Czego dowiesz się z tego wywiadu:

Od nauczyciela chemii do eksperta e-commerce

Analiza marży i budowanie świadomości marki

Cross-border: Jak dane weryfikują potencjał rynków

Lokalne pułapki: Case study Rumunii i kody pocztowe

Technologia, AI i porządkowanie danych

Podsumowanie: Główne wnioski z rozmowy

Od nauczyciela chemii do eksperta e-commerce

Początki w branży i rola edukacji w analityce

Mariusz Michalczuk: Cześć. Witajcie w kolejnym odcinku z serii podcastu Date with Data Talk, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj Waszym i moim gościem jest Piotr Kiljański. Cześć Piotrku, dzięki za przyjęcie zaproszenia. Jakbyś mógł trochę wprowadzić do swojej osoby, jak to się stało, że znalazłeś się w e-commerce i jesteś tu, gdzie teraz. Jak to wyglądało?

Piotr Kiljański: Cześć. Mam za sobą już prawie 20 lat kariery, a do e-commerce trafiłem mniej więcej 16 lat temu. Pracując w firmie, która teraz nazywa się Świat Książki, trafiłem do działu e-commerce i marketingu. Tak zaczęła się moja przygoda z tą częścią biznesu. Kiedyś moim planem było zostanie nauczycielem.

Mariusz Michalczuk: Ale powiedz czego?

Piotr Kiljański: Fizyka, chemia, informatyka. Maturę zdawałem na przykład z chemii. Wracając do e-commerce’u – łączenie danych z tym co ludzie oglądają i przełożenie im tego na bardzo prosty język daje dobre efekty. E-commerce jest właśnie takim połączeniem dużej ilości danych i przekazaniem tego do wielu zespołów. Musimy wiedzieć, co zrobić w danym momencie, żeby coś działało.

Mój background nauczycielski pozwolił mi wychodzić do ludzi i przekazywać tę wiedzę. Lubię uczyć, pokazywać zależności, bo zawsze widzę jak zapala się u kogoś lampka – “O kurczę, to rzeczywiście jest fajne, to działa”. Tak trafiłem do e-commerce’u. Przez kilka lat w Świecie Książki uczyłem się podstaw w trudnej branży multimedialnej. Później trafiłem do Strefy Tenisa. Od małego sklepu dotarliśmy do pozycji lidera na rynku polskim, a następnie wyprowadziłem markę na 15 rynków europejskich. Kiedyś wychodzenie za granicę nie było jeszcze takim trendem. Właściciele nie chcieli skalować się produktowo, więc postawiliśmy na ekspansję zagraniczną. Obecnie w tamtej firmie ponad 50% sprzedaży to zagranica.

Mariusz Michalczuk: Fajnie, czyli w porę uciekłeś od pułapki średniego rynku polskiego. Jak na przestrzeni czasu wyglądało wykorzystanie danych w tym e-commerce? Na co zwracaliście uwagę na początku, a co stało się istotne przy wyjściu na rynki zagraniczne?

Analiza marży i budowanie świadomości marki

Podstawy analityki w małym i dużym e-commerce

Piotr Kiljański: Mały sklep zawsze zbiera dane w jednym, kluczowym systemie – Google Analytics. Każdy powinien go mieć. Systemy sklepowe mają swoje moduły analityczne, ale nie są one tak szczegółowe. Do tego dochodzi Excel, gdzie łączymy dane z sieci z tym, co faktycznie sprzedaliśmy.

Kluczowa dla każdego e-commerce – małego czy dużego – jest marża. To biznes, który musi zarabiać. Musimy znać marżę początkową i wiedzieć, gdzie na poszczególnych etapach oddajemy jej kawałek. Liczy się każda złotówka. Jeśli nie mamy zewnętrznego finansowania i bootstrapujemy się z własnych środków, z miesiąca na miesiąc patrzymy na zysk i decydujemy, jaką jego część reinwestujemy w marketing.

Mariusz Michalczuk: Czyli liczyliście efektywność kanałów marketingowych biorąc pod uwagę marżę, a nie tylko przychód, jak to często bywa na rynku?

Piotr Kiljański: Tak. W tej chwili pracuję jako konsultant, ale schemat analizy jest podobny, niezależnie czy klient jest resellerem czy producentem. Kluczowe jest patrzenie na marżę i ocenę, która część działań marketingowych jest najbardziej efektywna. Musimy zdecydować, czy idziemy w działania krótkoterminowe (Ads, katalog), czy w budowanie świadomości marki (brand awareness). To drugie to pieniądze, których nie policzymy od razu jako przychód, ale budują zaufanie.

W Strefie Tenisa marka była już rozpoznawalna, ale zmiana strategii marketingowej pozwoliła nam zostać liderem. Wcześniej ciągle biliśmy się z konkurencją, powielając te same schematy. Trzeba po prostu zabudżetować środki na rozpoznawalność i nie oczekiwać natychmiastowego ROAS czy ROI. To inwestycja długoterminowa. Największym błędem jest obcinanie tego budżetu po miesiącu czy dwóch z niecierpliwości.

\

Cross-border: Jak dane weryfikują potencjał rynków

Weryfikacja rynków zagranicznych przed wejściem

Mariusz Michalczuk: Na początku wykorzystywaliście podstawowe dane, a potem zaczęliście wychodzić na rynki zagraniczne. Czy tam była totalna tabula rasa?

Piotr Kiljański: Często firmy przychodzą do mnie i mówią: „Wchodzimy na rynek niemiecki”. Pytam: dlaczego? „Bo wszyscy tam idą”. To nie jest analiza. Należy sprawdzić zapotrzebowanie na produkt, grupę docelową oraz konkurencję. Czy mamy szansę się przebić?

Mariusz Michalczuk: Opowiedz o źródłach danych na przykładzie Strefy Tenisa.

Piotr Kiljański: Sprzedając sprzęt tenisowy, musimy wiedzieć, ile jest kortów w danym kraju. W tenisa nie zagrasz na podwórku. Musieliśmy sprawdzić liczbę kortów, ich jakość, czy są to kluby czy obiekty jednostkowe, a następnie wyciągnąć dane o liczbie tenisistów ze związków i stowarzyszeń. Ostatnio robiłem podobną analizę dla rynku kosmetycznego – takie raporty istnieją, trzeba tylko do nich dotrzeć.

Mariusz Michalczuk: Czy coś oczywistego zostało obalone przez takie nieoczywiste dane? Na przykład Niemcy – duży kraj, ale potencjał mniejszy niż zakładano?

Piotr Kiljański: Dokładnie tak. Rynek niemiecki to często taki „hype”. Po pierwsze, internauci w Niemczech korzystają głównie z Zalando i Amazona, Google jest dopiero na trzecim miejscu. Ekspansja często musi iść przez marketplace’y, co jest kosztowne.

Ciekawa była korelacja między rynkiem niemieckim, czeskim i polskim. W Polsce mamy ok. 40 mln obywateli, w Czechach 10 mln, a kortów tenisowych jest tyle samo. Czesi są narodem bardzo sportowym. W Niemczech jest 80 mln obywateli i znacznie więcej kortów, ale działają one w systemie klubowym. Są droższe, prestiżowe, trudniej dostępne „z ulicy”. Te dane pokazują, że sama wielkość populacji nie przekłada się wprost na potencjał sprzedażowy.

Lokalne pułapki: Case study Rumunii i kody pocztowe

Dostosowanie sklepu do lokalnych przyzwyczajeń

Mariusz Michalczuk: Jak już wejdziecie na rynek, czy pojawiają się jakieś „smaczki” w danych, np. zachowania użytkowników?

Piotr Kiljański: W każdym kraju trzeba zrobić lokalizację, bo przyzwyczajenia zakupowe są odmienne. Na przykład Amazon jest dla Polaka nieintuicyjny, ale Niemiec czuje się tam świetnie. My musimy dostosować nasz sklep do lokalnego odbiorcy. Dane z narzędzi typu Hotjar są tu na wagę złota.

Kolejna kwestia to płatności. W Polsce dominuje BLIK, a płatność za pobraniem to przeżytek. Na rynkach Europy Wschodniej gotówka wciąż jest kluczowa. Właściciele sklepów boją się „pobrań” ze względu na ryzyko nieodebranych paczek, ale bez tego nie da się tam skalować.

Mieliśmy ciekawy przypadek w Rumunii związany z kodami pocztowymi. W Rumunii zmieniły się kody i obywatele ich po prostu nie znają. Duże lokalne brandy przyzwyczaiły klientów, że kod generuje się sam na podstawie adresu. My weszliśmy ze zwykłym formularzem, gdzie trzeba było wpisać kod. Klienci wpisywali „123456” albo zera. Kurierzy nie mogli dostarczyć przesyłek.

Mariusz Michalczuk: Jak to zdiagnozowaliście?

Piotr Kiljański: Zauważyliśmy ogromną liczbę zwrotów z powodem „brak adresu”. Aż 46% zamówień za pobraniem wracało do nas! Po wdrożeniu walidacji i autouzupełniania kodu w koszyku, ten wskaźnik spadł do 12%. Przy dużej skali to ogromna różnica w kosztach. Nasz lokalny partner o tym nie wspomniał, bo dla niego to, że kod generuje się sam, było oczywistością.

Technologia, AI i porządkowanie danych

Wybór platformy i rola „jednego źródła prawdy”

Mariusz Michalczuk: Zmienialiście technologię przed ekspansją. Czy brałeś pod uwagę to, jakie dane będzie ona umożliwiała?

Piotr Kiljański: Analityka jest często traktowana jak księgowość – musi być, ale to przykry obowiązek. Wybierając platformę, trzeba brać pod uwagę łatwość podpięcia analityki. Dla Strefy Tenisa wybraliśmy Shopware, który daje świetne możliwości rozwoju i analizy.

Dla mniejszych klientów kluczowe jest, by dobrze działał Google Analytics i UTM-y. Stworzyłem nawet prosty generator UTM dla klientów, żeby działy marketingu mogły łatwo tworzyć linki na mobile, zamiast gubić się w Excelach. Dla dużych graczy standardem staje się Server-Side i zbieranie danych w BigQuery.

Mariusz Michalczuk: A co z AI? Czy wykorzystujesz sztuczną inteligencję w procesach?

Piotr Kiljański: AI świetnie wspiera procesy kreatywne, przyspiesza tworzenie kampanii czy research prawny na nowych rynkach. Jednak w twardej analityce ilościowej wciąż ważniejsze jest łączenie systemów i konsolidacja danych. Firmy mają często pięć różnych systemów, ale brakuje im jednego „core’u”, jednego źródła prawdy. Budowanie konektorów, czyszczenie i mapowanie danych to obecnie większe wyzwanie niż sama analiza przez AI.

Podsumowanie: Główne wnioski z rozmowy

Strategia oparta na danych i lokalizacja

Rozmowa z Piotrem Kiljańskim pokazuje, że sukces w e-commerce, zwłaszcza przy ekspansji zagranicznej, nie opiera się na intuicji czy podążaniu za tłumem, ale na chłodnej analizie danych. Historia transformacji od nauczyciela do stratega podkreśla, że kluczową umiejętnością analityka jest zdolność przekładania skomplikowanych liczb na decyzje biznesowe.

Najważniejszą lekcją jest konieczność głębokiego researchu przed wejściem na nowy rynek (case study liczby kortów tenisowych) oraz pokora wobec lokalnych przyzwyczajeń. Przykład Rumunii i problemów z kodami pocztowymi dobitnie pokazuje, że techniczne detale mogą zadecydować o rentowności całego przedsięwzięcia. Bez względu na to, czy firma korzysta z zaawansowanych systemów BigQuery, czy prostych arkuszy Excel, fundamentem pozostaje dbałość o marżę i jakość zbieranych danych.

The post Jakie dane wykorzystać w cross-border – Piotr Kiljański – Date with Data Talks first appeared on Conversion.

Jak przekonać zespół kreatywny i marketingowy do danych?
Podejście do danych w małych i dużych markach
Mentalne bariery w codziennej pracy z danymi
Jakie nawyki wdrożyć, aby decyzje oparte na danych stały się standardem?
Idealna struktura zespołu analitycznego w marce fashion
Jak skutecznie łączyć dane jakościowe z ilościowymi?
Jakie metryki są przydatne dla zespołów kreatywnych?
Podsumowanie

W artykule opisuję, jak przekonać zespoły kreatywne do pracy z danymi, jak łączyć analitykę z intuicją oraz jakie nawyki wprowadzać, aby decyzje oparte na danych stały się codziennością w organizacji. Tekst powstał w ramach partnerstwa z Niebieskim Lisem, podczas konferencji Fashion.pl, w której Conversion brało udział. Podczas konferencji Fashion.pl zorganizowaliśmy wystąpienie poświęcone automatyzacji marketingu, a szczególnie automatyzacji feedów produktowych z wykorzystaniem danych w branży Fashion. W ramach partnerstwa przeprowadziliśmy również wywiad na temat wykorzystania danych online w tej branży.

Jak przekonać zespół kreatywny i marketingowy do danych?

Pierwszym krokiem w budowaniu kultury organizacyjnej opartej na danych jest otwartość na naukę na błędach. Organizacje często unikają popełniania błędów, a pracownicy nie czują się komfortowo w sytuacjach, gdy do nich dochodzi, zwłaszcza jeśli organizacja nie akceptuje procesu uczenia się na własnych doświadczeniach. Intuicja w biznesie często opiera się na utartych schematach – robimy to, co sprawdziło się do tej pory lub powielamy rozwiązania, o których słyszeliśmy na branżowych konferencjach. Takie podejście pozwala poczuć się bezpiecznie, szczególnie gdy wyniki nie przynoszą oczekiwanych rezultatów. Łatwo wtedy usprawiedliwić się, że działaliśmy jak zawsze lub podążaliśmy za sprawdzonymi przykładami innych firm.

Otwartość organizacji na kwestionowanie status quo tworzy przestrzeń dla danych i eksperymentów, które zawsze powinny opierać się na rzetelnej analizie. Zespół marketingu, mając wsparcie w danych, może wprowadzać innowacje i testować nowe rozwiązania. Brak eksperymentowania prowadzi do stagnacji – powielanie tych samych działań, co konkurencja lub własne dotychczasowe praktyki, pozwala co najwyżej rosnąć razem z rynkiem. W dłuższej perspektywie trudno w ten sposób wyprzedzić konkurencję.

Moda to branża, która opiera się na emocjach. Ważne staje się połączenie wyczucia trendów i budowania określonego wizerunku marki z analityką internetową. Odpowiednie wykorzystanie danych pozwala lepiej zrozumieć potrzeby klientów i skuteczniej reagować na zmieniające się trendy, jednocześnie dbając o spójność komunikacji marki. Dzięki temu możliwe jest zarówno budowanie silnych emocji wokół produktu, jak i podejmowanie świadomych, opartych na danych decyzji marketingowych. Z perspektywy strategii biznesowej marketing pełni rolę przekaźnika emocji, a analityka wspiera efektywne dostarczanie tych emocji do odbiorców. Można to porównać do motoryzacji – auto umożliwia przemieszczanie się z punktu A do punktu B, podobnie jak marketing pozwala dotrzeć do klientów. Analityka pełni funkcję nawigacji i znaków drogowych, które pomagają podejmować właściwe decyzje oraz optymalizować trasę.

Sprawność w analizowaniu danych i wykorzystywaniu wskazówek analitycznych przekłada się na szybkość i skuteczność osiągania celów marketingowych. Dane to paliwo, które napędza działania marketingowe. Oczywiście można działać na oślep lub wzorować się na innych, jednak świadome korzystanie z danych i analityki pozwala skuteczniej budować przewagę konkurencyjną.

Podejście do danych w małych i dużych markach

Conversion współpracowało z wieloma różnorodnymi markami, dostarczając rozwiązania analityczne wspierające realizację ich celów biznesowych. Duże i małe marki znacząco różnią się w podejściu do danych. W mniejszych organizacjach dane, jeśli w ogóle są zbierane, najczęściej służą do raportowania przeszłych kampanii. Analiza ogranicza się zwykle do podsumowania działań marketingowych, bez wyciągania wniosków, które mogłyby realnie wpłynąć na rozwój firmy lub poprawę realizacji KPI. Brakuje zasobów i kompetencji analitycznych, przez co raporty marketingowe pozostają jedynie zestawieniem liczb, bez przełożenia na konkretne decyzje biznesowe.

W takich przypadkach analiza danych nie prowadzi do żadnych zmian, a firma nie ma szans na poprawę wyników, jeśli stale powtarza te same działania. Warto pamiętać, że raportowanie powinno przynosić konkretne wnioski i rekomendacje, które pomogą osiągać cele biznesowe.

Częstym wyzwaniem w małych organizacjach jest również nadmiar danych. Wiele narzędzi generuje ogromne ilości informacji, co może prowadzić do zagubienia i braku jasności, na które wskaźniki faktycznie warto zwrócić uwagę. Zamiast skupiać się na konkretnych KPI, organizacje często próbują analizować wszystko naraz, co utrudnia wyciąganie praktycznych wniosków i skuteczne działanie. W pracy z danymi warto sięgnąć po sprawdzone metodyki wspierające analizę, takie jak KPI tree, którą wykorzystujemy u naszych klientów.

Mentalne bariery w codziennej pracy z danymi

Jednym z najczęstszych wyzwań związanych z codzienną pracą na danych są mentalne bariery. W społeczeństwie często panuje przekonanie, że matematyka jest trudna. Wielu ludzi deklaruje się jako humaniści, mając negatywne doświadczenia z nauką matematyki w czasach szkolnych. To przekłada się na niechęć do pracy z liczbami i danymi także w środowisku biznesowym. Pokonanie tych barier wymaga zmiany sposobu myślenia i oswojenia się z analityką – zarówno poprzez edukację, jak i stopniowe wdrażanie narzędzi analitycznych do codziennej pracy. W biznesie często unika się liczb i raportów, traktując je głównie jako narzędzie do podsumowania przeszłych wydarzeń. Tymczasem każdy z nas na co dzień zachowuje się jak analityk – porównując ceny produktów w sklepie czy analizując umowę kredytową przed podpisaniem. W firmach to liderzy powinni przełamywać schemat unikania danych i dawać przykład otwartości na eksperymentowanie oraz wyciąganie wniosków z błędów. Osoby zarządzające powinny regularnie odwoływać się do danych i zadawać pytanie: „Co wynika z danych w tej sprawie?”

Jakie nawyki wdrożyć, aby decyzje oparte na danych stały się standardem?

Kluczowym krokiem jest systematyczne pytanie o to, co mówią dane na temat planowanych działań. Zespoły kreatywne często kierują się aktualnymi trendami lub inspiracjami płynącymi z działań konkurencji czy prezentacji na konferencjach. Warto jednak pamiętać, że nie zawsze „brzydki” oznacza „nieefektywny”, a „niemodny” nie równa się „nieskuteczny”. Decyzje powinny być podejmowane na podstawie konkretnej analizy, a nie wyłącznie pod wpływem trendów. Wizerunek i design odgrywają istotną rolę w budowaniu marki, jednak nie przekładają się bezpośrednio na wyniki finansowe. Kluczowym nawykiem podczas wprowadzania zmian w marketingu, technologii czy produktach cyfrowych jest zadawanie pytania: co mówią dane? Przed wdrożeniem nowego pomysłu warto sprawdzić, czy dane rzeczywiście wskazują na potrzebę zmiany. Analiza danych pozwala sprawdzić, czy dany element faktycznie nie działa. Czasem analiza potwierdzi słuszność decyzji, ale często pozwala uniknąć błędu polegającego na wymianie działającego rozwiązania na słabsze.

W kontekście designu łatwo wpaść w pułapkę ciągłych zmian, licząc na poprawę efektów. Jednak z perspektywy efektywności, nowa wersja może okazać się mniej skuteczna niż poprzednia.

Idealna struktura zespołu analitycznego w marce fashion

Kluczowe jest wyodrębnienie kompetencji analitycznych. W zespole powinien znaleźć się analityk odpowiedzialny za zapewnienie wysokiej jakości danych i stałe dbanie o ich aktualność oraz przydatność w codziennej pracy. Dbałość o dostępność danych dla wszystkich zainteresowanych w firmie pozwala szybko odpowiadać na konkretne pytania biznesowe. W praktyce trudno połączyć wszystkie niezbędne kompetencje – technologiczne, analityczne i biznesowe – w jednej osobie. W dużych organizacjach zwykle odpowiada za to kilka osób. Są to specjaliści odpowiedzialni za zapewnienie, utrzymanie i aktywację danych, a także budowanie świadomości oraz know-how w organizacji.

W przypadku mniejszych firm kluczowym krokiem jest zapewnienie wysokiej jakości danych. Na tym etapie nie warto oszczędzać, ponieważ dane pełnią rolę swoistego ubezpieczenia. Nawet jeśli nie są wykorzystywane na bieżąco, w sytuacji kryzysowej lub nagłej potrzeby lepiej dysponować solidnymi, dobrze zebranymi informacjami. Współpraca z zewnętrznym partnerem technologicznym, który posiada kompetencje w zakresie technologii i znajomość odpowiednich narzędzi, to dobre rozwiązanie. Zostawienie tematu wyłącznie działowi IT często nie przynosi oczekiwanych rezultatów, ponieważ zazwyczaj brakuje tam specjalistycznej wiedzy w zakresie analityki internetowej. W efekcie, po pewnym czasie okazuje się, że jakość danych wymaga znacznej poprawy, a naprawa błędów bywa już trudna lub kosztowna.

Kolejnym ważnym elementem jest przełamywanie barier mentalnych w korzystaniu z danych. Kluczowe staje się zadawanie pytań, co mówią dane na temat konkretnego zagadnienia. Każdy z nas, podejmując decyzje, wykorzystuje dane – wystarczy zacząć świadomie analizować dostępne informacje, szczególnie gdy chcemy rozwiązać problem lub wprowadzić zmiany.

Połączenie wysokiej jakości danych z otwartością organizacji na liczby i analitykę stanowi solidny fundament do rozwoju. Trzeci krok to zatrudnienie osoby odpowiedzialnej za analizę danych, nawet w niepełnym wymiarze etatu. Dzięki temu, gdy pojawi się potrzeba przeprowadzenia szczegółowych analiz, w firmie będzie osoba, do której można się zwrócić. Pozwala to na wykorzystanie potencjału danych w codziennym funkcjonowaniu organizacji. Aby w pełni wykorzystać potencjał analityki internetowej w firmie, kluczowe są trzy elementy: wysokiej jakości dane, świadomość danych w organizacji oraz osoba z odpowiednimi kompetencjami, która potrafi przełożyć te dane na konkretne odpowiedzi biznesowe. Współpraca z partnerem technologicznym, który dba o jakość danych i wspiera ich rozwój, pozwala uzyskać najlepszy stosunek wartości danych do ponoszonych kosztów. W praktyce oznacza to zaangażowanie przynajmniej jednej osoby, nawet na część etatu, odpowiedzialnej za analizę oraz utrzymanie współpracy z partnerem technologicznym, który nie tylko wprowadza nowe dane, ale także zapewnia ich wysoką jakość.

Jak skutecznie łączyć dane jakościowe z ilościowymi?

Dane ilościowe zwykle stanowią punkt wyjścia w analizie i warto je wykorzystywać w pierwszej kolejności. Przemawia za tym kilka powodów. Po pierwsze, pozwalają zidentyfikować obszary wymagające głębszego zrozumienia lub interwencji. Po drugie, stanowią solidną podstawę do dalszych analiz jakościowych, które dostarczają kontekstu i pomagają lepiej zrozumieć zachowania użytkowników. Integracja obu typów danych umożliwia podejmowanie trafniejszych decyzji biznesowych i skuteczniejsze zarządzanie doświadczeniem klientów. Dane ilościowe są tańsze zarówno na etapie zbierania, dzięki bezpłatnym narzędziom takim jak Google Analytics 4, jak i podczas późniejszej analizy. Łatwiej jest zinterpretować wyniki przedstawione w tabelach niż analizować dziesiątki badań użyteczności i wyciągać z nich wnioski. To pierwszy powód, dla którego warto korzystać z danych ilościowych.

Kolejną zaletą jest to, że dane ilościowe pełnią funkcję zwiadu – wskazują, który element w firmie, organizacji, marketingu lub e-commerce nie działa prawidłowo. Gdy wiadomo, gdzie pojawia się problem, można skierować działania jakościowe w konkretne miejsce, co daje podwójną korzyść.

Przykładem mogą być badania ankietowe przeprowadzone wśród klientów. Dane ilościowe pozwalają zidentyfikować wąskie gardła w biznesie, produkcie czy e-commerce. Przykładem może być niski procent przejść z karty produktu do koszyka lub niski odsetek dokonanych transakcji. Analizując dane ilościowe, można szybko zauważyć, gdzie pojawia się problem. Następnie warto zapytać klientów, co według nich nie działa na danym etapie, na przykład na karcie produktu. Odpowiedzi klientów dostarczają informacji jakościowych, które wyjaśniają, dlaczego występują określone trudności.

Dane ilościowe wskazują, co nie działa, natomiast dane jakościowe wyjaśniają, dlaczego pojawiają się konkretne problemy. Auroria, firma prowadzona przez Oliwię Simińską, w dużym stopniu opiera się na analizie danych jakościowych, uzupełniając je danymi ilościowymi. Dzięki takiemu podejściu firma w 2025 roku planuje ponad dwukrotny wzrost.

Przykładem sytuacji, w której intuicja kreatywna została zweryfikowana danymi, może być przypadek, gdy zespół kreatywny postanowił zmienić układ strony głównej sklepu internetowego, opierając się na swoim doświadczeniu i wyczuciu. Po wprowadzeniu zmian przeprowadzono testy A/B, które wykazały, że nowa wersja strony generuje wyższy współczynnik konwersji. Analiza danych potwierdziła słuszność decyzji, a zmiany okazały się korzystne.

Należy zaznaczyć, że dane ilościowe pokazują, czy coś działa lub nie, ale nie wskazują, jak dokładnie należy to poprawić. Dane jakościowe mogą wyjaśnić, dlaczego dany element nie funkcjonuje prawidłowo. Jednak to do zespołu zarządzającego należy decyzja, w jaki sposób wdrożyć zmiany. Rekomendacje zawsze pochodzą od ludzi – mogą wynikać z intuicji, doświadczenia lub znajomości trendów i heurystyk dostępnych na rynku. Dane i intuicja nie wykluczają się, lecz wzajemnie uzupełniają w procesie podejmowania decyzji. Problem z poleganiem na intuicji pojawia się wtedy, gdy staje się ona impulsem do wprowadzenia zmian. Często zdarza się, że ktoś uczestniczy w konferencji, słyszy o nowym trendzie w designie i decyduje się na redesign e-commerce, czyli całkowite przeprojektowanie i wdrożenie nowego frontendu serwisu. W takiej sytuacji to właśnie intuicja jest głównym motywatorem decyzji.

Z mojego doświadczenia wynika, że widziałem zaledwie dwa przypadki redesignu, które nie pogorszyły współczynnika konwersji lub efektywności serwisu w porównaniu do wersji sprzed zmian. Najwięksi gracze, tacy jak Amazon, unikają dużych redesignów. Zamiast tego wprowadzają zmiany metodą małych kroków. Analizują dane, identyfikują wąskie gardła i stopniowo je usprawniają. Amazon rozwijał swój serwis przez lata, konsekwentnie stosując ewolucyjne podejście opierające się na drobnych, przemyślanych modyfikacjach, a nie na rewolucyjnych zmianach. Skalowanie kultury podejmowania decyzji opartych na danych w organizacji wymaga zaangażowania najwyższego szczebla, zarówno struktur zarządczych, menedżerskich, jak i C-level. Kultura data-driven musi być wspierana przez liderów, którzy swoim przykładem promują korzystanie z danych w codziennych działaniach. Przykład bazowania decyzji na danych powinien wychodzić z góry i przenikać całą organizację.

Kluczowe znaczenie ma otwartość na eksperymentowanie oraz akceptacja popełniania błędów. W całej organizacji warto rozwijać ciekawość i zachęcać do zadawania pytań, takich jak: „co dane mówią na ten temat?”. Budowanie takiej kultury to proces długofalowy, który zajmuje miesiące, a często nawet lata. Wdrożenie podejścia data-driven to decyzja strategiczna, której efekty pojawiają się stopniowo.

Jakie metryki są przydatne dla zespołów kreatywnych?

W e-commerce fashion najbardziej przydatne dla kreatywnych zespołów są metryki powiązane bezpośrednio z celami finansowymi firmy. Monitorowanie wskaźników, które mają realny wpływ na wyniki finansowe, pozwala podejmować trafniejsze decyzje oraz efektywnie zarządzać rozwojem marki. Metryki, które analizuje zespół kreatywny, powinny odnosić się do obszarów, na które rzeczywiście ma wpływ. Przykładem może być kampania Display, czyli banery wyświetlane na różnych platformach w internecie. W przypadku takiej kampanii ścieżka użytkownika obejmuje kolejne kroki: załadowanie baneru, zobaczenie reklamy, kliknięcie w baner, załadowanie strony docelowej, zaangażowanie na stronie, przejście na kartę produktu, dodanie produktu do koszyka, wejście do checkoutu i finalizację transakcji.

Każdy zespół marketingowy powinien określić, do którego etapu ścieżki użytkownika odpowiada za działania i wyniki. W przypadku zespołu kreatywnego odpowiedzialność najczęściej kończy się na stronie docelowej. Oznacza to, że zespół ten analizuje nie tylko metryki mediowe, takie jak CTR danej kreacji, ale również poziom zaangażowania użytkownika na stronie docelowej po kliknięciu w reklamę.

Warto pamiętać, że skuteczność działań zależy nie tylko od dopasowania reklamy do strony usługowej, ale także od samego produktu i wielu innych czynników. Odpowiedzialność zespołu kreatywnego kończy się zazwyczaj na etapie wejścia użytkownika na stronę docelową i jego pierwszych interakcji. Kolejne kroki, takie jak dodanie produktu do koszyka czy przejście przez checkout, znajdują się już w gestii innych zespołów w organizacji.

Podsumowanie

Przy rozpoczynaniu pracy z danymi w branży fashion, a także w każdym innym e-commerce, kluczowe znaczenie ma jakość danych. Zasada GIGO (Garbage In, Garbage Out) przypomina, że tylko dobrze zebrane i uporządkowane dane pozwolą uzyskać wartościowe wnioski i rekomendacje. Pierwszym krokiem powinno być więc zapewnienie wysokiej jakości danych.

Warto zadbać o poprawną konfigurację narzędzi do zbierania danych, zwłaszcza Google Analytics 4. W kontekście działań marketingowych niezbędne jest również systematyczne i przemyślane tagowanie wszystkich kampanii marketingowych za pomocą parametrów UTM. Dzięki temu analiza skuteczności działań reklamowych będzie bardziej precyzyjna.

Podsumowując, te wskazówki są uniwersalne i dotyczą każdego e-commerce oraz biznesu działającego online. Dbanie o jakość danych i odpowiednią konfigurację narzędzi analitycznych pozwala skutecznie rozwijać firmę w oparciu o wiarygodne informacje. Pomożemy lepiej zrozumieć i właściwie wykorzystać dane online.

The post Jak zbudować kulturę data-driven w e-commerce fashion? first appeared on Conversion.

W tym artykule omówiono, czym są testy A/B, dlaczego mają znaczenie oraz jak je przeprowadzać. Przedstawione zostaną również narzędzia wspierające testowanie i analiza wyników. Na zakończenie znajdziesz odpowiedzi na najczęściej zadawane pytania dotyczące optymalizacji współczynnika konwersji. W analizie danych online kluczowe jest nie tylko ich zbieranie, ale także właściwa interpretacja i skuteczne wykorzystanie w biznesie. W tym artykule przedstawiona zostanie struktura procesu analizy oraz porównanie narzędzi do testów A/B.

Osoby zainteresowane konkretnymi zagadnieniami, takimi jak porównanie narzędzi do testów A/B, mogą skorzystać z nawigacji lub spisu treści. W artykule pojawią się również odniesienia do innych materiałów, których pełna lista wraz z linkami znajduje się na końcu wpisu. Wprowadzanie małych zmian w serwisach e-commerce może przynieść znaczące korzyści. Przykładem jest historia dużego e-commerce z branży fashion, który zbudował silną markę i bazę lojalnych klientów.

Wprowadzenie
Testy A/B – Podstawa analizy konwersji
Małe zmiany vs redesign
Sezonowość i analiza wyników
Jak AI napędzana autoadaptacją zmienia przyszłość testów A/B?
Rodzaje testów
Jakie narzędzia wykorzystać do testów A/B?
Testy AA i AB – jak działają i jakie korzyści przynoszą?
Korzyści z testów A/B w serwisie internetowym
Podsumowanie

Wprowadzenie

Analiza współczynnika konwersji w serwisach e-commerce często prowadzi do błędnych wniosków. Zmiany w danych mogą wynikać z wielu czynników, które niekoniecznie są związane z samą stroną internetową. Jak zatem sprawdzić, czy wprowadzone modyfikacje rzeczywiście wpływają na współczynnik konwersji? Kluczową metodą są testy A/B.

W tym artykule omówiono, czym są testy A/B, dlaczego mają znaczenie oraz jak je przeprowadzać. Przedstawione zostaną również narzędzia wspierające testowanie i analiza wyników. Na zakończenie znajdziesz odpowiedzi na najczęściej zadawane pytania dotyczące optymalizacji współczynnika konwersji. W analizie danych online kluczowe jest nie tylko ich zbieranie, ale także właściwa interpretacja i skuteczne wykorzystanie w biznesie. W tym artykule przedstawiona zostanie struktura procesu analizy oraz porównanie narzędzi do testów A/B.

Osoby zainteresowane konkretnymi zagadnieniami, takimi jak porównanie narzędzi do testów A/B, mogą skorzystać z nawigacji lub spisu treści. W artykule pojawią się również odniesienia do innych materiałów, których pełna lista wraz z linkami znajduje się na końcu wpisu. Wprowadzanie małych zmian w serwisach e-commerce może przynieść znaczące korzyści. Przykładem jest historia dużego e-commerce z branży fashion, który zbudował silną markę i bazę lojalnych klientów.

Testy A/B – Podstawa analizy konwersji

Testy A/B są wykorzystywane do sprawdzania skuteczności zmian wprowadzanych na stronie internetowej. Użytkownicy odwiedzający serwis są losowo dzieleni na dwie grupy: kontrolną (wersja A), w której nic się nie zmienia, oraz testową (wersja B), w której wprowadzane są modyfikacje podlegające analizie. Każdy użytkownik, który trafi do jednej z tych grup, zostaje przypisany do konkretnej wersji za pomocą plików cookie. Dzięki temu, jeśli wróci na stronę w trakcie trwania testu, zobaczy tę samą wersję, co wcześniej.

Dla obu grup rejestrowane są kluczowe metryki, w szczególności współczynnik konwersji, który jest głównym wskaźnikiem skuteczności zmian. Analiza wyników testu A/B pozwala określić, która wersja lepiej wpływa na użytkowników. Ponieważ zarówno wersja A, jak i wersja B funkcjonują w tych samych warunkach, podejście to opiera się na zasadzie ceteris paribus – przy założeniu, że wszystkie inne czynniki pozostają bez zmian. Wszystkie pozostałe elementy, takie jak kampanie marketingowe, pozostają identyczne we wszystkich wersjach. Jedyną różnicą jest testowana zmiana.

Małe zmiany vs redesign

Właściciele firmy przez lata rozwijali biznes, opierając go na stałych klientach. Podczas jednej z konferencji jeden z właścicieli usłyszał o nowych trendach w projektowaniu stron internetowych. Po wydarzeniu uznał, że konieczny jest redesign serwisu.

Firma i tak planowała migrację na Magento, dlatego zdecydowano, że przy tej okazji zostanie przeprowadzony pełny redesign sklepu. Założeniem było zwiększenie współczynnika konwersji o 15%. Założono, że projekt potrwa 8 miesięcy, a jego budżet wyniesie 850 tys. zł. W praktyce przebiegł inaczej. Na początku współczynnik konwersji spadł z 2,3% do 1,2% i utrzymywał się na tym poziomie przez kilka dni. Z czasem zaczął rosnąć, ale dopiero po kilku miesiącach wrócił do wartości wyjściowej.

Projekt zakończył się po 14 miesiącach zamiast planowanych 8, a budżet został znacznie przekroczony, osiągając 1 150 000 zł. Czy można uznać to za sukces? Zdecydowanie nie. Redesign rzadko kończy się sukcesem, ponieważ to rewolucyjna zmiana, a użytkownicy zazwyczaj nie lubią radykalnych modyfikacji. Lepszym podejściem do rozwoju serwisu jest wdrażanie małych zmian. Taką strategię stosował przez lata Amazon, uznawany w branży za pioniera prawidłowego podejścia do rozwoju serwisów internetowych.

Charakterystyczną cechą tego podejścia jest wprowadzanie i testowanie wielu drobnych zmian. Zanim jakakolwiek modyfikacja zostanie wdrożona, przechodzi przez testy. Można je określić jako podejście ewolucyjne, w przeciwieństwie do rewolucyjnego.

Takie działanie ma wiele zalet. Przede wszystkim pozwala na pełną kontrolę nad wprowadzanymi zmianami i precyzyjne ulepszanie konkretnych elementów serwisu. Małe zmiany ułatwiają identyfikację, które rozwiązania działają na użytkowników, a które nie. Dodatkowo umożliwiają kontrolowanie i izolowanie wpływu innych zmiennych, które mogą jednocześnie oddziaływać na skuteczność testowanego elementu. Drugim powodem jest szybkość wdrożenia i analizy. Małe zmiany można wprowadzać znacznie szybciej, podczas gdy duże projekty trwają miesiącami, często przekraczając terminy i budżety. Krótszy czas trwania testu pozwala na szybsze gromadzenie danych i wyciąganie wniosków, co zwiększa elastyczność i umożliwia sprawniejsze wprowadzanie poprawek.

Po trzecie, wdrażanie małych zmian minimalizuje ryzyko. Jeśli rekomendacja okaże się nietrafiona, można ją przetestować na ograniczonej grupie użytkowników, a następnie poprawić lub całkowicie wycofać. Dzięki temu nie ponosi się wysokich kosztów alternatywnych, które mogłyby wystąpić przy wdrażaniu dużych zmian.

Mniejsze zmiany ułatwiają również zarządzanie zasobami. Krótszy czas wdrożenia oznacza mniejsze zaangażowanie zespołu i niższe nakłady pracy. Wiele z tych modyfikacji można przeprowadzić za pomocą edytorów typu WYSIWYG (What You See Is What You Get), które są dostępne w większości narzędzi do testów A/B. Dzięki nim można samodzielnie testować różne elementy strony bez konieczności angażowania zespołu deweloperskiego.

Ostatecznie, podejście to wspiera proces ciągłego doskonalenia. Regularne wprowadzanie drobnych zmian pozwala na większą elastyczność i szybsze reagowanie na potrzeby użytkowników.

Sezonowość i analiza wyników

Sklepy internetowe często doświadczają znaczących wahań sprzedaży w zależności od pory roku. Pierwszy ciepły weekend nie zawsze oznacza wzrost przychodów, a zmiany wprowadzone poza sezonem mogą prowadzić do błędnych wniosków dotyczących ich skuteczności.

Przykładowo, jeśli sklep rowerowy wdraża zmiany zimą i porównuje wyniki sprzedaży po nadejściu wiosny, wzrost współczynnika konwersji może wynikać nie tyle z wprowadzonych usprawnień, co z naturalnego sezonowego wzrostu zainteresowania rowerami.

Poniżej przedstawione są dwa wykresy z Universal Analytics. Pierwszy z nich porównuje listopad z grudniem, kiedy w serwisie nie wprowadzono żadnych zmian. Wzrost współczynnika konwersji wyniósł 69%, co wynikało z sezonowego zwiększenia aktywności zakupowej przed świętami. Drugi wykres pokazuje ten sam okres rok do roku, gdzie wzrost wyniósł 26%, mimo że w serwisie nie dokonano żadnych modyfikacji.

Aby eliminować wpływ czynników zewnętrznych na ocenę skuteczności zmian w serwisie, stosuje się testy A/B. Pozwalają one na rzetelną analizę wpływu nowych rozwiązań na wyniki sprzedaży.

Jak AI napędzana autoadaptacją zmienia przyszłość testów A/B?

Nowe narzędzia eksperymentalne z 2025 roku pokazują, że wartość testów A/B rośnie, gdy dodamy do nich AI. Algorytmy potrafią dziś generować warianty, automatycznie dobierać grupy użytkowników oraz dynamicznie alokować ruch – co przyspiesza testy i zwiększa ich skuteczność.

Autoadaptacyjne testy i uczenie się z wielu eksperymentów jednocześnie

Nowe ramy badawcze – jak zaproponowany w 2025 AgentA/B – pozwalają symulować zachowania użytkowników za pomocą modeli LLM, co umożliwia testy nawet bez realnego ruchu. Dzięki temu małe serwisy czy aplikacje o niskim ruchu mogą testować więcej wariantów szybciej i taniej – adaptując interfejs w locie.

Rodzaje testów

Podstawową metodą są testy A/B, w których jedna wersja serwisu pozostaje niezmieniona (wersja kontrolna), a druga zawiera testowaną modyfikację. Można również rozszerzyć testy o kolejne warianty, oznaczając je literami C, D itd.

Innym podejściem są testy multiwariacyjne, w których analizowane są różne sekcje serwisu. Każda sekcja może mieć kilka wariantów, a ich kombinacja pozwala na dokładniejsze określenie, które zmiany mają największy wpływ na konwersję.

Dzięki testowaniu możliwe jest podejmowanie lepiej uzasadnionych decyzji opartych na danych, zamiast na sezonowych wahaniach sprzedaży. Testy multiwariacyjne są rzadziej stosowane, częściej pojawiają się na landing page’ach z dużym ruchem kampanijnym. Wymagają one znacznej liczby użytkowników, ponieważ im więcej wersji alternatywnych, tym większa próba jest potrzebna do uzyskania wiarygodnych wyników.

Istnieją również testy ścieżki, w których analizowana jest cała sekwencja działań użytkownika. Na przykład, jeśli testowany jest cały proces checkout, losowanie wersji odbywa się na poziomie wejścia do koszyka. Wówczas jedna ścieżka obejmuje oryginalny zestaw adresów URL, a druga – wersję testową.

Wyróżnia się testy client-side i server-side. W testach client-side informacja o wersji, którą użytkownik otrzymał, jest zapisywana w ciasteczku. Może jednak zobaczyć inną wersję, jeśli wyczyści pliki cookie lub zmieni urządzenie. To potencjalna wada tego podejścia, choć jej wpływ jest ograniczony, ponieważ testy powinny trwać przez określony czas, a liczba użytkowników zmieniających urządzenie lub czyszczących ciasteczka w trakcie testu jest niewielka.

Testy server-side pozwalają na zapisanie wersji testu w bazie danych, co jest szczególnie przydatne w serwisach wymagających logowania. Dzięki temu użytkownik, który musi się zalogować, zawsze widzi tę samą wersję, którą otrzymał na początku testu.

Losowy przydział wersji eliminuje wpływ wszystkich czynników poza tym, który jest testowany, co zapewnia rzetelność wyników. Aby skutecznie ocenić, czy wprowadzane zmiany działają, warto testować pojedyncze modyfikacje. Przy niewielkim ruchu w serwisie jedna zmiana może jednak nie przynieść wystarczającej różnicy, by określić jej statystyczną istotność.

Jakie narzędzia wykorzystać do testów A/B?

Dawniej Google oferowało kilka narzędzi do testów A/B. Początkowo był to Google Website Optimizer, później eksperymenty Content Experiment w Google Analytics. Przez pewien czas brakowało dedykowanego rozwiązania, aż pojawił się Google Optimize. Jednak około 2,5 roku temu został on całkowicie wycofany, co oznacza, że obecnie Google nie oferuje darmowego narzędzia do testów A/B.

Obecnie na rynku dostępnych jest ponad 100 narzędzi do testów A/B. Najpopularniejsze, z których korzystają nasi klienci, to Visual Website Optimizer, Optimizely, AB Tasty i Convert.

Przygotowaliśmy porównanie tych narzędzi. Link do zestawienia znajduje się w opisie – aby uzyskać dostęp, wystarczy podać adres e-mail. W zestawieniu omówiono funkcje poszczególnych narzędzi, co ułatwia wybór najlepszego rozwiązania. Aby oszacować koszt narzędzia w zależności od ruchu na stronie, można skorzystać z kalkulatora. Zmiana średniej liczby użytkowników potrzebnych do jednego testu pozwala określić miesięczne obciążenie finansowe związane z danym narzędziem. Dodatkowo w zakładkach znajdują się wyjaśnienia poszczególnych elementów porównania, co ułatwia podjęcie decyzji o wyborze odpowiedniego rozwiązania.

Warto jednak zaznaczyć, że wybór narzędzia to drugorzędna kwestia w procesie optymalizacji współczynnika konwersji. Kluczowe są analiza danych i wdrażanie zmian, które wynikają z tych analiz.

Wielu klientów, zwłaszcza ci, którzy obawiają się wysokich kosztów, decyduje się na budowę własnych rozwiązań. Własne systemy są tańsze w utrzymaniu, ponieważ eliminują koszty związane z obsługą zewnętrznych narzędzi. Implementacja takich narzędzi jest bardziej wymagająca, ponieważ wymaga wsparcia zespołu IT. Po pierwsze, konieczne jest stworzenie systemu losowania, a następnie zakodowanie szablonów lub innych elementów do testowania. Z tego względu rozwiązania te są częściej wybierane przez firmy o wyższym poziomie dojrzałości analitycznej, które regularnie przeprowadzają testy A/B.

Czym jest dojrzałość analityczna? To poziom zaawansowania organizacji w zakresie analizy danych, w tym umiejętność skutecznego wykorzystywania testów A/B.

Tworząc własne narzędzie do testowania, kluczowe jest uwzględnienie dwóch czynników: odpowiedniej wielkości próby oraz losowości doboru użytkowników. Aby upewnić się, że system działa poprawnie, warto regularnie przeprowadzać testy AA, które pozwalają zweryfikować, czy losowanie grup testowych przebiega prawidłowo.

Testy AA i AB – jak działają i jakie korzyści przynoszą?

Test AA polega na losowym przypisaniu użytkowników do dwóch identycznych wersji serwisu – wersji A oraz… wersji A. Obie grupy widzą dokładnie ten sam wariant strony, a różnice w metrykach między nimi nie powinny występować.

Dzięki temu można zweryfikować, czy mechanizm losowego przydzielania użytkowników do grup działa poprawnie. Jeśli test nie wykazuje istotnych statystycznie różnic między grupami, oznacza to, że system losowania działa prawidłowo i nie wpływa na wyniki późniejszych testów A/B.

Korzyści z testów A/B w serwisie internetowym

Często pojawia się pytanie, czy testy A/B prowadzą do wzrostu współczynnika konwersji. W rzeczywistości sam test A/B nie powoduje tej zmiany – wzrost konwersji jest wynikiem wprowadzenia skutecznej modyfikacji na stronie.

Proces optymalizacji rozpoczyna się od analizy danych, na podstawie których formułowane są rekomendacje. Testy A/B pozwalają następnie zweryfikować, czy zaproponowane zmiany rzeczywiście poprawiają wyniki. Ich kluczową rolą jest więc potwierdzenie skuteczności rekomendacji i eliminacja ryzyka wprowadzania zmian, które mogłyby negatywnie wpłynąć na konwersję. Można spojrzeć na to z innej perspektywy – czy nadal osiągamy korzyści, jeśli test zakończy się niepowodzeniem? Nelson Mandela mawiał: „Nigdy nie przegrywam. Albo wygrywam, albo się uczę.” To podejście dobrze oddaje istotę analizy danych i testów A/B.

Jeśli wprowadzamy zmianę na stronie i przeprowadzamy test A/B, a nowa wersja okazuje się mniej skuteczna od oryginalnej, nie jest to porażka, lecz cenna lekcja. Otrzymujemy jasny sygnał, że dana modyfikacja nie powinna zostać wdrożona w obecnej formie i wymaga dalszej pracy.

Trudno czasem wyjaśnić tę ideę osobom na wyższych szczeblach organizacji. Można jednak zwrócić uwagę na alternatywny scenariusz – gdyby zmiana została wdrożona bez testowania, mogłaby negatywnie wpłynąć na współczynnik konwersji, generując znaczące koszty. Testowanie pozwala uniknąć takich błędów i podejmować decyzje oparte na danych, a nie przypuszczenia. Idealny test A/B powinien trwać od 10 do 14 dni, jednak nie dłużej niż 4 tygodnie. Wiarygodność testu A/B oznacza, że uzyskana różnica jest statystycznie istotna.

Aby sprawdzić statystyczną istotność wyników, można skorzystać z dostępnych kalkulatorów, które umożliwiają wprowadzenie odpowiednich parametrów testu i ocenę wyników.

Czy test A/B może negatywnie wpłynąć na działanie sklepu? W przypadku gotowych narzędzi do testowania nie ma powodów do obaw. Jeśli jednak testy są prowadzone za pomocą własnego systemu losowania i podmiany wersji, szczególnie na różnych URL-ach, należy zadbać o odpowiednią konfigurację indeksowania. Warto wówczas zastosować parametry noindex i nofollow, aby zapobiec niepożądanym efektom w wynikach wyszukiwania. Szczegóły warto konsultować ze specjalistami od SEO.

Które elementy sklepu internetowego najlepiej testować? Nie ma jednej uniwersalnej odpowiedzi. Analizę warto rozpocząć od danych ilościowych.

Podczas targów handlowych przedstawiałem prezentację na temat wykorzystania GA4 do optymalizacji konwersji. Link do niej znajduje się poniżej. Opisałem w niej trzy raporty, które pozwalają szybko zidentyfikować obszary do optymalizacji współczynnika konwersji (tzw. low-hanging fruits). Dane ilościowe stanowią punkt wyjścia, a kolejne etapy analizy pozwalają na dalsze usprawnienia. Analiza ilościowa wskazuje, gdzie występuje problem, natomiast dane jakościowe pozwalają zrozumieć jego naturę i sformułować konkretne rekomendacje.

Podsumowanie

Testy A/B to jedno z najskuteczniejszych narzędzi do weryfikacji, czy planowane zmiany w serwisie wpływają pozytywnie na użytkowników i poprawiają jego efektywność. Warto korzystać z tego podejścia, aby podejmować decyzje oparte na danych. Każda większa modyfikacja, zanim zostanie wdrożona, powinna zostać zweryfikowana, aby uniknąć negatywnego wpływu na konwersję i kosztów alternatywnych wynikających z gorszego wyniku nowej wersji.

Analiza danych i odpowiednio przeprowadzone testy A/B pozwalają lepiej zrozumieć zachowania użytkowników oraz skutecznie optymalizować proces sprzedaży. Pamiętajmy, że nawet negatywny wynik testu dostarcza cennych informacji, które przyczyniają się do dalszego rozwoju serwisu. Dzięki temu możliwe jest ciągłe doskonalenie strategii marketingowych i zwiększanie efektywności działań w internecie.

Dziękuję za uwagę. Jeśli uważasz ten materiał za wartościowy, podziel się nim z innymi, których może zainteresować.

The post Testy A/B w e-commerce – kompletny przewodnik + porównanie narzędzi do testów A/B first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Początki budowania platformy Marketplace w Superpharm
Dane i źródła w fazie Discovery
Platforma Miracle: Zalety i perspektywa danych
Wzrost, jakość i strategiczne podejście do marketplace
Kluczowe wskaźniki (KPI) i codzienne rutyny
DNA marki i zachowanie klienta
Ewolucja handlu i trendy w wykorzystaniu danych
Podsumowanie: Główne wnioski z rozmowy

Początki budowania platformy Marketplace w Superpharm

Mariusz Michalczuk: Witam Cię w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj twoim i moim gościem jest Michał Trosiński. Michale, jakbyś mógł kilka słów o sobie powiedzieć i przejdziemy do rozmowy.

Michał Trosiński: Cześć Mariusz, witajcie słuchacze. Nazywam się Michał, w Superpharmie odpowiadam za nowy projekt, jakim jest własna platforma partnerska. Przed pracą w Superpharmie pracowałem w branży beauty w koncernach takich jak L’Oreal czy Coty. Z rynkiem e-commerce z kolei mam doświadczenia pracując w firmach takich jak Allegro oraz Xiaomi, gdzie zarządzałem kanałem e-commerce.

Mariusz Michalczuk: Super. A mógłbyś opowiedzieć, jak w ogóle wyglądał Twój start w Superpharmie jako Marketplace Manager? Jakie były pierwsze kroki w budowaniu tej platformy od zera? Z tego co rozmawialiśmy, to jest bardzo świeży, aczkolwiek intensywnie rozwijający się projekt. Mógłbyś trochę nas w meandry wprowadzić biznesowo?

Michał Trosiński: Jasne. Początki ja przynajmniej miałem takie podejście, że czułem się jak konsultant, gdzie efektem mojej pracy było przygotowanie biznes case’u i PNL. Gdy wszedłem do organizacji, to co zastałem, to była decyzja, że firma chce inwestować w platformę oraz był wybrany wstępnie partner technologiczny – firma Miracle. Cała reszta to była pewnego rodzaju tabula rasa. To znaczy, jaką chcemy być platformą, z jakimi merchantami chcemy pracować, z jakim asortymentem – tego typu decyzje były jeszcze przed nami.

Nazwaliśmy tę pierwszą fazę “Discovery”, gdzie moją rolą było przygotowanie rekomendacji i sprzedanie ich w organizacji. To był również etap edukacji organizacji, czym są platformy. Wiele osób korzysta z Allegro czy innych platform Marketplace, natomiast później, wchodząc w szczegóły i rozmawiając z odpowiednimi członkami zespołu, każdy miał nieco inną wizję tego, czym są te Marketplace. Tak wyglądały te początki.

Dane i źródła w fazie Discovery

Mariusz Michalczuk: Super. Tutaj nie mógłbym nie zapytać o dane na tak wczesnym etapie. Jak tworzyłeś tego biznes case’a, mógłbyś opowiedzieć z jakich źródeł danych korzystałeś, na jakiej podstawie ten biznes case wyglądał? Na tym kanale mówimy o podejmowaniu decyzji na podstawie danych. Wiem, że na początku jest bardzo trudno o własne dane, bo jak z czymś zaczynamy, to ich nie mamy. Jak to wyglądało? Jakbyś mógł zdradzić, jakie były te dane w takim biznes case’ie?

Michał Trosiński: Starałem się pozyskać jak najwięcej danych rynkowych. Gemius był tutaj bardzo pomocny, ponieważ jak sprawdzisz top 10 polskich e-commerce’ów, to 9 z nich to platformy marketplace. Chyba tylko Rossmann póki co nie jest w tej dziesiątce. Korzystałem też z danych dostępnych na Allegro, bo można powiedzieć, że w pewnych kategoriach Allegro jest barometrem e-commerce’u.

Miracle również pomagał nam w pozyskaniu danych i best practices, dzięki czemu mogliśmy ocenić, jakie rozwiązania dostępne na rynku są wartościowe, opłacalne i mogą się sprawdzić. Pracowaliśmy też z naszą centralą, która wdrożyła platformę Marketplace w 2020 roku. Oni poszli w nieco inny model niż my i mieli inną sytuację rynkową. Czasami te doświadczenia z centrali były wyzwaniem, żeby pójść w innym kierunku, natomiast to też było na pewno źródło bardzo ciekawych danych, do których możemy się porównywać.

Platforma Miracle: Zalety i perspektywa danych

Mariusz Michalczuk: Super. Kilka razy padł już ten Miracle jako platforma do marketplace’u. Czy mógłbyś trochę naświetlić, co jest takiego fajnego w tym Miracle? Abstrahując, dlaczego Miracle, chociaż jeżeli możesz, to też możesz się podzielić. Bardziej mnie interesuje w kontekście danych – co takiego fajnego w tym Miracle’u jest z punktu widzenia tego, jakie informacje, pewnie na trzy grupy można podzielić: użytkowników kupujących, merchantów, i może jeszcze inna. Jak to wygląda?

Michał Trosiński: Myślę, że powodem, dla którego wybraliśmy Miracle’a, były bardzo dobre doświadczenia Centrali. Nawet bez tego, patrząc na polski rynek, platformy można podzielić na dwie grupy: takie, które bazują na własnych rozwiązaniach, na przykład Allegro, Amazon czy chińskie platformy, oraz takie, które korzystają z gotowych rozwiązań. Zdecydowana większość firm budujących marketplace korzysta właśnie z tych gotowych rozwiązań. Miracle wydaje się być tutaj praktycznie monopolistą, bo poza rozwiązaniem InPost Fresh, który bazuje na konkurencji, i naszą bezpośrednią konkurencją jak Hebe, wszystkie pozostałe platformy korzystają z rozwiązania Miracle. Pewnie z czegoś to wynika. Wydaje się, że po prostu to rozwiązanie jest dobre i skuteczne. Z naszej perspektywy nasi partnerzy, nasi merchanci, też duża większość z nich zna tę platformę i z ich punktu widzenia na pewno łatwiej się wdrożyć w nowy kanał sprzedaży, który znają.

Odnośnie danych, bardzo chwalę sobie współpracę z Miracle właśnie pod tym kątem, że mają bardzo dużą bazę danych z własnych rozwiązań, z polskiego rynku czy innych rynków, ale z naszej branży, na których mogliśmy bazować. To był też pewnego rodzaju sparing partner. Przygotowując biznes case’a, na przykład, gdy przygotowywałem estymację ilości partnerów, ilości asortymentów, wartości GMV, mogłem challenge’ować nasze wyliczenia i nasze podejście, czasami zgadzając się na sugestie konsultantów z Miracle’a, czasami nie. Porównanie z branżą czy innymi platformami na pewno było bardziej pomocne niż przygotowanie biznes case’u bez tego typu danych.

Mariusz Michalczuk: Super. Tak się zastanawiam, skoro to jest taka platforma, która ma mnóstwo tych danych, pewnie pozwala Wam przekrojowo też popatrzeć, tak jak mówisz, challenge’ować Wasze KPI. A jak to wygląda z punktu widzenia tego, co daje merchantowi? Bo to też jest istotne, że merchant wchodzi z Wami do współpracy po to, wiadomo, żeby rosnąć. To z punktu widzenia takiego merchanta, jakie dane daje ten Miracle, które są istotne z punktu widzenia marketplace’u, jak to wygląda?

Michał Trosiński: Merchant widzi, oczywiście to zależy od tego, jak merchant wykorzystuje strategię multichannel, strategię marketplace’u. To, co widzi partner, to co widzi merchant, to są oczywiście dane sprzedażowe. Widzi tam, co sprzedaje, kto kupuje. To, co z naszej perspektywy jest na pewno pomocne, to praca na takich wskaźnikach jakościowych. Możemy zdefiniować zmienne jak czas akceptacji, czas wysyłki, takie właśnie dane jakościowe, którymi na koniec dnia kupujący się kieruje. Chcemy mieć te zakupy jak najszybciej, dostarczone w jak najbardziej wygodny sposób, i panel Miracla pozwala to monitorować. Dzięki temu możemy pracować z merchantami właśnie na tych wskaźnikach jakościowych.

Mariusz Michalczuk: OK. Wspominałeś, że pracowałeś sporo w Allegro i pracowałeś przy tworzeniu biznes case’a, ten Allegro Analytics jako taki barometr e-commerce’u. Ja też jestem dokładnie tego samego zdania, że uważam, że Allegro ma, nie wiem ile dzisiaj procent, no pod 50 pewnie.

Michał Trosiński: Ja dziś znalazłem dane, że Allegro stanowi około 55% polskiego e-commerce’u.

Mariusz Michalczuk: Okej, to w mojej głowie jest 49%, ale to powiedzmy, że wokół 50% się kręcimy. Czyli jak mamy Allegro Analytics i pokazuje nam 50% rynku, to rzeczywiście to jest niezły barometr. Mówiłeś, że merchanci mogą porównywać. Czy oni też mają taką możliwość w Miracle, żeby popatrzeć sobie, jak na przykład kategoria sobie radzi?

Michał Trosiński: Nie, tego typu danych akurat Miracle nie udostępnia dla merchantów.

Mariusz Michalczuk: OK, dobra.

Michał Trosiński: Miracle to takie bardziej narzędzie, gdzie partnerzy, gdzie merchanci widzą swój kawałek biznesu.

Mariusz Michalczuk: Okej, no ale to też jest ważne, prawda? Jak chcesz się poprawiać, to patrzysz na swoje i z okresu na okres, żeby radzić sobie lepiej.

Wzrost, jakość i strategiczne podejście do marketplace

Mariusz Michalczuk: Tak się zastanawiam, no bo taki marketplace to rzeczywiście z jednej strony analiza tego, co robią merchanci, bo to jest turbo istotne z punktu widzenia użytkowników. Analiza marketingu, bo też waszym zadaniem jest sprowadzanie tego ruchu dla merchantów. No i w końcu analiza samego serwisu, samej platformy, pewnie jakieś tam optymalizacje. Jesteście na bardzo wczesnym etapie. Wspominałeś, że tak pełną parą, jeśli dobrze pamiętam, od czerwca działacie?

Michał Trosiński: Tak, wystartowaliśmy pod koniec marca pilotażowo z jednym z partnerów, który pozwolił nam wdrożyć wiele kategorii. Przez te pierwsze dwa miesiące wdrożyliśmy około tysiąca produktów i szerzej pracujemy od początku wakacji. Na chwilę obecną cały czas jesteśmy na tym etapie wzrostowym. Póki co podwajamy z miesiąca na miesiąc ilość asortymentu, podwajamy GMV, czyli obrót brutto. Na świeżo to około już 1/4 asortymentu dostępnego na stronie czy w aplikacji Superpharm to są oferty partnerskie.

Nie mamy ciśnienia, żeby mieć mnóstwo partnerów czy jak najszerszy asortyment. Mamy podejście, że chcemy być platformą jakościową. Chcemy pracować ze zweryfikowanymi partnerami, ze zweryfikowanym asortymentem, bo wierzymy, że w tych naszych kategoriach zdrowia, urody i dbania o rodzinę – jak to nazwałem, taki obszar family wellbeing (jeśli Ty bądź Twoi słuchacze mają lepsze określenie, chętnie się zainspiruję) – wychodzimy z założenia, że jakość jest lepsza niż ilość.

Mariusz Michalczuk: Super. Na początku pewnie stawiacie na tę jakość, to tych danych ilościowych pewnie aż tak dużo nie ma, albo aż tak mocno nie zwracacie uwagi. Czy mógłbyś opowiedzieć, na jakie dane na tym początkowym etapie patrzycie, jakie decyzje z tego płyną, co się z nimi dzieje, jak to wygląda?

Michał Trosiński: Moją rolę osoby zarządzającej platformą mogę podzielić na trzy główne obszary. Pierwszy z nich to category management. W ramach biznes case’u wybraliśmy kategorie, które chcemy rozwijać w naszym modelu partnerskim. Są to kategorie, z których Superpharm już jest kojarzony – kosmetyki, zapachy, suplementy diety – jak również kategorie, w których jeszcze nie jesteśmy specjalistami, na przykład elektronika użytkowa zorientowana na zdrowie czy urodę, czy jakościowe produkty związane z weterynarią. Ten pierwszy obszar category managementu to pozyskiwanie danych o kategorii.

Staramy się pozyskiwać dane w zależności od obszaru. W kategoriach FMCG pomocny jest Nielsen. Rozmawiamy, bazując na danych dostarczonych przez Nielsena. W kategoriach związanych bardziej ze zdrowiem, Iqvia jest pomocna. W kategoriach związanych z elektroniką użytkową wyspecjalizowała się GFK. W zależności od kategorii staramy się sprawdzać, które marki dobrze sobie radzą, które segmenty, tak żeby nasza oferta była atrakcyjna dla klientów.

Inny obszar to współpraca z merchantami, czyli Key Account Management. Tutaj pomocne są dane konkurencji. Monitorujemy, co sprzedaje się na Allegro czy u naszej konkurencji jak Hebe czy Douglas. Ja prywatnie regularnie obserwuję, co robi konkurencja, bo to jest ciekawe poznawczo – dlaczego to robią i czy powinniśmy się inspirować, czy wręcz powinniśmy pewnych kroków czy asortymentów unikać.

Kolejny obszar związany z platformą to sam rozwój produktu. Czasami czuję się jak Product Owner, który jedzie trochę jako drugi pasażer. Nasza platforma jest częścią naszej strony, która stoi na silniku Magento, jak również częścią aplikacji. Pracujemy z zespołem bazując na testach, testach A/B, czy nawet testach biurkowych, sprawdzając, czy dany element, kartę produktu, powinien być wyżej czy niżej, tak żeby doświadczenie dla klienta było jak najlepsze.

Wspomniałeś o marketingu, to też część category managementu, albo raczej obszar e-commerce managera. Jeżeli mamy podejście, że oferta z platformy jest integralną częścią naszego e-commerce, to znaczy mamy wspólną wyszukiwarkę, wspólne drzewo kategorii, wspólne parametry, na stronie czy w aplikacji nie znajdzie się osobna sekcja. Produkty są obok siebie. Podobnie promujemy asortyment partnerów na zewnątrz – w Google, na YouTube, w innych mediach czy mniej popularnych wyszukiwaniach. Dużo energii poświęcamy na analizę ruchu i konwersji, co się klika, a co się sprzedaje. Gorzej jak coś się klika, a się nie sprzedaje. Na podstawie tego wyciągamy wnioski i staramy się przede wszystkim dowiedzieć, z czego wynika dane zachowanie klientów.

Korzystamy z narzędzi takich jak Price Panorama czy Elgigo, które pomagają nam w ocenie naszej oferty cenowej. Sprawdzamy, czy odbiegamy od konkurencji i czy to ma wpływ na zachowania klientów. Analizując traffic i konwersje, dokładamy wszelkich starań, żeby wszelkiego rodzaju wskaźniki były jak najlepsze. Moim prywatnym wyzwaniem jest to, żeby wskaźniki związane z programem partnerskim nie były gorsze niż oferty własnej (tzw. 1P, czyli First Partner), czyli to, co oferuje i idzie z magazynu.

Kluczowe wskaźniki (KPI) i codzienne rutyny

Mariusz Michalczuk: To w ogóle jest niesamowite dla mnie, że jedna osoba, jedno stanowisko i w praktyce cztery zakresy kompetencji.

Michał Trosiński: Nie robię tego sam.

Mariusz Michalczuk: No tak, ale musisz to wszystko pospinać, prawda? No i właśnie tak się zastanawiam, jak mówisz o tym KPI, który przed chwilą wspomniałeś, ale zakładam, że tych KPI jest więcej i pewnie masz w każdym z tych czterech obszarów jakieś KPI. Czy mógłbyś rzucić nam światło trochę, bo źródeł danych jest niesamowicie dużo, tak? Dane panelowe, masz dane o Nielsenie, GFK, masz dane o konkurencji, Allegro Analytics pewnie i tego typu. Masz dane wewnętrzne, testy A/B, analityka internetowa, dane marketingowe z paneli reklamowych. Jak Ty z tym wszystkim się nie gubisz? Na co w pierwszej kolejności patrzysz co dzień rano, żeby to wszystko połapać, nawet jeżeli bezpośrednio nie odpowiadasz?

Michał Trosiński: Pewnie Cię nie zdziwię, natomiast najważniejszym wskaźnikiem z naszej perspektywy jest sprzedaż, czyli GMV. To, żeby to GMV zostało dowiezione, składa się z kilku aspektów. Odpowiadając na Twoje pytanie, codziennie rano, gdy włączam panel Miracle, patrzę na ilość aktywnych ofert. Nie jesteśmy na takim etapie, że z miesiąca na miesiąc staramy się bardzo mocno budować ofertę dla klientów.

Kluczowa jest ilość zamówień, sprawdzamy, czy nasz średni koszyk rośnie, czy spada i z czego to wynika. Z tym obszarem kluczowa jest ilość aktywnych partnerów, ilość produktów, ilość ofert, bo nie zawsze do wszystkich produktów mamy przypiętą ofertę, czyli cenę oraz dostępność. Drugi obszar to wskaźniki jakościowe. Sprawdzamy średni czas akceptacji zamówień, średni czas szeroko pojętej reakcji i pracy partnerów.

Zdrada operacyjnych szczegółów: nasz model platformy jest na polskim rynku o tyle wyjątkowy, że to my, po naszej stronie jako Superpharm, odpowiadamy za fiskalizację klientów. Mimo że partner odpowiada za zarządzanie treściami, dodaje opisy, wgrywa zdjęcia, tytuły, wypełnia parametry tak, żeby karty produktu były jak najbogatsze (bo za tym idzie potencjalna sprzedaż), po stronie partnera jest zarządzanie ofertą cenową (standardową czy promocyjną) i informowanie klientów o dostępności produktu i w jakich ilościach. Partnerzy wreszcie odpowiadają za zarządzanie dostawami – te produkty, te dostawy idą z magazynów partnerów do klientów. Natomiast już sama fiskalizacja i odpowiedzialność za transakcje jest po naszej stronie.

W wyniku research’u przygotowując biznes case, doszliśmy do wniosku, że tego typu podejście daje największą wartość klientowi. Teraz bardzo dużo się mówi o przekazywaniu wartości klientom, a z naszej perspektywy, skoro doszliśmy do wniosku, że to są nasi klienci, to są nasze produkty cyfrowe, to pełna odpowiedzialność za sprzedaż powinna być po naszej stronie. Trochę zgubiłem wątek.

Mariusz Michalczuk: Rozmawialiśmy, czyli tak, od GMV przeszedłeś do KPI, czyli ilość aktywnych partnerów, ilość ofert, ilość zamówień, bo to taki step down od partnera przez to ile ma ofert, później są zamówienia i później jakościowe bardziej.

Michał Trosiński: Tak, o to właśnie chodzi – stawiamy na jakość, bo to jest obszar, w którym między innymi chcemy zdobyć klientów, czyli te wskaźniki jakościowe związane z obsługą klienta. Miracle ma też panel, który pokazuje, jak partnerzy odpowiadają na potencjalne wiadomości naszego Biura Obsługi Klienta. Jeśli są jakieś mniej błahe sprawy, możemy zrobić incydent, który ma większą moc w naszych relacjach i pokazuje, która sprawa ma dla nas większy priorytet lub jest bardziej wrażliwa z punktu widzenia klienta. Monitorujemy więc zarówno zwykłe wiadomości, jak i incydenty.

To są takie obszary z dziennych, porannych rutyn. Kluczowym obszarem, choć niekoniecznie codziennym, jest analiza zachowań klienta. Co klienci klikają na naszej stronie? Wytyczną jest, żeby sprzedaż w tym modelu partnerskim – zachowania w modelu partnerskim – nie różniły się od zachowań tego standardowego 1P. Mamy wskaźniki takie jak ruch na stronie, ruch na kartach produktu, porzucone koszyki, wszelkie e-commerce’owe ROAS-y. Przez to, że to jest nowy projekt i dla nas, pracowników Superpharmu, i dla klienta, mamy cel, żeby w jakiś sposób nauczyć klientów, że poza naszą ofertą są też oferty od partnerów zewnętrznych.

Mariusz Michalczuk: Tak jak sobie myślę i mówiłeś o tych czterech obszarach i później o tych metrykach, na które patrzysz, bo tak, jak startowaliście z tą platformą, to marketing był już aktywny, prawda? Dobrze to rozumiem, że ruch na własnej platformie był, tak? Czy to w drogerii, czy to w aptece, dobrze rozumiem, że tak to było?

Michał Trosiński: Na samym początku bazowaliśmy raczej na ruchu organicznym, generowanym w naszej drogerii. Dopiero po kilku tygodniach od startu rozpoczęliśmy pokazywać oferty partnerskie również na zewnątrz, między innymi w Google.

Mariusz Michalczuk: Myślę, że to nie jest takie proste. To jest większa liczba ofert. Większa liczba ofert napędza użytkowników, bo przychodzą i są w stanie pokryć większą liczbę swoich potrzeb. I teraz, jak jest więcej użytkowników, to jest więcej transakcji, są przychody, można inwestować więcej w marketing i tak dalej, to takie trochę koło zamachowe się robi.

Michał Trosiński: Tak, i przyznam, że istnieje teoria koła zamachowego dotycząca platform. Mówi ona, że większa ilość ofert sprawia, że dana platforma jest bardziej interesująca dla użytkowników. Zgodnie z tą teorią, większa ilość ofert powinna przyciągnąć większą ilość użytkowników. Z kolei większa ilość użytkowników, klientów, jest czymś atrakcyjnym dla samych partnerów, dla samych merchantów, a rosnąca ilość tych partnerów sprawi, że więcej użytkowników zainteresuje się daną platformą.

Mariusz Michalczuk: Z tego co opowiadasz, to tak mi się rysuje, że Wy w pierwszej kolejności zatroszczyliście się o tego użytkownika. Skoro patrzycie na te jakościowe czynniki, czas realizacji zamówienia itd., w centrum postawiliście tego użytkownika, tak? Ja to dobrze odczytuję?

Michał Trosiński: Tak. Przygotowując projekt, doszukując się pewnych danych wewnętrznych, znalazłem dane jakościowe, gdzie przed startem firma przeprowadziła badania fokusowe. Osoby badane zostały poproszone o porównanie nas do konkurencji. W obszarach emocji, gdzie zgodnie z tymi badaniami byliśmy mocniejsi od konkurencji, były takie obszary jak kompetencja, pewnego rodzaju prestiżowość, rodzinność produktów. Pewnym wskaźnikiem dla nas jest to, żeby szukać partnerów, dla których te obszary emocji są również bliskie i żeby tak dobierać asortyment, kategorie, żeby nie stracić myślę pozytywnego wizerunku, jaki zbudowaliśmy. Także tutaj zatroszczenie się o klienta i skupienie się na jakości było i cały czas jest dla nas priorytetem.

DNA marki i zachowanie klienta

Mariusz Michalczuk: To mi się z DNA trochę kojarzy, jakbyś mówił innymi słowami. Akurat miałeś wystąpienie na Retail Challenge, mówiłeś o zachowaniu DNA marki w nowych platformach, modelach platformowych. Czy mógłbyś trochę tutaj opowiedzieć? Pewnie to jest jedno z przesłań, które mówisz, że mieliście badania, które powiedziały, że użytkownicy widzą Was w ten sposób i do tego dobieracie partnerów, żeby oni też patrzyli w tym samym kierunku. A wiadomo, jak się patrzy w tę samą stronę, to dojdzie się do celu. Jakie jeszcze inne płyną wnioski z tego, o czym mówiłeś?

Michał Trosiński: Tak, co prawda miałem wystąpienie z Kubą z Miracle. Opowiadaliśmy sobie właśnie o naszym modelu, w którym fiskalizacja klientów jest po naszej stronie i to też jest jedno z narzędzi, gdzie w naszej ocenie zachowujemy nasze DNA. Myślę, że kluczowe obszary to to, że z punktu widzenia partnerów jesteśmy ekskluzywnym, zamkniętym marketplace’em. Na rynku platform mamy platformy, gdzie praktycznie każdy, kto ma działalność gospodarczą, może się zarejestrować, podpiąć pod produkcję i zacząć sprzedawać, jak Allegro czy Empik, czy kiedyś Shopee.

Są też platformy, jak właśnie nasza, że partner musi takie zaproszenie dostać. Podpisujemy indywidualne umowy z każdym z partnerów. Prosimy partnerów, żeby przygotowali nam rekomendacje asortymentu, jakie produkty widzieliby na naszej platformie, bo wychodzę z założenia, że gdy rozmawiam z właścicielem, oficjalnym dystrybutorem czy producentem asortymentu, on zna ten asortyment lepiej niż my. Rozmawiając z tymi partnerami jeszcze przed startem, robimy takie ćwiczenie, czy jego grupa docelowa, grupa shopperów, grupa użytkowników i profil persona użytkownika naszego e-commerce’u, to jest ta sama persona. Prosimy partnerów, żeby podesłali nam wybrane próbki, żebyśmy mogli porównać produkt na żywo z produktem z prezentacji, tak żebyśmy mieli pewność, że mamy do czynienia z jakościowym asortymentem.

Inny obszar, o którym też nieco wspomniałem, to selektywne podejście do asortymentu. Nasze podejście jest takie, że chcemy być tak zwaną platformą wertykalną, czyli skupiać się na określonych kategoriach. Myślę, że gdybyśmy nagle otworzyli kategorie, nie wiem, automotive, meble czy narzędzia, to ani byśmy nie mieli z tego sprzedaży, a gdzieś percepcja marki Superpharm jako specjalisty od zdrowia i urody mogłaby się zatracić. To są na pewno te aspekty, o których na tym wystąpieniu w ramach Retail Challenge opowiadałem, jak zachować DNA Superpharmu.

Szczególnie, że na razie obserwujemy sprzedaż w naszej kategorii, i to było dla mnie pewnym zaskoczeniem, że jest dużo większy udział GMV kategorii związanych ze zdrowiem, niż wynikałoby to ze splitu asortymentowego. Tłumaczymy to sobie tak, że póki co na polskim rynku za bardzo nie ma jeszcze platform skupiających się na samej kategorii zdrowia, bo te platformy cross-kategorialne jak Allegro czy Empik oczywiście te kategorie zdrowia mają, natomiast nie jest tajemnicą, że to nie są konie pociągowe tych platform. Z naszej perspektywy, a przynajmniej też mam takie selling story do partnerów z tych kategorii, współpracując z nami, partnerzy ze swoim jakościowym asortymentem mogą trafić do wyspecjalizowanej grupy użytkowników i nie musimy wykazywać, bo jeśli chodzi o ruch na stronie czy ilość użytkowników, to daleko nam do Allegro, ale mimo wszystko w tych kategoriach, które nas najbardziej interesują, nie musimy być aż tak dużą platformą jak wspomniana konkurencja.

Mariusz Michalczuk: Dokładnie. To jest jedna rzecz, o której wspomniałeś, czyli ta sprzedaż w kategorii zdrowie Was zaskoczyła, a czy jakby już jak macie dane, analizujecie ten ruch tego użytkownika. Czy widzisz jakieś inne zaskoczenia w zachowaniu użytkowników na produktach własnych versus na produktach partnerów? Czy macie jakieś wnioski?

Michał Trosiński: Tak, czym mogę się z Tobą podzielić, to bardzo duża ilość koszyków mix, czyli koszyków, gdzie jest produkt z modelu partnerskiego i 1P, czyli z naszej sprzedaży, bo jest to więcej niż połowa. Przyznam, że w stu procentach nie wiem, jak to interpretować. Z jednej strony zależy nam na tym, żeby klienci postrzegali ofertę z modelu partnerskiego i ofertę 1P jako wspólną, integralną ofertę. Więc taka duża ilość tych koszyków miksowych wydaje się, że potwierdza tę tezę. Natomiast, będąc może nieco bardziej krytycznym, być może oznacza to, że ani oferta 1P, ani oferta w modelu partnerskim nie jest pełna, tak że klient w ramach koszyka z samego 1P czy od samego partnera może kupić produkty spełniające wszystkie potrzeby.

Mariusz Michalczuk: Ja to traktuję właśnie w tym kierunku, że to jest mega pozytywne i trochę to mi się składa w tę historię całą, że zaczynacie od jakości i umówmy się, z punktu widzenia użytkownika, jak przychodzi do Was do serwisu, to jednym z elementów jakościowej obsługi jest to, że jesteście w stanie mu zapewnić wszystko. To znaczy w ramach danej kategorii. Przychodzi mi takie porównanie do motoryzacji. Jak jadę do serwisu motoryzacyjnego, to wymieni mi jakąś część i jest w stanie mi umyć samochód i może jeszcze jakiś tuning zrobić do tego samochodu. W sensie jakby one stop shop, coś takiego.

Michał Trosiński: Przygotowując ten biznes case, to też było nasze strategiczne podejście, że w ramach Superpharm chcemy być takim… czekaj, muszę z pamięci wydobyć odpowiednie określenie.

Mariusz Michalczuk: A One Stop Shop nie jest takim dobrym określeniem?

Michał Trosiński: Tak, tylko użyliśmy trochę innego stwierdzenia typu Health & Beauty Solution Center. Tylko to dotyczyło szerszej strategii firmy, gdzie ta właśnie oferta partnerska stanowiła kluczowy filar tej strategii.

Ewolucja handlu i trendy w wykorzystaniu danych

Mariusz Michalczuk: Mega fajne. Tak już trochę zmierzając ku końcowi, bo masz takie szerokie doświadczenie i przechodziłeś przez te różne branże, pewnie są jakieś takie czynniki wspólne, które pokazują jakieś trendy. W jakim kierunku zmienia się wykorzystanie danych? Jak ja mam najwięcej doświadczenia w e-commerce, to takim trendem jest budowanie jednego źródła prawdy. To znaczy, że e-commerce w jednym miejscu likwiduje silosy, gdzie, nie wiem, dział produktu patrzy na stronę, dział marketingu patrzy na media, finanse patrzą na coś innego. E-commerce dąży do tego, żeby każdy mówił de facto o tym samym, tylko różnymi słowami, różnym językiem, często niestety różnymi definicjami tych samych metryk. Dla mnie to jest taki trend w e-commerce. Dążymy do tego, żeby likwidować silosy, budować takie single source of truth (my to nazywamy SSOT) i później z tego wychodzić dalej, że to jest taki przystanek, taki base camp, jak idziemy na trasie, do którego dochodzimy i później zdobywamy szczyty. To tak mi się w retailu typowym w e-commerce kojarzy. Czy Ty widzisz jakieś trendy, które się kształtują, a może to jest to samo, z perspektywy właśnie twojego doświadczenia marketplace’ów, FMCG w kontekście tych danych? W jakim kierunku dążymy, może tu będzie porada dla innych, którzy będą oglądali, na co zwrócić uwagę, czy może jakieś priorytety ustawić w kontekście wykorzystania tych danych?

Michał Trosiński: Trend, jaki ja widzę, to ograniczanie szufladkowania, to znaczy takiego sztucznego podziału, co jest online, co jest offline. Prywatnie ludzie nie mają takiej granicy, że dany obszar oceniamy tylko i wyłącznie przez doświadczenia, które mamy na żywo, a dany obszar przez ten świat cyfrowy. Myślę, że będzie coraz więcej – to też jest od jakiegoś czasu modne hasło – omnichannelowego doświadczenia, i myślę, że to będzie tylko ewoluowało. Kiedy mamy plany, na przykład, że media społecznościowe też będą miały swoje platformy sprzedażowe, jak TikTok, to już ta granica tym bardziej będzie rozmyta. Chcemy to wdrożyć w ramach naszej platformy w Superpharmie, gdzie też chcemy zacząć komunikować oferty dostępne tylko online poprzez partnerów, klientom offline’owym, choćby przez takie proste rzeczy jak drukowanie folderów. Z mojej perspektywy prywatnej to będzie trend, który będzie się tylko rozwijał.

Mariusz Michalczuk: Super, widzę, że tu w ogóle nowa uliczka nam się zrobiła do rozmowy odnośnie tego Omnichannelu, ale w tym odcinku musimy kończyć. Michał, mega dzięki Ci za Twoją obecność, za podzielenie się Twoim doświadczeniem. Chciałbym sobie zagospodarować w przyszłości czas właśnie, żeby w tę drugą uliczkę kiedyś pójść. Mam nadzieję, że jeszcze przyjmiesz zaproszenie ode mnie i będziesz chciał dalej podzielić się swoim doświadczeniem.

Michał Trosiński: Również dziękuję i bardzo chętnie kolejne zaproszenie przyjmę.

Mariusz Michalczuk: Dzięki wielkie. Do zobaczenia. Cześć.

Podsumowanie: Główne wnioski z rozmowy

Rozmowa z Michałem Trosińskim rzuca światło na złożony, ale fascynujący proces budowania platformy marketplace od podstaw w Superpharm. Kluczowym wnioskiem jest strategiczne podejście do danych na każdym etapie – od fazy Discovery, przez wybór partnera technologicznego, po codzienne zarządzanie i optymalizację. Wykorzystanie danych rynkowych (Gemius, Allegro Analytics) i doświadczeń zewnętrznych (Miracle, centrala Superpharm) było niezbędne do stworzenia solidnego biznes case’u.

Superpharm stawia na jakość i utrzymanie DNA marki, co przejawia się w selektywnym doborze partnerów i asortymentu, koncentrując się na kategoriach zdrowia i urody. Monitorowanie wskaźników jakościowych, takich jak czas akceptacji i wysyłki zamówień, ma kluczowe znaczenie dla zadowolenia klienta. Duża liczba „koszyków mix” (produkty własne i partnerskie) świadczy o sukcesie w integrowaniu oferty, co jest postrzegane jako pozytywny sygnał w kierunku bycia „Health & Beauty Solution Center”.

Michał podkreśla również trend zacierania się granic między światem online i offline (omnichannel), wskazując na przyszłe strategie komunikacji ofert online do klientów stacjonarnych. Całość pokazuje, że sukces w dynamicznie zmieniającym się świecie handlu wymaga holistycznego spojrzenia na dane, elastyczności w działaniu oraz nieustannego dążenia do doskonalenia doświadczeń klienta, jednocześnie pielęgnując tożsamość marki.

The post Michał Trosiński – Dane w marketplace – Date wit Data Talks first appeared on Conversion.

Często nasi klienci i marketerzy zadają podobne pytania: „Jakie elementy na stronie wpływają najbardziej na wzrost konwersji?”, „Które zmiany w checkout przynoszą największe efekty?” czy „Jak często testy A/B przynoszą negatywny wynik i co wówczas robić?”. To naturalne, że szukamy gotowych, uniwersalnych „złotych rad”. Jednak zamiast na nich polegać, warto skupić się na dogłębnym zrozumieniu własnych użytkowników oraz na metodycznym testowaniu zmian w kontekście konkretnej strony, branży i grupy docelowej.

Rozwiązania, które sprawdziły się u innych – prezentowane na konferencjach czy w case studies – choć cenne, nie gwarantują sukcesu w każdym przypadku. Fakt, że optymalizacja przyniosła wzrost konwersji w jednym sklepie internetowym, nie oznacza, że zadziała u wszystkich. Dlatego, zamiast szukać uniwersalnych odpowiedzi, kluczowe jest nauczenie się analizowania danych, wyciągania wniosków i samodzielnego testowania różnych rozwiązań. Tylko w ten sposób można zbudować skuteczną strategię optymalizacji opartą na realnych zachowaniach użytkowników, a nie na ogólnikowych rekomendacjach. Nasze doświadczenie, zdobyte w kilkudziesięciu projektach i ponad 200 testach A/B, to potwierdza.

Czym są testy A/B i dlaczego są kluczowe?
Testy A/B w praktyce: kiedy „złote zasady” zawodzą?
Ewolucja optymalizacji konwersji: od CRO do CXO
Optymalizacja doświadczeń (CXO): trzy filary sukcesu
Podsumowanie

Czym są testy A/B i dlaczego są kluczowe?

Dla uporządkowania wiedzy, warto przypomnieć, czym są testy A/B. Mechanizm polega na tym, że użytkownicy trafiający do serwisu są dzieleni na dwie grupy. W teście A/B analizujemy dwie wersje strony – wersję oryginalną (kontrolną) oraz wersję B, w której wprowadzamy określone zmiany. Celem testu jest sprawdzenie, czy zmodyfikowany element wpływa na wskaźniki konwersji. Każdą z wersji analizujemy osobno, porównując ich efektywność. Na tej podstawie wyciągamy wnioski, które wspierają decyzje dotyczące dalszych optymalizacji.

W testach A/B analizujemy dane ilościowe, porównując współczynniki konwersji dla wersji A i wersji B. Różnica między nimi to efekt testowanej zmiany. Kluczowe jest to, że wszystkie inne czynniki, które mogą wpływać na sprzedaż w sklepie internetowym, są identyczne dla obu wersji. To właśnie główna zaleta testów A/B — umożliwiają analizę wpływu pojedynczego elementu na zachowanie użytkowników. Celem testów A/B jest systematyczne zwiększanie konwersji. Warto jednak zaznaczyć, że same testy nie generują wzrostów. To zmiany wprowadzane na podstawie wyników testów prowadzą do realnych efektów. Zmiany te są częścią szerszego procesu optymalizacji.

Testy A/B w praktyce: kiedy „złote zasady” zawodzą?

W tym wpisie przedstawiam proces, który stoi za skutecznymi testami A/B — jego elementy, momenty przełomowe oraz sytuacje, w których przestaje działać zgodnie z oczekiwaniami. Zamiast omawiać popularne sposoby na zwiększanie konwersji znane z case studies czy prezentacji konferencyjnych, warto przyjrzeć się im krytycznie. Wiele z tych metod może nie działać w konkretnym przypadku, mimo że brzmią przekonująco i są szeroko promowane. W tym wpisie przedstawiam pięć rzeczywistych testów A/B. Każdy z nich został publicznie udostępniony, dlatego można je samodzielnie sprawdzić i przeanalizować. Opisane testy pokazują, jak łatwo można wyciągnąć błędne wnioski z danych, jeśli nie podejdzie się do analizy z odpowiednią ostrożnością. To ważna lekcja dla wszystkich, którzy wykorzystują testy A/B w e-commerce lub digital marketingu. Oceniając skuteczność rozwiązań, nie wystarczy kierować się wynikami innych firm – trzeba zweryfikować, czy dane rozwiązanie działa w naszej konkretnej sytuacji. Serwis goodui.org prezentuje wyniki testów A/B w formie porównania dwóch wersji stron. W każdym teście przedstawiona jest wersja oryginalna oraz zmodyfikowana, a celem jest ocena, która z nich osiągnęła lepszy wynik pod względem konwersji.

W jednym z testów goodui.org analizowano kartę produktu. Po lewej stronie znajdowała się wersja oryginalna, a po prawej zmodyfikowana, w której dodano testimonial w formie wideo. Test miał na celu sprawdzenie, czy taki element wpływa na wzrost współczynnika konwersji. Około 15% uczestników wskazało poprawnie. Kto był zdania, że wygrała wersja B? W tej grupie było więcej osób, choć część nie miała zdania. Zwyciężyła jednak wersja A, co oznacza, że większość się pomyliła.

Drugi test dotyczył dodawania produktu do koszyka. W oryginalnej wersji sklepu internetowego, po dodaniu produktu, z boku ekranu pojawiała się informacja potwierdzająca ten krok. Właściciele sklepu postanowili sprawdzić, czy to miejsce nadaje się do cross-sellingu. W nowej wersji pojawił się top layer, przyciemniający resztę strony i prezentujący dodatkowe produkty. Kto uważa, że wygrała wersja A? Kilka osób podniosło rękę. W trzecim teście analizowaliśmy wpływ informacji o postępie w checkout. W wersji oryginalnej użytkownik widział tekstowe oznaczenie: „krok 1 z 4”. W wersji testowej zastosowaliśmy graficzny wskaźnik pokazujący, na jakim etapie procesu zakupowego aktualnie się znajduje. Wielu uczestników zakładało, że wersja B okaże się skuteczniejsza. Tymczasem wyniki pokazały coś innego — to wersja A osiągnęła lepsze rezultaty.

W kolejnym teście A/B zwyciężyła wersja B. Dotyczył on procesu dodawania do koszyka na karcie produktu. W wersji oryginalnej przycisk call to action znajdował się na dole strony, przez co był niewidoczny, dopóki użytkownik nie przewinął całej treści. W wersji B zastosowano pływający przycisk call to action, który był stale widoczny. Zdecydowana większość użytkowników lepiej reagowała na wersję B, co potwierdziły wyniki testu. W branży digital marketingu większość specjalistów ma już spore doświadczenie i wyczucie, co powinno działać, a co nie. Wszyscy funkcjonujemy w podobnym środowisku i mamy świadomość, jakie są dobre praktyki, a co budzi wątpliwości.

Różnorodność opinii na temat poszczególnych specjalizacji jest naturalna — nie brakuje też żartów czy memów dotyczących analityków internetowych. To pokazuje, jak mocno zakorzenione są pewne stereotypy i postrzeganie ról w świecie Digital Analytics. Jak postrzegają nas przedstawiciele różnych grup – rodzice, przyjaciele, klienci? Najwięcej satysfakcji daje kontakt z klientami. Często firmom, z którymi współpracujemy, wydaje się, że wzrosty, jakie osiągamy wspólnie, są efektem przypadkowych działań. Tymczasem wyniki testów A/B pokazują, że to, co wydawało się skuteczne, w praktyce nie działa. To nie magia, ale rezultat dobrze zaplanowanego procesu: identyfikujemy, co nie działa, a następnie to poprawiamy.

Brzmi atrakcyjnie, ale początki nie były proste. Gdy zakładaliśmy Conversion w 2010 roku, mieliśmy wrażenie, że trafiliśmy na zestaw gotowych rozwiązań – jakbyśmy znaleźli księgę sprawdzonych metod na poprawę konwersji. Z czasem okazało się, że skuteczność analityki online opiera się nie na uniwersalnych receptach, ale na ciągłym testowaniu, analizowaniu i wdrażaniu zmian opartych na danych. W latach 2010–2012 niektóre rozwiązania e-commerce działały niemal automatycznie. Przykładem było dodanie komunikatu w checkout, że użytkownik znajduje się w bezpiecznej strefie zakupów. W tamtym czasie wiele sklepów wykorzystywało ten zabieg, ponieważ podnosił on poczucie bezpieczeństwa użytkownika i wpływał pozytywnie na konwersję.

Obecnie niewiele sklepów wciąż informuje o „bezpiecznej strefie” podczas finalizacji zamówienia. Podobnie było z informowaniem o przewidywanym terminie dostawy — kiedyś wystarczyło dodać taką informację w koszyku, by testy A/B wskazywały nawet 10% wzrost konwersji. Dziś to już standard, który użytkownicy uznają za oczywisty element procesu zakupowego. To pokazuje, jak dynamicznie zmieniają się zachowania konsumentów i standardy w e-commerce. Warto regularnie testować nowe rozwiązania, nawet jeśli kiedyś coś działało „samograjem”, ponieważ schematy, które kiedyś zwiększały konwersję, dziś mogą być niewystarczające. Spróbujmy podejść do tego jeszcze raz.

W przypadku różnych metod ratowania porzuconych koszyków – takich jak bezpieczna strefa zakupów, rezerwacja koszyka czy próby jego odzyskania – często efekt końcowy przypomina prezentację Cybertrucka Elona Muska. Zaprezentowany jako pojazd z kuloodpornymi szybami, miał udowodnić swoją wytrzymałość podczas konferencji prasowej. Demonstracja zakończyła się jednak pęknięciem szyby na oczach całego świata. Podobnie bywa z niektórymi wdrożeniami funkcji e-commerce. Choć koncepcja wygląda dobrze na papierze, rzeczywiste działanie w praktyce może zawieść oczekiwania. Warto zatem dokładnie testować i analizować każdy element procesu zakupowego, zanim zostanie on zaprezentowany użytkownikom. Eksperyment, który przeprowadziliśmy, pokazuje, że rozwiązania skuteczne w innych firmach nie zawsze sprawdzają się u każdego. Nawet pomysły, które na pierwszy rzut oka wydają się niedorzeczne, mogą przynieść dobre rezultaty w konkretnym kontekście.

Ewolucja optymalizacji konwersji: od CRO do CXO

Przechodząc do dalszej części — jednym z kluczowych procesów wpływających na wzrost współczynnika konwersji jest optymalizacja konwersji, znana jako Conversion Rate Optimization (CRO). W Conversion zajmujemy się CRO od początku istnienia firmy. W początkowych latach, około 2010–2012, proces ten był znacznie prostszy. Przez pewien czas analiza danych była znacznie prostsza. Wystarczyło mieć dostęp do odpowiedniego „podręcznika”, który pozwalał szybko wdrożyć skuteczne rozwiązania. Jednak sytuacja zaczęła się zmieniać w latach 2012–2016. W tym okresie coraz większe znaczenie zaczęła odgrywać mobilność. Uczestnicy konferencji z tamtych lat z pewnością pamiętają, że jednym z najczęściej zadawanych pytań było: „Czy to działa na mobile?”. Właśnie wtedy u wielu naszych klientów realizowaliśmy liczne projekty związane z wdrażaniem RWD (responsive web design). Wraz z popularyzacją smartfonów konieczne stało się przeprojektowanie stron internetowych tak, aby dostosowywały się do różnych rozdzielczości ekranów i nadal prezentowały kluczowe treści w sposób czytelny i intuicyjny.

Obecnie temat użyteczności nabrał jeszcze większego znaczenia. Na potwierdzenie — według danych sprzed dwóch tygodni, w Polsce działa już około 42 tysięcy specjalistów z obszaru UX, czyli osób zajmujących się projektowaniem doświadczeń użytkownika. W latach 2012–2016 obserwowaliśmy dynamiczny rozwój dobrego designu projektowanego od zera. Wraz z jego upowszechnieniem zaczęliśmy zauważać, że testy A/B w naszych projektach coraz rzadziej przynosiły pozytywne rezultaty. Po pierwsze, rzadziej udawało się osiągać istotne statystycznie zwycięstwa w testach. Po drugie, prowadziło to do coraz mniejszej liczby wprowadzanych zmian.

Nie oznacza to jednak, że cały proces przestał działać. Rok wcześniej, podczas prezentacji na scenie A, przedstawiłem konwersję jako wypadkową dwóch czynników: motywacji użytkownika oraz poziomu oporu, jaki stawia serwis. Porównałem wtedy serwis do mostu. Po jednej stronie rzeki stoją odwiedzający, po drugiej – klienci. Jeśli użytkownik ma odpowiednią motywację, a serwis nie stawia zbędnych barier, to użytkownik z powodzeniem przechodzi na drugą stronę – staje się klientem. Warto pamiętać, że skuteczność optymalizacji i testów A/B zależy nie tylko od jakości designu, ale również od tego, jak dobrze rozumiemy potrzeby użytkowników i potrafimy im umożliwić realizację ich celów.

W podejściu do optymalizacji konwersji zaszła istotna zmiana. W przypadku sklepów internetowych mamy do czynienia z dwoma różnymi celami, które często się ścierają. Z jednej strony jest to cel e-commerce, czyli realizacja transakcji — cel właściciela sklepu. Z drugiej strony — cel użytkownika, z którym odwiedza sklep. Motywacje użytkowników są bardzo zróżnicowane. Badania pokazują, że istnieje kilkadziesiąt powodów, dla których użytkownicy odwiedzają sklep internetowy. Mogą szukać inspiracji, sprawdzać szczegóły techniczne, czytać opisy produktów, porównywać ceny lub przeglądać opinie innych klientów. Ważne jest, że tylko jedna z tych motywacji pokrywa się z celem właściciela sklepu — złożeniem zamówienia. Według analiz, jedynie około 4% użytkowników odwiedza sklep internetowy z zamiarem natychmiastowego zakupu. Pozostała większość realizuje inne potrzeby — informacyjne, porównawcze lub inspiracyjne.

Zrozumienie tych intencji jest kluczowe w procesie optymalizacji konwersji. Dopasowanie komunikacji, układu strony i treści do różnych etapów ścieżki zakupowej użytkownika może znacząco zwiększyć skuteczność działań e-commerce. Optymalizacja wyłącznie pod kątem współczynnika konwersji nie jest najlepszym podejściem, zwłaszcza jeśli weźmiemy pod uwagę, że średnio ponad 90% użytkowników odwiedzających sklep internetowy nie przychodzi z zamiarem złożenia zamówienia. W e-commerce spotykają się dwa cele: cel użytkownika i cel biznesowy. Tylko w jednym przypadku te cele się pokrywają — gdy użytkownik dokonuje zakupu. W pozostałych przypadkach warto zadbać o inne potrzeby i oczekiwania użytkowników.

Właśnie dlatego w 2020 roku zmieniliśmy podejście do optymalizacji sklepów. Nazwaliśmy je optymalizacją doświadczeń. W tym podejściu doświadczenie oznacza punkt styku i zbieżności trzech celów: celu użytkownika, celu biznesowego oraz celu projektowego (czyli tego, jak zmiana wpływa na satysfakcję użytkownika). Podczas testów A/B patrzymy nie tylko na realizację celu biznesowego, czyli konwersję, ale również na to, czy użytkownik jest zadowolony z wprowadzonych zmian. Ma to szczególne znaczenie w przypadku procesów zakupowych, które rozciągają się w czasie i obejmują wiele wizyt. Dla przykładu — w branży turystycznej między pierwszą wizytą a dokonaniem zakupu mija średnio 16 wizyt i około 3 tygodnie. Jeżeli podczas jednej z wcześniejszych wizyt użytkownik nie zrealizuje swojego celu lub nie znajdzie potrzebnych informacji, istnieje duże ryzyko, że nie wróci do serwisu, gdy będzie gotowy do zakupu. Dlatego warto dbać o doświadczenie użytkownika na każdym etapie jego ścieżki. Metodyka, o której mowa, rozpoczyna się od zdefiniowania celu użytkownika lub celu biznesowego w e-commerce. W przypadku e-commerce cele są zazwyczaj oczywiste i nie wymagają skomplikowanego definiowania. Kluczowe znaczenie mają dane i analizy, które pozwalają zrozumieć zachowania użytkowników. Następnie przechodzimy do fazy discovery, czyli etapu odkrywania. Analizujemy, co sprawia użytkownikom trudność, jakie mają cele oraz gdzie na ścieżce zakupowej występują wąskie gardła. Na podstawie analizy danych powstaje lista zmian, które należy wdrożyć w sklepach internetowych. Kolejnym krokiem jest faza developmentu, w której kluczową rolę odgrywają testy A/B. Warto podkreślić, że przeprowadzenie tego procesu tylko raz nie wystarczy. W sytuacji, w której standardy UX są powszechnie znane i stosowane, rzadko zdarzają się poważne błędy, które można szybko wyeliminować i natychmiast poprawić konwersję. Dlatego istotne jest podejście iteracyjne. W zależności od projektu, czasem wystarczą dwie iteracje, a niekiedy już po jednej można zauważyć wzrost współczynnika konwersji. Każda kolejna seria testów A/B, która ułatwia użytkownikom realizację ich celów, zwiększa prawdopodobieństwo ich powrotu na dalszym etapie procesu zakupowego.

Optymalizacja doświadczeń (CXO): trzy filary sukcesu

Poniżej przedstawione jest dobre podsumowanie istoty Customer Experience Optimization (CXO). Optymalizacja powinna uwzględniać trzy kluczowe elementy: współczynnik konwersji biznesu e-commerce, współczynnik konwersji użytkownika oraz koszt wdrożenia. W praktyce oznacza to, że nie wystarczy skupiać się wyłącznie na standardowej metryce, jaką jest współczynnik konwersji. Warto analizować również konwersję użytkownika – czyli to, jak użytkownicy postrzegają doświadczenie zakupowe i jak chętnie angażują się w działania na stronie. Jednym z najczęściej stosowanych wskaźników jest Net Promoter Score (NPS). Zbierając dane w testach A/B, warto uwzględniać nie tylko dane ilościowe, ale również jakościowe, takie jak opinie użytkowników czy oceny satysfakcji.

W podejściu CXO należy patrzeć szerzej – analizując nie tylko efektywność biznesową i zachowania użytkowników, ale również koszty operacyjne związane z wdrożeniem zmian. Ostatecznie, poza użytkownikami i zespołem e-commerce, w równaniu tym są także właściciele firmy, których interesy również trzeba uwzględnić. Optymalizacja e-commerce w ujęciu CXO to proces trójwymiarowy. Nie wymaga skomplikowanej, wielowymiarowej analizy matematycznej – wystarczy świadomie zarządzać trzema podstawowymi obszarami: biznesem, użytkownikiem i kosztem. Właściciele sklepów internetowych często myślą o rozwoju serwisu przez pryzmat redesignu. Tymczasem gruntowna przebudowa strony to zwykle długi i kosztowny projekt, który często kończy się przekroczeniem budżetu, a przez pierwsze miesiące po wdrożeniu może obniżać wyniki biznesowe.

Zamiast skupiać się wyłącznie na dużych zmianach wizualnych, warto pamiętać o dwóch kluczowych elementach: użytkowniku i celach komercyjnych. Jeśli użytkownik za każdym razem łatwo realizuje swój cel na stronie, rośnie szansa, że wróci w przyszłości i dokona zakupu. Od momentu, gdy zaczęliśmy analizować dane nie tylko ilościowo i przez pryzmat e-commerce, ale również z perspektywy użytkownika, liczba skutecznych zmian w testach A/B w naszych projektach zaczęła rosnąć. To podejście pozwala nam lepiej rozumieć potrzeby odbiorców i skuteczniej optymalizować serwisy.

Podsumowanie

Wnioski płynące z pracy nad konwersją są jednoznaczne: nie ma uniwersalnych „złotych zasad”, które zawsze działają. Skuteczność zmian zależy od dobrze zaprojektowanego procesu. W naszym przypadku standardowe podejście do CRO (Conversion Rate Optimization) zaczęliśmy modyfikować około 2020 roku. Od tego momentu uwzględniamy nie tylko cele biznesowe i konwersje, ale również cele użytkownika oraz koszt wdrożenia proponowanych rozwiązań. Tak narodziło się podejście, które nazwaliśmy Conversion Experience Optimization. Od kiedy zaczęliśmy je stosować, serwisy naszych klientów zyskały realne, pozytywne zmiany – zarówno dla użytkowników, jak i dla biznesu.

Nie każda zmiana wprowadzona w ramach optymalizacji od razu przekłada się na wyraźny wzrost współczynnika konwersji. Warto jednak pamiętać, że skuteczność całego procesu analitycznego zależy od jakości danych, na których bazujemy. Jako firma specjalizująca się we wdrażaniu i wykorzystaniu danych online, podkreślamy znaczenie solidnych fundamentów w analityce. Jeśli już na samym początku nie zadbamy o poprawność i kompletność danych, cały proces traci sens. Znane w branży pojęcie GIGO (Garbage In, Garbage Out) trafnie oddaje istotę problemu — złej jakości dane prowadzą do błędnych wniosków i nieskutecznych działań.

Warto skorzystać z przygotowanej przez nas checklisty, dostępnej na naszej stronie. Powstała ona w odpowiedzi na potrzeby klientów, z któryrymi pracujemy przy mapowaniu ich procesów i celów. Często okazuje się, że mimo świadomości znaczenia danych, zespoły nie ufają ich jakości. Sytuacja ta jest szczególnie powszechna w momentach zmiany pracy czy redefinicji celów KPI. Checklista zawiera zestaw kluczowych punktów kontrolnych, które warto sprawdzić w swoich serwisach. Na naszym kanale YouTube znajduje się materiał wideo, w którym omawiamy te elementy. To praktyczne podejście oparte na zasadzie Pareto: 20% działań pozwala uzyskać 80% pewności, że dane są wiarygodne, a proces Conversion Experience Optimization można przeprowadzić na solidnych podstawach. Życzę powodzenia w realizacji analiz i pracy z danymi. Warto pamiętać, że proces analityczny nie kończy się po pierwszym raporcie. W e-commerce cele są wspólne dla trzech stron: biznesu, użytkownika i właściciela produktu. Dla biznesu to przede wszystkim transakcje i przychody. Dla użytkownika – realizacja jego motywacji i potrzeb. Dla właściciela – osiągnięcie tych celów w sposób logiczny i przy optymalnych kosztach.

The post Targi eHandlu 2025 – Czego nauczyliśmy się o konwersji w e-commerce realizując ponad 200 testów A/B? first appeared on Conversion.

AI w analityce internetowej: Wprowadzenie i kontekst
Proces analizy danych w Conversion: Od danych do działania
AI a zbieranie danych: Czy sztuczna inteligencja zbierze dane za nas?
AI w analizie danych: Wsparcie i automatyzacja
AI a wnioskowanie i rekomendacje: Potencjał i ograniczenia
Przyszłość zawodu analityka w erze AI
Podsumowanie

AI w analityce internetowej: Wprowadzenie i kontekst

W tym wpisie przedstawiam spojrzenie zarówno z perspektywy analityka internetowego, jak i osoby rozwijającej firmę analityczną, która wspiera biznesy, działy marketingu i e-commerce w efektywnym wykorzystaniu danych online.

Warto zaznaczyć kilka kwestii, które pomogą lepiej zrozumieć kontekst i zakres zagadnień poruszanych w dalszej części. Prowadząc firmę analityczną, patrzę na temat z perspektywy osoby, która zarządza danymi i wspiera klientów w ich wykorzystaniu w biznesie. Jestem analitykiem i zależy mi na tym, aby moja praca — to, co robię i co lubię — nie została w pełni zastąpiona przez maszyny.

W tym wpisie odnoszę się do sztucznej inteligencji w stanie, w jakim znajduje się w czerwcu 2025 roku. Opisywane tu możliwości lub ograniczenia AI mogą się szybko zmienić — nawet w ciągu tygodni czy miesięcy. Warto mieć to na uwadze podczas lektury.

Dlaczego w ogóle poruszać temat AI w kontekście analityki internetowej? W branży digitalowej można mówić o sztucznej inteligencji przynajmniej z dwóch perspektyw. Pierwsza to wpływ AI na codzienne życie i szeroko pojęty marketing internetowy, czyli sposób, w jaki zmienia nasze działania w digitalu. Ten temat został już szczegółowo omówiony w materiale zatytułowanym „AI vs. analityka internetowa. Jak analizować ruch, który pojawia się w naszych serwisach ze sztucznej inteligencji”. Link do nagrania znajduje się w opisie pod filmem.

W tym wpisie warto skupić się na drugim obszarze — roli AI jako narzędzia wspierającego lub zastępującego nas w realizacji zadań w branży digital. Pisząc o analitykach internetowych, warto zastanowić się, czy nowe technologie – w tym sztuczna inteligencja – mogą ich zastąpić. Coraz częściej pojawiają się pytania o rolę AI w Digital Analytics i o to, w jakim zakresie może wspierać lub automatyzować pracę analityków.

Proces analizy danych w Conversion: Od danych do działania

Zanim jednak przejdziemy do obecnych możliwości AI w kontekście analizy danych, warto przypomnieć, czym właściwie jest analiza danych w naszym rozumieniu. Analiza to proces, który przypomina maraton – wymaga czasu, wytrwałości i konsekwencji. Nie jest to jednorazowe działanie, ale systematyczne podejście, które prowadzi do realnych decyzji biznesowych.

W praktyce tylko niewielki odsetek firm – szacunkowo około 5% – wykorzystuje dane do podejmowania konkretnych działań. To właśnie działanie, oparte na danych, jest kluczowym celem analityki.

W modelu, który stosujemy, analiza danych składa się z czterech kolejnych etapów. Pierwszym z nich są dane – to fundament, który zapewnia podstawę do dalszych kroków. Obejmuje to wszystkie działania związane z pozyskiwaniem i kompletowaniem danych, które później będą analizowane.

W kolejnych etapach przechodzimy do przetwarzania, interpretacji i wreszcie do wyciągania wniosków oraz formułowania rekomendacji. Dopiero na końcu tego procesu znajduje się działanie – czyli wdrożenie zmian na podstawie analiz. To ono decyduje o wartości całego procesu analitycznego.

W dalszej części wpisu przedstawię, jak sztuczna inteligencja wspiera analitykę internetową na poszczególnych etapach tego procesu i czy może całkowicie zastąpić rolę analityka. Zapewnienie utrzymania danych obejmuje ich identyfikację, konfigurację, integrację, czyszczenie oraz nałożenie modelu danych. Dzięki temu zgromadzone informacje nie tylko są przechowywane, ale też stają się wartościowe dla całej organizacji. Wartościowe, czyli możliwe do wykorzystania i – co równie ważne – zrozumiałe.

Temat modelu danych został szczegółowo omówiony w osobnym materiale, do którego link znajduje się w opisie. Materiał ten wyjaśnia wiele kluczowych zagadnień związanych z organizacją danych.

Proces gromadzenia danych często rozpoczynamy od warsztatu biznesowego. To pierwszy krok w naszych projektach, który pozwala uporządkować wymagania i cele analityczne.

W kontekście danych kluczowe znaczenie ma ich jakość. Obejmuje ona nie tylko trafność i dokładność, ale również wartość biznesową. Jakość danych to fundament skutecznej analityki – bez niej trudno mówić o realnym wsparciu decyzji biznesowych. Wysoka jakość danych to fundament skutecznej analityki. Ten temat szerzej omówiliśmy w jednym z naszych materiałów – link do nagrania znajduje się w opisie filmu.

W wielu firmach etap związany z danymi, czyli wszystko, co dzieje się zanim przejdziemy do działania, jest często zaniedbywany. Główna przyczyna to niskie koszty ich zbierania. Wystarczy dodać kod śledzący – szczególnie w środowisku online – i dane zaczynają spływać. Koszt ich przechowywania również systematycznie spada, co widać na wykresach cen storage’u z ostatnich lat. To zachęca do gromadzenia możliwie jak największej ilości informacji.

Taka strategia niesie jednak poważne konsekwencje. Dane często nie są oczyszczane, nie są integrowane z innymi źródłami, tworzą się silosy informacyjne. Zanim podejmiemy jakiekolwiek działania, warto skupić się na jakości danych, które analizujemy.

Dopiero kolejnym etapem procesu analizy danych powinna być właściwa analiza – oparta na uporządkowanych, spójnych i wiarygodnych danych. W procesie analizy danych wykorzystujemy różne narzędzia, aby wydobyć z nich realną wartość. Surowe dane, przedstawione w formie tabeli, same w sobie nie dostarczają użytecznych informacji.

Do analizy stosowane są m.in. narzędzia klasy Business Intelligence. Opisaliśmy również porównanie tych narzędzi z perspektywy marketingu e-commerce – szczegóły znajdują się w podlinkowanym materiale.

Mimo dostępności nowoczesnych rozwiązań, jednym z najczęściej używanych narzędzi – nie tylko w branży analitycznej, ale w całym świecie biznesowym – pozostaje Excel. Warto zwrócić uwagę na przykład z Nowej Zelandii, gdzie Narodowy Fundusz Zdrowia przechowywał cały budżet Ministerstwa Zdrowia w Excelu. Pokazuje to, że niezależnie od dostępnych narzędzi, Excel nadal pozostaje podstawowym narzędziem analizy danych w wielu organizacjach.

Gdy dysponujemy danymi i zaczynamy je analizować, korzystamy z narzędzi i technik, które pozwalają wyciągać wnioski. Formułowanie wniosków to kolejny kluczowy etap procesu analizy danych. Na tym etapie stawiamy hipotezy, które wynikają z obserwacji.

Ważne, aby wnioski były obiektywne. Jeśli dane są rzetelne, a zespół posiada odpowiednie kompetencje analityczne, możemy mówić o zaufaniu do wyników analizy. Jak głosi popularne powiedzenie: „Możesz oszukać człowieka, ale nie oszukasz danych”. Dobre dane i umiejętność ich analizy to fundament skutecznej analityki. Hipotezy postawione na tej podstawie oraz wynikające z nich wnioski mają dużą szansę być trafne. Kolejnym krokiem są rekomendacje – powinny opierać się na hipotezach i wskazywać, jakie działania biznes powinien podjąć, aby je zweryfikować lub rozwiązać zidentyfikowane problemy.

W tym właśnie leży istota analityki, a szczególnie analityki internetowej. Rolą analityka jest dostarczanie konkretnych wskazówek, które pomagają firmie poprawiać efektywność i osiągać KPI.

Czy jednak firma wdroży te działania? W dużej mierze zależy to od jakości postawionych hipotez, trafności wniosków oraz wartości rekomendacji. Rekomendacja to końcowy, ale kluczowy element pracy analitycznej – powinna prowadzić do realnych działań biznesowych.

Ścieżka od danych do działania stanowi sedno analityki internetowej. Na jej początku często pojawia się tzw. trigger – impuls, który uruchamia cały proces analityczny. Impulsem do rozpoczęcia pracy z danymi może być problem w organizacji, konkretne wyzwanie, potrzeba lub ambicja rozwoju. Nawet jeśli procesy wydają się działać poprawnie, firmy często dążą do szybszego i lepszego rozwoju. Właśnie ten czynnik inicjujący cały proces analityczny jest niezwykle istotny.

Przykładem może być spadek sprzedaży w e-commerce. W takiej sytuacji sięgamy po dane. Pierwszym źródłem informacji bywa często Excel z danymi sprzedażowymi, pochodzącymi z systemu CRM lub systemu księgowego. To od nich zazwyczaj zaczyna się analiza, która pozwala zrozumieć przyczyny spadku i zaplanować dalsze działania. W e-commerce kluczowe znaczenie mają dane dotyczące zachowań użytkowników. To, co finalnie przekłada się na wystawione faktury, wynika bezpośrednio z aktywności użytkowników w serwisie. Do analizy tych zachowań przydatne będą narzędzia takie jak Google Analytics 4 oraz – często w pierwszej kolejności – Google BigQuery.

Pierwszym etapem pracy z danymi jest ich zebranie. W e-commerce zazwyczaj łączymy dane z CRM, systemów sprzedażowych i zewnętrznych źródeł, takich jak BigQuery, które gromadzi informacje o zachowaniu użytkowników.

Drugi etap to analiza. W wielu przypadkach pierwszym narzędziem do pracy z danymi jest Excel. Przy jego użyciu można tworzyć tabele przestawne i segmentować dane, co pozwala formułować hipotezy dotyczące zachowań użytkowników.

Jednym z podstawowych kroków analitycznych jest rozrysowanie lejków sprzedażowych. Pozwalają one zrozumieć, na jakim etapie użytkownicy opuszczają proces zakupowy. Lejki można analizować zarówno w Excelu, jak i w eksploracjach dostępnych w Google Analytics 4. W tym etapie wykorzystujemy dostępne narzędzia i funkcjonalności, aby sformułować hipotezę dotyczącą problemu, który zainicjował cały proces analityczny. Przykładowy wniosek może wskazywać, że spadek sprzedaży wynika z dużej liczby niedostępnych produktów. Hipoteza ta została postawiona na podstawie analizy lejków użytkowników – zauważono, że znaczna część ruchu odpływała z serwisu na stronach produktów, które w danych były oznaczone jako niedostępne.

Na końcu procesu analitycznego formułowana jest rekomendacja. Przykładowo: wprowadzenie możliwości zapisania się na listę oczekujących, aby nie tracić użytkowników, którzy odwiedzili stronę konkretnego produktu, ale nie mogli go zakupić. Inna rekomendacja to proponowanie zamienników dla niedostępnych produktów.

Po stronie biznesu pozostaje wdrożenie zaproponowanych działań. Przykładowo – uruchomienie funkcji listy oczekujących lub systemu rekomendacji zamienników. Każdą z rekomendacji warto przetestować za pomocą testów A/B, aby sprawdzić, czy rzeczywiście wpływa na spadającą sprzedaż. W opisie znajduje się link do naszego poradnika dotyczącego testów A/B w e-commerce – zawiera on informacje, czym są takie testy i jak je prowadzić.

Proces wygląda następująco: zidentyfikowaliśmy problem, przeszliśmy przez analizę danych, postawiliśmy hipotezy i sformułowaliśmy rekomendacje, które mają rozwiązać wskazany problem biznesowy.

AI a zbieranie danych: Czy sztuczna inteligencja zbierze dane za nas?

W tym kontekście pojawia się pytanie: gdzie w tym procesie może pomóc AI? Przedstawię kilka przykładów zastosowania sztucznej inteligencji w czterech obszarach: dane, analiza, wnioski i rekomendacje. Każdy z tych elementów ocenię w skali od 1 do 5 – gdzie 1 oznacza, że AI nie sprawdzi się w danym obszarze, a 5, że AI może z powodzeniem zastąpić człowieka lub kompetencje niezbędne do prowadzenia analityki.

Choć nie jestem specjalistą w zakresie wykorzystania AI, pokazane przykłady mają na celu zainspirować do eksperymentowania i dalszego rozwoju. Jednym z największych wyzwań w procesie analitycznym jest zbieranie danych. Z doświadczenia wynika, że analitycy poświęcają na ten etap aż 85% swojego czasu. Ten element, który powinien być w dużej mierze zautomatyzowany, często pochłania najwięcej zasobów – zamiast analizować dane i formułować rekomendacje, specjaliści zajmują się ich pozyskiwaniem, oczyszczaniem i integracją. Na właściwą analizę oraz wyciąganie wniosków pozostaje zaledwie 15% czasu.

Warto przyjrzeć się bliżej etapowi zbierania danych i temu, z jakimi wyzwaniami wiąże się ten proces. Można wyróżnić trzy typowe sytuacje:

1. Brak danych – firma nie posiada żadnych danych niezbędnych do analizy.
2. Dane niepewne – dane są dostępne, ale ich jakość lub kompletność budzi wątpliwości.
3. Dane rozproszone – informacje znajdują się w różnych systemach i narzędziach, tworząc tzw. silosy danych. W takiej sytuacji konieczne jest ich zebranie i scalenie, co dodatkowo wydłuża proces przygotowania analizy.

Skuteczne zarządzanie danymi już na tym etapie ma kluczowe znaczenie dla efektywnej pracy zespołów analitycznych. Automatyzacja procesów zbierania i integracji danych to krok, który pozwala skrócić czas potrzebny na przygotowanie analiz i zwiększyć ich wartość biznesową. Na początek przykład sytuacji, w której brakuje danych. W takiej analizie można wykorzystać wcześniej przygotowane prompt’y, które wspierają pracę z modelem GPT-4.

Pierwszy z nich zakłada, że prosimy AI o wcielenie się w rolę analityka biznesowego specjalizującego się w analizie internetowej. Jego zadaniem jest przeprowadzenie analizy dostępnych informacji i zaproponowanie dalszych kroków.

Tego typu podejście pozwala rozpocząć pracę analityczną nawet wtedy, gdy dane są ograniczone lub niedostępne. Warto wykorzystywać narzędzia AI jako wsparcie w generowaniu hipotez, weryfikacji pomysłów oraz tworzeniu wstępnych analiz. Plan warsztatu biznesowego obejmuje kilka kluczowych etapów. Na początku przewidziane jest 15 minut na przedstawienie celów warsztatu. Następnie uczestnicy diagnozują obecny stan oraz mapują środowisko analityczne, identyfikując istniejące źródła danych. Kolejnym krokiem jest rozpoznanie głównych problemów i priorytetyzacja wyzwań.

Warsztat dostarcza konkretnych wskazówek, które pomagają uporządkować działania związane z analityką. Warto również przygotować zagadnienia, za które odpowiada zespół klienta, aby sesja była jak najbardziej efektywna. Przygotowanie do warsztatu analitycznego warto rozpocząć od zebrania kluczowych materiałów i informacji. Wśród nich powinny znaleźć się:

– lista wykorzystywanych narzędzi i systemów analitycznych,
– schemat przepływu danych,
– przykłady raportów używanych przez zespół,
– opis najczęstszych problemów z danymi,
– wyciągi z przeprowadzonych analiz,
– lista osób zaangażowanych w procesy analityczne,
– opis obecnych procesów weryfikacji jakości danych,
– wstępna lista kluczowych KPI,
– wskazówki dotyczące przygotowania do warsztatu.

To dobre podejście do planowania procesu pozyskiwania danych i organizacji warsztatu analitycznego. Sam warsztat wymaga jednak nie tylko przygotowania, ale również aktywnego zaangażowania uczestników. W trakcie spotkania warto zadawać pytania pogłębiające, by doprecyzować szczegóły i lepiej zrozumieć aktualne potrzeby oraz wyzwania zespołu. W pracy z analityką internetową kluczowe jest uwzględnienie szczegółów – to właśnie one często decydują o skuteczności wdrożeń i jakości analiz. Choć wiele aspektów można przygotować i opisać w dokumentacji, praktyka pokazuje, że największe wyzwania pojawiają się przy konkretnych implementacjach i interpretacjach danych.

Sztuczna inteligencja może wspierać procesy analityczne, szczególnie na etapie wstępnego rozpoznania sytuacji. Przykładowy scenariusz wykorzystania AI obejmuje kilka istotnych kroków:

– identyfikację gromadzonych danych,
– weryfikację spójności i jakości danych transakcyjnych z CRM,
– sprawdzenie kompletności danych pod kątem analizy zachowań użytkowników,
– kontrolę poprawności danych w Google Analytics 4,
– analizę danych z platform reklamowych,
– stworzenie mapy braków i ocena jakości danych,
– określenie procesów i zakresów odpowiedzialności za dane,
– przygotowanie zestawu narzędzi oraz pytań do współpracy z innymi działami.

Taka struktura pracy pozwala lepiej zrozumieć dane i szybciej przejść do skutecznych analiz. Warto pamiętać, że samo wdrożenie narzędzi to dopiero początek. Kluczowe są konsekwentna weryfikacja danych oraz współpraca między zespołami. Patrząc na to z perspektywy e-commerce managera, wiele rozwiązań wspieranych przez AI może rzeczywiście wyglądać obiecująco. Jednak warto zadać pytanie: czy osoby odpowiedzialne za rozwój e-commerce mają wystarczające kompetencje, aby skutecznie wykorzystać dane, które otrzymują — nawet jeśli są one dobrze uporządkowane i zaprezentowane przez narzędzie oparte na AI?

W wielu przypadkach analiza danych wymaga nie tylko ich pozyskania, ale przede wszystkim umiejętności interpretacji i wyciągania wniosków. To kompetencje, które znacznie częściej występują po stronie specjalistów technicznych i analityków, niż wśród osób odpowiedzialnych za obszary biznesowe. AI może wspierać ten proces, ale nie zastąpi wiedzy analitycznej tam, gdzie potrzebna jest głęboka interpretacja wyników i podejmowanie decyzji na ich podstawie.

W kontekście pracy e-commerce managera warto wspomnieć o sytuacjach, w których rzeczywistość po rozpoczęciu pracy różni się od tego, co prezentowano na etapie rekrutacji. Często okazuje się, że zakres obowiązków, dostęp do danych czy infrastruktura analityczna są inne niż zakładano. W Conversion przygotowaliśmy checklistę e-commerce managera po zmianie pracy, która może pomóc w ocenie sytuacji w nowym miejscu i skuteczniejszym rozpoczęciu działań opartych na danych.

W pracy z danymi kluczowe jest nie tylko ich pozyskanie, ale przede wszystkim umiejętność przełożenia ich na konkretne działania i decyzje biznesowe. Bez tej kompetencji, nawet najlepsze narzędzia nie przyniosą realnej wartości. Trzeci przykład zastosowania promptu dotyczy sytuacji, w której dane są wiarygodne, ale rozproszone w silosach – nie są zintegrowane. W takim przypadku warto skorzystać z promptu, którego struktura na początku może być podobna do wcześniejszych.

Model AI proponuje szczegółowe podejście. Proces warto rozpocząć od inwentaryzacji źródeł danych: zidentyfikować wszystkie źródła oraz przypisać odpowiedzialność za nie konkretnym osobom w organizacji. Następnie należy zweryfikować dostęp do tych danych i przeprowadzić podstawowe testy.

W efekcie otrzymujemy konkretną listę działań, które należy podjąć, aby uporządkować i przygotować dane do dalszej analizy i integracji. W Google Analytics 4 warto zweryfikować, czy masz dostęp do wszystkich podstawowych raportów. Należy przejrzeć raporty dotyczące konwersji, współczynnika konwersji oraz ścieżek użytkowników. W przypadku Google Ads i Meta (Facebook Ads) istotna jest weryfikacja jakości danych, dokumentacja procesów oraz przygotowanie rekomendacji i kolejnych kroków.

Podobnie jak przy ocenie jakości danych, sztuczna inteligencja może wskazać dobre praktyki i działania. Jednak pozostaje pytanie, czy osoba po stronie biznesowej powinna samodzielnie zajmować się tym obszarem. W takich przypadkach warto dążyć do zbudowania jednego, spójnego źródła danych — hurtowni danych, która stanie się tzw. „single source of truth”.

Zbierając dane, można zaobserwować kilka scenariuszy: brak danych, obecność danych o niepewnej jakości albo dostępne i wiarygodne dane, które są rozproszone w organizacji. W każdym z tych przypadków AI może wspierać proces, ale jej skuteczność w tym obszarze oceniam nisko — 1 na 5 gwiazdek. Potrzebny jest człowiek, który zrozumie technologię, wejdzie w interakcję z zespołami i zadba o jakość procesu.

W obszarze zbierania i zapewniania danych nie ma dużego ryzyka, że sztuczna inteligencja zastąpi specjalistów. To człowiek wciąż odgrywa kluczową rolę w zapewnianiu spójności i kompletności danych w organizacji.

AI w analizie danych: Wsparcie i automatyzacja

W etapie analizy danych sztuczna inteligencja oferuje najwięcej możliwości wsparcia. Na tym poziomie mniej istotna staje się wiedza biznesowa, a większe znaczenie zyskuje znajomość narzędzi analitycznych. Kluczowe są umiejętności segmentacji, filtrowania i modelowania danych.

Sztuczna inteligencja może wspierać analitykę już na poziomie samego Google Analytics 4. Przykładem są mechanizmy automatycznego wykrywania anomalii dostępne w raportach, takich jak „Acquisition” czy „Traffic Acquisition”. Po wejściu w tego typu raporty, GA4 prezentuje podsumowania wskazujące niepokojące zmiany w danych.

Dla przykładu: 1 maja liczba sesji z wyszukiwań organicznych spadła do 13. Taki spadek może zostać oznaczony jako istotna zmiana. Człowiek, analizując taki wykres, może łatwo zidentyfikować przyczynę — w tym przypadku długi weekend majowy. Sztuczna inteligencja sygnalizuje jednak, że warto przyjrzeć się tym danym bliżej.

To pokazuje, że AI nie zastępuje analityka, ale może skutecznie wspierać jego pracę, wskazując obszary wymagające uwagi. W Google Analytics 4, oprócz standardowych danych i insightów, dostępne są dodatkowe funkcje wspierane przez sztuczną inteligencję. Jedną z nich są automatyczne adnotacje, które identyfikują załamania trendów w danych. System sam wykrywa nieoczekiwane zmiany i sygnalizuje je użytkownikowi.

Kolejną funkcją jest modelowanie behawioralne, które pozwala analizować zachowania użytkowników nawet w przypadku niepełnych danych. Szczegółowy opis działania tego modelowania znajduje się pod linkiem w opisie.

Analytics 4 oferuje też metryki predykcyjne, które pomagają przewidywać przyszłe zachowania użytkowników, np. prawdopodobieństwo zakupu. Dodatkowo dostępne jest modelowanie atrybucji oparte na Data Driven, które analizuje ścieżki konwersji i przypisuje wartość poszczególnym kanałom marketingowym. Więcej informacji na temat atrybucji i modeli Data Driven można znaleźć w przewodniku po atrybucji w marketingu, również dostępnym w linku.

Sztuczna inteligencja jest więc integralną częścią GA4 i wspiera analizę danych na wielu poziomach. Aby jednak skutecznie korzystać z tych funkcji, kluczowe jest dobre zrozumienie narzędzia oraz znajomość jego możliwości. Poniżej kilka przykładów, jak sztuczna inteligencja może wspierać analizę danych.

Pierwszy przykład to wykorzystanie konkretnego promptu do znalezienia określonych danych. W tym przypadku chodzi o analizę stron blogowych. Aby to zrobić, należy przejść do menu po lewej stronie w interfejsie Google Analytics, wybrać sekcję „Raporty”, następnie „Zaangażowanie”, a potem „Strony i ekrany”. Następnie warto użyć filtra, wpisując w ścieżce URL fragment „/blog”, aby wyświetlić tylko strony blogowe. Kolejny krok to posortowanie wyników według kolumny „Wyświetlenia”, co umożliwi identyfikację najlepiej performujących adresów URL.

Po wykonaniu tych kroków można szybko uzyskać konkretne dane, które wspierają dalszą analizę i podejmowanie decyzji. Sztuczna inteligencja może tu pomóc, automatyzując część procesu filtrowania i interpretacji wyników. Gdy nie wiemy, gdzie znaleźć konkretną informację lub napotykamy problem, warto podać kontekst narzędzi, z których korzystamy. W takich sytuacjach sztuczna inteligencja potrafi udzielić precyzyjnej odpowiedzi i wskazać dalsze kroki – na przykład dotyczące źródeł ruchu czy lokalizacji użytkowników. AI robi to w sposób konkretny i szybki.

Pojawia się oczywiście pytanie, czy analizę wykonamy samodzielnie. Jeśli mamy na to czas, sztuczna inteligencja może znacząco ułatwić ten proces.

Kolejny przykład zastosowania AI w analizie danych to pomoc w pisaniu zapytań SQL w Google BigQuery. Wystarczy podać odpowiedni prompt i kontekst, by uzyskać gotowe zapytanie. Taki scenariusz sprawdza się szczególnie dobrze w działaniach content marketingowych, gdzie często potrzebujemy analizować konkretne dane.

Dla przykładu, można przygotować projekt w BigQuery i skierować zapytanie do tabeli eksportu z eventami. AI potrafi wygenerować odpowiednie zapytanie SQL, co pozwala szybko przejść do analizy danych. W Google BigQuery dostępne jest pole, w którym można wstawić zapytanie SQL. Po jego wklejeniu warto sprawdzić poprawność składni i sformatować zapytanie, co ułatwia analizę. W tym przypadku pojawił się błąd, który należy zidentyfikować i poprawić. Funkcje dostępne w interfejsie BigQuery wspierają pracę analityka, umożliwiając sprawne diagnozowanie i korygowanie problemów w zapytaniach. W pracy z narzędziami analitycznymi osoby z obszaru biznesowego mogą napotkać trudności, zwłaszcza gdy nie posiadają doświadczenia w analizie danych. Często problemem okazuje się nie sam brak wiedzy, ale nieprecyzyjne sformułowanie zapytania do narzędzia lub systemu AI. W takich przypadkach trudno ocenić, czy problem wynika z błędnego promptu, czy z ograniczeń technologii.

Z własnych obserwacji wynika, że dostarczanie AI precyzyjnych informacji – na przykład wskazanie konkretnych błędów w zapytaniu – pozwala wygenerować znacznie lepszy kod SQL. Nadal jednak korzystanie z takich rozwiązań wymaga podstawowej znajomości analizy danych. Nawet zaawansowane wsparcie AI nie zastępuje całkowicie kompetencji analitycznych, a jedynie przyspiesza i usprawnia pracę.

Sztuczna inteligencja w analityce cyfrowej zyskuje coraz większe znaczenie. Warto przyjrzeć się przykładom zastosowań AI zaprezentowanym podczas konferencji Google, które pokazują, jak nowe technologie mogą wspierać analizę danych w codziennym funkcjonowaniu firmy, również tej działającej w modelu konsumenckim. Sprzedaż rośnie, ale spływ środków maleje. Skąd ten rozdźwięk? Aby zrozumieć sytuację, należy analizować cały proces – od momentu sprzedaży, przez zapisy, aż po sygnały płynące od klientów.

Kluczowe okazuje się zebranie i połączenie danych z różnych źródeł. Tradycyjnie dane są rozproszone, co utrudnia pełny wgląd w sytuację. Google BigQuery umożliwia integrację tych informacji – nie tylko z systemów sprzedażowych czy CRM, ale również z takich źródeł jak SAP czy Google Ads. Dzięki temu można uzyskać spójny obraz przepływu danych i diagnozować potencjalne problemy.

Warto zaangażować zespół inżynierii danych, który może przygotować bardziej zaawansowaną analizę i pomóc w identyfikacji przyczyn spadku wpływów finansowych mimo rosnącej sprzedaży. Analiza płatności pozwala zebrać dane o sprzedaży i źródłach ruchu w jedną, spójną tabelę. Dzięki temu możliwe jest zintegrowane spojrzenie na całość bez konieczności wdrażania złożonych integracji czy długiego oczekiwania na rezultaty.

Nowa tabela danych jest nie tylko przejrzysta, ale również funkcjonalna. Zawiera m.in. daty, które umożliwiają szczegółową analizę w czasie. Dzięki integracji z Google BigQuery możliwy jest teraz dostęp do rekomendacji generowanych przez Gemini, co dodatkowo zwiększa wartość analityczną danych. Mamy do dyspozycji czysty, prosty zestaw danych. Przechodząc do BigQuery Data Canvas, możemy rozpocząć analizę. Strukturalne dane są już gotowe. Aby jednak przeprowadzić analizę płatności, konieczne jest oczyszczenie sygnałów pochodzących z pliku PDF. Nie jest to proste zadanie. W tej sytuacji można skorzystać z pomocy agenta danych naukowych, który pomoże oczyścić informacje dotyczące zakupu i płatności oraz pogrupować kupujących w odpowiednie segmenty. W przeszłości analiza danych zajmowała wiele godzin i była skomplikowana. Obecnie, dzięki nowemu silnikowi BigQuery, nie ma potrzeby ręcznego przeszukiwania każdego pliku PDF. Kluczowe informacje można pozyskać automatycznie, co pozwala szybko segmentować kupujących na podstawie rzeczywistych danych.

Co wpływa na zmiany w koszyku zakupowym między grudniem a marcem? W tym przypadku specjalista ds. danych wykorzystuje nowy model Gemini oraz BigQuery Machine Learning do stworzenia zautomatyzowanego procesu analizy danych. System analizuje setki zmiennych w ciągu kilku sekund, dostarczając wyniki niemal natychmiast. Wygląda na to, że znamy przyczynę – terminy płatności. Nowa oferta w postaci płatności rozłożonych na 36 miesięcy, której celem było zwiększenie sprzedaży, spowodowała ostatnio opóźnienia w płatnościach. Warto przeanalizować, jaki wpływ ma to na przeglądy finansowe.

Aby to sprawdzić, konieczne jest ponowne przeanalizowanie danych. W tym celu warto sięgnąć po kod zapisany w Google BigQuery notebooku. W notebooku można zaprosić specjalistę ds. analizy danych, który pomoże przygotować odpowiednie zapytania.

Celem będzie stworzenie przeglądu na kolejne 3 miesiące, uwzględniającego zróżnicowanie klientów według kategorii. BigQuery wykorzystuje nowy, zaawansowany model przewidywania szeregów czasowych. Dzięki temu możliwe jest głębsze zrozumienie danych i uzyskanie bardziej precyzyjnych prognoz. W przypadku firm oferujących długoterminowe płatności rozłożone na 36 miesięcy może to stanowić wyzwanie analityczne.

Odpowiedź na ten problem jest jednak dostępna. Analizę można wzmocnić, uwzględniając dodatkowe zmienne, takie jak kategoria produktu. Włączenie jej do modelu pozwala lepiej uchwycić zależności i poprawić trafność prognoz.

W tym celu warto zaangażować zespół data science. Dzięki integracji z BigQuery Colab Composer, możliwe jest automatyczne uwzględnienie tych zmian i aktualizacja kodu, co znacznie usprawnia cały proces analityczny. Dzięki przeglądom segmentów kupujących i kategorii produktów można odpowiedzieć na wiele kluczowych pytań analitycznych. Analiza staje się znacznie prostsza i bardziej dostępna. Przykładowo, dane wskazują, że promocje z terminem 36 miesięcy wpływają na szybkie decyzje zakupowe w niektórych segmentach, takich jak jedzenie i napoje, ale nie mają większego znaczenia w innych, na przykład w kategorii medykamentów.

Tego typu podejście umożliwia wyjątkową precyzję w analizie i podejmowaniu decyzji. Zamiast wdrażać szeroko zakrojone działania, jak całkowite wycofanie promocji 36-miesięcznych, można oprzeć decyzje na danych, celach biznesowych i efektywności w konkretnych segmentach. Cały proces, który kiedyś zajmował miesiące manualnej pracy, dziś można zrealizować w kilka minut. Dzięki Gemini i Vertex AI, BigQuery staje się kompletną platformą danych, umożliwiającą szybsze niż kiedykolwiek łączenie informacji z wykorzystaniem naturalnego języka i kodu.

Jeśli cały system jest dobrze uporządkowany, możliwości wsparcia przez AI w analizie danych robią duże wrażenie. Jednym z narzędzi, które szczególnie zasługuje na uwagę, jest Coefficient. Umożliwia ono integrację danych z różnych źródeł – na przykład z arkuszy kalkulacyjnych – i pozwala wykorzystać mechanizmy sztucznej inteligencji do dalszej analizy.

To właśnie w obszarze analizy danych widać największy potencjał wsparcia ze strony AI. Automatyzacja, przyspieszenie pracy i łatwiejszy dostęp do kompleksowych danych otwierają nowe możliwości dla zespołów analitycznych. Podsumowując, na ile sztuczna inteligencja może zastąpić człowieka w analizie danych, warto ocenić ten potencjał na 4 w skali od 1 do 5. AI może przejąć większość zadań analitycznych, jednak nadal istotną rolę odgrywa człowiek – to on musi zadawać pytania, które stają się punktem wyjścia do dalszej analizy. Być może w przyszłości AI będzie w stanie nie tylko generować wnioski, ale również samodzielnie identyfikować problemy i zadawać pytania. Obecnie jednak największą wartością AI jest wspieranie analityka w procesie przetwarzania i interpretacji danych.

AI a wnioskowanie i rekomendacje: Potencjał i ograniczenia

W kontekście wnioskowania kluczowa jest jakość analizy oraz odpowiednio zdefiniowany kontekst. Dobry wniosek opiera się na rzetelnych danych i trafnej interpretacji. Przykładowo, w Google Analytics 4 można było zaobserwować spadek ruchu organicznego od 1 maja – jednak bez odpowiedniego kontekstu taka obserwacja może prowadzić do błędnych decyzji.

Warto pamiętać o zasadzie GIGO – Garbage In, Garbage Out. Jeśli dane są słabej jakości lub zostały źle przetworzone, to nawet najlepsze modele AI nie wygenerują wartościowych wniosków. Jakość danych i precyzyjna konfiguracja narzędzi analitycznych są więc kluczowe w całym procesie.

Z perspektywy zastosowania AI w analizie danych, dopóki otoczenie biznesowe nie zostanie w pełni zdigitalizowane, trudno mówić o całkowitym zastąpieniu człowieka przez sztuczną inteligencję. Mimo imponujących możliwości prezentowanych np. podczas konferencji Google, wiele procesów w firmach nadal pozostaje poza światem danych cyfrowych. AI może być doskonałym wsparciem, ale rola analityka, który rozumie kontekst biznesowy i potrafi zadawać właściwe pytania, pozostaje nie do przecenienia. W kontekście wykorzystania AI, jednym z przykładów zastosowania może być analiza danych z Google Analytics 4 pod kątem treści. Zakładając, że posiadamy dane z kwietnia, warto je wyeksportować — najlepiej w formacie CSV, zawierającym pełne wiersze danych.

Następnie, korzystając z narzędzi AI, można przygotować prompt z odpowiednim kontekstem. Do takiego promptu dołączamy plik CSV i prosimy AI o analizę. Oczekiwane rezultaty to m.in. identyfikacja najpopularniejszych treści według liczby odsłon, określenie tematyki najczęściej czytanych artykułów, poziomu zaangażowania użytkowników, artykułów generujących eventy (czyli konwersje), a także wnioski, które mogą posłużyć do dalszego planowania treści.

Jeśli dane zostały poprawnie zebrane i przygotowane, AI może skutecznie wspierać proces wyciągania wniosków. W wielu przypadkach trafne obserwacje nasuwają się same. Jednocześnie należy pamiętać, że skuteczność AI w tym zakresie zależy od jakości danych i sformułowania promptu. Przy dobrze przygotowanym materiale AI może częściowo zastąpić kompetencje analityczne — w tym przypadku oceniam to na 3 na 5 gwiazdek. Większy potencjał byłby możliwy, gdyby kontekst można było jednoznacznie przełożyć na dane. W analizie danych biznesowych często pojawiają się sytuacje, w których obserwujemy nagły spadek sprzedaży w konkretnym dniu. Po głębszym sprawdzeniu okazuje się, że przyczyną był problem po stronie IT. Warto zadać pytanie, czy wszystkie tego typu incydenty – zarówno te wewnętrzne, jak i zewnętrzne wobec samego produktu generującego dane – są odpowiednio zdigitalizowane.

W pełni udokumentowane i zapisane incydenty biznesowe mogłyby znacząco zwiększyć skuteczność narzędzi opartych na AI. Dzięki pełnemu kontekstowi algorytmy mogłyby lepiej wspierać analizę i wnioskowanie, dostarczając trafniejsze rekomendacje.

Skuteczna rekomendacja opiera się na trafnym wniosku oraz wiedzy dziedzinowej osoby, która ją formułuje. Jakość wniosków zależy nie tylko od samych danych, ale również od kontekstu, w jakim są one interpretowane. Im szersza i głębsza wiedza osoby analizującej, tym lepsze wnioski można wyciągnąć.

Często w procesie rekomendowania trzeba połączyć wiele elementów, które osobno mogą wydawać się nieistotne. Warto sprawdzić, jak narzędzia AI radzą sobie z takimi złożonymi zapytaniami, zwłaszcza gdy dodamy do nich pytanie: „Jakie rekomendacje możesz zaproponować w kontekście tych wniosków?”. Tego typu podejście może okazać się bardzo pomocne w podejmowaniu decyzji biznesowych opartych na danych. W ramach tego samego czatu użytkownicy zapytali AIA o rekomendacje dotyczące dalszego rozwoju treści. Propozycje obejmowały koncentrację na tematach narzędziowych i technologicznych, rozwój zagadnień związanych z analityką i optymalizacją e-commerce, optymalizację artykułów pod kątem zaangażowania i konwersji oraz wzmocnienie promocji wartości eksperymentów.

Wnioski były trafne, jednak często zbyt ogólne – można je łatwo dopasować do dowolnego biznesu, bez uwzględnienia specyfiki danej branży. Tego typu uogólnienia ograniczają użyteczność rekomendacji. Właśnie dlatego warto podkreślić znaczenie wiedzy dziedzinowej, która w tym kontekście odgrywa kluczową rolę.

Ocena 3 na 5 gwiazdek wydaje się uzasadniona. Jakość wniosków może wzrosnąć, jeśli zostaną one osadzone w konkretnym, zdygitalizowanym kontekście. Bez tego trudno oczekiwać precyzyjnych i wartościowych wskazówek.

Przyszłość zawodu analityka w erze AI

Warto podsumować cztery kluczowe etapy pracy z danymi: od ich pozyskania, przez analizę, aż po formułowanie wniosków i rekomendacji. Obecnie narzędzia oparte na AI wykazują imponującą zdolność do przetwarzania i zapamiętywania ogromnych ilości informacji. Jednak nadal brakuje im umiejętności łączenia danych w spójną całość.

Można to porównać do wybranych przypadków ze spektrum autyzmu, zwłaszcza tzw. savantów, którzy wyróżniają się fenomenalną pamięcią, ale mają trudność z syntetyzowaniem wiedzy. Przykładem może być postać z filmu „Rain Man” – bohater potrafił zapamiętać setki książek, lecz nie potrafił wykorzystać tej wiedzy w szerszym kontekście.

Podobnie jest z AI. Choć obecne modele potrafią gromadzić i przetwarzać dane na ogromną skalę, nadal nie potrafią w pełni samodzielnie wyciągać trafnych wniosków bez odpowiedniego kontekstu i interpretacji ze strony człowieka. Jeśli zapewnimy sztucznej inteligencji odpowiedni kontekst zapytania i dostarczymy dane, które ten kontekst precyzują, AI rzeczywiście może wspierać procesy analityczne w inteligentny sposób. Jednak dopóki to człowiek nie nada analizie kierunku i sensu, AI pozostaje jedynie narzędziem wspomagającym. Może znacząco przyspieszyć pracę, ale nie zastępuje kompetencji analityka.

Czy zawód analityka jest zagrożony? Czy biznes poradzi sobie bez analityki?

Obecnie analityk internetowy to nie tylko specjalista od danych, ale często również osoba łącząca kompetencje z zakresu business analysis, data engineering i data science. W takiej formie rola ta wymaga szerokiej wiedzy, zrozumienia kontekstu biznesowego i umiejętności interpretacji danych.

AI dobrze radzi sobie z rutynowymi, powtarzalnymi zadaniami, szczególnie tam, gdzie dane są już uporządkowane i łatwe do przetworzenia. Jednak wiele istotnych informacji i kontekstów nie znajduje się w danych, lecz funkcjonuje wyłącznie w strukturach organizacyjnych lub w głowach pracowników.

Z perspektywy bieżącego rozwoju technologii, zawód analityka nie jest zagrożony. Zwłaszcza na etapie zbierania i przygotowywania danych, gdzie rola człowieka pozostaje kluczowa. A to właśnie od tego etapu zaczyna się cała analiza. Aby skutecznie wykorzystywać sztuczną inteligencję w pracy analityka internetowego, kluczowe jest najpierw solidne opanowanie podstawowej analityki. Dopiero wtedy AI może realnie wspierać i przyspieszać codzienne działania.

Jednym z najważniejszych obszarów rozwoju dla analityka jest analityczne myślenie. To przede wszystkim umiejętność rozkładania problemu na części składowe oraz zadawania trafnych pytań. Gdy analityk dobrze rozumie kontekst biznesowy i potrafi efektywnie komunikować się z interesariuszami, narzędzia oparte na AI stają się realnym wsparciem w wielu aspektach analizy danych.

Sama sztuczna inteligencja nie zastąpi jednak kompetencji analitycznych, dopóki kontekst biznesowy nie zostanie odpowiednio ustrukturyzowany i zdigitalizowany. Aby AI działało skutecznie, niezbędne jest przygotowanie spójnego i zrozumiałego modelu danych – takiego, który będzie przejrzysty dla całej organizacji. Dane muszą być czytelne i jednoznaczne, aby każda osoba mająca z nimi kontakt wiedziała, co one oznaczają.

Warto zapoznać się z materiałami dotyczącymi tworzenia i wykorzystania modelu danych w marketingu – to jeden z kluczowych elementów skutecznej analizy i automatyzacji procesów z wykorzystaniem AI. Zastosowanie AI w analityce danych znacząco skraca proces przechodzenia od danych do działania. Sztuczna inteligencja wspiera analizę, automatyzując wiele powtarzalnych zadań, jednak nie zastępuje ludzkich kompetencji. Kluczowe pozostaje zrozumienie biznesu, umiejętność formułowania właściwych pytań oraz korzystania z dostępnych narzędzi.

Rola analityka przestaje być utożsamiana wyłącznie z biegłością w SQL. Coraz większe znaczenie ma myślenie strategiczne, zdolność rozkładania problemów na czynniki pierwsze oraz interpretacja danych w kontekście celów biznesowych. Dobry analityk łączy kompetencje techniczne z umiejętnością nadawania danym realnej wartości biznesowej.

W kontekście rozwoju narzędzi opartych na AI warto obserwować, jak zmienia się rola zespołów analitycznych i jakiego rodzaju kompetencje będą kluczowe w nadchodzących latach. Dziękuję za uwagę.

Podsumowanie

Podsumowując, analityka internetowa w erze AI to synergia technologii i ludzkich kompetencji. Sztuczna inteligencja oferuje potężne narzędzia do automatyzacji, przyspieszania i usprawniania procesów analitycznych – od zbierania i organizacji danych, przez ich analizę, aż po generowanie wstępnych wniosków i rekomendacji. Szczególnie w obszarze analizy, AI znacząco zwiększa efektywność, umożliwiając szybkie przetwarzanie ogromnych zbiorów danych i wykrywanie anomalii.

Niemniej jednak, rola człowieka w tym procesie pozostaje niezastąpiona. To analityk internetowy, ze swoją wiedzą biznesową, zdolnością do formułowania trafnych pytań i interpretacji danych w kontekście strategicznych celów, nadaje sens pracy AI. Bez ustrukturyzowanego kontekstu biznesowego i wysokiej jakości danych, nawet najbardziej zaawansowane algorytmy nie dostarczą wartościowych wniosków.

Zawód analityka ewoluuje – z biegłości w narzędziach technicznych w kierunku myślenia strategicznego i umiejętności transformowania danych w konkretne działania biznesowe. Skuteczne wykorzystanie AI wymaga najpierw solidnych podstaw analitycznych i zrozumienia, w jaki sposób sztuczna inteligencja może wspierać, a nie zastępować, ludzką kreatywność i doświadczenie. Przyszłość analityki to harmonijna współpraca człowieka z maszyną, gdzie AI jest potężnym sojusznikiem w osiąganiu przewagi konkurencyjnej.

The post Jak AI zmieni pracę analityków internetowych? first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Wprowadzenie i unikalna perspektywa Michała Przybysza
Transformacja cyfrowa i zarządzanie zmianą w retailu
Kiedy dane zaczynają być istotne? Od P&L-a do detalu
Praktyczne zastosowanie danych: ROPO, stock i mikrokonwersje
Dane w pricingu: od manualnej pracy do dynamicznych modeli
Wyzwania i przyszłość danych w e-commerce
Podsumowanie: Główne wnioski z rozmowy

Wprowadzenie i unikalna perspektywa Michała Przybysza

Mariusz Michalczuk: Cześć, witajcie w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Waszym gościem jest Michał Przybysz.

Przygotowałem krótkie podsumowanie. Z mojej perspektywy Michał jest jedną z najbardziej doświadczonych osób, praktyków w e-commerce w Polsce. Przez ostatnie osiemnaście lat budował i transformował cyfrowo największe sieci handlowe w kraju. Jego kariera obejmuje role w Leroy Merlin, Media Markt, Ikea, aptece Gemini oraz Superfarm. Stanowi to unikalną perspektywę na wykorzystanie danych w procesach decyzyjnych w retailu i polskim e-commerce.

Jako były Chief Digital Officer i członek zarządów, Michał odpowiadał za strategiczne projekty, koncentrując się przede wszystkim na budowaniu e-commerce i transformowaniu sprzedaży detalicznej w sprzedaż wielokanałową, czyli omnichannel. Dane w każdym z tych projektów były bardzo istotne. Michał, bardzo dziękuję, że przyjąłeś moje zaproszenie. Czy coś byś uzupełnił do tego, co powiedziałem o Tobie?

Michał Przybysz: Cześć, dziękuję. Tak ładnie powiedziałeś, że ciężko uzupełnić. Chyba sobie sam to nagram i będę puszczał wieczorem.

Właściwie jedyne, co mogę dodać, to aspekt mniej e-commerce’owy i mniej związany z danymi, ale dla mnie niezmiernie istotny. Firmy te były z różnych branż, ale również z różnych kultur organizacyjnych: od szwedzkiej przez polską, francuską i niemiecką. Miały też różne struktury właścicielskie – były firmy właścicielskie i funduszowe, co było dość istotne.

Miało to spory wpływ na sposób, w jaki ja, wraz z zespołem, mogliśmy prowadzić projekty, a także jak patrzyliśmy na dane, ich rozwój i wykorzystanie w firmie. To jest aspekt bardziej leadershipowy czy strukturalny, który ma ogromny wpływ na wdrażanie projektów, zwłaszcza tych związanych z dużą zmianą i rozbudowywaniem zespołu.

Transformacja cyfrowa i zarządzanie zmianą w retailu

Mariusz Michalczuk: W wielu z tych projektów wprowadzałeś e-commerce, transformowałeś organizacje stricte brick-and-mortar w cyfrowe. To były typowe projekty zmiany. Opowiedz o tej zmianie mentalności – jak to wyglądało w różnych organizacjach, gdzie były większe lub mniejsze wyzwania? Jakie ciekawostki wiązały się z tymi projektami?

Michał Przybysz: Faktycznie w trzech z tych pięciu firm wdrażałem e-commerce od zera. To była dla mnie największa motywacja – wprowadzać firmy w świat e-commerce i transformować je, digitalizując i wzbogacając o kompetencje. Rozwijałem kompetencje zarówno przez ściąganie ludzi z zewnątrz, jak i przez angażowanie osób z wewnątrz, zwłaszcza ze sprzedaży. Ci, którzy mieli znajomość produktu i obsługi klienta, a także chęć nauki świata digitalu, połączyli swoje umiejętności, co dawało ogromne efekty i wzrost kompetencji, przekładając się na skuteczność projektów.

To częściowo odpowiada na Twoje pytanie, jak zarządzać tego typu zmianą: to połączenie wewnętrznych kompetencji z chęcią nauki oraz z zupełnie nowymi kompetencjami z obszaru digitalu i e-commerce.

Inny aspekt to to, że ja i inne osoby w podobnych rolach jesteśmy postrzegani jako szefowie e-commerce, ale często śmieję się z kolegami, że równolegle jesteśmy często managerami ds. zmian. Te projekty to jedna wielka zmiana w organizacjach, zwłaszcza w pierwszych latach. Jesteśmy również managerami ds. logistyki – logistyka w e-commerce to podstawa. Zatem to są te trzy role. Dla mnie to ogromna motywacja i przyjemność, że praca jest tak szeroka.

Mariusz Michalczuk: Mówisz, że połączenie kompetencji jest istotne. Ty, jako osoba odpowiedzialna za zmianę, wiedziałeś, co czeka poszczególne osoby. Jak to wyglądało z perspektywy pracowników? Zanim przeszliśmy do danych, trzeba było zbudować fundamenty. Jak osoby sprzedające offline, które wiedziały o nadchodzącym e-commerce, nastawiały się do tego? Wyobrażam sobie, że człowiek ma obawy przed nowym, a wtedy e-commerce raczkował w Polsce?

Michał Przybysz: To ogromne wyzwanie. Wdrożenie tego typu projektów w firmach bardzo offline’owych to wejście w każdy dział. Często mówię, że te projekty zaczynały się i kończyły na księgowych – kwestie wystawienia paragonu czy faktury elektronicznej wydawały się proste, ale ciągnęły się miesiącami ze względów prawnych lub niezrozumienia systemowego. To tylko przykład, bo to wejście w każdy obszar firmy, wciągnięcie ludzi i włączenie ich w projekt. Często dla nich to dodatkowa praca, zwłaszcza na początku, co sprawiało wiele trudności.

Podam konkretny przykład z IKEA, gdzie przez 5 lat wdrażaliśmy e-commerce od zera. Otrzymywałem pytania od sprzedawców w sklepach: „Michał, czy stracimy pracę przez Twój projekt e-commerce? Ilu z nas straci pracę?”. Myśleli, że rozwój e-commerce i przeniesienie sprzedaży do kanału cyfrowego oznacza mniej klientów w sklepach i mniejsze zapotrzebowanie na sprzedawców. Oczywiście tak się nie działo – nikt nie tracił pracy, wręcz przeciwnie, byli włączani w te projekty.

W zarządzaniu zmianą, poza uruchamianiem procesów, dużo czasu poświęcaliśmy na zarządzanie emocjami i komunikowanie, z czym wiąże się ten proces. Ulubionym przykładem urozmaicenia komunikacji o e-commerce i omnichannelu było zaangażowanie kabaretu improwizacyjnego. Miał on kilkugodzinne sesje w wewnętrznych częściach sklepów, gdzie poprzez kabaretową improwizację wciągał sprzedawców i innych pracowników w rozmowę o tym, czym jest omnichannel, dlaczego go robimy i po co wdrażamy. To był element change managementu w firmie.

Oprócz tego była gamifikacja, wewnętrzna aplikacja z konkursami związanymi z omnichannel, gdzie przemycaliśmy informacje o procesach. To trudny, ale najciekawszy element pracy przy wdrażaniu dużych projektów, jakimi bez wątpienia był i jest e-commerce. Wiele firm dopiero wchodzi w podstawy e-commerce, co dzieje się od kilkunastu lat i wciąż trwa.

Kiedy dane zaczynają być istotne? Od P&L-a do detalu

Mariusz Michalczuk: Na którym etapie dane zaczynają być istotne? Zakładam, że budowanie danych zaczyna się wcześniej w omnichannelu. Gdy zaczynasz budować kulturę, by pracownicy zrozumieli i nie bali się zmian, na którym etapie pojawiają się dane?

Michał Przybysz: Dane pojawiają się na każdym etapie. Z biegiem czasu, jest ich dużo więcej. Kilkanaście lat temu więcej było założeń opartych na „wydaje mi się”. Teraz tych „wydaje mi się” jest dużo mniej, bo dane są dostępne, albo trzeba je zebrać na starcie.

Pierwszym i najważniejszym elementem jest zbudowanie business case’u i P&L-a, a następnie jego mierzenie. Dla wielu rozwiniętych firm z zaawansowanym raportowaniem to wydaje się oczywiste, ale zbudowanie dobrego P&L-a, gdzie dobrze mierzymy i przypisujemy wartości do poszczególnych kanałów na bieżąco, wcale nie jest łatwe.

Teraz z zaskoczeniem odkrywam, że wiele niemałych firm w Polsce, rzędu setek milionów obrotów, ma słabo rozwinięte podstawowe raportowanie P&L-owe: topline, bottomline, marża pierwsza, druga, trzecia, EBITDA i wchodzenie w szczegóły. To punkt wyjścia do budowania biznesu i jego raportowania. Jest to wyjątkowo trudne i wymaga ciągłej pracy nad udoskonalaniem. Im większe biznesy i więcej powiązań między kanałami, tym szczegóły są ważniejsze. Niewiele firm robi to naprawdę dobrze. Wciąż odkrywamy miejsca, gdzie coś źle mierzyliśmy lub przypisywaliśmy w P&L-ach, co ma znaczący wpływ na rentowność i decyzje.

Mariusz Michalczuk: Zaczynamy od góry. Ja zawsze mówię, że pierwszym poziomem odniesienia są podatki, które wynikają ze sprawozdań finansowych. Następnie schodzimy niżej, do bardziej szczegółowych, granularnych danych. Jak to wyglądało z Twojego doświadczenia? Masz P&L-a, a potem jak powinno wyglądać raportowanie, takie bottom-down od P&L-a i zejście niżej?

Praktyczne zastosowanie danych: ROPO, stock i mikrokonwersje

Michał Przybysz: Nie będę wchodził w szczegóły P&L-a, ale podam przykłady danych i ich mierzenia. Temat, który zawsze mnie interesował, to zmniejszenie wpływu online na cały biznes i offline, czyli efekt ROPO (research online, practice offline) i odwrotnie.

Inwestując w strony internetowe i funkcjonalności e-commerce, które generują sprzedaż w sklepach fizycznych poprzez ruch i świadomość marki, zadawaliśmy sobie pytanie: jak zmierzyć wartość tej inwestycji? Kilkanaście lat temu, gdy nie było danych łączących online z offline, wymyśliłem konkretne badanie ankietowe. Pytaliśmy klientów w sklepach stacjonarnych, czy przed wizytą byli na stronie firmy, czy przygotowywali się do zakupu, sprawdzali dostępność i ceny, a następnie, czy kupili produkt, który sprawdzili. Uzyskaliśmy wiarygodne dane o tym, jak klienci korzystali ze strony do zakupów stacjonarnych. Cykliczne badania pozwalały mierzyć zmianę i wzrost wartości strony.

W kolejnej firmie mogliśmy to mierzyć inaczej, powiązując dane klientów stacjonarnych z programu lojalnościowego. Mając profil klienta i jego zakupy, łączyliśmy go z cookiesami i listami na stronie internetowej. Dla próbki klientów, których udało nam się „złapać” (mieliśmy ich cookiesa, dane z programu lojalnościowego i dane sprzedażowe), mogliśmy zmierzyć, czy klient oglądał dany produkt na naszej stronie, a kilka dni później kupił go w sklepie. Wyzwaniem było budowanie masy klientów w bazie danych i powiązanie cookiesów, a potem multi-devicing (komórka, ekran).

Choć próbka była niewielka w stosunku do całej masy klientów, to były tysiące klientów, co pozwalało wyciągać wnioski o wartości strony dla sprzedaży stacjonarnej. Trudniej było zmierzyć efekt odwróconego ROPO. My mierzyliśmy typowo ROPO.

W jeszcze innej firmie, gdzie próbka była duża (kilkanaście, a nawet dwadzieścia procent klientów), widzieliśmy, że klienci kupują tylko online, tylko offline, albo online i offline (Omnichannel). Bardzo jasno wychodziło, że klienci Omnichannel kupowali częściej i mieli wyższe roczne zakupy (life time value) niż ci, którzy kupowali tylko online lub tylko offline. Dzięki temu mogliśmy podejmować decyzje, jak mocno inwestować w ten kanał.

To były argumenty w wewnętrznych dyskusjach, czy online kanibalizuje offline. Jasno wynikało, że oba kanały współgrają. Klient raz kupi w jednym, raz w drugim. Raz z niższą marżą (często online ma niższe ceny), raz z wyższą ceną (offline), ale sumarycznie jest bardziej przywiązany i częściej u nas kupuje. Zatem, w zależności od firmy i posiadania programu lojalnościowego, można wiele mierzyć między kanałami. Jest to wyzwanie i ma ograniczenia (klienci lojalnościowi mogą być bardziej lojalni), ale to już twarde dane, które można mierzyć codziennie i obserwować zmiany.

Mariusz Michalczuk: Dane o przepływie użytkowników i połączeniu ich w omnichannelu potwierdzały zasadność inwestowania. Skoro klienci omnichannelowi są bardziej wartościowi, jakie były taktyki, by zachęcać klientów online do zakupów offline lub offline do online, zwiększając liczbę klientów omnichannelowych i poprawiając całościowy wynik P&L-a?

Michał Przybysz: To pytanie rzeka, nie ma jednej odpowiedzi. Starałem się prowadzić strategiczne rozmowy tak, by celem nie było przeciąganie klientów między kanałami, lecz budowanie ich lojalności i zachęcanie do zakupów w naszej firmie, niezależnie od kanału. Odwoływaliśmy się do segmentacji i targetowania konkretnych ofert produktowych czy promocyjnych.

Głównym celem, który się sprawdza i który warto mierzyć, jest to, żeby klient miał możliwość wyboru kanału, w którym kupuje. Nie należy go targetować i przeciągać. Były oczywiście dyskusje wewnętrzne, by przeciągać do offline ze względu na wyższe marże, ale to nie zawsze działa. Są kampanie bardziej offline’owe czy online’owe, często skierowane do różnych grup w danym momencie. To temat rzeka.

Wszystko odbywało się metodą prób i błędów, mnóstwem testów, targetowania i segmentacji. Najlepiej korzystać z grupy kontrolnej, by sprawdzać, czy działania przynoszą efekty. To jest łatwe, gdy ma się dane i segmentuje komunikację, kierując jej część do grupy kontrolnej.

Mariusz Michalczuk: Fajnie przedstawiłeś mierzenie efektu ROPO. Dziś mamy programy lojalnościowe i aplikacje mobilne. Jeśli firma nie ma tych narzędzi, czy są inne pośrednie sposoby, aby zmierzyć użytkownika omnichannelowego, poza bezpośrednim pytaniem?

Michał Przybysz: To była raczej próba wdrażania kolejnych elementów i narzędzi, takich jak aplikacja mobilna, co pozwalało zbierać więcej danych. Największym wyzwaniem jest ogrom danych i ich łączenie. Użytkownik korzysta z aplikacji mobilnej lub strony internetowej, często z różnych urządzeń, a potem identyfikuje się w sklepie. Połączenie tych danych i przypisanie konkretnej akcji do użytkownika to potężne wyzwanie.

Wymaga to dużej inwestycji w stworzenie Customer Data Platform (CDP), na której dane są zbierane, manipulowane i analizowane. To potężny temat i projekt, który w firmach, w których pracowałem, był zawsze w fazie udoskonalania. Ma jednak ogromny potencjał.

Mariusz Michalczuk: Projekty bazujące na danych to zazwyczaj duża inwestycja, a zwrot jest odroczony. Świadome firmy decydują się na nie. Budowa jednego źródła prawdy to wyższy poziom dojrzałości analitycznej. Jakie miałeś strategie, by osiągnąć ten poziom i pielęgnować kulturę data-driven? Co robiłeś, aby dane zyskiwały coraz wyższy priorytet w firmie?

Michał Przybysz: Najlepsze podejście to małymi kroczkami pracować na poszczególnych miernikach, wykorzystywać je w praktyce i pokazywać efekty w organizacji.

Przykład offline-online: W jednej z firm sprzedaż e-commerce czy omnichannel opierała się na sklepach stacjonarnych, które realizowały większość zamówień ze swojego stocku. Każdy sklep był niezależną jednostką ze swoim P&L-em i dyrektorem, który był współwłaścicielem. Zależało mu na tym, by zamówienia z jego obszaru (po kodach pocztowych) wpadały do niego. Gdy w sklepie brakowało produktu, zamówienie trafiało do innego sklepu, który go miał. Dyrektorzy mieli pretensje, ale my tłumaczyliśmy: „Nie miałeś produktu. Gdybyś go miał, to byłoby Twoje zamówienie, Twój klient, Twoja sprzedaż, Twoja marża.”

Żeby to rozwiązać, przygotowaliśmy raport dla sklepów, pokazujący, których produktów nie mieli, a gdyby mieli, to mieliby sprzedaż. Umożliwiło to pracę ze stockiem w sklepie stacjonarnym pod kątem sprzedaży online. Zoptymalizowaliśmy logistykę i replenishment, a także pokazaliśmy sklepom stacjonarnym wartość e-commerce. Ci, którzy korzystali z raportów, zwiększali swoją sprzedaż omnichannelową i click&collect w swoich sklepach. To był prosty raport, który trzeba było stworzyć i udostępnić. Zauważyliśmy jednak, że tylko część osób z niego korzystała – ci, co korzystali, potrafili efektywnie pracować ze stockiem.

Drugi przykład, bardzo online’owy: konwersja. Pracując na mikrokonwersjach, gdy mieliśmy problem na stronie, mogliśmy pokazać efekty tej pracy zarządowi. W ten sposób pokazaliśmy, jak granularne dane e-commerce można wykorzystać do zwiększania sprzedaży. W pewnym momencie konwersja w jednym z biznesów zaczęła spadać. Szukając przyczyn, poprzez mikrokonwersje (konwersje na poszczególnych etapach zamówienia klienta), zobaczyliśmy, że na ostatnim etapie koszyka, przy płatności, nagle spada konwersja i tracimy klienta.

Okazało się, że problem był trywialny: błąd na jednej z form płatności. Inne błędy tego nie wykryły. Dopiero zajęcie się płatnościami i sprawdzenie, które metody nie działają, pozwoliło to poprawić. Konwersja wróciła do satysfakcjonującego poziomu, a nawet wzrosła po dodaniu nowej formy płatności. Proces trwał, wymagał generowania raportów mikrokonwersji – dużo pracy dla analityka webowego z Google Analytics – ale dało to wymierne korzyści. Na ogólnej konwersji problem był niewidoczny, a granularna analiza ścieżki klienta w online pozwoliła go zdiagnozować.

Mariusz Michalczuk: Zdecydowanie. Przychodzi mi do głowy sytuacja, gdy duża firma e-commerce zgłosiła spadek konwersji. Idąc od ogółu do szczegółu, okazało się, że jeden z zespołów podjął decyzję o częstszym wysyłaniu newslettera. Newsletter generował dużą część przychodu, ale zwiększenie częstotliwości z dwóch do trzech razy w tygodniu spowodowało, że ludzie zaczęli się wypisywać. Oczywiście, mniejsza baza oznaczała mniejszą konwersję i przychody. To była inżynieria wsteczna problemu – coś jest na górze, rozkładamy to na elementy i sprawdzamy. Szczęśliwie, w przypadku newslettera, debugowanie było łatwiejsze, choć i tak wymagało analizy.

Michał Przybysz: W naszym przypadku poprawka była łatwa do wdrożenia. Ale nie zawsze tak jest. Mieliśmy przypadki, gdzie spadek konwersji widzieliśmy na wcześniejszym etapie i tam problem był trudniejszy do zdiagnozowania. Trzeba było głębiej kopać w dużej próbce danych. Nie pamiętam konkretnego przykładu, ale konwersja spadała na innym etapie koszyka i trudniej było znaleźć przyczynę. Mogły to być nie tylko błędy na stronie, ale też kwestia pricingu czy niedopasowanej oferty. Zwłaszcza na wcześniejszych etapach, jak wejście na stronę czy dodawanie do koszyka, spadek konwersji może wynikać z wielu przyczyn: od problemów technicznych, przez ścieżkę klienta, po pricing, niedopasowanie oferty czy dostępność. Tutaj może być dużo więcej przyczyn.

Mariusz Michalczuk: Hipotez może być sporo. Skoro rozmawiamy o konwersji, chciałem Cię podpytać o metryki wykorzystywane w różnych biznesach i e-commerce. Pracowałeś w bardzo odmiennych branżach – zakładam, że raportowane metryki są skrajnie różne. Jak to wygląda?

Michał Przybysz: Pytasz o różnice w branżach? Moim zdaniem metryki w branżach, w których pracowałem, są dość podobne. Retail to retail. Mówimy o retail omnichannel, nie stricte o pure e-commerce czy dużych graczach. Metryki są zbliżone. Różnice wynikają raczej z aktualnego momentu firmy lub specyficznej sytuacji, na której się skupiamy.

To są wszystkie oczywiste, podstawowe metryki, począwszy od źródeł ruchu, przez konwersje. Na początku wiele jest metryk logistycznych, co jest bardzo ważnym tematem przy optymalizacji. Tam jest mnóstwo danych, które można dobrze lub gorzej mierzyć, by zoptymalizować logistykę. Moim zdaniem, branże nie różnią się tutaj znacząco. Podałeś przykład fashion, w której nie pracowałem, tam faktycznie metryka zwrotu będzie bardzo istotna.

„Retail is detail” – to słynne powiedzenie funkcjonowało zanim powstał e-commerce, a w biznesach e-commerce’owych jest jeszcze bardziej aktualne. Tych metryk jest bardzo dużo – są ogólne, a potem wchodzimy w szczegóły. Dlatego skupiam się bardziej na metrykach, na których powinniśmy się skupiać w danym momencie w biznesie, niż na różnicach branżowych.

Jeśli jednym z obszarów jest optymalizacja logistyki, co w obecnej sytuacji jest kluczowe dla wielu e-commerce’ów z powodu rosnących kosztów i spadających marż, to tam wchodzi się w szczegóły, nawet takie jak układanie towaru w magazynie na półkach. Strefy „zimne” i „ciepłe” mają na celu umieszczenie produktów o wyższej rotacji bliżej ścieżki preparacji (człowieka lub automatu), aby nie marnować cennych sekund na dojście i skrócić ścieżkę. To ogromna ilość danych.

Przy kilkudziesięciu tysiącach produktów (SKU) w magazynie, optymalizacja stref i układu produktów (który zmienia się sezonowo) to ogrom pracy w analizie danych i fizycznym przenoszeniu towaru. Celem jest zmniejszenie kosztu per operacja, per produkt czy per zamówienie. Mamy tu ogrom danych i dużo pracy dla analityków i logistyków. To jest praca ciągła. Zdarzało się, że po trzech miesiącach znowu rosły koszty w logistyce i trzeba było szukać optymalizacji, bo różnice to czasem grosze w koszcie per linia.

Mariusz Michalczuk: Przy dużej skali ma to ogromne znaczenie.

Michał Przybysz: Tak, dokładnie.

Dane w pricingu: od manualnej pracy do dynamicznych modeli

Mariusz Michalczuk: Mówiliśmy wcześniej o wykorzystaniu danych w pricingu. Czy mógłbyś opowiedzieć, jak dane są wykorzystywane w tym obszarze? Widziałem ostatnio wpis o rabatach cenowych, które mają zwiększać popyt. Pokazywał on, ile produktu musi się sprzedać, by nadrobić 10% obniżkę ceny, biorąc pod uwagę niższą marżę. Jak wyglądało to w Twoich projektach związanych z pricingiem, jak dane były wykorzystywane i do czego doszliście?

Michał Przybysz: To kolejny obszar, obok logistyki, z ogromem danych. Ostatnie lata pokazują znaczący wzrost wagi pracy z pricingiem opartym o dane, a wręcz dynamic pricing. W jednej z firm, do której dołączyłem, w dziale e-commerce kilkanaście osób manualnie pracowało nad cenami, a oferta była szeroka. Pracowali w dużej mierze na podstawie znajomości rynku i wyczucia, skutecznie, bo znali produkt. Jednak przy skalowaniu biznesu i optymalizacji marżowo-sprzedażowej, uruchomiono projekt przejścia na automatyczny pricing oparty o dane, polityki i porównanie do konkurencji.

W pricingu kluczowe jest porównanie danych z konkurencją i analizowanie Price Indexów (ogólnych i podzielonych na kategorie), aby zrozumieć naszą pozycję – czy jesteśmy tańsi, drożsi, czy na równi. Analiza Price Indexów ważonych i nieważonych sprzedażą ma znaczenie dla wniosków o naszej strategii cenowej. Następnie systemy, początkowo nieskomplikowane, mogą rekomendować zmiany cen automatycznie lub półautomatycznie na podstawie polityki cenowej i cen konkurencji.

Korzystaliśmy zarówno z zewnętrznych silników SaaS-owych, jak i wdrażaliśmy własny engine od zera z działem IT i analiz, który nawet ekonometrycznie wyliczał modele produkt versus konkurencja. To bardzo skomplikowany temat. W obecnej sytuacji, przy silnej konkurencji i wojnie cenowej, rola pricingu i analityków bardzo rośnie – warto w to inwestować.

Chciałbym wspomnieć o jeszcze jednym aspekcie: realne dane o cenach versus percepcja cenowa, czyli jak klienci nas postrzegają. W jednej z firm cyklicznym badaniem mierzyliśmy percepcję cenową, sprawdzając, jak klienci postrzegają naszą firmę w porównaniu do konkurencji. Okazywało się, że percepcja nie zawsze pokrywała się z naszymi założeniami – różni klienci (np. lojalni z programu lojalnościowego kontra nowi) mogli postrzegać nas inaczej. Te znaczące różnice mogą wpływać na pozycjonowanie i strategię cenową.

Mariusz Michalczuk: Te badania były wtedy bardziej jakościowe, czy prowadzone jako ankiety?

Michał Przybysz: To było badanie ilościowo-jakościowe na odpowiednio dobranej statystycznie próbce klientów, zazwyczaj online. Pytano klienta, czy jest naszym klientem, a jeśli tak, to czy postrzega nas jako droższych, tańszych, czy na równi w porównaniu do konkurencji. To zazwyczaj kilka, kilkanaście pytań. Jest to bardzo fajne narzędzie. Price indexy z jednej strony, a z drugiej percepcja cenowa, jak klienci nas postrzegają. To świetny materiał do ustalania polityki cenowej i pracy z marżą, ponieważ celem jest zazwyczaj jej zwiększenie.

Wyzwania i przyszłość danych w e-commerce

Mariusz Michalczuk: Oczywiście, jak najbardziej. Dotykałeś danych na praktycznie każdym poziomie e-commerce. Z perspektywy Twojego doświadczenia, rozwoju branży i wydarzeń na świecie w ostatnich 4-5 latach – co jest teraz wyzwaniem w kontekście danych w e-commerce? Czego Ci brakuje? Co chciałbyś, żeby było lepiej widoczne, zmierzone? Jak widzisz dalszy rozwój?

Michał Przybysz: Zanim odpowiem, muszę zaznaczyć, że wyzwaniem, zarówno dla mnie, jak i dla klientów, z którymi pracuję, jest to samo, co było lata temu: spójność danych i ich spójne rozumienie w organizacji, w różnych działach, oraz spójne ustalanie celów. Przy obecnej, rosnącej ilości danych, trudniej jest sprawić, by ludzie rozumieli je podobnie, pracowali na podobnych celach, co prowadziłoby do synergii, a nie konfliktów między działami. To wciąż wyzwanie, a nawet coraz większe.

Staram się zwracać na to uwagę i uspójniać sposób czytania danych w firmie, choć jest to trudne, bo wiąże się często z bonusami, promocjami czy awansami.

Odpowiadając na Twoje pytanie: za mało skupiałem się na modelu atrybucji. Chciałbym osobiście zgłębić ten temat bardziej. Mówimy o e-marketingu, wydatkach marketingowych i pozyskiwaniu ruchu na stronę czy do aplikacji mobilnej. Wiemy, że pozyskanie klientów jest coraz trudniejsze, a koszty marketingowe rosną. Aby dobrze wydawać środki, model atrybucji jest niezmiernie istotny – przypisanie kosztu marketingowego do konkretnego źródła.

Uważam, że to element, w który warto zainwestować, by dobrze mierzyć, a następnie, wykorzystując model atrybucji, dobrze przypisać źródła danych i rozdzielać wydatki marketingowe. To ogromny temat. Głównym problemem jest przypisanie źródła ruchu do kosztu, a także to, że poszczególne platformy mierzą koszty inaczej. Trudno jest podejmować decyzje, który wydatek się opłaca i w które źródło warto inwestować.

Mariusz Michalczuk: Problemy techniczne mnie dopadły, ale to nic. Bardzo inspirujące jest Twoje doświadczenie, zwłaszcza w kontekście wykorzystania danych. Dziękuję za podzielenie się tym, co przeżyłeś i jak wykorzystywałeś dane. Czy mógłbyś podzielić się z naszymi słuchaczami jednym słowem podsumowania w kontekście Twojego doświadczenia i wniosków płynących z wykorzystania danych w trakcie kariery?

Michał Przybysz: Wdrażając projekty i zarządzając biznesem, starałem się patrzeć na dane z różnych obszarów. Oczywiście, za tym stały osoby, które te dane zbierały, przygotowywały i analizowały. Kluczowe jest posiadanie choćby jednej osoby, która potrafi pracować z danymi – niekoniecznie od razu analityka biznesowego, inżyniera danych czy data scientista. To mogą być osoby z marketingu, controllingu, które potrafią wyciągać dane, wnioski i stawiać hipotezy.

Ogromne wyzwanie to mieć dane spójne i wiarygodne, a następnie wyciągać z nich wnioski i stawiać hipotezy. To trudny element, na którym warto się skupić i wewnętrznie dyskutować.

Mariusz Michalczuk: Super, bardzo dobre podsumowanie. Z mojego doświadczenia wartość z danych i analizy zaczyna się w momencie postawienia hipotezy, tymczasem większość firm kończy na raporcie – „jest raport, przyjrzeliśmy się, ale co dalej?”. Życzę, aby biznes tak podchodził do danych. Tobie życzę sukcesów w projektach i trzymam kciuki, aby dane nigdy nie kończyły się na raporcie, lecz prowadziły do hipotez, a najlepiej do konkretnych działań. Dziękuję za obecność i do zobaczenia.

Michał Przybysz: Dzięki bardzo. Cześć.

Mariusz Michalczuk: Cześć.

Podsumowanie: Główne wnioski z rozmowy

Rozmowa z Michałem Przybyszem podkreśla unikalną perspektywę w e-commerce, wynikającą z jego doświadczenia w transformacji cyfrowej największych sieci handlowych. Kluczowym wnioskiem jest to, że dane są fundamentalne na każdym etapie – od budowania business case’u i P&L-a, po szczegółową optymalizację operacji.

Wywiad uwypukla ewolucję mierzenia efektu ROPO, od badań ankietowych po zaawansowane łączenie danych z programów lojalnościowych, co pozwala na identyfikację wartości klientów omnichannelowych. Michał wskazuje na praktyczne zastosowania danych w optymalizacji stocku w sklepach stacjonarnych oraz w diagnozowaniu problemów z konwersją poprzez analizę mikrokonwersji.

Ważnym obszarem jest również wykorzystanie danych w pricingu, przechodzenie od manualnej pracy do automatycznych systemów dynamic pricing, uwzględniających zarówno realne ceny konkurencji, jak i percepcję cenową klientów. Obecne wyzwania koncentrują się na spójności danych w organizacji, wspólnym ich rozumieniu i ustalaniu celów, a także na precyzyjnym modelowaniu atrybucji marketingowej w obliczu rosnących kosztów pozyskania klienta. Całość rozmowy podkreśla, że wartość z danych zaczyna się od postawienia hipotezy i dążenia do konkretnych działań, a nie tylko do tworzenia raportów.

The post Michał Przybysz – Klient omnichannel w e-commerce jest bardziej wartościowy – Date With Data Talks first appeared on Conversion.

Wstęp
Proces zakupowy i porównanie metod
Ograniczenia i popularność InPostPay
Śledzenie konwersji i wyzwania w marketingu
Rozwiązania techniczne
Implementacja systemu śledzenia
Dyskusja na temat alternatywnych podejść
Podsumowanie

Wstęp

Łukasz odpowiada za e-commerce, a Ania za marketing. Sklep internetowy, w którym pracują, wdrożył InPostPay. Rozwiązanie zwiększa konwersje, co cieszy Łukasza, jednak jednocześnie utrudnia optymalizację kampanii opartych na danych o konwersjach, co stanowi problem dla Ani.

W tym artykule opisuję, jak rozwiązać ten problem, aby zarówno Łukasz mógł cieszyć się większą liczbą konwersji, jak i Ania miała pewność, że kampanie nadal są skutecznie optymalizowane na podstawie danych. InPostPay to nowa metoda płatności i finalizacji zamówienia. Warto przyjrzeć się jej działaniu oraz wpływowi na konwersję, użyteczność i marketing.

Proces zakupowy i porównanie metod

InPostPay ułatwia proces zakupowy, co może pozytywnie wpłynąć na wskaźniki konwersji. Jednocześnie może generować wyzwania dla zespołów marketingowych, szczególnie w kontekście analizy skuteczności kampanii. Problemem może być automatyczne przypisywanie konwersji, co prowadzi do błędnych wniosków i ogranicza możliwości optymalizacji działań reklamowych.

W dalszej części artykułu omówione zostanie techniczne rozwiązanie tego problemu, które pozwala na skuteczne śledzenie danych o konwersji bez negatywnego wpływu na działania marketingowe. InPostPay można określić jako trzeci koszyk zakupowy. W tej metodzie użytkownik przy finalizacji zamówienia jest przenoszony do aplikacji InPostPay, która posiada już jego dane, takie jak numer telefonu, imię, nazwisko i adres e-mail. Dzięki temu proces zakupowy jest krótszy, a finalizacja zamówienia szybsza.

Aby lepiej zrozumieć działanie tego rozwiązania, warto porównać składanie zamówienia za pomocą InPostPay ze standardowym procesem zakupowym. W przypadku InPostPay użytkownik ma możliwość szybkiej płatności, ponieważ jego dane są już zapisane w systemie. To eliminuje konieczność ponownego wpisywania informacji, co usprawnia cały proces. Proces składania zamówienia z InPostPay jest zdecydowanie szybszy. Standardowo użytkownik przechodzi przez cały serwis, następnie trafia do koszyka i realizuje checkout. W zależności od jego struktury najczęściej obejmuje to wybór formy dostawy, metody płatności, podsumowanie zamówienia i finalizację transakcji.

Ograniczenia i popularność InPostPay

InPostPay skraca ten proces – już na etapie koszyka można przejść do aplikacji InPost i jednym kliknięciem sfinalizować zakup. To rozwiązanie jest dostępne w wielu sklepach i staje się coraz bardziej popularne. Warto jednak pamiętać, że finalizacja płatności jest możliwa wyłącznie z poziomu aplikacji mobilnej. Proces płatności za pomocą InPostPay można rozpocząć na komputerze, podając numer telefonu, a następnie dokończyć zakup w aplikacji InPost. Warto zaznaczyć, że ta metoda płatności jest dostępna wyłącznie dla zarejestrowanych użytkowników.

Ograniczenia związane z InPostPay obejmują konieczność korzystania z urządzenia mobilnego oraz posiadanie konta użytkownika. W kontekście pierwszego warunku nie stanowi to większej przeszkody – obecnie 3 na 4 użytkowników internetu korzysta z e-commerce’u za pomocą urządzeń mobilnych. Jeśli chodzi o liczbę użytkowników zarejestrowanych w systemie InPost, to aplikacja InPostPay ma już ponad 13 milionów aktywnych użytkowników. Celem firmy jest udostępnienie tej metody płatności wszystkim klientom, co zostało zapowiedziane w informacji prasowej z 2024 roku.

Nie ma obecnie dostępnych danych dotyczących udziału InPostPay wśród wybieranych form płatności. Podsumowanie konferencji e-commerce Evolution Summit zawiera jednak statystyki na temat popularności różnych metod płatności. Z dostępnych danych wynika, że najczęściej wybieraną opcją jest BLIK. Wciąż brak dokładnych informacji na temat udziału InPostPay, jednak biorąc pod uwagę jego zalety – przede wszystkim szybkość transakcji – można spodziewać się dynamicznego wzrostu popularności tej metody. InPostPay deklaruje, że konwersja w sklepach internetowych korzystających z tej formy płatności może wzrosnąć od 30% do nawet 70%. Nie przeprowadzono jeszcze testów A/B, które potwierdziłyby tę zależność, jednak jeśli dane te się potwierdzą, InPostPay ma szansę stać się jednym z kluczowych systemów płatności w e-commerce. InPost Pay znacząco poprawia konwersję, użyteczność i wygodę zarówno dla użytkownika, jak i dla sklepu. Skrócony proces zakupowy to jego niewątpliwa zaleta. Jednak z perspektywy marketingu pojawia się pewien problem, który można rozwiązać odpowiednim śledzeniem.

Śledzenie konwersji i wyzwania w marketingu

Aby zrozumieć, dlaczego brak śledzenia stanowi wadę, warto przyjrzeć się mechanizmom automatycznie uczącym się na danych, takim jak Pimax w systemach reklamowych. Standardowy proces wygląda następująco: użytkownik odwiedza stronę, przechodzi przez ścieżkę zakupową, finalizuje transakcję, a informacja o konwersji jest przekazywana do systemów reklamowych za pomocą pikseli. Dzięki temu systemy te mogą optymalizować kierowanie reklam i dopasowywać kampanie w celu osiągnięcia najlepszych efektów.

W przypadku InPost Pay sytuacja wygląda inaczej. Ponieważ finalizacja zakupu odbywa się poza serwisem sklepu, brakuje informacji zwrotnej o samej transakcji. To prowadzi do problemów w analizie skuteczności kampanii reklamowych i ogranicza możliwości optymalizacji działań marketingowych. Na szczęście istnieją sposoby, aby ten brak danych uzupełnić i skutecznie śledzić konwersje. Problem zamykanego koła w marketingu cyfrowym jest dobrze znany. Mniejsza liczba konwersji skutkuje ograniczeniem ruchu, ponieważ algorytmy nie mają wystarczających danych do nauki i rzadziej wyświetlają reklamy. Mniejszy ruch prowadzi do jeszcze niższej liczby konwersji, co sprawia, że sytuacja staje się trudna do odwrócenia. Nasi klienci często zgłaszają ten problem, szczególnie w kontekście określonych metod płatności i finalizacji zamówień.

Rozwiązania techniczne

Dla marketingu cyfrowego, zwłaszcza w obszarze wykorzystującym algorytmy samouczące się, takie zjawisko stanowi wyzwanie. Współczesne systemy reklamowe opierają się na dostarczonych danych, a ich efektywność zależy od ilości i jakości informacji o użytkownikach oraz ich zachowaniach.

Istnieje kilka możliwych rozwiązań tego problemu. Jednym z najskuteczniejszych, które wdrażamy u naszych klientów, jest podejście umożliwiające algorytmom dostęp do pełniejszych i lepiej ustrukturyzowanych danych. Poprawne zbieranie i przesyłanie informacji o użytkownikach, optymalizacja ścieżki zakupowej oraz testowanie różnych wariantów procesu konwersji pozwala zwiększyć skuteczność kampanii i przełamać negatywną spiralę ograniczonego ruchu oraz niskiej liczby konwersji. Koszyk z InpostPay działa w następujący sposób: użytkownik na etapie finalizacji zamówienia, z poziomu karty produktu lub koszyka, przechodzi do InpostPay. Gdy płatność zostaje zrealizowana i InpostPay potwierdzi finalizację transakcji, zwraca informację do e-commerce, umożliwiając realizację zamówienia.

Implementacja systemu śledzenia

Jednym z wyzwań związanych z tym procesem jest czas, po którym koszyk może zostać zamknięty. Użytkownik może dodać produkty do koszyka, ale nie sfinalizować zakupu od razu. W standardowym scenariuszu zamówienie jest realizowane szybko, jednak w niektórych przypadkach może ono pozostawać w aplikacji Inpost przez dłuższy czas.

Warto zaznaczyć, że zwrot informacji o zamówieniu do wewnętrznych systemów e-commerce nie oznacza automatycznego przekazania tych danych do systemów reklamowych i analitycznych. Informacja zwrotna pozwala na realizację zamówienia, ale nie zasila danych w narzędziach marketingowych.

Aby rozwiązać ten problem, wdrażamy i rekomendujemy rozwiązanie chmurowe lub serwerowe. Jeśli firma korzysta z Google Tag Manager Server-Side, to takie wdrożenie jest wystarczające. Warto jednak zwrócić uwagę, że nawet jeśli GTM Server-Side nie jest dostępny, możliwe jest wdrożenie rozwiązania bez konieczności instalacji kontenera Server-Side. W momencie, gdy sklep przekazuje informacje do InPost, równolegle z tymi danymi do struktury serwerowej (cloudowej) przesyłane są informacje o ID reklamowym oraz dane analityczne. Dzięki temu możliwe jest późniejsze dopasowanie użytkownika do jego wizyty i identyfikacja tej samej osoby.

Gdy InPost zwraca do sklepu informacje o zamówieniu, sklep już wie, że transakcja została zrealizowana. Następnie, za pomocą API, pobierane są dane biznesowe z InPost, które na poziomie instancji cloudowej są dopasowywane do wcześniej przekazanych informacji.

Dzięki temu procesowi możliwe jest przesłanie odpowiednich danych do systemów, które ich potrzebują. W szczególności w Google Ads wykorzystywana jest funkcjonalność Value Based Bidding. W przypadku Meta Ads dane są przekazywane za pomocą Conversion API. Dodatkowo informacje trafiają do Google BigQuery oraz Google Analytics 4.

Do Google Analytics 4 dane są przesyłane za pomocą measurement protocol, który ma określone ograniczenia czasowe. W praktyce jednak testy potwierdziły jego skuteczność. Okno, w którym można dostarczyć dane, jest znacznie dłuższe, niż wskazuje dokumentacja. Dodatkowo przekazywane są informacje z powrotem do BigQuery, aby rzeczywiście połączyć dane dotyczące transakcji. To rozwiązanie stosowane w praktyce i możliwe do wdrożenia.

Dyskusja na temat alternatywnych podejść

Na ekranie widoczny jest wątek na LinkedIn, w którym toczyła się dyskusja na temat wpływu Inpostu w marketingu. W tej dyskusji pojawiła się sugestia, aby śledzenie konwersji dla formy zakupu odbywało się na etapie poprzedzającym finalizację transakcji. Oznacza to, że informacje o konwersji są wysyłane jeszcze przed dokonaniem zakupu. Jednym z proponowanych rozwiązań jest mierzenie problematycznych przycisków. W praktyce to jednak ten sam mechanizm. Pojawia się również sugestia wykorzystania measurement protocol, choć jest on bardziej związany z GA4. W tym przypadku wyzwanie dotyczy jednak samego marketingu.

Podsumowanie

Z perspektywy analityki szkoda byłoby, gdyby rozwiązanie takie jak InPost Pay negatywnie wpływało na działania marketingowe. Zwiększając konwersję w sklepie dzięki InPost Pay, można jednocześnie utrudnić skuteczne mierzenie i optymalizację kampanii. W efekcie może to prowadzić do sytuacji, w której korzyści z jednej strony równoważą straty z drugiej, a celem powinien być stabilny wzrost. Zachęcam do skorzystania z tego rozwiązania. W przypadku pytań lub wyzwań warto skorzystać z bezpłatnej konsultacji, podczas której szczegółowo omówimy działanie tego narzędzia i pomożemy we wdrożeniu.

The post Jak zapewnić jakość danych w marketingu Inpost Pay i uchronić się przed spadkiem ROAS? first appeared on Conversion.

Wprowadzenie
Wykorzystanie danych w e-commerce
Wielokanałowa sprzedaż online
Optymalizacja kosztów i atrybucja
Marketplace i AI w e-commerce
Personalizacja, social commerce i Customer Experience
Metody płatności, logistyka i ekologia
Podsumowanie

Wprowadzenie

W Polsce jest ponad 30 milionów internautów, a prawie 80% z nich przynajmniej raz dokonało zakupów online. 17 lutego 2025 r. w Warszawie odbyła się konferencja E-commerce Evolution Summit, podsumowująca kluczowe trendy w polskim e-commerce.

Konferencja zorganizowana przez Puls Biznesu odbyła się w hotelu Polonia Palace w Warszawie. Ciekawostką związana z tym miejscem jest fakt, że to właśnie tam miała miejsce pierwsza edycja konkursu piękności Miss Polonia – nazwa tego konkursu pochodzi właśnie od hotelu, w którym wydarzenie się odbyło. Program konferencji wypełniły prezentacje ekspertów – praktyków rynku, którzy przedstawiali studia przypadków dotyczące wdrożeń i rozwoju swoich e-commerce’ów.

Wykorzystanie danych w e-commerce

Jednym z istotnych tematów poruszanych podczas konferencji był sposób wykorzystania danych w branży e-commerce. Prezentacje dotyczyły między innymi roli danych, które umożliwiają personalizację komunikacji oraz ofert. Koszt zbierania danych jest dziś bardzo niski, a ich gromadzenie stosunkowo proste – znacznie większym wyzwaniem pozostaje ich skuteczna aktywacja. Wiele firm przekonuje się, że automatyzacja przepływu danych to klucz do efektywnej analizy. Bez automatyzacji przepływów danych działy analityczne poświęcają aż 85% czasu na ich zbieranie, a jedynie 50% na ich faktyczne wykorzystanie.

Wielokanałowa sprzedaż online

Pierwsza prezentacja była poświęcona wielokanałowej sprzedaży online. Wygłosił ją Kamil Jodełko z Sephory, który przedstawił strategię Omni Channel stosowaną w e-commerce Sephory. Zwrócił uwagę, że przed pandemią COVID-19 doświadczenia zakupowe w sklepie offline i online znacznie się różniły, natomiast współczesny klient oczekuje spójnej obsługi niezależnie od punktu styku z marką. Kluczową rolę w tym procesie odgrywają dane, umożliwiające personalizację komunikacji i oferty.

W prezentacji omówiono również rolę aplikacji mobilnej z wbudowanym programem lojalnościowym, która łączy dane z zakupów stacjonarnych oraz online. Użytkownicy, dokonując zakupów offline, skanują indywidualny kod, co pozwala na identyfikację oraz analizę ich ścieżki zakupowej – nawet jeśli zalogowany przeglądarka rejestruje aktywność przed wizytą w sklepie.

Optymalizacja kosztów i atrybucja

Podczas drugiego panelu dyskusyjnego, moderowanym przez Kacpra Rosenbauma z Beislingera, omawiano optymalizację kosztów w e-commerce. Wśród panelistów znaleźli się Michał Jankowski z Lipton, Justyna Skorupska z Digital Bridge oraz Wojciech Zięba z Decathlon Polska. Głównym tematem rozmowy były koszty i ich optymalizacja – szczególnie interesujące było podejście Decathlonu, który podkreślił, że większe znaczenie ma wzrost przychodów niż sama redukcja kosztów.

W dyskusji pojawiły się kwestie wykorzystania danych do planowania sprzedaży, m.in. w zależności od pogody oraz do dynamicznego dostosowywania cen w zależności od sezonu. Dane w e-commerce wykorzystywane są także do optymalizacji rotacji produktów w magazynach, usprawnienia procesów dostaw oraz modelu click and collect, gdzie użytkownik odbiera zamówienie, ponosząc koszty związane z odbiorem. Dodatkowo, paneliści omawiali wykorzystanie narzędzia Allegro Analytics do analizy rynku – narzędzie pozwala badać wielkość i efektywność kategorii, a także monitorować wyniki konkurencji. Dyskutowano również o wyzwaniach związanych z atrybucją konwersji oraz rozliczaniem kampanii marketingowych w świecie bez plików cookie.

Marketplace i AI w e-commerce

Kolejnym tematem była rola marketplace w rozwoju e-commerce. Fireside Chat z udziałem Marty Bryski z Amazon.pl oraz Damiana Wiszowatego z Gonito dostarczył wielu interesujących informacji dotyczących wykorzystania danych przez Amazon, który obecnie odpowiada za 40% polskiego rynku. Omówiono sposoby rozpoznawania użytkowników i personalizacji zakupów, między innymi funkcję one-click shop, a także prognozowanie sprzedaży na podstawie lokalizacji użytkownika oraz optymalizację rozmieszczenia produktów w magazynach.

Dodatkowo, dyskutowano o roli sztucznej inteligencji w eliminowaniu fałszywych komentarzy i produktów – podano ciekawą statystykę, że w 2023 roku Amazon usunął 7 milionów fałszywych produktów dzięki zaawansowanym metodom analizy danych. W trakcie panelu pojawił się także wątek dotyczący problemów z przypisywaniem konwersji do odpowiednich źródeł ruchu, gdzie odpowiednie podejście modelowania konwersji, o czym mówi poradnik dotyczący atrybucji, może znacząco pomóc.

Personalizacja, social commerce i Customer Experience

W kolejnych prezentacjach omówiono kwestie social commerce oraz personalizacji. Tomasz Prokopczuk z Tadwy przedstawił różnice między danymi sprzedażowymi raportowanymi przez Meta a danymi z Google Analytics, prezentując swoje podejście w duchu data-driven. Następnie odbyła się sesja Fireside Chat, w której Kacper Rosenbaum i Justyna Skorupska rozmawiali na temat Customer Experience oraz Lifetime Value. Justyna podkreśliła znaczenie narzędzia Voice of Customer, pozwalającego na dogłębne zrozumienie doświadczeń użytkowników przed rozpoczęciem działań optymalizacyjnych.

Kolejna prezentacja, dotycząca personalizacji w e-commerce z wykorzystaniem AI, została poprowadzona przez Katarzynę Żołnowską z LOT-u. Przedstawiła case study dotyczące testów A/B mailingów, które przyniosły wzrost wartości konwersji o 18% oraz omówiła, jak LOT zasila kampanie Performance Max danymi segmentacyjnymi, co zwiększyło efektywność kampanii nawet o 7%. W prezentacji zaprezentowano również zastosowanie AI do analizy sentymentu wypowiedzi użytkowników po zakończonym procesie zakupowym oraz koncepcję feature store – architektury danych umożliwiającej ponowne wykorzystanie już zebranych informacji.

Metody płatności, logistyka i ekologia w e-commerce

Panel dyskusyjny dotyczący form płatności prowadził Marcin Dobrowolski z Pulsu Biznesu, w którym uczestniczyli Andrzej Szczepka (Tantispel), Tomasz Kracewicz (Nationale Nederlanden), Alina Prelicz (Juwo) oraz Daniel Blumczyński (PEJU). Dyskusja koncentrowała się na metodach płatności w e-commerce. Jedno z ciekawszych spostrzeżeń dotyczyło doświadczeń użytkowników – mimo że zakupy online są przyjemnym doświadczeniem, moment płatności bywa często obarczony stresem, gdyż stanowi końcową, mniej komfortową fazę procesu.

W trakcie panelu przedstawiono interesujące dane – liderem wyboru metod płatności okazał się BLIK, którego wprowadzenie przyczyniło się do 30% wzrostu konwersji. Omówiono również szybkie przelewy oraz płatności odroczone, które mimo niskiego udziału na rynku (4-5% transakcji) stopniowo zyskują na popularności. W branży ubezpieczeniowej dominuje tradycyjny przelew, a płatność przy odbiorze to około 10% transakcji, co buduje zaufanie do e-commerce. Kolejne prezentacje dotyczyły rynku e-commerce w ujęciu całościowym – kwestie fulfillmentu i logistyki były omawiane przez Krzysztofa Wieczorka z Diabetyk24.pl oraz Arkadiusza Kawę z Uniwersytetu Ekonomicznego w Poznaniu. Wskazano, że dostawy stanowią aż 70% kosztów w e-commerce, a automaty paczkowe, takie jak paczkomaty, mogą obsłużyć nawet 1000 przesyłek dziennie.

W prezentacjach zwrócono również uwagę na kwestie ekologiczne i wpływ e-commerce na środowisko – mimo zarzutów dotyczących transportu i kosztów ostatniej mili, tradycyjny handel generuje większą emisję szkodliwych substancji do atmosfery. Rośnie także świadomość ekologiczna młodych konsumentów, którzy przy podejmowaniu decyzji zakupowych coraz częściej uwzględniają aspekty środowiskowe.

Podsumowanie

Konferencja E-commerce Evolution Summit okazała się wysokim wydarzeniem merytorycznym, dostarczając cennych doświadczeń oraz ukazując, jak firmy wykorzystują dane, aby rozwijać handel internetowy. Prezentacje ekspertów, liczne panele dyskusyjne i przykłady z praktyki pokazują, że analityka danych stanowi fundament nowoczesnego e-commerce. Od wielokanałowej sprzedaży, poprzez optymalizację kosztów i personalizację, aż po innowacyjne metody płatności i logistykę – każdy element łańcucha wartości może być zoptymalizowany dzięki odpowiedniemu podejściu do danych.

Warto podkreślić, że zaufanie do danych oraz ich właściwa integracja z różnych źródeł pozwala firmom nie tylko dokładniej analizować rynek, ale także podejmować trafne decyzje strategiczne. Dzisiejsza cyfryzacja i rosnąca rola sztucznej inteligencji zmieniają reguły gry w e-commerce, a umiejętne wykorzystanie danych staje się kluczem do sukcesu. Konferencja pokazała, że niezależnie od sektora, efektywna analityka przekłada się na realne wyniki biznesowe.

The post E-commerce Evolution Summit ‘25 – analiza konferencji oczami analityka first appeared on Conversion.

Analiza danych w optymalizacji budżetu
Kluczowe warunki optymalizacji budżetu
Zrozumienie lejka zakupowego
Optymalizacja budżetu na różnych poziomach
Podsumowanie

Analiza danych w optymalizacji budżetu

Optymalizacja budżetu marketingowego wymaga odpowiedniego przygotowania i zgromadzenia kluczowych danych. Podstawą są informacje pochodzące z przeprowadzonych kampanii marketingowych, czyli z już wydanego budżetu. Dane te pozwalają na analizę skuteczności działań i podejmowanie świadomych decyzji dotyczących przyszłych inwestycji. Warto zadbać o ich jakość i kompletność, aby proces optymalizacji był jak najbardziej efektywny. Dane muszą być wysokiej jakości. Znane jest powiedzenie GIGO – jeśli dane są niskiej jakości, wnioski i efekty analiz również będą niewiarygodne.

Kluczowe jest posiadanie danych o kampaniach, które wynikają z prawidłowego tagowania za pomocą parametrów UTM. Następnie, po napływie ruchu do serwisu, analiza zachowań użytkowników opiera się na danych z Google Analytics 4.

Jak sprawdzić, czy dane w Google Analytics 4 są wartościowe? Warto skorzystać z checklisty danych online, opisanej w naszym materiale. Jest to szczególnie istotne, gdy rozpoczynasz pracę z nowym serwisem. Regularne przechodzenie przez taką checklistę to dobra praktyka, która pozwala utrzymać wysoką jakość analizy danych.

Pierwszym kluczowym elementem jest dostęp do danych. Drugim – określenie potrzeb biznesowych. Konwersja jest istotna, ale równie ważne jest zrozumienie celów biznesowych, aby nie skupiać się wyłącznie na technicznych aspektach analizy.

Kluczowe warunki optymalizacji budżetu

Częstym błędem jest nadmierna koncentracja na wskaźnikach takich jak ROAS czy wartość przychodów. Osoby techniczne odpowiedzialne za kampanie często optymalizują działania wyłącznie pod te metryki. W krótkim okresie może to przynieść oczekiwane zyski, jednak w dłuższej perspektywie wyniki mogą zacząć spadać. Maksymalizacja liczby zakupów bez uwzględnienia strategii konkurencji może prowadzić do utraty udziału w rynku. Inne firmy mogą w tym czasie skutecznie docierać do nowych segmentów klientów lub promować bardziej rentowne produkty.

Brak powiązania analizy z rzeczywistymi potrzebami biznesowymi to częsty błąd we współpracy, zwłaszcza między agencjami a klientami. Wiele agencji nie uwzględnia szerszego kontekstu biznesowego i skupia się jedynie na bezpośrednich konwersjach. To jeden z najczęściej popełnianych błędów w raportowaniu kampanii marketingowych. Link do niego znajduje się w opisie.

Zrozumienie lejka zakupowego

Podsumowując, istnieją dwa kluczowe warunki: dostęp do danych oraz jasno określone potrzeby biznesowe.

Przechodząc do kwestii optymalizacji budżetu – nie istnieje coś takiego jak w pełni zoptymalizowany budżet. Optymalizacja to nie jednorazowy projekt, lecz ciągły proces. W dynamicznie zmieniającym się świecie zatrzymanie się w miejscu oznacza de facto cofanie się. Konkurencja nieustannie monitoruje rynek, gospodarka się rozwija, a wpływ na biznes mają także globalne trendy, technologia i geopolityka. Optymalizacja budżetu nie jest jednorazowym działaniem, lecz ciągłym procesem, który wymaga systematycznej analizy i dostosowywania strategii.

Punktem wyjścia do skutecznej optymalizacji jest zrozumienie lejka zakupowego. Istnieje wiele modeli opisujących ten proces, takich jak AIDA czy See-Think-Do-Care. Wybór odpowiedniego zależy od specyfiki biznesu i celu analizy. Kluczowe jest jednak dokładne przeanalizowanie każdego etapu lejka oraz identyfikacja obszarów, które wymagają poprawy, aby zwiększyć skuteczność działań marketingowych i sprzedażowych. Lejek zakupowy składa się z trzech podstawowych etapów.

Pierwszy etap to brak świadomości potrzeby. Użytkownik może nie zdawać sobie sprawy, że czegoś potrzebuje. Przykładowo, przeglądając portal informacyjny, widzi reklamę banerową konsoli do gier. Nie planował jej zakupu, ale reklama wzbudza jego ciekawość, więc klika i trafia na stronę e-commerce.

Drugi etap to uświadomienie potrzeby, ale brak konkretnej decyzji zakupowej. Użytkownik wie już, że chce kupić konsolę, ale nie jest pewien, jaki model wybrać ani gdzie dokonać zakupu.

Trzeci etap to podejmowanie decyzji. Użytkownik może w międzyczasie rozmawiać ze znajomymi, którzy również mają konsole. Jeśli wcześniej widział reklamę PlayStation, a jego znajomi korzystają z Xboxa, zaczyna analizować różnice między tymi modelami. Na tym etapie może porównywać oferty i szukać opinii, zanim podejmie ostateczną decyzję o zakupie. Przechodząc do drugiego etapu procesu zakupowego, użytkownik zna już swoją potrzebę, ale nie podjął jeszcze decyzji. W takiej sytuacji może skorzystać ze sztucznej inteligencji, np. czata GPT, i poprosić o porównanie konsol do gier.

Po zadaniu pytania czat GPT przedstawia dostępne opcje, takie jak PlayStation 5 Pro czy Xbox Series X, wraz z odniesieniami do różnych serwisów. Przykładowo, pierwsze wyniki mogą prowadzić do X-Kom, kolejne do Planeta Gracza czy Rymak.

Analizowanie ruchu pochodzącego ze sztucznej inteligencji to istotny temat w analityce internetowej. Więcej na ten temat można znaleźć w naszym materiale dotyczącym mierzenia tego rodzaju ruchu w Google Analytics. Gdy decyzja o zakupie Xboksa zamiast PlayStation została podjęta, oznacza to trzeci etap procesu zakupowego – moment, w którym użytkownik jest zdecydowany na zakup. W tej fazie kluczową rolę odgrywają porównywarki cenowe. Przykładowo, użytkownik może skorzystać z Ceneo, aby znaleźć najtańszą ofertę na Xboxa Series X, a następnie przejść do wybranego sklepu e-commerce i sfinalizować zakup.

Każdy etap procesu zakupowego wiąże się z korzystaniem z różnych źródeł informacji. W początkowej fazie, gdy potrzeba zakupu nie była jeszcze sprecyzowana, użytkownik mógł zetknąć się z reklamami display. Proces podejmowania decyzji zakupowych często obejmuje kilka etapów. Na początku użytkownik może mieć ogólne pojęcie o swoich potrzebach, ale brak mu sprecyzowanych preferencji. W tym przypadku pomocna okazuje się sztuczna inteligencja lub wyszukiwarki, gdzie wpisywane są zapytania typu „porównanie konsol do gier”. W kolejnym kroku, gdy decyzja jest już bardziej sprecyzowana, użytkownik może skorzystać z porównywarki cenowej, aby znaleźć najlepszą ofertę.

Analiza ścieżki użytkownika w lejku zakupowym pozwala lepiej zrozumieć, które źródła marketingowe odpowiadają za poszczególne etapy. Kluczowe jest określenie, które kanały przyciągają użytkowników na wczesnym etapie poszukiwań, a które finalizują konwersję. Dzięki temu można optymalizować strategie marketingowe i skuteczniej alokować budżet reklamowy. UTM-y odgrywają kluczową rolę w analizie ruchu na stronie. W raporcie Traffic Acquisition w Google Analytics warto zadbać o precyzyjne oznaczenie źródeł i medium za pomocą UTM-ów. Dzięki temu można dokładnie określić, skąd pochodzi użytkownik i z jakiej kampanii trafił na stronę.

W Universal Analytics (Google Analytics 3) dostępny był dedykowany raport umożliwiający przypisanie źródeł ruchu do poszczególnych etapów procesu zakupowego. W GA4 taka analiza wymaga wykorzystania integracji z Google BigQuery. W tym celu można zastosować dataformy, które pomagają w przekształceniu modelu danych z GA4 i obliczeniu metryk wskazujących, które źródło i medium odpowiadają za dany etap procesu zakupowego.

Gdy źródła ruchu zostaną przypisane do poszczególnych etapów lejka zakupowego, kolejnym krokiem jest określenie odpowiednich metryk, które pozwolą na porównanie kampanii w ramach tych etapów. W pierwszym etapie kluczowe metryki to współczynnik odrzuceń oraz współczynnik zaangażowania. W drugim etapie istotne są mikrokonwersje, takie jak dodanie produktu do koszyka, skorzystanie z wirtualnej przymierzalni, wejście do koszyka czy sprawdzenie metod płatności i typów dostawy. W trzecim etapie, dotyczącym użytkowników gotowych do zakupu, najważniejszy staje się współczynnik konwersji.

Gdy wiadomo, które źródła ruchu odpowiadają za poszczególne etapy procesu zakupowego, następuje moment ich optymalizacji. Analiza kampanii na różnych etapach pozwala dostosować działania do specyfiki użytkowników. Na przykład w grupie osób, które jeszcze nie są świadome swojej potrzeby, kampanie powinny być optymalizowane pod kątem maksymalizacji współczynnika zaangażowania.

Celem jest utrzymanie użytkowników w procesie zakupowym i zwiększenie prawdopodobieństwa ich przejścia do kolejnych etapów. Gdy użytkownik mentalnie przechodzi na kolejny etap, istotne jest, aby dobrze zapamiętał markę i wrócił do niej przy finalizacji zakupu. W tym kontekście przeprowadza się analizy segmentacyjne i porównawcze kampanii w ramach jednego etapu procesu zakupowego. Są to zazwyczaj proste analizy, polegające na porównywaniu wyników poszczególnych działań marketingowych.

Optymalizacja budżetu marketingowego może odbywać się na dwóch poziomach. Pierwszy to poziom mikro, gdzie analizowane są szczegóły poszczególnych działań. Drugi to poziom makro, obejmujący całościowe spojrzenie na budżet i marketing mix.

Przy założeniu, że do dyspozycji jest 100 jednostek budżetowych, kluczowe jest ich efektywne rozłożenie pomiędzy kampanie na różnych etapach procesu zakupowego. Chodzi o to, aby odpowiednio alokować środki – część na pierwszy etap, przyciągający nowych użytkowników, kolejne na dalsze etapy prowadzące do konwersji.

Środki przeznaczone na budowanie świadomości (awareness) generują zwrot po pewnym czasie. Użytkownik najpierw musi uświadomić sobie swoją potrzebę, a następnie znaleźć rozwiązanie, które ją zaspokoi. Optymalizacja budżetu na poziomie makro wymaga więc odpowiedniego modelu atrybucji, który pomoże ocenić efektywność poszczególnych działań.

Więcej na temat wyboru modelu atrybucji można znaleźć w naszym kompletnym poradniku dotyczącym atrybucji w marketingu. Model atrybucji pozwala na formułowanie hipotez, a następnie ich weryfikację poprzez zmiany w budżecie marketingowym. Proces ten polega na przesuwaniu środków i analizowaniu wyników, co wpisuje się w cykl PDCA (Plan, Do, Check, Act). Jeśli obserwowana poprawa potwierdza hipotezę, oznacza to, że decyzja była słuszna. Jeśli jednak zwrot z inwestycji w marketing nie wykazuje pozytywnej zmiany, konieczny jest powrót do wcześniejszego etapu i ponowna analiza założeń.

Optymalizacja budżetu marketingowego to proces ciągły. Oprócz samej alokacji środków ważne jest także poszukiwanie nowych kanałów dotarcia do użytkowników. Niektórzy klienci przeznaczają część swojego budżetu – często 10–20% – na testowanie nowych możliwości reklamowych. W takich przypadkach szczególnie skuteczne okazują się testy inkrementalne, czyli testy A/B stosowane w marketingu. Pozwalają one dokładnie określić wpływ nowych działań na wyniki biznesowe i podejmować decyzje oparte na danych. Na temat inkrementalności w marketingu powstał osobny materiał, do którego link znajduje się w opisie. Tam można znaleźć szczegółowe informacje na temat tego, czym jest i jak ją wykorzystać.

Jeśli działania marketingowe pozostają niezmienne z okresu na okres, trudno oczekiwać lepszych wyników. Świat się rozwija, a brak zmian oznacza pozostawanie w tyle. Przyczyną stagnacji często jest brak wiedzy o kierunku, w którym należy wprowadzać zmiany. W tym kontekście dane stają się kluczowym wskaźnikiem.

Warto zacząć od analizy poszczególnych etapów procesu zakupowego użytkownika oraz prostych porównań kampanii w obrębie jednego etapu. Optymalizacja tych działań zwiększa szansę na to, że użytkownicy przechodząc do kolejnych kroków ścieżki zakupowej pozostaną zaangażowani. Kolejnym krokiem powinna być bardziej zaawansowana optymalizacja budżetu jako całości, czyli efektywne przesuwanie środków w ramach marketing mix. Wyznaczenie i wypracowanie modelu atrybucji to jedno z większych wyzwań w optymalizacji marketingu mix. Jest to kluczowy element skutecznej analityki, który pozwala dokładnie mierzyć efektywność poszczególnych kanałów i podejmować lepsze decyzje biznesowe.

Optymalizacja budżetu na różnych poziomach

Punktem wyjścia do skutecznej optymalizacji jest zrozumienie lejka zakupowego. Istnieje wiele modeli opisujących ten proces, takich jak AIDA czy See-Think-Do-Care. Wybór odpowiedniego zależy od specyfiki biznesu i celu analizy. Kluczowe jest jednak dokładne przeanalizowanie każdego etapu lejka oraz identyfikacja obszarów, które wymagają poprawy, aby zwiększyć skuteczność działań marketingowych i sprzedażowych. Lejek zakupowy składa się z trzech podstawowych etapów.

Pierwszy etap to brak świadomości potrzeby. Użytkownik może nie zdawać sobie sprawy, że czegoś potrzebuje. Przykładowo, przeglądając portal informacyjny, widzi reklamę banerową konsoli do gier. Nie planował jej zakupu, ale reklama wzbudza jego ciekawość, więc klika i trafia na stronę e-commerce.

Drugi etap to uświadomienie potrzeby, ale brak konkretnej decyzji zakupowej. Użytkownik wie już, że chce kupić konsolę, ale nie jest pewien, jaki model wybrać ani gdzie dokonać zakupu.

Trzeci etap to podejmowanie decyzji. Użytkownik może w międzyczasie rozmawiać ze znajomymi, którzy również mają konsole. Jeśli wcześniej widział reklamę PlayStation, a jego znajomi korzystają z Xboxa, zaczyna analizować różnice między tymi modelami. Na tym etapie może porównywać oferty i szukać opinii, zanim podejmie ostateczną decyzję o zakupie. Przechodząc do drugiego etapu procesu zakupowego, użytkownik zna już swoją potrzebę, ale nie podjął jeszcze decyzji. W takiej sytuacji może skorzystać ze sztucznej inteligencji, np. czata GPT, i poprosić o porównanie konsol do gier.

Po zadaniu pytania czat GPT przedstawia dostępne opcje, takie jak PlayStation 5 Pro czy Xbox Series X, wraz z odniesieniami do różnych serwisów. Przykładowo, pierwsze wyniki mogą prowadzić do X-Kom, kolejne do Planeta Gracza czy Rymak.

Analizowanie ruchu pochodzącego ze sztucznej inteligencji to istotny temat w analityce internetowej. Więcej na ten temat można znaleźć w naszym materiale dotyczącym mierzenia tego rodzaju ruchu w Google Analytics. Gdy decyzja o zakupie Xboksa zamiast PlayStation została podjęta, oznacza to trzeci etap procesu zakupowego – moment, w którym użytkownik jest zdecydowany na zakup. W tej fazie kluczową rolę odgrywają porównywarki cenowe. Przykładowo, użytkownik może skorzystać z Ceneo, aby znaleźć najtańszą ofertę na Xboxa Series X, a następnie przejść do wybranego sklepu e-commerce i sfinalizować zakup.

Każdy etap procesu zakupowego wiąże się z korzystaniem z różnych źródeł informacji. W początkowej fazie, gdy potrzeba zakupu nie była jeszcze sprecyzowana, użytkownik mógł zetknąć się z reklamami display. Proces podejmowania decyzji zakupowych często obejmuje kilka etapów. Na początku użytkownik może mieć ogólne pojęcie o swoich potrzebach, ale brak mu sprecyzowanych preferencji. W tym przypadku pomocna okazuje się sztuczna inteligencja lub wyszukiwarki, gdzie wpisywane są zapytania typu „porównanie konsol do gier”. W kolejnym kroku, gdy decyzja jest już bardziej sprecyzowana, użytkownik może skorzystać z porównywarki cenowej, aby znaleźć najlepszą ofertę.

Analiza ścieżki użytkownika w lejku zakupowym pozwala lepiej zrozumieć, które źródła marketingowe odpowiadają za poszczególne etapy. Kluczowe jest określenie, które kanały przyciągają użytkowników na wczesnym etapie poszukiwań, a które finalizują konwersję. Dzięki temu można optymalizować strategie marketingowe i skuteczniej alokować budżet reklamowy. UTM-y odgrywają kluczową rolę w analizie ruchu na stronie. W raporcie Traffic Acquisition w Google Analytics warto zadbać o precyzyjne oznaczenie źródeł i medium za pomocą UTM-ów. Dzięki temu można dokładnie określić, skąd pochodzi użytkownik i z jakiej kampanii trafił na stronę.

W Universal Analytics (Google Analytics 3) dostępny był dedykowany raport umożliwiający przypisanie źródeł ruchu do poszczególnych etapów procesu zakupowego. W GA4 taka analiza wymaga wykorzystania integracji z Google BigQuery. W tym celu można zastosować dataformy, które pomagają w przekształceniu modelu danych z GA4 i obliczeniu metryk wskazujących, które źródło i medium odpowiadają za dany etap procesu zakupowego.

Gdy źródła ruchu zostaną przypisane do poszczególnych etapów lejka zakupowego, kolejnym krokiem jest określenie odpowiednich metryk, które pozwolą na porównanie kampanii w ramach tych etapów. W pierwszym etapie kluczowe metryki to współczynnik odrzuceń oraz współczynnik zaangażowania. W drugim etapie istotne są mikrokonwersje, takie jak dodanie produktu do koszyka, skorzystanie z wirtualnej przymierzalni, wejście do koszyka czy sprawdzenie metod płatności i typów dostawy. W trzecim etapie, dotyczącym użytkowników gotowych do zakupu, najważniejszy staje się współczynnik konwersji.

Gdy wiadomo, które źródła ruchu odpowiadają za poszczególne etapy procesu zakupowego, następuje moment ich optymalizacji. Analiza kampanii na różnych etapach pozwala dostosować działania do specyfiki użytkowników. Na przykład w grupie osób, które jeszcze nie są świadome swojej potrzeby, kampanie powinny być optymalizowane pod kątem maksymalizacji współczynnika zaangażowania.

Celem jest utrzymanie użytkowników w procesie zakupowym i zwiększenie prawdopodobieństwa ich przejścia do kolejnych etapów. Gdy użytkownik mentalnie przechodzi na kolejny etap, istotne jest, aby dobrze zapamiętał markę i wrócił do niej przy finalizacji zakupu. W tym kontekście przeprowadza się analizy segmentacyjne i porównawcze kampanii w ramach jednego etapu procesu zakupowego. Są to zazwyczaj proste analizy, polegające na porównywaniu wyników poszczególnych działań marketingowych.

Optymalizacja budżetu marketingowego może odbywać się na dwóch poziomach. Pierwszy to poziom mikro, gdzie analizowane są szczegóły poszczególnych działań. Drugi to poziom makro, obejmujący całościowe spojrzenie na budżet i marketing mix.

Przy założeniu, że do dyspozycji jest 100 jednostek budżetowych, kluczowe jest ich efektywne rozłożenie pomiędzy kampanie na różnych etapach procesu zakupowego. Chodzi o to, aby odpowiednio alokować środki – część na pierwszy etap, przyciągający nowych użytkowników, kolejne na dalsze etapy prowadzące do konwersji.

Środki przeznaczone na budowanie świadomości (awareness) generują zwrot po pewnym czasie. Użytkownik najpierw musi uświadomić sobie swoją potrzebę, a następnie znaleźć rozwiązanie, które ją zaspokoi. Optymalizacja budżetu na poziomie makro wymaga więc odpowiedniego modelu atrybucji, który pomoże ocenić efektywność poszczególnych działań.

Więcej na temat wyboru modelu atrybucji można znaleźć w naszym kompletnym poradniku dotyczącym atrybucji w marketingu. Model atrybucji pozwala na formułowanie hipotez, a następnie ich weryfikację poprzez zmiany w budżecie marketingowym. Proces ten polega na przesuwaniu środków i analizowaniu wyników, co wpisuje się w cykl PDCA (Plan, Do, Check, Act). Jeśli obserwowana poprawa potwierdza hipotezę, oznacza to, że decyzja była słuszna. Jeśli jednak zwrot z inwestycji w marketing nie wykazuje pozytywnej zmiany, konieczny jest powrót do wcześniejszego etapu i ponowna analiza założeń.

Optymalizacja budżetu marketingowego to proces ciągły. Oprócz samej alokacji środków ważne jest także poszukiwanie nowych kanałów dotarcia do użytkowników. Niektórzy klienci przeznaczają część swojego budżetu – często 10–20% – na testowanie nowych możliwości reklamowych. W takich przypadkach szczególnie skuteczne okazują się testy inkrementalne, czyli testy A/B stosowane w marketingu. Pozwalają one dokładnie określić wpływ nowych działań na wyniki biznesowe i podejmować decyzje oparte na danych. Na temat inkrementalności w marketingu powstał osobny materiał, do którego link znajduje się w opisie. Tam można znaleźć szczegółowe informacje na temat tego, czym jest i jak ją wykorzystać.

Jeśli działania marketingowe pozostają niezmienne z okresu na okres, trudno oczekiwać lepszych wyników. Świat się rozwija, a brak zmian oznacza pozostawanie w tyle. Przyczyną stagnacji często jest brak wiedzy o kierunku, w którym należy wprowadzać zmiany. W tym kontekście dane stają się kluczowym wskaźnikiem.

Warto zacząć od analizy poszczególnych etapów procesu zakupowego użytkownika oraz prostych porównań kampanii w obrębie jednego etapu. Optymalizacja tych działań zwiększa szansę na to, że użytkownicy przechodząc do kolejnych kroków ścieżki zakupowej pozostaną zaangażowani. Kolejnym krokiem powinna być bardziej zaawansowana optymalizacja budżetu jako całości, czyli efektywne przesuwanie środków w ramach marketing mix. Wyznaczenie i wypracowanie modelu atrybucji to jedno z większych wyzwań w optymalizacji marketingu mix. Jest to kluczowy element skutecznej analityki, który pozwala dokładnie mierzyć efektywność poszczególnych kanałów i podejmować lepsze decyzje biznesowe.

Podsumowanie

Optymalizacja budżetu marketingowego to proces ciągły, który wymaga systematycznej analizy i dostosowywania strategii. Kluczowe jest posiadanie wysokiej jakości danych oraz jasno określonych celów biznesowych. Zrozumienie lejka zakupowego oraz efektywna alokacja środków na różnych etapach procesu zakupowego pozwala na minimalizację strat i maksymalizację zwrotu z inwestycji w marketing.

Współpraca z doświadczonym zespołem analityków oraz wykorzystanie odpowiednich narzędzi, takich jak Google Analytics 4 czy Google BigQuery, może znacząco przyspieszyć proces optymalizacji budżetu. Nieustanne testowanie nowych kanałów reklamowych i podejść, jak testy inkrementalne, pozwala na adaptację do dynamicznie zmieniającego się rynku oraz utrzymanie konkurencyjnej pozycji.

Podsumowując, efektywne wykorzystanie danych marketingowych jest kluczowe dla sukcesu każdej firmy. Inwestowanie w analizę danych i ciągłe doskonalenie strategii marketingowej przekłada się na lepsze wyniki biznesowe i maksymalizację efektywności budżetu reklamowego. Jeśli potrzebujesz wsparcia w tym obszarze, warto skorzystać z odpowiednich narzędzi i konsultacji eksperckich. Masz pytania? Zapraszamy do kontaktu poprzez naszą stronę internetową lub bezpłatną konsultację.

The post Optymalizacja budżetu marketingowego w e-commerce dzięki danym first appeared on Conversion.

Rodzaje danych i KPI w Ecommerce
Ecommerce Manager – checklista
Podsumowanie

Rodzaje danych i KPI w Ecommerce

Gdy zaczynasz pracę jako ecommerce manager, pierwszy tydzień zwykle wiąże się z poznawaniem podstawowych aspektów, takich jak misja, wizja i wartości firmy. Poznajesz się z ludźmi, strukturą organizacyjną i zespołem, a także procesami, które będą funkcjonować w nowym miejscu. Poznajesz również technologię, jaką masz do dyspozycji. W końcu zostają Ci przedstawione konkretne KPI, które musisz osiągnąć. 

W tym momencie kluczowe stają się dane, ponieważ są one niezbędne do realizacji celów. Jakie dane generuje ecommerce? Warto rozpatrzyć dwie strony tego zagadnienia: frontend i backend. Frontend obejmuje narzędzia marketingowe, z Google Analytics 4 na czele. Backend natomiast odnosi się do różnych systemów, takich jak WMS, OMS, ERP czy CRM, które również generują dane niezbędne do monitorowania KPI.

W tych narzędziach można wyróżnić różne rodzaje danych. Przede wszystkim są to dane off-site, czyli dane reklamowe pochodzące z zewnętrznych systemów reklamowych. Umożliwiają one dostęp do informacji o kosztach kampanii i innych kluczowych wskaźników efektywności. Dotyczy to również zachowań online, szczególnie w przypadku firm działających w modelu omnichannelowym, gdzie dostępne są dane dotyczące zachowań klientów w sklepach stacjonarnych. 

Istotnym elementem są również dane on-site, czyli informacje gromadzone przez produkty cyfrowe. W tym kontekście kluczową rolę odgrywa Google Analytics 4, które dostarcza szczegółowych informacji o zachowaniach użytkowników. Oprócz tego, różne narzędzia marketingowe śledzą i analizują aktywność użytkowników zarówno na froncie, jak i w back-endzie. Systemy takie jak CRM i Customer Data Platform zbierają dane i prezentują je w kontekście działań i zakupów klientów.

Nie można zapomnieć, że podstawowym źródłem informacji o kondycji ecommerce, na którym działasz, jest raport zysków i strat (P&L). Dostarcza on kompleksowego obrazu sytuacji firmy i stanowi punkt wyjścia do oceny jej efektywności. Wartość poznawcza danych z P&L jest niezwykle istotna jako źródło prawdy, jednak dane te są bardzo zagregowane. Jeśli porównamy wartość danych z P&L do podejmowania decyzji z danymi on-site i off-site z back-endu, zauważymy, że jest ona niższa. Największą wartość mają dane on-site i off-site z front-endu, gdyż są najbardziej szczegółowe i pokazują zachowanie użytkownika.

Ecommerce Manager – checklista

W ramach tego artykułu omawiam checklistę dla ecommerce managera, która pomoże sprawdzić poprawność danych. Dzięki niej dowiesz się, jakie kroki podjąć, aby upewnić się, że dane, na których bazujesz, są prawidłowe. Checklista ta składa się z czterech etapów. 

Rzetelność danych

Pierwszy z nich to rzetelność danych, czyli ocena, czy dane dokładnie odzwierciedlają informacje z Twojego głównego źródła prawdy. Jest ono kluczowe, ponieważ na jego podstawie rozliczamy podatki. Drugi etap to integralność danych. Nawet jeśli dokładność nie jest idealna, co jest naturalne, gdyż narzędzia nie są do tego stworzone, ważne jest, abyśmy mogli zaufać danym pod względem prezentowanych trendów oraz wartości biznesowej. Dane powinny być również bezpieczne.

Dokładność danych

Kolejnym krokiem jest sprawdzenie, czy transakcje CRM są widoczne w Google Analytics 4 w co najmniej 80%. W ramach tej checklisty przygotowaliśmy zestawienie, w którym generujemy dane transakcyjne z Google Analytics 4. Dane te pochodzą z raportu w sekcji „monetyzacja”, gdzie znajdujemy raport transakcji. W raporcie transakcji wyszczególnione są wszystkie transakcje według ID. Dane te można wyeksportować i wklejać do wyznaczonego miejsca. 

Następnie przechodzimy do transakcji CRM. Analiza danych to kluczowy element w procesie podejmowania decyzji biznesowych. W systemach takich jak CRM czy inne źródła danych, z których generowany jest PNL, istotne jest utrzymanie spójności danych, w tym jednolitego schematu ID transakcji. Warto zwrócić uwagę na zakładkę analizy, która ocenia dokładność danych. Raport porównuje źródła z CRM-u i Google Analytics, wskazując, jaki procent danych z CRM-u jest odwzorowany w Analyticsie. W tym przykładzie widzimy, że pokrycie wynosi 79,2%. Idealnym poziomem jest 85%, a poziom 80% uznajemy za wystarczający, o ile przyczyny rozbieżności są wyjaśnione.

Raport ten dodatkowo rozbija dokładność danych według źródeł ruchu. Ocenia on także trafność, czyli zgodność trendów w danych, co pozwala na lepsze zrozumienie i optymalizację procesów analitycznych. Ważne jest, aby zbieżność danych utrzymywała się na poziomie co najmniej 80% i pozostawała stabilna w trendzie. Pierwszym punktem naszej listy kontrolnej jest sprawdzenie, czy transakcje są co najmniej w 80% zgodne z tym, co jest zapisane w głównym źródle prawdy. Kolejnym krokiem jest zweryfikowanie, czy liczba ID transakcji odpowiada sumie liczby transakcji ecommerce. Można to sprawdzić bez eksportu danych, analizując plik.

W sekcji Google Analytics, po przejściu do raportu transakcji w sekcji monetyzacja, należy skontrolować liczbę unikalnych ID transakcji. Najlepiej to zrobić, sprawdzając liczbę wierszy. Przykładowo, jeśli widzimy 1478 wierszy, to po zsumowaniu transakcji ecommerce purchases również powinniśmy otrzymać 1478. Celem jest, aby jedno ID transakcji odpowiadało jednej metryce transakcji, czyli jednej liczbie transakcji. W angielskiej wersji interfejsu jest to określane jako ecommerce purchases. 

Analiza danych przychodowych

Kolejnym poziomem weryfikacji jest sprawdzenie, czy przychody z kupionych produktów (item revenue) nie przekraczają przychodów z transakcji (purchase revenue). W kontekście śledzenia ecommerce, Google Analytics rozróżnia dwa poziomy metryk przychodowych. Pierwszy to item revenue, który wskazuje sumę przychodów ze sprzedaży produktów. Drugi to ecommerce purchase revenue, który obejmuje sumę przychodów z produktów powiększoną o podatek i koszty przesyłki. 

W zależności od tego, jak skonfigurowane jest śledzenie ecommerce, dane mogą się różnić. Jednak pewne jest, że przychody z produktów nie mogą przekraczać przychodów z zakupów. W celu weryfikacji dostępne są dwa raporty. Pierwszy to raport z transakcjami, który już przeanalizowaliśmy. Przykładowo, przychody wynoszą 210 485,44. Drugi raport to ecommerce purchases, gdzie przychody są rozbite na konkretne produkty, wynosząc 204 450,58. Oznacza to, że przychody z produktów są niższe niż przychody z transakcji. Należy zrozumieć, skąd wynikają różnice w danych. 

Oznakowanie i odfiltrowanie ruchu wewnętrznego

Kolejnym istotnym zagadnieniem w analityce internetowej jest oznakowanie i odfiltrowanie ruchu wewnętrznego. W sekcji administracji, na poziomie zbierania danych, dostępne są opcje takie jak „define internal traffic” oraz „data filters”. Te ustawienia są kluczowe dla zapewnienia, że dane w systemie są precyzyjne i niezafałszowane przez wewnętrzny ruch.

Niechciane domeny odsyłające

Następnie warto zwrócić uwagę na kompletną i uzupełnioną listę niechcianych domen odsyłających. To są dwa niezwykle istotne elementy wpływające na jakość danych w systemie.

Poziom ruchu unassigned

Kolejnym krokiem jest ocena poziomu ruchu „unassigned” i upewnienie się, że nie przekracza on 5%. Można to sprawdzić w sekcji Acquisition, w raporcie Traffic Acquisition. 

Należy również monitorować, czy witryny odsyłające nie generują więcej niż 5% ruchu oraz czy struktura tagowania kampanii zewnętrznych jest właściwie zaplanowana i regularnie stosowana. Te działania zapewniają skuteczność kampanii i dokładność zbieranych danych analitycznych. Z mojego doświadczenia wynika, że jeśli referrale, czyli linki prowadzące do naszej witryny, przekraczają 5%, to prawdopodobnie nie mamy wdrożonego schematu tagowania. Brak prawidłowego oznaczenia źródeł ruchu utrudnia prowadzenie rzetelnego marketingu. 

Zbieżność danych

Jeśli masz już oznaczone źródła, przejdź do sekcji dotyczącej zbieżności danych. Pierwszy punkt dotyczy analizy, czy trendy w liczbie transakcji w Google Analytics są zgodne z danymi z CRM. W sekcji Analiza możesz sprawdzić, czy poziom transakcji pokazany przez CRM i Analytics jest analogiczny. 

Jednym z równie istotnych zagadnień są trendy, a szczególnie nieoczekiwane wzorce w źródłach ruchu, takie jak nagłe wzrosty czy spadki w jednym kanale. W sekcji Traffic Acquisition warto przeanalizować długoterminowe dane, aby zidentyfikować sytuacje, w których określone źródło ruchu nagle znika, a potem wraca. Jest to ważne podczas analizy trendów, gdy chcemy porównać dane i wyciągnąć wnioski na zasadzie różnic. Wczesna identyfikacja problemów pozwala uniknąć nieefektywności w sytuacjach stresowych.

Analiza wskaźnika zaangażowania

Warto również sprawdzić, czy wskaźnik zaangażowania nie wykazuje historycznych skoków. W tym celu należy utworzyć eksplorację danych. Niestety, metryk nie można bezpośrednio prezentować na wykresach w sekcji raportów. Analizując raport, możemy dostrzec ewentualne skoki, które mogą sygnalizować zmiany w śledzeniu wpływające na metryki zaangażowania. To są kluczowe momenty w ramach zbieżności danych. 

Analiza ścieżek zakupowych

W kontekście wartości biznesowej, istotne jest, aby śledzić wszystkie zdarzenia w lejku zakupowym. Jest to szczególnie ważne przy analizie raportu ścieżek zakupowych, dostępnego w sekcji monetyzacji „Purchase Journey”.

W ecommerce ważne jest monitorowanie poszczególnych etapów procesu zakupowego, takich jak oglądanie produktu, dodanie do koszyka, rozpoczęcie checkoutu i finalizacja zakupu. Im dokładniejsze jest to śledzenie, tym lepiej. Dzięki temu, jeśli coś nie działa na końcu, czyli w najważniejszym KPI analizy internetowej, jakim jest współczynnik konwersji, możemy szczegółowo przeanalizować, dlaczego dana metryka nie osiągnęła celu. 

Jeśli metryka nie osiąga celu, KPI również nie zostanie zrealizowane. Czy mamy włączony pomiar zaawansowany i czy działa prawidłowo? To pytanie dotyczy śledzenia dodatkowych zdarzeń, takich jak ściągnięcia plików czy kliknięcia w linki wychodzące. Choć może wydawać się to mniej istotne, warto mieć te dane, ponieważ dostarczają więcej informacji o zachowaniu użytkowników. 

Cele biznesowe a konfiguracja śledzenia

Kolejnym krokiem jest upewnienie się, że śledzimy wszystkie biznesowo istotne akcje. Na początku może być trudno określić, co jest biznesowo istotne, zwłaszcza gdy dopiero zaczynasz pracę. Warto jednak przeglądać serwis i zastanowić się nad informacjami, które mogą być potrzebne w przyszłości. Ważne jest, aby je zidentyfikować i sprawdzić, czy są one śledzone. 

Pracując w ecommerce, szczególnie w branży fashion, kluczową rolę odgrywa tabela rozmiarów. Istotne jest zrozumienie, czy użytkownicy z niej korzystają i czy po jej użyciu dodają produkty do koszyka. To jeden z elementów, który warto szybko wdrożyć. 

Bezpieczeństwo danych

Z punktu widzenia bezpieczeństwa danych, należy upewnić się, że do Google Analytics mają dostęp tylko odpowiednie osoby. Można to sprawdzić w zakładce Account Access Management. Ważne jest również skonfigurowanie kluczy API oraz kontrola narzędzi, które pobierają dane z Google Analytics. Nawet jeśli ktoś nie ma bezpośredniego dostępu w sekcji Account Access Management, inne narzędzia mogą pobierać dane przez API, co również należy monitorować.

Integracja z Google BigQuery

Kolejnym aspektem jest konfiguracja połączenia z Google BigQuery i wiedza o tym, kto ma do niego dostęp. Dane z Google Analytics mogą być przesyłane do BigQuery, dlatego należy upewnić się, że dostęp do nich jest odpowiednio kontrolowany. Istotne jest także ustawienie maksymalnego czasu przechowywania danych na 14 miesięcy, ponieważ domyślny okres wynosi 2 miesiące. Jeśli pozostaniemy przy domyślnych ustawieniach, dłuższe analizy trendów mogą być niemożliwe, chyba że dane są eksportowane do Google BigQuery.

Podsumowanie

Zachęcam szczególnie osoby rozpoczynające pracę w nowym miejscu do korzystania z tej checklisty, do której odnośnik znajdziecie pod tekstem. Doświadczenie pokazuje, że kiedy dane są już potrzebne, może się okazać, że ich jakość jest niewystarczająca. Dlatego warto poświęcić godzinę lub dwie na przegląd tej krótkiej listy kontrolnej, aby upewnić się, że dane będą użyteczne w przyszłości.

The post Ecommerce Manager – checklista po zmianie pracy first appeared on Conversion.

Analityka aplikacji mobilnej – czym jest?
Analityka aplikacji a wielokanałowość
Analityka aplikacji a analityka serwisu www
Analityka aplikacji – kluczowe pojęcia
Analityka aplikacji – jakie dane zbierać?
Analityka aplikacji – jak analizować dane?
Podsumowanie

Analityka aplikacji mobilnej – czym jest?

Analityka internetowa odgrywa kluczową rolę w rozwoju aplikacji mobilnych oraz ich efektywnym zarządzaniu. Pozwala na lepsze zrozumienie potrzeb użytkowników i dostosowanie oferty do ich oczekiwań. Dzięki temu firmy mogą osiągać swoje cele biznesowe i zwiększać swoją konkurencyjność na rynku. Wykorzystanie danych w praktyce to nie tylko analiza, ale także umiejętne ich zastosowanie w strategii rozwoju aplikacji. 

Bez względu na to, czy użytkownik korzysta z aplikacji, strony internetowej, czy różnych urządzeń, chcemy widzieć jego aktywność w całościowym obrazie. W związku z rosnącym udziałem urządzeń mobilnych w ruchu ecommerce, według danych Gemiusa z listopada 2024 roku, udział ten wynosi aż 70%. Oznacza to, że ponad dwie trzecie użytkowników, którzy wchodzą w kontakt z naszym produktem, korzysta z urządzeń mobilnych. I dlatego właśnie tak istotna jest analityka aplikacji mobilnych – bez tego nie otrzymamy pełnego obrazu użytkownika.

Aby skutecznie optymalizować cały kanał online, niezbędne jest zbieranie, analizowanie i wykorzystywanie danych z aplikacji mobilnych. Google Analytics 4 zostało stworzone z myślą o tym, aby zapewnić jeden, spójny obraz użytkownika, niezależnie od tego, czy korzysta on z aplikacji mobilnej, czy naszej strony internetowej. Dzięki temu możemy opisywać jego zachowania jednym źródłem danych, co pozwala na dokładne porównywanie i analizowanie. 

To jeden z kluczowych powodów przejścia ze standardu śledzenia GA3 na GA4, które umożliwia spojrzenie na użytkownika z jednolitej perspektywy. Ciekawostką jest, że Google Analytics 4 początkowo nosił nazwę App plus Web. Zostało to zmienione, ponieważ użytkownicy nie do końca rozumieli, co kryje się za tą nazwą. Idea narzędzia polega na tym, że niezależnie od tego, czy użytkownik korzysta z aplikacji, czy strony internetowej, powinien być opisany tymi samymi danymi. 

Choć nie twierdzę, że Google Analytics 4 to najlepsze narzędzie do analizy aplikacji mobilnych, to mam w nim największe doświadczenie i chciałbym opisać, jak podejść do analityki aplikacji właśnie w tym systemie.

Analityka aplikacji a wielokanałowość

Analityka aplikacji mobilnych jest istotnym elementem współczesnego świata cyfrowego. Jednym z wyzwań, które dziś napotykamy, jest wielokanałowość. Istnieją trzy rodzaje wielokanałowości. Pierwszym z nich jest przenikanie się światów offline i online, gdzie kluczową rolę odgrywa efekt ROPO. Polega on na tym, że użytkownicy poszukują informacji online, a dokonują zakupu offline lub odwrotnie – poszukują informacji offline, a zakup realizują online. 

Użytkownicy przechodzą między światem realnym a cyfrowym, co wpływa na ich decyzje zakupowe. To stanowi jedno z wyzwań – jak połączyć doświadczenia użytkowników między różnymi środowiskami. Drugim wyzwaniem w analizie internetowej jest wielokanałowość online w ramach tego samego urządzenia. Dotyczy to atrybucji źródeł ruchu, czyli nagradzania źródeł na podstawie tego, jak użytkownicy odwiedzają serwis i dokonują zakupów. 

Trzecim wyzwaniem jest również wielokanałowość online, ale w kontekście różnych urządzeń. Od momentu pojawienia się roku Mobile (co odbywało się w latach 2012-2016), to wyzwanie staje się coraz bardziej znaczące. Analityka internetowa powinna dążyć do tego, aby użytkownik był rozpoznawany na każdym urządzeniu. 

Jednym z efektywnych sposobów dotarcia do tych użytkowników jest nie tylko umożliwienie im korzystania z naszej strony przez przeglądarkę mobilną, ale również stworzenie dedykowanej aplikacji mobilnej. Dzięki niej użytkownicy mogą łatwo przeglądać nasze produkty i dokonywać zakupów.

Analityka aplikacji a analityka serwisu www

Zanim przejdziemy do szczegółów, warto wspomnieć o tym, jakie dane i w jaki sposób zbieramy w aplikacjach mobilnych. Proces w aplikacjach mobilnych jest podobny do tego na stronach internetowych. Naszym celem powinno być pozyskanie użytkownika, zaangażowanie go do zakupu, a następnie utrzymanie jego aktywności, aby regularnie wracał i dokonywał kolejnych zakupów. 

Zasadniczą różnicą między aplikacją a stroną internetową jest to, że marketing aplikacji mobilnych koncentruje się głównie na tym, aby użytkownicy pobrali i zainstalowali aplikację. Często zdarza się, że marketing kończy się na zakończeniu onboardingu, ponieważ większość aplikacji wymaga, aby użytkownik się zarejestrował i przeszedł tzw. onboarding. Oznacza to, że użytkownik musi osiągnąć moment, w którym jest gotowy do pełnego korzystania z aplikacji.

Marketing aplikacji koncentruje się na nakłanianiu użytkowników do pobrania aplikacji, rejestracji i przejścia przez proces onboardingu. Pobieranie aplikacji odbywa się za pośrednictwem sklepów Apple Store lub Google Play. Analiza marketingu aplikacji jest bardziej skomplikowana niż analiza działań na stronach internetowych, gdyż opiera się na danych z tych sklepów. 

W przypadku aplikacji mobilnych możliwe jest lepsze skoncentrowanie się na etapie zaangażowania użytkownika, od momentu jego zainteresowania, przez dokonanie zakupu, aż po utrzymanie jego powrotów do aplikacji. Po rejestracji uzyskujemy konkretne dane użytkownika, takie jak e-mail, co umożliwia wysyłanie powiadomień PUSH oraz przypomnień e-mailowych.

Analityka aplikacji mobilnej skupia się na aspektach produktowych i retencyjnych. Kluczowe jest przeprowadzenie użytkownika przez proces onboardingu, zaangażowanie go w korzystanie z produktu oraz przypominanie mu o powrotach do aplikacji. Różnice między analityką aplikacji mobilnych a stron internetowych wprowadzają nowe pojęcia i wyzwania w analizie aplikacji mobilnych. Onboarding i działania nad retencją są tutaj kluczowe dla utrzymania zaangażowania użytkowników. 

Analityka aplikacji – kluczowe pojęcia

W analityce aplikacji mobilnych często spotykanym pojęciem jest kohorta. Kohorta to grupa użytkowników, którzy mają wspólną cechę lub doświadczenie w określonym czasie. Przykładowo, może to być grupa użytkowników, którzy zarejestrowali się w styczniu 2024 roku i pochodzą z konkretnego źródła ruchu. Kohorty są tworzone na podstawie różnych kryteriów, zwłaszcza w marketingu, aby zrozumieć, dlaczego użytkownicy z określonych źródeł pobrali aplikację. 

Procent użytkowników, którzy zainstalowali i odinstalowali naszą aplikację, określa wskaźnik churn rate. Z kolei jego przeciwieństwem jest retention rate, który pokazuje, ilu użytkowników pozostaje aktywnych w danej kohorcie. Churn rate informuje nas o użytkownikach, którzy przestali być aktywni, natomiast retention rate o tych, którzy pozostają. W kontekście produktu kluczowe jest minimalizowanie churn rate i maksymalizowanie retention rate.

W przypadku aplikacji mobilnych istotne są również deeplinki. Są to linki w internecie prowadzące bezpośrednio do określonej funkcji lub ekranu w aplikacji. Mogą to być także dynamiczne linki, które w zależności od sytuacji, mogą przekierowywać użytkownika na stronę internetową lub bezpośrednio do aplikacji, jeśli jest zainstalowana. 

W kontekście śledzenia i zbierania danych w aplikacjach mobilnych pojawia się pojęcie SDK, czyli Software Development Kit. Dla stron internetowych stosuje się kody śledzące, natomiast w aplikacjach mobilnych wykorzystuje się SDK. Wysyłamy je do działu IT wraz z instrukcjami dotyczącymi konfiguracji, aby śledzenie działało prawidłowo.

Analityka aplikacji – jakie dane zbierać?

Śledzenie w Google Analytics 4, zarówno w aplikacjach mobilnych, jak i na stronach internetowych, jest podobne, ponieważ opiera się na zdarzeniach. W Universal Analytics opierano się na sesjach, a w aplikacjach na zdarzeniach, ale teraz to pojęcie zostało zunifikowane. W ramach zdarzeń występują dwa rodzaje: zdarzenia systemowe i niestandardowe.

Zdarzenia systemowe są wprowadzone domyślnie przez SDK. Przykłady to AppException, które rejestruje się, gdy aplikacja zawiesi się lub zwróci wyjątek użytkownikowi, oraz AppUpdate, które monitoruje aktualizację aplikacji do nowej wersji. Zdarzenie AppRemove śledzi usunięcie aplikacji z telefonu. Wersja aplikacji jest wymiarem, który można analizować.

Drugi rodzaj zdarzeń, czyli behawioralne, jest analogiczny do tego, co dzieje się na stronie internetowej. Dotyczą one działań użytkowników w serwisie. Jedyną różnicą jest to, że w serwisie mówimy o stronach, a w aplikacji mobilnej – o ekranach. Ważne jest, aby pamiętać, że skoro korzystamy z GA4, które ma za zadanie porównywać dane w sposób spójny, opisując użytkowników tak samo w aplikacji, jak i na stronie internetowej, to kluczowe jest, abyśmy analogicznie opisywali poszczególne elementy aplikacji i strony internetowej. 

Dzięki temu możemy je łączyć i porównywać. Na przykład, dodanie do koszyka w aplikacji powinno być nazwane tak samo, jak na stronie internetowej zakup. Każde zdarzenie opisujące tę samą akcję użytkownika powinno być jednolicie nazwane. 

Analityka aplikacji – jak analizować dane?

Analizując aplikację mobilną, warto pamiętać, że jej celem, podobnie jak każdego produktu cyfrowego w e-commerce, jest sprzedaż. Aby jednak do niej doszło, konieczne jest najpierw pozyskanie użytkownika. W tym kontekście Google Analytics 4 nie radzi sobie najlepiej, szczególnie w obszarze atrybucji ściągnięć aplikacji. Lepszym narzędziem może okazać się AppFlyer, które oferuje bardziej precyzyjne rozwiązania w zakresie pozyskiwania użytkowników. Wracając jednak do analityki w najlepiej nam znanym GA…

Raport User Acquisition pokazuje, skąd pozyskujemy nowych użytkowników aplikacji. Gdy użytkownik zostanie rozpoznany przez aplikację, pozostaje użytkownikiem tej aplikacji. Oznacza to, że raport ten wskazuje miejsca, z których użytkownicy instalują aplikację, czyli z jakich sklepów aplikacja jest pobierana.

Traffic Acquisition często zawiera podobne dane co User Acquisition, ponieważ po zainstalowaniu aplikacji użytkownik nadal generuje ruch z tego samego źródła. Wyjątkiem są sytuacje, gdy użytkownik zostaje skierowany do aplikacji za pomocą Deep Linku lub Dynamic Linku. Te linki prowadzą bezpośrednio do konkretnej podstrony w aplikacji, co pozwala przypisać inne źródło ruchu. 

W kontekście analizy danych w Google Analytics, pozyskiwanie ruchu nie jest najsilniejszą stroną tego narzędzia. Jednak w zakresie zaangażowania i sprzedaży, czyli elementów Behavior i Conversion, sytuacja wygląda znacznie lepiej. W przypadku analizy zaangażowania użytkowników, istotne jest zidentyfikowanie, na jakich ekranach aplikacji użytkownicy spędzają najwięcej czasu. W sekcji Engagement, a dokładniej w sekcji Events, można zobaczyć, jakie działania podejmują użytkownicy w aplikacji.

Pierwszym krokiem w analizie powinno być sprawdzenie procesu onboardingowego. W przypadku aplikacji Flutter brak onboardingu może być zrozumiały, jednak w sytuacji, gdy taki proces istnieje, kluczowym wskaźnikiem jest Screen View. Określa on, na jakim etapie onboardingowym znajduje się użytkownik. Wybierając Screen View i dodając wymiar podstawowy Page Screen, możemy zobaczyć nazwy poszczególnych ekranów. 

W kontekście onboardingu użytkownika istotne jest rozrysowanie lejka, który pokaże, ile użytkowników dociera do poszczególnych etapów zaangażowania na różnych ekranach. Analizując onboarding, należy przygotować odpowiednie lejki dla ekranów związanych z tym procesem. Podobnie postępujemy w przypadku innych procesów, takich jak proces zakupowy, stosując analogiczne podejście do zachowań zakupowych na stronie internetowej.

Aby stworzyć lejek pokazujący, jak użytkownicy przechodzą przez poszczególne ekrany, należy skorzystać z sekcji Explore. W sekcji Explore tworzymy Funnel Visualization lub Funnel Exploration, co pozwala na wizualizację tego procesu. W ramach Funnel Exploration konieczne jest określenie i zdefiniowanie poszczególnych kroków w procesach takich jak onboarding czy inne, które znajdują się w naszej aplikacji mobilnej. 

Analiza sprzedaży w aplikacji będzie przebiegać podobnie do tej w serwisie WWW. W przypadku aplikacji e-commerce, w sekcji Monetization znajdziemy transakcje in-app. Chociaż aplikacja Fluddit nie zawiera sekcji e-commerce, możliwe jest analizowanie zakupów produktów w sposób analogiczny do e-commerce. 

Jeśli chcemy zbadać, jak wygląda proces zakupowy od jego rozpoczęcia do finalizacji zakupu, możemy to zrobić w sekcji eksploracji, podobnie jak w przypadku procesu onboardingowego. Analityka aplikacji jest zbliżona do analizy zaangażowania i e-commerce na stronie internetowej. Jednak w zakresie marketingu, czyli tego, jak użytkownicy instalują aplikację, jest znacznie trudniejsza.

Podsumowanie

Analityka aplikacji jest złożonym tematem, którego istotą jest to, aby mieć analogicznie określone poszczególne elementy zachowania użytkowników zarówno w aplikacji, jak i na stronie internetowej. Bez tego trudno będzie porównać efektywność obu produktów cyfrowych. 

Dane naszych klientów pokazują, że w aplikacjach mobilnych proces zakupowy i lejek sprzedażowy są często bardziej szczelne niż na stronie WWW. Jeśli rzeczywiście tak jest, należy przede wszystkim upewnić się, że ten stan rzeczy jest faktem. Poprawa nie oznacza, że nie możemy dążyć do jeszcze lepszych wyników. Aby osiągnąć ten cel, niezbędne są odpowiednie dane.

The post Analityka aplikacji mobilnej – jak to robić? first appeared on Conversion.

Problemy z danymi na rynku ecommerce
Automatyzacja przepływu danych – czym jest?
Automatyzacja przepływu danych – jak wdrożyć?
Automatyzacja przepływu danych – korzyści
Podsumowanie

Problemy z danymi na rynku ecommerce

Rozpocznijmy od krótkiej historii. Wyobraź sobie organizację korzystającą z kilku różnych narzędzi. Każde z nich generuje dane dotyczące specyficznych aspektów działalności. Aby przeanalizować te dane, często trzeba połączyć je wszystkie w Excelu, by uzyskać pełny obraz sytuacji w e-commerce. Niestety, większość dostępnego czasu na analizę pochłania łączenie, poszukiwanie i zbieranie danych. 

Często okazuje się, że jedynie 10% czasu pozostaje na rzeczywistą analizę, a czasami nawet to nie jest możliwe, bo dane są niekompletne lub nieistotne. W rezultacie, próby wykorzystania danych do rozwiązania problemów często kończą się niepowodzeniem. Jaki problem dostrzegamy w tej kwestii na rynku? 

W marketingu i szeroko pojętym biznesie funkcjonują silosy danych. Jest to sytuacja, w której informacje dotyczące tego samego aspektu są rozproszone w różnych miejscach. Jest to pierwszy problem, z którym się spotykamy. 

Drugi problem polega na tym, że dane z różnych systemów, opisujące ten sam element, w praktyce pokazują różne wartości tych samych metryk. W konsekwencji trudno jest określić, na których danych się opierać. 

Trzecim problemem jest brak kompetencji w organizacji, które pozwalają wyjaśnić, skąd wynikają te różnice. Dodatkowo brakuje umiejętności, które umożliwiłyby zgromadzenie wszystkich danych w jednym miejscu i uczynienie ich dostępnymi w różnych lokalizacjach. 

Automatyzacja przepływu danych – czym jest?

Nie trzeba jednak tracić czasu na ręczne zbieranie danych, gdy istnieje rozwiązanie w postaci automatyzacji przepływów danych. Większość narzędzi marketingowych działa na zasadzie API, czyli Application Programming Interface. API to swoiste boczne drzwi do narzędzia, umożliwiające integrację z innymi systemami bez konieczności korzystania z tradycyjnego interfejsu przeglądarkowego. Dzięki API można podłączyć różne narzędzia i pobierać z nich dane.

Obecnie większość systemów typu SaaS oraz narzędzi reklamowych jest wyposażona w API. Umożliwia to łatwy dostęp do danych. Zachęcamy naszych klientów do automatyzacji przepływów danych z różnych narzędzi, co pozwala na zgromadzenie ich w jednym miejscu i stworzenie tzw. jednego źródła prawdy. Jednym z kluczowych tematów w marketingu jest jedno źródło prawdy, co często wiąże się z hurtowniami danych. 

Automatyzacja przepływów danych jest jednak bardziej złożonym zagadnieniem. Samo skonfigurowanie automatyzacji to proces techniczny, który często wymaga wsparcia zewnętrznego lub użycia narzędzi integrujących dane. Nasi klienci często korzystają z Supermetrix. Ważne kroki w automatyzacji dotyczą jednak strony biznesowej.

Automatyzacja przepływu danych – jak wdrożyć?

Decydując się na automatyzację przepływów danych, niezbędne jest wcześniejsze przygotowanie kilku kluczowych elementów. Przede wszystkim należy ustalić źródła danych, zdobyć odpowiednie dostępy i zmapować, z jakich danych korzysta się w biznesie i marketingu. To przygotowanie ułatwi późniejszą automatyzację.

Kolejnym krokiem jest określenie, jak dane powinny wyglądać. Warto to zrobić w formie podobnej do arkusza Excela, rozpisując kolumny potrzebne w raportach. Surowe dane będą później wykorzystywane do wizualizacji lub analiz w tabelach przestawnych, co umożliwi efektywne korzystanie z nich na co dzień.

Na podstawie tych przygotowań przechodzimy do procesów ETL (Extract, Transform, Load) lub coraz częściej ELT (Extract, Load, Transform), które stanowią kluczowy element w tworzeniu zautomatyzowanych przepływów danych. Przygotowanie tych kroków wcześniej, znacznie przyspiesza cały proces automatyzacji. Warto wykorzystać tutaj również Dataforms: najpierw pozyskujemy dane i ładujemy je w stanie surowym do naszego centralnego źródła danych, a następnie dokonujemy ich transformacji. Inspiracją do tego podejścia jest architektura Medallion Architecture z dziedziny Business Intelligence. Polega ona na organizacji danych na trzech poziomach.

Pierwszy poziom, zwany brązowym, to miejsce, gdzie przechowujemy dane surowe. Są to dane pozyskane przez API z różnych narzędzi, które następnie są ładowane do centralnego źródła danych. Drugi poziom, srebrny, to etap, na którym dokonujemy transformacji i czyszczenia danych. Na tym etapie ujednolicamy walutę, usuwamy skrajne wartości i dokonujemy normalizacji, na przykład przy użyciu logarytmów. Trzeci poziom, złoty, to miejsce, gdzie znajdują się gotowe raporty potrzebne dla biznesu. Są to raporty, które można pobrać z centralnego źródła danych, często BigQuery, i wykorzystać do analizy w tabelach przestawnych lub zintegrować z wizualizacjami w dashboardach menedżerskich.

Po zakończeniu tych etapów warto przetestować zwłaszcza warstwę złotą, aby upewnić się, że odpowiada ona potrzebom biznesu. Ostatecznie, kluczowe jest zapewnienie dostępu do danych wszystkim, którzy ich potrzebują, co umożliwia pełne wykorzystanie zautomatyzowanych procesów analizy danych. 

Automatyzacja przepływu danych – korzyści

Jakie są korzyści z automatyzacji przepływu danych w firmie? Przede wszystkim jest to oszczędność czasu. Warto zastanowić się, ile czasu zajmuje analiza danych w kontekście podziału zadań w Twojej firmie. Automatyzacja pozwala nie tylko na efektywniejsze zarządzanie czasem, ale również na bardziej precyzyjne i szybkie wyciąganie wniosków z dostępnych danych. Dzięki temu można podejmować lepsze decyzje biznesowe i skuteczniej realizować cele. 

W branży analityki internetowej często zdarza się, że analitycy znaczną część swojego czasu poświęcają na pozyskiwanie, łączenie i oczyszczanie danych. Z 100 jednostek czasu pracy, aż 85% jest angażowane w te czynności. Tylko 15% czasu pozostaje na działania, które przynoszą największą wartość, takie jak filtrowanie, segmentacja, wyciąganie wniosków i formułowanie rekomendacji. 

Zauważmy, że coś tu jest nie w porządku. Wdrożenie automatyzacji przepływu danych w firmie może zmniejszyć ten czasochłonny proces do 15%. Dzięki temu analitycy mogą poświęcić 85% swojego czasu na faktyczną analizę, a tylko 15% na wcześniejsze pozyskiwanie danych – co odwraca proporcję.

Dodatkowo, więcej czasu na analizę oznacza lepszą jakość analiz. Automatyzacja nie tylko przyspiesza procesy, ale również podnosi standardy jakościowe, co jest kluczowe w dynamicznie zmieniającym się środowisku biznesowym. Procesy generowania i pozyskiwania danych oraz ich transformacja, gdy już zostaną raz prawidłowo ustawione, mogą być wykonywane przez maszyny, pozwalając człowiekowi skupić się na obszarach o największej wartości. 

Jedną z kluczowych zalet automatyzacji przepływu danych jest zwiększenie bezpieczeństwa. Nie ma potrzeby udzielania dostępu większej liczbie osób do warstw pozyskiwania i transformacji danych. Zmniejsza to liczbę osób z dostępem do danych, co redukuje ryzyko ich uszkodzenia po zaciągnięciu surowych danych do centralnego źródła prawdy. Automatyzacja integracji eliminuje potrzebę ingerencji człowieka na etapie transformacji danych, co zmniejsza ryzyko ich uszkodzenia.

Podsumowanie

Podsumowując, proces zbierania i przetwarzania danych w biznesie często zajmuje większość czasu osób zajmujących się analizą danych. Automatyzacja tych procesów pozwala na oszczędność czasu i zasobów, zwiększając jednocześnie jakość i bezpieczeństwo danych. Zasada Pareto mówi, że 20% działań przynosi 80% efektów. W praktyce dobrze jest, gdy te 20% czasu poświęcamy na analizę danych. Z mojego doświadczenia wynika, że często jest to nawet mniej. 

Dzięki automatyzacji przepływu danych możemy odwrócić tę proporcję. Oznacza to, że generowanie danych do analizy zajmuje jedynie 20% czasu, podczas gdy 80% możemy przeznaczyć na dokładne zagłębianie się w dane: segmentowanie, filtrowanie i analizowanie. Im więcej czasu poświęcimy na dogłębną analizę, tym większa szansa, że odkryjemy prawdę o tym, co w naszym biznesie działa, a co nie.

The post Automatyzacja przepływu danych w firmie first appeared on Conversion.

Problemy z danymi w Ecommerce
Audyt danych – czym jest?a>
Audyt danych – na czym polega?
Audyt danych – jak go przeprowadzić?
Audyt danych – korzyści
Podsumowanie

Problemy z danymi w Ecommerce

Wyobraźmy sobie sytuację: nadchodzi Black Friday, uruchamiamy promocję, ale jej wyniki nie dorównują zeszłorocznym osiągnięciom. Co poszło nie tak? Odpowiedzi może dostarczyć właśnie audyt danych. Analityk otrzymuje zadanie przeanalizowania danych. Szybko okazuje się, że brakuje kluczowych informacji, na przykład dotyczących dodawania do koszyka, co jest istotne w kontekście tej analizy. Ostateczny system pokazuje sprzedaż, a systemy reklamowe prezentują zasięgi, jednak brak danych o liczbie użytkowników dodających produkty do koszyka. 

Ta sytuacja wynika z faktu, że trzy miesiące wcześniej firma wprowadziła zmiany na karcie produktu. Niestety, podczas tych zmian usunięto śledzenie, w tym śledzenie dodawania do koszyka. Takiej sytuacji można uniknąć, jeśli firma wdroży procesy związane z audytem danych. Metodyczne podejście do danych i ich regularna analiza są kluczowe dla zapewnienia ich jakości. 

Audyt danych – czym jest?

Audyt danych to proces oceny i weryfikacji danych, którego celem jest zapewnienie ich wysokiej jakości. Dane w marketingu stanowią paliwo efektywności, a znane powiedzenie „Garbage in, Garbage out” doskonale oddaje tę zależność. Oznacza to, że jakość analiz jest ściśle powiązana z jakością danych użytych do ich przeprowadzenia. 

Audyt danych – na czym polega?

Audyt danych to proces, który polega na szczegółowym sprawdzeniu naszego stacku analitycznego w zakresie zbierania, przetwarzania i bezpieczeństwa danych. Kluczowe elementy audytu można podzielić na cztery fundamentalne filary. 

Rzetelność danych

Pierwszym z filarów które oceniamy podczas audytu danych jest rzetelność, czyli sposób, w jaki nasze dane odzwierciedlają rzeczywistość, stanowiąc pierwsze źródło prawdy. To właśnie dzięki rzetelności możemy mieć pewność, że nasze analizy opierają się na wiarygodnych informacjach. Audyt danych pozwala nam zidentyfikować ewentualne nieprawidłowości i dostosować działania, aby uzyskać jak najbardziej precyzyjne dane. 

Czym jest pierwsze źródło prawdy? Odnosi się to do systemu, na podstawie którego tworzone są sprawozdania finansowe. To właśnie ten system odzwierciedla rzeczywisty przepływ środków finansowych na konto firmy. W kontekście systemów, z których korzystasz w marketingu – czy to reklamowych, web analitycznych, czy marketing automation – istotne jest, aby trendy w nich prezentowane były zgodne z danymi z pierwotnego źródła prawdy. Na przykład, jeśli Google Analytics pokazuje wzrost sprzedaży, a w innym systemie sprzedaż maleje, nie można mówić o integralności danych.

Integralność danych

Integralność danych to drugi element, który ma większe znaczenie niż sama rzetelność. Oczywiście, rzetelność danych jest istotna i powinna być na odpowiednio wysokim poziomie, choć nie zawsze osiągnie 100%. Jednak integralność wymaga, by każdy system przedstawiał te same trendy. Dążenie do spójnych danych w różnych systemach jest niezbędne dla efektywnej analizy i podejmowania trafnych decyzji biznesowych. 

Porównanie analityki danych do nawigacji powietrznej może być inspirujące. Dla pilota samolotu kluczowe są wskazówki dotyczące kierunku, w którym ma się poruszać, aby dotrzeć do celu. Podobnie w analityce i pracy z danymi, istotne jest, aby dane wskazywały właściwe kierunki, a ich integralność pozwalała na formułowanie trafnych wniosków. 

Wartość danych dla biznesu

Kolejnym istotnym elementem oceny danych jest ich wartość z perspektywy biznesowej. Dane powinny być zbierane z myślą o ich przydatności w przyszłości. Istotne jest, aby mogły odpowiadać na kluczowe pytania biznesowe, a nie stawały się jedynie ciężarem do utrzymania. Chociaż techniczne utrzymanie danych może nie stanowić problemu, ważne jest, aby były one regularnie sprawdzane i weryfikowane. Im więcej danych posiadamy, tym ważniejsze jest, aby wszystkie rzeczywiście odpowiadały na potrzeby biznesu. 

Bezpieczeństwo danych

Czwarty element, pod którym należy prowadzić audyt danych, to bezpieczeństwo. Kluczowe jest zrozumienie, kto i w jakim zakresie ma i powinien mieć dostęp do naszych danych. 

Z mojego doświadczenia wynika, że w jednej z dużych organizacji stosowano proces zarządzania dostępami, w którym raz w tygodniu pracownik przeglądał narzędzia i usuwał dostęp wszystkim adresom e-mail spoza domeny organizacji. Dodatkowo, otrzymywał listę od działu HR osób, które opuściły firmę, i również ich e-maile były usuwane. Co tydzień musieliśmy od nowa prosić o dostęp do narzędzi.

Audyt danych – jak go przeprowadzić?

Punkt startowy to rozmowa z biznesem. Należy zidentyfikować problemy i wyzwania, z którymi biznes się mierzy, w tym brakujące informacje i dane, które są potrzebne. Ważne jest, aby zrozumieć, z jakich danych biznes korzysta obecnie. Pozwoli to uzupełnić dane i zidentyfikować braki.

Podczas rozmowy z biznesem dowiadujemy się, jakie są codzienne potrzeby. Gdy już zrozumiemy, z jakich danych korzysta biznes, jakie ma potrzeby i jakie braki zgłasza, przechodzimy do analizy danych. Sprawdzamy, czy dostępne dane spełniają kluczowe kryteria jakości.

Wartość danych wynika z wcześniejszych ustaleń. Będziemy wiedzieć, czego biznes potrzebuje i z jakich zasobów korzysta. Może się okazać, że istnieją potrzebne dane, które nie są wykorzystywane. Wtedy naszym zadaniem jest pokazanie, jak z tych danych korzystać. Pod względem wartości analiza danych wynika z poprzedniego punktu. Ważnym aspektem jest rzetelność, czyli dokładność danych w naszych systemach marketingowych w porównaniu do głównego źródła prawdy. Tego typu analiza, określana jako analiza pokrycia, polega na dopasowywaniu danych pomiędzy systemami.

Najprostszą metodą jest znalezienie wspólnego klucza między głównym źródłem prawdy a systemami marketingowymi. Następnie przeprowadzane jest dopasowanie, aby sprawdzić, jaki procent kluczy z głównego źródła jest pokryty przez audytowany system. Analizę tę najczęściej przeprowadzamy w Google Analytics 4, mierząc dane po identyfikatorze transakcji. Porównujemy, które identyfikatory transakcji z głównego źródła, takiego jak CRM, ERP czy WMS, są pokryte. 

Następnie identyfikujemy te, które pokryte nie są. Analiza danych w e-commerce pozwala ocenić rzetelność i dokładność informacji, co umożliwia identyfikację wąskich gardeł i błędów do szybkiej naprawy. W kontekście transakcji e-commerce, dane są kluczowe, natomiast w mniej sprzedażowych serwisach często pracuje się na agregatach, takich jak logi serwerowe. IT odpowiedzialne jest za weryfikację danych prezentowanych przez narzędzia, ponieważ logi serwerowe stanowią podstawowe źródło prawdy dotyczące zaangażowania użytkowników.

W przypadku innych serwisów, istotne jest zidentyfikowanie podstawowych źródeł prawdy, a następnie analiza, w jaki sposób można je dopasować do systemów, aby ocenić dokładność danych.

Integralność danych, czyli analiza trendów, polega na porównywaniu wyników z dwóch systemów. Jeśli wyniki się nie pokrywają, naprawa integralności danych staje się większym wyzwaniem. Bezpieczeństwo w analityce również jest kluczowe i wymaga szczególnej uwagi. Każde narzędzie należy dokładnie sprawdzić pod kątem dostępów użytkowników. 

W przypadku Google Analytics proces ten wygląda następująco: należy przejść do sekcji administratora, najlepiej na poziomie całego konta, a następnie do zarządzania dostępem do konta (account access management). W tej sekcji warto sprawdzić, jakie adresy e-mail mają dostęp do danych. W innych narzędziach procedura może się różnić, jednak zawsze należy znaleźć odpowiednią sekcję, aby upewnić się, kto ma dostęp do informacji.

W kontekście audytu danych ważnym elementem jest również kontrola kosztów. Coraz częściej spotykamy się z sytuacjami, zwłaszcza w przypadku Google BigQuery, gdzie nieodpowiednia konfiguracja zbierania danych prowadzi do znacznych kosztów. Istotne jest upewnienie się, że konfiguracje są poprawne i optymalne kosztowo. 

W audycie danych kluczowe jest stawianie rekomendacji, które pomagają poprawić jakość danych w poszczególnych obszarach. Istnieją dwa rodzaje rekomendacji. Pierwszy to jednorazowe działania, takie jak poprawienie czy uszczelnienie określonego procesu w produkcie, gdzie dane są zbierane. Przykładem może być stworzenie strony typu splash page przed przejściem do zewnętrznej płatności, aby zarejestrować transakcję jeszcze przed jej finalizacją.

Drugi rodzaj rekomendacji dotyczy wprowadzenia procesów, na przykład związanych z kontrolą dostępu do danych. W jednej z organizacji, z którą współpracowaliśmy, osoba raz w tygodniu przeglądała listę wszystkich dostępów. Taki proces można często zautomatyzować. Google Analytics oferuje alerty, ale można także skorzystać z serwisu, takiego jak Make.com, który na podstawie napływających danych może generować alerty, wysyłać e-maile czy SMS-y.

Audyt danych – korzyści

Ostatnim ważnym aspektem, który warto omówić, są korzyści z prowadzenia audytu danych. Zanim jednak przejdziemy do korzyści, należy zastanowić się, jaką wartość dane mogą nam przynieść. Często pojawia się pytanie o wzrost, jaki przynosi analityka internetowa. Odpowiedź jest prosta: wzrost jest zerowy, jeśli nic nie robimy z danymi. Jeżeli nie wykorzystujemy danych w codziennej pracy, audyt danych nie przyniesie znaczących korzyści. Jednak, gdy nadejdzie odpowiedni moment, audyt danych da nam pewność, że dane są wysokiej jakości. 

Korzyścią z audytu danych jest przede wszystkim poczucie spokoju i pewność, że wszystko jest w porządku. W sytuacjach kryzysowych, gdy dane będą niezbędne, będziemy wiedzieć, że są one dla nas wsparciem. Audyt pozwala także zidentyfikować obszary, w których tracimy potencjał. 

Można go porównać do profilaktycznych badań krwi, które pomagają utrzymać zdrowie i szybko reagować na potencjalne problemy. Regularne badania profilaktyczne są nie tylko zalecane w kontekście zdrowia, ale także w obszarze analityki danych. Wczesne wykrywanie problemów pozwala na ich rozwiązanie bez zbędnego stresu i presji. Podobnie jak badania krwi, audyt danych w marketingu pełni rolę prewencyjną. Nie chodzi o szukanie problemów, ale o upewnienie się, że wszystko działa poprawnie. Gdy pojawi się kryzys, dobrze jest mieć pewność, że dane są w porządku i nie trzeba martwić się ich naprawą w trudnym momencie.

Jedną z najważniejszych korzyści płynących z audytu danych jest brak subiektywizmu w podejmowaniu decyzji. Dzięki temu organizacja staje się prawdziwie data-driven. 

Podsumowanie

Dbając o jakość danych i przeprowadzając audyty co najmniej raz w roku, przygotowujemy się na ewentualne potrzeby w przyszłości. Taki audyt może okazać się niezwykle ważny, gdy nadejdzie moment, w którym rzetelne dane będą kluczowe. Zachęcam do regularnego sprawdzania jakości swoich danych, co z czasem przyniesie wymierne korzyści.

The post Audyt danych – czym jest i jak do niego podejść? first appeared on Conversion.

Historia pewnego sklepu ecommerce
Optymalizacja feedu produktowego – czym jest?
Optymalizacja feedu produktowego – jak do niej podejść?
Optymalizacja feedu produktowego a scoring produktowy
Optymalizacja feedu produktowego – korzyści
Podsumowanie

Historia pewnego sklepu ecommerce

W tym wpisie opisuję historię naszego klienta, międzynarodowego sklepu internetowego z branży fashion, działającego na ośmiu rynkach Europy Środkowej i Wschodniej. Aby pokazać skalę tego e-commerce’u, warto wspomnieć, że w swoim portfolio ma około 15 tysięcy unikalnych produktów. 

Nasz klient w pewnym momencie zorientował się, że ma problem ze swoim marketingiem. Inwestycje w marketing nie zawsze przekładają się bezpośrednio na wzrost przychodów generowanych przez wydatki na media. Problem tkwił w zarządzaniu produktami. Wśród 15 tys. produktów sprzedawanych na ośmiu rynkach, stany magazynowe zmieniały się bardzo szybko. Codziennie 100 produktów trafiało do magazynu i 100 opuszczało go. 

Taka sytuacja stwarza wyzwanie w zarządzaniu feedem produktowym. Szybko rotujące produkty są ciągle prezentowane w feedzie, co prowadzi do sytuacji, w której użytkownik, wchodząc na stronę danego produktu, nie znajduje go już dostępnego. W efekcie ponosimy koszty bez generowania przychodu. Kiedy pomnożymy sytuację przez wielkość klienta, który posiada 15 tys. produktów i działa na 8 rynkach, problem staje się niebanalny. Właśnie na tym etapie klient zwrócił się do nas o pomoc. 

Optymalizacja feedu produktowego – czym jest?

Optymalizacja feedu produktowego jest szeroko znana na rynku. Polega na zapewnieniu pełnych danych w feedzie produktowym, co obejmuje odpowiednie opisy, wysokiej jakości zdjęcia oraz właściwą kategoryzację. Wszystko to jest niezbędne dla systemów reklamowych, aby skutecznie kierować konkretne produkty do użytkowników. 

Kluczowym elementem naszego podejścia było wzbogacenie feedu produktowego o scoring. Scoring umożliwił wzniesienie kampani marketingowych na wyższy poziom i opierał się na trzech elementach: źródła danych, proces ich budowy oraz finalny produkt. 

Optymalizacja feedu produktowego – jak do niej podejść?

Pierwszym elementem w naszych działaniach były źródła danych, które obejmowały bazę danych CMS z informacjami produktowymi, dane o zachowaniu użytkowników na produktach pochodzące z Google Analytics 4 oraz dane o kampaniach i ich kosztach uzyskane z Google Ads. Aby sprowadzić te dane do wspólnego mianownika pod względem waluty, skorzystaliśmy z zewnętrznego narzędzia oraz aplikacji do pozyskiwania kursów walut.

Kolejnym etapem był proces budowy. W głównej mierze opieraliśmy się na narzędziach oferowanych przez Google Cloud Platform, ze szczególnym uwzględnieniem Google BigQuery. Wykorzystaliśmy również Google Storage oraz Cloud Functions, co zostanie szczegółowo opisane w dalszej części wpisu. 

Ciekawym use casem jest proces związany z pozyskiwaniem danych z bazy wewnętrznej. W pierwszym kroku zdobywamy informacje, które pozwalają na budowanie feedu produktowego. Szczególnie istotne są tutaj metryki takie jak dostępność danego produktu oraz liczba jego wariantów, które umożliwiają obliczanie dodatkowych wskaźników. Ten proces został zrealizowany dzięki natywnej integracji z Google BigQuery, co umożliwiał nasz system wewnętrzny. 

W przypadku, gdyby to nie było możliwe, skorzystalibyśmy z Cloud Functions, jak zrobiliśmy przy kursie wymiany walut. Dzięki Google Analytics 4 uzyskaliśmy dane o zachowaniach użytkowników dotyczących produktów. Dane te obejmują liczbę wyświetleń, szczegóły dotyczące dodania do koszyka, procesy checkout oraz zakupy poszczególnych produktów. 

Nie jest zaskoczeniem, że pozyskaliśmy te informacje dzięki natywnej integracji Google Analytics 4 z BigQuery. W analizie kampanii Google Ads skorzystaliśmy z danych dotyczących kosztów, wykorzystując Apps Script do zagregowania specyficznych danych. Obecnie prawdopodobnie używalibyśmy natywnej integracji BigQuery w ramach transferu danych, aby pobierać szczegółowe informacje z Google Ads. Było konieczne zintegrowanie danych z ośmiu rynków w ramach jednego zbioru, dlatego zastosowaliśmy open source skrypt z GitHub. Dzięki API i Cloud Functions wprowadziliśmy to rozwiązanie w Google BigQuery.

Optymalizacja feedu produktowego a scoring produktowy

Dodatkowym elementem analizy była możliwość zarządzania scoringiem. Wykorzystaliśmy wewnętrzne narzędzie, aby nałożyć na dane dodatkowe informacje biznesowe. Nie wszystkie informacje są bowiem bezpośrednio zawarte w danych. Na przykład, wydarzenia związane z pogodą czy sezonowość, takie jak sezon narciarski, mogą wpływać na analizę danych. Sezon narciarski występuje co roku, lecz jego dokładny czas zależy od warunków atmosferycznych. Choć takie dane można pozyskiwać, ich pełne wykorzystanie wymaga ustrukturyzowania i zintegrowania między systemami. W tym kontekście, człowiek nadal odgrywa kluczową rolę, dodając perspektywę biznesową.

W naszym przypadku wszystkie dane ze wszystkich systemów były połączone za pomocą identyfikatora produktu, który pochodził z tego samego źródła, czyli SKU. Po zebraniu danych przeszliśmy do procesu transformacji. W pierwszej kolejności oczyściliśmy dane z odchyleń i obliczyliśmy nowe metryki, takie jak współczynniki konwersji. 

Szczególną uwagę zwróciliśmy na dane z Google Analytics 4, gdzie analizowaliśmy zaangażowanie na produktach jako liczbę dodanych do koszyka w porównaniu do wyświetleń produktu oraz liczbę zakupów w odniesieniu do liczby rozpoczętych procesów checkout z danym produktem. Założono, że wyższe wartości tych metryk wskazują na pozytywny wpływ na wyniki biznesowe. 

Obliczyliśmy metrykę ERS, oznaczającą Effective Revenue Spent lub Effective Revenue Share. Wskazuje ona, jaki jest udział kosztu pozyskania ruchu w przychodzie z danego produktu, czyli ile kosztuje nas generowanie przychodu z tego produktu. Metryka ta jest odwrotnie proporcjonalna — im niższa, tym lepiej — co wpływa na wartość scoringu.

Przeprowadziliśmy również normalizację danych, aby sprowadzić metryki do odpowiednich zakresów. Dzięki temu, ich wpływ na ostateczny scoring nie jest ani zbyt mocny, ani zbyt słaby. Wykorzystaliśmy także metodę, którą nazywam Reverse Time Decay. W finansach Time Decay odnosi się do dyskontowania przyszłych przepływów finansowych do dnia dzisiejszego. Reverse Time Decay działa odwrotnie — zmniejsza wpływ danych historycznych na bieżący scoring. 

Ponieważ analizowaliśmy dane z ostatnich 90 dni, zależało nam na tym, aby informacje sprzed trzech miesięcy miały mniejszy wpływ na scoring niż te sprzed tygodnia. Aby przeprowadzić dekompozycję, wykorzystaliśmy funkcję arcus tangens. Z różnych testów wynika, że spadek i zagięcie są dobrze odzwierciedlone przez tę funkcję, co uczyniło ją najlepszym wyborem. Próbowaliśmy różnych innych metod, ale to rozwiązanie okazało się najskuteczniejsze. Może to być również dla Ciebie wskazówka. 

Po przetłumaczeniu i przetransformowaniu wszystkich danych, wprowadziliśmy je do jednego zbioru, gdzie obliczyliśmy nasz scoring. Ważne jest, że scoring stanowi wypadkową danych z różnych źródeł, takich jak zaangażowanie, dostępność i dotychczasowe kampanie dotyczące danych produktów. 

Scoring został wykorzystany w naszym produkcie, który można porównać do zbroi Ironmana. W tym przypadku scoring pełni rolę reaktora łukowego, czyniącego zbroję efektywnym narzędziem w marketingu. Produktem, o którym mowa, były feedy produktowe zawierające element scoringu. Były one udostępniane na Facebooku oraz w Google Merchant Center, a następnie wykorzystywane w Google Ads.

W kontekście Facebooka podzieliliśmy feedy na główny (primary) i dodatkowy (supplementary). Taka strategia pozwoliła na zabezpieczenie się przed ewentualnymi błędami w scoringu. Gdyby wystąpiły problemy z dostarczeniem scoringu do głównego feedu, jego konstrukcja mogłaby być zagrożona. Dzięki podziałowi feedów ryzyko to zostało zminimalizowane. Istniały dwa rodzaje danych: podstawowe, które nie zawierały scoringu, oraz uzupełniające, które miały jedynie ID produktu i scoring. Dane te były łączone, a Facebook wykorzystywał je poprzez powiązanie z ID produktu. Przekazywanie danych odbywało się za pomocą Google Storage. 

Następnie scoring produktowy został wykorzystany do wewnętrznego merchandisingu w kontekście kampanii Marketing Automation oraz do sortowania produktów na listingach. Ostatnim elementem tego procesu była wizualizacja danych. Pozwalała ona kontrolować, czy scoringi są prawidłowo przypisane do produktów oraz czy kampanie odpowiednio na nie reagują.

Optymalizacja feedu produktowego – korzyści

W kontekście operacyjnego działania w marketingu osiągnęliśmy bardzo pozytywne rezultaty. Przede wszystkim wdrożono dynamiczne promocje, które eliminowały sytuacje, w których w feedzie produktowym były prezentowane produkty niedostępne. Dzięki zastosowaniu zaawansowanej analizy danych, byliśmy w stanie nadawać wyższe priorytety produktom, które lepiej się sprzedawały. Miały one większe prawdopodobieństwo zakupu, co wynikało z analizy zachowań użytkowników na stronie. Ułatwiło to zarządzanie zniżkami oraz samym magazynem. Dzięki scoringowi efektywnie dobieraliśmy zniżki i sprawnie zarządzaliśmy stanami magazynowymi.

Kolejny element produktu opartego na danych służył do optymalizacji komunikacji z użytkownikami poprzez newslettery oraz Marketing Automation. Dzięki temu mogliśmy proponować produkty z większym prawdopodobieństwem zakupu. Sortowanie listingów dla odwiedzających bazowało na zachowaniach innych użytkowników, co zwiększało szanse sprzedaży.

Element wizualizacji pełnił tutaj funkcję kontrolną. Pozwalał śledzić, czy produkty są odpowiednio przyporządkowane do poszczególnych scoringów oraz czy systemy reklamowe reagują zgodnie z danymi. 

Podsumowanie

Optymalizacja feedu produktowego to bardzo skuteczne narzędziem w walce z nieefektywnością marketingu. Jest to jednak temat dosyć złożony i skomplikowany. Ze swojego doświadczenia wiemy jednak, że praca nad optymalizcją feedu produktowego przynosi wymierne efekty w kontekście skuteczności działań marketingowych.

The post Optymalizacja feedu produktowego – jak to robić? first appeared on Conversion.