Wdrożenie podejścia DataOps – jak ograniczyć wydatki?
Z czego wynikają koszty Google BigQuery?
Dlaczego raporty z domyślnego eksportu GA4 są drogie?
Jak obniżyć koszty analizy danych?
Efekty wdrożenia optymalizacji
Podsumowanie

Wdrożenie podejścia DataOps – jak ograniczyć wydatki?

Istnieje jednak skuteczne rozwiązanie. Wdrożenie podejścia DataOps oraz dedykowanego modelu danych pozwala znacząco ograniczyć te wydatki – nawet kilkusetkrotnie. Koszt korzystania z Google BigQuery to jedna z kluczowych kwestii, które warto uwzględnić podczas planowania infrastruktury analitycznej. Eksport danych z GA4 oraz obsługa raportów GA4 za pośrednictwem Google BigQuery mogą znacząco wpłynąć na wysokość wydatków związanych z analizą danych. W tym wpisie opisuję, z czego wynika koszt Google BigQuery, dlaczego eksport danych z GA4 i tworzenie raportów przez BigQuery potrafi generować wysokie koszty oraz jak skutecznie je obniżyć.

Z perspektywy biznesowej zrozumienie struktury kosztów Google BigQuery pozwala lepiej zarządzać wydatkami na utrzymanie infrastruktury analitycznej. W pierwszej części artykułu wyjaśniam, jakie czynniki mają wpływ na wysokość kosztów. W drugiej części przedstawiam praktyczne wskazówki, które pozwalają zoptymalizować wydatki związane z obsługą raportów w Google BigQuery.

Z czego wynikają koszty Google BigQuery?

Koszt Google BigQuery wynika przede wszystkim z ilości danych przetwarzanych podczas zapytań oraz przechowywania danych. Szczegółowe omówienie tych aspektów znajduje się poniżej. Koszty korzystania z Google BigQuery składają się z dwóch elementów: opłat za przechowywanie danych oraz opłat za wykonywanie obliczeń na tych danych. Na stronie z cennikiem można znaleźć informacje o dostępnych bezpłatnych limitach, jednak są one niewielkie. Wysokość opłat zależy od regionu, w którym dane są przechowywane, a także od ilości i zakresu przetwarzanych danych. Zazwyczaj koszt korzystania z BigQuery jest niski.

Dlaczego raporty z domyślnego eksportu GA4 są drogie?

Pojawia się jednak pytanie, dlaczego mimo niskich kosztów BigQuery, rachunki za wykorzystanie danych z Google Analytics 4 w raportach Looker Studio mogą być wysokie, zwłaszcza gdy Looker Studio jest połączone z Google BigQuery. Wynika to ze sposobu, w jaki zbudowane jest Google BigQuery. Dane są zorganizowane w strukturze zagnieżdżonych wartości, które trafiają do BigQuery na podstawie tzw. schematów danych. Struktury JSON różnią się od relacyjnych baz danych tym, że wszystkie informacje zapisane są w jednym wierszu, często w postaci zagnieżdżonej. W relacyjnych bazach danych dane są podzielone na oddzielne tabele, na przykład: zdarzenia, sesje, transakcje, produkty. Łączenie tych informacji następuje dopiero podczas tworzenia zapytania, gdzie dane z różnych tabel są łączone na podstawie relacji między nimi. Klucze umożliwiają powiązanie tabel, przykładowo: tabela z użytkownikami pozwala powiązać konkretnego użytkownika z transakcjami i sprawdzić, co kupił w danej transakcji. W kontekście analizy produktów, tablica z użytkownikami posiada klucz ID transakcji. Transakcje zawierają klucze ID produktów, dzięki czemu można pobierać szczegóły dotyczące tych produktów. W Google BigQuery wszystkie dane znajdują się w jednym wierszu. Szukając konkretnej informacji, należy przejść przez wszystkie kolumny danego wiersza, a nie tylko wybraną kolumnę.

 
Korzystając z domyślnego eksportu Google Analytics 4 do BigQuery, każdą kolumnę pliku JSON trzeba przeszukać, aby znaleźć konkretną informację, na przykład Page Location lub Transaction ID. Taka nieustrukturyzowana tabela, po podłączeniu narzędzi wizualizacyjnych czy narzędzi klasy BI, takich jak Looker Studio czy Power BI, wymaga każdorazowego rozpakowania dużego wiersza podczas zmiany zakresu dat, segmentacji czy filtrowania. Narzędzie musi za każdym razem przetworzyć tysiące rekordów, aby dotrzeć do szczegółowych informacji. Wraz ze wzrostem liczby użytkowników korzystających z tych narzędzi każda zmiana, segmentacja czy analiza raportu powoduje ponowne przetwarzanie i przerzucanie tysięcy danych.

Jak obniżyć koszty analizy danych?

Jak obniżyć koszty analizy danych? Poniżej przedstawiamy, jak podchodzimy do tego w Conversion na podstawie naszego modelu danych.

Nasz model danych został szczegółowo opisany na stronie, a poniżej opisujemy najważniejsze kroki, które pozwalają efektywnie obniżać koszty analiz.

Wypłaszczanie tabel

Pierwszym etapem jest wypłaszczanie tabel, czyli tworzenie dedykowanych tabel według określonego schematu. Powstają między innymi tabela sesyjna, transakcyjna, produktowa oraz z użytkownikami.

Tworzenie tabel w sposób inkrementalny

Drugim krokiem jest tworzenie tych tabel w sposób inkrementalny. Zamiast codziennie przeliczać i generować tabele od nowa, dodajemy jedynie wartości inkrementalne, czyli dane przyrostowe. Zamiast przetwarzać całą historię danych od 2023 roku, przetwarzamy tylko dane z poprzedniego dnia i dopisujemy je do gotowej, wypłaszczonej tabeli.

Partycjonowanie i klasteryzacja

Kolejnym elementem jest partycjonowanie i klasteryzacja. W naszym przypadku partycją jest data, a klastrem – nazwa eventów. Dzięki takiej organizacji tabel, podczas wyszukiwania wyników z Black Friday, Google BigQuery nie analizuje wszystkich danych, na przykład z lipca, tylko od razu sięga do odpowiedniego segmentu, w którym znajdują się potrzebne dane.

Unified ID i system DataOps

Czwarty element wykorzystywany w naszym modelu danych to Unified ID. Unified ID umożliwia łączenie różnych urządzeń przypisanych do jednego użytkownika w jeden wiersz danych, jeśli użytkownik został rozpoznany. Dzięki temu, podczas analizy danych, nie trzeba płacić za każdy rekord dotyczący trzech czy czterech urządzeń tego samego użytkownika. W praktyce Google BigQuery, korzystając z funkcji lub algorytmu Unified ID, traktuje różne urządzenia jako jednego użytkownika przypisanego do jednego Unified ID. Mniejsza liczba wierszy do przetworzenia oznacza niższy koszt analizy danych. DataOps stanowi kluczowy element strategii konwersyjnej, której Conversion przestrzega od półtora roku. W tej koncepcji analityka przypomina fabrykę. System analityczny działa jak linia produkcyjna, której celem jest generowanie wartościowych insightów biznesowych. Kluczowa staje się wydajność – nie ma potrzeby każdorazowej pracy z nieustrukturyzowanymi danymi.

Efekty wdrożenia optymalizacji

Efekty wdrożenia DataOps są znaczące. Koszty analizy danych można obniżyć nawet 300-krotnie. Na poniższym przykładzie raportu widać rezultaty, jakie osiągnęliśmy dla klienta po wdrożeniu nowego modelu danych. Poniżej znajdują się założenia raportu. Analizując przypadek klienta, sprawdziliśmy dzienny oraz roczny wolumen danych eksportowanych z GA4 i wyliczyliśmy koszt ich przechowywania. Przeprowadziliśmy symulację dwóch podejść. Pozostając przy surowych danych z GA4, do analizy potrzebowaliśmy 3,17 GB. Natomiast w przypadku tabeli raportowej, wykorzystywanej do kluczowych raportów biznesowych, było to jedynie 11 MB.

Dla wybranych zakresów danych, przy symulacji pięciu zapytań dziennie, roczny koszt analizy surowych danych wyniósł 74 dolary. Z kolei przy analizie opartej na tabelach stworzonych według naszego modelu danych, koszt spadł do 0,25 dolara. Koszty utrzymania Google BigQuery przy rocznej symulacji okazały się ponad 300 razy niższe przy zastosowaniu zoptymalizowanego modelu danych. To jedna z kluczowych korzyści wynikających z wdrożenia naszego modelu danych. Model danych optymalizuje koszty Google BigQuery oraz naprawia dane pod względem atrybucji i źródeł ruchu. W GA4 występują błędy dotyczące tych zagadnień, dlatego agregacja wszystkich danych w jednym miejscu tworzy jedno, wiarygodne źródło prawdy. Model ten optymalizuje również koszt utrzymania systemu raportowania opartego na Google BigQuery. Dodatkowo, monitoruje dane, a w przypadku wykrycia nieprawidłowości w danych serwisu, automatycznie informuje o tym, na przykład za pomocą wiadomości na Slacku.

Model danych zawiera data-produkty, czyli produkty analityczne prezentujące wpływ działań na konkretne KPI oraz dostarczające insajtów dotyczących ich poprawy.

Podsumowanie

Częstym błędem w firmach jest podłączanie Looker Studio bezpośrednio do surowych danych z eksportu GA4 do Google BigQuery. Gdy coraz więcej osób zaczyna korzystać z tych raportów, koszty Google BigQuery gwałtownie rosną. Można tego uniknąć, wypłaszczając tabele, tworząc je w sposób inkrementalny, stosując klastrowanie i partycjonowanie, a także korzystając z Unified ID. Wszystkie opisane kroki można wykonać samodzielnie lub skorzystać z naszego modelu danych. W przypadku pytań zachęcam do kontaktu.

The post Jak obniżyć koszt BigQuery? Wszystko przez eksport GA4! first appeared on Conversion.

Wprowadzenie do algorytmu Unified ID
Problem z łączeniem użytkowników
Rozwiązanie i korzyści z Unified ID
Jak działa Unified ID i kiedy je wdrożyć?
Ograniczenia z biznesowego punktu widzenia
Techniczne aspekty modelu danych
Podsumowanie

Wprowadzenie do algorytmu Unified ID

W tym wpisie opisuję algorytm Unified ID, który pozwala uratować marketingowe KPI. Wyjaśniam, jak działa łączenie użytkowników między różnymi urządzeniami w Google Analytics 4, jakie wyzwania pojawiają się podczas łączenia tych danych w Google BigQuery, czym jest mechanizm algorytmu Unified ID oraz jak wdrożyć Unified ID w kontekście modelu danych.

Tekst ma charakter techniczny, jednak ta wiedza jest niezbędna, aby lepiej rozumieć, jakie mechanizmy stoją za raportami marketingowymi i jakie ograniczenia mogą wpływać na ich interpretację. W tym wpisie zostanie przedstawione biznesowe podejście do analizy danych oraz opisane konkretne rozwiązanie techniczne z wykorzystaniem autorskiego modelu danych. W części biznesowej omówione zostaną statystyki dotyczące wpływu niewykorzystywania mechanizmu Unified ID na metryki marketingowe. Brak wdrożenia tego rozwiązania może negatywnie wpływać na jakość danych i skuteczność prowadzonych działań marketingowych.

Problem z łączeniem użytkowników

Problem polega na tym, że GA4 umożliwia łączenie użytkowników pomiędzy różnymi urządzeniami. Połączenia te można zobaczyć w raporcie nakładania się segmentów dostępnych w sekcji eksploracje. Aby Google Analytics 4 mógł rozpoznawać użytkowników między różnymi urządzeniami, niezbędna jest odpowiednia konfiguracja. Kluczowe znaczenie ma sekcja „tożsamość raportowania” w ustawieniach administracyjnych.

W przypadku Google BigQuery domyślnie nie następuje łączenie użytkowników korzystających z różnych urządzeń, nawet jeśli w GA4 skonfigurowano rozpoznawanie tożsamości. Przykładowo, jeśli użytkownik najpierw odwiedza stronę z telefonu podczas podróży komunikacją miejską, a następnie wraca do domu i dokonuje zakupu na komputerze, BigQuery zarejestruje te wizyty jako dwóch różnych użytkowników.

Takie rozbieżności mają istotny wpływ na metryki marketingowe wykorzystywane do analizy skuteczności działań. W BigQuery pojawia się zawyżona liczba unikalnych użytkowników w porównaniu do raportów z GA4. Nasze szacunki wskazują, że jest to średnio o 30–40% więcej unikalnych użytkowników w BigQuery niż w Google Analytics 4. Zawyżony ruch direct wynika z uciętych ścieżek konwersji, które stają się niepewne, gdy użytkownik zmienia urządzenie. W takiej sytuacji historia jego działań nie jest widoczna. Kanały odpowiadające za pozyskanie użytkowników na wcześniejszych etapach procesu zakupowego są niedoszacowane.

Rozwiązanie i korzyści z Unified ID

Rozwiązaniem tego problemu jest algorytm Unified ID. Pozwala on łączyć użytkowników korzystających z różnych urządzeń w jedno ID użytkownika, podobnie jak GA4 poprzez funkcję user ID. Działanie polega na tworzeniu grafu zależności – jeśli jedno ID (np. ciasteczko) zostanie rozpoznane na różnych urządzeniach przez logowanie, użytkownik zostaje połączony w jedno zunifikowane ID (Unified ID). Algorytm identyfikuje wspólne elementy w różnych cookie ID i łączy je w jedno ID.

Lepsze mierzenie unikalnych użytkowników

W praktyce Unified ID pozwala na dokładne mierzenie metryk pozyskiwania, szczególnie liczby unikalnych użytkowników. Poniżej znajduje się tabela przedstawiająca Merge Rate, czyli procent użytkowników połączonych między sobą, w zależności od rodzaju systemu i witryny. Dane pochodzą z rzeczywistych wdrożeń u naszych klientów. Szczególnie wysoki Merge Rate obserwujemy tam, gdzie użytkownicy często się logują, zwłaszcza w e-commerce z branży fashion. W takich przypadkach Merge Rate może osiągać nawet 30%.

Poprawa atrybucji źródeł ruchu

To pierwsza wartość płynąca z wykorzystania Unified ID. Kolejną korzyścią jest poprawa atrybucji źródeł ruchu. Dzięki Unified ID ścieżki użytkowników nie są fragmentaryczne, co umożliwia połączenie wizyt jednego użytkownika nawet wtedy, gdy korzysta z różnych urządzeń. Efektem jest bardziej precyzyjne przypisanie sesji i konwersji do właściwych źródeł ruchu.

Bez Unified ID, gdy użytkownik przerywa swoją ścieżkę i wraca z innego urządzenia, jego wizyta oraz ewentualna konwersja zostają przypisane do wejścia bezpośredniego. Wejście bezpośrednie często stanowi dużą niewiadomą w analizie ruchu. Wdrożenie Unified ID pozwala właściwie przypisać konwersje do faktycznych źródeł ruchu, które sprowadziły użytkownika na stronę. Warto podkreślić, że liczba konwersji nie wzrasta – poprawia się jedynie trafność ich przypisania. Drugą wartością jest poprawa jakości danych. Trzecią zaletą, wynikającą z poprzednich korzyści, jest to, że dzięki mniejszej liczbie użytkowników (czyli połączonym użytkownikom rozpoznanym między urządzeniami) oraz lepszej atrybucji sesji i konwersji, metryki zostają policzone dokładniej. Dotyczy to zwłaszcza metryk marketingowych, takich jak ROAS, ale także wskaźników bazujących na życiowej wartości klienta, w szczególności LTV. To właśnie takie wartości daje wdrożenie Unified ID.

Jak działa Unified ID i kiedy je wdrożyć?

Unified ID działa w ten sposób, że rozpoznanie użytkownika między urządzeniami następuje w momencie logowania i autoryzacji w produkcie na różnych urządzeniach. Gdy ten sam użytkownik zostanie zidentyfikowany, jego ciasteczka są łączone między urządzeniami. W Google BigQuery można to zrealizować także wstecz.

Unified ID warto wdrożyć w każdym serwisie, a szczególnie w przypadku, gdy użytkownicy logują się do serwisu lub gdy występuje długi cykl zakupowy. Jest to szczególnie istotne w e-commerce, gdzie od pierwszej wizyty do konwersji często mija dużo czasu. Kolejnym istotnym aspektem jest multi-device audience, czyli użytkownicy korzystający z różnych urządzeń. Wśród naszych klientów, szczególnie w branży fashion oraz na marketplace’ach, multi-device audience odgrywa dużą rolę.

Kolejny warunek, który warto uwzględnić podczas rozważania wdrożenia Unified ID, to posiadanie budżetu mediowego na poziomie co najmniej 50 tysięcy złotych miesięcznie. Dzięki takim nakładom można oczekiwać realnego zwrotu z wdrożenia Unified ID. W praktyce pozwala to na lepszą ocenę efektywności prowadzonych kampanii i mierzalne zwiększenie ich skuteczności. Kwota 50 tysięcy jest wartością orientacyjną, jednak większość naszych klientów dysponuje takim budżetem, co potwierdza zasadność wdrażania Unified ID.

Ograniczenia z biznesowego punktu widzenia

Warto pamiętać również o ograniczeniach Unified ID z biznesowego punktu widzenia. Najważniejszym z nich jest konieczność autoryzacji, czyli ujawnienia tożsamości przez użytkownika. Bez tego nie można połączyć aktywności jednego użytkownika między różnymi urządzeniami. Istnieje też ryzyko pojawienia się fałszywych połączeń, na które należy zwrócić uwagę podczas analizy danych. Na przykład, gdy dwie osoby korzystają z tego samego urządzenia, nie ma możliwości połączenia ich jako tego samego użytkownika między różnymi urządzeniami. W przypadku zastosowania consent mode, gdy użytkownik nie wyrazi zgody na obsługę ciasteczek analitycznych, wartość ciasteczka w Google BigQuery pozostaje pusta. Takiej pustej wartości nie można połączyć z innymi danymi.

Z biznesowego punktu widzenia oznacza to ograniczenie w analizie zachowań użytkowników. Poniżej przedstawiam bardziej techniczne zagadnienia na podstawie modelu danych wykorzystywanego w Conversion. Szczegółowy opis modelu danych można znaleźć w linku umieszczonym w opisie – zawiera on informacje, czym jest ten model i jak działa. W naszym modelu danych Unified ID jest domyślnie zaszyte, co umożliwia budowanie modeli atrybucji. Bez Unified ID realne modelowanie atrybucji nie byłoby możliwe. Na przykładzie prezentowanego modelu widać, jak istotna jest druga wartość: przypisujemy ruch Direct, który często stanowi niewiadomą, oraz Google Ads w analizowanym projekcie. W tym przypadku Google Ads zyskał 10% udziału w sesjach i konwersjach po zastosowaniu Unified ID.

Techniczne aspekty modelu danych

UserPseudoID a UserID

W części technicznej warto zwrócić uwagę, że identyfikatorem użytkownika lub ciasteczka w Google BigQuery jest user pseudo ID, czyli unikalny identyfikator przypisany do przeglądarki lub urządzenia. Na bazie UserPseudoID, gdy użytkownik się zaloguje, w BigQuery pojawia się również pole UserID. Nawet jeśli pole UserID jest uzupełnione, nie łączy ono automatycznie różnych UserPseudoID przypisanych do tej samej osoby. Pomimo przesłania UserID do BigQuery, raporty nie połączą tych danych bez dodatkowych działań.

Algorytm Union Find

Aby skutecznie powiązać UserPseudoID z UserID, należy wdrożyć algorytm Union Find. W Conversion korzystamy w tym celu z notebooka Pythonowego. Na grafie prezentującym powiązania użytkowników szukamy grup identyfikatorów należących do jednej osoby. Dzięki temu, na podstawie logowania użytkownika (UserID), można połączyć różne UserPseudoID pochodzące z różnych urządzeń i ciasteczek. Na tej podstawie powstaje unified ID. Kolejnym krokiem jest tworzenie tabeli wynikowej, która w modelu służy do rozrysowywania ścieżek atrybucji użytkowników, pokazując, z jakich źródeł po kolei wchodzą. Unified ID stanowi bazę dla tabel atrybucyjnych, które umożliwiają wyznaczanie różnych modeli atrybucji za pomocą modelu danych. Takie podejście pozwala uzyskać pełną ścieżkę konwersji, co ma kluczowe znaczenie w modelowaniu atrybucji. Unified ID pozwala rozwiązać kilka kluczowych problemów analityki internetowej. Pozwala ograniczyć zawyżoną liczbę użytkowników w raportach oraz zawyżony udział ruchu direct, poprawiając jednocześnie przypisanie konwersji do właściwych źródeł ruchu. Dzięki Unified ID możliwe staje się pełniejsze odwzorowanie ścieżek konwersji, co jest kluczowe dla prawidłowego modelowania atrybucji.

Wdrożenie Unified ID w modelu danych sprawia, że kanały z górnej części lejka (Upper Funnel), które pozyskują użytkowników na wczesnych etapach procesu zakupowego, nie są pomijane w analizie. Standardowe wdrożenie tej funkcji umożliwia poprawne łączenie użytkowników między różnymi urządzeniami oraz naprawia przypisywanie źródeł ruchu. Unified ID agreguje dane z różnych źródeł marketingowych, szczególnie z platform reklamowych, co przekłada się na lepszą optymalizację kosztów w Google BigQuery. Model danych nie tylko monitoruje dane, ale również alarmuje, gdy pojawiają się nieoczekiwane zmiany. Zintegrowane analizy są dostępne od pierwszego dnia wdrożenia, co pozwala natychmiast aktywować dane w biznesie. W opisie pod filmem znajduje się szczegółowy opis elementów naszego modelu danych.

Podsumowanie

Unified ID nie generuje nowych danych, konwersji ani sesji. Funkcja ta ujawnia istniejące konwersje, przypisując je do właściwych źródeł ruchu. Ma to kluczowe znaczenie dla oceny skuteczności kampanii marketingowych, zwłaszcza że domyślnie BigQuery nie oferuje takiej funkcjonalności. GA4 posiada tę możliwość, jednak zaawansowani użytkownicy zwykle korzystają z surowych danych przesyłanych do BigQuery. Korzystanie z raportowania opartego na Google BigQuery wymaga wdrożenia Unified ID. Bez tej funkcji, w dobie wielokanałowości i korzystania przez użytkowników z różnych urządzeń, obraz użytkownika staje się coraz mniej precyzyjny. Warto wdrożyć Unified ID w raportowaniu w Google BigQuery lub rozważyć skorzystanie z naszego modelu danych.

The post Łączenie danych pomiędzy urządzeniami (cross device) w BigQuery z wykorzystaniem Unified ID? first appeared on Conversion.

Czym jest analiza kohortowa?
Dlaczego warto przeprowadzić analizę kohortową?
Nowe możliwości dzięki zaawansowanemu modelowaniu kohort – predykcja LTV i retencji
Kohorty w Google Analytics 4
Jak przeprowadzić analizę kohortową?
Podsumowanie

Czym jest analiza kohortowa?

Zanim zaczniemy mówić o samej analizie kohortowej warto wytłumaczyć samo pojęcie kohorty. W języku polskim może kojarzyć się z pejoratywnym określeniem na agresywnie zachowującą się grupę osób. Historycznie określano tak też jednostkę Legionu Rzymskiego. W naszym przypadku będzie to jednak coś bardziej optymistycznego i oznaczającego grupę osób, którą łączy zdarzenie przeżyte w tym samym lub podobnym momencie (np. użytkownicy, którzy danego dnia dokonali na naszym sklepie zakupu dowolnego produktu po raz pierwszy).

I tutaj możemy przejść do znaczenia analizy kohortowej, czyli najprościej mówiąc analizy danej kohorty. Ma ona za zadanie badać jak dana grupa osób zachowywała się w czasie. Najłatwiej będzie zrozumieć to na konkretnych przykładach. Dzięki analizie kohortowej możemy zbadać przykładowo:

• po jakim czasie od interakcji z daną kampanią użytkownicy decydowali się na zakup w sklepie?
• jaką wartość sprzedaży przynoszą użytkownicy pozyskani poprzez różne źródła ruchu po jednym, dwóch czy trzech miesiącach?

Możemy wyróżnić dwa najczęściej wykorzystywane rodzaje kohort:

• Kohorty pozyskiwania (Acquisition cohorts) – w tym przypadku możemy podzielić użytkowników na podstawie momentu ich pozyskania
• Kohorty behawioralne (Behavioral cohorts) – tutaj dzielimy użytkowników według interakcji ze stroną (np. po ilu dniach dokonano zakupu po dodaniu produktu do koszyka)

Dlaczego warto przeprowadzić analizę kohortową w Google Analytics 4?

Liczbę zastosowań analizy kohortowej ogranicza tylko nasza wyobraźnia. Oczywiście musimy być tutaj ostrożni i stawiać odpowiednie pytania, na których odpowiedź pozwoli nam skutecznie realizować cele biznesowe. Sprawny analityk może dostarczyć nam wielu ciekawych wniosków, które potem możemy przełożyć na konkretne decyzje.
Analiza kohortowa pozwala nam otrzymać konkretne informacje dotyczące LTV czy przeprowadzonych kampanii. Wzbogaci ona analizę poprzez dostarczenie informacji, których nie zobaczymy przy przeglądaniu podstawowych metryk i wskaźników jak liczba zamówień, bounce rate czy liczba użytkowników. Nie jest to oczywiście rodzaj analizy, od którego organizacja powinna zaczynać swoje wykorzystanie analityki do podejmowania decyzji (na początku należy zająć się podstawami), ale wraz ze wzrostem dojrzałości analitycznej warto umieścić jej wykorzystanie na swojej roadmapie i sprawdzić, czego możemy się z niej dowiedzieć o swoim użytkowniku.

Nowe możliwości dzięki zaawansowanemu modelowaniu kohort – predykcja LTV i retencji

Coraz więcej firm w 2025 roku wykorzystuje nowoczesne techniki statystyczne i ML do analizy kohort. Na przykład badanie opublikowane w 2025 r. przedstawia metodę bayesowską, która pozwala modelować retencję i przychód w kohortach z uwzględnieniem zmiennych dodatkowych – i prognozować przyszłą wartość klienta z określeniem niepewności.

Dlaczego prognozowanie LTV na podstawie kohort to kolejny krok w analizie danych

Dzięki prognozowaniu LTV (Customer Lifetime Value) na poziomie kohort możesz przewidzieć, jak wartościowe będą grupy klientów pozyskane w danym miesiącu – jeszcze zanim zrobią drugi zakup. To pozwala lepiej planować budżet marketingowy, onboarding, kampanie retencyjne oraz segmentację – nie po fakcie, a proaktywnie.

Kohorty w Google Analytics 4

Google Analytics 4 pozwala nam na wykorzystanie analizy kohortowej. Możemy się do niej dostać w sekcji Eksploracje wybierając “eksplorację kohortową”. Jest ona dość rozbudowana i spełni wymagania większości osób zaczynających pracę z analizami kohortowymi. Wśród możliwości dostosowania analizy kohortowej do Twoich potrzeb w Google Analytics 4 znajdują się:

• Okres czasowy, który przyjmujemy do analizy
• Warunek inicjujący (Cohort inclusion), dzięki któremu definiujemy cechę konkretnej kohorty (np. pierwsze zetknięcie użytkownika ze stroną)
• Kryterium powrotu (Return criteria) – dzięki któremu policzymy ilu (lub jaki %) użytkowników dokonało danej akcji w kolejnych okresach czasowych (np. dowolna interakcja ze stroną w kolejnym miesiącu)
• Granuralność kohorty (Cohort granuality), dzięki której ustalimy okres czasowy, w którym chcemy przeprowadzać analizę (cykle dniowe, tygodniowe, miesięczne)
• Metoda kalkulacji (Calculation) – Określa, w jaki sposób aktywność użytkownika w okresie eksploracji przyczynia się do obliczeń metryki
• Podział (Breakdown) – określa po jakim wymiarze nastąpi podział użytkowników
• Wiersze na wymiar (Rows per dimension) -, czyli metryka, która określa wykorzystywane wymiar. (W przypadku zbyt dużej liczby wymiarów może pojawić się ograniczenie w postaci “kardynalności danych”. Więcej o limitach pisaliśmy tutaj.
• Wartości (Values), czyli metryka, która dostarcza dane numeryczne w analizie
• Typ metryki (Metric type), czyli sposób przedstawienia danych numerycznych (np. suma, procent)
• Porównanie segmentów (Segment comparisons), dzięki czemu zobaczysz podobieństwa i różnice między różnymi segmentami wewnątrz jednej kohorty

Po wyborze ustawień dla każdej z funkcjonalności naszym oczom ukaże się odpowiednia wizualizacja, która na przestrzeni czasu pokaże nam liczbę/udział użytkowników przypisanej do każdej grupy. 

Przykładowo pokazany raport pokazuje nam., że użytkownicy pozyskani dzięki Referralom we wrześniu mieli najlepszą powracalność w kolejnych dwóch miesiącach w stosunku do pozostałych źródeł. 

Ciekawe, prawda?

Przykładowa eksploracja kohortowa

Jak przeprowadzić analizę kohortową?

Analiza kohortowa najczęściej dzieli daną kohortę na poszczególne segmenty (np. osoby, które dokonały transakcji danego dnia podzielone na źródła ruchu, z których zostały pozyskane). Każdy taki segment powinien mieć istotną statystycznie liczbę osób (zalecałbym przynajmniej 100). Jeśli mamy problem z zebraniem tak dużej liczby osób do segmentu to możemy albo ograniczyć liczbę segmentów (np. część ich wykluczyć z analizy lub połączyć je w większe segmenty) albo zmienić okresy czasowe, które badamy (np. nie w odstępach tygodniowych, a w miesięcznych).

Pierwszym krokiem w analizie jest zawsze wyznaczenie sobie jej celu: odpowiedzenie na konkretne pytanie. Pozwala nam to na trzymanie się odpowiednich założeń i nie odbieganie analizy od postawionego pytania. Kolejnym krokiem jest wyznaczenie wszystkich możliwości ustawień (przykładowo w GA4 okres czasowy, warunek inicjujący itd.). Dzięki temu uzyskamy gotową wizualizację.

Następnie możemy przejść do analizy. Możemy zaobserwować wyróżniające się pozytywnie i negatywnie wartości, zebrać wnioski i zakończyć to odpowiednimi rekomendacjami/działaniami, które pozwolą nam dzięki wykonanej analizie zyskać konkretną wartość.

Podsumowanie – analiza kohortowa

Analiza kohortowa pozwala dowiedzieć się  więcej o powracalności użytkowników na stronę, co pozwoli zwiększyć ich LTV. Lojalny klient jest kluczową wartością dla przedsiębiorstwa, bo raz pozyskany konwertuje w kolejnych okresach. Jest również swego rodzaju ambsadorem marki wśród bliskich mu osób. Jego wkład w rozwój jest nieoceniony. Dlatego tak ważne jest znalezienie sposobu na jego utrzymanie.

The post Analiza kohortowa w Google Analytics 4 – czym jest i jak ją przeprowadzić? first appeared on Conversion.

Model danych w analityce: Z czym się zmagamy?
Czym jest model danych w analityce?
Nowe standardy architektury danych – jak data mesh i composable CDP zmieniają model danych w marketingu
Model danych a migracja do Google Analytics 4
Kluczowa rola modelu danych w marketingu
Model danych Conversion: Nasze podejście
Własny model danych: Atrybucja i BigQuery
Podsumowanie

Model danych w analityce: Z czym się zmagamy?

Taka sytuacja wynika z braku spójnego modelu danych. To właśnie model danych w analityce pozwala uporządkować informacje, zdefiniować reguły ich interpretacji i ujednolicić raportowanie. Dzięki temu możliwe jest przedstawienie rzeczywistego obrazu działalności firmy, bez nakładających się wyników i błędnych wniosków. Model danych to fundament skutecznej analizy i raportowania w obszarze marketingu internetowego oraz e-commerce. Warto zrozumieć, czym dokładnie jest i dlaczego jego prawidłowe zaprojektowanie ma kluczowe znaczenie dla uporządkowania danych i wyciągania trafnych wniosków biznesowych.

Wiele firm zmaga się z chaosem informacyjnym — dane pochodzą z różnych źródeł, są niespójne, trudno je zintegrować i przeanalizować. Bez odpowiedniego modelu danych trudno o rzetelne raportowanie i oceny skuteczności działań marketingowych.

Czym jest model danych w analityce?

Model danych to struktura opisująca, w jaki sposób dane są zorganizowane, powiązane i przechowywane. Określa, jakie dane zbieramy, jak je ze sobą łączymy, jakie mają typy i jakie relacje między sobą zachodzą. Dzięki temu możliwe jest tworzenie spójnych raportów, analizowanie lejków sprzedażowych, ocena efektywności kampanii czy monitorowanie KPI.

W kontekście narzędzi takich jak Google Analytics, Google BigQuery czy CRM, dobrze zaprojektowany model danych pozwala na precyzyjne łączenie danych z różnych źródeł i ich skuteczne wykorzystanie w działaniach analitycznych. To z kolei przekłada się na lepsze decyzje biznesowe i większą efektywność działań marketingowych.

W kolejnych częściach wpisu przedstawię przyklady zastosowania modelu danych w praktyce oraz omówię najczęstsze błędy, które utrudniają jego prawidłowe wdrożenie. Pojęcie modelu danych może wydawać się nieco enigmatyczne. Aby je lepiej zrozumieć, warto porównać model danych do planu budowy domu.

Wyobraź sobie, że planujesz budowę domu. Pierwszym krokiem jest zakup projektu, który następnie dostosowujesz do swoich potrzeb. Model danych pełni podobną funkcję — to szczegółowy plan organizacji danych w firmie. Określa, jakie dane gromadzisz, gdzie się znajdują, jak wyglądają i jaką mają formę końcową.

Budowa domu bez planu prowadzi do chaosu. Możesz sądzić, że w jednym miejscu powinna być sypialnia, w innym kuchnia, a jeszcze gdzie indziej łazienka. Po zakończeniu budowy może się jednak okazać, że układ pomieszczeń jest nielogiczny i trudny do użytkowania. W rezultacie korzystanie z takiego domu staje się niewygodne i wymaga czasu na przyzwyczajenie się.

Podobnie jest z danymi. Brak przemyślanego modelu danych skutkuje tym, że ich analiza staje się nieintuicyjna, a korzystanie z informacji — nieefektywne. Model danych to fundament, który pozwala firmie świadomie zarządzać informacjami i podejmować trafne decyzje. Czy takie podejście do analityki danych jest efektywne? Przejście z Universal Analytics do Google Analytics 4 dla wielu firm przypominało przeprowadzkę do nowego domu bez planu i bez znajomości układu pomieszczeń.

Nowe standardy architektury danych – jak data mesh i composable CDP zmieniają model danych w marketingu

W 2025 r. coraz więcej firm w marketingu przechodzi od klasycznego, scentralizowanego modelu danych do nowoczesnych architektur takich jak Data Mesh czy wykorzystanie Composable Customer Data Platform. Taki shift pozwala na lepszą skalowalność, elastyczność i integrację danych – co ułatwia spójne raportowanie i szybsze reakcje marketingowe.

Dlaczego composable CDP to przyszłość danych marketingowych – korzyści dla e-commerce i analityki

Composable CDP integruje dane o klientach bezpośrednio w chmurze firmowej, bez potrzeby tworzenia oddzielnej bazy. Dzięki temu unikasz duplikacji danych, zachowujesz pełną kontrolę nad infrastrukturą i łatwiej łączysz dane z CRM, analityki i kanałów sprzedaży – co zwiększa precyzję segmentacji i poprawia jakość insightów.

Model danych a migracja do Google Analytics 4

W Universal Analytics obowiązywał dobrze znany model sesyjny. Użytkownicy wiedzieli, jak poruszać się po raportach, jak są zbudowane i jak z nich korzystać. Często korzystali z gotowych raportów w Excelu lub wizualizacji w Looker Studio. Model sesyjny opierał się na sesjach i odsłonach stron. Choć mniej elastyczny, dawał jasne ramy. Zdarzenia miały przypisane konkretne parametry — kategorię, etykietę i akcję. Struktura była przejrzysta i przewidywalna.

W GA4 zmieniło się niemal wszystko. Brak klasycznego modelu sesyjnego, inna struktura danych i nowe podejście do zdarzeń wymagają przemyślanej adaptacji. Warto zadbać o strukturalne podejście do wdrożenia — bez tego łatwo się pogubić w nowym układzie raportów i danych. Wraz z wdrożeniem Google Analytics 4, opartego na eventowym modelu danych, pojawiła się większa elastyczność w sposobie gromadzenia informacji. Nowy system opiera się na zdarzeniach oraz przypisanych do nich parametrach. Choć daje to większe możliwości, jednocześnie stwarza ryzyko chaosu w raportowaniu, jeśli nie zostanie poprzedzone odpowiednim planem struktury danych.

Brak spójnego modelu danych utrudnia korzystanie nawet z predefiniowanych raportów w GA4. Tworzenie własnych eksploracji staje się jeszcze trudniejsze. W Google BigQuery dane z GA4 wyglądają inaczej niż te znane z Universal Analytics (GA3). Dla osób nietechnicznych, szczególnie z działów biznesowych, analiza tych danych może być niezrozumiała. Nawet doświadczeni analitycy muszą zmierzyć się z nową strukturą, która znacząco różni się od tej znanej z poprzedniej wersji.

Kluczowa rola modelu danych w marketingu

Model danych jest kluczowy w marketingu. Umożliwia szybki dostęp do właściwych informacji, a przede wszystkim – sprawia, że cała organizacja posługuje się wspólnym językiem analitycznym. Dobrze zaprojektowany model danych ułatwia zarówno codzienną pracę, jak i generowanie analiz wspierających decyzje biznesowe. To fundament skutecznej analityki i warunek skutecznego wykorzystania potencjału Google Analytics 4. Model danych odgrywa kluczową rolę, zwłaszcza gdy dane pochodzą z różnych źródeł. Umożliwia zaplanowanie i połączenie tych źródeł w sposób, który zachowuje ich użyteczność biznesową.

Dzięki dobrze zaprojektowanemu modelowi danych nie trzeba analizować wielu raportów oddzielnie ani ręcznie dołączać danych wewnętrznych. To częsty błąd popełniany przez agencje marketingowe, które tworzą raporty na podstawie danych z każdego narzędzia osobno, bez uwzględnienia spójnego modelu.

Różne narzędzia analityczne i reklamowe – takie jak Google Analytics 3, Google Analytics 4, Google Ads czy Meta Ads – opierają się na odmiennych modelach danych. Nawet w przypadku tej samej platformy, jak Google Analytics, zmiana wersji wiąże się ze zmianą struktury danych. Brak ujednoliconego modelu może prowadzić do niespójności i błędnych wniosków.

W jednym z naszych materiałów omówiliśmy pięć najczęstszych błędów popełnianych przez agencje marketingowe w raportowaniu. Wśród nich znalazło się właśnie raportowanie bez uwzględnienia wspólnego modelu danych. Model danych w marketingu otwiera drogę do bardziej zaawansowanej analizy. Warto zatem wyjaśnić, czym taki model jest na konkretnym przykładzie.

Model danych Conversion: Nasze podejście

W Conversion wypracowaliśmy podejście do modelowania danych oparte na Google Analytics 4 oraz innych systemach reklamowych i wewnętrznych narzędziach wykorzystywanych w analitycznym stacku naszych klientów. Surowe dane z GA4 łączymy z informacjami pochodzącymi z CRM-ów, plików CSV oraz narzędzi marketingowych.

Zawsze uwzględniamy dane z Google Ads, Meta Ads i innych systemów reklamowych wykorzystywanych przez klienta. Jeżeli w ekosystemie pojawiają się dodatkowe narzędzia, model danych zostaje uzupełniony również o nie. Proces analizy danych opieramy na modelu danych, który tłumaczy surowe informacje z różnych źródeł – w tym z Google Analytics 4 – na uporządkowaną strukturę eventową. Z danych GA4 wyodrębniamy eventy, sesje, informacje o użytkownikach oraz transakcjach e-commerce. Na tej podstawie tworzymy zestawy danych, które są fundamentem do dalszych analiz.

Model danych stanowi kluczowy element naszych rozwiązań analitycznych. Dzięki niemu możemy wykorzystywać sprawdzone frameworki, m.in. do segmentacji użytkowników, analizy lifetime value, analizy koszyka, a także do stosowania modeli atrybucji i definicji grup kanałów. Te elementy wspierają tworzenie produktów opartych na danych oraz umożliwiają gromadzenie wyników analiz w wewnętrznej strukturze typu Customer Data Platform.

Spójna definicja danych pozwala na łatwe rozszerzanie modelu o kolejne komponenty. Informacje z GA4 traktujemy jako stałe źródło danych. W przypadku innych źródeł, takich jak CRM czy systemy wewnętrzne klienta, dane są każdorazowo dostosowywane do naszego modelu analitycznego. Dzięki znajomości zarówno danych analitycznych, jak i narzędzi marketingowych, jesteśmy w stanie dostarczyć realną wartość – zgodnie z priorytetami biznesowymi klienta. Poniżej poprawiony i przekształcony tekst w formie artykułu blogowego:

Własny model danych: Atrybucja i BigQuery

Model danych Conversion stanowi podstawę do tworzenia produktów analitycznych dopasowanych do potrzeb klienta. Dzięki spójnemu modelowi danych możliwe jest generowanie zaawansowanych raportów, takich jak analiza tablicy sesyjnej. Na jej podstawie można budować kolejne zestawy danych, na przykład tablice z poszczególnymi konwersjami, które uwzględniają pełne ścieżki użytkowników.

To rozwiązanie pozwala uzyskać wgląd, którego brakuje w Google Analytics 4 w porównaniu do Universal Analytics. W Universal Analytics dostępne były szczegółowe ścieżki użytkowników — zarówno konwertujących, jak i niekonwertujących — co znacząco ułatwiało analizę zachowań.

Przykład raportu widoczny na ekranie uwzględnia różne modele atrybucji. Jedną z kluczowych zalet wykorzystania własnego modelu danych jest możliwość szybkiego odtworzenia modeli atrybucji dostępnych w GA4, a także stworzenia własnych, dostosowanych do konkretnych potrzeb biznesowych. Dzięki temu raportowanie może być nie tylko szybsze, ale również znacznie bardziej precyzyjne i dopasowane do specyfiki danej organizacji. W sytuacji, gdy zarząd pyta o źródło konkretnych wyników konwersji, Google Analytics 4 może nie dostarczyć wystarczająco przejrzystej odpowiedzi. GA4 wykorzystuje tzw. blackboxowy model atrybucji, którego działania nie da się jednoznacznie wyjaśnić. W takiej sytuacji pomocne okazuje się podejście oparte na własnym modelu danych i autorskim modelu atrybucji. Pozwala ono precyzyjnie wskazać, skąd pochodzą wyniki i jak zostały przypisane do konkretnych źródeł.

Jeśli osoby decyzyjne uznają, że przypisanie powinno wyglądać inaczej, model danych umożliwia stworzenie nowego, dopasowanego modelu atrybucji. Dzięki temu można nie tylko zrozumieć źródło danych, ale też dostosować analizę do specyfiki biznesu.

Przykładem gotowej analizy opartej na własnym modelu danych jest raport ścieżek wielokanałowych. Umożliwia on przypisanie konwersji do odpowiednich punktów styku, co wspiera tworzenie bardziej zaawansowanych i dopasowanych modeli atrybucji. Modelowanie atrybucji to jeden z najważniejszych efektów dobrze przygotowanego modelu danych. Wciąż pozostaje jednak pojęciem niedostatecznie zrozumianym na rynku.

W przygotowanym przez nas poradniku omawiamy różne modele atrybucji w Google Analytics 4. Wszystkie modele opisane w materiale opierają się na tzw. czarnych skrzynkach – czyli gotowych algorytmach, które są automatycznie nakładane na zbierane dane. Oznacza to, że sposób działania tych modeli nie jest do końca przejrzysty, a użytkownik nie ma pełnej kontroli nad sposobem przypisywania wartości do poszczególnych punktów styku.

Dlatego tak istotne jest, aby przed zastosowaniem modelowania atrybucji zadbać o odpowiednią jakość danych i ich właściwą strukturę. Tylko wtedy wyniki analiz będą miały realną wartość biznesową. Własny model danych pozwala znacznie łatwiej wyjaśnić innym, jak działa mechanizm konwersji. W przypadku wątpliwości można go nie tylko zrozumieć i wytłumaczyć, ale też szybko poprawić, jeśli pojawią się sugestie zmian.

Warto porównać, co daje własny model danych zintegrowany z Google BigQuery, a co oferuje Google Analytics 4. W GA4 dostępne są standardowe modele atrybucji, takie jak Last Click czy Data Driven Attribution. Ten ostatni działa jak swoista „czarna skrzynka” – trudno dokładnie odtworzyć, jak podejmuje decyzje.

W BigQuery można natomiast zbudować dowolny model atrybucji – np. First Click, Last Click – oraz dostosować go do specyfiki biznesowej. Dzięki temu możliwe jest pełne odwzorowanie logiki przypisywania konwersji, zgodnie z indywidualnymi potrzebami.

To jedna z istotnych zalet BigQuery – możliwość tworzenia własnych, przejrzystych modeli atrybucji, których nie oferuje GA4. W Google BigQuery można tworzyć własne modele analityczne na podstawie wcześniej przygotowanego modelu danych. Proces ten przebiega sprawnie i pozwala szybko uzyskać szczegółowe wyniki.

Jedną z głównych zalet wykorzystania modelu danych na surowych danych z BigQuery jest możliwość przeprowadzenia głębokiej analizy ścieżek użytkownika. Taki model pozwala uwzględnić różne interakcje w obrębie sesji – jak źródła ruchu, kampanie czy konkretne kanały marketingowe.

W przypadku Google Analytics 4 analiza opiera się na predefiniowanych modelach oraz danych, które są już przetworzone. Przez to nie są one tak szczegółowe jak dane dostępne w BigQuery.

Kolejnym atutem BigQuery z modelem danych jest większa elastyczność w definiowaniu okna konwersji, co pozwala lepiej dopasować analizę do specyfiki danego biznesu. Można ustawić 7-, 14-, 30- lub 90-dniowe okno konwersji, dopasowane do cyklu biznesowego. W Google Analytics 4 to ustawienie jest narzucone i ograniczone.

Kolejnym aspektem jest analiza wpływu kampanii marketingowych. W przypadku Google BigQuery, dzięki elastycznemu modelowi danych, możliwe jest przypisywanie wartości konwersji w niestandardowy sposób. Przykładowo, można uwzględnić udział danego kanału w ścieżce konwersji przy użyciu algorytmów uczenia maszynowego lub innych mechanizmów. W GA4 konwersje przypisywane są zgodnie ze standardowymi regułami.

Podsumowanie

Model danych można porównać do drzwi, które otwierają firmie kolejne możliwości w analizie danych. Każdy element tej „analitycznej rezydencji” to osobne pomieszczenie, które wnosi dodatkową wartość. Wszystko zaczyna się od surowych danych – to one są fundamentem dalszych analiz i decyzji biznesowych. Na zintegrowane dane nakładany jest model danych. Wcześniej dane są łączone między systemami, a efektem działania modelu są gotowe analizy lub data produkty, które dostarczają realną wartość biznesową. Zarówno data produkty, jak i wyniki analiz można traktować jako kolejne „pomieszczenia” w strukturze analitycznej organizacji.

Model danych jest kluczowym elementem wdrożenia hurtowni danych. Zawsze stanowi drugi krok – po integracji danych. Warto zrozumieć, czym jest model danych w marketingu i dlaczego ma tak duże znaczenie. Uporządkowanie danych i nadanie im struktury umożliwia nie tylko automatyzację analiz, ale przede wszystkim podejmowanie trafniejszych decyzji biznesowych.

Jeśli problem opisany we wstępie jest Ci bliski i czujesz, że model danych może być rozwiązaniem, warto rozważyć jego wdrożenie. To skuteczne narzędzie, które realnie wspiera działania marketingowe i analityczne.

Zachęcam do skorzystania z bezpłatnych konsultacji. Na konkretnych przykładach, również z Twojej branży, pokażemy, jak model danych może wspierać marketing i analizy w Twojej firmie.

The post Model danych – czym jest i dlaczego jest ważny w marketingu? first appeared on Conversion.

To właśnie parametr „(not set)” w Google Analytics 4 jest jednym z najpowszechniejszych oznak niedostatecznej jakości danych w GA4. Na szczęście, choć nie ma jednej określonej przyczyny, to zwykle jesteśmy w stanie istotnie ograniczyć występowanie tej wartości. Zacznijmy jednak od odpowiedzi na pytanie, czym jest parametr „(not set”) w Google Analytics.

Co oznacza wartość not-set w Google Analytics 4?
Przyczyny występowania wartości not-set w Google Analytics
Wpływ trybu zgody i śledzenia serwerowego na wartość „(not set)” w Google Analytics 4
Dlaczego eliminowanie braków danych jest takie istotne?
Jak ograniczyć rozbieżności w danych za pomocą zmian w rejestrowaniu transakcji
Podsumowanie

Co oznacza wartość not-set w Google Analytics 4?

Zacznijmy od definicji, którą dostarcza nam oficjalna dokumentacja Google:

Wartość (not set) to nazwa symbolu zastępczego, który Google Analytics stosuje, gdy nie otrzyma z jakiegoś wymiaru (dimension) żadnych danych.

Wartość „(not set)” jest więc swego rodzaju „zaślepką” dla tych wyników, przy których z jakiegoś powodu brakuje wartości wymiaru. W wyjątkowych przypadkach jest to pożądana sytuacja.Nie musimy przecież stosować wszystkich 5 kategorii produktu dla e-commerce, więc te niewykorzystane będą prezentować właśnie wartość „(not set)”.

Przykład raportu w Google Analytics – wolumen kupionych produktów

Są jednak takie wymiary (dimensions), w których nie spodziewamy się braku wartości, a wręcz przeciwnie – oczekujemy dokładnych informacji, które będziemy mogli wykorzystać do analizy. Przykładowo, spójrzmy na źródło/medium sesji oraz przypisaną domyślną nazwę kanału.

Przykładowy raport źródło/medium w Google Analytics

Wartość „(not set)” została przypisane do kanału „Unassigned” („nieprzypisane”). Jak pokazuje ten przypadek, 10% użytkowników odwiedziło stronę ze źródeł, którym GA4 nie był w stanie przypisać żadnej wartości.

Warto zauważyć, że „(not set)” to nie to samo, co „(direct) / (none)” w wymiarach źródło/medium. W uproszczeniu, ta pierwsza oznacza brak wartości, a druga pustą wartość – i choć może się wydawać, że to to samo, w praktyce (i od strony technicznej) to dwie różne rzeczy. I dobrze – bo również z poziomu analizy inaczej interpretujemy obie wartości. 

Jak zostało wspomniane wcześniej, „(not set)” nie dotyczy wyłącznie źródeł ruchu. Możemy zauważyć jego występowanie w wymiarach niestandardowych, ale np. również w wymiarze „Strona docelowa” (Landing Page). Jest spora szansa, że również w Twoim serwisie część stron startowych nie została rozpoznana. Co więcej, na liście możesz znaleźć również… pusty wiersz:

Przykładowy raport stron docelowych w Google Analytics

Pusty wiersz oznacza dane, których Google Analytics 4 nie zdążył przetworzyć – tutaj sprawa jest więc prosta: wystarczy zmienić zakres dat tak, by obejmował najświeższe zebrane dane. Zwykle wystarczy wykluczyć dzień “dzisiejszy” i “wczorajszy”, a wyniki dla tego okresu sprawdzić za kilka dni, gdy dane zostaną już przypisane przez narzędzie. Inaczej sytuacja wygląda dla użytkowników Google Analytics 360 – mają oni gwarancję przetwarzania danych do 4 godzin.

Przyczyny występowania wartości not-set w Google Analytics

Przyczyny brakujących wartości możemy podzielić na kilka kategorii:

Nieodpowiednia konfiguracja narzędzi Google

Brakujące wartości w wymiarach Google Ads można często naprawić, integrując GA4 z kontem Google Ads oraz włączając automatyczne tagowanie. W takim przypadku warto sprawdzić poprawność tej konfiguracji w obu narzędziach.

Błędy wdrożenia

Jeśli spodziewasz się wartości innej niż „(not set)” w danym wymiarze (np. niestandardowym wymiarze „method” dla zdarzenia „login”), to możliwe, że coś poszło nie tak na poziomie wdrożenia. Przyczyną może być nieprawidłowe ustawienie tagów w Google Tag Managerze albo zmiana w kodzie strony, po której konfiguracja GA4 nie została zaktualizowana.

Jeśli więc problem dotyczy wymiaru niestandardowego (Custom Dimension) albo określonego zdarzenia, konfigurowanego np. w GTM – warto przyjrzeć się konfiguracji tagów.

Measurement Protocol

Measurement Protocol (MP) to zaawansowany sposób przesyłania danych do GA4. Zwykle jest wykorzystywany do wzbogacania danych zbieranych na stronie lub w aplikacji o wartości, których brakuje przy standardowym śledzeniu. Jednak ze względu na sposób, w jaki działa Measurement Protocol – w oderwaniu od standardowego pomiaru – niepoprawnie wdrożony może sprawić, że (not set) pojawi się nawet w tak podstawowych wymiarach jak ścieżka strony. Dużo łatwiej jest również o nieprawidłowości wdrożenia, które wpływają na jakość danych. Jeśli korzystasz z MP, zdecydowanie warto upewnić się, czy to jego stosowanie nie wywołuje braków w danych.

Niedoskonałość pomiaru

Twój klient otwiera Twoją stronę. Następnie odchodzi od komputera lub telefonu, bądź przełącza się między innymi zakładkami i wraca po godzinie, by kliknąć w jeden z produktów. Dla niego to wciąż ta sama wizyta w serwisie, dla Analyticsa to już dwie sesje – druga rozpoczęła się wraz powrotem użytkownika i dokonaniem akcji. Tego typu scenariusze nie są rzadkie i to one mogą częściowo odpowiadać za braki w danych.

Inną przyczyną mogą być wtyczki do przeglądarek, które w celu anonimizacji użytkownika, mogą edytować przesyłane dane dotyczące przeglądarki, systemu czy urządzenia.

Niektóre z nich możemy ograniczyć np. dzięki wydłużeniu czasu trwania sesji. Według niektórych ekspertów, pomóc może także uszczelnienie tagowania UTM linków z zewnętrznych stron. W innych przypadkach… pozostaje pogodzić się z tym, że nie na wszystko jesteśmy w stanie cokolwiek poradzić.

Czas

Czas leczy rany. Oraz dane w Google Analytics 4.

Google Analytics 4 nie zawsze jest w stanie poprawnie przetworzyć dane z ostatnich 24 godzin. To oznacza, że dane z poniedziałku mogą być bardziej precyzyjne w środę niż we wtorek. Innymi słowy, jeśli widzisz „(not set)” w raportach – spróbuj wykluczyć poprzedni dzień, a końcową datę zakresu ustawić maksymalnie “na przedwczoraj”. Inaczej jednak sytuacja przedstawia się w przypadku Google Analytics 360. Jego SLA gwarantuje świeżość danych wynoszącą 4 godziny.

Wpływ trybu zgody i śledzenia serwerowego na wartość „(not set)” w Google Analytics 4

Wraz z rosnącym znaczeniem prywatności i wdrożeniem śledzenia po stronie serwera, obserwujemy wzrost udziału wartości „(not set)” w raportach GA4. Źródła wskazują, że niewłaściwe ustawienie Google Consent Mode lub filtrowanie danych po stronie serwera może uniemożliwić przypisanie źródła ruchu, co skutkuje linii „(not set)”. Warto więc przyjrzeć się konfiguracji trybu zgody i logice serwera, by ograniczyć „(not set)” nie tylko na poziomie UTMs, ale również infrastruktury.

Jak monitoring współczynnika „(not set)” pomaga w audycie wdrożenia GA4

Dlaczego eliminowanie braków danych jest takie istotne?

Zaufanie do danych stanowi fundament każdej analizy. Dane zbierane w sposób nieprawidłowy zaburzają obraz. Dane niepełne są niewystarczające, żeby odpowiedzieć na postawione pytania i hipotezy biznesowe. 

Wyobraźmy sobie sytuację, w której przygotowujemy zestawienie efektywności kanałów reklamowych. Na tej podstawie ma zapaść decyzja, które z nich przetrwają cięcia budżetowe, a które zostaną ucięte. Przegląd raportów e-commerce w Google Analytics 4 prowadzi nas do wniosku, że reklamy emitowane na uwielbianym przez prezesa medium społecznościowym nie przynoszą rezultatów. Jak go przekonasz, że 30% sesji, które są oznaczone jako „(not set)” i wygenerowały sprzedaż, to nie jest wynik tego źródła, w które tak głęboko wierzy? Co więcej – jaką masz pewność, że nie ma racji?

Im mniej wartości „not set” pojawi się w naszych danych, tym większa pewność, że nic nam nie umyka. A im szybciej uporamy się z przyczynami, tym lepiej – luk w danych nie da się sztucznie zapełnić!

Podsumowanie

Jak widać, „(not set)” jest powodem wielu „chorób” systemu analitycznego. Niektóre uleczysz dość łatwo, z innymi należy nauczyć się żyć. Całkowita eliminacja zjawiska nie jest możliwa. Naszym celem powinno być doprowadzenie do sytuacji, w której braki są na tyle małe, by cały zbiór danych był nie do podważenia. 10-15% wyników z „(not set)” zwykle jest akceptowalne, a wyniki powyżej 25-30% powinny być impulsem do podjęcia próby obniżenia ich udziału.

Nie ma jednej skutecznej rady na wyeliminowanie wartości „(not set)”. Dlatego poprawa jakości danych jest procesem ciągłym i długofalowym, a jego skuteczność zależy od naszej determinacji i wiedzy. Nagrodą za wysiłek są dane, które można bez zawahania przekuć w informacje, a te – we wnioski i konkretne decyzje biznesowe.

The post Źródło ruchu not-set – jak sobie z tym poradzić? first appeared on Conversion.

Google Analytics w marketingu
Współczynnik unassigned – czym jest?
Współczynnik unassigned – jak sprawdzić jego wartość?
Ruch unassigned – dlaczego się pojawia?
Wysoki współczynnik unassigned – dlaczego jest problematyczny?
Strategie radzenia sobie z „Unassigned” w Google Analytics 4
Współczynnik unassigned – jak zmniejszyć jego wartość?
Podsumowanie

Google Analytics w marketingu

Google Analytics odgrywa kluczową rolę w marketingu, pełniąc dwie zasadnicze funkcje. Po pierwsze, umożliwia analizę zachowania użytkownika w serwisie, co pozwala lepiej zrozumieć, jak użytkownicy wchodzą w interakcje z Twoją stroną. To z kolei daje możliwość optymalizacji doświadczeń użytkowników i zwiększenia efektywności działań marketingowych. 

Po drugie, narzędzie to dostarcza informacji o źródłach ruchu na stronie, co jest nieocenione w ocenie skuteczności kampanii marketingowych. Dzięki temu można lepiej planować przyszłe strategie i alokować budżety marketingowe w sposób bardziej efektywny.

Kiedy w Google Analytics 4 zauważysz wysoki procent ruchu Unassigned, warto zbadać jego przyczyny. Tego typu ruch może wskazywać na problemy z konfiguracją źródeł kampanii lub brakujące tagi, co może utrudniać dokładne śledzenie efektywności działań marketingowych. Ważne jest, aby te problemy jak najszybciej zidentyfikować i skorygować, aby dane w Analytics były jak najbardziej precyzyjne i użyteczne. 

Współczynnik unassigned – czym jest?

Analiza sposobu, w jaki pozyskujesz ruch do serwisu, jest kluczowa w kontekście poprawy współczynnika konwersji. Problem pojawia się, gdy ruch nie jest przypisany do konkretnych źródeł czy kanałów, co utrudnia pracę analityczną. Wtedy często pojawia się pytanie, czym jest „Unassigned” w Google Analytics 4 i za jaki ruch odpowiada. 

Unassigned to wartość wymiaru Default Channel Grouping, czyli Defaultowe Grupowanie Kanałów, występująca w raportach pozyskiwania ruchu. W raportach tych standardowo widoczny jest kanał Default Channel Grouping, który stanowi najwyższy poziom agregacji źródeł ruchu. Schodząc niżej, można znaleźć szczegółowe informacje, takie jak źródło, medium, kampania i inne. W raportach Google Analytics, szczegółowe informacje o pozyskiwaniu ruchu znajdziemy w zakładce Reports, w sekcji Acquisition.

Chcąc sprawdzić wartość ruchu unassigned musimy zejść jeszcze niżej. W raportach Google Analytics, szczegółowe informacje o pozyskiwaniu ruchu znajdziemy w zakładce Reports, w sekcji Acquisition. 

Warto tu rozróżnić dwa rodzaje pozyskiwania: Traffic Acquisition i User Acquisition. Po wejściu do Traffic Acquisition, pierwszym widocznym wymiarem jest Primary Channel Group, znany również jako Default Channel Group. Wśród tych wymiarów może pojawić się opcja Unassigned. Unassigned jest wartością wymiaru Default Channel Grouping, która domyślnie jest widoczna w raportach pozyskiwania ruchu. Choć w raportach zazwyczaj prezentowane są domyślne ustawienia, możemy zmienić podstawowy wymiar na przykład na źródło medium. 

Ważne jest jednak, że samego wymiaru Default Channel Grouping nie można edytować. Tworząc własne grupowanie kanałów, możemy skorzystać z opcji utworzenia niestandardowego grupowania. Pojawiające się wartości są widoczne w definicji Default Channel Grouping, gdzie znajdziemy szczegóły dotyczące znaczenia poszczególnych wartości. Na przykład, terminy takie jak Cross Network czy Direct Display opisują, co oznaczają konkretne wartości w Default Channel Grouping. 

Dodatkowo, definicje tych wartości wskazują, w jaki sposób Google Analytics 4 przypisuje poszczególne wartości do konkretnych wymiarów. Jeśli w naszym raporcie pojawi się konkretna wartość, oznacza to, że źródło ruchu nie pasuje do żadnej z zdefiniowanych kategorii. 

Współczynnik unassigned – jak sprawdzić jego wartość?

Pytanie, które może się pojawić w kontekście Google Analytics 4, dotyczy ruchu oznaczonego jako „Unassigned”. Aby zrozumieć, za jaki ruch odpowiada ta kategoria, warto skorzystać z dostępnych źródeł pomocy, które szczegółowo opisują kryteria przypisywania ruchu do określonych wartości w Default Channel Grouping. Jeżeli żaden z tych warunków nie jest spełniony, wtedy ruch trafia do kategorii „Unassigned”.

Z mojego doświadczenia wynika, że udział ruchu „Unassigned” zwykle wynosi kilka procent, maksymalnie od 1% do 3%, w zależności od serwisu. Zdarzały się jednak przypadki, gdzie ten udział sięgał nawet 15%, co wskazuje na problem z konfiguracją śledzenia danych. Warto bliżej przyjrzeć się sytuacji, gdy udział ruchu „Unassigned” przekracza 5%.

Jak sprawdzić ten udział ruchu? W raporcie Traffic Acquisition można odfiltrować kategorię „Unassigned”. Jeśli udział wynosi 3,33%, mieści się on w granicach typowych obserwacji. Jeśli udział ruchu Unassigned przekracza 5%, warto się tym zainteresować i przeanalizować sytuację dokładniej. Zanim jednak przejdziemy do raportów, warto zwrócić uwagę na kilka aspektów związanych z weryfikacją tego współczynnika. 

Przede wszystkim, korzystając z bezpłatnej wersji Google Analytics 4, dane potrzebują minimum 48 godzin na pełne przetworzenie. Dlatego przy audycie Unassigned analizuj dane przynajmniej z dwóch dni wstecz. W przypadku Google Analytics 360 ten limit 48 godzin jest zniesiony, a dane pojawiają się już po 4 godzinach. Jeśli zatem potrzebujesz szybkich danych o ruchu, Google Analytics 360 może być odpowiednim rozwiązaniem.

Ruch unassigned – dlaczego się pojawia?

Jednym z powodów pojawiania się ruchu Unassigned jest nieprawidłowe wdrożenie measurement protocol. Warto to sprawdzić, aby zapewnić prawidłowe gromadzenie danych. Measurement Protocol to funkcjonalność Google Analytics 4, która umożliwia wysyłanie danych bezpośrednio do tego narzędzia, z pominięciem strony internetowej lub aplikacji mobilnej. 

Warto zaznaczyć, że podczas wysyłania tak zwanych żądań Measurement Protocol może zabraknąć Session ID, do którego przypisana jest dana interakcja. To jedna z przyczyn problemów, jakie mogą się pojawić. Measurement Protocol jest wymagającą pod względem technicznym funkcjonalnością, co stwarza ryzyko popełnienia błędów i skutkuje przypisaniem danych do kategorii „unassigned”. 

Innym powodem występowania nieprzypisanego źródła ruchu może być brak eventu Session Start. Temat ten jest dość techniczny, jednak często wynika z nieprawidłowego wdrożenia Google Tag Managera. Choć nie będziemy tutaj zagłębiać się w szczegóły techniczne, warto rozważyć ten aspekt jako możliwą przyczynę problemu. 

Kolejnym powodem pojawiania się kategorii „unassigned” mogą być niestandardowe „audience” w Google Analytics 4. Podczas tworzenia takich grup odbiorców czasami generowane są zdarzenia, które mogą prowadzić do powstania kategorii „unassigned”. Jeśli masz wiele tworzonych grup odbiorców, to może być potencjalna przyczyna wysokiego współczynnika „unassigned”. 

Ostatecznie, problem może wynikać z nieprawidłowego lub niekompletnego wdrożenia tagów UTM. Analizując przepływ danych w kanałach, gdzie ruch przypisywany jest jako domyślny lub nieprzypisany, istotne jest prawidłowe zastosowanie UTM-ów. Jeśli nasze UTM-y nie spełniają określonych kryteriów, ruch zostaje oznaczony jako unassigned. Należy także zwrócić uwagę na stosowanie niepewnych UTM-ów. Podstawowe trzy UTM-y to UTM Medium, UTM Campaign i UTM Source. W przypadku użycia jedynie UTM Campaign istnieje wysokie prawdopodobieństwo, że ruch trafi do kategorii unassigned.

Warto również w raporcie Traffic Acquisition, czyli pozyskiwania ruchu, dodać dodatkowy wymiar zawierający source/medium. Po dodaniu Source/Medium często okazuje się, że najczęściej jest to source/medium non-set. Z doświadczenia wynika, że w co najmniej 75% przypadków to właśnie source/medium non-set jest przyczyną pojawiania się ruchu unassigned. 

Co jest powodem pojawiania się non-set? Zazwyczaj przyczynami są te, które już omówiłem. Dla przypomnienia, mamy 48 godzin na przetworzenie danych, co jest pierwszym powodem. Drugim powodem może być nieprawidłowo wdrożony measurement protocol, a także nieprawidłowa konfiguracja Google Tag Managera, zwłaszcza gdy zdarzenia są wywoływane przed deklaracją konta, czyli tzw. tagu konfiguracyjnego. Warto więc dokładnie sprawdzić wdrożenia tych narzędzi.

Wysoki współczynnik unassigned – dlaczego jest problematyczny?

Dlaczego wysoka wartość tego współczynnika to problem? Analityka internetowa ma na celu podejmowanie decyzji w oparciu o dane online. Gdy duża część naszego ruchu marketingowego nie jest przypisana do żadnego kanału, oznacza to, że nasze dane nie są wystarczająco precyzyjne.

Jakość danych jest kluczowa dla wartości analiz, które na nich opieramy. W świecie marketingu i biznesu funkcjonuje pojęcie GIGO, czyli Garbage In, Garbage Out. Oznacza to, że jakość naszych analiz jest bezpośrednio związana z jakością danych, które wykorzystujemy. Warto więc zwrócić szczególną uwagę na to, aby dane, na których pracujemy, były jak najlepszej jakości. 

Strategie radzenia sobie z „Unassigned” w Google Analytics 4

Jeśli w raporcie Traffic Acquisition widzisz wysoką wartość „Unassigned”, warto wdrożyć systematyczne podejście: najpierw przeanalizuj, jakie źródła często trafiają do kategorii „nieprzypisane”, następnie sprawdź konfigurację tagów oraz UTM-y, a w końcu utwórz własne grupowanie kanałów (Custom Channel Grouping). Dzięki temu poprawisz jakość danych, łatwiej podejmiesz decyzje marketingowe i zminimalizujesz efekt „ślepych stref” w analizie ruchu online.

• Weryfikacja paramet­rów UTM – Sprawdź, czy kampanie oparte są na pełnych i zgodnych ze standardem UTM (utm_source, utm_medium, utm_campaign). Niewłaściwie lub niekompletnie oznaczone linki to częsta przyczyna ruchu oznaczonego jako „Unassigned”.
• Audyt kodu śledzącego i konfiguracji tagów – Upewnij się, że skrypt GA4 i tagi w Google Tag Manager poprawnie się ładują, a zdarzenia takie jak session_start są właściwie wysyłane. Błędy w tym obszarze mogą powodować, że ruch trafia do „Unassigned”.
• Tworzenie niestandardowego grupowania kanałów – Gdy domyślne grupy (Default Channel Grouping) nie odpowiadają Twojej strukturze kampanii, warto utworzyć własne kanały w GA4 i przypisać ruch odpowiednio. To pozwala lepiej klasyfikować nietypowe kampanie lub media
• Sprawdzanie integracji z reklamami i zdarzeń backendowych – Integracja z systemami reklamowymi (np. Google Ads) lub wysyłanie danych przez protokół pomiarowy może generować ruch, który GA4 klasyfikuje jako „Unassigned”. Warto przejrzeć takie przepływy i dostosować je technicznie.
• Stały monitoring i analiza trendów – Ustal dopuszczalny poziom ruchu nieprzypisanego (np. < 5 %) i regularnie sprawdzaj, czy nie dochodzi do skoków. Nagle narastający udział „Unassigned” może świadczyć o błędzie implementacji lub zmianie w kampaniach.

Współczynnik unassigned – jak zmniejszyć jego wartość?

Aby zmniejszyć ten współczynnik, warto zastosować Custom Channel Grouping, czyli własne grupowanie kanałów. Pozwala to na skopiowanie Default Channel Grouping i dostosowanie go do indywidualnych kryteriów, co jest szczególnie istotne, gdy źródło/medium not-set nie jest jedynym powodem pojawienia się „unassigned”. 

To rozwiązanie jest niezbędne, zwłaszcza w przypadku stosowania UTM, które nie są przypisane do żadnego domyślnego kanału. Tagowanie parametrami UTM stanowi podstawę dobrej jakości danych w marketingu i pozwala na precyzyjniejszą analizę oraz lepsze zrozumienie efektywności kampanii. Zadbaj o prawidłowe tagowanie kampanii UTM, niezależnie od tego, czy masz problem z unassigned, czy nie. 

Kluczowym krokiem w tym procesie jest dokładna analiza konfiguracji, szczególnie wdrożenia kodu śledzącego lub Google Tag Managera (GTM). To właśnie tam najczęściej tkwi przyczyna wysokiego udziału ruchu not-set, który wpływa na duży współczynnik unassigned.

Podsumowanie

Unassigned nie zawsze stanowi duży problem, zwłaszcza jeśli jego udział w ruchu wynosi mniej niż 5%. Jednak w przypadku większych udziałów warto dokładnie przeanalizować sytuację. Przypisanie konwersji do źródeł ruchu jest kluczowe dla skutecznej analizy danych. Warto zacząć od struktury tagowania kampanii UTM, która jest kluczowa dla skutecznej analizy działań marketingowych. 

The post Współczynnik unassigned w GA4 – czym jest i jak go zmniejszyć? first appeared on Conversion.

Czym jest atrybucja konwersji?
Dlaczego atrybucja konwersji jest ważna?
Wyzwania związane z atrybucją marketingową
Modele atrybucji w marketingu
Jak wybrać najlepszy model atrybucji?
Pobierz poradnik o atrybucji konwersji
Podsumowanie

Czym jest atrybucja konwersji?

Atrybucja konwersji to proces przypisywania wartości sprzedaży poszczególnym kanałom marketingowym. W dobie wielokanałowości użytkownicy rzadko dokonują zakupu podczas pierwszej wizyty w serwisie. Różne źródła ruchu po kolei prowadzą go do momentu, w którym decyduje się na transakcję.

Nie jest właściwe przypisywanie całego przychodu tylko ostatniemu źródłu, ponieważ wcześniejsze punkty styku również miały wpływ na decyzję użytkownika. Atrybucja konwersji pozwala lepiej zrozumieć, jak działa marketing mix i jak skuteczniej dystrybuować budżet między kanałami.

Dlaczego atrybucja konwersji jest ważna?

Atrybucja konwersji pozwala optymalizować działania marketingowe i uniknąć sytuacji, w której cała uwaga skupiona jest tylko na kanałach z najwyższą konwersją. Często pomijane są źródła, które sprowadzają użytkowników, ale niekoniecznie generują natychmiastowe zakupy.

Bez atrybucji konwersji marketing przypomina ocenianie drużyny piłkarskiej jedynie po jednym zawodniku – nie uwzględniając wszystkich etapów prowadzących do zwycięstwa.

Wyzwania związane z atrybucją marketingową

Marketingowa atrybucja boryka się z wieloma trudnościami – od braku spójności między kanałami, przez ograniczenia prywatności, aż po niejasne modele oceny wpływu kampanii. Trudno dostrzec pełną ścieżkę klienta, zwłaszcza gdy działa na wielu urządzeniach lub offline.

Problemy z gromadzeniem danych

Częstym problemem jest fragmentacja danych – informacje są rozproszone pomiędzy różnymi systemami (mailing, CRM, reklamy) i nie są łatwo scalalne. Dodatkowo, restrykcyjne polityki prywatności i ograniczenia przeglądarek (np. blokowanie cookies) sprawiają, że wiele działań użytkownika pozostaje poza zasięgiem narzędzi analitycznych.

Modele atrybucji w marketingu

Modele atrybucji można podzielić na trzy główne kategorie:
– Single-touch – przypisują 100% konwersji do jednego kanału (np. pierwszy lub ostatni klik).
– Multi-touch – rozdzielają wartość konwersji pomiędzy kilka kanałów, np. model liniowy lub schyłku udziału w czasie.
– Marketing mix modeling – wykorzystuje algorytmy i machine learning do oceny wkładu poszczególnych kanałów w konwersję.

Najlepszy model zależy od specyfiki kampanii i ścieżek użytkowników.

Jak wybrać najlepszy model atrybucji?

Aby wybrać odpowiedni model atrybucji, należy dokonać analizy kilku kluczowych czynników:
1. Określenie celu konwersji – np. sprzedaży, generowania leadów.
2. Analiza ścieżek użytkownika i interakcji między kanałami.
3. Wdrożenie monitorowania touchpointów, np. za pomocą BigQuery.
4. Testowanie różnych modeli i analiza uzyskanych wyników.

Podsumowanie

Atrybucja konwersji to kluczowy element skutecznej analizy danych marketingowych. Pozwala na sprawiedliwy podział wartości konwersji pomiędzy kanały i lepsze dopasowanie strategii budżetowej.

Zachęcam do pobrania naszego poradnika, który pomoże Ci lepiej zrozumieć i wdrożyć modele atrybucji konwersji w Twojej firmie.

The post Atrybucja konwersji w marketingu – przewodnik first appeared on Conversion.

Wprowadzenie: Google Analytics – historia i poszukiwanie alternatyw
Ewolucja Google Analytics: Od Urchina do GA4
GA4 i RODO: Kontrowersje prawne
Alternatywy dla Google Analytics: Kryteria i koszty
Rola Google Analytics 4 w ekosystemie Conversion
Podsumowanie

Wprowadzenie: Google Analytics – historia i poszukiwanie alternatyw

W tym wpisie przedstawiam porównanie narzędzi do analityki internetowej, które mogą pełnić funkcję alternatywy dla Google Analytics. To przydatne zestawienie dla firm rozważających zmianę systemu analitycznego z uwagi na wymogi prawne lub nowe potrzeby biznesowe. Analityka internetowa nie ogranicza się wyłącznie do Google Analytics, choć przez lata to właśnie to narzędzie dominowało na rynku. Jeszcze kilka lat temu stanowiło ponad 95% rozwiązań wykorzystywanych do śledzenia danych i optymalizacji produktów cyfrowych. Dziś ekosystem narzędzi analitycznych jest znacznie bardziej zróżnicowany.

Ewolucja Google Analytics: Od Urchina do GA4

Warto przyjrzeć się historii rozwoju Google Analytics, aby zrozumieć, jak ewoluowała analityka internetowa. W 1995 roku powstał Urchin Analytics – narzędzie analityczne stworzone przez niezależną firmę, które umożliwiało analizowanie ruchu na stronach internetowych. Dziesięć lat później, w 2005 roku, Google dostrzegło potencjał tego rozwiązania i przejęło Urchin Analytics. Wkrótce potem narzędzie zostało przemianowane na Google Analytics, stając się jednym z najważniejszych produktów w portfolio Google związanym z Digital Analytics.

Od tego momentu rozpoczął się dynamiczny rozwój narzędzi analitycznych Google, który trwa do dziś. Początki Google Analytics sięgają wersji, którą można dziś określić jako Google Analytics 1. W 2007 roku narzędzie przeszło pierwszy istotny upgrade. Wprowadzono nowy standard śledzenia, choć interfejs pozostał bez zmian. Od tego momentu mówi się o wersji Google Analytics 2.

Przełom nastąpił w 2012 roku, gdy po raz kolejny udoskonalono sposób śledzenia dzięki nowemu kodowi śledzącemu. W tym samym czasie wprowadzono SDK, co umożliwiło integrację Google Analytics z aplikacjami mobilnymi. W tym okresie pojawiła się również płatna wersja narzędzia — Google Analytics 360, skierowana do firm potrzebujących bardziej zaawansowanych funkcji analitycznych.

W 2017 roku Google zaprezentowało Firebase — dedykowane narzędzie do analityki aplikacji mobilnych, które uzupełniło ekosystem rozwiązań Google. Natomiast w 2020 roku wprowadzono nową wersję narzędzia — Google Analytics 4. Początkowo funkcjonowała pod nazwą App + Web, podkreślając integrację danych z aplikacji mobilnych i stron internetowych w jednym panelu analitycznym. Google Analytics 4 to obecnie standardowe narzędzie analityczne od Google. Jego nazwa nawiązuje do wcześniejszych wersji, które były oznaczone kolejno jako GA1, GA2 i GA3. W 2023 roku zakończyło się działanie Google Analytics 3 (Universal Analytics), co oficjalnie zamknęło pewną erę w analityce internetowej.

GA4 i RODO: Kontrowersje prawne

Po zakończeniu wsparcia dla GA3 wiele firm zaczęło szukać alternatyw dla najpopularniejszego dotąd narzędzia. GA4 w momencie premiery nie spełniało wszystkich oczekiwań. Wiele funkcjonalności było niedopracowanych, co wpłynęło na decyzje firm o testowaniu innych rozwiązań.

Dodatkowym wyzwaniem okazały się kwestie związane z RODO. Pojawiły się wątpliwości, czy dane zbierane przez Google Analytics są gromadzone zgodnie z przepisami o ochronie danych osobowych. Problemy dotyczyły między innymi sposobu działania ciasteczek i identyfikatorów użytkowników.

Warto sprawdzić, czy sposób zbierania danych na stronie jest zgodny z RODO – szczególnie w kontekście działania plików cookies. W tym celu można wykorzystać specjalną wtyczkę, którą omawiam w osobnym materiale. Pokazuję tam również, jak Urząd Ochrony Danych Osobowych weryfikuje zgodność witryn z przepisami o ochronie danych. Ponad 70% osób korzystających z naszego materiału nie subskrybuje kanału. Subskrypcja pozwala nam skuteczniej dzielić się wiedzą z zakresu analityki internetowej i wykorzystania danych online.

W kontekście legalności korzystania z Google Analytics w Unii Europejskiej, rok 2022 przyniósł wiele kontrowersji. Wydano wtedy szereg decyzji ograniczających użycie tego narzędzia. W styczniu 2022 roku Austria i Norwegia uznały, że korzystanie z Google Analytics narusza przepisy o ochronie danych osobowych. W lutym podobne stanowisko zajęła Francja, w czerwcu Włochy, a we wrześniu – Dania. W efekcie wielu przedsiębiorców działających w Europie miało wątpliwości, czy nawet po uzyskaniu zgody na wykorzystanie plików cookie, dane zbierane przez Analytics są zgodne z przepisami.

Sytuacja uległa zmianie 10 lipca 2023 roku. Wtedy Stany Zjednoczone i Unia Europejska – za pośrednictwem Komisji Europejskiej – zawarły nowe porozumienie w sprawie transferu danych. Zobowiązania podjęte przez obie strony umożliwiają obecnie przesyłanie danych osobowych poza Europejski Obszar Gospodarczy, co przywraca prawne podstawy do korzystania z Google Analytics w wielu krajach UE. W lipcu 2023 roku został podpisany tzw. Data Privacy Framework. Jednak już wcześniej, w styczniu 2022, zapadł wyrok, który poważnie podważył legalność wykorzystywania Google Analytics w Europie. Był to moment przełomowy dla narzędzia. Ostateczne przesądzenie jego przyszłości nastąpiło wraz z zakończeniem wsparcia dla GA3 w 2024 roku. Od tego czasu GA4 stało się jedynym oficjalnym narzędziem Google do analityki internetowej.

Wraz z tymi zmianami pojawiło się wiele pytań o dostępne alternatywy. Coraz więcej firm zaczęło szukać rozwiązań, które spełniają wymogi prywatności i jednocześnie pozwalają skutecznie analizować dane użytkowników.

Alternatywy dla Google Analytics: Kryteria i koszty

W odpowiedzi na te potrzeby przygotowaliśmy porównanie narzędzi analitycznych. Pod uwagę wzięliśmy dwa kluczowe kryteria: udział w rynku oraz liczbę wdrożeń. W analizie posłużyliśmy się danymi z dwóch źródeł: W3Techs – systemu prezentującego statystyki dotyczące udziałów rynkowych technologii internetowych, oraz Wappalyzer – narzędzia i wtyczki przeglądarkowej, która identyfikuje technologie używane na stronach internetowych i pokazuje liczbę ich wdrożeń. W porównaniu narzędzi analitycznych uwzględniliśmy technologie śledzenia – czy wykorzystywane są ciasteczka, czy inne mechanizmy. Analizowaliśmy także kluczowe cechy, takie jak obecność próbkowania danych, dostępność mobilnych SDK oraz możliwość śledzenia użytkowników między aplikacjami mobilnymi a środowiskiem desktopowym.

Pod uwagę braliśmy również koszty narzędzi, w tym dostępność wersji darmowej. Tam, gdzie było to możliwe, do porównania dołączyliśmy cenniki.

W przypadku Google Analytics 360, czyli płatnej wersji Analytics, szczegółowe informacje o cenach dostępne są w podlinkowanym materiale. Jako autoryzowany reseller GA 360 możemy przedstawić aktualne warunki cenowe. Materiał odpowiada na pytanie, ile kosztuje Google Analytics 360.

W porównaniu uwzględniliśmy również kwestię właścicielstwa danych oraz miejsca ich przechowywania. Porównanie narzędzi analitycznych, które przygotowaliśmy, powstało w kontekście zamieszania z 2022 roku, związanego m.in. z blokowaniem niektórych rozwiązań przez adblocki. Zestawienie to jest dostępne do pobrania na naszej stronie, a link znajduje się w opisie pod materiałem wideo.

Rola Google Analytics 4 w ekosystemie Conversion

Wybór narzędzia analitycznego zależy nie tylko od funkcjonalności porównywanych rozwiązań, ale w dużej mierze od technologiczno-marketingowego stacku, z którego firma już korzysta. Google Analytics, jako część ekosystemu Google, doskonale integruje się z innymi narzędziami tej firmy, takimi jak Google Marketing Platform czy Google Cloud Platform. Biorąc pod uwagę, że ponad 90% rynku reklamowego w Polsce opiera się na rozwiązaniach Google, nie jest zaskoczeniem, że około 95% naszych klientów wybiera właśnie Google Analytics.

GA4, mimo początkowych kontrowersji, przeszło liczne ulepszenia. Obecnie nasi klienci traktują je głównie jako system do zbierania i integrowania danych – łączący pomiar zachowań użytkowników z danymi reklamowymi. Można więc śmiało stwierdzić, że GA4 stanowi fundament analityki w większości realizowanych przez nas projektów. Coraz więcej firm dąży do stworzenia jednego źródła prawdy w obszarze marketingu – centralnej hurtowni danych, która integruje informacje z różnych kanałów. Taki system umożliwia podejmowanie decyzji opartych na pełnym obrazie danych, bez potrzeby porównywania rozproszonych raportów z poszczególnych platform.

Temat hurtowni danych w marketingu został szczegółowo omówiony w osobnym materiale zatytułowanym „Dlaczego warto wdrożyć hurtownię danych w marketingu”. Przedstawiono tam trzy konkretne powody, dla których warto zainwestować w takie rozwiązanie. Link do materiału znajduje się w opisie.

W opisie dostępne jest również fizyczne porównanie różnych podejść do gromadzenia danych marketingowych. Warto je pobrać i przeanalizować. W przypadku dodatkowych pytań zachęcamy do kontaktu — zespół Conversion jest gotowy, by pomóc. Dziękuję za uwagę.

Podsumowanie

Podsumowując, wybór odpowiedniego narzędzia do analityki internetowej jest kluczowy dla każdej firmy. Historia Google Analytics pokazuje, jak dynamicznie zmienia się krajobraz analityki danych, a także jak istotne stają się kwestie związane z ochroną prywatności i zgodnością z regulacjami takimi jak RODO. Mimo początkowych wyzwań, Google Analytics 4 ugruntowało swoją pozycję jako fundament w ekosystemie Google, oferując zaawansowane możliwości integracji i analizy danych.

Niezależnie od wybranego narzędzia, kluczem do sukcesu jest umiejętne wykorzystanie danych do podejmowania świadomych decyzji biznesowych. Firma Conversion, jako butik analityczny, wspiera klientów w tym procesie, pomagając im nie tylko we wdrożeniu odpowiednich narzędzi, ale przede wszystkim w zrozumieniu i efektywnym wykorzystaniu zgromadzonych informacji. Jesteśmy gotowi pomóc w nawigowaniu po złożonym świecie analityki internetowej, aby nasi klienci mogli osiągać swoje cele marketingowe i biznesowe.

The post Porównanie narzędzie do analityki internetowej first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Radosław Łukasiewicz i jego doświadczenie w analityce
Ewolucja podejścia do danych w ciągu 15 lat
Kluczowe projekty analityczne w Gemini
„Rekruterzy” – jak produkty przyciągają klientów i budują wartość koszyka
Rola wyszukiwarki i listingu produktów
Analityczny stos technologiczny i wykorzystanie danych surowych
Zmiana paradygmatu: od produktu do klienta
Podsumowanie: Analityka jako narzędzie do działania

Radosław Łukasiewicz i jego doświadczenie w analityce

Mariusz Michalczuk: Witajcie w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Waszym gościem jest Radek Łukasiewicz. Radku, bardzo dziękuję za przyjęcie zaproszenia. Może na sam początek przedstaw się krótko, opowiedz kilka słów o sobie.

Radosław Łukasiewicz: Przede wszystkim dziękuję za zaproszenie. Bardzo mi miło. Nazywam się Radek Łukasiewicz, pracuję aktualnie w Gemini, gemini.pl, jednej z internetowych drogerii, gdzie zajmuję się analityką i marketingiem. Mam u siebie zespoły, które pozyskują i analizują ruch na stronie oraz zespół, który zajmuje się działaniami marketingowymi i organicznymi, między innymi na Facebooku, w social mediach ogólnie, pracując z newsletterem i tak dalej.

Ewolucja podejścia do danych w ciągu 15 lat

Mariusz Michalczuk: Twoje doświadczenie w analityce online jest bardzo szerokie. Przechodziłeś przez różne stanowiska. Opowiedz, jak z perspektywy tych ról i doświadczenia wyglądała analiza danych w firmach, w których pracowałeś.

Radosław Łukasiewicz: Stanowiska rzeczywiście były różne: produktowe po stronie wydawcy, w firmie badawczej, własnym biznesie jako właściciel, analityczne czy stricte reklamowe. Dane zawsze były obecne, oczywiście z różnym nasileniem. To bardzo zmieniało się w czasie. To, co było 15 lat temu, zupełnie nie równa się temu, co jest dzisiaj. Nawet w firmach, w których byłem wtedy, dzisiaj wykorzystanie danych i podejście do nich jest zupełnie inne – dostęp, ilość – to wszystko zmieniło się wielokrotnie.

Zawsze te dane były. Im bliżej sprzedaży i wyniku, tym więcej danych do przeanalizowania, tym więcej potrzeb z nimi związanych. Dzisiaj, patrząc na mój biznes, na rynek, konkurentów, czy nawet na ten podcast, mamy poczucie, że dane są wszechobecne i trudno znaleźć kogoś, kto z nich nie korzysta. Nie wiem, czy w ogóle taką firmę można by trafić.

Mariusz Michalczuk: To prawda. Ja też mam 15-letnie doświadczenie w branży. Conversion założyliśmy w 2010 roku, chociaż wtedy zaczęło się od bloga. Nawet na kanale YouTube jest odcinek, w którym dzielę fazy rozwoju tej branży. To, co wydarzyło się do 2020 roku, to cztery fazy. Po 2020 roku to zupełnie inne światy. W praktyce w ostatnich 5 latach wydarzyło się więcej zmian niż w poprzednich 10, zwłaszcza po okresie pandemicznym, kiedy wszyscy zorientowali się, że nie ma innej drogi w biznesie niż online. Wtedy zrobiło się ciasno. Jest nawet powiedzenie: „data is new oil”, więc faktycznie dane stały się nową ropą naftową.

Kluczowe projekty analityczne w Gemini

Mariusz Michalczuk: W Gemini masz najwięcej świeżych projektów. Czy mógłbyś podzielić się przykładami projektów, w których dane odegrały kluczową rolę? Macie aptekę internetową, stacjonarne apteki, czyli dodatkowo omnichannel.

Radosław Łukasiewicz: Z omnichannel nie jest tak prosto, bo apteki są mocno obwarowane przepisami. Skupiając się na online, z perspektywy web-analityki, bardzo ważnym projektem, choć nie wykorzystania, a zbierania danych, była zmiana platformy sklepowej. To była zmiana diametralna, bo serwis przeszedł na SPA (Single Page Application), co po stronie analityki i gromadzenia danych generuje wyzwania. Trzeba było zastanowić się, jak podejść do pozyskiwania danych, by podejście sprawdziło się długoterminowo, by po kilku miesiącach czy latach dane były zbierane tak samo skutecznie i precyzyjnie.

Zdecydowaliśmy się na podejście może bardziej ważące po stronie wdrożenia, ale bardzo skuteczne po stronie odbioru danych: wygenerowanie pusha dla każdego eventu, który chcemy mierzyć. Chcemy mierzyć kliknięcie w przycisk „dodaj do koszyka” – wysyłamy event, który o tym informuje. Oczywiście event ten zawiera długą listę parametrów: podstawowych dla Analyticsa i niestandardowych dla nas, wszystkich dodatkowych miar i wymiarów.

To było duże wdrożenie, bo sam serwis jest duży, architektura bardzo skomplikowana, składa się z kilku aplikacji. Wdrożenie od początku, przygotowanie dokumentacji, zebranie biznesowych wymagań jest trudne, a tu doszedł aspekt weryfikacji tego, co było, bo nie wszystko nadawało się do przeniesienia. Cały proces od rozmowy z biznesem, zebrania wymagań, zweryfikowania, co zmienić, zmodyfikować, odrzucić, dodać nowego, przygotowanie wymagań dla IT ze wszystkimi pushami w warstwie danych po określonych akcjach. Stworzenie dokumentacji zrozumiałej dla biznesu i programistów, by znaleźć wspólny język, a potem testowanie i odbiór. Ten proces nie zamknął się na wdrożeniu, bo jeszcze były tematy, które trzeba było dogonić, trwał długo. Powiedziałbym, że był ewolucją bardziej niż rewolucją.

Mariusz Michalczuk: Jak długo to trwało? SPA to nie jest najprostszy framework do wdrażania analityki, a swego czasu był bardzo popularny i robiliśmy sporo takich projektów. Jestem ciekaw, jak to u was wyglądało czasowo.

Radosław Łukasiewicz: Różnie można określić, bo jakbym się uparł, to powiedziałbym, że wciąż trwa. Na wdrożenie mieliśmy zdecydowaną większość, ponad 90% tego, co było potrzebne do podejmowania decyzji, do kontynuacji pomiaru. Tuż po wdrożeniu doszły kolejne kluczowe, brakujące eventy. Potem w ramach rozwoju e-commerce dochodziły kolejne, aczkolwiek nie rzutowały już na strategiczne decyzje biznesowe. To były informacje uzupełniające. Czasem brakowało ważnego wymiaru, coś można by było policzyć szybciej, ale radziliśmy sobie inaczej. Ten czas ewolucyjny trwał rok od momentu wdrożenia. Przy jakichkolwiek wdrożeniach to częsta sytuacja, że MVP jest bardziej ociosane, niż się na początku wydaje.

Mariusz Michalczuk: U nas w firmie przekazaliśmy kody śledzące klientowi w 2017 roku. Wtedy powiedzieliśmy, że jak zaplanuje wdrożenie, to żeby do nas wrócił. Wrócił w 2021 roku. To anegdota, że planowanie to najważniejszy etap.

Radosław Łukasiewicz: Planowanie to najważniejszy etap. U nas doszedł aspekt zewnętrzny, czyli zmiana standardu pomiaru z Universal Analytics na GA4, bo dużo nowości w GA4 wchodziło. To było jeszcze przed sunsetem Universal Analytics, ale dużo rzeczy się tam zmieniało. Zastanawialiśmy się, czy wdrożyć dwa standardy i potem usunąć Universal Analytics, czy wchodzić od początku w GA4. Zasoby weryfikowały ostateczne podejście. Wyszedł trochę patchwork. To, co łatwo dało się przenieść, było z Universal Analytics, to co trzeba było dostawić nowe, było z GA4. Potem mapowanie po stronie GTM. Ale działało. Prace z czyszczeniem i przechodzeniem na standard GA4 są w zasadzie zakończone. Udało się mimo tych zawirowań sprawnie to przeprowadzić. Pomiar nie ucierpiał, historia danych zachowana.

Optymalizacja remarketingu i „rekruterzy” klientów

Mariusz Michalczuk: Wspomniałeś, że jako apteka internetowa jesteście ograniczeni legislacyjnie w kontekście sprowadzania ruchu i reklamy. Zakładam, że analityka on-site ruchu jest bardzo istotna. Czy mógłbyś podzielić się przykładami analiz, wnioskami lub projektami, w których wykorzystaliście zebrane dane i co ciekawego z tego wyszło?

Radosław Łukasiewicz: Mam dwa ciekawe przykłady. Poza częścią apteczną, mamy też część drogeryjną, która pozwala sprowadzać ruch, również płatny. Jednym z projektów była weryfikacja zwrotu z inwestycji w remarketing. Remarketing to pojęcie znane każdemu, kto pracował w e-commerce. To reklamy, które widzi użytkownik już zainteresowany naszą ofertą, więc wchodzimy nimi w dół lejka zakupowego. Powoduje to, że gdy oglądamy wyniki poszczególnych źródeł ruchu, wszelkie działania remarketingowe często mają fantastyczny ROAS. W praktyce niekoniecznie jest to takie proste – model atrybucji, nawet nowy, GA4 data-driven, nie jest w stanie dokładnie ocenić tego wpływu. Zawsze będzie jakiś błąd, więc warto spojrzeć na to z kilku perspektyw, by dodać kontekstu.

Postanowiliśmy zrobić testy A/B: połowa użytkowników serwisu dostawała piksel śledzący remarketera, a druga połowa go nie dostawała. Nie zapisywaliśmy im ciasteczka, więc nie mogliśmy prowadzić do nich działań remarketingowych. Mierzyliśmy konwersję w obu grupach. Okazało się, co trochę przypuszczaliśmy i było rozczarowaniem, że nie ma istotnego statystycznie wpływu działań remarketingowych na współczynnik konwersji w okresie testów.

Nie mówię, że remarketing jest zły, ale należy go robić w sposób jeszcze bardziej celowany. Wpływ biznesowy z remarketingu będzie wtedy, gdy uda nam się zawrócić użytkownika, który zrezygnował z zakupów w naszym sklepie, a nie dotrzeć reklamą do osoby, która i tak już podjęła decyzję, tylko jeszcze nie zdążyła złożyć zamówienia. Jeśli uda nam się posegmentować użytkowników, by tych, którzy na pewno lub z dużym prawdopodobieństwem złożą zamówienie, wykluczyć z kampanii, a kierować ją tylko do tych, którzy prawdopodobnie zamówienia nie złożą, bo znaleźli inną ofertę lub byli jeszcze niezdecydowani, to to będzie nasz inkremental. Jest to trudne w praktyce, ale warto próbować, bo z testowania zawsze płynie wiedza.

Drugi przykład wykorzystania danych w celach biznesowych dotyczył oferty i „rekrutacji” zamówień czy klientów. Nie każdy produkt jest taką samą potrzebą dla klienta. Niektóre to podstawowe produkty w koszyku, bez których nie złożymy zamówienia, inne to dodatkowe, które można kupić później lub gdzie indziej. To teoria bazująca na książce Camprada, założyciela IKEA – „hot dogi”, produkty cenowe, które przyciągną klientów do sklepu i spowodują, że poza tym jednym, po który przyszli, dobiorą kolejne, które zwiększą wartość zamówienia. Wiadomo, że ten „hot dog” musi być tani, bo cena determinuje wejście do danego sklepu i obejrzenie oferty.

Mariusz Michalczuk: Dokładnie. Albo stolik Lack, który każdy ma. Moja żona śmieje się, że bez 500 zł z IKEA się nie wychodzi, bo jedzie się po jedną rzecz, a po drodze…

Radosław Łukasiewicz: Tak, potem przechodzi się między koszami i alejkami i zawsze znajdą się jakieś „przydasie”. Podobnie wygląda to w internecie. Musi być coś, co użytkownika przyciągnie do sklepu. Konkurencja w wyszukiwarkach jest duża. Potem klient chce dodać do koszyka coś jeszcze poza produktem, po który przyszedł. Ważne jest, by patrzeć nie na produkt, a na zawartość koszyka, bo dopiero całość koszyka mówi o rentowności działania.

Jeśli mam produkt, np. stolik Lack, sprzedaję go za 50 zł z marżą 10%, to koszt pozyskania klienta patrząc tylko na marżę z tego jednego produktu może nie wyglądać dobrze. Ale jeśli klient zostawi 500 zł, to marża na pozostałych produktach mocno dobuduje wynik biznesowy. Do tego powinniśmy porównywać koszt pozyskania (płacimy za kliknięcia) i to, co opuszczamy z marży, by uatrakcyjnić cenę. Spojrzenie na całość procesu i efekt w postaci zamówienia jest kluczowe. W żadnym innym wypadku taka matematyka nam się nie sprawdzi i to, co z niej wyjdzie, nie posunie decyzji biznesowych do przodu.

„Rekruterzy” – jak produkty przyciągają klientów i budują wartość koszyka

Mariusz Michalczuk: Jak technicznie to analizowaliście? Jakie decyzje biznesowe podejmowaliście na tej podstawie?

Radosław Łukasiewicz: Technicznie nie jest to trudne, ale trzeba złapać moment, kiedy użytkownik buduje koszyk. Można mieć dwa podejścia. Najprostsze, dotyczące jednej sesji, będzie błędne, bo to, co robię w ostatniej sesji, niekoniecznie pokrywa się z tym, co robiłem wcześniej. Stworzyliśmy parametr, który informuje o momencie stworzenia koszyka przez użytkownika. Gdy dodaje produkt, automatycznie zapisujemy informację z timestampem utworzenia koszyka. Odnosimy się do tego przy zamówieniu, patrząc na user ID, na klienta, na użytkownika. Możemy też złapać czas od utworzenia koszyka do złożenia zamówienia, co jest istotne, szczególnie przy analizie źródeł pozyskujących użytkowników. Wiemy wtedy, w jakim czasie powinniśmy mieć zwrot z inwestycji.

Mariusz Michalczuk: Ten koszyk buduje się u was przez parę dni, a zamówienie jest raczej większe. Średnia wartość zamówienia to zdecydowanie ponad 200 zł.

Radosław Łukasiewicz: Koszyki są większe, szczególnie w sensie ilościowym, liczby produktów. Mogą być za drobne kwoty, ale z reguły jest ich dużo. Specyfiką e-commerce jest to, że koszyk często służy jako lista życzeń. Zamiast serduszkować czy gwiazdkować, użytkownicy dodają produkty bezpośrednio do koszyka, a potem go czyszczą, usuwając to, czego nie potrzebują. Warto to uwzględnić w analizie i ocenić poszczególne źródła pozyskiwania użytkowników.

Są dwie ciekawostki. Pierwsza: są produkty, które się wybijają – tanie, kosztujące kilkanaście złotych, np. magnez, które generują jedne z największych przychodów, gdy spojrzymy na całe koszyki. Wartość produktu nie równa się wartości, którą generuje całe zamówienie. Popularny produkt ściąga klientów, ale ci klienci, poza tym jednym produktem, dołożą dużo więcej, by skorzystać z darmowej dostawy lub akcji na stronie.

Druga rzecz: warto to przeciąć na segmenty i zobaczyć, jak różnią się produkty w zależności od kategorii. Na przykład w Gemini mamy „ciążę, macierzyństwo, dziecko” czy „zdrowie”, które dotyczą różnych grup osób. Widać tutaj specyfikę, jak zmienia się zestaw produktów, wartości zamówień, marżowość. To fajna do analizy specyfika, bo można dużo biznesowych decyzji podjąć na tej podstawie. Czy mleka, pieluchy i inne popularne dla młodych rodziców produkty powinny być w cenie niskiej czy wysokiej? Czy warto coś doinwestować, czy wręcz przeciwnie? Klient kupi tylko sześciopak czegoś, dostanie darmową dostawę i super cenę, ale następne zakupy zrobi gdzie indziej, gdzie akurat będzie dobra cena. Czy może jednak ten klient poza tym produktem dobierze inne potrzebne produkty, które dobudują marżę biznesową i sprawią, że inwestycja w cenę się wyrówna? To są przypadki, na które nie można patrzeć całościowo, tylko trzeba je poprzecinać specyfiką danej branży. W naszym przypadku kategorie produktowe są punktem wyjścia. W innych biznesach mogą być inne specyficzne cechy, od których można wyjść, by analizę skomplikować, a potem uprościć decyzje biznesowe.

Mariusz Michalczuk: Znajomość tego, że ktoś dokonuje zakupów w kategorii „ciąża i macierzyństwo” to dla was złoto do dalszego marketingu. Gdy ktoś kupuje np. pieluchy o danym rozmiarze, wiecie, co dalej można mu proponować. To kolejna kopalnia złota.

Radosław Łukasiewicz: Tak, to możliwość określenia, po co klient przyszedł, kiedy przyszedł po raz pierwszy i odniesienia tego do innych klientów, jak oni kupowali w swoim cyklu. Otwiera to furtkę na bardzo duże możliwości marketingowe: newslettery czy remarketingi, ale prowadzone z odpowiednimi produktami w odpowiednim czasie. Każda taka grupa ma inną specyfikę, częstotliwość składania zamówień, potrzeby i sposób reagowania na promocje. Gdy pojawiają się produkty do opalania, SPF, wiadomo, że specyfika pozwala to fajnie przełożyć na działania i zróżnicować je, by nie strzelać jednym rodzajem amunicji do wszystkich. To poprawia skuteczność i generuje oszczędności kosztowe.

Rola wyszukiwarki i listingu produktów

Mariusz Michalczuk: Apteka internetowa ma coś podobnego z delikatesami internetowymi. Pytanie do Ciebie: co u was wynika z analiz dotyczących istotności listingu i wyników wyszukiwania w kontekście karty produktu? Jak to u was wygląda, w kontekście zachowań zakupowych?

Radosław Łukasiewicz: Wyszukiwarka jest konieczna w większości e-commerce’ów z kilkunastoma czy kilkudziesięcioma tysiącami SKU. Google przyzwyczaił nas do szukania i oczekiwania precyzyjnych odpowiedzi. E-commerce bez tego utrudniałby życie klientom, szczególnie takim jak nasz, gdzie występuje powtarzalność zakupów, podobnie jak w delikatesach. Mam pulę rzeczy, które kupuję zawsze, może z różną częstotliwością, ale powtarzam to. Mogę też kupić coś raz na jakiś czas dodatkowo.

U nas wyszukiwarka jest istotnym elementem serwisu. Przechodzi i przechodziła różne ewolucyjne zmiany, głównie pod kątem dostosowania jej do korzystania z serwisu w mobilu. Proces składania zamówienia bardzo często zaczyna się na telefonie, czasem też kończy na desktopie, ale coraz częściej już na telefonie składane jest zamówienie. Aktualnie nie można dodać produktu do koszyka z poziomu wyszukiwarki – była taka możliwość kiedyś. Samą wyszukiwarkę i jej udział w procesie zakupowym staramy się dokładnie mierzyć.

Mamy projekt, który atrybuuje przychód dla konkretnych fraz, nie dla produktów wyszukanych, bo to jest coś, co my generujemy i możemy generować te wyniki źle. Może nam brakować czegoś w asortymencie. Ważna jest intencja, z jaką przyszedł klient, i to, co wpisał, oraz jak to wpływa na to, co potem kupił. Staramy się przypisywać do tych fraz, które użytkownicy wpisują, przychód z całych zamówień. Klienci mają różne potrzeby. Czasem ktoś ma precyzyjne, zna nazwę produktu, więc wpisuje od razu w wyszukiwarkę. Czasem to kwestia kategorii, a czasem problemu zdrowotnego, np. „lek na alergię”. To ogólne, ale biznesowo daje informacje o tym, co użytkownicy w danym czasie (sezon ma duży wpływ) robią, czego szukają i potrzebują. Może to wpływać na mnóstwo działań, od odpowiedniego pozycjonowania produktów na listingu, po akcje tematyczne dopasowane do potrzeb, po planowanie zakupów asortymentu. Cały szereg procesów może skorzystać na takich informacjach.

Analityczny stos technologiczny i wykorzystanie danych surowych

Mariusz Michalczuk: Pojęcie „rekrutera” jest mega inspirujące, bo często patrzymy przez pryzmat produktu, a nie życiowej wartości klienta. Opowiedziałeś, jakie dane analizujecie i jakie decyzje biznesowe podejmujecie. Teraz trochę o stosie narzędziowym, poza GA4 i GTM. Jakie inne systemy wykorzystujecie? Co dało wam duży efekt w codziennej pracy z danymi?

Radosław Łukasiewicz: Mówisz, że bez oczywistości, ale mimo wszystko nieśmiertelny Excel wycisnąłbym na górę listy, bo to narzędzie zawsze przydaje się do szybkiej eksploracji. Poza otoczką zbierania danych, jak GA4 i analizy po stronie interfejsu, w dużej mierze korzystamy z danych surowych. Trzymamy to wszystko w Databricks, nie w Google Cloud. Największą wartością jest to, że możemy łączyć dane. To, co widzimy w Analyticsie, poprzez zastosowanie identyfikatorów, jak user ID, możemy połączyć z danymi historycznymi o wszystkich zamówieniach składanych przez klientów.

Analytics nigdy nie zbierze wszystkich tych danych. Warto dbać o jakość, aby udział był jak największy, ale wiemy, że 100% pokrycia jest niemożliwe. Możemy trochę dobudować danych, domodelować, rozłożyć niezmierzony ruch na proporcjach. Największą wartością jest możliwość przypisania ruchu i jego pozyskiwania do klientów. Możemy złapać pierwsze zamówienie ze źródłem ruchu, które do niego doprowadziło, potem analizować przez kategorię „rekrutera” produktu i kategorię, która klienta przyniosła. Możemy sprawdzić, co w kolejnych zamówieniach determinowało ich złożenie: czy kanały ruchu się zmieniły, czy wszedł remarketing, newsletter, czy social media. Ważne jest, aby móc ułożyć plan na aktywację klientów po stronie marketingowej.

Z drugiej strony, to kwestia wyliczenia pełnej wartości klienta, czy w odcinku czasu, czy w całym cyklu życia. Bez danych surowych to wszystko nie byłoby możliwe. W Databricks mamy informacje o wartości zamówienia, netto, brutto, podatkach, marżach, kosztach źródeł ruchu. Staramy się łączyć wszystko, by wnioskowanie było pełniejsze, by mieć więcej kontekstu. Wspomniany ROAS – trzeba mieć ostrożność, gdy patrzymy na biznes z tej perspektywy. Warto sięgnąć głębiej do marży, wyliczyć ją, odjąć koszty i zobaczyć, co zostaje, nawet na totalu, by lepiej ocenić jakość działań i przede wszystkim weryfikować trend.

To, co robimy, wpływa na zmianę. Bez dostępu do danych surowych jest to niemożliwe lub bardzo trudne. Na danych surowych możemy dużą część rzeczy przeanalizować, wyliczyć, a następnie zaprognozować. To jest game changer w analityce. Dla części jest już normą, a dla pozostałych biznesów czymś wartym nadrobienia. Nie tylko patrzenie na dane historycznie, bo ich nie zmienimy, ale patrzenie za pomocą tych danych w przyszłość. To, co jest przed nami, to jest to, na co możemy mieć wpływ. Jeśli widzimy negatywne zmiany, mając świadomość ich dzisiejszego przebiegu i potencjalnych skutków za tydzień, miesiąc czy pół roku, jesteśmy w stanie podjąć działania, które nas przed nimi uchronią. Lub odwrotnie, jeśli to coś pozytywnego, starać się to skalować. Prognoza oparta na dobrej jakości danych historycznych jest tutaj kluczowa.

Zmiana paradygmatu: od produktu do klienta

Mariusz Michalczuk: Rozumiem, że macie zbudowane jedno źródło prawdy, z którego dane służą w poszczególnych elementach prowadzenia biznesu. Wspomniałeś o prognozowaniu. Czy możesz podać przykład zmiany paradygmatu u was, gdzie dane pozwoliły wam strategicznie zmienić podejście do online’u, np. w decyzjach mniej operacyjnych?

Radosław Łukasiewicz: Nie mogę podać dokładnego przykładu, ale modelowanie i prognozowanie przydaje nam się przy planowaniu zakupów czy strategicznych decyzjach dotyczących ustalania cen. Wiedząc, że dany typ klienta, dany segment przychodzi po produkt, po kategorię, i mogąc zaprognozować, kiedy inwestycja się zwróci, jesteśmy w stanie dopasować działania na przestrzeni roku – to zawsze dobra perspektywa w biznesie. Jeśli ktoś przychodzi po zakupy raz w roku i rozliczamy się fiskalnie rocznie, chcąc generować przychód, to na tej jednej transakcji musimy być na plusie. Inaczej będzie to obciążało wynik. Jeśli ktoś przychodzi po kategorię, a następnie dwa, trzy, cztery razy w roku powtarza zamówienie, być może innymi produktami (przepust pomiędzy kategoriami to też fajna rzecz do wyliczenia z danych surowych), wtedy weryfikujemy efekt końcowy. Czyli ile w sumie w danym roku klient u nas wydaje, ile z tego jest marży, i do tego możemy dołożyć to, co jesteśmy w stanie inwestować w poszczególnych etapach.

Jeśli ktoś wydaje raz, próbujemy zrobić coś, żeby wydawał dwa, trzy lub cztery razy, albo zmieniamy ceny tak, by jednorazowa transakcja nie obciążała wyniku. To wydaje się oczywiste, ale jest trudne do zrobienia, jeśli nie dysponujesz danymi i wiedzą, która z nich płynie, czyli danymi w połączeniu z informacjami i wiedzą biznesu. Kontekst dokłada szczegół, który pozwala podejmować decyzje. Same dane wiele pokazują, ale czasem za nimi kryją się decyzje, które na pierwszy rzut oka mogą wydawać się nieracjonalne, ale biznes to szerokie spojrzenie i różne inne warunki handlowe mogą wpływać na to, co robimy i co potem widzimy w naszych danych.

Mariusz Michalczuk: Myślę, że to dobre podsumowanie: dane pozwoliły wam zmienić perspektywę z „per produkt” na „per klient”. Nie wiem, czy „klientocentryczność” to wyświechtane słowo, ale tak mi to gdzieś tam w tym, co opowiedziałeś, się przejawia. Dobrze to zinterpretowałem?

Radosław Łukasiewicz: Tak, zdecydowanie. Klientocentryczność, choć można mówić, że wyświechtane, to jedyne słuszne podejście. Dążymy do tego, by patrzenie na dane uwzględniało zachowania i potrzeby klientów. Produkty są istotne, ale są potrzebami, po które klient do nas przychodzi. Przy odpowiedniej segmentacji i zrozumieniu potrzeb klientów możemy dopasować ofertę i rozbudowywać ją, by jak najdłużej utrzymać klienta u siebie – z trzech lat jego zakupów zrobić pięć. Pozyskanie, a potem lojalizacja, pozwala budować trwały, stabilny biznes. Spojrzenie z perspektywy transakcyjności to najczęściej generowanie kosztu i krótkoterminowe patrzenie. Biznes nie jest krótkoterminowy. Nikomu nie chodzi o jeden dobry miesiąc. Każdy planuje na trzy, pięć lat. Dziś pewnie bardziej trzy, bo dynamika, szczególnie online, jest taka, że trudno przewidzieć pięć lat. Kto pięć lat temu myślał o AI i tym, co się z nim dzieje?

Mariusz Michalczuk: To nie tylko kwestia online’u, ale ogólnie życia. AI to duży temat w naszej branży. Patrząc na makroekonomię, geopolitykę, to, co dzieje się przez ostatnie pięć lat…

Radosław Łukasiewicz: Tak, to zjawiska, o których trudno było pomyśleć przeciętnemu człowiekowi. Ktoś ze specjalizacją blisko zjawiska mógł przewidywać, ale informacje nie rozchodzą się równo po społeczeństwie. Dążymy do podejścia, gdzie klient, pacjent jest centrum uwagi. Przykłady wielkich sklepów, jak Amazon, który to spopularyzował, dowodzą, że to działa długoterminowo. Na naszym polskim rynku można porównać wejście Amazona do Polski – najpierw rozbudował logistykę, potem wszedł z ofertą i buduje ją powoli, ewolucyjnie. A wejście Shopee, które nie nastawiało się na potrzeby klientów, tylko działało stricte transakcyjnie – duża inwestycja w marketing, sprowadzenie ruchu, możliwość przetestowania usługi. To nie były tylko powody rynku polskiego, ale to świadczy o tym, jak niestabilny był ten biznes, jak słabe miał fundamenty, że po tak dużej inwestycji nie był w stanie utrzymać udziału w rynku i rentowności i musiał się wycofać. Dwa zupełnie różne podejścia: jedno na szybki zysk, drugie na budowanie efektu w długim terminie. Ten długi termin, przez perspektywy klienta i zainteresowania nim, jest dużo prostszy.

Podsumowanie: Analityka jako narzędzie do działania

Mariusz Michalczuk: Zbliżamy się do końca naszej rozmowy. Bardzo inspirujące są te rzeczy, które robicie w Gemini: spojrzenie klientocentryczne, temat „rekruterów” i atrybucji do słów kluczowych z wyszukiwarki. Na koniec, z perspektywy Twojej różnorodnej kariery, jaką radę dałbyś zarządzającym biznesami online (i nie tylko), by skutecznie wykorzystywać dane?

Radosław Łukasiewicz: Poza klientem, o którym już mówiliśmy, co jest zasadą numer jeden, zasada numer 1.1, której zawsze się trzymam i którą wszystkim opowiadam, to pamiętanie, że analityka nie jest celem samym w sobie. Analityka to narzędzie, sposób na zrealizowanie celu. Częstym błędem w biznesach, który obserwowałem, było skupienie się na samej analizie, która często nie kończyła się podjęciem decyzji albo kończyła się, ale brakowało weryfikacji efektów tej decyzji. To jest wtedy sztuka dla sztuki. Kluczowe jest analizowanie po to, by podejmować decyzje, a potem weryfikować ich efekty, by pracować na rezultatach, które mają doprowadzić do realizacji celu. To najważniejsze w zarządzaniu w oparciu o dane.

Mariusz Michalczuk: Dokładnie. Podsumowałbym to tak: gdy mamy dane, na końcu powinno być działanie. Raport, z mojego doświadczenia, często leży między danymi a działaniem i niestety na raporcie się kończy. Dobrze, jeśli jest raport, a nie tylko surowe, nieudostępnione dane. Analityka to nie cel, a narzędzie do osiągnięcia wyższego celu w biznesie. Super. Mega dziękuję, Radku, za czas i podzielenie się tym, co robisz. Mam nadzieję, do zobaczenia, zwłaszcza gdy pojawią się nowe doświadczenia w Twojej karierze.

Radosław Łukasiewicz: Już teraz mogę się zgodzić. Dziękuję za rozmowę i bardzo chętnie, jeśli pojawi się taka okazja i możliwość opowiedzenia czegoś ciekawego, to jak najbardziej.

Mariusz Michalczuk: Super. Dzięki wielkie. Do zobaczenia. Cześć.

Radosław Łukasiewicz: Dzięki. Do zobaczenia.

The post Radek Łukasiewicz – rekruter w e-commerce, czyli produkt otwierający koszyk – Date with Data Talks first appeared on Conversion.

W pierwszym odcinku podcastu „Date with Data Talks” Mariusz Michalczuk rozmawia z Piotrem Wernerem – analitykiem z wieloletnim doświadczeniem w e-commerce. Podczas rozmowy omawiają swoją nietypową ścieżkę zawodową, kluczowe momenty rozwoju analityki oraz doświadczenia związane z wdrożeniami narzędzi analitycznych, takimi jak GA4, Consent Mode i Google Tag Manager.

Przywitanie i przedstawienie gościa
Początki kariery w e-commerce
Kluczowe momenty w rozwoju analityki
Case Study: Consent Mode w Orange
Narzędzia do analityki i integracji danych
Wyzwania współpracy biznes-IT
Plany zawodowe i rozwój
Podsumowanie głównych wniosków

Przywitanie i przedstawienie gościa

Mariusz Michalczuk: Drodzy słuchacze, witam was w pierwszym odcinku podcastu Date with Data Talks, czyli podcastu skierowanego od praktyków do praktyków, od praktyków danych do praktyków wykorzystania danych w marketingu, w e-commerce. Moim i Waszym gościem, pierwszym gościem w tym podcaście jest Piotr Werner.
Piotrek, bardzo dziękuję, że przyjąłeś moje zaproszenie. Może opowiedz kilka słów o sobie i przejdziemy dalej do rozmowy.

Piotr Werner: Cześć, dzień dobry. Ja też bardzo dziękuję za to zaproszenie, Mariusz. Kilka słów o sobie. Mąż, ojciec, analityk. Może na początek wystarczy.

Początki kariery w e-commerce

Mariusz Michalczuk: Opowiedz trochę, jak się w ogóle twoja przygoda z analityką zaczęła. Jak to wyglądało, jakie były twoje pierwsze kroki, jak rozwijałeś się do miejsca, w którym dzisiaj się znajdujesz.

Piotr Werner: Myślę, że moja ścieżka była nieco niestandardowa. Powiedziałbym, że przechodziłem od ogółu do szczegółów. Zacząłem już ponad dekadę temu pracować w e-commerce, a początkowo nie są to stanowiska związane z analityką. Zaczynałem od najprostszych ról, takich jak opisywanie produktów. To jeszcze były czasy, kiedy ręcznie należało umieszczać słowa kluczowe w kampaniach Google Ads. Krok po kroku nauczyłem się kolejnych obszarów: content marketingu, kampanii SEM, SEO. Też analityka w pewnym momencie się pojawiła. Na początku zajmowałem się różnymi aspektami prowadzenia e-commerce’u, zarówno tymi frontowymi, jak i zakulisowymi, np. kwestiami dostawy czy płatności. Po kilku latach zacząłem zarządzać e-commerce’ami. Zawsze czułem się lepiej w świecie liczb niż w kreatywnym. Pamiętam, że gdy pracowałem w mydlarni Cztery Szpaki, razem z koleżanką odpowiadającą za kreatywną stronę marketingu – porywające opisy produktów, artykuły, kampanie reklamowe – żartowaliśmy, że ja jestem gościem tych „nudnych” spraw. Dla mnie te „nudne” kwestie pozostają nadal interesujące. W pewnym momencie stwierdziłem, że całościowe spojrzenie na e-commerce przestaje wystarczać, bo szczegóły, począwszy od SEO, a potem analityki, były na tyle obszerne, że chciałem się w nie zagłębić. Najpierw skupiłem się mocno na SEO i jego technicznej stronie, a traf chciał, że na pewnym etapie mojej kariery, oprócz zarządzania zespołem SEA, otrzymałem zespół analityki. To był czas, kiedy zacząłem samodzielnie interesować się tym zagadnieniem. Stwierdziłem, że zarządzanie jest mało inspirujące i trzeba iść głębiej. Czytałem, robiłem kursy, zadawałem pytania, aż w końcu zdecydowałem, że chcę zająć się wyłącznie analityką. I tak to trwa do dziś.

Kluczowe momenty w rozwoju analityki

Mariusz Michalczuk: Ja pamiętam początki, kiedy w 2010 roku analityka była domeną ludzi pracujących w SEO oraz PPC, bo bez danych wykonywanie ich pracy było utrudnione. Twoja ścieżka jest bardzo kompletna. Pamiętam, że zanim założyliśmy Conversion, miałem okazję uczestniczyć w managerskim programie w Banku Millennium, gdzie przez dwa lata rotowaliśmy między departamentami, zaczynając od oddziału detalicznego – kasa, sprzedaż kredytów, lokaty, itp.

Piotr Werner: Szkoła Toyoty.

Mariusz Michalczuk: To nawet nie wiedziałem, że to tak się nazywa, ale uważam, że to świetne podejście. A powiedz mi, jaki był kluczowy moment, który ukształtował twoje podejście do analityki? Kiedy pomyślałeś, że bez danych w e-commerce i marketingu ani rusz?

Piotr Werner: Na każdym etapie wydawało mi się, że bez danych i liczb jest ciężko. Gdybym musiał wskazać jeden punkt kulminacyjny, to był webinar, podczas którego zaprezentowano GA4. Oczywiście wcześniej korzystałem z Analyticsa, ale wtedy po raz pierwszy świadomie pomyślałem: “wow, w tym kierunku chcę iść”. Drugi, mniej pozytywny moment dotyczył content marketingu – widziałem różnicę między podejściem opartym na danych przy szukaniu tematów i parametrach artykułów a twardym wyciąganiem liczb, przygotowywaniem statystyk, pisaniem dokumentacji, pracami technicznymi, jak data layer czy blue tag manager. Zauważyłem dwa zupełnie różne kierunki i ten bardziej techniczny bardziej mi odpowiadał.

Case Study: Consent Mode w Orange

Mariusz Michalczuk: Wspomniałeś o content marketingu. Jak wtedy, jako obserwator, oceniano te działania – czy data miały wpływ na ocenę efektywności?

Piotr Werner: Content marketing był mocno sprzężony z liczbami. Od samego początku planowanie tematów, artykułów, ich długość, nasycenie słowami kluczowymi czy grupy docelowe opierały się na konkretnych narzędziach, nie tylko tych SEO, ale również narzędziach analitycznych badających demografię dostępnych klientów. Jeśli moja poprzednia odpowiedź sugerowała, że wybierasz między content marketingiem a danymi, to nie o to mi chodziło. Content marketing dobrze współgra z danymi, choć niekoniecznie z bardziej technicznymi kwestiami.

Mariusz Michalczuk: Ok, dobra. A powiedz mi teraz, skoro po 2019 roku, po ogłoszeniu GA4 – jeszcze wtedy jako App + Web – twoja ścieżka skręciła bardziej ku twardej analityce, czy możesz przytoczyć przykład sytuacji, w której dane doprowadziły do istotnej zmiany w organizacji, w której pracowałeś lub pracujesz nadal?

Piotr Werner: Zapytałeś o okres od 2019 roku, a ja przytoczę przykład z 2023. Opowiadamy o nim na ostatnim e-commerce evencie – to historia z Orange’a. Po niepozornym wdrożeniu Consent Mode zauważyliśmy spadek ruchu. Nic dziwnego – użytkownicy decydują się na akceptację ciasteczek lub nie, więc część odpowiada “nie”. Ruch spadł jednakowo nierówno we wszystkich kanałach – źródła wizerunkowe ucierpiały bardziej, a te domykające sprzedaż, takie jak SEO czy SEM, utrzymały się na podobnym poziomie. Druga zaskakująca kwestia: mimo spadku ruchu, transakcje utrzymały się na tym samym poziomie. Hipoteza, że użytkownicy, którzy nie chcą dokonać zakupów, odrzucają ciastka, okazała się naiwną – zajrzeliśmy w dane i odkryliśmy metrykę “no choice rate”, czyli współczynnik wyświetleń Cookie Bannera, podczas których nie podjęto żadnej akcji. Podczas gdy ponad 90% użytkowników, decydując się, akceptowało ciastka, ponad połowa wyświetleń Cookie Bannera kończyła się zamknięciem strony bez działania.

Mariusz Michalczuk: Okej, i standardowo rozumiem, że użytkownicy bez zgody nie byli śledzeni.

Piotr Werner: Tak, stosowaliśmy tzw. Basic Consent Mode – brak zgody oznaczał brak akcji. Gdy odkryliśmy wysoki odsetek takich przypadków, postanowiliśmy szukać dalej i skorzystaliśmy z narzędzia do weryfikacji jakości ruchu. Chcieliśmy sprawdzić, jaki ruch “odbija się” od Cookie Bannera. Nasze wstępne badania (POC) wykazały, że w niektórych źródłach aż 90% sesji oceniano jako sztuczne – narzędzie oceniało zachowanie użytkowników według kryteriów behawioralnych i technicznych, takich jak ruchy myszką, fingerprint, recaptcha, itp. Zauważyliśmy kampanie, w których kilkanaście tysięcy użytkowników wykonywało identyczne ruchy myszką i sekwencje kliknięć. Mieliśmy mnóstwo kampanii kończących się na Cookie Bannerze z powtarzalnymi wzorcami, gdzie np. banner wyświetlał się, a użytkownik zjeżdżał na sam dół strony – co w Advanced Consent Mode wywołałoby efekt zaangażowanej sesji. Te wyniki zmieniły nasze podejście do płatnego ruchu, zwłaszcza z sieci afiliacyjnych, gdzie setki, a nawet tysiące wydawców pozyskują ruch być może w sposób maszynowy. Drugim wnioskiem była nauka integracji danych między Ads a Analytics poprzez GCLID i BigQuery, co pozwoliło ocenić odsetek kliknięć przeradzających się w sesję. Często displayowe kreacje, nastawione na budowanie marki, padały celem botów, co obniżało efektywność.

Narzędzia do analityki i integracji danych

Mariusz Michalczuk: Mam podobne doświadczenia. Pamiętam pierwsze cookie bannery i Cookie Management Platform u naszych klientów, kiedy jeszcze po pierwszym wyroku TSUE nie było jasne, czy ciasteczka są legalne. Po zakwestionowaniu legalności przez Schrems 2 firmy zaczęły traktować to poważnie – gdy użytkownik nie zgadzał się, nie wykorzystywano ciasteczek, co powodowało wzrost współczynników odrzuceń. A skoro transakcje nie spadły, a ruch spadł, to wyglądało korzystnie we współczynniku konwersji. Gdyby nie analiza, mogliśmy dojść do błędnych wniosków. A czy mógłbyś podzielić się narzędziem do jakościowej analizy, które możliwe jest łatwo wykorzystać?

Piotr Werner: Jedno z narzędzi, które polecam, to Traffic Watchdog. To polska firma obecna na rynku od kilkunastu lat. Testowaliśmy różne narzędzia, ale ostatecznie zdecydowaliśmy się na Traffic Watchdoga – również w formule Proof of Concept. Pierwsze POC miały ograniczone dane, potem przeszliśmy do testu pełnej funkcjonalności. Nie mogę się odnieść do wyników, bo odszedłem z Orange przed zakończeniem testów. Korzystaliśmy też z narzędzia do analityki jakościowej – Quantum Metric, które pozwala na analizę jakościową przy zachowaniu wysokiej wierności danych ilościowych (osiągnęliśmy 99% zgodności między danymi z Analytics i Quantum Metric). Oczywiście są też bardziej popularne i tańsze rozwiązania, jak Hotjar czy Clarity, choć o ograniczonych możliwościach. Dla porównania – parametr User Agent, przesyłany do Google Analytics, pozwala nam wyłapać segmenty słabiej konwertujących sesji.

Mariusz Michalczuk: Podchodzimy do tego z perspektywy ilościowej, ale narzędzia Traffic Watchdog i Quantum Metric są wartościowe. Jeśli słuchacze chcą zweryfikować, czy u nich nie występują dziwne ruchy, warto z nich skorzystać. A propos narzędzi – jakie inne technologie lub rozwiązania analityczne wykorzystywałeś w pracy, które pomogły wesprzeć pracę analityczną i biznes?

Piotr Werner: Obawiam się, że będę tu dość przewidywalny – oczywiście narzędzia ze znaku google’owskiego. Jestem ogromnym fanem Google Tag Managera. Uważam, że odpowiednio wykorzystany GTM pozwala wyciągnąć z witryny niemal wszystko, czego potrzebujemy. W Orange konfiguracja GA4 w GTM-ie zawierała ponad 40 parametrów niestandardowych przesyłanych przy każdym zdarzeniu, co umożliwiało łączenie danych między systemami. Można było np. przesyłać wartości ciasteczek jako parametry do GA4.

Mariusz Michalczuk: Po to, żeby później połączyć wszystko między systemami.

Piotr Werner: Dokładnie. Mogliśmy konsultować te dane z zespołem IT – gdy pojawiały się wątpliwości co do segmentu użytkowników lub błędów na stronie, łatwo łączyliśmy sesje z Quantum Metric i konsultowaliśmy problemy. Google Tag Manager, który dla wielu marketingowców jest standardem, oferuje ogromne możliwości. Wspomnę też o BigQuery – zacząłem się go uczyć cztery lata temu i nadal odkrywam nowe możliwości. BigQuery umożliwia zaawansowaną analizę surowych danych, porównanie ich z danymi z Analytics i budowanie dedykowanej analityki. A na koniec, mimo rosnącej zaawansowania technologicznego, nie wolno zapominać o Microsoft Excel. Dobra tabela przestawna z surówki potrafi wyciągnąć sensowne wnioski.

Wyzwania współpracy biznes-IT

Mariusz Michalczuk: Pamiętam, że na LinkedIn wrzuciłem artykuł o NFZ w Nowej Zelandii, gdzie zarządzali budżetem za pomocą jednego arkusza Excela i błąd w jednej komórce spowodował duże zniekształcenia. W kontekście współpracy z IT, często widzimy, że element serwisu „nie działa”, mimo że dla działu technicznego wszystko wydaje się działać. Połączenie danych ilościowych z jakościowymi, np. z nagrań sesji, pozwala zobaczyć konkretne problemy. Dzięki temu argument “u mnie działa” jest trudniejszy do utrzymania.

Piotr Werner: Dokładnie. Nawet nie wchodząc w skomplikowane funkcje Quantum Metric, podobne efekty można uzyskać w Hotjarze – przesyłając parametr Hotjar session ID do Analyticsa i tworząc segment użytkowników spotykających się z błędami, które następnie przekazujemy zespołowi IT. Wspomniałem już o GTM i BigQuery, ale warto jeszcze dodać, że wyzwanie stanowi komunikacja między zespołami. Często analitycy i dział IT są zamknięci w swoich systemach. Analityk, dostając wymagania do Data Layer, powinien zadawać pytanie: „po co ci to?”. Mnie w Orange nauczyło to podejście – zamiast zbierać skomplikowane dane, warto zacząć od podstawowych współczynników, jak konwersja, liczba zamówień, ruch w poszczególnych kanałach. W biznesie kluczowe jest tworzenie interdyscyplinarnych zespołów, które rozumieją wspólny cel, komunikują się i uczą odpowiedzialnych liderów, nie bojących się pytać o sens wdrażanych rozwiązań. Często nawet AI, jak ChatGPT, nie zastąpi refleksji i dialogu między działami.

Mariusz Michalczuk: Myślę, że jako analitycy naszym zadaniem jest dopytywanie biznesu, żeby wspólnie znaleźć najlepsze rozwiązania.

Piotr Werner: Zdecydowanie. Analityk, dostając pytanie o dane lub wymagania do Data Layer, powinien zapytać: „po co ci to?”. Mamy mnóstwo systemów, które zbierają liczby, ale nie pomagają w decyzjach. Pamiętam, że w Orange dostałem prośbę o śledzenie, ile osób po kliknięciu przycisku „formy dostawy” zmieniało ścieżkę między Inpost a paczkomatem. Zapytałem wprost – po co to? Okazało się, że wymaganie przyszło z góry, bez konkretnego planu wykorzystania. Dlatego analitycy powinni dążyć do uproszczenia systemów, zaczynając od podstawowych metryk, które umożliwiają dalsze analizy i trafne decyzje.

Plany zawodowe i rozwój

Mariusz Michalczuk: Opowiedziałeś o łączeniu danych ilościowych z jakościowymi przy użyciu narzędzi zaczynających się od GTM, przez BigQuery, aż po analizę błędów w narzędziach jakościowych. A co z marketingiem przed pozyskaniem użytkownika? Czy możesz podać przykład, gdzie analiza wykazała fraudowy charakter ruchu i pozwoliła zaoszczędzić budżet oraz poprawić kampanię?

Piotr Werner: Tak, taki przykład jest klasyczny. Analiza efektywności budżetu marketingowego oraz przeliczanie wyników na poszczególne kanały pozwoliły nam przesunąć część budżetu – w tym przypadku na Google Ads. W efekcie, w ciągu kolejnego kwartału współczynnik konwersji wzrósł o kilkadziesiąt punktów procentowych. To pokazało, że odpowiednia analiza i wykorzystanie danych może realnie wpłynąć na oszczędności i poprawę wyników.

Mariusz Michalczuk: A jak wygląda Twoja dalsza ścieżka zawodowa? Skoro przeszedłeś od pracy w e-commerce przez program typu Toyota, do głębokiej analityki, jakie masz plany na najbliższą przyszłość?

Piotr Werner: W jednym z poprzednich pytań wspomniałem już o moim odejściu z Orange. Obecnie zaczynam karierę w białostockiej firmie – cateringu dietetycznym Kuchnia Vikinga. Moim zadaniem będzie budowa analityki internetowej, a prawdopodobnie również offline. Podejdę do tego od szczegółu do ogółu i z powrotem.

Mariusz Michalczuk: Super, mega fajnie. Cieszę się, że będziesz mógł wykorzystać wszystkie zdobyte lekcje z Orange oraz poprzednich ról, by stworzyć analitykę “od podstaw” na nowym, dziewiczym terenie. Podsumowując nasze spotkanie – to bardzo wartościowa rozmowa. Dziękuję za wskazówki i życzę sukcesów w nowej roli. Mam nadzieję, że nasze doświadczenia będą pomocne także dla słuchaczy.

Piotr Werner: Ja też bardzo dziękuję za zaproszenie. Cieszę się i trzymam kciuki za Conversion. Mam wrażenie, że dopiero się rozkręcaliśmy, ale nie chcemy zanudzić słuchaczy. Dziękuję, Mariusz, za dobre słowo. Dziękuję wszystkim za wysłuchanie podcastu. Dobrego dnia i do usłyszenia.

Podsumowanie rozmowy

Rozmowa z Piotrem Wernerem pokazuje nietypową, ale kompletną ścieżkę rozwoju w e-commerce – od prostych ról operacyjnych po zaawansowaną analizę danych. Kluczowymi momentami były przełomowe wydarzenia, takie jak webinar prezentujący GA4, a także doświadczenia zdobyte przy wdrożeniach Consent Mode, które ujawniły istotne problemy z jakością ruchu. W dyskusji podkreślono znaczenie narzędzi analitycznych, takich jak Traffic Watchdog, Quantum Metric, Google Tag Manager, BigQuery i Excel, oraz konieczność ścisłej współpracy między działami technologicznymi i biznesowymi. Głównym przesłaniem jest, że zaczynając od solidnych fundamentów i prostych metryk, można budować bardziej zaawansowane systemy analityczne, co wpływa na poprawę efektywności kampanii i optymalizację budżetu marketingowego.

The post Piotr Werner w Date With Data Talks – rozmowa o danych first appeared on Conversion.

AI a marketing
AI a wyszukiwanie informacji
Ruch z AI w Google Analytics 4
Jak sprawdzić ruch z AI w Google Analytics 4?
Ruch z AI – gotowy raport w Looker Studio
Podsumowanie

AI a marketing

Sztuczna inteligencja, jako element naszego życia, może być rozpatrywana z różnych perspektyw. W kontekście analityki internetowej można wyróżnić dwa główne aspekty. Pierwszy to AI jako narzędzie wspomagające pracę analityków, co staje się coraz bardziej widoczne w codziennym użytkowaniu narzędzi analitycznych. Drugi aspekt dotyczy wpływu AI na marketing i sposób, w jaki dane, generowane przez algorytmy, są wykorzystywane w kampaniach marketingowych.

Sztuczna inteligencja odgrywa obecnie coraz bardziej istotną rolę, pomagając w interpretacji danych i optymalizacji działań marketingowych. Zrozumienie, dlaczego temat sztucznej inteligencji jest istotny, nie wymaga przekonywania. Jednak dla tych, którzy mają wątpliwości, warto przyjrzeć się dwóm istotnym statystykom. Pierwsza z nich dotyczy czasu, jaki zajęło różnym aplikacjom zdobycie miliona użytkowników. Na przykład, Facebook potrzebował na to 10 miesięcy, podczas gdy czatowi GPT wystarczyło zaledwie 5 dni. To pokazuje, jak szybko rozwijają się nowoczesne technologie.

Druga statystyka odnosi się do liczby użytkowników czata GPT, która wynosiła prawie dwa miliardy, według danych sprzed roku. To imponująca liczba, która ilustruje potencjał tego typu narzędzi. 

Z polskiego rynku również pochodzą ciekawe dane dotyczące podejścia do generatywnej sztucznej inteligencji, której reprezentantem jest czat GPT. Z przeprowadzonych badań wynika, że 41% Polaków deklaruje korzystanie z narzędzi generatywnej AI w ciągu ostatniego roku. To świadczy o rosnącym zainteresowaniu i adaptacji nowoczesnych rozwiązań technologicznych w naszym kraju. Z innych badań wynika, że 67% polskich respondentów wyraża chęć wykorzystania AI do szybkiego wyszukiwania informacji online. Dodatkowo, 59% dostrzega potencjał w osobistych asystentach wspierających zakupy, planowanie podróży i organizację harmonogramów. Te statystyki pokazują, jak AI wpływa na marketing, czyniąc odpowiedź na to pytanie niemal oczywistą.

AI ma realny wpływ na marketing, zwłaszcza w kontekście wyszukiwania informacji. Tradycyjnie, gdy ktoś chciał coś znaleźć, mówiło się o „googlowaniu”, co oznaczało przeszukiwanie wyników wyszukiwania, czyli SERP (Search Engine Result Page). AI zaczyna zastępować to tradycyjne podejście. 

AI a wyszukiwanie informacji

31 października 2024 roku, chat GPT wprowadził funkcję GPT Search. Dzięki niej, korzystając z generatywnej sztucznej inteligencji, użytkownicy mogą odpytywać model nie tylko o informacje, na których został wytrenowany, ale także o aktualne dane, które model znajduje w sieci. To nowatorskie podejście pokazuje, jak AI redefiniuje sposoby wyszukiwania informacji i wpływa na strategie marketingowe. Sprawdźmy, jak wygląda porównanie czata GPT i Google, gdy zadamy im to samo pytanie. Obok siebie mamy czata GPT, gdzie zaznaczono opcję Search, co wymusza korzystanie z wyników wyszukiwania. Zadajmy pytanie, jak wykorzystać BigQuery w marketingu, a następnie postawmy to samo pytanie Google.

Od razu rzuca się w oczy, że czat GPT przygotowuje konkretną odpowiedź, która jest wygenerowana na podstawie materiałów źródłowych. Przy każdym elemencie odpowiedzi otrzymujemy odniesienia do stron takich jak Harbringers, Conversion, czy Widoczni.com. Odpowiedź jest skondensowana z tych właśnie źródeł. W przypadku wyszukiwarek widzimy tylko materiały, które są dostępne. 

Jak działa sztuczna inteligencja w kontekście wyszukiwania? Narzędzia takie jak chat GPT są wytrenowane na danych historycznych, a w opcji GPT Search korzystają z aktualnych zasobów sieci.

Gdy wchodzimy do chata GPT i zadajemy mu pytanie, na przykład jak korzystać z Google BigQuery, narzędzie analizuje, czy posiada aktualną wiedzę. Jeśli opcja GPT Search jest aktywna, chat GPT może korzystać z najnowszych danych z sieci. Jednak można też korzystać z samego chata GPT bez tej opcji, wtedy generuje odpowiedzi na podstawie zgromadzonych wcześniej informacji.

Sztuczna inteligencja najpierw sprawdza, czy jest wytrenowana w danym temacie i posiada potrzebne informacje. Jeżeli ich brakuje, może poszukiwać danych w sieci, aby udzielić bardziej aktualnej odpowiedzi. Możemy również wymusić korzystanie z dostępnych obecnie zasobów online. 

W przypadku pytań wymagających aktualnych danych z internetu, narzędzie przekształca pytanie zgodnie z algorytmami wyszukiwarek i łączy się z ich API, by uzyskać odpowiednie informacje. Na przykład, pytając o aktualną cenę akcji firmy XYZ, AI przekształca pytanie do formy uproszczonej „obecna cena akcji XYZ”, co pozwala szybciej uzyskać odpowiedź.

Systemy API wyszukiwarek, takich jak Bing, Google czy DuckDuckGo, pozyskują informacje i zwracają je w formacie JSON lub HTML. Te dane zawierają m.in. części stron, tzw. snippety, metatagi i inne elementy, które widzimy, kiedy korzystamy z wyszukiwarki Google, takie jak tytuł czy pierwsze snippety strony. Odpowiedzi te są następnie przekazywane do systemu AI.

Po otrzymaniu wyników, AI analizuje je pod kątem trafności, źródła oraz daty publikacji. W przypadku, gdy wynik jest niski, może on zostać uznany za spam lub reklamę i odrzucony. Gdy dane zostaną przefiltrowane, trafiają one do czata GPT, który je analizuje i na ich podstawie prezentuje odpowiedź w zrozumiałej dla użytkownika formie. Czat GPT podsumowuje dane, prezentuje je w czytelny sposób oraz dodaje ewentualne wyjaśnienia i źródła.

Porównując różne podejścia, takie jak czat GPT z funkcją wyszukiwania, standardowe wyszukiwanie Google, czat GPT bez wyszukiwania oraz perplexity, zauważamy, że wykorzystanie aktualnych danych z wyszukiwania pozwala na szybsze uzyskanie precyzyjnych odpowiedzi na zadane pytania. Dzięki temu nie musimy samodzielnie przeszukiwać internetu w poszukiwaniu odpowiedzi. 

Inteligentne podsumowanie to funkcja, która automatycznie interpretuje dostarczone informacje, co pomaga oszczędzać czas i zmniejsza potrzebę intensywnego myślenia. Oszczędzamy czas na przetwarzanie danych, które mogłyby być ukryte pod linkami. Minusem jest jednak to, że takie wyszukiwanie zależy od dostępnych danych. Przy użyciu narzędzi, takich jak perplexity, które indeksują strony, brana jest pod uwagę jakość treści i indeksowane są tylko te o najwyższej jakości. Mimo to, zawsze istnieje pewna niepewność, ponieważ dane mogą być niepełne, a wyszukiwarki czasami udostępniają przez API jedynie powierzchowne informacje.

Coraz więcej użytkowników dostrzega wartość w wykorzystywaniu czata GPT do wyszukiwania informacji, co może wpłynąć na spadek udziału Google w ogólnym rynku wyszukiwarek. Dane ze strony Stan Ventures wskazują, że w październiku 2024 roku czat GPT osiągnął 4,3% rynku wyszukiwarek. Choć w porównaniu do Google, który dominuje z 83% udziałem, jest to niewielki udział, dynamika wzrostu czata GPT jest znacząca. 

Badania użytkowników pokazują, że 65,3% z nich preferuje treści i podsumowania generowane przez czat GPT w porównaniu do tradycyjnych wyszukiwarek. Tego rodzaju zmiany mają istotne znaczenie dla analityki danych, wskazując na konieczność dostosowania strategii marketingowych do nowych preferencji użytkowników.

Ruch z AI w Google Analytics 4

Przejdźmy teraz do części technicznej. Obserwujemy dużą zmianę w marketingu, która będzie widoczna w danych Google Analytics 4.

Rozważając wyszukiwanie, czyli SERP, które mogą zostać wyparte przez wyszukiwanie AI, do tej pory ruch organiczny był analizowany na dwa sposoby. Z jednej strony, jako źródło ruchu w raportach źródeł ruchu w Google Analytics 4. Z drugiej strony, jako wyszukiwanie poza naszym serwisem, głównie za pomocą Google Search Console i narzędzi monitorujących, co dzieje się w wyszukiwarce.

W przypadku AI, jako źródło ruchu będzie ono widoczne w sposób analogiczny. Źródłem ruchu będzie medium, takie jak referral, a także platformy dostarczające modele generatywnego AI, takie jak Chat GPT, Copilot, Microsoft, Cloud AI i inne. 

Ważnym zagadnieniem jest sytuacja, gdy chat GPT jest oznaczony jako medium not set. Dlaczego tak się dzieje? Od momentu wprowadzenia GPT search, w sytuacji, gdy opisujemy jakieś zjawisko i klikamy na źródło, do linku automatycznie dołącza się parametr utm-src=”chat-gpt.com”. Oznacza to, że dla linkowań z czata GPT search dodawany jest utm-src=”chat-gpt”, ale brak parametru utm-medium powoduje, że takie kliknięcia są widoczne jako medium not-set, z przypisanym źródłem chat GPT. Jeśli w swoich danych w Google Analytics zauważysz sytuację, w której pojawia się „chat-gpt-notset”, jest to efektem odesłania ruchu z wyszukiwarki GPT. 

Wiemy, co się dzieje, gdy użytkownik zostaje odesłany z czata GPT, ale co dzieje się zanim tam trafi? Opinie na ten temat są różne w dostępnych materiałach. Dotarłem do informacji, które wskazują, że czat GPT nie indeksuje stron, jak to robią niektóre inne usługi. Zamiast tego korzysta z szybkich API wyszukiwarek internetowych. Jeśli chodzi o indeksowanie, w Google Search Console mogliśmy śledzić, ile było wyświetleń i kliknięć dla danego słowa kluczowego. Jednak w przypadku zapytań do API nie mamy widocznych takich interakcji. 

Kiedy ktoś korzysta z czata GPT, który łączy się z API Google, nie mamy możliwości sprawdzenia, jakie dokładnie słowo zostało użyte do zapytania. Dzieje się to na poziomie poprzedzającym odwiedziny naszego serwisu. Może się zdarzyć, że cała potrzebna wiedza zostanie zdobyta już na etapie interakcji z czatem GPT, co oznacza, że nie uzyskamy informacji o tej aktywności.

Jak sprawdzić ruch z AI w Google Analytics 4?

Przeanalizowaliśmy statystyki naszych klientów i wyniki nie są alarmujące. Przeprowadziliśmy analizę około 50 kont klientów, porównując całkowity ruch, ruch z Google (zarówno płatny, jak i organiczny), oraz ruch generowany przez AI. Następnie obliczyliśmy procentowy udział ruchu AI w całkowitym ruchu z Google. W żadnej z badanych branż poziom ruchu nie przekracza 0,5%, co jest bardzo niewielkim wynikiem. Jednak analizując poziomy wzrostu, można zauważyć, że w zeszłym roku były one imponujące. 

Wydaje się, że ruch związany z AI będzie nadal wzrastał. Należy pamiętać, że są to dane dotyczące tylko tych przypadków, gdy użytkownicy weszli na stronę. Nie mamy jeszcze pełnych informacji na temat tego, jak użytkownicy wykorzystują wiedzę zdobywaną na poziomie czata GPT, nie odwiedzając konkretnych stron. W związku z tym obecnie nie można rzetelnie określić, jak AI przekierowuje użytkowników. 

Warto więc zastanowić się, jak sprawdzić ruch w Google Analytics 4. Podstawowym sposobem jest filtrowanie raportów. Należy wejść do raportów Acquisition, Traffic Acquisition i zmienić Session Source Medium, aby odfiltrować nazwę wybranej platformy lub czatu. 

Jednym ze sposobów monitorowania tego ruchu jest utworzenie raportu w eksploracjach. Taki raport skupia się wyłącznie na ruchu z naszego AI i używa filtru opartego na wyrażeniu regularnym.

Kolejną metodą śledzenia AI jest stworzenie niestandardowego grupowania treści. Takie grupowanie pozwala na szybkie monitorowanie poziomu ruchu AI w raporcie Traffic Acquisition.

Ruch z AI – gotowy raport w Looker Studio

Ostatnim rozwiązaniem, które opracowaliśmy w oparciu o nasze badania nad wpływem AI na marketing, jest dashboard w Looker Studio. Raport ten funkcjonuje poza GA4 i można go skonfigurować, aby był regularnie wysyłany. Dzięki temu mamy łatwy dostęp do danych i możemy szybko reagować na zmiany w ruchu AI. Stworzyliśmy raport, który podsumowuje najważniejsze informacje, które warto znać. 

Po skopiowaniu raportu, w rozwijanej liście dostępne będą wszystkie konta, do których macie dostęp pod zalogowanym adresem e-mail. Można również wybrać zakres dat. Ważnym elementem jest pokazanie poziomu sesji dla najpopularniejszych platform AI. Raport przedstawia wszystkie sesje oraz ich podział na czat GPT, Copilot, Gemini, Perplexity, Cloud i inne. 

Warto pamiętać, że w przypadku tych innych konieczne jest regularne odświeżanie i edytowanie raportu. Monitorowanie procentowego udziału sesji jest kluczowe, aby śledzić, czy ten udział rośnie, czy pozostaje na stałym poziomie. Ważne jest również zrozumienie, jaki udział w ruchu na stronie mają technologie AI. W przyszłości może pojawić się nowa branża związana z pozycjonowaniem pod AI, co dodatkowo zwiększy znaczenie tego aspektu.

Kolejnym istotnym wskaźnikiem jest zaangażowanie użytkowników, czyli średni czas, jaki spędzają na stronie. Analiza tego parametru pozwala lepiej zrozumieć, jak różne typy ruchu oddziałują na zaangażowanie użytkowników.

Podsumowanie

Obserwując rozwój AI i jego zastosowanie w marketingu, można stwierdzić, że jesteśmy na początku istotnych zmian w ruchu internetowym. Temat AI jest bardzo dynamiczny, a jego popularność i znaczenie w marketingu rosną. Z tego powodu przewidujemy, że ruch zarówno organiczny, jak i płatny z linków sponsorowanych, będzie coraz bardziej zdominowany przez AI.

The post AI w analityce internetowej – jak analizować? first appeared on Conversion.

Śledzenie Ecommerce w GA4
Ecommerce Attributor – na jakie wyzwania odpowiada?
Ecommerce Attributor – gdzie stosować?
Ecommerce Attributor – czym jest?
Ecommerce Attributor – jak wdrożyć?
Podsumowanie

Śledzenie Ecommerce w GA4

Zanim przejdziemy do samego rozwiązania, jakim jest Ecommerce Attributor, krótkie przypomnienie na temat tego, co w ramach Ecommerce można śledzić w GA4. Aby móc śledzić Ecommerce, potrzebna jest odpowiednia warstwa danych, w ramach której będziemy śledzili między innymi:

– **View Item List** – wyświetlenie produktów na listingach

– **Select Item** – kliknięcie na produkty na listingach

– **View Item** – wyświetlenie szczegółów konkretnego produktu, czyli karty produktu

– **Add to Cart** – dodanie produktu do koszyka

– **View Cart** – zobaczenie koszyka

– **Begin Checkout** – rozpoczęcie procesu zakupowego, czyli przejście z koszyka do checkoutu

– **Purchase** – dokonanie zakupu

Ecommerce Attributor – na jakie wyzwania odpowiada?

Ecommerce Attributor może znacząco usprawnić analizę i przypisywanie danych w Twoim Ecommerce, pozwalając na bardziej precyzyjne śledzenie i zrozumienie ścieżek zakupowych klientów. Dzięki temu narzędziu, analiza promocji i listingów produktów staje się bardziej szczegółowa, co przekłada się na lepsze decyzje biznesowe. Promocje wewnętrzne, czyli sytuacje, w których Ecommerce udostępnia przestrzeń dla promocji banerów produktowych lub różnych kampanii, można śledzić za pomocą dwóch zasadniczych zdarzeń: View Promotion (wyświetlenie baneru w ramach promocji wewnętrznej) oraz Select Promotion (kliknięcie na baner). 

Aby wdrożyć to śledzenie, niezbędna jest odpowiednia warstwa danych. Wdrożenie to może być skomplikowane, jednak w większości Ecommerce’ów, z którymi się spotykamy, jest ono lepiej lub gorzej zaimplementowane, co oznacza, że dane są dostępne.

Dane te znajdziemy w interfejsie w zakładce Reports, w sekcji Monetization w Google Analytics 4. Obecność tej sekcji zależy od ustawień administratora dotyczących zestawu raportów. W sekcji Monetization dla standardowego Ecommerce, czyli sprzedaży produktu, znajdziemy Ecommerce purchases. Natomiast informacje o promocjach wewnętrznych będą zawarte w zakładce Promotions.

Problem z danymi w raportach GA4 polega na tym, że w przeciwieństwie do Universal Analytics, w Google Analytics 4 nie można przypisać do klikniętej promocji produktu, który później został kupiony. Na przykład, jeśli użytkownik kliknie na promocję wewnętrzną, a następnie kupi produkt z listingu, nie można bezpośrednio stwierdzić, że produkt został kupiony po kliknięciu tej promocji wewnętrznej. Informacja o kliknięciu promocji wewnętrznej nie jest wymiarem kupionego produktu. Można to jednak ustalić przy segmentacji i bardziej dogłębnej analizie, co stanowi jedno z wyzwań.

Jednym z wyzwań w ramach śledzenia, które rozwiązuje narzędzie Ecommerce Attributor, jest problem identyfikacji źródła zakupu konkretnego produktu. W momencie, gdy produkt zostaje kupiony, nie zawsze można od razu stwierdzić, z którego listingu pochodzi. 

Ecommerce Attributor – gdzie stosować?

Ecommerce Attributor warto wdrożyć przede wszystkim w serwisach, które nie mogą się otwarcie reklamować w sieci i są obarczone regulacjami, jak na przykład apteki internetowe. Te serwisy polegają na ruchu organicznym i na tym, co dzieje się w samym serwisie, czyli na sposobie kierowania użytkownika wewnątrz serwisu. Dla takich serwisów wiedza o tym, które promocje i produkty są kupowane z promocji wewnętrznych, jest niezwykle istotna.

Innym przykładem są serwisy contentowe, które bazują na zaangażowaniu użytkownika w kontekście sprzedaży. Często posiadają one płatne paywalle, gdzie użytkownik płaci za dostęp do treści premium. W takim przypadku również istotne jest przypisanie informacji o promocji lub listingu do kupionego produktu. 

Problem polegający na niemożliwości przypisania wartości promocji wewnętrznej, czyli miejsca baneru, po którego kliknięciu produkt został kupiony, lub listingu, przez który użytkownik dotarł do produktu, dotyczy wszystkich serwisów, gdzie kluczowa jest optymalizacja ścieżki użytkownika. Jest to także istotne w serwisach, gdzie wysoki jest koszt alternatywnego wykorzystania przestrzeni. Tę przestrzeń można bowiem wykorzystać w inny sposób. Serwisy contentowe robią to najlepiej, sprzedając treści w ramach sieci afiliacyjnych, takich jak Google Display Network.

Ecommerce Attributor – czym jest?

Tutaj do gry wchodzi narzędzie Ecommerce Attributor. Choć nie jest to oficjalne narzędzie Google, stanowi gotowy kontener Google Tag Manager (GTM), który możemy zaimportować, a następnie scalić z istniejącymi tagami. Praktycznie rzecz biorąc, polega to na wykonaniu kilku prostych kliknięć. Korzyści z wdrożenia rozwiązania obejmują rozszerzenie dostępnych danych. Do danych o produktach możemy dodać dodatkowe wymiary, takie jak informacje o promocji, w ramach której produkt został kupiony, lub po kliknięciu w który listing produkt został nabyty.

Ecommerce Attributor – jak wdrożyć?

Wdrożenie to bardzo proces techniczny, który można zrozumieć, korzystając z oficjalnych zasobów. Warto zajrzeć na stronę pomocy na GitHub, gdzie znajduje się konkretny opis  wdrożenia krok po kroku. 

Istnieją dwa typy Ecommerce Attributor: jeden dla serwera Google Tag Manager (GTM) i drugi dla kontenera webowego. Jeśli śledzenie Ecommerce odbywa się po stronie serwera, możemy wykorzystać gotowe rozwiązanie do serwera. Dla kontenera webowego proces jest jeszcze prostszy, ponieważ polega na zaimportowaniu odpowiedniego pliku.

Na powyższej stronie znajdziemy gotowy plik JSON do pobrania oraz konkretne instrukcje dotyczące jego importowania do naszego kontenera GTM. Należy pamiętać o pewnych warunkach, które zostaną wyjaśnione na końcu dokumentacji. Ważne tutaj jest to, aby scalanie kontenera odbywało się bez jego zastępowania. 

Wdrożenie nie jest skomplikowane, pod warunkiem spełnienia dwóch kluczowych wymagań. Po pierwsze, warstwa danych Ecommerce musi być poprawnie wdrożona. Warto pamiętać, że Ecommerce Attributor to zestaw skryptów, które bazują na odpowiednio wdrożonej warstwie danych. Jeśli nie mamy wdrożonego odpowiedniego rozwiązania, to nie uzyskamy pomocnych danych. 

Kolejna kwestia dotyczy przypisywania listingu do kupionego produktu. W praktyce działa to tak, że w momencie kliknięcia promocji wewnętrznej lub listingu tworzone są ciasteczka. Jeśli chodzi o promocje wewnętrzne, tworzone jest jedno ciasteczko, gdyż zawsze obowiązuje ostatnie kliknięcie. W przypadku listingu, jeśli promowanych jest kilka produktów, dla każdego z nich generowane jest osobne ciasteczko.

Warto pamiętać, że jeśli użytkownik będzie bardzo zaangażowany i będzie klikał wiele produktów, to dla każdego z nich powstanie ciasteczko. W momencie dokonania zakupu ciasteczka te zostaną automatycznie usunięte, co zabezpiecza użytkownika przed nadmiernym obciążeniem ciasteczkami.

Podsumowanie

Jeśli potrzebujesz danych dotyczących promocji wewnętrznych lub listingów przypisanych do kupionych produktów, odpowiednim rozwiązaniem jest Ecommerce Attributor. Znacząco wzbogaci on dane o zakupach w Twoim Ecommerce, dzięki czemu łatwiej będzie Ci podejmować decyzje na temat zmian w serwisie.

The post Ecommerce Attributor w GA4 – czym jest? first appeared on Conversion.

Google Analytics 4 to jedno z najbardziej popularnych narzędzi do analityki internetowej. Czym jednak jest to narzędzie, jakie daje możliwości i jak analizować dzięki niemu dane? O tym w poniższym artykule.

Czym jest Google Analytics 4?
Google Analytics 4 (GA4) a Universal Analytics (UA) – różnice
Czy Google Analytics 4 jest darmowy?
Jak uruchomić Google Analytics 4?
Funkcje w Google Analytics 4
Jakie dane zbiera Google Analytics 4?
Raporty dostępne w GA4
Jak wykorzystać Google Analytics 4 do analizy zachowań użytkowników?
Jak połączyć Google Analytics 4 i Google Ads?
Jak połączyć Google Analytics 4 i Looker Studio?
Jak wykorzystać Google Analytics 4 do optymalizacji współczynnika konwersji?
Podsumowanie

Czym jest Google Analytics 4?

Google Analytics 4 (GA4) to najnowsza wersja narzędzia analitycznego Google, będąca odpowiedzią na dynamicznie zmieniający się świat internetowy. GA4 zastąpiło Universal Analytics (UA), które miało swoje początki w 2005 roku po zakupie Urchin przez Google. Narzędzie jest zaprojektowane z myślą o przyszłości analityki internetowej, uwzględniając rozwój aplikacji mobilnych oraz ewolucję metod mierzenia aktywności użytkowników w internecie.

Google Analytics 4 skupia się na analizie całej ścieżki użytkownika, zarówno na stronach internetowych, jak i w aplikacjach mobilnych. Wykorzystuje algorytmy sztucznej inteligencji oraz machine learning, aby dostarczyć bardziej szczegółowy wgląd w interakcje użytkowników. Dzięki temu marketerzy mogą uzyskać cenne informacje o skuteczności swoich działań marketingowych na różnych urządzeniach.

Google Analytics 4 (GA4) a Universal Analytics (UA) – różnice

Struktura konta

W Google Analytics 4 struktura konta różni się od tej znanej z Universal Analytics. Konto GA4 składa się z usług i strumieni danych, gdzie każdy strumień może reprezentować stronę internetową lub aplikację mobilną. W UA konto składało się z usług i widoków.

Nowy panel

Interfejs Google Analytics 4 został całkowicie przebudowany, co może być zaskoczyć użytkowników przyzwyczajonych do wyglądu UA. Panel nawigacyjny zawiera teraz przyciski kierujące do strony głównej, raportów, eksploracji, reklam, konfiguracji i biblioteki.

Pomiar oparty na zdarzeniach

Google Analytics 4 opiera się na zdarzeniach, a nie sesjach, co pozwala na bardziej szczegółową analizę interakcji użytkowników. W UA zdarzenia były jedynie dodatkiem do głównych metryk, takich jak odsłony strony.

Śledzenie na różnych platformach

Google Analytics 4 umożliwia śledzenie użytkowników na różnych urządzeniach, co było trudne do osiągnięcia w UA. Dzięki unikalnym identyfikatorom użytkowników, w GA4 możesz połączyć dane z różnych platform i uzyskac pełniejszy obraz ścieżki użytkownika.

Automatyczne śledzenie zdarzeń

Google Analytics 4 automatycznie śledzi określone zdarzenia, takie jak interakcje z filmami, bez konieczności dodatkowego kodowania.

Uczenie maszynowe

GA4 wykorzystuje algorytmy uczenia maszynowego do przewidywania zachowań użytkowników i oceny ich skłonności do konwersji, co pozwoli Ci na bardziej zaawansowane planowanie działań marketingowych.

Czy Google Analytics 4 jest darmowy?

Tak, GA4 jest darmowym narzędziem analitycznym udostępnianym przez Google. Podobnie jak jego poprzednik, GA4 oferuje wiele zaawansowanych funkcji bez dodatkowych kosztów, co czyni go idealnym narzędziem dla małych i średnich przedsiębiorstw. Istnieje również wersja płatna, GA 360, która oferuje dodatkowe funkcje i większe limity danych.

Jak uruchomić Google Analytics 4?

Przewodnik krok po kroku

1. Utwórz nową usługę
   • Zaloguj się na swoje konto Google Analytics i otwórz zakładkę administracyjną.
   • Wybierz istniejącą usługę Universal Analytics i kliknij „Asystent konfiguracji usługi Google Analytics 4”.
   • Wybierz „Utwórz usługę”, aby system automatycznie utworzył nowe konto GA4.
2. Skonfiguruj zbieranie danych
   • Jeśli używasz globalnego tagu witryny (gtag.js), możesz włączyć zbieranie danych automatycznie.
   • Jeśli korzystasz z Google Tag Manager, dodaj nowy tag GA4 i skonfiguruj go do zbierania danych na wszystkich stronach.
3. Sprawdź poprawność zbierania danych
   • Po wprowadzeniu zmian, otwórz swoją stronę internetową i przejdź do raportu „Czas rzeczywisty” w Google Analytics 4, aby upewnić się, że dane są poprawnie zbierane.

Dowiedz się więcej, jak wdrożyć Google Analytics 4 krok po kroku.

Funkcje w Google Analytics 4

Nowy Google Analytics oferuje swoim użytkownikom szereg funkcjonalności, pozwalających na prowadzenie bardziej dogłębnych analiz danych z serwisu. Dzięki nim Twoje wnioski i rekomendacje staną się bardziej kompletne i wartościowe.

Zdarzenia i ścieżki użytkowników

Google Analytics 4 skupia się na zdarzeniach, które rejestrują każdą interakcję użytkownika z witryną lub aplikacją. Dzięki temu możesz śledzić całą ścieżkę użytkownika od pierwszej wizyty aż do dokonania konwersji.

Uczenie maszynowe i prognozy

Algorytmy uczenia maszynowego w Google Analytics 4 umożliwiają prognozowanie przyszłych zachowań użytkowników, co pozwoli Ci na bardziej precyzyjne planowanie kampanii marketingowych.

Zaawansowane raporty analityczne

GA4 oferuje nowe raporty w sekcji „Eksploracje”, które pozwolą Ci na tworzenie niestandardowych analiz i wizualizacji danych.

Natywna integracja z narzędziami Google

GA4 pozwala na bezproblemową integrację z Google Ads i BigQuery, co umożliwi Ci zaawansowaną analizę i optymalizację kampanii reklamowych.

Jeżeli chcesz dowiedzieć się więcej o tym, jak poprawnie analizować dane w Google Analytics 4, zapraszamy do zapoznania się z tym artykułem.

Prywatność

Google Analytics 4 nie rejestruje ani nie przechowuje adresów IP osób fizycznych. Analytics udostępnia przybliżone dane geolokalizacyjne, pobierając z adresów IP te metadane: miasto (oraz szerokość i długość geograficzną miasta), kontynent, kraj, region, subkontynent (oraz odpowiedniki oparte na identyfikatorze).

Jakie dane zbiera Google Analytics 4?

Dane w GA4 dotyczą:

• Użytkowników (wiek, płeć, lokalizacja)
• Urządzeń (typ urządzenia, system operacyjny, przeglądarka)
• Zachowań użytkowników (odsłony stron, interakcje z treściami, zdarzenia)
• Źródeł ruchu (kanały marketingowe, kampanie)
• Konwersji i przychodów (transakcje, wartość koszyka)
  

Raporty dostępne w GA4

Sekcja „Czas rzeczywisty”

Raport „Czas rzeczywisty” umożliwi Ci monitorowanie aktywności użytkowników na stronie internetowej lub w aplikacji w czasie rzeczywistym. Pozwoli on na bieżące śledzenie:

• Liczby aktywnych użytkowników
• Źródeł ruchu
• Najpopularniejszych stron i ekranów
• Lokalizacji użytkowników
• Zdarzeń i konwersji

Dzięki temu raportowi można szybko reagować na zmiany w ruchu, identyfikować problemy oraz oceniać skuteczność bieżących kampanii marketingowych.

Raport Czas Rzeczywisty

Sekcja „Pozyskanie”

W tej sekcji znajdziesz informacje na temat tego, skąd przychodzi ruch do Twojej witryny. Zobaczysz tu informacje na temat kanałów, z których przychodzą do Ciebie użytkownicy oraz skuteczności poszczególnych kampanii marketingowych. Raport pozyskanie zawiera:

• Pozyskiwanie użytkowników: Przeanalizujesz źródła pozyskiwania nowych użytkowników.
• Pozyskiwanie ruchu: Przeanalizujesz wszystkie źródła ruchu na stronie.

Jeżeli chcesz dowiedzieć się więcej, zapraszamy do przeczytania naszego artykułu o tym, jak analizować pozyskiwanie użytkowników.

Raport Pozyskanie

Sekcja „Zaangażowanie”

W tym raporcie znajdziesz informacje o zachowaniu użytkowników na Twojej stronie. Dowiesz się, jakich akcji dokonują oraz ile czasu spędzają na poszczególnych podstronach, w tym:

• Zdarzenia: Przeanalizuj wszystkie zdarzenia na stronie.
• Konwersje: Monitoruj zdarzenia konwersji.
• Strony i ekrany: Analizuj wyświetlanie stron i ekranów.
• Strona docelowa: Pozyskaj informacje o stronach, przez które użytkownicy wchodzą na witrynę.

Raport Zaangażowanie

Sekcja „Generowanie przychodu”

W tej sekcji znajdziesz informację o zdarzeniach, które generują lub prowadzą do generowania przychodu w Twoim ecommerce, w tym:

• Zakupy e-commerce: Analizuj popularne produkty i przychody w Twoim sklepie.
• Ścieżka do zakupu: Monitoruj etapy realizacji zamówienia.
• Zakupy w aplikacji: Śledź sprzedaż z aplikacji mobilnej.
• Reklamy wydawcy: Zdobądź informacje o dochodach z reklam w aplikacji.

Raport Generowanie Przychodu

Sekcja „Utrzymanie”

W tej sekcji znajdziesz informację, jak dużą grupę użytkowników Twojego serwisu stanowią użytkownicy powracający, a jaką nowi:

• Porównaj nowych i powracających użytkowników: Analizuj lojalność użytkowników i ich zaangażowanie.

Jeżeli chcesz poznać 3 podstawowe raporty, które pomogą Ci lepiej analizować dane online, zapraszamy do przeczytania tego artykułu.

Raport Utrzymanie

Sekcja „Atrybuty użytkownika”

Raport „Atrybuty użytkownika” pozwoli Ci na szczegółowe zrozumienie, kim są użytkownicy odwiedzający stronę internetową lub korzystający z aplikacji. Głównymi elementami tego raportu są:

• Dane demograficzne – informacje o wieku, płci, języku i lokalizacji użytkowników.
• Zainteresowania – kategorie zainteresowań użytkowników na podstawie ich zachowań online.
• Technologie – przeglądarki, systemy operacyjne, urządzenia i sieci, z których korzystają użytkownicy.
• Zaangażowanie – wskaźniki dotyczące interakcji użytkowników, takie jak liczba sesji, czas spędzony na stronie, oraz współczynnik odrzuceń.
• Nowi vs powracający użytkownicy – ile z użytkowników odwiedza witrynę po raz pierwszy, a ile wraca ponownie.
• Ścieżki użytkowników – typowe sekwencje działań wykonywanych przez użytkowników podczas odwiedzin.

Ten raport umożliwi Ci lepsze zrozumienie profilu użytkowników, co pomoże w dostosowywaniu treści, strategii marketingowych oraz optymalizacji strony lub aplikacji pod kątem potrzeb i preferencji odwiedzających.

Raport Atrybuty użytkownika

Sekcja “Technologia”

Raport „Technologia” dostarczy Ci informacji na temat urządzeń i oprogramowania, z których korzystają użytkownicy odwiedzający Twoją stronę internetową lub aplikację. Oto główne elementy tego raportu:

• Przeglądarki – jakie przeglądarki (np. Chrome, Firefox, Safari) są używane przez użytkowników.
• Systemy operacyjne – jakie systemy operacyjne (np. Windows, macOS, Android, iOS) działają na urządzeniach użytkowników.
• Typy urządzeń – jakie rodzaje urządzeń (np. komputer stacjonarny, tablet, smartfon) są używane do odwiedzania witryny lub aplikacji.
• Rozdzielczości ekranu – informacje o rozdzielczościach ekranu używanych przez urządzenia użytkowników, co jest istotne dla responsywnego designu.
• Sieci – dane o sieciach i dostawcach internetowych, z których korzystają użytkownicy.
• Wersje oprogramowania – szczegóły dotyczące wersji przeglądarek i systemów operacyjnych używanych przez użytkowników.

Ten raport pomoże Ci w optymalizacji strony lub aplikacji pod kątem technologii używanych przez odwiedzających. Dzięki niemu możesz zidentyfikować potencjalne problemy związane z kompatybilnością oraz lepiej dostosować treści i funkcjonalności do preferowanych urządzeń i oprogramowania użytkowników.

Raport Technologia

Jak wykorzystać Google Analytics 4 do analizy zachowań użytkowników?

Pozyskiwanie ruchu

Raport „Pozyskiwanie ruchu” pomoże Ci zrozumieć, które kanały przynoszą najwięcej ruchu na stronie. Możesz sprawdzić w nim źródła, takie jak wyszukiwarki, media społecznościowe czy kampanie email.

Zaangażowanie użytkowników

Współczynnik zaangażowania w Google Analytics 4 da Ci informacje, ile czasu użytkownicy spędzają na Twojej stronie i jakie działania podejmują. Możesz monitorować interakcje z treściami, formularzami czy filmami.

Konwersje

Raport „Konwersje” pokaże Ci, które działania użytkowników przekładają się na realizację celów biznesowych, takich jak zakupy czy rejestracje.

Jak połączyć Google Analytics 4 i Google Ads?

1. Zaloguj się do Google Ads
   • Przejdź do sekcji „Ustawienia konta” i wybierz „Połączone konta”.
   • Wybierz „Google Analytics 4” i postępuj zgodnie z instrukcjami, aby połączyć konta.
2. Importuj zdarzenia GA4 do Google Ads
   • W Google Ads, przejdź do „Konwersje” i wybierz „Importuj z Google Analytics 4”.
   • Wybierz zdarzenia, które chcesz śledzić jako konwersje w Google Ads.

Jak połączyć Google Analytics 4 i Looker Studio?

1. Utwórz nowe połączenie
   • W Looker Studio, wybierz „Utwórz nowe źródło danych”.
   • Wybierz „Google Analytics 4” i zaloguj się na swoje konto Google.
2. Wybierz usługi i strumienie danych
   • Wybierz odpowiednią usługę GA4 oraz strumienie danych, które chcesz analizować.
3. Tworzenie raportów
   • W Looker Studio, wykorzystaj dostępne dane GA4 do tworzenia niestandardowych raportów i wizualizacji.

Jak wykorzystać Google Analytics 4 do optymalizacji współczynnika konwersji?

1. Analiza ścieżek użytkowników
   • Skorzystaj z raportów ścieżek użytkowników, aby zidentyfikować etapy, na których użytkownicy rezygnują z zakupów.
2. Testowanie i optymalizacja
   • Wykorzystaj A/B testy do optymalizacji stron docelowych i ścieżek zakupowych.
3. Personalizacja treści
   • Dostosuj treści na stronie do potrzeb i preferencji różnych segmentów użytkowników, aby zwiększyć zaangażowanie i konwersje.

Więcej na ten temat dowiesz się z naszego artykułu, opisującego 3 proste sposoby na poprawę współczynnika konwersji w Google Analytics 4

Podsumowanie

Google Analytics 4 to potężne narzędzie analityczne, które oferuje zaawansowane funkcje umożliwiające szczegółową analizę zachowań użytkowników na stronach internetowych i w aplikacjach mobilnych. Dzięki nowym raportom, możliwościom śledzenia na różnych platformach oraz integracji z innymi usługami Google, GA4 staje się niezbędnym narzędziem dla każdego marketingowca. Przejście na GA4 pozwala na bardziej precyzyjne mierzenie danych, lepsze zrozumienie ścieżek użytkowników i optymalizację działań marketingowych. Zachęcamy do wdrożenia GA4 i odkrycia wszystkich jego możliwości.

The post Google Analytics 4 – Wszystko, co musisz wiedzieć o GA4 first appeared on Conversion.

O co zadbać przed analizą pozyskiwania z GA4?
Tagowanie kampanii marketingowych
Raporty do analizy w Google Analytics 4
Raport Pozyskiwanie użytkowników
Raport Pozyskiwanie ruchu
Podsumowanie

O co zadbać przed analizą pozyskiwania z GA4?

Zanim zaczniesz analizę pozyskiwania z Google Analytics 4, przede wszystkim musisz zadbać o jakość danych. Znany akronim GIGO (Garbage In, Garbage Out) oznacza, że jeśli do analizy wykorzystane będą złe dane, to wnioski i rekomendacje z tej analizy również będą nietrafione. Warto odwołać się do materiałów poświęconych audytowi Google Analytics 4, aby upewnić się, że dane są prawidłowo zbierane i przetwarzane.

Nasi klienci z GA360 zwykle mają oddział lub dedykowaną osobę do analizy i wyciągania wniosków z danych, a także do formułowania rekomendacji. Warto zaznaczyć, że odpowiednie przygotowanie i analiza danych to klucz do skutecznego wykorzystania Google Analytics 4 w procesie pozyskiwania użytkowników.

Zapoznaj się z poniższymi wskazówkami, aby upewnić się, że Twoje dane są prawidłowe. Jeśli masz już pewność, że dane są poprawne, kolejnym krokiem w przygotowaniach do analizy GA4 jest zapewnienie prawidłowego tagowania wszystkich elementów w ramach marketing mix.

Tagowanie kampanii marketingowych

Podstawą jest tagowanie kampanii marketingowych. Do tego celu wykorzystujemy podstawowe parametry.

W Universal Analytics znane są nam pięć parametrów:

• {utm_medium}
• {utm_source}
• {utm_campaign}
• {utm_content}
• {utm_term}

W przypadku GA4 dochodzą jeszcze cztery dodatkowe:

• {utm_id}
• {utm_ source_platform}
• {utm_creative_format}
• {utm_marketing_tactic}

Marketingowe parametry powinny być zebrane i określone w ramach schematu tagowania. W momencie podejmowania działań online, wszystkie elementy sprowadzające ruch do Twojego serwisu powinny być odpowiednio oznaczone. Linki kierujące do Twoich zasobów muszą zawierać parametry wykorzystane w schemacie tagowania, które jasno określają ich wartości.

Jest to kluczowe dla dokładnej analizy danych pozyskiwania. Dzięki temu będziesz wiedzieć, co oznaczają poszczególne kampanie.

Warto skorzystać z narzędzi, które mogą w tym pomóc. Stworzyliśmy takie narzędzie jeszcze dla Universal Analytics, jednak łatwo je rozszerzyć o cztery dodatkowe parametry wykorzystywane w GA4. Mimo że te parametry są dostępne, nie zawsze są wykorzystywane. Pięć podstawowych parametrów, które wymieniłem, spokojnie pomogą zarządzać całym Marketing Mix.

Link do takiego narzędzia oraz schematu tagowania znajdziesz tutaj.

Raporty do analizy w Google Analytics 4

W Google Analytics 4, w kontekście pozyskiwania użytkowników, mamy dwa rozróżnienia i dwa raporty.

• Pierwszy dotyczy pozyskiwania użytkowników, czyli skąd użytkownik trafił do naszego serwisu po raz pierwszy.
• Drugi dotyczy pozyskiwania sesji, czyli jakie źródło ma kolejna wizyta. Te rozróżnienia znajdują się w dwóch różnych raportach.

Raporty, od których warto zacząć analizę, znajdują się w sekcji pozyskiwania. Wchodząc do sekcji raporty, znajdziemy podsekcję pozyskiwanie, która obejmuje pozyskiwanie ruchu oraz pozyskiwanie użytkowników.

Raport Pozyskiwanie użytkowników

Pozyskiwanie użytkowników obejmuje wszystkie kanały, które można zmieniać w kontekście parametrów UTM. Standardowo jest to default channel grouping, czyli grupowanie kanałów narzucone przez GA4.

Można również wybrać custom channel grouping, jednak nie będę tego szczegółowo omawiać. Jeśli potrzebujesz innego podziału kanałów, zawsze możesz poprosić osobę odpowiedzialną za wdrożenie GA4 w Twojej firmie.

W przypadku raportu pozyskania użytkownika, dostępne będą wymiary takie jak pierwszy użytkownik, nowy użytkownik medium, nowy użytkownik źródło, pierwsze źródło medium i inne.

Podstawowym wymiarem jest pierwsze źródło medium, które pokazuje, skąd użytkowników pozyskano po raz pierwszy lub po wyczyszczeniu ciasteczek. W analityce internetowej nowy użytkownik to osoba, która trafia na stronę z nowego urządzenia, które nie ma ciasteczka pamiętającego go jako powracającego użytkownika.

Dostosowanie raportu do analizy można uprościć za pomocą dwóch przydatnych trików.

• Po pierwsze, można zwinąć pasek boczny, aby widzieć więcej kolumn. Ciągłe przewijanie poziome może być uciążliwe.
• Dodatkowo, warto zmniejszyć okno przeglądarki. Na Macu można to zrobić, wybierając klawisze Command i Minus, a na Windowsie – Control i Minus. Dzięki temu cała tabela pokaże nasze źródło medium przez pryzmat najważniejszych metryk.

Podczas analizy danych szczególnie istotne są metryki dotyczące pozyskiwania użytkowników oraz ich zaangażowania. Metryka „nowi użytkownicy” informuje nas o ilości nowych odwiedzających, natomiast współczynnik zaangażowania pokazuje, czy użytkownik pozostał na naszej stronie. Metryka zaangażowania jest kluczowa, ponieważ mówi nam nie tylko, czy użytkownik trafił do naszego serwisu, ale także, czy spędził w nim czas. Sprowadzanie pustych użytkowników, czyli takich, którzy wchodzą i od razu opuszczają serwis, jest bez sensu.

Istotną metryką, na którą należy zwracać uwagę, jest współczynnik zaangażowania. Informuje on o tym, jaki procent użytkowników, którzy weszli do serwisu, w ogóle w nim pozostał. Jeśli mówimy o pozyskaniu użytkownika, to mało prawdopodobne jest, że ktoś, kto nie został, wróci później do nas.

Kolejnym ważnym aspektem są konwersje, które są związane z analizą konwersji. Obecnie konwersje nazywane są kluczowymi zdarzeniami. Możemy wybrać kluczowe zdarzenia, które chcemy analizować. Choć ten raport nie posiada dużej mocy analitycznej, ponieważ pokazuje jedynie, co dzieje się w naszym serwisie, to jeśli potrzebujemy bardziej zaawansowanej analizy lub segmentacji danych, warto skorzystać z opcji porównań.

Aby wybrać porównanie, w prawym górnym rogu raportu znajduje się odpowiednia opcja. Możemy na przykład porównać ruch mobilny z ruchem całościowym. Po wybraniu opcji „zastosuj” segmenty te zostaną nałożone na raport, umożliwiając bardziej szczegółową analizę.

O ile mamy podstawowe porównanie, możemy dodatkowo w pozyskiwaniu użytkowników wybrać wymiar dodatkowy. Na przykład, możemy zobaczyć, z jakich części kraju lub regionów pozyskaliśmy użytkowników oraz z jakich urządzeń korzystają. Jeśli to nam nie wystarczy, w przypadku bardziej zaawansowanego wykorzystania raportów, możemy wybrać opcję w prawym górnym rogu (choć w tym przypadku jest niedostępna), aby przenieść raport i dalej go edytować w eksploracjach. Temu zagadnieniu poświęcony będzie osobny artykuł w przyszłości.

Raport Pozyskiwanie ruchu

Drugi raport w sekcji pozyskiwania dotyczy pozyskiwania ruchu. Aby go zobaczyć, należy wejść do raportów i wybrać pozyskiwanie ruchu.

Analiza pozyskiwania ruchu będzie wyglądała analogicznie. Domyślnie jest to grupowanie kanałów, które możemy zmodyfikować, wybierając wymiary związane z pozyskiwaniem sesji. Warto zauważyć, że jeśli użytkownik najpierw przychodzi z Google Organic, a później trafia z Facebooka, to pierwsze przypisanie będzie do tego źródła ruchu. Każda kolejna sesja będzie oddzielnie przypisana do różnych źródeł. W ten sposób następuje podział na poszczególne elementy.

Funkcjonalności, które można tutaj wykorzystać, obejmują porównanie, filtrowanie i dodawanie dodatkowych wymiarów. W podstawowym zakresie pozwala to zorientować się w tej sekcji. Głębsze analizy można przeprowadzać w sekcji eksploracje.

Warto jednak zaznaczyć, że najbardziej wartościowe wnioski można wyciągnąć, korzystając z BigQuery. Jeśli jeszcze nie masz połączonego swojego GA4 z BigQuery, warto to zrobić jak najszybciej, aby dane zaczęły się tam odkładać. Następnie można poprosić osoby z odpowiednimi kompetencjami o ich analizę.

Podsumowanie

Na poziomie managera e-commerce lub marketingu rzadko jest potrzeba wchodzenia w zaawansowane konfiguracje, analizy i segmentacje. Sekcja raporty, pozyskiwanie użytkownika lub sesji powinna być wystarczająca. W przypadku potrzeby bardziej zaawansowanych analiz, najlepiej skorzystać z BigQuery, przy czym będą potrzebne odpowiednie kompetencje.

Alternatywy dla analityka internetowego in-house są różnem, opisałem je dokładnie we wcześniejszym artykule na blogu, dostępnym pod tym linkiem. Dzisiejszy wpis ma na celu pomóc w lepszym zrozumieniu, co dzieje się w Twoim marketingu mix oraz w jaki sposób pozyskujesz użytkowników.

Zachęcam do śledzenia serii „GA4 dla managera”, gdzie przedstawiamy umiejętności niezbędne dla każdego menedżera pracującego w e-commerce i marketingu oraz jak efektywnie korzystać z Google Analytics 4.

The post Analiza pozyskiwania w Google Analytics 4 first appeared on Conversion.

Jak zwiększać przychód w ecommerce?
Współczynnik konwersji w Ecommerce
Jak optymalizować współczynnik konwersji?
3 raporty w Google Analytics pomagające w optymalizacji konwersji
Optymalizacja checkout w Google Analytics
Optymalizacja landing page w Google Analytics
Optymalizacja mikro-konwersji w Google Analytics
Podsumowanie

Jak zwiększać przychód w ecommerce?

Na początek wyobraź sobie, że jesteś ecommerce managerem lub zarządzasz digital marketingiem w sklepie internetowym lub innym serwisie generującym leady. Dodatkowo, otrzymujesz 50 tysięcy złotych, które możesz przeznaczyć na rozwój swojego biznesu.

W biznesie online nie chodzi o bezsensowne wydawanie pieniędzy, ale o generowanie większego przychodu z ecommerce’u lub działalności online. Działając w internecie, z pewnością zdajesz sobie sprawę, że efekt Twoich działań w postaci przychodów i zapisów na rachunku od klientów zależy od trzech czynników: liczby użytkowników, czyli ruchu, efektywności serwisu mierzonej współczynnikiem konwersji oraz średniej wartości zamówienia.

Model przychodów ecommerce doskonale odzwierciedla działanie sklepu internetowego. Jeśli chcemy go zastosować do strony generującej potencjalnych klientów, współczynnik konwersji będzie odnosił się do wysłanych formularzy, a średnia wartość zamówienia do życiowej wartości klienta. Model ten jest uniwersalny i można go przedstawić w formie lejka. Serwis, produkt cyfrowy, aplikacja mobilna czy strona internetowa działają jak lejek. Na górze znajdują się użytkownicy sprowadzeni na witrynę za pomocą marketing mix, reklam sponsorowanych, pozycjonowania w wyszukiwarkach, social mediów itp. Użytkownicy poruszają się w środku lejka, a na końcu wypadają w formie konwersji, szczególnie transakcji w ecommerce lub potencjalnych klientów.

Inwestując 50 tysięcy złotych, istnieją trzy główne drogi, aby te środki spożytkować tak, by na dole lejka wygenerować jak najwięcej przychodu. Pierwszą drogą, którą najczęściej wybierają ecommerce managerowie lub zarządzający online’em, jest sprowadzanie większej liczby użytkowników. Im więcej użytkowników przechodzi przez lejek, tym większa jest liczba transakcji i przychód. Oczywiste jest, że kiedy zmniejszamy inwestycje, na przykład po wydaniu 50 tysięcy złotych na zakup linków sponsorowanych, generujemy mniej przychodu. Mówiąc wprost, jak przestajemy dokładać do pieca, przestaje się w nim palić. 

Większym problemem jest nieszczelny lejek zakupowy, który pozwala użytkownikom na opuszczenie procesu zakupowego. Dolewanie większej liczby użytkowników do nieszczelnego lejka jest jak próba napełnienia naczynia przy użyciu sitka. 

Współczynnik konwersji w Ecommerce

Drugą drogą jest praca nad współczynnikiem konwersji, która często wiąże się także z poprawą średniej wartości zamówienia. Współczynnik konwersji to liczba konwersji w odniesieniu do liczby sesji lub użytkowników w serwisie w danym okresie. W ecommerce współczynnik konwersji wskazuje, jaki procent odwiedzin w serwisie kończy się transakcją. Dziedzina, która bazuje na poprawie konwersji, nazywa się Conversion Rate Optimization (CRO). Polega ona na zmienianiu serwisu i działań marketingowych w taki sposób, aby z tej samej liczby użytkowników generować większą liczbę zamówień. Optymalizacja konwersji może być wprowadzana zarówno w serwisie, jak i poza nim.

Pracując nad współczynnikiem konwersji, warto pamiętać, że jest to inwestycja, która przynosi długoterminowe korzyści. Po uszczelnieniu procesu zakupowego lub serwisu jako lejka, z tej samej liczby użytkowników można generować większy przychód i więcej transakcji. Oczywiście, do momentu, kiedy nie zajdzie jakaś diametralna zmiana na rynku.

Przykładem takiej zmiany mogłoby być wprowadzenie zakupów telepatycznych, gdzie użytkownicy myślą o zakupie, a produkty automatycznie trafiają do paczkomatu lub są dostarczane przez kuriera. Choć jest to wyolbrzymiony przykład, pokazuje, że dopóki nie zmienią się znacząco trendy lub technologia, optymalizacja konwersji pozostanie efektywna. Można sobie wyobrazić przyszłość, w której zakupy będą robione za pomocą okularów zamiast aplikacji mobilnych czy stron internetowych. Aby optymalizacja przestała być efektywna, musi zajść naprawdę duża zmiana. 

Optymalizacja konwersji ma wiele korzyści, a jedną z najważniejszych jest możliwość finansowania dodatkowych kampanii marketingowych z zysków wygenerowanych dzięki poprawie współczynnika konwersji. Uszczelniając lejek sprzedażowy i optymalizując produkty cyfrowe, takie jak witryna internetowa, można zwiększyć marżę zysku. Następnie, inwestując te dodatkowe środki w kampanie marketingowe, sprowadzamy więcej użytkowników do zoptymalizowanego lejka, co przynosi podwójne korzyści.

Ecommerce manager czy osoba zarządzająca sklepem internetowym powinna patrzeć na optymalizację konwersji w ten sposób. Niestety, z mojej perspektywy, często tak to nie wygląda. Gdyby faktycznie tak było, firm specjalizujących się w optymalizacji współczynnika konwersji, takich jak Conversion, byłoby znacznie więcej. W Polsce można je policzyć na palcach jednej, maksymalnie dwóch rąk, co jest wymowne, biorąc pod uwagę, że działa tu ponad 20 tysięcy ecommerce’ów…

W mojej ocenie problem polega na tym, że ecommerce managerowie i osoby zarządzające online’em wiedzą, że optymalizacja konwersji jest słusznym podejściem, ale nie wiedzą, co dokładnie zmieniać w serwisie. Często wygląda to tak, że uczestniczymy w konferencjach, słuchamy, jak inne firmy wprowadziły pewne zmiany, które przyniosły im sukces, a następnie próbujemy wdrożyć te same rozwiązania u siebie. Niestety, okazuje się, że to, co działało dla innych, nie zawsze przynosi oczekiwane rezultaty w naszym przypadku. Dlaczego nie działa? Dlatego, że bazujemy na doświadczeniach innych firm i ich danych, a nie na własnych. To, co pomaga osiągać sukces w optymalizacji współczynnika konwersji i realizacji KPI firm działających online, to właśnie dane. W analityce internetowej wyróżniamy dwa rodzaje danych: ilościowe i jakościowe. Dane ilościowe mówią, co się dzieje w serwisie, przedstawiają suche fakty. Dane jakościowe wyjaśniają, dlaczego coś się dzieje.

Jak optymalizować współczynnik konwersji?

W optymalizacji konwersji w swoich witrynach zawsze warto zaczynać od danych ilościowych. Dlaczego? Po pierwsze, są dużo tańsze w pozyskaniu. Google Analytics jest bezpłatny. Analiza danych jakościowych jest znacznie łatwiejsza i oferuje szersze spojrzenie na problem. Bezpośredni kontakt z użytkownikiem pozwala na zadawanie pytań, dlaczego coś mu się nie podoba lub dlaczego zrezygnował na określonym etapie. Realizacja badań użyteczności, takich jak organizowanie grup fokusowych i proszenie uczestników o realizację scenariuszy, jest bardziej angażująca dla działu analitycznego oraz osób organizujących te badania.

Analiza danych otwartych, gdzie użytkownicy opisują swoje doświadczenia, wymaga wyciągania esencji z tych opisów. Jest to proces kosztowny i czasochłonny. W tym kontekście warto zwrócić uwagę na Google Analytics 4. Wprowadzenie tej wersji stanowi wyzwanie, a wielu użytkowników zgłasza trudności w jej obsłudze. Nawet doświadczeni analitycy, zajmujący się tym narzędziem od lat, napotykają na problemy. Google Analytics 4 to narzędzie, które jest ciągle rozwijane i oferuje wiele nowych raportów w porównaniu do Universal Analytics. Pojawiają się nowe metryki i wymiary, co daje większe możliwości analizy.

3 raporty w Google Analytics pomagające w optymalizacji konwersji

Przechodząc do sedna… celem tego artykułu jest pokazanie trzech gotowych sposobów analizy, które można rozpocząć od raportów z GA4. Te metody pozwolą znaleźć elementy do poprawy. Czy spowodują one wzrost współczynnika konwersji? To będzie zależało od rekomendacji, które przygotujecie na podstawie tych raportów. Szczegóły omówię w dalszej części tekstu. Zanim przejdziemy do omawiania raportów, warto ułożyć fundamenty, dlaczego wybraliśmy właśnie te raporty. Aby lepiej to zrozumieć, posłużę się analogią. Nasz produkt cyfrowy można porównać do rzeki. Wyobraźcie sobie, że wasza strona internetowa, szczególnie sklep internetowy, to rzeka. Po jednej stronie rzeki znajdują się użytkownicy odwiedzający waszą stronę, których przyciągacie za pomocą marketingu mix. Po drugiej stronie są użytkownicy, którzy dokonali zakupu, czyli ci, którzy się skonwertowali. Przeprawa przez rzekę symbolizuje proces konwersji, czyli to, jak przekształcacie odwiedzających w kupujących. Dziedzina zajmująca się konwersją przypomina pracę budowniczego mostu. W Conversion Rate Optimization (CRO) chodzi o zbudowanie solidnej przeprawy, aby użytkownik mógł z łatwością przejść z jednego brzegu waszego serwisu na drugi. O tej przeprawie decydują dwa czynniki: opór i motywacja. 

Opór to wszystkie przeszkody, które napotykają użytkownicy, wynikające z konstrukcji serwisu. Mogą to być błędy w projektowaniu, problemy z nawigacją czy nieintuicyjne formularze. Z kolei motywacja użytkownika jest często elementem zewnętrznym, na który jednak możemy wpływać, aby zwiększyć konwersję. Przykłady motywacji obejmują różne sytuacje życiowe. Pierwszy śnieg może skłonić do zakupu opon zimowych, a pusta lodówka do zrobienia zakupów w delikatesach internetowych. Cztery lata temu, kiedy szukaliśmy maseczek i środków ochrony osobistej, motywacją było widmo śmiertelnego wirusa nadciągającego z Chin. 

Zrozumienie tych dwóch czynników – oporu i motywacji – jest kluczowe w optymalizacji konwersji. Dzięki temu można skutecznie projektować serwisy, które nie tylko przyciągają użytkowników, ale również prowadzą ich przez cały proces zakupowy, minimalizując przeszkody i wzmacniając motywację. Motywacja rzeczywiście zachęca użytkownika do przejścia na drugi brzeg. Jednak opór w procesie zakupowym, na przykład brak konkretnych informacji, może stanowić przeszkodę. Przykładem oporu może być brak informacji o koszcie dostawy. W przypadku zakupu mniejszych produktów, takich jak książki, spodziewamy się, że koszty dostawy nie będą wyższe niż 15 zł. To może nie stanowić dużego oporu. Jednak w przypadku zakupu większych produktów, takich jak opony, brak informacji o kosztach dostawy może być bardziej zniechęcający. Motywacja odgrywa tutaj kluczową rolę. Na przykład, jeśli musimy za dwa dni wyjechać na ferie zimowe, a mamy opony letnie, poradzimy sobie z wyższymi kosztami dostawy. Podobnie, gdy pojawiają się pierwsze przypadki zachorowań na wirusa, jesteśmy skłonni zapłacić za maseczki więcej, mimo że wcześniej kosztowały znacznie mniej.

Opór ma większe znaczenie, gdy użytkownik dochodzi do końca procesu zakupowego. Jeśli po wypełnieniu wielu danych, takich jak imię, nazwisko, e-mail, na podsumowaniu nagle zmienia się cena produktu, użytkownik może zrezygnować z zakupu. Mimo że motywacja była wysoka, nagła zmiana może go zniechęcić.

Opór często wiąże się z koniecznością dostarczenia dodatkowych informacji lub z niepewnością. Są to elementy związane z użytecznością (UX) serwisu. Dlatego warto zwrócić uwagę na to, jak budujemy użyteczność naszego serwisu, aby minimalizować opór i ułatwiać użytkownikom proces zakupowy. Konwersja jest wypadkową oporu i motywacji. Wiemy, że opór ma większe znaczenie na końcu procesu zakupowego. Jeśli chcemy szybko znaleźć elementy do poprawy w serwisie, powinniśmy zacząć od ostatniego etapu lejka całościowego, czyli od checkoutu. Na samym dole lejka znajdują się specyficzne strony, szczególnie w ecommerce: koszyk, strona z danymi, strona podsumowania oraz strony wyboru płatności i dostawy. 

Jeśli serwis generuje potencjalnych klientów (leady), przedostatnią stroną przed wysłaniem leada będzie strona z formularzem. W przypadku leadów można podzielić checkout na mikrolejek, analizując, jak użytkownicy przechodzą przez poszczególne pola formularza.

Optymalizacja checkout w Google Analytics

No dobrze… ale jak wykorzystać Google Analytics w optymalizacji współczynnika konwersji? Pierwszym raportem, który warto wykorzystać, jest raport „ścieżka do przychodu”. W GA4 dostępne są zarówno „ścieżka do przychodu”, jak i „ścieżka do zakupu”. „Ścieżka do zakupu” pokazuje cały lejek, a nie tylko jego ostatni etap, czyli checkout. Warto zacząć od checkoutu, ponieważ na końcu procesu zakupowego użytkownicy napotykają więcej problemów związanych z użytecznością. Takie problemy najłatwiej wyłowić i poprawić. Wracając do omawianego raportu, jeśli skonfigurowaliście ecommerce w swoim GA4, raport na pewno będzie działał. W prawym górnym rogu, przy przycisku „wyświetl kroki ścieżki”, można go dodatkowo skonfigurować. Jeśli śledzenie GA4 ecommerce jest wdrożone, będziecie mieli śledzenie dodawania do koszyka i poszczególnych kroków ścieżki, aż do zdarzenia „purchase”, które przesyła wszystkie informacje o transakcji do GA4.

Patrząc na ten raport, warto zwrócić uwagę na benchmark, który obserwujemy na rynku. Dobry checkout generuje co najmniej 60% zakończeń, co oznacza szczelność na poziomie 60%. Oznacza to, że na 100 wejść do koszyka, 60 kończy się złożeniem zamówienia. Jest to współczynnik konwersji na checkoucie. W mojej ocenie wynik powyżej 60% jest zadowalający. Jeśli w raporcie zobaczysz wynik poniżej 60%, istnieje duże prawdopodobieństwo, że ten poziom da się poprawić. Osoby, które są zmotywowane do zakupu, napotykają na przeszkody, które uniemożliwiają im dokończenie transakcji. Średnia szczelność checkoutu wynosi między 40 a 60%. 

Zakładając, że zaobserwujesz poniżej 60% szczelności i prowadzicisz typowy ecommerce, raport skuteczności do przychodu wskazuje, że coś nie działa. Waszym zadaniem jest teraz zidentyfikowanie przyczyn tego problemu. Dlaczego coś nie działa? Zanim przejdziemy do danych jakościowych, staramy się postawić hipotezy na podstawie danych ilościowych. Jeśli chcemy odpowiedzieć na pytanie „dlaczego”, wracamy do danych ilościowych i dodajemy wymiary.

Na końcu procesu zakupowego najczęściej wspomniany już wcześniej opór odgrywa znaczącą rolę. Opór ten jest związany z użytecznością. Z naszej perspektywy wymiary, które należy analizować w raporcie skuteczności do przychodu, powinny obejmować techniczne aspekty urządzeń, z których użytkownicy korzystają w witrynie. Podstawowe paramety to kategoria urządzeń, czyli mobile, tablet, desktop oraz rozdzielczość ekranu, przeglądarka i jej wersja.

Jeśli te dane nie wystarczą przy analizie checkoutów, warto skorzystać z raportu lub strony pomocy Google Analytics. Jest tam cała sekcja „Platforma Urządzenie”, gdzie podane są wszystkie potrzebne techniczne szczegóły. Po zebraniu tych danych można dodać dodatkowe wymiary do raportu i dokładniej przeanalizować problem. Raport domyślnie zawiera techniczne aspekty, takie jak desktop, mobile i tablet, czyli wymiar nazywany kategorią urządzeń. Analizując go, widzimy liczbę rozpoczęć procesu, dodań do koszyka, przejść do zostawienia danych i inne. Taka analiza może być problematyczna, ponieważ trudno jest porównać dane, na przykład 908 na desktopie wobec 1097, oraz 167 na mobile wobec 347. 

Aby ułatwić analizę, warto korzystać z porównań. Porównania działają poprzez nałożenie segmentów użytkowników z różnych urządzeń, takich jak mobile i desktop. Dzięki temu raport pokazuje współczynnik porzuceń na poszczególnych krokach. Jeśli współczynnik porzuceń jest znacznie wyższy dla jednej kategorii urządzeń, na przykład 5% dla desktopu i 10% dla mobile, oznacza to, że dwa razy więcej użytkowników porzuca proces na mobile niż na desktopie. To wskazuje, gdzie leży problem, na przykład w kroku zostawienia danych dla użytkowników mobilnych. Ciągle jednak nie wiemy dlaczego. Analityka w tym przypadku polega na stawianiu hipotez. Aby to zrobić, musimy odwzorować wygląd danego kroku, bazując na parametrach, które na niego wpłynęły. Oznacza to, że musimy zasymulować sytuację, którą widzimy w danych ilościowych. W przeglądarce Chrome, w narzędziach dla developerów, dostępna jest funkcja symulacji. Można tam zobaczyć, jak konkretna podstrona będzie wyglądała w danej rozdzielczości. Co więcej, można wybrać konkretne urządzenie z gotową rozdzielczością, która zostanie zastosowana do podstrony. Na tej podstawie należy postawić hipotezę.

Jeśli to nie wystarczy, warto sięgnąć po dane jakościowe, organizując badanie użyteczności i zapraszając realnych użytkowników do wzięcia w nim udziału. W praktyce, scenariusze do badań użyteczności przygotowuje się w ten sposób, że dane ilościowe wskazują, gdzie jest problem, a na ich podstawie tworzy się scenariusze do badań. Zakładamy, że poprawiliśmy checkout, czyli jeden z trzech „low-hanging fruits” związanych z technologicznymi aspektami tego procesu, gdzie trafiają zmotywowani użytkownicy. Kolejnym krokiem jest analiza landing page. 

Optymalizacja landing page w Google Analytics

Landing page można porównać do pierwszego wrażenia podczas spotkania. To kluczowy moment, kiedy użytkownik decyduje, czy chce kontynuować interakcję z naszą stroną. W tym przypadku użytkownik jest jak osoba, którą próbujemy zainteresować naszą ofertą. Rozważając pierwszy model, który wcześniej opisywałem, czyli model lejka, warto rozszerzyć go o współczynnik odrzuceń. Odrzucenie to sytuacja, w której użytkownik wchodzi na nasz landing page, ale opuszcza go natychmiast. W analityce internetowej współczynnik odrzuceń jest istotną metryką, ponieważ pokazuje, jaki procent sesji nie zaangażował się w witrynę. Ta metryka była bardzo popularna w Universal Analytics. W Google Analytics 4 mamy jej odwrotność, czyli współczynnik zaangażowania, który informuje nas, jaki procent użytkowników pozostaje w serwisie.

Warto znaleźć raport, który pokaże elementy charakteryzujące się najniższym zaangażowaniem. Jednym z takich raportów jest raport dotyczący pozyskiwania ruchu. Sam współczynnik zaangażowania niewiele nam powie. Należy przeanalizować dane ilościowe, aby zrozumieć, przy jakich wymiarach powstaje ten współczynnik. Zaangażowanie mierzone przez współczynnik zaangażowania powstaje między dwoma elementami: kampanią, która odsyła użytkownika na landing page, oraz samym landing page’em. Współczynnik zaangażowania wskazuje, czy nasz landing page przyciągnął użytkownika od pierwszych momentów jego wizyty w serwisie.

W raporcie zawierającym współczynnik zaangażowania, warto skupić się na pozyskiwaniu sesji. Przede wszystkim należy sprawdzić, która kampania generuje ruch i dopasować do niej odpowiedni landing page. Analizując taki raport, warto porównywać różne kampanie prowadzące do tych samych landing pages, aby zrozumieć, jak różnią się one pod względem współczynnika zaangażowania. Jak już wspomniałem, w przypadku analizy checkoutu, z moich obserwacji wynika, że powinien on mieć przynajmniej 60% szczelności. Natomiast w przypadku współczynnika zaangażowania nie ma jednoznacznych benchmarków. Zaangażowanie można modyfikować w zależności od tego, co oznacza. W pierwotnej wersji w Google Analytics 4 zaangażowanie oznacza, że użytkownik spędził co najmniej 10 sekund na stronie docelowej. Kiedyś, gdy mieliśmy współczynnik odrzuceń w Universal Analytics, istniały ogólne benchmarki dla stron.

Dla stron ecommerce, czyli retail sites, badania pokazywały, że współczynnik odrzuceń powinien wynosić między 20 a 40%. Jednak z mojej perspektywy nie jest to miarodajna wartość. Przykładowo, wychodząc z psem na spacer, średnio mamy trzy nogi. Średni współczynnik odrzuceń czy zaangażowania (jego odwrotność) nie daje pełnego obrazu. Jeśli współczynnik odrzuceń wynosi 30%, to współczynnik zaangażowania będzie równy 70%, ale ta metryka sama w sobie nie dostarcza wystarczających informacji. Analiza landing page i kampanii, które do niego odsyłają, jest tutaj kluczowa. Dane ilościowe mogą wskazać, co nie działa. Załóżmy, że mamy landing page A, na który odsyła pięć różnych kampanii. Jedna z kampanii wyróżnia się negatywnie pod względem współczynnika zaangażowania. Podczas gdy pozostałe kampanie mają współczynnik zaangażowania na poziomie 60%, ta jedna osiąga jedynie 20%.

Aby zrozumieć, dlaczego tak się dzieje, warto ponownie przeanalizować dane ilościowe. W raporcie widzimy kolumny z informacjami o kampaniach, landing page’ach oraz współczynnikach zaangażowania. Zadaniem analityka jest symulacja tej sytuacji. Na przykład, jeśli mamy kreację display na portalu Interia z określonym komunikatem, warto przeanalizować, jak ten komunikat wpływa na zaangażowanie użytkowników. Allegro Pay oferuje kupon na zakupy na Allegro. Klikam na link i ląduję na landing page, który jednak prezentuje inny komunikat. Oczekiwałem kuponu na zakupy, a landing page obiecuje możliwość kupowania teraz i płacenia 30 dni później. To dwa zupełnie różne przekazy.

Z drugiej strony, weźmy przykład banera na Onecie, gdzie Audi A5 jest oferowane w leasingu od 1595 zł. Po kliknięciu ląduję na stronie docelowej, która utrzymuje ten sam komunikat. 

Porównanie z motoryzacją może być nietrafione, jednak to co chcę przekazać to to, że kluczowe jest pierwsze wrażenie i komunikat, ponieważ praca nad zaangażowaniem polega na dopasowaniu obietnic z kampanii marketingowej do rzeczywistości. Może to być display, tekst reklamowy w Facebook Ads, czy kontekst afiliacji, z jakiego serwisu użytkownik do nas przychodzi. Z drugiej strony mamy landing page. Ważne jest, czy kontynuujemy to, na co użytkownik został wystawiony jeszcze przed wejściem na naszą stronę.

Jeżeli analiza i organoleptyczne sprawdzenie nie wystarczą do postawienia hipotezy, warto sięgnąć po bardziej zaawansowane metody. Należy wtedy zorganizować badania jakościowe i dokładnie zastanowić się, co się dzieje. W przypadku prac nad zaangażowaniem użytkowników, duże znaczenie mają nagłówki na landing page’ach. Zanim przystąpimy do badań użyteczności, warto zainwestować w badania z wykorzystaniem heat map, które pokazują, na co użytkownicy zwracają uwagę w serwisie.

Optymalizacja mikro-konwersji w Google Analytics

Po zoptymalizowaniu naszego landing page, przechodzimy do trzeciego kroku, czyli środka lejka. Każda strona w serwisie ecommerce to mikro lejek. Na przykład, karta produktu ma na celu skłonienie użytkownika do dodania produktu do koszyka, co jest ostatnim krokiem tego mikro lejka. Wcześniejsze kroki mogą obejmować wybór rozmiaru, obejrzenie zdjęć oraz przeczytanie informacji o składzie produktu. Ostatni krok w naszej analizie w dużej mierze zależy od dodatkowej konfiguracji w serwisie. Jeśli ecommerce jest poprawnie wdrożony, funkcja dodania do koszyka będzie działać bez problemu. Jednak wybór rozmiaru, kliknięcie na zdjęcie czy rozwinięcie opisu składu produktu często wymaga dodatkowej konfiguracji, aby stworzyć pełny lejek.

Gdy dane zostaną zaimportowane do Google Analytics, należy skorzystać z raportu zaangażowania zdarzenia. Sam raport może nie być wystarczająco wartościowy. Dużo bardziej przydatne jest stworzenie eksploracji, która, podobnie jak raport skuteczności do przychodu, pokaże liczbę obejrzeń zdjęcia, wejść do przymierzalni oraz dodań do koszyka.

Nie istnieją uniwersalne benchmarki dla tych danych. Można oszacować, jaki procent użytkowników na karcie produktu przechodzi do koszyka, jednak wiele zależy od liczby reklam produktowych. Reklamy te mogą bezpośrednio kierować użytkowników na kartę produktu, co zwiększa liczbę odwiedzin na górze lejka. Użytkownicy trafiający na stronę poprzez wyniki wyszukiwania czy strony kategorii mogą zachowywać się inaczej. Raport zaangażowania zdarzenia to trzeci kluczowy raport. Benchmarki należy ustalać na zasadzie testowania, na przykład w danym miesiącu. 

Przyjrzyjmy się procentowi użytkowników, którzy odwiedzili kartę produktu i dodali produkt do koszyka. Załóżmy, że wynosi on 6%. W ramach optymalizacji, analizujemy raporty, dodajemy parametry i kampanie, aby zidentyfikować miejsca, gdzie zaangażowanie użytkowników jest najmniejsze. Wizualizujemy te dane i przeprowadzamy testy, aby poprawić wyniki.

Digital marketing to dziedzina oparta na testowaniu. Benchmarki, takie jak współczynnik odrzuceń czy konwersji, różnią się w zależności od branży i źródła ruchu. Dlatego warto analizować je w kontekście konkretnego serwisu i jego marketingu mix.

Optymalizację najlepiej rozpocząć od checkoutu, dodając dodatkowe śledzenie do kluczowych elementów. Na landing page zazwyczaj nie potrzeba dodatkowego śledzenia, ponieważ generowana jest odsłona i liczone jest zaangażowanie. Po optymalizacji, korzystając z trzech raportów i przeprowadzając po trzy iteracje dla każdego raportu, można znacznie poprawić użyteczność serwisu. W efekcie użytkownicy, zmotywowani do zakupu, nie napotykają problemów.

Po zredukowaniu oporu użytkowników, warto skupić się na motywacji. Przykładem tutaj może być serwis z oponami. Użytkownik, wiedząc o konieczności zmiany opon, może odkładać decyzję ze względu na koszty. Aby zwiększyć motywację, serwis może wprowadzić dodatkowe zachęty, takie jak promocje czy przypomnienia o sezonowej wymianie opon. Prognoza pogody dla danego rejonu zapowiada opady śniegu na jutro. Nie zwlekaj, zamontuj zimowe opony. To prosty przykład, jak można pracować nad motywacją. W przypadku motywacji potrzeba więcej danych jakościowych, aby zrozumieć, co może motywować użytkowników. Dane ilościowe pomogą zmierzyć, czy hipotezy i proponowane zmiany są właściwe.

Aby zwiększać współczynnik konwersji, należy zmieniać serwis. Często problemem jest określenie tego, co należy zmieniać. Istnieje pojęcie „garbage in, garbage out” (GIGO), które oznacza, że błędne dane prowadzą do błędnych wniosków. Dlatego ważne jest, aby dane były prawidłowe.

Podsumowanie

Najważniejszym narzędziem do analizy danych jest Google Analytics 4. W kontekście ecommerce trzy raporty w Google Analytics 4 dobrze opisują model przychodów, którym jest lejek. Zachęcam do skorzystania z tych raportów, aby:

1. Uszczelnić proces checkout.
2. Popracować nad landing page’ami i kampaniami na nie kierującymi
3. Analizować dane dotyczące środka lejka i angażować użytkowników.

To właśnie dzięki tym działaniom można skutecznie zwiększać współczynnik konwersji i poprawiać wyniki ecommerce. Życzę powodzenia w optymalizacji, a jeżeli potrzebujesz pomocy, zapraszam do kontaktu z nami.

The post Google Analytics 4 a współczynnik konwersji – 3 proste sposoby na jego poprawę first appeared on Conversion.