Коэффициент ошибочных отказов показывает

Цель занятия
– познакомиться
с биометрическими системами идентификации
и аутентификации пользователей на
примере биометрической системы
аутентификации по клавиатурному
подчерку.

Теоретическая часть

Одними из
перспективных в настоящее время методами
аутентификации пользователей являются
методы биометрической аутентификации.

Под биометрической
аутентификацией
понимают аутентификацию, основанную
на использовании индивидуальных
физиологических характеристиках
человека, таких как отпечаток пальца,
геометрия руки, сетчатка и радужная
оболочка глаза, голос, клавиатурный
почерк и т.д.

Среди характеристик,
используемых для биометрической
аутентификации пользователя, наиболее
дешевым является использование
характеристики, отражающей динамику
работы пользователя на клавиатуре
(индивидуальные особенности работы
пользователя с клавиатурой) — скорость
нажатия клавиш, временные задержки
между нажатиями, использование
функциональных клавиш, временные
задержки между комбинациями клавиш и
т.д.

Достоинством этой
биометрической характеристики является
отсутствие необходимости привлечения
дорогих аппаратных устройств (необходимых,
например, при сканировании отпечатков
пальцев, сетчатки глаза и др.), а также
возможность незаметного постоянного
контроля пользователя.

Одним из главных
отличий методов биометрической
аутентификации от других методов
аутентификации пользователя является
то, что результат аутентификации в
данных методах имеет вероятностный
характер. Возможна ситуация, когда
легальный пользователь, предъявивший
свою биометрическую характеристику,
не допускается в систему (из-за наличия
побочных шумовых эффектов), либо наоборот,
нелегальный пользователь допускается
в систему, если его биометрическая
характеристика похожа на биометрическую
характеристику легального пользователя.
Таким образом, методы биометрической
аутентификации характеризуются
коэффициентом ошибочных отказов (false
rejection
rate
FRR)
и коэффициентом ошибочных подтверждений
(false
acceptance
rate
FAR).

Под коэффициентом
ошибочных отказов (FRR)
понимают отношение количества отказов
в аутентификации легальным пользователям
к общему количеству попыток легальной
аутентификации.

Пусть N
– количество попыток аутентификации
легальных пользователей в биометрической
системе за достаточно большой промежуток
времени, M
– количество раз, когда легальным
пользователям было отказано в прохождении
аутентификации. Тогда, коэффициент
ошибочных отказов оценивается по формуле

(1)

Под коэффициентом
ошибочных подтверждений (FAR)
понимают отношение количества
подтверждений аутентификации нелегальных
пользователей к общему количеству
попыток нелегальной аутентификации.

Пусть K
– количество попыток аутентификации
нелегальных пользователей в биометрической
системе за достаточно большой промежуток
времени, L
– количество раз, когда нелегальные
пользователи получили подтверждение
аутентификации. Тогда, коэффициент
ошибочных подтверждений оценивается
по формуле

(2)

Между коэффициентами
FAR
и FRR
существует функциональная связь. Чем
больше FAR,
тем меньше FRR и наоборот, чем меньше FAR,
тем больше FRR.

Вторым отличием
биометрических систем от других систем
аутентификации является наличие этапа
обучения биометрической системы, на
котором формируются эталонные шаблоны
биометрических характеристик пользователя.

Принятие решения
о прохождении биометрической аутентификации

При биометрической
аутентификации пользователя, принятие
решения о прохождении либо не прохождении
аутентификации в общем случае выполняется
неоднозначно и имеет вероятностный
характер. Во многом это связано с тем,
что биометрические характеристики
любого пользователя не являются точными
и изменяются со временем. На изменение
биометрических характеристик влияет
множество показателей, таких как
освещенность (при аутентификации по
геометрии лица), время суток, усталость,
настроение (при аутентификации по
клавиатурному подчерку, по голосу) и
т.д.

Сравнение
биометрических характеристик пользователя
выполняют, как правило, сравнивая не
биометрические образы, а векторы
биометрических признаков,
между которыми вычисляют расстояние в
векторном пространстве. Поэтому, при
принятии решения о прохождении либо не
прохождении биометрической аутентификации
пользователем, как правило, поступают
следующим образом.

1. На этапе обучения
   формируют эталонный
   шаблон пользователя в
   виде вектора биометрических признаков,
   наиболее соответствующих пользователю.

2. Вычисляют значения
   биометрических признаков реального
   пользователя, проходящего аутентификацию
   в настоящий момент, и формируют вектор
   биометрических признаков.

3. Сравнивают
   эталонный шаблон пользователя с
   вычисленным на втором шаге вектором
   биометрических признаков, вычисляя
   при этом достоверность совпадения.

4. Если достоверность
   совпадения превышает некоторый порог
   
   (например,
   90%), то принимается решение о прохождении
   биометрической аутентификации
   пользователем. Если достоверность
   совпадения меньше порога 
   то принимается решение о не прохождении
   аутентификации.

Достоверность
совпадения биометрических характеристик
находится в обратной зависимости от
расстояния между полученным на втором
шаге вектором биометрических характеристик
и эталонным (чем больше данное расстояние,
тем меньше достоверность совпадения).

Пример

Будем использовать
биометрическую аутентификацию
пользователя по клавиатурному подчерку
и следующие 2 биометрических признака.

1. Математическое
   ожидание временного промежутка нажатия
   между клавишами.

2. Дисперсия (разброс
   от математического ожидания) временного
   промежутка нажатия между клавишами.

Допустим, что
пользователю ИВАН соответствует
эталонный вектор биометрических
признаков (0.5, 0.2). То есть математическое
ожидание временного промежутка нажатия
между клавишами равен 0.5 секунд, а
дисперсия = 0.2 секунды.

Пусть положительное
решение о прохождении аутентификации
формируется в том случае, если
расстояние по Евклиду до этого эталонного
вектора меньше 0.2.

Пусть для реального
пользователя был получен вектор
биометрических признаков (0.6; 0.3).
Расстояние по Евклиду между данным
вектором и эталонным вектором пользователя
ИВАН вычисляется следующим образом
=0.14.

Так как 0.14 < 0.2,
то формируется решение, что пользователь
с вектором биометрических признаков
(0.6; 0.3) является ИВАНом. Если бы расстояние
было больше или равно 0.2, то сформировалось
бы решение, что пользователь с
предъявленными биометрическими
признаками — НЕ ИВАН.

В общем случае,
когда эталонный вектор биометрических
характеристик пользователя имеет вид
n-мерного
вектора
,
а вектор признаков реального пользователя
имеет видn-мерного
вектора
то расстояние по Евклиду между эталонным
и реальным векторами вычисляется по
формуле (3).

(3)

Если расстояние,
вычисленное по формуле (3) меньше, чем
заданный порог, то формируется решение
о том, что пользователь проходит
аутентификацию и является легальным.

Соседние файлы в папке ПАЗИ 622221с

• #
• #
• #
• #
• #

Показатель отказа для сайта — один из самых важных и спорных факторов ранжирования по мнению SEO специалистов в продвижении. Ниже вы узнаете, что это за показатель, какой показатель отказа считается высоким, на что он влияет, как его можно уменьшить и посмотрим, какой он бывает для разных сайтов (скрины 20+ реальных метрик в конце).

Всем привет. Меня зовут Толстенко Александр, я занимаюсь оптимизацией сайтов под поисковые системы Яндекс/Google и провожу различные виды аудитов сайтов. Возможно, кто то, когда то, читал на блоге Деваки мой кейс про продвижение такси, писал его в самом начале своей карьеры. Но сейчас не об этом, а про наболевшие вопросы от клиентов по показателю отказа, т.к. они боятся, что метрика сильно влияет на позиции сайта. Чаще всего мне задавали следующие вопросы:

Я долго думал над тем в каком формате писать статью: то ли просто поделиться опытом и приложить скрины с показателями отказов для разных типов сайтов, то ли нормально раскрыть тему, т.к. возможно кто то не знает, что это за показатель и как он влияет на продвижение сайта в целом.

Вы можете сказать, зачем писать одно и тоже, много чего уже про него написано уже?

Да, действительно, в сети немало информации об этом, но везде, где то чего то не хватает из за чего материал получается раскрыт не полностью + поискав на сайте материал, я не нашел хорошо раскрытой темы. Поэтому решил написать немного подробнее о показателе и приложить в конце примеры для разных типов сайтов, что думаю будет очень интересно владельцам сайтов и сеошникам. И так, погнали.

Bounce Rate: Что это за показатель?

Bounce Rate (с англ. Показатель отказов) в классическом понимании — это термин в веб-аналитике, показывающий процентное соотношение количества посетителей сайта, к количеству ушедших со страницы входа, после открытия сайта.

Важно понимать, что в Яндекс.Метрика и Google Analytics показатель отказа считается по разному. Об этом, и что с этим делать, чтобы подсчет был одинаково в обоих системах аналитики, чуть ниже.

Простым языком о метрике, хорошо еще рассказывает Андрей Буйлов в своем видео на ютуб канале. Рекомендую видео к просмотру.

Как рассчитывается показатель отказов

По классике, для расчета показателя отказа конкретной страницы, используется следующая формула:

Простыми словами, показатель отказов рассчитывается как, соотношение числа посетителей с просмотром одной страницы, к общему числу посещений данной страницы.

Что важно понимать? Яндекс и Google — это два разных поисковика, которые для вычисления показателя отслеживают выполнение разных условий. Поэтому у каждого поисковика для одного и того же сайта процент будут существенно отличаться. Разберем отличия ниже.

Google Analytics (GA)

Bounce Rate для сайтов в Google Analytics всегда будет выше в несколько раз, чем в Яндекс.Метрике. Все дело в том, что система Гугл Аналитики использует классическую формулу подсчета описанную выше. Из за этого, продолжительность сеанса с просмотром одной страницы всегда будет равна 0 секунд, т.к. после входа на сайт, пользователь выходит не совершив ни одного перехода по ссылке и система аналитики не смогла вычислить реальную продолжительность сеанса.

Плохо ли, если показатель отказа будет очень высокий в GA? — Ответ: Нет, если вы только не преследуете цель просмотра одной страницы. Подробнее об этом можно прочитать в справке Гугл по ссылке ниже.

Яндекс.Метрика

Отказом, в Яндекс.Метрике считается выполнением одновременно сразу нескольких условий:

То есть, Я.Метрика учитывает не только активность пользователя на странице, но и продолжительность посещения, поэтому отказы в метрике Яндекса сильно отличаются от показателей Google Analytics.

Можно ли настроить подсчет отказов одинаково для Яндекс и Гугл?

Да, можно. Чтобы заставить GA считать показатель, как в Яндекс.Метрике, придется слегка модифицировать javascript счетчика, добавив в него следующий код: setTimeout(«ga(‘send’, ‘event’, ‘read’, ’15_seconds’)», 15000);.

Если счетчик подключен через Google Tag Manager, подробно настройку отправки события описали в блоге ppc.world

Какие причины высокого показателя отказов бывают?

Помимо элементов описанных на фото, к росту отказов чаще всего также приводят следующие недостатки проект

Более подробно, про эти и множество других способов борьбы со снижением Bounce Rate описано в блоге labrika.ru, в статье: Как снизить показатель отказов — 30 эффективных способов. Рекомендую почитать, т.к. вам скорее всего придется найти и поработать над каждым из описанных пунктов для снижения уровня отказов, чтобы улучшить ранжирование проекта в результатах выдачи в целом.

Влияет ли показатель отказов на ранжирование сайта?

Да, Bounce Rate оказывает непосредственное и косвенное влияние на результаты ранжирования интернет-ресурсов в поисковых системах. Также он влияет на конверсию, кликабельность и качество опыта пользователя.

О прямом воздействие показателя, как минимум подтверждает:

Как распределяется Bounce Rate по отдельным тематикам?

Важно понимать, что у разных типов сайтов (даже если они будут одной тематики) уровень показателя отказов будет отличаться, особенно если его сравнивать в Яндекс Метрике и Гугл Аналитике.

В исследованиях, Нейл Патель говорит, что в GA для одностраничных сайтов уровень Bounce Rate будет примерно 70-90%, а для порталов, интернет магазинов и сайтов услуг всего лишь 10-40%.

А если смотреть сайты в разрезе по интересам, средний показатель по разным тематикам будет примерно в районе 46-65%.

Так какой же процент отказа считается нормальным?

Точного и правильного ответа на этот вопрос — не существует.

Хотя, некоторые значения можно найти в Википедии. Но откуда брали данные и с какой системы аналитики не понятно, т.к. разброс показателей сильно большой и данные ничем не подтверждены.

Если еще немного погуглить, то можно найти:

1) Похожий заданный вопрос в блоге SiteClinic: Какой процент отказа «нормальный» для информационных страниц, а какой для коммерческих?На который специалист компании, если кратко, то ответил: Нормы не существует. Узнать примерный показатель в нише можно проведя анализ через SimilarWeb или Serpstat.

2) В блоге calltouch.ru, пишут, что оптимальный показатель для интернет-магазина находится в пределах 10-35%, для СМИ – 40-60%, для блога – до 40%, для визитки 50-70%, а отказы на лендинге достигают 90% для GA.

Вообщем, на различных ресурсах, можно найти различную информацию, но в среднем она будет примерно такая: 15-30% для Яндекс.Метрики и до 60% для Google Analytics (речь не идет про лендинги). Все что выше данных цифр, повод провести анализ конкурентов и сравнить полученные данные со своими.

Других вариантов узнать точные нормы отказов нет, если у вас, только нет доступов к метрикам сайтов похожих тематик.

В каких случаях высокий процент ухода можно считать нормой?

Чтобы понять, что считается нормой и на какие примерно цифры можно ориентироваться в вашем случае, придется провести анализ конкурентов или посмотреть примеры скринов ниже похожих тематик и сравнить цифры.

При анализе показателя отказов не нужно «пугаться» высоких значений, стоит ориентироваться на тип сайта, дизайн и тематику. Для одностраничников (Landing page), думаю, что уже понятно, отказ 90% — это норма.

Где и как узнать точный показатель отказов вашего сайта?

Узнать реальные цифры, можно только в системе аналитики Яндекс.Метрика или Google Analytics. Если не знаете, где в них можно посмотреть, кратко описал ниже.

Google Analytics

Узнать общее время нахождения и показатель отказа юзеров в GA можно из отчета: «Аудитория» -> «Обзор».

Найти страницы с большим показателем отказа можно в отчете: «Поведение» -> «Контент сайта» -> «Страницы входа».

Более детально анализ показателя отказов по различным сегментам хорошо разобран в блоге netpeak.net. Рекомендую к изучению.

Яндекс.Метрика

Открыв Яндекс.Метрику сайта, на главной странице будет представлены различные дашборды виджетов. В виджете: «Отказы», можно сразу увидеть общий показатель отказа по всему сайту за выбранный промежуток времени.

Увидеть страницы с наибольшим показателем отказов, можно так: «Отчеты» -> «Стандартные отчёты» -> «Содержание» -> «Страницы входа».

В блоге https://romi.center описаны другие отчеты, с которыми предлагает пользователю ознакомиться Яндекс.Метрика.

Показатель отказов — не равен показателю выхода!

Существует два термина, которые все часто путают: bounce rate (показатель отказов) и exit rate (показатель выходов). В метрике — это две разные величины, которые в Google характеризуются так:

Влияет ли платная реклама на продвижение?

Да, влияет. Причем, может как в плюс, так и в минус для страниц у которых высокий показатель.

С коллегами не раз наблюдали закономерность в росте позиций, когда клиент параллельно продвижению, запускал Яндекс.Директ или Googl Adwords. Подтверждение моих слов можно нагуглить самостоятельно, статей на эту тему уже достаточно написано.

Какой же на самом деле показатель отказов на сайте должен быть?

Считается, чем он меньше, тем лучше и качественней сделан проект. Но это не всегда так. Большое значение имеет тематика интернет-ресурса, его верстка, скорость загрузки и ряд других сеошних нюансов.

Ниже приведу примеры 20+ сайтов разных тематик с общим показателем из Яндекс.Метрики, чтобы можно было сравнить и сделать выводы.

P.S.: Скорее всего данные показатели не идеал и их можно улучшить (нужно понимать, что сайты были на разных этапах продвижения), но как говорится: что есть, тем и делюсь. Скрывать, думаю тут нечего.

Данные, по понятным причинам обезличены. Накруткой поведенческих, клиентские сайты не двигались.

Сайт услуг такси

Интернет магазин спортивной одежды и аксессуаров

Интернет магазин стройматериалов

Интернет магазин итальянской мебели

Интернет магазин косметики

Интернет магазин Зоотоваров

Интернет-магазин рюкзаков и чемоданов

Интернет магазин — аптека

Интернет магазин осветительных приборов

Интернет магазин цветов

Интернет магазин автозапчастей

Портал недвижимости

Портал по отдыху

Доска объявлений по грузоперевозкам

Кадастровые и инженерно-геодезические услуги

Сайт услуг по доставке еды

Сайт бухгалтерских услуг

Сайт ритуальных услуг

Сайт по изготовлению наружной рекламы

Справочно информационный портал (СМИ)

Медицинский сайт центра по коррекции зрения

Вывод

А как вы считаете, нужно ли на данный показатель вообще обращать внимание? Поделитесь своими показателями в комментариях, написав процент отказа и тематику сайта.

P.S.: Зашел материал? Подписывайтесь на публикации, будет стимул писать еще)

Коэффициент отказов элементов

Коэффициентом отказов элементов называется отношение числа отказов аппа­ратуры из-за отказов элементов данного типа к общему числу отказов аппаратуры, взятых за определенный календарный срок.

Согласно данному определению,

,                                                         (2.15)

где К_о – коэффициент отказов элементов; n_i  –  число отказов аппаратуры из-за элементов i-го типа за определенный календарный срок, n – общее число отказов аппаратуры за тот же календарный срок.

При испытании большого числа образцов аппаратуры

;                   ,                                     (2.16)

где n_ij – число отказов в j-м образце аппаратуры, вызванных отказами элементов i-го типа за определенный календарный срок, n_v – общее число отказов v-го образца аппаратуры за тот же календарный срок, N_о – число испытуемых образцов аппаратуры.

С учетом формул (2.16), получим:

 .                                                     (2.17)

Поделим числитель и знаменатель выражения (2.17) на число испытуемых образцов аппаратуры (N_о). Тогда получим:

,                                               (2.18)

где  – среднее число отказов аппаратуры, приходящееся на один ее образец, вызванное отказами элементов i-го типа;  – среднее число отказов, приходящееся на один образец аппаратуры, вызванное отказами любых элементов.

Так как ко­эффициент отказов элементов зависит oт календарного срока, то он является функцией времени.

Выражения (2.17) и (2.18) являются статистическими определени­ями коэффициента отказов элементов. В вероятностном смысле этот коэффициент можно трактовать

как вероятность того, что в течение времени t в аппаратуре произойдет отказ из-за отказов элементов i-го типа.

Коэффициент отказов элементов имеет следующее очевидное свойство:

,

где К_оi – коэффициент отказов элементов i-го типа, r – число ти­пов элементов в аппаратуре. Коэффициент отказов элементов легко определить через другие количественные характеристики надежности. Так как число отказов n_i и n за промежуток времени dt определяется из выражений:

;                                                (2.19)

то, очевидно,

.                                                  (2.20)

Выражение (2.20) устанавливает зависимость коэффициента отказов элементов от времени эксплуатации системы и дает вероятностное представление о коэффициенте отказов.

Так как w_i(t) и w(t) однозначно аналитически связаны с основ­ными количественными характеристиками надежности, то коэффици­ент отказов элементов может быть выражен через любые другие основные количественные характеристики надежности. Так, напри­мер, при длительной эксплуатации системы коэффициент К_о стаби­лизируется и становится пропорциональным отношению среднего времени безотказной работы системы к среднему времени безотказ­ной ее работы T_i из-за отказов элементов i-го типа, т.е.

  .                                                     (2.21)

Коэффициент отказов позволяет выделить из общего числа отказов отказы составных элементов аппаратуры и, следовательно, определить, надежность каких элементов необходимо повысить для повышения надежности аппаратуры. В этом заключается основное достоинство коэффициента отказов.

Однако эта характеристика не учитывает количества элементов того или иного типа в аппаратуре. А это означает, что по ее значению невозможно судить о надежности элементов. Если коэффи­циент отказов элементов i-го типа велик, то неизвестно, велик ли он по причине низкой надежности этих элементов, или потому, что в данной аппаратуре большое число элементов i-го типа.

Коэффициент отказов характеризует элементную структуру си­стемы. Его значение изменяется для всех элементов, даже если за­менить лишь один тип элементов другим.

Действительно, если заме­нить, например, один тип электровакуумных приборов другим, более надежным, то общее число отказов (n) уменьшится, а следовательно, изменится коэффициент отказов (К_о) не только электровакуумных приборов, но и всех остальных элементов.

Коэффициент отказов элементов характеризует элементную струк­туру как струк­туру аппаратуры длительного использования, работающей в ре­жиме смены элементов, так и струк­туру аппаратуры разового использования.

Относительный коэффициент отказов элементов

Относительным коэффициентом отказов элементов называется отношение процента отказов аппаратуры из-за отказов элементов данного типа, взятых за определенный календарный срок, к проценту этих элементов в аппаратуре.

Эта характеристика обозначается К_о.о.

Согласно определению,

  .                                                   (2.22)

Учитывая выражения (2.17) и (2.18), выражение (2.22) можно представить в виде:

  .                                         (2.23)

Определение коэффициента отказов элементов и выражения (2.22) и (2.23) являются статистическими определениями относительного коэффициента отказов. Так же, как и коэффициент отказов (К_о), относительный коэффициент отказов может быть легко выра­жен через частоты отказов. Действительно, подставляя выражение (2.19) в выражение (3.22), получим:

 .                                                  (2.24)

При длительной эксплуатации системы:

.                                                     (2.25)

Выражения (2.24) и (2.25) дают вероятностное представление об от­носительном коэффициенте отказов.

Сравнивая выражения (2.25) и (2.21), замечаем, что между относительным коэффи­циентом отказов и коэффициентом отказов элементов существует зависи­мость:

.                                                   (2.26)

Коэффициент относительных отказов так же, как и коэффициент отказов (К_о), позволяет судить о том, надежность каких элементов целесообразно повысить для повышения надежности аппаратуры. Относительный коэффициент отказов характеризует не только надежность элементов, но и дает представление об эле­ментной структуре аппаратуры. В противоположность коэффициенту К_о он учитывает количество элементов в аппаратуре, а поэтому бо­лее полно характеризует надежность элементов. В этом его основ­ное преимущество как количественной характеристики надежности. Так же, как и коэффициент отказов, относительный коэффициент отказов элементов характеризует надежность элементов в аппаратуре как длительного, так и разового использования.

Коэффициент расхода элементов

Коэффициентом расхода элементов называется отношение числа отказавших и изъятых в процессе профилактических осмотров и ремонтов элементов в единицу времени к общему числу данных элемен­тов в аппаратуре.

Этот коэффициент обозначается К_з. Согласно определению

,                                                            (2.27)

где n_из._i  –  .число элементов i-го типа, изъятых за время  в процессе профилактических осмотров и ремонтов аппаратуры.

Коэффициент расхода элементов также может быть выражен че­рез основные характеристики надежности. Наиболее просто получа­ется связь К_з со средней частотой отказов. Для получения этой за­висимости поделим числитель и знаменатель выражения (2.27) на n. Тогда получим:

.                                       (2.28)

Коэффициент расхода элементов позволяет определить число элементов, не­обходимое для нормальной эксплуатации аппаратуры в течение определенного промежутка времени. Зная К_з(t), можно научно обосновать необходимый состав запасных элементов для любой, сколь угодно сложной аппаратуры. В этом – основное значение данной характеристики.

Указанная особенность коэффициента расхода эле­ментов делает его одной из важнейших характеристик для ремонт­ников, а также эксплуатационников. Так же, как и частота отказов, он хорошо характеризует надежность элементов аппаратуры дли­тельного использования, работающей в режиме смены элементов, и не характеризует надежность элементов аппаратуры разового ис­пользования.

Отказы – это параметр для визитов пользователей на сайт, говорящий о том, сколько времени они провели на странице и совершили ли какие-нибудь действия на ней. Процент отказов косвенно сообщает нам о том, насколько заинтересованная аудитория приходит на сайт и насколько он ей нравится. Условно нормальными считаются отказы до 20-25 % по Яндекс.Метрике. Если они выше, следует искать и исправлять проблемы на сайте и в РК. И сегодня мы расскажем, как это сделать.

Различие в отказах в Яндекс.Метрике и Google Analytics

О чем говорит показатель отказов

10 способов снизить показатель отказов

Способ 1. Проверить адаптивность сайта

Способ 2. Ускорить работу сайта

Способ 3. Отключить/перенастроить всплывающие окна

Способ 4. Проработать юзабилити посадочных страниц

Способ 5. Поработать над контентом

Способ 6. Проверить соответствие объявлений содержанию сайта

Способ 7. Проверить таргетинг объявлений

Способ 8. Проверить соответствие запросов объявлениям

Способ 9. Убрать рекламу с первых экранов сайта

Способ 10. Сделать красивую страницу 404 ошибки

Различие в отказах в Яндекс.Метрике и Google Analytics

В Яндекс.Метрике и Google Analytics отказами называются разные вещи. Это важно знать для понимания того, почему счетчики показывают вам не одинаковые цифры.

В Яндекс.Метрике отказом считается визит продолжительностью менее 15 секунд, в процессе которого не совершается никаких действий (кликов по кнопкам, ссылкам и пр.). Например, показатель в 30 % говорит о том, что треть посетителей уходят с сайта сразу же.

В Google Analytics отказом считается посещение только одной страницы сайта без совершения каких-либо дополнительных действий. Здесь нет привязки ко времени визита, поэтому цифры для одного и того же сайта в GA обычно больше, чем в Метрике.

Про отказы также часто говорят в разрезе поведенческих факторов ранжирования. Если пользователь перешел из поисковой выдачи на сайт, а затем вернулся обратно и продолжил изучение выдачи, поисковая система будет расценивать это негативно. Однако такие отказы далеко не всегда пересекаются с отказами в счетчиках, и сегодня мы их рассматривать не будем.

О чем говорит показатель отказов

1. О качестве посадочной страницы. Современные пользователи искушены в хорошем дизайне и юзабилити. Поэтому если им что-то не нравится, достаточно всего нескольких секунд для принятия решения об уходе с сайта.
2. О качестве рекламы. Объявление может не соответствовать посадочной странице и/или поисковому запросу, содержать ошибочную или заведомо недостоверную информацию. Наконец, в особенно печальных случаях, переход на сайт может происходить случайно, когда пользователя вынуждают кликнуть на объявление. Нередко такое встречается в мобильных приложениях. Все это вызывает рост показателя отказов.
3. О заинтересованности аудитории. Если с предыдущими двумя пунктами все хорошо, а отказы все равно высокие, есть шанс, что вы приводите незаинтересованную или не готовую к покупке аудиторию. Например, молодые люди могут активно переходить на сайты с дорогостоящими товарами, но быстро покидать их, увидев цены.

К сожалению, нередко отказы говорят сразу о нескольких негативных факторах, поэтому и работать над ними следует комплексно. 

10 способов снизить показатель отказов

Способ 1. Проверить адаптивность сайта

У современных сайтов должна быть адаптивная версия. Мы говорим об этом так категорично, потому что посещаемость ресурсов с мобильных устройств растет год от года и доля мобильного трафика на сайты уже крайне редко составляет менее 30 %. Если пользователи, перешедшие по рекламе, видят не адаптированную под экран смартфона верстку, они, скорее всего, уйдут, внеся свой вклад в процент отказов. Юзабилити адаптивной версии сайта имеет несколько иные правила, чем на десктопе, поэтому для создания макета лучше обратиться к профессиональному UX-аналитику или дизайнеру.

Способ 2. Ускорить работу сайта

По статистике, примерно половина современных интернет-пользователей считает, что контент-страницы должны загружаться за 2 секунды. Если сайт грузится дольше, это стремительно увеличивает шансы получить высокие отказы.

Простой и бесплатный сервис для анализа скорости загрузки – PageSpeed Insights от Google. Для проверки достаточно вставить в поисковую строку адрес сайта и нажать «Анализировать».

Через несколько секунд сервис в наглядном виде представит следующие сведения:

• оценку скорости загрузки на смартфонах и компьютерах с расшифровкой;
• рекомендации, которые помогут ускорить загрузку на конкретное количество времени;
• карту эффективности с детальными данными о том, как на скорость влияет каждый из скриптов.

Способ 3. Отключить/перенастроить всплывающие окна

Пользователи уже давно негативно реагируют на модальные окна, появляющиеся без запроса. А в случае первого контакта с сайтом это может оттолкнуть навсегда. Перед запуском рекламы проверьте, есть ли у вас следующие «всплывашки» и через сколько секунд они появляются:

• акция или подарок новому покупателю;
• оповещение о конкурсе или игре;
• форма сбора данных пользователя для консультации, индивидуального предложения, расчета;
• окно «Не нашли того, что искали?».

Желательно совсем убрать эти окна, настроить их появление через длительное время пребывания на сайте либо запрограммировать их показ после совершения конкретного действия (например, после попытки выхода со страницы).

Способ 4. Проработать юзабилити посадочных страниц

Юзабилити – это удобство использования сайта для поиска информации или совершения покупки. До любых нужных пользователю данных должен быть максимально короткий, понятный и привычный путь. Например, меню сайта всегда ищут сверху в шапке, корзину – там же справа, а в каталогах с товарами обязательно должны быть цены и сортировка по ним. На примере ниже вы видите главную страницу сайта с далеко не очевидным юзабилити.

Способ 5. Поработать над контентом

Здесь мы имеем в виду тексты и дизайн. Напрямую они не влияют на юзабилити, но сильно дополняют впечатление о сайте. Современные молодые люди, пользующиеся топовыми интернет-магазинами, соцсетями, приложениями и стриминговыми сервисами, знают толк в хорошем дизайне и могут уйти со страницы, если посчитают ее оформление старомодным. К цветам тоже стоит подходить внимательно. Сколько бы ни спорили о психологии цвета, ассоциации никто не отменял. Например, красный акцентирует внимание и ассоциируется с силой и энергией. Наиболее спокойными цветами, воплощающими надежность и безопасность, являются синий и зеленый. Неслучайно именно в этих цветах оформляют сайты клиник.

Способ 6. Проверить соответствие объявлений содержанию сайта

Не всегда проблема может заключаться в контенте сайта. Бывает, что для объявления указана не соответствующая товару страница. Такое случается, если семантика для РК подобрана неточно или если посадочная страница по каким-либо причинам изменилась. Например, в объявлении может идти речь про мужские шапки, а на странице находятся только летние головные уборы: кепки и панамы.

Способ 7. Проверить таргетинг объявлений

Посыл объявления и оформление посадочных страниц должно соответствовать портрету целевой аудитории, которая с наибольшей вероятностью совершит покупку. Если сайт предлагает только молодежную одежду и обувь, есть смысл ограничить таргетинг возрастной аудиторией до 25 лет. Вы можете возразить, что родители часто покупают одежду детям-подросткам. Это так, но и представление о хорошем интернет-магазине у них свое, поэтому суперсовременный дизайн посадочной страницы может вызвать негатив.

Снижать показатель отказов вам помогут автоматизированные инструменты Click.ru: кластеризация запросов, парсер WordStat, парсер объявлений конкурентов и многие другие. А приятным бонусом будет доход до 18 % от оборота ваших клиентов, если переведете ваши рекламные кампании в Click.ru и станете участником нашей партнерской программы.

Способ 8. Проверить соответствие запросов объявлениям

Важно, чтобы объявление говорило именно о запрашиваемых услугах и в его тексте были подсвечиваемые ключевые слова. На примере ниже вы видите не соответствующее запросу объявление. В запросе речь идет о юристе для бизнеса, а в объявлении – про патентного поверенного. Конечно, это тоже касается услуг для фирм, но это предложение с очень ограниченной ЦА и в объявлении нет ключевых слов из запроса.

Способ 9. Убрать рекламу с первых экранов сайта

Особенно эта рекомендация касается информационных порталов. Пользователи негативно реагируют на рекламные блоки, так как научились распознавать их, даже если они маскируются под основной контент. Кроме того, поисковые системы могут понижать рейтинг страниц с полноэкранными баннерами.

Способ 10. Сделать красивую страницу 404 ошибки

От поломок никто не застрахован. На случай, если пользователь может попасть на неработающую страницу, советуем создать такую 404-ю, с которой не захочется уходить. Пользователям нравятся заглушки, оформленные с юмором и снабженные полезными ссылками.