• W projekcie dla klienta z branży Health & Beauty / FMCG Conversion wykorzystał wcześniej wdrożoną architekturę server-side GTM, aby uruchomić dodatkowy pomiar konwersji zakupowych dla wybranych marek promowanych w aplikacji mobilnej.
• Kluczowym wyzwaniem była potrzeba szybkiego wdrożenia nowej logiki analitycznej bez angażowania zespołu IT, bez zmian w kodzie aplikacji i bez czekania na release oraz aktualizacje po stronie użytkowników.
• Dodatkowo pierwsze próby budowy zdarzenia po stronie aplikacji nie dawały kompletnych danych.
• Zespół przeanalizował dane przesyłane z aplikacji, opracował logikę identyfikującą transakcje dla wskazanych marek i przygotował dodatkowe zdarzenie zakupowe w warstwie server-side GTM, dbając o poprawność danych i zgodność z wymaganiami ekosystemu Google.
• Całość wdrożono bez angażowania zespołu developerskiego klienta.
• Efektem było znaczące skrócenie czasu wdrażania zmian analitycznych, większa elastyczność przy działaniach promocyjnych i partnerskich oraz mniejsze uzależnienie marketingu i analityki od backlogu IT.
• Klient zyskał możliwość uruchamiania nowych konwersji zakupowych w aplikacji bez każdorazowego wydawania nowej wersji aplikacji.
• Projekt potwierdził, że dobrze zaprojektowana architektura server-side GTM może nie tylko poprawiać jakość pomiaru, ale też realnie zwiększać szybkość działania biznesu i przewagę operacyjną w środowisku retailowym.

Punkt wyjścia

W retailu i marketingu cyfrowym sama dostępność danych to za mało. Równie ważna jest możliwość szybkiego reagowania na potrzeby biznesu. Problem zaczyna się wtedy, gdy nawet drobna zmiana w analityce wymaga zaangażowania zespołu IT, publikacji nowej wersji aplikacji i czekania, aż użytkownicy ją zaktualizują.

W tym przypadku klient potrzebował uruchomić dodatkowy pomiar konwersji zakupowych dla wybranych marek promowanych w aplikacji mobilnej. Na pierwszy rzut oka była to niewielka modyfikacja. W praktyce mogła jednak oznaczać długi proces po stronie developmentu i znacznie ograniczyć tempo działania biznesu.

Dzięki temu, że wcześniej wdrożyliśmy server-side GTM, mogliśmy podejść do tego inaczej – szybciej, sprawniej i bez konieczności wprowadzania zmian w kodzie aplikacji.

Wyzwanie: nowa konwersja, stary problem

Klient działa na polskim rynku w modelu retail, w segmencie Health & Beauty / FMCG. W projekcie współpracowaliśmy bezpośrednio z osobą odpowiedzialną za analitykę online w obszarze Marketingu, MarTech & Own Media.

Potrzeba biznesowa była jasna: uruchomić dodatkowe konwersje zakupowe dla transakcji obejmujących wybrane marki, tak aby dokładniej mierzyć skuteczność działań promocyjnych prowadzonych w aplikacji mobilnej. Wydawałoby się proste, a jednak.

W tym projekcie pojawiły się dwa kluczowe ograniczenia. Po pierwsze, dostępność zespołu IT była ograniczona, co utrudniało szybkie wdrażanie zmian. Po drugie, pierwsze próby przygotowania dodatkowego zdarzenia po stronie aplikacji nie dały oczekiwanego efektu — zdarzenia były niekompletne i nie zawierały wszystkich parametrów potrzebnych do dalszego wykorzystania.

To oznaczało realne ryzyko, że zmiana, która biznesowo powinna być szybka i operacyjna, utknie w procesie developmentu, testów, publikacji nowej wersji aplikacji i oczekiwania na aktualizacje po stronie użytkowników

Rozwiązanie: więcej z danych, mniej pracy po stronie aplikacji

Klient miał już wcześniej wdrożony server-side GTM dla aplikacji mobilnej, który zrealizowaliśmy w ramach naszej współpracy. Dzięki temu mieliśmy solidną bazę do kolejnych działań.

Zamiast ingerować w kod aplikacji, zaproponowaliśmy wykorzystanie istniejącej architektury server-side, która daje pełną kontrolę nad danymi jeszcze zanim trafią one na serwery Google. Dzięki temu nie trzeba było przebudowywać aplikacji — wykorzystaliśmy istniejącą warstwę pośredniczącą, by przetworzyć i rozszerzyć dane, które już były zbierane z aplikacji.

Po naszej stronie zakres prac obejmował:

• analizę danych przesyłanych z aplikacji,
• opracowanie logiki identyfikującej transakcje dotyczące wskazanych marek,
• przygotowanie dodatkowego zdarzenia zakupowego w warstwie server-side GTM,
• zadbanie o poprawność i zgodność danych z wymaganiami ekosystemu Google.

Całość wdrożyliśmy bez konieczności angażowania zespołu developerskiego klienta.

W praktyce oznaczało to, że zamiast przebudowywać aplikację, wykorzystaliśmy istniejącą warstwę pośredniczącą do przetworzenia i rozszerzenia danych, które były już zbierane z aplikacji.

Klasyczny model vs. nasze podejście

Klasyczny model:

• angażuje zespół IT i zwiększa koszty implementacji,
• wymaga zmian w kodzie aplikacji,
• oznacza testy i nowy release,
• zależy od aktualizacji aplikacji przez użytkowników,
• utrudnia szybkie reagowanie na potrzeby biznesu.

Nasze podejście:

• wykorzystuje istniejącą architekturę server-side,
• nie wymaga zmian w kodzie aplikacji,
• pozwala wdrażać logikę po stronie GTM,
• uruchamia zmiany bez czekania na aktualizację aplikacji,
• daje większą elastyczność i krótszy time-to-market.

To podejście okazało się szczególnie wartościowe także dlatego, że w trakcie projektu pojawiła się potrzeba zmiany listy marek objętych dodatkową logiką. W klasycznym modelu oznaczałoby to kolejny cykl developmentu i następny release aplikacji. W naszym modelu mogliśmy zareagować znacznie szybciej.

Efekt: szybsze wdrożenia, większa elastyczność, mniej zależności od IT

Najważniejsza zmiana polegała na tym, że Klient zyskał możliwość uruchamiania nowych konwersji zakupowych w aplikacji bez każdorazowego angażowania developerów i bez wydawania nowej wersji aplikacji.

Biznesowo przełożyło się to na:

• krótszy czas wdrażania zmian analitycznych,
• większą elastyczność przy działaniach promocyjnych i partnerskich,
• mniejsze uzależnienie marketingu i analityki od backlogu IT,
• możliwość szybszego uruchamiania pomiaru pod konkretne potrzeby kampanijne.

W środowisku retailowym, gdzie okna decyzyjne są krótkie, a działania promocyjne wymagają szybkiej reakcji, to realna przewaga operacyjna. Dzięki server-side GTM klient nie musiał wybierać między jakością danych a tempem działania.

Big Picture: więcej niż jednorazowe wdrożenie

Ten case nie był jednorazowym obejściem problemu. Potwierdził wartość wcześniej wdrożonej architektury ssGTM – zarówno po stronie webu, jak i aplikacji mobilnej.

I właśnie to jest najważniejszy wniosek z całego projektu: dobrze zaprojektowana architektura analityczna nie tylko zbiera dane. Daje biznesowi większą kontrolę, skraca czas reakcji i pozwala szybciej przekładać potrzeby marketingowe na konkretne działania.

The post Case Study – Gdy analityka musi nadążać za biznesem first appeared on Conversion.

Branża: Porównywarka cenowa
Klient: Ringier Axel Springer Polska sp. z o.o. (Warszawa, Polska)
Strona: www.skapiec.pl

Punkt wyjścia

Skąpiec.pl to jedna z największych porównywarek cenowych na polskim rynku. Serwis prezentuje miliony ofert i produktów, a miesięcznie odwiedza go blisko 4 miliony użytkowników. Przy takiej skali działania jakość danych oraz sprawność wdrażania nowych kodów śledzących miały bezpośredni wpływ na efektywność działań marketingowych i analitycznych.

Przed rozpoczęciem współpracy każda zmiana w kodzie strony wymagała zaangażowania działu IT. Nawet proste wdrożenia, takie jak śledzenie kliknięcia w przycisk, uruchomienie ankiety czy dodanie nowego kodu remarketingowego, trafiały do kolejki ticketów i mogły czekać na realizację tygodniami.

Celem współpracy było zwiększenie efektywności zbierania i analizy danych poprzez wdrożenie Google Tag Managera oraz uporządkowanie całego procesu zarządzania tagami.

Wyzwania

Najważniejszym wyzwaniem było odciążenie działu IT i umożliwienie szybszego wdrażania zmian analitycznych oraz marketingowych. Dotychczasowy model pracy powodował opóźnienia, a zespoły marketingowe i analityczne były w dużej mierze zależne od dostępności webmasterów.

Projekt był dodatkowo złożony ze względu na skalę serwisu. Skąpiec.pl posiadał już zaawansowaną konfigurację Google Analytics, rozbudowany system śledzenia oraz dużą liczbę kont i profili GA. Konieczne było więc nie tylko przeniesienie istniejących skryptów do Google Tag Managera, ale także uporządkowanie całego procesu zbierania danych.

Kluczowe wyzwania obejmowały:

• migrację rozbudowanej instalacji Google Analytics do Google Tag Managera,
• stworzenie skalowalnej warstwy danych (DataLayer),
• uporządkowanie wielu kont, profili i śledzonych elementów,
• zapewnienie wysokiej jakości i kompletności danych,
• ograniczenie zależności marketingu i analityki od działu IT,
• zachowanie ciągłości pomiaru w trakcie migracji.

Istotne było również zaprojektowanie rozwiązania przyszłościowego — takiego, które pozwoli w dowolnym momencie rozwijać śledzenie o nowe zdarzenia, skrypty i potrzeby biznesowe.

Nasze podejście

Prace rozpoczęliśmy od szczegółowego mapowania dotychczasowej konfiguracji Google Analytics. Zespół Conversion przeanalizował konta, profile oraz wszystkie elementy śledzone na stronie. Celem nie było samo przeniesienie istniejących kodów, ale ocena, które dane są naprawdę potrzebne i jak można wykorzystać je do tworzenia użytecznych analiz oraz rekomendacji.

Następnie przygotowaliśmy specyfikację DataLayer, czyli warstwy danych stanowiącej podstawę poprawnego wdrożenia Google Tag Managera. Gotowa specyfikacja została przekazana do zespołu IT Skąpiec.pl, który wdrożył ją w kodzie strony.

Kolejnym krokiem było stworzenie mechanizmów DataLayer.push, czyli sygnałów informujących GTM, że na stronie wydarzyła się konkretna akcja — np. kliknięcie przycisku lub przewinięcie strony. Dzięki wykorzystaniu zaawansowanych kodów JavaScript większość tych zmian została wdrożona bez angażowania IT po stronie Skąpiec.pl.

Aby ograniczyć ryzyko błędów, wdrożenie przeprowadzono etapowo. Conversion uruchomiło bliźniaczą instalację Google Analytics przez Google Tag Managera, opartą na osobnych kontach. Pozwoliło to porównać dane zbierane przez stare kody z danymi zbieranymi przez nową konfigurację GTM. Dzięki temu udało się zidentyfikować i poprawić błędy jeszcze przed finalnym przepięciem.

Ostateczne wdrożenie polegało na jednoczesnym wyłączeniu starych kodów przez IT i uruchomieniu nowych przez analityków Conversion. Proces był monitorowany w czasie rzeczywistym i trwał jeden dzień.

Efekty

Wdrożenie Google Tag Managera przyniosło Skąpiec.pl konkretne efekty organizacyjne, techniczne i analityczne:

• proces wdrożenia i migracji kodów trwał 6 tygodni,
• zaimplementowano 118 tagów, 96 makr i 38 reguł,
• przeniesiono m.in. skrypty Google Analytics, tagi Gemius Audience, remarketingowe AdWords oraz ankiety Qualaroo,
• odciążono dział IT,
• usprawniono pracę działu marketingu,
• przyspieszono wdrażanie nowych kodów i skryptów,
• poprawiono szybkość działania serwisu dzięki asynchronicznemu ładowaniu tagów,
• zapewniono wysoką jakość i kompletność danych,
• otwarto nowe możliwości analiz.

Szczególnie istotny był efekt praktyczny po szkoleniu zespołu. Już tydzień po wdrożeniu zespół Skąpiec.pl, przy niewielkim wsparciu Conversion, samodzielnie wdrożył kody remarketingowe nowej sieci reklamowej. Zmiana została uruchomiona następnego dnia od zgłoszenia z marketingu — podczas gdy wcześniej podobny proces przez IT trwałby ponad tydzień.

Opinia firmy Skąpiec.pl o zespole Conversion

Podsumowanie

Projekt dla serwisu Skąpiec.pl pokazuje, jak wdrożenie Google Tag Managera może uporządkować proces zbierania danych, odciążyć dział IT i zwiększyć efektywność działań marketingowych. Dzięki dobrze zaprojektowanemu DataLayerowi oraz skalowalnej konfiguracji GTM organizacja zyskała większą niezależność, szybsze wdrożenia i nowe możliwości analityczne.

The post Skąpiec.pl – Jak Skąpiec.pl usprawnił zbieranie danych dzięki Google Tag Managerowi? first appeared on Conversion.

Branża: Odzież sportowa
Klient: 4F (OTCF S.A)
Strona: www.4f.com.pl

Punkt wyjścia

4F to marka odzieży sportowej należąca do OTCF, działająca na wielu rynkach i rozwijająca sprzedaż online. Wraz z rozwojem sklepu internetowego pojawiła się potrzeba systematycznej optymalizacji konwersji oraz szybkiego testowania zmian wpływających na wyniki biznesowe.

Problemem okazały się ograniczone zasoby deweloperskie oraz duża liczba równoległych projektów, które utrudniały sprawne wdrażanie i testowanie nowych rozwiązań. W efekcie wiele pomysłów na rozwój sklepu nie mogło być realizowanych w oczekiwanym tempie.

Wyzwania

Najważniejsze wyzwania obejmowały:

• ograniczone możliwości szybkiego wdrażania zmian ze względu na obciążenie zespołu IT,
• brak możliwości sprawnego testowania hipotez optymalizacyjnych,
• konieczność poprawy współczynnika konwersji bez zwiększania budżetów marketingowych,
• potrzeba wsparcia eksperckiego w zakresie optymalizacji UX i decyzji zakupowych,
• konieczność działania w środowisku dużej organizacji, gdzie procesy są bardziej złożone.

Dodatkowym wyzwaniem było znalezienie obszaru o największym potencjale wzrostu – wbrew typowym przypadkom nie była to ścieżka zakupowa, lecz karta produktu.

Nasze podejście

Współpracę oparto na procesie, który umożliwia szybkie testowanie i wdrażanie zmian bez angażowania IT.

Każdy sprint optymalizacyjny obejmował:

• analizy ilościowe i jakościowe,
• przygotowanie rekomendacji i hipotez,
• projektowanie makiet i grafik,
• kodowanie zmian,
• testy A/B,
• analizę wyników.

Cały proces zamykał się w cyklu około 5 tygodni.

Wszystko zaczyna się od danych

Pierwszym etapem były analizy ilościowe i jakościowe, które pozwoliły zrozumieć zachowania użytkowników oraz zidentyfikować kluczowe problemy w procesie zakupowym. Wbrew typowym scenariuszom okazało się, że użytkownicy dobrze radzą sobie na etapie finalizacji zamówienia.

Problem pojawiał się wcześniej, zbyt mały odsetek użytkowników dodawał produkty do koszyka, co wskazywało na potencjał optymalizacji na poziomie karty produktu.

Hipotezy i testy

Na podstawie analiz przygotowano zestaw hipotez, które zostały przetestowane w ramach pierwszego sprintu.

Hipoteza główna

Zwiększenie przejrzystości karty produktu miało zwiększyć liczbę użytkowników przechodzących do koszyka. W wersji wyjściowej kluczowe informacje (cena, wybór rozmiaru, CTA) były rozproszone i trudne do przetworzenia. W wersji testowej zostały one uporządkowane i wizualnie wyróżnione, co poprawiło czytelność strony.

Hipotezy poboczne

Aby lepiej zrozumieć wpływ poszczególnych elementów, przygotowano również zestaw hipotez szczegółowych:

• Opinie o produkcie – sprawdzono, czy ich obecność i umiejscowienie wpływa na decyzje zakupowe użytkowników,
• Komunikacja promocji – testowano, czy pokazanie procentowej obniżki ceny zwiększy konwersję,
• Informacje o dostępności i dostawie – analizowano wpływ dodatkowych komunikatów (np. infoboksy, dostawa do sklepu),
• Elementy informacyjne na karcie produktu – weryfikowano, czy uproszczenie widoku (np. usunięcie zbędnych informacji) poprawi przejrzystość i konwersję.

Zmiany były wdrażane w różnych wariantach i testowane w ramach eksperymentów A/B, co pozwoliło precyzyjnie ocenić wpływ każdego elementu na zachowanie użytkowników.

Dzięki wykorzystaniu technologii Swiftswap cały proces kodowania trwał zaledwie kilka dni i nie wymagał angażowania zespołu IT po stronie klienta.

Efekty

Wdrożone działania przyniosły wymierne rezultaty:

• 8% wzrost współczynnika konwersji w jednym sprincie,
• skrócenie czasu wdrożeń do około 5 tygodni (od analizy do wyników),
• brak konieczności angażowania zespołu IT po stronie klienta,
• możliwość szybkiego testowania i iteracji kolejnych hipotez.

Dodatkowo uzyskano wiedzę na temat wpływu poszczególnych elementów UX na decyzje użytkowników – część hipotez została odrzucona, co pozwoliło uniknąć błędnych wdrożeń w przyszłości.

Podsumowanie

Case study 4F pokazuje, że optymalizacja konwersji w dużych organizacjach nie musi być blokowana przez ograniczenia IT. Dzięki pracy na danych, szybkim sprintom i odpowiedniej technologii możliwe jest systematyczne zwiększanie konwersji oraz przychodów bez zwiększania budżetów marketingowych.

The post 4F – 8% wzrost współczynnika konwersji w 5 tygodni first appeared on Conversion.

Branża: Platforma medyczna
Klient: House-Med S.A. (Kraków, Polska)
Strona: www.upacjenta.pl

Punkt wyjścia

W dojrzałym marketingu dane nie mogą być „w przybliżeniu poprawne”. Muszą być wystarczająco precyzyjne, by dało się na nich oprzeć decyzje dotyczące budżetu, efektywności kanałów i wzrostu.

Właśnie z takim wyzwaniem zmierzył się upacjenta.pl – dynamicznie rozwijający się serwis z obszaru medycznego i e-commerce, działający w środowisku, w którym kluczowe znaczenie mają zarówno jakość pomiaru, jak i kontrola nad prywatnością danych.

Dotychczasowy model śledzenia opierał się na klasycznym podejściu client-side. W praktyce oznaczało to rosnącą podatność na blokowanie przez przeglądarki, adblocki i mechanizmy ochrony prywatności.

Efekt był prosty: część danych nie docierała do narzędzi analitycznych, a część traciła swoją wartość przez błędy atrybucji i niespójność sesji.

Dlatego celem projektu nie było wyłącznie wdrożenie nowej technologii, ale przede wszystkim przywrócenie wiarygodności danych i zbudowanie pomiaru gotowego na współczesne realia digitalu.

Wyzwania

Przed wdrożeniem zidentyfikowaliśmy kilka problemów, które bezpośrednio wpływały na jakość analityki i skuteczność działań marketingowych.

Znacząca część zdarzeń była blokowana po stronie przeglądarki, co ograniczało widoczność konwersji w GA4. Jednocześnie aż 22% sesji trafiało do kategorii (not set), co istotnie utrudniało ocenę, które kanały marketingowe realnie generują wartość.

Dodatkowym problemem było zrywanie sesji i zaburzone łączenie ścieżek użytkownika – m.in. na styku zgód CMP, architektury SPA oraz działania zewnętrznych narzędzi. W efekcie raportowanie nie zawsze odzwierciedlało rzeczywiste zachowanie użytkowników.

W środowisku medycznym równie ważny był aspekt compliance. Klient potrzebował większej kontroli nad tym, jakie dane opuszczają jego ekosystem i w jakiej formie trafiają do zewnętrznych platform.

Nasze podejście

Zaprojektowaliśmy i wdrożyliśmy architekturę server-side Google Tag Manager, która przejęła kluczowe elementy pomiaru, atrybucji i kontroli danych.

Zakres prac objął:

• migrację tagów Google Ads do kontenera serwerowego,
• uruchomienie modelu hybrydowego dla Meta i TikToka: pixel + Conversion API z pełną deduplikacją zdarzeń,
• przygotowanie infrastruktury pod przyszłą optymalizację kampanii w oparciu o marżę, a nie wyłącznie przychód.

To podejście pozwoliło nie tylko uszczelnić pomiar, ale też zbudować architekturę, która daje klientowi większą niezależność od ograniczeń przeglądarek i platform.

Projekt był realizowany w elastycznym modelu współpracy, dopasowanym do organizacji i potrzeb klienta. Część działań była realizowana po naszej stronie, a część po stronie upacjenta.pl.

To pokazuje, że potrafimy prowadzić wdrożenia zarówno kompleksowo, jak i w modelu partnerskim, ściśle współpracując z zespołem klienta.

Efekty

Analiza danych z okresu testowego pokazała wyraźną poprawę jakości pomiaru i atrybucji.

Odzyskane transakcje

W modelu server-side raportowanie transakcji było wyższe o od 1% do 14% dziennie względem wcześniejszego modelu client-side.

Naprawiona atrybucja

Udział ruchu Google / organic wzrósł z 46% do 61%, co pokazało, że wcześniejszy model nie odzwierciedlał w pełni rzeczywistego źródła wizyt.

Stabilniejsze sesje

Liczba raportowanych sesji spadła o 2–4%, co było pozytywnym sygnałem – oznaczało lepsze łączenie hitów w ramach jednej wizyty i eliminację sztucznych resetów sesji.

Czystszy model pomiarowy

Odsetek sesji bez zdarzenia session_start spadł do 0,2–0,5%, co potwierdziło poprawę w obszarze session stitching i spójności danych.

Co ten projekt zmienił biznesowo?

Największą wartością tego wdrożenia nie była sama zmiana technologii. Kluczowe było to, że upacjenta.pl odzyskało większą kontrolę, większą precyzję i większe zaufanie do danych.

Dzięki temu:

• raportowanie sprzedaży lepiej odzwierciedla rzeczywistość,
• atrybucja daje solidniejszą podstawę do decyzji mediowych,
• systemy reklamowe mogą uczyć się na pełniejszych danych konwersyjnych,
• klient ma większą kontrolę nad prywatnością i zakresem przekazywanych informacji,
• architektura analityczna jest gotowa na dalszy rozwój.

W praktyce oznacza to nie tylko lepszy pomiar „tu i teraz”, ale również gotowość do bardziej zaawansowanych scenariuszy optymalizacji i aktywacji danych.

Fundament pod kolejne etapy rozwoju

Wdrożenie server-side GTM stworzyło bazę pod dalsze inicjatywy z obszaru data-driven growth.

Ta architektura otwiera drogę do:

• optymalizacji kampanii w oparciu o marżę,
• personalizacji doświadczenia użytkownika w czasie rzeczywistym,
• budowy modeli predykcyjnych, takich jak pLTV.

To właśnie dlatego patrzymy na server-side tracking nie jak na pojedyncze wdrożenie techniczne, ale jak na element infrastruktury wzrostu.

Podsumowanie

Ten projekt pokazał, że problemy z jakością danych bardzo często nie wynikają z braku ruchu czy słabszych kampanii, ale z ograniczeń samego modelu pomiarowego.

W przypadku upacjenta.pl przejście na server-side GTM pozwoliło odzyskać część utraconych danych sprzedażowych, uporządkować atrybucję i zbudować znacznie bardziej odporną architekturę analityczną.

Bo kiedy dane stają się dokładniejsze, marketing może działać pewniej. A kiedy pomiar zaczyna nadążać za biznesem, łatwiej skalować to, co naprawdę działa.

The post uPacjenta.pl – Jak uPacjenta.pl odzyskało utracone dane sprzedażowe dzięki Server-side GTM? first appeared on Conversion.

Branża: E-commerce
Klient: Limango Polska (Wrocław, Polska)
Strona: www.limango.pl

Punkt wyjścia

Limango to internetowy klub zakupowy oraz outlet dla kobiet i młodych rodzin, oferujący produkty renomowanych marek nawet do 80% taniej. Dynamiczny rozwój biznesu oraz rosnąca liczba źródeł danych sprawiły, że kluczowe stało się uporządkowanie analityki i dostosowanie jej do potrzeb organizacji.

Celem współpracy była budowa analityki internetowej poprzez rozwój w trzech obszarach: narzędzi, procesów oraz kompetencji zespołu, tak aby dane mogły realnie wspierać decyzje biznesowe.

Wyzwania

Budowa analityki w Limango obejmowała pięć kluczowych obszarów, które bezpośrednio wpływały na jakość danych, tempo wdrożeń oraz zdolność organizacji do podejmowania decyzji w oparciu o dane.

1. Poprawność danych

 
Podstawą analiz są poprawne dane – bez nich nie jest możliwe wyciąganie trafnych wniosków. W Limango konieczne było przeprowadzenie kompleksowego audytu danych obejmującego cały proces zakupowy – od logowania, przez złożenie zamówienia, aż po jego realizację i dane finansowe.

Wymagało to współpracy wielu działów (IT, marketing, sourcing, logistyka, księgowość) oraz rewizji rozwiązań technologicznych i definicji danych. Już na tym etapie identyfikowano problemy, które później stały się impulsem do optymalizacji konwersji.

2. Niezależność analityki od IT

 
Każda zmiana w obszarze analityki wymagała zaangażowania działu IT. Nawet drobne wdrożenia trafiały do kolejki developmentu, co powodowało opóźnienia i brak elastyczności.

IT stawało się wąskim gardłem procesu, a utrzymanie kodów trackingowych w dynamicznym środowisku było coraz trudniejsze. Konieczne było uniezależnienie analityki od IT i przeniesienie części odpowiedzialności do zespołu analitycznego.

3. Usprawnienie procesu wdrożeń

 
Szybki rozwój firmy wymagał uporządkowania procesu wdrażania zmian. Projekty trafiające do IT nie zawsze były odpowiednio zdefiniowane i priorytetyzowane.

Wprowadzono rolę analityka biznesowego jako „filtra” pomysłów – osoby odpowiedzialnej za ocenę wpływu projektów na KPI oraz ich złożoności. Celem było zapewnienie, że każdy projekt jest zgodny z podejściem SMART i posiada jasno określone mierniki sukcesu.

4. Mierzenie efektów działań

 
Organizacja potrzebowała sposobu na rzetelne mierzenie efektów działań marketingowych i produktowych. Wyzwanie polegało na dostarczeniu danych w sposób użyteczny dla różnych interesariuszy – od zarządu po zespoły operacyjne – bez przeciążania ich nadmiarem informacji.

Konieczne było połączenie danych z Google Analytics z danymi sprzedażowymi oraz stworzenie dashboardów umożliwiających samodzielną analizę.

5. Spójność danych w środowisku wielodomenowym

 
Rozwój biznesu (m.in. uruchomienie outlet.limango.pl) wprowadził dodatkową złożoność analityczną. Brak śledzenia między domenami powodował utratę ciągłości danych oraz błędną atrybucję źródeł ruchu.

Konieczne było wdrożenie rozwiązań pozwalających analizować cały biznes jako jeden ekosystem, przy jednoczesnym zachowaniu możliwości analizy poszczególnych części.

Nasze podejście

Współpracę rozpoczęto od audytu obecnego stanu analityki oraz oceny dojrzałości organizacji przy użyciu modelu WAMM. Następnie przeprowadzono warsztaty KPI, które pozwoliły zdefiniować kluczowe wskaźniki biznesowe oraz przypisać odpowiedzialności w organizacji.

Równolegle wdrożono działania w trzech obszarach:

• narzędzia: audyt i konfiguracja Google Analytics oraz wdrożenie Google Tag Managera wraz z DataLayer,
• procesy: zaprojektowanie procesu ciągłej analizy danych (zbieranie danych → hipotezy → rekomendacje → wdrożenia),
• ludzie: wsparcie w budowie zespołu analitycznego oraz rozwój kompetencji w organizacji.

Dodatkowo wdrożono rozwiązania takie jak dashboardy managerskie, integracja danych z CRM oraz śledzenie międzydomenowe, które pozwoliły mierzyć biznes jako całość.

Efekty

Wdrożone działania przyniosły wymierne rezultaty:

• nawet 50% wzrost współczynnika konwersji w wybranych obszarach (np. dzięki optymalizacji porzuconych zamówień),
• zapewnienie wysokiej jakości, poprawności i kompletności danych,
• stworzenie samodzielnego działu analityki w organizacji,
• uniezależnienie analityki od działu IT dzięki wdrożeniu Google Tag Managera,
• usprawnienie procesów wdrożeniowych i generowanie oszczędności,
• uruchomienie ciągłego procesu mierzenia sukcesu dzięki dashboardom i integracji danych,
• możliwość reagowania na zmiany w biznesie dzięki pełnemu śledzeniu między domenami.

Opinia Limango na temat przeprowadzonego projektu

CEO Limango, Martin Solarski, podkreśla, że współpraca z Conversion nie tylko rozwinęła analitykę internetową, ale też zapoczątkowała zmiany w trzech kluczowych obszarach: narzędziach, procesach i ludziach.

Podsumowanie

Case study Limango pokazuje, że skuteczna analityka internetowa to połączenie narzędzi, procesów i kompetencji zespołu.

Dzięki uporządkowaniu danych, wdrożeniu odpowiednich rozwiązań oraz budowie kultury analitycznej organizacja może podejmować decyzje biznesowe w oparciu o wiarygodne dane i systematycznie zwiększać wyniki.

The post Limango – 50% wzrost współczynnika konwersji dzięki pracy na danych first appeared on Conversion.

Branża: Beauty
Klient: Hairstore (Szczecin, Polska)
Strona: www.hairstore.pl

Punkt wyjścia

Hairstore.pl to jeden z największych sklepów fryzjerskich w Polsce, oferujący produkty do pielęgnacji, koloryzacji i stylizacji włosów oraz akcesoria i meble fryzjerskie. Sklep generował już znaczący wolumen zamówień i cieszył się rozpoznawalnością w branży.

Mimo skutecznych działań marketingowych zespół Hairstore widział potencjał w dalszej optymalizacji współczynnika konwersji (CR) oraz średniej wartości zamówienia (AOV). Celem współpracy było przeprowadzenie zaplanowanych działań optymalizacyjnych, które realnie przełożą się na wzrost przychodów.

Wyzwania

Najważniejsze wyzwania obejmowały:

• potrzebę zwiększenia przychodów poprzez podniesienie CR i AOV,
• wybór między budową zespołu in-house a współpracą z zewnętrzną agencją,
• konieczność realizacji projektu bez nadmiernego angażowania CEO i zespołu,
• brak chęci obciążania własnych zasobów IT.

Klient oczekiwał skutecznych działań, gwarantowanych rezultatów oraz sprawnego procesu wdrażania zmian.

Nasze podejście

Współpracę rozpoczęliśmy od pogłębionych badań obejmujących analizę danych, analizę segmentacyjną, analizę konkurencji, badania użyteczności oraz ankiety wśród klientów. Na tej podstawie zidentyfikowaliśmy obszary o największym potencjale wzrostu.

W ramach projektu przetestowano łącznie 58 wariantów różnych podstron – zarówno w wersji mobilnej, jak i desktopowej. Optymalizacji poddano kluczowe elementy user experience:

• stronę główną,
• karty produktowe,
• koszyk,
• proces składania zamówienia (checkout).

Jednym z elementów, który istotnie wpłynął na wyniki, było wypracowanie silniejszego USP, opartego na analizie konkurencji oraz informacji zwrotnej od klientów. Wdrożono także mechanizm rekomendujący zakup zamiennika o wyższej wartości, co pozwoliło zwiększyć średnią wartość zamówienia.

Całość realizowana była w modelu, który nie angażował IT po stronie klienta.

Efekty

Dzięki przeprowadzonym działaniom Hairstore.pl osiągnęło:

• 26% wzrost przychodów, wynikający z podniesienia współczynnika konwersji oraz średniej wartości zamówienia,
• ROI na poziomie 195%,
• brak konieczności angażowania IT po stronie klienta,
• brak dodatkowych inwestycji w marketing.

Projekt przełożył się również na znaczną poprawę user experience oraz bardziej świadome podejmowanie decyzji optymalizacyjnych.

Opinia Hairstore.pl na temat przeprowadzonego projektu

Zdaniem Hairstore, zespół Conversion nie tylko sprostał oczekiwaniom ale zdecydowanie je przewyższył.

Jak mówi CEO Hairstore, Piotr Kościuszczyk: „Świetna współpraca. Mieliśmy konkretne oczekiwania i potrzeby, którym zespół Conversion nie tylko sprostał, ale i je przewyższył. Wyniki mówią same za siebie, wzrosty w perspektywie już kilku miesięcy były naprawdę imponujące.”

Podsumowanie

Przeprowadzony projekt dla Hairstore.pl pokazuje, że nawet dobrze prosperujący sklep internetowy może znacząco zwiększyć przychody dzięki systematycznej optymalizacji konwersji.

Oparcie działań na danych, testach A/B oraz sprawdzonym procesie pozwoliło osiągnąć 26% wzrost przychodów i 195% ROI, bez angażowania zasobów IT i bez zwiększania budżetu marketingowego.

The post Hairstore.pl – 26% wzrost przychodów i 195% ROI bez angażowania IT first appeared on Conversion.

Branża: Technika i elektronika
Klient: Conrad Electronic sp. z o.o. (Kraków, Polska)
Strona: www.conrad.pl

Punkt wyjścia

Conrad.pl jest globalnym dostawcą produktów z zakresu techniki i elektroniki, obecnym w ponad 150 krajach i oferującym produkty ponad 2000 światowych marek. Polski zespół odpowiada za rozwój witryn w regionie Europy Środkowej i nieustannie testuje nowe rozwiązania zwiększające przychody generowane przez sklep internetowy.

Problemem były ograniczone moce deweloperskie centralnego IT, które obsługiwało wiele rynków i równolegle prowadziło duży redesign. W praktyce oznaczało to, że większość pomysłów na rozwój witryny trafiała do długiej kolejki wdrożeń. Średni czas implementacji średniej wielkości zmiany wynosił około 12 tygodni, a efekty nigdy nie były gwarantowane.

Wyzwania

Najważniejsze wyzwania obejmowały:

• długi czas wdrażania zmian wymagających zaangażowania IT,
• brak pewności, czy implementowane rozwiązania przyniosą realny wzrost konwersji,
• konieczność szybkiego testowania i weryfikowania pomysłów rozwojowych,
• potrzebę zwiększenia przychodów bez dodatkowych inwestycji w marketing.

Zespół marketingu Conrad.pl szukał rozwiązania, które pozwoliłoby przyspieszyć rozwój sklepu i testować zmiany bez obciążania działu IT.

Nasze podejście

Współpracę rozpoczęliśmy od weryfikacji poprawności zbierania danych oraz analizy ilościowej i jakościowej. Na tej podstawie zidentyfikowaliśmy obszary o największym potencjale wzrostu współczynnika konwersji.

Projekt został zrealizowany w oparciu o dedykowane rozwiązanie, które umożliwia wdrażanie zmian bezpośrednio po stronie użytkownika, bez konieczności angażowania IT. Skrypt został wdrożony przez IT Conrad w około 30 minut, a dalsze prace realizowane były już w całości po stronie Conversion.

W ciągu tygodnia przygotowano makiety i projekty graficzne. W kolejnym etapie zakodowano cztery wersje alternatywne pod test A/B, który trwał dwa tygodnie. Po zakończeniu testu przeprowadzono szczegółową analizę wpływu każdej hipotezy na efektywność witryny.

Testowane hipotezy obejmowały:

• podkreślenie Unique Selling Proposition (USP),
• uporządkowanie sekcji dodawania produktu do koszyka na karcie produktu,
• dodanie komunikacji o bezpieczeństwie zakupów,
• zmianę układu strony logowania w procesie zakupowym.

Efekty

Trzy z czterech testowanych hipotez przyniosły wzrost współczynnika konwersji:

• podkreślenie USP – wzrost o 12%,
• uporządkowanie informacji na karcie produktu – wzrost o 21%,
• dodanie komunikacji o bezpieczeństwie – wzrost o 11%.

Najlepsza wersja przyniosła 21% wzrost współczynnika konwersji.

Przy niezmienionym poziomie ruchu oraz stałej średniej wartości zamówienia oznacza to dodatkowe przychody już w pierwszym miesiącu — bez dodatkowych inwestycji w marketing i bez angażowania zasobów IT.

Cały cykl – od pomysłu, przez projekt, wdrożenie, test A/B aż po analizę – został zrealizowany w 5 tygodni.

Opinia Conrad.pl na temat przeprowadzonego projektu

Zdaniem zespołu Conrad.pl, Conversion dotrzymał obietnicy, przejmując całą pracę, a efekty współpracy przerosły ich oczekiwania.

Podsumowanie

Case study Conrad.pl pokazuje, że szybkie testowanie i wdrażanie zmian w ecommerce jest możliwe bez angażowania działu IT.

Dzięki pracy na danych, sprawdzonemu procesowi oraz technologii, udało się w 5 tygodni wypracować rozwiązanie, które zwiększyło współczynnik konwersji o 21% i wygenerowało dodatkowe przychody bez zwiększania budżetu marketingowego.

The post Conrad.pl – 21% wzrost współczynnika konwersji w 5 tygodni bez angażowania IT first appeared on Conversion.

Branża: E-commerce
Klient: Kratki.pl Marek Bal (Polska)
Strona: www.kratki.com

Punkt wyjścia

Kratki.com rozwijało swój sklep internetowy w oparciu o Magento 2.0, z frontendem opartym o technologię PWA (Progressive Web App). W momencie wdrożenia nowego rozwiązania firma potrzebowała poprawnie skonfigurowanej analityki Google Analytics, która pozwoliłaby mierzyć pełną ścieżkę zakupową oraz skuteczność działań marketingowych.

Problem polegał na tym, że w wyniku błędu we wtyczce do Google Tag Managera oraz specyfiki PWA firma traciła dane o co najmniej 10% użytkowników (a w niektórych przypadkach nawet do 70%). Zgodność danych po pierwszej implementacji wynosiła zaledwie około 30%.

Analityka opierała się głównie na Google Ads i Google Analytics, a wykorzystywane metryki ograniczały się przede wszystkim do liczby sesji i nowych użytkowników. Takie podejście było niewystarczające do świadomego zarządzania budżetami SEO i PPC, szczególnie przy ruchu pochodzącym z ponad 12 źródeł oraz sprzedaży prowadzonej na 21 rynkach.

Wyzwania

Najważniejsze wyzwania obejmowały:

• utratę części danych użytkowników w wyniku implementacji PWA,
• brak poprawnie skonfigurowanego śledzenia pełnej ścieżki zakupowej,
• konieczność rozdzielenia ruchu B2B i B2C,
• potrzebę zachowania spójności danych sprzedażowych (waluty, wersje językowe, lokalizacja),
• wybór odpowiedniego modelu atrybucji przy ruchu z wielu źródeł.

Dodatkowym wyzwaniem była migracja do Magento 2.0 oraz integracja analityki z ERP, który stanowił centralne źródło informacji o produktach.

Nasze podejście

Współpracę rozpoczęliśmy od warsztatu biznesowego z udziałem wszystkich kluczowych interesariuszy. Celem było zrozumienie procesów, potrzeb oraz celów biznesowych, a także określenie, jakie dane powinny być dostępne w docelowym ekosystemie analitycznym.

Kolejnym krokiem był szczegółowy audyt dotychczasowej konfiguracji Google Analytics oraz przygotowanie kompleksowego planu tagowania. Dokumentacja obejmowała instrukcje wdrożeniowe, uzgodnienia projektowe oraz przyszłościowe potrzeby raportowe.

Wdrożenie zostało podzielone na sprinty i realizowane etapami według trzystopniowej skali priorytetów. Takie podejście pozwoliło szybko uzyskać pierwsze dane oraz równolegle identyfikować i rozwiązywać problemy związane z technologią PWA.

Oprócz implementacji GA zoptymalizowaliśmy również inne kluczowe kody śledzące, m.in. Google Ads, Ceneo, Hotjar, Piksel Facebook, Pinterest oraz TikTok, aby zapewnić pełniejszy obraz zachowań użytkowników.

Efekty

Wdrożenie nowej architektury analitycznej pozwoliło:

• uszczelnić śledzenie w środowisku PWA i znacząco ograniczyć utratę danych,
• osiągnąć realną zgodność danych użytkowników,
• poprawnie mierzyć pełną ścieżkę zakupową,
• rozdzielić ruch B2B i B2C,
• uzyskać dedykowane widoki dla wszystkich wersji językowych sklepu,
• podejmować decyzje budżetowe w oparciu o wiarygodne dane sprzedażowe i behawioralne.

Dzięki uporządkowanej analityce Kratki.com zyskało przejrzysty wgląd w skuteczność działań marketingowych oraz możliwość świadomego skalowania sprzedaży na kolejnych rynkach.

Opinia Kratki.com na temat przeprowadzonego projektu

Zdaniem Kratki.com współpraca dała im pewność wchodzenia na nowe rynki oraz umożliwiła podejmowanie decyzji w oparciu o rzetelne, rzeczywiste dane.

Podsumowanie

Case study Kratki.com pokazuje, jak duży wpływ na jakość danych ma technologia PWA oraz sposób implementacji narzędzi analitycznych.

Kompleksowy audyt, przemyślany plan tagowania oraz iteracyjne wdrożenie pozwoliły odzyskać kontrolę nad danymi i oprzeć rozwój e-commerce na wiarygodnej analityce.

The post Kratki.com – Uszczelnienie śledzenia w PWA i odzyskanie nawet 70% utraconych danych first appeared on Conversion.

Branża: Platforma medyczna
Klient: House-Med S.A. (Kraków, Polska)
Strona: www.upacjenta.pl

Punkt wyjścia

uPacjenta to platforma medyczna umożliwiająca zamawianie badań diagnostycznych. W ramach współpracy w modelu opieki analitycznej klient rozwijał analitykę i raportowanie, przechodząc od podstawowych danych do bardziej zaawansowanych analiz ścieżek użytkownika.

W trakcie analizy danych zespół zauważył istotny problem na końcowym etapie ścieżki zakupowej, który bezpośrednio wpływał na poziom konwersji.

Wyzwania

Kluczowym wyzwaniem było zidentyfikowanie przyczyny utraty użytkowników na ostatnim etapie procesu zakupowego.

Analiza wykazała, że aż 25% sesji zatrzymywało się na etapie wyboru terminu wykonania usługi, czyli tuż przed przejściem do płatności. Mimo że był to ostatni krok w procesie, znaczna część użytkowników nie finalizowała zamówienia.

Brakowało jednak danych, które pozwoliłyby dokładnie zrozumieć przyczyny tego zjawiska oraz wskazać konkretne obszary wymagające optymalizacji.

Nasze podejście

W ramach współpracy uzupełniliśmy śledzenie o dodatkowe informacje, takie jak dostępność terminów wykonania usługi czy typ pacjenta.

Następnie przygotowaliśmy dedykowany dashboard managerski, który umożliwiał analizę procesu wyboru terminu w różnych przekrojach, m.in.:

• miasta,
• dnia tygodnia,
• typu pacjenta,
• liczby dostępnych terminów.

Dzięki temu możliwe było precyzyjne zidentyfikowanie miejsc, w których użytkownicy napotykają problemy i rezygnują z dalszego procesu.

Działania były możliwe dzięki modelowi opieki analitycznej, który zakłada:

• bieżące rozumienie biznesu i reagowanie na pojawiające się wyzwania,
• regularną współpracę i wymianę wiedzy,
• rozwój kompetencji zespołu klienta w zakresie analityki.

Efekty

Wdrożenie dashboardu managerskiego pozwoliło:

• uzyskać pełny kontekst konwersji na etapie wyboru terminu,
• zidentyfikować obszary o ograniczonej dostępności terminów,
• zaplanować działania operacyjne, w tym rozszerzenie zakresu usług i rekrutację w konkretnych regionach,
• podejmować decyzje biznesowe w oparciu o dane.

Efektem było lepsze dopasowanie oferty do potrzeb użytkowników oraz zwiększenie dostępności terminów, co bezpośrednio wpływa na poprawę konwersji.

Opinia uPacjenta.pl na temat przeprowadzonego projektu

Według zespołu uPacjenta.pl współpraca z Conversion pozwoliła rozwinąć analitykę z poziomu podstawowego do w pełni zaawansowanego.

Podsumowanie

Case study uPacjenta pokazuje, jak odpowiednio zaprojektowane dashboardy managerskie mogą ujawnić krytyczne problemy w procesie zakupowym.

Dzięki rozszerzeniu śledzenia i pracy na danych możliwe było zidentyfikowanie wąskiego gardła oraz wdrożenie działań operacyjnych, które poprawiają dostępność usług i wspierają wzrost konwersji.

The post uPacjenta.pl – Identyfikacja wąskich gardeł dzięki dashboardom managerskim: aż 25% porzuceń na etapie płatności first appeared on Conversion.

Branża: Sklep elektroniczny
Klient: Botland (Bralin, Polska)
Strona: www.botland.com.pl

Punkt wyjścia

Botland to sklep internetowy specjalizujący się w sprzedaży elektroniki i komponentów. Dla zespołu kluczowe było wiarygodne mierzenie sprzedaży w Google Analytics 4 oraz poprawna atrybucja transakcji do sesji i źródeł ruchu, tak aby decyzje marketingowe mogły opierać się na rzetelnych danych.

W trakcie współpracy okazało się, że obecny sposób rejestrowania transakcji znacząco obniża jakość danych analitycznych, szczególnie w kontekście atrybucji.

Wyzwania

Analiza wykazała, że transakcje były rejestrowane w sposób mieszany:

• część zdarzeń była wywoływana na stronie podziękowania („thank you page”),
• część transakcji była dodatkowo dosyłana z backendu za pomocą Measurement Protocol.

Taka implementacja powodowała, że znaczna część zdarzeń sprzedażowych nie była poprawnie łączona z kontekstem sesji użytkownika. W praktyce około 50% transakcji traciło informację o źródle wizyty.

W danych GA4 przekładało się to na wysoki udział transakcji oznaczonych jako „(not set)”, który sięgał 21% wszystkich konwersji. Przy takiej skali problemu jakość atrybucji była niewystarczająca do wiarygodnej oceny skuteczności kanałów i kampanii, co utrudniało podejmowanie decyzji budżetowych oraz optymalizację działań marketingowych.

Nasze podejście

Aby poprawić jakość danych, zdecydowaliśmy się na zmianę momentu rejestrowania zdarzenia „purchase”. Zamiast wysyłania go na stronie „thank you page”, zdarzenie zaczęło być rejestrowane w momencie przejścia użytkownika do bramki płatniczej.

Takie podejście pozwoliło:

• zwiększyć liczbę transakcji rejestrowanych bezpośrednio przez GA4,
• poprawnie przypisać transakcje do sesji oraz źródła ruchu,
• znacząco ograniczyć skalę problemu transakcji bez przypisanego źródła („not set”).

Efekty

Wdrożone zmiany przyniosły wyraźną poprawę jakości danych:

• udział transakcji wysyłanych z przeglądarki wzrósł z 68% do 98%,
• liczba transakcji rejestrowanych z warstwy frontendu wzrosła o 30%,
• odsetek transakcji oznaczonych jako „(not set)” spadł z 21% do 10%, czyli o 11 punktów procentowych,
• poprawiła się wiarygodność atrybucji i oceny skuteczności kanałów oraz kampanii.

Co istotne, poprawa jakości danych nie odbyła się kosztem kompletności pomiaru. Całkowite pokrycie transakcji w GA4 utrzymało się na poziomie 75%, a rozkład pokrycia według metod płatności pozostał bez zmian. Oznacza to lepsze dane bez kompromisów w zakresie zasięgu rejestrowanych transakcji.

Opinia na temat współpracy Botland.com.pl z Conversion

Dzięki wprowadzonym zmianom Botland zyskał stabilne i spójne dane sprzedażowe w GA4. Poprawiona atrybucja pozwala obecnie na znacznie bardziej wiarygodną ocenę skuteczności kanałów marketingowych oraz podejmowanie decyzji budżetowych w oparciu o „czyste” dane.

Podsumowanie

Współpraca z Botland pokazuje, jak duży wpływ na jakość danych analitycznych ma sposób implementacji zdarzeń sprzedażowych. Zmiana momentu rejestrowania transakcji pozwoliła znacząco poprawić atrybucję i wiarygodność raportów, przy jednoczesnym zachowaniu tego samego poziomu pokrycia transakcji w GA4.

The post Botland.com.pl – 30% więcej transakcji z frontendu i spadek „(not set)” z 21% do 10% first appeared on Conversion.

Branża: Serwis rekrutacyjny
Klient: Grupa Pracuj S.A. (Warszawa, Polska)
Strona: www.pracuj.pl

Punkt wyjścia

Pracuj.pl to największy serwis rekrutacyjny w Polsce, w którym analityka danych odgrywa kluczową rolę w rozwoju produktów, e-commerce oraz działań B2C i B2B. Od lat współpracujemy z klientem w modelu opieki analitycznej, który zakłada stałe wsparcie zarówno w obszarze technicznym, jak i strategicznym.

Taki model współpracy wymaga elastyczności, szybkiego reagowania oraz zdolności łączenia celów biznesowych z zaawansowaną analityką. Naszym zadaniem było zapewnienie ciągłości działań analitycznych i przejęcie odpowiedzialności za cały ekosystem: od GTM, przez GA4, po procesy i rekomendacje wspierające decyzje biznesowe.

Wyzwania

Współpraca w modelu opieki analitycznej odbywa się w dynamicznym środowisku, w którym potrzeby biznesowe często się zmieniają, a zgłoszenia wymagają szybkiej reakcji.

Najważniejsze wyzwania obejmowały:

• wielu interesariuszy po stronie klienta (Ecommerce, Product, B2C, B2B) i konieczność stałej priorytetyzacji zadań,
• szeroki zakres współpracy obejmujący zarówno warstwę techniczną, jak i strategiczną w całym ekosystemie analitycznym,
• dużą liczbę wdrożeń oraz pilnych zgłoszeń typu „asap”.

Kluczowe było wypracowanie procesu, który pozwoli utrzymać tempo prac, jakość danych oraz terminowość realizacji.

Nasze podejście

Pracę oparliśmy na sprawdzonych zasadach, które pozwalają zachować wysoką jakość i przewidywalność działań. Dzięki wieloletniej współpracy bardzo dobrze znamy kontekst biznesowy klienta oraz specyfikę techniczną jego systemów.

Za bieżącą realizację odpowiada zespół kilku analityków, a w razie potrzeby korzystamy ze wsparcia ad hoc innych specjalistów. Przepływ zadań porządkujemy w Jirze, co zapewnia transparentność i jasny ownership.

Co dwa tygodnie wspólnie z interesariuszami porządkujemy backlog pod kątem terminów, złożoności oraz wpływu na wyniki biznesowe. Każde zadanie posiada „ownera” po stronie klienta, a dobra znajomość niestandardowej architektury GTM oraz GA4 pozwala skrócić czas potrzebny na diagnozę i wdrożenia.

Efekty

Dzięki uporządkowaniu procesów i jasno zdefiniowanym zasadom współpracy udało się osiągnąć wymierne efekty:

• regularna i terminowa realizacja ticketów,
• eliminacja opóźnień dzięki jasnemu ownershipowi zadań,
• uporządkowany ekosystem analityczny,
• przejrzysta struktura GTM i GA4,
• zauważalna poprawa jakości danych,
• usprawniona komunikacja pomiędzy zespołami (Ecommerce, Product, B2C, B2B),
• krótszy czas ustaleń i mniejsza liczba zwrotek,
• szybsza reakcja na priorytety biznesowe.

W skrócie, efektem prac była lepsza jakość danych, która przełożyła się na pewniejsze decyzje oraz mierzalny wzrost wyników.

Opinia Pracuj.pl na temat przeprowadzonego projektu

Zdaniem Pracuj.pl, współpraca w ramach opieki analitycznej przełożyła się przede wszystkim na pewniejsze decyzje biznesowe i mierzalny wzrost wyników.

Podsumowanie

Współpraca z Pracuj.pl pokazuje, jak w praktyce wygląda opieka analityczna przy dużej organizacji i wielu interesariuszach.

Stałe wsparcie, jasne procesy oraz bieżąca priorytetyzacja pozwalają skutecznie odpowiadać na potrzeby biznesowe i utrzymywać wysoką jakość danych analitycznych.

The post Pracuj.pl – Uporządkowanie analityki (GA4 + GTM) dla największego serwisu rekrutacyjnego w Polsce first appeared on Conversion.

Branża: Sprzęt komputerowy
Klient: X-kom (Warszawa, Polska)
Strona: www.x-kom.pl

Punkt wyjścia

X-kom to jedna z najbardziej rozpoznawalnych marek e-commerce w Polsce, łącząca sprzedaż online z siecią sklepów stacjonarnych. Skala działalności oraz intensywne działania marketingowe sprawiają, że jakość danych analitycznych ma bezpośredni wpływ na podejmowane decyzje biznesowe.

W momencie rozpoczęcia współpracy zespół X-kom przygotowywał się do uruchomienia kampanii marketingowej, w której kluczowe znaczenie miała możliwość bieżącego monitorowania wyników i reagowania na zmiany w trakcie jej trwania. Warunkiem koniecznym była wysoka precyzja danych zbieranych w Google Analytics 4.

Klient zauważał jednak, że jakość danych eventowych może być obarczona błędami, które utrudniają rzetelną analizę skuteczności działań marketingowych. Potrzebne było szybkie i zdecydowane działanie.

Wyzwania

Główne wyzwania, z jakimi mierzył się zespół X-kom, obejmowały:

• konieczność poprawy jakości danych zbieranych w GA4 przed startem kampanii marketingowej,
• podejrzenie występowania błędów w konfiguracji Google Tag Managera,
• ograniczony czas na analizę i wdrożenie poprawek,
• potrzebę zachowania pełnej spójności danych w trakcie dynamicznych działań marketingowych.

Celem było szybkie zidentyfikowanie problemów oraz wdrożenie rekomendacji, które realnie wpłyną na wiarygodność danych.

Nasze podejście

Nasz zespół rozpoczął współpracę od kompleksowego audytu Google Analytics 4 oraz Google Tag Managera. W ramach prac sprawdziliśmy również poprawność wdrożenia Consent Mode, który ma istotny wpływ na sposób zbierania danych.

Analiza pozwoliła zidentyfikować trzy kluczowe problemy w konfiguracji GTM, które bezpośrednio wpływały na sposób zliczania eventów. Jednym z najważniejszych efektów tych błędów była duplikacja zdarzeń, zaburzająca obraz rzeczywistych zachowań użytkowników.

Wnioski z audytu zostały przez nas uporządkowane i sklasyfikowane pod względem ich istotności biznesowej. Dzięki temu mogliśmy skupić się w pierwszej kolejności na tych elementach, które miały największy wpływ na jakość danych.

Równolegle prowadziliśmy bieżącą komunikację z zespołem X-kom, dokładnie wyjaśniając zidentyfikowane problemy oraz rekomendowane zmiany. Pozwoliło to na szybkie wdrożenie poprawek po stronie klienta.

Efekty

Pierwsze rezultaty współpracy były widoczne bardzo szybko:

• eliminacja problemu zduplikowanych eventów,
• redukcja liczby eventów o 23%,
• zauważalna poprawa jakości danych już kilka dni po rozpoczęciu prac,
• większa precyzja danych wykorzystywanych do oceny skuteczności kampanii marketingowych.

Dzięki szybkiemu wdrożeniu rekomendacji zespół X-kom mógł w pełni skupić się na realizacji kampanii, mając pewność, że dane analityczne stanowią solidną podstawę do podejmowania decyzji.

Opinia X-kom.pl na temat przeprowadzonego projektu

Zdaniem X-kom nasz zespół wykazał się wysokim poziomem profesjonalizmu i sprawnością działania. Pierwsze wnioski z analizy oraz rekomendacje dotyczące poprawek zostały przekazane do X-kom’u już w ciągu 2 dni od uzyskania dostępu do audytowanych narzędzi.

Podsumowanie

Case study X-kom pokazuje, jak istotny wpływ na skuteczność działań marketingowych ma jakość danych analitycznych. Szybki audyt GA4 i GTM, precyzyjna identyfikacja problemów oraz sprawna komunikacja pozwoliły w krótkim czasie przywrócić spójność danych i wyeliminować duplikację eventów, bez ryzyka dla trwających działań biznesowych.

The post X-kom – 23% mniej eventów w Google Analytics dzięki audytowi GA4 i GTM first appeared on Conversion.

Branża: Telekomunikacja
Klient: Play (Warszawa, Polska)
Strona: www.play.pl

Punkt wyjścia

Play jest jednym z największych operatorów telekomunikacyjnych w Polsce, a działania marketingowe prowadzone na dużą skalę wymagają precyzyjnego i spójnego raportowania. W szczególności kluczowe było rzetelne mierzenie skuteczności kampanii Google Ads oraz jasne przypisywanie konwersji do odpowiednich punktów styku w ścieżce użytkownika.

Przed rozpoczęciem współpracy klient korzystał z autorskiego modelu atrybucji stworzonego w BigQuery.

Problem polegał jednak na tym, że model ten znacząco różnił się od modelu atrybucji działającego w GA4. W efekcie pojawiał się rozdźwięk pomiędzy danymi raportowanymi w GA4 a raportami opartymi o BigQuery, co utrudniało udowodnienie realnej skuteczności prowadzonych kampanii.

Dodatkowym wyzwaniem były bardzo wysokie koszty przetwarzania danych. Zapytania związane z modelem atrybucji generowały duży wolumen przetwarzanych danych w BigQuery, co bezpośrednio przekładało się na koszty po stronie klienta.

Wyzwania

Najważniejsze problemy, z jakimi mierzył się Play, można było podsumować w trzech punktach:

• brak spójności pomiędzy modelem atrybucji w GA4 a modelem opartym o BigQuery,
• trudność w jednoznacznym wykazaniu skuteczności kampanii Google Ads,
• bardzo wysokie koszty przetwarzania danych w BigQuery wynikające z dotychczasowych zapytań.

Kluczowym celem było więc stworzenie rozwiązania, które z jednej strony zapewni wiarygodne i porównywalne dane, a z drugiej znacząco zoptymalizuje koszty.

Nasze podejście

W ramach współpracy zaprojektowaliśmy i wdrożyliśmy nowy, autorski model atrybucji w BigQuery. Jego założeniem było jak najdokładniejsze odtworzenie modelu atrybucji data‑driven znanego z GA4.

Dzięki temu raporty oparte o dane z BigQuery zaczęły znacznie lepiej pokrywać się z wynikami widocznymi w GA4, co dało zespołowi Play większą pewność co do prezentowanych danych i wniosków biznesowych.

Równolegle skupiliśmy się na optymalizacji technicznej rozwiązania. Wdrożony przez nas mechanizm aktualizacji danych w tabelach opiera się na przetwarzaniu inkrementalnym – zmieniane są wyłącznie te dane, które faktycznie uległy zmianie w tabeli źródłowej. Do tego celu wykorzystaliśmy Dataform.

Przy okazji przygotowany kod tworzy dodatkowe tabele pomocnicze, które mogą być wykorzystywane w innych zapytaniach SQL. Pozwala to na dalsze ograniczanie kosztów przetwarzania danych w BigQuery bez utraty dokładności modelu.

Efekty

Wdrożenie nowego modelu atrybucji przyniosło wymierne rezultaty:

• redukcja wolumenu przetwarzanych danych w BigQuery aż o 90% dla zapytań związanych z modelem atrybucji,
• spójność raportów pomiędzy GA4 a BigQuery, co wyeliminowało wcześniejsze rozbieżności,
• możliwość raportowania danych za poprzedni dzień o kilka godzin wcześniej niż wcześniej,
• pełna modyfikowalność modelu pod niestandardowe potrzeby biznesowe.

Obecnie Play wykorzystuje customowy model atrybucji równolegle z modelem last click udostępnianym przez Google, co pozwala na jeszcze lepszą analizę danych i porównywanie wyników.

Opinia Play.pl na temat przeprowadzonego projektu

Zdaniem Play nasz zespół wykazał się wysokim poziomem profesjonalizmu i innowacyjności. Zastosowanie nowego podejścia do modelowania atrybucji pozwoliło zwiększyć wiarygodność raportów i obniżyć koszty.

Podsumowanie

Projekt dla Play pokazuje, że dobrze zaprojektowany model atrybucji to nie tylko dokładniejsze raportowanie, ale także realne oszczędności technologiczne.

Odtworzenie modelu data‑driven GA4 w BigQuery, połączone z inkrementalnym przetwarzaniem danych, pozwoliło jednocześnie zwiększyć wiarygodność danych i znacząco obniżyć koszty zapytań.

The post Play.pl – Redukcji kosztów zapytań o 90% dzięki odtworzeniu modelu atrybucji w BigQuery first appeared on Conversion.