Classification mal anders

Von | 21. Juni 2016

Im Zuge meiner ersten Erfahrungen mit Adobe Analytics habe ich mich mit folgender Aufgabe befasst:

„Wir wollen für jede Page die durchschnittliche Ladezeit berechnen und diese in drei Kategorien einteilen: fast pages, average und slow pages.“

Aus Business Sicht folgt aus dieser Analyse die Konsequenz, die Slow pages bezüglich der Ladezeit zu optimieren. Idealerweise wird diese Analyse dynamisch implementiert, sodass die Ladezeiten stets automatisch aktualisiert werden und die langsamsten Seiten laufend identifiziert werden.

Um dieses Vorhaben in die Realität umzusetzen, mussten zuerst die technischen Grundlagen implementiert werden. Mit einem Numeric Success Event „LoadTime“ wird jedes Mal, wenn eine Seite neu geladen wird die exakte Ladezeit (also zum Beispiel 8000 tausendstel Sekunden) getrackt.

Das Data Element „LoadTime“ ermittelt die Ladezeit in einem Custom Script anhand folgender Regel:

Return performance.timing.LoadEventEnd-performance.timing.navigationStart;

Alternativ können auch andere Zeitstempel aus performance.timing verwendet werden. In der Page Load Rule wird in einem Custom Page Code folgendes definiert:

s.events=“event15=“+_satellite.getVar(„LoadTime“)+“,“+s.events;

Da die „Average LoadTime“ aussagt, wie lange die Seite im Durchschnitt geladen wird, muss die Metric „LoadTime“ nun mit den Page Views in Verbindung gebracht werden. In den Calculated Metrics erstelle ich also die Metric „Average Loadtime“ mit folgender Logik:

Screenshot

Formel für Average LoadTime

Um die Average Loadtime den vordefinierten drei Gruppen zuzuordnen, brauche ich zwei Benchmarks. Diese Benchmarks setze ich nicht fix, sondern definiere diese flexibel, sodass sich auch die Benchmarks mit neuen Daten jederzeit anpassen.

In diesem Beispiel habe ich mich dafür entschieden, die schnellsten 20% aller Datensätze als „fast pages“ und die langsamsten 20% aller Datensätze als „slow pages“ zu kategorisieren. Die restlichen Seiten wären demnach „average“.

Um dies zu berechnen, wende ich die Percentile Formel an, die in Adobe Analytics bereits vordefiniert ist. Ich berechne mit den Calculated Metrics zwei Kennzahlen mit folgender Logik.

Screenshot

Berechnung für den slower Benchmark

Screenshot

Berechnung für den faster Benchmark

Das Percentil berechnet den Punkt, an dem x Prozent der Datensätze unter und 1-x Prozent der Datensätze darüber liegen. Angenommen wir haben 10 pages, dann müssten also zwei unter „slow pages“ fallen und 2 unter „fast pages“.

 

Nun fehlt noch die eigentliche Klassifizierung. Dafür muss für jede Seite folgendes geprüft werden:

  • Wenn die Average Loadtime grösser ist als die slower Benchmark, dann wird die Page den slow Pages zugeordnet (Gruppe 3, rot umrandet im Screen Shot)
  • Wenn die Average Loadtime kleiner ist, als die faster Benchmark, dann wird die Page den fast Pages zugeordnet (Gruppe 1, grün umrandet im Screen Shot)
  • In allen anderen Fällen wird die Page den Average Pages zugeordnet (Gruppe 2, gelb umrandet im Screen Shot)
Screenshot

Formel für die Klassifizierung

Screenshot

Klassifizierung der Page Loadtime

Dieser Business Case stellt übrigens eine gute Basis für die „No Numbers Challenge“ dar, da in diesem Szenario die einzige Frage ist, welche Seiten jetzt gerade zu langsam sind und daher optimiert werden müssen. Die konkreten Zahlen dahinter spielen eigentlich nur eine untergeordnete Rolle und sind zwar für die Klassifizierung notwendig, nicht aber für die Entscheidung, welche Seiten zuerst optimiert werden sollen.

 

 

Ein Gedanke zu „Classification mal anders

  1. Pingback: Unified Calculated Metrics - Übersicht - Webanalyse auf Deutsch

Kommentar verfassen

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.