Czego dowiesz się z tego wywiadu:

Dlaczego zbieramy dane jak punkty lojalnościowe

Metodyka PMA i odzyskiwanie kontroli nad marketingiem

Zero Click Marketing – działania poza stroną docelową

Rola AI w analityce i pułapka „jedynego źródła prawdy”

Podsumowanie: Główne wnioski z rozmowy

Dlaczego zbieramy dane jak punkty lojalnościowe

Paradoks nadmiaru danych i podejmowanie decyzji na wyczucie

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 Maciej Lewiński. Cześć Maćku.

Maciej Lewiński: Cześć, dzień dobry.

Mariusz Michalczuk: Pogadamy sobie dzisiaj jak analityk z analitykiem, prawda?

Maciej Lewiński: Mam nadzieję.

Mariusz Michalczuk: Chciałbym zacząć od tego, z czym się mierzymy. W analizie bardzo często mierzymy się z tym, że mamy ogromnie dużo danych. Dzisiaj dane nie są problemem w marketingu, a powiedzenie, że od przybytku głowa nie boli, raczej się tu nie sprawdza. Chciałem Cię podpytać, jak to wygląda z Twojej perspektywy. Ciągle mimo wszystko w marketingu króluje podejście „wydaje mi się”. Mamy bardzo dużo danych, a do końca ich nie wykorzystujemy. Dlaczego tak się dzieje? Czy masz podobne obserwacje u siebie?

Maciej Lewiński: Dziękuję za zaproszenie. Faktycznie, mam obserwację, że żyjemy w bardzo ciekawych czasach – danych nam nie brakuje. To pewnego rodzaju paradoks, który dotyczy nas i całego rynku. Danych mamy bardzo dużo. Koszty ich przechowywania są znacząco tańsze niż kiedyś. Sposoby przetwarzania, chociażby za pomocą sztucznej inteligencji, również są bardzo tanie. A mimo to, ludzie nadal lubią podejmować decyzje na zasadzie motyli w brzuchu, opinii szwagra, albo przysłowiowego „wydaje mi się”.

Im jestem bardziej doświadczony, tym mocniej przekonuję się, że to nie jeden czynnik wpływa na to królowanie intuicji, tylko suma wielu różnych rzeczy. Ale gdybym miał wskazać ten decydujący element, powiedziałbym, że to wina stacji benzynowych i sklepów typu Żabka.

Zbieractwo danych a cel biznesowy

Mariusz Michalczuk: To bardzo intrygujące, co powiedziałeś.

Maciej Lewiński: Mam wrażenie, że one bardzo mocno wyedukowały nas w kontekście zbieractwa – punktów, żappsów. Zbieramy te dane na później, bo wydaje nam się, że kiedyś pojawi się super katalog, w którym wymienimy je na fajny produkt przydatny w życiu. Marketerzy podchodzą do danych dokładnie na zasadzie takiego zbieractwa. Jedyny sposób ich wykorzystywania to opisywanie tego, co zadziało się wczoraj. Chcą mieć prozaiczną kontrolę nad marketingiem, chcą wiedzieć, co wydarzyło się na ich stronie. To trochę tak, jak rodzice odbierający dziecko ze szkoły, zadający pytanie: „jak tam było dzisiaj?”.

Mariusz Michalczuk: Trochę tak jest.

Maciej Lewiński: Jakiej odpowiedzi oczekujesz?

Mariusz Michalczuk: Dobrze.

Maciej Lewiński: Dobrze i koniec, kropka. Masz kontrolę nad tym, co się wydarzyło. Podobnie jest w marketingu. Intencja zbierania danych jest inna, niż nam by się wydawało. Kluczowe byłoby zmienienie perspektywy myślenia: co ja tymi danymi chcę zmienić w biznesie? Po co ja je zbieram?

Mariusz Michalczuk: Zacznij od „dlaczego”.

Maciej Lewiński: Tak, Simon Sinek zbiłby tu piątkę. Stawiam na to, że to kwestia złego nastawienia. Nie myślimy, po co nam te dane, tylko mówimy, że będziemy je zbierać, żeby w razie czego mieć co przedstawić. Dlatego często łatwiej jest podjąć decyzję na wyczucie.

Metodyka PMA i odzyskiwanie kontroli nad marketingiem

Pytanie, Metryka, Akcja – jak przejść do działania

Mariusz Michalczuk: Bardzo podoba mi się twoja metodyka PMA – Pytanie, Metryka, Akcja. Wydaje mi się, że „akcja” jest tu kluczowa w pracy z klientami. Opowiedz, jak realizujesz tę metodykę. Mam wrażenie, że to rozwiązanie problemu patrzenia wyłącznie w przeszłość.

Maciej Lewiński: Bazując na moim doświadczeniu, strasznie irytowało mnie to, jak klienci podchodzili do analityków w sposób czysto narzędziowy: „Pan jest od Google Analytics? To poproszę o jakiś ciekawy raport”. Ale jaki raport? „Taki, który mogę pokazać zarządowi”. A o czym będziecie rozmawiać? „O ostatnich kampaniach”. A po co je robiliście? To było robienie raportu dla raportu. Sztuka dla sztuki.

Stwierdziłem, że taka odtwórcza praca totalnie mija się z moim powołaniem. Zawsze chciałem mieć na coś wpływ, pomagać. Jestem z Poznania, nie jestem skąpy, ale gospodarny, mam specyficzne podejście do wydawania pieniędzy. Dlatego powstała metodyka, która nakierowuje ludzi na podejmowanie decyzji na podstawie danych. Nie robię raportu dla raportu, robię go, by odpowiedzieć na konkretne pytanie. Nawet jak nie znam odpowiedzi, stawiam hipotezę, mam punkt odniesienia i wykonuję test. Spodziewam się rozwiązań A albo B. W zależności od wyniku, wiem, co robić dalej. Dane muszą być użyteczne.

Mariusz Michalczuk: Czyli kwestię „po co w ogóle są te dane” rozwiązujesz dopytywaniem. Z pytania i metryki rodzi się konkretne działanie.

Maciej Lewiński: Żeby to bardziej uwidocznić słuchaczom – bardzo często na konsultacjach klienci pokazują mi dashboard. Wskazuję dowolną metrykę i pytam: „Gdyby to wzrosło o 20%, to co byś zrobił?”. Widzę, że druga strona się wstrzymuje i zaczyna myśleć. Tłumaczę: jeśli nie znasz odpowiedzi, po co ci ta metryka w raporcie? Chodzi o minimalizowanie udziału liczb, którymi jesteśmy zalewani, i zostawienie tylko tych, które pchają biznes do przodu.

Mariusz Michalczuk: A czy nie jest tak, że ludzie wolą wiedzieć więcej? Dodają kolejne rzeczy do raportu, co działa odwrotnie proporcjonalnie do płynącej z nich wiedzy.

Maciej Lewiński: Są zalewani informacjami i nie wiedzą, na co zwrócić uwagę, by zrobić pierwszy krok. Inne metryki krzyczą o uwagę i podważają pewność decyzji.

\

Zero Click Marketing – działania poza stroną docelową

Edukacja analityczna i brak kontroli

Mariusz Michalczuk: Dużo szkolisz. O co klienci pytają najczęściej? O metryki, których nie rozumieją, czy o wykorzystanie danych?

Maciej Lewiński: Zawsze pytam odbiorców szkolenia, z czym borykają się w codziennej pracy z danymi. Główny problem, co mnie totalnie zaskakuje, to potrzeba odzyskania kontroli nad marketingiem. Pytania oscylują wokół tego, co robić: które kampanie działają, co wstrzymać, co zoptymalizować. To istotne, bo musimy pozyskać ruch, by ktoś u nas kupił. Z drugiej strony, jest bardzo mało pytań dotyczących samej strony internetowej.

To burzy mój spokój – ludzie nie myślą holistycznie. Skupiają się na pozyskaniu ruchu, będąc przekonani, że ich strona działa idealnie. Kiedy dowiedzą się, jak kontrolować marketing, przychodzą do łatania strony, która często jest dziurawym wiadrem. Dodatkowo dominującym pytaniem od ponad półtora roku jest to, dlaczego dane nie zgadzają się pomiędzy Google Ads, Analytics, saldem konta bankowego i systemem CRM.

Mariusz Michalczuk: Dzisiaj dużo pytań w dobie AI pada o pozyskiwanie ruchu. Przejdźmy do Zero Click Marketingu, którego chyba jesteś w Polsce autorem. Jak do tego podchodzisz? Przecież dzisiaj ruch nie przyjdzie, jeśli klient odpowie na swoją potrzebę jeszcze przed wejściem na stronę.

Maciej Lewiński: Zacznijmy od wyjaśnienia. Zero Click Marketing to wpływ działań marketingowych bez konieczności odwiedzenia naszej strony internetowej. Zauważyłem, że większość firm zaczyna mieć alergię na niebieskie linki. Jeśli wrzucasz je publicznie do internetu, algorytmy ucinają zasięgi. Wystarczy zrobić test: wrzucić ten sam post raz z linkiem, a raz bez, i porównać zasięgi.

Mariusz Michalczuk: Sam tego doświadczyłem i testowałem.

Maciej Lewiński: Coraz więcej działań dzieje się poza naszą stroną. Budujemy wpływ w naszej grupie docelowej i zaufanie kluczowe w podejmowaniu decyzji. Część marketingu po prostu się dzieje, ale nie trafia do analityki. Platformy społecznościowe nienawidzą linków. Google robi to samo, wprowadzając AI Overview. Jedynym pewnym źródłem ruchu stają się płatne reklamy. Analityka dzisiaj nie działa tak, że „to, co nie jest mierzalne, nie ma wpływu”.

Nie samymi kliknięciami żyjemy. Dzisiaj odpowiedź na pytanie, która konkretnie kampania przyniosła sprzedaż w skali jeden do jednego, jest praktycznie niemożliwa. Musimy przestać oczekiwać idealnego scenariusza i zacząć sprawdzać, co na co wpływa w szerszym ujęciu.

Rola AI w analityce i pułapka „jedynego źródła prawdy”

Dlaczego człowiek i kontekst są wciąż niezastąpieni

Mariusz Michalczuk: Zastanawiam się nad AI w kontekście analityków. Kiedyś analityk znał narzędzia i język SQL. Dzisiaj bardziej skręca w stronę osoby biznesowej, która umie zadawać właściwe pytania. Kim dzisiaj jest dobry analityk?

Maciej Lewiński: Dobry analityk nigdy nie był analitykiem narzędziowym. Dla mnie analityk to ktoś, kto doskonale zna kontekst biznesowy. Osoba z zewnątrz potrzebuje czasu, żeby to poznać. Druga cecha, szczególnie w dobie AI, to sceptycyzm i dociekliwość. Kwestionowanie wyników. Trzecia rzecz: odwaga w podejmowaniu decyzji i wskazywaniu kierunków. AI jest świetne do znalezienia odpowiedzi, ale to człowiek zapewnia weryfikację kontekstu.

Mariusz Michalczuk: Ja też nie wierzę, że da się zdigitalizować cały kontekst biznesowy. AI może źle zinterpretować spadek w kampanii, nie wiedząc na przykład, że po prostu wygasła podpięta karta kredytowa.

Maciej Lewiński: Z całą pewnością. Im dłużej AI będzie z nami, tym będzie dokładniejsze, ale wciąż będziemy potrzebować dozy sceptycyzmu. AI wyciągnie algorytmiczną średnią, ale bez emocji, empatii i zrozumienia korzyści po stronie odbiorcy.

Mariusz Michalczuk: Widziałem wpisy na LinkedInie, gdzie ludzie chwalili się, że w trzy wieczory zbudowali z AI „jedno źródło prawdy”, spinając różne systemy. Pomaga to nam, czy szkodzi?

Maciej Lewiński: AI w absurdalnie krótkim czasie tworzy rozwiązania technologiczne. Ale czerwony wykrzyknik pojawia się przy haśle „jedyne źródło prawdy”. Z punktu widzenia firmy, każdy dział ma swoją prawdę. Dla jednego to przychód brutto, dla innego netto po zwrotach. Jedna osoba z Netflixem w tle nie odpowie poprawnie na te wszystkie pytania biznesowe. Wprowadza to chaos. Jednak lepsze jest robienie czegokolwiek niż bezczynność. Zawsze czegoś się nauczymy, nawet jeśli popełnimy błąd.

Mariusz Michalczuk: Co doradziłbyś słuchaczom w kontekście marketingu na podstawie swojego kilkunastoletniego doświadczenia i misji przeszkolenia tysięcy osób?

Maciej Lewiński: Żeby zaczęli zadawać sobie pytanie: po co mi ta liczba? Co to zmienia? Dlaczego ją zbieram? Jeśli użytkownik dostaje metrykę i potrafi ocenić, jak wpłynie to na jego firmę, to znaczy, że odniósł sukces. Nie potrzebujemy dashboardów z pięćdziesięcioma metrykami, tylko kilku, ale najważniejszych.

Mariusz Michalczuk: Bądźmy ciekawi, nie zostawiajmy liczb bez refleksji i drążmy temat. Dzięki Maciek za rozmowę.

Maciej Lewiński: Ja również dziękuję za zaproszenie.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla analityków i marketerów

Rozmowa z Maciejem Lewińskim doskonale obrazuje, jak ewoluuje podejście do analityki internetowej. Problem nadmiaru danych i bezrefleksyjnego „zbieractwa” sprawia, że marketerzy często gubią główny cel prowadzonych działań. Rozwiązaniem tego wyzwania jest metodyka PMA (Pytanie, Metryka, Akcja), która zmusza do weryfikacji przydatności każdej analizowanej liczby przed podjęciem na jej podstawie jakiejkolwiek decyzji.

Zjawisko Zero Click Marketingu to kolejny dowód na to, że mierzenie efektywności marketingu wyłącznie poprzez kliknięcia i ruch na stronie przestało być miarodajne. Znacząca część budowania zaufania użytkownika odbywa się obecnie bezpośrednio w mediach społecznościowych i przy udziale narzędzi AI, co wymaga od specjalistów szerszego, holistycznego spojrzenia na proces zakupowy.

Wnioskiem płynącym z wywiadu jest to, że choć sztuczna inteligencja znacząco ułatwia techniczną pracę z danymi, nigdy nie zastąpi człowieka w kluczowych obszarach. Dogłębna znajomość kontekstu biznesowego, sceptyczne podejście do anomalii oraz odwaga w kwestionowaniu liczb pozostają kompetencjami, które definiują dzisiaj najlepszych analityków na rynku.

The post Decyzje oparte na danych, nie na „wydaje mi się” – Maciej Lewiński – Date with Data Talks first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Ewolucja technologiczna: od korporacji do zwinnych środowisk

Wyzwania logistyczne w e-commerce a rozwój marketingu

Dlaczego projekty technologiczne upadają i czym jest efekt „kalafiora”

Zastosowanie agentów AI w zwinnym rozwoju produktu

Podsumowanie: Główne wnioski z rozmowy

Ewolucja technologiczna: od korporacji do zwinnych środowisk

Początki kariery z twardą technologią i pierwsze kroki w e-commerce

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku podcastu z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych. Dzisiaj moim gościem jest Daniel Kierdal. Dzisiaj będziemy więcej mówili o stronie danych internetowych i technologii. Masz ogromne doświadczenie we wdrażaniu narzędzi. Pracowałeś w dużych firmach, a obecnie rozwijasz swój startup. Opowiedz o swoim doświadczeniu i o tym, jak technologia zmieniała się na przestrzeni lat, zwłaszcza w ujęciu biznesowym.

Daniel Kierdal: Cześć. Zajmowałem się technologią od początku kariery. Na starcie to była twarda technologia. Zaczynałem w niewielkiej firmie Optimus, a potem trafiłem do IBM, gdzie zajmowałem się hardwarem, serwerami napędzającymi centra danych. Wtedy to były jeszcze silosowe, potężne systemy skalowane pionowo. Następnie poszedłem w kierunku oprogramowania, pozostając w warstwie niskopoziomowej technologii. Z IBM przeszedłem do Adobe. To był moment, w którym uznałem, że odchodzę od czystej technologii na rzecz marketingu i biznesu. Zmiana i rewolucja w sposobie zbierania i wykorzystywania danych online były niezwykle odkrywcze. Potem trafiłem do SAP, do działu martechowego, a ostatecznie poszedłem na swoje. Odpalam już trzeci startup i wszystkie w jakiś sposób krążą wokół danych, ponieważ to one są prawdziwym paliwem.

Mariusz Michalczuk: Nasze ścieżki po raz pierwszy przecięły się właśnie w Adobe, przy rozwiązaniu Adobe Analytics, które było jednym z pierwszych enterprise’owych narzędzi do analizy danych. Powiedz, jak zmieniało się samo podejście do wdrożeń na przestrzeni tych lat? Jak to wyglądało kiedyś, gdy dane trzymało się na serwerach, a nie w chmurze?

Daniel Kierdal: Rewolucja była kosmiczna. Gdy zajmowałem się serwerami z DB2, były to czasy projektów wyłącznie dla firm enterprise, bo tylko one inwestowały w taki sprzęt. Hurtownie danych budowano wtedy przez 2-3 lata do pierwszego uruchomienia. Planowano cały model danych, źródła, transformacje – wszystko metodyką waterfall od A do Z. Dopiero po trzech latach pojawiał się pierwszy raport. W dzisiejszych czasach to nieakceptowalne, nie tylko ze względu na czas. Świat zmienia się na tyle szybko, że po pół roku zaplanowane dane są już często niepotrzebne albo stanowią tylko ułamek tego, czego biznes naprawdę wymaga do podejmowania decyzji.

Przejście do zwinnego zarządzania projektami

Mariusz Michalczuk: Zakładam, że firmy decydujące się na wdrożenie musiały być niesamowicie cierpliwe i gotowe na długie oczekiwanie. Dziś, szczególnie w świecie startupów, oczekuje się namacalnych efektów już po pierwszych iteracjach.

Daniel Kierdal: Zgadza się. Zmieniło się to na iterowanie i zwinne metodyki wytwarzania. Po drodze wiele projektów waterfallowych upadło, ponieważ świat zmieniał się za szybko. Wymagały ciągłych zmian i modyfikacji, na które brakowało czasu. Istnieją spektakularne przykłady na rynku, gdzie duży detalista po kilku latach i wyrzuceniu w błoto pół miliarda euro, zrezygnował z wdrożenia systemu. Zmieniło się też pokolenie. Nawet w korporacjach ludzie nie chcą już czekać. Wszyscy oczekują efektów „tu i teraz”. Mamy kawałek kodu, testujemy go, sprawdzamy, co możemy wyciągnąć, a następnie dokładamy kolejne źródło danych i budujemy kolejny krok. To jedyne słuszne podejście.

Wyzwania logistyczne w e-commerce a rozwój marketingu

Budowa systemu OMS na styku e-commerce i magazynu

Mariusz Michalczuk: Bardzo ciekawe jest to połączenie, w którym szybkie pochłanianie informacji przez użytkowników wpływa bezpośrednio na funkcjonowanie biznesu. Przejdźmy do Twojej drogi. Pracowałeś w ogromnych organizacjach, a nagle wpadłeś na pomysł zbudowania systemu AMS i wszedłeś w świat zwinnych startupów. Skąd ten pomysł? Wyjście ze strefy komfortu korporacji do startupu to duży krok.

Daniel Kierdal: To była inna strefa komfortu, a właściwie jej brak. Często mówi się o genialnych pomysłach, które rodzą się w głowie za jednym zamachem, ale u mnie zadziałał przypadek i obserwacja. Dojrzewałem do pójścia na swoje. Rozmawiałem z wieloletnim kolegą o stworzeniu czegoś własnego i nagle pojawił się znajomy klient, który poprosił o zintegrowanie systemu WMS z platformą e-commerce. Wcześniej zajmowałem się digital marketingiem i widziałem, jak ogromnym problemem dla biznesów online jest proces logistyczny.

Sprzedaż online to składanie obietnicy. Sklep robi reklamę, opisuje historię produktu, pokazuje piękne zdjęcia i wciąga klientów do lejka. Ale moment konwersji to czas, gdy ktoś mówi „sprawdzam”. Fulfillment, czyli zrealizowanie zamówienia, to spełnienie tej obietnicy. To absolutnie kluczowe, bo od pierwszego doświadczenia zaczynasz budować lojalność. W online zwrot z inwestycji w pozyskanie klienta pojawia się najczęściej dopiero przy jego trzecim zamówieniu.

Mariusz Michalczuk: Zgadzam się. Koszty mediów i pozyskania klienta rosną. Coraz częściej trzeba dopłacić do pierwszej transakcji, by później zacząć na kliencie zarabiać.

Daniel Kierdal: Średnio zaczynamy zarabiać dopiero przy około 2.5 koszyka. Jeśli kończymy relację na pierwszym zakupie, dopłacamy do biznesu. Firmy inwestowały ogromne środki w narzędzia marketingowe wspierające pozyskiwanie klienta, ale technologia do fulfillmentu była sto lat z tyłu. E-commerce rósł, a stare systemy zarządzania magazynem (WMS), projektowane dekady temu do obsługi palet, nie dawały rady z wysyłką pojedynczych skarpetek czy smartfonów, z doborem kuriera, kodami rabatowymi czy formularzami zwrotu.

Rozwiązywanie powtarzalnych problemów branży

Mariusz Michalczuk: Problemem był fakt, że logistyka blokowała działania biznesowe i marketingowe? Do kogo kierowałeś swoje rozwiązanie – bardziej do logistyki, czy do marketingu?

Daniel Kierdal: Główne rozwiązanie adresowaliśmy do logistyki, a dokładnie do firm 3PL. To było świetne podejście, bo zadowalało obie strony. Operatorowi logistycznemu dawaliśmy spójny proces i niższe koszty obsługi błędów. Z kolei operator mógł pójść do swoich klientów i zaoferować im natychmiastowe podłączenie nowych kanałów sprzedaży. System łączył te światy, godząc ludzi, którzy wcześniej stali po dwóch stronach barykady.

Dlaczego projekty technologiczne upadają i czym jest efekt „kalafiora”

Znaczenie spójnej architektury i umiejętności mówienia „nie”

Mariusz Michalczuk: Wspominałeś o gigantycznych projektach, które po prostu upadają. Czy można wskazać punkt wspólny, przez który projekty technologiczne tak często ponoszą porażkę?

Daniel Kierdal: Bardzo często umierają dlatego, że firmy nie słuchają klientów w sposób usystematyzowany. Zdarza się też, że roadmapą rządzi jeden, największy klient. Jeśli dostosujesz cały produkt do jednego dużego gracza, to przestanie on pasować do reszty rynku, a ty zamiast tworzyć skalowalny produkt, staniesz się wykonawcą jednostkowego projektu. Drugim problemem jest uleganie tym, którzy najgłośniej krzyczą, z pominięciem dbałości o architekturę systemu.

Miałem klienta, który przyznał się, że jego wielki system powstał bez zarządzania architekturą 20 lat temu. Budowali tzw. monolit. Z biegiem lat dorabiali kolejne funkcje. Taki system przyjmuje „architekturę kalafiora”. Chcesz zmienić jeden mały komponent w środku, a okazuje się, że musisz rozgrzebać wszystko. Odmawiałem im wdrażania kolejnych nakładek, jeśli wymagało to budowania obejść. Tłumaczyłem, że za 10 lat obudzą się w tym samym punkcie. Spojrzenie długoterminowe i budowa fundamentów są kluczowe.

Mariusz Michalczuk: Umiejętność spojrzenia kilka kroków do przodu i odmawiania funkcji, które zaburzą architekturę, brzmi jak absolutnie krytyczna kompetencja w IT.

Daniel Kierdal: To połączenie twardego doświadczenia i umiejętności miękkich. Wymaga zrozumienia technologii oraz empatii, by wejść w buty klienta i wyobrazić sobie, z jakimi problemami zderzy się za rok czy dwa. Sam tego obecnie uczę innych.

Zastosowanie agentów AI w zwinnym rozwoju produktu

Problem taniego kodu i pułapki w szybkim projektowaniu

Mariusz Michalczuk: Dotknijmy tematu AI. Opowiadałeś mi o wdrożeniach i doradzaniu przy sztucznej inteligencji. Jak aktualnie z nią pracujesz? Świat idzie w stronę automatyzacji, ale widzę, że ty podchodzisz do tego niesamowicie praktycznie.

Daniel Kierdal: Teraz sztuczną inteligencją zajmują się prawie wszyscy. Podczas przeglądania projektów widzę, że hasło „AI” jest na każdym slajdzie. Uważam wręcz, że wstawianie AI na siłę staje się powoli minusem w oczach inwestorów. Narzędzie ma rozwiązywać konkretny problem procesu, a to, że wspiera je sztuczna inteligencja, to tylko narzędzie do celu.

Wraz z zespołem stworzyliśmy platformę AgenticForce. Nasz founder słusznie zauważył, że tworzenie oprogramowania stało się tak tanie, że zniknął naturalny „kaganiec” finansowy, który powstrzymywał nas przed produkcją zbędnych funkcjonalności. W firmach pojawiło się zjawisko „CEO Driven Development” – szef w weekend koduje prowizoryczną funkcję przy wsparciu narzędzi generatywnych i nakazuje zespołowi wdrożenie jej na produkcję. Ponieważ kod jest tani, funkcje tworzy się masowo. Problem w tym, że każda nowa funkcja wymaga utrzymania, integracji i zasobów, a system powoli znów zamienia się we wspomnianego „kalafiora”.

Wingman jako wsparcie Product Managera

Mariusz Michalczuk: Umiejętność mówienia „nie” przy rozwoju oprogramowania staje się więc ważniejsza niż mówienie „tak”.

Daniel Kierdal: Dokładnie. Dzisiaj Product Manager otrzymuje informacje z dziesiątek źródeł: systemów zgłoszeń, formularzy, social mediów i czatów. Próba znalezienia priorytetów w tym szumie jest trudna. Dlatego zbudowaliśmy Jacka Wingmana – agenta AI, który staje się asystentem zarządzającego produktem. Analizuje ogromne zbiory nieustrukturyzowanych danych, układa wątki i priorytetyzuje zadania tak, by menedżer miał twarde argumenty, by odrzucić spontaniczne pomysły CEO na rzecz faktycznie rentownych zmian.

Co więcej, Wingman zamyka pętlę komunikacyjną. Jeśli system na podstawie zgłoszeń 1200 użytkowników stworzy i dowiezie funkcjonalność, potrafi automatycznie wrócić do tych osób z informacją zwrotną. Pokazujemy im, że ich głos ma znaczenie i realnie wpłynął na produkt. Platforma od początku jest zaprojektowana wokół sztucznej inteligencji, dzięki czemu agenci mogą się między sobą komunikować i uzupełniać swoje role – mamy agentów od produktu, marketingu, a nawet operacji, którzy współpracują na specjalnych kanałach.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla menedżerów i specjalistów e-commerce

Rozmowa z Danielem Kierdalem uwidacznia, jak bardzo przyspieszyły cykle tworzenia technologii internetowych. To, co kiedyś planowano w wieloletnich projektach wodospadowych (waterfall), dzisiaj weryfikuje się w szybkich, zwinnych iteracjach. Szczególnie wyraźnie widać to na styku e-commerce i logistyki, gdzie doskonały marketing często trafiał w barierę niewydolnych, przestarzałych systemów magazynowych, obniżając szansę na opłacalność biznesu i budowę bazy lojalnych klientów.

Dzisiejszy rozwój technologii oparty o sztuczną inteligencję i tanie metody wytwarzania oprogramowania niesie jednak nowe zagrożenia. W obliczu masowego przypływu innowacji i „vibekodowania”, kluczową kompetencją organizacji staje się asertywność oraz zarządzanie twardymi danymi. Implementacja nowych funkcji bez kontroli architektury prowadzi do długu technologicznego, niszcząc elastyczność systemu na lata.

Rozwiązaniem tych problemów są wyspecjalizowani asystenci cyfrowi i agenci AI. Dzięki analizie nieustrukturyzowanych informacji od klientów oraz łączeniu ich z danymi o zachowaniach użytkowników w produkcie, menedżerowie mogą podejmować decyzje w oparciu o konkrety. Rozmowa dobitnie pokazuje, że oswajanie nowinek technologicznych, przy zachowaniu zdroworozsądkowego filtra analitycznego, stanowi obecnie jedyną drogę do osiągnięcia stabilnej przewagi konkurencyjnej na rynku.

The post Jak wdrażać technologię w e-commerce – Daniel Kierdal – Date with Data Talks first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Czym tak naprawdę jest Retail Media?

Skąd bierzemy dane analityczne w świecie fizycznym?

Mierzalność działań i wyliczanie ROAS w sklepach stacjonarnych

Zastosowanie Retail Media dla sklepów e-commerce i punktów offline

Prywatność i bezpieczeństwo danych użytkowników

Podsumowanie: Główne wnioski z rozmowy

Czym tak naprawdę jest Retail Media?

Omnichannelowe podejście do komunikacji

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 Piotr Zagórski. Miło mi Ciebie gościć, Piotrku. Będziemy rozmawiali o Retail Media. Czy mógłbyś na wstępie opowiedzieć, dlaczego jesteś jedną z lepszych osób w Polsce, by rozmawiać o tym temacie i czym właściwie to Retail Media jest?

Piotr Zagórski: Cześć. Bardzo dziękuję za zaproszenie. Cieszę się, że mamy okazję o tym porozmawiać. Faktycznie, Retail Media to obecnie gorący temat. Czy jestem jedną z lepszych osób, by o tym mówić – nie mnie oceniać, natomiast tematem zajmuję się już wiele lat. Mamy teraz okres, kiedy zyskuje to niesamowitą popularność w Polsce i na rynkach zagranicznych. I nie dzieje się to bez powodu.

Retail Media to pojęcie, które odnosi się do komunikacji kierowanej przede wszystkim do klientów sieci handlowych w ujęciu omnichannelowym. Sieci handlowe jako punkty sprzedaży są traktowane zarówno offline’owo, czyli to może być Rossmann, Biedronka czy Walmart, jak i online’owo, czyli dowolny marketplace typu Allegro czy eBay, a także standardowy sklep e-commerce. Chodzi o to, by skupiać się na komunikacji do klientów, którzy mają dostęp do półki sklepowej. Z tej perspektywy komunikacja zawsze będzie się stosunkowo lepiej przekładać na konwersje sprzedażowe.

Jeżeli zainteresujemy odbiorcę komunikatem, wiedząc, że ma dostęp do półki i jest klientem danego sklepu, ma on realną szansę kupić dany produkt. Jeżeli prowadzimy taką komunikację szeroko, bez uwzględnienia kryterium dostępu do produktu w targetowaniu, część osób po prostu nie będzie w stanie go nabyć. Ta część inwestycji w komunikację nie ma szans konwertować na zakup, co znacznie obniża efektywność działań. Stąd wielka popularność Retail Mediów. Mówimy o komunikacji do klientów, którzy często są już w zaawansowanym procesie decyzji zakupowej – dotyczy to zarówno produktów FMCG na półce, jak i zakupu samochodu.

Mariusz Michalczuk: Czyli z tego, co rozumiem, choć dzisiaj większość mówi o Retail Media w internecie, Ty zwracasz uwagę, że to całościowy sposób dotarcia do użytkowników. Żyjemy w świecie fizycznym i styczność z produktem jest niezwykle istotna. Retail Media to nie tylko marketplace’y czy e-commerce, ale w dużej mierze sklepy stacjonarne.

Piotr Zagórski: Zgadza się. Absolutna większość sprzedaży na rynku to cały czas sklepy stacjonarne, odgrywają one niezwykle silną rolę. Z drugiej strony, w digitalu konsument jest celem pod kątem targetowania komunikacji. Liczy się to, czy może on kupić produkt i czy chce to zrobić. Jeżeli ktoś interesuje się daną kategorią, szuka informacji w internecie lub odwiedza sklepy, to wysłanie mu ciekawej oferty sprzedażowej z rabatem znacznie zwiększy szansę na zakup w porównaniu do osoby, która w ogóle nie jest zainteresowana, mimo fizycznego dostępu do sklepu.

Skąd bierzemy dane analityczne w świecie fizycznym?

Aplikacje mobilne i geolokalizacja w targetowaniu

Mariusz Michalczuk: Od razu pojawia mi się pytanie – skąd my to wiemy? W internecie lepiej lub gorzej rozpoznajemy zainteresowania, ale jak to się dzieje w świecie fizycznym? Skąd wiemy, że ktoś przebywa w danym Rossmannie i jest zainteresowany konkretnymi produktami?

Piotr Zagórski: To bardzo dobre pytanie. Myślę, że warto opisać rzeczywistość marketingową na kilku poziomach. Pierwszy poziom to konsumenci – żywe osoby, do których chcemy dotrzeć. Fajnie, jeśli mamy możliwość selekcji pod kątem zainteresowań i dostępu do produktów. Tu pojawia się drugi poziom, czyli dane. Mamy szeroki wachlarz dostępnych informacji i musimy wiedzieć, które z nich pozwolą precyzyjnie określić docelowe osoby.

W komunikacji digitalowej najpopularniejsze były cookiesy. Pozwalały targetować osoby odwiedzające konkretne strony, np. motoryzacyjne. My w naszej firmie, zajmując się komunikacją w modelu Retail Media, korzystamy z innego źródła. Są to dane z telefonów komórkowych, a dokładniej z aplikacji mobilnych. Nie mówią one o tym, jakie strony były odwiedzane, ale pokazują, jakie fizyczne lokalizacje dany użytkownik odwiedzał.

Mariusz Michalczuk: Przez osobę, która ten telefon posiada?

Piotr Zagórski: Dokładnie. Aplikacje, aby dostarczać swoją funkcjonalność, zbierają sporo informacji. Choćby Google Maps musi wiedzieć, gdzie jesteśmy, by wytyczyć trasę. Wykorzystuje do tego sygnał GPS z precyzją od 3 do 5 metrów. Tworząc system do zarządzania wykorzystaniem tych danych w sposób zanonimizowany – co jest niezwykle istotne pod kątem RODO – jesteśmy w stanie targetować osoby odwiedzające konkretne miejsca.

Wybieramy kilka tysięcy lokalizacji, w których znajdują się sklepy stacjonarne. Chcemy dotrzeć do osób wchodzących do tych miejsc, bo wiemy, że są to klienci danej sieci. Następnie możemy korzystać z dodatkowych warstw analitycznych.

Mariusz Michalczuk: Spróbuję to sparafrazować. Wiemy, że ktoś wchodzi do Rossmanna, więc zakładamy, że interesuje się tematami kosmetycznymi. Dobrze to rozumiem?

Piotr Zagórski: Ważniejsze jest to, że to po prostu klient Rossmanna. Dla producenta oferującego tam swoje produkty, kluczowe jest inwestowanie w komunikację docierającą bezpośrednio do tych klientów, zamiast przepłacać za ludzi robiących zakupy w konkurencyjnej sieci. Inne dane pozwalają nam dodatkowo zawężać tę grupę.

Jeżeli reklamujemy pieluszki dla dzieci i targetujemy klientów Biedronki, nie chcemy kierować przekazu do wszystkich. Skupiamy się na grupie parentingowej. Wykorzystujemy demografię oraz aplikacje, z jakich ktoś korzysta. Możemy targetować osoby odwiedzające Rossmanna, które jednocześnie mają zainstalowane aplikacje dla rodziców. Mamy pewność, że posiadają małe dzieci. Konwersja z tak dopasowanej komunikacji jest w oczywisty sposób o wiele wyższa w porównaniu do klasycznego bazowania na plikach cookies.

Mariusz Michalczuk: Rozumiem, że wy nie znacie konkretnego użytkownika, tylko warunki i kryteria, które go charakteryzują?

Piotr Zagórski: Tak, dlatego to wszystko jest zgodne z RODO i bazuje na dobrowolnych zgodach marketingowych użytkowników. Jest to w stu procentach bezpieczne.

\

Mierzalność działań i wyliczanie ROAS w sklepach stacjonarnych

Od wyświetlenia kreacji reklamowej do zakupu offline

Mariusz Michalczuk: Mógłbyś opisać proces prowadzenia takich działań? Jak klient do Ciebie trafia, z jaką potrzebą, i jak po kolei wygląda proces prowadzący do ostatecznych efektów?

Piotr Zagórski: Potrzeby są różne i dostosowane do specyfiki marki, jej celów marketingowych, jednak zawsze przewija się element dostępu do punktu sprzedaży. Świat Retail Media dzieli się na „in-store media”, czyli punkty styku na terenie sklepu – banery e-commerce, ekrany przy kasach, naklejki na podłodze – oraz „out-of-store media”. Te drugie dotyczą komunikacji do klientów sklepu realizowanej, zanim jeszcze do niego wejdą.

Mamy wtedy więcej czasu na zainteresowanie ofertą i zbudowanie wysokiej częstotliwości kontaktu. Wpływa to na świadomość wspomaganą, ponieważ decyzje w supermarkecie są często automatyczne – rozpoznajemy produkt i po niego sięgamy. Lubimy to, co znamy. Działania przed wejściem do sklepu przygotowują klienta do zakupu, by produkt odpowiednio wyeksponowany przy półce tylko domknął ten proces transakcyjny.

Mariusz Michalczuk: Najciekawsze w tym wszystkim jest to, że zbliżacie się do precyzyjnego policzenia zwrotu z inwestycji, co w przypadku fizycznych wizyt w sklepie wydawało się bardzo trudne. W jaki sposób mierzycie, jak reklama w telefonie wpływa na sprzedaż w stacjonarnym oddziale?

Piotr Zagórski: Tak to dokładnie robimy. Celem kampanii jest wsparcie sprzedaży. Jeżeli klient oczekuje wzrostu w konkretnych punktach, najpierw szacujemy potencjał grup docelowych np. w promieniu 500 metrów od lokalizacji. Weryfikujemy, jak kampania wpłynęła na przyrost unikalnych klientów w punktach sprzedaży w czasie jej trwania. Szacujemy dokładny, procentowy wzrost liczby osób wygenerowany dzięki reklamie.

Mając z drugiej strony dostęp do danych sprzedażowych, zarówno ilościowych, jak i wartościowych, zestawiamy to z wygenerowanym ruchem. W ten sposób dokładnie liczymy ROAS z kampanii fizycznej, czyli sprawdzamy, jak inwestycja przełożyła się na dodatkową sprzedaż, a często dochodzimy z analizą aż do poziomu wskaźnika ROI.

Mariusz Michalczuk: Wyobrażam sobie, że producent napojów, inwestując w taką kampanię, generuje korzyść również dla samej sieci handlowej, bo sprowadza do sklepu klienta, który przy okazji kupi też inne rzeczy.

Piotr Zagórski: Dokładnie tak. Zachęcamy naszych klientów do łączenia budżetów na poziomie sieci handlowej i samego producenta. Łącząc zasoby budujemy silniejszą komunikację. Realizowane są cele obu podmiotów, a próg wejścia w taką inwestycję rozkłada się proporcjonalnie, zwiększając zasięg działań.

Zastosowanie Retail Media dla sklepów e-commerce i punktów offline

Wykorzystanie przestrzeni reklamowej i skali

Mariusz Michalczuk: Jak to wygląda ze skalą Waszej bazy odbiorców? Żeby docieranie do klientów w promieniu chociażby 500 metrów miało sens, ta baza użytkowników na pewno musi być ogromna.

Piotr Zagórski: W Polsce nasz zasięg wynosi około 80% użytkowników smartfonów, co pozwala na wpływanie na biznes klienta w naprawdę dużej skali. Globalnie mamy z kolei dostęp do ponad 3,1 miliarda klientów, dzięki czemu najwięksi marketerzy mogą prowadzić kampanie z użyciem tego samego standardu na całym świecie, traktując nas jako jeden punkt dostępu bez względu na to, czy to Polska, Australia, czy Stany Zjednoczone.

Mariusz Michalczuk: Czy realizujecie działania również dla firm w 100% e-commerce’owych? Wyobrażam sobie, że jako sklep internetowy mógłbym chcieć dotrzeć do klientów fizycznych sklepów mojej konkurencji i sprowadzić ich do mojego online’u.

Piotr Zagórski: Jak najbardziej. Realizujemy takie kampanie na przykład dla branży fashion. Klient posiadający wyłącznie e-commerce targetuje osoby, które poszły do fizycznych salonów konkurencyjnych marek odzieżowych. Z perspektywy konsumenta nie ma sztywnego podziału na online i offline – są konkretne potrzeby zakupowe. Emitujemy odpowiednie reklamy w używanych przez nich aplikacjach, generując zainteresowanie ofertą i przenosząc ten fizyczny ruch bezpośrednio do aplikacji lub sklepu online.

Podobnie funkcjonuje to w biznesach wyłącznie offline’owych. Targetujemy użytkowników odwiedzających konkurencję w zdefiniowanym przez nas zasięgu kilometra. Mierzymy, ile z tych osób zainteresowało się reklamą i po jej obejrzeniu przyszło ostatecznie do salonu naszego klienta.

Prywatność i bezpieczeństwo danych użytkowników

Kwestia RODO i radzenia sobie w gąszczu analitycznym

Mariusz Michalczuk: Brzmi to jak performance marketing w świecie offline. Mamy w dzisiejszych czasach sporo wyzwań z plikami cookies, ochroną prywatności i RODO. Mówiłeś, że opieracie się na anonimowych grupach, ale z perspektywy firmy zarządzającej takimi informacjami – jak zaadresować ewentualne obawy?

Piotr Zagórski: Prywatność to element absolutnie kluczowy. Dane przetwarzane przez system są w pełni zanonimizowane. Nigdy nie mamy dostępu do danych osobowych czy informacji określających, kim dany użytkownik jest. Aby dodatkowo wykluczyć ryzyko wejścia w obszar identyfikacji, nie schodzimy w naszych działaniach z targetowaniem poniżej grupy liczącej 10 tysięcy osób. Działania te służą generowaniu dużych wolumenów i docieraniu do masowego odbiorcy, zatem zbyt wąskie grupy nie miałyby zresztą żadnego sensu biznesowego.

Mariusz Michalczuk: Na koniec chciałbym zapytać Cię o radę. Przedsiębiorcy prowadzący e-commerce mają mnóstwo danych online. Teraz, dzięki rozwiązaniom Retail Media, dochodzą im dane napływające ze świata fizycznego. Jak właściciele biznesów mają się w tym wszystkim nie pogubić? Od czego zacząć analizę?

Piotr Zagórski: Narzędzi do analityki i działań marketingowych są na rynku tysiące. Do tego wchodzi dynamicznie obszar AI, przez co można poczuć spore zagubienie. Moja główna rada brzmi: zacznij od przemyślenia realnych potrzeb i głównego celu jako marketera. Jeżeli Twoim nadrzędnym celem jest sprzedaż – online czy offline – szukaj w pierwszej kolejności danych pozwalających zweryfikować, czy poszczególne działania tę sprzedaż podnoszą.

Najgorsze podejście to prowadzenie działań bez możliwości rzetelnej weryfikacji ich skuteczności. Analityka musi być ściśle powiązana z celami biznesowymi. Unikaj dorzucania w analityce celów dodatkowych, które stoją w sprzeczności z główną strategią optymalizacji. Precyzyjne zdefiniowanie jednego konkretnego obszaru do weryfikacji to punkt startowy każdej dobrej strategii długoterminowej.

Mariusz Michalczuk: Mega. Dzięki ogromne za dawkę inspiracji, za podzielenie się wiedzą i trzymam mocno kciuki za dalszą ekspansję, bo technologia zdejmuje dotychczasowe ograniczenia.

Piotr Zagórski: Bardzo dziękuję za zaproszenie. Temat faktycznie jest fascynujący. Wielkie dzięki!

Podsumowanie: Główne wnioski z rozmowy

Kierunki rozwoju na styku e-commerce i stacjonarnego handlu

Wywiad z Piotrem Zagórskim doskonale pokazuje, że nadeszła era integracji metod analitycznych wykorzystywanych w internecie ze światem fizycznych zakupów. Koncepcja Retail Media przenosi skuteczność performance marketingu bezpośrednio w przestrzeń sklepów stacjonarnych i offline’owej konkurencji, otwierając zupełnie nowe możliwości przed marketerami.

Bazuje ona na zaawansowanym i jednocześnie całkowicie zanonimizowanym i bezpiecznym z punktu widzenia RODO wykorzystaniu geolokalizacji dostarczanej z poziomu aplikacji mobilnych. Pozwala to na emitowanie dedykowanego przekazu tylko do osób, które faktycznie przebywały w obrębie danego sklepu, zamiast emitować komunikaty do zbyt ogólnych i niedopasowanych targetów.

Rozmowa podkreśla kluczową rolę rzetelnej mierzalności w tego typu działaniach. Wykorzystanie platform Retail Media umożliwia marketerom to, co długo było piętą achillesową działań offline – dokładne zestawienie wydatków mediowych ze strumieniem realnych odwiedzin w salonie lub wygenerowaniem konkretnych paragonów (ROAS). Aby te systemy odniosły w danej organizacji sukces, niezbędne jest jednak uproszczenie wskaźników mierzalności do najważniejszych celów biznesowych bez generowania chaosu analitycznego na poboczne i nieistotne metryki.

The post Czym jest Retail Media? – Piotr Zagórski – Date with Data Talks first appeared on Conversion.

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

Atrybucja konwersji – czym jest i dlaczego jest ważna?

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

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

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

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

Trzy główne rodzaje atrybucji konwersji

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

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

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

Kluczowe parametry: ekspozycja i okna konwersji

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

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

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

Problem z raportowaniem platform reklamowych

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

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

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

Dlaczego warto stworzyć własny model atrybucji?

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

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

Wykorzystanie Google BigQuery

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

Model danych Conversion

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

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

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

Podsumowanie

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

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

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

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