Het bewaren van historische data biedt verschillende waardevolle use cases die je kunnen helpen bij het nemen van strategische beslissingen en het optimaliseren van je bedrijfsprestaties. Hier zijn enkele belangrijke use cases waarbij het bewaren van historische data van onschatbare waarde kan zijn:

• Trendanalyses over jaren heen: Door historische data te analyseren, kun je trends identificeren en inzicht krijgen in de evolutie van het gedrag van je bezoekers. Bijvoorbeeld, door te kijken naar de frequentie van bezoeken over de jaren heen, kun je patronen ontdekken en begrijpen hoe de betrokkenheid van je gebruikers zich ontwikkelt. Dit stelt je in staat om strategieën voor klantbehoud en betrokkenheid te ontwikkelen en te optimaliseren.

• Impact van GDPR: Met de invoering van de GDPR zijn er mogelijk veranderingen opgetreden in de beschikbare data en de manier waarop deze wordt vastgelegd. Door historische data te bewaren, kun je analyseren welk gedeelte van de data nog herkenbaar is en welke gegevens verloren zijn gegaan als gevolg van de nieuwe regelgeving. Dit inzicht helpt je om de relevantie en nauwkeurigheid van je analyses te beoordelen en eventuele aanpassingen te maken om te voldoen aan de GDPR.

• Veranderingen in demografie van bezoekers: Historische data kan waardevolle inzichten bieden in hoe de demografie van je bezoekers in de loop der tijd is veranderd. Door deze veranderingen te begrijpen, kun je je marketingstrategieën beter afstemmen op de behoeften en interesses van je doelgroep. Je kunt nieuwe segmenten identificeren en gepersonaliseerde campagnes ontwikkelen om de betrokkenheid en conversie te vergroten.

• Herhaalde campagnes: Als je in het verleden veel hebt geïnvesteerd in campagnes die jaarlijks worden herhaald, is het bewaren van historische data essentieel. Door de prestaties van deze campagnes in voorgaande jaren te analyseren, kun je inzicht krijgen in wat wel en niet heeft gewerkt. Dit helpt je om je marketingstrategieën verder te optimaliseren, de ROI te verhogen en eventuele fouten uit het verleden te vermijden.

• In kaart brengen van seizoenseffecten: Seizoenseffecten kunnen van invloed zijn op het gedrag van je bezoekers en de prestaties van je website. Door historische data te analyseren, kun je deze seizoenseffecten in kaart brengen en begrijpen hoe ze van invloed zijn op je bedrijf. Dit stelt je in staat om je marketing- en verkoopinspanningen af te stemmen op deze seizoensgebonden fluctuaties en je resources effectief te plannen.

Het bewaren van historische data biedt dus verschillende voordelen.  Door gebruik te maken van de historische data kun je beter geïnformeerde beslissingen nemen met als einddoel het behalen van gestelde doelen voor je organisatie.

Bij het vergelijken van Google Analytics 4 en Universal Analytics zijn er enkele belangrijke aspecten waar je op moet letten om de juiste keuze te maken voor je analytics-behoeften.

Hier zijn enkele punten om in gedachten te houden:

• Ander gegevensmodel: Het belangrijkste verschil tussen GA4 en Universal Analytics ligt in de manier waarop ze gegevens verzamelen en rapporteren. GA4 is event-based, wat betekent dat het gericht is op het vastleggen van specifieke gebeurtenissen en interacties op je website. Universal Analytics daarentegen maakt gebruik van samengestelde statistieken en is meer gericht op het tracken van sessies en paginaweergaven.

• Sessie- en gebruikersaantallen: Het is belangrijk om te weten dat sessie- en gebruikersaantallen kunnen verschillen tussen GA4 en Universal Analytics vanwege de verschillende methoden van gegevensverzameling. Universal Analytics maakt gebruik van cookies om sessies en gebruikers te volgen, terwijl GA4 een meer flexibele en privacyvriendelijke aanpak hanteert met behulp van gebeurtenissen en geanonimiseerde gebruikers-ID's. Dit kan leiden tot verschillen in de gerapporteerde aantallen, dus het is belangrijk om hier rekening mee te houden bij het vergelijken van de gegevens.

• Impact van afwijkende gebeurtenissen zoals COVID-19: Afwijkende gebeurtenissen, zoals de COVID-19-pandemie, kunnen een significante invloed hebben op historische trends en gegevens. Het is belangrijk om te begrijpen dat historische trends mogelijk niet representatief zijn voor normaal gedrag tijdens deze uitzonderlijke periode.

Het begrijpen van het verschil tussen GA4 en Universal Analytics, het evalueren van sessie- en gebruikersaantallen en het rekening houden met afwijkende gebeurtenissen zoals COVID-19, zijn belangrijke factoren bij het nemen van een beslissing.

Door het opslaan van data in BigQuery kun je datatransformaties toepassen, waarmee je het data model van beide analytics platformen vergelijkbaar kunt maken. Hiermee maak je het mogelijk trendanalyses en andere analyses eerlijker tussen de platformen op te stellen.

Hoewel Universal Analytics een krachtige tool is voor het verzamelen en analyseren van gegevens, zijn er beperkingen waarmee rekening moet worden gehouden bij het opslaan van alle beschikbare gegevens. Hier zijn enkele redenen waarom je niet zomaar alles kunt opslaan van Universal Analytics:

• Beperkingen van de Reporting API: De Reporting API van Universal Analytics heeft beperkingen wat betreft de omvang van de rapporten. Rapporten kunnen maximaal bestaan uit 10 dimensies en 9 metrics. Dit betekent dat niet alle beschikbare dimensies en metrics in één rapport kunnen worden opgenomen. Bij het opstellen van het data schema voor de export van Universal Analytics-gegevens is het belangrijk om te bepalen welke dimensies en metrics het meest relevant zijn voor je specifieke behoeften en welke rapporten je wilt genereren.

• Focus op relevante rapporten: Het opslaan van alle beschikbare gegevens kan leiden tot een overvloed aan informatie die mogelijk niet allemaal relevant is voor je analyses en rapportagebehoeften. Het is belangrijk om te bepalen welke rapporten het meest waardevol en bruikbaar zijn voor je bedrijf. Door specifieke rapporten te definiëren en alleen de benodigde dimensies en metrics op te slaan, kun je de focus leggen op de gegevens die echt van belang zijn en efficiënter werken.

Binnen iO hebben wij intussen een data Schema uitgewerkt waarbij wij rekening hebben gehouden met deze tekortkomingen. Op basis van dit schema verkrijg je interessante UA data waarmee analyses mogelijk zijn. Het onderstaande schema toont de output in de vorm van datasets:

Het opzetten van een ETL-tooling met Airbyte op een virtuele machine in Google Cloud en het gebruik van een marketing data hub kan een krachtige aanpak zijn om data op te slaan en te benutten voor marketingdoeleinden. Hier is een overzicht van de visie achter het gebruik van een marketing data hub:

• Marketing Cloud-omgeving: De marketing data hub fungeert als een geconsolideerde omgeving waarin alle marketingdata kan worden verzameld en bewerkt. Het biedt een centrale hub waarin al je marketinggegevens samenkomen, waardoor je een holistisch beeld krijgt van je marketingactiviteiten.

• Single Source of Truth: Door gebruik te maken van een marketing data hub, creëer je een enkele bron van waarheid voor al je marketinggegevens. Hierdoor vermijd je inconsistenties en dubbele gegevens en kun je vertrouwen op de nauwkeurigheid en consistentie van je gegevens.

• Flexibel en schaalbaar: Een marketing data hub stelt je in staat om alleen te betalen voor wat je daadwerkelijk gebruikt, waardoor je kosten kunt optimaliseren. Bovendien maakt het integreren van data van andere platformen het mogelijk om een completer beeld te krijgen van je marketinginspanningen en betere beslissingen te nemen.

• Eigen server voor server-side tagging: Met een marketing data hub kun je je eigen server opzetten voor server-side tagging. Hiermee kun je de tracking en verzameling van gegevens beheren en aanpassen aan je specifieke behoeften.

• Mogelijkheid om data tools te installeren: Door gebruik te maken van virtuele machines in de cloud kun je gemakkelijk data tools installeren en gebruiken op je eigen cloudserver. Hierdoor heb je volledige controle over je data-infrastructuur en kun je specifieke tools en technologieën integreren die relevant zijn voor je marketingdoeleinden.

• Data-transformatie met Dataform: Met behulp van Dataform kun je gegevens transformeren en voorbereiden op analyse en rapportage. Dit stelt je in staat om complexe transformaties uit te voeren en je gegevens te structureren op een manier die het meest waardevol is voor je marketingactiviteiten.

• Toekomstbestendigheid met cloudtools zoals Vertex AI: Door gebruik te maken van cloudtools zoals Vertex AI, die machine learning en AI mogelijk maken, kun je je voorbereiden op de toekomst van marketing. Deze tools kunnen bijvoorbeeld slimme productaanbevelingen genereren op basis van geavanceerde algoritmen en patronen in je marketinggegevens.