Data analytics

Slimmer omgaan met direct traffic in Google Analytics

0

Als je het principe achter direct traffic snapt, kun je kwalitatievere analyses maken binnen Google Analytics (GA4 of UA), en hierdoor betere investeringsbeslissingen nemen. Daarom wil ik je in dit artikel graag aan het denken zetten en dieper in laten gaan op de exacte waarheid achter direct traffic. Na het lezen kun je direct aan de slag! 

De volgende onderwerpen behandel ik in dit artikel:

  1. Direct traffic in Google Analytics
  2. De blinde vlek van direct traffic
  3. Een aangepast attributiemodel voor direct traffic in Google Analytics
  4. Macrotrends spotten met een aangepast attributiemodel

1. Direct traffic in Google Analytics

Direct traffic is, al zolang Google Analytics bestaat, een interessant kanaal. Niemand weet namelijk exact of de weergegeven getallen exact kloppen, omdat direct traffic een vergaarbak kan zijn van verschillende soorten verkeer. Zoals:

  • Direct ingevoerde URL’s in de zoekbalk van een browser (logisch!)
  • Verkeerd getagde of niet-getagde URL’s (bijvoorbeeld bij e-mailproviders)
  • Traffic van een non-HTTPS- naar HTTPS-domein (en andersom)
  • Document-referrals (bijvoorbeeld uit een pdf)

In dit artikel zal ik niet verder ingaan op hoe direct traffic zich exact beweegt. Voor die informatie kun onderstaande artikelen doornemen.

2. De blinde vlek van direct traffic

Voordat we verder gaan in Google Analytics, zou ik graag eerst nog één stap terug willen doen. Hoe ontstaat direct traffic, op welke manier dit dan ook gemeten wordt in Google Analytics?

Direct traffic betekent verkeer dat zonder tussenkomst van iets of iemand anders naar een website navigeert (uitzonderingen daargelaten). Er is echter geen enkel persoon op aarde gekomen met direct een aantal websites, merken en platforms in zijn of haar hoofd. Deze websites, merken en platforms zijn aangedragen op één of andere manier, zodat deze bezoeker exact weet wanneer en waarvoor hij of zij ernaar moet navigeren.

Eigenlijk kun je dus stellen dat direct traffic per definitie niet een opzichzelfstaand kanaal is, maar altijd beïnvloed is door een ‘ander kanaal’. Dit andere kanaal kan zowel online (zoekmachine, social media, et cetera) als offline zijn (mond-tot-mond, abri, billboard et cetera).

De conclusie die we voorzichtig kunnen trekken over direct traffic is dat deze altijd door een andere kanaal beïnvloed is. Een vraag die dit direct bij mij doet oproepen is dan ook logisch. Waarom nemen we standaard 100% van de conversiewaarde die aan direct traffic kleeft mee in onze attributiemodellen in Google Analytics? Kunnen we deze waarde niet beter of slimmer toewijzen?

3. Een aangepast attributiemodel voor direct traffic in Google Analytics

Om antwoord te geven op bovenstaande vraag moeten we het multi-channel trechterrapport in Google Analytics gebruiken. Google Analytics kent voor dit rapport een aantal (standaard) attributiemodellen, te weten:

  1. Last interaction (default)
  2. First interaction
  3. Time Decay
  4. Linear
  5. Position Based

Door in Google Analytics naar het rapport Conversies > Multi-channel trechters > Tool voor modelvergelijking te navigeren, wordt het mogelijk om de (standaard-)attributiemodellen te vergelijken.

Alle standaard-attributiemodellen van Google Analytics nemen voor elk kanaal 100% van de waarde mee. Maar we weten nu dat dit eigenlijk een suboptimale gedachtegang is, aangezien bijvoorbeeld direct traffic nooit uit zichzelf is ontstaan.

Om te kijken hoe we deze waardetoeschrijving zelfstandig kunnen aanpassen, moeten we eerst kijken wat de structuur is van verschillende conversiepaden voor direct verkeer. Zie onderstaand ter inspiratie twee verschillende paden die kunnen voorkomen bij een conversie op website X.

Verschillende paden die kunnen leiden tot een conversie.

Afbeelding van twee verschillende conversiepaden met direct traffic – via IWB.

Als je het standaard-attributiemodel van Google Analytics gebruikt (last-interaction of laatste interactie), zul je in conversiepad 1 en 2 de volgende waardetoeschrijving zien.

Last interaction – conversiepad 1

  • Display: 0%
  • Direct: 0%
  • Social: 100%

Last interaction – conversiepad 2

  • Direct: 100%

Kies je bijvoorbeeld voor het attributiemodel ‘position based’, dan komt onderstaande verdeling eruit:

Position based – conversiepad 1

  • Display: 40%
  • Direct: 20%
  • Social: 40%

Position based – conversiepad 2

  • Direct: 100%

Hieruit kunnen we concluderen dat we voor een gedeelte van de conversiepaden, die enkel bestaan uit direct verkeer, geen verschil kunnen maken. Voor de conversiepaden die soortgelijk zijn aan conversiepad 1 kunnen we wel aanpassingen maken, aangezien we weten dat de toegeschreven waarde van 20% in dit geval niet reëel is.

Hoe pas je dit toe in een custom attributiemodel in Google Analytics?

Om een eigen attributiemodel te maken in Google Analytics kun je onderstaande navigatie volgen.

Beheerder > Weergave > Instellingen van Multi-channel trechters > Nieuw attributiemodel

Je kunt nu op vijf verschillende vlakken het attributiemodel aanpassen:

  1. Basis attributiemodel
  2. Overzicht periode (0 tot 90 dagen)
  3. Credit voor vertoningen*
  4. Credit op basis van gebruikersbetrokkenheid
  5. Aangepaste creditregels toepassen

* Alleen beschikbaar als je Google Analytics account is gewhitelist voor de GDN Impression Bèta (vraag je Google-accountmanager).

Voor dit artikel ga ik in op nummer 5 van bovenstaande opties.

Om de waarde van direct traffic opnieuw toe te wijzen bij conversiepaden zoals conversiepad 1, dien je de volgende instellingen neer te zetten.

Waarde van direct traffic toewijzen in Google Analytics (screenshot).

Aangepaste creditregels toepassen = Aan

MCF-kanaalgroep = Direct

Crediteren = 0

PRO TIP: Maak minimaal twee verschillende attributiemodellen aan (bijvoorbeeld position based en linear) om ze met elkaar te kunnen vergelijken, zie 4.

4. Macrotrends spotten met een aangepast attributiemodel

Allemaal leuk en aardig, maar uiteindelijk zijn we natuurlijk allemaal op zoek naar praktische aanbevelingen waarmee we impact kunnen maken. Daarom laat ik je graag aan de hand van eigen voorbeelden zien welke drie conclusies ik heb getrokken bij één van onze accounts.

Navigeer binnen Google Analytics naar Conversies > Multi-channel trechters > Tool voor modelvergelijking. Selecteer hier naast een standaardattributiemodel ook de één of twee nieuw aangemaakte attributiemodellen van jezelf (zie afbeelding).

 

Screenshot van Google Analytics met aangepaste attributiemodellen, om een vergelijking te kunnen maken.

Zoals in bovenstaande afbeelding te zien is, heb ik twee verschillende aangepaste attributiemodellen tegenover een standaardattributiemodel ‘position based’ gezet. Vervolgens krijg je per MCF-kanaalgroep te zien hoe deze verandert op basis van de vergeleken attributiemodellen.

Hoewel Google Analytics niet in staat is om volledig cross-device te meten, kun je wel trendanalyses en macroverschuivingen identificeren van kanalen die je nu dus onderwaardeert omdat ‘direct traffic’ deze waarde heeft overgenomen. Voor deze klant zijn de drie belangrijkste uitkomsten:

  1. We overwaarderen direct verkeer met +/- 40%
  2. We onderwaarderen het kanaal e-mail met +/- 11%
  3. We onderwaarderen social met +/- 15%

Dit betekent dat je eigenlijk direct meer tijd, geld en resources kunt inzetten op de kanalen e-mail en social. Deze dragen uiteindelijk bij aan meer direct verkeer en daarmee ook meer conversies.

Take-aways en aanbevelingen

Op basis van de informatie in dit artikel weet je nu (hopelijk) dat:

  • Direct verkeer nagenoeg altijd is beïnvloed door een ander kanaal of touchpoint in het conversiepad
  • Je een ‘custom attributiemodel’ kunt aanmaken in Google Analytics
  • De waarde van elk kanaal of conversiepad niet op de juist manier (standaard) wordt toegeschreven in Google Analytics
  • Je aan de slag dient te gaan met (meerdere) collega’s om uiteindelijk de inzichten aan acties te koppelen

Ik kan me goed voorstellen dat bovenstaande informatie even moet bezinken, omdat het niet het standaardrapport is dat je in Google Analytics kunt selecteren. Daarnaast zijn er best een aantal verbeterpunten uit de data te halen waar je vanuit meerdere invalshoeken van de organisatie naar wil kijken (onder andere het budget herbestemmen).

Wil je dieper op deze stof ingaan of heb je vragen over de cijfers of instellingen? Laat hieronder je reactie achter. En zoals altijd, happy optimizing!

Headerfoto door Pat Whelen via Unsplash.