Nástroje webové analytiky

Příspěvek věnovaný nástrojům webové analytiky uvádí základní charakteristiky těchto nástrojů. Hlavním cílem je identifikovat současné významné a nejvíce používané nástroje webové analytiky, obecně popsat základní body, jež je odlišují (charakterizují), stejně jako upozornit na výhody i nedostatky jednotlivých metod měření. Hlavním účelem je poskytnou přehledné informace z dané oblasti, které nám pomohou pochopit podle čeho a jak vybrat vhodný analytický nástroj.

V úvodu je třeba zmínit, že tato část si neklade za cíl detailně hodnotit a popisovat rozdíly a technické dispozice jednotlivých nástrojů. Důležitým přínosem je přehled hlavních charakteristik, které je nutno vzít v potaz při výběru vhodného analytického softwaru.

Nabídka poskytovaných řešení (funkcionality nástrojů a technických dispozic) se v čase velmi rychle mění[1]. Toto zjištění je zároveň první podstatnou charakteristikou nástrojů webové analytiky - tj. jsou proměnlivé ve stále nových verzích, neboť producenti těchto nástrojů reagují s ohledem na použitelnost, funkcionalitu a dostupnost těchto nástrojů na potřeby a požadavky potenciálních uživatelů/zákazníků. Výše uvedený stav je taktéž z části odůvodněn vývojem trhu, který měří. Web se neustále rozvíjí, stejně tak i technologie, na nichž webové stránky fungují (požadavky na měření social medií, Flash aplikací atd.).[2]

Analytický nástroj poskytuje data o webu, která slouží jako podklad pro činnost webového analytika, managementu společnosti, správce webu apod. Jak již bylo naznačeno výše, nástroje webové analytiky nejsou unifikované ve své funkcionalitě a technickém řešení. Některé slouží k obecnému sledování základních metrik, jiné jsou naopak úzce specializované a mají za cíl generovat data se specifickým zaměřením. Stejně tak se nástroje liší s ohledem na jejich propracovanost. Proto je při výběru vhodného nástroje nutno zvážit veškeré požadavky a potřeby na daný nástroj. Existují i velmi sofistikovaná programová řešení s širokou funkcionalitou poskytující data nejen pro analýzu chování návštěvníků napříč zdroji, ale i pro detailní analýzu splněných cílů či spokojenosti návštěvníků. Těmto nástrojům nechybí ani pokročilé možnosti exportu a importu dat z externích databází a jiné nadstandardní funkcionality.

► Podle blogu Seoptimise.com[3] rozlišujeme následující druhy nástrojů webové analytiky:

► Částečně odlišný způsob rozlišení nástrojů webové analytiky nalezneme na Wikipedia.org (2):

WASP - obr. 1. Přehled užívání nástrojů

Pokud se zaměříme na nástroje/služby, využívané pro účely webové analytiky specificky v českém prostředí, pak je třeba zmínit Toplist.cz, eMerite, Navrcholu.cz a NetMonitor. (3)

Současné nejpoužívanější nástroje webové analytiky

V následující části budou představeny výsledky aktuálních studií, které mapují současný stav využívání nástrojů webové analytiky. Cílem je identifikovat nejpoužívanější nástroje.

Dle studie „Analytics Market analysis"[8] zveřejněné na blogu nástroje WASP (4) je v současnosti pořadí celosvětově nejpoužívanějších nástrojů následující: 1) Google Anylytics, 2) Omniture, 3) Coremetrics.

Současné dominantní postavení Google Analytics na celosvětovém trhu poskytovatelů nástrojů/služeb webové analytiky potvrzují i výsledky výzkumu zveřejněné v lednu 2010 na webu Istobe.com (5). Mezi nástroji se dále objevují Coremetrics, Omniture, WebTrends, Clicky a Fireclick. Další grafy níže zobrazují rozšiřující informace o míře a způsobu využívání nástrojů webové analytiky. Z grafů je patrné, že služba Google Anylytics je využívána u méně rozsáhlých webů. Čím je web rozsáhlejší, tím více jsou nasazovány složitější a propracovanější webanalytické nástroje a řešení, kde vede v míře nasazení především Omniture a Coremetrics. Nechybí ani přehled (obr. 2.) vzájemného kombinačního využívání více nástrojů - zatímco u webů s menší návštěvností (do 100 tis./měsíc) je nejčastější kombinace užití Google Alynalytics a Omniture, u webů rozsáhlých s měsíční návštěvností vyšší jak 5 mil. návštěvníků jsou rovnoměrně využívány kombinace Google Analytics + Omniture, Google Anylytics + Coremetrics, Google Analytics + ostatní řešení. Kombinované nasazení Omniture a Coremetrics je realizováno u webů s měsíční návštěvností 500 tis.-2 mil., o něco méně pak u webů s měsíční návštěvností 2-5 mil. Největší podíl vzájemného kombinovaného nasazení bez ohledu na velikost návštěvnosti je patrné pro spojení Google Analytics + Omniture a pro Google Analytics + Coremetrics.

Istobe.com - obr. 2.-4. Přehled užívání nástrojů webové analytiky.

 obr. 2.

obr. 3.

obr. 4.

Nejen pro potřeby porovnání se situací ve světě, ale především pro zjištění aktuálního stavu užití nástrojů webové analytiky v rámci ČR, si uvedeme výsledky statistického měření za období květen 2009 provedeného na vzorku 980 webů v doméně „CZ". Z výsledků je patrné:

  • Prvenství Google Analytics (38 %) v míře užití.
  • Silný podíl Gemius Traffic/NetMonitor
  • Nízká míra užití TopList a Navrcholu, přestože obsadili 3 a 4 místo v přehledu mají v součtu jen 7% podíl.
  • Minimální použití nástrojů celosvětově silné čtyřky analytických nástrojů: Omniture, Webtrends, Coremetrics, Unica.
  • Velký podíl (28 %) kategorie „žádný" (None).

Istobe.com - obr. 5.-6. Podíl jednotlivých nástrojů v ČR

obr. 5.

obr. 6.

Kritéria pro výběr nástroje webové analytiky

Cílem této části je popsat postupy a kritéria při volbě vhodného analytického nástroje. Tyto poznatky jsou stěžejní při plánování i samotné realizaci výběru a implementace analytického nástroje. Zveřejněny budou i důvody nekonzistence naměřených dat v rámci jednotlivých analytických nástrojů, které jsou zároveň ukázkou rozdílů mezi nástroji.

Uvedené výčty nástrojů v úvodu příspěvku jsou základním obecným přehledem současných nejznámějších a zároveň nejpoužívanějších nástrojů webové analytiky. Seznamy zároveň názorně předkládají přehled jednotlivých druhů nástrojů a odkrývají různorodost pohledů na ně. Je patrné, že tyto nástroje můžeme řadit do patřičných skupin dle zaměření, sofistikovanosti, způsobu fungování apod. Je třeba také jedním dechem dodat, že každé řešení má své výhody a nevýhody, které se promítají do volby nasazení a způsobu použití (viz grafy v části „Současné nejpoužívanější..."). Z tohoto důvodu je nutno vždy věnovat patřičnou pozornost výběru nejvhodnějšího nástroje dle potřeb a požadavků firmy/zákazníka. Před samotným výběrem je nutné provést hloubkovou analýzu, při které jsou definovány a hodnoceny požadavky na nástroj. Na základě těchto kritérií je pak vybráno nejoptimálnější řešení. Hlavními hledisky pro výběr nejvhodnějšího analytického nástroje (služby, software) jsou zpravidla tyto:

  1. Potřeby firmy;
  2. Metodika měření dat (více viz kapitola „Základní metodiky měření...");
  3. Cena, náklady (implementace, provoz, zaškolení pracovníků);
  4. Způsob sběru dat a následná práce nástroje s daty - jakými metodami data konzistentně sbírá, zpracovává, předkládá a vyhodnocuje;
  5. Objemy dat, které je nástroj schopen zpracovat;
  6. Funkční schopnosti/možnosti - míra a propracovanost funkčních dispozic pro práci s nástrojem (segmentace, filtrace apod.);
  7. Bezpečnost a ochrana dat včetně způsobu uchování dat;
  8. Grafické možnosti výstupů, statistik - míra a možnosti přenesení dat do graficky zpracovaných statistik (intuitivnost, přehlednost, variabilnost);
  9. Míra automatického předzpracování/vyhodnocení - do jaké míry je nástroj schopen data automaticky předzpracovat/vyhodnotit;
  10. Možnosti přizpůsobení nástroje dle potřeb analytika/firmy;
  11. Nároky na uživatele při práci s nástrojem;
  12. Integrace - propojení s ostatními aplikacemi a nástroji, databázemi, firemními systémy (např. CRM);
  13. Možnosti efektivního exportu, importu dat;
  14. Náročnost implementace a nastavení;
  15. Producentská podpora včetně jazykové lokace.

V praxi rozlišujeme efektivnost nástrojů především právě dle účelu a míry, s jakou jsou schopny měřit a předložit potřebné informace, neboť to je hlavní důvod, proč jsou nasazovány. Při jejich implementaci jde primárně o přínos a přidanou hodnotu. U nástrojů je tedy důležitá jejich míra schopnosti poskytnout nám detailní vypovídací hodnotu o webu. Mohou předkládat základní data o návštěvnosti, nebo naopak jednoznačně poskytnout unikátní data pro pokročilé zhodnocení efektivity webu včetně pochopení příčin, následků z pohledu kvality i kvantity.

Přední odborníci v oblasti webové analytiky Avinash Kaushik, Evan LaPointe, stejně tak i Martin Snížek doporučují při samotném procesu výběru a zavádění vhodného nástroje webové analytiky postupovat v následujících základních krocích:

  • Zjištění potřeb firmy a požadavků na analýzu webu (technické i netechnické - KPI apod.). K tomu patří i potřeby jednotlivých pracovníků firmy na potřebná data pro jejich práci;
  • Výběr vhodného řešení dle zjištěných potřeb a požadavků;
  • Návrh postupu základní implementace webové analytiky pro web;
  • Implementace na web podle připraveného návrhu;
  • Ladění a customizace nástroje;
  • Školení uživatelů;
  • Využívání analytiky a případná implementace pokročilejších funkcionalit - rozšiřování, propojování s dalšími firemními systémy.

Detailní volba a správné rozhodnutí v počáteční fázi výběru dopomohou velkou měrou eliminovat situaci, kdy je nutno po čase nevhodně zvolený nástroj nahradit jiným, který plně vyhovuje požadavkům firmy a jejich webu. Zde pak nejčastěji dochází k  problému - možnost kompletního přenosu naměřených dat z původního systému do nového a s tím související konzistence dat.

Nástroje webové analytiky však nelze brát jako podmínku úspěchu a podstatu webové analytiky - jsou jen efektivním prostředkem k získání dat. Mnohem větší důraz je třeba klást na roli webového analytika v procesu vyhodnocování dat a návrhu změn. Při samotné implementaci analytického nástroje platí pravidlo vzájemné závislosti, které říká: čím větší je míra náročnosti implementace a ladění nástroje, tím menší náročnost je kladená na práci uživatelů s nástrojem a naopak.

V závěru této části je nutno uvést důležitou informaci - pro sledování jednoho webového projektu je vhodné použít více nástrojů. Jaký je důvod k takovémuto přístupu? Různé nástroje se hodí pro různé potřeby a cíle. Mají odlišné přehledy metrik, možnosti segmentace, funkční dispozice, způsob sběru dat aj. Výhody jednoho nástroje doplňují nevýhody jiného a naopak.

Důležitá poznámka: data z jednoho systému nelze přímo srovnávat s daty z jiného systému, neboť každý nástroj pracuje na jiných technických základech a funkčních dispozicích a má tudíž i odlišnou techniku sběru, zpracování a finální prezentace dat.

I při porovnání dat ze systémů používajících srovnatelné metody sběru dat (např. značkování stránek - viz kapitola níže), nedosáhneme plné konzistence. Důvodů neshody dat může být hned několik. Pro příklad si uveďme následující:

  • Odlišný postup a frekvence pravidelného zpracování a sběru dat: data mohou být při porovnání rozdílná, neboť každý systém může mít jinou frekvenci zpracování (1 den, 1 hodina apod.).
  • Filtry a specifické nastavení: různé systémy mohou mít rozdílné způsoby přiřazení filtrů a mohou být specificky nastavené.
  • Negativní transakce elektronického obchodu: schopnost systému operovat zpětně sdaty při negativní transakci (vrácení produktu).[9]
  • Problém bezpečnosti kódu u stránkových značek: při zjištění kódu může být zneužit a vložen i na jiný web, čímž dojde ke zkreslení dat (např. při konkurenčním boji).
  • Doba trvání souborů cookies: každý systém může mít nastavenou jinou dobu pro trvání cookies.[10]
  • Návštěvník či Návštěva: použití jiných algoritmů pro potřeby rozlišování návštěvy od návštěvníka vedou k rozdílným počtům.
  • Kompletnost označkování webu a nutnost úpravy značek pro měření: každý systém nemusí zvládnout měřit určité aktivity. Pro tento účel je vyžadována úprava původního měřícího kódu, při níž však může dojít k syntaktickým chybám[11]. Nejen při těchto dodatečných úpravách, ale obecně se nesmí zapomenout, že každá stránka webu[12] by měla být opatřena měřícím kódem daného analytického nástroje/služby.[13]
  • Umístění měřících (stránkových) značek: různé způsoby umístění měřících značek v rámci zdrojového kódu mohou znamenat rozdílnost výsledných naměřených dat.[14]
  • Vlastní versus cizí soubory cookies[15]: nízká míra souvztažnosti mezi oběma druhy cookies, způsobená vyšší mírou blokování cizích souborů cookies.

Základní metodiky měření u nástrojů webové analytiky

V následující kapitole se zaměříme na popis jednotlivých metod měření v rámci webové analytiky. Uvedené informace nám dopomohou pochopit přednosti i nedostatky konkrétních metod a tudíž i nástrojů, které danou metodu používají. Při volbě nástroje webové analytiky je třeba věnovat maximální pozornost způsobu, jakým nástroj provádí měření, resp. sběr dat. Řeč je o technickém řešení způsobu získávání dat z webu, přičemž každý způsob měření má své výhody a nevýhody. Rozbor jednotlivých metodik sběru dat nám pomůže pochopit způsob fungování nástroje a dokáže nám odpovědět na otázky typu: Který typ sběru dat je vhodný pro konkrétní řešení? Důležitost znalosti rozdílů mezi jednotlivými metodikami zdůrazňuje i Brian Clifton:

Klíčem k úspěšnému využití nasbíraných údajů je vědomí toho, co nám mohou a co naopak nemohou říci a z toho plynoucích omezení. To ovšem vyžaduje znalost metodik pro sběr dat.

Při sestavení níže uvedeného souhrnného seznamu předností (výhod) a nedostatků (omezení) jednotlivých metod budeme vycházet z prací Briana Cliftona, Davida Špinara, Pavla Jaška, Petra Klána, Michaela Harrisona a Roberta Němce.

Značkování stránek (Page tagging)

Metoda založená na značkování stránek - data o webu jsou sbírána pomocí webového prohlížeče návštěvníka. Funguje na principu vloženého sledovacího kódu - JavaScriptu[16], jenž je hlavním základem takovéhoto způsobu sběru dat a měl by se vyskytovat na každé stránce sledovaného webu. JavaScript dokáže operovat s daty, která jsou o návštěvníkovi a stránce samotné známa prohlížeči. Značka v podobě JavaScriptu se při každém jejím načtení ohlásí serveru pro sběr dat a předává mu data o zobrazení dané stránky. Základem této metody jsou i tzv. cookies[17]. Metoda značkování stránek se orientuje na sběr dat na straně klienta (client-side data collection) a nejčastěji ji používají hostovaná řešení. V současnosti je to nejvíce používaná metoda, a to především proto, že z technického hlediska je její výhodou snadná implementace a menší nároky na správu dat (provádí externí servery[18]). Využívá např.: Google Analytics, NetMonitor aj.  

Přednosti

Nedostatky

 

- Vysoká míra přesnosti a pokročilé možnosti segmentace.
- Rozdělení měřených stránek dle typu: oddělení měřených dat pro jednotlivé typy stránek (např. objednávkový proces).
- Dokáže projít skrze servery vyrovnávací paměti a proxy servery = přesnější sledování relací.
- Dokáže sledovat události a interaktivní prvky na straně klienta (Web 2.0, Flash, JavaScript aj.).
- Poskytovatel služby nese náklady s ukládáním a archivací veškerých dat.
- Sběr a vyhodnocení dat téměř v reálném čase.
- Zaznamenává data el. obchodu na straně klienta, což naopak může být problematické u přístupu k datům na straně serveru.
- Snadná implementace a zpravidla bezplatné užívání.



- Plná závislost na JavaScriptu a cookies.
- Náročnost specifického přizpůsobení (nastavení pro jednotlivé typy stránek).
- Neumožňuje sledování robotů vyhledávačů, kteří stránkové značky ignorují.
- Jelikož se značky nastavují až při žádosti o stránku (soubor) a nikoli po dokončení jejich stažení, nelze mapovat šířku pásma ani dokončení stahování.
- Značky mohou být poškozeny či zakázány za pomoci brány firewall. Data nejsou taktéž zachytávána, pokud je v prohlížeči vypnut JavaScript či cookies.
- Nesprávné nastavení či chyba ve sledovacím kódu znamená ztrátu dat, která nelze zpětně získat po přenastavení.
- Data jsou zcela na straně poskytovatele služby (nepřístupnost surových dat, ochrana os. údajů, bezpečnost, disponování s daty).

Hlavní problémy ovlivňující přesnost naměřených clickstream dat

- Brána firewall blokuje stránkové značky: brání odeslání dat do sběrných serverů, mažou či odmítají přijímat soubory cookies čímž brání 100% sběru dat.
- Chyby JavaScriptu zastavují načítání stránky: Jakékoliv chyby při nekonzistentním použití JavaScriptu, který je ve zdrojovém kódu stránky použit před měřícím JavaScriptem, vedou k zastavení skriptovacího systému prohlížeče. Do této kategorie řadíme i problémy, kdy si návštěvník ve svém prohlížeči zakáže JavaScript.
- Chybné nastavení způsobuje absenci značek: nejčastější chyby, které znamenají ztrátu dat. Absence sledovacího kódu na stránce webu znamená nulovou aktivitu nástroje webové analýzy. Stejně tak je tomu i v případě chyby v samotném kódu či jeho lokace v případě, že je přiřazen externě.

Serverové logy (Web server logfile) Jedná se o techniku sběru dat na straně severu (server-side data collection), kdy jsou evidována data o požadavcích ze strany klienta, jež se označují jako logy. Logy jsou data, která získává webový server nezávisle na prohlížeči návštěvníka. Podstatou je zachytávání všech požadavků vyslaných na webový server (včetně obrázku, stránek, dokumentů PDF aj.), přičemž možnosti zachytávání závisí na nastavení serveru. Logy jsou primárně koncipovány především pro sledování technických informací, a tudíž zpravidla postrádají širší možnosti efektivního sledování marketingových a obchodních informací. V minulosti nejčastěji používaná metoda pro svou snadnou a levnou dostupnost. Využívá např.: Webalizer, AWStats, ClickTracks, WebTrends.  

Přednosti

Nedostatky

 

- Standardně umožňuje sledovat mobilní návštěvníky roboty vyhledávačů.22
- Dokáže sledovat šířku pásma a dokončená stahování, neboť umí rozlišit mezi částečným a úplným stažením.
- Nevyskytují se problémy související s bránou Firewall.
- Starší data lze snadno znovu zpětně zpracovávat.23
- Disponování s daty a jejich vlastnictví je plně v rukou firmy.
- Nenáročná implementace a s tím zpravidla související nízká cena řešení.24
- Pokročilé nastavení rozsahu sběru dat (přímé filtrování vstupních stránek).

 

- Zaznamenané přístupy robotů ovlivňují statistiky.
- Ukládání a archivaci dat je nutno řešit vlastními prostředky. Totéž platí i pro aktualizaci samotného nástroje (programu).
- Nedisponuje sledováním událostí a interaktivních prvků (Web 2.0, Flash, JavaScript aj.).
- Nepřesnosti způsobené servery vyrovnávací paměti a proxy-servery. Webový server nezaznamená žádná data, pokud je stránka uložena ve vyrovnávací paměti.
- Menší množství dat o uživatelích a jejich chování (zaznamenávají se jen požadavky prohlížeče uživatele).
- Vyžadován nástroj k detailní analýze dat: z podstaty dat se předpokládá zapojení speciálního nástroje na analýzu dat, který není závislý na software serveru.
- Identifikace návštěvníka se spoléhá na IP adresu (využití veřejných IP adres může vést k nepřesné identifikaci).

Hlavní problémy ovlivňující přesnost naměřených clickstream dat

- Serverové logy zachytávají mobilní uživatele: provoz z mobilních telefonů dokážou serverové logy na rozdíl od metody značkování stránek zaznamenávat. Informace o návštěvnosti pak vykazují jiné hodnoty, než informace získané analytickým nástrojem na bázi značkování stránek (mobilní zařízení stále neumí dostatečně pracovat s cookies a JavaScriptem).
- Provoz robotů - roboti navštěvující web významnou měrou zkreslují data o návštěvnosti a zobrazených stránkách.
- Nezapočítávají se stránky z vyrovnávací paměti: opětovná návštěva načtená z vyrovnávací paměti se na webovém serveru nezaznamená.
- Jedna IP adresa se řadí k jedné osobě: volání z téže IP adresy a signatury webového prohlížeče jsou přiřazena jedné osobě. Problém tedy vzniká, pokud poskytovatelé připojení přiřazují během relace různé IP adresy. Počty návštěvníků pak mohou být velmi nadhodnocené. Lze řešit pomocí souborů cookies.

Měření tečkou (web beacons)

Metoda měření je velmi jednoduchá a je založena na použití obrázků (průhledný obrázek 1x1 - nejvhodnější je GIF). Tento grafický objekt je hostován na webu třetí strany. Ten pak sleduje, odkud byly požadavky na obrázky volány a jakým způsobem. Součástí tohoto procesu jsou i soubory cookies, které nesou další informace o akci. Metoda nachází zpravidla uplatnění všude tam, kde lze využít přednosti obrázku namísto JavaScriptu - např. při sledování e-mailových kampaní. Využívá např.: PHPMyVisites, TOPlist.  

Přednosti

Nedostatky

- Měří i vlastnosti prohlížeče a počítače.
- Podporuje měření přes více domén a subdomén.
- Levné řešení.
- Data se zpracovávají automaticky a rychle.

- Omezené možnosti měření.
- Data není možné získávat zpětně (např. v případě přenastavení měření z důvodu chyby).
- Riziko nestažení tečky.
- Zvýšení množství stahovaných dat pro stránku.
- Použití Cookies třetích stran.
- Závislost na obrázcích: data se nesbírají, pokud má uživatel zakázané zobrazení obrázků (např. v e-mailu).

Sledování packetů (packet sniffing)

Metoda založená na využití zvoleného prvku mezi webovým serverem a uživatelem. Obecně se dá říci, že jde o využití síťových zařízení pro sběr dat, kde webový server eviduje všechna přenesená data. Prakticky jde o nejvyšší vrstvu architektury webu či taktéž o samostatný prvek sítě (router). Shromáždění dat o webovém provozu z routerů funguje následovně:

  1. Klient zadá URL adresu webové stránky, čímž pošle web serveru žádost o webovou stránku.
  2. Žádost je filtrována přes specifický software (popřípadě i hardware) detektor.
  3. Detektor zasílá žádost webovému serveru.
  4. Webový server zpětně zasílá stránku s požadovanou URL. Nejdříve však stránku příjme paketový detektor, jenž zaznamená potřebná data.
Využívá např.: Clipen, Webabacus.  

Přednosti

Nedostatky

- Data jsou dostupná s poměrně velkou rychlostí.
- Není nutno zasahovat do webu při aplikaci měření.
- Kompletnost dat: pakety nesou veškerá data.

- Vysoká cena programového i technického řešení včetně práce techniků.
- Náročný proces implementace řešení.
- Částečná závislost na JavaScriptu a s tím spojené problémy.
- Ochrana osobních dat pří přenosu nezakódovaných uživatelských informací.

Hybridní metoda (hybrid method)

Kombinace metod uvedených v bodu 1 a 2 je nejčastější formou hybridní metody. Jde o spojení předností obou metod za účelem eliminace nedostatků, kterými konkrétní metoda disponuje. Lze použít i data ze síťových prvků - routerů a jiných zařízení určených pro sledování paketů.

Jak již bylo uvedeno výše, v současné webové analytice je nejvíce používána především metoda „Značkování stránek". Uvedená preference však neznamená, že podmínkou kvalitního měření je nutnost zvolit metodu značkování stránek. Záleží hlavně na potřebách firmy, jejím technickém a finančním zázemí a na dalších podstatných faktorech, které mohou ovlivnit rozhodnutí, jakou metodu (nástroj) využít.

Použitá literatura:

CHEF, Tad. SEOptimise [online]. February 26th, 2009 by [cit. 2010-05-08]. 40 Advanced Web Analytics Tools for Business, Big & Small. Dostupné z WWW: <http://www.seoptimise.com/blog/2009/02/40-advanced-web-analytics-tools-f....

Wikipedia [online]. 2010, 4 June 2010 [cit. 2010-05-08]. List of web analytics software. Dostupné z WWW: <http://en.wikipedia.org/wiki/List_of_web_analytics_software>.

ROMAN, Appeltauer. Dobrý web [online]. 2010 [cit. 2010-05-08]. Porovnání nástrojů na analýzu návštěvnosti. Dostupné z WWW: <http://konference.dobryweb.cz/web-analytics/prezentace/12-roman-appeltau....

WASP : WASP Blog. [online]. February 24th, 2010 [cit. 2010-05-08]. Who Runs Analytics? Top 500 Retail Websites Report. Dostupné z WWW: <http://blog.webanalyticssolutionprofiler.com/2010/02/who-run-analytics-t....

BRIGHT , Doug. Istobe [online]. January 25th, 2010 [cit. 2010-05-08]. E-Commerce Web Analytics Market Share (January 2010). Dostupné z WWW: <http://istobe.com/blog/2010/01/25/e-commerce-web-analytics-market-share-....

SNÍŽEK, Martin. LUPA [online]. 23. 3. 2010 [cit. 2010-05-08]. Pokročilé nástroje webové analytiky (aneb až vám Google Analytics přestanou stačit). Dostupné z WWW: <http://www.lupa.cz/clanky/pokrocile-nastroje-webove-analytiky/>.

Přednášky předmětu Webová analytika. Vyučující Robert Němec, Klára Boháčková.

LAPOINTE, Evan. Search Engine Land [online]. Aug 31, 2009 [cit. 2010-05-08]. How To Choose A Web Analytics Solution. Dostupné z WWW: <http://searchengineland.com/how-to-choose-a-web-analytics-solution-24705>.

CLIFTON, Brian. Google Analytics : Podrobný průvodce webovými statistikami. 1. vyd. Brno: Computer Press, 2009. 334 s. ISBN 978-80-251-2231-0.

Špinar, David. Kurz vyhodnocování návštěvnosti a efektivity webu - H1.cz. [online]. Dostupné z WWW: <www.h1.cz/att/MG427_4_navstevnost.ppt>.

JAŠEK, Pavel. Webová analytika v internetovém obchodování. Praha, 2008. Bakalářská práce. Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky.

KLÁN, Petr. Analýza Google Analytics [online]. Brno, 2009. 33 s. Bakalářská práce. Masarykova univerzita. Fakulta informatiky. Dostupné z WWW: <http://is.muni.cz/th/207784/fi_b/bc.pdf>.

Klán, Petr. Webová analytika [online]. Dostupné z WWW: <www.cs.cas.cz/pklan/webovaanalytika.doc >.

NĚMEC, Robert; BOHÁČKOVÁ, Klára. RobertNemec.com. [online]. 27. 08. 2009 [cit. 2010-05-08]. Přesnost a metodologie webových analytik. Dostupné z WWW: <http://webova-analytika.robertnemec.com/presnost-metodologie-webovych-an....

Web Analytics Association [online]. 2008 [cit. 2010-05-08]. Dostupné z WWW: <http://www.webanalyticsassociation.org/>.

SNÍŽEK, Martin. LUPA [online]. 23. 3. 2010 [cit. 2010-05-08]. Pokročilé nástroje webové analytiky (aneb až vám Google Analytics přestanou stačit). Dostupné z WWW: <http://www.lupa.cz/clanky/pokrocile-nastroje-webove-analytiky/>.

Google [online]. ©2010 [cit. 2010-05-08]. Nápověda Analytics. Dostupné z WWW: <http://www.inflow.cz/nastroje-webove-analytiky>.

Wikipedie [online]. 3. 6. 2010 [cit. 2010-05-08]. JavaScript. Dostupné z WWW: <http://en.wikipedia.org/wiki/List_of_web_analytics_software>.

AVINASH, Kaushik. Analytics Blog [online]. 25 Sep 2006 [cit. 2010-05-08]. How to Choose a Web Analytics Tool: A Radical Alternative. Dostupné z WWW: <http://www.kaushik.net/avinash/2006/09/how-to-choose-a-web-analytics-too....

BOHÁČKOVÁ, Klára. RobertNemec.com. [online]. 09. 02. 2010 [cit. 2010-05-08]. Teplotní mapy pro web: porovnání nástrojů a k čemu slouží. Dostupné z WWW: < http://webova-analytika.robertnemec.com/heatmapy-teplotni-mapy-porovnani/>.

WOLF, Karel. LUPA [online].  02. 06. 2009 [cit. 2010-05-08]. Střípky z Web Analytics Konference.
Dostupné z WWW: <http://www.lupa.cz/clanky/stripky-z-web-analytics-konference/>.

WASP : WASP Blog. [online]. February 24th, 2010 [cit. 2010-05-08]. Who Runs Analytics? Top 500 Retail Websites Report. Dostupné z WWW: <http://blog.webanalyticssolutionprofiler.com/2010/02/who-run-analytics-t....

Wikipedia [online]. 2010, 15. 4. 2010 [cit. 2010-05-08]. HTTP cookiess. Dostupné z WWW: <http://cs.wikipedia.org/wiki/HTTP_cookie>.

Wikipedia [online]. 2010, 15. 4. 2010 [cit. 2010-05-08]. Cloud computing. Dostupné z WWW:
<http://cs.wikipedia.org/wiki/Cloud_computing>.

Collecting Web Data: A Look at Web Analytics Methodology : The ROI Revolution Blog [online]. May 1, 2006 [cit. 2010-05-08]. Dostupné z WWW: <http://www.roirevolution.com/blog/2006/05/how_web_analytics_are_collecte....

TESAŘ, Milan. Milantesar.net [online]. 5. únor 2007 [cit. 2010-05-08]. Pojmy analýzy návštěvnosti. Dostupné z WWW: <http://www.milantesar.net/analyza-navstevnosti/pojmy-analyzy-navstevnosti>.

PETERSON, Eric T. Web analytics demystified: A Marketer´s Guide to Understanding How Your Web Site Affects Your Business. Celilo Group Media and CafePress, 2004. 241 s. ISBN 0-9743584-2-8. Dostupné z WWW: < http://books.google.cz/books?id=g3sWkbuPTQcC&dq=web+analytics+demystifie....

BRÁZDA, Jiří. SlideShare [online]. 17. 06. 2009 [cit. 2010-06-08]. Nástroje webové analytiky v ČR. Dostupné z WWW: <http://www.slideshare.net/jiribrazda/nastroje-webove-analytiky-v-cesku?f....

Poznámky:

[1] Tento obecně známý fakt mimo jiné uvádí ve své publikaci Eric. T. Peterson.

[2] Konzultace Pavel Jašek.

[3] http://www.seoptimise.com/

5 „Vyhledávací analytika je označení pro analýzy a agregace statistik vyhledávacích nástrojů pro použití v internetovém marketingu (SEM - marketing zaměřený na vyhledávače) a u vyhledávacích nástrojů."

[5]Teplotní mapy (tzv. heat maps) jsou grafickým zobrazením interakce návštěvníků a webových stránek. Z teplotních map můžete zjistit, o jaká místa stránek mají uživatelé největší zájem a která místa naopak ignorují. Na základě teplotních map můžete upravovat webové stránky takovým způsobem, aby byly přitažlivější pro návštěvníky, odhalíte slabiny stránek a navíc jasně uvidíte, na které sekce, nadpisy, odkazy nebo reklamy návštěvníci skutečně klikají."

[6]SaaS (Software jako služba - Software as a Service) je model nasazení softwaru, kdy dochází k hosting aplikace provozovatelem služby. Služba je dále nabízena zákazníkům přes internet."

[7] „Proprietární software je takový software, kde jeho autor upravuje licencí (typicky EULA) či jiným způsobem možnosti jeho používání. K takovému software nejsou zpravidla k dispozici volně zdrojové kódy či v nich nelze svobodně dělat úpravy a výsledné dílo distribuovat. Takový software obvykle spadá do kategorie komerčního software, který jeho autor prodává."

[8] Přestože takovéto studie mohou být v některých případech více či méně přesné, poskytují často velmi důležité přehledy o míře a způsobu používání analytických nástrojů. Zmíněné nepřesnosti mohou být zapříčiněny: 1. nemožností rozpoznat/vyhodnotit veškeré nástroje, 2. zkreslením výsledků testované skupiny webů (velikost vzorku, charakter webů, geografická rozdílnost {ČR versus USA}).

[9] Tento problém souvisí obecně s (ne)možností úpravy již zapsaných dat např. za pomoci zpětných filtrů.

[10] Ve webové analytice je za standardní dobu trvání považována doba 30 minut. Po tomto časovém úseku, pokud návštěvník neprovede žádnou akci, je tento považován za novou opakující se návštěvu, a to poté, provede-li následně určitou akci.

[11] V praxi často dochází také k sémantickým chybám, které však souvisí s nepochopením významu přizpůsobení měřícího kódu.

[12] Nutnost označení každé stránky může mít výjimky. Příkladem jsou projekty z oblasti internetového bankovnictví nebo weby uzpůsobené přihlášeným uživatelům.

[13] Pro kontrolu, zda jsou veškeré stránky označeny kódem, je vhodné použít revizní software - např. Web Link Validator. http://www.relsoftware.com/wlv/.

[14] S problematikou umístění skriptu souvisí i fakt, že jestliže je v kódu JavaScriptu chyby, pak se skriptovací jazyk prohlížeče v daném místě zastaví a další skripty již nezpracovává.

[15] First party cookiess jsou cookiess, které jsou nastaveny přímo z domény prohlížené internetové prezentace. Third party cookiess pocházejí z jiné domény, než má právě prohlížená internetová prezentace.

[16] JavaScript - „Je multiplatformní, objektově orientovaný skriptovací jazyk. Používá se jako interpretovaný programovací jazyk pro WWW stránky, často vkládaný přímo do HTML kódu stránky. Jsou jím obvykle ovládány různé interaktivní prvky GUI (tlačítka, textová políčka) nebo tvořeny animace a efekty obrázků."

[17] Cookiess - Jako cookiess se v protokolu HTTP označuje malé množství dat, která WWW server pošle prohlížeči, který je uloží na počítači uživatele. Při každé další návštěvě téhož serveru pak prohlížeč tato data posílá zpět serveru. Cookiess běžně slouží k rozlišování jednotlivých uživatelů, ukládá se do nich obsah „nákupního košíku" v elektronických obchodech, uživatelské předvolby apod."

„Z hlediska webové analytiky je hlavním účelem souborů cookiess identifikovat uživatele pro pozdější použití - rozlišíme tak vracející se a nové návštěvníky, uplynutí času mezi návštěvami apod."

Při použití souborů cookiess pro sběr údajů o návštěvnících může dojít k nepřesnostem v naměřených datech, a to z důvodu: 1) návštěvníci odmítají či mažou cookiess, 2) uživatelé sdílejí/vlastní více PC (jeden uživatel má více PC, více uživatelů sdílí jedno PC), 3) nepřesnost zakotvená v latenci (zásadní je doba, která uplyne od změny návštěvníka na zákazníka  drahé zboží s e prodává pomaleji, a právě tento fakt může ovlivnit přesnost, neboť je velmi pravděpodobné, že čím větší je doba do uskutečnění nákupu, tím větší je pravděpodobnost, že cookiess bude smazáno).

[18] Ideální řešení v rámci současné éry cloud computingu. Cloud computing je na internetu založený model vývoje a používaní počítačových technologií.  Lze ho také charakterizovat jako poskytování služeb či programů uložených na serverech na Internetu s tím, že uživatelé k nim mohou přistupovat pomocí webového prohlížeče a používat prakticky odkudkoliv." 

[19] S tímto faktem je třeba počítat při vyhodnocování či další práci s nástrojem.

[20] Tato možnost je závislá na čase - v některých případech může trvat i delší dobu. Přesto se v případě umožnění opětovného zpětného zpracování jedná, v porovnání s ostatními metodami, o velkou výhodu.

[21] Nízká cena neplatí např. pro WebTrends.

[22] S tímto faktem je třeba počítat při vyhodnocování či další práci s nástrojem.

[23] Tato možnost je závislá na čase - v některých případech může trvat i delší dobu. Přesto se v případě umožnění opětovného zpětného zpracování jedná, v porovnání s ostatními metodami, o velkou výhodu.

[24] Nízká cena neplatí např. pro WebTrends.

Fotogalerie

Líbil se vám článek?
Stáhnout článek v PDF

1 komentář

Obrázek uživatele admin
Anonym
31. 10. 2010

Dobrý den,

zřejmě jste omylem prohodil tabulky s výhodami a nevýhodami sběru dat přes serverové logy a JavaScriptové tagy.

Přidat komentář

(If you're a human, don't change the following field)
Your first name.
(If you're a human, don't change the following field)
Your first name.

Přečtěte si také

Přihlášení Registrace
RSS Facebook Twitter YouTube
Zobrazit standardní verzi webu

Taky děláme

Feedback