Wie Weihnachten und Ostern – Contribution Analysis

Ich hatte vor einem Jahr hier im Blog kurz die Anomaly Detection angeschnitten, ein Feature das beim Aufspüren „interessanter“ Daten hilft.

Anomaly Detection betrachtet ausgewählte Metriken über einen gewissen Trainingszeitraum (30, 60 oder 90 Tage), berechnet daraus einen erwarteten Verlauf und vergleicht diesen dann mit den aktuellen Werten der letzten 30, 60 oder 90 Tage.

Wo ein Wert ausserhalb des Erwartungsspielraumes liegt, zeigt ihn Anomaly Detection an.

So weit, so gut.

Neu hinzugekommen ist jetzt die Contribution Analysis, und zwar seit März und für Kunden, die Analytics gekauft haben (nicht SiteCatalyst).

Während nämlich Anomaly Detection das Aufspüren von Anomalien stark vereinfacht, fehlte bisher noch der nächste Schritt, die Analyse der Anomalie. Darauf kann ein Analyst aufgrund der vielen Daten recht viel Zeit verwenden, muss er doch alle verfügbaren Reports durchsehen und dabei Zusammenhänge finden.

Big Data is a misnomer. The data aren’t big—there’s just a lot of them. An alternative: Much Data™.

— Patrick Traughber (@ptraughber) January 27, 2014

Seit dem Spring Release kann Adobe Analytics das nun selber, also automatisiert und damit schneller und zuverlässiger.

Contribution Analysis

Der Screenshot von weiter oben sieht nämlich jetzt so aus, wenn man auf einen der Werte klickt:

Und wenn man auf diesen Knopf drückt, dann generiert das System einen Job und packt ihn in die Queue:

Die Queue kann man mehrfach befüllen, wie der Name nahelegt. Das Backend rechnet für jeden der „Aufträge“ den kompletten Datenbestand durch. Das kann ein wenig dauern.

Wenn es fertig ist, bekommt man eine Nachricht:

Der Auftrag ist jetzt nicht mehr in der Queue, stattdessen steht weiter unten ein fertiger Report zur Verfügung:

Der Report selber sieht dann so aus:

Der obere Teil des Reports zeigt die wichtigsten Elemente. Sortiert sind sie nach der sogennanten „Contribution Score“, einer berechneten Metrik, die sich aus Signifikanz und generellem Einfluss zusammensetzt und zwischen 1 und -1 liegt.

Darunter sieht man die Elemente in einer grafischeren Form, dort kann man auch Elemente auswählen. Ja, auch mehrere.

Weiter unten findet sich noch eine Liste der Elemente. Diese Liste wird reduziert, wenn man im grafischen Teil Elemente auswählt.

Die einzelnen Elemente in der Liste selber kann ich mir auch als Trend anzeigen lassen. Sehr hilfreich!

In meinem Fall kann ich sofort sehen, dass Neubesucher einen grossen Anteil hatten. Ebenso war anscheinend die Veröffentlichung des Artikels „Content as eCommerce“ ein Faktor. Den Artikel hatte ich in der Tat an diesem Tag veröffentlicht, und Neubesucher sind durchaus oft ein Faktor, wenn man mal überdurchschnittlich viele Visits oder Visitors hat.

Klingt sinnvoll.

Wo das Tool wirklich seine Stärken ausspielen kann ist bei unvorhergesehenen Ereignissen, wie z.B. wenn auf Facebook oder Twitter etwas vorfällt, oder wenn man nicht nur ein einfaches Blog analysieren muss.

Notizen

Eine Sache möchte ich noch anbringen:

Wenn man sich die Faktoren herausgepickt hat, ist die Geschichte noch nicht zuende!

Man kann nämlich die aktuell gewählten Faktoren direkt in ein Segment überführen!

Wer des Englischen mächtig ist, sollte übrigens die zwei Artikel meines Kollegen John Bates zum Thema lesen: Leverage Analytics with Contribution Analysis Tips Tricks and Best Practices: Part 1 & Part 2. Das stecken noch ein paar nette Tips drin.

Das ist doch mal was, oder?!