Czego dowiesz się z tego wywiadu:

Rola architekta rozwiązań reklamowych w Google

Dlaczego fundamenty danych są kluczowe dla algorytmów

Wyzwania technologiczne i prawne przy bidowaniu do wartości

Data Governance i utrzymanie jakości danych

Przyszłość analityki w erze sztucznej inteligencji

Rola architekta rozwiązań reklamowych w Google

Współpraca z największymi reklamodawcami i wyzwania technologiczne

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

Karolina Wrzask: Cześć, dziękuję za zaproszenie.

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

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

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

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

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

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

Dlaczego fundamenty danych są kluczowe dla algorytmów

Adopcja nowych rozwiązań a jakość danych

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

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

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

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

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

Wyzwania technologiczne i prawne przy bidowaniu do wartości

Bariery w przekazywaniu danych o marży i zyskach

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

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

Mariusz Michalczuk: Trudno go znaleźć.

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

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

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

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

\

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

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

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

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

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

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

Data Governance i utrzymanie jakości danych

Od zbierania wszystkiego do świadomego zarządzania informacją

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

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

Mariusz Michalczuk: Takie uczenie ze wzmocnieniem?

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

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

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

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

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

Mariusz Michalczuk: Performance bardzo zbliżył się do technologii.

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

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

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

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

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

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

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

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

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

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

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

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

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

Przyszłość analityki w erze sztucznej inteligencji

Jak AI zmieni pracę analityków i marketerów

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

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

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

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

Mariusz Michalczuk: Nie bójmy się słowa dinozaur.

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

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

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

Mariusz Michalczuk: To czyni ten świat bardzo interesującym.

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

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

Karolina Wrzask: Wzajemnie. Dziękuję bardzo za rozmowę.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla analityków i marketerów

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

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

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

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

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.

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.

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

Początki budowania platformy Marketplace w Superpharm

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

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

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

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

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

Dane i źródła w fazie Discovery

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

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

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

Platforma Miracle: Zalety i perspektywa danych

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

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

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

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

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

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

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

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

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

Mariusz Michalczuk: OK, dobra.

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

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

Wzrost, jakość i strategiczne podejście do marketplace

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

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

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

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

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

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

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

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

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

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

Kluczowe wskaźniki (KPI) i codzienne rutyny

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

Michał Trosiński: Nie robię tego sam.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DNA marki i zachowanie klienta

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

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

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

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

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

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

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

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

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

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

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

Ewolucja handlu i trendy w wykorzystaniu danych

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

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

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

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

Mariusz Michalczuk: Dzięki wielkie. Do zobaczenia. Cześć.

Podsumowanie: Główne wnioski z rozmowy

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

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

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

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

LLM i Agenci AI – zrozumieć nowe możliwości
Dane jako fundament AI: zasada „garbage in, garbage out”
Strategia danych: szczyt piramidy wdrożenia AI
Kroki wdrożenia: od SSOT do automatycznej aktywacji
Podsumowanie

LLM i Agenci AI – zrozumieć nowe możliwości

Wśród najważniejszych osiągnięć ostatnich lat znajdują się duże modele językowe (LLM – Large Language Models). Działają one podobnie jak osoba, która przyswoiła ogromną ilość wiedzy z książek, artykułów i materiałów źródłowych, a następnie potrafi odpowiadać na konkretne pytania, korzystając z tej bazy informacji.

Można przyrównać dużego modelu językowego do osoby o wyjątkowych zdolnościach zapamiętywania, określanej mianem SAVANT. Osoby z tym spektrum autyzmu charakteryzują się niezwykłą pamięcią i potrafią odpowiadać na szczegółowe pytania, jednak często mają trudności z łączeniem faktów i wykorzystywaniem zdobytej wiedzy w sposób kreatywny lub praktyczny. Przykładem takiej postaci jest bohater filmu „Rain Man”, który imponuje zdolnością przyswajania informacji, ale nie zawsze potrafi je wykorzystać w codziennych sytuacjach.

Podobnie jest z dużymi modelami językowymi – świetnie radzą sobie z przetwarzaniem i udzielaniem odpowiedzi na konkretne pytania, jednak ich możliwości wykorzystania wiedzy w szerszym kontekście nadal pozostają ograniczone w porównaniu z ludzką inteligencją. Pierwsza faza rozwoju AI obejmuje duże modele językowe, które gromadzą i udostępniają wiedzę. Druga faza to agenci AI, o których obecnie mówi się bardzo dużo. Stanowią one kolejny etap rozwoju – oprócz przekazywania wiedzy, potrafią wykonywać konkretne działania na jej podstawie. Agenci AI działają jednak w z góry określonym zakresie. Wykorzystują informacje pochodzące z różnych źródeł lub dane, na których zostały wytrenowane, przetwarzają je i podejmują działania w zależności od otrzymanych danych wejściowych. Zarówno w przypadku dużych modeli językowych, jak i agentów AI, jakość i efektywność odpowiedzi w dużej mierze zależą od danych wsadowych. W przypadku LM-ów, czyli modeli językowych, odpowiedzi generowane przez agenta AI zależą od rodzaju danych, na których model został wytrenowany. Podobnie jak w codziennym życiu, posiadanie danych nie wystarcza do podjęcia działania – kluczowa jest ich analiza, wyciągnięcie wniosków oraz sformułowanie rekomendacji. W przypadku agentów AI te etapy – analizę, wnioski i rekomendacje – realizuje sam agent, przetwarzając dane i automatycznie podejmując określone działania.

Dane jako fundament AI: zasada „garbage in, garbage out”

Każde działanie sztucznej inteligencji rozpoczyna się od danych. Zasada „garbage in, garbage out” doskonale to obrazuje – jakość efektów zależy bezpośrednio od jakości dostarczonych danych.

Teoria ta przekłada się na praktyczne wdrażanie AI w firmie. Można ją zobrazować jako odwróconą piramidę, u podstawy której znajduje się AI. Każdy system AI wymaga odpowiednich danych oraz procesów przetwarzania, aby mógł realizować swoje funkcje i dostarczać wartościowych rezultatów. Wyższy poziom zarządzania danymi obejmuje aktywację działań w firmie, szczególnie w zakresie wykorzystania danych. Kluczowe jest zgromadzenie wszystkich danych dotyczących organizacji w jednym miejscu, określanym jako Single Source of Truth, czyli jedno źródło prawdy. Aby to osiągnąć, należy zadbać o odpowiednią inżynierię danych. Obejmuje to prawidłową konfigurację narzędzi, które przesyłają dane do centralnego źródła, tak by dane były właściwie przygotowane do dalszej analizy.

Strategia danych: szczyt piramidy wdrożenia AI

Na szczycie piramidy wdrożenia AI znajduje się strategia danych. Obejmuje ona decyzje dotyczące tego, jakie dane będą gromadzone i w jakim celu. Pojawia się pytanie, jak przełożyć tę teorię na praktyczne działania w firmie. Na najniższym poziomie znajduje się działanie, które podejmujemy. Biznes powinien najpierw określić, jakich działań ma dotyczyć wdrożenie AI. Na wyższym poziomie należy zdefiniować, co jest najważniejsze dla firmy. Następnie istotne jest zidentyfikowanie źródeł wiedzy o biznesie. Kolejnym krokiem jest określenie, gdzie i w jaki sposób dostępna jest ta wiedza, ponieważ w wielu firmach występuje silosowość informacji i danych. Wiedza bywa rozproszona w różnych miejscach, co utrudnia jej jednoczesne wykorzystanie. Kiedy już wiadomo, gdzie i jak dostępna jest wiedza biznesowa, można określić, na jakiej podstawie podejmowane są decyzje i co robimy z tą wiedzą. Dzięki temu możliwa jest realizacja konkretnych działań. Teoretyczna piramida analityki przekłada się na konkretne działania biznesowe. W Conversion zaczynamy od najwyższego poziomu tej piramidy, czyli od zdefiniowania, co jest najważniejsze w biznesie. Kluczowym krokiem jest przeprowadzenie warsztatu biznesowego z zespołem odpowiedzialnym za kluczowe decyzje. Wdrażanie narzędzi analitycznych powinno opierać się na realnych potrzebach firmy.

Podczas warsztatu powstaje tzw. KPI-3 — schemat obejmujący najważniejsze metryki i informacje, które opisują kluczowe obszary działalności firmy. Określenie tych wskaźników pozwala na skupienie się na najważniejszych celach i efektywne planowanie dalszych działań.

Kroki wdrożenia: od SSOT do automatycznej aktywacji

Po wyznaczeniu priorytetów kolejnym krokiem jest zebranie odpowiednich danych. Jeśli firma już gromadzi dane, warto przeprowadzić audyt jakości i kompletności dostępnych informacji. Pozwala to ocenić, na ile obecny zbiór danych odpowiada na potrzeby biznesowe i gdzie konieczne są zmiany lub uzupełnienia. Dzięki temu dalsze wdrożenia i analizy opierają się na wiarygodnych i użytecznych danych. Audyt danych w firmie to szeroki temat, który został szczegółowo opisany w osobnym materiale. Skupiając się na aspekcie operacyjnym, eNAP umożliwia konfigurację narzędzi, które pozwalają zadbać o dane ilościowe, jakościowe, kosztowe, sprzedażowe oraz produktowe. Kluczowe jest, aby wszystkie dane trafiające do jednego źródła prawdy były wysokiej jakości. O tym, co oznaczają dane dobrej jakości, można przeczytać w dodatkowym materiale powiązanym z tym wpisem. Zgromadzenie informacji to kluczowy etap w procesie analityki internetowej. Budowa hurtowni danych pozwala na stworzenie jednego, centralnego źródła prawdy o tym, co dzieje się w biznesie. Angielski termin Single Source of Truth (SSOT) określa miejsce, w którym przechowywane są wszystkie istotne dane, potrzebne do podejmowania decyzji zarządczych.

Hurtownia danych w marketingu rozwiązuje dwa podstawowe problemy często spotykane w biznesie. Pierwszym z nich jest silosowość danych. W firmach dane i informacje często są rozproszone w różnych systemach, co utrudnia ich wspólne wykorzystanie podczas podejmowania decyzji. Drugim wyzwaniem, które rozwiązują hurtownie danych lub single source software, są różnice między systemami. Różne systemy potrafią opisywać to samo zjawisko innymi metrykami, a nawet podawać różne wartości dla tych samych metryk.

Gromadzenie wszystkich danych w jednym miejscu umożliwia przejście do kolejnego etapu, którym jest wdrożenie modelu danych oraz zestawu analiz. Na tym etapie tworzymy model danych i opracowujemy zestaw analiz dedykowanych konkretnym potrzebom. O modelu danych i jego zastosowaniu w marketingu pisałem w osobnym wpisie (link znajduje się poniżej).

W praktyce wdrożeń AI u klientów przygotowujemy indywidualny playbook analityczny dostosowany do aktualnych priorytetów firmy. Może to obejmować analizę segmentacyjną, analizę RFM lub indywidualny model atrybucji. Playbook taki zawiera kilkanaście, a czasem nawet kilkadziesiąt różnych analiz, które są realizowane w ramach wdrożenia AI. Wykorzystujemy automatyczne mechanizmy, takie jak nasz wewnętrzny walidator, który wykrywa anomalie w jednym źródle prawdy. Nie jest to jednak jeszcze rozwiązanie, które podejmuje działania na podstawie tych wykrytych nieprawidłowości. Na piątym etapie wdrożenia AI pojawia się automatyczna aktywacja danych. Oznacza to, że analizy nie tylko wskazują wnioski, na podstawie których później formułowane są rekomendacje przez ludzi, ale także umożliwiają podejmowanie działań na podstawie automatyzmów opartych na AI. Sztuczna inteligencja może samodzielnie podsuwać rozwiązania lub podejmować decyzje. Na początku testujemy te automatyczne rozwiązania. Tworzymy systemy, które działają bez udziału człowieka, na przykład wyświetlają określone informacje na podstawie napływających danych. Różnego rodzaju silniki rekomendacyjne, na przykład działające na poziomie przeglądarki użytkownika, analizują ruch na konkretnych produktach, zainteresowania innych użytkowników oraz ceny konkurencji. Dzięki temu, w ramach Dynamic Pricingu, mogą zaproponować korzystniejszą cenę dla biznesu lub użytkownika.

Podsumowanie

Proces ten obejmuje cały cykl – od pozyskania i analizy danych, przez zrozumienie ich znaczenia, aż po praktyczne wykorzystanie w organizacji. To ścieżka prowadząca od zbierania danych do ich konsumpcji. Kluczowe jest jednak zadbanie o solidny fundament analityczny. Pominięcie tego etapu prowadzi do problemów i błędów, zwłaszcza podczas wdrażania rozwiązań opartych o AI. Garbage in, garbage out – jakość danych wpływa bezpośrednio na efektywność modeli opartych na sztucznej inteligencji. Modele te wykorzystują dane historyczne, dlatego im lepsze dane, tym skuteczniejsze ich działanie. Wysoka jakość danych pozwala nie tylko na uzyskanie trafniejszych analiz, ale także na wdrażanie automatyzacji, która może proponować konkretne rozwiązania dla użytkowników. W przypadku pytań dotyczących organizacji danych lub wdrożenia automatyzacji opartej na sztucznej inteligencji, zachęcam do kontaktu.

The post Jak wdrożyć AI w marketingu i e-commerce? first appeared on Conversion.

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

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

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

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

Atrybucja – co to takiego?

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

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

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

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

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

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

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

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

Jakie modele wykorzystuje się w atrybucji?

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

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

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

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

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

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

źródło: Google

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

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

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

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

Jaka działa data-driven attribution?

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

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

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

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

Jakie dane może wykorzystywać atrybucja data-drive?

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

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

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

źródło: Google

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

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

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

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

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

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

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

Atrybucja – podsumowanie

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

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

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