AI w analityce internetowej: Wprowadzenie i kontekst
Proces analizy danych w Conversion: Od danych do działania
AI a zbieranie danych: Czy sztuczna inteligencja zbierze dane za nas?
AI w analizie danych: Wsparcie i automatyzacja
AI a wnioskowanie i rekomendacje: Potencjał i ograniczenia
Przyszłość zawodu analityka w erze AI
Podsumowanie
W tym wpisie przedstawiam spojrzenie zarówno z perspektywy analityka internetowego, jak i osoby rozwijającej firmę analityczną, która wspiera biznesy, działy marketingu i e-commerce w efektywnym wykorzystaniu danych online.
Warto zaznaczyć kilka kwestii, które pomogą lepiej zrozumieć kontekst i zakres zagadnień poruszanych w dalszej części. Prowadząc firmę analityczną, patrzę na temat z perspektywy osoby, która zarządza danymi i wspiera klientów w ich wykorzystaniu w biznesie. Jestem analitykiem i zależy mi na tym, aby moja praca — to, co robię i co lubię — nie została w pełni zastąpiona przez maszyny.
W tym wpisie odnoszę się do sztucznej inteligencji w stanie, w jakim znajduje się w czerwcu 2025 roku. Opisywane tu możliwości lub ograniczenia AI mogą się szybko zmienić — nawet w ciągu tygodni czy miesięcy. Warto mieć to na uwadze podczas lektury.
Dlaczego w ogóle poruszać temat AI w kontekście analityki internetowej? W branży digitalowej można mówić o sztucznej inteligencji przynajmniej z dwóch perspektyw. Pierwsza to wpływ AI na codzienne życie i szeroko pojęty marketing internetowy, czyli sposób, w jaki zmienia nasze działania w digitalu. Ten temat został już szczegółowo omówiony w materiale zatytułowanym „AI vs. analityka internetowa. Jak analizować ruch, który pojawia się w naszych serwisach ze sztucznej inteligencji”. Link do nagrania znajduje się w opisie pod filmem.
W tym wpisie warto skupić się na drugim obszarze — roli AI jako narzędzia wspierającego lub zastępującego nas w realizacji zadań w branży digital. Pisząc o analitykach internetowych, warto zastanowić się, czy nowe technologie – w tym sztuczna inteligencja – mogą ich zastąpić. Coraz częściej pojawiają się pytania o rolę AI w Digital Analytics i o to, w jakim zakresie może wspierać lub automatyzować pracę analityków.
Zanim jednak przejdziemy do obecnych możliwości AI w kontekście analizy danych, warto przypomnieć, czym właściwie jest analiza danych w naszym rozumieniu. Analiza to proces, który przypomina maraton – wymaga czasu, wytrwałości i konsekwencji. Nie jest to jednorazowe działanie, ale systematyczne podejście, które prowadzi do realnych decyzji biznesowych.
W praktyce tylko niewielki odsetek firm – szacunkowo około 5% – wykorzystuje dane do podejmowania konkretnych działań. To właśnie działanie, oparte na danych, jest kluczowym celem analityki.
W modelu, który stosujemy, analiza danych składa się z czterech kolejnych etapów. Pierwszym z nich są dane – to fundament, który zapewnia podstawę do dalszych kroków. Obejmuje to wszystkie działania związane z pozyskiwaniem i kompletowaniem danych, które później będą analizowane.
W kolejnych etapach przechodzimy do przetwarzania, interpretacji i wreszcie do wyciągania wniosków oraz formułowania rekomendacji. Dopiero na końcu tego procesu znajduje się działanie – czyli wdrożenie zmian na podstawie analiz. To ono decyduje o wartości całego procesu analitycznego.
W dalszej części wpisu przedstawię, jak sztuczna inteligencja wspiera analitykę internetową na poszczególnych etapach tego procesu i czy może całkowicie zastąpić rolę analityka. Zapewnienie utrzymania danych obejmuje ich identyfikację, konfigurację, integrację, czyszczenie oraz nałożenie modelu danych. Dzięki temu zgromadzone informacje nie tylko są przechowywane, ale też stają się wartościowe dla całej organizacji. Wartościowe, czyli możliwe do wykorzystania i – co równie ważne – zrozumiałe.
Temat modelu danych został szczegółowo omówiony w osobnym materiale, do którego link znajduje się w opisie. Materiał ten wyjaśnia wiele kluczowych zagadnień związanych z organizacją danych.
Proces gromadzenia danych często rozpoczynamy od warsztatu biznesowego. To pierwszy krok w naszych projektach, który pozwala uporządkować wymagania i cele analityczne.
W kontekście danych kluczowe znaczenie ma ich jakość. Obejmuje ona nie tylko trafność i dokładność, ale również wartość biznesową. Jakość danych to fundament skutecznej analityki – bez niej trudno mówić o realnym wsparciu decyzji biznesowych. Wysoka jakość danych to fundament skutecznej analityki. Ten temat szerzej omówiliśmy w jednym z naszych materiałów – link do nagrania znajduje się w opisie filmu.
W wielu firmach etap związany z danymi, czyli wszystko, co dzieje się zanim przejdziemy do działania, jest często zaniedbywany. Główna przyczyna to niskie koszty ich zbierania. Wystarczy dodać kod śledzący – szczególnie w środowisku online – i dane zaczynają spływać. Koszt ich przechowywania również systematycznie spada, co widać na wykresach cen storage’u z ostatnich lat. To zachęca do gromadzenia możliwie jak największej ilości informacji.
Taka strategia niesie jednak poważne konsekwencje. Dane często nie są oczyszczane, nie są integrowane z innymi źródłami, tworzą się silosy informacyjne. Zanim podejmiemy jakiekolwiek działania, warto skupić się na jakości danych, które analizujemy.
Dopiero kolejnym etapem procesu analizy danych powinna być właściwa analiza – oparta na uporządkowanych, spójnych i wiarygodnych danych. W procesie analizy danych wykorzystujemy różne narzędzia, aby wydobyć z nich realną wartość. Surowe dane, przedstawione w formie tabeli, same w sobie nie dostarczają użytecznych informacji.
Do analizy stosowane są m.in. narzędzia klasy Business Intelligence. Opisaliśmy również porównanie tych narzędzi z perspektywy marketingu e-commerce – szczegóły znajdują się w podlinkowanym materiale.
Mimo dostępności nowoczesnych rozwiązań, jednym z najczęściej używanych narzędzi – nie tylko w branży analitycznej, ale w całym świecie biznesowym – pozostaje Excel. Warto zwrócić uwagę na przykład z Nowej Zelandii, gdzie Narodowy Fundusz Zdrowia przechowywał cały budżet Ministerstwa Zdrowia w Excelu. Pokazuje to, że niezależnie od dostępnych narzędzi, Excel nadal pozostaje podstawowym narzędziem analizy danych w wielu organizacjach.
Gdy dysponujemy danymi i zaczynamy je analizować, korzystamy z narzędzi i technik, które pozwalają wyciągać wnioski. Formułowanie wniosków to kolejny kluczowy etap procesu analizy danych. Na tym etapie stawiamy hipotezy, które wynikają z obserwacji.
Ważne, aby wnioski były obiektywne. Jeśli dane są rzetelne, a zespół posiada odpowiednie kompetencje analityczne, możemy mówić o zaufaniu do wyników analizy. Jak głosi popularne powiedzenie: „Możesz oszukać człowieka, ale nie oszukasz danych”. Dobre dane i umiejętność ich analizy to fundament skutecznej analityki. Hipotezy postawione na tej podstawie oraz wynikające z nich wnioski mają dużą szansę być trafne. Kolejnym krokiem są rekomendacje – powinny opierać się na hipotezach i wskazywać, jakie działania biznes powinien podjąć, aby je zweryfikować lub rozwiązać zidentyfikowane problemy.
W tym właśnie leży istota analityki, a szczególnie analityki internetowej. Rolą analityka jest dostarczanie konkretnych wskazówek, które pomagają firmie poprawiać efektywność i osiągać KPI.
Czy jednak firma wdroży te działania? W dużej mierze zależy to od jakości postawionych hipotez, trafności wniosków oraz wartości rekomendacji. Rekomendacja to końcowy, ale kluczowy element pracy analitycznej – powinna prowadzić do realnych działań biznesowych.
Ścieżka od danych do działania stanowi sedno analityki internetowej. Na jej początku często pojawia się tzw. trigger – impuls, który uruchamia cały proces analityczny. Impulsem do rozpoczęcia pracy z danymi może być problem w organizacji, konkretne wyzwanie, potrzeba lub ambicja rozwoju. Nawet jeśli procesy wydają się działać poprawnie, firmy często dążą do szybszego i lepszego rozwoju. Właśnie ten czynnik inicjujący cały proces analityczny jest niezwykle istotny.
Przykładem może być spadek sprzedaży w e-commerce. W takiej sytuacji sięgamy po dane. Pierwszym źródłem informacji bywa często Excel z danymi sprzedażowymi, pochodzącymi z systemu CRM lub systemu księgowego. To od nich zazwyczaj zaczyna się analiza, która pozwala zrozumieć przyczyny spadku i zaplanować dalsze działania. W e-commerce kluczowe znaczenie mają dane dotyczące zachowań użytkowników. To, co finalnie przekłada się na wystawione faktury, wynika bezpośrednio z aktywności użytkowników w serwisie. Do analizy tych zachowań przydatne będą narzędzia takie jak Google Analytics 4 oraz – często w pierwszej kolejności – Google BigQuery.
Pierwszym etapem pracy z danymi jest ich zebranie. W e-commerce zazwyczaj łączymy dane z CRM, systemów sprzedażowych i zewnętrznych źródeł, takich jak BigQuery, które gromadzi informacje o zachowaniu użytkowników.
Drugi etap to analiza. W wielu przypadkach pierwszym narzędziem do pracy z danymi jest Excel. Przy jego użyciu można tworzyć tabele przestawne i segmentować dane, co pozwala formułować hipotezy dotyczące zachowań użytkowników.
Jednym z podstawowych kroków analitycznych jest rozrysowanie lejków sprzedażowych. Pozwalają one zrozumieć, na jakim etapie użytkownicy opuszczają proces zakupowy. Lejki można analizować zarówno w Excelu, jak i w eksploracjach dostępnych w Google Analytics 4. W tym etapie wykorzystujemy dostępne narzędzia i funkcjonalności, aby sformułować hipotezę dotyczącą problemu, który zainicjował cały proces analityczny. Przykładowy wniosek może wskazywać, że spadek sprzedaży wynika z dużej liczby niedostępnych produktów. Hipoteza ta została postawiona na podstawie analizy lejków użytkowników – zauważono, że znaczna część ruchu odpływała z serwisu na stronach produktów, które w danych były oznaczone jako niedostępne.
Na końcu procesu analitycznego formułowana jest rekomendacja. Przykładowo: wprowadzenie możliwości zapisania się na listę oczekujących, aby nie tracić użytkowników, którzy odwiedzili stronę konkretnego produktu, ale nie mogli go zakupić. Inna rekomendacja to proponowanie zamienników dla niedostępnych produktów.
Po stronie biznesu pozostaje wdrożenie zaproponowanych działań. Przykładowo – uruchomienie funkcji listy oczekujących lub systemu rekomendacji zamienników. Każdą z rekomendacji warto przetestować za pomocą testów A/B, aby sprawdzić, czy rzeczywiście wpływa na spadającą sprzedaż. W opisie znajduje się link do naszego poradnika dotyczącego testów A/B w e-commerce – zawiera on informacje, czym są takie testy i jak je prowadzić.
Proces wygląda następująco: zidentyfikowaliśmy problem, przeszliśmy przez analizę danych, postawiliśmy hipotezy i sformułowaliśmy rekomendacje, które mają rozwiązać wskazany problem biznesowy.
W tym kontekście pojawia się pytanie: gdzie w tym procesie może pomóc AI? Przedstawię kilka przykładów zastosowania sztucznej inteligencji w czterech obszarach: dane, analiza, wnioski i rekomendacje. Każdy z tych elementów ocenię w skali od 1 do 5 – gdzie 1 oznacza, że AI nie sprawdzi się w danym obszarze, a 5, że AI może z powodzeniem zastąpić człowieka lub kompetencje niezbędne do prowadzenia analityki.
Choć nie jestem specjalistą w zakresie wykorzystania AI, pokazane przykłady mają na celu zainspirować do eksperymentowania i dalszego rozwoju. Jednym z największych wyzwań w procesie analitycznym jest zbieranie danych. Z doświadczenia wynika, że analitycy poświęcają na ten etap aż 85% swojego czasu. Ten element, który powinien być w dużej mierze zautomatyzowany, często pochłania najwięcej zasobów – zamiast analizować dane i formułować rekomendacje, specjaliści zajmują się ich pozyskiwaniem, oczyszczaniem i integracją. Na właściwą analizę oraz wyciąganie wniosków pozostaje zaledwie 15% czasu.
Warto przyjrzeć się bliżej etapowi zbierania danych i temu, z jakimi wyzwaniami wiąże się ten proces. Można wyróżnić trzy typowe sytuacje:
1. Brak danych – firma nie posiada żadnych danych niezbędnych do analizy.
2. Dane niepewne – dane są dostępne, ale ich jakość lub kompletność budzi wątpliwości.
3. Dane rozproszone – informacje znajdują się w różnych systemach i narzędziach, tworząc tzw. silosy danych. W takiej sytuacji konieczne jest ich zebranie i scalenie, co dodatkowo wydłuża proces przygotowania analizy.
Skuteczne zarządzanie danymi już na tym etapie ma kluczowe znaczenie dla efektywnej pracy zespołów analitycznych. Automatyzacja procesów zbierania i integracji danych to krok, który pozwala skrócić czas potrzebny na przygotowanie analiz i zwiększyć ich wartość biznesową. Na początek przykład sytuacji, w której brakuje danych. W takiej analizie można wykorzystać wcześniej przygotowane prompt’y, które wspierają pracę z modelem GPT-4.
Pierwszy z nich zakłada, że prosimy AI o wcielenie się w rolę analityka biznesowego specjalizującego się w analizie internetowej. Jego zadaniem jest przeprowadzenie analizy dostępnych informacji i zaproponowanie dalszych kroków.
Tego typu podejście pozwala rozpocząć pracę analityczną nawet wtedy, gdy dane są ograniczone lub niedostępne. Warto wykorzystywać narzędzia AI jako wsparcie w generowaniu hipotez, weryfikacji pomysłów oraz tworzeniu wstępnych analiz. Plan warsztatu biznesowego obejmuje kilka kluczowych etapów. Na początku przewidziane jest 15 minut na przedstawienie celów warsztatu. Następnie uczestnicy diagnozują obecny stan oraz mapują środowisko analityczne, identyfikując istniejące źródła danych. Kolejnym krokiem jest rozpoznanie głównych problemów i priorytetyzacja wyzwań.
Warsztat dostarcza konkretnych wskazówek, które pomagają uporządkować działania związane z analityką. Warto również przygotować zagadnienia, za które odpowiada zespół klienta, aby sesja była jak najbardziej efektywna. Przygotowanie do warsztatu analitycznego warto rozpocząć od zebrania kluczowych materiałów i informacji. Wśród nich powinny znaleźć się:
– lista wykorzystywanych narzędzi i systemów analitycznych,
– schemat przepływu danych,
– przykłady raportów używanych przez zespół,
– opis najczęstszych problemów z danymi,
– wyciągi z przeprowadzonych analiz,
– lista osób zaangażowanych w procesy analityczne,
– opis obecnych procesów weryfikacji jakości danych,
– wstępna lista kluczowych KPI,
– wskazówki dotyczące przygotowania do warsztatu.
To dobre podejście do planowania procesu pozyskiwania danych i organizacji warsztatu analitycznego. Sam warsztat wymaga jednak nie tylko przygotowania, ale również aktywnego zaangażowania uczestników. W trakcie spotkania warto zadawać pytania pogłębiające, by doprecyzować szczegóły i lepiej zrozumieć aktualne potrzeby oraz wyzwania zespołu. W pracy z analityką internetową kluczowe jest uwzględnienie szczegółów – to właśnie one często decydują o skuteczności wdrożeń i jakości analiz. Choć wiele aspektów można przygotować i opisać w dokumentacji, praktyka pokazuje, że największe wyzwania pojawiają się przy konkretnych implementacjach i interpretacjach danych.
Sztuczna inteligencja może wspierać procesy analityczne, szczególnie na etapie wstępnego rozpoznania sytuacji. Przykładowy scenariusz wykorzystania AI obejmuje kilka istotnych kroków:
– identyfikację gromadzonych danych,
– weryfikację spójności i jakości danych transakcyjnych z CRM,
– sprawdzenie kompletności danych pod kątem analizy zachowań użytkowników,
– kontrolę poprawności danych w Google Analytics 4,
– analizę danych z platform reklamowych,
– stworzenie mapy braków i ocena jakości danych,
– określenie procesów i zakresów odpowiedzialności za dane,
– przygotowanie zestawu narzędzi oraz pytań do współpracy z innymi działami.
Taka struktura pracy pozwala lepiej zrozumieć dane i szybciej przejść do skutecznych analiz. Warto pamiętać, że samo wdrożenie narzędzi to dopiero początek. Kluczowe są konsekwentna weryfikacja danych oraz współpraca między zespołami. Patrząc na to z perspektywy e-commerce managera, wiele rozwiązań wspieranych przez AI może rzeczywiście wyglądać obiecująco. Jednak warto zadać pytanie: czy osoby odpowiedzialne za rozwój e-commerce mają wystarczające kompetencje, aby skutecznie wykorzystać dane, które otrzymują — nawet jeśli są one dobrze uporządkowane i zaprezentowane przez narzędzie oparte na AI?
W wielu przypadkach analiza danych wymaga nie tylko ich pozyskania, ale przede wszystkim umiejętności interpretacji i wyciągania wniosków. To kompetencje, które znacznie częściej występują po stronie specjalistów technicznych i analityków, niż wśród osób odpowiedzialnych za obszary biznesowe. AI może wspierać ten proces, ale nie zastąpi wiedzy analitycznej tam, gdzie potrzebna jest głęboka interpretacja wyników i podejmowanie decyzji na ich podstawie.
W kontekście pracy e-commerce managera warto wspomnieć o sytuacjach, w których rzeczywistość po rozpoczęciu pracy różni się od tego, co prezentowano na etapie rekrutacji. Często okazuje się, że zakres obowiązków, dostęp do danych czy infrastruktura analityczna są inne niż zakładano. W Conversion przygotowaliśmy checklistę e-commerce managera po zmianie pracy, która może pomóc w ocenie sytuacji w nowym miejscu i skuteczniejszym rozpoczęciu działań opartych na danych.
W pracy z danymi kluczowe jest nie tylko ich pozyskanie, ale przede wszystkim umiejętność przełożenia ich na konkretne działania i decyzje biznesowe. Bez tej kompetencji, nawet najlepsze narzędzia nie przyniosą realnej wartości. Trzeci przykład zastosowania promptu dotyczy sytuacji, w której dane są wiarygodne, ale rozproszone w silosach – nie są zintegrowane. W takim przypadku warto skorzystać z promptu, którego struktura na początku może być podobna do wcześniejszych.
Model AI proponuje szczegółowe podejście. Proces warto rozpocząć od inwentaryzacji źródeł danych: zidentyfikować wszystkie źródła oraz przypisać odpowiedzialność za nie konkretnym osobom w organizacji. Następnie należy zweryfikować dostęp do tych danych i przeprowadzić podstawowe testy.
W efekcie otrzymujemy konkretną listę działań, które należy podjąć, aby uporządkować i przygotować dane do dalszej analizy i integracji. W Google Analytics 4 warto zweryfikować, czy masz dostęp do wszystkich podstawowych raportów. Należy przejrzeć raporty dotyczące konwersji, współczynnika konwersji oraz ścieżek użytkowników. W przypadku Google Ads i Meta (Facebook Ads) istotna jest weryfikacja jakości danych, dokumentacja procesów oraz przygotowanie rekomendacji i kolejnych kroków.
Podobnie jak przy ocenie jakości danych, sztuczna inteligencja może wskazać dobre praktyki i działania. Jednak pozostaje pytanie, czy osoba po stronie biznesowej powinna samodzielnie zajmować się tym obszarem. W takich przypadkach warto dążyć do zbudowania jednego, spójnego źródła danych — hurtowni danych, która stanie się tzw. „single source of truth”.
Zbierając dane, można zaobserwować kilka scenariuszy: brak danych, obecność danych o niepewnej jakości albo dostępne i wiarygodne dane, które są rozproszone w organizacji. W każdym z tych przypadków AI może wspierać proces, ale jej skuteczność w tym obszarze oceniam nisko — 1 na 5 gwiazdek. Potrzebny jest człowiek, który zrozumie technologię, wejdzie w interakcję z zespołami i zadba o jakość procesu.
W obszarze zbierania i zapewniania danych nie ma dużego ryzyka, że sztuczna inteligencja zastąpi specjalistów. To człowiek wciąż odgrywa kluczową rolę w zapewnianiu spójności i kompletności danych w organizacji.
W etapie analizy danych sztuczna inteligencja oferuje najwięcej możliwości wsparcia. Na tym poziomie mniej istotna staje się wiedza biznesowa, a większe znaczenie zyskuje znajomość narzędzi analitycznych. Kluczowe są umiejętności segmentacji, filtrowania i modelowania danych.
Sztuczna inteligencja może wspierać analitykę już na poziomie samego Google Analytics 4. Przykładem są mechanizmy automatycznego wykrywania anomalii dostępne w raportach, takich jak „Acquisition” czy „Traffic Acquisition”. Po wejściu w tego typu raporty, GA4 prezentuje podsumowania wskazujące niepokojące zmiany w danych.
Dla przykładu: 1 maja liczba sesji z wyszukiwań organicznych spadła do 13. Taki spadek może zostać oznaczony jako istotna zmiana. Człowiek, analizując taki wykres, może łatwo zidentyfikować przyczynę — w tym przypadku długi weekend majowy. Sztuczna inteligencja sygnalizuje jednak, że warto przyjrzeć się tym danym bliżej.
To pokazuje, że AI nie zastępuje analityka, ale może skutecznie wspierać jego pracę, wskazując obszary wymagające uwagi. W Google Analytics 4, oprócz standardowych danych i insightów, dostępne są dodatkowe funkcje wspierane przez sztuczną inteligencję. Jedną z nich są automatyczne adnotacje, które identyfikują załamania trendów w danych. System sam wykrywa nieoczekiwane zmiany i sygnalizuje je użytkownikowi.
Kolejną funkcją jest modelowanie behawioralne, które pozwala analizować zachowania użytkowników nawet w przypadku niepełnych danych. Szczegółowy opis działania tego modelowania znajduje się pod linkiem w opisie.
Analytics 4 oferuje też metryki predykcyjne, które pomagają przewidywać przyszłe zachowania użytkowników, np. prawdopodobieństwo zakupu. Dodatkowo dostępne jest modelowanie atrybucji oparte na Data Driven, które analizuje ścieżki konwersji i przypisuje wartość poszczególnym kanałom marketingowym. Więcej informacji na temat atrybucji i modeli Data Driven można znaleźć w przewodniku po atrybucji w marketingu, również dostępnym w linku.
Sztuczna inteligencja jest więc integralną częścią GA4 i wspiera analizę danych na wielu poziomach. Aby jednak skutecznie korzystać z tych funkcji, kluczowe jest dobre zrozumienie narzędzia oraz znajomość jego możliwości. Poniżej kilka przykładów, jak sztuczna inteligencja może wspierać analizę danych.
Pierwszy przykład to wykorzystanie konkretnego promptu do znalezienia określonych danych. W tym przypadku chodzi o analizę stron blogowych. Aby to zrobić, należy przejść do menu po lewej stronie w interfejsie Google Analytics, wybrać sekcję „Raporty”, następnie „Zaangażowanie”, a potem „Strony i ekrany”. Następnie warto użyć filtra, wpisując w ścieżce URL fragment „/blog”, aby wyświetlić tylko strony blogowe. Kolejny krok to posortowanie wyników według kolumny „Wyświetlenia”, co umożliwi identyfikację najlepiej performujących adresów URL.
Po wykonaniu tych kroków można szybko uzyskać konkretne dane, które wspierają dalszą analizę i podejmowanie decyzji. Sztuczna inteligencja może tu pomóc, automatyzując część procesu filtrowania i interpretacji wyników. Gdy nie wiemy, gdzie znaleźć konkretną informację lub napotykamy problem, warto podać kontekst narzędzi, z których korzystamy. W takich sytuacjach sztuczna inteligencja potrafi udzielić precyzyjnej odpowiedzi i wskazać dalsze kroki – na przykład dotyczące źródeł ruchu czy lokalizacji użytkowników. AI robi to w sposób konkretny i szybki.
Pojawia się oczywiście pytanie, czy analizę wykonamy samodzielnie. Jeśli mamy na to czas, sztuczna inteligencja może znacząco ułatwić ten proces.
Kolejny przykład zastosowania AI w analizie danych to pomoc w pisaniu zapytań SQL w Google BigQuery. Wystarczy podać odpowiedni prompt i kontekst, by uzyskać gotowe zapytanie. Taki scenariusz sprawdza się szczególnie dobrze w działaniach content marketingowych, gdzie często potrzebujemy analizować konkretne dane.
Dla przykładu, można przygotować projekt w BigQuery i skierować zapytanie do tabeli eksportu z eventami. AI potrafi wygenerować odpowiednie zapytanie SQL, co pozwala szybko przejść do analizy danych. W Google BigQuery dostępne jest pole, w którym można wstawić zapytanie SQL. Po jego wklejeniu warto sprawdzić poprawność składni i sformatować zapytanie, co ułatwia analizę. W tym przypadku pojawił się błąd, który należy zidentyfikować i poprawić. Funkcje dostępne w interfejsie BigQuery wspierają pracę analityka, umożliwiając sprawne diagnozowanie i korygowanie problemów w zapytaniach. W pracy z narzędziami analitycznymi osoby z obszaru biznesowego mogą napotkać trudności, zwłaszcza gdy nie posiadają doświadczenia w analizie danych. Często problemem okazuje się nie sam brak wiedzy, ale nieprecyzyjne sformułowanie zapytania do narzędzia lub systemu AI. W takich przypadkach trudno ocenić, czy problem wynika z błędnego promptu, czy z ograniczeń technologii.
Z własnych obserwacji wynika, że dostarczanie AI precyzyjnych informacji – na przykład wskazanie konkretnych błędów w zapytaniu – pozwala wygenerować znacznie lepszy kod SQL. Nadal jednak korzystanie z takich rozwiązań wymaga podstawowej znajomości analizy danych. Nawet zaawansowane wsparcie AI nie zastępuje całkowicie kompetencji analitycznych, a jedynie przyspiesza i usprawnia pracę.
Sztuczna inteligencja w analityce cyfrowej zyskuje coraz większe znaczenie. Warto przyjrzeć się przykładom zastosowań AI zaprezentowanym podczas konferencji Google, które pokazują, jak nowe technologie mogą wspierać analizę danych w codziennym funkcjonowaniu firmy, również tej działającej w modelu konsumenckim. Sprzedaż rośnie, ale spływ środków maleje. Skąd ten rozdźwięk? Aby zrozumieć sytuację, należy analizować cały proces – od momentu sprzedaży, przez zapisy, aż po sygnały płynące od klientów.
Kluczowe okazuje się zebranie i połączenie danych z różnych źródeł. Tradycyjnie dane są rozproszone, co utrudnia pełny wgląd w sytuację. Google BigQuery umożliwia integrację tych informacji – nie tylko z systemów sprzedażowych czy CRM, ale również z takich źródeł jak SAP czy Google Ads. Dzięki temu można uzyskać spójny obraz przepływu danych i diagnozować potencjalne problemy.
Warto zaangażować zespół inżynierii danych, który może przygotować bardziej zaawansowaną analizę i pomóc w identyfikacji przyczyn spadku wpływów finansowych mimo rosnącej sprzedaży. Analiza płatności pozwala zebrać dane o sprzedaży i źródłach ruchu w jedną, spójną tabelę. Dzięki temu możliwe jest zintegrowane spojrzenie na całość bez konieczności wdrażania złożonych integracji czy długiego oczekiwania na rezultaty.
Nowa tabela danych jest nie tylko przejrzysta, ale również funkcjonalna. Zawiera m.in. daty, które umożliwiają szczegółową analizę w czasie. Dzięki integracji z Google BigQuery możliwy jest teraz dostęp do rekomendacji generowanych przez Gemini, co dodatkowo zwiększa wartość analityczną danych. Mamy do dyspozycji czysty, prosty zestaw danych. Przechodząc do BigQuery Data Canvas, możemy rozpocząć analizę. Strukturalne dane są już gotowe. Aby jednak przeprowadzić analizę płatności, konieczne jest oczyszczenie sygnałów pochodzących z pliku PDF. Nie jest to proste zadanie. W tej sytuacji można skorzystać z pomocy agenta danych naukowych, który pomoże oczyścić informacje dotyczące zakupu i płatności oraz pogrupować kupujących w odpowiednie segmenty. W przeszłości analiza danych zajmowała wiele godzin i była skomplikowana. Obecnie, dzięki nowemu silnikowi BigQuery, nie ma potrzeby ręcznego przeszukiwania każdego pliku PDF. Kluczowe informacje można pozyskać automatycznie, co pozwala szybko segmentować kupujących na podstawie rzeczywistych danych.
Co wpływa na zmiany w koszyku zakupowym między grudniem a marcem? W tym przypadku specjalista ds. danych wykorzystuje nowy model Gemini oraz BigQuery Machine Learning do stworzenia zautomatyzowanego procesu analizy danych. System analizuje setki zmiennych w ciągu kilku sekund, dostarczając wyniki niemal natychmiast. Wygląda na to, że znamy przyczynę – terminy płatności. Nowa oferta w postaci płatności rozłożonych na 36 miesięcy, której celem było zwiększenie sprzedaży, spowodowała ostatnio opóźnienia w płatnościach. Warto przeanalizować, jaki wpływ ma to na przeglądy finansowe.
Aby to sprawdzić, konieczne jest ponowne przeanalizowanie danych. W tym celu warto sięgnąć po kod zapisany w Google BigQuery notebooku. W notebooku można zaprosić specjalistę ds. analizy danych, który pomoże przygotować odpowiednie zapytania.
Celem będzie stworzenie przeglądu na kolejne 3 miesiące, uwzględniającego zróżnicowanie klientów według kategorii. BigQuery wykorzystuje nowy, zaawansowany model przewidywania szeregów czasowych. Dzięki temu możliwe jest głębsze zrozumienie danych i uzyskanie bardziej precyzyjnych prognoz. W przypadku firm oferujących długoterminowe płatności rozłożone na 36 miesięcy może to stanowić wyzwanie analityczne.
Odpowiedź na ten problem jest jednak dostępna. Analizę można wzmocnić, uwzględniając dodatkowe zmienne, takie jak kategoria produktu. Włączenie jej do modelu pozwala lepiej uchwycić zależności i poprawić trafność prognoz.
W tym celu warto zaangażować zespół data science. Dzięki integracji z BigQuery Colab Composer, możliwe jest automatyczne uwzględnienie tych zmian i aktualizacja kodu, co znacznie usprawnia cały proces analityczny. Dzięki przeglądom segmentów kupujących i kategorii produktów można odpowiedzieć na wiele kluczowych pytań analitycznych. Analiza staje się znacznie prostsza i bardziej dostępna. Przykładowo, dane wskazują, że promocje z terminem 36 miesięcy wpływają na szybkie decyzje zakupowe w niektórych segmentach, takich jak jedzenie i napoje, ale nie mają większego znaczenia w innych, na przykład w kategorii medykamentów.
Tego typu podejście umożliwia wyjątkową precyzję w analizie i podejmowaniu decyzji. Zamiast wdrażać szeroko zakrojone działania, jak całkowite wycofanie promocji 36-miesięcznych, można oprzeć decyzje na danych, celach biznesowych i efektywności w konkretnych segmentach. Cały proces, który kiedyś zajmował miesiące manualnej pracy, dziś można zrealizować w kilka minut. Dzięki Gemini i Vertex AI, BigQuery staje się kompletną platformą danych, umożliwiającą szybsze niż kiedykolwiek łączenie informacji z wykorzystaniem naturalnego języka i kodu.
Jeśli cały system jest dobrze uporządkowany, możliwości wsparcia przez AI w analizie danych robią duże wrażenie. Jednym z narzędzi, które szczególnie zasługuje na uwagę, jest Coefficient. Umożliwia ono integrację danych z różnych źródeł – na przykład z arkuszy kalkulacyjnych – i pozwala wykorzystać mechanizmy sztucznej inteligencji do dalszej analizy.
To właśnie w obszarze analizy danych widać największy potencjał wsparcia ze strony AI. Automatyzacja, przyspieszenie pracy i łatwiejszy dostęp do kompleksowych danych otwierają nowe możliwości dla zespołów analitycznych. Podsumowując, na ile sztuczna inteligencja może zastąpić człowieka w analizie danych, warto ocenić ten potencjał na 4 w skali od 1 do 5. AI może przejąć większość zadań analitycznych, jednak nadal istotną rolę odgrywa człowiek – to on musi zadawać pytania, które stają się punktem wyjścia do dalszej analizy. Być może w przyszłości AI będzie w stanie nie tylko generować wnioski, ale również samodzielnie identyfikować problemy i zadawać pytania. Obecnie jednak największą wartością AI jest wspieranie analityka w procesie przetwarzania i interpretacji danych.
W kontekście wnioskowania kluczowa jest jakość analizy oraz odpowiednio zdefiniowany kontekst. Dobry wniosek opiera się na rzetelnych danych i trafnej interpretacji. Przykładowo, w Google Analytics 4 można było zaobserwować spadek ruchu organicznego od 1 maja – jednak bez odpowiedniego kontekstu taka obserwacja może prowadzić do błędnych decyzji.
Warto pamiętać o zasadzie GIGO – Garbage In, Garbage Out. Jeśli dane są słabej jakości lub zostały źle przetworzone, to nawet najlepsze modele AI nie wygenerują wartościowych wniosków. Jakość danych i precyzyjna konfiguracja narzędzi analitycznych są więc kluczowe w całym procesie.
Z perspektywy zastosowania AI w analizie danych, dopóki otoczenie biznesowe nie zostanie w pełni zdigitalizowane, trudno mówić o całkowitym zastąpieniu człowieka przez sztuczną inteligencję. Mimo imponujących możliwości prezentowanych np. podczas konferencji Google, wiele procesów w firmach nadal pozostaje poza światem danych cyfrowych. AI może być doskonałym wsparciem, ale rola analityka, który rozumie kontekst biznesowy i potrafi zadawać właściwe pytania, pozostaje nie do przecenienia. W kontekście wykorzystania AI, jednym z przykładów zastosowania może być analiza danych z Google Analytics 4 pod kątem treści. Zakładając, że posiadamy dane z kwietnia, warto je wyeksportować — najlepiej w formacie CSV, zawierającym pełne wiersze danych.
Następnie, korzystając z narzędzi AI, można przygotować prompt z odpowiednim kontekstem. Do takiego promptu dołączamy plik CSV i prosimy AI o analizę. Oczekiwane rezultaty to m.in. identyfikacja najpopularniejszych treści według liczby odsłon, określenie tematyki najczęściej czytanych artykułów, poziomu zaangażowania użytkowników, artykułów generujących eventy (czyli konwersje), a także wnioski, które mogą posłużyć do dalszego planowania treści.
Jeśli dane zostały poprawnie zebrane i przygotowane, AI może skutecznie wspierać proces wyciągania wniosków. W wielu przypadkach trafne obserwacje nasuwają się same. Jednocześnie należy pamiętać, że skuteczność AI w tym zakresie zależy od jakości danych i sformułowania promptu. Przy dobrze przygotowanym materiale AI może częściowo zastąpić kompetencje analityczne — w tym przypadku oceniam to na 3 na 5 gwiazdek. Większy potencjał byłby możliwy, gdyby kontekst można było jednoznacznie przełożyć na dane. W analizie danych biznesowych często pojawiają się sytuacje, w których obserwujemy nagły spadek sprzedaży w konkretnym dniu. Po głębszym sprawdzeniu okazuje się, że przyczyną był problem po stronie IT. Warto zadać pytanie, czy wszystkie tego typu incydenty – zarówno te wewnętrzne, jak i zewnętrzne wobec samego produktu generującego dane – są odpowiednio zdigitalizowane.
W pełni udokumentowane i zapisane incydenty biznesowe mogłyby znacząco zwiększyć skuteczność narzędzi opartych na AI. Dzięki pełnemu kontekstowi algorytmy mogłyby lepiej wspierać analizę i wnioskowanie, dostarczając trafniejsze rekomendacje.
Skuteczna rekomendacja opiera się na trafnym wniosku oraz wiedzy dziedzinowej osoby, która ją formułuje. Jakość wniosków zależy nie tylko od samych danych, ale również od kontekstu, w jakim są one interpretowane. Im szersza i głębsza wiedza osoby analizującej, tym lepsze wnioski można wyciągnąć.
Często w procesie rekomendowania trzeba połączyć wiele elementów, które osobno mogą wydawać się nieistotne. Warto sprawdzić, jak narzędzia AI radzą sobie z takimi złożonymi zapytaniami, zwłaszcza gdy dodamy do nich pytanie: „Jakie rekomendacje możesz zaproponować w kontekście tych wniosków?”. Tego typu podejście może okazać się bardzo pomocne w podejmowaniu decyzji biznesowych opartych na danych. W ramach tego samego czatu użytkownicy zapytali AIA o rekomendacje dotyczące dalszego rozwoju treści. Propozycje obejmowały koncentrację na tematach narzędziowych i technologicznych, rozwój zagadnień związanych z analityką i optymalizacją e-commerce, optymalizację artykułów pod kątem zaangażowania i konwersji oraz wzmocnienie promocji wartości eksperymentów.
Wnioski były trafne, jednak często zbyt ogólne – można je łatwo dopasować do dowolnego biznesu, bez uwzględnienia specyfiki danej branży. Tego typu uogólnienia ograniczają użyteczność rekomendacji. Właśnie dlatego warto podkreślić znaczenie wiedzy dziedzinowej, która w tym kontekście odgrywa kluczową rolę.
Ocena 3 na 5 gwiazdek wydaje się uzasadniona. Jakość wniosków może wzrosnąć, jeśli zostaną one osadzone w konkretnym, zdygitalizowanym kontekście. Bez tego trudno oczekiwać precyzyjnych i wartościowych wskazówek.
Warto podsumować cztery kluczowe etapy pracy z danymi: od ich pozyskania, przez analizę, aż po formułowanie wniosków i rekomendacji. Obecnie narzędzia oparte na AI wykazują imponującą zdolność do przetwarzania i zapamiętywania ogromnych ilości informacji. Jednak nadal brakuje im umiejętności łączenia danych w spójną całość.
Można to porównać do wybranych przypadków ze spektrum autyzmu, zwłaszcza tzw. savantów, którzy wyróżniają się fenomenalną pamięcią, ale mają trudność z syntetyzowaniem wiedzy. Przykładem może być postać z filmu „Rain Man” – bohater potrafił zapamiętać setki książek, lecz nie potrafił wykorzystać tej wiedzy w szerszym kontekście.
Podobnie jest z AI. Choć obecne modele potrafią gromadzić i przetwarzać dane na ogromną skalę, nadal nie potrafią w pełni samodzielnie wyciągać trafnych wniosków bez odpowiedniego kontekstu i interpretacji ze strony człowieka. Jeśli zapewnimy sztucznej inteligencji odpowiedni kontekst zapytania i dostarczymy dane, które ten kontekst precyzują, AI rzeczywiście może wspierać procesy analityczne w inteligentny sposób. Jednak dopóki to człowiek nie nada analizie kierunku i sensu, AI pozostaje jedynie narzędziem wspomagającym. Może znacząco przyspieszyć pracę, ale nie zastępuje kompetencji analityka.
Czy zawód analityka jest zagrożony? Czy biznes poradzi sobie bez analityki?
Obecnie analityk internetowy to nie tylko specjalista od danych, ale często również osoba łącząca kompetencje z zakresu business analysis, data engineering i data science. W takiej formie rola ta wymaga szerokiej wiedzy, zrozumienia kontekstu biznesowego i umiejętności interpretacji danych.
AI dobrze radzi sobie z rutynowymi, powtarzalnymi zadaniami, szczególnie tam, gdzie dane są już uporządkowane i łatwe do przetworzenia. Jednak wiele istotnych informacji i kontekstów nie znajduje się w danych, lecz funkcjonuje wyłącznie w strukturach organizacyjnych lub w głowach pracowników.
Z perspektywy bieżącego rozwoju technologii, zawód analityka nie jest zagrożony. Zwłaszcza na etapie zbierania i przygotowywania danych, gdzie rola człowieka pozostaje kluczowa. A to właśnie od tego etapu zaczyna się cała analiza. Aby skutecznie wykorzystywać sztuczną inteligencję w pracy analityka internetowego, kluczowe jest najpierw solidne opanowanie podstawowej analityki. Dopiero wtedy AI może realnie wspierać i przyspieszać codzienne działania.
Jednym z najważniejszych obszarów rozwoju dla analityka jest analityczne myślenie. To przede wszystkim umiejętność rozkładania problemu na części składowe oraz zadawania trafnych pytań. Gdy analityk dobrze rozumie kontekst biznesowy i potrafi efektywnie komunikować się z interesariuszami, narzędzia oparte na AI stają się realnym wsparciem w wielu aspektach analizy danych.
Sama sztuczna inteligencja nie zastąpi jednak kompetencji analitycznych, dopóki kontekst biznesowy nie zostanie odpowiednio ustrukturyzowany i zdigitalizowany. Aby AI działało skutecznie, niezbędne jest przygotowanie spójnego i zrozumiałego modelu danych – takiego, który będzie przejrzysty dla całej organizacji. Dane muszą być czytelne i jednoznaczne, aby każda osoba mająca z nimi kontakt wiedziała, co one oznaczają.
Warto zapoznać się z materiałami dotyczącymi tworzenia i wykorzystania modelu danych w marketingu – to jeden z kluczowych elementów skutecznej analizy i automatyzacji procesów z wykorzystaniem AI. Zastosowanie AI w analityce danych znacząco skraca proces przechodzenia od danych do działania. Sztuczna inteligencja wspiera analizę, automatyzując wiele powtarzalnych zadań, jednak nie zastępuje ludzkich kompetencji. Kluczowe pozostaje zrozumienie biznesu, umiejętność formułowania właściwych pytań oraz korzystania z dostępnych narzędzi.
Rola analityka przestaje być utożsamiana wyłącznie z biegłością w SQL. Coraz większe znaczenie ma myślenie strategiczne, zdolność rozkładania problemów na czynniki pierwsze oraz interpretacja danych w kontekście celów biznesowych. Dobry analityk łączy kompetencje techniczne z umiejętnością nadawania danym realnej wartości biznesowej.
W kontekście rozwoju narzędzi opartych na AI warto obserwować, jak zmienia się rola zespołów analitycznych i jakiego rodzaju kompetencje będą kluczowe w nadchodzących latach. Dziękuję za uwagę.
Podsumowując, analityka internetowa w erze AI to synergia technologii i ludzkich kompetencji. Sztuczna inteligencja oferuje potężne narzędzia do automatyzacji, przyspieszania i usprawniania procesów analitycznych – od zbierania i organizacji danych, przez ich analizę, aż po generowanie wstępnych wniosków i rekomendacji. Szczególnie w obszarze analizy, AI znacząco zwiększa efektywność, umożliwiając szybkie przetwarzanie ogromnych zbiorów danych i wykrywanie anomalii.
Niemniej jednak, rola człowieka w tym procesie pozostaje niezastąpiona. To analityk internetowy, ze swoją wiedzą biznesową, zdolnością do formułowania trafnych pytań i interpretacji danych w kontekście strategicznych celów, nadaje sens pracy AI. Bez ustrukturyzowanego kontekstu biznesowego i wysokiej jakości danych, nawet najbardziej zaawansowane algorytmy nie dostarczą wartościowych wniosków.
Zawód analityka ewoluuje – z biegłości w narzędziach technicznych w kierunku myślenia strategicznego i umiejętności transformowania danych w konkretne działania biznesowe. Skuteczne wykorzystanie AI wymaga najpierw solidnych podstaw analitycznych i zrozumienia, w jaki sposób sztuczna inteligencja może wspierać, a nie zastępować, ludzką kreatywność i doświadczenie. Przyszłość analityki to harmonijna współpraca człowieka z maszyną, gdzie AI jest potężnym sojusznikiem w osiąganiu przewagi konkurencyjnej.
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
