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

Punkt wyjścia

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

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

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

Wyzwanie: nowa konwersja, stary problem

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

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

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

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

Rozwiązanie: więcej z danych, mniej pracy po stronie aplikacji

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

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

Po naszej stronie zakres prac obejmował:

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

Całość wdrożyliśmy bez konieczności angażowania zespołu developerskiego klienta.

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

Klasyczny model vs. nasze podejście

Klasyczny model:

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

Nasze podejście:

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

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

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

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

Biznesowo przełożyło się to na:

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

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

Big Picture: więcej niż jednorazowe wdrożenie

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

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

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

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

Punkt wyjścia

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

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

Wyzwania

Najważniejsze wyzwania obejmowały:

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

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

Nasze podejście

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

Każdy sprint optymalizacyjny obejmował:

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

Cały proces zamykał się w cyklu około 5 tygodni.

Wszystko zaczyna się od danych

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

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

Hipotezy i testy

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

Hipoteza główna

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

Hipotezy poboczne

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

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

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

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

Efekty

Wdrożone działania przyniosły wymierne rezultaty:

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

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

Podsumowanie

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

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

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

Punkt wyjścia

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

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

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

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

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

Wyzwania

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

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

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

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

Nasze podejście

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

Zakres prac objął:

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

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

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

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

Efekty

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

Odzyskane transakcje

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

Naprawiona atrybucja

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

Stabilniejsze sesje

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

Czystszy model pomiarowy

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

Co ten projekt zmienił biznesowo?

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

Dzięki temu:

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

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

Fundament pod kolejne etapy rozwoju

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

Ta architektura otwiera drogę do:

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

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

Podsumowanie

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

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

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

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

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

Wprowadzenie do DataOps

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

Praca na surowych danych a czas i koszty analizy

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

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

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

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

Złożoność danych online i etapy ich przetwarzania

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

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

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

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

Błędy w przypisywaniu parametrów i atrybucji

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

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

Model danych jako sprawdzone rozwiązanie

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

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

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

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

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

Podsumowanie

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

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

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

Punkt wyjścia

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

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

Wyzwania

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

1. Poprawność danych

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

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

2. Niezależność analityki od IT

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

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

3. Usprawnienie procesu wdrożeń

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

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

4. Mierzenie efektów działań

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

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

5. Spójność danych w środowisku wielodomenowym

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

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

Nasze podejście

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

Równolegle wdrożono działania w trzech obszarach:

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

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

Efekty

Wdrożone działania przyniosły wymierne rezultaty:

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

Opinia Limango na temat przeprowadzonego projektu

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

Podsumowanie

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

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

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

Czego dowiesz się z tego wywiadu:

Czym jest strategia danych i po co jej potrzebujemy?

Sygnały ostrzegawcze: kiedy firma potrzebuje strategii?

Dlaczego same dashboardy nie rozwiązują problemów?

Drzewo KPI i walka z silosowością organizacji

Od danych do decyzji: 3 kroki do wdrożenia

Czym jest strategia danych i po co jej potrzebujemy?

Sens zbierania informacji w dobie nadmiaru danych

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

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

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

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

Wspólny język i definicje jako fundament

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

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

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

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

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

Sygnały ostrzegawcze: kiedy firma potrzebuje strategii?

Rozjazdy w systemach i utrata zaufania do liczb

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

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

Mariusz Michalczuk: W ogóle przestają patrzeć na te dane.

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

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

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

\

Dlaczego same dashboardy nie rozwiązują problemów?

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

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

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

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

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

Raport jako narzędzie bez kontekstu biznesowego

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

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

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

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

Drzewo KPI i walka z silosowością organizacji

Zrozumienie dekompozycji wskaźników

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

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

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

Daniel Połeć: Jak myślisz, dlaczego brakuje tam rekomendacji?

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

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

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

Metodologia działania „step down”

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

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

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

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

Od danych do decyzji: 3 kroki do wdrożenia

Jak pracować z dashboardami na co dzień?

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

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

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

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

Podsumowanie: Analityka przyspieszająca decyzje

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

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

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

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

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

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

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

Daniel Połeć: Było mi bardzo miło. Do zobaczenia.

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

Co znajdziesz w tym artykule?
Co to jest Big Data?
Jakie cechy definiują wielkie zbiory danych? Model 5V
Jakie rodzaje danych składają się na Big Data?
Jakie technologie i narzędzia służą do przetwarzania Big Data?
Gdzie znajduje zastosowanie analityka Big Data?
Jakie korzyści przynosi firmom wykorzystanie Big Data?
Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?
Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Co to jest Big Data?

Big Data to termin opisujący duże zbiory danych. A właściwie tak duże, tak zróżnicowane i tak szybko zmieniające się, że tradycyjne narzędzia przestają wystarczać. Bywają też przez to określane jako wielkie zbiory danych lub po prostu gigadane. Ich skala i złożoność (complexity) przekraczają możliwości arkuszy kalkulacyjnych czy klasycznych baz danych.

W praktyce chodzi jednak nie tylko o sam rozmiar. Big Data to również sposób, w jaki odbywa się przetwarzanie informacji, ich porządkowanie i analiza danych – po to, by wykrywać wzorce, przewidywać zjawiska i podejmować trafniejsze decyzje. To właśnie dlatego temat stał się tak ważny dla biznesu, technologii i innych obszarów, w których liczy się szybka reakcja na zmiany.

Co ważne, dane napływają z wielu różnych źródeł jednocześnie. Mogą pochodzić z mediów społecznościowych, urządzeń Internetu Rzeczy (IoT), aplikacji mobilnych, systemów sprzedażowych czy z innych zasobów, takich jak np. logi systemowe. W efekcie Big Data jest dziś jednym z fundamentów tego, co nazywamy transformacją cyfrową – ponieważ pozwala przekładać ogromne strumienie danych na wiedzę, a następnie na konkretne działania.

Jakie cechy definiują wielkie zbiory danych? Model 5V

Najczęściej wielkie zbiory danych opisuje się współcześnie przez model 5V, który rozwinął wcześniejszy model 3V (skupiający się głównie na skali, szybkości i różnorodności danych – volume, velocity, variety). W niektórych opracowaniach można spotkać model 4V, który do klasycznego 3V dodaje veracity, czyli wiarygodność/jakość danych.

Czasem pojawia się też pojęcie zmienności (variability), które opisuje niestabilność danych i zmieniający się kontekst ich interpretacji. To jednak model 5V pozostaje dziś najczęściej używanym sposobem porządkowania tematu. Obejmuje on pięć kluczowych cech Big Data:

Volume (wolumen)

Inaczej: ilość danych. W praktyce nie mówimy już o megabajtach czy gigabajtach, ale o zasobach liczonych w terabajtach, petabajtach, a czasem nawet w eksabajtach i zettabajtach. To właśnie wolumen danych w Big Data sprawia, że tradycyjne narzędzia szybko przestają być wystarczające.

Velocity (prędkość)

Tempo, w jakim dane są generowane, przesyłane i analizowane. Prędkość ma ogromne znaczenie w Big Data, bo wiele informacji napływa niemal w czasie rzeczywistym – z aplikacji, systemów transakcyjnych, czujników czy platform cyfrowych. W takich warunkach liczy się nie tylko sam dostęp do danych, ale też zdolność do szybkiej reakcji.

Variety (różnorodność)

Big Data to nie jeden format i nie jeden typ informacji. Różnorodność oznacza, że w jednym środowisku mogą pojawiać się jednocześnie liczby, tekst, obrazy, nagrania wideo, logi, dane lokalizacyjne czy dane sensoryczne. Ta “mieszanka” mocno zwiększa stopień trudności analizy.

Veracity (wiarygodność)

Dane muszą być sensowne. Wiarygodność odnosi się do jakości, rzetelności i spójności przetwarzanych informacji. Jeśli dane są błędne, niepełne albo przypadkowe, nawet najlepsza analiza może prowadzić do złych wniosków. Dlatego tak ważna jest ich weryfikacja.

Value (wartość)

Ostatecznie najbardziej liczy się to, czy dane da się przełożyć na decyzje, oszczędności, lepsze prognozy albo przewagę konkurencyjną. Wartość pokazuje, że Big Data nie jest sztuką dla sztuki. Dane mają sens dopiero wtedy, gdy wspierają konkretne cele biznesowe lub operacyjne.

Jakie rodzaje danych składają się na Big Data?

Od formy danych zależy zarówno sposób ich przechowywania, jak i późniejsze przetwarzanie oraz analiza. Big Data obejmuje trzy główne typy informacji:

Dane ustrukturyzowane

Nazywane też danymi strukturalnymi. Mają uporządkowaną formę. Łatwo zapisać je w tabelach, kolumnach i rekordach, dlatego dobrze pasują do relacyjnych baz SQL czy nawet do Excela. Przykładem mogą być dane transakcyjne, listy klientów, stany magazynowe albo wyniki sprzedaży.

Dane nieustrukturyzowane

Znacznie większym wyzwaniem są dane nieustrukturyzowane (niestrukturalne). Nie mają one sztywnego schematu, więc trudniej je zamknąć w klasycznej tabeli. To między innymi teksty, obrazy, nagrania audio, wideo, wiadomości e-mail, posty z mediów społecznościowych czy logi systemowe. Często przyjmuje się, że właśnie ten typ stanowi większość zasobów Big Data – nawet około 80%. Również z tego powodu tak duże znaczenie mają obecnie analiza tekstu i analiza wideo.

Dane częściowo ustrukturyzowane

Pomiędzy nimi znajdują się dane częściowo ustrukturyzowane (półstrukturalne). Mają pewną wewnętrzną organizację, ale nie na tyle sztywną, by traktować je jak klasyczne dane tabelaryczne. Dobrym przykładem są pliki JSON, XML, logi aplikacyjne czy dane z formularzy online.

Dane strumieniowe i sensoryczne

We współczesnych systemach coraz większą rolę odgrywają też dane strumieniowe i dane sensoryczne. To właśnie one sprawiają, że Big Data jest dziś tak dynamiczne i tak mocno związane z analizą zdarzeń “tu i teraz”.

• Dane strumieniowe napływają w sposób ciągły, często w czasie rzeczywistym, np. z aplikacji, platform płatniczych czy systemów monitoringu.
• Dane sensoryczne natomiast pochodzą z czujników, urządzeń IoT, maszyn przemysłowych albo urządzeń wearable.

Jakie technologie i narzędzia służą do przetwarzania Big Data?

Samo zgromadzenie danych to dopiero początek. Żeby Big Data miało wartość, potrzebne są jeszcze odpowiednie technologie, które poradzą sobie z dużą skalą, różnorodnością formatów i szybkim napływem informacji. W praktyce oznacza to przetwarzanie rozproszone, elastyczne magazynowanie danych i narzędzia, które pozwalają analizować je szybciej niż klasyczne systemy.

Apache Hadoop i Apache Spark

Jednym z fundamentów Big Data pozostaje ekosystem Apache Hadoop. To zestaw narzędzi zaprojektowanych do pracy na dużych zbiorach danych w wielu maszynach jednocześnie. Ważną rolę odgrywa HDFS (Hadoop Distributed File System), czyli system plików rozkładający dane pomiędzy różne węzły klastra, oraz MapReduce, model obliczeń, który dzieli zadania na mniejsze części i przetwarza je równolegle.

Obok Hadoop bardzo ważny jest dziś również Apache Spark. W przeciwieństwie do klasycznego MapReduce stawia on mocniej na przetwarzanie w pamięci (in-memory), dzięki czemu wiele operacji wykonuje się szybciej. To szczególnie istotne w projektach, gdzie liczy się analiza interaktywna, praca na strumieniach danych albo uczenie modeli analitycznych.

NoSQL i obsługa danych nieustrukturyzowanych

Niestety, nie wszystko da się wygodnie zapisać w tabelach. Z pomocą przychodzi tutaj NoSQL, czyli podejście inne niż klasyczne relacyjne bazy danych. Bazy danych NoSQL dobrze radzą sobie z danymi nieustrukturyzowanymi i półstrukturalnymi, a także z bardzo dużą skalą zapisu i odczytu.

Do najczęściej przywoływanych przykładów należą MongoDB i Cassandra. MongoDB jest popularny przy pracy z dokumentami i elastycznym schematem danych, a Cassandra sprawdza się tam, gdzie liczy się wysoka dostępność i rozproszenie danych pomiędzy wieloma serwerami. Klasyczny SQL wciąż pozostaje ważny, ale w Big Data często działa obok narzędzi NoSQL, a nie zamiast nich.

Jeziora danych i hurtownie danych

W kontekście przechowywania danych często pojawiają się dwa pojęcia: jezioro danych (data lake) oraz hurtownia danych.

Hurtownia danych to ustrukturyzowane repozytorium, w którym dane są najpierw oczyszczane, transformowane i organizowane według z góry określonego schematu, a dopiero potem trafiają do systemu. Dobrze sprawdzają się w sytuacjach, gdzie pytania analityczne są z grubsza znane z góry (np. raporty sprzedażowe, finansowe, operacyjne). Dane są gotowe do użycia od razu po załadowaniu, ale elastyczność jest ograniczona.

Jezioro danych działa odwrotnie. Dane trafiają do systemu w surowej postaci – ustrukturyzowane, częściowo ustrukturyzowane i nieustrukturyzowane – bez narzuconego z góry schematu. Nakłada się go dopiero w momencie odczytu, zależnie od tego, do czego dane mają służyć. To zapewnia dużą elastyczność, ale wymaga większej dojrzałości analitycznej po stronie użytkownika. Co to znaczy? Bez dobrego zarządzania jezioro danych szybko zamienia się w tzw. bagno danych – zbiór plików, z którego nie da się już wydobyć niczego sensownego.

Chmura, integracja i automatyzacja analizy, machine learning

Coraz więcej środowisk Big Data działa dziś w modelu chmury obliczeniowej (cloud computing). Zapewnia ona skalowalność, której firmy potrzebują dziś tak bardzo przy rosnących wolumenach danych. Nie trzeba też od razu budować własnej infrastruktury – można dowolnie zwiększać moc obliczeniową i przestrzeń dysku.

Duże znaczenie mają wreszcie narzędzia do przesyłania i przygotowywania danych. Kafka jest często wykorzystywana do obsługi strumieni danych, a procesy ETL i ELT pomagają przenosić, porządkować i przekształcać dane pomiędzy systemami.

W warstwie analitycznej nadal królują Python i SQL, bo pozwalają zarówno przygotowywać dane, jak i budować modele analityczne. Coraz częściej dochodzi do tego także sztuczna inteligencja i uczenie maszynowe, które automatyzują wykrywanie wzorców i przyspieszają analizę.

Gdzie znajduje zastosowanie analityka Big Data?

Analityka Big Data znajduje zastosowanie wszędzie tam, gdzie dane napływają szybko, w dużej skali i z wielu źródeł jednocześnie. Dotyczy to dzisiaj już nie tylko biznesu cyfrowego.

Medycyna i ochrona zdrowia

W sektorze zdrowia Big Data wspiera diagnostykę medyczną, analizę wyników badań i ocenę ryzyka chorób. Duże znaczenie ma też analiza genomu, która pozwala lepiej rozumieć zależności genetyczne i dobierać bardziej precyzyjne terapie. Do tego dochodzą wearables, czyli urządzenia monitorujące aktywność, tętno czy sen, które dostarczają danych niemal w czasie rzeczywistym.

Finanse i bankowość

W finansach analityka danych pomaga w wykrywaniu oszustw, ocenie ryzyka i monitorowaniu nietypowych zachowań transakcyjnych. Jest też wykorzystywana w obszarach takich jak HFT (High-Frequency Trading), gdzie liczy się błyskawiczne przetwarzanie informacji i reakcja na zmiany rynkowe.

Logistyka, inteligentne miasta i fabryki

W transporcie Big Data wspiera planowanie dostaw, zarządzanie flotą i optymalizację procesów operacyjnych.

Na tej samej zasadzie działa koncepcja Smart City, w której dane z kamer, czujników, sygnalizacji i systemów miejskich pomagają lepiej zarządzać ruchem, energią czy bezpieczeństwem w miastach.

W tzw. obszarze Przemysłu 4.0 analityka Big Data wspiera automatyzację i nadzór nad produkcją. W praktyce oznacza to inteligentne fabryki, w których maszyny, sensory i systemy raportują dane bez przerwy, dzięki czemu możliwa jest konserwacja predykcyjna (przewidywanie awarii, zanim faktycznie do nich dojdzie).

Marketing i e-commerce

W marketingu i handlu internetowym Big Data napędza personalizację oferty, rekomendacje produktów i segmentację klientów. To właśnie na tej logice działają systemy rekomendacji znane z takich platform jak Netflix czy Spotify.

Jakie korzyści przynosi firmom wykorzystanie Big Data?

Najważniejsza korzyść z Big Data polega na tym, że firmy mogą podejmować decyzje na podstawie faktów i twardych danych, a nie intuicji (podejście data-driven). Zapewniają to narzędzia z obszaru Business Intelligence, a także czytelna wizualizacja danych i dashboardy, które porządkują najważniejsze wskaźniki. To przekłada się na szybsze reakcje, lepsze planowanie i większą kontrolę nad kosztami, a więc także na realną oszczędność czasu.

Równie ważne jest lepsze zrozumienie klientów. Analiza behawioralna pozwala sprawdzać, jak użytkownicy podejmują decyzje, a analiza churn pomaga wychwycić sygnały odejścia. Łatwiej stworzyć spersonalizowane oferty i produkty. Z kolei analiza predykcyjna, modele predykcyjne, analiza trendów i prognozowanie trendów wspierają planowanie przyszłości – od sprzedaży po zarządzanie ryzykiem.

Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?

W Big Data wyzwaniem nie jest tylko ilość informacji, ale też ich legalne, bezpieczne i etyczne wykorzystanie. Dokładniej rzecz biorąc:

Rosną wymagania związane z RODO (GDPR). Unia Europejska nakłada ścisłe zasady dotyczące tego, jak firmy zbierają, przechowują i wykorzystują dane użytkowników. Chodzi tu nie tylko o ochronę danych osobowych, ale też o prywatność danych, zgodność celu przetwarzania i przejrzystość wobec osób, których dane dotyczą.

Co do zasady, im większy zbiór danych, tym mniejsza jego odporność na incydenty z obszaru cyberbezpieczeństwa, więc zapewnienie odpowiedniego poziomu zabezpieczeń stanowi osobne wyzwanie.

Istotna pozostaje kwestia jakości danych i ich wiarygodności, bo błędne lub niepełne informacje prowadzą do błędnych analiz i złych decyzji.

Dochodzi do tego wreszcie etyka: nawet jeśli dane można przetwarzać formalnie zgodnie z prawem, to czy sposób, w jaki je wykorzystujemy, jest uczciwy i proporcjonalny wobec użytkownika?

Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Data Scientist to zawód, który łączy statystykę, programowanie i rozumienie biznesu, żeby zamieniać dane w użyteczne wnioski. Taka osoba zajmuje się m.in. eksploracją danych (data mining), szukaniem zależności, budowaniem modeli opartych o uczenie maszynowe (machine learning) oraz wykorzystywaniem rozwiązań z obszaru sztucznej inteligencji (AI). W praktyce właśnie na tym polega nauka o danych (data science): nie tylko na zbieraniu informacji, ale też na ich interpretacji, modelowaniu i przekładaniu wyników na decyzje.

W codziennej pracy Data Scientist korzysta z narzędzi takich jak Python, język R i SQL, a wyniki prezentuje często przez Tableau lub Power BI. Jego zadaniem jest zrozumieć dany problem i zaproponować model, który pomoże przewidywać zjawiska albo lepiej wspierać biznes.

Warto odróżnić tę rolę od innych specjalizacji z dziedziny danych. Analityk danych (data analyst) zwykle skupia się bardziej na raportowaniu, dashboardach i interpretacji bieżących wyników, a inżynier danych (data engineer) odpowiada przede wszystkim za infrastrukturę, przepływ danych i przygotowanie środowiska do analizy. Data Scientist stoi trochę pomiędzy nimi. Korzysta z gotowych danych, ale idzie też o krok dalej – buduje modele i szuka odpowiedzi na bardziej złożone pytania.

The post Big Data – co to jest i dlaczego ma dziś tak duże znaczenie? first appeared on Conversion.

Co znajdziesz w tym artykule?
Czym jest Customer Experience (CX) i czym różni się od obsługi klienta?
Dlaczego dbanie o doświadczenia klienta buduje przewagę konkurencyjną?
Jakie elementy tworzą mapę podróży klienta (Customer Journey Map)?
Na czym polega skuteczne zarządzanie doświadczeniem klienta (CXM)?
Jak mierzyć poziom satysfakcji i lojalności klienta (NPS, CSAT, CES)?
Jaki wpływ na jakość CX mają personalizacja i podejście omnichannel?
Jak Employee Experience (EX) wpływa na relacje z klientami?
Jakie błędy najczęściej obniżają jakość doświadczeń klienta?

Czym jest Customer Experience (CX) i czym różni się od obsługi klienta?

Doświadczenie klienta (Customer Experience, CX) to termin, który określa całość wrażeń, ocen i odczuć, jakie powstają podczas wszystkich interakcji klienta z marką. CX obejmuje nie tylko to, co klient robi, ale też to, co myśli i czuje. Na percepcję klienta składają się jednocześnie emocje, aspekt poznawczy (czyli sposób, w jaki klient ocenia markę, ofertę i komunikację) oraz aspekt behawioralny – widoczny w jego decyzjach, reakcjach i skłonności do powrotu. Innymi słowy: CX dotyczy całej relacji, a nie pojedynczego kontaktu i należy traktować je w kategoriach procesu. Nie kończy się na zakupie ani na jednej rozmowie z konsultantem.

Doświadczenie klienta bywa niekiedy mylone z innymi pojęciami. Na przykład z obsługą klienta (Customer Service, CS), która jest w rzeczywistości tylko jednym z elementów całego doświadczenia i dotyczy zwykle tylko konkretnych sytuacji (np. gdy marka odpowiada na pytania, rozwiązuje problem albo pomaga po zakupie). Z kolei doświadczenie użytkownika (User Experience, UX) odnosi się przede wszystkim do korzystania z produktu cyfrowego, na przykład strony internetowej czy aplikacji. CX jest pojęciem szerszym: obejmuje marketing, sprzedaż, kontakt z obsługą, korzystanie z produktu i wszystkie inne etapy budowania relacji z klientem.

 
Inaczej: CX to całość doświadczeń, myśli i emocji klienta w kontakcie z marką, podczas gdy obsługa klienta jest tylko jednym z elementów tej relacji, a UX dotyczy głównie korzystania z produktu cyfrowego.

Dlaczego dbanie o doświadczenia klienta buduje przewagę konkurencyjną?

Customer Experience jest obecnie jednym z najmocniejszych czynników, które budują przewagę konkurencyjną. To właśnie sposób, w jaki marka traktuje odbiorcę, decyduje dziś często bardziej niż cena czy sam produkt. Liczy się całe doświadczenie – od pierwszego kontaktu z komunikacją, przez zakup, aż po obsługę po sprzedaży. Jeśli firma jest spójna, wygodna i przewidywalna, rosną nie tylko jej przychody, ale też zaufanie i gotowość klientów do ponownych zakupów.

To znaczy, że lepsze doświadczenia oznaczają wyższą retencję i większą lojalność klienta. W praktyce przekładają się także na wyższą wartość życiową klienta (Customer Lifetime Value, CLV), bo zadowolony klient częściej wraca, kupuje więcej i rzadziej odpływa do konkurencji.

W ten sposób wzmacnia się “przy okazji” wizerunek marki i (szerzej rozumiana) reputacja firmy, co z czasem poprawia także zwrot z inwestycji (Return On Investment, ROI) z działań marketingowych i sprzedażowych, a nawet ściśle obsługowych.

Jakie elementy tworzą mapę podróży klienta (Customer Journey Map)?

Mapa podróży klienta (Customer Journey Map, CJM) to narzędzie, które wizualizuje i porządkuje całą przygodę klienta z marką – krok po kroku, od pierwszego kontaktu, aż po zakup i działania po sprzedaży. Jej celem jest uporządkowanie tego, jak wygląda proces zakupowy z perspektywy odbiorcy, a nie firmy. Pokazuje, co klient robi, czego szuka, gdzie się waha i w którym momencie coś zaczyna go irytować.

Podstawą każdej mapy są punkty styku (Touchpoints), czyli wszystkie miejsca, w których klient spotyka się z marką. To mogą być reklamy, wyniki wyszukiwania, strona internetowa, formularz kontaktowy, rozmowa z handlowcem, koszyk zakupowy, e-mail po zamówieniu czy kontakt z działem wsparcia. Cała ścieżka zakupowa składa się z takich interakcji, które da się rozpisać i ocenić. Właśnie temu służy analiza punktów styku (Touchpoint Analysis).

Drugim ważnym elementem są momenty prawdy (Moments of Truth). To te chwile, w których klient wyrabia sobie opinię o marce albo podejmuje decyzję, czy iść dalej. Szczególnym etapem jest Zero Moment of Truth (ZMOT), czyli chwila poprzedzająca zakup, gdy klient samodzielnie szuka informacji, porównuje oferty i decyduje, czy marka budzi jego zaufanie.

Trzeci składnik to punkty bólu (Pain points). Miejsca, w których pojawia się “tarcie”. Za długi formularz kontaktowy, niejasna oferta, brak szybkiej odpowiedzi, niespójna komunikacja między kanałami albo skomplikowane zasady zwrotów. Każdy taki problem obniża jakość doświadczenia i zwiększa ryzyko rezygnacji klienta.

Żeby mapa miała sens, trzeba jeszcze oprzeć ją na konkretnej personie klienta (Buyer Persona). Persona porządkuje kontekst: kim jest odbiorca, czego potrzebuje, co go motywuje, jakie ma obawy i jak podejmuje decyzje. Dzięki temu mapa podróży klienta (CJM) nie opisuje abstrakcyjnego procesu, tylko realną drogę konkretnego typu klienta.

Na czym polega skuteczne zarządzanie doświadczeniem klienta (CXM)?

Zarządzanie doświadczeniem klienta (Customer Experience Management, CXM) to całościowa strategia, która spina całą organizację wokół jednego celu: ułatwić klientowi kontakt z marką na każdym etapie relacji. Nie da się tego “zamknąć” w dziale obsługi, bo o jakości doświadczenia współdecydują też marketing, sprzedaż, logistyka, produkt, IT i finanse. Klient nie widzi struktury firmy. Widzi tylko to, czy wszystko działa.

Właśnie dlatego skuteczne CXM wymaga klientocentryczności (customer-centricity). To model myślenia, w którym firma projektuje procesy pod realne potrzeby odbiorcy, a nie np. własną wygodę. Dlatego CXM korzysta często z metod takich jak projektowanie usług (Service Design) i Design Thinking. Obie pomagają spojrzeć na usługę, produkt lub obsługę z perspektywy klienta, wykryć zbędne tarcia i przełożyć obserwacje na lepsze rozwiązania: prostszy język, krótszą ścieżkę zakupu, lepszą komunikację i sprawniejsze rozwiązywanie problemów.

Inną, ale niemniej ważną dla CXM rolę odgrywa zarządzanie relacjami z klientem (Customer Relationship Management, CRM). Technologia porządkuje dane o kontaktach, zakupach, zgłoszeniach i preferencjach, dzięki czemu firma może reagować szybciej i bardziej adekwatnie. CRM ma jednak sens jedynie wtedy, gdy wspiera dobrą strategię, a nie ją zastępuje.

Jak mierzyć poziom satysfakcji i lojalności klienta (NPS, CSAT, CES)?

Poziom doświadczeń klienta da się mierzyć, ale trzeba rozdzielić trzy różne kwestie: ogólną skłonność do polecania marki, ocenę konkretnej interakcji i wysiłek, jaki klient musiał włożyć w załatwienie sprawy.

Punktem wyjścia jest tu metodologia Głosu Klienta (Voice of Customer, VoC), czyli systemowe zbieranie opinii, ocen i sygnałów z różnych miejsc styku z marką. Dopiero tak zebrany feedback ma wartość operacyjną, bo można go połączyć z wynikami sprzedaży, retencją, reklamacjami czy zachowaniem użytkowników. Analiza tych danych pozwala oddzielić przypadkowe opinie od powtarzalnych problemów i podejmować decyzje oparte na faktach, a nie na przeczuciu.

Właśnie temu służą kluczowe wskaźniki efektywności (Key Performance Indicators, KPI), takie jak:

NPS

Wskaźnik Rekomendacji Netto (Net Promoter Score, NPS) mierzy, na ile klient jest skłonny polecić markę innym. Najczęściej opiera się na jednym pytaniu: “Jak bardzo prawdopodobne jest, że polecisz naszą firmę?” Odpowiedzi zbiera się na skali od 0 do 10, a następnie dzieli respondentów na trzy grupy: promotorów, pasywnych i krytyków. Sam wynik powstaje przez odjęcie odsetka krytyków od odsetka promotorów.

Ten wskaźnik nie opisuje pojedynczej interakcji, tylko ogólną ocenę relacji z marką, dlatego dobrze nadaje się do mierzenia lojalności i siły przywiązania klienta.

CSAT

Wskaźnik satysfakcji klienta (Customer Satisfaction Score, CSAT) pokazuje, jak klient ocenia konkretną interakcję, usługę albo etap procesu. Zwykle przyjmuje formę krótkiego pytania po kontakcie z firmą, na przykład po rozmowie z konsultantem, zakupie albo zgłoszeniu reklamacyjnym. Klient wskazuje poziom zadowolenia na prostej skali, najczęściej liczbowej lub gwiazdkowej. CSAT dobrze wychwytuje bieżącą jakość obsługi i pozwala szybko sprawdzić, czy firma spełniła oczekiwania w danym momencie. To wskaźnik bardzo praktyczny, bo łatwo powiązać go z konkretnym kanałem, zespołem albo etapem ścieżki klienta.

CES

Wskaźnik wysiłku klienta (Customer Effort Score, CES) mierzy, ile trudu klient musiał włożyć, żeby osiągnąć swój cel (może np. chodzić o rozwiązanie problemu, znalezienie informacji, złożenie zamówienia albo kontakt z pomocą techniczną). Pytanie zwykle dotyczy prostoty całego procesu, a nie zadowolenia z samego efektu. Dzięki temu CES pomaga wykryć miejsca, w których firma niepotrzebnie komplikuje klientowi życie.

Jaki wpływ na jakość CX mają personalizacja i podejście omnichannel?

Wielokanałowość (Omnichannel) odpowiada za spójność komunikacji marki pomiędzy punktami styku. Klient może np. zacząć swoją podróż od reklamy w social mediach, przejść na stronę, dopytać na czacie, a potem sfinalizować zakup w aplikacji lub sklepie stacjonarnym. Jeśli w każdym z tych miejsc dostaje ten sam ton komunikacji, aktualną ofertę i logiczny ciąg dalszy wydarzeń, jego doświadczenie jest płynne. Jeśli musi zaczynać od zera w każdym kanale, jakość CX wyraźnie spada.

Odpowiednia personalizacja sprawia natomiast, że komunikacja nie jest tylko spójna, ale też adekwatna. Marka może ściśle dopasować treść, ofertę, rekomendacje produktowe albo moment kontaktu do zachowań, preferencji i wcześniejszych decyzji klienta – a to zwiększa poczucie, że dobrze rozumie potrzeby odbiorcy.

Coraz większą rolę w tym procesie odgrywa dziś sztuczna inteligencja (AI). To ona pomaga analizować dane, przewidywać intencje zakupowe i dobierać komunikaty w czasie zbliżonym do rzeczywistego. Firma może szybciej reagować na sygnały i lepiej zarządzać cyfrowym doświadczeniem klienta (Digital Customer Experience, DCX). AI wspiera też automatyzację marketingu, np. poprzez automatyczne dostosowanie oferty, segmentację odbiorców i rekomendacje. Każde z tych rozwiązań poprawia CX jednak tylko wtedy, gdy działa w odpowiednim momencie i w odpowiednim kontekście – więc należy opierać się na danych.

Idealne nadaje się do tego celu Big Data – bo pozwala łączyć informacje z wielu różnych źródeł. Platforma danych o klientach (CDP, Customer Data Platform) może uporządkować je wszystkie w jeden profil klienta, dzięki czemu marka nie działa po omacku.

Podsumowując: omnichannel porządkuje całość kontaktu, a personalizacja nadaje mu sens z perspektywy klienta. Dopiero połączenie obu podejść sprawia, że CX staje się jednocześnie spójne i dopasowane.

Jak Employee Experience (EX) wpływa na relacje z klientami?

Doświadczenie pracownika (Employee Experience, EX) wpływa na relacje z klientami bardzo bezpośrednio: zadowolony, dobrze wdrożony i wspierany pracownik zwykle gwarantuje dobre wrażenie i doświadczenie klienta. Związek między EX i CX jest dobrze opisany w badaniach.

Jest tak, ponieważ w praktyce pracownicy są ambasadorami marki. To oni nadają ton kontaktowi, wyjaśniają zasady, przejmują napięcie klienta i często ratują sytuację wtedy, gdy coś nie zadziałało tak jak powinno. Dotyczy to zarówno sprzedaży, jak i takich obszarów jak wsparcie techniczne czy obsługa posprzedażowa, gdzie klient szczególnie szybko wyczuwa, czy ma kontakt z kimś zaangażowanym.

Dobrym przykładem jest tutaj IKEA, która w swojej komunikacji pracodawcy podkreśla wspólnotowość, rozwój i przyjazne środowisko pracy, a w ogłoszeniach na stanowiska związane z obsługą regularnie akcentuje dbałość o jak najlepsze doświadczenie klienta, współpracę między działami i spokojne działanie w trudnych sytuacjach.

Jakie błędy najczęściej obniżają jakość doświadczeń klienta?

Błędy w CX zwykle nie wynikają z jednego dużego zaniedbania, tylko z kilku powtarzalnych problemów, które z czasem zaczynają psuć relację z klientem. Gdy firma ich nie zauważa albo reaguje zbyt późno, spada satysfakcja, rośnie frustracja i zwiększa się ryzyko odejścia do konkurencji. Najczęstsze problemy to:

Wysoki Churn Rate

Jednym z najbardziej kosztownych błędów, jakie można popełnić w obszarze CX jest lekceważenie sygnałów, że klient zaczyna się wycofywać. Wysoki wskaźnik rezygnacji (Churn rate) zwykle nie bierze się z jednego incydentu, tylko z serii drobnych rozczarowań: niespełnionych obietnic, powolnych reakcji, niejasnych zasad albo kontaktu, który wymaga po prostu zbyt dużo wysiłku. Każda taka sytuacja osłabia relację, a z czasem odbiera marce nie tylko przychód, lecz także szansę na rekomendacje.

Ignorowanie feedbacku

Innym, częstym problemem jest ignorowanie opinii klientów. Sama ankieta niczego nie poprawia, jeśli firma nie wyciąga z niej wniosków. Brak reakcji na feedback prowadzi do ciągłego powtarzania tych samych błędów, a to szybko przekłada się na negatywne komentarze, słabszy marketing i większą podatność klientów na oferty konkurencji.

Brak spójności

Jakość CX mocno obniża też brak spójności między kanałami. Jeśli klient dostaje inną informację na stronie, inną na infolinii, a jeszcze inną w sklepie lub w aplikacji, to firma wygląda (co najmniej!) na chaotyczną. Brak ciągłości wydłuża proces, powoduje frustrację i zwiększa ryzyko porzucenia tematu. Problem staje się jeszcze większy wtedy, gdy klient musi kilka razy tłumaczyć to samo albo sam szukać odpowiedzi, bo marka nie zapewnia sensownej samoobsługi.

Pasywne podejście

Żeby skutecznie ograniczać negatywne opinie, trzeba działać proaktywnie – wychwytywać sygnały ostrzegawcze, zanim klient zacznie publicznie mówić o swojej frustracji. Social Listening, czyli monitorowanie wzmianek, komentarzy i nastrojów wokół marki to narzędzie, które bardzo wyraźnie i wcześnie wskazuje bolączki klientów. Szybka, aktywna reakcja i poprawa procesu pozwala w takich sytuacjach zatrzymać niezadowolenie, zanim przerodzi się w trwały problem wizerunkowy.

The post Customer Experience (CX): czym jest i jak wpływa na relacje z klientami? first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Ewolucja podejścia do danych w polskim e-commerce

Testowanie hipotez i optymalizacja ścieżki zakupowej

Badania z użytkownikami i UX na światowym poziomie

Sztuczna inteligencja w analityce i biznesie internetowym

Podsumowanie: Główne wnioski z rozmowy

Ewolucja podejścia do danych w polskim e-commerce

Od decyzji opartych na intuicji do pełnej analityki

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

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

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

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

Przełamywanie barier w organizacjach

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

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

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

Testowanie hipotez i optymalizacja ścieżki zakupowej

Znaczenie weryfikacji pomysłów

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

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

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

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

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

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

Zakupy jako gość a długofalowa strategia

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

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

\

Badania z użytkownikami i UX na światowym poziomie

Znaczenie pytania klientów o zdanie

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

Optymalizacja listingu produktowego

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

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

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

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

Sztuczna inteligencja w analityce i biznesie internetowym

Szanse i pułapki wdrożeń AI

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

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

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

AI jako wirtualny asystent analityka

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

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

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

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla branży e-commerce

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

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

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

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

Często trzeba było “żonglować” kilkoma kampaniami jednocześnie, ręcznie alokować budżety i nieustannie testować stawki. Performance Max jednak fundamentalnie zmienił reguły tej gry. Co powinieneś wiedzieć o tym typie kampanii?

Co znajdziesz w tym artykule?
Co to jest kampania Performance Max w Google Ads?
Gdzie wyświetlają się reklamy w ramach Performance Max?
Grupy zasobów, materiały kreatywne – jak je tworzyć?
Jak działają sygnały o odbiorcach i sztuczna inteligencja w PMax?
Jaką strategię ustalania stawek i cele konwersji wybrać?
Jak wykorzystać Performance Max w e-commerce i generowaniu leadów?
Jak optymalizować kampanię i analizować raporty?
Wady i zalety automatyzacji w Performance Max

Co to jest kampania Performance Max w Google Ads?

Performance Max to zautomatyzowany typ kampanii w Google Ads, który łączy wszystkie miejsca emisji reklam w jedną, zintegrowaną kampanię. Zamiast osobno ustawiać działania pod wyszukiwarkę, YouTube czy Display, konfigurujesz jeden format, a system dobiera, gdzie i komu pokazać reklamy, tak, żeby jak najlepiej zrealizować Twoje cele biznesowe.

PMax działa w systemie aukcyjnym Google: reklamy konkurują o wyświetlenia i kliknięcia, a wynik zależy m.in. od stawki, przewidywanej skuteczności i jakości. Tyle że tutaj sporą część pracy przejmuje Automatyzacja oparta o Sztuczną inteligencję. AI w czasie rzeczywistym zarządza licytowaniem i optymalizacją budżetu, korzystając z uczenia maszynowego oraz sygnałów z konta (np. takich jak dane o konwersjach i zachowaniach użytkowników). Ty jedynie wskazujesz kierunek (np. sprzedaż, leady, wizyty), a system szuka najkrótszej drogi do celu.

Performance Max jest uznawany za następcę rozwiązań takich jak Smart Shopping oraz kampanie lokalne. W porównaniu do innych typów kampanii zapewnia zwykle trzy potencjalne profity: wzrost liczby i wartości konwersji, szeroki zasięg w całym ekosystemie Google oraz sporą oszczędność czasu.

Warto jednak pamiętać, że PMax potrzebuje około 6 do 8 tygodni na zebranie danych i ustabilizowanie wyników.

Gdzie wyświetlają się reklamy w ramach Performance Max?

Jedną z najciekawszych cech kampanii Performance Max jest to, że konfigurujemy ją tylko raz, a będzie działać w ramach całego ekosystemu reklamowego Google. System łączy i obsługuje różne miejsca wyświetlania reklam w tym samym zestawie ustawień. Następnie algorytm dynamicznie dobiera placementy (czyli konkretne powierzchnie emisji) – w zależności od tego, gdzie dany użytkownik ma największy potencjał konwersji.

W praktyce reklamy mogą pojawiać się w następujących kanałach:

• Sieć wyszukiwania (Search),
• YouTube (w tym również reklamy wideo),
• Sieć reklamowa Google (GDN),
• Google Maps,
• Gmail,
• Google Discover.

Dzięki integracji tak wielu kanałów rośnie tzw. reach, czyli liczba realnych okazji, by dotrzeć do użytkowników w różnych momentach ich ścieżki zakupowej.

W sieci wyszukiwania Performance Max zwykle uzupełnia standardowe kampanie oparte o słowa kluczowe, zamiast je wprost zastępować. Oznacza to, że obok tradycyjnych reklam tekstowych z kampanii Search, PMax może przejmować część emisji tam, gdzie widzi dodatkową szansę na pożądany wynik (rzecz jasna przy zachowaniu logiki aukcji i dopasowania do intencji użytkownika).

Poza siecią wyszukiwania Performance Max pracuje w sposób zależny od kontekstu i przewidywanego wyniku.

Na YouTube oznacza to najczęściej działania na górze lejka sprzedażowego: budowanie świadomości marki i prowadzenie użytkownika do kolejnych kroków – przy pomocy wideo. Tym samym jest to kanał szczególnie wrażliwy na jakość materiałów.

W sieciach reklamowych dominują reklamy graficzne. Algorytm wybiera placementy w witrynach i aplikacjach tak, by w jak największym stopniu wykorzystać szeroki zasięg witryny.

Mapy (Google Maps) są naturalnym uzupełnieniem procesu, gdy liczy się intencja lokalna: system dopasowuje emisję do sytuacji, w której użytkownik jest blisko decyzji i prawdopodobieństwo jego działania jest wysokie.

W Gmailu reklamy pojawiają się w środowisku skrzynki odbiorczej, co gwarantuje inny typ uwagi, a z kolei emisja w Google Discover opiera się na dopasowaniu do zainteresowań i zachowań użytkownika, a nie do zapytania.

Niezależnie od kanału, logika zawsze pozostaje ta sama: w ramach jednej konfiguracji system dynamicznie wybiera placementy i formaty, kierując się tym, gdzie może uzyskać najlepszy efekt konwersyjny.

Grupy zasobów, materiały kreatywne – jak je tworzyć?

Podstawą kampanii PMax są Grupy zasobów. To zestawy, w których zbierasz Zasoby (Assets), czyli gotowe materiały kreatywne, np.:

• Nagłówki,
• długie nagłówki,
• opisy,
• teksty reklamowe,
• obrazy,
• wideo
• logo.

Można przyjąć, że jedna grupa zasobów = jeden spójny temat (np. konkretna kategoria produktów, usługa albo oferta sezonowa), z którego system złoży różne kombinacje reklam (np. inne zestawy nagłówków i obrazów) a następnie dobierze je do miejsca emisji, urządzenia i intencji użytkownika.

Po uzupełnieniu Grupy zasobów, algorytm zaczyna budować dynamiczne kombinacje reklam. Siła reklamy to sygnał, czy zasobów jest wystarczająco dużo i czy mają sensowną różnorodność (co przekłada się na to, ile wariantów system w ogóle może przetestować).

 
Jeśli nie posiadasz filmów, Performance Max potrafi uruchomić automatyczne generowanie zasobów wideo (z obrazów, logo i tekstów), ale własne wideo zwykle gwarantuje znacznie lepszą jakość komunikacji (a na pewno jej większą przewidywalność!).

Warto od razu zaplanować całość tekstów na potrzeby kampanii. Krótsze nagłówki, jeden–dwa długie oraz kilka różnych opisów. Dobrze, jeśli pojawią się tu konkretne informacje (oferta, przewaga, kategoria) i jasne wezwanie do działania (CTA). System może je zestawiać na różne sposoby, zależnie od tego, czy dany kontekst wymaga informacji, czy impulsu do kliknięcia.

Warto jeszcze pamiętać o dodatkowych elementach, które realnie podnoszą skuteczność, choć nie są stricte zasobami. Tzw. komponenty reklamowe, takie jak linki do podstron czy dodatkowe objaśnienia, potrafią znacznie zwiększyć widoczność i klikalność – bo reklama zajmuje więcej miejsca i szybciej prowadzi użytkownika do właściwej sekcji oferty. Dodatkowo pomagają systemowi lepiej zrozumieć strukturę strony i intencję kampanii.

Jak działają sygnały o odbiorcach i sztuczna inteligencja w PMax?

Sygnały o odbiorcach w ramach kampanii Performance Max działają inaczej niż klasyczne, sztywne targetowanie. To raczej zestaw wskazówek, dzięki którym algorytmy szybciej rozumieją, jacy użytkownicy mają największą szansę wykonać pożądane działanie. Innymi słowy: sygnały podpowiadają kierunek, ale nie “zamykają” kampanii. System wciąż może szukać konwersji szerzej, jeśli dane pokażą, że warto.

Widać to szczególnie na starcie kampanii. Dobrze dobrane sygnały o odbiorcach skracają fazę uczenia się i usprawniają proces, bo model od razu dowiaduje się gdzie pojawiają się wartościowe konwersje i jakie są intencje użytkowników, które prowadzą do pożądanego wyniku. Pozwala to szybciej zidentyfikować osoby bliskie decyzji, z wysokim prawdopodobieństwem zakupu lub kontaktu.

Co wykorzystuje się jako sygnały?

• listy remarketingowe (np. osoby, które były na stronie lub dodały produkt do koszyka),
• bazy klientów (np. listy klientów lub leadów, o ile są zgodne z politykami Google),
• niestandardowe segmenty oraz niestandardowe listy odbiorców (np. osoby powiązane z konkretnymi zachowaniami lub tematami),
• dane demograficzne (wiek, płeć, lokalizacja – o ile ma to sens),
• kategorie odbiorców – takie jak odbiorcy na rynku i podobne zainteresowania (kiedy zależy nam na dotarciu do osób z określonym profilem).

Dodatkowym narzędziem nakierowania są tematy wyszukiwań. To sposób, by wskazać z jakimi zapytaniami lub obszarami intencji kampania ma się łączyć. Nie zastępuje to słów kluczowych z klasycznej kampanii w wyszukiwarce, ale pomaga systemowi lepiej i szybciej dopasować emisję do właściwych intencji i kontekstów.

Jaką strategię ustalania stawek i cele konwersji wybrać?

Licytacje w kampaniach Performance Max są oparte o Smart Bidding – automatyczne strategie ustalania stawek, które w czasie aukcji optymalizują stawki pod wskazane cele konwersji. Żeby algorytm działał konieczne jest więc poprawne śledzenie konwersji. Pomocna bywa atrybucja oparta na danych, ponieważ porządkuje przypisywanie efektów.

W praktyce najczęściej wybiera się jedną z dwóch strategii:

1. Maksymalizacja liczby konwersji
To dobra opcja, gdy priorytetem jest wolumen działań – leady, zapytania, rejestracje. System dąży do tego, by zagwarantować jak najwięcej konwersji w ramach budżetu.

Jeśli chcesz utrzymać koszty w ryzach, możesz dodać Docelowy CPA (koszt za akcję).

2. Maksymalizacja wartości konwersji
Ten wariant ma najwięcej sensu, gdy liczy się nie tylko liczba, ale też wartość konwersji (np. przychód w e-commerce). Wtedy kampania będzie preferować tych użytkowników, którzy statystycznie dokonują większych zakupów albo częściej wracają.

Kontrolę rentowności zapewnia w tym przypadku Docelowy ROAS (zwrot z nakładów na reklamę).

Dobór strategii powinien wynikać z celów biznesowych: sprzedaż zwykle lepiej opierać na kampaniach z wartością konwersji i ROAS, a te nastawione na leady: z liczbą konwersji i CPA.

Na działanie algorytmów mocno wpływa też budżet dzienny. Im bardziej jest on stabilny i adekwatny do skali celu, tym łatwiej Smart Bidding utrzymuje przewidywalne wyniki.

Jak wykorzystać Performance Max w e-commerce i generowaniu leadów?

Kampanie PMax są powszechnie (i z dużą skutecznością) stosowane zarówno do napędzania sprzedaży w e-commerce, jak i generowania leadów dla firm zajmujących się usługami.

W przypadku e-commerce bardzo ważna jest integracja z Google Merchant Center, bo to właśnie tam znajdują się dane produktowe z Twojego sklepu. Performance Max wykorzystuje je w oparciu o feed produktowy: listę produktów z nazwami, cenami, dostępnością, atrybutami i strukturą, która obejmuje m.in. kategorie produktów. Im bardziej uporządkowany i aktualny feed, tym lepiej system dopasowuje reklamy do intencji zakupowych. W praktyce oznacza to też, że kampania może promować konkretne produkty, np. priorytetowo pokazywać bestsellery, wybrane kategorie albo asortyment sezonowy – bez budowania osobnych zestawów pod każdy kanał.

W modelu generowania leadów ciężar przenosi się z danych produktowych na jakość danych o konwersji i doświadczenie użytkownika po kliknięciu. Większe znaczenie ma dopracowanie ścieżki: jasna oferta, szybki kontakt, sensowne pola w formularzu kontaktowym i spójne mierzenie jakości leadów (żeby kampania uczyła się na właściwych sygnałach). Performance Max może naturalnie wspierać również wizyty w punkcie stacjonarnym – dzięki emisji reklam w Google Maps. Upewnij się, że kampania promuje właściwe punkty i kieruje użytkownika do najwygodniejszej lokalizacji.

Niezależnie od modelu biznesowego, w PMax można łatwo uruchomić pozyskiwanie nowych klientów – poprzez Tryb New Customer Acquisition (NCA). To ustawienie pomaga ukierunkować system na wyszukiwanie takich osób, które z dużym prawdopodobieństwem nie miały jeszcze żadnego kontaktu z marką.

Jak optymalizować kampanię i analizować raporty?

Optymalizacja w PMax opiera się głównie na danych i zasobach.

Na poziomie podstawowym warto regularnie kontrolować statystyki kampanii i kluczowe metryki: kliknięcia, CTR oraz wskaźniki konwersji – to jasne sygnały świadczące o jakości kampanii, tym czy działa, czy raczej stoi w miejscu.

Najważniejszym raportem w samym Google Ads jest raport zasobów. Pokazuje on skuteczność kreacji i ułatwia decyzję, co wymienić lub dodać. W e-commerce dobrze jest równolegle sprawdzać wyniki produktowe, bo spadki wyników często wynikają z tego, które produkty system promuje najmocniej, a nie tylko z jakości kreacji. Zwróć też uwagę na ustawienie “rozszerzanie końcowego adresu URL”. Może zwiększać zasięg i liczbę dopasowań, bo system kieruje użytkownika na bardziej trafne podstrony, ale wymaga kontroli.

Analiza Search Terms (wyszukiwanych haseł) pozwala z kolei wychwycić nowe tematy i dopasować do nich komunikaty lub ofertę. Zmiany najlepiej wprowadzać etapami, w formie testów A/B (np. warianty nagłówków lub grafik), żeby wiedzieć, co realnie wpłynęło na wynik.

Wreszcie, zalecamy korzystanie z Google Analytics 4 – przy jego pomocy łatwo można przeanalizować ścieżki użytkowników i ocenić, czy ruch z kampanii trafia na właściwe strony, czy rozchodzi się na etapie koszyka, formularza lub landing page’a.

Wady i zalety automatyzacji w Performance Max

Automatyzacja w Performance Max jest wygodna, ale wymaga jeszcze kontroli ze strony człowieka. Jakie są jej najważniejsze zalety i wady?

Mocne strony automatyzacji w PMax:

• Skalowalność – łatwiej zwiększać budżet i zasięg bez budowania wielu kampanii ręcznie;
• Oszczędność czasu – mniej pracy przy stawkach, podziale ruchu i ręcznych korektach;
• Ciągłe czuwanie i zaawansowana optymalizacja – system na bieżąco szuka lepszego zwrotu z inwestycji (ROI) i ROAS, bo ocenia aukcje w czasie rzeczywistym i szybciej niż człowiek reaguje na zmiany popytu.

Wyzwania i wady automatyzacji w PMax:

• Mniej kontroli nad placementami;
• Ograniczone raportowanie – utrudnia szybkie reakcje i diagnozy problemów;
• Ryzyko kanibalizacji ruchu brandowego – kampania może przejmować ruch, który wynika z innych działań (ma pierwszeństwo przed kampaniami Search, gdy trafi na to samo zapytanie);
• Spalacze budżetu – część emisji może mieć słabą jakość.

Jak odzyskać kontrolę?

• Wykluczenia marek – pozwalają ograniczyć emisję na zapytania brandowe (tam, gdzie ma to uzasadnienie);
• Wykluczenia adresów URL – blokują kierowanie na podstrony, które nie powinny dostawać ruchu (np. regulaminy, puste kategorie);
• Wykluczające słowa kluczowe – pozwalają odciąć nietrafne intencje, które mogą spalać budżet i nie dawać żadnych efektów.

Uruchamiając kampanię warto zawsze na uwadze mieć bezpieczeństwo marki (Brand Safety). PMax w szczególności ma szeroki zasięg, działa w wielu miejscach naraz, a wgląd w część emisji bywa ograniczony (raportowaniem). To zwiększa ryzyko, że reklama pojawi się w niepożądanym kontekście (kontrowersyjne treści, clickbait, aplikacje o niskiej jakości itd., itp.).

The post Kampanie Google Performance Max (PMax) – co to jest, jak je skonfigurować i optymalizować? first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Od nauczyciela chemii do eksperta e-commerce

Analiza marży i budowanie świadomości marki

Cross-border: Jak dane weryfikują potencjał rynków

Lokalne pułapki: Case study Rumunii i kody pocztowe

Technologia, AI i porządkowanie danych

Podsumowanie: Główne wnioski z rozmowy

Od nauczyciela chemii do eksperta e-commerce

Początki w branży i rola edukacji w analityce

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

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

Mariusz Michalczuk: Ale powiedz czego?

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

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

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

Analiza marży i budowanie świadomości marki

Podstawy analityki w małym i dużym e-commerce

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

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

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

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

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

\

Cross-border: Jak dane weryfikują potencjał rynków

Weryfikacja rynków zagranicznych przed wejściem

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

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

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

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

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

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

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

Lokalne pułapki: Case study Rumunii i kody pocztowe

Dostosowanie sklepu do lokalnych przyzwyczajeń

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

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

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

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

Mariusz Michalczuk: Jak to zdiagnozowaliście?

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

Technologia, AI i porządkowanie danych

Wybór platformy i rola „jednego źródła prawdy”

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

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

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

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

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

Podsumowanie: Główne wnioski z rozmowy

Strategia oparta na danych i lokalizacja

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

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

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

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

Punkt wyjścia

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

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

Wyzwania

Najważniejsze wyzwania obejmowały:

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

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

Nasze podejście

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

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

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

Testowane hipotezy obejmowały:

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

Efekty

Trzy z czterech testowanych hipotez przyniosły wzrost współczynnika konwersji:

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

Najlepsza wersja przyniosła 21% wzrost współczynnika konwersji.

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

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

Opinia Conrad.pl na temat przeprowadzonego projektu

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

Podsumowanie

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

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

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

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

Punkt wyjścia

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

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

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

Wyzwania

Najważniejsze wyzwania obejmowały:

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

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

Nasze podejście

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

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

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

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

Efekty

Wdrożenie nowej architektury analitycznej pozwoliło:

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

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

Opinia Kratki.com na temat przeprowadzonego projektu

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

Podsumowanie

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

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

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

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

Punkt wyjścia

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

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

Wyzwania

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

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

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

Nasze podejście

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

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

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

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

Działania były możliwe dzięki modelowi opieki analitycznej, który zakłada:

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

Efekty

Wdrożenie dashboardu managerskiego pozwoliło:

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

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

Opinia uPacjenta.pl na temat przeprowadzonego projektu

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

Podsumowanie

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

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

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

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

Punkt wyjścia

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

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

Wyzwania

Analiza wykazała, że transakcje były rejestrowane w sposób mieszany:

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

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

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

Nasze podejście

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

Takie podejście pozwoliło:

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

Efekty

Wdrożone zmiany przyniosły wyraźną poprawę jakości danych:

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

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

Opinia na temat współpracy Botland.com.pl z Conversion

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

Podsumowanie

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

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