Webperf
Deskriptiv analys svarar på den grundläggande frågan "Vad har hänt?" och utgör ofta baslinjen för all annan analys.
Genom att samla, aggregera och visualisera historisk data skapar vi den "backspegel" som organisationer behöver för att förstå sin verksamhet. En stor del av företagsanalys faller inom kategorin deskriptiv analys eftersom vi redan vet vad som hänt. Vilket gör det till den mest praktiskt tillämpade analysnivån även för organisationer som strävar mot prediktiva och preskriptiva metoder. För svenska webb- och digitalanalytiker är förståelsen av deskriptiv analys avgörande, samtidigt som vi får kämpa med val av verktyg som respekterar europeisk dataskyddslagstiftning (GDPR) och ePrivacy-direktivet.
Vad är deskriptiv analys och varför spelar det roll?
Deskriptiv analys använder två kärnmetoder.
Dataaggregering innebär insamling och organisering av data till hanterbara dataset. Data mining är processen att upptäcka mönster, samband och fynd i större datamängder, i syfte att skapa förståelse och hypoteser på saker att förändra framåt.
Till skillnad från diagnostisk analys ("Varför hände det?"), prediktiv analys ("Vad kommer hända?") eller preskriptiv analys ("Vad bör vi göra?") försöker deskriptiv analys inte förklara orsakssamband eller förutsäga framtiden. Den beskriver och presenterar data. Helst ordnar vi det i lättförståeliga format.
Implementeringen följer typiskt sett fem delsteg.
- Först definierar vi mätvärden och KPI:er av intresse.
- Sedan identifierar vi nödvändiga datakällor eller skapar dem, exempelvis genom att börja spåra besök på vår webb eller app. Med de verktygen får vi ofta en hel del mätvärden på köpet.
- Därefter extraherar och förbereder vi data genom rensning och transformation.
- Vi analyserar data med lämpliga verktyg.
- Slutligen presenterar vi resultaten visuellt för de intressenter som finns.
Datakvalitet som grundförutsättning
Datatvätten är ofta det mest tidskrävande steget och felaktiga eller inkonsekventa data leder till missvisande slutsatser. Inom webbanalys är datakvalitetsutmaningarna särskilt påtagliga. Spårningskod som inte laddar korrekt, innehållsblockerare som förhindrar datainsamling, bottraffik som förvränger besöksstatistik och felkonfigurerade filter som exkluderar legitim trafik är alla vanliga problem. Ett praktiskt exempel är när en organisation upptäcker att intern trafik från egna medarbetare har räknats med i besöksstatistiken under flera månader, vilket gett en skev bild av faktisk extern användning.
För att hantera dessa utmaningar krävs regelbunden granskning av datakvaliteten. Det kan innebära att jämföra data från olika källor, kontrollera att spårningskoden fungerar på alla sidor och verifiera att segment och filter är korrekt konfigurerade. Att investera tid i datakvalitet tidigt sparar betydande arbete längre fram i analysprocessen och gör det tydligt hur mycket man kan lita på sitt dataunderlag.
Segment som verktyg för relevant analys
När vi arbetar med webbanalysverktyg som Matomo blir segment ett centralt begrepp. Ett segment är ett urval av datakällan baserat på specifika kriterier, exempelvis användare som kommit via organisk sökning eller sessioner där ett visst mål uppnåtts. Genom att tillämpa segment kan vi fokusera analysen på de delar av datatrafiken som är relevanta för den fråga vi försöker besvara, istället för att drunkna i aggregerad data som blandar alla olika användargrupper och beteenden.
Att skilja på vanity metrics och värdeskapande mätvärden
En central utmaning inom deskriptiv analys är att skilja mellan mätvärden som ser spännande ut och mätvärden som faktiskt beskriver värdeskapande. Sidvisningar och sessioner är lätta att rapportera men säger väldigt lite om huruvida verksamheten uppnår sina mål. En webbplats kan ha miljontals sidvisningar utan att generera en enda konvertering av värde.
Mätvärden som beskriver faktiskt värdeskapande är oftast kopplade till verksamhetens konkreta mål. Konverteringsgrad för definierade målhandlingar, genomförda tjänsteärenden inom offentlig sektor, eller engagemang med kärninnehåll ger en mer rättvisande bild än rena volymtal. För affärssammanhang används mätvärden om intäkt som total omsättning och år-över-år-tillväxt, kundmätvärden som kundbevarande (retention) och livstidsvärde, samt operativa mätvärden som genomströmning och lagernivåer.
Det innebär inte att volymbaserade mätvärden helt saknar värde. Sessioner och unika användare ger kontext och kan vara relevanta för att förstå räckvidd. Men de bör alltid sättas i relation till mätvärden som beskriver om användarna faktiskt gör det vi vill att de ska göra.
Visualiseringens centrala roll i deskriptiv analys
Datavisualisering är inte bara estetik. Den avlastar den kognitiva belastningen genom att flytta bearbetningen till det perceptuella systemet. Rätt val av diagramtyp påverkar direkt hur väl resultaten kommuniceras. Linjediagram passar bäst för trender över tid och tidsseriedata. Stapeldiagram fungerar för jämförelser mellan kategorier. Cirkeldiagram visar proportioner. Värmekartor visualiserar datatäthet eller koncentration effektivt.
God praxis för visualisering inkluderar att känna sin målgrupp och anpassa komplexiteten därefter, hålla det enkelt och undvika chartjunk
, använda färg varsamt för att framhäva utan att överväldiga, säkerställa konsekvent ordning för logiska mönster samt designa för tillgänglighet inklusive färgblinda användare. Lyft alltid fram nyckelpoänger och använd beskrivande etiketter med tydliga titlar.
Matomo för deskriptiv webbanalys
Matomo erbjuder ett starkt alternativ till Google Analytics för organisationer som prioriterar dataskydd. Plattformen finns i två huvudsakliga varianter där man antingen kan hyra Matomo som en tjänst direkt av Matomo (Innocraft) själva eller en SaaS-leverantör, eller så driftar man On-Premise själv.
Att använda Matomo betyder inte att man kan blunda för GDPR och ePrivacy, men det blir desto enklare med regelefterlevnad. PTS har redan yttrat sig att Matomo-kakor inte får klassas som nödvändiga och undgå samtyckeskraven. Sen exakt hur man gör en hybrid- eller kaklös spårning är ett samtal med ens egna dataskyddsombud och jurister.
Utöver att följa svenska IMY och PTS för vägledning finns också franska dataskyddsmyndigheten CNIL som gett yttranden om att Matomo kan användas utan samtyckesbanner - bara det konfigureras korrekt. Se nedan skrivelse för inspiration från den franska marknaden:
→ How do I configure Matomo without tracking consent for French visitors (CNIL exemption)? (Matomo)
Analystyper i Matomo
Matomos rapportsystem stödjer flera typer av deskriptiv analys. Besökaranalysen ger översikt med besök, unika besökare, sidvisningar, avvisningsfrekvens och genomsnittlig sessionslängd. Enhetsrapporter visar fördelningen mellan desktop och mobil, och tidsmönsteranalysen avslöjar när på dygnet och veckan besökarna är som mest aktiva.
Beteendeanalysen visar toppsidor efter URL och sidtitel, in- och utgångssidor samt sidövergångar. Om intern sökning är konfigurerad kan sökbeteendet analyseras. Förvärvsanalysen täcker trafikkällor som organisk sökning, referraltrafik, sociala medier och UTM-taggade kampanjer. Målanalysen spårar anpassade mål som specifika sidvisningar, händelser eller nedladdningar.
Styrkan med Matomo för deskriptiv analys ligger i möjligheten att kombinera dessa rapporttyper med segment. Genom att filtrera data baserat på exempelvis trafikkälla, geografisk plats eller enhet kan analysen fokuseras på specifika frågeställningar istället för att presentera aggregerad data som kan dölja viktiga mönster.
Enkäter som kvalitativt verktyg för deskriptiv datainsamling
Enkäter kompletterar kvantitativ webbdata med kvalitativa data direkt från användarna. Medan webbanalysverktyg visar vad användare gör kan enkäter avslöja varför de gör det, vad de tycker och vad de saknar. För deskriptiv analys är enkäter särskilt värdefulla när vi vill kartlägga attityder, preferenser och upplevelser inom en målgrupp.
Enkätmetodik för tillförlitliga resultat
Forskningsbaserade riktlinjer betonar att hålla enkäter korta. Varje fråga bör vara knuten till ett tydligt ändamål. Undvik jargong och tekniskt språk och formulera frågor konversationellt. Pilottesta alltid med representanter från målgruppen innan lansering.
Frågetyper bör väljas utifrån vilken typ av data som behövs. Flervalsfrågor ger frekvensfördelningar och procentsatser för kategorisering. Betygsskalor och Likert-skalor mäter attityder och ger medelvärde, median och standardavvikelse. Öppna textfält ger ännu mer kvalitativa data för tematisk analys, om än lite svårare att klassificera.
För skalor gäller att använda balanserade skalor med lika många positiva och negativa alternativ. Sen är det en diskussion ifall man ska inkludera ett neutralt mittalternativ eller inte. Men att hålla skalor konsekventa genom hela enkäten är en bra idé.
Undvik "håller med/håller inte med"-format som kan skapa acquiescence bias då respondenter tenderar att instämma oavsett påståendets innehåll.
Verktyg för enkätinsamling
SurveyMonkey är ett av flera etablerade verktyg för enkätinsamling. Viktiga funktioner i enkätsystem är att kunna jobba med mallar, distribution via webblänk, e-post, QR-kod och sociala medier. Kanske behöver du inbyggda analysverktyg med automatisk diagramgenerering. Det är vanligt att man behöver kunna exportera i flera olika format och integrationer som stödjer plattformar som Tableau och Power BI.
Alternativa verktyg finns; som Google Forms, Typeform eller open source-alternativ som LimeSurvey.
Digital analys för mobilappar och andra typer av data
Mobilappar representerar ett eget område inom digital analys med specifika mätvärden och beteendemönster som skiljer sig från webbanalys. Användare interagerar annorlunda med appar än med webbplatser och analysverktygen behöver anpassas därefter.
Centrala mätvärden för appanalys
Appar skiljer sig från webbplatser så till vida att användning av appen är en bekräftelse på engagemang. Eftersom appen behöver laddas ner först blir en appstart lite av ett midfunnel-mått om man tänker på AIDA-modellen.
Aktiva användare mäts typiskt på daglig-, veckolig- och månadsbasis, vilket ger en bild av hur väl appen lyckas hålla sina användare aktiva över tid. Du har säkert stött på måttet MAU (Monthly Active Users), men samma finns för vecka (WAU) och dagsbasis (DAU).
Andra vanliga mått är genomsnittlig engagemangstid och det beräknas som total förgrundstid delat med totala aktiva användare. Engagerade sessioner kan definieras som sessioner som varar 10 sekunder eller längre, har minst en nyckelhändelse eller har minst två skärmvisningar. Användarretention visar procent användare som återvänder under de första veckorna efter installation.
Till skillnad från webbanalys fokuserar appanalys ofta på appspecifika händelser som installation, första öppning, uppdateringar och avinstallation. Skärmövergångar motsvarar sidvisningar på webben men interaktionsmönstren kan se annorlunda ut.
Verktyg för appanalys; Firebase och Supabase
Firebase Analytics, officiellt Google Analytics for Firebase, är ett vanligt val för appanalys med stöd för iOS och Android. SDK:n hjälper till med att samla in händelser som första appstart, sessionsstart, skärmvisningar och köp i appen utan onödigt mycket konfiguration.
För organisationer som vill undvika Googles ekosystem eller som har specifika krav på datasuveränitet finns alternativ. Supabase erbjuder en open source-plattform för backend-tjänster inklusive databas, autentisering och realtidsfunktioner. Även om Supabase inte är ett renodlat analysverktyg kan det användas som grund för att bygga upp en egen analyslösning med full kontroll över var data lagras och hur den hanteras.
Matomo erbjuder också SDK:er för mobilappar för organisationer som vill använda samma plattform för både webb- och appanalys. Det kan krävas lite handpåläggning för att översätta användarbeteende i er app till hur Matomo funkar.
Praktiska rekommendationer för implementering
Framgångsrik deskriptiv analys bygger på att definiera tydliga mätvärden kopplade till verksamhetsmål, inte bara nöja sig med vanity metrics. Datakvalitet är fundamentalt och felaktig data leder till missvisande slutsatser. Implementera datastyrning och kvalitetskontroller från start. Behandla deskriptiv analys som en pågående process snarare än engångsprojekt. Det behövs automatiskt uppdaterade instrumentpaneler och regelbunden granskning.
Undvik fallgropar som:
- Datasilos där fragmenterade lärdomar leder till inkonsekvent beslutsfattande.
- Överkomplicerade lösningar där analyser blir svåra att förstå och agera på.
- Ignorering av kontext där data tolkas utan hänsyn till verksamhetssammanhang.
- Övertro på enskilda mätvärden där en bredare bild krävs.
För verktygsval passar Matomo svenska organisationer som prioriterar GDPR-efterlevnad, kontroll och datasuveränitet. Enkäter kompletterar kvantitativ webbdata med kvalitativa perspektiv från verkliga användare. För mobilappar finns flera alternativ beroende på krav på integritet och kontroll över data.
Kombinera dessa verktyg för en helhetsbild över de digitala kanalerna.
