Der er flere grunde til, at drømmen om det komplette kundeoverblik ikke er blevet en realitet. Først og fremmest var drømmen som udgangspunkt urealistisk. Det er muligt, at man kan lære en del om sine kunder ved at observere, hvordan de bevæger sig rundt på ens hjemmeside, men man kan aldrig lære noget om, hvad disse kunder tænker på, føler eller oplever, når de besøger hjemmesiden. Man kan selvfølgelig komplementere sine tracking-analyser med alskens online surveys og kvalitative interviews, men lige meget hvor meget, man undersøger kunderne, så vil der altid være elementer af usikkerhed og manglende viden, som man ikke kan få afdækket. Dette er selvfølgelig et metodisk eller filosofisk problem, som nok aldrig bliver løst endegyldigt, men der er også en lang række af praktiske årsager til, at tracking af internetbrugeres adfærd ikke helt har medført de resultater, som man havde håbet på.

Grundlæggende problemer ved måling af brugeradfærd
For det første har tracking af brugeradfærd traditionelt set været en teknisk disciplin, som primært blev varetaget af udviklere og serveradministratorer. De tidligste tracking-redskaber var baseret på, at man analyserede internetservernes historik gennem de såkaldte logfiler. Da det primært var udviklere og andre teknisk orienterede folk, der varetog logfil analyserne, var en logfil analyse noget, som fokuserede på tekniske spørgsmål så som server-fejl, browsertyper og kryptiske IP numre. Logfil analyseredskaber var udviklet af udviklere til udviklere, og derfor var logfil analyser typisk ikke særligt anvendelige i web-redaktionen eller direktionslokalet.

Data på rette tid og sted
Analyseredskabernes forankring i IT-afdelingerne skabte desuden et andet væsentligt problem. Hver gang en web-redaktør eller forretningsansvarlig skulle lave en analyse, som var bare en smule anderledes end standardrapporten, krævedes det, at udviklingsafdelingen blev involveret, hvilket betød, at data aldrig var til stede på lige præcis det tidspunkt, hvor man havde brug for data. I teorien burde den slags jo ikke være det store problem, men i praksis og i virksomheder og organisationer, hvor der kan være langt fra IT-afdelingen til web-redaktionen betyder en sådan problemstilling, at de relevante data sjældent eller aldrig når frem til de folk, der har brug for dem.

Hvad er resultatet?
En tredje årsag til bruger-trackingens manglende gennemslagskraft er, at tracking-data sjældent taler deres eget entydige og klare sprog. Selvom man har fået gravet lige præcis de data frem, som man er interesseret i, vil man ofte opleve at tracking-data skaber flere spørgsmål end svar.
Hvad betyder det for eksempel, hvis man observerer, at størstedelen af en websides brugere forlader websiden fra én bestemt side? Betyder det, at brugerne ikke kan lide denne side, eller betyder det, at brugerne fandt præcis hvad de søgte efter på denne side?
At tolke og analysere brugeradfærdsdata er en disciplin med mange blinde veje og faldgruber. Meget ofte kræver tolkninger af data, at man er i stand til at sammenholde data med mange andre observationer eller trække på erfaringer fra tidligere undersøgelser og analyser. Meget sjældent oplever man, at brugeradfærdsdata indbyder til lette og hurtige konklusioner.

Tracking er nødvendigt
På trods af alle disse iboende problemer ved analyse af brugeradfærdsdata, må man alligevel konstatere, at virksomheder og organisationer med en seriøs og forretningsorienteret tilgang til nettet umuligt kan komme uden om at skulle forholde sig til, hvad brugerne laver på deres websider. Heldigvis er der de seneste år kommet en del udbydere af analyseredskaber, som bidrager til at løse i hvert fald to af de tre førnævnte problemer ved analyse af brugeradfærdsdata. Tilbage står man så med det tredje problem om, hvad man gør med disse data, når man har fået dem indsamlet. Det er dette problem, som denne artikel vil belyse.
Først er vi dog nødt til at kaste et lille blik på hvilke tekniske muligheder vi har med de nyeste tracking-redskaber.

Hvilke muligheder har man?
De fleste seriøse tracking-redskaber, som anvendes til andet end teknisk overvågning af serveren, er i dag baseret på målinger via brugernes browsere og ikke via serveren, som man kender det fra de klassiske logfil analyser. Rent praktisk foregår det ved, at en lille kodestump på alle webstedets sider sender en mængde data til det pågældende analyseredskab. Kodestumpen kan producere data om hvem brugeren er, hvor han eller hun kommer fra og eventuelt også om hvilke handlinger brugeren udfører på siden. De afsendte data opsamles og lagres i en database, hvorfra redaktørerne og de ansvarlige for websiden kan udtrække data i en bearbejdet form. Typisk anvendes der cookies, hvilket betyder, at man i modsætning til de simple logfil-analyser altid kan genkende brugerne fra besøg til besøg, hvilket gør det muligt at lave analyser af genbesøg og mere generelt loyalitet.

Følgende liste er en oversigt over de tekniske muligheder, der i dag er til rådighed med de nyeste tracking-redskaber:


· Simple trafikanalyser
· Avancerede trafikanalyser med datamining
· Indsamling af brugerdata
· Tracking af handlinger på siden
· Kombination med andre datakilder
· Tekniske analyser


Simple trafikanalyser
De simple trafikanalyser er i princippet magen til de trafikanalyser, som man fik via logfilerne. Forskellen er dog, at data er væsentligt mere valide, fordi man måler ude hos brugerne og ikke på serveren. For eksempel undgår man problemet med manglende målinger i de tilfælde, hvor brugerne kigger på en side, som ligger i deres cache – disse sider bliver nemlig typisk ikke registreret i en logfil. De simple trafikanalyser giver mulighed for at overvåge hvilke sider, brugerne besøger, hvor lang tid de befinder sig på siderne og rækkefølgen af sidebesøg. Desuden har man mulighed for at få en lang række af informationer om brugerne, som f.eks. hvilken side de kom fra, hvilke ord de havde søgt på, hvis de kom fra en søgemaskine og hvilket IP nummer de sidder på (de mere sofistikerede analyseredskaber præsenterer ikke rå IP-numre, men slår numrene op i en database og præsenterer de domænenavne, som IP-numrene dækker over).

Avancerede trafikanalyser
De mere avancerede trafikanalyser trækker på det samme datagrundlag som de simple trafikanalyser, men behandler data med datamining- eller segmenteringsværktøjer, som gør det muligt at tolke data på nye og mere sofistikerede måder. En avanceret trafikanalyse kan for eksempel segmentere brugere på grundlag af deres navigationsadfærd på siden, således at man inddeler brugerne i forskellige grupperinger alt afhængigt af hvilke sider, de har besøgt på webstedet. En anden type af avanceret trafikanalyse opdeler brugerne i forskellige loyalitets- og interessesegmenter alt afhængigt af, hvor ofte de besøger webstedet, og hvor længe de bliver på webstedet.

Indsamling af brugerdata
Visse men ikke alle analyseredskaber gør det muligt at indsamle bløde brugerdata, som indtastes via websidens inputfelter og kombinere disse data med navigationsadfærd på websiden. Sådanne funktioner gør det for det første muligt at identificere folk på et langt mere personligt plan, fordi man nu kan se lige præcis hvad ”Jens Hansen” har lavet på den pågældende webside. For det andet bliver det muligt at kombinere spørgeskemaundersøgelser med brugeradfærdsdata, således at man kan kombinere hårde data om, hvad brugerne har lavet på websiden, med mere bløde data som f.eks. om brugerne fandt, hvad de søgte på siden, eller om de kunne lide indholdet på websiden.

Tracking af handlinger på siden
De fleste nyere analyseredskaber benytter sig af Javascript til at indsamle data fra brugerens browser. Normalt indsamler man relativt simple data om brugeren via dette script, men i princippet kan man anvende en lang række af forskellige Javascript funktionaliteter, som kan tracke en lang række af brugerhandlinger på websiden. For eksempel kan man indsamle data om, hvorvidt folk indtaster data i inputfelterne i en kontakt-formular, således at man kan måle om folk giver op undervejs i formularen. Andre analyseredskaber gør det muligt at indsamle data om, hvad folk klikker på, og endnu mere avancerede redskaber gør det muligt at måle musens bevægelser rundt på en given side. I princippet er der ikke nogen begrænsninger for, hvad man kan måle – bare man kan kode det i Javascript. Begrænsningen ligger i højere grad i, hvorvidt det overhovedet giver mening at analysere de data, man indsamler.

Kombination med andre datakilder
Som allerede nævnt kan man relativt nemt kombinere brugeradfærdsdata med data fra en online survey. De mere avancerede analyseredskaber gør det endvidere muligt at kombinere brugeradfærdsdata med eksterne datakilder som for eksempel en kundedatabase. Sådanne redskaber gør det således muligt at skabe et komplet holistisk billede af kunderelationen på tværs af medier som internet, telefon, brev, personlig kontakt og så videre. Disse systemer er nok i højere grad kendt som CRM-systemer og er derfor også typisk væsentligt dyrere og mere omfattende end de mest grundlæggende analyseredskaber til måling af brugeradfærd.

Tekniske analyser
Både logfil- og nyere analyseredskaber indsamler data om tekniske data for brugerne. Dette kunne for eksempel være brugernes styresystemer, browsere eller skærmopløsninger. De tekniske analyser er typisk ikke specielt komplekse, men de kan være ekstremt nyttige, hvis man f.eks. skal relancere sin webside, og overvejer om man skal satse på en 1024x768 eller 800x600 pixel skærmopløsning.

Hvad betyder det for min forretning på nettet?
Man kan meget nemt komme til at stirre sig blind på tekniske muligheder. Det lyder jo fantastisk smart, at man nemt og hurtigt kan kombinere et survey med brugeradfærdsdata, men hvad betyder det rent faktisk for arbejdet med websiden. Hvordan bidrager teknikken til at gøre min webside bedre og måske mere profitabel?

Data alene er sjældent særligt interessante. At vide, at man har en købskonverteringsrate på 2,8 % er ikke specielt interessant, hvis man ikke kan sammenligne tallet med et branchegennemsnit. Data er med andre ord kun interessante, hvis de sammenlignes med andre data, og hvis de samtidig sættes ind i en forretnings-eller kommunikationsmæssig kontekst.

I det følgende vil vi kigge på nogle af de muligheder, man har for at anvende tracking-data til at optimere kommunikationen og forretningsprocesserne på websiden. Følgende er ikke en udtømmende liste, men eksempler på nogle af de mest typiske anvendelser af tracking-data i dag:


· Daglig forretningsovervågning
· Lead-generering
· Måling af kampagners effektivitet
· Usability optimeringer
· Benchmarking
· ROI analyser


Daglig forretningsovervågning
Hvis man har investeret i et tracking-system, som er i stand til at producere real-time analyser af brugeradfærden på websiden, har man også taget skridtet frem mod at blive den virtuelle købmand eller den virtuelle bibliotekar, som løbende kan følge med i hvad køberne/læserne laver på websiden. Når man er i stand til at følge brugerne lige så snart, de træder ind på websiden, bliver det muligt at følge og optimere sin forretning ligesom købmanden, der rykker rundt på varerne for at øge salget eller bibliotekaren, der fremhæver bestemte bøger, for at øge folks lyst til at låne bøger.
Daglig forretningsovervågning på internettet betyder, at man følger med i de vigtigste nøgletal på websiden og udviklingen i salg af produkter eller læsning af artikler. Den professionelle webredaktør har opstillet en lang række af daglige rapporter, som fortæller hvordan trafikken udvikler sig på siden, og hvordan den adskiller sig fra trafikken i går, i sidste uge og i sidste måned. Når man anvender sit tracking-redskab til daglig forretningsovervågning, behøver man ikke nødvendigvis at kaste sig ud i store og komplekse analyser. Det er tilstrækkeligt at udvælge sig en række af simple, men forretningskritiske nøgletal og derefter følge udviklingen af disse nøgletal over tid. Udviklingen i nøgletallene får dog først rigtig værdi, når den integreres med virksomhedens øvrige nøgletal. At salget af Klaus Rifbjergs seneste bog er steget med 4,5 % på en måned lyder måske meget godt, men hvis salget i de fysiske forretninger i den samme periode er steget med 9.3 % er det pludselig ikke særlig godt. Hvis man arbejder med seriøs forretningsovervågning på internettet er det en grundlæggende forudsætning, at virksomhedens eller organisationens ledelse er involveret i at stille krav til udviklingen i nøgletallene på internettet.

Lead-generering
En af de ting vi lærte af dot.com boblen var, at internettet måske ikke altid er det rette sted til at sælge alle slags varer. Til gengæld er internettet et fantastisk sted til at motivere købere og indlede en salgsproces – og tracking-redskaber gør denne proces om muligt endnu mere effektiv og målrettet.
Basalt set kan man skelne mellem to typer af lead-generering, som er relevante i forhold til bruger-tracking: Business to business lead-generering og business to customer lead-generering.
Hvis man som forretning beskæftiger sig med salg til relativt store virksomheder, er der en god chance for, at man anvender sin webside som en præsentationsportal, hvor man præsenterer sine produkter uden nødvendigvis at sælge produkterne. Selve salget til virksomhederne foregår typisk ved mere personlig kontakt fra en sælger – enten via telefonen eller ved et fysisk møde. Har man installeret et tracking-analyseredskab, som gør det muligt at oversætte IP adresser til rigtige domænenavne, har man som B-t-B virksomhed en unik chance for at overvåge hvilke virksomheder, der besøger websiden og hvilke produkter eller services, de kigger på. Efterfølgende kan en sælger bruge disse informationer til at skræddersy det personlige salg via telefon eller møde med den potentielle kunde.
Præcis hvordan man udnytter disse salgs-leads er dog en ømtålelig affære. At ringe op og fortælle den potentielle kunde, at man har observeret deres adfærd ned til mindste detalje er måske ikke så hensigtsmæssigt. Den kloge sælger bevarer informationen i baghovedet, men gennemfører i øvrigt salget som enhver anden salgsproces.

Et af problemerne ved IP-identifikation er naturligvis, at man kan genkende virksomheden, men ikke den bestemte person, der har besøgt siden. Dette kan være et problem i de tilfælde, hvor det er en meget stor og måske endda verdensomspændende virksomhed, der har besøgt websiden. En af måderne til at overkomme dette problem er at få brugerne til at tilkendegive sig selv på den ene eller anden måde. Dette kan f.eks. ske ved at brugerne bestiller abonnement på et nyhedsbrev eller registrerer sig selv for at downloade et white-paper eller anden information på websiden. Lige så snart en bruger har opgivet en sådan information, vil man med et avanceret tracking-redskab være i stand til at følge nøjagtigt med i, hvad lige præcis denne bruger interesserer sig for på websiden. Igen skal man dog være opmærksom på, hvordan man udnytter denne slags personlige oplysninger og altid sørge for at oplyse brugerne om, at man foretager denne form for personlig bruger-tracking.
Lead-generering til almindelige forbrugere er en lidt anden historie. Her giver det typisk ikke mening at arbejde med IP-identifikation, fordi de enkelte brugere jo typisk kommer på nettet via et IP nummer som er fælles for alle brugerne hos den pågældende teleudbyder. Man kan altså ikke genkende enkelte brugere for derefter at kontakte dem telefonisk eller på anden vis.

Hvis man ønsker at anvende sit tracking-redskab til B-t-C lead-generering, er man derfor nødt til at få brugerne eller de potentielle kunder til at give sig til kende på anden vis. En klassisk metode er at præsentere brugerne for et pop-up survey ved slutningen eller i løbet af deres besøg. Surveyet spørger brugerne om de fandt, hvad de søgte, og hvis de svarer nej, bliver de spurgt om det ville hjælpe, hvis de blev ringet op af en kunderådgiver. Hvis brugerne svarer ja og opgiver deres kontaktinformation ryger henvendelsen direkte videre til et salgs-call-center sammen med data om, hvad brugeren foretog sig på websiden. I call-centeret kan den enkelte sælger så hurtigt danne sig et overblik over brugerens interesser – baseret på navigationsadfærden på websiden, hvorefter sælgeren kan ringe op og gennemføre et væsentligt mere kvalificeret salg end det rene kanvas-salg.

I princippet kan der være mange andre måder at få brugerne til at give sig til kende på websiden – man kan for eksempel bede brugerne om at registrere sig selv, hvis de ønsker at downloade wallpapers, spil, mobile ringetoner eller lignende. Igen er det dog vigtigt at gøre brugerne opmærksomme på, at de eventuelt kan blive kontaktet af den pågældende virksomhed på et senere tidspunkt.

Måling af kampagners effektivitet.
Et område hvor tracking af brugeradfærd har fået en stor udbredelse er inden for måling af effektiviteten af online markedsføringskampagner. I præ-internetalderen kunne man gennemføre nogle upræcise målinger af sammenhængen mellem en markedsføringskampagne og øget salg, men man kunne aldrig være sikker på, at det lige præcis var kampagnen, der påvirkede salget eller om der var andre eksterne faktorer, der spillede ind.

Helt anderledes forholder det sig, når man gennemfører en online kampagne. Har man installeret et effektivt tracking-system, kan man følge brugeren lige fra vedkommende får præsenteret banneret til at der gennemføres et køb. Ikke alene kan man udregne klik-rater og konverteringsrater for bestemte bannere, man kan også følge de enkelte brugeres adfærd på websiden og sammenligne for eksempel hvilke bannere, der hurtigst fører til et salg på websiden. Når man tracker en online markedsføringskampagne kan man derfor helt ned i mindste detalje udregne værdien af de enkelte bannere, værdien af deres placering på forskellige websider og værdien af den samlede kampagne.

I princippet kan man også tracke effektiviteten af en offline kampagne på internettet. Dette kræver dog, at den pågældende kampagne specifikt henviser til en særlig kampagne-webadresse. Hvis man gennemfører en tv-kampagne, der afsluttes med en henvisning til adressen: www.storttøjfirmaswebside.dk/kampagne, kan man måle kampagnens effektivitet ved at måle antallet af besøgende, der kommer ind på websiden via denne adresse. Problemet ved denne form for kampagne-tracking er naturligvis, at mange firmaer i stigende grad opfatter deres normale webadresse som et selvstændigt varemærke. Hvis man i stedet for firmaets normale webadresse anvender en lang række forskellige kampagneadresser risikerer man, at man undergraver eller fortynder brand-værdien af firmaets normale webadresse. Med andre ord skal man som firma passe på en alt for ekstensiv benyttelse af kampagneadresser, hvis man samtidig forsøger at opbygge en brand-platform omkring den eksisterende webadresse.

Usability optimeringer.
Man hører ofte, at firmaer har installeret et tracking-system på deres webside for at kunne forbedre brugervenligheden på deres webside. Men i virkeligheden er brugervenlighedsproblemer noget af det mest komplicerede at trække ud af et tracking-system. Problemet ved brugertracking er, at man kan analysere hvad brugerne laver på websiden og hvordan de gør det, men man har ingen anelse om hvorfor de gør det.
Det klassiske eksempel er købsprocedurer, hvor mange firmaer observerer, at brugerne falder fra i forløbet fra, at de kigger på produktet, til de køber produktet. Den forhastede konklusion er, at der må være noget galt med brugervenligheden på disse købssider. Dette kan også være en ganske rigtig konklusion, men i mange tilfælde vil man også opleve, at brugere gennemfører en købsprocedure indtil næstsidste side bare for at se hvordan købsprocessen foregår og eventuelt for at finde ud af hvad den samlede pris bliver for produkt og forsendelse. I det sidste tilfælde kan man meget vel forestille sig, at folk falder fra simpelthen, fordi de erfarer at forsendelsesprisen er for høj eller forsendelsestiden er for lang – altså faktorer som ikke direkte har noget med websidens brugervenlighed at gøre.

Bruger-tracking er ekstremt velegnet til at pege på mulige brugervenlighedsproblemer på en side, men bruger-tracking kan kun i ekstremt sjældne tilfælde fortælle hvad, der er galt med websiden.
Hvis man ønsker at anvende sit tracking-værktøj til at optimere brugervenligheden på websiden er man nødt til at kombinere brugeradfærdsdata med mere klassiske usability-discipliner. Følgende tre typer af undersøgelsesmetoder kan anbefales som supplementer til bruger-tracking:


1. Ekspertvurdering (også kendt som heuristisk evaluering)
2. Online survey
3. Tænke-højt test


1. Ekspertvurdering
Dette er den mest simple form for usability supplement til tracking-data, og i princippet er det denne form for analyse man ubevidst udøver, når man forsøger at tolke sine tracking-data. Hvis vi vender tilbage til eksemplet med købsprocessen, kunne man for eksempel kaste et blik på forløbet i købsprocessen og vurdere om den adskiller sig væsentligt fra andre købsprocesser. Endvidere kunne man vurdere om forsendelsespriser eller -tider er specielt meget anderledes fra andre websider. På grundlag af disse observationer ville man så have et mere kvalificeret udgangspunkt for at konkludere, om det er brugervenligheden eller forsendelsesbetingelserne, der er noget galt med.
Ofte vil der være tale om en skønsmæssig betragtning, hvor man er nødt til at trække på erfaringer fra andre websider og erfaringer fra tidligere projekter, men man kan også gribe tingene mere systematisk an og gå frem efter en række fast definerede kriterier for god brugervenlighed – også kendt som usability-heuristikker. Usability-heuristikkerne sikrer, at man systematisk og udtømmende får gennemgået de fleste af de mulige problemer, som man typisk oplever på en webside (man kan f.eks. læse mere om usability-heuristikker på ,Jakob Nielsens hjemmeside www.useit.com/papers/heuristic

2. Online survey.
Et online survey kan bidrage til at afklare det hvorfor spørgsmål, som tracking-data ikke kan belyse. Hvis man kombinerer tracking og online survey, vil man f.eks. kunne spørge folk, om de fandt, hvad de søgte på hjemmesiden og derefter sammenholde svarene på dette spørgsmål med deres faktiske adfærd på hjemmesiden. Man kan endvidere spørge folk om, hvad de ledte efter på hjemmesiden og derefter analysere, om de rent faktisk fandt det, de ledte efter. Surveys vil altså kunne svare på en lang række af de spørgsmål som uværgeligt rejser sig, når man analyserer tracking-data.
Erfaring fra usability-disciplinen viser desværre, at brugere ofte har svært ved at artikulere usability-problemer. Brugere kan for eksempel have ufatteligt svært ved at finde noget bestemt information på en webside, men når de først har fundet informationen har de fuldstændig glemt, at de havde problemer med at finde informationen. Opfattelsen af brugervenlighed bliver ofte ubevidst koblet med den relevans, websiden har for brugerne. Hvis websiden tilbyder virkelig relevant information eller funktionalitet, vil brugerne typisk være mere overbærende i deres bedømmelse af websidens brugervenlighed.
Når man gennemfører et online survey og kobler det med tracking-data, bør man således være meget påpasselig med de konklusioner man drager af resultaterne. I mange tilfælde kan positive resultater i forhold til brugervenligheden lige så vel være et udtryk for, at websiden indeholder information, der er virkelig relevant for brugerne. Kombinationen af online surveys og tracking-data er til gengæld virkelig stærk, hvis man ønsker at gennemføre en vurdering og segmentering af websidens relevans for forskellige brugere. Hvis man for eksempel kobler tracking-data med et survey indholdende demografiske spørgsmål som alder, køn, indkomst og bopæl, vil man meget hurtigt kunne danne sig et overblik over, hvilke områder og hvilke typer af information, der er relevante for forskellige segmenter af brugere. Jo mere detaljerede spørgsmål, jo finere kan man lave sin segmentopdeling. I den yderste konsekvens kan man opbygge et detaljeret billede af samtlige segmenter på websiden og deres efterspørgsel efter information, hvilket i sidste ende er nyttigt, når man skal optimere sin websides indhold til målgrupperne.

3. Tænke-højt test.
Tænke-højt testen er den klassiske usability-test, som endnu ikke er overgået af andre metoder, når det drejer sig om, at lokalisere og udbedre usability-problemer. Tænke-højt testen er således også det mest effektive redskab til at komme med svar på alle de spørgsmål, der rejser sig i løbet af en tracking-analyse.Kombinerer man en tracking-analyse med en tænke-højt test opnår man samlet en yderst effektiv metodekombination, som på den ene side sikrer, at man observerer problemer på websiden, som de faktisk opleves af virkelige brugere i virkelige brugssituationer og på den anden side sørger for, at man kan få besvaret spørgsmålet om, hvorfor disse problemer overhovedet opstår.
Rent praktisk vil man typisk starte med at gennemføre en tracking-analyse, hvor man lokaliserer alle de potentielt problematiske områder på websiden. Herefter vil man anvende denne analyse til at formulere opgaver, som brugerne skal løse i tænke-højt testen. I selve tænke-højt testen lader man så brugerne løse disse opgaver, og forsøger løbende at få afklaret alle de åbne spørgsmål, som er blevet rejst i løbet af tracking-analysen. (Mere om tænke-højt test på Userminds’ hjemmeside )

Benchmarking
Som allerede nævnt er data sjældent interessante i sig selv. Værdien af data stiger til gengæld væsentligt, lige så snart man kan sammenligne data med andre data.
Jeg ved, at min webside har 50.000 besøgende om måneden, at disse besøgende besøger cirka 10 sider per besøg, at de tilbringer cirka 3 minutter per besøg og at ca. 1,8 % af brugerne køber noget på siden. Som sådan er disse tal egentlig ikke særlig brugbare. De bliver først rigtig interessante, når jeg kan sammenligne dem med de tilsvarende tal for mine konkurrenter. Hvis jeg enten kan sammenligne direkte med mine konkurrenter eller med et samlet branchegennemsnit bliver jeg pludselig i stand til at sammenligne min webside med andres, og jeg bliver tvunget til at tage stilling til, om min webside overhovedet er konkurrencedygtig på et i stigende grad kompetitivt marked. Benchmarking er på nuværende tidspunkt lidt af et drømmescenario, når det drejer sig om brugeradfærdsdata. Som situationen ser ud i dag, kan man sammenligne meget overordnede tal om antallet af besøgende på tværs af websider, men der er endnu få tracking-firmaer, der udbyder mere detaljerede benchmarking-tal, hvor man f.eks. kan sammenligne konverteringsrater, besøgstider, genbesøg og så videre.

Én type virksomheder, som allerede nu har stor gavn af benchmark-analyser er dog større koncerner. Hvis man er en stor koncern med flere forskellige websider, kan man vælge at lave interne benchmark-analyser, hvor man sammenligner de vigtigste forretningsmæssige nøgletal på tværs af koncernens websider. På den måde kan man internt i organisationen sørge for at skabe konkurrence og fokus på internettet, som et vigtigt forretningsmedie. Desuden kan de enkelte webansvarlige i organisationen bruge benchmark-analyserne til at identificere best-practices, således at gode ideer og initiativer hurtigt spredes ud i organisationen.

ROI analyser
I de seneste år har webansvarlige i stigende grad oplevet, at de bliver holdt ansvarlige for værdien af deres arbejde. I takt med, at de fleste virksomheder har erkendt behovet for at have en professionel webside kræver virksomhedernes ledelser også i stigende grad, at man kan dokumentere værdien af investeringerne i internetprojekter.Hvis man lancerer en ny funktionalitet på sin webside er man således nødt til at kunne dokumentere, at værdien af den nye funktionalitet overstiger udgifterne ved at lancere den. Tilsvarende forholder det sig, hvis man relancerer hele sin webside. Her er man også nødt til at kunne dokumentere, at investeringerne i den nye webside giver afkast på længere sigt.

Som regel er det forholdsvist nemt at måle udgifterne i forbindelse med et internetprojekt. Der er typisk udgifter til designere, programmører, indholdsleverandører og til de folk, der skal vedligeholde de nye funktionaliteter. Derimod er det anderledes vanskeligt at fastslå den eksakte værdi af et internetprojekt. Typisk består den samlede værdi af en kombination af hårde og bløde værdier. De hårde værdier kan f.eks. være øget salg, mens de blødere værdier kan være en stærkere brandingposition.
Når man arbejder med return on investment analyser for internetprojekter, er man således nødt til at inddrage både bløde og hårde værdier i den samlede analyse. De hårde værdier kan man måle med sit tracking-redskab. Det kunne f.eks. være en måling af konverteringsrate, besøgstal eller den samlede tid brugerne tilbringer på websiden. De bløde værdier er sværere at fastslå, men kan i visse tilfælde estimeres ved at gennemføre online tilfredshedsundersøgelser før og efter, at man har lanceret den nye funktionalitet eller den nye webside. I andre tilfælde er man nødt til at estimere værdien af et internetprojekt mere kvalitativt simpelthen ved at stikke fingeren i luften og vurdere hvilken langsigtet værdi, projektet har for virksomheden.

Begrænsninger og faldgruber
Der er mange tekniske muligheder med et avanceret tracking-redskab, og der er mange muligheder for at bruge tracking-redskaber til at optimere ens forretning på internettet.
Ligesom man kender det fra andre undersøgelsesmetoder, som for eksempel kvalitative interviews eller spørgeskemaundersøgelser, er der dog faldgruber, som den uerfarne tracking-analytiker nemt kan falde i. I det kvalitative interview er den klassiske faldgruppe, at intervieweren kommer til at lægge ordene i munden på respondenten og i spørgeskemaundersøgelsen kan dårlig formulering af spørgsmål eller statistiske kortslutninger få fatale konsekvenser for datamaterialets validitet. På samme måde forholder det sig med tracking-analyser.

I det følgende vil vi fremhæve tre af de mest alvorlige faldgruper i forbindelse med tracking-undersøgelser:

· Kortslutning af kausalitet
· Shotgun analyser
· Tal uden kontekst


Kortslutning af kausalitet
Denne problematik illustreres bedst af et hypotetisk eksempel.
Lad os sige, at vi har gennemført en tracking-analyse af en almindelig informationswebside, hvor websidens primære formål er at tilvejebringe information til forskellige segmenter af brugere. Vi er interesserede i om brugerne finder det, de leder efter, og vi har derfor suppleret vores tracking med et online spørgeskema, hvor vi blandt andet spørger brugerne, om de havde nemt ved at finde rundt på websiden.
I analysen kan vi nu konstatere, at de brugere, der siger, at de havde svært ved at finde rundt, typisk også er de brugere, som besøger produktsiderne eller kontaktsiderne.
Den hurtige konklusion er, at der derfor må være noget galt med navigationen på disse sider.
Dette er sikkert også en rigtig konklusion i forhold til produktsiderne. Hvis en bruger kun har besøgt produktsiderne og svarer, at det var svært at finde rundt på websiden, er det meget sandsynligt, at der har været et eller andet galt med produktsiderne.

Med hensyn til kontaktsiderne er det dog en anelse mere kompliceret. Når brugere besøger kontaktsiderne på en webside er det nemlig meget ofte, fordi de har opgivet at finde information på andre måder. Med andre ord er besøget på kontaktsiderne ikke grunden til, at folk fandt det svært at navigere på websiden – besøget er tværtimod konsekvensen af, at de havde svært ved at navigere på websiden. Hvis man på grundlag af datamaterialet konkluderer, at der er noget galt med kontaktsidernes navigation, risikerer man altså at bytte om på kausalitetssammenhængen mellem årsag og effekt. I dette tilfælde kan besøget på kontaktsiderne lige så vel være effekten og ikke årsagen. en eneste rigtige konklusion i dette tilfælde er, at der sandsynligvis er noget galt med produktsiderne, men man kan ikke med sikkerhed fastslå, om der er noget galt med kontaktsiderne. Eksemplet viser, at man i tracking-analyser – ligesom i andre typer af statistiske undersøgelser – skal være yderst forsigtig når man slutter fra statistiske sammenhænge til kausale sammenhænge. At der er tale om en statistisk sammenhæng er ikke nødvendigvis ensbetydende med, at der er en kausal sammenhæng og en statistisk sammenhæng siger sjældent noget om i hvilken retning, den kausale sammenhæng bevæger sig. Problemet er, som tidligere nævnt, at data ikke taler for sig selv. Hvis man ønsker at anvende sine tracking-data til seriøs forretningsoptimering er det nødvendigt at tolke og perspektivere data i forhold til erfaringer, sund fornuft og andre data.

Shotgun analyser
Når man investerer i et tracking-produkt er det typisk fordi, man har et ønske om at vide hvad kunderne/brugerne laver på ens webside. Mange har dog ikke tænkt deres behov for information særlig grundigt igennem – de forestiller sig, at man uden videre kan installere et tracking-redskab, trække data ud og på det grundlag forstå, hvad brugerne laver på websiden.
Desværre er det ikke så simpelt – om end mange udbydere af tracking-redskaber præsenterer deres produkter på præcis denne måde. Mange tracking-udbydere tilbyder analyseprodukter, som man kan beskrive som shotgun analyser, hvilket vil sige den type analyser, hvor man bare behøver at trykke på aftrækkeren uden egentlig at sigte på noget specifikt mål. Salgsargumentet er, at man bare trykker på en knap og så spytter analyseredskabet rapporter ud, der giver det forkromede overblik over, hvad brugerne laver på websiden.

Problemet ved shotgun analyserne er, at de sjældent leverer det de lover. Det bedste eksempel er sandsynligvis de almindeligt udbredte path-analyser. Path-analysen er en analyse af de mest almindelige navigations-stier på en webside, og som sådan lyder dette jo også vældig relevant, for hvem vil ikke vide, hvilke stier brugerne typisk følger på en webside? Hvis man kigger nærmere på path-analysen vil man dog ofte opdage to ting:

For det første er de hyppigst anvendte stier typisk meget banale, som f.eks. hvis folk bevæger sig fra forsiden til produktpræsentationssiden. Den slags information er ikke specielt interessant og man kunne som regel også være nået til den konklusion uden en path-analyse.

For det andet vil man opleve, at lige så snart stierne bliver længere end to eller tre klik, og så snart vi begynder at bevæge os ned i dybden af websiden, så begynder procentdelen af brugere, der har fulgt bestemte stier at falde ned under én procent. Forklaringen er naturligvis, at folk bevæger sig rundt på en webside som myrer i en myretue. De følger uendeligt mange forskellige stier for, at nå frem til deres mål, og hvis man forsøger at udpege de mest almindelige stier, vil man opdage at de mest almindelige stier i virkeligheden betrædes af en minoritet af brugere. I sidste ende står man så med en analyse, hvor man ved, at den mest almindelige sti på websiden går fra forsiden til produktpræsentationssiden til produktvisningssiden og endelig til bestillingssiden. Desværre er det kun 0,7 % af brugerne, der følger præcis denne sti. De resterende 99,3 % af brugerne følger alle mulige andre arbitrære og besynderlige stier for at nå frem til deres mål – og så er vi jo lige vidt i vores forståelse af hvad brugerne laver på websiden.
Problemet ved shotgun analyser som f.eks. path-analysen er, at man forsøger at kigge på hele websiden på samme tid, og derfor bliver resultaterne uinteressante lige så snart, man vil udlede konkrete konklusioner. Hvis man ønsker at forstå, hvad brugerne laver på websiden, er man først nødt til at gøre sig klart, hvad man vil undersøge – f.eks. hvor mange brugere bevæger sig fra forsiden til bestilling af Klaus Rifbjergs nyeste bog – og derefter kan man så skræddersy sine analyser til, at belyse netop denne problemstilling.

Tal uden kontekst
Denne problemstilling hænger nært sammen med det tidligere nævnte problem, at data ikke taler deres eget sprog. Igen er det nemmest at belyse problemet ved hjælp af et eksempel:
Lad os sige at vi har målt antallet af personer, der har købt en bog på vores hjemmeside den seneste måned til 1711. Hvad betyder dette tal? Ikke specielt meget – særligt ikke fordi vi allerede har registreret tallet i vores forsendelsesafdeling, som sender bøgerne ud til kunderne. Sammenligner vi nu tallet 1711 med antallet af besøgende på websiden den måned, kan vi se, at 1711 af 170.000 nemlig 1,01 % af de besøgende købte en bog. Dette er straks lidt mere interessant, men det er stadigvæk bare et tal. Er det et højt eller lavt tal? Det ved vi ikke, før vi har sammenlignet med det tilsvarende tal hos vore konkurrenter eller det tilsvarende tal for samme måned sidste år.Lad os nu sige, at konkurrentens tal er 0,3 %, så kan vi konkludere, at vores konverteringsrate er 337 % bedre end konkurrentens, og så kan vi da godt tillade os at være glade – ikke?

Desværre ikke. Ved nærmere eftersyn viser det sig nemlig, at konkurrenten ud over at sælge bøger på websiden også er vært for et bogforum, hvor folk kommer for at diskutere bøger med hinanden. Det samlede besøgstal på websiden er derfor større og derfor bliver konverteringsraten for salg også mindre. Men konkurrenten har sandsynligvis en bedre forretning kørende, fordi de udover at sælge bøger også brander sig selv som en webside, der interesserer sig for bøger. Pointen ved dette eksempel er naturligvis, at man skal være forsigtig med for hurtige konklusioner, hvor man bare sammenligner et par simple nøgletal. Meget ofte er der kontekstafhængige faktorer der gør, at man enten skal finpudse sin tracking-analyse eller hvis dette ikke er muligt, at fortolke analyseresultaterne med de forbehold, som er dikteret af konteksten omkring tallene.

Drømmen om det forkromede overblik
Som så mange andre af dot-com æraens gyldne profetier er også idéen om det forkromede kundeoverblik lagt i graven. I stedet har vi til gengæld fået en lang række redskaber, som gør det muligt med møjsommeligt og grundigt arbejde at grave forretningskritiske data ud af vores webside. Der er mange faldgruber undervejs, og man er nødt til at kende sine værktøjers muligheder og begrænsninger. Ofte er det langsommeligt og måske endda kedeligt arbejde at finde frem til de rette resultater og sikre sig, at resultaterne rent faktisk også er valide og meningsfulde i forhold til den kontekst, hvor de er indsamlet. Men har man først oplevet, hvordan tracking af internetbrugere kan bidrage til at optimere brugervenligheden på en webside, øge indtjeningsgraden eller forbedre indholdet, er der ingen vej tilbage. Det er muligt at drømmen om det forkromede overblik ikke blev en realitet, til gengæld lever vi i dag i en virkelighed, hvor tracking-analyser i stigende grad er en nødvendighed og en del af dagligdagen hos web-ansvarlige med en seriøs og professional tilgangsvinkel til internettet.