Już jakiś czas temu odbyłem rozmowę, podczas której próbowałem wyjaśnić mojej koleżance, czym na co dzień zajmuje się nasza firma. Starałem się, aby dokładnie opowiedzieć, co robimy i w jaki sposób przekłada się to na biznesy naszych klientów. Jednak, gdy usłyszałem to jedno zdanie, stwierdziłem, że moje wyjaśnienia spełzły na niczym. Uznałem, że ustny przekaz to zdecydowanie za mało, a całość należy “ubrać” w pisemną wersję. I właśnie tak zrodził się pomysł na stworzenie tego artykułu

Ciekawi Cię, co to za zdanie? Już opowiadam. Otóż, po pewnym czasie, gdy już wnikliwie wysłuchała mojej wypowiedzi, z jej ust padły słowa:

Skoro Google Analytics jest darmowy, to każdy może go zainstalować (ergo) – Wasze usługi są niepotrzebne.

Oczywiście szybko wyprowadziłem ją z błędu. W końcu, idąc tym tokiem rozumowania, równie dobrze można byłoby powiedzieć, że każdy może być:

• Ekonometrykiem – “w końcu” są dostępne na rynku darmowe (i to całkiem niezłe) pakiety ekonometryczne.
• Grafikiem – “w końcu” na rynku jest całe mnóstwo bezpłatnych programów do tworzenia grafik.
• Copywriterem – “w końcu” wystarczy skorzystać z dowolnego programu do pisania.
• Trenerem personalnym – “w końcu” wystarczy założyć sportowe buty i wygodny dres.

I tak dalej, i tak dalej. Ale czy to oznacza, że każdy byłby w stanie przygotować model gospodarki Polski; stworzyć przykuwającą oko ilustrację; napisać tekst, który porwie tłumy lub trenować zawodników, którzy osiągają sukcesy w sporcie? No nie do końca…

Zanim przejdę dalej – pozwól, że pozwolę sobie na małą prywatę i autoreklamę naszej firmy.

• Jeżeli potrzebujesz w swojej organizacji analityka, to koniecznie zapoznaj się z naszą ofertą w zakresie outsourcingu (body leasing) analityków internetowych.
• Jeśli natomiast chcesz spełniać się zawodowo w roli analityka internetowego – już teraz sprawdź nasze aktualne oferty pracy.

Co znajdziesz w tym artykule?
Czy analityk internetowy to zawód z przyszłością?
Czym zajmuje się analityk internetowy
Jakie cechy powinien mieć analityk internetowy, aby robić to dobrze?
Analityk jest ogniwem, które łączy biznes z technologią
Analityk internetowy musi znać się na analizach i umieć prezentować wyniki
Analityk internetowy musi wiedzieć “co” i “jak” działa
Analityk internetowy musi być samodzielny
Analityk internetowy musi umieć rozmawiać, tłumaczyć i przekonywać
Analityk internetowy musi rozumieć biznes
Najpopularniejsze oprogramowanie do analizy danych internetowych
Tyle umiejętności, a tylko 1 człowiek? Czy taka osoba w ogóle istnieje?
Czy praca analityka jest aż tak wymagająca?
Praca analityka internetowego – podsumowanie

Czy analityk internetowy to zawód z przyszłością?

Na początku muszę zaznaczyć, że analityka internetowa to stosunkowo młody obszar zawodowy, który tak naprawdę znajduje się dopiero na początku swojej drogi.

Nie wierzysz? Zatem spróbuj przypomnieć sobie, jak wyglądał Internet (w Polsce i na świecie) odpowiednio: 10, 15, i 20 lat temu. Czy kojarzysz, aby w tamtych czasach ktoś w ogóle myślał o korzystaniu z bardziej zaawansowanej analityki działań w sieci? Ok, nawet jeśli tak było – robiło to maksymalnie kilka procent wszystkich firm.

Za dobry przykład może posłużyć początek mojej kariery. Sam działam w tym temacie od 2009 roku i mogę śmiało powiedzieć, że w tamtych czasach byłem jednym z niewielu, którzy zaczęli zdobywać kompetencje właśnie w tym zakresie.

Jak widzisz – analityka internetowa to naprawdę perspektywiczna dziedzina. W końcu w samej tylko Polsce mamy grubo ponad 28 milionów internautów, a sektor e-handlu z roku na rok rośnie w siłę.

To także oznacza, że świadomość potrzeby analizy danych płynących z działalności on-line jest coraz bardziej widoczna wśród polskich firm. A tylko kwestią czasu jest tworzenie coraz bardziej zaawansowanych struktur analitycznych w największych organizacjach.

Tak więc rozwiewając wszystkie wątpliwości raz na zawsze – pragnę powiedzieć głośno i wyraźnie, że:

Zawód analityka internetowego ma przed sobą świetlaną przyszłość, która w żadnym wypadku nie będzie polegała na generowaniu raportów z bezpłatnych narzędzi.

Skoro już wiesz, że analityka internetowa nie polega tylko na generowaniu i “przeklepywaniu” raportów, a posiadanie wpiętych kodów Google Analytics nie zrobi z Ciebie pełnoprawnego analityka internetowego – pora powiedzieć sobie więcej o obowiązkach tego typu specjalistów.

Czym zajmuje się analityk internetowy

W Polsce wciąż “pokutuje” przekonanie, że analityka internetowa to tylko gromadzenie danych, a następnie – tworzenie na ich podstawie raportów (za pomocą różnych narzędzi). Oczywiście – jest to jeden z elementów pracy analityków internetowych. Jednak stanowi on zaledwie cząstkę całego procesu, który nosi miano analizy danych.
Głównym zadaniem analityka jest bowiem dostarczanie rekomendacji, które prowadzą do realizacji celów biznesowych danej organizacji. Jednak, aby było to możliwe, “po drodze” musi dojść do kilku innych zdarzeń, do których zaliczamy m.in.:

• • Zbieranie, a raczej „kopanie” w danych

Tak, zdecydowana większość wysiłków przypada właśnie na obszar związany z gromadzeniem wszelkich niezbędnych informacji. Wyciąganiem ich z niezbędnych narzędzi, agregowaniem, standaryzowaniem i wstępną selekcją.
Od siebie dodam tylko, że jest to jeden z najbardziej czasochłonnych procesów. Aby lepiej to zobrazować – mogę powiedzieć, że ten krok stanowi zazwyczaj 80, a nawet 90% czasu całej pracy nad danym przypadkiem, który podlega analizie.

• • Tworzenie raportów

Po pozyskaniu i wstępnym “obrobieniu” danych można przystąpić do przygotowania skondensowanego raportu. Sam raport (dotyczący np. źródeł ruchu) nie jest podstawą do podejmowania decyzji). Jednak w momencie, gdy przekopiemy dane i będziemy np. w stanie ocenić efektywność poszczególnych źródeł dla konkretnych segmentów użytkowników, a tym samym zarekomendować konkretne działania w postaci kampanii reklamowych – to właśnie tutaj zacznie się przygoda z prawdziwą analityką internetową.

• • Monitorowanie danych

Kolejnym zadaniem analityka jest monitorowanie danych dotyczących organizacji i tworzenie efektywnych systemów raportowania. W tym przypadku wyzwaniem jest dobór raportowanych metryk tak, aby pasowały do celów biznesowych organizacji (tzw. KPI). Mogę tylko nadmienić, że tony raportów możliwych do wygenerowania wcale nie ułatwiają tej pracy.

• • Prezentacja danych i przedstawianie wniosków

Jest to zdecydowanie jeden z najtrudniejszych etapów. Zadaniem dobrego analityka jest również pokazanie, co tak naprawdę znaczą te wszystkie dane. Co kryje się za wykresami, o czym mówią słupki, a przede wszystkim – jaki mają wpływ na obecne i dalsze funkcjonowanie firmy.

Dobry analityk musi umieć realnie wpływać na organizację. Aby jego praca przynosiła efekty, na podstawie swoich analiz, musi przekonać przełożonych do podjęcia faktycznych działań.

Jakie cechy powinien mieć analityk internetowy, aby robić to dobrze?

Na początku powiem tylko jedno: nie przeraź się, bo jest tego naprawdę dużo. Profesjonalny analityk to tak naprawdę człowiek o wielu talentach, który musi:

• Mieć dobre zaplecze techniczne oraz wiedzę merytoryczną.
• Posiadać umiejętności komunikacyjne i dyplomatyczne.
• Być zorientowanym na biznes i jego potrzeby.
• Cechować się cierpliwością, wytrwałością i ciekawością.

No i oczywiście – wiedzieć co nieco o analizie danych*

Źródło: KAIZEN Analytics Blog

Jeżeli dopiero aspirujesz do tego zawodu – uspokajam. Na początku wystarczą Ci podstawy. Większość tych kompetencji nauczysz się “na żywym” organizmie – bezpośrednio w trakcie Twojej pracy nad projektami.

* Żartuję! W tym obszarze musisz być prawdziwym wymiataczem.

Analityk jest ogniwem, które łączy biznes z technologią

Właśnie dlatego w jego arsenale powinny znajdować się 3 główne kompetencje: analityczna, technologiczna i biznesowa.

• W pierwszej z nich musi umieć analizować, przetwarzać, segmentować, porównywać, wyciągać wnioski i przedstawiać rekomendacje dotyczące ewentualnych zmian oraz testów.
• W drugiej – musi rozumieć, co robią specjaliści od IT, jak to działa, jakie są ograniczenia i co realnie da się zrobić. Oczywiście, powinien zdawać sobie sprawę “czy” da się to zrobić, a nie “jak” to zrobić. Zaplanowanie i wdrożenie powinno leżeć w gestii odpowiednich speców od IT ;).
• W trzeciej – musi wiedzieć, co się dzieje w biznesie, mieć świadomość kosztów, działań operacyjnych, ich celów i możliwości.

Warto, aby posiadał podstawową wiedzę z zakresu marketingu, w tym rozumiał mechanizmy rządzące: SEO, marketing automation, afiliacją, reklamami PPC, social mediami i wieloma innymi obszarami promocji.
A teraz, jak na prawdziwego analityka przystało, pozwól, że rozłożę do na czynniki pierwsze. Zobacz, co musisz mieć, aby stać się naprawdę dobrym w tym fachu.

Analityk internetowy musi znać się na analizach i umieć prezentować wyniki

Ok, przyznaję – tym zdaniem raczej nie odkryłem Ameryki. Jednak powiedzenie “szewc bez butów chodzi” w tej dziedzinie nie znajduje żadnego odzwierciedlenia.
Jeśli chcesz być świetnym analitykiem – “w małym palcu” musisz posiadać takie umiejętności, jak: zaawansowana obsługa Excela, wizualizacja danych (PowerPoint lub inne narzędzia), praca na bazach danych (w tym znajomość SQL), a także obsługa innych niezbędnych narzędzi (Google Analytics, Google Tag Manager, Google Data Studio itp.).
Nie zaszkodzi, jeśli dorzucisz do tego wiedzę z zakresu przeprowadzania analizy klastrowej, segmentacyjnej i wielu innych.

Analityk internetowy musi wiedzieć “co” i “jak” działa

Nie ma konieczności posiadania biegłej znajomości technologii projektowania stron internetowych, a tym bardziej programowania w kilku językach. To jednak nie oznacza, że możesz całkowicie zbagatelizować te obszary działalności firmy.
Dobry analityk nie musi umieć tworzyć stron czy kodować aplikacji, ALE powinien wiedzieć, w jaki sposób one funkcjonują. W tym obszarze przydaje się podstawowa i nieco zaawansowana wiedza na temat najpopularniejszych języków (HTML, CSS, JavaScript – w tym działania zmiennych, warunki i pętli), systemów CMS, czy też całej technologii stron internetowych**.

** Czym są i jak działają serwery (produkcyjny, testowy / deweloperski) oraz bazy danych? Co to takiego front- i back-end? Na czym polega technologia RWD? Jak funkcjonuje przeglądarka? I tak dalej.

Analityk internetowy musi być samodzielny

Przynajmniej na tyle, na ile się da. Mam tu na myśli przede wszystkim wykonywanie podstawowych działań, które “teoretycznie” mogą nie mieścić się w jego kompetencjach i obowiązkach. Możemy zaliczyć do nich dokonywanie lekkich modyfikacji strony, a także zmianę i implementację kodów.

Posiadanie tej umiejętności jest szczególnie ważne, ponieważ daje podwójne korzyści. Pozwala ograniczyć udział osób trzecich, a przede wszystkim – oszczędza mnóstwo cennego czasu.

Analityk internetowy musi umieć rozmawiać, tłumaczyć i przekonywać

Wyobraź sobie, że uczestniczysz w ważnych negocjacjach biznesowych, które opiewają na grube miliony złotych. Potem próbujesz wyjaśnić najlepszemu kumplowi, że to naprawdę było już ostatnie piwo i pora iść do domu. A na koniec – stoisz przed prawie niemożliwym wyzwaniem powiedzenia Twojej babci, że nie chcesz drugiej dokładki.

Właśnie tak działa dobry analityk internetowy. Musi wiedzieć, jak rozmawiać z ludźmi, którzy reprezentują różne obszary organizacji: biznesu, marketingu, IT i wielu innych.

Chyba nie muszę dodawać, że każda z tych dziedzin charakteryzuje się swoim własnym slangiem, podejściem do priorytetów, a co za tym idzie – argumentami i sposobami komunikacji, których warto wobec nich używać ?

Właśnie dlatego wskazane jest posiadanie wysokim umiejętności komunikacyjnych, a także wiedza na temat tzw. storytellingu. Oczywiście, nie chodzi o to, aby opowiadać bajki. W tym obszarze liczy się natomiast umiejętność budowania w głowach odbiorców właściwych obrazów. Tak, aby zrozumieli, co właściwie znaczą przedstawiane dane.

Analityk internetowy musi rozumieć biznes

Zdecydowanie jedną z nadrzędnych cech, które są szczególnie pożądane pośród analityków internetowych, jest żywe interesowanie się tym, co dzieje się w firmie. Dla jasności – nie chodzi mi o ploteczki przy porannej kawie, a o dziedziny, które mają realny wpływ na bieżącą kondycję firmy – w tym jej przyszłość.

Mówiąc wprost: profesjonalny analityk internetowy musi wiedzieć, że jego praca jest wykonywana w konkretnym celu. Nie po to, aby zapełnić kolejne arkusze Excela. Nie po to, aby zabierać innym cenny czas podczas niekończących się prezentacji. I nie po to, aby uczyć kolegów, jak się robi tabele przestawne.
Analityka działa po to, aby zebrane dane i przedstawione na ich podstawie wnioski – mogły posłużyć do podejmowania trafionych decyzji biznesowych.

Najpopularniejsze oprogramowanie do analizy danych internetowych

Wraz z rosnącą złożonością obecnych stron i aplikacji cyfrowych, analitycy internetowi coraz częściej korzystają z wyspecjalizowanych narzędzi – nie tylko do zbierania danych, ale także ich integracji, wizualizacji i analiz wielokanałowych. Poniżej przedstawiam zestawienie kluczowych rozwiązań wraz z tym, co je wyróżnia i kiedy warto po nie sięgnąć.

Google Analytics 4 (GA4)

To obecnie najpopularniejsze narzędzie w obszarze analityki internetowej – używane zarówno przez małe, jak i średnie przedsiębiorstwa. GA4 integruje zachowania użytkowników na stronie i w aplikacji, pozwala na definiowanie zdarzeń zamiast tradycyjnych sesji, a także wspiera analizy predykcyjne i integrację z ekosystemem Google (np. BigQuery, Ads).

Warto po nie sięgnąć, gdy potrzebujesz rozwiązania uniwersalnego, łatwo dostępnego i szeroko wspieranego – jednak pamiętaj, że w kontekście prywatności i własności danych mogą pojawić się ograniczenia.

Matomo (dawniej Piwik)

Matomo to narzędzie typu open-source, które kładzie duży nacisk na kontrolę właściciela nad danymi i zgodność z regulacjami (np. RODO).

Idealne rozwiązanie, kiedy priorytetem jest pełna własność danych, samodzielne hostowanie lub niski poziom zależności od dostawców zewnętrznych.

Adobe Analytics

Narzędzie klasy enterprise, przeznaczone dla dużych organizacji, które analizują zachowania użytkowników w wielu kanałach (web, mobile, offline) i potrzebują zaawansowanych funkcji segmentacji, raportowania w czasie rzeczywistym i integracji z ekosystemem Adobe.

Warto je rozważyć, gdy skalujesz działania analityczne i masz zasoby na dedykowane wdrożenie.

Microsoft Power BI oraz Tableau (narzędzia BI-owe)

Choć pierwotnie nie są narzędziami stricte web-analizowymi, to coraz częściej używane są do wizualizacji i analizy danych internetowych – zwłaszcza gdy łączymy dane reklamowe, CRM, e-commerce i inną działalność online.

Znakomite, gdy potrzebujesz raportów menedżerskich, dashboardów z wieloma źródłami danych i współpracy między zespołami.

Hotjar i Microsoft Clarity

Te narzędzia uzupełniają klasyczne analizy ilościowe o obserwacje jakościowe: mapy cieplne, nagrania sesji użytkowników, analiza przewijania strony, kliknięć, wyjść z formularzy.

Warto je wdrożyć, gdy chcesz zrozumieć jak użytkownicy się zachowują – nie tylko ile ich jest i skąd trafiają.

Tyle umiejętności, a tylko 1 człowiek? Czy taka osoba w ogóle istnieje?

Przyznaję, że niełatwo znaleźć specjalistę, który łączyłby w sobie wszystkie wyżej wymienione cechy. Dlatego w wielu firmach za ten zakres kompetencji odpowiada nie jedna czy nawet dwie osoby, a całe zespoły analityków.

Z drugiej strony – jest to jasny znak, że prawdziwie kompetentnych i wszechstronnych analityków internetowych jest nadal bardzo niewielu. A to z kolei oznacza, że jeśli już się znajdą – są naprawdę bardzo dobrze DOceniani i WYceniani

Czy praca analityka jest aż tak wymagająca?

Pewnie po tych wszystkich punktach zdarzyło Ci się pomyśleć, że praca takiego specjalisty wiąże się z ogromną odpowiedzialnością i to na jego barkach spoczywa “być albo nie być” firmy. W tym miejscu muszę powiedzieć, że coś w tym jest.

Analityk dostaje problem, na który musi zaproponować możliwe najkorzystniejsze dla firmy kroki. Opierając się na posiadanej wiedzy oraz swoim doświadczeniu – stawia hipotezy, wskazuje wady i zalety, jednocześnie przedstawiając możliwe konsekwencje wynikające z podjęcia lub zaniechania konkretnych akcji.

Informacje, które dostarcza, mają ogromny wpływ na podejmowanie (czasami bardzo poważnych) kroków biznesowych. I choć ostateczna decyzja co do ich wdrożenia, spoczywa na barkach osób odpowiedzialnych za konkretny obszar działania firmy – nie można oprzeć się wrażeniu, że rola analityka internetowego jest wręcz nieoceniona.

W końcu decyzje oparte na twardych danych cechują się największym prawdopodobieństwem trafności. Z kolei brak dostępu do kluczowych informacji (oraz ich właściwej interpretacji) znacznie ogranicza szanse na odniesienie sukcesu. Oczywiście, im wyższa jakość rekomendacji, tym również większa szansa na to, że to właśnie dzięki nim, biznes będzie rósł.

W ten sposób można powiedzieć, że bez jego rekomendacji, osoby decyzyjne są często, jak “dzieci we mgle” ;). Tak więc, jak widzisz – pozycja analityka internetowego w organizacji, której zależy na rozwoju, jest po prostu fundamentalna.

Praca analityka internetowego – podsumowanie

Praca w obszarze analityki internetowej daje naprawdę dużo satysfakcji. Z jednej strony analitycy mają realny wpływ na działania organizacji i widzą wymierne efekty swojej pracy. W końcu to, co robią, może przekładać się na zysk.

Wyznaczają działania, w które firma powinna inwestować. Szukają przyczyn nietrafionych decyzji, a także monitorują kluczowe metryki. Do tego dobierają narzędzia i znajdują nisze, które warto wykorzystać w dalszym rozwoju organizacji.

Po prostu: analitycy internetowi mają znaczenie – szczególnie w firmach, które mają w planach wzrost, zdobywanie kolejnych obszarów rynków, a co za tym idzie – budowanie przewagi konkurencyjnej.

Na zakończenie

• Jeśli po lekturze tego artykułu wiesz, że dalszy rozwój Twojej firmy nie obejdzie się bez wsparcia profesjonalnego analityka – mam dla Ciebie dobrą wiadomość. Nie musisz od razu zatrudniać eksperta na pełny etat. Zamiast tego zapoznaj się z naszą ofertą outsourcingu (body leasing) analityków internetowych.
• A jeżeli jesteś analitykiem, któremu zależy na rozwoju – dołącz do zespołu Conversion. W tym miejscu znajdziesz nasze aktualne oferty pracy w obszarze analiz. 

The post Analityk Internetowy: co musi „mieć”, aby firma miała z niego pożytek? 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.

Model opieki analitycznej – założenia
Cele analityki internetowej
Google Analytics w modelu projektowym
Jak działa model opieki analitycznej?
Obszary opieki analitycznej
Model opieki analitycznej – zalety
Podsumowanie

Model opieki analitycznej – założenia

Model opieki analitycznej różni się od modelu projektowego przede wszystkim ciągłością wsparcia i długoterminowym zaangażowaniem w analizę danych. W przeciwieństwie do modelu projektowego, gdzie wdrożenie narzędzia jest jednorazowym zadaniem, model opieki analitycznej zakłada bieżącą optymalizację i dostosowywanie narzędzi do zmieniających się potrzeb biznesowych i technologicznych.

W ramach modelu opieki analitycznej, eksperci w dziedzinie analityki internetowej pracują nad ciągłym monitorowaniem, analizą i rekomendacją działań, które pomagają firmom maksymalizować wartość wynikającą z danych. To podejście umożliwia lepsze zrozumienie ścieżek klientów, optymalizację konwersji oraz personalizację doświadczeń użytkowników.

Wdrożenie Google Analytics w ramach modelu opieki analitycznej pozwala na głębszą analizę i lepsze wykorzystanie danych, co przekłada się na bardziej skuteczne i celowane działania marketingowe oraz strategiczne decyzje biznesowe. Dzięki temu, firmy mogą nie tylko reagować na obecne wydarzenia, ale również przewidywać i kształtować przyszłe trendy.

Zmiana podejścia z projektowego na model opieki analitycznej otwiera drzwi do głębszego zrozumienia i wykorzystania danych online. To właśnie dzięki stałemu monitorowaniu, analizowaniu trendów i dostosowywaniu strategii w oparciu o zebrane informacje, firmy mogą efektywniej reagować na potrzeby rynku i optymalizować swoje działania marketingowe oraz sprzedażowe.

Cele analityki internetowej

Jako specjaliści w dziedzinie Digital Analytics, nasza praca polega na implementacji narzędzi Google w przedsiębiorstwach oraz na przeprowadzaniu zaawansowanych procesów analizy danych. Dzięki temu nasi klienci mogą nie tylko lepiej zrozumieć zachowania swoich użytkowników, ale również efektywniej kierować swoimi kampaniami marketingowymi.

Korzystanie z danych online pozwala na dokładną analizę każdego etapu ścieżki klienta, od pierwszego kliknięcia aż po finalizację zakupu w fazie checkout. Wiedza ta jest nieoceniona przy optymalizacji kampanii reklamowych, zarówno w kanałach takich jak Facebook Ads, jak i w wyszukiwarce Google. Precyzyjne mierzenie efektów działań pozwala na szybką reakcję i dostosowanie strategii w czasie rzeczywistym, co w konsekwencji może znacząco zwiększyć rentowność inwestycji w marketing.

Zachęcamy firmy do głębszego zanurzenia się w świat danych i wykorzystania ich potencjału do rozwijania swojego biznesu. W dobie cyfrowej transformacji, umiejętne zarządzanie danymi online jest nie tylko przewagą konkurencyjną, ale staje się koniecznością dla każdego, kto chce skutecznie konkurować na rynku e-commerce (i nie tylko). W dziedzinie analityki online kluczowe jest wykorzystanie danych do wspierania organizacji w podejmowaniu strategicznych decyzji dotyczących inwestycji. Analityka internetowa dostarcza informacji o zachowaniach użytkowników, co pozwala lepiej zrozumieć ich potrzeby i preferencje. Dzięki temu, produkty i marketing mogą być bardziej skuteczne, co jest głównym celem analityki.

Analityka a wskaźniki efektywności (KPI)

Jednak analityka online ma również drugi ważny cel: przyspieszenie osiągania kluczowych wskaźników efektywności (KPI). Dane online powinny ułatwiać monitorowanie i osiąganie tych wskaźników, co z kolei przekłada się na szybsze i bardziej świadome podejmowanie decyzji.

W tym kontekście, model PDCA (Plan-Do-Check-Act) okazuje się być nieocenionym wsparciem w zarządzaniu działaniami online. Cykl PDCA składa się z czterech faz: planowania, wykonania, weryfikacji i działania. 

Cykl PDCA

Analityka internetowa odgrywa kluczową rolę w fazie weryfikacji, gdzie analizuje się efektywność podjętych działań i na tej podstawie planuje się dalsze kroki. Stosowanie tego modelu pozwala na ciągłe doskonalenie procesów i szybsze osiąganie wyznaczonych KPI, co jest możliwe dzięki solidnej bazie danych, w tym danych związanych z procesem checkout. Analityka online to dziedzina wymagająca zintegrowania trzech kluczowych zasobów: ludzi, procesów i narzędzi. W centrum tego procesu analitycznego stoi postać analityka internetowego, który odgrywa fundamentalną rolę. Znalezienie wykwalifikowanych specjalistów w tej dziedzinie jest wyzwaniem, ponieważ na rynku pracuje stosunkowo niewiele osób z odpowiednimi kompetencjami. Oprócz odpowiednich danych, niezbędne są również procesy analityczne. Aby procesy te mogły funkcjonować efektywnie, wymagane jest zaangażowanie osób, które je wdrożą – czy to analityków, czy innych specjalistów w tej dziedzinie. Warto zatem rozważyć różne opcje organizacyjne, które umożliwią skuteczne zarządzanie i analizę danych w firmie. Kluczową rolę odgrywają również narzędzia, które umożliwiają zbieranie i analizowanie danych. W Polsce podstawowym narzędziem wykorzystywanym do tego celu jest Google Analytics. Jednakże samo posiadanie narzędzi nie przekłada się automatycznie na wartościowe wnioski. Aby wydobyć pełny potencjał z Google Analytics, niezbędne są odpowiednie audyt i wdrożenie.

Google Analytics w modelu projektowym

Wdrożenie systemu Google Analytics, podobnie jak każdego innego systemu IT, może być wyzwaniem. Marketerzy wykorzystują dane zebrane przez te systemy, ale często napotykają trudności związane z doświadczeniami w wdrażaniu systemów IT. Projekty IT, w tym wdrożenia analityki internetowej, mają tendencję do przekraczania wyznaczonych terminów. Badania przeprowadzone przez PM Research wskazują, że aż 61 procent projektów IT jest oddawanych po terminie. Opóźnienia te mogą wpływać negatywnie na realizację projektów związanych z analityką internetową, co podkreśla konieczność starannego planowania i zarządzania takimi przedsięwzięciami. W świecie analityki online, poszukiwanie efektywnego modelu wdrożenia narzędzi, takich jak Google Analytics, jest kluczowe dla sukcesu firm. W przeszłości, podobnie jak wiele innych firm, skupialiśmy się na realizacji wdrożeń analityki w modelu projektowym. Proces ten zazwyczaj rozpoczynał się od audytu, który miał na celu zidentyfikowanie obszarów działających poprawnie oraz tych wymagających interwencji. Następnie przechodziliśmy do fazy wdrożenia, gdzie na podstawie wcześniej przygotowanego planu tagowania, zakładaliśmy współpracę z działem IT.

Teoretycznie, etap wdrożenia miał przebiegać sprawnie i zgodnie z harmonogramem, zakładającym dostępność zasobów IT. Jednakże, praktyka pokazała, że często deklarowana dostępność IT nie pokrywała się z rzeczywistością. Zasoby te były ograniczone z powodu innych projektów w organizacji. Dodatkowo, nawet gdy dochodziło do wdrożenia kodów śledzących, dział IT często nie przewidywał wystarczającej liczby iteracji, które okazywały się niezbędne. Szczególnie na początku naszej działalności, kiedy analityka internetowa w Polsce była w fazie wczesnego rozwoju, deweloperzy często po raz pierwszy stykali się z kodami śledzącymi.

Wyzwania we współpracy z działem IT

Wnioski z tych doświadczeń są jasne: efektywne wdrożenia analityczne wymagają nie tylko starannego planowania, ale i elastyczności oraz ścisłej współpracy z działem IT. To pokazuje, jak istotne jest zrozumienie i dostosowanie się do realiów wewnętrznych procesów w firmie, aby osiągnąć sukces w digital analytics. W dziedzinie analityki online, szczególnie w kontekście wdrożeń narzędzi takich jak Google Tag Manager (GTM), często napotykamy wyzwania związane z iteracjami kodu. W przeszłości, zamiast jednej lub dwóch iteracji, zazwyczaj dochodziło do pięciu, sześciu, a czasem nawet więcej. Te dodatkowe kroki były niezbędne do prawidłowego wdrożenia kodów.

Z punktu widzenia klienta biznesowego, sytuacja ta była kłopotliwa. Osoby odpowiedzialne za realizację projektu analitycznego często nie miały wpływu na dział IT i były zdane na terminy, które ten narzucał. Z kolei dla firmy wdrożeniowej, takiej jak nasza, stanowiło to wyzwanie związane z rezerwacją zasobów. Istotne było, aby być gotowym do sprawdzenia wdrożenia, jak tylko zostanie ono zwrócone do weryfikacji, aby projekt mógł zostać jak najszybciej zakończony i abyśmy mogli otrzymać wynagrodzenie za jego realizację.

Planowanie zasobów było dodatkowo komplikowane przez opóźnienia w płatnościach, które czasami wymagały wprowadzenia hybrydowych form wynagrodzenia. To stawiało nas przed trudnym wyborem: czy angażować się w kolejny projekt, czy poczekać na zakończenie poprzedniego. Przewidywanie terminów i kosztów w projektach IT, w tym wdrożeniach, bywa bardzo trudne. Zwykle zakładaliśmy, że wdrożenie potrwa od sześciu do dziewięciu miesięcy. Rekordzista, po trzech latach, wrócił do nas z gotową warstwą danych e-commerce. Oczywiście, w międzyczasie projekt został zawieszony i nie rezerwowaliśmy na niego zasobów, czekając na jego zakończenie.

Doświadczenia te pokazują, że komunikacja i współpraca między działami biznesu a IT są kluczowe dla sukcesu projektów analitycznych. Wymaga to zarówno elastyczności w planowaniu zasobów, jak i cierpliwości w dostosowywaniu się do zmieniających się harmonogramów. W przypadku systemów IT i wdrożeń analitycznych, skuteczność konfiguracji i implementacji zależy od wielu czynników, co sprawia, że trudno jest precyzyjnie oszacować odpowiedni poziom lub opóźnienia w projektach. W poszukiwaniu efektywnych rozwiązań często stosowane są różne modele realizacji projektów, w tym podejścia hybrydowe.

Jednakże, samo wdrożenie narzędzi analitycznych, takich jak Google Analytics, nie gwarantuje sukcesu. Kluczowe jest ciągłe monitorowanie i analiza danych, co wymaga stałej współpracy i opieki analitycznej. Audyt analityczny jest jedynie punktem wyjścia; jeśli firma nie podejmie działań w oparciu o uzyskane z niego wnioski, projekt nie przyniesie oczekiwanej wartości.

Jak działa model opieki analitycznej?

Naszym celem jest zapewnienie, by od początku współpracy klienci mieli dostęp do niezbędnych danych. Analogicznie do posiadania podstawowych leków w domowej apteczce, firmy często już dysponują pewnymi danymi, które mogą być wykorzystane jako punkt wyjścia do dalszych działań analitycznych. Warto podkreślić, że nawet wstępne informacje mogą posłużyć do rozpoczęcia procesu optymalizacji i podejmowania bardziej świadomych decyzji biznesowych. W dzisiejszym świecie analityki online, szczególnie w kontekście Google Analytics 4 i jego integracji z narzędziami bazodanowymi takimi jak Google BigQuery, wdrożenie analityki przekształciło się w coś więcej niż tylko konfigurację Google Analytics. Obecnie mamy do czynienia z integracją różnorodnych źródeł danych w ramach jednego zbioru danych. W przeszłości, kiedy skupialiśmy się wyłącznie na Google Analytics, mogliśmy mówić o prostym wdrożeniu. Teraz praca wymaga zarządzania różnymi zestawami danych i wykorzystywania ich do celów, dla których analityka internetowa została stworzona.

W praktyce model opieki analitycznej i realizacja projektów wyglądają następująco: zawsze zaczynamy od zarezerwowania zespołu. W naszym przypadku zespół składa się z ekspertów analityki internetowej, którzy posiadają również kompetencje biznesowe. Konsultant pełni rolę partnera do dialogu, łącząc punkty widzenia klienta z językiem analitycznym, który następnie jest przekazywany do ekspertów w dziedzinie analityki. Po analizie i wyciągnięciu wniosków, konsultant przekazuje biznesowe rekomendacje i feedback dotyczący obecnych działań online klienta. W ramach usług analitycznych, często spotykamy się z potrzebą włączenia dodatkowej kompetencji, jaką jest data engineering. Ta specjalność nabiera szczególnego znaczenia, gdy pojawiają się zaawansowane integracje, zwłaszcza te związane z platformami cloudowymi.

Model opieki analitycznej, który stosujemy, zakłada zaangażowanie naszego zespołu na co najmniej jeden dzień w tygodniu, co przekłada się na cztery dni miesięcznie. Oznacza to, że rezerwujemy osiem roboczych godzin tygodniowo, czyli łącznie 32 godziny w ciągu miesiąca, na potrzeby klienta. W przypadku dodatkowych wymagań i dostępności zasobów, jesteśmy w stanie zaoferować więcej czasu pracy w ramach opieki analitycznej.

Obecnie średnie zaangażowanie naszego zespołu wynosi 12 godzin miesięcznie, co odpowiada około 1,5 dnia pracy tygodniowo. Niektórzy klienci decydują się na zarezerwowanie większej liczby godzin, sięgając nawet trzech dni tygodniowo, co w skali miesiąca daje nam łącznie 12 dni pracy. 

Obszary opieki analitycznej

Właściwe wykorzystanie analityki internetowej może być dla firm prawdziwym game-changerem. W ramach współpracy z klientami, realizujemy cztery główne obszary działania, które są niezbędne do osiągnięcia wysokiej jakości danych i wyciągania z nich wartości.

Pierwszym obszarem jest zapewnienie dostępu do danych. To kluczowy etap, na którym skupiamy się, aby dane były dostępne dla dalszych analiz. 

Kolejnym krokiem jest utrzymanie jakości danych. To nieustanny proces monitorowania, który gwarantuje, że informacje napływające do naszych systemów są wiarygodne i aktualne.

Trzeci obszar to analiza danych. Tutaj właśnie rodzi się prawdziwa wartość analityki internetowej. Przez głębokie badanie zgromadzonych informacji jesteśmy w stanie wydobyć insighty, które mogą przekształcić działania marketingowe i sprzedażowe na bardziej efektywne.

Czwarty element to budowanie wiedzy specjalistycznej w ramach organizacji klienta. Uważamy, że pewne podstawowe umiejętności analityczne powinny być obecne w kompetencjach każdego pracownika działu marketingu. Pozwala to na szybkie i samodzielne weryfikowanie hipotez bez konieczności angażowania specjalistów od danych.

Nasze cotygodniowe spotkania statusowe z klientami służą nie tylko omówieniu postępów, ale także są platformą do dzielenia się wiedzą i feedbackiem z zespołami wewnętrznymi. Dzięki temu możemy wspólnie rozwijać kompetencje i efektywnie wykorzystywać dane w codziennej pracy.

Model opieki analitycznej – zalety

Model opieki analitycznej, który stosujemy, przynosi naszym klientom wiele korzyści. Eliminuje przestoje i oczekiwanie w kolejce, co jest częstym problemem w tradycyjnym modelu projektowym. Dzięki ciągłej współpracy i monitorowaniu, wdrożenia są realizowane sprawnie, co skraca czas oczekiwania po stronie klienta i pozwala na szybsze osiąganie założonych celów biznesowych. Klienci korzystający z usług analitycznych mają zawsze pewność, że zespół analityczny jest dla nich dostępny przez co najmniej 8 godzin tygodniowo. W sytuacji, gdy pojawia się potrzeba większego zaangażowania i dysponujemy wolnymi zasobami, jesteśmy w stanie zrealizować szerszy zakres pracy. Istotną wartością naszej usługi jest ciągła dostępność, co umożliwia bieżące dostarczanie wartościowych danych. Na wstępnym etapie współpracy skupiamy się na zapewnieniu solidnej bazy danych, która stanowi rodzaj ubezpieczenia informacyjnego dla klienta. 

W miarę postępów wdrożenia i gwarancji wysokiej jakości napływających danych, nasz zespół kieruje większą część zasobów na ich analizę. Dotyczy to zarówno poszczególnych kampanii, jak i przeprowadzania testów A/B. Proces analizy i wykorzystania danych jest kluczowy, nawet jeśli na początku ich ilość może wydawać się niewielka. Podobnie jak witamina C w domowej apteczce, nawet początkowe dane mogą pomóc firmie w podejmowaniu trafnych decyzji.

Wsparcie ekspertów i partnerów zewnętrznych

Ponadto, dzięki doświadczeniu zdobytemu podczas setek, a nawet tysięcy godzin pracy analitycznej, jesteśmy w stanie oferować wsparcie w szerokim zakresie. Gdy klient rozważa nową kampanię lub zmiany na stronie, nasz zespół nie tylko współpracuje bezpośrednio z klientem, ale także korzysta z wiedzy całego zespołu Conversion, który jest jednym z najbardziej doświadczonych zespołów analitycznych w Polsce. W trakcie współpracy czasami pojawia się również potrzeba zaangażowania zewnętrznych partnerów w ramach konsultacji, co dodatkowo wzbogaca proces analityczny i pozwala na jeszcze lepsze dostosowanie strategii do potrzeb klienta. Jest tak np. w kontekście kwestii prawnych związanych z polityką prywatności i wykorzystaniem ciasteczek. Firmy często zmagają się z wątpliwościami dotyczącymi legalności narzędzi takich jak Google Analytics. W takich sytuacjach, kluczowa okazuje się współpraca z ekspertami i partnerami zewnętrznymi. W przypadku pojawienia się problemów prawnych, organizacja spotkań z udziałem działu prawnego klienta, data officerów oraz analityków może pomóc w szybkim wypracowaniu optymalnych rozwiązań.

Ponadto, bieżąca współpraca z firmą pozwala na lepsze zrozumienie jej organizacji, co ułatwia formułowanie trafnych rekomendacji. Budowanie know-how w ramach współpracy jest cennym „efektem ubocznym”. Na przykład, udostępnienie dashboardów odpowiednim osobom w firmie klienta nie tylko zapewnia im dostęp do aktualnych danych, ale również wspiera rozwój ich kompetencji analitycznych.

Przewidywalność kosztów i zasobów

Model opieki analitycznej, który jest również ceniony przez klientów za możliwość przewidywania kosztów i unikania konieczności angażowania dodatkowych zasobów w przypadku niespodziewanych potrzeb. W sytuacjach, gdy pojawia się nagła konieczność zwiększenia zasobów analitycznych, firma współpracująca może zapewnić wsparcie ad hoc.

Klienci doceniają również fakt, że model opieki analitycznej eliminuje potrzebę zaangażowania działu prawnego w podpisywanie kolejnych zleceń. Dzięki temu, planowanie budżetu staje się łatwiejsze, gdyż koszty są przewidywalne i nie zmieniają się w zależności od przeciągających się projektów.

Zaletą tego modelu jest również przewidywalność planowania zasobów. Przydzielone zespoły, które poznają klienta i stale z nim współpracują, są w stanie efektywniej realizować projekty. Taki sposób pracy pozwala na ograniczenie liczby klientów obsługiwanych przez jedną osobę, co przekłada się na wyższą efektywność i lepszą jakość usług.

Model opieki analitycznej jest szczególnie odpowiedni dla firm, które są świadome znaczenia danych w codziennej działalności i potrzebują ich regularnej analizy oraz wykorzystania w podejmowaniu decyzji biznesowych. W długofalowej perspektywie, taki model współpracy jest wartościowy, gdyż zapewnia ciągłość dostępu do analityki, niezbędnej dla rozwoju i efektywności działań e-commerce.

Budowanie kompetencji analitycznych wewnątrz firmy

Podsumowując, model opieki analitycznej stanowi solidną podstawę dla firm, które pragną nie tylko otrzymać raporty i analizy, ale również zbudować trwałe kompetencje analityczne w swojej organizacji. Jest to podejście, które gwarantuje nie tylko dostęp do danych, ale także wsparcie w ich interpretacji i wykorzystaniu w strategicznych decyzjach biznesowych. W dzisiejszym świecie cyfrowym, kompetencje analityczne są niezbędne dla każdej organizacji. Warto zrozumieć, że analityk danych powinien być integralną częścią firmy, żyjąc jej codziennością i rozumiejąc jej specyfikę. Współpraca z zewnętrznym zespołem analitycznym może być owocna, jednak pełne zrozumienie i zaangażowanie w procesy firmy osiąga się najlepiej, gdy analityk jest jej stałym elementem.

Analityka internetowa wymaga posiadania trzech kluczowych kompetencji: analitycznej, technologicznej i biznesowej. Kiedy kompetencja analityczna zostaje zinternalizowana, pozostają jeszcze obszary technologiczny i biznesowy. W tym miejscu partner technologiczny może wesprzeć wewnętrznego analityka, szczególnie w zakresie nowoczesnych technologii. Nie można zaprzeczyć, że branża danych i marketingu dynamicznie się rozwija, a zrozumienie i adaptacja do tych zmian jest kluczowa dla sukcesu w świecie cyfrowym. Wraz z pojawieniem się nowych regulacji i narzędzi, a także z rosnącą rolą sztucznej inteligencji (AI) w analityce, organizacje stają przed wyzwaniem utrzymania wewnętrznych zasobów na bieżąco z najnowszymi trendami. Jest to zadanie wymagające i często nieefektywne. Zamiast inwestować w rozbudowę wewnętrznych kompetencji technologicznych, wiele firm decyduje się na outsourcing usług związanych z zapewnieniem i utrzymaniem danych oraz budową know-how.

Jednakże, kompetencje analityczne są kluczowe i powinny być rozwijane wewnątrz organizacji. Przyjmowanie zewnętrznej wiedzy i doświadczenia w zakresie analizy biznesowej jest niezwykle cenne. Firmy specjalizujące się w digital analytics, takie jak partnerzy Google, często mają dostęp do najnowszych technologii i są w stanie szybko adaptować się do zmian na rynku. Takie firmy, dzięki pracy z różnorodnymi klientami, posiadają rozległe doświadczenie i są w stanie oferować wsparcie w zakresie najnowszych trendów i praktyk.

Należy pamiętać, że analityka internetowa to nie tylko technologia, ale przede wszystkim proces, którego celem jest umożliwienie podejmowania świadomych decyzji biznesowych na podstawie analizy danych. Firmy mogą skorzystać z pomocy partnerów technologicznych w implementacji procesów analitycznych, optymalizacji konwersji (CRO), analizy danych czy segmentacji klientów.

Podsumowanie

Podsumowując, analityka internetowa stanowi kluczowy element w procesie podejmowania decyzji biznesowych. Outsourcing kompetencji technologicznych i jednoczesne wewnętrzne rozwijanie umiejętności analitycznych mogą być efektywną strategią dla firm dążących do optymalizacji swoich działań w oparciu o dane. Realizacja analityki internetowej jako projekt jednorazowy często nie przynosi oczekiwanych rezultatów. W takim ujęciu, dane są traktowane jako oddzielne produkty, które nie są w stanie efektywnie służyć biznesowi. Z ponad trzynastoletniego doświadczenia w branży wynika, że skuteczniejszym modelem jest stała opieka analityczna. Od 2019 roku, kiedy zaczęliśmy stosować ten model współpracy, obserwujemy, że klienci znacznie lepiej rozumieją i wykorzystują wartość danych.

Stała opieka analityczna umożliwia nie tylko dostarczenie narzędzi analitycznych, ale także wsparcie w ich wykorzystaniu. Klient otrzymuje niejako „samochód z kierowcą”, czyli zestaw narzędzi wraz z ekspertem, który pomaga w osiąganiu określonych celów biznesowych, zgodnie z ustalonymi wskaźnikami KPI. Taki model współpracy zapewnia, że konfiguracje i wdrożenia, które są często bardzo zaawansowane, są właściwie używane i przynoszą realne korzyści dla firmy.

The post Google Analytics – model opieki analitycznej vs model projektowy first appeared on Conversion.

Fundamenty okresu wdrożeniowego analityka
Znaczenie pracy analityka internetowego w organizacji
Wdrożenie analityka internetowego w organizację
Miejsce analityka internetowego w organizacji
Merytoryczne aspekty wdrożenia analityka internetowego
Rozwój kompetencji analityka internetowego
Podsumowanie

Fundamenty okresu wdrożeniowego analityka

W dzisiejszym świecie cyfrowym, dane stanowią fundament skutecznych strategii biznesowych. Dostęp do szczegółowych informacji o zachowaniach użytkowników, efektywności kampanii i konwersji pozwala na podejmowanie świadomych decyzji, które prowadzą do wzrostu ROI. W tym kontekście, rola analityka danych staje się nieoceniona, a jego odpowiednie wdrożenie w struktury firmy może znacząco wpłynąć na jej sukces.

Aby maksymalnie wykorzystać potencjał analityki online, warto skupić się na kilku kluczowych aspektach. Po pierwsze, niezbędne jest zapewnienie analitykowi dostępu do odpowiednich narzędzi i danych. Google Analytics, Google Tag Manager czy Google BigQuery to przykłady platform, które oferują głęboki wgląd w zachowania użytkowników i efektywność działań marketingowych. Będą one stanowić codziennej pracy zatrudnionej osoby. Po drugie, istotne jest określenie jasnych KPI, które będą stanowiły podstawę do analizy wyników i optymalizacji działań. Po trzecie, ważne jest stałe szkolenie i rozwój kompetencji analitycznych, co pozwala na lepsze zrozumienie zmieniających się trendów i technologii.

W tym artykule przedstawię dwa kluczowe aspekty wdrożenia analityka internetowego do organizacji: aspekt organizacyjny i aspekt merytoryczny, oraz omówię, jak w naszej firmie dbamy o rozwój pracowników w dziale analitycznym.

Znaczenie pracy analityka internetowego w organizacji

Z punktu widzenia organizacyjnego, istotne jest, aby nowy analityk internetowy był świadomy swojego głównego celu – wspierania procesu podejmowania decyzji na podstawie danych. Jego praca powinna przyczyniać się do szybszego i skuteczniejszego realizowania kluczowych wskaźników efektywności (KPI) w organizacji.

Oprócz wykonywania codziennych obowiązków, analityk powinien również pełnić rolę ewangelisty wykorzystania danych w firmie. Jest to niezwykle ważne, aby nie ograniczał się jedynie do reaktywnego przygotowywania analiz i raportów, lecz aktywnie promował korzyści płynące z analizy danych wśród innych członków zespołu. Jego inicjatywa w pokazywaniu, jak dane mogą pomóc w rozwoju biznesu, jest nieoceniona.

Z kolei w aspekcie merytorycznym, kluczowe jest zapewnienie analitykowi odpowiednich narzędzi i szkoleń, które pozwolą mu na efektywne wykonywanie zadań. W naszej firmie skupiamy się na ciągłym rozwoju kompetencji naszych analityków, aby mogli oni nie tylko sprawnie analizować dane, ale również wyciągać z nich wnioski i formułować rekomendacje, które będą miały realny wpływ na działania firmy.

Wdrożenie analityka internetowego w organizację

Skuteczna integracja analityka internetowego w strukturze firmy wymaga nie tylko zapewnienia odpowiednich narzędzi i szkoleń, ale również kształtowania postawy proaktywnej i misyjnej w zakresie wykorzystania danych. To połączenie umiejętności technicznych z umiejętnością komunikacji i promocji wartości danych jest kluczem do budowania silnego i efektywnego zespołu analitycznego. Wdrożenie nowej osoby do organizacji jest kluczowym procesem, który wymaga starannego przygotowania. W procesie onboardingowym istotne jest zapoznanie nowego pracownika z kulturą firmy, jej misją, wizją i wartościami, a także z historią i celami na najbliższy czas. Ważne jest również przedstawienie struktury organizacyjnej, wskazując, kto odpowiada za poszczególne działy, takie jak marketing czy sprzedaż.

Następnie, należy omówić flow pracy i komunikacji w firmie. Nowy członek zespołu powinien zrozumieć, jak wygląda typowy tydzień pracy, jakie spotkania są planowane oraz jak organizowany jest czas pracy. Wprowadzenie do portfolio projektowego jest kolejnym krokiem, który pozwala na lepsze zrozumienie specyfiki zadań, które będą realizowane w ramach poszczególnych obszarów analitycznych.

Każda osoba dołączająca do zespołu powinna przejść zestaw szkoleń wewnętrznych, które pomagają w pełnym zrozumieniu procesów i narzędzi wykorzystywanych w organizacji. Wyznaczenie priorytetów na okres onboardingowy oraz plan szkoleń to elementy niezbędne dla efektywnego i płynnego wdrożenia nowego pracownika.

Na koniec warto szczegółowo omówić projekty, infrastrukturę wykorzystywaną w komunikacji projektowej oraz sposób planowania pracy. Dzięki temu nowy pracownik będzie mógł szybko zaadaptować się w nowym środowisku i efektywnie przyczyniać się do realizacji celów firmy. Wdrożenie do organizacji to nie tylko przekazanie wiedzy technicznej, ale również integracja z zespołem i włączenie w kulturę firmy. W ostatnim roku w Conversion znacząco zmodyfikowaliśmy proces planowania pracy, co jest kluczowym aspektem w organizacji zespołów analitycznych – być może nawet na skalę globalną. Oprócz kwestii organizacyjnych, takich jak adaptacja do narzędzi i orientacja w przestrzeni biurowej, istotne są również sprawy formalne. Dotyczą one umów, zatrudnienia, terminów wypłaty wynagrodzenia i ogólnego procesu zatrudnienia.

Mindmapy onboardingowe i budżet szkoleniowy

W ramach procesu wdrażania nowych pracowników, tworzymy tzw. mindmapy onboardingowe, które obejmują również zalążek rozwoju. Mowa tu przede wszystkim o rozwoju merytorycznym, gdzie określamy cele na najbliższe półrocze – to właśnie w tym okresie rozliczamy postępy w rozwoju naszych pracowników. W dzisiejszym świecie, gdzie ciągłe kształcenie i aktualizacja wiedzy są kluczowe dla rozwoju zawodowego, budżet szkoleniowy staje się niezbędnym elementem w każdej organizacji. Warto zastanowić się, jak efektywnie wykorzystać środki przeznaczone na edukację pracowników, a także jakie kwoty są adekwatne do ich wynagrodzeń. Przykładowo, w naszym zespole każdy pracownik otrzymuje 3% rocznego wynagrodzenia na cele szkoleniowe. Jest to inwestycja w rozwój kompetencji, która przynosi korzyści zarówno dla pracownika, jak i dla firmy.

Ponadto, istotne jest utrzymanie otwartego kanału komunikacji, który umożliwi zgłaszanie propozycji i uwag dotyczących procesu onboardingowego. Dzięki temu, każdy nowy członek zespołu może wnosić swoje spostrzeżenia, które przyczynią się do usprawnienia procesu wdrażania nowych pracowników. Taka praktyka nie tylko ułatwia adaptację nowych osób w organizacji, ale również pozwala na ciągłe doskonalenie procedur wewnętrznych.

Miejsce analityka internetowego w organizacji

W kontekście zatrudnienia analityka, jednym z kluczowych pytań jest określenie jego roli w strukturze organizacyjnej. W naszej firmie, podobnie jak w wielu innych, dział finansów, marketingu czy realizacji projektów są wyraźnie zdefiniowane. Jednakże, miejsce analityka w tych strukturach może się różnić w zależności od specyfiki danego przedsiębiorstwa. Znalezienie odpowiedniego miejsca dla analityka, które pozwoli mu na pełne wykorzystanie swoich umiejętności i doświadczenia, jest istotne dla efektywności całego zespołu. W wielu organizacjach istnieją działy, które zajmują się analizą danych internetowych. Po zatrudnieniu analityka, często wiadomo, do którego działu ta osoba dołączy, gdyż jest tam już jej przełożony. W większości firm, z którymi współpracujemy, analitycy internetowi najczęściej pracują w dziale marketingu. To tutaj koncentruje się praca związana z analizą danych i ich wykorzystaniem w celach promocyjnych i sprzedażowych.

Inne działy, w których często spotyka się analityków, to Business Intelligence (BI) oraz IT. W tych obszarach skupiają się na bardziej technicznych aspektach zapewnienia danych. Z mojego doświadczenia wynika, że w niektórych firmach, szczególnie w Niemczech, analitycy internetowi znajdują swoje miejsce również w dziale finansów, a dokładniej w kontrolingu. W takim przypadku ich praca jest związana z finansową interpretacją danych.

Merytoryczne aspekty wdrożenia analityka internetowego

Gdy analityk internetowy zostaje wdrożony w struktury firmy, nadchodzi czas na jego rozwój merytoryczny. To istotne, by nie tylko gromadzić i analizować dane, ale również ciągle poszerzać wiedzę i umiejętności, aby efektywnie przyczyniać się do rozwoju organizacji. W dziedzinie analityki internetowej, kluczowe jest posiadanie odpowiednio wykwalifikowanych specjalistów, którzy mogą nadzorować działania w tym obszarze. Na polskim rynku istnieje około tysiąca osób specjalizujących się w analityce online. Pomimo tego, zapotrzebowanie na takie umiejętności wciąż przewyższa podaż.

Rozwój kompetencji analityka internetowego jest złożonym procesem. W Conversion stworzyliśmy specjalny dokument, który zawiera listę wszystkich umiejętności i kompetencji, jakie powinien posiadać analityk. Lista ta składa się z około 120 pozycji, które są uporządkowane w kategorie i podkategorie. Możemy je podzielić na dwie główne grupy: kompetencje narzędziowe i kompetencje biznesowe.

W ramach kompetencji narzędziowych, analitycy muszą opanować kluczowe narzędzia używane regularnie, takie jak Google Analytics, Google Tag Manager, a także narzędzia do przeprowadzania testów A/B i inne narzędzia marketingowe. Natomiast kompetencje biznesowe obejmują umiejętności związane z mapowaniem potrzeb, zarządzaniem projektami oraz zdolnościami komunikacyjnymi.

Zawsze podkreślamy znaczenie posiadania przez analityków zestawu trzech podstawowych kompetencji: analitycznej, technologicznej oraz komunikacyjnej. To połączenie umiejętności pozwala na efektywne analizowanie danych, wykorzystywanie narzędzi technologicznych oraz skuteczną komunikację wyników analiz, co jest niezbędne dla sukcesu w cyfrowym świecie biznesu.

Samoocena i weryfikacja umiejętności

Nowo przyjęta osoba w zespole otrzymuje listę 120 umiejętności i kompetencji, które ma za zadanie ocenić. W oparciu o swoją wiedzę i doświadczenie, dokonuje samooceny każdej kompetencji w skali od 1 do 5. Przykładowo, poziom „1” oznacza świadomość istnienia danej umiejętności, na przykład wdrożenia Google Tag Managera dla stron typu AMP. Z kolei „5” reprezentuje najwyższy poziom biegłości w danej dziedzinie na rynku. Poziom „3” to samodzielne wdrożenie lub wykorzystanie danej funkcjonalności w przynajmniej jednym projekcie.

Samoocena ta pozwala na klasyfikację poziomu zaawansowania danej osoby w zakresie analityki internetowej. Zakłada się, że nowi członkowie zespołu, niezależnie od tego, czy są to juniorzy, mid-level czy seniorzy, odzwierciedlą swoje umiejętności w tej ocenie. Zazwyczaj przewidywania te się potwierdzają, ale ocena ta ma również drugi wymiar – jest ona weryfikowana przez przełożonego, co prowadzi do dostosowania kompetencji. Jest to punkt wyjścia do dalszego rozwoju merytorycznego pracownika.

Po stworzeniu mapy kompetencji analitycznych, co pół roku ustalane są cele rozwojowe. W zależności od preferencji, osoba może skoncentrować się na umiejętnościach związanych z twardymi danymi i ich zapewnieniem, lub wybrać inne kompetencje, jeśli jej zainteresowania kierują się w innym kierunku. Rozwój kompetencji w dziedzinie analityki online jest procesem, który wykracza poza samo czytanie książek, przeglądanie blogów, czy oglądanie materiałów na YouTube. W praktyce, rozwój umiejętności jest o wiele bardziej złożony i wymaga bezpośredniego zaangażowania w rzeczywiste projekty i wyzwania, z jakimi borykają się klienci. W ramach naszej pracy, obsługujemy ponad 30 projektów, które są w różnych fazach rozwoju analitycznego. Dzięki temu, nasi specjaliści mają możliwość rozwijania się w obszarach, które są aktualnie najbardziej pożądane przez klientów.

Rozwój kompetencji analityka internetowego

W Conversion każdy członek zespołu musi posiadać solidne podstawy we wszystkich 120 kompetencjach, które uznajemy za kluczowe. Po osiągnięciu tego minimum, specjaliści mogą dalej rozwijać się w wybranych specjalizacjach. Niektórzy mogą wybierać ścieżkę związaną z wdrożeniami systemów raportowania w chmurze, inni natomiast mogą skupić się na wykorzystaniu danych do analizy, testów A/B czy optymalizacji współczynnika konwersji. Kierunek specjalizacji jest ustalany wspólnie z przełożonym, co umożliwia skuteczny rozwój kompetencji dostosowany do indywidualnych predyspozycji i potrzeb rynku. W świecie analityki internetowej, rozwój zawodowy może przyjąć różne ścieżki, nawet w mniejszych organizacjach, które często określane są mianem butików analitycznych. U nas, podobnie jak w wielu innych firmach, rozróżniamy trzy główne kierunki kariery.

• Pierwszym z nich jest ścieżka ekspercka. Zakłada ona zdobycie podstawowej wiedzy we wszystkich obszarach kompetencji, a następnie specjalizację w wybranej dziedzinie. To droga dla tych, którzy chcą zagłębić się w szczegóły i stać się autorytetami w swojej specjalności.

• Druga ścieżka to kierunek menedżerski. Tutaj również zdobywa się podstawowe umiejętności, lecz głównym celem jest zarządzanie zespołami. W Conversion istnieją obecnie dwa główne zespoły: analityków i project managerów.
  
• Trzecia ścieżka, która zaczyna nabierać kształtów, to droga technologiczna. Nazywana jest ścieżką 'product ownera’. Jej celem jest tworzenie technologii, które pomagają lepiej wykorzystać dane online. Chodzi o to, aby dane analityczne, na przykład z Google Analytics, były bardziej związane z efektywnością inwestycji. W analityce internetowej ROI (zwrot z inwestycji) jest często bardziej odległy od momentu inwestycji niż w przypadku reklam typu performance, gdzie rezultaty są niemal natychmiastowe. Jednak w analityce, po osiągnięciu pożądanego zwrotu, efekty te pozostają trwalsze, wymagając jedynie dalszej pielęgnacji i rozwoju.

Podsumowując, wdrożenie analityka internetowego do firmy powinno obejmować przygotowanie możliwości rozwoju w jednej z tych trzech ścieżek. To zapewni nie tylko satysfakcję pracownika, ale także przyczyni się do wzrostu efektywności firmy dzięki lepszemu wykorzystaniu talentów i kompetencji danej osoby. Zastosowanie narzędzi takich jak mindmapy może znacząco ułatwić zarządzanie wiedzą w zespole. W tej kwestii zalecamy, aby dokumentacja procesów była dostępna dla wszystkich członków organizacji, umożliwiając łatwy dostęp do niezbędnych informacji, szczególnie w przypadku nowych pracowników.

Co więcej, osoba zajmująca stanowisko analityka internetowego powinna mieć możliwość samodzielnego tworzenia mapy swoich kompetencji. Taka mapa powinna zawierać zarówno narzędzia wykorzystywane w pracy analitycznej, jak i szczegółowe umiejętności związane z każdym z tych narzędzi. Na przykład, w przypadku Google Tag Managera, kompetencje mogą obejmować zarówno obsługę podstawowych tagów i zmiennych, jak i bardziej zaawansowane umiejętności, takie jak pisanie skryptów JavaScript czy wdrażanie Google Tag Managera po stronie serwera.

Stworzenie takiej listy kompetencji nie tylko ułatwia pracownikowi monitorowanie własnego rozwoju, ale również pozwala przełożonym lepiej kontrolować postępy zespołu. Posiadanie jasno określonych umiejętności i narzędzi jest kluczowe dla efektywnego funkcjonowania działu analitycznego, a także dla jego ciągłego rozwoju i adaptacji do zmieniających się wymagań rynku.

Podsumowanie

Podsumowując, systematyczne dokumentowanie i rozwijanie kompetencji w analityce internetowej jest niezbędne dla skutecznego zarządzania projektami i osiągania celów biznesowych. Zapewnia to przejrzystość procesów i umożliwia skuteczniejsze planowanie ścieżek rozwoju pracowników, którzy w efekcie dostarczają realną wartość dla klientów.

The post Jak efektywnie wdrożyć analityka internetowego do organizacji? first appeared on Conversion.

Obecność analityka internetowego w firmie
Zatrudnienie analityka internetowego na pełny etat
Alternatywy do zatrudnienia analityka internetowego na pełny etat
Jaki jest idealny model współpracy z analitykiem?
Podsumowanie

Obecność analityka internetowego w firmie

Zatrudnienie specjalisty od analityki online to inwestycja, która może znacząco wpłynąć na strategię firmy i jej wyniki finansowe. Koszty związane z zatrudnieniem takiej osoby na pełny etat omawialiśmy w artykule, ile kosztuje analityk internetowy. Wówczas podkreślaliśmy, że decyzja o zatrudnieniu analityka powinna być poparta dokładną analizą potencjalnych korzyści oraz kosztów, które się z tym wiążą.

Rola analityka internetowego w firmie jest niepodważalna. To właśnie ten specjalista może przyczynić się do lepszego zrozumienia klientów i optymalizacji działań online, co z kolei przekłada się na wzrost efektywności działań i przychodów. W dzisiejszym artykule przedstawię trzy alternatywy do zatrudnienia analityka internetowego w firmie na cały etat, wraz z ich zaletami i wadami, aby pomóc Wam podjąć decyzję o zakresie i formie współpracy z takim specjalistą.

Zatrudnienie analityka internetowego na pełny etat

Rozważając pełnoetatowe zatrudnienie analityka internetowego, należy zacząć od analizy plusów i minusów takiej formy. Jednym z głównych aspektów jest koszt zatrudnienia, który może być relatywnie wysoki w porównaniu do innych stanowisk. Specjalista od analityki online przynosi jednak wartość poprzez głębokie zrozumienie danych, co może przekładać się na lepsze decyzje biznesowe i optymalizację działań marketingowych.

Zaletą pełnoetatowego zatrudnienia jest stała dostępność analityka, co umożliwia bieżącą analizę danych i szybką reakcję na zmiany. Wadą może być natomiast konieczność zapewnienia odpowiednich zasobów i narzędzi, a także czasu na wdrożenie i szkolenie pracownika. Zatrudnienie analityka na pełen etat w firmie może wydawać się kosztowne, co jest jedną z wad tego rozwiązania. Dodatkowo, nie zawsze istnieje potrzeba angażowania takiej osoby na cały etat. Rynek pracy w Polsce nie sprzyja elastycznym formom zatrudnienia, takim jak część etatu, co jest bardziej popularne w krajach zachodnich.

Jednak obecność analityka w strukturze firmy niesie ze sobą istotne korzyści. Analityk, będąc na bieżąco z życiem firmy, może dostosować analizy do aktualnych wydarzeń i decyzji w różnych obszarach przedsiębiorstwa. To bezcenne, gdyż pozwala na szybką reakcję i dostosowanie działań do zmieniających się warunków.

Kolejną zaletą jest wszechstronność takiego pracownika. Analityk z odpowiednimi kompetencjami nie ogranicza się tylko do analiz online. Potrafi wykorzystać dane z różnych działów firmy, co pozwala na szerokie wsparcie w procesie podejmowania decyzji, nie tylko tych związanych z działaniami internetowymi, co niesie szereg korzyści wykraczających poza digital.

Alternatywy do zatrudnienia analityka internetowego na pełny etat

Analityka online to kluczowy element strategii każdej nowoczesnej firmy. Jednym z rozwiązań jest zatrudnienie analityka na pełny etat. Istnieje jednak kilka alternatyw do bezpośredniego zatrudnienia specjalisty. Jedną z nich jest wykształcenie własnego…

#1 Wykształcenie analityka w organizacji

Pierwszą z alternatyw jest rozwinięcie kompetencji analitycznych wśród obecnych pracowników, szczególnie tych z działów marketingu internetowego. Osoby te często posiadają doświadczenie w prowadzeniu kampanii reklamowych lub optymalizacji SEO, co może ułatwić im przejście do roli analityka internetowego.

Należy jednak mieć na uwadze, że taki proces może być czasochłonny, zwłaszcza jeśli w zespole brakuje głębokiej wiedzy na temat analityki online. Dodatkowo, bez odpowiednich kompetencji w firmie trudno jest ocenić, czy nabywane przez wyznaczonego kandydata umiejętności rozwijają się w odpowiednim kierunku. Mimo to, jeśli osoba przechodzi z działu SEO lub performance, zdobywanie kompetencji analitycznych może przebiegać znacznie szybciej, niż w przypadku pracowników z innych obszarów działalności firmy. W analizie online, jednym z wyzwań jest nadzór i mentoring osób odpowiedzialnych za dane i ich interpretacje. Specjaliści w tej dziedzinie wymagają zarówno wsparcia w rozwoju, jak i regularnej weryfikacji swojej pracy, co jest kluczowe, zwłaszcza gdy są to pierwsze takie stanowiska w firmie. Niestety, często brakuje doświadczonych osób, które mogłyby ocenić ich działania i zapewnić konstruktywną informację zwrotną.

Kolejnym minusem jest ograniczona ścieżka rozwoju. Pracownicy, poza otrzymywaniem wynagrodzenia, powinni mieć możliwość ciągłego rozwoju, szczególnie w aspekcie merytorycznym. Brak wsparcia w tej sferze może być demotywujący i ograniczać potencjalny postęp.

Mimo tych wyzwań, istnieje gigantyczny plus zatrudniania analityka z wewnątrz organizacji. Osoba taka posiada nie tylko aktualną wiedzę o działaniach firmy, ale także zna jej historię. Dzięki temu, korzystając z danych historycznych, może szybciej identyfikować przyczyny i skutki obserwowanych zjawisk, co jest nieocenione w procesie podejmowania decyzji biznesowych. 

#2 Współpraca z freelancerem

Rozważając współpracę z freelancerami, ważne jest, aby mieć na uwadze kilka kluczowych aspektów, z którymi wiąże się tego rodzaju współpraca. Jednym z wyzwań jest kwestia dostępności takich specjalistów. Freelancerzy często preferują elastyczność i nie są zainteresowani długoterminowym zobowiązaniem wobec jednego pracodawcy. Zamiast tego, wybierają pracę według własnego harmonogramu i realizację różnorodnych projektów. Dla firm poszukujących stałej opieki i wsparcia analitycznego, może to stanowić problem. Oczekując od freelancera ciągłej dostępności i zaangażowania, można napotkać na trudności związane z jego niezależnym trybem pracy. W przypadku zatrudniania freelancera, jego kompetencje będą w dużej mierze zależne od osobistego doświadczenia i wiedzy, którą zdobył. Z reguły wyższy poziom doświadczenia freelancera wiąże się z większymi kosztami jego pracy. 

Jednakże, elastyczność jest jedną z głównych zalet współpracy z freelancerem. Jako pracodawca nie jesteście zobowiązani do pokrywania kosztów pełnego etatu, a możecie opłacać pracę w modelu projektowym lub w ramach określonego pakietu godzin, co może być bardziej efektywne kosztowo niż zatrudnienie pracownika na stałe, szczególnie gdy nie jest on potrzebny w pełnym zakresie.

Dodatkowo, freelancer pracujący dla wielu organizacji często posiada szeroką wiedzę zdobytą w różnorodnych projektach. Może to przyczynić się do szybszego identyfikowania i wdrażania skutecznych rozwiązań analitycznych, które będą odpowiednie dla specyfiki Waszej firmy. Co więcej, freelancerzy, aby utrzymać się na rynku, muszą nieustannie aktualizować swoją wiedzę branżową i merytoryczną. Możecie więc oczekiwać, że freelancer, z którym współpracujecie, jest na bieżąco z najnowszymi trendami i narzędziami, uczestniczy w konferencjach branżowych i nieustannie poszerza swoje kompetencje. 

#3 Współpraca w modelu opieki analitycznej

Analityka internetowa to fascynująca dziedzina, która przyciąga specjalistów nie tylko potencjałem zarobkowym, ale i pasją do odkrywania danych. W tym kontekście istnieje kilka modeli współpracy z analitykami internetowymi, które warto rozważyć, a jednym z tych modeli jest tzw. opieka analityczna, gdzie doświadczony analityk internetowy jest zatrudniany na godziny. To podejście oferuje firmom elastyczność i dostęp do wysokiej jakości usług bez konieczności zatrudniania pełnoetatowego pracownika. Przykładem firmy świadczącej takie usługi jest właśnie Conversion, która specjalizuje się w opiece analitycznej.

Jednakże, ten model również posiada pewne ograniczenia. Przede wszystkim, wymaga on rezerwacji określonej liczby godzin, co wiąże się z pewnym zobowiązaniem i mniejszą elastycznością w porównaniu do współpracy z freelancerem. Mimo to, nadal jest to opcja bardziej opłacalna niż zatrudnienie analityka na pełen etat, szczególnie dla firm, które nie potrzebują stałego wsparcia analitycznego lub posiadają mniejsze zapotrzebowanie na tego typu usługi. Analityka online to dziedzina, która wymaga nie tylko szczegółowej wiedzy technicznej, ale i umiejętności biznesowych oraz szybkiego reagowania na zmieniające się warunki rynkowe. Współpraca z zespołem analitycznym niesie za sobą szereg korzyści, które warto rozważyć w kontekście efektywności prowadzenia działań w firmie.

Jedną z głównych zalet jest dostęp do wiedzy całego zespołu analitycznego, a nie tylko jednego specjalisty. W przypadku, gdy analityk napotyka na problem, ma możliwość konsultacji z całym zespołem, co przekłada się na lepszą jakość i szybkość rozwiązań. W naszym przypadku, mamy do czynienia z zespołem kilkunastoosobowym, gdzie każdy członek wnosi swoje doświadczenie i ekspertyzę do projektu.

Kolejnym aspektem jest elastyczność w zakresie zatrudnienia analityka. Firmy często decydują się na współpracę z analitykiem na część etatu, rezerwując od 8 do 20 godzin tygodniowo, co jest znacznie bardziej opłacalne niż zatrudnienie pełnoetatowego pracownika. Pozwala to na optymalizację kosztów i lepsze dostosowanie do aktualnych potrzeb organizacji.

Zastępowalność zespołu to kolejna istotna kwestia, wyróżniająca model opieki analitycznej. Współpracując z firmą posiadającą kilkanaście osób w zespole analitycznym, zyskujesz pewność, że prace będą kontynuowane nawet w przypadku choroby czy urlopu jednego z analityków. W naszym przypadku działają dwa kompetencyjne teamy, gdzie analitycy są na bieżąco z projektami swojego zespołu i w razie potrzeby mogą zastąpić kolegę czy koleżankę bez zakłóceń w pracy.

Jaki jest idealny model współpracy z analitykiem?

Z punktu widzenia idealnego modelu współpracy, analityk powinien być częścią wewnętrznego zespołu firmy. Jednakże, biorąc pod uwagę dynamiczny rozwój technologii i specyfikę branży, nie zawsze jest to rozwiązanie najbardziej efektywne. Kompetencje analityczne, technologiczne i biznesowe są kluczowe, a szybkość zmian w technologii sprawia, że specjalista powinien być w stanie łączyć te trzy obszary, co w praktyce jest trudne do osiągnięcia przez jedną osobę. Dlatego warto rozważyć korzyści płynące z zewnętrznej współpracy analitycznej, która łączy elastyczność, szerokie kompetencje i ciągłość pracy. W dzisiejszym świecie danych, kluczowe znaczenie ma efektywna analiza informacji w celu napędzania rozwoju biznesu. Idealnym modelem pracy wydaje się być ten, w którym analityk z kompetencjami analitycznymi jest zatrudniony wewnętrznie w firmie, natomiast współpraca odbywa się także z zewnętrznym specjalistą od analityki online. Zewnętrzny ekspert, podobnie jak w naszym modelu opieki analitycznej, odpowiada za kompetencje technologiczne – zapewnia poprawność i ciągłość zbierania danych oraz monitoruje nowe rozwiązania w branży.

Analityk wewnętrzny może w pełni skupić się na generowaniu wniosków i formułowaniu rekomendacji, które przyczynią się do szybszego wzrostu firmy. Z kolei zewnętrzny partner może nie tylko dostarczać dane, ale również w razie potrzeby uzupełniać kompetencje, na przykład gdy analityk wewnętrzny jest niedostępny. Ponadto, wprowadza do firmy najnowsze technologie i pomaga je wdrażać, co pozwala analitykowi skoncentrować się na analizie danych i wsparciu organizacji.

Podsumowanie

Podsumowując, każda firma działająca w przestrzeni online powinna rozważyć posiadanie w zespole analityka internetowego, w którejś z opisanych form. Zatrudnienie takiego specjalisty na pełny etat wiąże się z wysokimi kosztami, ale istnieją alternatywne rozwiązania. Można wykształcić osobę z wewnątrz organizacji, zatrudnić freelancera lub wejść w model opieki analitycznej, gdzie doświadczony analityk internetowy jest dostępny na godziny. Każde z tych rozwiązań ma swoje zalety i wady, a ostateczny wybór należy do firmy.

The post Alternatywy do zatrudnienia analityka internetowego w firmie first appeared on Conversion.

Znaczenie roli analityka internetowego w firmie
Jakie kryteria należy rozważyć przy zatrudnianiu analityka internetowego?
Podsumowanie

Znaczenie roli analityka internetowego w firmie

Mówiąc o temacie analizy danych, definiujemy ją często jako składnik inteligencji biznesowej firmy. Analiza danych pierwotnie wywodzi się z finansów, gdzie co najmniej raz w roku zaglądamy w raport dotyczący tego, jak nasza firma funkcjonuje. Jeżeli coś nie gra w tym raporcie, to od ogółu do szczegółu przechodzimy po wszystkich pozycjach i zastanawiamy się co moglibyśmy zrobić lepiej. 

De facto w każdym obszarze działalności firmy dane są podstawą do tego, żeby podejmować słuszne decyzje. Również w sprzedaży i marketingu, gdzie często inwestujemy w kanał online’owy w poprzez inwestycje w stronę internetową, w media czy sprowadzanie ruchu. Często to są bardzo duże kwoty i warto byłoby wiedzieć czy są one wydawane słusznie czy nie. 

Dane w życiu firmy są GPSem, który pokazuje nam w jaki sposób dotrzeć do celu bardziej efektywnie, szybciej i bez większych przeszkód. Oczywiście możemy podróżować bez GPSu, pytając ludzi o drogę i o to czy jedziemy w dobrym kierunku, natomiast ta podróż będzie obarczona dużo wyższym ryzykiem nie dotarcia do tego celu niż w przypadku wykorzystania danych.

Mówiąc o danych w marketingu i sprzedaży to ostatnie 3-4 lata, czyli czas od wybuchu pandemii spowodowały to, że wiele firm ruszyło do świata online w związku z tym, że ich kanały sprzedaży w offline zostały zamknięte. Podczas gdy więcej firm pojawiło się w internecie, przestrzeń w nim zrobiła się ciaśniejsza, tzn. wszyscy zaczęli wydawać na online marketing w celu sprowadzania ruchu na stronę. W wyniku tego mogliśmy zauważyć rosnące koszty pozyskania użytkowników. 

Mówi się, że połowa wydatków marketingowych jest wydawana w błoto. Dzięki analizie danych wiemy, która to połowa i możemy zoptymalizować te wydatki. Pomogą nam w tym dane, w których możemy znaleźć odpowiedź, w którym kierunku zmierzać. Wracając na chwilę do analityki finansowej, to dziedzina ta jest znana odkąd zaczęła być prowadzona księgowość. To na podstawie danych z księgowości podejmowane były decyzje dotyczące prowadzenia firmy. W przypadku analityki internetowej, czyli danych dotyczących tego jak użytkownicy zachowują się na naszej stronie, dziedzina ta jest dosyć nowa. W poprzednim artykule pisaliśmy o tym, jaki jest koszt zatrudnienia analityka internetowego. Wspominaliśmy tam, że analityków internetowych jest na rynku bardzo mało i że jest to związane z tym, że generalnie nie ma szkół poświęconych wykształceniu takich kompetencji. W związku z tym całkowity koszt zatrudnienia jest znaczący i stanowi sporą inwestycję. Z tego powodu, warto odpowiedzieć na pytanie, kiedy w ogóle tę inwestycję jest sens rozważać. 

Jakie kryteria należy rozważyć przy zatrudnianiu analityka internetowego?

Jeżeli zastanawiamy się nad zatrudnieniem osoby na stanowisko analityka internetowego, to głównym zadaniem jakie przed nią stawiamy jest wspieranie decyzji dotyczących inwestycji w online. Jako firma, która świadczy usługi opieki analitycznej udostępniając analityków internetowych na określony czas w tygodniu, widzimy pewne zależności i wspólne mianowniki wśród firm korzystających z naszych usług. Są to kryteria, które warto wziąć pod uwagę, podczas podejmowania decyzji, czy w ogóle potrzebujemy w zespole analityka internetowego na cały etat. 

Pierwszym kryterium przy podejmowaniu takiej decyzji jest koszt zatrudnienia analityka internetowego. Tu ponownie do poprzedniego artykułu o tym, jakich kosztów związanych z zatrudnieniem powinniśmy oczekiwać oraz do filmu na naszym kanale YouTube, w którym o tym opowiadamy. 

Obecność online

Gdy myślimy o zatrudnieniu analityka, istnieje kilka kryteriów, które firma powinna rozważyć przed podjęciem tej decyzji. Przede wszystkim to jest obecność online i inwestycje w ten kanał. Najbardziej podstawową z nich są inwestycje w budowanie, optymalizowanie i utrzymywanie strony internetowej. Innymi przykładami mogą być inwestycje w aplikację mobilną czy obecność w social media. Idąc dalej, mówimy tutaj o wydatkach mających na celu sprowadzenie ruchu do naszego serwisu internetowego. 

Specyficzną grupą firm są serwisy e-commerce, w których obecność – w jakiejkolwiek formie – analityka internetowego, czy to na pełny etat, czy w jakiejś innej formie, naszym zdaniem jest konieczne. Tego typu biznesy gromadzą i analizują duże ilości danych, których odpowiednie wykorzystanie ma kluczowe znaczenie w osiąganiu jak najlepszych wyników biznesowych.

Gotowość do zmian

Drugim kryterium przy zatrudnianiu analityka internetowego jest gotowość na zmiany. Na rynku obserwujemy wiele firm, które korzystają z usług lub zatrudniają analityka internetowego, którego praca często kończy się na generowaniu raportów. Ten proces można jednak zautomatyzować, uwalniając tym samym czas osoby odpowiedzialnej za analitykę online. Co jednak zrobić z zyskanym czasem?

Rolą analityka w firmie powinno być dążenie do tego, żeby efektywność działań firmy w internecie rosła. Z tego powodu, firma zatrudniając taką osobę, musi być gotowa do zmian, które na podstawie danych zaproponuje analityk. Jeżeli analityk zarekomenduje jakąś zmianę, czy to w kampaniach reklamowych, czy to w produkcie cyfrowym, na stronie www, w aplikacji mobilnej, a zmiana nie zostanie wdrożona, szybko dojdziemy do wniosku, że inwestycja w analityka nie do końca ma sens. Jeżeli firma nie będzie otwarta na zmiany lub nie posiada zasobów żeby je wprowadzać możemy poddać pod wątpliwość sens zatrudniania takiej osoby. Analityk poza generowaniem raportów powinien być odpowiedzialny za dostarczanie wniosków będących podstawą do prowadzenia testów A/B, zmian w kampaniach reklamowych, czy testowania nowych kreacji. Prowadząc tego typu działania w oparciu o dane, firma znajduje się na dobrej drodze do wzrostu biznesowego i poprawy wyników w przyszłości.

Wydatki na działania online

Z naszych obserwacji wynika, że obecność analityka w firmie jest uzasadniona, zwłaszcza na cały etat, jeżeli firma przeznacza na online minimum 100 tysięcy PLN miesięcznie. W ramach tego budżetu uwzględniamy koszt utrzymania produktów cyfrowych, czyli budowy strony, jej rozwoju. Z drugiej strony jest to sprowadzanie na nią ruchu, czyli koszty mediów (koszty kampanii reklamowych). W ramach 100 tys. PLN uwzględniamy również wynagrodzenia i wszystkie koszty związane z zatrudnieniem osób odpowiadających za prowadzenie działań online. 

Skąd jednak kwota akurat 100 tysięcy PLN? Bierze się ona z tego, że gdy weźmiemy pod uwagę koszt zatrudnienia analityka oraz średnioroczny wzrost efektywności dzięki obecności tego analityka, wynika z tego, że jeżeli mamy 100 tysięcy PLN wydatków, to inwestycja w analityka internetowego powinna zwrócić się po około roku od jego zatrudnienia. 

Podsumowanie

Podsumowując, przed podjęciem decyzji o zatrudnieniu analityka internetowego w firmie po pierwsze, musimy być obecni online. W firmach e-commerce to raczej kwestia zastanowienia czy warto, tylko kwestia tego, w jakim zakresie tego analityka internetowego powinniśmy zatrudnić. Po drugie, to są wydatki na działania online, czyli obsługę w kontekście utrzymania produktów cyfrowych, kosztów zatrudnienia ludzi do obsługi działań online i pod kątem sprowadzania ruchu do serwisu, czyli prowadzenia kampanii marketingowych. Poziom tych wydatków to minimum 100 tysięcy PLN miesięcznie. Pamiętajmy również o tym, że im wydatek na kanał kanał online będzie wyższy, tym analityk powinien zwrócić się szybciej. Każda firma, która jest jakkolwiek obecna online, powinna rozważyć jakąś formę zatrudnienia osoby odpowiedzialnej za dane.

The post Kiedy warto zatrudnić analityka internetowego? first appeared on Conversion.

Co znajdziesz w tym artykule?
Zamknięcie Google Analytics 3? Co to znaczy?
Co dalej z analityką internetową?
Trochę więcej o Google Analytics 4…
Jak poradzić sobie z zamknięciem Google Analytics 3?

Zamknięcie Google Analytics 3? Co to znaczy?

1 lipca 2023 wszystkie usługi Google Analytics 3 (Universal Analytics) przestaną procesować dane. Znaczy to nie mniej, nie więcej, że pomimo prawidłowo osadzonego kodu śledzącego narzędzia na Twojej stronie, napływające dane nie będą widoczne w interfejsie.

Na pewno zadajesz sobie pytanie czy będziesz miał dostęp do danych historycznych – tutaj uspokoję Cię. Zamknięcie nie oznacza, że nie będziesz miał dostępu do narzędzia. Wszystkie dane, które do tej pory zgromadziłeś, będą widoczne – oczywiście w zakresie regulaminu bezpłatnej wersji narzędzia. W przypadku płatnej wersji narzędzia Google Analytics 360 okres ten zostanie przedłużony o 3 miesiące do 1 października 2023.

Jedno jest pewne – na pewno nie będzie możliwości przedłużenia tego okresu.

Co dalej z analityką internetową?

Analityka w wydaniu Google Analytics jest obecna na rynku od 2005, a tak naprawdę jeszcze wcześniej – wtedy Google kupiło firmę Urchin Software Co., która stworzyła narzędzie, z którego ewoluowało dzisiejsze Google Analytics.

Od momentu przejęcia, kolejne generacje rozpoznawane były na podstawie generacji kodu śledzącego – od urchin.js do gtag.js. Ostatnia generacja dodatkowo przyniosła ze sobą zmianę interfejsu analitycznego oraz praktycznie zmieniony model danych. Można powiedzieć, że narzędzie zostało napisane praktycznie od nowa.

Google Analytics 4 zostało ogłoszone 14 października 2020. W praktyce jest ono odpowiedzią na zmieniające się zwyczaje zakupowe użytkowników w internecie, a w szczególności z rosnącą popularnością urządzeń mobilnych i ich obecności w podejmowaniu decyzji zakupowych. Wszelkie szczegóły na temat wprowadzenia nowego standardu śledzenia znajdzie w artykule pt. Google Analytics 4 (dotychczasowe App + Web): przewodnik po nowej usłudze Google.

Ale… Google Analytics 4 nie ma wszystkich funkcjonalności…

To prawda. Ciągle brakuje kilku funkcjonalności względem Google Analytics 3 (Universal Analytics), natomiast Google od czasu wprowadzenia Google Analytics 4 prowadzi ciągłe “konsultacje społeczne”. Na ich bazie wyłaniane są funkcjonalności, które faktycznie są wykorzystywane. Roadmapa wdrożeniowa jest sukcesywnie realizowana. Na bieżąco możemy obserwować to na stronie pomocy. Jedno jest pewne – roadmapa zostanie w 100% zrealizowana do czasu wyłączenia usług Google Analytics 3 (Universal Analytics), aby nowy standard śledzenia zawierał wszystkie funkcjonalności, które są faktycznie wykorzystywane przez firmy.

Jeszcze raz…

Nowy sposób mierzenia danych skupiający się na eventach.

Google Analytics 4 to narzędzie, w którym zaprojektowane została kompletnie wszystko – od sposobu zbierania danych, przez ich procesowanie do podejścia do analizy danych. Zmiany te są podyktowane nie tylko zmianą sposobu pozyskiwania informacji o produktach i usługach, ale również rosnącej presji na bezpieczeństwo oraz prywatność w sieci.

Google Analytics 4 jest przygotowany na przyszłość bez ciasteczek. Brakujące dane uzupełniane są na bazie mechanizmów modelujących dane (wykorzystujący uczenie maszynowe i sztuczną inteligencję). Dzięki zaawansowanym mechanizmom analitycznym narzędzie jest w stanie połączyć użytkownika między różnymi urządzeniami bez faktycznej jego autoryzacji w serwisie. Dzięki temu jesteśmy w stanie analizować pełne customer journey – od pierwszego styku użytkownika z usługą lub produktem, to podjęcia decyzji o zakupie. To wszystko jest wsparte przez media, które dzięki licznym integracjom w ramach Google Marketing Platform mówią jednym językiem. Na koniec – wszystko zintegrowane z Google BigQuery dla większej efektywności przeprowadzanych analiz i dostępu do nich.

To wszystko – jak do tej pory – całkowicie za darmo. Myślę, że cena zmiany przyzwyczajeń do nowego interfejsu, sposobu podejścia do analiz oraz myślenia o danych jest tego warta.

Co zrobić? Jak żyć?

Od czasu ogłoszenia światu (14 października 2020) nowego standardu śledzenia rekomendacja była jedna – równoległe śledzenie (ang. dual tagging). Oznacza to równoległe wdrożenie dwóch narzędzi: Google Analytics 3 oraz Google Analytics 4.

Jeżeli nie skonfigurowałeś tego śledzenia, to nie ma na co czekać – działaj. Zobacz jak zaimplementować GA4 w 3 prostych krokach!

Pamiętaj, że oba narzędzia powinni śledzić te same interakcje użytkownika w serwisie. Przetłumaczenie modelu danych opartego na hitach (Google Analytics 3) na model oparty na zdarzeniach (Google Analytics 4) może być wyzwaniem. Pokonane – sprawa, że konfiguracja Google Analytics 4 tylko w szczegółach różnić się od tej w Google Analytics 3 (Universal Analytics).

Jedno jest pewne – im szybciej się za to zabierzesz, tym dłuższą historię danych do analizy będziesz miał po 1 lipca 2023, kiedy Twoje Google Analytics 3 (Universal Analytics) przestanie procesować dane.

Szukasz wsparcia związanego z migracją Google Analytics 3 (Universal Analytics) do standardu Google Analytics 4?

Jeśli potrzebujesz wsparcia przy Google Analytics 4 (wdrożenie, migracja, szkolenie) to skontaktuj się z Conversion, żeby porozmawiać o tym jak moglibyśmy pomóc w tym temacie. Więcej o analityce internetowej dowiesz się, pobierając przygotowane przez nas, bezpłatne poradniki, raporty oraz case studies.

The post Koniec Google Analytics 3 (Universal Analytics) – co warto wiedzieć, zanim przestanie działać first appeared on Conversion.

Co ma największy wpływ na decyzje zakupowe Twoich klientów? Czy “motywatorem” okazał się filmik wrzucony do social mediów, merytoryczny artykuł opublikowany bezpośrednio na firmowym blogu lub ciekawy newsletter? A może powodem, dla którego finalnie “skonwertowali” była dobrze zaplanowana i poprowadzona kampania PPC w wyszukiwarce Google lub Facebooku?  

Jeżeli prowadzisz swoje działania za pomocą jednego nośnika informacji – sprawa wydaje się dość prosta. W końcu jedno źródło oznacza, że Twoi klienci na 99,9% pochodzą właśnie z niego. “Schody” zaczynają się wówczas, gdy swoje działania marketingowe prowadzisz na wielu frontach, a do promocji swojego biznesu angażujesz kilka lub kilkanaście źródeł. Jak wówczas poradzisz sobie z “przypisywaniem zasług” do tego, który konwertuje najlepiej? 

Na szczęście masz mnie, a ja nowy wpis, w którym wyjaśnię Ci, czym jest atrybucja, jakie są jej rodzaje, a przede wszystkim – co to wszystko może oznaczać dla Twojego biznesu.

Co znajdziesz w tym artykule?
Atrybucja – co to takiego?
Jakie modele wykorzystuje się w atrybucji?
Modele atrybucji oparte o założenia. Czym są i jak działają?
Modele atrybucji oparte na danych (data-driven attribution). Co to takiego?
Jaka działa data-driven attribution?
Jakie dane może wykorzystywać atrybucja data-drive?
Czy o atrybucję data-driven możesz zadbać we własnym zakresie?
Atrybucja – podsumowanie

Atrybucja – co to takiego?

Jeżeli na sam dźwięk słowa “atrybucja” przypominają Ci się najgorsze sceny ze szkolnych lekcji – uspokajam. Zaraz wszystko Ci wyjaśnię . Choć brzmi groźne, tajemniczo i skomplikowanie, atrybucja w marketingu to tak naprawdę cały zestaw reguł i zależności, które pozwalają określać skuteczność Twoich działań promocyjnych.

W zależności od zastosowania konkretnych modeli, atrybucja odpowiada na pytanie: co wpłynęło na ostateczną decyzję danego użytkownika?

Można więc powiedzieć, że pozwala przypisywać wartości (wagi) do konkretnych źródeł ruchu (np. działań SEO, reklam płatnych Google Ads i Facebook Ads, e-maili i newsletterów, a nawet pushy i wielu innych). W ten sposób dostarcza informacji, które z nich miało największy wpływ na finalną konwersję, a które przyczyniło się do niej w najmniejszym stopniu.

W tym miejscu warto zapamiętać, że ostateczne rezultaty, a co za tym idzie – płynące z nich wnioski, zależą od wyboru metodyki badania. Te same działania, ale mierzone innym sposobami – mogą dostarczyć zgoła odmiennych wniosków.

Dlatego, zanim wybierzesz konkretny model atrybucji, musisz wziąć pod uwagę, że każde narzędzie dostarcza innych danych. Co za tym idzie – wnioski z nich płynące mogą być zupełnie odmienne.

Doskonały przykład w tej materii stanowią różnice występujące między Google Ads i Google Analytics 4.

Pierwsze z nich “skupia się” na aktywnościach związanych z prowadzeniem płatnych kampanii reklamowych w przestrzeniach należących do Google’a (wykorzystujących do tego search, video, czy chociażby display). To naturalnie ogranicza możliwości wnioskowania i atrybucji – do tych konkretnych źródeł danych.

Z kolei Google Analytics ma dostęp do zdecydowanie większej ilości informacji. Agreguje bowiem dane z całego ekosystemu Google (w tym kampanii płatnych i działań organicznych), a dodatkowo może korzystać z informacji pochodzących spoza swojej infrastruktury (w tym: mediów społecznościowych, e-mail marketingu, web pushe i wielu innych nośników). Zatem, jak łatwo się domyślić, specyfika GA pozwala na gromadzenie większej ilości danych, a co za tym idzie – znacznie dokładniejsze i lepsze jakościowo) wnioskowanie.

Jakie modele wykorzystuje się w atrybucji?

Wyróżniamy dwa podstawowe podejścia do atrybucji. Pierwszy z nich opiera się o predefiniowanych założeniach (tzw. atrybucja oparta o założenia). Natomiast drugi jest związany z pracą algorytmów wykorzystujących odpowiednie dane (w tym przypadku mówimy o tzw. data-driven attribution – w skrócie DDA).

W dalszych akapitach opowiem Ci nieco więcej o obu tych podejściach, opiszę, jak działają, a dodatkowo wskażę istotne wady oraz zalety każdego z nich.

Modele atrybucji oparte o założenia. Czym są i jak działają?

Dotychczas najbardziej popularnym podejściem do atrybucji było to odnoszące się bezpośrednio do konkretnych założeń. Mówiąc wprost – to wybór modelu w dużej mierze decydował o tym, jak będą kształtowały się wyniki potwierdzające skuteczność (lub jej brak) poszczególnych źródeł.

Pozwól, że dla lepszego objaśnienia tej kwestii, posłużę się modelami atrybucji opartej o założenia, które są dostępne w Google Analytics. Zaliczamy do nich:

• Pierwsze / ostatnie kliknięcie z ang. first / last click) – jak sama nazwa wskazuje, w tym modelu całą wartość danej konwersji przypisuje się do źródła, które na ścieżce zakupowej pojawiło się jako pierwsze lub jako ostatnie.
• Ostatnie niebezpośrednie kliknięcie(z ang. last non-direct click) – dotyczy konwersji, która została wywołana wejściem bezpośrednim. Wówczas bierze on pod uwagę ostatnie wejście i to jemu przypisuje całą wartość.
• Model rozkładu czasowego(z ang. time decay) – bierze on pod uwagę czas oraz kolejność poszczególnych źródeł i na tej podstawie przypisuje wartości. Największa trafia do ostatniego źródła ścieżki zakupowej. Z kolej najmniejsza – do pierwszego.
• Model uwzględniający pozycję(z ang. position based) – ten model analizuje pierwsze i ostatnie kliknięcie (przypisuje im po 40% wartości), a także pozostałe elementy ścieżki, które otrzymują po 20%.
• Model linearny(z ang. linear) – w tym podejściu wartość konwersji jest przypisywana “równo” – do wszystkich źródeł, które pojawiły się na ścieżce zakupowej użytkownika.

źródło: Google

Jak łatwo zauważyć – żaden z nich nie jest idealny. Co za tym idzie – nie da się wskazać jedynego, uniwersalnego i w pełni słusznego podejścia do mierzenia skuteczności poszczególnych źródeł ruchu.

Modele atrybucji oparte na danych (data-driven attribution). Co to takiego?

W opozycji do atrybucji opartej o założenia stoi ta wykorzystująca dane. W tym przypadku działanie modelu nie ogranicza się do “z góry” wskazanych założeń. Zamiast tego podejście data-driven zakłada, że metodyka nie wykorzystuje stale określonych wag, a analizie poddaje się cały szereg różnych zmiennych.

W tym podejściu niezwykłe istotną rolę odgrywa dostęp do danych. Mianowicie, aby atrybucja data-driven spełniała swoe zadania, musi opierać się na odpowiedniej ilości i co najważniejsze – poprawnie zbieranych informacji.

Jaka działa data-driven attribution?

DDA liczy więc tzw. inkrementalność poszczególnych kanałów, które pojawiły się na drodze użytkownika oraz (pośrednio lub bezpośrednio) doprowadziły do wykonania przez niego konkretnej akcji (np. zakupu).

Zbiera dane dotyczące tego, w jaki sposób użytkownicy wchodzą w interakcję z reklamami oraz innymi nośnikami informacji. Analizuje szereg zmiennych i na ich podstawie, na bieżąco decyduje o tym, jakie czynniki są brane pod uwagę do przypisywania skuteczności poszczególnych źródeł.

W ten sposób atrybucja oparta o dane pozwala mierzyć wyniki wykorzystywanych kanałów, porównywać ścieżki, obliczać prawdopodobieństwo konwersji i na podstawie osiągniętych wyników – prowadzić działania optymalizacyjne. To wszystko z kolei wpływa na ostateczne rezultaty działań promocyjnych i sprzedażowych. W dalszej kolejności warto zadbać o ciągłe testowanie, które pozwala osiągać coraz lepsze wyniki :).

W tym miejscu należy także pamiętać o pewnych ograniczeniach danych (czyli np. niepełnych ścieżkach użytkowników). Temat ten jest jednak na tyle szeroki, że szczegółowo opowiem o nim w kolejnych artykułach – tym przy okazji omawiania modeli DDA w narzędziach Google.

Jakie dane może wykorzystywać atrybucja data-drive?

Model oparty na danych na bieżąco wykorzystuje zagadnienia statystyczne i matematyczne (w tym, chociażby rachunek prawdopodobieństwa). Jednak zdecydowanie najczęściej atrybucja oparta na danych korzysta z algorytmów stworzonych na bazie Łańcuchów Markowa oraz wartości Shapleya (która wywodzi się z Teorii Gier)*.

Łańcuchy Markowa odnoszą się bezpośrednio do ciągów zdarzeń, w których prawdopodobieństwo wystąpienia jednego jest zależne od wyniku poprzedniego. Z kolei przytoczona wartość Shapleya bierze pod uwagę kanały, które ze sobą współpracują i na tej podstawie sprawdza, jaki każdy z nich miał udział w ostatecznym wyniku danej kampanii.

Oczywiście, są to jedynie przykłady metodyk, które można wykorzystywać w modelowaniu atrybucji, a sam temat jest na tyle szeroki, iż z pewnością poświęcę mu niejeden, a nawet kilka artykułów.

źródło: Google

Czy to jedyne metodyki, które można stosować w data-driven attribution?

Naturalnie, nic nie stoi na przeszkodzie, aby korzystać z możliwości, jakie oferują inne metodyki. Aczkolwiek te, o których wspomniałem, są używane zdecydowanie najczęściej.

Można więc powiedzieć, że atrybucja oparta na danych jest swego rodzaju “czarną skrzynką”, do której analitycy i inne osoby odpowiedzialne za pracę z kampaniami reklamowymi, mają ograniczony dostęp. Muszą więc polegać na intuicji, wiedzy i umiejętnościach ich autorów, czyli m.in. pracownikach Google’a czy Facebooka .
* Więcej na temat tych zagadnień przeczytasz na Wikipedii.

Czy o atrybucję data-driven możesz zadbać we własnym zakresie?

Naturalnie, nie ma żadnych przeciwwskazań, aby “rozświetlić tę skrzynkę” i tworzyć własne narzędzia do atrybucji data-driven. Takie działanie da Ci pełny dostęp do danych oraz wpływ na to, jakie z nich są brane pod uwagę podczas analizy skuteczności działań.

Jednak uprzedzam, że takie działanie jest bardzo złożone. Wymaga posiadania odpowiedniej wiedzy, umiejętności, ogromnej świadomość z zakresu działania mediów i analityki, a przede wszystkim – dostępu do dużej ilości bardzo wartościowych danych.

Jeżeli nie dysponujesz odpowiednimi zasobami – radzę zaufać gotowym rozwiązaniom, chociażby tym, które serwuje nam Google .

Atrybucja – podsumowanie

To by było na tyle. Temat atrybucji danych jest bardzo szeroki, dlatego w tym artykule skupiłem się na przedstawieniu jego definicji oraz nakreśleniu ogólnych zasad działania.

Jeżeli wydał Ci się ciekawy i chcesz go jeszcze bardziej zagłębić – daj znać w komentarzu. Z chęcią przygotuję dla Ciebie kolejne wpisy, w których jeszcze bardziej przybliżę Ci zagadnienie związane z atrybucją. Zarówno tą dotyczącą założeń, jak i tą związaną z danymi.

The post Atrybucja konwersji online – wprowadzenie do tematu first appeared on Conversion.

Czy po latach zawirowań, licznych zmianach technologicznych oraz prawnych, a także rewolucji w zachowaniu użytkowników Internetu – ten rok przyniesie pewną stabilizację i “spokój”? A może zupełnie odwrotnie – każda z firm, której zależy na właściwym zbieraniu, mierzeniu i interpretowaniu danych, będzie musiała przygotować się na istne tsunami?

Jaka będzie analityka w 2022 roku? Właśnie o to zapytałam ekspertów, którzy na co dzień pracują w zespole Conversion. Jeżeli ciekawi Cię, jakie są ich przewidywania – zapraszam do lektury !

Co znajdziesz w tym artykule?
Analityka 2022 będzie należała do… Google Analytics 4!
Analityka w roku 2022 to ograniczenia, ale też nowe szanse sprzedażowe
Rok 2022 dla analityki webowej będzie rokiem pod hasłem „Jedni chowają, inni szukają!”
Analityka internetowa w 2022 to jeszcze większy udział modeli machine learningowych w generowaniu analiz
Analityko internetowa – quo vadis? Co nasz czeka w 2022 roku?

Analityka 2022 będzie należała do… Google Analytics 4!

Obecnie w świecie analityki internetowej zachodzi tyle zmian, że wskazanie jednego głównego trendu jest naprawdę trudne. Oczywiście, mógłbym powiedzieć, że będzie to rok mobile (chyba 5 raz z rzędu ). Pozwól jednak, że w tym przypadku skupię się na innej kwestii, jaką jest jedno z głównych narzędzi służących do analizy danych.
Mianowicie, w 2022 roku wszystkie firmy, które poważnie myślą o byciu data-driven (i korzystają z produktów Google), przejdą przez proces migracji analityki z Universal Analytics na Google Analytics 4. Nowa usługa wpłynie pozytywnie na efektywności analiz, za co odpowiedzą nowe funkcjonalności, w tym: Google BigQuery, data-driven attribution, a nawet metryki predykcyjne.
Oczywiście ten rok będzie pod tym względem przełomowy, ale z pewnością, nie sprawi, że “nagle” wszystkie firmy od razu zapomną o przodku GA4. Jednym z motywatorów do takiego działania może okazać się New Google Analytics 360. Nowi użytkownicy, którzy zechcą przejść na ulepszoną wersję Google Analytics nie będą mieli już możliwości zakupu klasycznego GA360.
Do innych zachęt, które mogą przekonać firmy do migracji i zmiany standardu śledzenia zaliczamy: możliwość śledzenia aplikacji, nieograniczoną liczbę zbieranych eventów (UA ma limit 10 mln “hitów” na miesiąc), a nawet zdecydowanie łatwiejszą integrację z BigQuery. Zwłaszcza ten ostatni element może być kuszący dla firm chcących posiadać status „data-driven”.

Michał Metelski, Junior Digital Analyst

Analityka w roku 2022 to ograniczenia, ale też nowe szanse sprzedażowe

Zgadzam się, że postępujący proces blokowania identyfikatorów (tzw. „third-party”) poprzez przeglądarki Chrome czy Apple, wymusi na wielu markach działania zmierzające do pewnego “przeprojektowania” dotychczasowej infrastruktury analitycznej. Opierać się ona będzie głównie na danych „first party”. Kluczowym elementem tej zmiany może okazać się nowa funkcjonalność, jaką jest server-side tagging. Podmioty, które nie zdecydują się na takie przejście, narażą swój biznes na utratę znacznej części danych. A to może mieć swoje widoczne i bardzo negatywne odzwierciedlanie w jakości i sprawności zarządzania efektywnością kampanii marketingowych.
Warto pamiętać o cały czas towarzyszącej nam pandemii COVID-19. Zdecydowanie zmieniła ona sposób zachowania użytkowników, a co za tym idzie – wpłynęła na kształt całej ścieżki zakupowej poszczególnych użytkowników. W tej materii rok 2022 będzie czasem odkrywania nowych szans zakupowych, w tym: aktywizacji grup użytkowników do tej pory nieaktywnych w sieci oraz popularyzacji nowych formy zaangażowania użytkowników (np. podcasty).
W mojej ocenie biznesy powinny wziąć to pod uwagę, a co za tym idzie – poświęcić jeszcze więcej czasu i energii na dokładne przyjrzenie się temu, jakie metryki korelują ze sprzedażą.

Szymon Grzechnik, Business Development Manager

Rok 2022 dla analityki webowej będzie rokiem pod hasłem „Jedni chowają, inni szukają!”

Użytkownicy są coraz bardziej świadomi kwestii związanych z ochroną ich danych oraz prywatności. Dlatego w 2022 z pewnością istotną rolę odegra tematyka „privacy”, przez którą większa część roku upłynie pod znakiem znanego już nam – “RODO”. Pisząc to, mam na myśli przede wszystkim długi i cały czas rozwijający się proces ochrony danych osobowych.
Wraz z coraz większym naciskiem na bezpieczeństwo użytkowników, pojawiają się nie tylko nowe ograniczenia, ale także nowe rozwiązania. Do tego grona zaliczamy np. „Consent Mode”, który obecnie znajduje się jeszcze w fazie beta.
Respektowanie wyrażanych zgód ze strony firm przyczyni się do budowania wiarygodności i zaufania do danej marki, co może w pewnym stopniu zrekompensować braki w danych.
Z uwagi na fakt, iż rezygnacja z cookies skutkuje większym stopniem rozbieżności danych, rosnącymi opłatami związanymi z polityką prywatności, a także mniejszym wglądem w tzw. „customers journeys” – wiele firm pozostanie bez wyjścia. Ich głównym wyzwaniem i celem na 2022 będzie stworzenie nowego i całkowicie holistycznego podejścia do analityki. W tym głównie: prowadzenia skutecznej agregacji i analizy danych, segmentacji odbiorców, a także modelowania atrybucji.

Vasili Bubnov, Digital Analyst

Analityka internetowa w 2022 to jeszcze większy udział modeli machine learningowych w generowaniu analiz

Wiele firm od dawna może przewidywać, co wydarzy się w przyszłości. Do tej pory większość z nich opierała swoje założenia o obliczanie prawdopodobieństwa dokonania zakupu na podstawie tego, czy dany segment klientów dodał produkty do swoich koszyków (ale ich nie kupił). Takie podejście miało jednak jedną istotną wadę. Pozwalało na łatwe “przeoczenie” osób, które nie wybrały żadnego produktu do koszyka, ale prawdopodobnie dokonają zakupu w przyszłości.
Dzięki zastosowaniu metryk predykcyjnych (purchase i churn probabilty oraz revenue prediction) zawartych w Google Analytics 4 – rok 2022 będzie dla nich kolejnym krokiem na przód.
Predykcyjne listy odbiorców automatycznie określają, które działania klientów w aplikacji lub witrynie internetowej mogą prowadzić do zakupu. A co za tym idzie – pomagają znaleźć więcej osób, które prawdopodobnie dokonają konwersji na skalę większą niż standardowa.

Ewelina Łapińska, Digital Analyst

Analityko internetowa – quo vadis? Co nasz czeka w 2022 roku?

Wiele lat pracy w analityce (to już ponad 11 lat!) nauczyło mnie jednego: gotowości do ciągłych zmian i adaptacji oraz tego, że wszelkie przewidywania sięgające dalej niż rok “do przodu” nie mają żadnego sensu.
W rezultacie jedyne, czego możemy być tak naprawdę pewni, to niepewność związana ze zmianami, jakimi zaskoczą nas dostawcy technologii, prawodawcy, a także – sami użytkownicy .
Jednocześnie podpisuję się pod tym, co powiedzieli już moi przedmówcy. Bowiem również uważam, że 2022 będzie:

• Rokiem jeszcze większej ochrony prywatności użytkowników Internetu (w tym omawiane już tzw. ochrona ciasteczek oraz Consent Mode).
• Okresem, w którym coraz więcej firm “przełączy się” z dotychczasowego GA3 (Universal Analytics), na nową wersją narzędzia – Google Analytics 4.

Dodatkowo w mojej ocenie zauważalna będzie znaczna nadwyżka popytu nad podażą wykwalifikowanych analityków internetowych. Tego typu specjaliści zyskają w oczach wielu firm, przez co ich usługi będą jeszcze bardziej “rozchwytywane” :).
Zapotrzebowanie na analityków będzie przewyższało dostępność kandydatów. Biznesy zostaną wręcz zmuszone do wykorzystywania nieszablonowych sposobów poszukiwania potencjalnych pracowników. Dodatkowo równie ważny, co sama rekrutacja i “przyciąganie” najlepszych, stanie się także sposób utrzymania talentów analitycznych w szeregach danej organizacji.
Apropo tego ostatniego – jeśli zaczynasz dostrzegać, że analityka może odegrać istotną rolę w Twojej firmie, jednak nie chcesz od razu zatrudniać takiej osoby na stałe – skorzystaj z outsourcingu usług analitycznych od Conversion.
A może jesteś analitykiem i szukasz nowego miejsca, w którym mógłbyś się rozwijać? W takim razie z pewnością zainteresuje Cię jedna z naszych ofert pracy.

Mariusz Michalczuk, Head of Digital Analytics

A Ty? Jak według Ciebie będzie wyglądała analityka w 2022 roku?

Zgadzasz się z powyższymi wypowiedziami analityków internetowych i ekspertów z zespołu Conversion? A może masz na ten temat zupełnie inne zdanie? Nie zapomnij napisać o tym w komentarzu. Jesteśmy ciekawi i chętnie poznamy Twoje przewidywania oraz prognozy na ten rok!

The post Co nas czeka w analityce w 2022 roku? Prognozy ekspertów Conversion. first appeared on Conversion.

W dzisiejszych czasach nie trzeba już nikogo przekonywać o tym, że wykorzystanie danych do podejmowania decyzji biznesowych jest jednym z najważniejszych trendów, które towarzyszą nam w biznesie.

Kolejne raporty tylko potwierdzają istotność tego trendu.

Tak jak niedawne badanie przeprowadzone przez Accenture z którego wynika, że 89% liderów biznesu uważa, że big data zrewolucjonizuje ich biznesy w sposób podobny do internetu. Z tego samego raportu dowiemy się, że 83% z respondentów uważa, że związane z danymi inicjatywy przełożą się na budowę przewag konkurencyjnych firm w których pracują.

Dane są nawet nazywane nową ropą cyfrowych czasów, w których żyjemy.

W ekonomii cyfrowej dane są tak cenne jak nigdy wcześniej. To klucz do sprawnego działania wszystkiego – od rządu po lokalne przedsiębiorstwa. Bez danych postęp nie byłby możliwy.

Joris Toonders, Yonego

To wszystko sprawia, że patrzący w przyszłość menadżerowie zastanawiają się jak efektywnie zamienić organizacje i jednostki, którymi zarządzają, w organizmy, które wykorzystują dane w codziennej działalności.

Ten problem jest jeszcze bardziej widoczny w świecie marketingu internetowego, w którym dane na temat konsumentów i ich zachowań mamy na wyciągnięcie ręki.

Niestety cały czas marketingowcy mają problem ze zrozumieniem analityki, a przez to nie wiedzą jak się za nią zabrać.

Prowadzi to do tego, że większość menadżerów odpowiedzialnych za digital podchodzi do tematu wdrożeń analityki internetowej zbyt wybiórczo. To z kolei powoduje, że nikt nigdy nie widzi efektów, które analityka obiecuje: mniejszego ryzyka podejmowanych decyzji, zwiększania ROI z działań marketingowych i lepszego zrozumienia zachowań konsumentów oraz ich interakcji z marką w wielokanałowym świecie.

Jak należałoby więc podejść do analityki internetowej, żeby ta w przewidywanym horyzoncie czasowym zaczęła przynosić efekty, z których menadżerowie są rozliczani?

3 pomysły na wdrożenie analityki internetowej, które (prawie) nigdy się nie sprawdzają

W trakcie rozmów, które przeprowadzamy z menadżerami, którzy zaczęli się interesować wykorzystaniem danych w swoich strategiach digitalowych, bardzo często pojawia się jeden z tych trzech pomysłów na realizację tych zamierzeń:

1. „Zatrudnimy analityka w naszej organizacji — on sprawi, że będziemy data-driven”

2. „Kupimy narzędzie klasy premium takie jak Adobe Analytics, IBM Digital Analytics czy Google Analytics Premium — mając taki kombajn na pewno uda nam się wykorzystać dane”

3. „Mamy przecież agencję / dom mediowy —oni zajmą się analityką internetową i dostarczą nam potrzebne raporty — przecież się na tym znają”

Niestety wybór jednej z tych trzech dróg rzadko owocuje efektami, których się spodziewamy. Dzieje się tak z kilku powodów:

1. Wybiórcze traktowanie tematu

W analityce internetowej nie da się osiągnąć sukcesu inwestując tylko w jeden jej aspekt (jak np. w narzędzia). Jeżeli mamy zaawansowane narzędzia, to potrzebujemy ludzi, którzy umieją z nich skorzystać oraz procesów, które zapewnią wysoką jakość tych danych.

Liczne studia przypadków wykazały, że prawie wszystkie firmy z listy Fortune 500 inwestują ogromne pieniądze w analitykę internetową, a mimo to wciąż zmagają się z podejmowaniem trafnych decyzji biznesowych na podstawie danych.

Avinash Kaushik, Occam’s Razor

Według Modelu Dojrzałości Analityki Internetowej Stephane Hamela, tych aspektów, o które powinniśmy zadbać, jest 6 — istotność, zakres, definiowanie celów, zespół, procesy i narzędzia. Tylko adresując wszystkie 6 elementów w sposób kompleksowy jesteśmy w stanie wpłynąć na sposób wykorzystania danych w organizacji.

2. Zbyt duży nacisk położony na narzędzia

Jak twierdzi Avinash Kaushik, jeżeli chcesz zainwestować w analitykę internetową $100, to na narzędzia powinieneś przeznaczyć 10% tej kwoty, a na ludzi którzy będą umieli z tych narzędzi skorzystać 90%.

Zaskakujące? Może.

Jednak po pierwsze prawdą jest, że słaby analityk nie dostarczy Ci wniosków z analiz, których oczekujesz nawet z wykorzystaniem najlepszego narzędzia. Z drugiej strony świetny analityk dostarczy Ci rewelacyjne wnioski i wskazówki do działania nawet przy ograniczonych możliwościach narzędzia, na które jest skazany.

Po drugie, zazwyczaj jeden analityk internetowy w organizacji to za mało. Zakres zadań działu analitycznego jest bardzo szeroki — od zadbania o jakość danych, przez rozwój narzędzi, aby nadążyły za rozwojem ekosystemu (strony, aplikacje, nowe platformy social media) aż do przygotowywania regularnych raportów i adhocowych analiz. Rzadko zdarzają się osoby, które łączą cechy rzetelnego inżyniera, który dba o jakość danych i ciekawskiego detektywa, który pozwoli Ci zrozumieć skomplikowane zależności między liczbami.

3. Rewolucyjne podejście zamiast podejścia ewolucyjnego

Wielu menadżerów spodziewa się, że wdrożenie analityki internetowej to krótki , jedno- lub dwukrokowy proces — „Instalujemy narzędzie, zatrudniamy analityka i voila!”.

Nic bardziej mylnego. Rzadko rewolucje kończą się sukcesem. Zazwyczaj kończą się porażką, są krwawe i mają wysokie koszty.

Dlatego znacznie lepiej mieć podejście ewolucyjne.

Zbyt wielu ludzi stara się o rewolucję w swojej strategii cyfrowej i… ponosi klęskę. Ewolucja jest tym, co sprawdza się w sieci.

Avinash Kaushik, Occam’s Razor

Jeśli Twoja organizacja w świecie analityki internetowej nie potrafi chodzić, a jedynie raczkuje to nie spodziewaj się, że z dnia na dzień zacznie biegać.

Nie zacznie.

W najlepszym wypadku spróbuje, potknie się i obedrze kolana.

W najgorszym wyląduje w szpitalu na intensywnej terapii.

4. Oddanie kluczowych kompetencji na zewnątrz

Umiejętność wykorzystania danych w organizacjach będzie budowało trwałą przewagę konkurencyjną. Dlatego jest to jeden z zasobów, który powinien być rozwijany wewnątrz firmy.

Owszem, niektóre procesy, które są stosunkowo mechaniczne (jak np. ciągła kontrola poprawności danych) mogą być wyoutsourcowane. Jednak analityk, który na co dzień pracuje wewnątrz organizacji, będzie potrafił wyciągać znacznie lepsze wnioski niż osoba „z zewnątrz”, którą zatrudnimy do analizy danych. Dlaczego? Ponieważ posiada znacznie więcej informacji o kontekście.

Nieporozumieniem jest również wykorzystanie agencji lub domu mediowego do sprawowania pieczy nad narzędziami analitycznymi i raportowaniem. Jedną z funkcji analityki jest funkcja kontrolna. Większość wydatków marketingowych jest natomiast ponoszone na sprowadzanie ruchu. Jest to więc często największe pole do optymalizacji i kontroli ewentualnych nadużyć.

Powyższe powody sprawiają, że żadna z trzech najbardziej typowych strategii wykorzystywanych przez menadżerów nie działa.

Jak więc zabrać się za wdrożenie analityki internetowej, aby to przełożyło się na efekty, których oczekujesz?

Czytasz ten artykuł, a to już jest coś

Po pierwsze, zapoznaj się z kilkoma modelami, które powiedzą Ci więcej o elementach analitycznego ekosystemu na które powinieneś zwrócić uwagę. Na pewno warte uwagi są: Model Dojrzałości Analityki Internetowej rozwijany od długiego czasu przez Stephane Hamela oraz Ekosystem Analityki Internetowej przygotowany przez Avinasha Kaushika.

Po drugie, wykorzystaj dostępne narzędzia do oceny dojrzałości analityki internetowej w Twojej organizacji. W naszej pracy z powodzeniem wykorzystujemy model Stephane Hamela. Tutaj znajdziesz narzędzie, dzięki któremu ocenisz poziom rozwoju analitycznego swojej organizacji według jego modelu.

Po trzecie, znając poziom rozwoju analitycznego swojej organizacji, jej słabe i mocne strony, przygotuj długofalową strategię, która pozwoli Ci podnieść poziom analityczny. Pamiętaj, aby w jej ramach zawrzeć cele wraz z datami ich wykonalności (jakie wzrosty w poszczególnych obszarach analityki internetowej osiągniesz wraz ze swoim zespołem po 6, 12, 18 i 24 miesiącach).

Następnie realizuj zamierzony plan i co 6-12 miesięcy powtarzaj badanie sprawdzające, czy udało się zrealizować zamierzone przez siebie cele.

Droga wdrożenia analityki internetowej nie jest krótka i nie powinieneś się nastawiać na pół roku.

Raczej należy się spodziewać, że dojście do poziomu, w którym widzisz namacalne rezultaty z których jesteś zadowolony zajmie od 12 do 24 miesięcy.

Jeżeli jesteś na początku drogi (a znakomita większość firm, z którymi w Polsce rozmawiam, jest na takim właśnie poziomie) to według Avinasha Kaushika masz przed sobą przynajmniej 3 etapy:

Etap 1: zbieranie danych. Polega on na poprawnym wdrożeniu narzędzi, które śledzą metryki istotne z punktu widzenia Twojego biznesu (nie jest sztuką śledzenie czegokolwiek lecz tego, na czym powinno zależeć Twojej firmie). W trakcie tego etapu wypracujesz KPI oraz procesy mające na celu zapewnienie zbierania poprawnych danych.

Ten etap zajmuje około 6 miesięcy.

Etap 2: raportowanie. Drugi etap to rozpoczęcie raportowania. Dane po raz pierwszy trafiają do osób w Twoim zespole. W miarę upływu czasu Twój zespół zadaje analitykom coraz trudniejsze pytania, a oni tworzą dedykowane raporty, które przedstawiają bardziej zaawansowane metryki.

Na tym etapie powinieneś zatrudnić przynajmniej jedną osobę z silnymi kompetencjami analitycznymi.

Jest to także etap, w trakcie którego zaczniesz dostrzegać pierwsze efekty wykorzystania danych (co pozwoli pozyskać środki na dalsze inwestycje).

Ten etap trwa około 6-12 miesięcy pracy.

Etap 3: analityczna nirvana. To ostatni, najwyższy etap rozwoju organizacji, który osiąga swój pełny potencjał po 9-12 miesiącach. W jego trakcie Twoi analitycy przestaną skupiać się na dostarczaniu raportów, a przesuną się na poziom dostarczania prawdziwych wniosków i gotowych recept do działania. Te dokumenty będą zawierały nie tylko dane, wnioski i rekomendacje, ale także wyliczenia efektów, które są spodziewane.

Niewiele firm dociera do tego etapu, a jeszcze mniejszej liczbie udaje się go w pełni rozwinąć. Jednak dopiero w nim zarządzana przez Ciebie organizacja lub jednostka będzie w pełni wykorzystywała potencjał, który dają płynące z internetu dane.

Na tym etapie Twój zespół będzie potrafił wykorzystywać dane do lepszego podejmowania decyzji biznesowych, do ciągłej optymalizacji prowadzonych kampanii, do pełnego zrozumienia Twojego konsumenta i jego interakcji ze wszystkimi online’owymi i offline’owymi punktami Twojej komunikacji.

Pamiętaj jednak, że nie stanie się to z dnia na dzień.

To jest proces.

Ewolucja, nie rewolucja.

I jak każdy proces, potrzebuje czasu.

Niezależnie od tego, na którym etapie obecnie znajduje się zarządzana przez Ciebie organizacja, możemy Ci pomóc w opracowaniu i egzekucji planu, który przeniesie Cię na kolejny poziom w rozwoju analityki internetowej. Skontaktuj się z nami już teraz, by poznać nasze unikalne podejście do rozwoju analityki internetowej.

The post Jak wdrożyć analitykę internetową i zbudować analityczny ekosystem? first appeared on Conversion.

Jest to obrazek skrajnie przerysowany, ale pozwala zrobić dobry wstęp do tematu, który chciałbym dzisiaj poruszyć. Mam na myśli problem jakości danych na których opieramy swoje decyzje. Wszystkie analizy, wszystkie raporty, wszystkie wnioski i wszystkie rekomendacje możemy wyrzucić do kosza jeżeli nie jesteśmy pewni danych na jakich je oparliśmy.

Dlaczego? Bazując na danych złej jakości (czyli takich, które słabo opisują rzeczywistość), przeprowadzamy bezwartościowe analizy z których wyciągamy kiepskie wnioski i tak dalej i tak dalej – problem z każdym kolejnym krokiem tylko się potęguje.

Jak więc zapewnić sobie dane, którym będziemy mogli zaufać? Kluczową rolę w całym procesie ciągłego utrzymania wysokiej jakości danych pełni poprawna instalacja i konfiguracja Twojego narzędzia analitycznego.

Pracując wielokrotnie nad wdrożeniami nowych instalacji, oraz modyfikując zastane konfiguracje narzędzi analitycznych, nasz zespół wypracował sobie coś w rodzaju listy kontrolnej, której wypełnienie daje dużą szansę na to, że będziemy zbierali dane najwyższej możliwej jakości. Przedstawię kilka najważniejszych zagadnień, których rozpatrzenie zagwarantuje to że do twojego Google Analytics będą spływały dane, które dobrze odwzorowują rzeczywistość.

Poniżej zebrałem, w formie krótkiej listy, elementy na które warto zwrócić uwagę aby zapewnić sobie dane dobrej jakości. W większości z tych punktów znajdą się informacje, które były już poruszane na naszym blogu, więc jeżeli chcecie dowiedzieć się na dany temat więcej to zachęcam do skorzystania z naszej wyszukiwarki.

#1 First things first

Sprawdź czy w swojej strukturze konta Google Analytics posiadasz przynajmniej trzy podstawowe widoki:

• Główny, czyli podstawowy widok, który służy Ci do przeprowadzania analiz.

• Bez filtrów, czyli widok, w którym gromadzisz niefiltrowane dane. To taka polisa ubezpieczeniowa na wypadek, gdyby stało się coś co w pozostałych widokach wpłynęłoby znacząco na jakość raportowanych danych.

• Testowy, czyli poligon, na którym można bez obaw bawić się filtrami, o których inni nie śnili nawet w najbardziej odważnych snach. Zanim wprowadzisz jakiś filtr do widoku „głównego”, przetestuj go najpierw na widoku „testowym”, bo danych utraconych w wyniku działania filtra nie da się już odzyskać.

Taka konfiguracja „minimum” zapewni Ci przejrzystość, oraz kontrolę nad tym co dzieje się w Twoim Analytics’ie. Jeżeli nie masz uzasadnionej potrzeby posiadania większej liczby widoków – zrezygnuj z nich.

#2 Podstawowe błędy

Google Analytics nie jest oprogramowaniem, które dostarczane jest w eleganckim pudełku wraz załączoną instrukcją instalacji i obsługi. Podyktowane jest to faktem, że praktycznie każda nowa instalacja jest unikalna i wyjątkowa. Tyle ile witryn w internecie, tyle różnych potrzeb na ich śledzenie. Proces instalacyjny musi być złożony, aby dać użytkownikowi pełną swobodę w sposobie konfiguracji swojego narzędzia.

Ze względu na to, że występuje tu czynnik ludzki istnieje też ryzyko popełnienia szeregu błędów już na etapie jego instalacji i konfiguracji. Można wyróżnić kilka typowych błędów, które łatwo popełnić, a które mogą negatywnie wpłynąć na jakość naszych danych. Do najczęstszych należą m. in.:

• Stosowanie parametrów UTM do tagowania wewnętrznych kampanii marketingowych w ramach serwisu. Jak już pisaliśmy na naszym blogu wielokrotnie: Wewnętrznych kampanii nie tagujemy parametrami UTM. Zmieniają one źródło i medium dla danego użytkownika, przez co tracimy cenną informację w jaki sposób go pozyskaliśmy.

• Zdarzenia na przeładowanie strony. Często próbujemy wysłać zdarzenie po kliknięciu w element, który jest hiperłączem do innej strony. Efekt może być taki, że owo zdarzenie nie zdąży się wysłać, przez co stracimy cenną informację. Warto stosować tzw. hitCallback – o czym też już pisaliśmy.

• Zdarzenia non-interaction, a właściwie brak wykorzystania opcji „non-interaction”. Kolejna pułapka na osoby korzystające ze zdarzeń. Czasem od razu po wejściu na daną stronę pojawia się pop-up, którego wyświetlenie jest rejestrowane w Google Analytics za pomocą zdarzenia. W takim scenariuszu współczynnik odrzuceń poleci na łeb, na szyję i będzie to efekt sztuczny, bo użytkownik nie wykonał przecież żadnej akcji, a Google Analytics „pomyśli”, że tak się właśnie stało.

#3 Bezpieczniki

W jednym z moich poprzednich wpisów poruszyłem już ten temat. Bezpieczniki – czyli automatyczne funkcjonalności, które mogą zwolnic nas z nieustannego „manualnego” monitorowania naszych danych. Jednym z takich bezpieczników są tzw. alerty. Alert działa jak czujka przeciwpożarowa, uruchamia się gdy wykryje anomalię w spływających do Analytics’a danych. Sami możemy ustalić na zmiany wartości jakich metryk ma reagować nasz alert i jak czuły powinien być. Polecam samodzielne skonfigurowanie grupy alertów, przynajmniej tych reagujących na zmiany w kluczowych dla nas metrykach.

Kolejnym z narzędzi, które wspomaga nas w monitorowaniu poprawności zbieranych danych są dashboardy, czyli modyfikowalne karty na których możemy umieszczać rozmaite informacje. W jednym widoku możemy widzieć demografię naszych użytkowników, liczbę odsłon z podziałem na grupy stron itd. Zarówno dashboardy jak i alerty mogą być wysyłane na naszą skrzynkę e-mailową, co dodatkowo ułatwia ich doglądanie.

#4 Śledzenie wszystkiego

Im więcej elementów na naszej stronie będziemy śledzili, tym uzyskamy pełniejszy obraz zachowania się użytkowników w jej obrębie. Dlatego warto zapoznać się z wirtualnymi odsłonami i zdarzeniami.

Współczesne strony internetowe mało mają już wspólnego z rozbudowanymi folderami zawierającymi dziesiątki, lub setki plików z rozszerzeniem *.html. Zamiast tego mamy strony, których zawartość zmienia się dynamicznie, osadzane są na nich całe aplikacje, a wzrok przykuwają efektowne elementy wizualne.

Aby zapewnić sobie pełne śledzenie naszej witryny i wycisnąć maksimum informacji o zachowaniu użytkowników w jej obrębie warto zainteresować się wykorzystaniem wirtualnych odsłon i zdarzeń. Zastosowań tych elementów jest naprawdę dużo, od raportowania wyświetleń toplayerów po czas w którym użytkownik zatrzymał odtwarzanie osadzonego filmu z Youtube.

#5 Rozszerzony e-commerce

Już od dłuższego czasu Google Analytics umożliwia wykorzystanie modułu rozszerzonego e-commerce. Do tej pory, stosunkowo niewiele firm zdecydowało się wykorzystać pełen potencjał tej funkcjonalności – a szkoda, bo możliwości jakie stwarza są ogromne. Dzięki skonfigurowaniu tzw. „enhanced e-commerce” możemy mierzyć liczbę wyświetleń poszczególnych produktów np. na stronach kategorii, wraz z nazwą listy na której produkt był prezentowany, oraz z numerem pozycji na której się znalazł. Dodatkowo w raportach pojawiają się informacje o kliknięciach w poszczególne produkty i wiele, wiele innych. Więc jeżeli chcesz mieć maksymalnie pełne dane o sposobie w jaki użytkownicy dokonują zakupów na Twojej stronie, to wdrożenie rozszerzonego e-commerce powinno stać się Twoim priorytetem.

To tylko kilka z dłuższej listy elementów, na które warto zwrócić uwagę jeżeli chcecie mieć dobrą instalację Google Analytics. Jeżeli macie jakieś przemyślenia, o które moglibyśmy rozbudować nasza listę to nie mogę się doczekać aby przeczytać o nich w komentarzach.

Jeśli potrzebujesz audytu konfiguracji narzędzi analitycznych (Google Analytics, AT Internet, Adobe Analytics czy Webtrends) lub chcesz rozwijać analitykę internetową wewnątrz organizacji skontaktuj się z Conversion by poznać nasze podejście. Więcej o analityce internetowej dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post 5 rzeczy, które musisz sprawdzić aby zbierać dobre dane w Twoim Google Analytics first appeared on Conversion.

Mówi się, że w życiu nie ma nic za darmo – aby osiągać swoje cele, należy najpierw poświęcić pewne zasoby (czasowe lub finansowe). Inwestując wspomniane środki w różne działania, zwykle chcemy wiedzieć, czy przynoszą one pożądany efekt, aby w przyszłości móc lokować je jeszcze lepiej.

Jeżeli chodzi o prowadzenie działalności marketingowej w internecie zwykle nie ograniczamy się do jednego medium. Problem w tym, że różne narzędzia i systemy różnie raportują dane o skuteczności działań i nie lada wyczynem jest porównanie ich w łatwy sposób.

Spójrzmy w raporty Google Analytics pewnego sklepu internetowego, który pozyskuje ruch z różnych, płatnych źródeł (zrzut ekranu poniżej).

Patrząc w raporty, w których dane o kosztach nie zostały zaimportowane do interfejsu Google Analytics, można wysnuć błędne wnioski dotyczące np. opłacalności inwestycji w pewne źródła ruchu. Na podstawie powyższego raportu moglibyśmy podjąć decyzję o zwiększeniu inwestycji w źródło znajdujące się najwyżej w tabeli. Przedstawiony raport nie uwzględnia bowiem kosztów pozyskania ruchu ze źródeł. Jeżeli koszty dla „ceneo.pl” okażą się wysokie to ROI z innych źródeł może okazać się korzystniejsze.

Wyraźnie widać, że źródło „ceneo.pl” jest lepsze od „nokaut.pl” pod względem współczynnika konwersji. Nie jesteśmy jednak w stanie powiedzieć, czy to do końca prawda, do momentu, w którym nie poznamy informacji o kosztach pozyskania tego ruchu.

Google Analytics od jakiegoś czasu pozwala na import danych o kosztach, pochodzących z zewnętrznych (nie-Google’owych) źródeł, do swojego interfejsu. W tym wpisie postaram się pokazać w jaki sposób można tego dokonać i zacząć czerpać korzyści z analizy ROI z różnych kanałów bezpośrednio w Google Analytics.

A więc, jak zabrać się do importowania danych o kosztach?

Po pierwsze: otaguj swoje linki

Jeżeli jeszcze nie otagowałeś URL’i podpiętych do Twoich reklam, zrób to teraz! Zagwarantuje to, że do Google Analytics zostaną przekazane parametry śledzenia kampanii powiązane z konkretną sesją i że będzie możliwość połączenia ich z danymi o kosztach z zewnętrznego źródła.

Po drugie: Skonfiguruj zbiór danych

W Google Analytics w zakładce „Administracja“, wybierz konto i usługę do której chcesz importować dane. W sekcji „Usługa“ odnajdziesz przycisk „Import Danych“. Po kliknięciu go, zobaczysz duży, czerwony prostokąt z napisem „+Nowy zbiór danych“ – kliknij go. Następnie zostaniesz poproszony o wybranie typu zbioru danych – wybierz „Dane o kosztach“ (Thank you captain obvious!).

Pierwszym wyzwaniem przy imporcie kosztów do Google Analytics jest odszukanie sekcji „Import danych“. Powyższy zrzut ekranu, może okazać się pomocny. W zakładce „Administracja” (1) wybierz konto (2) i usługę (3), a następnie kliknij w przycisk „Import danych” (4). W nowo otwartym oknie kliknij czerwony przycisk: „+Nowy zbiór danych” , a następnie wybierz jego typ („Dane o kosztach”).

Wprowadź nazwę dla nowego zbioru. Polecam wybrać nazwę serwisu z którego będą pochodziły dane np. „facebook“. Następnie wskaż widoki w których dane będą dostępne.

Teraz czas na skonfigurowanie schematu zbioru danych. Chyba każde źródło danych o kosztach kampanii pozwala na pobieranie surowych danych do postaci pliku. Import informacji do Google Analytics, również opiera się na pliku zawierającym te dane, które docelowo mają zostać załadowane do interfejsu. Aby poprawnie skonfigurować swój schemat, popatrz w plik z danymi o kosztach pobrany z zewnętrznego źródła. Zastanów się, które z wartości znajdujących się w nim, odpowiadają wymiarom i metrykom Google Analytics.

Na pewno musisz odnaleźć odpowiedniki Analytics’owych wymiarów „Źródło“ i „Medium“ – ich obecność jest obowiązkowa podczas importu kosztów i stanowią tzw. klucze. Dodatkowo, musisz odszukać przynajmniej jeden z parametrów, który odpowiada metrykom: „Kliknięcia“, „Koszt“, lub „Wyświetlenia“ z Google Analytics. Jednak im więcej metryk odnajdziesz w swoim pliku i uda Ci się je zmapować na metryki Analytics’a tym będziesz miał więcej możliwości analizowania swoich danych. Na koniec, jeżeli twoje źródło je zapewnia, możesz wskazać dodatkowe metryki, lub wymiary, które chciałbyś zaimportować. Gdy już będziesz wiedział, które wielkości chcesz załadować do Google Analytics, wybierz odpowiednie pozycje z rozwijalnych list.

Teraz, gdy schemat został zdefiniowany, możesz pobrać szablon, który ułatwi Ci stworzenie pliku, który, po uzupełnieniu o dane, będzie można zaimportować do Google Analytics. Aby to zrobić, kliknij na przycisk „Pobierz schemat“.

Zrzut ekranu z przykładową konfiguracją zbioru danych. Po kliknięciu przycisku „pobierz schemat“, wygenerowany zostanie plik *.csv, który należy uzupełnić danymi. W nagłówkach kolumn znajdą się nazwy widoczne po prawej stronie: ga:medium, ga:source itd., oraz nagłówek ga:date (jeżeli go nie ma, to dodaj pierwszą kolumnę i wprowadź go ręcznie).

Po trzecie: Przygotuj swoje dane

Aby proces przebiegł pomyślnie plik, który będziemy importowali do Google Analytics musi mieć określoną postać, aby mógł zostać poprawnie przetworzony. Pierwszy wiersz w pliku zarezerwowany jest na nagłówki kolumn, które zawierają nazwy metryk i wymiarów w formie rozpoznawalnej przez Google Analytics. Otwórz dowolne narzędzie do edycji arkuszy kalkulacyjnych (MS Excel jest w sam raz). Jeżeli pobrałeś schemat pliku w poprzednim kroku to po otwarciu go w pierwszym wierszu będą znajdowały się już odpowiednie wartości. Następnie dodaj dane z zewnętrznego źródła w odpowiednich kolumnach i zapisz plik w formacie *.csv.

Pamiętaj, że jeżeli którychś danych będzie brakowało, to Google Analytics zastąpi je wartością 0. Gotowy plik powinien wyglądać podobnie do przedstawionego niżej:

Aby załadować plik do interfejsu Google Analytics, musi mieć on określoną postać i zawierać dane pobrane z zewnętrznego źródła. Dla przedstawionego przykładu dostępne były tylko dane o dziennych kosztach. Zwróć uwagę, że plik zawiera w pierwszym wierszu nagłówki w formacie rozpoznawalnym przez Analytics’a, data jest zapisana w formacie RRRRMMDD (np. 20141231), a liczby zawierają kropkę zamiast przecinka.

Formalne wymagania dotyczące formatu pliku *.csv, można znaleźć pod adresem: https://developers.google.com/analytics/devguides/platform/cost-data-import#csv_format

Jeżeli Twój plik spełnia wszystkie warunki to jesteś gotowy do załadowania swoich danych do Google Analytics. W zakładce „Administracja“, w sekcji „Import danych“, w tabeli obok pozycji, którą wcześniej stworzyłeś, kliknij w „Zarządzaj przesyłaniem“ i załaduj przygotowany wcześniej plik.

Tak wygląda ekran w którym, po skonfigurowaniu zbioru danych, mamy możliwość przesyłania przygotowanych plików z danymi o kosztach. Po kliknięciu w „Zarządzaj przesyłaniem“, należy wskazać lokalizację pliku *.csv.

Gotowe! Jeżeli wszystko poszło dobrze, to dane, które zaimportowałeś pojawią się za chwilę w Twoich raportach (Pozyskiwanie > Kampanie > Analiza kosztów). Wracając do przywołanego na wstępie przykładu. W kolumnie „Koszt” pojawiły nam się konkretne wartości, co pozwala na obliczenie innych metryk. W tym przypadku zwrotu z nakładów na reklamę. Gdybyśmy zaimportowali więcej informacji (np. o liczbie kliknięć), z widocznej na poniższym zrzucie ekranu tabeli zniknęło by wiele zer.

Po zaimportowaniu danych do Google Analytics, pojawiają się one w raportach. Dodatkowo kalkulowane są metryki oparte na tych wartościach. Im więcej różnych metryk załadujemy do interfejsu, tym więcej możliwości analizy uzyskamy. Na powyższym przykładzie widać, że wspomniany na początku wpisu sklep internetowy, powinien rozważyć możliwość zwiększenia nakładów na reklamę w serwisie ceneo.pl, ponieważ współczynnik ROI jest dla niego dużo wyższy niż dla konkurencyjnego nokaut.pl.

Co dalej?

Okej, to był pierwszy, manualny sposób importowania kosztów do Google Analytics. Co gdy przedstawiona wyżej metoda nie jest dla nas dostatecznie wygodna? W takim przypadku istnieją jeszcze co najmniej dwa rozwiązania.

Pierwszym sposobem jest skorzystanie z interfejsów współpracujących z API Google’a, oferowanych przez różne serwisy np. Shufflepoint. Usługa „Shufflepoint In2GA“ pozwala automatycznie pobierać dane z wielu źródeł i automatycznie, konwertując je do wymaganej przez Google formy, ładować do interfejsu Analytics’a. W tym przypadku jesteśmy zwolnieni z ręcznego formatowania pliku, który będzie importowany. Wszystkie operacje od pobierania danych z zewnętrznych źródeł, przez formowanie pliku, po załadowanie go do narzędzia Google są wykonywane po stronie serwerów Shufflepoint.

Źródło: shufflepoint.com

Drugi sposób to samodzielne wykorzystanie API Google Analytics i stworzenie własnej aplikacji, lub oprogramowania, które cyklicznie może pobierać dane, konwertować je do odpowiedniej formy i importować do Google Analytics. Wymaga to jednak zlecenia tego zadania do działu IT Twojej organizacji, zewnętrznej firmie, lub wykorzystania własnych umiejętności programistycznych. Ale o tym opowiemy Wam, w szczegółach, innym razem.

Rozpoczęcie regularnego importowania kosztów do Google Analytics otwiera nam drogę do podejmowania lepszych decyzji odnośnie inwestowania środków w różne kanały marketingowe. Mam nadzieję, że pokazałem, że droga do wyższych współczynników ROI jest krótsza, niż wielu do tej pory uważało.

The post Import kosztów do Google Analytics first appeared on Conversion.

Kokpity menedżerskie, określane również jako dashboardy, są świetnym sposobem na bieżące monitorowanie najważniejszych wskaźników naszej strony. Zamiast przekopywać się przez niezliczone raporty, które oferuje nam Google Analytics, możemy bezpośrednio przejść do indywidualnego kokpitu i zapoznać się z najważniejszymi dla nas informacjami dotyczącymi strony oraz obserwować, jaki wpływ na wskaźniki w długim okresie czasu mają podejmowane przez nas działania.

Wskaźniki prezentowane na dashboardach określamy jako KPI – Key Performance Indicators, tłumaczone jako Kluczowe Wskaźniki Wydajności albo Sukcesu. KPI mierzą naszą efektywność w realizacji celów operacyjnych oraz strategicznych – wskazują, czy działania, które podejmujemy zbliżają nas do założonych celów i stanowią obiektywną ocenę podejmowanych przez nas działań. A z kolei w ich monitorowaniu i przystępnej wizualizacji wspomoże Cię Google Data Studio.

Odpowiedni wybór wskaźników w naszych dashboardach jest bardzo istotny, gdyż pozwala na:

• ukierunkowanie naszej energii oraz zasobów na działania, które są dla nas najistotniejsze, i nie marnotrawienie ich na działania, które nie pomagają w realizacji założonej strategii,
• szybsze podejmowanie decyzji dotyczących rozwoju strony dzięki szybkiemu i łatwemu dostępowi do najważniejszych dla nas informacji,
• lepszą priorytetyzację zadań,
• usprawnienie komunikacji w firmie dzięki temu,
• lepsze wykorzystanie dostępnych zasobów, dzięki informacji zwrotnej jak podejmowane działania wpływają na realizację naszych celów.

Stworzenie KPI oraz dashboardów menedżerskich jest ostatnim etapem w całym procesie tworzenia Kluczowych Wskaźników Wydajności. Zanim przystąpimy do określenia naszych celów oraz związanych z nimi wskaźników, bardzo ważne jest, abyśmy zrozumieli, jakie są najważniejsze dla nas obszary biznesowe oraz elementy naszej strony.

Cały proces tworzenia KPI składa się z 6 etapów, które przedstawia poniższy wykres.

Proces tworzenia wskaźników KPI składa się z 6 etapów – budowa KPI według powyższego schematu zagwarantuje, że stworzone wskaźniki będą odpowiadały naszym celom strategicznym i operacyjnym.

Przeprowadzenie całego procesu według powyższego planu zagwarantuje, że stworzone wskaźniki będą odpowiadały naszym celom strategicznym i operacyjnym.

Dzisiaj chciałabym opowiedzieć Wam o pierwszym etapie w procesie tworzenia Kluczowych Wskaźników Wydajności – o warsztatach KPI, które obejmują swoim zakresem trzy pierwsze etapy na powyższym wykresie.

Głównym celem warsztatów KPI jest zmapowanie i ustrukturyzowanie najważniejszych obszarów biznesowych naszej strony internetowej i prowadzonego biznesu. Przykładowo: najważniejszym celem strony internetowej, która oferuje buty, jest sprzedaż produktów. Możemy jednak wyróżnić wiele strategii, które pozwolą nam zwiększyć sprzedaż: (1) możemy zwiększać środki wydawane na działania marketingowe w Internecie i poprzez te działania zwiększać ogólny ruch na stronie albo (2) możemy przeznaczyć więcej zasobów na wykorzystanie naszych dotychczasowych klientów poprzez oferowanie ich atrakcyjnych cenowo produktów. W przypadku zarówno (1) jak i (2) strategii będziemy zwracać uwagę na kompletnie inne informacje, które do nas spływają ze strony. Właśnie zmapowaniu takich obszarów biznesowych służą warsztaty KPI. Ponadto każda z osób, która pracuje przy stronie może mieć swoje własne cele wyznaczone przez prowadzony zakres działań.

Informacje zebrane w trakcie takich warsztatów stanowią następnie podstawę dla analityków do ustrukturyzowania celów strategicznych i operacyjnych strony, a następnie przypisania im wskaźników, które określałyby poziom ich wykonania. Warsztaty zatem mają być źródłem informacji na temat najważniejszych obszarów biznesowych oraz celów strony. W przypadku wszystkich analiz – im dokładniejsze dane uda nam się zebrać, tym lepszy będzie końcowy wynik naszych badań. Dokładnie ta sama zasada przyświeca warsztatom KPI – im lepiej zrozumiemy model biznesowy danej strony, tym lepsze wskaźniki jesteśmy w stanie zaproponować do oceny realizacji strategii biznesowej.

Metodykę przeprowadzania takich warsztatów zaproponował Steve Jackson.

Miałam okazję parę razy przeprowadzać warsztaty oparte na tej metodyce i rezultaty za każdym razem były bardzo dobre – dokładne poznanie wymagań i potrzeb osób bezpośrednio pracujących przy stronie pozwalało stworzyć wskaźniki, które najlepiej odpowiadały ich potrzebom i specyfice ich pracy.

Warsztaty składają się z trzech części i każda część odpowiada kolejnemu etapowi w procesie tworzenia KPI:

1. pierwszy etap: określenie udziałowców
2. drugi etap: stworzenie modelu REAN
3. trzeci etap: pytania biznesowe

Pierwszy etap: określenie udziałowców

Na samym początku przydzielamy osoby obecne na warsztatach do jednej z trzech grup:

Właściciele budżetu – są to osoby, które decydują, jak ulokować dostępny budżet. Przykładowo właścicielem budżetu jest najczęściej szef działu marketingu, który na podstawie dostępnych informacji podejmuje decyzje, w które projekty zainwestować dostępne środki, a z których projektów zrezygnować.

Właściciele biznesu – są to osoby odpowiedzialne za poprawę działania określonego obszaru biznesu w Internecie. Przykładowo właścicielem biznesu jest osoba, która zajmuje się sprowadzaniem ruchu na stronę czy osoba odpowiedzialna za content.

Osoby techniczne – osoby, które odpowiadają za utrzymanie serwisu. Są to najczęściej specjaliści IT, których głównym zadaniem jest zapewnienie, że serwis działa poprawnie dla wszystkich użytkowników.

Każda z osób obecnych na warsztacie, po przydzieleniu do odpowiedniej grupy udziałowców, powinna następnie opisać, czym zajmuje się na co dzień i jakie decyzje podejmuje. Wszystkie te informacje zapisujemy na tablicy, żeby osoby obecne na warsztatach mogły się im przyjrzeć i w razie potrzeby uszczegółowić bądź dodać kolejne informacje.

Pierwszy etap warsztatów pomaga nam w zrozumieniu roli każdej osoby obecnej na warsztatach w procesie kreowania strategii biznesu w Internecie. Dzięki tym informacjom wiemy, jak przypisać stworzone w późniejszym etapie KPI do konkretnych osób. Efektywnym rozwiązaniem jest, aby każda z osób posiadała swój własny kokpit menedżerski – dzięki temu będzie mogła skupić się jedynie na KPI, które odnoszą się do jej celów.

Drugi etap: stworzenie modelu REAN

Kolejnym etapem warsztatów jest stworzenie modelu REAN dla omawianego biznesu internetowego. Jest to model, który pozwala na usystematyzowanie wszystkich działań marketingowych prowadzonych zarówno w Internecie, jak i poza nim.

REAN obejmuje następujące działania:

REACH – pozyskiwanie: są to wszystkie działania skierowane (1) na zachęcenie użytkowników do odwiedzenia naszej strony oraz (2) na zbudowanie wizerunku marki wśród grupy docelowej. Przykładowo tutaj wpadają wszystkie działania marketingowe w Internecie – reklamy tekstowe czy banery, które przekierowują użytkowników na naszą stronę. W tej grupie znajdą się również działania SEO oraz w Facebook jako źródła, z których przychodzą do nas użytkownicy.

ENGAGE – zaangażowanie: obejmuje swoim zakresem wszystkie interakcje użytkownika z naszą stroną i produktem, które mają mu pomóc w podjęciu decyzji o tym, czy jest zainteresowany tym, co mu oferujemy. Przykładowo dla stron produktowych może to być obejrzenie filmików prezentujących cechy sprzedawanego produktu, dla bloga będzie to przeczytanie najnowszych wpisów, które mają zachęcić użytkownika do subskrypcji.

ACTIVATE – aktywacja: oznacza, że użytkownik skonwertował, czyli dokonał działania, które jest głównym celem istnienia danej strony internetowej. Przykładowo może to być: zakup produktu, pozostawienie swoich danych kontaktowych czy zapisanie się na newsletter.

NURTURE – pielęgnowanie: są to wszystkie działania, które podejmujemy, aby utrzymać i ponownie aktywować naszych klientów. Przykładem takich działań mogą być karty stałego klienta czy specjalne rabaty na kolejne zakupy.

REAN obejmuje wszystkie fazy, w których znajduje się użytkownik w swojej drodze do spełnienia celów istnienia danej strony internetowej. Kompleksowe podejście modelu pozwala na zmapowanie, a następnie przeanalizowanie, wszystkich prowadzonych działań.

W trakcie warsztatów dzielimy tablicę na cztery części i na każdej z nich wpisujemy jeden z czterech elementów modelu:

W trakcie omawiania etapu REACH rozdajemy każdemu uczestnikowi warsztatu karteczki (najlepiej, aby każdy uczestnik miał inny kolor) i prosimy o wypisanie najważniejszych według nich źródeł pozyskiwania użytkowników. Gdy uczestnicy skończą wypisywanie źródeł ruchu – zbieramy karteczki, grupujemy według odpowiedzi i przyklejamy w odpowiednie miejsce na tablicy. Następnie rozmawiamy o wyborach naszych uczestników – nierzadko zdarza się, że uczestnicy mają bardzo odmienne zdania na temat, które ze źródeł ruchu są najbardziej popularne i najważniejsze dla ich biznesu.

W momencie, gdy temat się wyczerpie, przechodzimy do ENGAGE. W tym przypadku prowadzimy rozmowę z uczestnikami, w jaki sposób próbują zaangażować użytkowników, którzy już znaleźli się na ich stronie i przekonać ich do spełnienia głównego celu strony. Wszystkie odpowiedzi zapisujemy na tablicy.

W przypadku ACTIVATE postępujemy podobnie jak dla REACH – każdy uczestnik otrzymuje karteczki, na których ma wypisać cele strony. Główny cel, dla którego została stworzona strona, jest zawsze jasny dla wszystkich osób zaangażowanych w biznes. Inaczej wygląda sytuacja w przypadku celi pośrednich – takich, których spełnienie przez użytkownika przybliża go do spełnienia głównego celu strony. Przykładem celu pośredniego może być zapisanie się na newsletter z najnowszymi ofertami na stronie sprzedającej buty.

W przypadku omawiania NURTURE ponownie prowadzimy dyskusję z uczestnikami, jakimi sposobami starają się aktywować swoich dotychczasowych klientów. Nierzadko zdarza się, że ten etap interakcji z użytkownikiem jest najbardziej zaniedbany, a czasem nawet całkiem pominięty przy planowaniu działań marketingowych.

Zebranie wszystkich prowadzonych działań na jednej tablicy pozwala osobom pracującym przy danym biznesie na kompleksowe spojrzenie na prowadzone działania i zastanowienie się, czy wszystkie etapy modelu są adresowane w odpowiedni sposób.

Po zbudowaniu takiego modelu mamy pełną informację o tym, jakie działania są prowadzone przez zespół, jak również które z nich są postrzegane jako najistotniejsze.

Trzeci etap: pytania biznesowe

Trzeci etap warsztatów stanowią pytania biznesowe. Prosimy użytkowników, aby wymienili pytania dotyczące strony, na które chcieliby uzyskać odpowiedź. Chodzi o takie informacje, które pomogą im w podejmowanie decyzji i prowadzeniu swoich działań. Możemy również poprosić uczestników wcześniej, aby przed warsztatami przygotowali sobie taką listę pytań.

Głównym celem tego etapu jest zrozumienie, które informacje pochodzące ze strony są szczególnie istotne dla uczestników.

Warto jest poprosić uczestników, aby podawali wszystkie pytania, również te, na które myślą, że nie ma szansy uzyskać odpowiedzi. To już jest zadanie dla analityka w późniejszym etapie, aby sprawdzić, na które z zadanych pytań możemy uzyskać odpowiedzi. Przykładowo uczestnicy mogą chcieć wiedzieć, jaka pogoda była danego dnia, np. jeżeli sprzedają lody albo stroje kąpielowe na swojej stronie. Dzięki Google Tag Manager i odpowiedniej konfiguracji przekazanie tych danych do GA jest już możliwe, czego uczestnicy badań mogą nie wiedzieć.

Wszystkie pytania zapisujemy na tablicy.

Efekt – mnóstwo informacji o modelu biznesowym

Po tak przeprowadzonych warsztatach posiadamy wszystkie informacje, które są nam potrzebne do wypracowania KPI:

• • Znamy zakres obowiązków wszystkich osób pracujących w zespole,
  • Wiemy, jakie działania są obecnie prowadzone i które z nich są najistotniejsze,
  • Wiemy, jakich informacji potrzebują uczestnicy, aby podejmować decyzje dotyczące ich działań.

Kolejny etap należy do analityków, którzy na podstawie dostarczonych informacji przeprowadzą kategoryzację pytań biznesowych i wypracują wskaźniki, które następnie przydzielą do odpowiednich osób.

Dzięki kompleksowemu podejściu zapewnimy, że stworzone KPI będą odpowiadały specyfice biznesu i będą stanowiły podstawę do podejmowania decyzji biznesowych.

Jeśli potrzebujesz audytu konfiguracji narzędzi analitycznych (Google Analytics, AT Internet, Adobe Analytics czy Webtrends) lub chcesz rozwijać analitykę internetową wewnątrz organizacji skontaktuj się z Conversion by poznać nasze podejście. Więcej o analityce internetowej dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post KPI – od czego zacząć? first appeared on Conversion.

I tak przeprowadzamy audyty narzędzi śledzących, implementujemy Google Tag Managera, wdrażamy zaawansowane funkcjonalności Google Analytics. Gdy wszystko jest gotowe, dane się zbierają, słupki rosną bądź maleją a eventy wywołują się jak szalone moglibyśmy spokojnie powiedzieć: projekt skończony.

Po wdrożeniu potrzebnych narzędzi okazuje się, że nie są one rozwiązaniem problemu – są jedynie wstępem do serii kolejnych projektów, których celem jest wdrożenie analityki internetowej w całej organizacji, tak aby zaczęła ona przynosić wymierne korzyści.

Załóżmy, że firma X posiada zestaw doskonale skonfigurowanych narzędzi. Prezes może dostać na biurko każdy raport, od statystyk klikania w poszczególne elementy strony po raport ścieżek wielokanałowych. Wie, że dane które otrzymał są pełne, prawdziwe i dają całkowity obraz tego jak funkcjonuje jego serwis. I chociaż to ważna wiedza, do momentu kiedy nie przełoży się na wzrost wyników finansowych firmy, nie ma dla niego absolutnie żadnego znaczenia.

Można zaryzykować stwierdzenie, że takich Prezesów jest w Polsce bardzo dużo. Z naszego doświadczenia wiemy, że wciąż wiele polskich firm ma tendencje do skupiania się na narzędziach: fiksowania się na rozbudowywaniu śledzenia i mierzeniu wszystkiego, co tylko da się zmierzyć.

Dobre narzędzia to dobry początek.

Ale to za mało. To mniej niż 1/3 pracy, którą trzeba włożyć, by zacząć czerpać prawdziwe korzyści z analityki internetowej.

Po pierwsze: narzędzia i dane

Oczywiście, wdrożenie i poprawna konfiguracja narzędzi to podstawa późniejszych analiz. Bez tego ani rusz. Jednak to nie działa tak, że im więcej narzędzi tym lepiej, im bardziej zaawansowane jeszcze lepiej, a jeszcze jak za nie słono zapłacimy – to już w ogóle sukces.

Kluczem są dane, bo to przecież o nie, a nie o narzędzia chodzi.

Aby zadbać o pierwszy filar analityki internetowej należy wziąć pod uwagę 3 ważne rzeczy: dobór narzędzia, integrację oraz prezentację danych.

Wybór narzędzi analitycznych

Nie ma co ukrywać, w Polsce wśród narzędzi śledzących berło dzierży Google Analytics (nie mówimy, że niezasłużenie). Dlatego też nie o doborze samego narzędzia będzie mowa, ale o tym jak dostosować je aby służyło celom biznesowym firmy, a nie przeglądaniu ilu użytkowników odwiedza naszą stronę w czasie rzeczywistym.

Wyznaczanie celów biznesowych i ustalanie Kluczowych Wskaźników Wydajności to podstawa rozpoczęcia pracy nad stworzeniem organizacji opartej na danych. Dlatego najpierw określmy cele, później dobierzmy do nich metryki, a później znajdźmy narzędzie, które potrzebne dane zbierze i zaprezentuje. Nigdy w innej kolejności.

Google Analytics daje potężne możliwości śledzenia. Jednak przeznaczanie czasu na konfiguracje funkcjonalności, które w żaden sposób nie przybliżają nas do realizacji celów biznesowych, jest po prostu marnowaniem potencjału, który można byłoby skierować na bardziej sensowne działania.

Podobnie jest z narzędziami klasy premium (AT Internet, Adobe SiteCatalyst czy Google Analytics Premium) oraz innymi, które służą do tworzenia map cieplnych, automatyzacji marketingu czy zarządzania tagami.

Jeżeli tworzymy heatmapę bo ładnie wygląda i słyszeliśmy, że można sobie podejrzeć czy użytkownicy oglądają nasze zdjęcia na stronie (jak widać na powyższym obrazku, nie oglądają za chętnie ) – marnujemy czas. Ma to sens tylko, gdy na tej podstawie podejmiemy jakieś działania – na przykład przesuniemy sekcję w inne miejsce na stronie.

Pytanie, które powinniśmy sobie zadać zanim zaczniemy instalacje i rozbudowywanie narzędzi, brzmi:

Czy narzędzie / funkcjonalność odpowiada wyznaczonym przeze mnie celom biznesowym? Czy metryki zawarte w tym narzędziu stanowią moje KPI? Czy narzędzie / funkcjonalność pozwoli rozwiązać mi konkretny problem?

Dobra odpowiedź: Wdrażamy Google Tag Manager ponieważ znacząco usprawni to pracę Działu Marketingu (uniezależni go od IT) i dzięki temu tenże Dział będzie mógł skupić się na optymalizacji naszej witryny poprzez wdrażanie nowych narzędzi, co przełoży się na wzrost współczynnika konwersji, co przełoży się na zysk.

Integracja danych

Analityka internetowa to nie tylko narzędzia śledzące. Analizowanie tego jak użytkownicy zachowują się na stronie czy jak działają kampanie marketingowe na pewno może prowadzić do dobrych wniosków (np. testów A/B poszczególnych elementów witryny), ale to wciąż mało.

Gdy mamy sklep internetowy zbieramy nie tylko dane o użytkownikach, ale także np. dane sprzedażowe z CRM. W momencie gdy połączymy te dwa zbiory danych – możemy w pełni wykorzystać potencjał analityki internetowej.

Możemy integrować Google Analytics z danymi kosztowymi z AdWords. To pozwala na analizę kampanii CPC i jeszcze lepsze lokowanie środków na kampanie marketingowe.

Kolejny potencjał to łączenie danych z on-line z off-line. Możemy obserwować i analizować jak działają nasze reklamy telewizyjne czy radiowe. Możemy sprawdzić jak pogoda wpływa na sprzedaż – i dostosowywać ofertę produktów i reklamy pod tym kątem dla naszych użytkowników.

Analityka to nie tylko śledzenie użytkowników na stronie, ale także umiejętność łączenia danych z różnych systemów – co przeniesie Wasze analizy na wyższy poziom.

Prezentacja danych

Kolumny i słupki surowych danych nie mówią zbyt wiele. Dopiero odpowiednia ich prezentacja pozwala na wyciągnięcie z nich rekomendacji, które później przerodzą się w działania.

Gdy mamy zdefiniowane KPI i dobrane narzędzia, które pozwolą nam je mierzyć (tak jak pisałam we wstępie – nigdy w innej kolejności). Jednak same metryki nie mają znaczenia, jeżeli nie będą zaprezentowane w odpowiedni sposób.

Dlatego niezbędne jest umiejętne prezentowanie najważniejszych metryk: na przykład za pomocą kokpitów managerskich. Są to narzędzia, które na jednym ekranie prezentują Kluczowe Wskaźniki Wydajności. Dzięki temu, że są automatyczne generowane oszczędzamy czas, który analityk może poświęcić na analizę.

Dzięki dobrej prezentacji danych udziałowcy procesu widzą jak w czasie zmieniają się metryki i na tej podstawie zgłaszają do analityka potrzebę szczegółowej analizy pod kątem danej zmiany. Dzięki temu analityk ma więcej czasu i może lepiej przyjrzeć się badanemu zjawisku, przez co wnioski płynące z takich analiz są z pewnością lepsze.

Kolejna rzecz to umiejętność tworzenia prezentacji, w których przedstawiamy dane i wnioski. Co z tego, że z analizy kohort analitycy dowiedzieli się, że dobrym posunięciem będzie zmiana strategii kampanii marketingowych i przydzielenie budżetu na remarketing produktowy, bo widzą potencjał w konkretnej grupie użytkowników. Jeżeli nie zostanie to przejrzyście i ciekawie zaprezentowane osobom decyzyjnym w organizacji – można sobie schować takie raporty do do szuflady.

O tym jak prezentować dane pisałam tutaj: 3 kroki do stworzenia dobrej prezentacji danych.

Analityka to nie tylko zbieranie i analiza danych, ale także ich prezentacja. Dane nabierają mocy, kiedy jesteśmy w stanie pokazać, dlaczego rekomendacje są warte wdrożenia i jak przełożą się na biznes.

Po drugie: ludzie

Avinash Kaushik pisze o zasadzie 10 / 90.

Jeżeli masz do wydania 10000 złotych na realizację celu biznesowego przeznacz 1000 złotych na narzędzia, a 9000 złotych na ludzi.

Nie można się z nim nie zgodzić.

Analityka internetowa to przede wszystkim kompetentni ludzie. Analitycy, którzy na podstawie danych wyciągają z nich wnioski i rekomendacje.

Nie ma co ukrywać – znalezienie ludzi, którzy są dobrymi analitykami (prawdziwymi data detective) jest nie lada wyzwaniem. W Polsce analityka internetowa to nowa, nieznana dziedzina. Dobrych specjalistów jest wciąż jak na lekarstwo. Dobrym pomysłem jest zatrudnienie osób, które mają analityczny umysł i bakcyla w tym kierunku – i rozwijać ich umiejętności.

Dlaczego kompetentny zespół jest tak ważny?

Nawet jeżeli masz Google Analytics Premium, który kosztuje majątek, a nie masz wiedzy, jak wykorzystać jego możliwości: otrzymasz tonę raportów i statystyk, a Twoja firma nie wygeneruje żadnych zysków.

Nawet jeżeli zainstalujesz Google Tag Managera, a Twój zespół nie będzie umiał wdrażać najprostszych kodów, nie odciążysz IT a Twoja firma nie wygeneruje żadnych zysków.

Nawet jeżeli zintegrujesz Google Analytics z hurtownią danych, a nikt nie będzie umiał z tego wyciągnąć sensownych wniosków, Twoja firma nie wygeneruje żadnych zysków.

Przykłady można mnożyć, i co najgorsze – to wcale nie są hipotetyczne sytuacje.

Dlatego z każdych 100 złotych, które przeznaczasz na analitykę, 90 zainwestuj w rozwijanie kompetencji swojego zespołu i inwestowanie w ludzi. Prosta matematyka: wydajesz rocznie na analitykę 50000 złotych. Ile z tych pieniędzy powinieneś zainwestować w swój zespół?

Po trzecie: procesy

Masz dane, narzędzia i ludzi. To już bardzo dużo.

Jeżeli nie zaprojektujesz i nie wdrożysz odpowiednich procesów, zmarnujesz cały zgromadzony potencjał.

Jakie procesy powinny funkcjonować w organizacji, która opiera się na analityce internetowej?

Na początek warto zadbać o 5 podstawowych procesów, które zapewnią efektywne wykorzystanie zasobów w postaci narzędzi i ludzi.

• Proces raportowania kluczowych metryk dla osób decyzyjnych w organizacji z wykorzystaniem kokpitów managerskich.
• Proces analizy danych ad hoc
• Proces optymalizacji współczynnika konwersji
• Proces optymalizacji kampanii marketingowych
• Proces optymalizacji media mix

W kolejnym artykule skupię się na tym, jak zaprojektować, wdrażać i przeprowadzać każdy z tych procesów.

Analityka internetowa nie kończy się na wdrożeniu narzędzi. Ona się wtedy dopiero zaczyna. Tylko wcielenie w życie 3 filarów analityki internetowej pozwoli w pełni uwolnić jej potencjał.

Praca nad budową kultury analitycznej w organizacji to ciągły i wymagający proces. Jednak nie ma żadnych wątpliwości, że gra jest warta świeczki.

The post Narzędzia to nie wszystko: 3 filary analityki internetowej first appeared on Conversion.

To jest bardzo ważne. Ale nie najważniejsze.

Nasz blog jest o analityce internetowej. A to znacznie więcej niż ustawienie segmentu w Google Analytics.

I właśnie o tym przypomniał nam sam Jim Sterne w czasie swojej prezentacji. Jim Sterne jest prezesem Digital Analytics Association i jednym z prekursorów analityki internetowej.

Kilka tygodniu temu Jim Sterne przyjechał do Polski aby promować ideę analityki internetowej. Mieliśmy okazję gościć go podczas Web Analytics Wednesday (organizowanych przez nas spotkaniach branży analitycznej).

Jim przedstawił nam prezentacje „From Bits and Bytes to Business Insights”. Od bitów i bajtów do biznesowych wniosków. Mówił całościowo o analityce internetowej. Nie o narzędziach ani technikach. O analityce jako wnioskach i działaniach, które przekładają się na biznes – wpływają na niego, zmieniają go i dają nowe możliwości rozwoju.

Podczas 30 minutowej prezentacji otrzymaliśmy solidną dawkę wiedzy, której nie da się upchnąć w krótkim poście na bloga.

Za zgodą Jima spróbuje przekazać Wam chociaż jej fragment. Fragment o tych, którzy tę analityką internetową tworzą. Coś dla prawdziwych Data Detectives (albo tych, którzy chcą się nimi w niedalekiej przyszłości stać).

Data Detective

Gdyby organizowano konkurs na najbardziej niezrozumiały dział w większości organizacji, niewątpliwie jedną z najwyższych pozycji w klasyfikacji zajmowałby Dział IT. Chyba nikomu nie trzeba tłumaczyć, że dla większości zwykłych ludzi mówią oni w całkowicie nieznanym języku, a w ogóle to mówią raczej niechętnie. Nie ma co ukrywać, komunikacja to zwykle nie jest najmocniejszy punkt Działu IT.

Ich praca to zadbanie o dostarczenie kompletnych danych i zebranie ich w odpowiedni technicznie sposób.

Na drugim biegunie znajdują się osoby, które wykorzystują dane, w formie przetworzonej na język rekomendacji i działań. Mają one przynieść efekty w postaci zwiększenia rentowności firmy. Tworzą komunikację zmian, wdrażają, planują nowe posunięcia.

I właśnie w tym świecie, gdzieś pomiędzy IT a konsumentami wniosków (insights consumer) pojawia się Detektyw Danych. Osoba, która jest na tyle techniczna, by porozumieć się z IT, i na tyle zorientowana na biznes i komunikację, by dostarczyć narzędzi do pracy Działom UX czy Marketingu.

Analityk internetowy powinien być jak detektyw. Dostaje zadanie do wykonania, stawia szereg pytań, następnie szuka na nie odpowiedzi. Do dyspozycji ma tony danych i gąszcze raportów przekazanych przez webmasterów. Webmasterzy nie szukają wniosków: oni dostarczają materiał do pracy.

Marketingowiec, który chce zwiększyć konwersję na stronie docelowej, nie pyta: jaki jest współczynnik odrzuceń w segmencie nowych użytkowników? Jaki jest wpływ poszczególnych parametrów? Jakie są wnioski z analizy kohort?

Jedyne, czego potrzebuje to jasna odpowiedź co zrobić, aby rozwiązać problem. Większość tych odpowiedzi są w danych – i zadaniem detektywa jest je odszukać.

Jak zostać prawdziwym Data Detective?

Jak zwykle, nie ma na to sprawdzonej recepty. Jest jednak kilka wskazówek, które pozwolą na uwolnienie potencjału analityki internetowej i znalezienie w danych odpowiedzi na ważne biznesowe pytania.

Doceń anomalie

Pojawianie się anomalii często od razu przypisujemy błędom, które pojawiają się w danych.

I chociaż faktycznie często zdarza się tak, że w przypadku dużych rozbieżności winne są niepoprawne dane, nie możemy pobłażliwie traktować anomalii. Jeżeli zdobędziemy pewność, że są one prawdziwe – może to prowadzić do wyjątkowo wartościowych wniosków.

Zasmakuj w segmentacji

O tym nikomu nie trzeba chyba przypominać. Wielokrotnie przytaczaliśmy już słynne słowa Avinasha: „Do Segmentation or Die!”.

Dlaczego segmentacja jest taka ważna?

Ponieważ analiza to kopanie w danych, drążenie w poszukiwaniu odpowiedzi. Bez segmentacji patrzymy na metryki powierzchownie i możemy przeoczyć wiele istotnych elementów.

Każdy z nas jest inny – jednak można wyodrębnić grupy użytkowników (segmenty), którzy są podobni lub w danych sytuacjach zachowują się podobnie.

Mamy tendencję do segregowania użytkowników pod względem danych demograficznych. I chociaż faktycznie zachowania w odniesieniu do niektórych produktów można segmentować za pomocą danych, tj. jak wiek, płeć czy miejsce zamieszkania, nie powinniśmy zamykać się tylko na takie segmenty. Albo inaczej: powinniśmy patrzeć szerzej niż to ile nasz użytkownik ma lat czy jakiej jest płci.

Dużo ciekawych wniosków wyciągnąć można z obserwacji samego procesu zakupowego. Możemy tworzyć segmenty użytkowników, którzy dokonali zakupu w naszym sklepie tylko raz, lub takich którzy kupują w naszym sklepie regularnie.

Jeżeli na taki segment nałożymy warunek daty (co daje nam pewność, że na dana grupa użytkowników np. trafiła do naszego serwisu się w takich samych warunkach – takie same ceny, taki sam przekaz marketingowy) możemy pokusić się o analizę kohort. A to już wyższy poziom zaawansowania, który może doprowadzić nas do naprawdę wielkich wniosków.

Przykład? Załóżmy, że obserwujemy nieznaczny spadek sprzedaży. Drążąc w danych orientujemy się, że sprzedaż znacząco spada w segmencie użytkowników, którzy do tej pory regularnie robili zakupy w naszym sklepie. Gdy nakładamy warunek daty, okazuje się, że wszyscy Ci użytkownicy trafili do nas dokładnie rok temu w momencie trwania dedykowanej kampanii newsletterowej, która właśnie się skończyła, a my zmieniliśmy strategię wysyłania mailingów. Może więc należy kontynuować dotychczasowe działania w tym segmencie użytkowników aby podnieść sprzedaż?

Nie daj się wyrolować

Na drodze Data Detective stoi wiele pułapek. Nietrudno dać się zwieść: czasami szukając wniosków bardzo chcielibyśmy, żeby z danych wynikało to co sobie założyliśmy.

Niestety czasami nawet najlepsze hipotezy się nie sprawdzają.

Jak nie dać wyprowadzić się w pole?

Po pierwsze, należy pamiętać, że korelacja nie zawsze oznacza przyczynowość. Często niepotrzebnie marnujemy energię na szukanie powiązania między czynnikami, które po prostu nie istnieje.

Przykładów na absurdy w zakresie uznawania korelacji za przyczynowość jest mnóstwo (jak widać powyżej). Można znaleźć takie cuda jak wykres wzrostu udziału w rynku przeglądarki Internet Explorer i liczby morderstw w USA czy też wzrost spożycia sera jako przyczyna rozwodów w Minnesocie.

Brzmi to banalnie i śmiesznie? W przypadku sera może tak, niemniej jednak uznawanie korelacji za przyczynowość to jeden z najczęstszych błędów popełnianych w analityce internetowej.

Kolejna pułapka to podstawowy błąd poznawczy, który wpływa na podejmowanie decyzji i postrzeganie rzeczywistości. Można mnożyć przykłady takich błędów – jak chociażby efekt obserwatora, czyli nieświadome zaburzanie wyników eksperymentu przez naukowca oczekującego jakiegoś wyniku czy efekt skupiania uwagi przejawiający się np. w ignorowaniu potrzeby zebrania miarodajnych danych przy badaniu występowania korelacji i powiązań.

Całkowicie ludzkie jest także doszukiwanie się rzeczy, które nie istnieją, a bardzo chcemy aby się nam pokazały.

W skrajnym przypadku jest to zjawisko pareidolii – dopatrywania się znanych kształtów w przypadkowych szczegółach (często nawet przy pełnej świadomości, że ich nie ma). Znacie przypadek sprzedaży grillowanej kanapki z żółtym serem, w której pewna Amerykanka ujrzała twarz Matki Boskiej, za 28 000$?

Analitycy internetowi czasami mogą zobaczyć w danych więcej niż jest w nich naprawdę i tym samym wysnuć bezpodstawne wnioski. Szczególnie niebezpieczne jest wyciąganie wniosków dotyczących zachowań wszystkich użytkowników przy zastosowaniu zbyt małej próby.

Ważne, aby prawdziwy Data Detective ufał tylko sprawdzonym faktom i poprawnym danym.

Pamiętaj o prawie i polityce

Chodzi oczywiście o politykę przetwarzania danych i politykę prywatności.

W dzisiejszych czasach prywatność i kwestia przetwarzania danych osobowych to bardzo wrażliwy temat. A będzie coraz gorzej – nowe regulacje starają się chronić obywateli przed wykorzystywaniem ich prywatnych danych.

Jak przechowywane i w jaki sposób gromadzone są dane to niezmiernie ważna kwestia, która w przeciągu najbliższych lat będzie kluczowa dla rozwoju analityki internetowej.

To nie są czcze procedury, które obejść można paskiem o wykorzystywaniu ciasteczek. Korzystanie z danych o zalogowanych użytkownikach to już stąpanie po grząskim gruncie – masz dostęp do każdego adresu e-mail i jesteś w stanie zidentyfikować każdą osobę.

Dlatego też należy bezwarunkowo trzymać się zasady zapisanej w regulaminie Google Analytics (jeżeli z tego narzędzia korzystacie) i pracować na danych zagregowanych, które pozbawiają nas możliwości identyfikacji użytkownika.

W przypadku bezpieczeństwa danych powinniśmy wziąć pod uwagę 3 kwestie:

• Bezpieczeństwo danych

To absolutna podstawa. Dane, które są zbierane o użytkownikach, w szczególności te, które zawierają np. adresy e-mail powinny być odpowiednio zabezpieczone. Dotyczy to zarówno technologii, które powinna chronić wrażliwe informacje przed wykradnięciem czy dostaniem się w niepożądane ręce, jak i ludzi, którzy posiadają dostępy do danych.

• Własność danych

W przypadku narzędzi płatnych, takich jak AT Internet czy SiteCatalyst podpisywany dokument SLA (Service Legal Agreement) reguluje kwestię własności danych.
W przypadku darmowych narzędzi Google – kwestia jest dyskusyjna.

• Kwestia odpowiedzialności

W swojej prezentacji Jim kładł nacisk na kwestię moralnej odpowiedzialności za dane na każdym etapie ich przetwarzania. I nie chodzi tylko o kwestie prywatności, ale także o odpowiedzialność za podejmowane decyzję.

Już całkiem niedługo będziemy zapewne poruszać się samochodami, którymi steruje komputer. Stworzony do tego celu algorytm zapewne oparty będzie na danych. Gdy coś nie zadziała – a w tym przypadku konsekwencje mogą być poważne – kwestia odpowiedzialności za każdy etap procesu przetwarzania danych i wdrażania narzędzi będzie miała kolosalne znaczenie.

Zastanów się nad tym, co mówisz

„Atrybucja ostatniego kliknięcia” czy „współczynnik odrzuceń” to pojęcia, które dla większości ludzi niewiele znaczą.

Musisz pamiętać o tym, że jeżeli ludzie Cię nie rozumieją – nie będą wspierać Twoich działań, a tym samym Twoje rekomendacje zamiast zmieniać rzeczywistość biznesową mogą trafić do kosza.

Niestety praca w organizacji to w dużej mierze pewien układ sił. Im bardziej Twoi współpracownicy (a w szczególności szefowie) rozumieją to co robisz, tym bardziej doceniają wagę i zasadność Twojej pracy.

Nie wymagaj od ludzi, aby wchodzili meandry analityki internetowej.

To jak mówisz ma także znaczenie dla Ciebie: aby uniknąć problemów w momencie, kiedy testy czy też stawiana hipoteza nie pójdzie po Twojej myśli, zapamiętaj aby ostrożnie udzielać rekomendacji:

Dane wskazują na…
Wydaje się, że lepiej będzie…
Na tej podstawie można by przypuszczać…
Gdybym miał się założyć, postawiłbym na…..

Zorganizuj festiwal głupich pytań

To bardzo ciekawy pomysł. Nie jestem pewna czy udałoby się zrobić coś takiego na naszym gruncie – nie ma co ukrywać, otwarte zadawanie pytań na forum to nie jest najmocniejsza strona Polaków, co widać szczególnie na salach wykładowych

Niemniej jednak pomysł zorganizowania spotkania, w czasie inne osoby z organizacji zadają analitykom pytania wydaje się być naprawdę dobry. Nieśmiałość współpracowników zawsze można obejść opcją zadawania pytań anonimowo bądź zorganizowaniem spotkania w luźnej atmosferze – w porze lunchu bądź wieczorem, przy piwie.

Nie bądź gburem: zaprzyjaźnij się

Jak już wspominałam – to jak jesteś traktowany i jaka jest Twoja pozycja w organizacji bardzo zależy od tego, czy Twoi współpracownicy wiedzą jak ważna jest Twoja praca, czy Twoi szefowie widzą istotność przeznaczania środków na Dział Analityki Internetowej i to czy Twoi managerowie chcą wdrażać stawiane przez Ciebie rekomendacje.

Znajdź nić porozumienia z IT, ale także z Działem Marketingu czy innymi Działami, które czerpią z Twoich wniosków.

Pamiętacie o błędzie poznawczym? Jednym z nich jest efekt aureoli. Jeżeli kogoś lubimy i dobrze się z nim dogadujemy, przekładamy to także na inne aspekty życia, chociażby jego pracę.

Powyższy artykuł inspirowany jest prezentacją Jima Sterna „„From Bits and Bytes to Business Insights”, nie jest jednak jej dokładnym odwzorowaniem.

The post „From Bits and Bytes to Business Insights” czyli 8 rad Jima Sterna jak zostać Data Detective first appeared on Conversion.