Punkt wyjścia

Klient z branży Retail B2B regularnie prowadził badania użytkowników z wykorzystaniem HotJar. Aby lepiej targetować ankiety, agencja marketingowa przygotowała listę kontrahentów opartą na unikalnych ID użytkowników.

Problem pojawił się na etapie wdrożenia tej listy w Google Tag Managerze. Konfiguracja została przygotowana w sposób nieefektywny, zamiast kilku lub kilkunastu zmiennych utworzono aż 64 zmienne.

W praktyce oznaczało to, że każde kolejne badanie lub aktualizacja listy wymagały dużej ilości ręcznej pracy.

Wyzwanie

Główne wyzwanie nie dotyczyło samego uruchomienia ankiet, ale skalowalności całego procesu.

Przy 64 zmiennych każda aktualizacja ID użytkowników wymagała ręcznej modyfikacji wielu elementów w GTM. To powodowało trzy problemy:

• proces był czasochłonny,
• konfiguracja była podatna na błędy,
• GTM był nadmiernie obciążony liczbą zmiennych.

Nawet gdyby limit techniczny narzędzia nie był problemem, sama obsługa takiej konfiguracji pozostawałaby trudna organizacyjnie. Każde kolejne badanie oznaczałoby powtarzalną, ręczną pracę zamiast prostego i skalowalnego procesu.

Nasze podejście

Zaczęliśmy od diagnozy konfiguracji i identyfikacji elementów, które niepotrzebnie komplikowały cały proces.

Następnie zaproponowaliśmy prostsze rozwiązanie, którego celem było ograniczenie liczby zmiennych oraz uporządkowanie sposobu zarządzania listą kontrahentów w GTM.

W ramach projektu:

• przeanalizowaliśmy obecną konfigurację,
• wskazaliśmy, które elementy można uprościć,
• zaproponowaliśmy bardziej efektywny model działania,
• dostosowaliśmy rozwiązanie do cyklicznych badań HotJar,
• wspieraliśmy zespół klienta zarówno technicznie, jak i strategicznie.

Kluczowe było nie tylko naprawienie jednorazowego problemu, ale stworzenie konfiguracji, którą da się łatwo aktualizować przy kolejnych badaniach.

Efekty

Optymalizacja konfiguracji GTM przyniosła trzy konkretne efekty.

Po pierwsze, liczba zmiennych została zmniejszona z 64 do 12. To znacząco uprościło zarządzanie listą kontrahentów i planowanie kolejnych badań.

Po drugie, ograniczono czas potrzebny na aktualizację ID użytkowników. Zespół nie musiał już ręcznie modyfikować dużej liczby zmiennych przy każdej zmianie listy.

Po trzecie, poprawiono wydajność GTM. Mniejsza liczba zmiennych przełożyła się na stabilniejszą konfigurację i łatwiejszą skalowalność badań HotJar.

Co zmieniło się biznesowo?

W projektach analitycznych problemem często nie jest samo wdrożenie narzędzia, ale sposób jego konfiguracji.

W tym przypadku GTM działał, ale konfiguracja była zbyt złożona, trudna w utrzymaniu i podatna na błędy. Redukcja liczby zmiennych z 64 do 12 uprościła proces, zmniejszyła obciążenie operacyjne i pozwoliła klientowi łatwiej skalować cykliczne badania HotJar.

The post Case Study – Jak optymalizacja konfiguracji odblokowała skalowalność badań HotJar? 64 → 12 zmiennych w GTM first appeared on Conversion.