r du intresserad av att f旦rdjupa dig inom analyticsomr奪det men tycker det verkar kr奪ngligt, sv奪rt och l辰tt att g旦ra misstag? H辰r en fast forward f旦rbi fallgropar jag ramlat i.
1 of 87
Download to read offline
More Related Content
16 misstag jag gjort inom digital analys (och hur du undviker dem)
1. 16 misstag jag gjort
inom digital analys
(och hur du undviker
dem)
Daniel Hansson 6 mars 2018
3. Korrupt data
Drar du ut data 旦ver en l奪ng tid inneh奪ller den n辰stan alltid
felaktigheter
Har du allt annat 辰n standardsp奪rning s奪 slutar n辰stan alltid att
fungera d奪 och d奪
L辰tt att missa n辰r du st辰ller in regler f旦r filtrering och/eller
segmentering
5. Hantera korrupt data
G奪 igenom sp奪rningshistoriken med erfarna analytiker som k辰nner till historien
G奪 igenom annoteringar
S辰tt upp en struktur f旦r annoteringar om det saknas
S辰tt upp alerts som varnar vid anomaliteter
Feeda in dem i Slack eller andra kanaler som flera i teamet monitorerar
S辰tt upp automatiska tester som kontrollerar sp奪rningsskript
Ha alltid minst en profil med ofiltrerad data
8. Exempel p奪 s辰songsvariationer jag st旦ter p奪 hos SVT
Tittning p奪 sport h辰nger helt ihop med r辰ttigheter. T.ex. mycket vanligare
med sporttittning p奪 helger under vintern p.g.a. Vinterstudion
Begr辰nsat utbud av drama under maj-augusti g旦r att tittningen g奪r ner f旦r
den h辰r typen av inneh奪ll
Tabl奪anv辰ndning peakar under julhelgerna
Stora titlar som Julkalendern ger extra transittrafik till andra tj辰nster
11. Hantera s辰songsvariationer
J辰mf旦r med samma period tidigare 奪r + justera f旦r andra faktorer som kan p奪verka.
T.ex. organisk tillv辰xt, inneh奪ll, kampanjer etc.
Ha en tveksam inst辰llning till uppdrag d辰r du misst辰nker att s辰songsvariationer
p奪verkar v辰rdet du kan skapa med ditt analysarbete.
Du kan inte j辰mf旦ra med tidigare 奪r
Du ska genomf旦ra A/B-test under perioder som inte 辰r signifikanta f旦r generella anv辰ndning.
Dra ut historisk data f旦r l奪ng tid tillbaka f旦r att f旦rst奪 kontext och bransch. Prata med
erfarna analytiker inom omr奪det.
15. Finns otroligt m奪nga fallgropar
Felaktigt uppsatta segment, t.ex. att en satt upp segment p奪 visit- ist辰llet
f旦r visitor- eller hit-niv奪.
Felaktigt uppsatta filter som g旦r att relevant data saknas
Korrupt sp奪rning som g旦r att relevant data saknas eller 辰r felaktig
UX-problem i analysverktyget som g旦r att en anv辰nt fel rapporter, fel
segment, eller felaktig metric i kombination med dimension
16. Hantera os辰kerheten
L奪t andra analytiker se 旦ver din data, dina rapporter och slutsatser.
r du fortfarande os辰ker, kommunicera os辰kerheten ist辰llet f旦r att d旦lja den.
Ha en 旦dmjuk attityd till dina analyser, hypoteser och rekommendationer
24. Exempel: CTR p奪 l旦pet 旦kar ju mer
redaktionellt inneh奪ll (lila) vi publicerar
Samtidigt leder redaktionellt inneh奪ll till
l辰gre m奪luppfyllnad, j辰mf旦rt med SVT
Play-puffar (gr旦na).
25. F奪 en s奪 fullst辰ndig bild av anv辰ndningen som m旦jligt
De flesta av de tj辰nster jag jobba med m辰ts p奪 r辰ckvidd och lojalitet
Ta f旦r vana att, f旦rutom testets m奪l, st辰mma av mot:
Time spent i kontexten som testas/bes旦k + /unik bes旦kare (sticky eller ej?)
Time spent hela tj辰nsten/bes旦k + /unik bes旦kare
Bounce rate
Bes旦k / unik bes旦kare (lojalitet)
terkommandegrad funktionalitet/inneh奪ll (olika intervall - anv辰nd cohortdiagram)
Videostarter / bes旦k + /unik bes旦kare
Nya titelstarter / bes旦k +/unik bes旦kare (uppt辰ckandegrad)
Time spent nytt inneh奪ll / bes旦k + /unik bes旦kare (stickyness i uppt辰ckandet)
26. A: Original B: Under popul辰rt
D: ver spr奪k E: Utan historik
C: Flytta popul辰rt och historik
l辰ngst ned
27. KPI:er A: Original B: Under popul辰rt
C: Flytta popul辰rt och
historik sist
D: ver spr奪k E: Utan historik
Spenderad tid nya titlar/unik
bes旦kare
00:15:18 0,00% 00:15:57 4,25% 00:18:15 19,28% 00:17:39 15,36% 00:18:19 19,72%
Bes旦k/unik bes旦kare 3,98 0,00% 3,97 -0,28% 4,00 0,45% 3,94 -1,10% 3,93 -1,23%
Bounce rate 15,37% 0,00% 15,65% 1,82% 15,30% -0,46% 15,35% -0,13% 15,44% 0,46%
SMST BST
31. Rek - andra = Popul辰rt
Rek - historik = Tombola +
Svansen
Rek - red = F旦r de 辰ldsta + F旦r
de yngsta + Tips
Se om = Du har sett
Leta = A- + S旦k
33. Risker med suboptimering
Nya features och nytt inneh奪ll leder till beteende som p奪verkar de
旦vergripande m奪len negativt.
Det kan handla om att ny funktionalitet lockar till sig klick och beteende som
sedan leder till h旦g exit rate.
Samtidigt som produktens m奪l 辰r att jobba f旦r 旦kad time spent.
Den nya funktionaliteten kan ocks奪 skapa s辰mre lojalitet till produkten
j辰mf旦rt med annan funktionalitet.
38. Hantera kannibalism
Inta en skeptisk h奪llning
ven om ditt experiment visar p奪 bra resultat kanske det bara flyttar
anv辰ndning fr奪n ett st辰lle till ett annat.
Vanligt n辰r en l辰gger till eller flyttar liknande element
Var noggrann med att m辰ta anv辰ndning av alla element f旦r att se hur
klick flyttas, 旦kar eller minskar. Bencha mot 旦vergripande m奪l.
39. Exempel: G旦r du en f旦r辰ndring i en
lista/element p奪 Barnplays startsida beh旦ver
du ocks奪 - detaljerat - m辰ta alla andra
konkurrerande element
41. Exempel p奪 n辰r du inte ska chansa
Du k辰nner dig pressad av team, chefer eller stakeholders att komma med insikter p奪
begr辰nsad tid
T.ex. efter en lansering, Hur har det g奪tt?
Du f奪r inte ut den data du beh旦ver p奪 r辰tt s辰tt
T.ex. p奪 en aggregerad niv奪 eller s奪 segmenterat som du vill, Kan du inte g旦ra stickprov?
Du ska f旦rklara varf旦r n奪got har h辰nt
T.ex.: Varf旦r har det g奪tt s奪 bra 2017?
46. M辰nniskor uppvisar en kraftig tendens att
tolka observerade korrelationer som
orsakssamband; detta leder ofta till
missf旦rst奪nd, och utnyttjas ibland
medvetet.
- Skolverkets l辰rarhandledning f旦r gymnasiet
47. Exempel: L辰ngre vy med fler alternativ leder till minskad exit rate
A B
A B
54. Hur blir du s辰ker p奪 orsakssamband?
Genomf旦r A/B-test
Testa en f旦r辰ndring 奪t g奪ngen
Testar du flera justeringar 奪t g奪ngen kan du inte vara s辰ker p奪
vilken f旦r辰ndring som ledde till f旦r辰ndring
56. Hantera k辰nslor och bias
Mobba 辰ven analysarbete
Bjud in och l奪t andra bli delaktiga i analysarbetet
V辰nta ut f旦r辰ndringskurvan innan du avslutar experiment
Det 辰r l辰tt att frestas till att avsluta experiment som validerar din
hypotes, innan tillr辰ckligt med data har samlats in
S辰tt upp teamregel: uppf旦ljningstest ska alltid genomf旦ras
63. F旦r辰ndringskurvan
Anv辰ndarnas change curve kan variera beroende p奪 en rad faktorer.
T.ex. andel lojala anv辰ndare och hur stor f旦r辰ndringen 辰r.
F旦rs旦k f旦rst奪 hur f旦r辰ndringskurvan ser ut f旦r din produkt.
Titta p奪 historiska releaser (och ta med s辰songsvariationer i analysen)
Prata med erfarna analytiker som kan branschen/produkten
V辰nta in statistisk signifikans 旦ver 95%
Vid vissa f旦r辰ndringskurvor kan signifikansen g奪 upp 旦ver 95% f旦r att
sedan backa tillbaka.
64. Beslutet att utveckla funktionaliteten
togs efter ett tv奪veckors-A/B-test + 7
anv辰ndningstest
Resultatet: halverad anv辰ndning efter
tv奪 m奪nader
Exempel: ny feature i Barnplay
65. Ta ut sv辰ngarna i experiment
Det 辰r oftast sv奪rt att veta innan vilken variation som kommer prestera b辰st
Genom att i f旦rsta testomg奪ngen testa brett snarare 辰n sm奪 skillnader av samma element
旦kar sannolikheten att hitta en st旦rre positiv effektf旦r辰ndring
Testa flera parametrar
Exempel f旦rb辰ttra utforskning nya titlar: relevansranking rekommendationer nya titlar,
sl辰pp nytt inneh奪ll p奪 olika s辰tt, testa olika funktionalitet f旦r utforskning
Designa experiment efter hur du l辰r dig snabbast (hint: v奪ga mer)
Ha inte en lean ux-approach till experiment
68. Genomf旦r alltid (alltid!) uppf旦ljningstest
Resultatet av f旦rsta testet kan vara skevt p.g.a:
S辰songsvariationer som lov, helg, jul och ny奪r
Onormalt (im)popul辰rt inneh奪ll som Skam, Bron, Sommarlov,
terrorattack, sportevenemang, valspurt
Transittrafik som spiller 旦ver
F旦rsta testet kan ha varit fel uppsatt eller haft problem med
sp奪rning av data
Du kan vilja g旦ra mindre justeringar p奪 f旦rsta testet
Timeboxa inte experimentperioder
70. Hantera f旦rv辰ntningar
Den statistiska signifikansen i ett
A/B-test g辰ller att variation X 辰r
b辰ttre eller s辰mre 辰n originalet
G旦r jag uppf旦ljningstest och f奪r
liknande resultat med h旦g signifikans
kan jag ibland r辰kna p奪 potentiella
framtida effekter.
Det g辰ller framf旦rallt n辰r jag vill
旦vertyga intressenter att prioritera
upp en hypotes som visar potential.
73. G奪 inte miste om v辰rdefull data
Adobe Analytics och Google Analytics kan
oftast m辰ta mycket mer 辰n externa
A/B-testverktyg:
Spenderad tid
terkommandegrad
Typ av bes旦kare (daglig, lojal, s辰llan)
Detaljerade trafikk辰llor
Anpassade dimensioner just f旦r din produkt
Skicka med testets variationer/spannar som
anpassade metrics/dimensioner eller liknande
75. G奪 inte miste om v辰rdefull data
Ibland kan det generiska resultatet
visa p奪 minimal f旦r辰ndring j辰mf旦rt
med originalet
Ta f旦r vana att ocks奪 unders旦k
segmenterade resultat, t.ex.:
Typ av enhet: mobil, platta, desktop
Typ av anv辰ndare: lojal, s辰llan,
daglig eller f旦rstag奪ngs
Typ av landning: startsida,
undersida
Trafikk辰lla: s旦k, social media,
direkt, l辰nk
80. L辰gg inte tid p奪 arbete som riskerar att bli waste
Viss anv辰ndning 辰r s奪 motivationsdriven att det 辰r sv奪rt att p奪verka/f旦rb辰ttra 旦nskad effekt,
oavsett hur d奪lig upplevelsen 辰r.
Exempel:
Inneh奪ll som en bara kan komma 奪t p奪 ett st辰lle: Game of Thrones
Uppgifter som en bara kan l旦sa p奪 ett st辰lle: k旦pa konsertbiljetter
N辰r en redan har gjort sitt val: boka tid hos plastikkirurg
F旦rs旦k att f旦rst f旦rst奪 hur stor motivationen 辰r hos anv辰ndarna, om de kan genomf旦ra processen
p奪 andra s辰tt eller hos konkurrenter. Och hur h旦ga barri辰rerna 辰r f旦r alternativa s辰tt.
81. #15
Jag har lagt ned analystid p奪
saker som jag inte kan p奪verka
82. L辰gg inte tid p奪 arbete som riskerar att bli waste
Organisationer som s辰ger att de jobbar datadrivet men bara agerar bara p奪 r辰tt data
N辰r metoder anv辰nds p奪 felaktigt s辰tt
T.ex. A/B-test p奪 p奪 tok f旦r lite trafik
N辰r det finns rigida id辿er kring vad som ska g旦ras, trots p奪 f旦rhand uppenbart begr辰nsat
v辰rde
T.ex. experiment som 辰r uppsatta s奪 att de inte leder till l辰rande
N辰r det finns sm奪 m旦jligheter att justera sp奪rning,
T.ex. hos f旦retag som saknar tag management-system och samtidigt har f奪 releaser.
83. Hantera risk f旦r analytics-waste
Kolla upp organisationens/teamets kultur, politik, bemanning och andra f旦ruts辰ttningar
innan du tackar ja till uppdrag.
En bra fr奪ga f旦r att kolla kulturen 辰r:
N辰r tog ni senast bort en skeppad feature fr奪n er produkt?.
Svaret visar ofta p奪 hur v辰l organisationen f旦ljer upp och agerar p奪 data.
85. Varf旦r 辰r det en dum id辿?
Det 辰r sv奪rt att p奪verka prioriteringar i backloggen (t.ex. features och
sp奪rning som 辰r vitala f旦r ditt analysarbete)
Det blir ofta en extra uppf旦rsbacke trov辰rdighetsm辰ssigt n辰r en
presenterar analyser och f旦resl奪r hypoteser att validera (Not invented
here-syndromet)
Det 辰r l辰tt att missa produktjusteringar, buggar och insikter som bara
kommuniceras informellt inom teamet
Avst奪ndet mellan analytiker och UX/konceptutvecklare blir f旦r stort
86. Om du verkligen vill f旦r辰ndra
Tacka nej till analysarbete utanf旦r utvecklingsteam om det inte finns starka sk辰l
Utv辰xlingen 辰r n辰stan alltid st旦rre n辰r dina metoder naturligt integreras i det vanliga
produktutvecklingsarbetet:
i research
i hypotesvalidering
i uppf旦ljning
i prioritering
F旦r辰ndringen sker d奪 organiskt och h奪llbart. Och blir mycket mindre personberoende.