Czym jest DataMate?
Jak działa DataMate w praktyce?
Jak uzyskać dostęp do narzędzia?
Podsumowanie

Czym jest DataMate?

DataMate to asystent AI, w którym zgromadziliśmy naszą wiedzę z zakresu analityki internetowej, narzędzi Google i procesów data-driven marketingu. W tym artykule opiszę, czym jest DataMate i jak może wspierać zespoły marketingowe w codziennej pracy z danymi. DataMate jest obecnie agregatorem wiedzy z kanału YouTube Conversion oraz firmowego bloga. W przyszłości rozwiniemy go o wewnętrzne bazy wiedzy, metodyki wypracowywane we współpracy z klientami oraz materiały zewnętrzne, takie jak dokumentacje.

Ambicją Conversion w kontekście DataMate jest stworzenie jednego, kompletnego źródła wiedzy o marketingu, technologii i danych online.

Jak działa DataMate w praktyce?

Jak działa DataMate? Poniżej opisuję to na przykładzie jednego z ostatnich zadań projektowych. Na początku czerwca podczas konferencji SemKRK zaprezentowałem temat KPI Tree – zachęcam również do obejrzenia materiału podsumowującego to wystąpienie. Po wystąpieniu otrzymałem pytania od uczestników. Na część z nich odpowiedziałem na scenie, a pozostałe przekazali mi organizatorzy z prośbą o przygotowanie odpowiedzi w formie wywiadu.

Przykładowe wykorzystanie asystenta

Poniżej przedstawiam te pytania oraz sposób, w jaki można odpowiedzieć na nie z pomocą naszego asystenta. W tym celu przechodzę do Datamate. Po zalogowaniu widoczna jest historia dotychczasowej konwersacji oraz okno czatu, w którym można zadać konkretne pytanie. Po wybraniu pierwszego pytania i kliknięciu „Wyślij” narzędzie przeszukuje bazę wiedzy, a następnie generuje odpowiedź na podstawie dostępnych informacji.

Przykładowe pytanie brzmi: „Wchodzisz do firmy, która ma dane, ale nic z nimi nie robi. Od czego konkretnie zaczynasz w pierwszym tygodniu?”.

Odpowiedź: W pierwszym tygodniu nie zaczynam od budowania dashboardu. Priorytetem jest szybki audyt: jakie dane są zbierane, gdzie się znajdują i kto ma do nich dostęp. Proces można podzielić na cztery konkretne etapy. Odpowiedzi na 13 pytań zadanych po konferencji dobrze pokazują, w jaki sposób można wykorzystać DataMate w praktyce. Narzędzie wspiera pracę z danymi i pomaga szybciej uzyskać konkretne odpowiedzi analityczne.

Jak uzyskać dostęp do narzędzia?

Jak uzyskać dostęp do DataMate? Wystarczą trzy proste kroki:

1. Wejdź na stronę datamate.pl.

2. Podaj adres e-mail, na który zostanie wysłany indywidualny link dostępowy.

3. Korzystaj z narzędzia, zadawaj pytania i testuj jego możliwości. Sposób zadawania pytań wpływa na to, jak DataMate uczy się podsuwać odpowiedzi. Użytkownik może ocenić każdą odpowiedź za pomocą kciuka w górę lub kciuka w dół. Na podstawie tych ocen narzędzie doskonali swoje działanie.

Obecnie prowadzimy otwarte testy, a DataMate pozostaje bezpłatny. Tworzymy grupę użytkowników, z którymi rozwijamy narzędzie i zbieramy informacje zwrotne. Z DataMate korzysta już ponad 100 zaangażowanych osób.

Pierwsze statystyki oraz dodatkowe informacje opublikowaliśmy w podsumowaniu wyników z testów. Link do posta na LinkedIn znajduje się poniżej. Zawiera konkretne statystyki, które mogą pomóc lepiej zrozumieć omawiany temat.

Podsumowanie

DataMate pozwala korzystać z wiedzy Conversion w uporządkowany sposób, szczególnie w kontekście FOMO obecnego na rynku analityki i AI. Liczba źródeł wiedzy rośnie bardzo szybko, a użytkownicy często mierzą się z nadmiarem informacji. W przypadku DataMate’a wiedza jest sprofilowana na podstawie naszych projektów, pracy z klientami i doświadczenia zespołu Conversion. Zachęcam do podzielenia się feedbackiem po rozpoczęciu korzystania z rozwiązania.

The post Datamate, czyli 100k+ godzin doświadczenia w analityce online w jednym narzędziu first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Rola architekta rozwiązań reklamowych w Google

Dlaczego fundamenty danych są kluczowe dla algorytmów

Wyzwania technologiczne i prawne przy bidowaniu do wartości

Data Governance i utrzymanie jakości danych

Przyszłość analityki w erze sztucznej inteligencji

Rola architekta rozwiązań reklamowych w Google

Współpraca z największymi reklamodawcami i wyzwania technologiczne

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Karolina Wrzask. Cześć Karolina.

Karolina Wrzask: Cześć, dziękuję za zaproszenie.

Mariusz Michalczuk: Bardzo miło, że dołączyłaś. Chciałbym zacząć od tego, żebyś opowiedziała o swojej pracy. Pracujesz jako Advertising Solution Architect Google, bardzo skomplikowana nazwa. Powiedz mi, czym się zajmujesz, jakie problemy mają klienci, którzy do ciebie się zgłaszają i z jakimi firmami pracujesz.

Karolina Wrzask: Zgadza się, jestem architektem rozwiązań reklamowych. Gdybym miała przetłumaczyć na język polski to stanowisko, to jestem po prostu technicznym konsultantem, czyli zajmuję się doradztwem w zakresie wdrożeń narzędzi Google, ponieważ reprezentuję tego dostawcę. Pracuję z klientami w obszarze wdrożenia tych narzędzi, integracji, pozyskiwania danych i aktywacji danych. Tak najprościej bym to ujęła.

Mariusz Michalczuk: Czyli wszystko, co trzeba zrobić najpierw, żeby z tych danych korzystać. Z jakimi wyzwaniami zgłaszają się klienci? Robisz to z ramienia Google, do którego przychodzą pewnie największe firmy. Ciekawe, z jakimi wyzwaniami takie organizacje przychodzą.

Karolina Wrzask: Zacznę od kontekstu. Pracuję obecnie z największymi reklamodawcami w obszarze środkowo-wschodniej Europy, co sprawia, że moja perspektywa może być trochę wypaczona dużymi firmami i dużymi zespołami. Na szczęście współpracujemy też z firmami, które bardzo dynamicznie rosną, szybko pojawiają się na horyzoncie dużych reklamodawców, ale są jeszcze młodzi, dynamiczni i nieobciążeni historią, tym długiem technologicznym.

Mariusz Michalczuk: I pewnie przez to też bardziej zwinni, jak startupy.

Karolina Wrzask: Tak. Tam czasami są luki fundamentalne, które na szczęście daje się szybko zasypać. Pracuję z dużymi reklamodawcami, ale często to my wychodzimy z inicjatywą do nich. Środowisko techniczne i narzędzia zmieniają się bardzo szybko. Sam Google dostarcza coraz to nowe rozwiązania i musimy przyspieszyć adopcję, żeby umożliwić reklamodawcom pełne korzystanie z tych funkcjonalności.

Dlaczego fundamenty danych są kluczowe dla algorytmów

Adopcja nowych rozwiązań a jakość danych

Mariusz Michalczuk: Po to, żeby wydatki reklamowe były bardziej efektywne i docierały szybciej do właściwych użytkowników.

Karolina Wrzask: Podam Ci przykład adopcji kampanii typu Demand Gen. To obszar, którym się nie zajmuję, więc błagam, nie pytaj mnie o więcej, ale wiem, że żeby nasz zespół mógł skutecznie pracować z reklamodawcą, musimy z nim odrobić pracę w zakresie Data Strength, czyli fundamentów tagowania i integracji danych.

Mariusz Michalczuk: Żeby algorytmy mogły działać, trzeba zapewnić dobre dane. Jakiego rodzaju to są algorytmy i co dzięki nim się dzieje, żeby trafić do odpowiednich użytkowników?

Karolina Wrzask: Zdecydowanie. Dane, na których opiera się Demand Gen, to te fundamentalne: poprawna konwersja, jej atrybucja do źródła kampanii, ale też dane użytkowników. Mamy dane, które zaobserwujesz bezpośrednio – kliknięcie w reklamę, wejście na stronę, konwersja. Są takie konwersje czy zdarzenia, których nie możemy bezpośrednio połączyć z interakcją użytkownika z reklamą. Tam wchodzą rozwiązania łączące te interakcje na podstawie danych, które dostarcza użytkownik, jak adres e-mail czy numer telefonu.

Mamy też dane modelowane, gdzie nie mamy identyfikatora, ale posiadamy informacje o zdarzeniu oraz szereg metadanych zebranych tagami. Pozwalają one odtworzyć i zaraportować wizyty oraz konwersje użytkowników najbardziej trafnie, jak to możliwe na podstawie dostępnych sygnałów.

Wyzwania technologiczne i prawne przy bidowaniu do wartości

Bariery w przekazywaniu danych o marży i zyskach

Mariusz Michalczuk: W pracy z klientami często przekazujemy dane nie tylko z frontendu. To rzeczy bardziej wewnątrzfirmowe, np. marże na produktach. Rozumiem, że w waszym zakresie jest wsparcie tego, żeby wnieść kampanię na wyższy poziom, by bidować na podstawie wartości biznesowej.

Karolina Wrzask: Zastanawiam się, ile żargonu używać, muszę znaleźć złoty środek.

Mariusz Michalczuk: Trudno go znaleźć.

Karolina Wrzask: Niektórych rzeczy nie da się uniknąć. Jeśli mówimy o bidowaniu do wartości biznesowej, to dotknąłeś tematu, w którym adopcja mocno przyspieszyła. Rozmawialiśmy o bidowaniu do wartości lata temu, ale dopiero teraz to wszystko zaczyna się dziać. Zastanawiałam się nad tym i to efekt wielu czynników. Po pierwsze, pojawiło się dużo nowych formatów reklamowych wykorzystujących algorytmy bardziej niż precyzyjne ustawienia specjalistów. Już nie celujemy w konkretne słowo kluczowe, tylko w zestawy słów, intencje użytkownika i wartości biznesowe.

Reklamodawcy byli wcześniej sceptyczni, ufali swoim zdolnościom manualnym. Wraz z formatami pojawiły się jednak nowe sposoby ich walidacji: eksperymenty, testy inkrementalności, które udowodniły wartość kampanii i oszczędność pracy. Klienci zaczęli migrować i poświęcać uwagę fundamentom. Przez lata edukowaliśmy rynek, że jakość danych jest kluczowa. Teraz widzimy, że reklamodawcy to adoptują.

Mariusz Michalczuk: Rynek musi do wszystkiego dorosnąć, ale zmieniają się też okoliczności.

Karolina Wrzask: W zeszłym roku, pomijając wymogi zarządzania ciasteczkami, pojawił się Digital Market Act, który wpłynął na to, jak zbieramy i przetwarzamy dane. Popchnęło to falę wdrożeń Consent Mode. Świadomość klientów się zwiększa. Skoro mamy część ruchu, którego nie widzimy, musimy zasypać tę dziurę sygnałami do modelowania. Zwiększa się akceptacja na wykorzystanie danych modelowanych, co rodzi otwartość na tagowanie serwerowe. Chcemy lepszych danych biznesowych o marży czy wartości klienta, ale nikt nie chce ich udostępniać w samej przeglądarce.

\

Mariusz Michalczuk: Mamy wyzwanie w przekazywaniu danych o kosztach i marży, bo lepiej bidować na zysk niż na przychód. U Was jest trochę łatwiej, bo przychodzicie jako Google i rozmawiacie z właścicielami biznesowymi. Często mamy problem, żeby te dane uzyskać od controllingu. Jak to robicie?

Karolina Wrzask: To zależy. Branża e-commerce zaczęła bidować do wartości transakcji lata temu. Tam jest wysoki próg wejścia do wartości biznesowej, np. marży. Inne branże, np. finansowa czy tradingowa, czasem nie chcą ujawniać informacji lub przekazywać ich platformom partnerskim. Rozmowy bywają trudne. Wynika to z pozyskania danych – musimy ustalić technicznie, gdzie informacje są dostępne i czy są w czasie rzeczywistym. Druga bariera to dział prawny. Dyskusje potrafią trwać latami, żeby uzyskać zgodę na przetwarzanie.

Mariusz Michalczuk: Mieliśmy klientów, u których takie dyskusje trwały dosłownie cztery lata. Wrócili po tym czasie.

Karolina Wrzask: My jesteśmy aktywni i konsekwentni. Naciskamy na produkty, takie jak Enhanced Conversions, które bezpośrednio wpływają na wolumen konwersji. Mamy narzędzia zachęcające do testów i odpowiednie struktury, by rozmawiać na szczeblu C-level. Jeśli dotrzesz do odpowiednich stakeholderów, temat daje się rozwikłać. Zespół prawny musi zrozumieć mechanizmy, dlatego pomagają nam nasze zespoły prawne i handlowe zaopatrzone w odpowiednią dokumentację.

Mariusz Michalczuk: Wspomniałaś, że przekazywanie danych przez serwer musi dziać się w czasie rzeczywistym. Są branże, jak RTV, gdzie trudno policzyć ostateczną marżę natychmiast ze względu na zachęty od producentów. Są mechanizmy, by po czasie doładować tę wartość biznesową reklamy?

Karolina Wrzask: Przekażę bardzo ważną rzecz. Jeśli chcemy wysyłać dane do platformy reklamowej przez kontener serwerowy (sGTM), to powinno się to dziać w czasie rzeczywistym. Mamy tag w przeglądarce, trafia do serwera i tam dane uzupełniamy, zaciągając je z bazy (np. Firestore) lub z modelu. Klienci czasem błędnie używali Measurement Protocol do zasilania tagów z przeglądarki. Nie jest to oficjalnie wspierane, utrudnia debugowanie i psuje modelowanie.

Data Governance i utrzymanie jakości danych

Od zbierania wszystkiego do świadomego zarządzania informacją

Mariusz Michalczuk: Cokolwiek robimy z wewnętrznymi danymi, zapominamy o Measurement Protocol?

Karolina Wrzask: Trzeba zdawać sobie sprawę, że Measurement Protocol to narzędzie do wysyłania offline’owych zdarzeń do serwera Analyticsa. Nie służy do odpalania tagów przeznaczonych dla frontendu. Jego konstrukcja jest zbyt uboga. Mamy teraz narzędzie w otwartej becie, czyli Conversions with Multiple Data Sources. To hybryda dla Google Ads. Możesz mierzyć konwersję z przeglądarki, a po czasie uzupełnić i zaktualizować jej wartość z danych offline.

Mariusz Michalczuk: Takie uczenie ze wzmocnieniem?

Karolina Wrzask: Tak. Możesz dosłać też dodatkowe dane użytkowników. Architektura stała się złożona. Klienci przychodzą, bo potrzebują wsparcia w nawigowaniu po nowych betach i modyfikacji starych setupów. To jest właśnie moja rola.

Mariusz Michalczuk: Ty jesteś mentorem z ramienia Google, ale ciekawi mnie, kto jest po drugiej stronie u dużego klienta. Kto steruje przepływem pracy i operacjami technologicznymi? Opiekun martechu?

Karolina Wrzask: Zwykle jest. To zależy od wieku i dojrzałości organizacji. Reprezentując dostawcę rozwiązań reklamowych, współpracuję najczęściej z zespołami performance’owymi. Dawniej analityka operowała głównie w obrębie Google Analytics. Teraz z jednej strony architektura pozwala na zaawansowane modelowanie, co odejmuje pracę manualną, a z drugiej drzewo decyzyjne i integracje rozrosły się niesamowicie.

Mariusz Michalczuk: Wymusza to współpracę między działami: performance, IT, produkt.

Karolina Wrzask: Dokładnie. Zespoły performance włączają IT i działy analityczne (inżynieria danych). Wyłaniają wspólną delegację, która współpracuje ze mną w celu prawidłowego zasilenia platformy.

Mariusz Michalczuk: Performance bardzo zbliżył się do technologii.

Karolina Wrzask: Niesamowicie. Specjaliści performance zajmują się dziś tagowaniem, serwerami, Google Tag Gateway i integracją z IT. Kiedyś musieliśmy marketerów błagać o inwestycję w dane, a teraz sami inicjują te procesy wewnątrz organizacji. Narzędzia wręcz wymagają poprawnych danych wejściowych, aby skutecznie działać.

Mariusz Michalczuk: Mam refleksję, że analityka internetowa – to małe zbieranie danych – została zauważona przez „wielką analitykę” firmową (CRM, BI). Zrozumiano, że są to wzajemnie uzupełniające się ekosystemy, dające przewagę algorytmom sztucznej inteligencji, do których wszyscy mamy taki sam dostęp.

Karolina Wrzask: Zgadzam się. Rzeczy, o których latami mówiliśmy na konferencjach i ewangelizowaliśmy rynek, dzieją się właśnie dzisiaj.

Mariusz Michalczuk: Jak to wygląda w regionie CEE pod względem dojrzałości technologicznej? Mamy się w Polsce czego wstydzić w porównaniu do innych rynków?

Karolina Wrzask: Absolutnie nie. Mamy wspaniałych specjalistów wyznaczających standardy. Dojrzałość zależy od branży. Świetnie radzi sobie branża tradingowa, bo dane to ich podstawowy biznes. E-commerce z kolei szybko zaadoptował podstawowe rozwiązania lata temu, ale potem wpadł w stagnację skupiając się na raportowaniu. Inne branże nadrobiły braki, a teraz e-commerce musi zrobić kolejny przeskok technologiczny, by odzyskać przewagę konkurencyjną. Zatrudniają ekspertów i testują nowe rozwiązania, chociaż często hamuje ich bezwładność organizacyjna.

Mariusz Michalczuk: Słyszałem stwierdzenie, że e-commerce to dziś biznes bardziej technologiczny niż handlowy.

Karolina Wrzask: Chciałabym to tak widzieć, ale chyba jeszcze nie do końca. Moje obserwacje dotyczą konkretnego obszaru. Widzę jednak ogromny rozwój chociażby środowisk cloudowych wśród tych firm, więc zdecydowanie jest w tym stwierdzeniu sporo prawdy.

Mariusz Michalczuk: Chciałbym dopytać o jakość. Tych danych zbieramy mnóstwo, trzeba je jakoś utrzymać. Gdzie w tym wszystkim jest Data Governance?

Karolina Wrzask: Ciepło mi się na serduszku zrobiło, jak to powiedziałeś. W tym roku będę zawodowo pełnoletnia i pierwszy raz w ciągu ostatniego półrocza klienci dwukrotnie poprosili mnie o konsultację z zakresu Data Governance w marketingu. Zawsze o tym marzyliśmy jako analitycy. Miałam przypadek klienta, który miał w Analyticsie mnóstwo danych produkujących chaos. Nikt z tego nie korzystał. Zaangażowaliśmy liderów, IT, marketing i analityków. Proces trwał tygodniami, przygotowałam im odpowiednią dokumentację utrzymania jakości. Zaczynamy patrzeć na to odpowiedzialnie.

Mariusz Michalczuk: Marketerzy często mają podejście „zbierajmy wszystko, co się da”. Znalazłem twoją prezentację z Super Weeka z hasłem „We don’t need all your data”. Jak to obecnie wygląda w praktyce?

Karolina Wrzask: Teraz ciężko byłoby mi to obronić, bo przecież prosimy o zaszyfrowane dane użytkowników czy dane sesyjne do modelowania. Z jednej strony są uwarunkowania prawne – musimy wiedzieć, po co zbieramy konkretną daną, na co mamy zgodę. Z drugiej strony, posiadanie ogromnych baz w BigQuery kosztuje, chociaż tabele z GA4 można odpowiednio spłaszczać, by zoptymalizować procesy i ograniczyć rachunki. Kluczem jest wyznaczenie właściciela danych w organizacji (Data Ownera). To on decyduje, jakie dane są potrzebne, na jak długo i jak nimi zarządzać.

Mariusz Michalczuk: Słyszałem, że w jednej z firm zatrudniono Data Stewarda.

Karolina Wrzask: Data Steward to standardowa rola we frameworku Data Governance. Jeśli firma ma osobę decyzyjną odpowiedzialną za te zasoby, to już jest połowa sukcesu.

Przyszłość analityki w erze sztucznej inteligencji

Jak AI zmieni pracę analityków i marketerów

Mariusz Michalczuk: Na koniec muszę zapytać o sztuczną inteligencję. Z mojej perspektywy AI w 95% zastąpi człowieka w samej analizie, jeśli dane będą dobrze przygotowane. Natomiast dużo trudniej będzie zastąpić kogoś w samym procesie zbierania, wdrażania i rozmów w organizacji o potrzebach biznesowych. Czy ta myśl idzie w złym kierunku? Jak to widzicie w Google?

Karolina Wrzask: Wykorzystanie AI dynamicznie rośnie. Doszłam do wniosku, że jeśli za dwa lata moja obecna rola techniczna będzie nadal potrzebna w tym samym kształcie, to coś poszło nie tak. Ja wkraczam na wczesnym etapie adopcji rozwiązań (np. przy Google Tag Gateway), gdzie boty często halucynują lub mieszają pojęcia techniczne, i trzeba rozwikłać wątpliwości klienta. Tam, gdzie na razie nie ma wystarczającej dokumentacji, pomoc ekspercka zostaje. Jeśli technologia jest dojrzała, nie ma sensu tego robić manualnie.

Mariusz Michalczuk: Wiedza jest już dostępna, a asystenci AI skutecznie ją przekazują.

Karolina Wrzask: Tak. Korzystam z agentów z dostępem do wewnętrznej dokumentacji, co przyspiesza moją pracę niesamowicie. Narzędzia są wdrażane kilkoma kliknięciami z poziomu interfejsu. Automaty zrobią wiele rzeczy szybciej. Jednak wiedza domenowa wciąż będzie krytyczna – trzeba umieć napisać dobry prompt, sprawdzić odpowiedź i połączyć kropki. AI nas nie zastąpi, ale zmieni specyfikę naszej pracy. Pamiętajmy, że kiedyś praca juniorska polegała na przepisywaniu dokumentów na maszynie, dziś ta sama zasada dotyczy ręcznego wpisywania słów kluczowych czy wstawiania skryptów.

Mariusz Michalczuk: Nie bójmy się słowa dinozaur.

Karolina Wrzask: Jak zaczynałam, pisałam słowa kluczowe do kampanii ręcznie. Teraz technologia pędzi. Skłoniło mnie to do zajęcia się obszarem Data Governance. Jeśli boty skonfigurują kampanie i tagi, człowiek przyda się tam, gdzie potrzeba komunikacji z innymi ludźmi, budowania zaufania, rozwiązywania relacji i strategicznego myślenia. Będziesz potrzebował dziesięciu agentów AI, ale nadal potrzebujesz jednego człowieka, który ma nad tym pieczę.

Mariusz Michalczuk: Co byś poradziła osobom pracującym w digital marketingu i analityce, aby rozwijały swoje kompetencje?

Karolina Wrzask: Umiejętności miękkie są świetne, ale by zbudować relację i autorytet, musisz mieć kompetencje techniczne. Rozumienie technologii, inżynierii danych, funkcjonowania algorytmów na poziomie matematycznym jest bazą do wyciągania wniosków i kwestionowania wyników. Ważna jest też ostrożność względem informacji. Kiedyś dostałam z czata piękną instrukcję konfiguracji z polem, które nie istnieje w platformie reklamowej. Zostaje z nami ciekawość oraz umiejętność łączenia kropek.

Mariusz Michalczuk: To czyni ten świat bardzo interesującym.

Karolina Wrzask: Bardzo. Mówiło się, że wynalazki AGD dadzą ludziom więcej czasu na odpoczynek. Wyszło tak, że pierzemy częściej, pracujemy tyle samo, a nadwyżki inwestujemy w wychowanie, rozwój i powiększanie zamożności. Tak samo będzie ze sztuczną inteligencją. Zaoszczędzimy czas na klikaniu, a wymyślimy nowe wartościowe usługi i poszerzymy nasze pole manewru.

Mariusz Michalczuk: Cenna myśl na sam koniec. Życzę nam wszystkim refleksji i krytycznego myślenia. Dzięki wielkie, Karolina.

Karolina Wrzask: Wzajemnie. Dziękuję bardzo za rozmowę.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla analityków i marketerów

Rozmowa z Karoliną Wrzask uświadamia, w jakim tempie rozwija się technologiczne zaplecze nowoczesnego marketingu cyfrowego. Klienci, nawet najwięksi, mierzą się dziś z implementacją rozwiązań bazujących na zaawansowanym modelowaniu, do czego niezbędne są perfekcyjnie skonstruowane fundamenty. Dbanie o właściwą jakość przekazywanych sygnałów oraz atrybucji to obecnie warunek konieczny dla działania nowoczesnych systemów takich jak Google Ads.

Kluczowym wnioskiem jest również obserwowany renesans podejścia do Data Governance. Firmy coraz częściej zdają sobie sprawę, że samo zbieranie każdego możliwego punktu danych generuje chaos informacyjny oraz generuje koszty. Wyznaczenie odpowiedniego Data Ownera (oraz ról wspierających takich jak Data Steward) staje się naturalnym krokiem w procesie panowania nad danymi i wykorzystywania ich w sposób zgodny z prawem oraz oczekiwaniami biznesowymi.

Zwieńczeniem dyskusji było spojrzenie w przyszłość ukształtowaną przez sztuczną inteligencję. Wbrew pesymistycznym prognozom, automatyzacja takich procesów jak tagowanie czy wprowadzanie kampanii nie eliminuje potrzeby posiadania specjalistów. Odciąża ona jednak analityków z powtarzalnych zadań operacyjnych, wymagając w zamian mocnych umiejętności krytycznego myślenia, głębokiej weryfikacji otrzymywanych sugestii systemowych oraz wiedzy umożliwiającej budowanie przewag konkurencyjnych na znacznie wyższym szczeblu decyzyjnym.

The post Perfromance marketing nie może istnieć bez technologii – Karolina Wrzask – Date with Data Talks first appeared on Conversion.

Wprowadzenie do DataOps
Praca na surowych danych a czas i koszty analizy
Złożoność danych online i etapy ich przetwarzania
Model danych jako sprawdzone rozwiązanie
Podsumowanie

Wprowadzenie do DataOps

W tym wpisie opisuję, jak działa DataOps w praktyce. Przedstawiam różnice pomiędzy analizami opartymi na danych przygotowanych według zasad DataOps i sprawdzonych pod względem jakości, a analizami wykonywanymi na surowych danych pobieranych bezpośrednio z narzędzi analitycznych. W artykule zostaną omówione kluczowe aspekty złożoności danych online, które są dostępne w codziennej pracy analityków. Przedstawione zostaną różnice między pracą na danych surowych a przetworzonych, na przykładzie naszego modelu danych. Zostanie również pokazane, do czego może prowadzić bagatelizowanie problemu nieustrukturyzowanych danych.

Praca na surowych danych a czas i koszty analizy

Wyobraźmy sobie sytuację, w której analityk otrzymuje proste z pozoru zadanie: ile ruchu pochodziło w marcu z poszczególnych źródeł? Jeśli korzysta z hurtowni danych, takiej jak Google BigQuery, musi sięgnąć do ogromnych, nieprzetworzonych zbiorów. Praca na takich danych, bez wcześniejszego uporządkowania i przetworzenia, może wymagać nawet 179 linii kodu, aby uzyskać odpowiedź na tak podstawowe pytanie.

Złożoność danych online sprawia, że brak odpowiedniej ich struktury i przetwarzania nie tylko utrudnia codzienną pracę, ale także prowadzi do błędów i nieefektywności. Bagatelizowanie tego problemu może przekładać się na czasochłonne analizy oraz opóźnienia w podejmowaniu decyzji biznesowych.

Odpowiednie zarządzanie danymi, ich ustrukturyzowanie i przetwarzanie są kluczowe, aby sprawnie odpowiadać na pytania biznesowe i efektywnie wykorzystywać potencjał dostępnych narzędzi analitycznych. Poniżej przykład typowego zapytania, które pozwala odpowiedzieć na konkretne pytanie analityczne. Składa się ono ze 179 linii kodu. Wynik działania tego zapytania pojawia się po jego uruchomieniu.

Takie zapytanie można jednak przetworzyć w znacznie prostszy sposób, wykorzystując wcześniej przeprocesowane dane. Wystarczy wtedy dwanaście lub dziewięć linii kodu. Po odtworzeniu tego procesu widać, że odpowiedź pojawia się znacznie szybciej. Dodatkowo, liczba przetwarzanych danych jest dużo niższa: dwadzieścia megabajtów zamiast sześciu gigabajtów w pierwszym przypadku. Oprócz szybkości działania, przetwarzana jest znacznie mniejsza ilość danych, co wpływa na koszt analizy. Wyniki pozostają takie same, jednak czas ich uzyskania jest znacznie dłuższy. Zapytanie zostało wcześniej przygotowane, jednak w praktyce za każdym razem konieczne będzie jego wykonanie. Kluczowym problemem nie są kompetencje analityka ani to, czy potrafi napisać 179 linii kodu. Główne wyzwania to czas potrzebny na przygotowanie zapytania SQL, ryzyko popełnienia błędów oraz koszt analizy w Google BigQuery.

Złożoność danych online i etapy ich przetwarzania

W przypadku analizy danych surowych, szczególnie z GA4 w Google BigQuery, dane są zorganizowane w zagnieżdżonej strukturze JSON. Po otwarciu konkretnej tabeli w BigQuery okazuje się, że pojedynczy wiersz, oznaczony np. ID eventu, zawiera kilkanaście lub kilkadziesiąt zagnieżdżonych wartości, które za każdym razem wymagają rozpakowania. Warto zwrócić uwagę, jak złożona jest analiza takich danych online. W pierwszych 179 linijkach kodu SQL uwzględnionych jest co najmniej sześć czynników, które należy wziąć pod uwagę, analizując surowy eksport danych z GA4 do Google BigQuery. Pierwszym krokiem jest zbudowanie sesji na podstawie eventów. W pliku zagnieżdżonym widoczny jest pojedynczy event, jednak aby przedstawić ruch, konieczne jest odtworzenie sesji z tych eventów. Przykładowe zapytanie pokazuje, ile eventów składa się na jedną sesję – na przykład dla jednego Session ID może być to nawet 1643 eventy. Taki zbiór danych trzeba odpowiednio przetworzyć, rozpakowując informacje na potrzeby dalszej analizy. Przed przygotowaniem podziału źródeł ruchu na poszczególne kanały, należy przekształcić tabelę z eventowej na sesyjną. Dane z miesiąca w Google BigQuery przetwarzamy na podstawie kilku milionów rekordów. Analiza obejmująca cały rok, w zależności od sezonowości, zwykle oznacza proporcjonalnie większą liczbę danych. To kolejny powód, by korzystać z wstępnie przetworzonych danych, które pozwalają znacząco obniżyć koszty pracy z Google BigQuery. Szczegółowo opisałem ten temat w osobnym wpisie, do którego link znajduje się w opisie.

Pierwszym krokiem jest więc wypłaszczenie danych. Kolejnym elementem jest naprawa ruchu direct. GA4 często klasyfikuje sesje jako direct, nawet jeśli w linku występują inne parametry, takie jak UTM czy GetSleet. Na przygotowanym przykładzie zapytania widać, że w url-u pojawia się „get-lead”, co oznacza ruch z kampanii ads. Jednak po wyciągnięciu source i medium, te pola pozostają puste. Kolejnym krokiem jest naprawa tych danych, które trafiają do systemu. Zarówno interfejs GA4, jak i surowe dane w Google BigQuery, często nie są poprawnie przetworzone.

Trzecim elementem jest wykluczenie bramek płatności. Użytkownik wracający z bramki płatności do serwisu nie powinien mieć tego ruchu przypisanego do bramki płatności. W takiej sytuacji odpowiednia logika powinna pobrać źródło ruchu z poprzedniego eventu, który miał miejsce przed przekierowaniem do zewnętrznej bramki.

Piątym krokiem jest grupowanie kanałów, a ostatnim – prezentacja wyników analizy. W przypadku każdego serwisu mogą pojawić się dodatkowe, specyficzne warunki brzegowe. W tym przykładzie sześć kroków i 179 linii kodu pokazuje, jak złożony potrafi być ten proces. Analizując dane w Google Analytics 4 i BigQuery, należy zwrócić uwagę na warunki brzegowe związane z integracją tych narzędzi. Różnice między danymi w interfejsie GA4 a surowymi danymi w BigQuery często wynikają z błędów w przypisywaniu źródeł ruchu. Przykładem jest nieprawidłowe przepisywanie ruchu z Google do Direct, co prowadzi do zaniżenia metryk, takich jak ROAS z Google Ads.

Błędy w przypisywaniu parametrów i atrybucji

Podobny problem dotyczy nieprawidłowego przypisywania parametrów, na przykład FBC Lead. Jeśli ruch z Facebooka zostanie potraktowany jako Direct, ROAS oraz META-AC również będą zaniżone. Problemy pojawiają się także przy nieprawidłowym tagowaniu kampanii UTM. Brak poprawnego przypisania źródła i medium sprawia, że ruch z danej kampanii nie pojawia się w raportach.

Warto pamiętać o tych aspektach podczas analizy danych, aby uzyskiwać wiarygodne wyniki i lepiej oceniać skuteczność prowadzonych działań marketingowych. Jednym z istotnych elementów jest bramka płatności. Transakcje są często przypisywane do bramek płatności po powrocie użytkownika z zewnętrznej strony płatności. W takim przypadku kampanie marketingowe generujące ten ruch tracą na znaczeniu w raportach. Istnieje wiele podobnych przypadków, jednak to jedne z najczęściej obserwowanych sytuacji.

Model danych jako sprawdzone rozwiązanie

Różnica między analizą surowych danych a korzystaniem z ustalonego modelu danych polega na tym, że nie trzeba każdorazowo pamiętać o wszystkich niestandardowych przypadkach. W naszym modelu danych rozwijamy i aktualizujemy te rozwiązania na bieżąco. Model powstał na bazie półtorarocznych prac i obejmuje około 95% przypadków. Przekłada się to bezpośrednio na analizę – czas odpowiedzi na proste biznesowe pytanie to 179 linii kodu w klasycznym podejściu, podczas gdy przy wykorzystaniu naszego modelu danych wystarczy jedynie 9 linii. Ryzyko popełnienia błędu jest wysokie, gdy za każdym razem kod trzeba pisać od nowa. Przy zastosowaniu modelu danych ryzyko to spada. Logika modelu została wypracowana i przetestowana na około 30 klientach, dzięki czemu jest centralizowana i sprawdzona w praktyce. W danych surowych źródła ruchu wymagają ręcznego poprawiania i uwzględniania różnych edge case’ów. Model danych natomiast narzuca gotowe, skorygowane standardy. Przy samodzielnym grupowaniu ruchu do kanałów konieczne jest tworzenie wielu dodatkowych reguł, na przykład z użyciem instrukcji if then lub case, w zależności od źródła ruchu. Model danych zapewnia jedno źródło prawdy, które można rozszerzać, gdy pojawiają się nowe źródła ruchu.

Atrybucję w danych surowych trzeba konfigurować ręcznie, dostępny jest tam tylko jeden model. W modelu danych dostępne są co najmniej trzy gotowe modele atrybucji, które można od razu wykorzystać lub dostosować do własnych potrzeb.

Identyfikacja użytkownika w danych surowych opiera się głównie na ciasteczkach przeglądarki. Model danych umożliwia unifikację użytkownika pomiędzy różnymi urządzeniami z wykorzystaniem algorytmu Unified ID. Koszt analizy surowych danych, jak w przypadku 6 GB danych miesięcznie, jest bardzo wysoki w porównaniu do minimalnych kosztów analizy 20 MB danych po wstępnym przetworzeniu. Model danych zapewnia efektywność kosztową, co jest kluczowe w podejściu DataOps.

Nasz model danych nie tylko naprawia źródła ruchu i atrybucje, ale także agreguje dane do jednego Single Source of Truth. Optymalizujemy dane pod kątem późniejszego wykorzystania, aby nie przekroczyć budżetu w Google BigQuery. System monitoruje i alarmuje w przypadku nieprawidłowości, co odzwierciedla koncepcję DataOps.

O modelu danych i DataOps można przeczytać więcej w osobnych wpisach na naszym blogu. Wkrótce pojawi się również artykuł poświęcony koncepcji GDock. Punkt szósty to analiza z wykorzystaniem różnych data produktów. Przykładem takiego rozwiązania jest AI Overview, który został omówiony w jednym z wcześniejszych wpisów na blogu. Warto zapoznać się z pełnym opisem modelu danych, gdzie szczegółowo przedstawiono tę koncepcję. Nie trzeba koniecznie korzystać z naszego modelu danych, choć oczywiście go rekomendujemy.

Podsumowanie

Podsumowując, DataOps, którego kwintesencją jest nasz model danych, stanowi sposób na efektywną analitykę. Zamiast poświęcać czas na zbieranie i porządkowanie danych, można skupić się na analizie, wyciąganiu wniosków i formułowaniu rekomendacji – czyli na tych elementach analityki, które mają największą wartość dla biznesu. Wartość analityki pojawia się na etapie wyciągania wniosków i formułowania rekomendacji. Automatyzacja zbierania danych pozwala uniknąć konieczności każdorazowego pozyskiwania surowych danych, co zmniejsza ryzyko dla biznesu. Automatyczne gromadzenie danych zwiększa bezpieczeństwo i efektywność procesów analitycznych.

The post Jedna analiza w BigQuery: 179 vs. 9 linii kodu. Różnica? DataOps. first appeared on Conversion.

Zrozumienie danych z Google Search Console
DataOps i automatyzacja pobierania danych
Analiza nożyc AI Overviews i scoring ryzyka
Rekomendacje i działania naprawcze
Podsumowanie

Zrozumienie danych z Google Search Console

Pierwszym krokiem w analizie danych dotyczących AI Overviews jest zrozumienie, jakie informacje są dostępne. Dane te pochodzą z Google Search Console. W Google Search Console kluczowe informacje znajdują się w zakładce „wyniki wyszukiwania”. Opierają się one na zapytaniach, w których pojawiamy się w wynikach wyszukiwania, liczbie kliknięć oraz liczbie wyświetleń. Na tej podstawie można przeprowadzić analizę.

Dane można wyeksportować z Google Search Console, a następnie, korzystając z Google Spreadsheets i narzędzi takich jak LLM (np. Gemini), przeprowadzić szczegółową analizę. Ograniczeniem jest dostępność jedynie 1000 wierszy do eksportu oraz fakt, że dane dostępne są tylko dla wybranego zakresu czasowego. Nie ma możliwości analizowania linii trendu dla dłuższych okresów. Aby ułatwić analizę, warto wyeksportować plik CSV i wgrać go do Google BigQuery. Analiza prowadzona dla klientów opiera się na autorskim modelu danych, który automatycznie importuje wszystkie dane do centralnej hurtowni w Google BigQuery. Więcej informacji o modelu danych znajduje się w opisie.

Pierwszym krokiem analizy jest zebranie wszystkich danych w jednym miejscu. Dostępny jest eksport z Google Search Console, który można następnie analizować w Google Spreadsheet lub zaimportować do BigQuery.

DataOps i automatyzacja pobierania danych

W Conversion od około półtora roku stosujemy w strategii podejście DataOps, zakładające maksymalną automatyzację danych i minimalizację czasu poświęcanego na ich zbieranie. Więcej o DataOps można przeczytać w dedykowanym wpisie na ten temat. W przypadku naszego rozwiązania i modelu danych konektor jest już skonfigurowany, ale można go również ustawić samodzielnie. Funkcjonalność ta nosi nazwę bulk data export, czyli masowy eksport danych. Jedną z największych zalet tego eksportu jest dostęp do pełnej listy wszystkich zapytań, na które pojawiamy się w wynikach wyszukiwania Google. Dane są dostępne w ciągu 48 godzin od konfiguracji, a eksport obejmuje dane dzienne. Funkcja ta jest darmowa, a jedynym kosztem pozostaje utrzymanie Google BigQuery.

Jeśli koszty utrzymania Google BigQuery są wysokie i stanowią barierę przed przekazywaniem kolejnych danych, warto zapoznać się z naszym poradnikiem dotyczącym optymalizacji kosztów w Google BigQuery. W przypadku naszego modelu danych możliwe jest nawet trzystukrotne zmniejszenie kosztów, co potwierdzają nasze realizacje. Po skonfigurowaniu eksportu z Google Search Console do Google BigQuery dane są wysyłane od momentu uruchomienia integracji, czyli od dnia konfiguracji. Aby uzyskać pełny zakres danych, należy pobrać dane historyczne za pomocą API. Warto zrobić to jak najszybciej, szczególnie w kontekście analizy AI Overviews, ponieważ API umożliwia dostęp do danych maksymalnie z ostatnich 16 miesięcy.

Proces pobierania danych warto zautomatyzować, na przykład przy użyciu Pythona, który codziennie pobierze dane przez API i połączy je z danymi już pobranymi przez eksport. Dzięki temu wszystkie dane, zarówno bieżące, jak i historyczne, będą dostępne do analizy trendów.

Analiza nożyc AI Overviews i scoring ryzyka

Ostatnim krokiem w gromadzeniu danych w hurtowni danych jest podłączenie Gemini, języka LLM, za pośrednictwem Vertex AI. Pozwala to na wykorzystanie możliwości Google BigQuery w kompleksowej analizie danych. Po zgromadzeniu wszystkich danych można przejść do pierwszej analizy i identyfikacji kluczowych elementów. Analiza nożyc AI Overviews polega na zestawieniu zagregowanych danych. W jednym wierszu przedstawiane są wyświetlenia, a w drugim – click-through rate (CTR). Analizujemy dane zarówno sprzed, jak i po wprowadzeniu AI Overviews. Różnica w CTR przed i po wdrożeniu określa wielkość tzw. nożyc AI Overviews.

Na przykładzie jednej z naszych analiz dane prezentowane są w formie tabelarycznej. Pokazujemy, jak zmieniły się wyświetlenia, kliknięcia i CTR po wprowadzeniu AI Overviews. Obliczone nożyce AI Overviews wskazują, że utraconych zostało niemal 800 tysięcy wizyt. Ta estymacja powstała na podstawie różnicy w CTR-ach przed i po wdrożeniu AI Overviews, pomnożonej przez aktualną liczbę wyświetleń w tej sekcji.

Nożyce w naszym frameworku są liczone tylko dla słów kluczowych o wysokim lub średnim poziomie ryzyka związanego z AI Overviews.

W analizie słów kluczowych może pojawić się także tzw. paradoks CTR. Polega on na tym, że zapytania znajdujące się na wysokich pozycjach mają niższy CTR. Wynika to z faktu, że pierwsze pozycje są przysłaniane przez sekcję AI Overview podsumowującą odpowiedź w wyszukiwarce. Identyfikacja tego paradoksu jest istotna, ponieważ wykorzystuje się go w scoringu do oceny zagrożenia ze strony AI Overviews. Drugim krokiem analizy było wstępne policzenie na dużych liczbach nożyc AI Overviews.

Intencja i kategorie zapytań

Trzeci krok polega na określeniu dla poszczególnych zapytań, wyeksportowanych z Google Search Console, dwóch wymiarów. Pierwszym z nich jest intencja, oznaczona jako No Simple, No Do, Website Visiting Person Query. Te wartości oznaczają, że jeśli pojawiamy się w wynikach wyszukiwania Google na dane zapytanie, No Simple dotyczy sytuacji, gdy użytkownik szuka bardzo konkretnej odpowiedzi, na przykład: „ile lat ma prezydent”. No to zapytanie wymagające bardziej rozbudowanej odpowiedzi, jak na przykład: „jak działa silnik hybrydowy”. Du odnosi się do sytuacji, gdy użytkownik chce wykonać jakąś akcję. Przykładowym zapytaniem może być kalkulator rat kredytu hipotecznego. Użytkownik, który chce dostać się na konkretną podstronę, wpisuje frazy takie jak „mBank Logowanie”, aby przejść bezpośrednio do strony logowania. Visiting Person Query to zapytania odnoszące się do lokalizacji w świecie rzeczywistym, na przykład „bankomat Ursynów”.

To pierwszy wymiar, któremu za pomocą Gemini lub innego LLM-a nadajemy kontekst zapytań pojawiających się w serwisie. Warto dodać, że intencja użytkownika pochodzi z raportu wykorzystywanego przez quality raterów – to 160-stronicowy podręcznik z wytycznymi. Dokument zawiera wytyczne dla osób oceniających jakość propozycji wyświetlanych przez algorytmy Google w odpowiedzi na zapytania. Jest to swoisty przewodnik, który pokazuje, jak Google rozumie intencje wpisywanych fraz. Intencje te mają charakter uniwersalny, ale można je dostosować do specyfiki własnego biznesu. Przykładowo, portal informacyjny będzie odpowiadał głównie na zapytania typu informational, serwis e-commerce na transactional, a lokalny biznes na zapytania związane z wizytą w fizycznej lokalizacji (in person query). To pierwszy wymiar analizy zapytań, które można zaimportować z Google Search Console i skategoryzować według odpowiadającej im intencji. Drugi wymiar to kategoria tematyczna, czyli określenie, czego dotyczy dane słowo kluczowe. Segmentacja według kategorii tematycznych pozwala zredukować setki tysięcy zapytań do maksymalnie kilkunastu kluczowych grup. Każdy serwis wymaga indywidualnego podejścia do tej segmentacji. Przykładowo, dla sklepu z elektroniką, RTV i AGD, kategorie zapytań mogą obejmować: specyfikację i parametry (np. iPhone 15 pojemność baterii), poradniki zakupowe (np. jaki telewizor do PS5), rankingi i porównania, opinie i recenzje, instrukcje obsługi, ceny, promocje i inne.

Narzędzia, takie jak Gemini, pomagają przypisać wszystkie zapytania do odpowiednich kategorii na podstawie wyników wyszukiwania. Po zakończeniu tego etapu kolejnym krokiem analizy jest ocena scoringu ryzyka związanego z AI Overviews.

Scoring ryzyka

Dla każdego słowa kluczowego wyeksportowanego z Google Search Console algorytm przypisuje odpowiedni scoring ryzyka. Scoring opiera się na czterech parametrach. Pierwszym z nich jest intencja, która ma wagę czterdziestu procent. Najwyższy scoring otrzymuje No Simple, co oznacza największe zagrożenie, oraz No i kolejne, w zależności od poziomu narażenia. Kolejnym parametrem jest aktualny CTR. Im niższy CTR w danym okresie, tym większe ryzyko obecności w IA Overview. W takich przypadkach pojawiają się tzw. zero klik wizyty, czyli sytuacje, w których użytkownicy otrzymują odpowiedź jeszcze przed kliknięciem w wynik wyszukiwania. Scoring uwzględnia paradoks pozycji i ma wartość dwudziestoprocentową. Następnie analizowane jest, jak bardzo trend załamał się przed pojawieniem się AI Overviews i po jego wprowadzeniu. Na tej podstawie każde słowo, które następnie agregowane jest do kategorii, otrzymuje scoring określający ryzyko spadku ruchu w związku z AOW. Wynik powyżej 7 oznacza wysokie ryzyko, między 4 a 6 i 9 – średnie ryzyko, natomiast poniżej 4 – niskie ryzyko.

Nożyce A Overfuse są liczone tylko dla słów kluczowych zakwalifikowanych jako medium i high. W ten sposób można pokazać, jaki wolumen ruchu jest tracony w związku z obecnością AOV. Po przejściu przez cztery poprzednie kroki – centralizacji danych, obliczeniu współczynników na zagregowanych danych, przypisaniu intencji i kategorii – cały proces zostaje zakończony. Do każdego zapytania dodaliśmy scoring ryzyka EA Overviews. Następnie przechodzimy do analizy tych danych. Na ekranie można zobaczyć, jaki procent wszystkich zapytań, na które się pojawiamy, rzeczywiście znajduje się w kategorii dużego, średniego lub małego ryzyka.

Rekomendacje i działania naprawcze

W przedstawionym przykładzie ponad 60% całego ruchu jest zagrożone przez AI Overviews w kategoriach Medium i High. Oznacza to 788 tysięcy kliknięć, czyli potencjalnych wizyt w serwisie, które tracimy właśnie z powodu AI Overviews.

Analizując dane, schodzimy do poziomu konkretnych kategorii słów kluczowych, aby sprawdzić, w których obszarach jesteśmy najbardziej narażeni. Możemy również przeprowadzić szczegółową analizę na poziomie poszczególnych zapytań, aby zobaczyć, jak sytuacja wygląda w naszym przypadku. Na podstawie tych danych można przygotować rekomendacje wynikające z przeprowadzonej analizy. Aby chronić skuteczne słowa kluczowe i sprawdzić możliwość odzyskania innych, szczególnie narażonych na ryzyko związane z AI Overview, warto rozważyć działania niezwiązane z wynikami wyszukiwania. Gdy targetujemy obszary, w których AI Overviews ukrywa nasze wyniki wyszukiwania, można przetestować alternatywne rozwiązania poza wynikami organicznymi. Przykładem jest stworzenie dedykowanego newslettera związanego z określonym aspektem biznesu, który dotychczas był pochłaniany przez AI Overviews.

Warto również rozważyć działania, które mogą zastąpić ruch z SEO generowany do tej pory przez Overviews. Kluczowe jest mierzenie każdej hipotezy, strategii oraz każdej zmiany w treściach i pozycjonowaniu SEO. Dzięki temu, że dane zostaną zebrane i odpowiednio policzone, można wyciągać wnioski i optymalizować działania.

Automatyzacja jest kolejnym krokiem w procesie DataOps. Zamiast jednorazowego pobierania i analizy danych, warto wdrożyć zautomatyzowane rozwiązania. Przykładem są alerty, które informują o istotnych zmianach w danych. Gdy dana kategoria słów kluczowych nagle traci na znaczeniu, na przykład w związku z AI Overview lub innymi czynnikami, analiza danych pozwala szybko zidentyfikować zmianę. Automatyzacja jest niezbędna do obserwowania trendów, zwłaszcza podczas testowania hipotez w ramach strategii contentowej lub SEO. Wszystkie wyniki można zwizualizować w Lookerze, aby osoby odpowiedzialne za content i SEO miały stały podgląd na zmiany.

W Conversion realizujemy te procesy w ramach modelu danych. Jest to jeden z naszych data produktów. Model danych naprawia dane, co ma szczególne znaczenie w przypadku GA4, gdzie często pojawiają się problemy z poprawną atrybucją i jakością informacji. Model danych agreguje wszystkie informacje w jednym miejscu, tworząc single source of truth. Optymalizuje dane, szczególnie z GA4 w kontekście Google BigQuery. W jednym z wcześniejszych wpisów pokazaliśmy, jak o 288 razy zmniejszyliśmy koszt obsługi raportów GA4 za pośrednictwem Lookera, wykorzystując eksport surowych danych z GA4.

Model monitoruje dane i w razie potrzeby wysyła alerty. Analizuje również dane za pomocą data produktów, takich jak analiza nożyc AI Overviews.

Podsumowanie

Proces analizy, o którym mowa, na początku wymaga zebrania wszystkich danych, jednak po wdrożeniu warto go zautomatyzować i na bieżąco śledzić wyniki. Pozwala to obserwować dane dotyczące wyników w organicznych wyszukiwaniach Google, wizualizować je na dashboardzie i ustawiać alerty na najważniejsze słowa kluczowe. Dzięki temu raportowanie efektów testów związanych z SEO lub strategią kontentową staje się prostsze.

Cały proces można zautomatyzować, konfigurując eksport z Google Search Console do Google BigQuery. Warto też skorzystać z naszego modelu danych, który już od pierwszego dnia wdrożenia umożliwia automatyczne i poprawne gromadzenie wszystkich potrzebnych informacji. W przypadku pytań dotyczących analizy lub modelu danych, zapraszamy do kontaktu.

The post Jak AI Overviews wpływa na ruch organiczny z SEO? Konkretna analiza. first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Czym jest strategia danych i po co jej potrzebujemy?

Sygnały ostrzegawcze: kiedy firma potrzebuje strategii?

Dlaczego same dashboardy nie rozwiązują problemów?

Drzewo KPI i walka z silosowością organizacji

Od danych do decyzji: 3 kroki do wdrożenia

Czym jest strategia danych i po co jej potrzebujemy?

Sens zbierania informacji w dobie nadmiaru danych

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Daniel, który w Conversion zajmuje się strategią danych dla naszych klientów. Czyli co to znaczy, czym się zajmujesz, co robisz na co dzień?

Daniel Połeć: Cześć Mariusz. Strategia danych jest o osiąganiu celów biznesowych i o rozwiązywaniu problemów, a konkretnie o tym, w jaki sposób dane online mogą nam pomóc. Czyli w tym, żeby ten nasz cel osiągnąć, zmierzyć się z problemem lub go rozwiązać.

Mariusz Michalczuk: Tych danych jest tak dużo, że pojawia się pytanie: po co jeszcze do tego strategia? Mamy tak dużo informacji, że wydaje się wręcz niemożliwe, by nie pomagały w rozwiązywaniu problemów fizycznych.

Daniel Połeć: Już nie ma gdzie dolać, bo ta szklanka jest pełna, prawda? Strategia danych to jest ta szklanka. Właśnie dlatego, że tych danych jest tak dużo, w tym morzu można utonąć. Jeżeli my nie wiemy, DO CZEGO te dane będą nam potrzebne, do czego chcemy ich użyć, jaką rolę pełnią w podejmowaniu decyzji, skazujemy się na skrajności. Albo te dane totalnie zignorujemy i w ogóle ich nie będziemy mieli, albo pójdziemy w drugą stronę: będziemy mieli tak duży chaos i szum informacyjny, że nie będziemy w stanie z nich skorzystać. Ta pierwsza sytuacja jest rzadsza. Natomiast ta druga, gdzie toniemy w danych i nie wiemy, co jest ważne, więc nie patrzymy na nic, jest bardzo częsta – od małych po duże organizacje.

Wspólny język i definicje jako fundament

Mariusz Michalczuk: Czyli można powiedzieć, że wszyscy mają dane, ale mało kto wie, jak z nich korzystać?

Daniel Połeć: Wiedzą ci, którzy mają jakąś strategię. Może być spisana, oficjalna lub tylko z tyłu głowy – to jest okej, jeżeli działa. Jeżeli jej w ogóle nie mamy, nie jesteśmy w stanie z tych danych skorzystać. Co z tego, że mamy super samochód na podjeździe, skoro nie potrafimy nim jeździć.

Mariusz Michalczuk: Strategia to szumne słowo. Odmienia się je przez przypadki w całej organizacji, od zarządu przez marketing. Jak opowiedziałbyś bardziej namacalnie, czym ta strategia w kontekście danych jest? Co w niej się znajduje i jak jest widoczna w organizacji?

Daniel Połeć: Poza tym, że bywa odmieniana przez wszystkie przypadki, wydaje się wielkim i mądrym pojęciem. Zwykło się uważać, że trzeba mieć ogromny segregator ze strategią danych. Zupełnie nie. Wszystko zależy od etapu rozwoju organizacji. Na najprostszym poziomie: bardzo ważnym elementem strategii danych są definicje. Jak rozumiemy konkretną metrykę jako organizacja. Spotkaliśmy się kiedyś z metryką „udział w rynku”. Brzmi mądrze, prawda? Tylko okazało się, że u klienta nikt do końca nie wiedział, skąd te dane się biorą i jak ten udział jest liczony. Ktoś to wyliczał na podstawie starych zasad, ale nikt na to nie patrzył. Niewiele to dawało.

Musimy ustalić definicję metryk. Czym innym jest zakup dla marketingu (złożenie zamówienia), czym innym dla logistyki, a czym innym dla zarządu, który patrzy na zysk i koryguje wynik o zwroty. Nie istnieje jedna idealna definicja. Mamy trzy różne metryki i patrząc na raport, musimy wiedzieć, na którą z nich patrzymy, ponieważ to poprowadzi nas do konkretnych decyzji. Jeżeli rozmawiamy ze sobą przez pryzmat raportów, musimy rozumieć się nawzajem. To jak obietnica „fajnych wakacji” – dla każdego oznacza to co innego. Drugim bardzo ważnym elementem strategii jest odpowiedź na pytanie: do czego te dane nam w ogóle służą? To najważniejsza rzecz z naszej rozmowy. W tej układance nie chodzi o dane, chodzi o decyzje.

Sygnały ostrzegawcze: kiedy firma potrzebuje strategii?

Rozjazdy w systemach i utrata zaufania do liczb

Mariusz Michalczuk: Chciałbym Cię zapytać, bo wymieniłeś te elementy: definicje i cel gromadzenia danych. W jakich przypadkach klienci do nas przychodzą? Co jest impulsem, że zaczynamy rozmawiać o strategii danych?

Daniel Połeć: Warto rozróżnić motywacje świadome i nieświadome. Częstą świadomą motywacją jest to, że klienci obserwują rozjazdy w danych i po prostu przestają im ufać.

Mariusz Michalczuk: W ogóle przestają patrzeć na te dane.

Daniel Połeć: Na przykład. To częsta sytuacja: w reklamach Meta mają przychodu milion złotych, a w Google Analytics dla źródła Meta system pokazuje siedemset tysięcy. Na co mają patrzeć? Różnica to trzysta tysięcy, trzydzieści procent.

Mariusz Michalczuk: A na końcu okazuje się, że w CRM masz dwa razy mniej niż suma wszystkich systemów reklamowych.

Daniel text: Zdecydowanie tak. Wtedy pojawia się frustracja. Skoro w CRM są realne pieniądze najbliższe stanowi konta, to po co patrzeć na resztę? Klienci przychodzą, chcąc ujednolicić te źródła, aby móc podejmować decyzje. Niestety, ujednolicenia do jednej idealnej liczby zrobić się nie da. Obecny stan przypomina sytuację z zegarkami: jak masz jeden zegarek, wiesz, która godzina. Jak masz dwa – przestajesz być pewny.

\

Dlaczego same dashboardy nie rozwiązują problemów?

Nie chodzi o to, by liczby się zgadzały, ale by wspierały decyzje

Mariusz Michalczuk: Klienci nie wiedzą, komu ufać. Każdy system reklamowy gra do swojej bramki, by pokazywać jak najwięcej przypisanej wartości. To oczywiste.

Daniel Połeć: Klienci proszą o „czary-mary”, żeby liczby się zgadzały. Oczywiście poprawne wdrożenie i pokrycie danych między analityką a CRM to podstawa. Zawsze najpierw dbamy o jakość danych. Nie dążmy jednak do tego, by liczby z różnych platform zawsze były identyczne. Zastanówmy się, w jakiej sytuacji skorzystamy z liczby raportowanej przez Metę, a w jakiej z Google Analytics. To jest nieświadoma motywacja – przychodzą po ujednolicenie, a my musimy dać im strategię używania tych danych z różnych perspektyw.

Mariusz Michalczuk: Rozbieżności były, są i będą. Załóżmy jednak firmę świadomą. Czy takie organizacje od razu przychodzą po strategię danych?

Daniel Połeć: Jest mało sytuacji, gdzie ktoś przychodzi bezpośrednio po strategię danych. Najczęściej zgłaszają objawy braku strategii. Czasami to firmy pragnące rozwoju. Mówią: chcielibyśmy podejmować lepsze decyzje, być bardziej data-driven. Nie dajemy im od razu paczki pięciu raportów do wdrożenia. Zaczynamy skupiać się na ich celach i problemach, układając proces wokół biznesu.

Raport jako narzędzie bez kontekstu biznesowego

Mariusz Michalczuk: Powiedzmy, że mamy definicje, wszystko jest zwizualizowane. Czy to już jak za dotknięciem czarodziejskiej różdżki wszystko rozwiązuje? Mam raport, więc jestem data-driven?

Daniel Połeć: Nie wystarczy. Raport czy dashboard to rodzaj produktu, który sam w sobie niczego nie rozwiązuje. Jak kupujesz młotek, to nie znaczy, że obrazy same zawisną na ścianach. Musisz go użyć. Łączymy się w bólu z analitykami: często tworzą dashboardy, z których później w firmie nikt nie korzysta lub robi to niewłaściwie. Powód? Raport nie prowadzi bezpośrednio do celu. Czy jeżeli kupię podnośnik samochodowy, to stanę się mechanikiem?

Mariusz Michalczuk: Dlaczego te raporty nie pomagają? Czego brakuje?

Daniel Połeć: Clue sytuacji tkwi w biznesie. Robiąc wywiad z klientem, pytamy o model biznesowy, konkurentów, wartości firmy. Klienci bywają zdziwieni, bo przecież „przyszli po dane”. Pytamy o cele na dany kwartał i wyzwania. Tylko dzięki temu potrafimy dopasować rozwiązanie. Dashboard nieosadzony w kontekście biznesowym i niewspierający konkretnej decyzji – sam z siebie nic nie zrobi.

Drzewo KPI i walka z silosowością organizacji

Zrozumienie dekompozycji wskaźników

Mariusz Michalczuk: Wydaje się, że wszystko musi zaczynać się od poziomu zarządczego. Lider ma ogromne zadanie: doprowadzić do powstania raportów i zatroszczyć się o proces decyzyjny.

Daniel Połeć: Cały czas mówimy o dashboardach, a przecież narzędziem do podjęcia decyzji może być alert. Są metryki jak ciśnienie w oponach – nie sprawdzasz tego codziennie. Jeśli wartość spadnie poniżej pewnego progu, dostajesz powiadomienie i musisz zareagować. To zdejmuje problem z głowy i pozwala skupić się na jeździe. W niektórych procesach automatyczny alert jest znacznie lepszym rozwiązaniem niż kolejny wykres.

Mariusz Michalczuk: Mamy stałe raportowanie, mamy alerty. Czasami też zlecamy analizę naszemu analitykowi. Moje obserwacje są takie: te analizy często kończą się suchym raportem, w którym brakuje rekomendacji i wyciągnięcia wniosków. Z czego to wynika?

Daniel Połeć: Jak myślisz, dlaczego brakuje tam rekomendacji?

Mariusz Michalczuk: Myślę, że problemem jest czas. Na 100 jednostek czasu, analityk spędza 85 na gromadzeniu, integracji i wyjaśnianiu rozbieżności. Na samą kwintesencję, czyli wyciągnięcie wniosków, zostaje 15 procent czasu.

Daniel Połeć: Zgadzam się, ten proces bywa czasochłonny. Jednak większym problemem jest brak kontekstu biznesowego. Gdybyś dał mi dostęp do Google Analytics i poprosił o ciekawe wnioski bez znajomości modelu biznesowego naszej firmy, nie wiedziałbym, do czego przypiąć te dane. Zauważyłbym wzrosty i spadki, ale nie umiałbym postawić celnej rekomendacji. Kontekst musimy ustalić na samym początku analizy. To jak prośba do żony o zaplanowanie „fajnych wakacji” bez podania kryteriów. Przyniesie oferty nad morzem, a ty wolałeś góry.

Pytanie nie brzmi: co powinniśmy mierzyć? Pytanie brzmi: co jako organizacja chcemy osiągnąć? Dopiero mając cel, dobieramy dane, które nam w tym pomogą. To kolosalna różnica w podejściu i klamra spinająca to, dlaczego zawsze zaczynamy od biznesu.

Metodologia działania „step down”

Mariusz Michalczuk: Zdarza się, że raport pokazuje świetne wyniki, a na końcu CFO mówi, że pieniądze na koncie się nie zgadzają. Dlaczego firmy patrzą na liczby, ale nie wiedzą, co faktycznie działa?

Daniel Połeć: Opisałeś idealny objaw silosowości. W naszym dziale wszystko świeci na zielono, a w ujęciu finansowym firma traci. Dochodzi do tego dlatego, że nie mamy drzewa KPI (KPI tree). Zaczynamy od dochodu (przychód minus koszty). Schodzimy w dół analizując, jak liczba kliknięć reklam wpływa na kolejne szczeble, aż po sam dochód. Jeśli wyłączymy opłacalne reklamy, w krótkiej perspektywie zaoszczędzimy koszty, ale z czasem zabraknie ruchu i przychodów. Widząc te powiązania na mapie metryk, skutecznie burzymy silosy.

Mariusz Michalczuk: To przypomina mapę biznesu opartą na tablicy rozdzielczej w samochodzie.

Daniel Połeć: Świetne porównanie. Gdy zapali się kontrolka check engine, wiemy, że musimy zareagować, podpiąć komputer i sprawdzić detale. Nie musimy wrzucać wszystkich najdrobniejszych wskaźników na główny ekran, bo powstanie szum. Wybieramy metryki priorytetowe. Co ważne, inicjatywa musi wyjść z góry – od zarządu, przez dyrektorów, do specjalistów. Nawet jeśli obecnie brakuje nam danych do wyliczenia idealnej metryki korygującej zwroty w marketingu, zaplanujmy ją, ale pracujmy na tym, co już mamy.

Od danych do decyzji: 3 kroki do wdrożenia

Jak pracować z dashboardami na co dzień?

Mariusz Michalczuk: Tablica rozdzielcza w aucie sugeruje wizytę u mechanika, ale dashboard nie mówi „skręć w lewo”. Jakie pytania powinniśmy zadawać do danych, żeby prowadziły do działania?

Daniel Połeć: Należy zadawać pytanie „dlaczego?”. O czym świadczy dany wzrost lub spadek? Odpowiedź znajdziemy dzięki drzewu KPI. Obserwujemy powiązania. Content manager piszący artykuły na bloga widzi, jak ilość i tematyka tekstów wpływają na jakość ruchu i konwersję w całej firmie. Dashboard główny pokaże mu, że dowieziono mniej ruchu. Wtedy ten specjalista otwiera swój lokalny kokpit, przeprowadza dekompozycję i analizuje wskaźniki szczebel niżej w Google Search Console.

Mariusz Michalczuk: Trochę jak pilot samolotu – ma checklistę i kolejne kroki w przypadku awarii.

Daniel Połeć: Pilot wie, co robić, bazując na doświadczeniu. Content manager z dobrym frameworkiem analizy również wie, czy musi zmienić tematykę tekstów, czy publikować częściej. Narzędzie daje sygnał (trigger) do działania. To dlatego każde stanowisko potrzebuje nieco innych danych. Nie ma rozwiązań uniwersalnych dla wszystkich.

Podsumowanie: Analityka przyspieszająca decyzje

Mariusz Michalczuk: Słowo „decyzja” przewija się tu stale. Zatem dobra analityka powinna prowadzić do decyzji, a nie zatrzymywać się na informacji z dashboardu?

Daniel Połeć: Analityka to fundament procesu decyzyjnego. Zabezpiecza przed chaosem i zgadywaniem. W zeszłym roku, gdy weszły powiadomienia AI w Google, wielu firmom spadł ruch. Przez brak dekompozycji i panikę ratowano się zwiększaniem budżetów w płatnych reklamach. Ruch wrócił, ale kosztem przepalonego budżetu, bo problem leżał gdzie indziej. Dane pozwalają robić właściwe kroki w odpowiednim czasie. Inaczej nie jesteśmy data-driven, lecz dashboard-driven.

Mariusz Michalczuk: Jakie są konkretne kroki dla słuchaczy, żeby faktycznie przejść od danych do decyzji?

Daniel Połeć: Krok pierwszy: Zdefiniowanie celów i problemów. Co nas blokuje w pracy z danymi? Czasami barierą jest czas tracony na ręczne eksportowanie Exceli. Zdiagnozujmy to.
Krok drugi: Ustalenie definicji metryk na poziomie całej firmy. Zbudowanie wspólnego słownika i przypisanie ownerów do konkretnych wskaźników (kogoś, kto odpowiada za daną decyzję).
Krok trzeci: Powiązanie tych metryk w drzewo KPI (KPI tree). Adaptacja tej zmiany uodporni organizację na podejmowanie chaotycznych ruchów.

Mariusz Michalczuk: Potwierdzeniem sukcesu będzie moment, w którym wyprzedzimy dział finansowy i będziemy dokładnie wiedzieli o ewentualnym spadku, zanim zapisze się on w bilansie bankowym. Stajemy się wywiadem biznesowym.

Daniel Połeć: Dokładnie. Poprzez działające drzewo KPI burzymy silosy i widzimy pełen obraz sytuacji na bieżąco.

Mariusz Michalczuk: Mega dzięki. Turbo inspirujące i bardzo konkretne. Do zobaczenia.

Daniel Połeć: Było mi bardzo miło. Do zobaczenia.

The post Czym jest strategia danych – Daniel Połeć – Date with Data Talks first appeared on Conversion.

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.

Czego dowiesz się z tego wywiadu:

Ewolucja podejścia do danych w polskim e-commerce

Testowanie hipotez i optymalizacja ścieżki zakupowej

Badania z użytkownikami i UX na światowym poziomie

Sztuczna inteligencja w analityce i biznesie internetowym

Podsumowanie: Główne wnioski z rozmowy

Ewolucja podejścia do danych w polskim e-commerce

Od decyzji opartych na intuicji do pełnej analityki

Mariusz Michalczuk: Cześć. Witam Was w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Moim i Waszym gościem dzisiaj jest Bartosz Ratajewski. Cześć Bartku. Miło mi, że przyjąłeś moje zaproszenie. Jakbyś mógł opowiedzieć o swoim dużym doświadczeniu w e-commerce i tym, czym się teraz zajmujesz.

Bartosz Ratajewski: Cześć. Z perspektywy czasu mogę powiedzieć, że miałem dużo szczęścia. Jeżeli popatrzę wstecz przez pryzmat ostatnich piętnastu lat, miałem możliwość tworzenia, budowania i zarządzania e-commerce chociażby w Media Expert, który dzisiaj jest świetnym przykładem tego, jak budować Omnichannel. W moim portfolio znajduje się też Empik.com, jeden z pierwszych omnichannelowych marketplace’ów w Polsce, oraz RTV Euro AGD, lider sprzedaży elektroniki konsumenckiej. Robiłem bardzo interesujące rzeczy, miałem możliwość przetestowania wielu rozwiązań i starałem się robić to przede wszystkim w oparciu o podejmowanie decyzji na podstawie danych.

Mariusz Michalczuk: 20 lat niesamowitego doświadczenia w największych e-commerce’ach w Polsce. Powiedz, jak z Twojej perspektywy przez ten czas zmieniało się podejście do decyzji opartych na danych? Jak to wyglądało na początku, kiedy e-commerce w Polsce dopiero się rodził, a jak wygląda dzisiaj?

Bartosz Ratajewski: Wrócę do okresu 2005-2010. Niesamowite jest to, że w tamtych czasach większość decyzji była podejmowana na podstawie tego, co się komu podobało. Analiza i zbieranie danych w zasadzie nie istniały. Bardzo często była po prostu osoba, która dobrze zarabiała i wydawała decyzje bazując na własnym doświadczeniu lub intuicji. Do 2010 roku bardzo rzadko wykorzystywano dane, a nawet jeśli to robiono, mało kto wiedział po co. Uważam, że ogromna zmiana nastąpiła w latach 2011-2012. Coraz więcej firm zyskiwało świadomość. Przypisuję tę zmianę świetnej pracy ekipy z polskiego Google’a, która wyedukowała rynek i pokazała, że analityka to narzędzie do zyskania przewagi nad konkurencją.

Przełamywanie barier w organizacjach

Mariusz Michalczuk: Pamiętam programy, w ramach których Google jeździło po miastach i pokazywało możliwości reklamowe czy analityczne. W środowisku panowało wtedy pojęcie HiPPO – Highest Paid Person’s Opinion, czyli opinia najlepiej opłacanej osoby.

Bartosz Ratajewski: Dokładnie. Nawet gdy organizacje zyskiwały świadomość, widziałem dyskusje, w których twarde dane przegrywały z opinią. Droga do punktu, w którym zarządy stwierdzały, że analityka to jedyny słuszny kierunek, nie była łatwa. Zależało to też od branży. Ci, którzy pierwsi adoptowali nowości, zyskiwali przewagę. To podobne zjawisko do tego, z czym mamy do czynienia dzisiaj przy sztucznej inteligencji. Świat jest pełen firm, które nie wykorzystały okazji – wystarczy spojrzeć na Nokię, Kodaka czy rynek telewizorów zdominowany dziś przez marki z Azji.

Mariusz Michalczuk: Zgadza się. Założyliśmy Conversion w 2010 roku i na początku byliśmy na rynku traktowani jako ciekawostka. To zaczęło się zmieniać po kilku latach, gdy wszedł Google Tag Manager (uwalniający marketerów od działów IT), płatne wersje Analytics i nastąpił słynny „rok mobile”. Przejdźmy jednak do praktyki. Jak dobieraliście metryki w procesach e-commerce i jak wykorzystywaliście te dane?

Testowanie hipotez i optymalizacja ścieżki zakupowej

Znaczenie weryfikacji pomysłów

Bartosz Ratajewski: Każdy podmiot e-commerce zaczynał od analizowania ścieżki zakupowej i checkoutu. Największą lekcją jest to, że dzisiaj nie mamy problemu ze zbieraniem danych – mamy ich wielokrotnie więcej niż kiedyś. Problemem jest to, jak z nich korzystać. Dane są niczym, jeśli nie podejmujesz na ich podstawie decyzji. Niestety, często spotykam się ze zjawiskiem, w którym organizacje wybierają tylko te dane, które pasują do z góry założonej tezy. Powinno być odwrotnie: powinniśmy wychwytywać wzorce i na ich podstawie testować hipotezy.

Mariusz Michalczuk: Wspominałeś na LinkedInie o doborze metryk i o tym, że w marketingu chodzi o testowanie hipotez. Jak to dokładnie wyglądało w Twoich projektach?

Bartosz Ratajewski: Trzeba zostawić przestrzeń na intuicję, ale traktować ją wyłącznie jako hipotezę, którą należy zweryfikować. Każdą zmianę w procesie warto wdrażać jako test, sprawdzając, czy parametry rzeczywiście ulegają poprawie. Mam ciekawy przypadek inicjatywy, za którą dałbym sobie uciąć głowę. Była to konsolidacja metod płatności i odbioru w koszyku. Wydawało się, że z punktu widzenia UX to idealne rozwiązanie. Z przeprowadzonych testów wyszło jednak, że kluczowe metryki drastycznie się pogorszyły. Przyzwyczajenia klientów i rynkowe standardy okazały się silniejsze niż nasza chęć uproszczenia widoku.

Mariusz Michalczuk: To świetny przykład. Czasami w optymalizacji wydaje nam się, że upraszczamy, a ostatecznie to uderza w sprzedaż.

Bartosz Ratajewski: Dlatego nie ma znaczenia, co nam się wydaje. Zawsze musimy opierać się na testach. Kiedy ktoś pyta mnie, co można poprawić na jego stronie, odpowiadam, że najpierw muszę zobaczyć dane. Moja opinia może być całkowicie błędna w zderzeniu z rynkiem, specyfiką produktu czy strategią firmy.

Mariusz Michalczuk: Dokładnie. Dane to podpowiedź, wniosek i podstawa do postawienia hipotezy. Reszta to przetestowanie tej koncepcji na żywym organizmie.

Zakupy jako gość a długofalowa strategia

Bartosz Ratajewski: Drugim świetnym przykładem są zakupy bez rejestracji. Badania Instytutu Baymard pokazują, że około 30% użytkowników porzuca proces zakupowy, jeśli sklep wymaga założenia konta. Wdrożenie opcji „zakup jako gość” ewidentnie podnosi konwersję. Ale z drugiej strony, jeśli spojrzymy na aplikacje mobilne największych graczy, tam zrobienie zakupów bez konta jest niemal niemożliwe. Wymaga tego strategia lojalizacyjna firmy. Musimy więc decydować: czy zależy nam na szybkiej konwersji z ruchu webowego, czy na budowaniu długofalowej wartości klienta w aplikacji.

Mariusz Michalczuk: Zauważyłem to. W większości aplikacji mobilnych faktycznie mamy wymuszone logowanie i konta. To zupełnie inne podejście niż w klasycznym ruchu webowym.

\

Badania z użytkownikami i UX na światowym poziomie

Znaczenie pytania klientów o zdanie

Bartosz Ratajewski: Wracamy tu do ważnego punktu: często zastanawiamy się, jak ułożyć proces, zupełnie zapominając o zapytaniu klientów, czego oni oczekują. Robienie badań i wywiadów z klientami to jeden z największych kroków w dojrzałości e-commerce. Bardzo szybko możemy zweryfikować nasze koncepcje poprzez mock-upy i prototypy. Zdarzało się, że ktoś w firmie upierał się przy danym rozwiązaniu latami, a podczas badań z użytkownikami okazywało się, że klienci zupełnie nie rozumieją intencji projektanta. Jeden dzień testów potrafi zaoszczędzić firmie miesięcy bezcelowej pracy i milionów złotych.

Optymalizacja listingu produktowego

Mariusz Michalczuk: Byliście z jednym ze sklepów w top 1% rankingu Baymard Institute w kategorii listingu produktów i filtrowania na mobile. To ogromne osiągnięcie w skali światowej. Co złożyło się na ten sukces?

Bartosz Ratajewski: To był długi proces ciągłej pracy nad poszczególnymi elementami serwisu. Nie można skupić się tylko na jednej metryce i nie można uogólniać wyników z różnych kroków ścieżki. Zupełnie inaczej liczy się dodanie do koszyka z listingu, a inaczej z karty produktu. Testowaliśmy m.in. obecność przycisku „dodaj do koszyka” bezpośrednio na listingu. Odpowiedź na pytanie, czy ten przycisk tam pasuje, zależy wyłącznie od branży. Przy produktach AGD/RTV, gdzie atrybutów technicznych jest mnóstwo, użytkownik często musi wejść na kartę produktu, żeby podjąć decyzję. Z drugiej strony, jeśli produkt jest znany i klient szuka wyłącznie najlepszej ceny, przycisk na listingu znacząco skraca jego drogę.

Mariusz Michalczuk: Przypomina mi to projekt, który prowadziliśmy dla jednej z porównywarek cenowych. Testowaliśmy, czy na listingu lepiej sprawdzają się kafelki ze zdjęciami, czy widok z listą parametrów technicznych. Okazało się, że kafelki generowały o 10% wyższą konwersję. Mimo oporu zarządu, który uważał parametry za niezbędne, przeprowadziliśmy test trzy razy, badając też wskaźnik NPS. Testy definitywnie udowodniły rację użytkowników.

Bartosz Ratajewski: I to jest doskonały przykład. Często forma prezentacji zależy wprost od specyficznej kategorii produktowej. Warto schodzić z analityką właśnie na ten poziom szczegółowości.

Sztuczna inteligencja w analityce i biznesie internetowym

Szanse i pułapki wdrożeń AI

Mariusz Michalczuk: Przejdźmy do tematu, który jest dzisiaj na ustach wszystkich – sztucznej inteligencji. Jak oceniasz stan wdrożeń AI w e-commerce?

Bartosz Ratajewski: Prawie wszyscy o tym mówią, ale zazwyczaj kończy się na korzystaniu z ChatGPT jako zaawansowanej wyszukiwarki. Prawdziwe wdrażanie napotyka na barierę nieuporządkowanych procesów wewnętrznych. Krąży trafne powiedzenie: „Jeśli wpuścisz AI do bałaganu, otrzymasz zautomatyzowany bałagan”. Automatyzacja wymaga jasnych, klarownych i powtarzalnych procedur.

Sztuczna inteligencja to ogromna szansa, zwłaszcza dla małych i średnich firm, które mogą w ten sposób zasypać dystans do liderów rynku. Przestrzegam jednak organizacje przed traktowaniem AI wyłącznie jako pretekstu do cięcia kosztów i zwalniania ludzi. AI nie powinno służyć redukcji załogi, ale uwolnieniu zasobów, aby zespół mógł skupić się na przegonieniu konkurencji, zdobywaniu nowych rynków czy ulepszaniu usług.

AI jako wirtualny asystent analityka

Mariusz Michalczuk: Zastanawiam się, jak to wpłynie na pracę analityków internetowych. Część ich pracy to powtarzalne mechanizmy filtrowania i zestawiania danych.

Bartosz Ratajewski: Zapotrzebowanie na analizy w firmach jest ogromne, a największym wąskim gardłem zawsze była przepustowość działu danych. Widzę olbrzymią przestrzeń do automatyzacji raportowania i przeprowadzania researchu przez dedykowanych agentów AI. Szybkość i precyzja, z jaką maszyna potrafi przetworzyć ogromne zbiory danych, są niesamowite. Oczywiście weryfikacja i ostateczna odpowiedzialność nadal będzie po stronie człowieka, ale AI to prawdziwy „game changer” zwiększający możliwości operacyjne każdego biznesu.

Mariusz Michalczuk: Pełna zgoda. Analityka składa się z zebrania danych, ich analizy, postawienia hipotez i rekomendacji. Maszyna w wielu tych aspektach już dziś jest świetna. Odpowiedzialność za weryfikację i odwagę do testowania ponoszą jednak liderzy. Trzeba dać organizacjom przyzwolenie na popełnianie błędów podczas testów.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla branży e-commerce

Rozmowa udowadnia, jak ogromną transformację przeszedł polski sektor e-commerce – od intuicyjnych, ryzykownych decyzji biznesowych, po kulturę silnie opartą na analityce (Data-Driven). Historia uczy, że utrzymywanie status quo bywa najbardziej niebezpieczną strategią, o czym przekonały się dawne potęgi technologiczne.

Kluczowym wnioskiem dotyczącym optymalizacji jest konieczność ciągłego testowania hipotez. Przykłady przytoczone przez Bartosza Ratajewskiego pokazują, że rozwiązania oczywiste z punktu widzenia designu (np. minimalizacja kroków czy integracja płatności) potrafią paradoksalnie zaniżyć sprzedaż. O ostatecznym sukcesie decydują nawyki klientów i specyfika konkretnej kategorii produktowej, co sprawia, że każdą zmianę należy weryfikować w środowisku testowym.

Pojawienie się zaawansowanej sztucznej inteligencji otwiera nowy rozdział w e-commerce i analityce. Należy jednak pamiętać, że warunkiem skutecznego wdrożenia AI jest uporządkowanie wewnętrznych procesów firmy. Ostateczną przewagę konkurencyjną zyskają te organizacje, które wykorzystają nową technologię do zwiększania innowacyjności oraz uwalniania potencjału kreatywnego swoich zespołów, a nie jedynie do prostego cięcia kosztów.

The post Dane w e-commerce to przewaga – Bartosz Ratajewski – Date with Data Talks 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.

Ten artykuł jest naprawdę długi (ale jednocześnie warty przeczytania). Dlatego pozwól, że tym razem pominę wstęp i od razu przejdę do konkretów (a jest ich całkiem sporo!)

Poznaj definicję zdarzeń w Google Analytics. Dowiedz się, co i w jaki sposób warto śledzić, a także poznaj kluczowe zagadnienia związane z ich konfiguracją.

P.S. Na końcu czeka na Ciebie kilka konkretnych PRO TIPÓW, które znacznie ułatwią Ci event tracking w Twojej organizacji.

Co znajdziesz w tym artykule?
Czym są i do czego służą zdarzenia w Google Analytics?
Jakie zdarzenia warto śledzić za pomocą narzędzia od Google?
Jak prezentowała się struktura zdarzeń w UA, a jak obecnie wygląda w przypadku GA4? Opis zmian i różnic.
Zaawansowane podejścia do śledzenia zdarzeń GA4: najlepsze praktyki i trend server-side w 2025/2026
Na co warto zwrócić uwagę podczas definiowania zdarzeń w GA4?
Do wyboru, do koloru. Jakie rodzaje zdarzeń znajdziesz w Google Analytics 4?
Co zrobić, jeśli nie udało Ci się znaleźć odpowiedniego zdarzenia?
Event tracking a GA4. W jaki sposób z niego korzystać?
Jak zaimplementować zdarzenia w Google Analytics 4?
Jak jeszcze możesz przeprowadzić proces implementacji zdarzeń w GA4?
Gdzie w GA4 znaleźć już skonfigurowane zdarzenia?
Testy wykonane i co dalej?
Event tracking w Google Analytics 4 – podsumowanie i zakończenie

Czym są i do czego służą zdarzenia w Google Analytics?

Zanim dasz się porwać technologicznemu wirowi, dotyczącemu zdarzeń w Google Analytics, zacznijmy od nieco luźniejszego wstępu. Co sprawia, że uznajemy dany dzień za udany? Myślę, że gdybyśmy zebrali wszystkie potencjalne odpowiedzi, to z pewnością łączyłby je jeden wspólny mianownik, czyli: “coś się działo” czyt. wystąpiło jedno lub pojawiło się więcej zdarzeń, które nas “pochłonęły” lub sprawiły, że po prostu dobrze się bawiliśmy.

I wiesz co? Nie inaczej jest w przypadku Google Analytics. Abyśmy mogli dobrze się “bawić” podczas analizowania ruchu na naszej stronie internetowej – potrzebujemy do tego zdarzeń. No, chyba że lubisz, gdy w Twoich raportach widnieją same zera. Wówczas wystarczy, że utworzysz usługę GA i tak już ją zostawisz. Kończąc to odrobinę swobodniejsze wprowadzenie – pozwól, że przejdę do konkretów.

O ile, w przypadku Universal Analytics mieliśmy do wyboru, czy chcemy urozmaicać nasze raporty, poprzez śledzenie zdarzeń (jeden z kilku rodzajów hitów), o tyle w przypadku GA4 można powiedzieć, że zostaliśmy postawieni pod analityczną ścianą. Wszystko przez fakt, że każda interakcja podjęta przez użytkownika w Google Analytics automatycznie otrzymuje miano “zdarzenia”.

Właśnie dlatego na pytanie “po co śledzić zdarzenia w Google Analytics?” możemy odpowiedzieć pół żartem, pół serio: “tak”. Tak, ponieważ to właśnie dzięki dobrze zdefiniowanym oraz prawidłowo skonfigurowanym zdarzeniom zyskasz szczegółowe informacje na temat tego, jakie interakcje są podejmowane na Twojej stronie – w jakiej ilości oraz z jaką częstotliwością.

Jakie zdarzenia warto śledzić za pomocą narzędzia od Google?

To naturalne, że z poziomu artykułu nie jestem w stanie zaproponować Ci gotowej listy zdarzeń, która będzie idealnie dopasowana do charakteru Twojego serwisu, specyfiki biznesu, aż wreszcie – Twoich potrzeb. W związku z tym poniżej znajdziesz kilka przykładowych interakcji, które z pewnością warto rozpatrzyć jako potencjalne zdarzenie:

• śledzenie transakcji e-commerce (opcja dla sklepów internetowych, choć z powodzeniem możesz ją wykorzystać także w bardziej niestandardowy sposób – np. na stronie blogowej)
• śledzenie kroków ścieżki zakupowej (m.in. wyświetlenie produktu, dodanie produktu do koszyka, czy rozpoczęcie realizacji zamówienia)
• wysłanie formularza
• zapis do newslettera
• kliknięcie lub wyświetlenie jakiegoś elementu
• zalogowanie lub zarejestrowanie się
• błędy 404 na stronie
• “wskoczenie” użytkownika do grupy odbiorców (ciekawa opcja w interfejsie GA4)

Jak prezentowała się struktura zdarzeń w UA, a jak obecnie wygląda w przypadku GA4? Opis zmian i różnic.

Jeżeli korzystasz z obu tych narzędzi jednocześnie (stosując tzw. dual-tagging) – z całą pewnością udało Ci się dostrzec pewne różnice w strukturze występujących tam zdarzeń.

W Universal Analytics masz do wykorzystania 3 podstawowe wymiary rozróżniające, a także metrykę, która określa wartość zdarzenia. Oczywiście, możesz również definiować wymiary oraz metryki niestandardowe, jednak w tym miejscu mam na myśli strukturę, która występuje domyślnie.

Jeżeli chodzi o wspomniane wymiary – w ich zakres wchodzą: kategoria, akcja oraz etykieta. Dodatkowo możesz określić tzw. “nie-interakcyjność” danego zdarzenia, której ustawienie na “0” sprawi, że w przypadku wywołania takiego zdarzenia sesja użytkownika nie będzie uznana jako odrzucenie.

A jak to wszystko wygląda w Google Analytics 4? W tym miejscu narzędzie pozostawia Ci sporo swobody. W nowej wersji Analyticsa nie ma standardowych wymiarów zdarzeń (czyli “kategorii”, “akcji” i “etykiety”). W zamian masz do wykorzystania aż do 25 parametrów – i to na poziomie przesyłanego zdarzenia. Niektóre z nich są przesyłane w sposób automatyczny (np. page_location, czy page_referrer), co sprawia, że nie musisz ich dodatkowo definiować.

Aczkolwiek, jeżeli zależy Ci na wzbogaceniu poszczególnych zdarzeń, a rekomendowane parametry przez Google nie spełniają w pełni Twoich oczekiwań – pamiętaj, że zawsze możesz zdefiniować własne parametry (maksymalna ilość znaków nazwy to 40). Informacje o pozostałych limitach odnoszących się do omawianych zdarzeń znajdziesz bezpośrednio na stronie Google – w tym miejscu.

Zaawansowane podejścia do śledzenia zdarzeń GA4: najlepsze praktyki i trend server-side w 2025/2026

Poza klasycznym śledzeniem zdarzeń w GA4, w 2025–2026 coraz większe znaczenie zyskują praktyki, które poprawiają jakość danych i odporność pomiaru na ograniczenia prywatności – np. server-side tracking oraz odpowiednie filtrowanie ruchu wewnętrznego. Specjaliści zalecają konfigurację odpowiednich okresów retencji danych, wykluczanie ruchu testowego oraz stosowanie dedykowanych zmiennych i modeli machine learning, by unikać „szumu” i uzyskiwać bardziej wiarygodne wskaźniki zaangażowania i konwersji.

Server-side tracking i Integracja z Google Tag Manager – jak zwiększyć dokładność eventów GA4

Na co warto zwrócić uwagę podczas definiowania zdarzeń w GA4?

Podczas mojej pracy bardzo często spotykam się z problemem, w którym zauważam, że spora część osób nie chce odchodzić od struktury opisywania zdarzeń i dalej używa parametrów takich jak np.: event_category, czy event_label. Takie podejście wynika głównie z przyzwyczajenia do Universal Analytics.

Oczywiście, w GA4 można przepisać te zdarzenia z UA dosłownie “jeden do jednego” (poza nie-interakcyjnością – ta funkcjonalność zniknęła wraz ze zmianą podejścia do zaangażowania użytkowników w Google Analytics 4).

Aczkolwiek, zamiast kurczowo trzymać się starych rozwiązań – uważam, że warto wykorzystać proces migracji do przemyślenia obecnej struktury zdarzeń i dostosowania jej do nowych standardów. To trochę tak, jakbyśmy po zakupie nowego samochodu przekładali silnik z poprzedniego, ponieważ “stary silnik dobrze się sprawdzał”.

Do wyboru, do koloru. Jakie rodzaje zdarzeń znajdziesz w Google Analytics 4?

Słysząc, że więcej zdarzeń oznacza także więcej danych do analizy – z pewnością możesz stwierdzić, że w takim razie chcesz śledzić… WSZYSTKO! Pomijając już fakt, że takie podejście nie jest najlepszym rozwiązaniem – na początku warto sprawdzić, jakie możliwości daje Google na “dzień dobry”.

Pierwszą kategorią zdarzeń, które warto wyróżnić, są zdarzenia automatyczne. Wraz z zaimplementowaniem Google Analytics (np. poprzez gtag, GTM-a, czy SDK Google Analytics pod Firebase) niektóre eventy same będą się “odkładać”. Przykładem takiego zdarzenia jest, chociażby session_start, który samoistnie jest wywoływany (“doklejany”) przed pierwszą interakcją na stronie w ramach danej sesji.

W obrębie automatycznych możemy wyodrębnić całkiem sporą grupę zdarzeń, które wchodzącą w zakres tzw. Enhanced Measurement (pełną listę znajdziesz tutaj). Ich plusem jest to, że możemy je w łatwy sposób wyłączyć z poziomu ustawień streama (Administracja w interfejsie). A tak już całkiem poważnie – to oczywiście nie jest to ich jedyna zaleta.

Mianowicie, ten wbudowany moduł pozwala śledzić kilka ciekawych interakcji, takich jak page_view, scroll (po przewinięciu 90% strony), czy click (w linki wychodzące). Jest to z pewnością bardzo ciekawe rozwiązanie dla biznesów wchodzących w świat analityki internetowej, ale również kilka z tych opcji z pewnością można wykorzystywać przy bardziej zaawansowanych wdrożeniach.

Przy tym wszystkim należy pamiętać o weryfikacji poszczególnych zdarzeń np. przy pomocy DebugView. Szczególnie nie warto ufać automatycznym zdarzeniom, które dotyczą formularzy lub video. Kto konfigurował śledzenie formularzy z poziomu GTM-a przy użyciu domyślnego listenera – ten doskonale wie, o co chodzi.

Co zrobić, jeśli nie udało Ci się znaleźć odpowiedniego zdarzenia?

Jeżeli zdarzenie, które Cię interesuje, nie znajduje się na liście wszystkich automatycznych zdarzeń lub też wybrane zdarzenie nie spełnia Twoich oczekiwań (np. pod kątem przekazywanych parametrów) – musisz wziąć pod uwagę drugą kategorię zdarzeń. Są nimi wszelkie eventy, które wymagają implementacji.

Google przygotował specjalną listę rekomendowanych zdarzeń, które zostały dopasowane do konkretnych branż (np. szeroko pojętej sprzedaży online), aby w ten sposób ułatwić swoim użytkownikom pracę. Pełna lista rekomendowanych zdarzeń jest dostępna pod tym adresem.

Event tracking a GA4. W jaki sposób z niego korzystać?

Jeśli klikniesz w konkretne zdarzenie – Twoim oczom ukaże się szczegółowa specyfikacja, w której znajdziesz strukturę potencjalnego zdarzenia oraz zalecane lub wymagane parametry.

Ze wspomnianej listy warto korzystać np. w momencie, gdy chcesz rozszerzać śledzenie. Nic nie stoi na przeszkodzie, aby zdefiniować całkowicie nową nazwę zdarzenia. Z własnego doświadczenia jednak wiem, że zdecydowanie lepiej podejść do tego “z głową”. Tak, aby szerokie możliwości i spora dowolność nie okazały się Twoim największym wrogiem.

P.S. Pamiętaj o limicie 500 unikalnych nazw zdarzeń dla aplikacji. Początkowo ten limit dotyczył również stron webowych, ale na szczęście został zniesiony.

Jak zaimplementować zdarzenia w Google Analytics 4?

Jeśli po dotarciu do tej części artykułu w Twojej głowie zrodził się pomysł: “Chcę zostać bohaterem w Google Analytics i zaimplementować go własnoręcznie” – poniżej czeka na Ciebie gotowa instrukcja.

Jednym z najwygodniejszych i najszybszych sposobów jest… powierzenie tego zadania specjalistom od Conversion. Wówczas wystarczy, że skontaktujesz się z nami, przekażesz niezbędne informacje, a my zajmiemy się całą resztą. Nieskromnie dodam, że akurat to rozwiązanie jest unikalne i z pewnością nie znajdziesz go w specyfikacji. Właśnie dlatego postanowiłem od niego zacząć!

A teraz żarty na bok… (chociaż moje zaproszenie do współpracy z Conversion jest jak najbardziej na serio!). W końcu jesteśmy pierwszą w Polsce firmą – specjalizującą się w analityce internetowej oraz optymalizacji konwersji. Więc jeśli korzystać z usług, to z najlepszych!

Jak jeszcze możesz przeprowadzić proces implementacji zdarzeń w GA4?

Musisz wiedzieć, że możliwości implementowania takich zdarzeń jest co najmniej kilka. Najważniejsze z nich zawarłem w poniższych punktach.

#1 Google Tag Manager

Ulubionym (dla każdego analityka internetowego) jest wdrażanie zdarzeń przy użyciu GTM-a. W jego interfejsie znajdziesz gotowy template pod tag zdarzenia, w którym możesz m.in. wpisać wybraną nazwę zdarzenia, ustawić parametry oraz podpiąć regułę wywołującą dane zdarzenie. W tym wszystkim nie zapomnij, aby odnieść się do tagu konfiguracyjnego.

Oczywiście, każde zdarzenie rządzi się swoimi prawami i wymaga odpowiedniego podejścia. Jednak temat konfigurowania zdarzeń to materiał na dedykowany wpis, a nawet cały tutorial. Dlatego w tym miejscu jedynie o nim wspomniałem.

#2 Kod strony

Możesz również wykorzystać do tego celu tag Google (gtag.js), który umieścisz bezpośrednio w kodzie strony. W tym przypadku należy przygotować dedykowane kody zdarzeń (zgodnie ze specyfikacją), a następnie dodać je od razu na stronie.

W większości przypadków (jeśli nie korzystasz z popularnych CMSów typu WordPress), proces ten będzie wymagał wsparcia specjalistów od IT. No, chyba że znasz się na rzeczy i masz odpowiednie dostępy do strony.

Jeżeli nie, a Twoi deweloperzy są dość mocno obłożeni – takie rozwiązanie może okazać się dość problematyczne. Zwłaszcza jeśli weźmiesz pod uwagę ewentualne zmiany i konieczność aktualizowania kodu w przyszłości, chociażby po to, aby wzbogacać śledzenie).

#3 Measurement Protocol

To z kolei nieco alternatywne rozwiązanie, które nie wymaga implementacji GA4 w środowisku, z którego pochodzą dane. Polega na przesyłaniu tzw. requestów HTTP o ustalonej strukturze (oto przykład jak zbudować potencjalny request).

Tego rodzaju podejście stosuje się zazwyczaj w specyficznych scenariuszach, do których możemy zaliczyć: przesyłanie konwersji ze sklepu offline oraz interakcje server-to-server. Stanowi również “jakieś” wyjście w przypadku ograniczeń technicznych przy osadzaniu kodów śledzących.

Oprócz wspomnianych powyżej rozwiązań, w przypadku aplikacji warto korzystać z Analytics SDK dla Firebase.

Gdzie w GA4 znaleźć już skonfigurowane zdarzenia?

Nie samą konfiguracją człowiek żyje. Gdy już uda Ci się przebrnąć przez cały proces konfiguracji – wreszcie przyjdzie wyczekiwany moment, w którym zobaczysz owoce swojej ciężkiej pracy. W tym miejscu małe wtrącenie:

• Jeżeli korzystasz z GTM-a – zanim opublikujesz śledzenie zdarzeń rozważ włączenie opcji Preview Mode oraz zweryfikuj, jak te zdarzenia spływają do GA4 przy użyciu DebugView (znajdziesz to w sekcji Administracja).
• Jeżeli korzystasz z innego rozwiązania wdrożeniowego – również możesz wyodrębnić swój ruch np. poprzez włączenie wtyczki Google Analytics Debugger podczas chodzenia po stronie. Po jej włączeniu zobaczysz swoje interakcje we wspomnianym już DebugView.

Oczywiście, do dyspozycji masz również znane i lubiane – raporty w czasie rzeczywistym. Jednak na potrzeby testowania, DebugView jest zdecydowanie lepszym miejscem.

Testy wykonane i co dalej?

Gdy stwierdzisz, że Twoje śledzenia działa zgodnie z planem, to z pewnością zechcesz zobaczyć inne raporty związane ze zdarzeniami. Domyślny raport znajdziesz w sekcji Raporty -> Zaangażowanie -> Zdarzenia.

Do dyspozycji masz również Eksploracje, w których możesz przygotować raporty “szyte na miarę” – odwzorować standardowy raport lub stworzyć zupełnie nowy.

Event tracking w Google Analytics 4 – podsumowanie i zakończenie

Jeżeli udało Ci się dotrwać do końca tego artykułu – nie mam innego wyjścia, jak tylko Ci pogratulować oraz… wręczyć nagrodę! Na zakończenie mojego długiego i merytorycznego (mam nadzieję!) wywodu o event trackingu w GA4 przygotowałem kilka prawdziwych PRO TIPÓW, które znacznie ułatwią Ci korzystanie ze zdarzeń w GA4. Zapoznaj się z nimi i korzystaj do woli!

• Nie zapominaj o dodaniu parametru “currency”, jeśli definiujesz parametr “value”

Jeżeli tego nie zrobisz, to przychody (np. w raportach “Generowanie przychodu”) będą wyzerowane. Łatwo się na to naciąć, jeśli wykorzystujesz warstwy danych pod standard Universal Analytics

• Zdarzenia w GA4 są batchowane oraz mogą spływać nawet do 72 godzin od wystąpienia zdarzenia

Takie opóźnienie może wystąpić na przykład w przypadku przerwania połączenia z Internetem. Batchowanie oznacza, że zdarzenia są grupowane i wysyłane paczkami do GA4. Jednak mamy kilka wyjątków np. nie dotyczy konwersji, które są wysyłane natychmiast po wystąpieniu.

• Konfigurujesz zdarzenie, które będzie wywoływane z ograniczoną częstotliwością lub Twoja strona opiera się na małej ilości ruchu? Istnieje spore ryzyko, że nie zobaczysz takich zdarzeń w raportach zawierających metryki z liczbą użytkowników.

Wynika to z progowania (“thresholding”), które pojawia się w przypadku włączonej identyfikacji użytkowników opartej o Google Signals. Domyślnie ustawiona “Tożsamość na potrzeby raportowania” to “Mieszana”, w której skład wchodzi również identyfikacja na podstawie Google Signals.

Jeżeli jest to w Twoim przypadku problematyczne, a dodatkowo nie dostrzegasz wartości dodanej w takim trybie identyfikacji – możesz rozważyć przełączenie się na (dobrze Ci znaną z Universal Analytics), identyfikację opartą na urządzeniu (client_id).

Aby to zrobić, należy wejść do sekcji Administracja -> Tożsamość na potrzeby raportowania i wybrać opcję Zależne od urządzenia. Zmiana jest retroaktywna i w każdej chwili możesz powrócić do wcześniejszych ustawień – bez trwałego oddziaływania na dane.

• Problem z kardynalnością (mocą zbioru) jest dość powszechny w GA4

Zwłaszcza jeżeli przesyłasz wymiary cechujące się dużą unikalnością wartości. Według Google za takie wymiary należy uznać parametry, które przekazują powyżej 500 niepowtarzalnych wartości na dzień.

Pewnie zastanawiasz się, w jaki sposób możesz zidentyfikować ten problem? Jeżeli w raporcie na poziomie wymiaru zauważysz (other) to wiedz, że “coś się dzieje”. Nie będę wchodzić w dalsze szczegóły, ponieważ jest to dość rozbudowany temat. Jednak zachęcam, aby o tym pamiętać i zanim coś zdefiniujesz jako parametr – zastanów się, czy nam jest potrzebny lub czy nie warto pogrupować jego wartości.

• Przesyłasz dodatkowe parametry i chcesz mieć do nich swobodny dostęp z poziomu raportów, eksploracji, czy w Looker Studio? Zdefiniuj je jako wymiar niestandardowy.

Co ciekawe, warto to zrobić również w przypadku parametrów przesyłanych w ramach zdarzeń Enhanced Measurement (np. search_term). Bez tego działania nie otrzymasz do niego dostępu z poziomu Looker Studio (domyślny connector) oraz np. w podsumowaniu raportu standardowego (w sekcji “Eksploracje” ta grupa parametrów jest dostępna bez dodatkowych modyfikacji).

Mam nadzieję, że udało mi się przekonać Cię do przetestowania tego rozwiązania! Jeśli wiedzę zawartą w tym artykule uważasz za wartościową to koniecznie sprawdź wpis na naszym blogu mówiący o tym dlaczego warto wdrożyć Google Tag Managera!

The post Event tracking bez tajemnic. Jak śledzić zdarzenia w Google Analytics? first appeared on Conversion.

Jeżeli po zapoznaniu się z tytułem tego wpisu w Twojej głowie pojawiło się pytanie “Ale o co w ogóle chodzi?!” – uspokajam, z pewnością nie jesteś jedyną taką osobą. Sam muszę przyznać, że w pewnym momencie nawet ja miałem problemy z poruszaniem się w gąszczu przepisów, ustaleń i komunikatów, które w wielu miejsca potrafiły się wykluczać czy po prostu sobie zaprzeczać. Właśnie dlatego, z myślą o osobach takich, jak Ty (a po części takich, jak ja), postanowiłem napisać artykuł, który to wszystko objaśni.

Chcesz poznać definicję, specyfikę, początki oraz przyszłość tzw. DPF? W tym artykule znajdziesz wszystko, co potrzebne, aby rozeznać się w tym temacie oraz dowiedzieć się, do czego służy zawiązane pomiędzy Unią Europejską i Stanami Zjednoczonymi – porozumienie Data Privacy Framework.

Co znajdziesz w tym artykule?
Co to jest Data Privacy Framework?
Aktualne wyzwania i linie sporu wokół EU-US Data Privacy Framework w 2025–2026
Jaka jest geneza Data Privacy Framework?
Decyzja o adekwatności – co to takiego?
Jak wyglądała przeszłość poprzednika Data Privacy Framework?
Jak kwestia DPF prezentowała się w 2022 roku?
Przyszłość Data Privacy Framework. Czego możemy spodziewać się w 2023 roku?
Założenia DPF, czyli co tak naprawdę oznacza wdrożenie tych zapisów?
EU-US Data Privacy Framework – podsumowanie
Jaki jest znaczenie DPF dla Twojego biznesu?

Co to jest Data Privacy Framework?

Data Privacy Framework (w skrócie DPF) dotyczy swego rodzaju porozumienia pomiędzy USA i UE, które ma na celu określenie zasad związanych z przekazywaniem oraz przetwarzaniem danych osobowych obywateli Unii Europejskiej. Można powiedzieć, że stanowi odpowiedź na dwa poprzednie programy – “Safe Harbour” oraz “Privacy Shield”, które decyzją TSUE, zostały uznane za nieważne.

Aktualne wyzwania i linie sporu wokół EU-US Data Privacy Framework w 2025–2026

Debata wokół EU-US Data Privacy Framework (DPF) trwa nadal – choć ramy te zostały formalnie uznane za „odpowiednie” przez Generalny Sądu UE we wrześniu 2025 r., to nadal pojawiają się poważne zastrzeżenia ze strony organizacji pozarządowych i ekspertów. Trybunał oddalił próbę unieważnienia porozumienia (Latombe v. Komisja), co na razie daje firmom pewność transferów danych, ale prawnicy wskazują, że sprawa może trafić do Trybunału Sprawiedliwości UE i nowe wyzwania nadal są możliwe.

Co oznacza orzecznictwo dla przedsiębiorstw i jak przygotować się na możliwe zmiany prawa

Jaka jest geneza Data Privacy Framework?

W dużym skrócie można powiedzieć, że stanowi on bezpośrednią kontynuację innego, pochodzącego z marca 2022 roku, porozumienia tzw. Trans – Atlantic Data Privacy Framework, które zostało zawarte na linii Stany Zjednoczone – Unia Europejska.

Jak łatwo się domyślić – jego treść dotyczyła ochrony prywatności. A mówiąc konkretniej – władze USA zobowiązały się do ustrukturyzowania pracy swoich służ wywiadowczych (dotyczącej dostępu, przetwarzania oraz wykorzystywania danych na temat obywateli UE).

Następstwem takiego porozumienia było, wydane przez prezydenta USA – Joe Bidena, specjalne polecenie (tzw. Executive Order) mające na celu wdrożenie odpowiednich zmian w amerykańskim prawie. Takie kroki prawne ze strony USA pozwoliły również na podjęcie odpowiednich kroków w UE, a dokładniej tzw. decyzji o adekwatności.

Decyzja o adekwatności – co to takiego?

Wspomniana już decyzja o adekwatności to nic innego, jak pewnego rodzaju “pozwolenie”, dzięki któremu państwo nienależące do Unii Europejskiej, może przetwarzać dane osobowe jej obywateli. Praktycznie tak, jakby samo również było jej członkiem.

Warunek stanowi przestrzeganie surowych standardów, których doskonały przykład stanowi, chociażby RODO. Oczywiście, w przypadku podmiotów z USA (Facebooka, Google’a i kilku innych) – nie muszą być one do końca identyczne. Ważne, aby w zbliżony sposób chroniły wszelkich kluczowych i wrażliwych informacji.

Taki zabieg sprawia, że wybrane amerykańskie podmioty* mogą swobodnie zbierać, przetwarzać, a nawet przesyłać dane. I to bez konieczności przeprowadzania badań czy dodatkowych procedur sprawdzających.

* Warto wspomnieć, że treść porozumienia uwzględnia wyłącznie firmy, które wchodzą w skład dedykowanego programu.

Jak wyglądała przeszłość poprzednika Data Privacy Framework?

W tym miejscu muszę zaznaczyć, że pierwsze poważne postanowienia w tej materii miały miejsce jeszcze w 2016 roku. Początkowo takim dokumentem była wspomniana wyżej tarcza “Privacy Shield”, której zapisy przyjęto dokładnie 12 lipca 2016 r. Blisko 4 lata później, bo w 16 lipca 2020 roku Trybunał Sprawiedliwości Unii Europejskiej postanowił, że uchwalone wcześniej przepisy nie zapewniają właściwego poziomu ochrony danych mieszkańców UE. Co za tym idzie – zdecydował o uchyleniu wcześniejszej decyzji, a kwestia przesyłu i przetwarzania danych pomiędzy UE i USA ponownie nie była objęta żadnym mechanizmem.

Treść tzw. Tarczy Prywatności unieważniono z dwóch zasadniczych powodów.

• Po pierwsze – w USA brakowało przepisów, które umożliwiałyby obywatelom UE realne dochodzenie swoich roszczeń z tytułu naruszenia ich prywatności.
• Po drugie – zdaniem przedstawicieli Unii Europejskiej, amerykańskie służby posiadały zbyt szerokie uprawnienia, które umożliwiały im “obchodzenie” zapisów tarczy.

Jak kwestia DPF prezentowała się w 2022 roku?

W kwestii negocjacji regulacji prawnych dotyczących Data Privacy Framework, do jakich doszło pomiędzy przedstawicielami Unii Europejskiej oraz władzami Stanów Zjednoczonych, to właśnie rok 2022 był prawdziwym “game-changerem”.

Trwające ponad rok negocjacje na linii przewodnicząca UE Ursula von der Leyen oraz prezydent USA Joe Biden, zaowocowały następnymi krokami:

• 25 marca 2022 roku – przedstawiciele obu stron wspólnie ogłosili osiągniecie zasadniczego porozumienia dotyczącego ram nowej umowy między UE i USA. Następnie dedykowane zespoły z Ameryki oraz Europy przez długie miesiące pracowały nad szczegółami wszystkich zapisów, a także adaptowały je do konkretnych przepisów oraz warunków prawnych.
• 7 października 2022 roku – prezydent Stanów Zjednoczonych Ameryki Północnej złożył swój podpis na tzw. dekrecie wykonawczym. W szerszej perspektywie miał na celu ograniczenie uprawnień służb, usprawnienie ochrony czy sposobu dochodzenia praw, a co za tym idzie – dostosowanie się do wymagań stawianych przez TSUE.
• 12 grudnia 2022 roku – Komisja Europejska przystąpiła do procesu, którego celem było potwierdzenie należytego poziomu ochrony danych osobowych, które są przetwarzane na linii UE – USA. Ten krok w dalszej perspektywie pozwolił na ponowne działanie (zbieranie, wysyłanie i agregowanie przez nich danych) amerykańskich podmiotów – biorących udział w specjalnym programie.

* Bądź jak kto woli – „delikatnego” nieporozumienia.

Przyszłość Data Privacy Framework. Czego możemy spodziewać się w 2023 roku?

Oczywiście, potwierdzenie właściwego stopnia ochrony wcale nie jest równoznaczne z podjęciem odpowiednich kroków prawnych. Kolejnymi niezbędnymi działaniami, które zostaną podjęte prawdopodobnie w 2023 roku, będą: projekt decyzji stwierdzającej odpowiedni stopień ochrony, a tuż po niej – rozpoczęcie samej procedury jej przyjęcia.

Ta ostatnia wiąże się z koniecznością przeprowadzenia dodatkowych etapów, w tym:

• Wypracowania opinii Europejskiej Rady Ochrony Danych (EROD).
• Uzyskania zgody od komitetu złożonego z przedstawicieli państw członkowskich.
• Kontroli decyzji – przeprowadzonej przez Parlament Europejski.

Po wykonaniu tych działań Komisja Europejska będzie mogła podjąć finalną decyzję.

Założenia DPF, czyli co tak naprawdę oznacza wdrożenie tych zapisów?

Kluczowe wnioski płynące z tego rodzaju porozumienia możemy podzielić na dwie zasadnicze grupy.

Nr 1 to kwestia odpowiedzialności poszczególnych stron

Możliwości przetwarzania danych dotyczą wyłącznie certyfikowanych podmiotów, które należą do specjalnego programu. Podobnie, jak w przypadku europejskich standardów – będą musiały one informować o fakcie przetwarzania tego typu danych.

Amerykańskie podmioty uprawnione do przetwarzania danych są zobowiązane do przestrzegania zasad opisywanych przez RODO. Dotyczy to zarówno administratorów, jak również jednostek działających na terenie Stanów Zjednoczonych.

Decyzja przyjęcia do programu Date Privacy Framework będzie poprzedzona procesem certyfikacji, za który odpowiada Departamentu Handlu USA. Certyfikat ma rok ważności, po którym można ubiegać się o jego przedłużenie.

Nr 2 to kwestia skarg i dochodzenia swoich praw

W myśl przepisów zmianie ulegnie również podejście do osób oraz podmiotów, których dotyczy przetwarzanie danych. DPF umożliwi im składanie skarg, które mogą kierować zarówno do jednostek przetwarzających dane, jak i instytucji związanych administracji państwa (bezpośrednio w USA). Dodatkowo tego rodzaju roszczenia bądź skargi będą mogły być kierowane również do podmiotów Unii Europejskiej.

EU-US Data Privacy Framework – podsumowanie

Mogę śmiało stwierdzić, że wdrożenie Data Privacy Framework należy rozpatrywać jako pozytywny krok w stronę usystematyzowania przepisów, a co za tym idzie – przede wszystkim wyjście z “prawnego klinczu”, w jakim do tej pory znajdowało się wiele jednostek.

DPF w jasny sposób określa granice “kto” i “co” może robić z danymi należącymi do obywateli Unii Europejskiej. Jednocześnie dbając o transparentność ich przetwarzania, jak znacząco podnoszą poziom ochrony.

Jaki jest znaczenie DPF dla Twojego biznesu?

Jeśli jeszcze nie do końca udało Ci się zrozumieć ideę oraz złożoność tych wszystkich procesów, a mimo wszystko chcesz wiedzieć “czy” oraz w jaki sposób mogą one wpływać na Twoją firmę (zwłaszcza na dane, które pozyskujesz i przetwarzasz, chociażby za pomocą narzędzi należących do Google bądź Facebooka) – mamy dla Ciebie gotowe rozwiązanie.

Skorzystaj ze wsparcia fachowców Conversion, którzy – nie bójmy się tych słów – praktycznie “zjedli zęby” na tego typu tematyce. Jeżeli chcesz uzyskać fachową pomoc – pogadajmy.

Więcej artykułów w tematyce prywatności już niebawem!

*** WAŻNE: Treść niniejszej publikacji nie stanowi porady lub informacji prawnej, lecz ma na celu wyłącznie opisanie istniejącej obecnie sytuacji oraz możliwych sposobów działania. W związku z tym publikacja nie powinna być podstawą do podejmowania jakichkolwiek decyzji związanych z obowiązującymi przepisami prawa.

Należy pamiętać, że prawo ulega ciągłym zmianom, w związku z czym treść publikacji mogła się zdezaktualizować. Ponadto artykuł nie uwzględnia indywidualnych okoliczności, które w danym przypadku mogą być bardzo istotne, lecz stanowi jedynie opis ogólnej sytuacji związanej ze stosowaniem Google Analytics. ***

The post EU-US Data Privacy Framework – czym jest? Podsumowanie 2022 i plany na 2023. first appeared on Conversion.

Z pewnością kojarzysz to słynne powiedzenie mówiące o tym, że połowa budżetu marketingowego jest zawsze marnowana. Nikt jednak nie wie, która połowa. Musisz wiedzieć, że tak było kiedyś, gdy do wielu zadań z zakresu promocji czy sprzedaży w Internecie, podchodziło się na zasadzie “wydaje mi się…”, “u mojego sąsiada działa”, “szwagier mi tak doradził” lub po prostu zwykłego “wróżenia z fusów”.

Obecnie, dzięki rozwijającej się technologii, dostępowi do coraz bardziej zaawansowanych narzędzi, a przede wszystkim – rosnącej świadomości właścicieli i osób odpowiedzialnych za zarządzanie firmami – to stwierdzenie nie ma już racji bytu. Wszystko przez fakt, że biznesy coraz chętniej korzystają z dobrodziejstw, jakie daje im analityka internetowa.

Chcesz poznać jej dokładną definicję, przekonać się, jak działa, sprawdzić dostępne narzędzia, a na koniec dowiedzieć się, dlaczego warto? W takim razie zapraszam Cię do lektury tego wpisu. Przed Tobą naprawdę potężna dawka wiedzy na temat analityki internetowej!

Co znajdziesz w tym artykule?
Czym jest analityka internetowa?
Trend 2026: Analityka internetowa wspierana przez sztuczną inteligencję w praktyce
Jak działa analityka internetowa?
Do czego służy analityka internetowa? Jak wykorzystać pozyskane dane?
Narzędzia wykorzystywane w analityce internetowej. Czego warto używać?
Dlaczego analityka jest tak ważnym elementem biznesu?
Zagrożenia, czyli analityka internetowa a prywatność użytkowników
Analityka internetowa – podsumowanie

Czym jest analityka internetowa?

Analityka internetowa jest gałęzią jeszcze większego zagadnienia o nazwie, uwaga… analityka ! Oba dotyczą tego samego, z tą różnicą, że ta pierwsza jest zawężona do obszaru skupiającego się wokół aktywności w sieci.

Jej rolą jest stawianie użytkownika Internetu w centrum zainteresowań, dążenie do poznania i analizy jego zachowań, a następnie – budowanie procesów decyzyjnych i wdrożeń, które pozwolą na jak najlepsze dopasowanie oferty oraz komunikacji marketingowej firmy – bezpośrednio do jego preferencji.

Można więc powiedzieć, że analityka internetowa to cały ekosystem narzędzi, ludzi, procesów oraz kultury, których połączenie pozwala na podejmowanie trafnych decyzji wspierających rozwój biznesu online.

Choć samo zagadnienie może wydawać się trudne, a co za tym idzie – zarezerwowane dla umysłów ścisłych – zasada jego funkcjonowania jest bardzo prosta.

Otóż analityka internetowa to tak naprawdę działanie opierające się na stawianiu sobie konkretnych pytań biznesowych, w tym m.in.: “Co? Jak? Dlaczego?”, a następnie – szukanie na nich właściwych odpowiedzi.

Obszary zainteresowania, czyli kto powinien korzystać z analityki internetowej?

Jak sama nazwa wskazuje – ten rodzaj analityki dotyczy świata online, a więc wszystkiego, co dzieje się w tzw. digitalu. W związku z tym, do jednych z największych beneficjentów, należą właściciele sklepów internetowych i strony www (w tym landing page, serwisy informacyjne, a nawet blogi), dla których analityka jest nieocenionym źródłem wiedzy o byłych, obecnych, jak i potencjalnych klientach.

Trend 2026: Analityka internetowa wspierana przez sztuczną inteligencję w praktyce

Praktyczne zastosowania AI w analizie danych i marketingu online

Jak działa analityka internetowa?

W ten sposób możemy wyodrębnić 4 główne etapy analityki internetowej:

Etap numer 1: rozpoznanie potrzeb biznesowych,

Punktem wyjścia każdej udanej analizy jest zmapowanie potrzeb jej finalnych odbiorców, a następnie – opracowanie takich działań, które będą w stanie odpowiedzieć na ich konkretne wymagania. W tym miejscu niezwykle ważną rolę odgrywa więc umiejętność zadawania właściwych pytań (najczęściej tych, które skupiają się na poznaniu celu analizy, czyli “dlaczego?”).

Etap numer 2: wyciąganie i “obróbka” danych 

Ta część dotyczy wszystkich aktywności związanych z gromadzeniem wartościowych danych, które mogą w jakikolwiek sposób wpłynąć na biznes, jak i podejmowanie kluczowych decyzji na temat jego funkcjonowania. Takie dane mogą pochodzić z różnych miejsc (narzędzi), a także dotyczyć różnych obszarów, o czym opowiem za chwilę. 

Etap numer 3: wizualizacja informacji

Gdy dane są już wyciągnięcie oraz wstępnie “obrobione” – pora zadbać o to, aby mogli je odczytać, a następnie wykorzystać nie tylko analitycy, ale przede wszystkim odbiorcy biznesowi (w tym reprezentanci działów marketingu, sprzedaży, jak i wielu innych).

Ta część skupia się na prezentacji informacji w takiej formie, aby były jasne, klarowne i pozwalały na ich odczytanie oraz podejmowanie decyzji.

Etap wizualizacji polega więc na integracji i prezentacji danych, które pochodzą z różnych systemów i środowisk. Często, w zależności od potrzeb konkretnych firm i organizacji, odbywa się z wykorzystaniem hurtowni danych lub tzw. data lake, które umożliwiają zbudowanie bardziej kompleksowego systemu raportowania (Business Intelligence).

Etap numer 4: wyciąganie wniosków i opracowywanie rekomendacji

Ostatnim z kluczowych etapów, którym zajmuje się analityka, a raczej odpowiedzialni za nią analitycy internetowi, jest interpretacja pozyskanych informacji.

Rolą analityki jest więc pokazanie, co oznaczają te wszystkie dane, a następnie – przedstawienie gotowych propozycji działań, które mogą mieć różne cele, w tym:

• Aktywizacja użytkowników.
• Określenie wysokości, a także sposobu podziału budżetu marketingowego na konkretne kanały dotarcia do użytkowników (m.in. dzięki efektywnej atrybucji konwersji).
• Planowanie i budowanie ścieżek użytkowników (omnichannel).
• Segmentacja userów i personalizacja sposobów komunikacji z odbiorcami.

Naturalnie, przykładów może być zdecydowanie więcej. Jednak wszystkie łączy wspólny cel, jakim jest działanie na rzecz konkretnej organizacji. W tym: poprawy wskaźników, ograniczenia kosztów, zwiększenia zysków lub innego kluczowego (z perspektywy firmy) obszaru.

W tym aspekcie pracę analityków coraz częściej wspierają algorytmy sztucznej inteligencji (tzw. AI), które są wykorzystywane w odniesieniu do marketingu online (m.in. do optymalizacji strategii biddowania), jak i opracowywania silników rekomendacyjnych.

Warto też wspomnieć, że każdy z wyżej wymienionych punktów powinien być procesem ciągłym, który należy powtarzać, weryfikować i w razie potrzeby – optymalizować. Tylko takie podejście pozwoli na uzyskanie maksymalnych korzyści płynących z analityki internetowej .

Do czego służy analityka internetowa? Jak wykorzystać pozyskane dane?

W tym miejscu możemy wyróżnić dwa zasadnicze obszary.

Pierwszy z nich to mierzenie skuteczności działań marketingowych

Analityka internetowa pozwala przypisywać wagi do konkretnych działań, a także sprawdzać, co i w jaki sposób przynosi efekty. Wykorzystuje się ją m.in. do określania podstawowych wskaźników takich, jak: OR i CTR, bounce rate, czas spędzony na stronie, liczba porzuconych koszyków oraz wielu innych.

Jednak zainteresowania analityki internetowej sięgają zdecydowanie dalej. Oczywiście, w tym zestawieniu nie może zabraknąć współczynnika konwersji (polecam osobny artykuł na temat: atrybucji konwersji online), który może dotyczyć sprzedaży produktów i usług, subskrypcji (np. na newsletter), a nawet ilości kontaktów (tzw. lead generation). Sprawdza się również przy wyznaczaniu oraz mierzeniu najróżniejszych KPI firmy.

Osobiście stoję jednak na stanowisku, że “poważna” działania analityczne sięgają zdecydowanie dalej, a wymienione powyżej miary stanowią jedynie wstęp do czegoś zdecydowanie większego . W mojej ocenie duże znaczenie ma bowiem dążenie* do mierzenia takich metryk, jak: inkrementalne ROAS, Lifetime Value, Actual Acquisition Cost i innych. Uważam, że to właśnie one mogą stanowić podstawę do dalszych działań, a co za tym idzie – podejmowania właściwych decyzji biznesowych (i nie tylko).

* Dlaczego “dążenie”? Ponieważ takie podejście do analityki to stosunkowo trudne zadanie, które wymaga dobrego przygotowania, odpowiedniego zaplecza oraz czasu.

Drugi obszar dotyczy optymalizacji konwersji oraz innych wskaźników

Dysponując kompleksową wiedzą na temat osiąganych wyników, tego “co i jak” działa oraz rekomendacjami* związanymi z ewentualnymi usprawnieniami – możemy przystąpić do faktycznej optymalizacji i wdrażania zmian w wybranych dziedzinach.

Zakres takich działań może być bardzo szeroki i dotyczyć zarówno kwestii UX (user-experience) serwisów internetowych, planowania, projektowania i dodawania określonych funkcjonalności, doboru źródeł pozyskiwania ruchu, jak i wielu innych czynników. W tym celu wykorzystuje się m.in. testy A/B oraz segmentację użytkowników.

* Warto pamiętać, że oba wyżej wymienione obszary (zarówno dokonywania pomiarów, jak i optymalizacji) są nierozerwanie związane z ciągłym procesem analizy i opracowywania rekomendacji, który towarzyszy każdemu z nich. Profesjonalne podejście do analityki internetowej wymaga bowiem nieustannego dążenia do poprawy wskaźników pomagających osiągać wyznaczone cele.

Kto odpowiada za analitykę internetową?

Chcesz wiedzieć, jak wygląda praca analityków internetowych i sprawdzić, czy masz predyspozycje, aby zostać jednym z nich? Koniecznie sprawdź ten artykuł: Analityk Internetowy: co musi “mieć”, aby firma miała z niego pożytek?

Czy to wszystkie zagadnienia, jakich dotyka analityka internetowa?

Już dawno przestała dotyczyć wyłącznie tego, co dzieje się na stronie czy e-sklepie. Analitycy, jak i osoby odpowiedzialne za biznes, zaczęły zdawać sobie sprawę z tego, że to, co dzieje się wewnątrz serwisu, jest prawie tak samo ważne, jak to, co dzieje się poza nim.

W związku z tym analityka internetowa skupia się na odtwarzaniu całego tzw. customer journey, czyli ścieżki użytkownika. Mierzy i interpretuje aspekty związane z tym, jak użytkownik zachowuje się na stronie, ale także to, co robił, zanim w ogóle postanowił na nią wejść.

Umożliwia wyselekcjonowanie ścieżek, na których znajdują się użytkownicy, a następnie – dopasować do nich konkretne działania marketingowe (i nie tylko). Wspomniane etapy to:

• Acquisition , czyli pozyskiwanie użytkowników (skąd pochodzą, jakie kampanie reklamowe ich dotyczą itp.).
• Behaviour , czyli mierzenie i analiza ich zachowań (co klikają, jakie strony odwiedzają, co na nich robią itp.).
• Conversion , czyli konwersja, która w zależności od biznesu, może przyjmować różne formy (zakup, zapis do bazy, subskrypcja, pozostawienie danych kontaktowych itp.).
• Retention , czyli utrzymanie mogące polegać, chociażby na “przywiązaniu” klienta do firmy na określony czas lub też jego regularnych powrotach w celu dokonania kolejnych zakupów.

Dotyczy to zatem interakcji z takimi obszarami, jak: reklama płatna (Google, Facebook, Instagram, YouTube itp.), mailingi i newslettery, notyfikacje web push, wyszukiwarki internetowe (głównie Google).

Narzędzia wykorzystywane w analityce internetowej. Czego warto używać?

Jeżeli Twoja wiedza na temat analityki zatrzymała się na narzędziu o nazwie Google Analitycs – małe sprostowanie. Musisz zdawać sobie sprawę, że profesjonalnie prowadzone procesy analityczne składają się z etapów, które planuje i egzekwuje się w oparciu o zakres działań firmy, branżę czy sposoby jej promocji w sieci. 

Można więc powiedzieć, że do różnych faz służą również różne narzędzia analityczne. 

• Dane ze strony internetowej pozyskuje się m.in. za pomocą wspomnianego już Google Analytics, ale także Google Optimize (do prowadzenia testów A/B), czy chociażby Hotjar (do analizy zachowania użytkowników).
• Dane na temat prowadzonych działań marketingowych mogą pochodzić z: Google Marketing Platform (w tym te dotyczące kampanii płatnych: Search, Display oraz Video), Facebooka (kampanie FB Ads, Instagram itp.), a także zewnętrznych narzędzi do e-mail, SMS, web push marketingu, jak i całego marketing automation (Freshmail, Exponea, Synerise, PushPushGo i wiele innych). Do pomiaru aktywności z zakresu pozycjonowania (SEO) można z kolei wykorzystać: Google Search Console, Semstorm, Senuto, Ahrefs i kilka innych rozwiązań. Większość wymienionych można zastąpić za pomocą rozwiązań adserwerowych*.

* Rozwiązania adserwerowe to narzędzia umożliwiające prowadzenie działań marketingowych online. Do ich zadań należy m.in.: dynamiczne wyświetlanie reklam, analizowanie ich skuteczności (w tym czy odbiorcy je widzieli i kliknęli), a także zbieranie innych informacji na temat ścieżki klientów.

Dlaczego wykorzystuje się aż tyle narzędzi analitycznych?

Po pierwsze – jest to związane bezpośrednio ze źródłami pochodzenia konkretnych informacji, a co za tym idzie – pewnymi ograniczeniami technologicznymi. Otóż każdą aktywność w sieci, czy też konkretne działania marketingowe, mierzy się w inny sposób. Zupełnie inaczej podchodzi się do aspektów związanych z płatnymi formami promocji, inaczej do pozycjonowania, a z goła inaczej do aktywności z zakresu marketing automation.

Po drugie – stosowanie różnych narzędzi do analityki internetowej wynika również z różnych etapów procesów decyzyjnych, na których znajdują się konkretni użytkownicy. W inny sposób należy patrzeć (i analizować!) użytkowników, którzy:

• Wchodzą w interakcję z firmą “z własnej woli”, np. za pośrednictwem wyszukiwarki Google.
• Mają kontakt z marką za pomocą mediów społecznościowych (Facebook, Instagram, LinkedIn, YouTube itp.) – zarówno za pomocą działań płatnych, jak i organicznych.
• Zapisują się na listę mailingową, aby otrzymywać zamówione informacje handlowe i edukacyjne.
• Odwiedzili już stronę lub “skonwertowali”, co pozwala na wystosowanie wobec nich tzw. remarketingu.

Przykłady takich działań mogę wymieniać w nieskończoność. Wszystkie łączy jednak fakt, że zarówno narzędzia, jak i podejście do analityki, powinny być dopasowane do etapu, na jakim znajduje się użytkownik.

Jak łączyć dane pochodzące z wielu miejsc?

W przypadku wykorzystywania kilku lub kilkunastu źródeł jednocześnie bardzo ważna jest możliwość szybkiej i sprawnej integracji pozyskanych danych. W tej roli doskonale sprawdza się, chociażby Google Data Studio, o którym przeczytasz w tym artykule.

Warto wiedzieć, że procesy analityczne mogą odbywać się również za pomocą dedykowanych rozwiązań – tworzonych specjalnie na potrzeby konkretnych biznesów. Ich budowa i wdrożenie są uzasadnione, zwłaszcza gdy firmy mają szczególne potrzeby dotyczące gromadzenia, przetwarzania oraz interpretowania danych.

Dlaczego analityka jest tak ważnym elementem biznesu?

Podobnie, jak w innych obszarach funkcjonowania firmy – zawsze chodzi o pieniądze. I choć prowadzenie działań z zakresu analizy internetowej “samo w sobie” nie generuje sprzedaży, to z pewnością ich wkład jest jednym z nadrzędnych elementów, które wpływają na wzrost zysków, jak i spadek kosztów. Dzieje się tak z kilku powodów.

Po 1 – daje dostęp do kompleksowych danych na temat użytkowników

Dobrze realizowana analityka internetowa to nieocenione wsparcie dla działów marketingu i sprzedaży. Ułatwia segmentację użytkowników, planowanie komunikacji, a co za tym idzie – także dobór właściwych kanałów oraz przypisywanie do nich odpowiednich budżetów (nie tylko reklamowych).

Po 2 – znajduje “wąskie gardła” i inne ograniczenia hamujące biznes

Czasami brak wzrostu zależy po prostu od występowania pewnych procesów (lub ich braku), które działają na niekorzyść firmy. Analityka internetowa umożliwia ich znalezienie, a następnie – opracowanie planu naprawczego.

Po 3 – pozwala planować i opracowywać strategie

Jednym z nadrzędnych elementów każdej firmy, która pragnie odnosić sukcesy, jest wizja tego, jak chce wyglądać i gdzie chce się znaleźć za kilka, kilkanaście, a nawet kilkadziesiąt lat. Rolą analityki internetowej jest również wsparcie w wytyczaniu drogi i prognozowaniu przyszłości biznesu.

Zagrożenia, czyli analityka internetowa a prywatność użytkowników

Choć powiedziałem całkiem sporo o zastosowaniu, a co za tym idzie – zaletach analityki internetowej, muszę również wspomnieć o pewnych jej niedoskonałościach.

Zmiany legislacyjne (tzw. RODO / GDPR w Europie i na całym świecie), a do tego coraz intensywniejsza rywalizacja pomiędzy gigantami technologicznymi (Google, Apple itp.) sprawiają, że dostęp do miarodajnych danych jest coraz bardziej ograniczony.

Choć dostawcy narzędzi starają się jak tylko mogą (doskonałym przykładem jest Consent Mode, o którym pisaliśmy na naszym blogu) – warto pamiętać, że pozyskiwane dane nigdy nie są 100-procentowym odzwierciedleniem rzeczywistości. A biorąc pod uwagę obecne podejście do kwestii prywatności użytkowników w Google Analytics – w przyszłości może być z tym jeszcze trudniej.

Analityka internetowa – podsumowanie

Zachowanie użytkowników Internetu ciągle ewoluuje. Userzy, z którymi mieliśmy do czynienia jeszcze 5 czy 10 lat temu, nie są tymi samymi ludźmi, którzy korzystają z sieci dzisiaj. Zmianie ulegają ich preferencje, przyzwyczajenia, oczekiwania, a nawet sposób korzystania z Internetu.

Firmy, które chcą nadążać za zmianami, a co najważniejsze – trafiać do swoich odbiorców, nie mają wyjścia. Jednym z kluczowych zagadnień, na których muszą się skupić, jest właśnie wdrożenie, rozwój i intensywna praca nad analityką internetową.

Jeżeli chcesz wiedzieć więcej na temat analiz, narzędzi i nie tylko – regularnie zaglądaj na naszego bloga. Zapraszam!

The post Analityka internetowa: co to jest, jak działa i jakie daje możliwości? first appeared on Conversion.

Atrybucja konwersji – czym jest i dlaczego jest ważna?
Trzy główne rodzaje atrybucji konwersji
Kluczowe parametry: ekspozycja i okna konwersji
Problem z raportowaniem platform reklamowych
Dlaczego warto stworzyć własny model atrybucji?
Podsumowanie

Atrybucja konwersji – czym jest i dlaczego jest ważna?

Atrybucja konwersji pozwala określić, w jakim stopniu poszczególne kanały marketingowe przyczyniły się do osiągnięcia konwersji. W procesie analizy należy wziąć pod uwagę, czym dokładnie jest atrybucja konwersji, jakie czynniki na nią wpływają, jak różne narzędzia podchodzą do tego zagadnienia oraz jak stworzyć własny model atrybucji dopasowany do indywidualnych potrzeb firmy. W artykule przedstawiam podejście do modelowania atrybucji konwersji w oparciu o autorski model danych oraz praktyczne wskazówki dotyczące wdrożenia efektywnej analizy skuteczności poszczególnych źródeł ruchu.

Modelowanie atrybucji konwersji to złożony temat, który wymaga zrozumienia kilku podstawowych zagadnień. Atrybucja polega na przypisywaniu poszczególnym elementom procesu sprzedażowego określonych cech lub wartości. W kontekście analityki internetowej atrybucja oznacza przypisywanie konwersji konkretnym źródłom ruchu, działaniom marketingowym lub reklamom. Reklamy stanowią jedno z kluczowych „czemu”, którym przypisuje się wpływ na osiągnięcie konwersji. Skuteczne modelowanie atrybucji pozwala zidentyfikować, które działania marketingowe miały realny wpływ na decyzje zakupowe użytkowników. Dzięki temu można lepiej planować budżety reklamowe i optymalizować działania marketingowe w oparciu o twarde dane.

Na przykład podczas wizyty na stronie portalu horyzontalnego można od razu zauważyć dwie reklamy różnych marek. Konwersje można przypisać promocjom wewnętrznym lub reklamom zewnętrznym. Zakup konkretnego produktu, takiego jak smartfon, można przypisać do kilku miejsc: listingu wszystkich produktów marki, całej kategorii, a także do wyników wyszukiwania. W marketingu online można przypisywać różne wartości, takie jak przychód, wizyty czy określone akcje. Te aspekty przekładają się na różne poziomy analizy internetowej: poziom użytkownika, poziom sesji oraz poziom zdarzenia lub konwersji.

Atrybucja konwersji, o której mowa, to najbardziej powszechna metoda przypisywania konwersji do reklamy, z którą miał kontakt użytkownik. Przychód, transakcje lub szerzej – konwersje, przypisujemy do konkretnej reklamy, aby dokładnie policzyć zwrot z tej inwestycji. W marketingu kluczowe jest efektywne wydawanie budżetu i mierzenie efektów.

Trzy główne rodzaje atrybucji konwersji

Warto pamiętać, że istnieją trzy główne rodzaje atrybucji konwersji. Pierwszym z nich jest atrybucja konwersji offline to online lub online to offline. Przykładem takiej atrybucji jest efekt ROPO (Research Online, Purchase Offline). Na przykład, jadąc autostradą, możemy zobaczyć billboard reklamujący określony model samochodu. Następnie sprawdzamy szczegóły tego auta w internecie, umawiamy się na jazdę testową, a ostatecznie decydujemy się na zakup. Efekt ROPO oraz atrybucje offline–online i online–offline są mierzone za pomocą modeli Marketing Mix Modeling. W tego typu analizach wykorzystuje się ekonometrię oraz statystykę.

Drugi rodzaj atrybucji konwersji, z którym często spotykają się firmy, to atrybucja pomiędzy różnymi urządzeniami. Przykładem może być sytuacja, w której użytkownik przegląda produkt na smartfonie podczas podróży komunikacją miejską, a następnie w domu lub pracy kontynuuje research na komputerze i dokonuje zakupu. Kluczowe w tym przypadku jest rozpoznanie użytkownika na różnych urządzeniach. Obecnie technologia coraz lepiej wspiera ten proces.

Trzeci, najczęściej występujący rodzaj atrybucji konwersji dotyczy sytuacji, w której użytkownik korzysta z jednego urządzenia, ale przechodzi przez wiele kanałów komunikacji przed dokonaniem zakupu. Użytkownik często odwiedza witrynę kilka razy z tego samego urządzenia, zanim zdecyduje się na zakup. Liczba wizyt zależy od procesu zakupowego — od czasu, jaki potrzebuje na podjęcie decyzji od pierwszej wizyty do finalizacji zakupu, a także od liczby powrotów na stronę. Im produkt jest bardziej skomplikowany lub droższy, tym proces decyzyjny zwykle trwa dłużej. W analizie zachowań użytkowników warto uwzględniać te różnice, aby lepiej zrozumieć ścieżkę zakupową klientów.

Kluczowe parametry: ekspozycja i okna konwersji

Przed przejściem do modelowania atrybucji należy pamiętać, że w raportach, zwłaszcza tych pochodzących z platform reklamowych, analizujemy kilka istotnych parametrów konwersji. To one decydują o tym, jak przypisujemy przychód lub konwersję do konkretnego kanału czy źródła ruchu.

Pierwszym z nich są ekspozycje na reklamę. Istotne jest, w jaki sposób narzędzie raportuje interakcje użytkownika z reklamą. Możemy mówić o konwersji post-click, gdy użytkownik kliknął w reklamę, lub o konwersji post-view, gdy tylko ją zobaczył. Często pojawia się też pojęcie engaged view, czyli zaangażowanego obejrzenia reklamy, które platformy reklamowe traktują w różny sposób.

Drugim ważnym parametrem jest okno konwersji. Określa ono, ile czasu upłynęło od momentu ekspozycji na reklamę do dokonania konwersji. Różne platformy mogą stosować odmienne okna konwersji, co wpływa na sposób raportowania i interpretacji danych. Przykładowo, okno konwersji może wynosić siedem dni od momentu zobaczenia reklamy. Oznacza to, że konwersja zostaje przypisana, jeśli nastąpi w ciągu siedmiu dni od wyświetlenia reklamy. W przypadku kliknięcia w reklamę okno konwersji może trwać tylko jeden dzień. Różne narzędzia analizują te sytuacje w odmienny sposób.

Problem z raportowaniem platform reklamowych

Google Analytics integruje dane marketingowe i rozpoznaje konwersje po zdefiniowaniu celu lub wdrożeniu kodu śledzącego e-commerce. Analytics identyfikuje źródła ruchu na podstawie parametrów UTM oraz parametrów pochodzących z platform reklamowych (np. FBC Lead, gclid). Agencje mediowe i działy marketingu raportują jednak wyniki kampanii na podstawie danych z paneli poszczególnych platform reklamowych, które działają w oparciu o piksele śledzące.

Platformy reklamowe, takie jak Meta czy Google, dążą do maksymalnego przypisania sobie zasług za wygenerowaną sprzedaż. Każdy kanał i każda platforma, na której prowadzona jest reklama i wydawane są środki, chce wykazać, że inwestycja jest wartościowa. Warto zwrócić uwagę, że raporty przygotowywane przez agencje marketingowe lub osoby odpowiedzialne za konkretne kanały bardzo często — nawet nieświadomie — są niewłaściwie prezentowane.

Osoby zarządzające e-marketingiem w firmie otrzymują kilka raportów z różnych źródeł i napotykają na problem dublowania wyników. Przykładowo, każdy raport może wskazywać sprzedaż na poziomie 200, a po zsumowaniu wyników z poszczególnych raportów okazuje się, że łączna sprzedaż jest pięciokrotnie wyższa, niż rzeczywiście powinna być. Taka sytuacja prowadzi do błędnych wniosków na temat skuteczności poszczególnych kanałów i kampanii.

Dlaczego warto stworzyć własny model atrybucji?

Odpowiednie modelowanie atrybucji oraz analiza danych w jednym, spójnym ekosystemie pozwalają uniknąć rozbieżności i podejmować trafne decyzje biznesowe. Zadaniem przy tworzeniu modelu atrybucji jest rozłożenie przychodów od jednego użytkownika na poszczególne media, które przyprowadziły tego użytkownika. Nie można założyć, że ścieżka jest zawsze liniowa. Takie podejście jest niezbędne, aby prawidłowo policzyć ROI i ROAS (Return on Adspend).

Każde narzędzie raportujące posiada własne modele atrybucji. Największym wyzwaniem w przypadku większości platform reklamowych pozostaje ich nieprzejrzystość – często działają jak „czarne skrzynki”. Przykładem może być model data-driven, który z definicji powinien być najbardziej efektywny, jednak brak jasności co do jego działania sprawia, że trudno w pełni zaufać takim rozwiązaniom. Warto zatem opracować własny model atrybucji, który zapewni pełną kontrolę nad sposobem przypisywania konwersji.

Wykorzystanie Google BigQuery

W pracy z klientami wykorzystujemy gotowy model danych. Stworzenie własnego modelu nie jest możliwe w interfejsie żadnego standardowego narzędzia analitycznego. Konieczne jest skorzystanie z danych granularnych, które zapewnia Google BigQuery. Dane te powinny być przedstawione w formie czytelnych ścieżek konwersji. Dopiero na ich podstawie możliwe jest zdefiniowanie konkretnych reguł przypisywania konwersji. Efektem końcowym jest raport, który pozwala porównywać różne modele atrybucji, na przykład First Leaf Cleaner i Last Non-Direct.

Model danych Conversion

W pracy z naszymi klientami wykorzystujemy gotową logikę, która łączy dane reklamowe z różnych platform oraz clickstream. Stosujemy własne zasady przypisywania źródeł ruchu, analizując parametry UTM i dane z platform reklamowych. Przeprowadzona przez nas analiza wykazała, że panel Google Analytics 4 często niepoprawnie przypisuje źródła ruchu. Przykładowo, po wdrożeniu autorskiego modelu, 33% ruchu wcześniej klasyfikowanego jako Direct zostało poprawnie przypisane do innych źródeł, a udział Google Ads wzrósł o 10%.

W naszym modelu danych zastosowano logikę techniczną, która standaryzuje źródła ruchu. Analizując listę wszystkich źródeł ruchu dostępnych w interfejsie GA4, widać, że z trzech podstawowych parametrów powstaje kilkanaście różnych kombinacji. Dodatkowo nasz model rozpoznaje ruch fraudowy. Jeśli wykryjemy fraudy, wykluczamy je z atrybucji. Wyklikiwanie reklam przez boty nie powinno wpływać na ocenę efektywności kampanii.

W modelu uwzględniamy także logikę biznesową. Analizujemy różne rodzaje ekspozycji, korzystając z domyślnych ustawień lub dodając własne warunki. To elastyczne podejście pozwala odpowiadać na pytania zarządu dotyczące przyjętych założeń i umożliwia szybką modyfikację modelu danych. Model customowy pozwala decydować, czy atrybucja opiera się na danych historycznych, czy na podejściu position based.

Podsumowanie

Własny model atrybucji rozwiązuje nie tylko problem odpowiedniego przypisania źródła ruchu czy właściwego obliczenia zwrotu z inwestycji w poszczególne kanały. Największym wyzwaniem, które obserwuję w wielu firmach, jest niezrozumienie tego, co faktycznie jest raportowane. Każda platforma reklamowa prezentuje własną wersję rzeczywistości, jednak prawdziwy obraz powinien wynikać z indywidualnych potrzeb biznesowych. Platformy reklamowe zawsze będą pokazywać dane korzystne ze swojej perspektywy, więc warto odnosić się do danych płynących bezpośrednio z biznesu.

Własny model atrybucji można stworzyć samodzielnie, korzystając z dostępnych poradników oraz narzędzi takich jak Google BigQuery. Można też skorzystać z gotowego modelu atrybucji, jaki oferujemy w Conversion. Nasze narzędzie pozwala od razu uzyskać rzeczywisty ROAS i ROI dla kampanii marketingowych, co znacząco ułatwia podejmowanie decyzji.

Dzięki spójnemu raportowaniu suma wyników z poszczególnych kanałów zawsze pokrywa się z danymi widocznymi w wewnętrznych systemach firmy. Pozwala to precyzyjnie kontrolować efektywność działań marketingowych i opierać decyzje o inwestycjach na rzetelnych danych. W przypadku pytań lub zainteresowania współpracą zapraszamy do kontaktu.

The post Własny model atrybucja, czyli wszyscy kłamią: Google, Meta czy TikTok. first appeared on Conversion.

Ewolucja analityki – dlaczego potrzebujemy modelu danych?
Podejście DataOps i orkiestracja danych
Architektura modelu danych – jak to działa?
Jak wdrożyć model danych? 5 kluczowych kroków
Logika biznesowa i techniczna
Korzyści biznesowe i Data Produkty
Podsumowanie

Ewolucja analityki – dlaczego potrzebujemy modelu danych?

W przeszłości analityka internetowa była mniej skomplikowana, jednak obecnie, przy rosnącej liczbie narzędzi i kanałów marketingowych, odpowiednie zarządzanie danymi i spójność raportów stają się kluczowe dla skutecznego podejmowania decyzji biznesowych. W Google Analytics dostępne były raporty dotyczące źródeł ruchu oraz raporty ścieżek konwersji. Łączenie tych danych w Google Sheets za pomocą API umożliwiało ich łatwe wykorzystanie. Obecnie jednak raporty prezentują znacznie większą liczbę wymiarów źródeł ruchu. Analiza raportów ścieżek konwersji i decyzja o przesunięciu budżetów do odpowiednich kanałów stały się bardziej skomplikowane niż wcześniej.

Przeprowadzenie bardziej zaawansowanych analiz w Google Analytics wymaga obecnie korzystania z Google BigQuery, które umożliwia pracę na bardzo szczegółowych danych. Do efektywnego wykorzystania tego narzędzia niezbędne są jednak odpowiednie kompetencje analityczne. Dodatkowo, aby wyciągnąć konkretne wnioski, trzeba połączyć różne źródła danych dotyczące działalności online w jednym miejscu, co stanowi duże wyzwanie.

W takiej sytuacji kluczowym rozwiązaniem staje się dobrze zaprojektowany model danych. Pozwala on uporządkować i zintegrować dane z różnych źródeł, co znacząco ułatwia analizę oraz podejmowanie decyzji biznesowych. Model bazy danych to zbiór zasad i specyfikacji opisujących strukturę danych w bazie. Model danych określa, jak budować pipelines danych – czyli definiuje, jak dane wejściowe mają wyglądać po przetworzeniu na końcu procesu. Można to porównać do projektu architektonicznego domu. Dane to cegły, raport lub dashboard to gotowy dom, a model danych pełni rolę planu, według którego powstaje budowla z pojedynczych elementów.

Podejście DataOps i orkiestracja danych

Model danych stanowi istotny element podejścia DataOps, które łączy procesy zarządzania danymi z ich efektywnym wykorzystaniem w organizacji. Manifest DataOps opiera się na dwóch kluczowych wartościach. Pierwsza z nich to orkiestracja danych, czyli połączenie i ujednolicenie wszystkich analizowanych danych. Drugi istotny punkt dotyczy powtarzalności procesów związanych z przepływem i generowaniem danych w firmie. Za każdym razem, gdy korzystamy z określonych danych, mamy pewność, co dokładnie znajduje się w raporcie. Znamy źródła danych, rozumiemy ich definicje oraz definicje poszczególnych KPI.

Dzięki podejściu DataOps, które stosujemy już od ponad roku, zapewniamy wysoką jakość danych zarówno na wejściu, jak i na wyjściu procesu analitycznego. Pozwala to mieć pełną kontrolę nad wiarygodnością i spójnością analizowanych informacji. Dzięki monitorowaniu danych na bieżąco oraz otrzymywaniu ich w odpowiedniej formie, czas od pojawienia się problemu biznesowego do postawienia rekomendacji lub sformułowania wniosków znacząco się skraca. W praktyce wykorzystujemy różne źródła danych, które codziennie zbieramy w marketingu. Narzędzia takie jak GA4 czy Google Ads oferują natywną integrację z Google BigQuery, co ułatwia zarządzanie danymi.

Aby zapewnić pełną elastyczność, wszystkie zebrane dane gromadzone są w jednym miejscu – Google BigQuery. Po drugiej stronie powstają gotowe tabele z surowych danych, które odzwierciedlają realne potrzeby biznesowe. Kluczowym elementem tego procesu jest model danych, który przekształca surowe dane w finalne tabele wykorzystywane w raportach i analizach.

Architektura modelu danych – jak to działa?

Projekt architektoniczny stanowi fundament całego procesu, określając, w jaki sposób dane zostaną uporządkowane i jak będzie wyglądać ich struktura. To właśnie na tym etapie powstaje plan, który pozwala efektywnie wykorzystać dane do rozwoju biznesu. Model danych przekształca surowe dane, uwzględniając logikę biznesową i technologiczną, w dane użyteczne dla biznesu. Dzięki temu możliwe jest przygotowanie danych do analiz prowadzonych przez firmę.

W praktyce model danych koryguje błędy widoczne w interfejsie, szczególnie w Google Analytics 4. Dotyczy to między innymi atrybucji źródeł ruchu oraz normalizacji tych źródeł. Model danych pozwala naprawić problem z tzw. ruchem bezpośrednim, który często pozostaje niejasny. Odpowiednie przypisanie ruchu do właściwych źródeł umożliwia późniejsze prawidłowe rozliczenie konwersji, na przykład według poszczególnych kampanii marketingowych. Model danych naprawia błędy obecne w interfejsie. GA4 nie jest pozbawiony niedoskonałości, dlatego takie rozwiązanie jest szczególnie przydatne. Model agreguje dane z wielu źródeł w jednym miejscu i optymalizuje tabele, aby umożliwić bardziej efektywne i tańsze korzystanie z tych danych w Google BigQuery.

Koszty korzystania z Google BigQuery to ważny aspekt. Przykład korzyści, jakie daje wdrożenie modelu danych w kontekście obniżenia kosztów analizy, jest znaczący. Porównując koszty analizowania danych surowych, które trafiają bezpośrednio do Google BigQuery, z kosztami analiz po zastosowaniu modelu danych, różnica jest ogromna. Dzięki wdrożeniu odpowiednich procesów normalizacji i klastrowania danych, analiza na danych surowych może kosztować około 16 dolarów, natomiast po wykorzystaniu przygotowanego modelu danych ten sam proces jest prawie 300 razy tańszy.

Model danych obejmuje optymalizację, monitorowanie oraz alarmowanie w sytuacji, gdy pojawiają się nieprawidłowości w danych lub na stronie. Może to dotyczyć zarówno problemów ze zbieraniem danych, jak i niezgodności z założeniami biznesowymi. Model danych zawiera gotowe raporty, które pozwalają na bieżąco analizować kluczowe wskaźniki i procesy biznesowe. W tych raportach można uwzględnić konkretne analizy przydatne dla organizacji.

Jak wdrożyć model danych? 5 kluczowych kroków

Jednym z kluczowych pytań jest sposób wdrożenia modelu danych. Proces ten warto zacząć od zdefiniowania jego głównych elementów. Pierwszym krokiem jest zebranie surowych danych w jednym miejscu. Niezbędne jest zintegrowanie danych pochodzących ze wszystkich wykorzystywanych systemów. Do przetwarzania i organizacji danych można wykorzystać narzędzia takie jak Dataform lub DBT.

W przypadku naszych wdrożeń wybieramy Dataform, ponieważ jest darmowy i zintegrowany z ekosystemem Google. W analityce internetowej oraz marketingu online większość narzędzi opiera się właśnie na rozwiązaniach Google, dlatego ta integracja ułatwia pracę z danymi. Drugą składową procesu jest Dataform lub DBT. Najpierw pojawiają się dane surowe, następnie Dataform lub DBT, potem logika techniczna i logika biznesowa, która zostaje zaprogramowana w modelu danych. Na końcu BigQuery gromadzi ostateczną wersję danych, wykorzystywaną w biznesie. Całość procesu można podzielić na pięć głównych składowych.

Dane surowe nie wymagają szczegółowego omówienia. Dataform i DBT to narzędzia służące do transformacji. Pozostałe etapy obejmują nakładanie logiki na dane oraz finalne przechowywanie ich w BigQuery. Dzięki temu powstaje struktura danych odpowiadająca potrzebom biznesowym.

Logika biznesowa i techniczna

W naszym modelu danych stosujemy kilka rozwiązań technicznych, które usprawniają analizę i przetwarzanie danych. Przykładowo, poprawnie przypisujemy źródła ruchu na podstawie parametrów takich jak Facebook ID, Click ID czy Google Ads Click ID oraz UTM-ów. Dzięki temu uzyskujemy dokładniejsze dane o źródłach ruchu.

Identyfikacja i standaryzacja

Identyfikacja użytkownika nie ogranicza się do ciasteczek. Uwzględniamy zarówno User ID, jak i Cookie ID, co umożliwia lepsze rozpoznanie tego samego użytkownika na różnych urządzeniach. Wprowadzamy również standaryzację kluczowych metryk marketingowych, takich jak Source, Medium czy Campaign. W Google Analytics 4 występuje kilkanaście metryk związanych z source/medium, dlatego standaryzacja pozwala uniknąć nieścisłości i ułatwia analizę.

Dane są kompresowane i codziennie przetwarzane do postaci tabel roboczych obejmujących trzy dni. W efekcie, gdy pojawia się potrzeba przeprowadzenia konkretnej analizy, koszt obsługi w Google BigQuery jest znacznie niższy dzięki zoptymalizowanej strukturze danych. Nasz model danych opiera się na czterech warstwach. Pierwsza to warstwa preprocesowania. Następnie tworzone są tabele robocze wykorzystywane między innymi do analizy atrybucji. Ostatnią warstwę stanowią gotowe dane raportowe, które służą do różnorodnych analiz.

Integracja z CRM i atrybucja

Logika biznesowa stanowi czwartą składową modelu danych. W naszym przypadku została ona wypracowana na podstawie realizowanych projektów i obejmuje około 80% potrzeb rynku. W ramach tej logiki łączymy dane z najpopularniejszych CRM-ów, co pozwala na integrację informacji o kosztach marketingu, zachowaniach użytkowników w serwisie oraz danych CRM-owych. Najpowszechniej wykorzystywane narzędzia marketingowe, takie jak Google Ads, Facebook Ads czy dane kosztowe, są agregowane w jednym miejscu, co umożliwia późniejsze generowanie raportów.

W modelu danych wdrażamy również logikę customowych modeli atrybucji. Często trudno jest wyjaśnić klientom działanie domyślnego modelu data-driven dostępnego w GA4, który bywa postrzegany jako swoisty „black box”. Dlatego własne modele atrybucji pozwalają na większą transparentność i lepsze dopasowanie analizy do specyfiki działalności firmy. Wprowadzamy również do logiki biznesowej różne modele dotyczące prawdopodobieństwa zakupu lub prawdopodobieństwa churnu, bazując na analizie zachowań użytkowników.

Korzyści biznesowe i Data Produkty

Jakie korzyści daje taki model danych? Przede wszystkim umożliwia naprawę podstawowych problemów analitycznych oraz pozwala lepiej wykorzystywać dane w procesach decyzyjnych. Błędy atrybucji oraz błędy źródeł danych to częste wyzwania w analityce internetowej. Kluczowe jest normalizowanie danych z GA4 w kontekście innych narzędzi marketingowych. Kolejnym etapem jest agregacja danych z wielu źródeł w jednym miejscu, co pozwala na sprawną orkiestrację danych. Dzięki temu możliwa jest optymalizacja danych, która umożliwia późniejsze wykorzystanie ich w bardziej zaawansowanych analizach.

Istotnym elementem są mechanizmy monitorujące oraz systemy alarmujące o nieoczekiwanych zmianach w danych. W finalnym etapie w modelu danych znajdują się konkretne analizy. W Conversion takie analizy określamy jako data-produkty. Cały proces zaczyna się od danych surowych, następnie powstaje model danych, którego wynikiem są podstawowe tabele. Do tych tabel podłączane są poszczególne data-produkty, takie jak modele marketing mix modelingu. Po wzbogaceniu zbiorów danych o dodatkowe informacje można od razu przygotować model marketing mix.

Zaawansowane analizy

Dostępne są listy remarketingowe oraz segmenty odbiorców, które można eksportować do systemów zewnętrznych na podstawie analizy najbardziej wartościowych klientów, na przykład z CRM. Analizy obejmują m.in. marżowość, zwroty w powiązaniu z systemem magazynowym, skuteczność kreacji reklamowych oraz optymalizację współczynnika konwersji przez analizę lejka zakupowego. Pojawiają się kolejne analizy i data produkty, jednak już podstawowy model danych wdrożony w firmie pozwala szybko uzyskać realne korzyści.

Model danych porządkuje i strukturyzuje informacje wykorzystywane w marketingu, eliminując chaos. Dzięki temu szybciej można przejść od raportów do podejmowania decyzji. Model danych skraca ścieżkę między problemem a decyzją, ponieważ bez niego większość czasu pochłania gromadzenie, przetwarzanie i analizowanie danych. Brak modelu danych w systemie raportowym sprawia, że trudno odnaleźć konkretne informacje. W takich przypadkach nawet 95% czasu poświęca się nie na generowanie insightów, ale na łączenie różnych źródeł danych i porządkowanie ich w sposób użyteczny dla biznesu. Wdrożenie modelu danych to najkrótsza droga do usprawnienia procesu przechodzenia od raportów do decyzji biznesowych.

Podsumowanie

W Conversion od ponad półtora roku rozwijamy własny model danych, który zawiera szeroki zakres gotowych data produktów. Zachęcam do kontaktu, jeśli jesteś zainteresowany jego wykorzystaniem. To drugi wpis z serii poświęconej podejściu DataOps. DataOps to podejście, które coraz częściej pojawia się w strategiach firm zajmujących się Digital Analytics.

Włączenie DataOps do strategii Conversion to odpowiedź na rosnącą potrzebę optymalizacji procesów związanych z gromadzeniem, przetwarzaniem i wykorzystywaniem danych. Model danych stanowi fundament, na którym można skutecznie rozwiązywać problemy biznesowe wynikające z pracy z danymi. W kolejnych wpisach pojawią się konkretne przykłady problemów, gotowe rozwiązania oraz opis, w jaki sposób model danych i DataOps wspierają efektywne zarządzanie danymi w organizacji. W przypadku pytań lub chęci omówienia wyzwań związanych z analityką danych, zapraszamy do kontaktu.

The post Model danych, czyli jak ogarnąć wszystkie dane marketingowe w jednym miejscu? first appeared on Conversion.

DataOps – co to jest i dlaczego jest ważne?
Manifest DataOps – klient i zespół
Organizacja pracy i technologia
Analityka jako linia produkcyjna
Podsumowanie

DataOps – co to jest i dlaczego jest ważne?

DataOps to podejście do zarządzania danymi, które integruje narzędzia, procesy i ludzi w celu efektywnego i jakościowego przetwarzania danych w organizacji. Łączy najlepsze praktyki z obszarów DevOps, analityki danych i zarządzania jakością. Celem DataOps jest usprawnienie przepływu danych – od ich pozyskania, przez przechowywanie, aż po analizę i raportowanie. Przekłada się to na szybsze oraz bardziej wiarygodne wnioski biznesowe.

W kolejnych częściach artykułu opiszę, jak wdrożenie DataOps wpływa na procesy analityczne oraz jakie korzyści może przynieść firmom wykorzystującym narzędzia Google z rodziny Google Analytics oraz Google BigQuery. DataOps to zestaw praktyk, procesów i technologii, które koncentrują się na procesowym podejściu do danych oraz automatyzacji. Wykorzystuje metody znane z Agile i inżynierii oprogramowania, aby poprawić jakość, szybkość oraz współpracę w zespołach analitycznych. Dzięki temu możliwe jest szybsze dostarczanie rozwiązań odpowiadających na rzeczywiste potrzeby biznesowe.

DataOps można porównać do DevOps w obszarze wytwarzania oprogramowania, jednak tutaj chodzi o usprawnienie procesu wyciągania wniosków i formułowania rekomendacji na podstawie danych. To organizacja pracy pozwalająca na sprawniejsze i szybsze działania analityczne, co przekłada się na większe zadowolenie odbiorców końcowych.

Podsumowując, DataOps przenosi dobre praktyki DevOps na zarządzanie pipeline danych, usprawniając cały proces analityczny. Dlaczego jest to istotne? DataOps pozwala na efektywniejsze wykorzystanie danych w firmie, co przekłada się na przewagę konkurencyjną i lepsze decyzje biznesowe. Dlaczego warto spojrzeć na ten temat z perspektywy rynku, marketingu i e-commerce? To właśnie z tymi branżami najczęściej współpracujemy. Obserwujemy obecnie wyraźną zmianę trendów w analityce internetowej. Kończy się era, w której głównym efektem działań analitycznych były rozbudowane dashboardy oparte na wielu źródłach danych.

W praktyce wyglądało to tak, że analityk przygotowywał raport, często dopasowując dane na bieżąco. Zdarzało się, że liczby w raportach były niespójne i wymagały dodatkowej walidacji przez odbiorców biznesowych. W przeszłości iteracje analiz danych często powtarzano wielokrotnie. Raporty generowano ręcznie i jednorazowo, zwykle w odpowiedzi na pojedyncze zapytania właścicieli biznesowych. Wykrywanie błędów polegało na tym, że ktoś zauważał, iż dane wyglądają nietypowo. Niedawno jeden z klientów opisał, że praca analityka w poniedziałkowy poranek polega na przeglądaniu dashboardów i analizie metryk. Analityk na podstawie swojego doświadczenia wskazuje miejsca, które wymagają dokładniejszej analizy.

DataOps to podejście, w którym wszystkie procesy są precyzyjnie opisane i uporządkowane. Monitoring danych odbywa się w sposób ciągły i automatyczny. Można to porównać do produkcji przemysłowej, gdzie kontrola jakości towarzyszy całemu procesowi – od początku do końca. Warto zwrócić uwagę na spostrzeżenie, że obecnie insighty generowane są szybciej, niż odbiorcy zdążą zidentyfikować nowe problemy biznesowe. Istotność DataOps z perspektywy Conversion jest nie do przecenienia. Głównym celem firmy jest wspieranie innych organizacji w rozwoju poprzez efektywne wykorzystanie danych. Wzrost ten jest bardziej efektywny, gdy czas od zidentyfikowania problemu do przekazania rekomendacji jest możliwie najkrótszy. Wieloletnie doświadczenie pokazuje, że wiele firm traktowało analitykę jako jednorazowy projekt, zapominając, że prawdziwy zwrot z danych pojawia się wtedy, gdy analiza staje się ciągłym procesem.

Manifest DataOps – klient i zespół

Z tego powodu w strategii Conversion DataOps zajmuje kluczowe miejsce. Fundamentem tej koncepcji jest manifest DataOps. Rozmowy na temat manifestu rozpoczęły się w Conversion na początku poprzedniego roku. Przez ostatnie miesiące manifest ten stał się integralną częścią działań firmy, dlatego Conversion dzieli się nim z szerszym gronem odbiorców. Manifest DataOps nie został stworzony przez nas, lecz jest oficjalnym dokumentem, który został spisany i jest dostępny online. Link do manifestu znajduje się w opisie. Poniżej przedstawiamy omówienie poszczególnych punktów manifestu oraz ich znaczenie w kontekście naszej codziennej pracy z klientami i realizacji podejścia DataOps.

Punkty 1-2: Zadowolenie i wartość

Punkt pierwszy – zadowolenie klienta to kluczowy priorytet. Najważniejsze jest zaspokajanie potrzeb klienta poprzez wczesne i ciągłe dostarczanie wartościowych analiz – od kilku minut do kilku tygodni. Słowo „ciągłe” odgrywa tu szczególną rolę. Wdrożenie analityki warto traktować nie jako jednorazowy projekt, na przykład stworzenie dashboardu, ale jako wdrożenie całego procesu. Chodzi o budowę kultury wykorzystania danych w organizacji.

Dotychczas praca analityka często kończyła się na przygotowaniu dashboardów, które później służyły osobom decyzyjnym do podejmowania decyzji i wyciągania wniosków. Tymczasem skuteczna analityka opiera się na ciągłym działaniu, które obejmuje nie tylko wdrożenie narzędzi, ale także wykorzystanie KPI i stałe doskonalenie procesów. To proces, a nie jednorazowe działanie od audytu do audytu danych. Punktem pierwszym jest zadowolenie klienta.

Drugi punkt to wartość działającej analityki, gdzie głównym miernikiem wydajności analityki danych pozostaje stopień dostarczania trafnych analiz opartych na dokładnych danych, w solidnych ramach i systemach. Te dwa aspekty częściowo się pokrywają – jeśli analityka nie dostarcza wartościowych analiz na bieżąco, jej rola znacząco maleje. Warto podkreślić, że oba te elementy są ze sobą powiązane. Kluczowe jest, aby analityka przynosiła realne korzyści biznesowe i była oparta na rzetelnych danych. Tylko wtedy możliwe jest podejmowanie trafnych decyzji oraz budowanie zaufania klientów do prowadzonych działań. Nie skupiamy się na dostarczaniu analiz czy raportów według wcześniej ustalonego harmonogramu. Współpraca z klientami opiera się na rozmowie o ich problemach i celach. Kluczowe jest określenie, jakie wyzwania ma rozwiązywać nasza praca, a nie tylko realizacja konkretnych próśb, jak np. precyzyjniejsze mierzenie ROAS w poszczególnych kanałach. Wspólnie z klientem wypracowujemy metodykę, która pozwala lepiej optymalizować podział budżetów mediowych.

Podstawowe pytanie, które stawiamy przed rozpoczęciem pracy, brzmi: dlaczego? Szukamy uzasadnienia dla każdej analizy i mierzenia, rozpoczynając od zrozumienia potrzeb biznesowych.

Punkty 3-5: Zmiana i współpraca

Akceptujemy zmiany i rozwijające się potrzeby klientów, traktując je jako przewagę konkurencyjną. Najskuteczniejszą metodą komunikacji pozostaje rozmowa twarzą w twarz, która pozwala lepiej zrozumieć cele i oczekiwania klienta. Najważniejszym aspektem jest rozwijanie się wraz z potrzebami klientów. Proces nie kończy się na zmapowaniu oczekiwań, realizacji projektu i uznaniu, że zadanie zostało wykonane. Segment analityki internetowej i firmy, z którymi współpracujemy, cechują się dużą dynamiką. Potrzeby klientów zmieniają się często nawet z tygodnia na tydzień. Brak elastyczności i niedostosowanie metodyki pracy do tych zmian ogranicza wartość, jaką możemy dostarczyć.

Akceptacja zmian stała się nieodłącznym elementem naszej pracy, szczególnie w ciągu ostatnich pięciu lat. Od początku pandemii świat i środowisko biznesowe nieustannie się zmieniają. Kluczowe jest szybkie reagowanie na nowe wyzwania i zmiany pojawiające się na rynku. W przypadku zauważenia zmiany popytu, zmian w działaniach konkurencji lub innych anomalii w danych, szybka reakcja jest kluczowa. Odkładanie decyzji na później może prowadzić do strat.

DataOps to sport drużynowy. Zespoły analityczne składają się z osób o różnych rolach, umiejętnościach, preferowanych narzędziach i tytułach. Różnorodność doświadczeń i opinii zwiększa innowacyjność oraz produktywność. W ostatnich latach coraz wyraźniej widać specjalizację w zespołach analitycznych. Nie istnieje już rola „analityka od wszystkiego”, podobnie jak kiedyś nie było już „informatyka od wszystkiego”, który rozwiązywał każdy problem związany z komputerami. Rola analityka zmienia się dynamicznie, co było już widoczne podczas analizy trendów w branży.

Obecnie jeden specjalista nie odpowiada za cały proces – od zbierania danych, przez ich przetwarzanie, wizualizację, aż po wyciąganie wniosków. Taki model działania odchodzi do przeszłości. W pracy z klientami stosujemy podejście, w którym każdy klient ma dedykowanego opiekuna analitycznego doskonale rozumiejącego specyfikę biznesu. Ten opiekun jest wspierany przez pozostałych członków zespołu, którzy dzielą się wiedzą i doświadczeniem. Dzięki wdrożonym w firmie procesom wymiany wiedzy, każdy klient korzysta z doświadczenia całego zespołu, a nie tylko jednej osoby. To zapewnia wysoki poziom usług i pozwala skutecznie realizować cele biznesowe. Punkt piąty manifestu dotyczy codziennej interakcji. Klienci, zespoły analityczne i operacyjne muszą współpracować każdego dnia przez cały czas trwania projektu. W tym obszarze doskonale sprawdza się nasz model opieki analitycznej. Współpraca z klientami nie ogranicza się jedynie do realizacji określonych zadań, ale obejmuje też sprawną reakcję na bieżące wydarzenia. Kluczowe jest szybkie reagowanie, gdy pojawi się coś istotnego. W przypadku współpracy z Kim Tamy pracujemy w modelu, w którym angażujemy się przez kilka dni w miesiącu. Codzienne rozmowy i poświęcanie czasu na wspólne analizy nie są możliwe w tym trybie.

Komunikacja często odbywa się asynchronicznie, na przykład za pośrednictwem Slacka. Pozwala to na szybkie omawianie pojawiających się problemów i natychmiastowe reagowanie. Skupiamy się na tym, aby w przypadku wystąpienia alertu lub problemu reakcja nastąpiła jak najszybciej. Dzięki temu klient nie musi czekać tygodniami na rozwiązanie zgłoszonego zagadnienia.

Organizacja pracy i technologia

Punkty 6-9: Samoorganizacja i ciągłe doskonalenie

Punkt szósty manifestu dotyczy samodzielnej organizacji. Najlepsze analizy, algorytmy, architektury, wymagania i projekty powstają w samoorganizujących się zespołach. W Conversion kluczowy jest swobodny przepływ wiedzy. Zespoły nie pracują w modelu, w którym każdy analityk jest ciągle nadzorowany przez innych członków zespołu. Opieramy się na zaufaniu do kompetencji i odpowiedzialności naszych pracowników. Każdy klient działa inaczej. Niektórzy potrzebują codziennego kontaktu, innym wystarczy rozmowa raz na tydzień lub dwa. Współpracę często uzupełnia asynchroniczna komunikacja. Nie narzucamy z góry określonych modeli współpracy, ponieważ klienci mają różne potrzeby i wymagają indywidualnego podejścia. Dlatego personalizujemy doświadczenie współpracy. Każda organizacja znajduje się na swoim etapie rozwoju i wymaga odpowiedniego wsparcia. Niektórzy klienci cenią sobie stałą dostępność zespołu i poczucie, że zawsze mogą na nas polegać. Często pełnimy rolę wsparcia w gotowości do działania.

Punkt siódmy – redukcja bohaterstwa. Wraz ze wzrostem tempa i zakresu potrzeb analitycznych, zespoły analityczne powinny ograniczać poleganie na indywidualnych osobach. Kluczowe jest budowanie zrównoważonych i skalowalnych procesów analitycznych, które nie są uzależnione od konkretnej jednostki. Takie podejście wpisuje się w zasady DataOps, gdzie procesy muszą być odporne na nieobecność pojedynczych członków zespołu. W ostatnich tygodniach kilku klientów zgłosiło, że choć wcześniej prowadzili analitykę, po odejściu analityka muszą wszystko budować od nowa. Taka sytuacja przeczy koncepcji DataOps. Proces analityczny powinien działać jak sprawna maszyna, która potrafi szybko uzupełniać braki kadrowe i utrzymywać ciągłość działań.

Ósmy punkt manifestu DataOps podkreśla, że zespoły analityczne powinny regularnie doskonalić swoją wydajność. Niezbędna jest tu samoocena, oparta na opiniach klientów, współpracowników oraz analizie statystyk operacyjnych. Jako firma specjalizująca się w danych, stawiamy na ciągłe doskonalenie procesów, aby zapewnić stabilność i rozwój analityki niezależnie od zmian personalnych. W zespole realizujemy bardzo wiele pomiarów. Zgodnie ze słowami Petera Druckera: „Czego nie zmierzysz, tego nie poprawisz”. Analiza danych pozwala nam na systematyczne doskonalenie procesów.

Warto pamiętać o systemowych usprawnieniach, które omawiamy regularnie – na przykład co miesiąc lub co kwartał. Dzięki temu DataOps nie staje się jednorazowym projektem, który po wdrożeniu działa samodzielnie, lecz stale utrzymywanym i udoskonalanym procesem. Każdy element systemu wymaga regularnej uwagi, aby całość funkcjonowała sprawnie. Kluczowe znaczenie ma szybkie reagowanie na pojawiające się problemy. W przypadku wykrycia błędów lub nieszczelności w procesach, koncentrujemy się na szukaniu rozwiązań i usprawnianiu działań, zamiast szukać winnych. Pozwala to skutecznie unikać podobnych sytuacji w przyszłości i stale podnosić jakość prowadzonych analiz.

Analityka to kod. Zespoły analityczne korzystają z różnych narzędzi do pozyskiwania, integracji, modelowania i wizualizacji danych. Każde z tych narzędzi generuje kod i konfigurację, które opisują działania podejmowane na danych w celu wyciągania wniosków. To niezwykle istotny element w kontekście procesów. Podobnie jak w przypadku wdrażania oprogramowania, można testować analizy w różnych wariantach oraz wykorzystywać różne metody statystyczne do obserwacji anomalii.

Nie wystarczy raz opracować rozwiązanie i uznać, że jest ono najlepsze, a powrót do wcześniejszej wersji nie ma sensu. Podejście do analityki jak do kodu, czyli stosowanie wersjonowania i analizowanie skuteczności wprowadzanych zmian, umożliwia ciągły rozwój procesów analitycznych. Silne powiązania pomiędzy poszczególnymi elementami analityki są bardzo widoczne. Przykładem jest zależność między podejściem „analityka to kod” a koniecznością refleksji i ciągłego dążenia do doskonałości. Przechodząc do praktyki, coraz częściej odchodzimy od analiz opartych wyłącznie na interfejsie narzędzi analitycznych czy tworzeniu zrzutów ekranu z tych narzędzi. Zamiast tego, skupiamy się na rozwijaniu kodu SQL i pracy w środowisku bazodanowym, takim jak Google BigQuery. Większość analiz realizujemy właśnie tam, opierając się na własnych modelach danych. Takie podejście pozwala łatwiej powielać i dostosowywać analizy – nie trzeba tworzyć wszystkiego od nowa, wystarczy dopasować istniejący kod zgodnie z zasadą „analiza to kod” do aktualnych potrzeb.

Punkty 10-12: Orkiestracja i środowiska

Dziesiąty punkt manifestu dotyczy orkiestracji. Całościowa orkiestracja danych, narzędzi, kodu, środowisk i pracy zespołów analitycznych stanowi kluczowy czynnik sukcesu analitycznego. Orkiestracja bywa często mylona z prostym łączeniem elementów. Tymczasem, podobnie jak w orkiestrze, gdzie różne instrumenty grają razem, najważniejszą rolę pełni dyrygent. Oprócz ustalania, jak dane mają się ze sobą komunikować i jakie są klucze połączenia, istotne jest również określenie, jak wygląda sam proces wymiany informacji i w jaki sposób jest kontrolowany.

Kluczowe elementy orkiestracji to harmonogramy i zależności – wiemy, od czego zależą poszczególne etapy oraz mamy jasno określony cel działania. Orkiestracja pozwala także na stałe monitorowanie jakości danych i szybkie odpowiadanie na pytania, na przykład: „Czy dane są poprawne?”. To istotny aspekt DataOps, który umożliwia utrzymanie wysokiej jakości procesów analitycznych. Kolejnym ważnym elementem jest zapewnienie powtarzalności. Wyniki muszą być powtarzalne, dlatego należy wersjonować dane, konfigurację sprzętu i oprogramowania, a także kod i konfigurację specyficzną dla każdego narzędzia w łańcuchu narzędziowym. Dzięki temu rozwiązanie, które działa u jednego klienta, może zostać odtworzone również u innego klienta. Jedną z największych zalet Conversion jest zespół analityków, który pracuje nad rozwiązaniami w taki sposób, aby ich praca była powtarzalna i skalowalna. Nie ograniczamy się do jednorazowych analiz czy pojedynczego wykrywania anomalii. Wypracowujemy metodyki, które następnie wdrażamy jako standardy działania całego zespołu. Dzięki temu, gdy pojawia się podobny problem u innego klienta, możemy szybko wykorzystać gotowe rozwiązania, narzędzia i fragmenty kodu, które już wcześniej przetestowaliśmy w praktyce. Budujemy nie tylko know-how, ale również procesy i narzędzia, które pozwalają efektywnie wdrażać analitykę danych w różnych organizacjach.

Punkt dwunasty manifestu dotyczy środowiska tymczasowego. Minimalizowanie kosztów eksperymentowania w zespołach analitycznych wymaga zapewnienia łatwych do stworzenia, izolowanych, bezpiecznych i jednorazowych środowisk technicznych, które odwzorowują środowisko produkcyjne. Praktyka ta pochodzi ze świata DevOps i rozwoju oprogramowania. Kluczowe jest, by nie testować zmian bezpośrednio na zarządowym dashboardzie. Tylko takie podejście pozwala zachować bezpieczeństwo oraz wysoką jakość danych. Jednocześnie środowiska testowe powinny jak najwierniej odzwierciedlać realne warunki produkcyjne.

Analityka jako linia produkcyjna

Punkty 13-15: Prostota i jakość

Punkt trzynasty: Prostota. Ciągła dbałość o doskonałość techniczną i dobry projekt zwiększa zwinność zespołu. Prostota odgrywa tu kluczową rolę. Sztuka maksymalizowania ilości pracy, której nie trzeba wykonywać, pozwala działać szybciej, taniej i stabilniej. Warto jednak pamiętać, że wartość i zadowolenie klienta są miarą tego, czy rozwiązanie nie jest zbyt uproszczone.

Punkt czternasty: Analityka to produkcja Pipelines analityczne można porównać do linii produkcyjnych w produkcji LIN. Podstawową koncepcją DataOps jest skupienie się na myśleniu procesowym, które prowadzi do ciągłego zwiększania efektywności w generowaniu wniosków analitycznych. Porównanie wniosków analitycznych do produkcji namacalnych dóbr jest trafne, ponieważ w obu przypadkach kluczowe znaczenie ma kontrola jakości zarówno na wejściu, jak i na wyjściu. W procesie analitycznym konieczne jest badanie jakości wszystkich komponentów, które są wykorzystywane na kolejnych etapach analizy. W analizie danych kluczowe jest, aby generowane insighty przekładały się na realną wartość biznesową. Nie zawsze tak się dzieje, dlatego warto zwracać uwagę na efektywność procesów analitycznych.

Procesy analityczne można porównać do różnych linii produkcyjnych, które mogą pełnić odmienne funkcje w firmie. Przykładowo, osobne procesy mogą odpowiadać za monitorowanie marży, obliczanie client acquisition cost czy analizę danych w CRM. Każdy z tych obszarów może działać niezależnie, jednak wszędzie powinny obowiązywać te same zasady jakości.

Jednym z najważniejszych aspektów skutecznej analityki jest jakość danych. Pipeliny analityczne należy budować na solidnych fundamentach, które umożliwiają automatyczne wykrywanie nieprawidłowości oraz problemów związanych z bezpieczeństwem w kodzie, konfiguracji i danych. Istotne jest także zapewnienie ciągłego feedbacku dla operatorów, co pozwala unikać błędów i stale podnosić jakość procesów analitycznych. Jakość danych jest kluczowa w analityce internetowej, szczególnie w erze rozwoju AI. Zasada GIGO (Garbage In, Garbage Out) doskonale obrazuje, jak ważne jest dbanie o solidne fundamenty w procesie zbierania danych. Jeśli u podstaw pojawią się błędy, nie można oczekiwać wiarygodnych wyników na kolejnych etapach analizy.

Porównanie do linii produkcyjnej jest bardzo trafne – kiedyś wiele procesów realizowano ręcznie, co niosło ryzyko większej liczby pomyłek. Podobnie w analityce, nawet zaawansowane narzędzia AI nie zastąpią odpowiednich procesów zarządzania danymi i roli DataOpsów. Dbanie o jakość danych to podstawa skutecznej analizy i wyciągania trafnych wniosków. DataOps to przede wszystkim proces, który dzięki AI zostaje przyspieszony i zautomatyzowany. Automatyzacja pozwala szybciej i sprawniej utrzymywać wysoką jakość danych. Rola analityków koncentruje się na kontroli jakości oraz wyciąganiu kluczowych insightów z danych.

Automatyzacja wielu procesów przypomina sytuację z produkcją tuńczyka przygotowywanego do puszek – większość etapów odbywa się automatycznie, jednak najbardziej wymagające i wrażliwe zadania pozostają w rękach ludzi. Podobnie w analityce, najważniejsze decyzje i analizy nadal wymagają zaangażowania specjalistów. Proces staje się znacznie szybszy.

Punkty 16-18: Monitorowanie i ponowne wykorzystanie

Monitorowanie jakości i wydajności to kluczowy element w analizie danych. Celem jest wdrożenie miar wydajności, bezpieczeństwa i jakości, które są monitorowane w sposób ciągły. Dzięki temu możliwe jest szybkie wykrywanie nieoczekiwanych zmian oraz generowanie statystyk operacyjnych. W bardziej zaawansowanych projektach warto wdrożyć dashboardy DataOps. Pozwalają one zespołom stale optymalizować działania, wspierać refleksję nad procesami i utrzymywać wysoką jakość pracy. Coraz większą rolę w tym obszarze odgrywają narzędzia oparte na AI, które automatyzują wykrywanie anomalii i podnoszą efektywność monitoringu. Optymalizacja powinna być oparta na danych. Wszystkie działania należy mierzyć, aby uzyskać rzetelny obraz sytuacji i wdrażać skuteczne usprawnienia. Celem nie jest rozliczanie, lecz analiza i optymalizacja procesów.

Punkt 17. Ponowne wykorzystanie. Kluczowym elementem efektywności produkcji wniosków analitycznych jest unikanie powielania wcześniejszych działań przez osoby lub zespoły. Każdy element pracy analitycznej powinien być replikowany. Kluczowe jest nie tylko dokumentowanie działań, ale także umożliwienie zespołowi korzystania z wypracowanych rozwiązań. Podczas realizacji analizy nie należy tworzyć wszystkiego od nowa. Warto unikać podejścia opartego na „heroizmie” i zamiast tego dążyć do szybkiego rozwiązywania problemów oraz budowania procesów. Jeśli zespół napotyka nowy problem, należy sprawdzić, czy podobne wyzwanie zostało już wcześniej rozwiązane i wykorzystać istniejące rozwiązania. Takie podejście pozwala zwiększyć efektywność i skrócić czas realizacji kolejnych projektów.

Osiemnasty punkt manifestu Data Ops dotyczy poprawy czasu w cyklu. Celem jest minimalizowanie czasu i wysiłku potrzebnego na przekształcenie potrzeby klienta w pomysł analityczny, zrealizowanie go w fazie rozwoju, wdrożenie jako powtarzalny proces produkcyjny, a następnie refaktoryzowanie i ponowne wykorzystanie tego rozwiązania. Kluczowym efektem DataOps jest skrócenie czasu między pojawieniem się potrzeby a dostarczeniem rozwiązania, które ją adresuje.

Podsumowanie

To podejście wyznacza kierunek rozwoju nowoczesnej analityki. Wdrażanie wszystkich 18 punktów manifestu DataOps w pełni to ambitny cel. Conversion konsekwentnie buduje procesy oparte na DataOps, kładąc nacisk na ciągłe doskonalenie i szybkie dostarczanie wartości biznesowej z danych. Wierzymy, że dzięki temu klienci szybciej osiągają swoje cele, a analityka lepiej wspiera rozwój ich biznesu. Na rynku często obserwuje się, że firmy skupiają się na organizacji danych, audytach, konfiguracji czy tworzeniu dashboardów. W efekcie traci się czas na najważniejszy etap pracy z danymi: wyciąganie wniosków i formułowanie rekomendacji, które mogą realnie wpłynąć na rozwój biznesu.

W kolejnych latach w Conversion szczególny nacisk kładziemy na rozwój DataOps. Nasz zespół, a w szczególności Rafał, będący wewnętrznym promotorem tego rozwiązania, aktywnie wdraża podejście DataOps już od początku zeszłego roku. Praktyka pokazała, że to podejście jest spójne z kierunkiem rozwoju, do którego dążymy. Stąd intensywnie rozwijamy własne data produkty, które regularnie prezentujemy naszym klientom. DataOps to kierunek, w który zdecydowanie inwestujemy i rozwijamy go w naszej organizacji.

DataOps to podejście, które łączy technologię, dane i biznes. Kluczowe jest zrozumienie, jak te trzy obszary współpracują, aby wspierać rozwój organizacji. W kolejnych materiałach zostaną przedstawione praktyczne aspekty wdrażania DataOps w firmie oraz sposoby doskonalenia procesów analitycznych. Zachęcam do dzielenia się opiniami i pytaniami w komentarzach – każda perspektywa jest cenna w tej dyskusji. Technologia pozwala skrócić drogę, którą dane przynoszą wartość biznesowi – od potrzeby biznesowej do konkretnej rekomendacji. Dalsze działania należą już do zespołu biznesowego. Im szybciej pojawi się rekomendacja, tym szybciej firma może wdrożyć rozwiązania i odczuć realną wartość z danych. Szybkość działania staje się kluczowa w procesach analitycznych i coraz częściej decyduje o przewadze konkurencyjnej.

The post Czym jest DataOps? Manifest DataOps first appeared on Conversion.

W kolejnym odcinku podcastu „Date with Data Talks” Mariusz Michalczuk, ekspert Conversion, rozmawia z Michałem Węglewiczem, Digital Marketing & CRM Managerem w Travelist. Rozmowa dotyczy łączenia światów marketingu i analityki, przejścia z modelu Last Click na modelowanie ekonometryczne (MMM), a także wykorzystania sztucznej inteligencji i synergii między działaniami CRM a płatnym ruchem w dużej organizacji e-commerce.

Czego dowiesz się z tego wywiadu:

Od analityka do marketera: Ścieżka Michała Węglewicza

Nadmiar danych czy klęska urodzaju?

Ekonometria w praktyce: Przejście z Last Click na MMM

Case study: Jak dane uratowały influencer marketing

Synergia Digitalu i CRM: Oszczędność budżetu

Sztuczna inteligencja w Travelist

Rady dla marketerów: Single Source of Truth i LTV

Podsumowanie: Główne wnioski z rozmowy

Od analityka do marketera: Ścieżka Michała Węglewicza

Początki z danymi i odkrywanie „mierzalnego” marketingu

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Michał. Michale, dziękuję Ci za przyjęcie zaproszenia. Mógłbyś na początku kilka słów o sobie powiedzieć?

Michał Węglewicz: Cześć Mariusz, wielkie dzięki również za zaproszenie do dzisiejszego odcinka. Nazywam się Michał Węglewicz i zajmuję się digital marketingiem i CRM-em. Obecnie zarządzam tymi obszarami w Traveliście. Wcześniej miałem też okazję pracować w branży finansowej, telekomunikacyjnej. Od kilku lat łączę ten digital i marketing w jeden spójny silnik wzrostu, gdzie to, co jest dziś dla nas najbardziej istotne, czyli analityka i praca z danymi, są bardzo ważnym punktem i obszarem, który towarzyszy mi codziennie.

Mariusz Michalczuk: Super. Jakbyś mógł trochę opowiedzieć, jak to wykorzystanie danych w Twojej codziennej pracy wygląda? Jeżeli masz w swoich kompetencjach zarządzanie CRM-em, to tam danych o klientach jest bardzo dużo. Jak te dane wykorzystujecie, jak to się przekłada później na kreowanie marketingu, kampanii? Jakbyś mógł wrzucić nam trochę takich ciekawostek „behind the scenes”.

Michał Węglewicz: Jasne. Uśmiechnąłem się na to nasze dzisiejsze spotkanie i ten mocny core rozmowy, jakim są dane. W moim podejściu, w całej mojej pracy, taką pierwszą inicjacją, którą miałem w karierze, była praca, gdzie po części realizowałem zadania web analityka. Wtedy, kiedy zaczynałem, miałem tę sposobność, że mogłem poznać obszar web analityki, a potem miałem okazję przejść też przez SEO, przez CRM i tworzenie różnych narzędzi. Dotarłem oczywiście do tego obszaru online marketingu, więc tak naprawdę już od tych wczesnych lat szukałem sposobności, żeby te dwa obszary między sobą integrować, wykorzystywać i szukać wzajemnych synergii.

Nawiązując do początków, ten aspekt bazodanowy bardzo mocno pokazał mi, że podejście do dzisiejszego digitalu jest skrajnie inne, niż sobie wyobrażałem. Wcześniej myślałem, że marketing to kreatywne rozwiązania, hasła, kreacje i bardzo kreatywni ludzie, do których na pewno jest mi daleko. Natomiast dość szybko zrozumiałem, że online mocno różni się tym, że wszystko jest śledzone, mierzone, a zasób danych jest naprawdę ogromny. Zauważyłem, że stało się to wyróżnikiem po pewnym czasie. Następowała zmiana podejścia do marketingu i online zaczynał być coraz bardziej widoczny, a aspekt danych bardzo narastał.

W tych pierwszych doświadczeniach bardzo satysfakcjonujące było to, gdy udawało mi się znaleźć schematy działań czy zaimplementować rozwiązania, które działały nam w CRM-ie – różnego rodzaju targetowania bądź wykluczenia, które kolejno wdrażaliśmy na kampanie digitalowe i performance’owe. To była wtedy bardzo prosta implementacja i optymalizacja, ale co ciekawe, bardzo intratna. Nie tyle same ROI potrafiły nam mocno rosnąć, ale też udawało nam się optymalizować koszty. Mogliśmy ingerować w media mix i mniej inwestować w działania, które wiedzieliśmy, że i tak nie będą miały dużego wpływu na kontrybucję do wyników. To były pierwsze sukcesy, które budowały pomost między dwoma światami, traktowanymi wówczas jako osobne. Dziś udaje nam się to realizować jeszcze bardziej efektywnie, w bardziej zaawansowany sposób, wykorzystując nowe technologie.

Nadmiar danych czy klęska urodzaju?

Jak radzić sobie z ilością informacji

Mariusz Michalczuk: To prawda. Technologia się rozwija, danych nam coraz więcej przybywa. Z mojej perspektywy, oprócz tego, że jest to pozytywny element, ten nadmiar danych często po prostu przytłacza firmy. Jak masz czegoś za dużo – jest takie pojęcie w psychologii jak „klęska urodzaju” – człowiek często pozostaje bez decyzji. Akurat rozmawiałem z Marcinem od Was i wiem, że u Was nie ma tego wyzwania. Natomiast z Twojej perspektywy, tej ścieżki zawodowej – zaczynałeś jako analityk internetowy, więc pewnie Tobie jest łatwiej oceniać, które źródła są właściwe. Jak oceniasz ten nadmiar danych z perspektywy czasu?

Michał Węglewicz: Myślę, że jeśli chodzi o nadmiar danych, to kiedyś mówiliśmy o zjawisku Big Data, teraz to ewoluowało w stronę AI i modeli probabilistycznych. Wydaje mi się, że im więcej danych, tym lepiej. Do tej pory nie miałem chyba sytuacji, żeby danych było za dużo – raczej w drugą stronę, chciałoby się mieć ich jeszcze więcej. Kreatywność w podejściu pozwala wymyślać coraz to nowe rozwiązania. Zgadzam się jednak, że istnieje ryzyko „klęski urodzaju”, szczególnie gdy mnogość danych rzutuje na bardzo dużą liczbę metryk, którymi będziemy starali się zarządzać biznesem i podejmować decyzje.

To jest krytyczne powiązanie. Nie tyle skala danych może być bolączką, co umiejętność ich interpretacji i sposób zarządzania wiedzą. Z każdego punktu możemy wyciągnąć jakiś insight, więc kluczowe jest zbudowanie sieci metryk w taki sposób, aby finalnie móc sfokusować się na tych najważniejszych. Zbyt duża dywersyfikacja nie będzie efektywna i rodzi ryzyko, że nie skupimy się na tym, co realizuje przysłowiowe 80% impaktu. Często spotykamy się z sytuacjami, gdzie rozpoczynamy projekt, obudowujemy go KPI-ami i sami musimy siebie ograniczać: „Hej, stop, może to już za dużo. Skupmy się na tym, żeby projekt mógł iść do przodu”. Warto wyznaczyć sobie granicę.

Ekonometria w praktyce: Przejście z Last Click na MMM

Dlaczego model atrybucji Last Click przestał wystarczać?

Mariusz Michalczuk: Wspomniałeś o decydowaniu o miksie marketingowym. Czytałem opisany w sieci case waszego modelowania MMM (Marketing Mix Modeling). Czy mógłbyś odsłonić kuluary? Co do zasady, każdy model poza Last Click jest z reguły lepszy, ale jak to wyglądało u Was? To duży projekt, trzeba było przekonać właścicieli budżetu. Jakie były efekty?

Michał Węglewicz: Zgadzam się, że kwestia decydentów i zmiany mindsetu bywa krytyczną barierą. W Traveliście od zawsze mieliśmy do czynienia z mocnym podejściem last clickowym i wciąż na to patrzymy. Jednak stosowanie tylko jednego modelu rodzi ryzyko braku efektywności i braku należytej oceny poszczególnych kanałów. Co do Media Mix Modelingu, czy też ekonometrii, historycznie wykorzystywaliśmy to głównie do oceny dużych kanałów, takich jak telewizja, oraz do oceny naszego baseline’u – czyli tego, co działoby się z marką po wyłączeniu działań reklamowych. Widzieliśmy mocny wpływ optymalizacji kampanii telewizyjnych na wyniki.

W ramach migracji narzędzi analitycznych pojawiła się potrzeba większej stabilności w ocenie działań digitalowych. Poza wsparciem incydentalnym, na co dzień bazowaliśmy na danych last clickowych czy first clickowych. Potrzebowaliśmy rozwiązania in-house, które byłoby stabilne i dawało taki sam obraz niezależnie od czynników zewnętrznych (np. cookie restrictions). Dodatkowo, jako spółka chcąca rosnąć, szukaliśmy „sweet spotu” pomiędzy inwestycjami w działania top-funnelowe (zasięgowe) a utrzymaniem wysokiej efektywności. W Travelist nigdy nie patrzymy na jeden KPI – weryfikujemy ROI, kontrybucję do GP (Gross Profit) oraz bardzo ważną dla nas metrykę Lifetime Value (LTV).

Postanowiliśmy zrobić pilotażowy projekt, wykorzystując metodykę używaną do telewizji, aby ją zdigitalizować. Chcieliśmy sprawdzić potencjalne efekty. Zyskaliśmy dzięki temu nową perspektywę. Zaczęliśmy małymi krokami wchodzić głębiej, w poszukiwaniu bardziej obiektywnego obrazu niż Last Click. Proces wiązał się z wieloma wyzwaniami, głównie w zakresie standaryzacji danych z różnych źródeł: adserwery, platformy reklamowe (Meta, YouTube, Google), dane transakcyjne, a także aspekt contentowy (Magazyn Travelista). Proces ten trwał wiele miesięcy, ale doszliśmy do iteracji, które odbywają się nawet trzy razy w miesiącu. To duża skala. Oczywiście, decyzje dzienne wykonujemy nadal w oparciu o bieżące dane, ale MMM jest dla nas „boosterem decyzyjnym”, pozwalającym szybciej reagować i przewidywać zjawiska rynkowe, co w branży tak sezonowej jak travel jest kluczowe.

Mariusz Michalczuk: Rozumiem, że na początku wykorzystano model zrobiony na „starych mediach”. Czy ten model był rozszerzony o dane online’owe, czy zrobiliście zupełnie oddzielny dla online’u?

Michał Węglewicz: Jeśli chodzi o zakres danych, dochodziła tutaj bardzo duża granularność. Wcześniej rozróżnialiśmy cały digital na kilka głównych worków (SEM, Meta, etc.). Chcieliśmy wejść głębiej i rozdzielać kanały na poszczególne kampanie. Dziś na samej Mecie nie optymalizujemy dwóch czy trzech kampanii, ale dziesiątki, a w sezonie nawet setki. Istotne było wprowadzenie odpowiedniej granulacji, ale też zadbanie o skalę danych – jeśli kampania była zbyt mała, model nie wyłapywał jej wpływu.

Korzystamy ze wsparcia dedykowanych osób przy przeliczaniu modelu. Co ciekawe, to nie jest jeden stały model. To zbiór funkcji bazujących na szeregach czasowych. Za każdym razem model jest trochę inny – weryfikujemy setki, a nawet tysiące różnych funkcji i zbiorów, a wyniki jakości określają, który z modeli w danej iteracji sprawdził się najlepiej. Każdorazowo modyfikujemy to w poszukiwaniu najbardziej precyzyjnych odpowiedzi.

Case study: Jak dane uratowały influencer marketing

Wykorzystanie MMM do oceny zwrotu z inwestycji

Mariusz Michalczuk: Ekonometria nie jest prosta. Jak w marketingu faktycznie wykorzystujecie ten model? Do sprawdzania scenariuszy, czy do oceny faktycznego zwrotu z inwestycji?

Michał Węglewicz: Weryfikujemy to głównie w oparciu o efektywność: ROI per kampania/kanał oraz kontrybucję do marży. Decyzje to miks danych z raportu ekonometrii, raportu lastclickowego oraz raportu Cohort (analiza LTV i zachowań bazy). Mniejsze optymalizacje bazują na doświadczeniach wypracowanych w MMM – jesteśmy w stanie przewidzieć, jak kanały zachowają się po zmianach budżetowych. W dziennym ujęciu weryfikujemy Last Click, ale staramy się nie podejmować w nim pochopnych decyzji dla kanałów top-funnelowych.

Przywołam ciekawy case. Dzięki MMM zobaczyliśmy, że display i inne kanały zasięgowe zyskały na atrybucji. Nie oznaczało to jednak bezmyślnego skalowania, ale wejście głębiej i optymalizację. Najbardziej zaskoczył nas influencer marketing. Mamy tam mocny fanbase. Wzmocniliśmy ten obszar na Instagramie, angażując większe budżety, bo ekonometria pokazała tam potencjał. Po kilku miesiącach doszliśmy do momentu, gdzie nawigowaliśmy w oparciu o wyniki z ekonometrii, ale jednocześnie słuchaliśmy influencerów. Oddaliśmy im inicjatywę, np. dogrywając oferty hotelowe pod ich rekomendacje. Wyniki przerosły oczekiwania. Nie tylko zmaksymalizowaliśmy wyniki w ekonometrii, ale osiągnęliśmy rentowność w Last Clicku, co wcześniej się nie zdarzało. To był case, gdzie zawróciliśmy koło: od słabej efektywności Last Click, przez inwestycję na bazie MMM, po optymalizację dającą wynik w Last Clicku.

Mariusz Michalczuk: To mega ciekawe. Dane ekonometryczne pozwoliły Wam docenić influencer marketing, który co do zasady działa jak branding i nie wpływa bezpośrednio na sprzedaż w modelu ostatniego kliknięcia. Dzięki wskazówce z MMM zainwestowaliście więcej, co przełożyło się finalnie na twarde wyniki.

Michał Węglewicz: Dokładnie. Mieliśmy argumenty, żeby inwestować więcej w kanały, które potencjalnie wpadały w pułapkę lastclickową. Teraz pracujemy nad tym, żeby to skalować.

Synergia Digitalu i CRM: Oszczędność budżetu

Personalizacja i wykluczanie w oparciu o dane

Mariusz Michalczuk: Przesuńmy się na użytkownika w CRM. Jak wykorzystujecie dane do personalizacji w serwisie i czy przekłada się to na marketing?

Michał Węglewicz: W Traveliście traktujemy digital i CRM jako jeden spójny ekosystem. W idealnym świecie digital pozyskuje ruch, a CRM go monetyzuje. Realia nie są tak czarno-białe, ale część wspólna jest wyraźna. Priorytetem integracji było priorytetyzowanie działań in-house’owych (CRM), czyli „niedopalanie” dodatkowego kosztu marketingowego do użytkowników, którzy są już „wygrzani” i skonwertują bez reklamy. Dzięki temu zredukowaliśmy koszty marketingu o 15% przy tym samym efekcie końcowym.

Pracowaliśmy nad wykluczeniami i priorytetyzacją CRM oraz nad lookalike’ami. Analiza ścieżek pokazała, że duży procent użytkowników pokrywa się w działaniach remarketingowych i CRM, ale jest też grupa, która potrzebuje dodatkowego bodźca (display, mailing zewnętrzny). Wdrożyliśmy scoring określający prawdopodobieństwo konwersji użytkownika. Dzięki temu selektywnie podchodzimy do komunikacji.

W ramach grupy Secret Escapes stworzyliśmy modele probabilistyczne: jeden silnik do zwiększania engagementu (inspiracja), drugi do domykania konwersji (low funnel). Bazując na danych z całej grupy, wskazujemy szereg zachowań świadczących o gotowości do zakupu. Testy w CRM wykazały, że dobór ofert przez model versus nasz ręczny wybór „topowych ofert” zawsze wygrywał. W fazie testów mieliśmy nawet 40% poprawy konwersji. To był duży game changer.

Perspektywa międzynarodowa: Różnice między rynkami

Mariusz Michalczuk: Czy jest różnica w podejściu do danych międzynarodowo? Czy są różnice w narzędziach lub zachowaniach użytkowników?

Michał Węglewicz: Dzięki byciu częścią grupy Secret Escapes mamy dostęp do tych samych, zaawansowanych narzędzi (Snowflake, Salesforce, płatna wersja Analytics). Dane są wystandaryzowane. Różnice wynikają głównie z rynków. Restrykcje prawne (Brexit vs UE) są odczuwalne, ale wdrożenia typu Consent Mode były podobne wszędzie. Zauważyliśmy jednak inną charakterystykę klienta – u nas brak akceptacji cookies to ok. 10-15%, na niektórych rynkach zachodnich sięga to 30-40%.

Istotną różnicą jest wrażliwość na cenę. Travelist to rynek polski, mocno rodzinny, wrażliwy cenowo (price sensitivity). Secret Escapes (Niemcy, UK) stawia na luksusowe doświadczenia („co zyskam za tę cenę”). Rynek reklamowy w UK jest też znacznie droższy – stawki potrafią być 3-4 razy wyższe. Dzielimy się insightami w ramach hubów analitycznych. Ciekawym przykładem był TikTok – koledzy z innego rynku zainspirowali nas do zniesienia barier contentowych i wejścia w ten kanał, co przyniosło świetne rezultaty, mimo że początkowo wydawało się trudne.

Sztuczna inteligencja w Travelist

Praktyczne zastosowanie modeli AI w e-commerce

Mariusz Michalczuk: Nie mogę nie zapytać o AI. W jakim zakresie wykorzystujecie sztuczną inteligencję?

Michał Węglewicz: Nasze modele probabilistyczne powstały na silnikach zbliżonych do GPT jeszcze zanim stało się to tak popularne. Obecnie, poza standardowym wykorzystaniem AI (analiza danych, kreacje), pracujemy nad sposobem dobierania najbardziej atrakcyjnego zdjęcia produktu (hotelu) dla użytkownika. Każdy obiekt ma mnóstwo zdjęć. Okazuje się kluczowe, które zdjęcie będzie tym „pierwszym”, które skupi uwagę. Wykorzystujemy dane behawioralne, by wprowadzić taką selekcję. Wcześniej robiliśmy to ręcznie (np. zmiana zdjęć na zimowe). Teraz AI pomaga nam zarządzać grafikami dla 800-1000 obiektów, co wpisuje się w domenę „Work Smarter”. AI pomaga też w inteligentnym sortowaniu ofert, co ma duży wpływ na konwersję.

Rady dla marketerów: Single Source of Truth i LTV

Mariusz Michalczuk: Zmierzając do końca, jakie masz rady dla osób z marketingu i e-commerce, aby popychać organizację do wykorzystania danych?

Michał Węglewicz: Podejście oparte o dane ma wiele plusów. Kluczowe jest doprowadzenie do sytuacji, w której mamy w organizacji jedno źródło prawdy (Single Source of Truth). Gdy wszyscy patrzą na te same, jakościowe dane, dyskusja staje się wartościowa, a argumenty oparte na liczbach są niepodważalne. Druga sprawa to zdefiniowanie kluczowych metryk. Nie można wpaść w pułapkę analizowania wszystkiego. Należy skupić się na kilku najważniejszych.

Poza Revenue, ROI czy EBIT, bardzo ważną, a często niedocenianą metryką jest Lifetime Value (LTV). Branża travel wygrywa wtedy, gdy użytkownik wraca. Inwestycja musi się zwrócić w czasie. Rekomenduję wdrożenie perspektywy LTV do codziennego raportowania. I na koniec – sztuka szukania synergii. Połączenie performance’u z CRM to ukryta wartość, gdzie można znaleźć dźwignie do skalowania i optymalizacji kosztowej.

Podsumowanie: Główne wnioski z rozmowy

Kluczowe lekcje dla analityków i marketerów

Rozmowa z Michałem Węglewiczem pokazuje ewolucję roli danych w nowoczesnym e-commerce. Przejście od prostych analiz do zaawansowanych modeli ekonometrycznych (MMM) pozwala firmom takim jak Travelist na podejmowanie trafniejszych decyzji inwestycyjnych, wykraczających poza ograniczenia atrybucji Last Click. Przykład influencer marketingu udowadnia, że działania budujące świadomość mogą być rentowne, jeśli są odpowiednio mierzone i optymalizowane.

Istotnym wątkiem jest synergia między działaniami płatnymi a CRM. Dzięki wykorzystaniu scoringu i modeli probabilistycznych, firma może oszczędzać budżet, nie wyświetlając reklam użytkownikom, którzy i tak by dokonali zakupu, oraz precyzyjniej targetować komunikaty. Wykorzystanie AI do automatyzacji doboru treści wizualnych to kolejny krok w stronę efektywności „Work Smarter”.

Główna rada dla organizacji to dążenie do posiadania jednego, wiarygodnego źródła danych oraz skupienie się na metrykach długoterminowych, takich jak Lifetime Value, zamiast wyłącznie na bieżącym zwrocie z inwestycji.

The post Dane w marketingu Travelist.pl – Michał Węglewicz – Date with Data Talks first appeared on Conversion.