Kayıp verileri telafi etmek için 3 Google Analytics 4 özelliği

Google Analytics'in eski sürümünün yakında kullanımdan kaldırılmasıyla, Google Analytics 4 (GA4) çağına girdik. Büyük bir makyaj ve veri modeli değişikliğinin yanı sıra, platformun en güçlü yükseltmelerinden biri, makine öğrenimi yeteneklerinin eklenmesi ve iyileştirilmesiydi.

Google Analytics artık gözlemlenen verileri ve gözlemlenmeyen verileri birleştirme yeteneğine sahiptir. Bu sadece bir avantaj değil, aynı zamanda bir gerekliliktir çünkü tarayıcı tanımlama bilgileri ve kullanıcı tanımlayıcılarındaki değişiklikler eski izleme yöntemini giderek daha fazla sınırlandırmaktadır.

İzleme ve analiz araçlarımız, bildiğimiz şekliyle verileri kaybediyor ve buna ayak uydurmamız gerekiyor. GA'daki bazı kolay özelliklerin kullanılması, verilerden haberdar kalabilmeniz için bu kaybın telafi edilmesine yardımcı olacaktır.

Daha derine inin: Google Analytics 4'teki 3 "gizli" pazarlama aracı

Gözlemlenmemiş veriler: Nasıl çalışır ve neden önemlidir?

Hangi analiz aracını kullanırsanız kullanın, gözlemlenmemiş verilerden yararlanmak, gelişen dijital pazarlama analizi ortamına ayak uydurmak için harika bir araçtır. Gözlenmeyen ve gözlemlenen veriler arasındaki fark, toplanan veriler ile modellenen veriler arasındaki farktır.

Çerezlerle kullanıcıları takip etmek, neredeyse tüm tarayıcılar çerezleri kabul ettiğinden, eskiden daha güvenilirdi. Analizle çalışma şekli, bir kullanıcı bir web sitesine girdiğinde otomatik olarak bir çerezle damgalanmasıdır. Bu çerez, GA gibi platformların kullanıcıları cihaz bilgileri, konum, demografi ve en önemlisi "yapışkan" rastgele bir kimliğe göre tanımlamasına olanak tanır.

Bu kullanıcı web sitesine geri döndüğünde, kimlik GA tarafından geri dönen bir kullanıcı olarak tanınır ve bu kullanıcının geçmiş bilgilerini yeni etkinlikle birleştirir. Mobil uygulamalar için davranış benzerdir. Cihazların tanımlayıcı olarak çerez yerine benzersiz bir reklam kimliği vardır (Android ve iOS'un farklı sürümleri vardır.)

Ancak, son birkaç yılda işler yavaş yavaş değişiyor ve değişmeye devam edecek. Bu eski davranışla ilgili çok büyük bir sorun var: Bu, kullanıcılara kişisel bilgilerinin paylaşılması üzerinde çok az kontrol sağlıyor veya hiç kontrol sağlamıyordu. Gizlilik dikkate alınmadı ve kuruluşlar, izleyicilerinin bilgileri üzerinde %100 kontrole sahipti.

Bu tür verilerin GA'da toplanması hizmet şartlarına aykırı olduğundan, varsayılan olarak Google Analytics ile hiçbir kişisel olarak tanımlanabilir bilgi (PII) izlenmedi, ancak PII'nin tanımı, politikaların farklı yasalar ve güvenlik ekipleri tarafından nasıl yazıldığına ve yorumlandığına bağlı olarak değişti.

Artık kullanıcılar, analitik araçlarının veri toplamasını engelleyebilir ve devre dışı bırakabilir. Otomatik devre dışı bırakma, GDPR için varsayılan ayardır ve diğer ülkelerin yasalarının bunu kesinlikle benimseyeceğinden emin olabilirsiniz. Bu "çerezsiz gelecek".

Uzun lafın kısası — kullanıcı verilerinin hacmini veya ayrıntılarını alışık olmayacağız, bu yüzden bu boşluğu doldurmanın zamanı geldi. Google Analytics 4'te, kaybolan verileri telafi etmek için birkaç kullanıma hazır özellik vardır. İzleme kurulduktan sonra çok az veya hiç kaldırma gerektirmezler, bu nedenle bugün bunları test edebilir ve bunlardan yararlanabilirsiniz. Üç örnek:

• Veriye dayalı ilişkilendirme
• Tahmini metrikler
• davranış modelleme

Daha derine inin: Pazarlama ilişkilendirmesi ve tahmine dayalı analitik araçları ne işe yarar?

1. Veriye dayalı ilişkilendirme

Arayüze aşina değilseniz, GA4'te veriye dayalı ilişkilendirmeyi (DDA) bulmak biraz zor olabilir. Raporlar alanı yerine Reklam ekranında bulunur. Reklam raporları ilginçtir ve verilerinizin farklı bir görünümünü sağladıkları için bölünmüştür.

Universal Analytics'te (bazen GA3 olarak anılır), en yakın eşdeğeri Çok Kanallı Dönüşüm Hunisi raporlarıdır. İyi bir tanımlayıcıdır çünkü bu raporlar, dönüşüm analizini birden çok temas noktasına ve daha eksiksiz bir kullanıcı yolculuğuna genişletir. Önceden, veriye dayalı ilişkilendirme yalnızca ücretli 360 hesaplarda kullanılabiliyordu, ancak artık herkes tarafından kullanılabilir.

DDA ilişkilendirme modeli, bir kanalın bir dönüşüme yardımcı olma açısından ne kadar önemli olduğunu göstermek için istatistiksel bir model kullanır. Örneğin, ana GA4 edinme raporunda Organik Arama kanalıyla ilişkilendirilen 5.000 satın alma olabilir, ancak Ücretli Arama kanalından önceki temas noktaları nihai olarak satın alan kullanıcı üzerinde önemli ölçüde etkili olabilir.

İstatistiksel model, kullanıcıların davranışları ve dönüşüme giden yollar hakkındaki verileri alacak ve farklı temas noktalarının ne kadar kredi alması gerektiğini belirleyecektir. Bir önceki örnekte %100 kredinin organik hale gelmesi yerine kredi, kullanıcıların bir işlem yapmadan önce geldikleri tüm kanallarda yüzdelere bölünecekti.

DDA'nın görselleştirmesi, Reklamcılık > Dönüşüm Yolları raporunda bulunur (yukarıda resmedilmiştir.)

2. Öngörülü metrikler

Kullanıcıların gördükleri ve etkileşimde bulundukları şeyler hakkında verilerimiz var, ancak bundan sonra ne yapacaklar? Bu, gözlemlenmemiş verilerin nihai örneğidir çünkü “gelecekteki” davranışı içerir. Not olarak, bu özellik şu anda yalnızca e-ticaret ve çalkalanan verilerle ilgilidir.

Tahmine dayalı metrikler ve tahmine dayalı kitleler kullanılmadan önce e-ticaret izlemenin kurulması gerekir. E-ticaret izlemeniz varsa, tahmine dayalı modellemeyi görebileceğiniz ve kullanabileceğiniz en önemli alanlar Keşfet raporları ve Kitle aracıdır.

Keşfet raporlarında, tahmini metrikler en iyi Kullanıcı Ömrü tekniğinde kullanılır. Bu rapor türünde, satın alma olasılığı, kaybetme olasılığı ve tahmin edilen gelire dayalı olarak içe aktarılacak metrikleri seçebilirsiniz. Seçim ekranında bu ölçümlere ayrılmış bir bölüm var.

GA4'teki tahmin verileri (hem burada hem de Kitle aracında) geçmiş kullanıcı etkinliğine dayalıdır. Satın alma işlemi gerçekleştiren kullanıcıların yapmayanlara kıyasla veri puanları ile model, olasılıkları ve yüzdelik dilimleri geliştiren trendleri öğrenecektir. Abone kaybı için model, sitenize veya uygulamanıza gelecek hafta kimlerin geri dönmeyeceğini belirlemek için etkin olan ve etkin olmayan kullanıcılara bakar.

Bilgiler, Google Analytics dışında da kullanılabilir. Kitleler ve segmentler, olası/olası olmayan alıcıları izole etmek için oluşturulabilir ve yeniden pazarlama için Google Ads'de kullanılabilir. Birkaç tıklamayla tahmine dayalı bir kitle oluşturmak için Yönetici > Kitleler > Yeni Kitle > Tahmini bölümüne gidebilirsiniz. Bu size, istediğiniz gibi kullanmanız ve özelleştirmeniz için önceden hazırlanmış şablonlu hedef kitleler sağlar (aşağıda resmedilmiştir.)

3. Davranış modelleme

Davranış modelleme, bu üç makine öğrenimi özelliğinden en etkili olanıdır çünkü kullanıcı izlemeyi doğrudan kaynaktan, yani tanımlayıcıdan etkiler. Google Analytics'in izlenmeye izin vermeyen kullanıcılar hakkında veri toplayabilmesi için GA4'ü çerez izni yönetim aracınızla entegre etmeyi içerir.

Bu kulağa mantıksız gelebilir, ancak veriler anonimleştirilmiştir ve bir tanımlama bilgisi veya herhangi bir kullanıcı tanımlayıcısı ile ilgili değildir. Bunun yerine, kullanıcı düzeyinde etkinliği belirlemek için yalnızca anonim etkinlik verileri kullanılır. Sitenizin veya uygulamanızın verilerini temel aldığı için güçlüdür. Gözlemlenen kullanıcıların (takip etmeyi seçen kullanıcılar) davranışı, izlemeyi devre dışı bırakan kullanıcıların davranışını tahmin etmek için bir makine öğrenimi modeli eğitir.

Davranış modellemenin avantajlarından yararlanmakla ilgileniyorsanız, Google'ın izin moduyla ilgili belgeleri, bu kullanıcı izleme yönteminin kullanılmasıyla ilgili görüşme ve işlem başlatmanıza yardımcı olabilir. GA4 hesabınızda davranış modellemeyi etkinleştirme seçeneği Admin > Reporting Identity > Blended konumundadır.

GA4'ün makine öğrenimi özelliklerinden en iyi şekilde yararlanma

Yukarıdaki araçlarla, kullanıcılarınız ve verilerinizle ilgili sorular, "X sayfası kaç kez görüntülendi?" sorusundan dönüşebilir. "Önümüzdeki 7 gün içinde büyük bir satın alma gerçekleştirme olasılığı en yüksek olan kullanıcılar?" Bu karmaşıklık çok daha eyleme geçirilebilir.

GA4'ün makine öğrenimi yöntemlerini yeniden pazarlama ve kitle paylaşımıyla birleştirmek, analitiğinizi yalnızca analizden anında kullanım durumlarına ve hatta kitle katılımına ve RoAS etkisine kadar başlatabilir.

Bu hikayelerle GA4'ün derinliklerine inin.

Bu makalede ifade edilen görüşler konuk yazara aittir ve MarTech olmayabilir. Personel yazarları burada listelenir.

MarTech'i Google Haberler özet akışınıza ekleyin.

---