I tillegg til å finne en bærekraftig forretningsmodell, sliter dagens utgivere som opererer på den digitale arenaen med en annen utfordring: riktig måling av innholdsytelsen og virkelig forståelse av atferden til publikum. Dette er et reelt problem for alle slags publikasjoner, uavhengig av om de er reklamefinansiert eller en del av den nye rasen som opererer under en leserinntektsmodell.
Ting var litt enklere før. Utgivere kan måle bedriftens suksess ved å notere og sammenligne antall solgte aviser eller magasiner over tid. De kunne deretter estimere størrelsen på lesertall ved å multiplisere antall solgte eksemplarer med 2 eller 2,5, som anses å være den gjennomsnittlige overføringsraten . Informasjon om opplagssuksess var spesielt viktig for annonsører som ville ha bevis på verdi før de investerte i annonseplass.
Eldre medieutgivere er fortsatt avhengige av denne typen beregninger fordi la oss innse det – det er så bra som det blir.
Når de har gått inn i den digitale æraen, oppdaget utgivere nye måter å tjene penger på innholdet deres. Imidlertid befant de seg også i ukjent territorium. Å måle innholdsytelsen innebar nå å bruke analyseverktøy og bli datakunnskaper, noe som for mange utgivere viste seg å være en stor bit å svelge. Derfor feilen med å stole på enkeltverdier.
La oss prøve og se hvorfor enkeltverdier som f.eks
- Sidevisninger
- Tid på side og
- Tilbakevendende besøkende
kan ikke være pålitelige beregninger for utgivere som ønsker å måle innholdsytelsen deres, forstå publikumsatferden deres og finne lojale lesere og pleie et sterkt forhold til dem.
1. Sidevisninger
Sidevisninger har alltid vært tilstede for å måle annonseresultater og populariteten til produktsider på netthandelsnettsteder. Denne beregningen tok først fart med Google Analytics , som er et av de mest kjente analyseverktøyene der ute, designet primært for e-handelsbedrifter.
Problemet med sidevisninger:
Dessverre, i mangel av noe bedre, ble sidevisninger snart tatt i bruk som en legitim beregning for å måle innholdsytelse med mange analyseverktøy på markedet.
Her er hvordan sidevisninger har blitt feiltolket av mange utgivere: flere sidevisninger tilsvarer flere besøkende og mer engasjement. Hvis noe innhold genererer mange sidevisninger, er det til syvende og sist bedre enn resten av artiklene, ikke sant?
Egentlig ikke.
La oss nærme oss dette problemet systematisk.
Slik er sidevisninger definert i Google Analytics :
En sidevisning (eller sidevisningstreff, sidesporingstreff) er en forekomst av en side som lastes (eller lastes inn på nytt) i en nettleser. Sidevisninger er en beregning definert som det totale antallet sider som er sett. […] Hvis en bruker klikker på last inn på nytt etter å ha kommet til siden, regnes dette som en ekstra sidevisning. Hvis en bruker navigerer til en annen side og deretter går tilbake til den opprinnelige siden, registreres en andre sidevisning også.
Det er også en beregning kalt Unike sidevisninger som representerer et antall økter der en bestemt side har blitt vist minst én gang. Så hvis en bestemt bruker besøker den aktuelle siden, for så å bevege seg bort fra den og kommer tilbake til den igjen i samme økt, vil GA telle 1 unik sidevisning.
Sidevisninger er imidlertid en nettleserberegning, og den beskriver ikke arten av tilkoblingen eller nivået på engasjementet besøkende hadde med innholdet ditt. Ikke langt på vei.
En person kan åpne en bestemt artikkel og deretter lukke den umiddelbart, eller la den være åpen i en nettleserfane mens han gjør noe annet. Skriptet til analyseverktøyet vil registrere det som en sidevisning uansett.
Vi kan si at det mer nøyaktige navnet for sidevisninger vil være sideinnlastinger , siden denne beregningen ikke nødvendigvis viser antall personer som har sett på siden, men antall ganger siden ble lastet inn i nettleseren.
Slik prøver utgivere å forstå sidevisninger:
Utgivere og innholdsmarkedsførere kan prøve å forstå denne beregningen bedre ved å se hvordan den korrelerer med andre enkeltverdier som er tilgjengelige i GA og lignende analyseverktøy.
De vil for eksempel se på kombinasjonen av enkeltverdier som er tilgjengelige: sidevisninger, gjennomsnittlig tid på side og fluktfrekvens. Så, den vanlige "formelen" for å estimere om en bestemt artikkel presterte bra eller ikke, går omtrent slik:
Høyt antall sidevisninger + "bra" gjennomsnittlig tid på siden + lav fluktfrekvens
"Den ideelle" Time on Page vil være den som samsvarer med nødvendig lesetid for den aktuelle artikkelen. Gjennomsnittlig lesehastighet er omtrent 265 WPM, så utgivere sitter og gjør litt enkel matematikk: Hvis artikkelen deres har 1500 ord, vil det ta rundt 5 minutter og et halvt for en person å lese den, fra topp til bunn. Selvfølgelig vil ikke alle besøkende på nettstedet lese den gjennom, så gjennomsnittlig tid på siden vil være lavere. Den vanskelige delen for utgivere er å bestemme hvilken tid som vil være akseptabel her, dvs. hva som er "god" Gjennomsnittlig tid på side.
Hovedproblemet med dette? Vel, måten Gjennomsnittlig tid på side beregnes på i GA og lignende verktøy kan ødelegge forutsetningene dine (se følgende segment kalt Tid på side / Gjennomsnittlig tid på side).
Per definisjon er en tilbakevisning en enkeltsidesøkt på nettstedet ditt. Fluktfrekvensen er prosentandelen enkeltsidebesøk. Fluktfrekvens for en side er kun basert på økter som starter med den siden.
Så, utgivere tenker: jo lavere fluktfrekvens, jo bedre. I teorien har de rett siden dette indikerer at folk var interessert i annet innhold publisert på nettsiden din, dvs. de bestemte seg for å surfe videre. Men informasjon om hvordan de faktisk engasjerte seg i innholdet ditt er ikke tilgjengelig i standard GAs rapporter. Du kan anta at noen av dem ble stående på nettstedet ditt, men det er alt.
På nettet kan du finne informasjon om de ideelle fluktfrekvensverdiene : de er ikke høyere enn 40 %, mens gjennomsnittsverdier går opp til 55 %. Du bør imidlertid sette en baseline i henhold til din egen nettside og ikke jage etter tall og normer som fungerer for noen andre. I tillegg kan Bounce Rate-verdier være fryktelig misvisende hvis de ikke tolkes riktig. Kontekst er også viktig: for eksempel, hvis en kontaktside har en høy fluktfrekvens, er det ikke det at den ikke gir verdi. Den svarer ganske enkelt på et spesifikt spørsmål for brukere som da ikke føler behov for å surfe videre.
Hvordan vi nærmet oss dette problemet:
I motsetning til sidevisninger i GA og lignende verktøy, har vi hos Content Insights utviklet komplekse beregninger . Vår analyseløsning har Article Reads , som fokuserer på ekte menneskelig atferd, da den tar hensyn til sanntid brukt på siden, men også måten folk samhandler med siden (f.eks. klikk, tekstvalg, rulling osv.). I tillegg til Article Reads, har CI også Read Depth som en kompleks beregning som avslører hvor dypt en besøkende har kommet inn i å lese et innhold. For større presisjon er den avhengig av kombinasjonen av flere beregninger, en av dem er oppmerksomhetstid. I tillegg har vi også Page Depth som beregner gjennomsnittlig antall besøkte sider etter at en leser åpner den første siden, eller artikkelen.
2. Tid på side / Gjennomsnittlig tid på side
Mange utgivere ser på Tid på side og Gjennomsnittlig tid på side når de prøver å definere hvilket innhold som kan anses som engasjerende. De tror at jo lenger folk blir på en bestemt side, jo større er sannsynligheten for at det tilbudte innholdet engasjerer.
Men etter å ha innsett måten denne beregningen måles på, vil du se at den ikke gir noen pålitelig innsikt.
Problemet med å måle tid på side:
Google Analytics og lignende analyseverktøy måler disse beregningene kun på nettlesernivå, som ikke sier noe om måten folk engasjerer seg i innholdet.
Når en person navigerer bort fra siden, men lar fanen være åpen – kan ikke Google Analytics og lignende analyseverktøy registrere det. Når det gjelder analysene, forlot personen aldri nettstedet. GA kan heller ikke måle tiden en bruker brukte på den siste siden av sitt besøk på nettstedet ditt. Pluss, hvis den besøkende forlater etter å ha sett på bare én side (dvs. hvis et besøk er en retur) – vil ingen tid bli registrert i det hele tatt.
Som du kan se, gjenspeiler ikke disse dataene riktig nivået av leserens engasjement med innholdet ditt.
Hvordan utgivere prøver å forstå gjennomsnittlig tid på side:
Noen utgivere distribuerer hendelsessporere, for eksempel rulledybde, i et forsøk på å få mer nøyaktige rapporter og sikre at tiden på siden måles selv om siden er en sprett. Det er imidlertid ikke så enkelt.
Når det gjelder å stole utelukkende på rulledybde, er det et underliggende problem angående:
- brukerens virkelige aktivitet
- plasseringen av folden
- lengden på artikkelen
La oss si at en person blar gjennom 60 % av innholdet ditt, men de gjør det på en skjerm som ikke er zoomet 100 %, men 75 %. De kan se resten av innholdet ditt og fortsetter ikke å rulle nedover.
Eller la oss si at de er på 60 % av innholdet ditt, men de forblir der i en halvtime (siden forblir åpen og de beveger seg bort fra datamaskinen), før de til slutt hopper av. I tillegg, bare fordi de blar gjennom innholdet ditt, betyr det ikke at de faktisk leser det. Og hva om artikkelen ikke er veldig lang? Rulledybden vil være 100 %, men dette betyr ikke at denne artikkelen har generert mer engasjement eller gir bedre resultater enn andre.
Unødvendig å si, selv med hendelsessporing, kan det hende at rapportene ikke er nøyaktige ettersom de ikke gir et fullstendig bilde. Dataavvik er ikke sjeldne, så kontoeiere kan legge merke til i rapporten at gjennomsnittlig tid på siden er lengre enn gjennomsnittlig øktvarighet, noe som ikke gir mye mening. I Google Analytics kalles dette «tapt tid».
Hvordan vi nærmet oss dette problemet:
I motsetning til GA og lignende analyseverktøy, måler Content Insights oppmerksomhetstid , som er den faktiske tiden en bruker bruker på siden for å konsumere innhold. Den tar ikke i bakhodet ledig tid, dvs. tiden en person ikke er aktiv på siden eller er borte fra siden. Så det du får med denne beregningen er den faktiske engasjerte tiden.
Vår analyseløsning er avhengig av en kompleks algoritme kalt Content Performance Indicator (CPI). KPI presenteres alltid i form av et tall, fra 1 til 1000, hvor 500 er grunnlinjen (aka "normen") for den observerte nettsiden, delen, emnet, forfatteren eller artikkelen.
CPI tar hensyn til dusinvis av forskjellige innholdsytelsesmålinger og undersøker relasjonene deres. Den veier dem også forskjellig i henhold til tre atferdsmodeller: eksponering , engasjement og lojalitet . Så vi har utviklet tre KPI-er som måler denne atferden: Eksponerings-KPI , Engasjement-KPI og Lojalitets-KPI .
I forbindelse med engasjement har vi Engasjement CPI som beregnes ved å måle oppmerksom lesing og leserreisen innenfor nettstedet eller domenet. Det tilbyr en langt mer avansert og presis måte å måle engasjement på sammenlignet med bare å undersøke Time on Page, som er en enkelt beregning innenfor GA og lignende analyseverktøy.
3. Tilbakevendende besøkende
For å forstå hva returnerende besøkende er, må vi kort undersøke hvordan Google Analytics og de fleste av dagens analyseverktøy sporer brukere.
Første gang en bestemt enhet (stasjonær, nettbrett, mobilenhet) eller nettleser (Chrome, Firefox, Internet Explorer) laster inn innholdet på nettstedet ditt, tildeler Google Analytics-sporingskoden en tilfeldig, unik ID kalt klient-ID-en, og sender den deretter. til GA-serveren
Unik ID regnes som en ny unik bruker i GA. Hver gang en ny id oppdages, teller GA en ny bruker. Hvis brukeren sletter nettleserinformasjonskapsler, blir ID-en slettet og tilbakestilt.
Med dette i bakhodet, er en returnerende besøkende den som bruker samme enhet eller nettleser som før for å få tilgang til nettstedet og starte en ny økt, uten å slette informasjonskapsler . Så hvis Google Analytics oppdager den eksisterende klient-ID-en i en ny økt, ser den på den som en tilbakevendende besøkende.
Problemet med returnerende besøkende:
Problemet med å beregne returnerende besøkende er åpenbart: analyseverktøy kan telle den samme besøkende som returnerte til nettstedet som ny – bare fordi de har endret enhet eller nettleser, eller slettet informasjonskapslene. Det er ikke mye noen kan gjøre med dette siden deres klient-ID blir endret på denne måten. Det er ikke mulig å spore brukere på tvers av ulike nettlesere og enheter. Google Analytics kan også telle den samme besøkende som nye og returnerende, hvis de kommer tilbake innen en viss tidsperiode. Dette betyr at det kan være en overlapping mellom nye og returnerende besøkende, noe som forårsaker dataavvik. I tillegg kan samme bruker telles to ganger for samme kilde/medium.
Det er imidlertid et mye større problem her:
Mange utgivere har akseptert returnerende besøkende som en beregning som indikerer antall lojale lesere, noe som er en logisk feilslutning.
Tilbakevendende besøkende angir antall personer som har besøkt nettstedet ditt tidligere og deretter kom tilbake. Denne rapporten sier imidlertid ingenting om:
- Hvor bra innholdet ditt er til å engasjere besøkende
- Den faktiske menneskelige oppførselen (hvordan folk samhandler med innholdet ditt)
- Hyppigheten og nyheten av besøkene deres
- Hvorvidt disse besøkende faktisk er lojale mot publikasjonen din eller bare sporadiske snokere som var på nettstedet ditt før (dvs. har disse besøkende dannet en faktisk vane med å besøke publikasjonen din eller bare tilfeldigvis snublet over nettstedet ditt mer enn én gang over en viss tidsperiode av XY grunner)
For bedre å forstå denne metrikken, kan vi prøve å forklare den med en enkel analogi. Hvis en person går til en butikk, drar og kommer tilbake igjen, uten noen spesifikk hensikt eller faktisk gjør et kjøp – er denne personen en lojal kunde som standard? Egentlig ikke. De kan være det, men du kan egentlig ikke vite det.
Nok en gang må vi understreke – Tilbakevendende besøkende måler nettleseraktivitet, og det har ingenting med lojalitet å gjøre.
Hvordan utgivere prøver å forstå tilbakevendende besøkende:
Mange utgivere velger å ignorere disse beregningsfeilene, eller de er ikke engang klar over hvordan ting virkelig måles. De tar i tankene forholdet mellom nye og returnerende besøkende for å få den beste oversikten over typen trafikk nettstedet deres tiltrekker seg, selv om det ikke er veldig nøyaktig. De sammenligner så ting som antall økter eller gjennomsnittlig tid på siden, i et forsøk på å låse opp likhetene og forskjellene mellom hvordan returnerende og nye besøkende engasjerer seg på nettstedet deres. I tillegg kan de velge å bruke segmentering og generere tilpassede rapporter for mer informasjon om de besøkende.
Likevel er disse rapportene basert på enkeltverdier som ikke gir praktisk innsikt når det gjelder måling av innholdsytelse.
En annen ting som utgivere kan bruke for å få mer nøyaktige data er sporing av bruker-ID , dvs. å etablere et påloggingssystem på nettsiden deres der brukere kan logge inn. Når du er pålogget, kan brukere enkelt spores på tvers av enheter. GA fungerer imidlertid ikke med tilbakevirkende kraft, så hvis du velger å implementere et påloggingssystem – vil det ikke koble til noen tidligere økter. Det brennende problemet her er at de besøkende sannsynligvis ikke vil velge å logge på nettstedet ditt hvis innholdet er tilgjengelig uansett.
Hvordan vi nærmet oss dette problemet:
Labs-teamet til Content Insights har vært spesielt interessert i å forstå og definere lojale lesere, og finne en måte å måle lojalitet på .
Til slutt har vi definert lojale lesere som "rutinemessig svært engasjerte" , siden det mest nøyaktig samsvarer med deres vanlige oppførsel. Det er en spesifikk måte deres "aktive dager" telles i CIs analyser for å sikre at de virkelig samhandler med innholdet.
I motsetning til andre analyseverktøy, måler vi lojalitet på innholdsnivå fordi det er det som virkelig betyr noe. Utgivere ønsker å identifisere de innholdsdelene som oppmuntrer til lojal oppførsel og kanskje bidrar til å konvertere lojale lesere til abonnenter.
Med de siste forbedringene av vår lojalitets-CPI , er det nå mulig å måle akkurat det. Denne atferdsmodellen ser på hvordan artikler bidrar til den generelle lojaliteten til leserbasen din på nettstedet.
"Hvis den ikke er ødelagt, ikke fiks den"
Vi har laget en oversikt over de mest brukte enkeltverdiene og vist i detalj hvorfor det er feil å basere innholdsresultatrapporter på dem.
Det brennende problemet her er at mange av dagens utgivere ikke gidder å forstå måten ting beregnes på.
For eksempel vil utgivere virkelig tro at når de ber om målgrupperapporten i GA – vil de få nøyaktig og pålitelig innsikt i hvordan publikum bruker innholdet deres. Men hver rapport i GA som det ferdige verktøyet er avhengig av enkeltverdier som beskriver nettleserhendelser .
Disse rapportene kan ikke måle menneskelig atferd og dens kompleksitet på riktig måte, uansett hva du kaller dem. Mange analyseverktøy på markedet har bygget hele fortellinger som faktisk er falske og misvisende – siden du egentlig ikke kan måle ting som er lovet deg.
Du kan kalle en katt en tiger og late som om den er ok bare fordi de tilhører det samme slektstreet av kattedyr, men på et tidspunkt – feilen vil stige til overflaten og bli smertelig åpenbar for alle viktige interessenter. Mjau brøl .
Noen utgivere begynner å innse feilslutningen med å tro enkeltverdier når de måler innholdsytelse, men de velger å lukke øynene. Andre er ennå ikke klar over at problemet i det hele tatt eksisterer.
Gitt det faktum at folk naturlig er svært motstandsdyktige mot endringer, holder mange utgivere seg til prinsippet "hvis det ikke er ødelagt, ikke fiks det". Logikken deres er fornuftig: de har brukt enkeltverdier og klart å få endene til å møtes. Endring betyr at det er en fare for å miste kontrollen, den har "usikkerhet" skrevet over seg, den påtvinger ekstra arbeid og er generelt skummel – til og med skremmende.
Men ting ER ødelagt og de trenger å fikses.
Akkurat som alle grunnleggende endringer, følger dette skiftet fra enkeltverdier til komplekse metrikker den såkalte Hemingway-loven om bevegelse : det skjer gradvis og så plutselig. Og akkurat som med enhver type forstyrrende teknologi eller metode som presser verden fremover, får tidlige brukere konkurransefortrinn. Vi har sett det skje. Det er slik fremgang fungerer.
Nå er søkelyset på deg. Hvilke analyser bruker du? Hvordan forstår du data? Hva er din "nordstjerne"-beregning for å måle innholdsytelsen? Vi inviterer deg til å bli med i denne samtalen og dele tankene dine i kommentarene nedenfor.
