Hvis du ligesom mig godt kan lide at lege rundt med dit data fra Google Analytics, så er Google Data Studio et simpelt men effektiv værktøj, som går hånd-i-hånd med Google Analytics.

I denne artikel har jeg samlet 5 små tips om behandling af data i Google Analytics. Det er alle tips, jeg selv bruger i det daglige arbejde.

Koden skal indsættes i datakilden, som du finder under resource -> Manage added data sources.

Herefter vælger du den vilkårlige Google Analytics ejendom og trykker ‘Edit’ og derefter på ‘Add field’ i højre side af interfacet:

Nu skal du blot navngive den nye dimension, indsætte koden i kodefeltet og trykke gem.

Nu kan du bruge dimensionen i dine widgets, eller sætte den som en filtervælger, hvis du ønsker at bruge bruge den på tværs af en hel rapport. 

Vi er nu klar til at gå igang med det sjove.

#1 Filterkontrol

Du kendte den måske allerede i forvejen, men en af de funktionaliteter jeg bruger mest i forbindelse med Data Studio rapporter er filterkontrol. 

Denne funktion, der virker som en checkboks, når du udforsker dit data, giver dig mulighed for hurtigt at kunne fokusere på en bestemt dimension. Du finder den oppe i navigationsbjælken som du kan se på billedet nedenfor:

Du kan filtrere på alle dimensioner, men vær opmærksom på ikke at blande user-, session- og hit-niveau sammen, da dette kan give dig et forvrænget billede af dit data. 

Personligt har jeg 2 filtre jeg næsten altid lægger ind i mine rapporter:

Default Channel Grouping

Denne dimension fungerer godt til de fleste Google Analytics-rapporter. Den fortæller dig hvilken trafikkanal, en bruger kom fra, og er derfor en meget fleksibel filtrering at have med i dine rapporter.

Device Category

Device category fortæller, om trafikken til dit site kommer fra mobil, tablet eller computer. Uanset formålet med jeres site er det rart at vide, hvordan adfærden på forskellige devices er, da det bringer jer tættere på at forstå brugerrejsen fra besøg til konvertering.

#2 Sådan perfomer dit site

Det kan ofte være rart at vide, hvordan ens site performer i forhold til en baseline. 

Eksempel:

Du ønsker at vide vide hvilke trafikkanaler, der gav flest besøg sidste år. Du regner dig frem til at der er omkring 500 besøg om måneden i gennemsnit. Derudover lægger du mærke til, at der i højsæson kan være op til 1500 besøg fra en enkelt trafikkanal. Med denne viden kan du nu arrangere dine besøg i pr. måned i tre logiske størrelser:

  1. Kanaler med besøg under gennemsnittet, <= 500
  2. Kanaler med besøg omkring og over gennemsnittet. Altså >500
  3. Kanaler med besøg langt over gennemsnittet. Altså <=1500

I Data Studio kan dette skrives på følgende måde:

CASE
  WHEN Sessions <= 500 THEN 1
  WHEN Sessions > 500
AND Sessions <= 1500 THEN 2
  ELSE 3
END

For at gøre det lidt mere tilgængeligt har jeg taget den ovenstående kode og tilføjet et nyt felt med følgende kode:

CASE
  WHEN Helper – Højt antal besøg = 1 THEN “Lav performance”
  WHEN Helper – Højt antal besøg = 2 THEN “Middel performance”
  ELSE “Høj performance”
END

Bemærk hvordan jeg i det sidste felt peger på den første dimension, jeg havde lavet. 

(Hvis du selv laver det ovenstående felt, skal du altså lige sikre dig, at navnet på feltet i den første kode, stemmer overens med det felt du peger på i den anden kode.)

Dette giver mulighed for at lave en nem oversigtstabel hvor man får et overblik over hvilke måneder, kanalerne klarede sig bedst. Resultatet af ovenstående er den følgende tabel:

Bliv klogere: Effektivt kursus i Google Analytics

#3 Data på tværs af analytics

En af de klart bedste funktioner i Google Data Studio (Og Google Analytics for den sags skyld) er regular expressions. I sin enkelhed er dette en metode, man bruger til at fange et bestemt mønster i en tekst eller i data. 

I Google Data Studio bruger jeg dette værktøj til at ‘trimme’ og udtrække eksisterende data, så de kan præsenteres på en meningsfuld måde. 

Af de forskellige Regex metoder man kan bruge i Google Data Studio er min favorit nok REXEXP_MATCH. Denne metode giver dig mulighed for at evaluere et hvilket som helst felt i dit data. 

Eksempel:

Lad os sige, at du har brug for en oversigt over hvor mange gummistøvler, du har solgt sidste år sammenlignet med året før. Ligesom med det første eksempel, hvor vi brugte dimensionen ‘Subcontinent’ til at lave salgsregioner, vil jeg i dette eksempel bruge dimensionen ‘Month of the year’ til at lave et felt med årstiden. 

I dette eksempel vil jeg bruge årets måneder og ‘konvertere’ det til, hvilken sæson det er:

 

CASE
  WHEN REGEXP_MATCH(Month of the year,’12|01|02‘) THEN “Vinter”
  WHEN REGEXP_MATCH(Month of the year,’03|04|05‘) THEN “Forår”
  WHEN REGEXP_MATCH(Month of the year,’06|07|08‘) THEN “Sommer”
  ELSE “Efterår”
END

 

Dette nye felt kan jeg så kombinere med mit konverteringsmål i Google Analytics, der tracker mit salg af gummistøvler, hvilket giver mig den nedenstående tabel:

Her kunne jeg passende smide flere dimensioner på for at give min tabel endnu mere værdi (eksempelvis anskaffelseskanal, device, by etc,).

Selve Regex-syntaksen fortjener sin helt egen artikel, men jeg præsenterer alligevel lige denne hurtige oversigt:

 

Udtryk Betydning Eksempel Match eksempel
. Hvilket som helst tegn a.c abc
* Nul eller flere af x peytz\.dk\/.* peytz.dk/kontakt
\ Tager tegnet før bokstavelig  \/it-leverandoer\/teknologi it-leverandoer/teknologi
^ Begynder med ^\/artikler /artikler/google-analytics
$ Slutter med 404$ peytz.dk/artikler/404
| Eller .*\/drupal|.*\/wordpress peytz.dk/drupal

 

Det tager lige et øjeblik at komme ind i syntaksen, men når man har lært det, garanterer jeg, at man hurtigere og lettere kan udtrække og trimme data efter behov.

#4 Tjek på dine subsites

Vil du have et nemt overblik over hvilket af dine subsites, der klarer sig bedst? Og har du den samme tracking-kode på alle jeres subdomæner? 

Så kan du med REGEX_EXTRACT få datastudio til at oprette et felt, som trækker specifik data ud fra en given dimension i din datakilde.

Eksempel

Du har en Google Analytics-kode, som tracker på alle dine forskellige subsites. I Google Analytics har du derfor svært ved at få et hurtigt overblik over, hvordan de forskellige sites performer i forhold til hinanden. 

Google Analytics har en dimension der hedder ‘Hostname’. Denne dimension skal vi nu bruge til at skabe et nyt felt, der fortæller os, hvilket site en given side hører til:

REGEXP_EXTRACT(Hostname,’(^.*)\\.{Root domain}’)

Bemærk at du i denne funktion selv skal erstatte {Root domain} med dit eget domænenavn.

Og så til det endnu mere nørdede!

#5 Salgsregioner

En af mine yndlingskoder er en, jeg bruger til at lave en dimension, der hedder “salgsregioner”. Du kan se koden nedenfor, som du selv kan indsætte i din egen Google Analytics rapport i Data Studio. 

CASE
  WHEN Sub Continent IN (“Western Europe”, “Southern Europe”, “Northern Europe”, “Eastern Europe”, “Western Africa”, “Eastern Africa”, “Southern Africa”, “Northern Africa”, “Middle Africa”, “Western Asia”) THEN “EMEA”
  WHEN Sub Continent IN (“Southern Asia”, “Southeast Asia”, “Eastern Asia”, “Central Asia”, “Australasia”, “Melanesia”, “Micronesian Region”, “Polynesia”) THEN “APAC”
  WHEN Sub Continent IN (“South America”, “Northern America”, “Central America”, “Caribbean”) THEN “AMERICAS”
  ELSE “EMEA”
END

Læg mærke til hvordan ‘Sub continent’ er den dimension i Google Analytics, jeg bruger som evaluering. Metoden jeg definerede salgsregioner på i ovenstående eksempel kan også bruges til eksempelvis at samle byer, lande, regioner eller subkontinenter i dimensioner, der giver mening for din virksomhed. Du kan se, hvilken form for geografisk data du kan få ud fra Google Analytics her: https://support.google.com/analytics/answer/6160484?hl=en

Bliv klogere: Effektivt kursus i Google Analytics

Interesseret – eller bare grundigt forvirret?

Lad Jonas hjælpe dig med at få det bedste ud af dine data.