analytics

Atribuční model rozděluje hodnotu konverze mezi jednotlivé zdroje, které přivedly na web návštěvníka, který nakonec konvertoval. Už jsme zmínili, že Google Analytics ve standardních reportech dává 100% hodnoty konverze posledním zdroji, nicméně ono je to trochu složitější. Google Analytics dává 100% hodnoty konverze poslednímu zdroji, pokud to nebyl přímý odkaz (tzv. Last Non-Direct Click Model). Vychází přitom z předpokladu, že pokud konverze proběhla z přímé návštěvy (tedy napsáním adresy do prohlížeče, proklikem z uloženého bookmarku apod.), tak pro konverzi byl důležitější zdroj předchozí návštěvy (pokud nějaká byla – pokud nebyla, dá 100% konverze přímé návštěvě). Report porovnání atribučních modelů umožňuje zvolit rozložení hodnoty konverze mezi jednotlivé zdroje jinak než to standardně Google Analytics dělá.

Nabízí se několik předpřipravených modelů jako First Interaction Model (přisoudí 100% hodnoty konverze zdroji, který přivedl návštěvníka na web poprvé), Linear Model (rozdělí konverzi lineárně mezi všechny zdroje – podobně jako je tomu v kanadském bodování, kde za první i druhou asistenci dostanete jeden bod stejně jako za gól) nebo Time Decay Model (postupná degradace významu zdrojů v čase – čím aktuálnější, tím významnější). Nejzajímavějším je ovšem Position Based Model, který umožňuje specificky nastavit procentní rozložení mezi zdroje první, průběžných a poslední návštěvy.

Atribuční model Kanadského bodování
je lineární – bod za branku, bod za asistenci

Není bohužel žádný jednoznačně “správný” atribuční model, obecně ovšem platí, že čím delší je cesta ke konverzi (a v oboru plastické chirurgie je ta cesta velmi dlouhá), tím vyšší je důležitost asistovaných konverzí. Proto je standardní atribuční model Google Analytics (poslední nepřímá interakce) určitě nevyhovující.  Doporučujeme zkusit modely založené na pozici, nebo model s poklesem v čase. Cílem ovšem není získat model, který by měl “nejhezčí výsledky”, ale model, který je k jednotlivým zdrojům co nejspravedlnější. Mimochodem – kdyby Kanadské bodování používalo standardní model Google Analytics, myslíte že by si Jarda polepšil? Z tabulky vedle to vypadá že ano, protože má víc gólů než druhý Mark Messier. Ve skutečnosti by ale zůstal třetí, protože v historické tabulce vstřelených gólů je na druhém místě Gordie Howe přezdívaný Mr. Hockey s 801 góly. Ve chvíli publikování tohoto článku (26.10.2016) by se Jarda posunul na druhé místo jen pokud by Kanadské bodování nasadilo atribuční model 57,5% za gól a 42,5% za asistenci (až do poměru 57/43 zůstává druhý Messier a od 58/42 je druhý Howe).

TIP: Pokud chcete jít ještě hlouběji, Google Analytics umožňuje import uživatelem definovaných atribučních modelů. Jeden z těch, co někdy zkoušíme, je od online marketing boha Avinashe Kaushika a můžete si ho importovat přímo z reportu srovnání atribučních modelů. Více si o něm přečtěte tady.

A teď ta omezení

Pomocí reportu asistovaných konverzí a srovnáním různých atribučních modelů se sice dostaneme k trochu spravedlivějšímu náhledu na efektivitu jednotlivých zdrojů pacientů, ovšem s dvěma zásadními omezeními:

  1. Google Analytics pracuje pouze s omezeným časovým rámcem, v rámci kterého počítá asistované konverze. Konkrétně jde o max. 3 měsíce – pokud tedy byly nějaké návštěvy starší než 3 měsíce před konverzí, nejsou do asistovaných konverzí započítány. A 3 měsíce je v kontextu rozhodovacího procesu o zákroku plastické chirurgie trestuhodně krátká doba.
  2. (ještě důležitější omezení) Google Analytics dokáže samozřejmě pracovat jen se zdroji, které přivedly pacienta na web lékaře. Takže do sebelépe navrženého atribučního modelu nezapočítává další zdroje, které pacient navštívil (a které ho také posunuly dále v jeho rozhodování), nicméně z nich neproklikl na web lékaře. To nesnižuje jejich důležitost, jen ztěžuje (resp. z pohledu analýzy v Google Analytics vylučuje) průkaznost asistované konverze.