Αν ασχολείσαι με το digital marketing και τα Google Analytics 4, σίγουρα έχεις βρεθεί μπροστά σε αυτή την απορία: «Γιατί τα νούμερα των χρηστών μου αλλάζουν;», «Ποια μέτρηση είναι τελικά η σωστή;». Η απάντηση κρύβεται σε μια από τις πιο θεμελιώδεις, αλλά συχνά παραμελημένες, ρυθμίσεις των GA4: το Reporting Identity.
Στην εποχή του cross-device Browse και του επερχόμενου cookieless era, το να καταλάβουμε ποιος είναι πραγματικά ένας «μοναδικός χρήστης» είναι πιο δύσκολο από ποτέ. Ένας χρήστης μπορεί να δει το site σου το πρωί από το laptop στη δουλειά, το μεσημέρι από το κινητό στο μετρό και το βράδυ να κάνει την αγορά από το tablet στον καναπέ. Για εσένα, είναι ένας πελάτης. Για τα παραδοσιακά analytics, μπορεί να είναι τρεις διαφορετικοί «χρήστεs».
Εδώ έρχεται το Reporting Identity των GA4. Είναι η μέθοδος που χρησιμοποιεί η πλατφόρμα για να κάνει το περίφημο user-stitching: να «ράψει» δηλαδή τις διάφορες επισκέψεις ενός ατόμου από διαφορετικές συσκευές και browsers σε ένα ενιαίο user journey.
Σε αυτόν τον οδηγό, θα βουτήξουμε στα βαθιά των τριών μεθόδων (Blended, Observed, Device-based), θα δούμε τα υπέρ και τα κατά τους και θα τα απομυθοποιήσουμε με πρακτικά παραδείγματα για να ξέρεις επιτέλους τι βλέπεις στα reports σου.
Οι 3 Πυλώνες της Αναγνώρισης Χρηστών
Πριν δούμε τις τρεις μεθόδους, πρέπει να καταλάβουμε τα 3 signals που χρησιμοποιούν τα GA4 για να αναγνωρίσουν έναν χρήστη, με σειρά ιεραρχίας:
- User-ID: Το πιο ακριβές signal. Είναι ένα μοναδικό ID που δίνεις εσύ σε έναν χρήστη όταν κάνει login στο site ή την εφαρμογή σου. Είναι το “Άγιο Δισκοπότηρο” του tracking, γιατί συνδέει αξιόπιστα τον ίδιο χρήστη σε όλες τις συσκευές, αρκεί να συνδεθεί.
- Google Signals: Όταν ένας χρήστης έχει ενεργοποιημένη την εξατομίκευση διαφημίσεων στον Google λογαριασμό του και είναι συνδεδεμένος, η Google μπορεί να τον αναγνωρίσει cross-device. Αυτό μας δίνει και πλούσια δημογραφικά στοιχεία (ηλικία, φύλο, ενδιαφέροντα). Απαιτεί τη συναίνεση του χρήστη και την ενεργοποίηση των Google Signals από εσένα.
- Device ID (ή Client ID): Η πιο βασική μέθοδος. Είναι ένα τυχαίο ID που αποθηκεύεται στο cookie του browser ή στο app instance. Αν ο χρήστης μπει από άλλο browser, άλλη συσκευή ή απλά καθαρίσει τα cookies του, καταγράφεται ως νέος χρήστης.
Τώρα που ξέρουμε τα υλικά, ας δούμε τις συνταγές.
Ανάλυση των 3 Reporting Identities
Τα GA4 σου επιτρέπουν να διαλέξεις πώς θα συνδυάσουν τα παραπάνω σήματα για να σου δείξουν τα reports.
1. Blended Data (προεπιλογή & πλήρης εικόνα)
Όπως λέει και το όνομά του, το Blended τα ανακατεύει όλα. Είναι η default επιλογή των GA4 και ακολουθεί την εξής ιεραρχία:
User-ID → Google Signals → Device ID → Modeling
Πώς λειτουργεί:
Πρώτα ψάχνει για User-ID. Αν βρει, τέλος. Αν όχι, ψάχνει για Google Signals. Αν όχι, πάει στο Device ID. Το μαγικό εδώ είναι το τελευταίο βήμα: το Modeling. Όταν υπάρχουν κενά στα δεδομένα (π.χ. χρήστες που δεν δίνουν consent για cookies), το AI της Google χρησιμοποιεί τα δεδομένα των χρηστών που έχουν δώσει συναίνεση για να μοντελοποιήσει και να εκτιμήσει τη συμπεριφορά των υπολοίπων. Στην ουσία, “γεμίζει” τα κενά με έξυπνες εκτιμήσεις.
👍 Υπέρ:
- Πιο ολοκληρωμένη εικόνα: Προσφέρει την καλύτερη δυνατή εκτίμηση για τον πραγματικό αριθμό των μοναδικών χρηστών, κάνοντας de-duplication σε όλες τις συσκευές.
- Πληρέστερα δεδομένα: Χάρη στο modeling, αναπληρώνει τα δεδομένα που χάνονται λόγω έλλειψης συναίνεσης, δίνοντάς σου μια πιο ολιστική εικόνα.
- Δημογραφικά στοιχεία: Είναι η μόνη μέθοδος που μπορεί να σου δείξει reports με ηλικία, φύλο και ενδιαφέροντα, χάρη στα Google Signals.
👎 Κατά:
- Data Thresholding: Ο μεγάλος εχθρός! Όταν ένα report περιλαμβάνει δεδομένα από Google Signals και ο αριθμός των χρηστών είναι μικρός, τα GA4 εφαρμόζουν thresholding για να προστατεύσουν την ανωνυμία των χρηστών. Το αποτέλεσμα; Βλέπεις… κενά δεδομένα!
- Εκτιμήσεις, όχι γεγονότα: Το modeled data παραμένει μια εκτίμηση. Για αυστηρά οικονομικά reports, μπορεί να μην είναι η ιδανική λύση.
2. Observed (η “αληθινή” εικόνα)
Η μέθοδος Observed είναι σχεδόν ίδια με την Blended, αλλά χωρίς το τελευταίο, κρίσιμο βήμα.
User-ID → Google Signals → Device ID
Πώς λειτουργεί:
Ακολουθεί την ίδια ιεραρχία για να ενώσει τα user journeys, αλλά σταματά εκεί. Δεν εφαρμόζει κανένα modeling. Σου δείχνει μόνο τους χρήστες και τις συμπεριφορές που μπόρεσε πράγματι να παρατηρήσει (observe) μέσω των διαθέσιμων αναγνωριστικών.
👍 Υπέρ:
- Βασίζεται σε πραγματικά δεδομένα: Δεν περιέχει εκτιμήσεις. Ό,τι βλέπεις, έχει συμβεί και έχει καταγραφεί.
- Λιγότερο thresholding: Επειδή δεν περιλαμβάνει πάντα τα Google Signals (αν δεν είναι απαραίτητα για το user-stitching του report που βλέπεις), είναι λιγότερο πιθανό να ενεργοποιήσει το thresholding.
- Αξιοπιστία: Ιδανικό για reports που απαιτούν ακρίβεια και όχι εκτιμήσεις, όπως η απόδοση συγκεκριμένων καναλιών.
👎 Κατά:
- Ατελής εικόνα: Αφήνει “τρύπες” στα δεδομένα. Αν ένας χρήστης δεν μπορεί να αναγνωριστεί ως cross-device και δεν υπάρχει μοντελοποίηση, θα καταγραφεί ως πολλαπλοί χρήστες.
- Χαμηλότερος αριθμός χρηστών: Συνήθως, θα δείξει λιγότερους συνολικούς χρήστες από την Blended, καθώς δεν “μαντεύει” τα κενά.
3. Device-based (η “old-school” εικόνα)
Εδώ τα πράγματα είναι απλά. Η μέθοδος αυτή αγνοεί τα πάντα εκτός από ένα πράγμα.
Device ID
Πώς λειτουργεί:
Βασίζεται αποκλειστικά στο Client ID που αποθηκεύεται στο cookie του browser. Κάθε νέα συσκευή, νέος browser ή εκκαθάριση cookies = νέος χρήστης. Τελεία. Είναι ο τρόπος που λειτουργούσε το Universal Analytics στον πυρήνα του.
👍 Υπέρ:
- Καθόλου thresholding: Δεν χρησιμοποιεί Google Signals, άρα ποτέ δεν θα σου κρύψει δεδομένα λόγω thresholds.
- Συνέπεια: Τα νούμερα είναι σταθερά και δεν επηρεάζονται από μοντέλα.
- Χρήσιμο για session-based analysis: Αν θέλεις να αναλύσεις τι συμβαίνει μέσα σε μεμονωμένες επισκέψεις (π.χ. τεχνικά ζητήματα) και δε σε νοιάζει το cross-device journey, είναι μια χαρά.
👎 Κατά:
- Εξαιρετικά διογκωμένος αριθμός χρηστών: Είναι η λιγότερο ακριβής μέθοδος για την καταμέτρηση μοναδικών ανθρώπων. Θα σου δείξει πάντα τους περισσότερους «χρήστες».
- Μηδενική cross-device εικόνα: Δεν μπορεί να συνδέσει τον χρήστη που μπήκε από το κινητό με αυτόν που αγόρασε από το laptop. Το user journey είναι κομμένο στη μέση.
Η σύγκριση στην πράξη: ένα παράδειγμα με νούμερα
Ας φανταστούμε ένα e-shop και τη δραστηριότητα 10.000 πραγματικών ανθρώπων μέσα σε ένα μήνα. Πολλοί από αυτούς μπαίνουν από 2-3 συσκευές.
Σενάριο: Ένας χρήστης, η Άννα, ψάχνει για ένα προϊόν
Δευτέρα: Βλέπει μια διαφήμιση στο Instagram στο κινητό της (είναι συνδεδεμένη στον Google λογαριασμό της). Μπαίνει στο site αλλά δεν αγοράζει.
Τετάρτη: Στη δουλειά, από το laptop της, μπαίνει απευθείας στο site, κάνει login και ολοκληρώνει την αγορά.
Δείτε πώς “βλέπει” η κάθε μέθοδος την Άννα και πώς αυτό επηρεάζει ένα συνολικό report.
Τελικά, ποια μέθοδο να χρησιμοποιήσω;
Δεν υπάρχει μία σωστή απάντηση. Η επιλογή εξαρτάται από τον στόχο της ανάλυσής σου.
Χρησιμοποίησε Blended (Default):
- Για τη μεγάλη, στρατηγική εικόνα.
- Όταν θέλεις την πιο ακριβή δυνατή εκτίμηση των μοναδικών χρηστών σου.
- Όταν χρειάζεσαι δημογραφικά στοιχεία για να καταλάβεις το κοινό σου.
- Είναι η καλύτερη επιλογή για το 90% των περιπτώσεων.
Χρησιμοποίησε Observed:
- Όταν το thresholding σου κρύβει σημαντικά δεδομένα σε reports με μικρό κοινό (π.χ. remarketing audiences).
- Όταν παρουσιάζεις reports που απαιτούν απόλυτη ακρίβεια (π.χ. σε οικονομικό τμήμα) και δε θες να περιλαμβάνουν εκτιμήσεις.
- Για να κάνεις deep-dive analysis σε συγκεκριμένα, παρατηρημένα user paths.
Χρησιμοποίησε Device-based:
- Για troubleshooting και τεχνικό έλεγχο των events.
- Όταν η ανάλυσή σου είναι session-level και όχι user-level.
- Ως έσχατη λύση αν δεν έχεις ούτε User-ID, ούτε Google Signals.
Μπορείς να αλλάζεις δυναμικά το Reporting Identity από τις ρυθμίσεις του property σου (Admin > Reporting Identity) για να δεις πώς αλλάζουν τα δεδομένα σου. Πειραματίσου, δες ποια μέθοδος απαντά καλύτερα στα δικά σου επιχειρησιακά ερωτήματα και πάρε επιτέλους τον έλεγχο των GA4 reports σου!
