Mi az a visszafordulási arány és hogyan csökkenthetjük?

Ha a nyomkövető kódban implementáljuk, akkor egy kódsort kell hozzáadnunk. Az analytics.js kóddal rendelkező Universal Analytics esetében ez így történik:

Ha nem vagyunk biztosak abban, hogy az elemzett oldal melyik verziót használja, akkor ezt úgy ellenőrizhetjük, hogy a html kódban megkeressük az analytics.js és a gtag.js könyvtárakat.

A fentebb vázolt nem-interakció használata egy módja annak, hogy a végső visszafordulási arányt csak olyan események befolyásolják, amelyek valóban további műveletet igényelnek a felhasználótól.

Ez azonban nem változtat azon a tényen, hogy ha a webhelyen egy összetett Google Analytics implementáció történt, akkor a visszalépési arány előtte és utána történő összehasonlítása alma és körte összehasonlításának bizonyulhat.

Nem ez az egyetlen, a visszafordulási aránnyal kapcsolatos elem, amely tévútra viheti a következtetéseinket. A visszafordulási arányok elemzésekor a kontextus kulcsfontosságú – más szóval az, hogy hogyan viselkednek más mérőszámok vagy dimenziók közelében.

A visszafordulási arányok – milyenek legyenek?

Tekintsünk el néhány forgatókönyvet, amelyben felfedezzük, hogy egy weboldal 80%-os visszafordulási arányt regisztrál:

1. Egy információs szolgáltatás honlapja
2. Termékkártya az e-kereskedelemben
3. Tájékoztató cikkek oldala
4. FAQ oldal

A fent megadott értéket az egyes esetekben túl magasnak tartanánk? Bontsuk le:

1. A honlapnak minél több felfedezésre kell ösztönöznie a felhasználót, és a számunkra fontos pontokra kell irányítania. Egy ilyen típusú oldalon egyfajta hírkatalógust jelent, amelyet a látogató először lát – így egy ilyen lepattanási arány eredménynél érdemes megfontolni, hogy a használt címek vagy képek milyen mértékben ösztönzik a kattintást. Ha az elemzéshez hozzáadjuk az oldalon töltött átlagos időt, akkor kiderül, hogy a honlapot nem kezelik-e egy kicsit úgy, mint az RSS-t, ahol csak a címlapokat pásztázzuk egy gyors pillantás erejéig.

2. Ta termékkártya az e-kereskedelemben arra szolgál, hogy a felhasználót (a Google ügyfélút-diagramjára utalva) a „Gondolkodás” szakaszából a „Tegye” szakaszába vezesse – tehát az ajánlat vonzó bemutatásával egy mikrokonverzióhoz (termék kosárba helyezése), majd egy fő konverzióhoz (vásárlás) irányítsa.

A navigációt tovább javíthatjuk rajta kenyérmorzsák vagy termékajánlások megjelenítésével. Ha a webhely ilyen típusú lapjain magas a visszafordulási arány, érdemes azokat erősebben szegmentálni, hogy megkeressük a gyenge pontokat. Meglehet, hogy a nem elérhető termékek oldalait kell gazdagítanunk, vagy egy hiányzó méret, variáns esetén be kell vezetnünk egy értesítési figyelmeztetést? Az ilyen elemzésekhez jó, ha a Google Analytics egyéni dimenzióit használjuk – például elküldhetjük a rendelkezésre állási státuszt vagy a szállítási várakozási időt.

3. Egy how-to cikk esetében gyakran az a célunk, hogy a felhasználót belső hivatkozáson keresztül eljuttassuk a weboldal értékesítési részébe, így főszabályként itt is a lehető legalacsonyabb visszaugrási arányt várjuk el. Mielőtt azonban elkezdenénk azon gondolkodni, hogyan optimalizáljuk a tartalmi oldalakat, nézzük meg, hogy milyen kulcsszavakra vonatkozóan látjuk gyakran, hogy a tartalmakat visszadobják.
Elképzelhető, hogy a látogatások többsége hosszúfarkú, erősen informatív szándékú kifejezésekből származik (pl. Mi az az optikai szál?).

Ha ez a helyzet, akkor a felhasználó a szöveg elolvasásával egyszerűen rájön a látogatás okára, és már nem motivált arra, hogy ott maradjon. IHa ráadásul a görgetési százalékot a GA-ra vonatkoztatjuk, és azt látjuk, hogy a cikket valóban a végéig olvassák, akkor a megnövekedett visszafordulási arány normálisnak tekinthető. Mégis lehet rajta dolgozni – akár csak javasolt, hasonló tartalmú dobozok bevezetésével és tesztelésével.

4. A GYIK oldal célja egyszerű – a felhasználó kérdésének megválaszolása. Az ilyen típusú részek, mint például a Kapcsolat vagy a Visszáru politika, felpörgethetik egy egész oldal visszalépési arányát, és ez normális – nem várjuk el tőlük, hogy a felhasználót „mélyebbre” „hogyha tehát elemezni akarjuk ezt a mutatót, akkor a Google Analytics táblázatokban a landing page dimenzió segítségével kizárhatjuk őket.

Az ilyen részeket a Google Analytics táblázatokban a landing page dimenzió segítségével kizárhatjuk.

Milyen következtetést vonhatunk le ebből? A visszalépési arány egy olyan mutató, amelyet az egyes aloldalak céljának összefüggésében kell elemezni, lehetőleg más mérőszámokkal együtt. Néha megkérdezik tőlem, hogy egy adott szolgáltatás globális értéke magas vagy alacsony-e – sajnos az ilyen kérdésre a válasz mindig az: attól függ. A weben elérhető tanulmányokat és a javasolt eredményeket csak inspirációként érdemes figyelembe venni.

Hogyan csökkenthető a visszafordulási arány?

Tegyük fel, hogy már levontuk a következtetéseket a webhely visszafordulási arányáról, és a fent tárgyalt módon lebontottuk. Ezen kívül érdemes még:

1. Szeparálni a mobil és az asztali forgalmat – míg a mobil korábban gyenge pont volt a munkamenet-minőségi mérések szempontjából, mostanra az asztali az, amit az e-businessek néha elhanyagolnak. A gyengébb verzió kiválasztása elárulja, hogy a sebesség vagy az a/b tesztelés terén melyikre kell különös figyelmet fordítanunk. A teljesítmény terén többek között a Lighthouse vagy a Webpagetest.org, illetve az ingyenes Google Optimize-t használhatjuk a teszteléshez.

2. Bontjuk le a bounce rate elemzést a forgalmi források szerint – fentebb beszéltünk a kulcsszavakról, amelyek a vásárlási döntéstől viszonylag távol álló felhasználót az oldalra terelhetik, de a különböző csatornák is hasonló jellemzőkkel bírnak. És igen, ha a visszatérő felhasználóknak remarketing kampányokat futtatunk, azoknak lényegesen alacsonyabb bounce rate-t kell rögzíteniük, mint a cikkekre irányuló google/organikus célzásnak.

Ha ráadásul sok visszautasítást regisztrálnak azok a kampányok, amelyek azt mutatják a felhasználónak, amit már látott, akkor mindenképpen meg kell győződnünk arról, hogy a célzási szabályok helyesek.

Egy másik jogos lépés a kvalitatív elemzési eszközök beépítése is – a Hotjar, a Yandex Metrica vagy a cux.io heatmaps és munkamenet-felvételek gyűjtésével jobban megérthetjük a felhasználói utat, azt is,a konverzió optimalizálásához.

Ha az analitika spektrumát szeretnénk egy kicsit kiszélesíteni a potenciális ügyfélelkötelezettség általános javítása szempontjából, akkor megfontolhatjuk az egyéni időkövetés hozzáadását az oldalhoz. A visszapattanó munkamenet, emlékeztetőül, az, amely anélkül ér véget, hogy a felhasználó mélyebben elmélyülne a szolgáltatásban.

Azt érdemes megjegyezni, hogy a Google Analyticsben elérhető „Oldalon töltött átlagos idő” mérőszámot oldalnézettől oldalnézetig számítják – így a 100%-os visszafordulási arányú munkamenetek egyidejű ideje 0 másodperc, ahogy az a Google demo fiókjából származó alábbi képernyőképen is látható.

Ezt a korlátozást úgy tudjuk megkerülni, hogy minden oldalon, beleértve az elhagyott oldalakat is, saját, nem interakciós eseményeket küldünk, amelyek az időt mérik. A legegyszerűbb ezt a Google Tag Managerben megtenni, ahol egy speciális „Időzítő” nevű szabály áll rendelkezésre – egyszerűen csak válassza ki az Önt érdeklő intervallumokat, és ha szeretné, állítson be egy korlátot.

További lehetőség a visszapattant munkamenetek vagy oldalak analitikájának bővítésére a fent említett görgetéskövetés megvalósítása – ezt részletesebben a , „Google Analytics – hogyan kell beállítani és mit kell ellenőrizni” című cikkben írtam le.

Összefoglalva, a visszalépési arány egy olyan mérőszám, amelynek célja annak mérése, hogy egy webhelyen a munkamenetek hány százaléka hagyja el végül az oldalt mindenféle interakció nélkül, mely oldalak és mely forgalmi források teljesítenek jobban és rosszabbul ebből a szempontból. Ez akkor lesz a leghasznosabb, ha összehasonlítjuk más mutatókkal, például az oldalon töltött idővel, az oldal betöltési idejével vagy a görgetés mélységével. Minél mélyebbre ásunk, azaz minél jobban megvizsgáljuk a visszafordulásokat, pontosan a céloldalak vagy az egyes kampányok kontextusában, annál több következtetést tudunk levonni a felhasználói elkötelezettség optimalizálása érdekében.