Visualisatie van top landingspagina’s met Gephi

Bij het analyseren van je website trafiek is het o.a. nuttig te kijken welke landingspagina’s vandaag de belangrijkste “entry points” vormen naar je website. Dit zijn je “traffic driving” pagina’s waarbij we eveneens dienen na te gaan of deze pagina’s ook voor de “money making” zorgen.

M.a.w. leveren deze top landingspagina’s ook conversies op?

Ongetwijfeld kunnen we hier quick-wins realiseren door van de traffic driving landingspagina’s de trafiek te bekijken in relatie tot:

• De zoektermen die worden gebruikt (head terms of ook long tail?)
• De bounce rate van de landingspagina’s (kwaliteit?)
• Conversies (return?)
• Enz…

Hiervoor kunnen we uiteraard in Google Analytics gaan duiken om deze informatie te halen. Omdat beelden nu éénmaal duidelijker zijn & gemakkelijker te interpreteren dan ruwe data op zich, kunnen we ook gebruik maken van data visualisatie & analyse tools.

In dit geval heb ik gebruik gemaakt van Google Analytics & Gephi, een open-source visualisatie tool, om met name een keyword-landingspagina grafiek te visualiseren van mijn website www.luxurytravelbutler.com.

We hebben hierbij een set van bronnen (in dit geval keywords) en targets (in dit geval de landingspagina’s).

Wat kunnen we leren uit een dergelijke visualisatie?

• Clusters: Ik vind clusters binnen mijn website. Je ziet hierbij een 5-tal grote aggregaties van keywords en landingspagina’s. Elke van deze clusters markeren pagina’s met verschillende “landing keywords”. Deze clusters vormen de grote thema’s waarmee ik vanuit de zoekmachines trafiek breng naar m’n website. Zo kan ik o.a. na gaan welke thema’s vandaag ondervertegenwoordigd zijn.
• Top landingspagina’s: De nodes (of dots) heb ik ingekleurd op basis van “InDegree” om na te gaan welke pagina’s via de meest verschillende keywords trafiek trekken. Hoe donkerder de node, met hoe meer keywords de pagina in kwestie trafiek trekt. M.a.w. er is een gigantische long-tail van keywords waarmee de landingspagina’s scoren in de zoekmachines.

In mijn geval zijn de landingspagina’s die over een gigantische long-tail van keywords beschikken eveneens de top landingspagina’s in termen van aantal visits naar mijn website.

Zo leer ik dat er een beperkt aantal artikels verantwoordelijk zijn voor de meeste trafiek naar mijn site. O.a. shopping experiences trekken heel wat trafiek maar bijv. ook luxe camperen of een helicopter rit boven de Mount Everest zijn zéér populair.

Vervolgens zou ik voor deze pagina’s kunnen bekijken (en visualiseren) in welke mate ze tot contact aanvragen hebben geleid, enz… Maar da’s dan voor een volgende post 😉

Geschreven door Tom Muyllaert

Het analyseren van sociale netwerken: visualisatie van de #stimac2012 Twitter community

Afgelopen weekend was er het STIMA congres met dit jaar als thema “the survival of optimism”. Ik kon er spijtig genoeg niet bij zijn maar heb toch één en ander kunnen volgen o.a. op Twitter via de congres hashtag  #stimac2012. Aan de tweets te zien waren er alvast héél wat goeie spekers én conversaties.

Omdat ik er niet bij kon zijn, was ik alvast benieuwd welke personen dan wel aanwezig waren én meer nog wat de relatie was tussen de personen onderling.

Hoe zag de Twitter “community” eruit rond de hashtag #stimac2012?

Inzicht krijgen in relaties via Social Network Analyse

Via Social Network Analyse (SNA) kunnen we o.a. inzicht krijgen in relaties en hoe mensen binnen een netwerk met elkaar geconnecteerd zijn. “So what?” kunnen we ons afvragen. Wat kunnen we leren uit SNA?

Via netwerk analyse kunnen we o.a. inzicht krijgen in:

• Wie de beïnvloeders zijn binnen een netwerk op basis van bereik, relevantie, enz…
• De mate waarin we specifieke clusters binnen een netwerk kunnen identificeren: welke personen staan centraal in de cluster? welke personen vormen een “brug” naar andere clusters die we misschien willen bereiken, enz…

Visualisatie van de #stimac2012 Twitter community

Er bestaan heel wat tools waarmee je relaties binnen sociale netwerken kunt analyseren en visualiseren. De tool die ik heb gebruikt voor het visualiseren van de #stimac2012 Twitter community is NodeXL, een open-source project van Marc Smith mede-oprichter van de Social Media Research Foundation en drijvende kracht achter de Microsoft Excel networks add-in NodeXL.

Hieronder de resultaten gelimiteerd tot maximum 200 personen:

Wat je ziet is een visuele voorstelling van de Twitter community die heeft getweet met de hashtag #stimac2012. In de bovenstaande grafiek zie je met name “wie met wie” heeft gepraat op Twitter en daarbij ook gebruik heeft gemaakt van de hashtag #stimac2012.

De “bollen” of “nodes” visualiseren de twitter gebruikers terwijl de lijnen of “edges” de relatie weergeeft, in dit geval een “mention” of een “reply to“. Het verschil tussen een “mention” en een “reply to” is hierbij:

• “Reply to” tweets beginnen met een @persoon en enkel zichtbaar voor zender, @persoon & mensen die beiden volgen
• “Mention” tweets beginnen niet met een @persoon – zichtbaar voor zender, @persoon & alle volgers van zender. Met een mention bereik je dus veel meer mensen.

De twitter gebruikers werden hierbij ook automatisch gegroepeerd d.m.v. de Clauset-Newman-Moore cluster algoritme. In dit geval krijgen we inzicht wie vooral met wie heeft gepraat. Er werden in totaal 6 clusters gedetecteerd. Elke cluster heeft hierbij een ander kleur.

De grootte van de nodes of bollen (twitter gebruikers), zijn bepaald op basis van “betweeness centrality” –  een metric die weergeeft, in bovenstaand geval, welke twitter gebruikers een brug functie hebben naar andere clusters binnen het netwerk.

Hoe hoger je waarde van “betweeness centrality”, hoe belangrijker je bent in het onderhouden van connnecties naar andere groepen. Je bent in dit geval een belangrijke tussenpersoon die toegang biedt naar andere clusters binnen een netwerk en bijgevolg “influential” in termen van bereik!

De top 10 twitter gebruikers die een “brug functie” hebben zijn: @ndecrock, @reinharddemilt, @palmaerts, @netlash, @elkejeu, @kristofdewulf , @STIMA_Belgium, @dirk_dewulf, @mrgrej & @karen18

Als we ons echter niet zouden beperken tot de twitter gebruikers die louter met elkaar hebben gepraat (mentions & reply-to’s) maar het volledig netwerk van twitter gebruikers zouden visualiseren die de hashtag #stimac2012 hebben gebruikt inclusief de mate waarin ze elkaar volgen en praten (al dan niet met elkaar), krijgen we uiteraard een ander beeld.

In dit geval zijn de top 10 twitter gebruikers met de hoogste “betweeness centrality” en bijgevolg belangrijke tussenpersonen tot andere clusters binnen het netwerk: @STIMA_Belgium (logisch uiteraard), @palmaerts, @TheReference, @fonsvandyck, @netlash, @ndecrock, @elkejeu, @kristofdewulf, @Joeri_Insites & @idealabs_BE (hoe groter de nodes of bollen, hoe groter de “betweeness centrality”).

Deze twitter gebruikers zijn dus interessant om te volgen in het geval je een goeie access wilt hebben tot #stimac2012 twitter community!

Geschreven door Tom Muyllaert