У базы знаний, как инструмента контент-маркетинга, три задачи:

• Привлекать целевую аудиторию (быть в поле зрения потенциальных покупателей на ранних этапах процесса покупки).
• Быть полезной для посетителей, давать ответы на их вопросы.
• Переводить людей дальше по воронке — в интернет-магазин.

Соответственно, мы должны следить за поисковым трафиком (число посетителей и визитов в месяц), конверсией по воронке (число переходов в интернет-магазин) и интересом пользователей.

Для сбора данных по первому показателю достаточно стандартного отчета Метрики или Аналитикса. Чтобы отследить конверсию, мы внедрили в Аналитиксе составную цель.

Но как быть с полезностью для пользователей? Как понять, что база знаний дает ответы на вопросы людей?

Проблема в том, что стандартные метрики (показатель отказов, средняя длительность сеанса, среднее количество просмотренных страниц за сеанс) не дают ответа на этот вопрос:

• Показатель отказов для информационных ресурсов — это количество пользователей, просмотревших 1 страницу. Один пользователь был только на одной странице 5 минут, все изучил и ушел (это будет отказ), другой был на 3 страницах, на каждой по 10 секунд, не нашел чего нужно и ушел (это НЕ будет отказом).
• Средняя длительность сеанса — в силу особенностей систем аналитики, они не учитывают время на последней странице, то есть если человек пришел на сайт в 10:00, перешел на следующую страницу в 10:01 и с нее ушел с сайта в 10:20, то длительность посещения которое запишется в систему аналитике будет 1 минута.
• Среднее количество просмотренных страниц — пользователь может вдумчиво изучать одну страницу и этого будет достаточно, или пытаться найти нужную информацию в пяти статьях, и в итоге, не найдя ее, уйти.

Даже комбинация этих параметров не способна дать хорошую оценку ситуации.

Мы решили пойти другим путем и ввести коэффициент вовлечения аудитории. Для этого создали специальное событие, которое срабатывает каждые 10 секунд, пока пользователь находится на сайте.

Этот коэффициент не имеет определенного значения, которое можно считать хорошим или плохим результатом. Его необходимо анализировать в динамике.

Этот показатель помогает отслеживать качество (полезность) информации в долгосрочной перспективе, а также фильтровать роботов из статистики — чтобы не искажали её.

Посмотрим на коэффициент вовлечения — видна «просадка» 14 января.

Построим отчет по источникам трафика и регионам и видим всплеск активности в Воронежской области.

Построим отчет: на графиках покажем сеансы и коэффициент вовлечения, а в таблице — страницы раздела, стандартные метрики и коэффициент вовлечения (качества).

На графике видно, что при небольшом падении посещаемости данного раздела, коэффициент вовлечения вырос. Новых материалов в этом месяце выходило не много (это, все-таки, база знаний, а не газета), но в техподдержке (онлайн-консультант) внедрили стандарты обслуживания и еженедельный контроль — вот и результат.

По таблице можно понять какие страницы имеют лучший коэффициент вовлечения, относительно среднего, а какие хуже. На основе этих данных копирайтеры получают задания на проработку/изменения конкретных страниц базы знаний.

Мы внедрили сбор данных по ключевым показателям эффективности базы знаний и теперь клиент ежемесячно получает их в отчете, с комментариями аналитика, а мы отслеживаем качество (полезность) контента и можем им управлять.