W kolejnym odcinku podcastu „Date with Data Talks” Mariusz Michalczuk, ekspert Conversion, rozmawia z Michałem Węglewiczem, Digital Marketing & CRM Managerem w Travelist. Rozmowa dotyczy łączenia światów marketingu i analityki, przejścia z modelu Last Click na modelowanie ekonometryczne (MMM), a także wykorzystania sztucznej inteligencji i synergii między działaniami CRM a płatnym ruchem w dużej organizacji e-commerce.
Czego dowiesz się z tego wywiadu:
Od analityka do marketera: Ścieżka Michała Węglewicza
Nadmiar danych czy klęska urodzaju?
Ekonometria w praktyce: Przejście z Last Click na MMM
Case study: Jak dane uratowały influencer marketing
Synergia Digitalu i CRM: Oszczędność budżetu
Sztuczna inteligencja w Travelist
Rady dla marketerów: Single Source of Truth i LTV
Podsumowanie: Główne wnioski z rozmowy
Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Michał. Michale, dziękuję Ci za przyjęcie zaproszenia. Mógłbyś na początku kilka słów o sobie powiedzieć?
Michał Węglewicz: Cześć Mariusz, wielkie dzięki również za zaproszenie do dzisiejszego odcinka. Nazywam się Michał Węglewicz i zajmuję się digital marketingiem i CRM-em. Obecnie zarządzam tymi obszarami w Traveliście. Wcześniej miałem też okazję pracować w branży finansowej, telekomunikacyjnej. Od kilku lat łączę ten digital i marketing w jeden spójny silnik wzrostu, gdzie to, co jest dziś dla nas najbardziej istotne, czyli analityka i praca z danymi, są bardzo ważnym punktem i obszarem, który towarzyszy mi codziennie.
Mariusz Michalczuk: Super. Jakbyś mógł trochę opowiedzieć, jak to wykorzystanie danych w Twojej codziennej pracy wygląda? Jeżeli masz w swoich kompetencjach zarządzanie CRM-em, to tam danych o klientach jest bardzo dużo. Jak te dane wykorzystujecie, jak to się przekłada później na kreowanie marketingu, kampanii? Jakbyś mógł wrzucić nam trochę takich ciekawostek „behind the scenes”.
Michał Węglewicz: Jasne. Uśmiechnąłem się na to nasze dzisiejsze spotkanie i ten mocny core rozmowy, jakim są dane. W moim podejściu, w całej mojej pracy, taką pierwszą inicjacją, którą miałem w karierze, była praca, gdzie po części realizowałem zadania web analityka. Wtedy, kiedy zaczynałem, miałem tę sposobność, że mogłem poznać obszar web analityki, a potem miałem okazję przejść też przez SEO, przez CRM i tworzenie różnych narzędzi. Dotarłem oczywiście do tego obszaru online marketingu, więc tak naprawdę już od tych wczesnych lat szukałem sposobności, żeby te dwa obszary między sobą integrować, wykorzystywać i szukać wzajemnych synergii.
Nawiązując do początków, ten aspekt bazodanowy bardzo mocno pokazał mi, że podejście do dzisiejszego digitalu jest skrajnie inne, niż sobie wyobrażałem. Wcześniej myślałem, że marketing to kreatywne rozwiązania, hasła, kreacje i bardzo kreatywni ludzie, do których na pewno jest mi daleko. Natomiast dość szybko zrozumiałem, że online mocno różni się tym, że wszystko jest śledzone, mierzone, a zasób danych jest naprawdę ogromny. Zauważyłem, że stało się to wyróżnikiem po pewnym czasie. Następowała zmiana podejścia do marketingu i online zaczynał być coraz bardziej widoczny, a aspekt danych bardzo narastał.
W tych pierwszych doświadczeniach bardzo satysfakcjonujące było to, gdy udawało mi się znaleźć schematy działań czy zaimplementować rozwiązania, które działały nam w CRM-ie – różnego rodzaju targetowania bądź wykluczenia, które kolejno wdrażaliśmy na kampanie digitalowe i performance’owe. To była wtedy bardzo prosta implementacja i optymalizacja, ale co ciekawe, bardzo intratna. Nie tyle same ROI potrafiły nam mocno rosnąć, ale też udawało nam się optymalizować koszty. Mogliśmy ingerować w media mix i mniej inwestować w działania, które wiedzieliśmy, że i tak nie będą miały dużego wpływu na kontrybucję do wyników. To były pierwsze sukcesy, które budowały pomost między dwoma światami, traktowanymi wówczas jako osobne. Dziś udaje nam się to realizować jeszcze bardziej efektywnie, w bardziej zaawansowany sposób, wykorzystując nowe technologie.
Mariusz Michalczuk: To prawda. Technologia się rozwija, danych nam coraz więcej przybywa. Z mojej perspektywy, oprócz tego, że jest to pozytywny element, ten nadmiar danych często po prostu przytłacza firmy. Jak masz czegoś za dużo – jest takie pojęcie w psychologii jak „klęska urodzaju” – człowiek często pozostaje bez decyzji. Akurat rozmawiałem z Marcinem od Was i wiem, że u Was nie ma tego wyzwania. Natomiast z Twojej perspektywy, tej ścieżki zawodowej – zaczynałeś jako analityk internetowy, więc pewnie Tobie jest łatwiej oceniać, które źródła są właściwe. Jak oceniasz ten nadmiar danych z perspektywy czasu?
Michał Węglewicz: Myślę, że jeśli chodzi o nadmiar danych, to kiedyś mówiliśmy o zjawisku Big Data, teraz to ewoluowało w stronę AI i modeli probabilistycznych. Wydaje mi się, że im więcej danych, tym lepiej. Do tej pory nie miałem chyba sytuacji, żeby danych było za dużo – raczej w drugą stronę, chciałoby się mieć ich jeszcze więcej. Kreatywność w podejściu pozwala wymyślać coraz to nowe rozwiązania. Zgadzam się jednak, że istnieje ryzyko „klęski urodzaju”, szczególnie gdy mnogość danych rzutuje na bardzo dużą liczbę metryk, którymi będziemy starali się zarządzać biznesem i podejmować decyzje.
To jest krytyczne powiązanie. Nie tyle skala danych może być bolączką, co umiejętność ich interpretacji i sposób zarządzania wiedzą. Z każdego punktu możemy wyciągnąć jakiś insight, więc kluczowe jest zbudowanie sieci metryk w taki sposób, aby finalnie móc sfokusować się na tych najważniejszych. Zbyt duża dywersyfikacja nie będzie efektywna i rodzi ryzyko, że nie skupimy się na tym, co realizuje przysłowiowe 80% impaktu. Często spotykamy się z sytuacjami, gdzie rozpoczynamy projekt, obudowujemy go KPI-ami i sami musimy siebie ograniczać: „Hej, stop, może to już za dużo. Skupmy się na tym, żeby projekt mógł iść do przodu”. Warto wyznaczyć sobie granicę.
Mariusz Michalczuk: Wspomniałeś o decydowaniu o miksie marketingowym. Czytałem opisany w sieci case waszego modelowania MMM (Marketing Mix Modeling). Czy mógłbyś odsłonić kuluary? Co do zasady, każdy model poza Last Click jest z reguły lepszy, ale jak to wyglądało u Was? To duży projekt, trzeba było przekonać właścicieli budżetu. Jakie były efekty?
Michał Węglewicz: Zgadzam się, że kwestia decydentów i zmiany mindsetu bywa krytyczną barierą. W Traveliście od zawsze mieliśmy do czynienia z mocnym podejściem last clickowym i wciąż na to patrzymy. Jednak stosowanie tylko jednego modelu rodzi ryzyko braku efektywności i braku należytej oceny poszczególnych kanałów. Co do Media Mix Modelingu, czy też ekonometrii, historycznie wykorzystywaliśmy to głównie do oceny dużych kanałów, takich jak telewizja, oraz do oceny naszego baseline’u – czyli tego, co działoby się z marką po wyłączeniu działań reklamowych. Widzieliśmy mocny wpływ optymalizacji kampanii telewizyjnych na wyniki.
W ramach migracji narzędzi analitycznych pojawiła się potrzeba większej stabilności w ocenie działań digitalowych. Poza wsparciem incydentalnym, na co dzień bazowaliśmy na danych last clickowych czy first clickowych. Potrzebowaliśmy rozwiązania in-house, które byłoby stabilne i dawało taki sam obraz niezależnie od czynników zewnętrznych (np. cookie restrictions). Dodatkowo, jako spółka chcąca rosnąć, szukaliśmy „sweet spotu” pomiędzy inwestycjami w działania top-funnelowe (zasięgowe) a utrzymaniem wysokiej efektywności. W Travelist nigdy nie patrzymy na jeden KPI – weryfikujemy ROI, kontrybucję do GP (Gross Profit) oraz bardzo ważną dla nas metrykę Lifetime Value (LTV).
Postanowiliśmy zrobić pilotażowy projekt, wykorzystując metodykę używaną do telewizji, aby ją zdigitalizować. Chcieliśmy sprawdzić potencjalne efekty. Zyskaliśmy dzięki temu nową perspektywę. Zaczęliśmy małymi krokami wchodzić głębiej, w poszukiwaniu bardziej obiektywnego obrazu niż Last Click. Proces wiązał się z wieloma wyzwaniami, głównie w zakresie standaryzacji danych z różnych źródeł: adserwery, platformy reklamowe (Meta, YouTube, Google), dane transakcyjne, a także aspekt contentowy (Magazyn Travelista). Proces ten trwał wiele miesięcy, ale doszliśmy do iteracji, które odbywają się nawet trzy razy w miesiącu. To duża skala. Oczywiście, decyzje dzienne wykonujemy nadal w oparciu o bieżące dane, ale MMM jest dla nas „boosterem decyzyjnym”, pozwalającym szybciej reagować i przewidywać zjawiska rynkowe, co w branży tak sezonowej jak travel jest kluczowe.
Mariusz Michalczuk: Rozumiem, że na początku wykorzystano model zrobiony na „starych mediach”. Czy ten model był rozszerzony o dane online’owe, czy zrobiliście zupełnie oddzielny dla online’u?
Michał Węglewicz: Jeśli chodzi o zakres danych, dochodziła tutaj bardzo duża granularność. Wcześniej rozróżnialiśmy cały digital na kilka głównych worków (SEM, Meta, etc.). Chcieliśmy wejść głębiej i rozdzielać kanały na poszczególne kampanie. Dziś na samej Mecie nie optymalizujemy dwóch czy trzech kampanii, ale dziesiątki, a w sezonie nawet setki. Istotne było wprowadzenie odpowiedniej granulacji, ale też zadbanie o skalę danych – jeśli kampania była zbyt mała, model nie wyłapywał jej wpływu.
Korzystamy ze wsparcia dedykowanych osób przy przeliczaniu modelu. Co ciekawe, to nie jest jeden stały model. To zbiór funkcji bazujących na szeregach czasowych. Za każdym razem model jest trochę inny – weryfikujemy setki, a nawet tysiące różnych funkcji i zbiorów, a wyniki jakości określają, który z modeli w danej iteracji sprawdził się najlepiej. Każdorazowo modyfikujemy to w poszukiwaniu najbardziej precyzyjnych odpowiedzi.
Mariusz Michalczuk: Ekonometria nie jest prosta. Jak w marketingu faktycznie wykorzystujecie ten model? Do sprawdzania scenariuszy, czy do oceny faktycznego zwrotu z inwestycji?
Michał Węglewicz: Weryfikujemy to głównie w oparciu o efektywność: ROI per kampania/kanał oraz kontrybucję do marży. Decyzje to miks danych z raportu ekonometrii, raportu lastclickowego oraz raportu Cohort (analiza LTV i zachowań bazy). Mniejsze optymalizacje bazują na doświadczeniach wypracowanych w MMM – jesteśmy w stanie przewidzieć, jak kanały zachowają się po zmianach budżetowych. W dziennym ujęciu weryfikujemy Last Click, ale staramy się nie podejmować w nim pochopnych decyzji dla kanałów top-funnelowych.
Przywołam ciekawy case. Dzięki MMM zobaczyliśmy, że display i inne kanały zasięgowe zyskały na atrybucji. Nie oznaczało to jednak bezmyślnego skalowania, ale wejście głębiej i optymalizację. Najbardziej zaskoczył nas influencer marketing. Mamy tam mocny fanbase. Wzmocniliśmy ten obszar na Instagramie, angażując większe budżety, bo ekonometria pokazała tam potencjał. Po kilku miesiącach doszliśmy do momentu, gdzie nawigowaliśmy w oparciu o wyniki z ekonometrii, ale jednocześnie słuchaliśmy influencerów. Oddaliśmy im inicjatywę, np. dogrywając oferty hotelowe pod ich rekomendacje. Wyniki przerosły oczekiwania. Nie tylko zmaksymalizowaliśmy wyniki w ekonometrii, ale osiągnęliśmy rentowność w Last Clicku, co wcześniej się nie zdarzało. To był case, gdzie zawróciliśmy koło: od słabej efektywności Last Click, przez inwestycję na bazie MMM, po optymalizację dającą wynik w Last Clicku.
Mariusz Michalczuk: To mega ciekawe. Dane ekonometryczne pozwoliły Wam docenić influencer marketing, który co do zasady działa jak branding i nie wpływa bezpośrednio na sprzedaż w modelu ostatniego kliknięcia. Dzięki wskazówce z MMM zainwestowaliście więcej, co przełożyło się finalnie na twarde wyniki.
Michał Węglewicz: Dokładnie. Mieliśmy argumenty, żeby inwestować więcej w kanały, które potencjalnie wpadały w pułapkę lastclickową. Teraz pracujemy nad tym, żeby to skalować.
Mariusz Michalczuk: Przesuńmy się na użytkownika w CRM. Jak wykorzystujecie dane do personalizacji w serwisie i czy przekłada się to na marketing?
Michał Węglewicz: W Traveliście traktujemy digital i CRM jako jeden spójny ekosystem. W idealnym świecie digital pozyskuje ruch, a CRM go monetyzuje. Realia nie są tak czarno-białe, ale część wspólna jest wyraźna. Priorytetem integracji było priorytetyzowanie działań in-house’owych (CRM), czyli „niedopalanie” dodatkowego kosztu marketingowego do użytkowników, którzy są już „wygrzani” i skonwertują bez reklamy. Dzięki temu zredukowaliśmy koszty marketingu o 15% przy tym samym efekcie końcowym.
Pracowaliśmy nad wykluczeniami i priorytetyzacją CRM oraz nad lookalike’ami. Analiza ścieżek pokazała, że duży procent użytkowników pokrywa się w działaniach remarketingowych i CRM, ale jest też grupa, która potrzebuje dodatkowego bodźca (display, mailing zewnętrzny). Wdrożyliśmy scoring określający prawdopodobieństwo konwersji użytkownika. Dzięki temu selektywnie podchodzimy do komunikacji.
W ramach grupy Secret Escapes stworzyliśmy modele probabilistyczne: jeden silnik do zwiększania engagementu (inspiracja), drugi do domykania konwersji (low funnel). Bazując na danych z całej grupy, wskazujemy szereg zachowań świadczących o gotowości do zakupu. Testy w CRM wykazały, że dobór ofert przez model versus nasz ręczny wybór „topowych ofert” zawsze wygrywał. W fazie testów mieliśmy nawet 40% poprawy konwersji. To był duży game changer.
Mariusz Michalczuk: Czy jest różnica w podejściu do danych międzynarodowo? Czy są różnice w narzędziach lub zachowaniach użytkowników?
Michał Węglewicz: Dzięki byciu częścią grupy Secret Escapes mamy dostęp do tych samych, zaawansowanych narzędzi (Snowflake, Salesforce, płatna wersja Analytics). Dane są wystandaryzowane. Różnice wynikają głównie z rynków. Restrykcje prawne (Brexit vs UE) są odczuwalne, ale wdrożenia typu Consent Mode były podobne wszędzie. Zauważyliśmy jednak inną charakterystykę klienta – u nas brak akceptacji cookies to ok. 10-15%, na niektórych rynkach zachodnich sięga to 30-40%.
Istotną różnicą jest wrażliwość na cenę. Travelist to rynek polski, mocno rodzinny, wrażliwy cenowo (price sensitivity). Secret Escapes (Niemcy, UK) stawia na luksusowe doświadczenia („co zyskam za tę cenę”). Rynek reklamowy w UK jest też znacznie droższy – stawki potrafią być 3-4 razy wyższe. Dzielimy się insightami w ramach hubów analitycznych. Ciekawym przykładem był TikTok – koledzy z innego rynku zainspirowali nas do zniesienia barier contentowych i wejścia w ten kanał, co przyniosło świetne rezultaty, mimo że początkowo wydawało się trudne.
Mariusz Michalczuk: Nie mogę nie zapytać o AI. W jakim zakresie wykorzystujecie sztuczną inteligencję?
Michał Węglewicz: Nasze modele probabilistyczne powstały na silnikach zbliżonych do GPT jeszcze zanim stało się to tak popularne. Obecnie, poza standardowym wykorzystaniem AI (analiza danych, kreacje), pracujemy nad sposobem dobierania najbardziej atrakcyjnego zdjęcia produktu (hotelu) dla użytkownika. Każdy obiekt ma mnóstwo zdjęć. Okazuje się kluczowe, które zdjęcie będzie tym „pierwszym”, które skupi uwagę. Wykorzystujemy dane behawioralne, by wprowadzić taką selekcję. Wcześniej robiliśmy to ręcznie (np. zmiana zdjęć na zimowe). Teraz AI pomaga nam zarządzać grafikami dla 800-1000 obiektów, co wpisuje się w domenę „Work Smarter”. AI pomaga też w inteligentnym sortowaniu ofert, co ma duży wpływ na konwersję.
Mariusz Michalczuk: Zmierzając do końca, jakie masz rady dla osób z marketingu i e-commerce, aby popychać organizację do wykorzystania danych?
Michał Węglewicz: Podejście oparte o dane ma wiele plusów. Kluczowe jest doprowadzenie do sytuacji, w której mamy w organizacji jedno źródło prawdy (Single Source of Truth). Gdy wszyscy patrzą na te same, jakościowe dane, dyskusja staje się wartościowa, a argumenty oparte na liczbach są niepodważalne. Druga sprawa to zdefiniowanie kluczowych metryk. Nie można wpaść w pułapkę analizowania wszystkiego. Należy skupić się na kilku najważniejszych.
Poza Revenue, ROI czy EBIT, bardzo ważną, a często niedocenianą metryką jest Lifetime Value (LTV). Branża travel wygrywa wtedy, gdy użytkownik wraca. Inwestycja musi się zwrócić w czasie. Rekomenduję wdrożenie perspektywy LTV do codziennego raportowania. I na koniec – sztuka szukania synergii. Połączenie performance’u z CRM to ukryta wartość, gdzie można znaleźć dźwignie do skalowania i optymalizacji kosztowej.
Rozmowa z Michałem Węglewiczem pokazuje ewolucję roli danych w nowoczesnym e-commerce. Przejście od prostych analiz do zaawansowanych modeli ekonometrycznych (MMM) pozwala firmom takim jak Travelist na podejmowanie trafniejszych decyzji inwestycyjnych, wykraczających poza ograniczenia atrybucji Last Click. Przykład influencer marketingu udowadnia, że działania budujące świadomość mogą być rentowne, jeśli są odpowiednio mierzone i optymalizowane.
Istotnym wątkiem jest synergia między działaniami płatnymi a CRM. Dzięki wykorzystaniu scoringu i modeli probabilistycznych, firma może oszczędzać budżet, nie wyświetlając reklam użytkownikom, którzy i tak by dokonali zakupu, oraz precyzyjniej targetować komunikaty. Wykorzystanie AI do automatyzacji doboru treści wizualnych to kolejny krok w stronę efektywności „Work Smarter”.
Główna rada dla organizacji to dążenie do posiadania jednego, wiarygodnego źródła danych oraz skupienie się na metrykach długoterminowych, takich jak Lifetime Value, zamiast wyłącznie na bieżącym zwrocie z inwestycji.
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
