Dzień 0: Przygotowania i pierwsze wrażenia
Jak trafiliśmy na Web Summit?
Dzień 1: Stoisko, rozmowy i networking
Dni 2-3: Czas na wiedzę i inspiracje
Podsumowanie wyjazdu

Dzień 0: Przygotowania i pierwsze wrażenia

Po przylocie do Lizbony pojawiły się drobne opóźnienia związane z odbiorem bagażu, mimo że podróżowaliśmy jedynie z podręcznym. Widać było, że wielu pasażerów przybyło na Web Summit. Zarejestrowaliśmy się od razu na lotnisku, gdzie znajdowały się przeznaczone do tego punkty, po czym udaliśmy się do hotelu.

Tego dnia skupiliśmy się na kwestiach organizacyjnych: odwiedziny naszego stoiska, zwiedzanie – odwiedziliśmy m.in. uczelnię, na której studiowałem 16 lat temu, Park Edwarda oraz Stare Miasto, a wieczorem zostaliśmy zaproszeni na koktajl w Ambasadzie RP.

Nasze stoisko – część polskiej reprezentacji – znajdowało się w pawilonie numer jeden, tuż przy głównym wejściu, co czyni go jednym z pierwszych, które można zobaczyć po wejściu na teren wydarzenia. Cała przestrzeń wydarzenia robiła ogromne wrażenie. Widać było, że Lizbona żyje konferencją także na mieście: od komunikacji miejskiej po dedykowane autobusy, wszystko było dostosowane do obsługi uczestników.

Jak trafiliśmy na Web Summit?

Historia rozpoczęła się pod koniec września, gdy Dominik Wartecki opublikował na LinkedIn informację o możliwości wyjazdu na Web Summit. W ogłoszeniu pojawiła się informacja, że można przyjechać na wydarzenie bezpłatnie jako reprezentant kraju. Warunkiem było nagranie pitchu wyjaśniającego, dlaczego to właśnie nasza firma powinna zostać wybrana. Czasu było niewiele. W piątek o godzinie 14:00 otrzymałem informację, że do 17:00 powinienem przesłać wideo z pitch deckiem. Było to bardzo mało czasu na przygotowanie materiału. Zwróciłem się do organizatorów z pytaniem o ostateczny termin wysyłki. Piątkowy wieczór to pora, w której niewiele osób ogląda nowe materiały. Termin składania aplikacji został wyznaczony na sobotę o 10:00. Poprosiłem więc o możliwość nagrania wideo do 9:00 w sobotę i przy wsparciu AI przygotowałem materiał, by zakwalifikować się do projektu.

Dzień 1: Stoisko, rozmowy i networking

Z hotelu wyruszyliśmy wcześniej, żeby przejść kontrolę bezpieczeństwa i zorientować się w harmonogramach. Na miejscu przygotowane było stoisko, przy którym była możliwość spotkania się z nami i porozmawiania o obecnych trendach w cyfrowym świecie – zainteresowanie tymi rozmowami było naprawdę ogromne. Podczas wydarzenia odbywały się także liczne dyskusje o trendach oraz aktualnych zmianach w świecie digital, zarówno w Europie, jak i na świecie. Wieczorem uczestniczyliśmy jeszcze w Poland Mixer, czyli wieczornym spotkaniu Polaków w ramach Web Summit, gdzie także nie brakowało dyskusji i wymiany doświadczeń.

Pierwszy dzień konferencji okazał się bardzo intensywny nie tylko pod kątem ogromu wiedzy i doświadczeń, ale także pod kątem zmęczenia fizycznego – odległości między stanowiskami i halami, które były na tyle duże, że naprawdę można było to odczuć.

Dni 2-3: Czas na wiedzę i inspiracje

W kolejnych dniach nie mieliśmy stoiska, więc ten czas był przeznaczony na słuchanie prelekcji i rozmowy z przedstawicielami różnych firm. To też dobra okazja, aby zainspirować się najnowszymi trendami w Europie i na świecie w obszarze danych, marketingu oraz szeroko pojętego online’u. Skupiliśmy się głównie na zdobywaniu wiedzy, ale nie zabrakło też wymiany doświadczeń.

Podsumowanie wyjazdu

Wartość merytoryczna i networking

Reprezentowanie Polski i Warszawy na Stoisku Narodowym budzi dumę i potwierdza, że obecność na tym wydarzeniu miała sens. Patrząc na to z perspektywy, warto rozważyć korzyści, które przynosi udział w takich konferencjach, niezależnie od samego faktu reprezentowania kraju. Pod względem merytorycznym podczas trzydniowego wydarzenia uczestniczyliśmy w dwóch prezentacjach, które okazały się wartościowe dla naszej firmy. Warto jednak zauważyć, że formuła takich wydarzeń, jak targi branżowe, nie zawsze skupia się wyłącznie na przekazywaniu wiedzy. Nawet na konferencjach nastawionych na warstwę merytoryczną często najwięcej można wynieść z jednej lub dwóch inspirujących prezentacji.

Trendy i atmosfera branży

Patrząc z perspektywy networkingu i możliwości lepszego zrozumienia aktualnych trendów w świecie cyfrowym, zarówno w Polsce, jak i w Europie, udział w wydarzeniu pozwala poczuć atmosferę branży od środka. Temat AI zdecydowanie dominował w rozmowach i prezentacjach.

Podsumowując, wyjazd okazał się wartościowy dzięki możliwości nawiązania nowych kontaktów oraz poznania aktualnych kierunków rozwoju branży. Zapraszam do lektury kolejnych wpisów na blogu.

The post Relacja z Web Summit 2025 first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Poznaj naszego gościa: Dawid Majewski
Kluczowa rola danych w e-commerce oponiarskim
Nietypowe dane i ich wpływ na strategię
Budowanie społeczności i dane jakościowe
Współpraca z producentami i testowanie komunikatów
Pomiar efektywności niestandardowych kanałów marketingowych
Organizacja analityki i stack technologiczny w SklepOpon.com
Ścieżka kariery Dawida Majewskiego i marketing oparty na danych handlowych
Praktyczne rady dla e-commerce: Jak skutecznie wykorzystywać dane?
AI w branży motoryzacyjnej: Przyszłość analityki i zatowarowania
Podsumowanie: Główne wnioski z rozmowy

Poznaj naszego gościa: Dawid Majewski

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku podcastu z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i twoim gościem jest Dawid Majewski ze sklepopon.com. Dawidzie, dziękuję za przyjęcie zaproszenia, za chęć podzielenia się swoją wiedzą i doświadczeniem. Opowiedz naszym słuchaczom kilka słów o sobie i czym się zajmujesz.

Dawid Majewski: Cześć wszystkim, ja również bardzo dziękuję za zaproszenie. Nie ukrywam, że jest to mój debiut w tego typu nagraniu, więc mam nadzieję, że pójdzie mi sprawnie. Na co dzień jestem odpowiedzialny za marketing w dwóch e-commerce’ach, sklepopon.com i deler.pl. Wszystko to, co związane z motoryzacją od zawsze było bliskie mojemu sercu i tak się poskładało, że mogę też przy tym na co dzień pracować.

Kluczowa rola danych w e-commerce oponiarskim

Mariusz Michalczuk: Myślę, że nie jeden facet, a być może nawet i kobieta, zazdrości takiej pracy. Ja sam, zresztą jak się przygotowywaliśmy, to dużo smaczków usłyszałem na temat tej branży, motoryzacji w ogóle i mam nadzieję, że większość z nich dzisiaj się w czasie rozmowy pojawi. Chciałbym zacząć od tego, że SklepOpon to jeden z czołowych sklepów, jeżeli chodzi o opony w Polsce. Zapisałem sobie, że sprzedajecie 1,5 mln opon rocznie. Na pewno nieodzownym elementem Waszej codziennej pracy są dane, analiza danych. Czy mógłbyś trochę opowiedzieć, jak to wygląda w waszej codziennej pracy? Jak to ewoluowało w czasie? Jakie dane wykorzystujecie? Mógłbyś nam sprzedać kilka jakichś takich zakulisowych smaczków?

Dawid Majewski: Jesteśmy drugim graczem, jeśli chodzi o internetową sprzedaż opon w Polsce. Okres pandemii był tutaj mocno kluczowy dla rozwoju, umożliwił nam zrobienie bardzo dużego skoku. Teraz, jeśli chodzi o sprzedaż, jest to troszkę więcej niż podałeś. Ta liczba robi bardzo duże wrażenie, bo jest to sporo opon.

Jeśli chodzi o analitykę danych, jesteśmy e-commerce’em. Bardzo lubię stwierdzenie, które mówi o tym, że nie ma marketingu bez handlu i na odwrót, więc te dane są nieodzownym elementem zarówno ze względów handlowych, e-commerce’owych, jak i marketingowych. Wraz z rozwojem naszej firmy tych danych jest gromadzonych jeszcze więcej, bo musimy skupiać się coraz to na większym szczególe, by wyłapać sobie wszystkie zagrożenia, wszystkie niuanse, które pozwalają nam zoptymalizować biznes.

Mariusz Michalczuk: Wiadomo, opony zimowe zmienia się co jakiś czas i widzę, że ceny co do zasady mocno nie urosły w stosunku do tego, jak się zmieniły ceny innych produktów. Zakładam, że te dane są turbo istotne z punktu widzenia marżowości, bo i koszty pracy, i koszty materiałów na pewno wzrosły. Powiedz mi, jak wykorzystujecie tutaj te dane, zwłaszcza w kontekście marketingu, tego, że handel nie może istnieć bez marketingu? Ten marketing musi być turbo efektywny. Jak to u Was wygląda, jakie dane mają miejsce właśnie w kontekście analityki marketingu, jego efektywności i rozwoju?

Dawid Majewski: Sprzedaż opon jest dość specyficzna, wyłapałeś ten element zaczynając od tego, że sprzedajemy miliony opon, u nas bardzo rzadko mówi się o przychodzie, ten biznes w większości przypadków jest faktycznie liczony w sztukach. Jesteśmy nisko-marżową kategorią i faktycznie tutaj tego towaru trzeba trochę przewrócić, by wygenerować sensowny przychód, a w konsekwencji dochód. Optymalizacja naszych danych, kanałów pozyskania ruchu jest kluczowa, by rentowność była na zadowalającym poziomie.

Jesteśmy branżą sezonową, więc to kolejny aspekt, dlaczego dane są turbo ważne. Mamy dzisiaj 22 października, jest to jeden z najbardziej kluczowych okresów w naszej branży, gdzie jest generowana główna część przychodu i samej sprzedaży sztukowej opon w ciągu roku. W tym okresie analityka bieżąca, jak rozpędzamy się jako firma, jest bardzo ważna, by nie przespać tej sprzedaży, tego potencjału, który drzemie nie tylko w nas, ale również i w rynku, który, chociaż mógłby się wydawać niestabilny w tym roku, w dalszym ciągu sprzyja rozwojowi firmy.

Nietypowe dane i ich wpływ na strategię

Mariusz Michalczuk: Myślę o tym sezonie, że turbo ważnym źródłem danych dla Was są właśnie te dane pogodowe, prognostyczne. Jakie jeszcze inne dane, na co patrzycie myśląc o rynku oponiarskim, na co jeszcze patrzycie na takie może nieoczywiste dane? W marketingu zakładam, że między e-commerce’ami dane pozyskiwane bardzo się nie różnią, natomiast specyficznie w kontekście Waszego rynku są te dane pogodowe. Jak to wygląda?

Dawid Majewski: Jeśli chodzi o sam marketing, Ameryki nie odkryjemy, zima jest co roku, praktycznie o tej samej porze, więc zainteresowanie oponami też jest w bardzo zbliżonych tygodniach. Działamy tworząc nasz MediaMix praktycznie na tych samych czasookresach, nie ma nagle jakiegoś przesunięcia, że we wrześniu sprzedaż opon zimowych zacznie się wybijać.

Opony to nasze bezpieczeństwo, to jeden element, który wiąże nas z asfaltem. Kluczowe jest, żeby opony były faktycznie dobre w samochodzie. My jako SklepOpon bardzo duży nacisk kładziemy na edukację. Niestety, my jako Polacy też czekamy z tym do ostatniej chwili, do tego pierwszego śniegu, więc te dane pogodowe są bardzo istotne. Pozwalają nam ocenić nie tylko na podstawie danych z Google o zainteresowaniu oponami zimowymi, czy całorocznymi, jak to wygląda w poszczególnych dniach, tygodniach, ale ta średnia dobowa temperatura, przewidywana na kolejne tygodnie, pozwala nam oceniać potencjał sprzedaży, zainteresowanie, jaka będzie konwersja u nas na stronie. Jest to jeden z kluczowych parametrów.

Taki bardzo prozaiczny parametr, którego nie znajdziemy w żadnym narzędziu, czy raporcie Power BI, to jest kontakt z drugą kategorią, niezwykle ważną przy oponach, czyli serwisami wulkanizacyjnymi. Możemy monitorować ruch, zbierać dane z poprzednich lat, z bieżącego okresu, porównywać, jak wymiana opon się tam rozpędza. Mamy szczęście jako SklepOpon, że nasza firma jest 30 lat na rynku i wywodzi się właśnie z serwisów wulkanizacyjnych, więc Zarząd ma bardzo duże doświadczenie i dużo danych na ten temat, jak wygląda ta sezonowa wymiana opon. Na podstawie tego jesteśmy w stanie ocenić, w którym momencie sezonu jesteśmy, jeśli chodzi o sprzedaż. Jest to niezwykle ważne i myślę, że to fajna wskazówka, żeby tych danych nie szukać wyłącznie w internecie, a może w aspekcie B2B. Myślę, że każda branża coś takiego dla siebie znajdzie.

Mariusz Michalczuk: To bardzo ciekawe z tymi zakładami wulkanizacyjnymi. Google Maps mają taką funkcjonalność ruchu w danym miejscu w danym czasie. Czy to jest to, czy są jakieś inne jeszcze sposoby na to, żeby zbierać takie dane o ruchu w punkcie stacjonarnym, gdzie nie mamy Analyticsa czy jakiegoś narzędzia pomiarowego, które udostępnia w łatwy i tani sposób takie dane.

Dawid Majewski: Myślę, że jak najbardziej. To jest rozwiązanie, które będzie dobre dla branż, które są powiązane z drugą branżą. Opona jest niewdzięcznym elementem, sama w sobie, bez samochodu, czy bez serwisu wulkanizacyjnego niestety nie istnieje, więc mamy tutaj właśnie jeszcze te branże powiązane z naszą sprzedażą. Myślę, że podzieliłbym to na trzy kategorie.

Pierwsza to będą triki, które można zrobić w Google, chociażby o tym natężeniu ruchu. Druga kategoria to będzie kontakt bezpośredni, czyli można po prostu zadzwonić do zaprzyjaźnionego warsztatu, zapytać się go, jak ocenia ruch, czy to już sezon, czy to nie jest jeszcze sezon na wymianę opon. Trzecia kategoria to są te dane własne, którymi dysponujemy i możemy sobie to porównywać, ile klientów przyjechało w tym czasie, ile przyjechało w poprzednich latach i na tej podstawie możemy sobie zaestymować, w którym momencie jesteśmy sezonu.

Mariusz Michalczuk: Super, mega inspirujące. Tutaj przychodzi mi do głowy taki przypadek, kiedyś mieliśmy klienta, który miał stacjonarnie trójkę konkurencji, trzy sklepy. To może też będzie jakąś inspiracją dla naszych słuchaczy. Była osoba, która po otwarciu sklepu robiła jakiś zakup, nawet bardzo mały i tuż przed zamknięciem i na podstawie różnicy ID paragonów po prostu w ten sposób trochę badali, żeby cały dzień nie stać i nie liczyć, nie sprawdzać ile było tych zakupów. Rzeczywiście na podstawie różnicy ID paragonów, oczywiście jeżeli te paragony są numerowane jeden po drugim, chociaż zazwyczaj z tego co się orientuję jest. W ten sposób liczyli, jaki jest ruch w danym sklepie.

Dawid Majewski: Ja bym to nawet podsumował tak, że to są takie podstawy danych. Mam przeświadczenie, że z tymi danymi jest tak, że często się zagalopowujemy w stronę, że mamy ich za dużo, nie potrafimy z tego wyciągnąć tych najważniejszych wniosków, a to, o czym powiedziałem, nie jest niczym nowym, jakimś odkryciem. Popatrzmy chociażby na sklepy w galeriach handlowych. Każde wejście do sklepu jest mierzone, liczona jest z tego konwersja, więc już nie od dziś takie proste rozwiązania pozwalają nam ocenić skuteczność niektórych działań. Grunt to je dobrze wymyślić, by dla naszego biznesu miały faktycznie jakieś realne przełożenie i wydaje mi się, że to jest największe wyzwanie, nad którym musimy się pochylić, żeby pomysły z innej branży przenieść do swojej i poprawnie je wykorzystywać.

Budowanie społeczności i dane jakościowe

Mariusz Michalczuk: Chciałbym wrócić do marketingu, bo powiedzieliśmy, że dane w marketingu są bardzo analogiczne w e-commerce’ach ogólnie. Natomiast chciałem Cię podpytać w kontekście cyklu zakupowego Waszego produktu. Jak rozmawialiśmy, to ja powiedziałem coś takiego, że wydaje mi się, że ten cykl jest rzeczywiście taki kilkuletni, tam powiedzmy czteroletni, że trzeba te opony zmieniać, natomiast Ty trochę mnie wyprowadziłeś z błędu. Mógłbyś to rozwinąć w kontekście tego, jak ten marketing sterujecie, jak te dane wykorzystujecie do tego, żeby jednak, nawet jeżeli ten cykl jest krótszy, żeby tego użytkownika utrzymywać przy sobie?

Dawid Majewski: Jeśli chodzi o przywiązanie użytkownika, niezwykle istotna jest praca na własnej bazie kontaktów, to podstawa. Jak wspomniałeś, ten okres od zakupu do zakupu wbrew pozorom nie jest tak długi jak w przypadku kanapy do domu. Z samochodem jest o tyle specyficzna sytuacja, że zwykle mamy jedno, dwa czy nawet dodatkowe auto w domu, a to powoduje, że klient ma więcej okazji, żeby do nas powrócić. I faktycznie to tak wygląda, że klient, który u nas kupił jeden komplet, w trochę krótszym czasie wraca i kupuje komplet kolejny do drugiego samochodu. Wydaje mi się, że to nasza codzienność, że te dwa samochody muszą być. Mąż dojeżdża jednym, żona drugim. Gdzieś trzeba sobie poradzić z tymi korkami, z transportem w dużych miastach czy też poza.

Jest też taka tendencja, że mamy jedno lepsze auto, którym jeździmy w trasy z rodziną. Chcemy, żeby ten samochód był zawsze bezpieczny, w jak najlepszym stanie. Mamy też drugi samochód trochę do jeżdżenia wokół przysłowiowego komina, więc tutaj okazji do sprzedaży opon, nawet z innej kategorii, jest mnóstwo. Właśnie ta analityka, chociażby własnej bazy danych, kto po jakim okresie wraca, po jakie opony, z jakiego segmentu migruje, jest niezwykle ważna i można ją faktycznie w praktyce dobrze wykorzystać. To nie jest tak, że ktoś, kto kupuje opony klasy premium wyłącznie kupuje tej klasy opony, bo może mieć samochód, w który nie chce inwestować i tam sięgnie po rozwiązania o lepszej cenie do jakości.

Mariusz Michalczuk: Mówisz o własnej bazie kontaktów, rozmawialiśmy o społeczności, którą tworzycie, żeby utrzymywać te relacje i ten marketing, żeby nie był tylko performansowy, ale też społecznościowy w sensie budowania społeczności. Powiedz mi, społeczność, własna baza kontaktów to też możliwość bezpośredniego wejścia w interakcję z potencjalnym klientem i zebrania danych jakościowych. Czy mógłbyś się podzielić przykładami takich danych jakościowych, które zbieracie z tej bazy własnych kontaktów? Dużo łatwiej jest odezwać się z prośbą o udzielenie opinii do kogoś, kto Cię zna, niż zbierać badania panelowe zupełnie na rynku. Czy i jakie badania właśnie takie jakościowe prowadzicie wśród swoich klientów? Jak one Wam później pomagają w marketingu, w prowadzeniu biznesu?

Dawid Majewski: Zaczepiłeś część, którą najbardziej lubię, bo uwielbiam marketing, który jest skierowany przede wszystkim do ludzi, związany z ludźmi i nie lubię robienia takiego marketingu wyłącznie zza biurka. Tak się akurat poskładało, że tworząc kanał na YouTubie, gdzie publikujemy materiały o produktach, tłumaczymy, które produkty dla kogo są odpowiednie, na co postawić do swojego samochodu, mam przyjemność go prowadzić. Daje to takie możliwości bezpośredniego kontaktu z naszym klientem, przeczytania chociażby komentarza, jak niektóre opony się sprawują.

Mamy grupy, gdzie mamy swoich odbiorców. Tam jesteśmy w stanie zapytać naszych obserwatorów, czy już zmienili opony, na jakie opony stawiają w tym roku, czy zimowe, czy całoroczne. Oczywiście to pewna próbka danych, to nie są badania w skali ogólnopolskiej, ale pozwalają nam wychwycić jakiś trend, sprawdzić, w którym miejscu jesteśmy, czy ktoś zmienił już te opony, czy jeszcze jeździ na letnich, czy już może na zimowych. To fajne dane, w które nie musimy inwestować, tworzyć dużych badań, brać firmy zewnętrznej, jesteśmy w stanie to własnym sumptem zrealizować. Wydaje mi się, że inwestycja w człowieka, w relację, jest wartością dodaną później dla biznesu, bo możemy przeprowadzić krótką ankietę, czy to na grupie na Facebooku, czy wysyłając mailing ankietowy i mamy odpowiedź.

Odpowiedź przy planowaniu działań, czy chociażby dywersyfikacji tych działań. Możemy mieć wszystko super zaplanowane, ale może się okazać, że zmieniły się jakieś trendy, bo był czynnik zewnętrzny jak chociażby to widmo, nie chcę brzmieć strasznie, ale powiedzmy tej wojny, która sprawia, że opona nie jest pierwszą myślą do zakupu w naszym domu, czy w naszym portfelu domowym. Możemy szybko zareagować, bo zobaczymy, że percepcja postrzegania tego produktu się zmieniła, więc wydaje mi się, że mając te wszystkie możliwości, faktycznie warto je rozważyć i inwestować w nie.

Mariusz Michalczuk: Taka społeczność to bardzo długofalowa inwestycja, ale ona jednocześnie jest takim trochę barometrem, prawda? Z jednej strony nastroju, z drugiej strony może jakichś trendów konsumenckich, bo w momencie, kiedy zapytasz, okej, społeczność pewnie jest specyficzna, bo to są bardziej świadomi ludzie, ale ciągle jakąś tam próbką całej społeczności są i rzeczywiście to, co wychodzi z tych danych jakościowych może Wam pomóc w kontekście zatowarowania, w kontekście marketingu i tak dalej.

Dawid Majewski: Dokładnie tak. Zawsze potwierdzam, że przypadek potwierdza regułę i jeśli zobaczymy w krótkiej ankiecie, którą opublikujemy, który model opony wybrałeś w tym roku, możemy sprawdzić, że ludzie znają już ten produkt i tutaj możemy wprowadzić zmiany, chociażby w zamówieniach do dostawców, bo widzimy, że na przykład zamiast produktu, który my przewidywaliśmy, że powinien się sprzedawać w tym roku, nastroje są w drugą stronę, jednak któraś firma wykonała bardzo dobrą pracę, marketing zadziałał i przestawiła się chęć zakupu na inną markę i to jest wydaje mi się czynnik, który znowu potwierdza, że inwestycja w swoją grupę odbiorców, która jest związana z marką jest faktycznie uzasadniona.

Trochę ubolewam, ale praca nad społecznością przy oponach jest naprawdę bardzo trudna, bo o oponie nie każdy myśli tak jak ja, czy każdy u mnie w firmie z fascynacją, że „o, wyszła kolejna opona, ciekawe co ona sobą teraz reprezentuje”, tylko raczej myślimy to w kategorii, „kurczę, znowu muszę kupić te opony do samochodu”, jest to taki niepożądany wydatek, więc my jesteśmy branżą sezonową, nie da się tego ukryć i w lipcu, w sierpniu to takie dwa sezony ogórkowe, wtedy myślimy o wakacjach i nie do końca chcemy słyszeć o tym kolejnym zakupie opon czy też o oponach. Są tacy wyznawcy, mogę powiedzieć, że zrzeszamy takie osoby, które wyznają religię opon, nowości, co się dzieje na rynku oponiarskim, ale to garstka ludzi i nie wiem co musiałoby się wydarzyć, żeby tutaj każdy z nas o oponach chciał słyszeć do kawy w domu.

Mariusz Michalczuk: Trochę wiem o czym mówisz i trochę też mam to samo uczucie odnośnie danych w marketingu, bo ciągle dane nie są takim, ostatnio nawet taki post umieściłem na Linkedinie, że my nie widzimy w danych sufitu, na zasadzie takiej, że tylko jest niewiele takich firm. Ja mam to szczęście pracować i rozmawiać tak jak z Tobą z firmami, które są świadome tego wykorzystania danych, że jest taki sufit, który nigdy nie leży w analityce, tylko analityka pozwala go przewidzieć, ewentualnie przebić. Niestety widzę na rynku, podając trochę kuluarów moich, dopiero jak ten sufit firma dotknie, to dopiero wtedy przypomina sobie, że dane są i rzeczywiście i ten kanał i podcast są trochę tak jak ty masz swoją społeczność, tak ja też tutaj próbuję takich wyznawców danych gromadzić.

Współpraca z producentami i testowanie komunikatów

Mariusz Michalczuk: Przychodzi mi do głowy, bo jak sprzedajecie różnych producentów opon, to też jesteście odbiorcą ich marketingu, tak zakładam. Czy producenci jakoś dają Wam znać o swoich planach marketingowych? To pierwsze pytanie, jeżeli możesz się podzielić odpowiedzią czy wnioskami, a drugie pytanie, czy rzeczywiście jak oni realizują ten marketing, to to widać później w sprzedaży?

Dawid Majewski: Jak najbardziej, tutaj w pełnej synergii żyjemy z naszymi partnerami. Wszystko odbywa się na stopie partnerskiej. Wiemy, jakie cele biznesowe ma poszczególna firma, na jakie produkty będzie stawiać, jakie będzie wspierać. Jeśli chodzi o to wsparcie, w oponach jest ono bardzo mocno odczuwalne, te promocje są nieodzownym elementem. Mamy sezon, gdybym policzył, to mamy około 9, 10, może nawet 11 promocji w tym czasie u nas na sklepie i konsumenci szukają faktycznie ceny, tego wsparcia od sprzedaży.

Kupując komplet opon, do którego możemy zyskać 200-250 złotych zwrotu, czy to na karcie podarunkowej, czy na voucherze. Umówmy się, jest to realna wartość, realna korzyść i później ma to też odzwierciedlenie w danych. Widzimy, że nagle jeden segment rośnie, bo ma to wsparcie, drugi tego nie ma i możemy wpłynąć tutaj na sprzedaż poszczególnych rzeczy. Myślę, że jeśli chodzi o te dane, to też w nawiązaniu do tego, co ty powiedziałeś, danych mamy mnóstwo. Grunt to je faktycznie zagregować i chcieć wykorzystywać. Myślę, że promocje też są tego najlepszym przykładem.

Robiąc promocje, dopisując do tego odpowiednie parametry, które chcemy zbadać, jak, klikalność z listingu, gdzie mamy innych też producentów, sprawdzać, jak ta konwersja się nam zmienia po uruchomieniu promocji, czy też przed, jakie jest zainteresowanie. Marketer ma pełne pole do popisu i nic nie stoi na przeszkodzie, by to monitorować. My jako multibrand, bo jesteśmy e-commerce’em, który ma wiele marek, kluczowe jest to, żeby to monitorować, sprawdzać i sygnalizować przede wszystkim naszym partnerom, bo jeśli my widzimy, że dany produkt nam odjeżdża, czy dana marka zaczyna się gorzej sprzedawać, mając dane o tej sprzedaży, jesteśmy w stanie zareagować, jesteśmy w stanie podjąć działania, które tą sprzedaż po prostu nam zboostują.

Mariusz Michalczuk: Jasne. Zastanawiam się, czy mógłbyś podać jakiś przykład wykorzystania danych, które coś potwierdziły, jakąś hipotezę wcześniejszą, albo jej zaprzeczyły właśnie w kontekście takich działań marketingowych. Może coś testowaliście nowego i oczywiście nie było danych historycznych, żeby to sprawdzić, więc podjęliście decyzję na intuicję, natomiast ta intuicja albo została potwierdzona, albo zaprzeczona, bo to jest właśnie często bardzo ciekawe. Czy możesz się podzielić jakimś przykładem takiego projektu?

Dawid Majewski: Myślę, że takim pierwszym podstawowym przykładem jest komunikat, który pojawia się na przykład na listingu przy oznaczeniu danych produktów, to co komunikujemy do klienta ostatecznego, czy jest to promocja, czy to jest jakaś dodatkowa gwarancja, czy może gwarancja satysfakcji, czyli zwrot opon po upływie jakichś dni w przypadku niezadowolenia. To wszystkie rzeczy, które możemy sobie przetestować, podjąć na podstawie tego decyzję i wprowadzając nowe produkty na rynek, często jesteśmy zmuszeni od razu ten komunikat postawić na jeden konkretny. Mając też takie doświadczenie na to, na co zwracają nasi klienci, jesteśmy w stanie go dobrze dobrać. Oczywiście możemy to sobie przy bardziej rozpoznawalnym produkcie testować już w trakcie sezonu i sprawdzać, co lepiej wpływa na nasz CTR. Ale w przypadku nowych produktów, które są wprowadzane i nie mają żadnej historii, zdecydowanie musimy już bazować na naszym doświadczeniu, na tym, co jest głównym driverem zachęcającym do zakupu.

Pomiar efektywności niestandardowych kanałów marketingowych

Mariusz Michalczuk: Myślę sobie o grupie, zresztą sam jestem też kierowcą, że dużo kierowców, dużo takich może w Waszym miksie jest bardziej nietypowych niż dla typowego e-commerce B2C źródeł ruchu. Zakładam, tak mi się wydaje, bo się interesuje to oglądam i są influencerzy motoryzacyjne i pewnie radio dużo waży w tym Waszym miksie. Jak tutaj sobie radzicie z oceną tych źródeł ruchu? Mógłbyś zdradzić jakieś kulisy tego, jak to wygląda?

Dawid Majewski: Jak sam zauważyłeś, radio jest takim rdzeniem komunikacji z tego względu, że najczęściej radia słuchamy w samochodzie, to nieodzowny element podróży. Oczywiście jest to pomału wypierane podcastami, czy też innego typu streamingami, ale jednak to radio jest takim stałym elementem. Interesuje nas pogoda, wiadomości, więc dla nas jest to pierwszy pomysł, jak dotrzeć do potencjalnego klienta i to radio dużo u nas waży. Jest to też bardzo niewdzięczne medium, bo najmniej policzalne. Możemy bazować na ogólnych wzrostach brandu w skali półrocza, czy też w skali roku, bo w naszym przypadku zainteresowanie oponami rośnie dynamicznie wraz z gorszą pogodą, więc kiedy pada śnieg, tak jak drogowcy mogą się mniej cieszyć, tak my się bardzo cieszymy, bo wtedy wzrasta nam ta sprzedaż.

Wzrasta też automatycznie nasza kategoria, zainteresowanie naszą marką, sprzedaż, więc tutaj też nie ma się co czarować, że uruchamiając kampanię radiową w czasie, kiedy pogorszyła się pogoda, to będą wzrosty. Będą, więc wniosek wyciągniemy bardzo niejednoznaczny, czy to miało sens, więc w takich krótkich czasookresach nie lubię oceniać w ogóle wzrostu marki i zainteresowania nią. Jeśli chodzi o influencerów, działania takie stricte online’owe, jako e-commerce musimy być w tym specjalistami, dlatego też większość, wszystkie działania realizujemy in-house’owo, by móc podejmować szybko reakcje, móc podejmować szybko działania, by się optymalizować. Tutaj tagowanie poszczególnych działań jest niezwykle istotne, czyli wszystkiego rodzaju UTM.

Do niedawna jeszcze mieliśmy też kody rabatowe, które pozwalały nam rzetelnie ocenić, czy dany kanał faktycznie przynosi nam cel, który sobie dla niego wyznaczyliśmy. Mam akurat to szczęście, że już aktualny prezes Michał Szymański lata temu podjął decyzję, że trzeba rozwijać wszystkie rozwiązania wewnątrz firmy, więc mamy dynamikę w działaniu, której, mając znajomych też, którzy są menadżerami, dyrektorami, mogą nam zazdrościć, więc myślę, że to nasza duża przewaga rynkowa.

Organizacja analityki i stack technologiczny w SklepOpon.com

Mariusz Michalczuk: No właśnie, to budowanie in-house’u i w zakresie technologii, i w zakresie pewnie też analityki jest realizowane. Czy mógłbyś trochę powiedzieć, jak współpracujesz, gdzie jest ten dział IT, bo to w różnych firmach bywa różnie. Ostatnio miałem gościa z e-commerce’u, gdzie jego zespół Data był w ramach struktur finansowych. Jak to wygląda u Was, jak wygląda współpraca, przepływ tych danych między różnymi działami, zwłaszcza interesuje mnie rzeczywiście jak te dane docierają skąd i jak do Ciebie docierają w kontekście właśnie e-commerce’u i marketingu.

Dawid Majewski: U nas dział analityki jest osobnym tworem, też ze względu na to, że jest niezwykle kluczowy, więc nie możemy sobie pozwolić, żeby on stanowił jakąś małą część większego zespołu i był traktowany po macoszemu. Jest to pełnoprawny, bardzo ważny dział u nas w firmie, który odpowiada na wszelkie zapotrzebowania, które pojawiają się ze wszystkich działów. Jeśli mam jakąś potrzebę, żeby coś przeanalizować, czy wyciągnąć jakieś dane, mogę to po prostu zgłosić do tego działu, poprosić o przygotowanie, czy to widoków Power BI, czy na szybko, jeśli to nie jest coś, z czego będziemy korzystać na co dzień, żeby to było w formie jakiegoś zestawienia danych.

Tutaj bardzo ważna jest ta międzydziałowa praca i my też wewnątrz firmy robimy cykliczne spotkania, w ramach których możemy omawiać poszczególne dane, rozmawiać nad rozwojem tych danych, w którą stronę chcielibyśmy z nimi pójść. Trochę wracamy do początku tej rozmowy, że jako marketerzy często otaczamy się liczbami, mamy ich od zatrzęsienia, a brakuje nam tych prostych widoków do szybkich analiz skuteczności naszych działań i myślę, że w tym kontekście, żeby to zrozumieć, kluczowe są te spotkania, przede wszystkim z analitykami, tak żeby każda ze stron zrozumiała potrzebę, bo jeśli rzucamy coś do osoby, która ma przygotować te dane, oczywiście ona nam je przygotuje, zrobi to jak najlepiej, ale może nie do końca poznać ten kontekst biznesowy, czy realną potrzebę danego działu, więc jest niezwykle ważne, żeby z analitykami przede wszystkim rozmawiać i u nas dział BI, czyli Business Intelligence jest pełnometrażowym działem, który jest cały czas rozwijany.

Mariusz Michalczuk: Super. Wspomniałeś o Power BI. Czy to jest takie centralne miejsce? Jak u Was wygląda taki stack, nazwijmy to, narzędziowy właśnie w kontekście analityki całościowej?

Dawid Majewski: Nie odkryję Ameryki. Mamy wszystkie dane gromadzone w BigQuery i Power BI jest tym elementem, gdzie mamy to w przyjemniejszy sposób zaprezentowany na poszczególne widoki, raporty, które zgłosiliśmy jako osoby, które korzystają z tych poszczególnych danych. Jest to też taki element, który jest spowodowany problemem, który wydaje mi się, że wszyscy mamy, czyli różną atrybucją danych, każde środowisko pokazuje to, tak, jak mu się podoba. Zawsze mówię, że marketing to częściowo sposób pokazania tych danych i nie ma złych danych, tylko wszystko zależy od tego, jak je przedstawimy. Zawsze mogą być na zielono, nie tylko na czerwono.

I właśnie, czy to mówimy sobie o Mecie, czy mówimy o Google, to każde środowisko będzie mówiło “inwestuj we mnie jak najwięcej, bo ja dowiozę Ci najwięcej tych konwersji, najwięcej przychodu”, ale kluczowe jest później zderzenie to z szarą rzeczywistością biznesową, czy faktycznie to nam się wszystko pokrywa i te kanały są rentowne, więc sprowadzenie tego do jednego mianownika jest tutaj kluczowe i my to właśnie tak robimy.

Mariusz Michalczuk: Czyli rozumiem, że taka hurtownia danych w marketingu to ona jest BigQuery i na to jest po prostu, do tego jest podpięty Power BI, dzięki czemu to jest taki, nie wiem, korytarz, przez który wszyscy mają dostęp.

Dawid Majewski: Dokładnie, dokładnie, tak. Power BI jest tym naszym pierwszym punktem styku z tymi danymi, a jeśli potrzebujemy już jakiejś konkretnej analizy albo coś, co wykracza poza te przygotowane raporty, oczywiście możemy sięgnąć do BigQuery, gdzie tam mamy otchłań danych i tutaj już nasza fantazja może nas wyłącznie ograniczać, co z czym chcielibyśmy sobie skonfrontować.

Ścieżka kariery Dawida Majewskiego i marketing oparty na danych handlowych

Mariusz Michalczuk: Tak myślę sobie, bo moje doświadczenie, moich klientów i tego co obserwuję i moich gości tutaj w podcaście rzeczywiście w takim e-commerce, takim B2C typowym ten performance turbo liczy się i performance bez danych jest trudny. Wiem, że miałeś doświadczenie też pracy z taką branżą bardziej luksusowych dóbr. Powiedz mi jaka jest tam różnica w kontekście marketingu no i też z tym związanych danych, czy tam też tak się patrzy na to ten performance też jest tak istotny jak to wygląda?

Dawid Majewski: Krótko to podsumuję, ale pozyskanie klienta odbywa się zupełnie innymi kanałami, to zupełnie inne dane, zupełnie inna analityka. SklepOpon tutaj jest kanałem B2C, więc mówimy wyłącznie o źródłach digitalowych, czy też o jakichś działaniach offline’owych, do których możemy dotrzeć do potencjalnego konsumenta. W przypadku branży samochodowej, w której miałem okazję pracować, którą miałem poznać, dużo dzieje się na zasadzie bezpośredniego kontaktu, relacyjności, więc od razu inne dane tutaj są niezwykle ważne, więc jabłko do jabłka nie jestem w stanie w żaden sposób porównać. Dla mnie to było bardzo ciekawe doświadczenie, móc zobaczyć jak to funkcjonuje i też nauczyć się, bo bardzo dużo się tam nauczyłem, takiej jakości, którą wydaje mi się, że w pewien sposób już przeniosłem do SklepOpon, więc dla mnie jako marketera to naprawdę cenne doświadczenie, które myślę, że jeszcze w przyszłości będzie owocować.

Mariusz Michalczuk: Myślę sobie o nauce, bo tak jak też rozmawialiśmy o Twojej karierze w samym SklepOpon, to tak naprawdę Ty bardzo taką drogę, nazwijmy to, kompletną przez organizację przeszedłeś w tej firmie, bo tak naprawdę zaczynałeś w obsłudze klienta, no i teraz odpowiadasz za marketing. Powiedz mi, jak tutaj wyglądała ta ścieżka właśnie w kontekście rozwoju kompetencji, w którym momencie te analityczne kompetencje zaczęły odgrywać szczególną rolę, może to też w czasie, no bo nie tylko w Twoim personalnym doświadczeniu, ale też rynek się zmienił, nie ukrywajmy, przez czas Twojej drogi, Twojego doświadczenia.

Dawid Majewski: Jak wspominałeś, miałem filmową drogę, bo zaczynałem od biura obsługi klienta. Z marketingiem byłem gdzieś pośrednio powiązany. Jestem fotografem już od 12-13 lat, miałem okazję wykonywać różne zlecenia dla firm, też na co dzień zajmuję się fotografią ślubną i właśnie z tego względu trafiłem do działu marketingu. Była chęć tworzenia własnego contentu, a ja, robiąc zdjęcia, idealnie wpisywałem się w ten temat. Później przerodziło się to w tworzenie działu marketingu SklepOpon. Jeśli chodzi o analitykę i dane na przestrzeni mojej kariery, kluczową rolę odegrał zespół, który tworzy SklepOpon, mam na myśli zarząd, mam na myśli menadżerów.

Jesteśmy firmą, która sprzedaje. Jesteśmy sprzedawcą, żyjemy z tej sprzedaży, z handlu, więc szybko musiałem nauczyć się wszystkich podstaw, które umożliwiają sprzedaż z zyskiem przede wszystkim, a nie tylko, żeby coś sprzedać. Właśnie ta współpraca z działem handlowym odegrała bardzo dużą rolę w mojej osobie, bo opieram marketing bardzo mocno na cyfrach stricte sprzedażowych we współpracy z działem handlowym i wydaje mi się, że jest to też bardzo ważne i tutaj mogę to skierować do osób, które gdzieś drą koty z działem handlowym, żeby tego nie robić, bo jeśli marketing ma coś dowieźć, to musi to być w synergii z działem handlowym. My sprzedajemy to, co dział handlowy zamówi i w drugą stronę, nam będzie ciężko sprzedać coś, co jest kompletnie oderwane od rzeczywistości, od rynku, od zainteresowania pośród kierowców, więc ta współpraca jest bardzo ważna.

Rozumienie biznesu, jak on działa od strony handlowej, od strony rynku jest bardzo ważne, bo to nam pomaga. To realna wartość, wiemy, jak niektóre kategorie marżują, co się sprzedaje, gdzie są jakieś problemy logistyczne, a to wszystko później rzutuje też na nasz kontakt z klientem, na ten komunikat do niego. Cieszę się, że nie jestem powiedzmy takim stricte marketerem, który zaczynał od książek, zaczynał od studiów, nauczył się wszystkiego z podręczników, tylko faktycznie miałem realny wpływ na biznes, na to, jak on działa, bo mam zupełnie inne myślenie, ukierunkowanie na zysk, który na końcu pozwala nam wszystkim tutaj egzystować.

Mariusz Michalczuk: Jest tlenem po prostu dla firmy, tak jak sobie myślę i chyba bardzo dobrym podsumowaniem tego, o czym mówisz, o współpracy. W ogóle bardzo mi się podoba, że to stwierdzenie, że opieram marketing na cyfrach handlowych, to jest mega istotne. I takim chyba dobrym podsumowaniem jest to, co powiedziałeś na początku, że nie ma marketingu bez handlu, ale z drugiej strony też nie ma handlu bez marketingu. To jest coś, co ja się przez lata też nauczyłem, bo kiedyś być może gdzieniegdzie jeszcze ciągle marketing jest taki uznawany za worek bez dna, że tam można kasę wrzucać, ale to chyba dlatego, że właśnie ci marketerzy, którzy tam są, gdzie ten marketing określa się jako taki worek bez dna, rzeczywiście nie robią tego, co ty powiedziałeś, że nie bazują na cyfrach handlowych, bo na końcu dnia, tak jak powiedziałeś, chodzi o to.

Dawid Majewski: Nie są moje słowa, jeśli chodzi o to powiązanie marketingu z handlem, ale bardzo je lubię i myślę, że stosując tą zasadę unikamy problemów, że takiej opinii, która pojawia się w większości firm, że marketing to tylko wydaje, handel musi to sprzedać, tylko pojawia się ten kontakt zrozumienia obydwu stron, bo na końcu jedno bez drugiego i tak nie zaistnieje, więc wracamy tutaj do tego meritum.

Mariusz Michalczuk: Ciekawy jest ten wątek z tą fotografią, bo rzeczywiście pracujesz na danych, czyli to są twarde rzeczy, nazwijmy to, a fotografia to jest taki bardzo artystyczny element. Powiedz mi, czy w kontekście, na przykład jak dział BI dostarcza Wam jakieś analizy, czy ten zmysł taki estetyczny gdzieś Ci się ujawnia w tym marketingu, w tej wizualizacji danych, bo nasuwa mi się takie pytanie, skojarzenie.

Dawid Majewski: Bardzo lubię, jak są przejrzyste dane, więc jak mam chociażby swojego roboczego Excela, gdzie na bieżąco sprawdzam poszczególne dane z miesięcy czy tygodni, to lubię kiedy są one podzielone kolorami, pooznaczane i tak dalej, nie wiem, grubsza, chudsza kreska. Zwracam na to uwagę. Mam wrażenie, że czasami jest to też trochę mój minus, bo zamiast iść dalej i skupić się na czymś innym, to bawię się w kolorowanie tego Excela. Jak najbardziej tutaj gdzieś ta estetyka, czy taki zmysł, który z fotografii się wywodzi, jest cały czas obecny.

Praktyczne rady dla e-commerce: Jak skutecznie wykorzystywać dane?

Mariusz Michalczuk: Super, mega ciekawe. Tak trochę już zmierzając do końca, chciałbym Cię podpytać o rady, które dałbyś zarządzającym e-commerce’om, żeby skuteczniej wykorzystywać dane, bo o tych danych faktycznie to co już padło, bardzo dużo się mówi. Każda firma, każdy zespół twierdzi, że jest data-driven. Natomiast mam poczucie, że często to jest takie yeti, że wszyscy o tym mówią, ale co do zasady mało kto to widział. Są pewne problemy, ja je identyfikuję, ale chciałbym posłuchać jak to z Twojej perspektywy wygląda, co jest tą przeszkodą, bo na pewno nie koszt, bo dzisiaj dane są i może nie tanie, ale niedrogie w zbieraniu, a w przechowywaniu to już zupełnie ten koszt jest coraz niższy.

Dawid Majewski: Powiedziałbym, że pierwsza rzecz, jaka mi się rzuca w myśl, to obawa przed tymi danymi. Często swoich działań nie lubimy opisywać liczbami, bo liczby są bezwzględne i czasem mogą pokazać, że coś idzie dobrze, coś idzie źle. Nie bójmy się tego, bo czasem opisując coś liczbami, od razu jest łatwiej uzasadnić chociażby przed zarządem wydatek, sens jakiejś aktywności, więc totalnie bym się tego nie obawiał.

Drugą kwestią jest mnogość tych danych. Powiedziałbym, że lubimy rozmawiać na forach, na LinkedIn. Ja ogólnie czasem podchodzę z negatywnym podejściem do Linkedina, bo tam tylko często wymyślamy kolejne dane, co analizować, a to prowadzi, że nic nie analizujemy, bo tylko zastanawiamy się co powinienem analizować na samym początku. Podałem przykład z wizytami na serwisie, znaleźć właśnie takie fajne, sprytne dane, które mogą nam przełożyć się realnie na nasz biznes, na tą naszą sprzedaż, czy też jeszcze coś innego. Wydaje mi się, że każdy coś takiego jest w stanie znaleźć.

Wybierać te pierwsze podstawowe dane, które pokażą nam od razu w pierwszym rzucie, czy coś idzie dobrze, czy coś idzie źle, a dopiero jeśli widzimy, że coś idzie źle, wchodzić w szczegół. Zamiast pokazywać, nie wiem, czy to jako pierwsze podam, nie wiem, średnią wartość zamówienia, to od razu nie robić tego w rozbiciu na poszczególne kategorie sprzedaży, tylko w ogóle, jak to wygląda. Jeśli widzimy, że w ogóle to nam się nie spina, to dopiero analizować, co idzie nie tak, a nie od razu zaprzątać sobie głowę mnóstwem detali, bo te detale później, moim zdaniem, powinny zostać przekazane już do mniejszego zespołu, żeby rozebrał to na czynniki pierwsze i podjął jakieś decyzje, które warto byłoby podjąć. I chyba tyle, wydaje mi się, że to takie z mojej perspektywy główne aspekty, a pierwszy problem to powiedziałbym, że te dane, bo często niestety nie lubimy danych, bo boimy się oceny zero jedynkowej tych naszych działań, które realizujemy.

Mariusz Michalczuk: Myślę, że ten wstręt do danych trochę też wynika z tego, co powiedziałeś, z tego drugiego problemu, to znaczy jest ich tak dużo, że nie wiemy na co patrzeć, nie wiemy co wybrać i trochę to taki typowy ludzki problem, że jak mamy 400 rzeczy, z których powinniśmy wybrać, to będzie nam dużo trudniej i będziemy odpychali od siebie ten wybór, a zamiast tego jak mamy, nie wiem, trzy rzeczy, czyli w kontekście metryk, czy ilości raportów, liczby raportów, to wiadomo, że lepiej skupić się na jednym, a dobrze niż wyrywkowo, czy po prostu po łebkach sprawdzać te naście, czy kilkadziesiąt raportów. Takie typowe, chyba takie najlepsze stwierdzenie to less is more. Także lepiej mało, a dobrze.

Dawid Majewski: Dokładnie tak, ale ten problem sami sobie tworzymy, bo myślę, że się ze mną zgodzisz, ale jadąc na jakąś konferencję, spotkanie z jakimiś osobami, jak powiesz, że masz tylko trzy dane, które sprawdzasz, a ktoś z tych danych ma 15, to boisz się powiedzieć, że masz tylko te trzy dane, bo ktoś ci zarzuci, że jesteś niekompetentny i za mało analizujesz, a może ci to po prostu wystarcza i dzięki temu rośniesz, więc. Ten problem sami go tworzymy i to takie trochę błędne koło też w marketingu, że czasem sobie po prostu uprzykrzamy życie bez potrzeby.

AI w branży motoryzacyjnej: Przyszłość analityki i zatowarowania

Mariusz Michalczuk: To prawda. Ze względu na to, że to jest podcast o technologii, o danych, o biznesie, a chyba nikogo nie zaskoczy, że dużym tematem właśnie w świecie technologii, danych i biznesu jest od kilku lat AI. I trochę chciałem Cię zapytać na koniec, w kontekście właśnie automatyzacji, w kontekście danych, które macie, czy jakbyś się zabawił w takiego, nie wiem, proroka, prognostyka, to gdzie widzisz takie największe możliwości rozwoju Twojej branży, tego co robisz, może ogólnie branży motoryzacyjnej w przyszłości, w obliczu tego jak technologia się rozwija, jak te dane są dostępne?

Dawid Majewski: Myślę, że tutaj wszelkiego rodzaju szybkie analizy, raporty na przykład na podstawie rejestrowanych samochodów, czy też nawet jakieś scrapingi aktualnie sprzedawanych samochodów, albo jakie samochody ludzie przeglądają na stronach producentów samochodów. To może być coś, co szybko do nas spływając może pozwolić nam w łatwy sposób zatowarować się w rozmiary opon, które będą łakomym kąskiem na rynku. Teraz wymagałoby to bardzo dużej ilości pracy, ręcznego przeglądania danych, zbierania tych danych, gromadzenia, a tak na dobrą sprawę z AI możemy to sobie spromptować, żeby się to działo automatycznie, żeby takie krótkie podsumowanie się u nas pojawiało, czy to na podstawie konkretnych stron, danych.

W analityce wydaje mi się, że AI odegra kluczową rolę, z tym w stu procentach się zgadzam i w przypadku naszej branży też oczywiście widzę już kilka rozwiązań, gdzie to AI może nas wspomóc, by pomagać naszym klientom. To zawsze jest taki główny motor napędowy naszych działań. I często, też nie bez powodu o tym powiedziałem, zdarza się tak, że kupując nowy samochód okazuje się, że nie ma opon zimowych na rynku, bo nikt nie pomyślał o tym, żeby je wyprodukować, a mając taką szybką analitykę AI-ową od razu możemy na przykład zgłosić, że takie zapotrzebowanie prawdopodobnie w tym sezonie może być.

Mariusz Michalczuk: Super. Dawid, dziękuję za Twoją wiedzę, za doświadczenie. Mega to interesujące, zwłaszcza dla mnie, osoby, która faktycznie motoryzacją może nie jest geekiem, ale się interesuje. Mega fajne insajty. Dzięki wielkie za Twój czas, za podzielenie się Twoją wiedzą. No i mam nadzieję, że jeszcze do zobaczenia w przyszłości.

Dawid Majewski: Do zobaczenia. Ja również dziękuję i zakończę tą rozmowę naszym mottem – Trzeba pamiętać, że opona ma znaczenie.

Mariusz Michalczuk: Dokładnie tak. Dzięki wielkie.

Podsumowanie: Główne wnioski z rozmowy

Rozmowa z Dawidem Majewskim ze SklepOpon.com dostarczyła cennych spostrzeżeń na temat roli danych w specyficznej i wymagającej branży e-commerce oponiarskiego. Kluczowym wnioskiem jest potwierdzenie zasady, że „nie ma marketingu bez handlu i na odwrót”. W nisko-marżowym, sezonowym biznesie, dane sprzedażowe (liczba sztuk, nie tylko przychód) są fundamentalne dla optymalizacji rentowności i efektywności działań marketingowych.

Wywiad podkreśla znaczenie nietypowych źródeł danych, takich jak dane pogodowe (średnia dobowa temperatura) oraz informacje z branż pokrewnych (obserwacja ruchu w serwisach wulkanizacyjnych). Dane te, często niedostępne w standardowych narzędziach analitycznych, stanowią cenny barometr nastrojów rynkowych i pomagają w ocenie potencjału sprzedaży oraz w planowaniu zatowarowania.

Ważnym aspektem jest również budowanie społeczności i wykorzystanie danych jakościowych. Bezpośredni kontakt z klientem, ankiety w grupach czy komentarze na YouTube pozwalają na szybkie wychwytywanie trendów i reagowanie na zmiany percepcji produktu, co jest szczególnie cenne w kontekście długofalowej inwestycji w relacje z klientem i zmiennych czynników zewnętrznych.

Od strony technologicznej, SklepOpon.com stawia na in-house’owy dział Business Intelligence oraz stack narzędziowy oparty na BigQuery i Power BI, co pozwala na agregację danych z różnych źródeł i ujednolicenie atrybucji, umożliwiając realną ocenę rentowności kanałów. Dawid Majewski podkreśla również, że efektywne wykorzystanie danych wymaga przezwyciężenia obawy przed ich bezwzględnością oraz skupienia się na kluczowych, prostych metrykach („less is more”), zamiast tonięcia w nadmiarze szczegółów. W kontekście przyszłości branży, AI jawi się jako narzędzie do automatyzacji szybkich analiz rynkowych, wspierających zarządzanie zapasami i przewidywanie potrzeb klientów.

The post Dawid Majewski – Handel bez marketingu nie istnieje – Date with 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.

Dane same w sobie są bezwartościowe
Mniej danych to więcej wartości, Ludzie są ważniejsi niż narzędzia
Kontekst danych to podstawa
Analityka to nie matematyka – stawiaj hipotezy!
Analiza potrzebuje ram czasowych i ratuje w kryzysie
Dane jakościowe dają najwięcej, a zmiany są pewne
Podsumowanie

Dane same w sobie są bezwartościowe

Zebrane spostrzeżenia pokazują, jak firmy korzystają z danych, gdzie mają największe wyzwania i jakie rozwiązania pomagają osiągać lepsze wyniki. Każdy z punktów to konkretna refleksja, która może pomóc lepiej zrozumieć potencjał danych online i skuteczniej wykorzystywać je w codziennej pracy. Od 15 lat pracuję w branży analityki internetowej. W tym czasie pomogłem ponad 300 firmom lepiej zrozumieć i efektywniej wykorzystywać dane zbierane z kanałów marketingowych i e-commerce, czyli dane online.

Działam w dwóch obszarach. Z jednej strony jestem analitykiem internetowym z wykształcenia – ukończyłem Szkołę Główną Handlową. Przez 10 lat realizowałem projekty dla klientów Conversion jako aktywny analityk. Wspierałem firmy w pozyskiwaniu, utrzymywaniu, wykorzystywaniu i aktywowaniu danych, a także w budowaniu wewnętrznego know-how dotyczącego ich analizy i zastosowania. Z perspektywy biznesowej, rozwój obowiązków i odpowiedzialności naturalnie doprowadził do powstania firmy, która dziś liczy ponad 20 osób. Zespół pomaga klientom wykorzystywać dane online w codziennym podejmowaniu decyzji. Sam również na co dzień korzystam z danych – zarówno tych zbieranych online, jak i dotyczących efektywności funkcjonowania firmy – aby podejmować trafne decyzje operacyjne.

Na tej podstawie powstało 11 konkretnych obserwacji, które wynikają z praktyki biznesowej i wdrożeń realizowanych dla klientów. W treści pojawiają się odniesienia do innych materiałów, które rozwijają poruszane tematy. Całość opiera się na praktycznym doświadczeniu – zarówno we własnej firmie, jak i we współpracy z klientami. Wszystkie odniesienia znajdują się w opisie, w sekcji linków wymienionych w materiale.

Opisywane dalej 11 obserwacji nie są uporządkowane według priorytetów. Zostały zestawione w logiczny sposób, jednak nie oznacza to, że pierwsza z nich jest najważniejsza czy najbardziej trafna.

Pierwsza obserwacja: dane same w sobie są bezwartościowe.

Zbieranie danych jest obecnie bardzo tanie. Na wykresie widać, jak na przestrzeni lat spadała cena dysków, które przechowują dane. Dodatkowo, dostępnych jest wiele darmowych narzędzi, które umożliwiają zbieranie danych — wystarczy wdrożyć odpowiedni fragment kodu śledzącego, a system sam rozpocznie gromadzenie informacji.

Jednak samo zbieranie danych nie przynosi żadnej wartości. Dane same w sobie są jedynie zasobem. Jeśli nie zostaną odpowiednio wykorzystane, nie przyniosą organizacji żadnych korzyści. Poziom wartości, jaką firma może z nich czerpać, zależy od jej dojrzałości analitycznej.

W pracy z klientami stosuję pięciostopniową skalę dojrzałości analitycznej. Na pierwszym poziomie znajdują się firmy, które jedynie zbierają dane — tzw. tracking. To etap, na którym dane są pozyskiwane, ale niekoniecznie uporządkowane czy analizowane.

Drugi poziom to Data Capture. Firmy na tym etapie nie tylko gromadzą dane, ale zaczynają je oczyszczać i porządkować. Dane przestają być surowe i stają się wartościowym materiałem do dalszej analizy.

Trzeci poziom to Reporting. Dane są już prezentowane w formie raportów i dostępne w całej organizacji — nie ograniczają się do jednego działu.

Na czwartym poziomie — Analysis and Insights — dane nie tylko są rozpowszechnione, ale także analizowane. Na ich podstawie formułowane są wnioski i rekomendacje, które wspierają działania biznesowe.

Piąty, najwyższy poziom to Data Driven Organization. W takich firmach większość decyzji dotyczących rozwoju opiera się na danych. Dane stają się integralnym elementem procesów decyzyjnych, a organizacja w pełni wykorzystuje ich potencjał. Czwarty poziom — Analysis and Insights — w branżowej nomenklaturze często określany jest jako Data Informed Organization. Oznacza to, że organizacja podejmuje decyzje w oparciu o dane i jest nimi realnie informowana.

Samo zbieranie danych nie przynosi korzyści. Dopiero gdy dane zostaną odpowiednio przetworzone, oczyszczone i osiągną wysoką jakość, można z nich efektywnie korzystać. Właśnie wtedy zaczyna pojawiać się realny zwrot z inwestycji w analitykę.

Warto zapoznać się z materiałami dotyczącymi dojrzałości analitycznej organizacji. Jednym z kluczowych zagadnień jest ocena, czy firma osiągnęła poziom, który pozwala efektywnie wykorzystywać dane w podejmowaniu decyzji. W tym kontekście pomocne są również treści dotyczące jakości danych — to fundament, bez którego trudno mówić o wartościowych insightach czy skutecznej analizie. Dane wysokiej jakości – co to właściwie oznacza?

W kontekście analityki internetowej pojęcie „danych wysokiej jakości” odnosi się do informacji, które są kompletne, spójne i precyzyjnie odzwierciedlają rzeczywistość. W praktyce oznacza to, że dane zbierane w narzędziach analitycznych, takich jak Google Analytics, powinny jak najdokładniej odwzorowywać to, co dzieje się w systemach biznesowych – na przykład w CRM czy systemie sprzedaży.

Zbieranie danych można porównać do posiadania ubezpieczenia AutoCasco. Dane, podobnie jak ubezpieczenie, często okazują się kluczowe dopiero w sytuacjach kryzysowych – gdy trzeba podejmować decyzje biznesowe na podstawie twardych faktów, a nie przeczucia. W jednym z wpisów na LinkedIn porównałem to do kradzieży samochodu – kiedy auto znika, doceniamy wartość dobrego ubezpieczenia. Tak samo w biznesie – dopiero gdy pojawi się problem, okazuje się, jak cenna jest dobrze skonfigurowana i wiarygodna analityka. Miałem doświadczenie kradzieży samochodu, jednak dzięki dobremu autokasko nie odczułem dużych strat. To porównanie dobrze obrazuje podejście do inwestycji w dane i analitykę.

Często otrzymujemy od klientów pytanie: jaki będzie zwrot z inwestycji w projekt analityczny, szczególnie w kontekście danych online? Odpowiedź jest prosta — zwrot z inwestycji będzie zerowy, jeśli zebrane dane nie zostaną wykorzystane. Samo ich posiadanie niczego nie zmienia. Kluczowe jest działanie: analiza, interpretacja i wdrożenie wniosków.

To pytanie szczególnie często pojawia się przy rozważaniu zakupu Google Analytics 360. W bezpłatnej wersji Analytics wystarczy wdrożyć kod śledzący, by zacząć zbierać dane. W przypadku GA360 należy zapłacić za licencję. Koszt ten może być relatywnie niski w porównaniu do potencjalnych korzyści, ale tylko wtedy, gdy dane są rzeczywiście wykorzystywane do podejmowania decyzji.

Czy Twoja organizacja potrzebuje GA360 i czy jest na to gotowa — to temat, który szczegółowo opisaliśmy w osobnym materiale. Warto się z nim zapoznać przed podjęciem decyzji.

Mniej danych to więcej wartości, Ludzie są ważniejsi niż narzędzia

Obserwacja numer dwa: mniej danych to więcej wartości. W kontekście analityki często spotykamy się z podejściem „less is more”. Dane są stosunkowo tanie w zbieraniu, co rodzi pokusę, by gromadzić wszystko, co tylko możliwe.

Warto jednak rozróżnić ilość od jakości. Lepszym podejściem jest zbieranie mniejszej liczby danych, ale o wysokiej jakości. Skupienie się na kluczowych informacjach pozwala później wyciągać trafniejsze wnioski i podejmować lepsze decyzje. Gromadzenie wszystkiego bez planu nie daje pewności, czy dane rzeczywiście będą przydatne w analizie. W kontekście ilości danych warto posłużyć się porównaniem do dwóch zjawisk z życia codziennego. Pierwszym z nich jest budowa bolidu Formuły 1. Zespoły wyścigowe konstruują te maszyny z myślą o zwycięstwie, inwestując ogromne środki w technologię, testy i optymalizację.

Podobne podejście często obserwujemy w firmach wdrażających systemy analityczne. Procesy przypominają budowę bolidu — są kosztowne, czasochłonne i rozbudowane. Projekty trwają miesiącami, a harmonogramy i budżety regularnie się rozszerzają. Problem pojawia się jednak na etapie wykorzystania efektów tych wdrożeń.

Często zdarza się, że końcowy użytkownik danych — osoba odpowiedzialna za analizę i podejmowanie decyzji biznesowych — nie posiada odpowiednich kompetencji. Przypomina to sytuację, w której za kierownicą bolidu F1 siada niewyszkolony kierowca, który rozbija samochód na pierwszym zakręcie. To obrazowa ilustracja problemu, w którym nawet najbardziej zaawansowane narzędzia nie przynoszą efektów bez odpowiedniego przygotowania zespołu analitycznego. Drugim obrazem, który dobrze oddaje podejście do pracy z danymi, jest analogia do biegu maratońskiego. Nie da się przebiec maratonu bez odpowiedniego przygotowania. Nie wystarczy wstać z kanapy i od razu wyruszyć na trasę 42 kilometrów. Najpierw trzeba zacząć od spacerów, potem stopniowo wprowadzać bieganie, zwiększać intensywność treningów i dopiero wtedy myśleć o maratonie.

Podobnie jest z analityką. Należy zacząć od wykorzystania danych, które już są dostępne. Kluczowe jest zadbanie o ich jakość, zanim zaczniemy zwiększać ich ilość. Dopiero po osiągnięciu odpowiedniego poziomu dojrzałości analitycznej warto skalować działania. Najpierw jakość, potem ilość. Warto pamiętać, że analityka to narzędzie wspierające rozwój biznesu, a nie cel sam w sobie. Projekty wdrożeniowe nie powinny być traktowane jak gotowy produkt, który automatycznie generuje wartość. Same narzędzia stanowią jedynie punkt wyjścia — wartość pojawia się dopiero wtedy, gdy dane zaczynają być wykorzystywane w działaniu.

W kontekście tego zagadnienia warto posłuchać rozmowy z Radkiem Łukasiewiczem z Gemini, w której poruszany jest temat błędnego podejścia do analityki jako produktu. W rzeczywistości korzyści płyną z aktywnego używania danych, nie z samego ich posiadania.

Trzecia obserwacja: ludzie są ważniejsi niż narzędzia. To kompetencje zespołu, umiejętność interpretowania danych i podejmowania na ich podstawie decyzji stanowią kluczowy czynnik sukcesu w analityce. Nawet najlepsze rozwiązania technologiczne nie przyniosą efektów bez odpowiedniego zaplecza ludzkiego. Avinash Kaushik, uznawany za jednego z autorytetów w dziedzinie analityki internetowej, sformułował zasadę 90/10. Zakłada ona, że jeśli dysponujemy 100 jednostkami budżetu na działania związane z danymi online, to 90 z nich powinniśmy przeznaczyć na ludzi — ich edukację i rozwój kompetencji — a tylko 10 na narzędzia do zbierania danych.

Zasada ta dobrze wpisuje się w podejście, które promuje koncentrację na jakości danych i umiejętności ich interpretacji, zamiast bezrefleksyjnego gromadzenia jak największej ilości informacji.

W pracy rekrutacyjnej, prowadzonej od kilkunastu lat w sektorze digital, często obserwuję, że kandydaci na analityków pomijają kluczowy etap analizy. W zadaniach praktycznych, które polegają na formułowaniu rekomendacji na podstawie raportu, wielu z nich dokonuje uproszczonego przejścia od danych bezpośrednio do wniosków.

Brakuje głębszego wejścia w dane: segmentacji, kontekstu, identyfikacji zależności. Zamiast tego często pojawiają się powierzchowne obserwacje i szybkie rekomendacje, które wynikają z wcześniejszych doświadczeń, np. w SEO. Przypomina to sytuację, w której ktoś mający młotek widzi wszędzie gwoździe — interpretacja danych jest wtedy podporządkowana znanym schematom, a nie rzeczywistej analizie.

W pracy analityka kluczowe jest unikanie takiego schematyzmu. Dane wymagają interpretacji, pogłębienia i spojrzenia z różnych perspektyw, zanim zostaną przekute w konkretne działania. W kontekście kompetencji analitycznych, rola analityka internetowego opiera się na trzech kluczowych obszarach: analitycznym, biznesowym i technologicznym.

Kompetencje analityczne są oczywiste — analityk musi potrafić interpretować dane, prowadzić analizy i wyciągać wnioski. Równie istotne są umiejętności biznesowe, które pozwalają zrozumieć cele firmy, rozmawiać z interesariuszami i przekładać dane na decyzje wspierające rozwój organizacji. Trzecim filarem jest wiedza technologiczna. W Digital Analytics dane powstają z technologii, dlatego analityk powinien rozumieć takie zagadnienia jak implementacja tagów, działanie narzędzi analitycznych czy struktura danych.

W dobie rozwoju AI proporcje te zaczynają się zmieniać. Automatyzacja i sztuczna inteligencja coraz częściej wspierają lub częściowo zastępują kompetencje techniczne i analityczne. Umiejętność posługiwania się AI i narzędziami automatyzującymi analizy może zminimalizować potrzebę manualnego przetwarzania danych. W efekcie kompetencje biznesowe zyskują na znaczeniu. Zrozumienie kontekstu, umiejętność zadawania właściwych pytań i wdrażania danych w działaniu stają się kluczowe dla skutecznego wykorzystania analityki.

Przykładem zastosowania myślenia analitycznego może być analiza spadającej marży na sprzedaży. Warto przyjrzeć się nie tylko wartości samej marży, ale także czynnikom wpływającym na jej zmianę: kosztom pozyskania klienta, źródłom ruchu, konwersji czy segmentacji użytkowników. Dopiero połączenie danych z kontekstem biznesowym pozwala znaleźć przyczynę i zaproponować działania naprawcze. Jak szukać przyczyn w danych? Kluczowe jest analityczne podejście, które polega na rozkładaniu problemu na czynniki pierwsze i systematycznym dochodzeniu do rozwiązania. Taki sposób myślenia pozwala zidentyfikować źródła problemów oraz lepiej zrozumieć zależności w danych.

W kontekście roli sztucznej inteligencji w analityce warto zastanowić się, czy AI może zastąpić analityka danych. Temat ten został szerzej omówiony w materiale, który zawiera wiele przykładów i wątków pomocnych w zrozumieniu obecnych możliwości i ograniczeń sztucznej inteligencji w kontekście Digital Analytics.

Warto również zapoznać się z dodatkowymi materiałami dotyczącymi pracy analityków internetowych. Wśród nich znajdują się odpowiedzi na pytania, ile kosztuje zatrudnienie analityka, kiedy warto go zatrudnić oraz jakie są dostępne alternatywy.

Kontekst danych to podstawa

Obserwacja numer 4: W danych można znaleźć wszystkie odpowiedzi, ale bez kontekstu dane są bezużyteczne. Zrozumienie otoczenia biznesowego, celów i procesów jest niezbędne, aby właściwie interpretować wyniki analizy. W danych można odczytać wiele, jednak bez odpowiedniego kontekstu trudno sformułować trafne hipotezy. Proces analizy danych, który prowadzi od zidentyfikowania problemu do podjęcia decyzji, składa się z kilku etapów: zebrania danych, ich analizy, formułowania wniosków i przedstawienia rekomendacji.

Kluczowym elementem tego procesu jest działanie. Warto przypomnieć, że zwrot z inwestycji w analitykę jest zerowy, jeśli rekomendacje analityczne nie zostaną wdrożone. Trafność samych rekomendacji zależy od jakości wniosków, które są wynikiem analizy. Skuteczne wnioski formułuje osoba posiadająca kompetencje analityczne, potrafiąca rozłożyć problem na czynniki pierwsze i uwzględnić kontekst sytuacji.

W analizie danych wyróżniamy dwa podstawowe typy danych: ilościowe i jakościowe. Dane ilościowe odpowiadają na pytanie „co się dzieje” – opisują sytuację i są podstawą pracy analityka. Dane jakościowe dostarczają odpowiedzi na pytanie „dlaczego coś się dzieje” i często stanowią brakujący kontekst niezbędny do właściwej interpretacji wyników. Kontekst analizy danych nie ogranicza się wyłącznie do danych jakościowych w ścisłym tego słowa znaczeniu. Obejmuje również to, co dzieje się wewnątrz firmy – procesy, zmiany organizacyjne czy wydarzenia wpływające na funkcjonowanie zespołów. To również są informacje, które mogą mieć istotne znaczenie analityczne. Problemem jest jednak fakt, że takie dane rzadko są zdigitalizowane i dostępne w formie umożliwiającej ich bezpośrednie przetwarzanie.

Jakość rekomendacji oraz podejmowanych na ich podstawie decyzji rośnie wraz z jakością wniosków wyciąganych z danych. W tym kontekście sztuczna inteligencja nie zastępuje etyki danych – nie jest w stanie ocenić, czy dane zostały zebrane i wykorzystane w odpowiednim kontekście i zgodnie z wartościami organizacji.

Bez pełnego, dobrze zdigitalizowanego kontekstu trudno oczekiwać, że AI samodzielnie wyciągnie trafne wnioski i zaproponuje skuteczne rekomendacje. Dopóki kontekst pozostaje częściowo niedostępny w formie danych, rola człowieka w analizie danych i podejmowaniu decyzji pozostaje kluczowa.

Dobrym przykładem może być sytuacja z naszej pracy. Obecnie obserwujemy spadek liczby leadów trafiających do firmy. Wnioski wyciągnięte jedynie z danych ilościowych nie dają pełnego obrazu sytuacji. Aby zrozumieć przyczyny, konieczne jest uwzględnienie szerszego kontekstu – zarówno danych jakościowych, jak i wewnętrznych procesów firmy. Liczba leadów rosła do 12. tygodnia roku, czyli mniej więcej do końca marca. W tym samym czasie zauważalny był spadek ruchu. Bez dodatkowego kontekstu trudno byłoby zidentyfikować przyczynę tej zmiany. Jedną z analizowanych hipotez jest wpływ wprowadzenia AI Overviews. Obecnie ją weryfikujemy, jednak już teraz można uznać, że w dużym stopniu wyjaśnia zaobserwowany spadek.

To przykład, jak istotny jest kontekst w analizie danych. Bez niego trudno byłoby dojść do potencjalnej przyczyny spadku liczby leadów. Przykład z marżą dobrze ilustruje, jak analiza kontekstu pomaga w interpretowaniu zmian w danych biznesowych. Link do materiału znajduje się w opisie. Ponad 70% osób, które korzystają z naszych materiałów, nie subskrybuje jeszcze kanału. Subskrypcja pozwala nam skuteczniej dzielić się wiedzą z zakresu analityki internetowej i wykorzystania danych online.

Analityka to nie matematyka – stawiaj hipotezy!

Obserwacja numer 5: analityka to nie matematyka.

Choć zarówno w matematyce, jak i w analityce operujemy liczbami i danymi, różni je kluczowy aspekt. Matematyka prowadzi do jednoznacznych wyników, natomiast w analityce kluczowe znaczenie mają hipotezy. Wyniki analiz to często punkt wyjścia do dalszych testów, obserwacji i wyciągania wniosków – nie zawsze są one ostateczne czy uniwersalne. Analityka opiera się na interpretacji, kontekście i ciągłym doskonaleniu procesu decyzyjnego. Analiza danych opiera się na stawianiu hipotez. Hipoteza to zdanie, które można potwierdzić lub obalić. Określa spodziewane relacje między zjawiskami i stanowi propozycję twierdzenia naukowego. Opiera się na prawdopodobieństwie wynikającym z danych historycznych i prowadzi do sformułowania rekomendacji – co zmienić, by poprawić sytuację, lub jak kontynuować skuteczne działania.

W matematyce podstawą rozumowania są aksjomaty. To jedno z fundamentalnych pojęć logiki matematycznej. Już od czasów Euklidesa uznaje się je za zdania przyjmowane bez dowodu jako prawdziwe i służące do dalszego wnioskowania. W matematyce istnieją twierdzenia, których nie dowodzi się w obrębie danej teorii — są przyjmowane jako aksjomaty. Przykładowo: 2 plus 2 równa się 4. W analityce sytuacja wygląda inaczej. Gdy mówimy, że 2 plus 2, to prawdopodobnie 4, stawiamy hipotezę, którą następnie weryfikujemy poprzez działania analityczne i porównanie z rzeczywistością.

Warto w tym kontekście zwrócić uwagę na jeszcze jeden aspekt. Jako ludzie często mamy opór przed popełnianiem błędów. W wielu firmach obserwujemy niechęć do analizy danych wynikającą ze strachu. Obawa przed tym, co może się z nich wyłonić, bywa paraliżująca. Zdarza się, że firmy unikają zaglądania w dane z lęku, że odkryją niepokojące informacje lub błędy w działaniu. Tymczasem dane są narzędziem, które pozwala lepiej zrozumieć rzeczywistość i podejmować trafniejsze decyzje — nawet jeśli oznacza to konieczność zmierzenia się z problemami. W projektach optymalizacji współczynnika konwersji często pojawia się pytanie o podejście do sytuacji, w której test A/B nie przynosi oczekiwanych rezultatów. Zdarza się, że reakcja na brak pozytywnego wyniku testu jest negatywna – pojawiają się zarzuty, że zespół „nie dał rady”, a także wątpliwości co do rozliczenia takiej pracy.

Warto jednak pamiętać, że nieudany test A/B również dostarcza cennych informacji. Pokazuje, które hipotezy nie działają, pozwala zawęzić kierunki dalszych działań i eliminuje błędne założenia. To integralny element procesu optymalizacji.

Na blogu opublikowaliśmy przewodnik po testach A/B w e-commerce – kompleksowy materiał, który pokazuje, jak skutecznie planować i prowadzić testy. Znajduje się tam również porównanie popularnych narzędzi wykorzystywanych do testów A/B, co może ułatwić wybór rozwiązania dopasowanego do potrzeb konkretnego biznesu. Każda weryfikacja hipotezy to okazja do nauki. Proces ten zaczyna się od postawienia hipotezy, przygotowania na jej podstawie rekomendacji, a następnie sprawdzenia, czy jest ona trafna. Jeśli rekomendacja się nie potwierdzi, ale dane są dobre, analiza poprawna, a kontekst znany, sama hipoteza nadal może być zasadna — nietrafna może być jedynie zaproponowana rekomendacja.

Często pojawia się obawa przed weryfikacją hipotez, zarówno po stronie biznesu, jak i analityków internetowych. Analitykom danych zarzuca się czasem niechęć do formułowania rekomendacji. Wynika to m.in. z ich wykształcenia. Osoby z wykształceniem ilościowym, które ukończyły studia matematyczne lub statystyczne, są przyzwyczajone do ścisłych praw, takich jak 2 + 2 = 4. W praktyce biznesowej rzeczywistość jest jednak bardziej złożona. Modele statystyczne i analityczne opierają się na danych, które mogą być niepełne lub obarczone błędami, a konteksty biznesowe są dynamiczne. To sprawia, że rekomendacje, choć oparte na logicznych przesłankach, nie zawsze się sprawdzają.

Mimo to, warto podejmować ryzyko i testować hipotezy. Otwartość na weryfikację i gotowość do uczenia się na błędach są fundamentem skutecznej analityki. W pracy z danymi w biznesie kluczowe jest stawianie hipotez. Jednak wielu z nas nie zostało tego nauczonych. System edukacji przyzwyczaił nas do jednoznacznych odpowiedzi – 2 + 2 = 4 – co często prowadzi do obawy przed formułowaniem własnych wniosków i rekomendacji.

Warto pamiętać, że analityka to narzędzie wspierające szybszy rozwój firmy, ale nie eliminuje błędów. Błędy będą się pojawiać jako element procesu rekomendacyjnego. Istotne jest jednak odpowiednie podejście do testowania i nauki. Inspirujące mogą być słowa Nelsona Mandeli: „Nigdy nie przegrywam – albo wygrywam, albo się uczę.” To podejście idealnie wpisuje się w filozofię pracy z danymi. Każdy test, niezależnie od wyniku, dostarcza wartościowej wiedzy, którą można wykorzystać w przyszłości.

Dużą rolę w tym procesie odgrywają liderzy organizacji. Po pierwsze, powinni zadbać o to, aby zespół miał wspólne zrozumienie danych. Po drugie, warto, by promowali kulturę testowania, w której eksperymenty nie są oceniane wyłącznie przez pryzmat sukcesu, ale także przez wartość wiedzy, jaką z nich wynosimy. Tylko wtedy analityka może skutecznie wspierać rozwój organizacji. Nie każde działanie musi przynosić korzyści. Nie jest problemem popełnianie błędów — problemem jest powtarzanie tych samych błędów bez wyciągania wniosków.

Analiza potrzebuje ram czasowych i ratuje w kryzysie

Szósta obserwacja: analiza. Niestety, często brakuje jej ram czasowych. Jeden z klientów opowiadał, że gdy biznes pyta, kiedy analiza będzie gotowa, odpowiada: „jak będzie skończona”. To oznacza, że trwa tyle, ile potrzeba.

Z perspektywy biznesowej takie podejście jest nieefektywne. Proces analizy musi być dostosowany do realiów organizacyjnych. Oczekiwanie na wyniki w nieskończoność nie wspiera sprawnego podejmowania decyzji. W praktyce analiza powinna mieć jasno określony zakres i harmonogram, aby dostarczać wartość w odpowiednim czasie. Analiza danych powinna jak najszybciej prowadzić do postawienia pierwszych hipotez. Jeśli hipotezy są oczywiste, analiza powinna być kontynuowana. Jeżeli natomiast hipotezy wymagają weryfikacji i sprawdzenia, oznacza to zakończenie pierwszego etapu analizy. Każdy kolejny etap powinien kończyć się testem wcześniej postawionej hipotezy.

Jednym z głównych problemów w relacji między biznesem a analityką jest czas potrzebny na pozyskanie, oczyszczenie i przygotowanie danych do analizy. Z obserwacji wynika, że ten etap potrafi pochłonąć nawet 85% całkowitego czasu pracy. Istnieją jednak sposoby na automatyzację procesu zbierania i prezentowania danych, które mogą znacząco go skrócić. Jak zautomatyzować przepływ danych w firmie? Trzy powody, by zainwestować w hurtownię danych

Hurtownia danych, stanowiąca tzw. single source of truth, to skuteczny sposób na usprawnienie pracy analityków w firmie. Gdy pojawia się problem biznesowy, osoba odpowiedzialna za analizę nie musi tracić czasu na ręczne zbieranie i oczyszczanie danych. Zamiast tego może od razu przejść do właściwej analizy, wyciągania wniosków i formułowania rekomendacji. Dzięki temu znacznie większa część jej czasu pracy poświęcona jest na działania przynoszące realną wartość, a nie na przygotowywanie danych.

W tym kontekście kluczowe znaczenie ma dobrze zaprojektowany model danych. Pomaga on uporządkować informacje i umożliwia szybki dostęp do właściwych zestawów danych. Więcej na ten temat można przeczytać w „Model danych – czym jest i dlaczego jest ważny w marketingu”.

Warto również pamiętać, że dane są jak energia jądrowa – mogą przynieść ogromne korzyści, ale wymagają odpowiedniego zarządzania i kontroli. Dane, podobnie jak energia, mogą mieć zarówno pozytywny, jak i negatywny wpływ — wszystko zależy od tego, w czyich znajdują się rękach. Z jednej strony wysokiej jakości dane pozwalają formułować hipotezy, weryfikować je i przyspieszać rozwój firmy. Z drugiej strony, niewłaściwie wykorzystane, mogą służyć manipulacji. Przedstawione w odpowiedni sposób potrafią „sprzedać” określoną narrację, nawet jeśli nie ma ona wiele wspólnego z rzeczywistością.

Warto zwrócić uwagę na temat nadużyć w prezentowaniu danych w marketingu. Przykładem może być analiza, którą opisałem w artykule „5 błędów agencji marketingowych w raportowaniu wyników kampanii”. Zawiera on konkretne przykłady nieprawidłowości — zarówno niezamierzonych, jak i tych, które mogą wynikać z celowego działania. Warto zapoznać się z tym materiałem, aby lepiej rozumieć, jak dane mogą być przedstawiane w sposób nieobiektywny i jak tego unikać. Obserwacja nr 8: Gdy pojawiają się problemy, sięgamy po dane. Dane często trafiają na margines zainteresowania firm – aż do momentu, gdy sytuacja zaczyna się pogarszać. Wiele organizacji zaczyna interesować się analityką dopiero wtedy, gdy pojawiają się trudności i trzeba znaleźć ich przyczynę. W takich momentach konieczne staje się postawienie hipotez i szukanie odpowiedzi w danych.

Analityka bywa traktowana jako uciążliwy obowiązek – zbieranie danych, raportowanie, konfiguracja narzędzi – wszystko to często spychane jest na dalszy plan. Tymczasem dane pełnią kluczową rolę właśnie wtedy, gdy firma napotyka problemy. Pozwalają zrozumieć, co poszło nie tak, i znaleźć kierunek zmian.

Warto traktować dane jak ubezpieczenie. Inwestując w analitykę wcześniej, zyskujemy narzędzia do szybszego reagowania na kryzys i podejmowania trafniejszych decyzji. Z perspektywy oszczędności na danych, warto zauważyć, że jest ona często pozorna. Może się wydawać korzystna, dopóki wszystko działa zgodnie z planem. Jednak nie ma gwarancji, że zawsze tak będzie. Dlatego warto zainwestować w dane i potraktować to jako formę zabezpieczenia – swoiste ubezpieczenie.

Dane jakościowe dają najwięcej, a zmiany są pewne

Obserwacja 9: Dane ilościowe są potężnym narzędziem, ale to dane jakościowe często przynoszą większą wartość od razu. Pozwalają lepiej zrozumieć kontekst zachowań użytkowników i szybciej wyciągać praktyczne wnioski. Dane ilościowe pokazują, co się dzieje – szybko ujawniają trendy, sytuacje problemowe czy wąskie gardła w serwisie. Są tanie w zbieraniu i analizie dzięki odpowiednim mechanizmom, a coraz częściej mogą być obsługiwane przez AI.

W analizie mogą jednak być niebezpieczne, jeśli zostaną błędnie zinterpretowane lub użyte bez kontekstu. Warto pamiętać, że same liczby nie odpowiadają na pytanie „dlaczego”.

Dane jakościowe pozwalają zrozumieć przyczyny obserwowanych zjawisk. Mają większą wartość, ponieważ dostarczają kontekstu i wyjaśniają, dlaczego coś nie działa – umożliwiają odkrycie problemów, których dane ilościowe nie pokazują wprost. Biznes częściej interesuje „dlaczego” niż „co”. W codziennym życiu również częściej szukamy odpowiedzi na pytanie „dlaczego”. Nie bez powodu małe dzieci zadają je wyjątkowo często — to naturalna potrzeba zrozumienia świata.

Dane jakościowe mają dużą wartość, choć ich pozyskiwanie wiąże się z wyższymi kosztami. Znacznie łatwiej przeanalizować dane ilościowe, np. ścieżkę użytkownika w checkout, niż zorganizować badanie użyteczności z udziałem pięciu czy sześciu osób i przeprowadzić scenariuszowe testy.

Mimo to warto inwestować w dane jakościowe, szczególnie w kontekście budowania własnego stacku analitycznego, opartego na first party measurement. Celem jest stworzenie jednego źródła prawdy, które powinno uwzględniać zarówno dane ilościowe, jak i jakościowe.

First party measurement nabiera szczególnego znaczenia w obecnych realiach, gdy coraz częściej blokowane są pliki cookies, a dane muszą być modelowane. W tym kontekście warto wrócić do zagadnień hurtowni danych w marketingu oraz modelu danych, które stanowią fundament skutecznej analityki. Swoją przygodę z danymi zaczynałem w czasach, gdy narzędzia analityczne nie były jeszcze powszechnie dostępne. Pracowałem wtedy jako analityk ekonometryczny w domu mediowym, gdzie na podstawie zagregowanych danych panelowych budowałem modele predykcyjne. Zebranie i przetworzenie danych było czasochłonne i kosztowne, co tylko podkreśla, jak ważne jest dziś inwestowanie w rozwiązania oparte na first-party data i własny measurement.

Współczesna analityka digitalowa to w dużej mierze analityka marketingowa. To właśnie w działaniach marketingowych generowane są największe ilości danych, ponieważ tam koncentrują się największe inwestycje. Szczególnie wyraźnie widać to w e-commerce, gdzie przychód najczęściej zależy od trzech kluczowych obszarów:

1. Ruchu na stronie – czyli ile osób odwiedza sklep.
2. Współczynnika konwersji – czyli jak skutecznie ruch zamienia się w sprzedaż.
3. Średniej wartości koszyka – czyli ile przeciętnie wydaje klient.

Skuteczna analityka marketingowa pozwala optymalizować każdy z tych elementów, co bezpośrednio przekłada się na wzrost przychodów. Właśnie dlatego tak istotne jest, by firmy inwestowały w narzędzia i procesy umożliwiające zbieranie oraz analizę wiarygodnych danych własnych. W analizie skuteczności działań marketingowych kluczowe znaczenie mają trzy wskaźniki: źródło ruchu, współczynnik konwersji oraz średnia wartość zamówienia. Menedżerowie i dyrektorzy najczęściej koncentrują się na pierwszym z nich – inwestycjach w pozyskiwanie ruchu. Dzieje się tak, ponieważ efekt tych działań widać natychmiast.

Warto jednak pamiętać, że to, co przynosi szybki rezultat, nie zawsze daje największą wartość w dłuższym okresie. Największą dźwignię w rozwoju biznesu e-commerce zapewnia optymalizacja współczynnika konwersji oraz zwiększanie średniej wartości klienta lub zamówienia.

W tym kontekście warto sięgnąć po sprawdzone raporty w Google Analytics 4, które pozwalają szybko zidentyfikować obszary do poprawy. Są to tzw. low-hanging fruits, czyli proste do wdrożenia usprawnienia, które mogą znacząco wpłynąć na wyniki. Przykłady takich raportów zostały omówione w jednym z wcześniejszych wpisów – link znajduje się w opisie.

Na koniec warto podkreślić jedno: w analityce i marketingu pewne jest tylko jedno – zmiana. Temat dotyczy nie tylko analityki internetowej, ale również szerszych zmian, które zachodzą w wielu obszarach życia – szczególnie w ostatnich pięciu latach. Mam za sobą 15 lat doświadczenia w branży, z czego pierwsze 10 lat wydaje się dziś znacznie spokojniejsze i mniej dynamiczne niż ostatnie pięć.

W materiale o trendach w analityce internetowej, do którego link znajduje się w opisie, opisałem cztery fazy rozwoju naszej branży. Czwarta faza rozpoczęła się w 2019 roku. Patrząc na okres od 2020 do 2025, można odnieść wrażenie, że w tym czasie zmieściły się kolejne cztery fazy – tak intensywnie i szybko zmienia się obecnie świat analityki. W raporcie World Economic Forum „Future of Jobs Report 2025” wskazano osiem obszarów, w które warto inwestować już teraz. Na ekranie znajduje się podsumowanie tych kierunków rozwoju. W kontekście kompetencji przyszłości raport wyróżnia trzy kluczowe obszary: biznes, technologię i dane. To właśnie te trzy filary definiują działalność Conversion.

Podsumowanie

Jak podsumowuje to moje motto na LinkedIn: „Bez danych jesteś tylko kolejną osobą z opinią”. 11 obserwacji, które przedstawiłem, to skondensowana wiedza z 15 lat praktyki w analityce internetowej. Pokazują one, że dane same w sobie nie mają wartości – kluczowe jest ich umiejętne wykorzystanie, zrozumienie kontekstu oraz ciągłe uczenie się z popełnianych błędów.

Inwestowanie w jakość danych, rozwój kompetencji zespołu oraz promowanie kultury opartej na testowaniu i hipotezach to fundamenty skutecznej analityki. To one pozwalają firmom nie tylko reagować na problemy, ale przede wszystkim systematycznie optymalizować działania marketingowe i biznesowe.

Zachęcam do refleksji nad tymi trendami i do aktywnego wykorzystywania danych w Twojej organizacji. Pamiętaj, że w analityce pewna jest tylko zmiana, a elastyczność i ciągłe doskonalenie są kluczem do osiągnięcia przewagi konkurencyjnej. Aby pogłębić wiedzę, warto zapoznać się z materiałami, do których odwołuję się w treści artykułu.

The post 11 obserwacji o danych w marketingu i e-commerce z 15 lat doświadczenia w branży first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Droga Kamila Zawiślaka do analityki i CRO
Pierwsze kroki i inspiracje do pracy z danymi
Budowanie kultury CRO i testów A/B w organizacji
Framework efektywnego procesu optymalizacji konwersji
Najważniejsze praktyczne rady dla wdrożenia CRO
Zaskakujące przypadki testów A/B z praktyki
Podejście data-driven vs. data-informed
Podsumowanie: Najważniejsze wnioski z rozmowy

Droga Kamila Zawiślaka do analityki i CRO

Mariusz Michalczuk: Witam w kolejnym odcinku Date with Data Talks. Zanim przedstawię mojego gościa, zachęcam Cię do subskrypcji naszego kanału, aby nie ominęły Cię kolejne odcinki z ciekawymi gośćmi, którzy są specjalistami i zarządzają zespołami wykorzystania danych online w firmach w Polsce i za granicą. Moim gościem dzisiaj jest Kamil Zawiślak. Cześć Kamilu, dzięki, że przyjąłeś zaproszenie do naszego podcastu. Przedstaw się, powiedz kilka słów o sobie.

Kamil Zawiślak: Cześć Mariuszu, również dzięki za zaproszenie. Analityką internetową zajmuję się od przeszło siedmiu lat. Od ostatnich kilku lat, jakichś trzech-czterech, bardzo mocno jestem skupiony na temacie CRO i testów AB. Miałem okazję prowadzić zespół, który był na tym skupiony w ostatnim czasie i testy AB to dzisiaj mój główny temat.

Mariusz Michalczuk: Mówisz, że jesteś od tych kilku lat w temacie danych online. Jak ta twoja ścieżka wyglądała? Jak to się stało, że w ogóle zacząłeś w e-commerce, w online? I tu, gdzie teraz jesteś, czy jesteś odpowiedzialny za wykorzystanie tych danych? Bo chyba nie ma dzisiaj lepszej formy od aktywacji danych online niż procesy optymalizacji współczynnika konwersji. Jak to się po kolei działo? Czy to planowałeś? Czy to wyszło jakoś po drodze?

Kamil Zawiślak: Pewnie. Start w branży marketingu internetowego zacząłem jakieś 10 lat temu w agencji interaktywnej. Tam zacząłem być specjalistą od Google Ads i SEO. Pracowałem tam niespełna 5 lat. Pod koniec zauważyłem potencjał drzemiący w Google Analyticsie i w danych, które zbieraliśmy u klientów, ale nie było nikogo, kto by się tymi danymi zaopiekował i zrobił z nich użytek. Mam też krótki background UX-owy. Stwierdziłem, że fajnie byłoby zasilać dział UX-owy w te dane, żeby robić z nich użytek i wykorzystywać je na korzyść klientów i użytkowników serwisu. Mocno skupiłem się wówczas na Analyticsie, na insightowaniu, wyciąganiu wniosków i to był taki pierwszy początek większej przygody z danymi, która trwa do dzisiaj.

Później miałem okazję pracować przez ostatnie pięć lat w wakacje.pl, gdzie zacząłem pracę jako specjalista marketingu, a z czasem zająłem się właśnie analityką i po kilku latach udało się zbudować zespół skupiony tylko wokół analityki internetowej. Czyli, to mamy wtedy te 10 lat.

Mariusz Michalczuk: Szybko minęło. Czyli to taka ścieżka jest od tego, że faktycznie zaczęły się robić rzeczy związane z marketingiem online. Czy pamiętasz z tych czasów jakiś konkretny moment? No bo tak, ADS i SEO, ja to już wspominałem na tym kanale, że analityka, przynajmniej dane, na początku była domeną SEM-owców i SEO-owców. A czy jesteś w stanie przypomnieć sobie taki moment, że rzeczywiście te dane jakoś tak Ci turbo pomogły? Albo coś było dla Ciebie takie wow, bo ten UX rozumiem, że pojawił się później, po ADSach i SEO? Jak to wyglądało?

Kamil Zawiślak: Trochę w międzyczasie. Sama psychologia sprzedaży czy percepcja użytkowników, różne bajasy z tym związane zawsze były mi bliskie. W Google Ads jest dużo analizy danych: kliknięcia, współczynniki, miary, KPI. Moment, w którym najwięcej się zmieniło, to fakt, że same Google Adsy, kliknięcia i konwersje z tych reklam to było trochę za mało. Zacząłem widzieć potencjał w tym, jak wyglądają dane w Analyticsie. Pamiętam współczynnik odrzuceń i mniej trafne strony, mniej relewantne do nagłówków reklam. To był taki początek zagłębiania się w dane w Google Analyticsie.

Budowanie kultury CRO i testów A/B w organizacji

Mariusz Michalczuk: Czyli te dane były potrzebne, żeby poprawiać kampanie. Jedna strona to to, co poprawiamy off-site, żeby użytkownicy klikali w reklamy i zainteresowali się firmą. Później, jak trafią do serwisu, większą rolę odgrywał UX i stworzenie zespołu od CRO. Przeszedłeś tę drogę od pozyskiwania ruchu do optymalizacji tego ruchu. Co dla Ciebie było takim efektywnym, albo co uważasz za efektywny proces tej optymalizacji współczynnika konwersji? Mam wrażenie, że z tym CRO na rynku jest trochę tak, że wszyscy o tym mówią, a mało kto w praktyce robi, a tutaj nie mógłbym lepszej osoby wymarzyć do kanału – osoby, która rzeczywiście tworzyła te procesy i zespół, który w praktyce się tym zajmował.

Kamil Zawiślak: W perspektywie czasu pamiętam, jak kiedyś nie było na rynku zbyt wielu ogłoszeń na analityka internetowego. To były początki, gdzie analityka się rozwijała i wiele firm nie wiedziało wtedy, że potrzebuje analityka internetowego w zespole. To był taki pierwszy kamień milowy. Później podobnie było z testami A/B. W większości firm, z którymi współpracowałem, niestety do dzisiaj wygląda to często tak, że mamy pomysł i go wdrażamy. Excel często przyjmie wiele, więc post factum da się wyjaśnić sporo tych wdrożeń, ale w samych testach A/B nie chodzi o to, żeby podnosić metryki. To może trochę przewrotne, ale testy A/B są potrzebne, żebyśmy wiedzieli, czy idziemy w dobrym kierunku, czy mamy rację w swoich pomysłach, które chcemy wdrażać na serwisie.

Tworzenie tych procesów było bardzo trudne. Mamy zespół różnych specjalistów, którzy świetnie znają się na swojej robocie. Ale kiedy tworzymy osoby odpowiedzialne za optymalizację współczynnika konwersji czy testy A/B, to jest taka osoba, która na początku mówi „sprawdzam”. Te początki są trudne, bo jesteśmy osobą, która musi powiedzieć tym wszystkim ekspertom i product ownerom, że od dzisiaj będziemy walidować wdrożenia w nieco inny sposób. Na przestrzeni czasu to jest wyzwaniem, żeby tę kulturę zmienić, wprowadzać ją w firmie i starać się, żeby była głównym sposobem wdrażania. Wiele firm nie jest na to gotowych, bo wiąże się to z dużymi nakładami na narzędzia i na ekspertów. Same narzędzia, w zależności od skali ruchu serwisu, potrafią bardzo dużo kosztować licencyjnie, a wytworzenie i utrzymanie takiego narzędzia jest jeszcze większym wyzwaniem. Poza mechanizmem losującym musimy te dane później walidować i wizualizować. Skupienie się na kulturze testów A/B jest najtrudniejsze i taka osoba ma nielada wyzwanie, żeby przekonać innych w firmie, że nie chodzi o sprawdzanie każdego ich ruchu, tylko o odpowiedź na pytanie, czy to, co wymyśliliśmy, pomaga użytkownikom i w efekcie jesteśmy w stanie zarabiać więcej, bo o to chodzi.

Mariusz Michalczuk: To jest bardzo ciekawe, co mówisz i chyba bardzo prawdziwe. Testy A/B rzeczywiście są takim elementem sprawdzenia. Trochę zastanawiam się, z czego to może wynikać. Nie wiem, czy to jest społecznie u nas w Polsce, taka kultura nieomylności? No bo każdy chciałby swoją pracę wykonywać dobrze, a jak nie sprawdzi, czy robi to dobrze, to trochę to jest w jego głowie. Wydaje mu się, że robi to dobrze. Jak ci się wydaje, jak byłeś takim ewangelistą tej kultury testowania, to z czego to wynikało, że ludzie jednak się trochę temu przeciwstawiali?

Kamil Zawiślak: Lata pracy bez frameworku do testów A/B sprawiają, że podejście, wdrożenie, zmiany są trudne. Każdy chce wykonywać swoją pracę dobrze, ale jednocześnie wdrażać swoje pomysły. Fokus na wdrażanie swoich pomysłów nie pomaga w tym podejściu. Statystyki mówią, że średnio 10-15% testów A/B powodzi się, czyli finalnie mamy poprawę danej miary, którą chcieliśmy poprawić. To pokazuje, że bardzo dużo testów nie potwierdza się w danych. Czyli albo nie do końca mieliśmy rację, stawiając daną hipotezę, albo użytkownicy reagują w zupełnie inny sposób, a nasz pomysł nie do końca rozwiązuje ich problem. W samych testach A/B największym wyzwaniem jest wychodzenie od danych, fokus na użytkownika, na problemy.

Framework efektywnego procesu optymalizacji konwersji

Świetnym sposobem jest priorytetyzacja zebranych pomysłów czy powodów, z których użytkownicy mają problem. Przy priorytetyzacji idziemy od góry. Specjalista zawsze musi pilnować, żeby hipoteza była dobrze postawiona, by dało się ją zwalidować. Idealna hipoteza wychodzi od danych, mamy na to dowody, które mogą wynikać z ankiet, NPS-a, danych ilościowych, jakościowych czy CRM-owych. Mając dowody, stawiamy hipotezę, która ma banalny wzór: zmienimy na stronie X na Y, by wpłynąć na Z, i powinniśmy założyć, o ile procent wpłyniemy na daną metrykę. Większość testów nie jest po myśli inicjatora, ale z tej większości, która się nie powodzi, płynie nauka i nie ma lepszego sposobu w procesie optymalizacji niż robienie testów A/B na większą skalę. Jeżeli większość testów się nie powodzi, to rocznie musimy ich zrobić przynajmniej kilkadziesiąt, żeby efektywnie, trwale poprawić metrykę konwersji.

Niełatwo jest wielu firmom prowadzić tak wiele testów jednocześnie, czy realizować. Przyjęło się, że testy powinny trwać dwa tygodnie, ale to tylko założenie. Cały cykl powinien być zachowany. Często jakiś super pomysł wcale nie poprawia metryki. Wtedy jest masa pracy, bo KPI to jedno. Warto walidować też inne rzeczy. Kiedyś Airbnb robiło test, którym się chwalili. Airbnb nie miało mapki, która jest teraz nieodzownym elementem listingu. Specjaliści z Airbnb wpadli na to, że zrobią taką mapę, nowy listing, ale konwersja się nie poprawiła, bo na Internet Explorerze konwersja poleciała na łeb na szyję, bo mapa nie była kompatybilna z tą przeglądarką. Na wszystkich innych było in plus. Finalnie mieliśmy poprawę, ale była przykryta danymi z Internet Explorera. Diabeł tkwi w szczegółach i trzeba dane głębiej eksplorować. Hipotezy mogły się nie powieść też z powodu problemów z funkcjonalnością, które wychodzą, a normalnie byśmy tego nie zauważyli.

Mariusz Michalczuk: Chociaż Internet Explorer swego czasu był na tyle popularny. Pamiętam, jak zaczynaliśmy w latach 2010-2015, jak widzieliśmy Internet Explorera, to zwłaszcza w serwisach, gdzie dużo administracji korzystało z rzeczy państwowych. Cieszę się, że wspomniałeś o tym elemencie, że testy A/B są narzędziem do sprawdzania efektywności zmian. Ja podzielę się doświadczeniem: w toku projektów optymalizacji współczynnika konwersji, które teraz nazywamy optymalizacją doświadczeń użytkownika, na początku wdrażaliśmy czy testowaliśmy rzeczy, które były w naszej głowie, w heurystykach, dobrych praktykach. Mieliśmy taką księgę zmian, które zazwyczaj działały, ale do pewnego momentu. W pewnym momencie, tak jak mówiłeś o priorytetyzacji, dodaliśmy jedną kolumnę do scoringu, która oznaczała, czy rekomendacja płynie z dobrych praktyk, czy bezpośrednio z danych. Im bliżej danych ilościowych, tym miała większą wagę, bo dane ilościowe potwierdzały problem w większym stopniu. Wiadomo, badanie użyteczności to max 10 osób, a dane ilościowe to często setki tysięcy potwierdzające, że jakiś element nie działa. W przypadku Internet Explorera, to powinien być element Quality Assurance, ale często jest tak, że „u mnie działa”, a później w danych wynika, że coś przestaje działać.

Kamil Zawiślak: Jak najbardziej. A propos „u mnie działa”, dużo narzędzi do testów A/B ma mechanizm feature flaggingu. To jedna z dobrych praktyk a propos wypuszczania zmian na produkcję. Wiele firm zmiany oczywiście testuje, ale później trafia to na produkcję od razu na 100%. Często, jeżeli coś nie działa, gasimy światło oby tylko na chwilkę, ale czasami to trwa i kilka godzin. Awaria na serwisie spowodowana błahymi rzeczami potrafi trwać bardzo długo. Warto ten sposób na testowanie połączyć z takim podejściem, żeby nie wychodzić ze zmianami na 100%. Spotkałem się z rozwiązaniami, gdzie tak jest, ale jest sporo miejsc, gdzie nadal zmiany są wdrażane na 100%. To jest ciekawe i warte rozważenia.

A propos priorytetyzacji, o której wspomniałeś, jest ona szalenie istotna. Wyobraźmy sobie serwis z milionami użytkowników i konwersją 3-5%. W każdym teście A/B powinniśmy używać kalkulatora, który powie nam, jak duży ruch jest potrzebny, żeby stwierdzić istotność statystyczną. Sytuacje, kiedy mamy kilka zespołów produktowych, każdy z masą pomysłów, a ruch na serwisie nie jest z gumy, więc nie możemy odpalić Bóg wie ile testów. Musimy pamiętać, że część testów nie może działać jednocześnie z innym, np. kilka zmian na prezentacji oferty czy listingu. Przy kilku zespołach produktowych, framework z bazą, repozytorium i sensowną priorytetyzacją, popartą danymi ilościowymi, jakościowymi, a nie heurystykami, jest bardzo ważna. Często spotykałem się z tym, że ktoś miał super pomysł na test A/B i uważał, że zadziała, ale nie było przestrzeni w danym momencie, żeby to przeprowadzić i sprawdzić. Sposobów na priorytetyzację jest kilka. Można opierać się na frameworku ICE (ważność, łatwość wdrożenia), ale są one trudne. Idealnie, jeżeli w zespole mamy kompetencje i jesteśmy w stanie z deweloperem ocenić koszt wdrożenia. Wówczas mówimy o pełnym zakresie priorytetów. Najgorzej jest, jeżeli biznes sam ocenia łatwość wdrożenia, nie wiedząc, ile to potrwa.

Mariusz Michalczuk: Trochę za późno wtedy na priorytetyzację.

Najważniejsze praktyczne rady dla wdrożenia CRO

Mariusz Michalczuk: Zanotowałem sobie dwie rzeczy z dobrych praktyk: Quality Assurance i priorytetyzacja. Co jeszcze byś dodał do efektywnego procesu CRO? Jakieś wskazówki dla osób, które chciałyby odpalić ten proces, albo które już to robią, ale niekoniecznie im wychodzi.

Kamil Zawiślak: Zdecydowanie wprowadziłbym zasadę: nie patrzymy na konkurencję. To zasada, która ma duże poparcie w tym, co teraz powiem. Nie wiemy, czy konkurencja dany element ma dobrze zoptymalizowany, czy on działa w ogóle. Co gorsza, czy tam nie jest prowadzony jakiś test A/B. Skupimy się, skopiujemy, czyli poniesiemy koszt, a skopiujemy rozwiązanie, bo niestety nadal kopiujemy, często projektując interfejsy, rozwiązanie, które finalnie nie wejdzie w ogóle na produkcję. Patrzenie na konkurencję jest bardzo niebezpieczne z tego względu, że z jakiegoś powodu ci użytkownicy kupują tam, a nie u nas.

Drugi powód: nie powinniśmy pytać użytkowników, co zmieniliby w serwisie. To uwaga do osób projektujących, ale to też są ludzie, bez których proces CRO nie miałby miejsca. Najgorzej, jeżeli projektant pyta w badaniach czy na prototypowaniu „co, drogi użytkowniku, zmieniłbyś w ramach naszego serwisu?”. Taki użytkownik będzie mówił o zmianach przez pryzmat innych stron, z których korzysta. Mogą być konkurencyjne, ale mogą być zupełnie inne, więc będzie mówił o swoich doświadczeniach i będzie to tylko kilka głosów.

Mariusz Michalczuk: Pewnie się nie będzie różniło tym, co my sami, prawda? Tak jak jest podejmowanie decyzji o zmianach na podstawie jakiegoś swojego doświadczenia versus danych, tak jakbyśmy brali pod uwagę jednego użytkownika, to bierzemy jego, a nie nasze doświadczenie, czyli to praktycznie za dużo się nie różni, nie?

Kamil Zawiślak: Dokładnie. I w tej sytuacji skupiamy się na jakimś rozwiązaniu, nie rozumiejąc tak naprawdę problemów w danej części serwisu. Jeżeli w ten sposób będziemy podchodzić do CRO, to będziemy projektować gorsze rzeczy, w mojej ocenie, które później w testach bardzo często nie wychodzą. To co jeszcze mogę dodać to „testujmy” – to jest kontrowersyjne z punktu widzenia osób, które chcą zrobić coś dużego, dużą zmianę. Czasami nie da się inaczej z powodów technicznych czy infrastrukturalnych, kod jest przestarzały i musimy wprowadzić dużą zmianę. Ale to bardzo często wiąże się ze spadkiem konwersji na początku i odbudową, zaczęciem procesu od zera, bo na nowo musimy zrozumieć użytkowników. Na to często nie ma czasu, bo zaraz trzeba wdrażać nowe projekty, a my mamy masę pytań, dlaczego ta metryka poleciała, a my nie wiemy, bo wprowadzono bardzo dużo zmian na serwisie. Klienci mają swoje przyzwyczajenia i często redesign nawet testowany z użytkownikami to duża zmiana i użytkownicy muszą przyzwyczaić się od nowa. Część nawet odejdzie do konkurencji, bo zmiana może być drastyczna. Testujmy jak najmniejsze zmiany w serwisie, nawet subtelne, copywritingowe mogą poprawiać konwersję.

Nie trzeba od razu przewracać do góry nogami designu czy layoutu. Nawet jeżeli mamy za cel duży redesign, w mojej ocenie najlepszym podejściem jest zaprojektowanie layoutu, ale wdrożenie go w taki sposób, abyśmy mogli elementami podmieniać dzisiejszą stronę i w ten sposób testować i nie przywiązywać się do zaprojektowanego layoutu, bo dane powinny pokazywać, w którym kierunku powinniśmy pójść. Są w Polsce serwisy, które zmiany nawet w layoucie testują na 1% ruchu na konkretnej stronie produktu, bo totalnie nie wiedzą, przy skali użytkowników, co zrobi użytkownik. Warto pamiętać, że cały czas jesteśmy tylko ludźmi, którzy mogą się mylić, więc testy A/B są po to, żeby pomagać, a nie walidować. Jest współczynnik success rate testów i warto go optymalizować poprzez rozwój zespołów produktowych, czyli kompetencji do testów A/B. W ramach tej metryki możemy mówić, że dziś mamy 20% testów, które się powodzą, chcemy to poprawiać. Ale to potrafi być zwodnicze, bo można wtedy oczywiste rzeczy testować i iść w tym kierunku, że success rate mamy super, ale konwersja finalnie nie rośnie, bo skupiamy się nie na tych priorytetach. To jest rada w opozycji do potrzeb dużych firm, gdzie projekty muszą się dziać. Tu mówimy o kulturze testów A/B w firmie, żeby framework testowania był integralną częścią procesu wytworzeniowego. Przykład Amazonu, który w Polsce budzi kontrowersje jako serwis, pokazuje, że to najlepsza droga. Sam serwis Amazonu, jest taki timelaps na YouTubie, który pokazuje, jak zmieniał się na przestrzeni dziesięciu, może dwudziestu lat. Widać, że część rzeczy wycofywano, wracano do starego layoutu w niektórych miejscach i ten serwis nigdy nie przeszedł dużego redesignu, ale zawsze testowane są tam małe zmiany. To super podejście. Warto też wspomnieć o case study firmy Marks & Spencer, która w Wielkiej Brytanii przeprowadziła bardzo duży, kosztowny redesign. Po redesignie straty były ogromne i przyznano się, że proces przeprowadzono źle. To przykład tego, jak można stracić.

Mariusz Michalczuk: Ja też mam podobne doświadczenie. Komentarz do redesignu: nawet jakieś dwa czy trzy tygodnie temu pojawił się u nas odcinek o tym, jak wykorzystać dane do redesignu. Czasami to po prostu decyzja z góry, czasami konieczność ograniczona technologią, zmianą strategii. Jeżeli to nie jest konieczność, jestem fanem podejścia, o którym mówisz. Testujmy mniejsze rzeczy, sprawdzajmy, czy faktycznie działają. Redesigny są kosztowne, opóźniają się, przekraczają budżety. Z mojego doświadczenia, byłem przy kilkunastu redesignach, analizowałem dane. Może jeden, może dwa od razu po wdrożeniu nie miały mniejszego współczynnika konwersji niż wersja poprzednia. Najczęściej to był spadek, który potrafił wracać do poziomu zero przez pół roku. To zależało od grupy użytkowników. Pamiętam, testowaliśmy sklep zoologiczny, gdzie to charakter biznesu, który dokładnie wie, kiedy karma się kończy. Jak wyszedł newsletter przypominający „hej, kończy się karma, zamów nową”, ktoś wchodził, widział zmieniony serwis, był przerażony i wtedy nasza wersja od razu dostawała po performance’ie.

Kamil Zawiślak: Dokładnie tak. Tu fajny element: w ramach różnych testów A/B widziałem rozwiązania, które właśnie z konkretnego źródła ruchu miały dużą poprawę współczynnika, a ogólnie performowały słabiej. Myślę, że warto poza posiadaniem eksperta w firmie od A/B testingu czy CRO, który poza umiejętnościami analitycznymi łączy świat biznesowy i rozumie użytkowników, bo to posada związana z danymi tylko na poziomie narzędzi, ale experience użytkownika jest bardzo istotny i aspekt biznesowy, żeby te światy połączyć.

Zaskakujące przypadki testów A/B z praktyki

Mariusz Michalczuk: Z testów, pewnie w dziesiątkach, jeśli nie w setkach, które przeprowadziłeś, czy mógłbyś przytoczyć jakieś ciekawostki? Nie zachęcam do tego, żeby ktoś, kto słucha case study, brał w ciemno jakieś rzeczy, bo to zadziałało w jego serwisie, w jego grupie docelowej. Ale czy jakieś masz takie rzeczy, które Cię zaskoczyły z tych danych? Czy coś Ci przychodzi do głowy?

Kamil Zawiślak: Niestety dla hipotez czy ich pomysłodawców, ale często spotykałem się z tym, że na bazie przeprowadzonych testów, w ciemno nie do końca wierzyłem w jakąś zmianę. Dlatego, że często te hipotezy, w ich podwalinach, było troszeczkę kopiowanie konkurencji. A to kopiowanie konkurencji często ma krótkie nogi, bo to tam działa, u nas może w ogóle nie zadziałać. Bardziej zaskoczeni bywali ci, którzy przychodzili z tymi pomysłami, ale to była duża nauka dla nich. Pamiętam jeden test A/B, gdzie w czasach, w których w Bookingu wyświetlały się komunikaty, że „ten hotel kupiło już pięć osób”. Później jak mantra na rynku zaczęły pojawiać się takie rozszerzenia, które pokazywały to samo. Booking dostał sowitą karę, bodajże na Węgrzech, i mam wrażenie, że wtedy te rozszerzenia do e-commerce’ów zniknęły z rynku. Podobne rozwiązanie testowała jedna firma i tam okazało się, że to pushowanie klienta, bo to były drogie produkty, totalnie nie miało sensu, a lekki, dobry komunikat z punktu widzenia użytkownika, gdzie mówiono o zainteresowaniu, że „tym produktem interesuje się bardzo dużo osób”, miało zupełnie inny wydźwięk. Można to porównać do opinii, na których często bazujemy jako użytkownicy. Jeżeli firma mówi nam na bazie danych, że tym produktem interesuje się wiele osób, to mam jasną informację, że produkt jest popularny. Ale w sytuacji, kiedy dostaję twardy komunikat „ten hotel już kupiło pięć osób”, to oczywiście efekt ma być taki, że robimy ten efekt trochę, że zaraz tego nie będzie, dostępność jest bardzo niska, ale można sobie zrobić bardzo dużą krzywdę. I duża firma mogła sobie na rynku krzywdę dodać to rozszerzenie do e-commerce’u.

Mariusz Michalczuk: Tak, ja też widziałem, przypomniałeś mi o tym trendzie. Odnośnie popularności, to nie jest wyznacznik, ale myślę o sobie, jaki filtr najczęściej na Allegro wybieram – ja najczęściej wybieram popularność. Chociaż nie jestem przekonany, czy to rzeczywiście działa wobec liczby zakupów, ale widać wyżej te, które mają większą liczbę opinii, a liczba opinii jest jednak skorelowana z liczbą zakupów.

Kamil Zawiślak: W większości dużych e-commerce’ów już dzisiaj działa dużo algorytmów, które wiedzą, co wyświetlać wyżej użytkownikowi. Dopóki to jest dobre dla użytkownika, bo w danym świecie pewnie jest to zważone liczbą zwrotów. Czyli mamy element customer experience, gdzie nie promujemy produktów, które wracają do nas z oświadczeniem nietrafności. Popularność może często być też pomocna. Ja mam nieco inną technikę. Bardzo często sortuję po cenie, ale po to, żeby zobaczyć, jaki jest najdroższy produkt w danej kategorii. Żeby złapać taki punkt odniesienia, gdzie są widełki i sobie wtedy wypośrodkować. Nie chcę tego najtańszego za 300 złotych, ale i tego najdroższego za 800. Szukam wypośrodkowanego. Często się łapię na tym, że w ten sposób filtruję wyniki, jeżeli jest ich dużo. Ostatnio kupowałem pralkę i totalnie nie wiedziałem, a nie chciałem ufać popularności, jak na to patrzą sklepy. W ten sposób najczęściej działam.

Podejście data-driven vs. data-informed

Mariusz Michalczuk: Dziękuję Ci za wiele cennych wskazówek. Chciałbym jeszcze skorzystać z Twojego dziesięcioletniego doświadczenia, zaczynając od reklamy online przez zarządzanie i tworzenie działów analityki internetowej. Powiedz mi, na przestrzeni Twojego doświadczenia, jakie różnice widzisz w podejściu do danych bazując na firmach, w których pracowałeś? Tu bardziej zwracam na element, na metryki, analizy. Wiem, że w pewnym momencie przeszedłeś bardziej w kierunku optymalizacji współczynnika konwersji, ale zakładam, że zawsze inne dane online dotyczące marketingu i biznesu gdzieś tam się pojawiały.

Kamil Zawiślak: Jasne. Przypomina mi się ten moment, kiedy wszystkie firmy mówiły, że jest rok mobile i trzeba się optymalizować pod mobile. Ten rok trwał lata, a do dzisiaj trwa. Ale w pewnym momencie był taki buzzword w postaci data-driven. Wiele firm zaczęło twierdzić, że jest data-driven. Wychodziło to lepiej lub gorzej, ale w ramach testów A/B i tego, jak przez różne pryzmaty na te dane trzeba patrzeć, bo nie można ślepo zaufać, że mamy tę istotność lub nie mamy, bo to bywa różnie. Kiedyś miałem test, gdzie istotność była wysoka, a okazało się, że w wariancie A popsuto wyświetlanie danego elementu, dlatego wygrało. To był kontekst konkretnej rozdzielczości. Sesje wykosiły i to w wariancie A, to było zabawne.

Mariusz Michalczuk: Czyli jakby kodowano wariant alternatywny, ale przy okazji poszło coś nie tak w wariancie oryginalnym.

Kamil Zawiślak: Tak, tak. Jakieś globalne CSS-y zaktualizowano. Więc na te dane trzeba patrzeć bardzo mocno przez różne pryzmaty. To data-driven zamieniłbym bardziej na data-informed. Powinniśmy używać dalej tego, czego potrzebujemy od biznesu, czego potrzebują użytkownicy i korzystać z tych informacji, z danych. Z tym jest różnie. Część firm wykorzystuje dane, płynące z nich wnioski, insajty, które tworzą analitycy, a część ślepo ufa konkretnym metrykom i wdraża rozwiązania. Idziemy przez wdrażanie bez sanity checku poprzez data-driven, a pewnie skończymy za jakiś czas na trendzie, który jest już opisywany jako lepsze rozwiązanie, ale wymagające eksperckości, wiedzy domenowej, bo tak powinniśmy do tego podchodzić.

Mariusz Michalczuk: Czyli tak trochę podsumowując, żeby dawać refleksję osobom odpowiedzialnym za dziedziny, że nie wszystko musi być: wysyłamy mailing, to najpierw zróbmy test A/B, wdrażamy zmianę, zróbmy test A/B, prowadzimy kampanię, przeanalizujmy ją do cna, żeby poprawić wszystkie elementy… Tylko żeby udostępniać i dawać dane, najlepiej jeszcze z jakimiś hipotezami, żeby dać taki punkt zastanowienia użytkownikowi, tak? Dobrze to odczytuję?

Kamil Zawiślak: Tak, dobrze. Decyzja o wdrożeniu danej zmiany jest zawsze po stronie product ownera czy product managera, w zależności od firmy. W sytuacji, kiedy mamy test A/B lub po prostu bez testu mamy jakieś metryki, i one świadczą o tym, że jest lepiej lub gorzej, to jeżeli jest gorzej, to nie wdrażamy, a jak jest lepiej, to lecimy z tym na produkcję – to jest wtedy podejście data-driven. A data-informed, to mamy te dane i my decydujemy, czy wdrażamy, czy nie. Zdarza się, że jeżeli nie ma nawet istotności, ale jest to istotne z punktu widzenia strategii czy zmian, które przyjdą za chwilę, to i tak to wdrażamy. Dalej na bazie danych próbujemy sobie z tym radzić. Uważam, że to gdzieś za jakiś czas będzie kierunek. Dzisiaj większość firm mówi, że jest data-driven, zbieramy bardzo dużo danych. Pamiętam w wakacje.pl w sezonie zbieraliśmy nawet 600 milionów eventów sumarycznie, miesięcznie. To były ogromne wolumeny, które pozwalały na szeroką analizę. Tych danych było bardzo dużo, ale te decyzje nie zawsze jednoznacznie z danych powinny wynikać. Chociażby wracając do Airbnb: gdyby było tylko data-driven, to zerojedynkowo test nie do końca się powiódł, nie wdrażamy. Ale zagłębiając się dalej, mamy inne wnioski i decydujemy, poprawiamy tam, gdzie coś nie działało i finalnie też wychodzimy z tym na produkcję.

Podsumowanie: Najważniejsze wnioski z rozmowy

Mariusz Michalczuk: Super. Kamilu, zbliżamy się do końca, także chciałbym to podsumować, że, za twoją ostatnią myślą, nieważne, czy dane będą elementem decyzyjnym, ważne, żeby były w ogóle w jakimkolwiek procesie zmian, czy to po stronie akurat twojego doświadczenia więcej po stronie produktu niż marketingu. Może miałbyś jakąś jedną myśl, albo coś Ci takiego świta na podstawie tej rozmowy, biorąc pod uwagę, najwięcej o tym CRO rozmawialiśmy, czy chciałbyś jakąś taką jedną myślą zostawić naszych słuchaczy?

Kamil Zawiślak: Tak, faktycznie rozmawialiśmy najwięcej o samych testach A/B. Ten wątek jest naprawdę szeroki. Jeżeli chcemy zatrudnić kogoś od CRO, to w pojedynkę ta osoba nic nie zrobi w firmie. Potrzebuje zespołów, które muszą się rozwijać. Te kompetencje trzeba pielęgnować wśród pracowników na różnym szczeblu: od deweloperów, po UX-owców, po grafików, po osoby projektujące layouty. Dajmy przestrzeń ludziom od CRO, żeby mieli czas i mogli zasilać zespoły w efekty swoich analiz. I żeby te zespoły mogły się rozwijać z testów A/B, które się nie powodzą. Nie ma tutaj co się martwić i smucić. Powinniśmy z nich wyciągać wnioski po to, żeby nasze rozwiązania były lepsze. Nie wyobrażam sobie sytuacji, że ktoś, kto pracuje nawet w różnych firmach, ale bez tej kultury testowania A/B, będzie powielał rozwiązania, które działają gorzej. Z drugiej strony mamy osobę, która pracowała krócej, ale w tym podejściu i się rozwija i wie, że coś nie działa tak, jak by sobie tego życzyła. Rozwijajmy te kompetencje, nie skupiajmy ich wokół jednej osoby, ale rozwijajmy je w całych teamach produktowych.

Mariusz Michalczuk: Super. Ja jeszcze taką klamrą bym to domknął. Bardzo lubię cytat Nelsona Mandeli, też w kontekście testów A/B, który mówi „Ja nigdy nie przegrywam. Ja albo wygrywam, albo się uczę”. Myślę, że to może być dobre podsumowanie tej rozmowy. Kamilu, dziękuję Ci bardzo za czas i za mega doświadczenie i podzielenie się tym doświadczeniem i wiedzą. Do następnego razu. Myślę, że ten temat jest tak szeroki, że jeszcze chętnie za jakiś czas powtórzymy i go pogłębimy. Dzięki wielkie za rozmowę i za czas.

Kamil Zawiślak: Super. Ja również dziękuję. Mam nadzieję, że ktoś z tego skorzysta, co powiedziałem.

Mariusz Michalczuk: Zdecydowanie. Do zobaczenia. Cześć.

Kamil Zawiślak: Dzięki. Cześć.

Rozmowa z Kamilem Zawiślakiem to praktyczny przewodnik po wdrażaniu testów A/B i kultury optymalizacji konwersji w nowoczesnej organizacji. Kluczowe wnioski:

• CRO i testy A/B wymagają zmiany mentalności firmy, współpracy różnych działów i otwartości na uczenie się z porażek.
• Efektywność optymalizacji konwersji opiera się na dobrze postawionych, opartych na danych hipotezach oraz priorytetyzacji wdrożeń zgodnie z rzeczywistymi problemami użytkowników.
• Nie kopiujmy konkurencji – każde rozwiązanie trzeba sprawdzić na własnej grupie odbiorców.
• Małe, iteracyjne zmiany przynoszą stabilniejszy i większy wzrost niż ogromne, ryzykowne redesigny.
• Podejście data-informed, łączące liczby z wiedzą zespołu i kontekstem biznesowym, daje najtrwalsze efekty.
• Kultura testów A/B rozwija kompetencje całego zespołu produktowego – nie polegajmy tylko na jednostkach!

The post Jak zorganizować proces optymalizacji współczynnika konwersji (CRO) – rozmowa z Kamilem Zawiślakiem – Date with Data Talks first appeared on Conversion.

Analiza danych w optymalizacji budżetu
Kluczowe warunki optymalizacji budżetu
Zrozumienie lejka zakupowego
Optymalizacja budżetu na różnych poziomach
Podsumowanie

Analiza danych w optymalizacji budżetu

Optymalizacja budżetu marketingowego wymaga odpowiedniego przygotowania i zgromadzenia kluczowych danych. Podstawą są informacje pochodzące z przeprowadzonych kampanii marketingowych, czyli z już wydanego budżetu. Dane te pozwalają na analizę skuteczności działań i podejmowanie świadomych decyzji dotyczących przyszłych inwestycji. Warto zadbać o ich jakość i kompletność, aby proces optymalizacji był jak najbardziej efektywny. Dane muszą być wysokiej jakości. Znane jest powiedzenie GIGO – jeśli dane są niskiej jakości, wnioski i efekty analiz również będą niewiarygodne.

Kluczowe jest posiadanie danych o kampaniach, które wynikają z prawidłowego tagowania za pomocą parametrów UTM. Następnie, po napływie ruchu do serwisu, analiza zachowań użytkowników opiera się na danych z Google Analytics 4.

Jak sprawdzić, czy dane w Google Analytics 4 są wartościowe? Warto skorzystać z checklisty danych online, opisanej w naszym materiale. Jest to szczególnie istotne, gdy rozpoczynasz pracę z nowym serwisem. Regularne przechodzenie przez taką checklistę to dobra praktyka, która pozwala utrzymać wysoką jakość analizy danych.

Pierwszym kluczowym elementem jest dostęp do danych. Drugim – określenie potrzeb biznesowych. Konwersja jest istotna, ale równie ważne jest zrozumienie celów biznesowych, aby nie skupiać się wyłącznie na technicznych aspektach analizy.

Kluczowe warunki optymalizacji budżetu

Częstym błędem jest nadmierna koncentracja na wskaźnikach takich jak ROAS czy wartość przychodów. Osoby techniczne odpowiedzialne za kampanie często optymalizują działania wyłącznie pod te metryki. W krótkim okresie może to przynieść oczekiwane zyski, jednak w dłuższej perspektywie wyniki mogą zacząć spadać. Maksymalizacja liczby zakupów bez uwzględnienia strategii konkurencji może prowadzić do utraty udziału w rynku. Inne firmy mogą w tym czasie skutecznie docierać do nowych segmentów klientów lub promować bardziej rentowne produkty.

Brak powiązania analizy z rzeczywistymi potrzebami biznesowymi to częsty błąd we współpracy, zwłaszcza między agencjami a klientami. Wiele agencji nie uwzględnia szerszego kontekstu biznesowego i skupia się jedynie na bezpośrednich konwersjach. To jeden z najczęściej popełnianych błędów w raportowaniu kampanii marketingowych. Link do niego znajduje się w opisie.

Zrozumienie lejka zakupowego

Podsumowując, istnieją dwa kluczowe warunki: dostęp do danych oraz jasno określone potrzeby biznesowe.

Przechodząc do kwestii optymalizacji budżetu – nie istnieje coś takiego jak w pełni zoptymalizowany budżet. Optymalizacja to nie jednorazowy projekt, lecz ciągły proces. W dynamicznie zmieniającym się świecie zatrzymanie się w miejscu oznacza de facto cofanie się. Konkurencja nieustannie monitoruje rynek, gospodarka się rozwija, a wpływ na biznes mają także globalne trendy, technologia i geopolityka. Optymalizacja budżetu nie jest jednorazowym działaniem, lecz ciągłym procesem, który wymaga systematycznej analizy i dostosowywania strategii.

Punktem wyjścia do skutecznej optymalizacji jest zrozumienie lejka zakupowego. Istnieje wiele modeli opisujących ten proces, takich jak AIDA czy See-Think-Do-Care. Wybór odpowiedniego zależy od specyfiki biznesu i celu analizy. Kluczowe jest jednak dokładne przeanalizowanie każdego etapu lejka oraz identyfikacja obszarów, które wymagają poprawy, aby zwiększyć skuteczność działań marketingowych i sprzedażowych. Lejek zakupowy składa się z trzech podstawowych etapów.

Pierwszy etap to brak świadomości potrzeby. Użytkownik może nie zdawać sobie sprawy, że czegoś potrzebuje. Przykładowo, przeglądając portal informacyjny, widzi reklamę banerową konsoli do gier. Nie planował jej zakupu, ale reklama wzbudza jego ciekawość, więc klika i trafia na stronę e-commerce.

Drugi etap to uświadomienie potrzeby, ale brak konkretnej decyzji zakupowej. Użytkownik wie już, że chce kupić konsolę, ale nie jest pewien, jaki model wybrać ani gdzie dokonać zakupu.

Trzeci etap to podejmowanie decyzji. Użytkownik może w międzyczasie rozmawiać ze znajomymi, którzy również mają konsole. Jeśli wcześniej widział reklamę PlayStation, a jego znajomi korzystają z Xboxa, zaczyna analizować różnice między tymi modelami. Na tym etapie może porównywać oferty i szukać opinii, zanim podejmie ostateczną decyzję o zakupie. Przechodząc do drugiego etapu procesu zakupowego, użytkownik zna już swoją potrzebę, ale nie podjął jeszcze decyzji. W takiej sytuacji może skorzystać ze sztucznej inteligencji, np. czata GPT, i poprosić o porównanie konsol do gier.

Po zadaniu pytania czat GPT przedstawia dostępne opcje, takie jak PlayStation 5 Pro czy Xbox Series X, wraz z odniesieniami do różnych serwisów. Przykładowo, pierwsze wyniki mogą prowadzić do X-Kom, kolejne do Planeta Gracza czy Rymak.

Analizowanie ruchu pochodzącego ze sztucznej inteligencji to istotny temat w analityce internetowej. Więcej na ten temat można znaleźć w naszym materiale dotyczącym mierzenia tego rodzaju ruchu w Google Analytics. Gdy decyzja o zakupie Xboksa zamiast PlayStation została podjęta, oznacza to trzeci etap procesu zakupowego – moment, w którym użytkownik jest zdecydowany na zakup. W tej fazie kluczową rolę odgrywają porównywarki cenowe. Przykładowo, użytkownik może skorzystać z Ceneo, aby znaleźć najtańszą ofertę na Xboxa Series X, a następnie przejść do wybranego sklepu e-commerce i sfinalizować zakup.

Każdy etap procesu zakupowego wiąże się z korzystaniem z różnych źródeł informacji. W początkowej fazie, gdy potrzeba zakupu nie była jeszcze sprecyzowana, użytkownik mógł zetknąć się z reklamami display. Proces podejmowania decyzji zakupowych często obejmuje kilka etapów. Na początku użytkownik może mieć ogólne pojęcie o swoich potrzebach, ale brak mu sprecyzowanych preferencji. W tym przypadku pomocna okazuje się sztuczna inteligencja lub wyszukiwarki, gdzie wpisywane są zapytania typu „porównanie konsol do gier”. W kolejnym kroku, gdy decyzja jest już bardziej sprecyzowana, użytkownik może skorzystać z porównywarki cenowej, aby znaleźć najlepszą ofertę.

Analiza ścieżki użytkownika w lejku zakupowym pozwala lepiej zrozumieć, które źródła marketingowe odpowiadają za poszczególne etapy. Kluczowe jest określenie, które kanały przyciągają użytkowników na wczesnym etapie poszukiwań, a które finalizują konwersję. Dzięki temu można optymalizować strategie marketingowe i skuteczniej alokować budżet reklamowy. UTM-y odgrywają kluczową rolę w analizie ruchu na stronie. W raporcie Traffic Acquisition w Google Analytics warto zadbać o precyzyjne oznaczenie źródeł i medium za pomocą UTM-ów. Dzięki temu można dokładnie określić, skąd pochodzi użytkownik i z jakiej kampanii trafił na stronę.

W Universal Analytics (Google Analytics 3) dostępny był dedykowany raport umożliwiający przypisanie źródeł ruchu do poszczególnych etapów procesu zakupowego. W GA4 taka analiza wymaga wykorzystania integracji z Google BigQuery. W tym celu można zastosować dataformy, które pomagają w przekształceniu modelu danych z GA4 i obliczeniu metryk wskazujących, które źródło i medium odpowiadają za dany etap procesu zakupowego.

Gdy źródła ruchu zostaną przypisane do poszczególnych etapów lejka zakupowego, kolejnym krokiem jest określenie odpowiednich metryk, które pozwolą na porównanie kampanii w ramach tych etapów. W pierwszym etapie kluczowe metryki to współczynnik odrzuceń oraz współczynnik zaangażowania. W drugim etapie istotne są mikrokonwersje, takie jak dodanie produktu do koszyka, skorzystanie z wirtualnej przymierzalni, wejście do koszyka czy sprawdzenie metod płatności i typów dostawy. W trzecim etapie, dotyczącym użytkowników gotowych do zakupu, najważniejszy staje się współczynnik konwersji.

Gdy wiadomo, które źródła ruchu odpowiadają za poszczególne etapy procesu zakupowego, następuje moment ich optymalizacji. Analiza kampanii na różnych etapach pozwala dostosować działania do specyfiki użytkowników. Na przykład w grupie osób, które jeszcze nie są świadome swojej potrzeby, kampanie powinny być optymalizowane pod kątem maksymalizacji współczynnika zaangażowania.

Celem jest utrzymanie użytkowników w procesie zakupowym i zwiększenie prawdopodobieństwa ich przejścia do kolejnych etapów. Gdy użytkownik mentalnie przechodzi na kolejny etap, istotne jest, aby dobrze zapamiętał markę i wrócił do niej przy finalizacji zakupu. W tym kontekście przeprowadza się analizy segmentacyjne i porównawcze kampanii w ramach jednego etapu procesu zakupowego. Są to zazwyczaj proste analizy, polegające na porównywaniu wyników poszczególnych działań marketingowych.

Optymalizacja budżetu marketingowego może odbywać się na dwóch poziomach. Pierwszy to poziom mikro, gdzie analizowane są szczegóły poszczególnych działań. Drugi to poziom makro, obejmujący całościowe spojrzenie na budżet i marketing mix.

Przy założeniu, że do dyspozycji jest 100 jednostek budżetowych, kluczowe jest ich efektywne rozłożenie pomiędzy kampanie na różnych etapach procesu zakupowego. Chodzi o to, aby odpowiednio alokować środki – część na pierwszy etap, przyciągający nowych użytkowników, kolejne na dalsze etapy prowadzące do konwersji.

Środki przeznaczone na budowanie świadomości (awareness) generują zwrot po pewnym czasie. Użytkownik najpierw musi uświadomić sobie swoją potrzebę, a następnie znaleźć rozwiązanie, które ją zaspokoi. Optymalizacja budżetu na poziomie makro wymaga więc odpowiedniego modelu atrybucji, który pomoże ocenić efektywność poszczególnych działań.

Więcej na temat wyboru modelu atrybucji można znaleźć w naszym kompletnym poradniku dotyczącym atrybucji w marketingu. Model atrybucji pozwala na formułowanie hipotez, a następnie ich weryfikację poprzez zmiany w budżecie marketingowym. Proces ten polega na przesuwaniu środków i analizowaniu wyników, co wpisuje się w cykl PDCA (Plan, Do, Check, Act). Jeśli obserwowana poprawa potwierdza hipotezę, oznacza to, że decyzja była słuszna. Jeśli jednak zwrot z inwestycji w marketing nie wykazuje pozytywnej zmiany, konieczny jest powrót do wcześniejszego etapu i ponowna analiza założeń.

Optymalizacja budżetu marketingowego to proces ciągły. Oprócz samej alokacji środków ważne jest także poszukiwanie nowych kanałów dotarcia do użytkowników. Niektórzy klienci przeznaczają część swojego budżetu – często 10–20% – na testowanie nowych możliwości reklamowych. W takich przypadkach szczególnie skuteczne okazują się testy inkrementalne, czyli testy A/B stosowane w marketingu. Pozwalają one dokładnie określić wpływ nowych działań na wyniki biznesowe i podejmować decyzje oparte na danych. Na temat inkrementalności w marketingu powstał osobny materiał, do którego link znajduje się w opisie. Tam można znaleźć szczegółowe informacje na temat tego, czym jest i jak ją wykorzystać.

Jeśli działania marketingowe pozostają niezmienne z okresu na okres, trudno oczekiwać lepszych wyników. Świat się rozwija, a brak zmian oznacza pozostawanie w tyle. Przyczyną stagnacji często jest brak wiedzy o kierunku, w którym należy wprowadzać zmiany. W tym kontekście dane stają się kluczowym wskaźnikiem.

Warto zacząć od analizy poszczególnych etapów procesu zakupowego użytkownika oraz prostych porównań kampanii w obrębie jednego etapu. Optymalizacja tych działań zwiększa szansę na to, że użytkownicy przechodząc do kolejnych kroków ścieżki zakupowej pozostaną zaangażowani. Kolejnym krokiem powinna być bardziej zaawansowana optymalizacja budżetu jako całości, czyli efektywne przesuwanie środków w ramach marketing mix. Wyznaczenie i wypracowanie modelu atrybucji to jedno z większych wyzwań w optymalizacji marketingu mix. Jest to kluczowy element skutecznej analityki, który pozwala dokładnie mierzyć efektywność poszczególnych kanałów i podejmować lepsze decyzje biznesowe.

Optymalizacja budżetu na różnych poziomach

Punktem wyjścia do skutecznej optymalizacji jest zrozumienie lejka zakupowego. Istnieje wiele modeli opisujących ten proces, takich jak AIDA czy See-Think-Do-Care. Wybór odpowiedniego zależy od specyfiki biznesu i celu analizy. Kluczowe jest jednak dokładne przeanalizowanie każdego etapu lejka oraz identyfikacja obszarów, które wymagają poprawy, aby zwiększyć skuteczność działań marketingowych i sprzedażowych. Lejek zakupowy składa się z trzech podstawowych etapów.

Pierwszy etap to brak świadomości potrzeby. Użytkownik może nie zdawać sobie sprawy, że czegoś potrzebuje. Przykładowo, przeglądając portal informacyjny, widzi reklamę banerową konsoli do gier. Nie planował jej zakupu, ale reklama wzbudza jego ciekawość, więc klika i trafia na stronę e-commerce.

Drugi etap to uświadomienie potrzeby, ale brak konkretnej decyzji zakupowej. Użytkownik wie już, że chce kupić konsolę, ale nie jest pewien, jaki model wybrać ani gdzie dokonać zakupu.

Trzeci etap to podejmowanie decyzji. Użytkownik może w międzyczasie rozmawiać ze znajomymi, którzy również mają konsole. Jeśli wcześniej widział reklamę PlayStation, a jego znajomi korzystają z Xboxa, zaczyna analizować różnice między tymi modelami. Na tym etapie może porównywać oferty i szukać opinii, zanim podejmie ostateczną decyzję o zakupie. Przechodząc do drugiego etapu procesu zakupowego, użytkownik zna już swoją potrzebę, ale nie podjął jeszcze decyzji. W takiej sytuacji może skorzystać ze sztucznej inteligencji, np. czata GPT, i poprosić o porównanie konsol do gier.

Po zadaniu pytania czat GPT przedstawia dostępne opcje, takie jak PlayStation 5 Pro czy Xbox Series X, wraz z odniesieniami do różnych serwisów. Przykładowo, pierwsze wyniki mogą prowadzić do X-Kom, kolejne do Planeta Gracza czy Rymak.

Analizowanie ruchu pochodzącego ze sztucznej inteligencji to istotny temat w analityce internetowej. Więcej na ten temat można znaleźć w naszym materiale dotyczącym mierzenia tego rodzaju ruchu w Google Analytics. Gdy decyzja o zakupie Xboksa zamiast PlayStation została podjęta, oznacza to trzeci etap procesu zakupowego – moment, w którym użytkownik jest zdecydowany na zakup. W tej fazie kluczową rolę odgrywają porównywarki cenowe. Przykładowo, użytkownik może skorzystać z Ceneo, aby znaleźć najtańszą ofertę na Xboxa Series X, a następnie przejść do wybranego sklepu e-commerce i sfinalizować zakup.

Każdy etap procesu zakupowego wiąże się z korzystaniem z różnych źródeł informacji. W początkowej fazie, gdy potrzeba zakupu nie była jeszcze sprecyzowana, użytkownik mógł zetknąć się z reklamami display. Proces podejmowania decyzji zakupowych często obejmuje kilka etapów. Na początku użytkownik może mieć ogólne pojęcie o swoich potrzebach, ale brak mu sprecyzowanych preferencji. W tym przypadku pomocna okazuje się sztuczna inteligencja lub wyszukiwarki, gdzie wpisywane są zapytania typu „porównanie konsol do gier”. W kolejnym kroku, gdy decyzja jest już bardziej sprecyzowana, użytkownik może skorzystać z porównywarki cenowej, aby znaleźć najlepszą ofertę.

Analiza ścieżki użytkownika w lejku zakupowym pozwala lepiej zrozumieć, które źródła marketingowe odpowiadają za poszczególne etapy. Kluczowe jest określenie, które kanały przyciągają użytkowników na wczesnym etapie poszukiwań, a które finalizują konwersję. Dzięki temu można optymalizować strategie marketingowe i skuteczniej alokować budżet reklamowy. UTM-y odgrywają kluczową rolę w analizie ruchu na stronie. W raporcie Traffic Acquisition w Google Analytics warto zadbać o precyzyjne oznaczenie źródeł i medium za pomocą UTM-ów. Dzięki temu można dokładnie określić, skąd pochodzi użytkownik i z jakiej kampanii trafił na stronę.

W Universal Analytics (Google Analytics 3) dostępny był dedykowany raport umożliwiający przypisanie źródeł ruchu do poszczególnych etapów procesu zakupowego. W GA4 taka analiza wymaga wykorzystania integracji z Google BigQuery. W tym celu można zastosować dataformy, które pomagają w przekształceniu modelu danych z GA4 i obliczeniu metryk wskazujących, które źródło i medium odpowiadają za dany etap procesu zakupowego.

Gdy źródła ruchu zostaną przypisane do poszczególnych etapów lejka zakupowego, kolejnym krokiem jest określenie odpowiednich metryk, które pozwolą na porównanie kampanii w ramach tych etapów. W pierwszym etapie kluczowe metryki to współczynnik odrzuceń oraz współczynnik zaangażowania. W drugim etapie istotne są mikrokonwersje, takie jak dodanie produktu do koszyka, skorzystanie z wirtualnej przymierzalni, wejście do koszyka czy sprawdzenie metod płatności i typów dostawy. W trzecim etapie, dotyczącym użytkowników gotowych do zakupu, najważniejszy staje się współczynnik konwersji.

Gdy wiadomo, które źródła ruchu odpowiadają za poszczególne etapy procesu zakupowego, następuje moment ich optymalizacji. Analiza kampanii na różnych etapach pozwala dostosować działania do specyfiki użytkowników. Na przykład w grupie osób, które jeszcze nie są świadome swojej potrzeby, kampanie powinny być optymalizowane pod kątem maksymalizacji współczynnika zaangażowania.

Celem jest utrzymanie użytkowników w procesie zakupowym i zwiększenie prawdopodobieństwa ich przejścia do kolejnych etapów. Gdy użytkownik mentalnie przechodzi na kolejny etap, istotne jest, aby dobrze zapamiętał markę i wrócił do niej przy finalizacji zakupu. W tym kontekście przeprowadza się analizy segmentacyjne i porównawcze kampanii w ramach jednego etapu procesu zakupowego. Są to zazwyczaj proste analizy, polegające na porównywaniu wyników poszczególnych działań marketingowych.

Optymalizacja budżetu marketingowego może odbywać się na dwóch poziomach. Pierwszy to poziom mikro, gdzie analizowane są szczegóły poszczególnych działań. Drugi to poziom makro, obejmujący całościowe spojrzenie na budżet i marketing mix.

Przy założeniu, że do dyspozycji jest 100 jednostek budżetowych, kluczowe jest ich efektywne rozłożenie pomiędzy kampanie na różnych etapach procesu zakupowego. Chodzi o to, aby odpowiednio alokować środki – część na pierwszy etap, przyciągający nowych użytkowników, kolejne na dalsze etapy prowadzące do konwersji.

Środki przeznaczone na budowanie świadomości (awareness) generują zwrot po pewnym czasie. Użytkownik najpierw musi uświadomić sobie swoją potrzebę, a następnie znaleźć rozwiązanie, które ją zaspokoi. Optymalizacja budżetu na poziomie makro wymaga więc odpowiedniego modelu atrybucji, który pomoże ocenić efektywność poszczególnych działań.

Więcej na temat wyboru modelu atrybucji można znaleźć w naszym kompletnym poradniku dotyczącym atrybucji w marketingu. Model atrybucji pozwala na formułowanie hipotez, a następnie ich weryfikację poprzez zmiany w budżecie marketingowym. Proces ten polega na przesuwaniu środków i analizowaniu wyników, co wpisuje się w cykl PDCA (Plan, Do, Check, Act). Jeśli obserwowana poprawa potwierdza hipotezę, oznacza to, że decyzja była słuszna. Jeśli jednak zwrot z inwestycji w marketing nie wykazuje pozytywnej zmiany, konieczny jest powrót do wcześniejszego etapu i ponowna analiza założeń.

Optymalizacja budżetu marketingowego to proces ciągły. Oprócz samej alokacji środków ważne jest także poszukiwanie nowych kanałów dotarcia do użytkowników. Niektórzy klienci przeznaczają część swojego budżetu – często 10–20% – na testowanie nowych możliwości reklamowych. W takich przypadkach szczególnie skuteczne okazują się testy inkrementalne, czyli testy A/B stosowane w marketingu. Pozwalają one dokładnie określić wpływ nowych działań na wyniki biznesowe i podejmować decyzje oparte na danych. Na temat inkrementalności w marketingu powstał osobny materiał, do którego link znajduje się w opisie. Tam można znaleźć szczegółowe informacje na temat tego, czym jest i jak ją wykorzystać.

Jeśli działania marketingowe pozostają niezmienne z okresu na okres, trudno oczekiwać lepszych wyników. Świat się rozwija, a brak zmian oznacza pozostawanie w tyle. Przyczyną stagnacji często jest brak wiedzy o kierunku, w którym należy wprowadzać zmiany. W tym kontekście dane stają się kluczowym wskaźnikiem.

Warto zacząć od analizy poszczególnych etapów procesu zakupowego użytkownika oraz prostych porównań kampanii w obrębie jednego etapu. Optymalizacja tych działań zwiększa szansę na to, że użytkownicy przechodząc do kolejnych kroków ścieżki zakupowej pozostaną zaangażowani. Kolejnym krokiem powinna być bardziej zaawansowana optymalizacja budżetu jako całości, czyli efektywne przesuwanie środków w ramach marketing mix. Wyznaczenie i wypracowanie modelu atrybucji to jedno z większych wyzwań w optymalizacji marketingu mix. Jest to kluczowy element skutecznej analityki, który pozwala dokładnie mierzyć efektywność poszczególnych kanałów i podejmować lepsze decyzje biznesowe.

Podsumowanie

Optymalizacja budżetu marketingowego to proces ciągły, który wymaga systematycznej analizy i dostosowywania strategii. Kluczowe jest posiadanie wysokiej jakości danych oraz jasno określonych celów biznesowych. Zrozumienie lejka zakupowego oraz efektywna alokacja środków na różnych etapach procesu zakupowego pozwala na minimalizację strat i maksymalizację zwrotu z inwestycji w marketing.

Współpraca z doświadczonym zespołem analityków oraz wykorzystanie odpowiednich narzędzi, takich jak Google Analytics 4 czy Google BigQuery, może znacząco przyspieszyć proces optymalizacji budżetu. Nieustanne testowanie nowych kanałów reklamowych i podejść, jak testy inkrementalne, pozwala na adaptację do dynamicznie zmieniającego się rynku oraz utrzymanie konkurencyjnej pozycji.

Podsumowując, efektywne wykorzystanie danych marketingowych jest kluczowe dla sukcesu każdej firmy. Inwestowanie w analizę danych i ciągłe doskonalenie strategii marketingowej przekłada się na lepsze wyniki biznesowe i maksymalizację efektywności budżetu reklamowego. Jeśli potrzebujesz wsparcia w tym obszarze, warto skorzystać z odpowiednich narzędzi i konsultacji eksperckich. Masz pytania? Zapraszamy do kontaktu poprzez naszą stronę internetową lub bezpłatną konsultację.

The post Optymalizacja budżetu marketingowego w e-commerce dzięki danym first appeared on Conversion.