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

Punkt wyjścia

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

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

Wyzwania

Analiza wykazała, że transakcje były rejestrowane w sposób mieszany:

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

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

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

Nasze podejście

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

Takie podejście pozwoliło:

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

Efekty

Wdrożone zmiany przyniosły wyraźną poprawę jakości danych:

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

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

Opinia na temat współpracy Botland.com.pl z Conversion

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

Podsumowanie

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

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

W biznesie często mówi się o dobrej jakości danych. Ostatnio pod jednym z moich postów na LinkedInie zostałem zapytany, co w rzeczywistości znaczą dobre dane. Postanowiłem rozwinąć tę myśl w tym artykule.

Jakościowe dane a analityka online
Jakościowe dane a pierwsze źródło prawdy
Trafność vs dokładność danych w Google Analytics
Docelowy poziom dokładności danych
Konfiguracja narzędzi analitycznych a dokładności danych
Jakościowe dane w serwisach innych niż e-commerce
Jakościowe dane a decyzje biznesowe
Nowoczesne narzędzia i automatyzacja jakości danych w 2026
Podsumowanie

Jakościowe dane a analityka online

Dobra jakość danych to kluczowy element skutecznej analityki internetowej. Warto zaznaczyć, że jakość danych online można oceniać z różnych punktów widzenia. W tym wpisie przedstawię różne aspekty, które wpływają na jakość danych i jak można je lepiej wykorzystać w biznesie. 

W kontekście danych, często podkreślam, że celem analityki internetowej jest podejmowanie właściwych decyzji z wykorzystaniem danych online. Właściwe decyzje są możliwe tylko wtedy, gdy dysponujemy dobrymi danymi. 

Pojawia się tutaj koncepcja GIGO, czyli Garbage In, Garbage Out. Oznacza to, że wnioski z naszych analiz są tyle warte, ile dane, które do tych analiz wkładamy. Co to jednak znaczy, że dane są dobre? Jakie dane nie są śmieciowe, czyli nie są wspomnianym „garbage”? Aby odpowiedzieć na to pytanie, musimy najpierw zdefiniować, czym jest pierwsze źródło prawdy w ramach danych, którymi dysponujemy w firmie.

Jakościowe dane a pierwsze źródło prawdy

Warto zacząć od stwierdzenia jednego z amerykańskich prezydentów, który mówił, że w życiu pewne są tylko dwie rzeczy… Pierwsza to śmierć, a druga to podatki. Właśnie na podatkach warto się zatrzymać, aby zdefiniować, czym jest prawda w kontekście danych i biznesu. 

Podatki są ściśle powiązane z Urzędem Skarbowym, który wylicza je na podstawie sprawozdań finansowych dostarczanych przez firmy. Sprawozdania finansowe są generowane na podstawie raportów księgowych, które bazują na transakcjach i zamówieniach generowanych przez nasz sklep, czyli e-commerce. Można więc powiedzieć, że pierwszym źródłem prawdy jest nasz system transakcyjny, czasami nazywany hurtownią danych, innym razem CRM (przyjmijmy, że to właśnie on jest naszym pierwszym źródłem prawdy)

Trafność vs dokładność danych w Google Analytics

W kontekście jakości danych w analityce internetowej warto rozróżnić dwa pojęcia: trafność i dokładność danych. Dokładność oznacza, że dane są precyzyjne, czyli narzędzie analityczne pokazuje takie same wartości jak pierwsze źródło prawdy, na przykład CRM. Jeśli firma generuje 10 mln zł przychodów miesięcznie, narzędzie rejestrujące te dane powinno dokładnie pokazywać tę samą kwotę. Innymi słowy, raporty przychodów w Google Analytics 4 powinny dokładnie odzwierciedlać dane z systemu CRM. Wówczas możemy mówić, że narzędzie jest dokładne. 

Drugim pojęciem określającym jakość jest trafność. Trafność oznacza, że zmiany w kształtowaniu się metryk, na przykład przychodu, są analogiczne w różnych narzędziach. Jeśli CRM pokazuje, że przychód rośnie o 10% miesięcznie, to Google Analytics również powinien pokazywać te same zmiany.

Dokładność vs trafność danych w Google Analytics

Dokładność jest mniej realna ze względu na sposób działania narzędzi analitycznych, które opierają się na technologii, takiej jak ciasteczka czy JavaScript. Użytkownicy mogą blokować te elementy, co wpływa na dokładność danych. W analizie ważniejsza jest jednak trafność. Trendy w narzędziu analitycznym powinny być analogiczne do trendów w pierwszym źródle prawdy.

Dlaczego to jest ważne? Dane służą do podejmowania właściwych decyzji. Jeśli wysuniemy rekomendację na podstawie tych danych i postąpimy zgodnie z nią, w ramach cyklu PDCA będziemy chcieli sprawdzić, czy podjęte działania rzeczywiście mają odzwierciedlenie w danych. Jeżeli narzędzie jest trafne i pokaże, że podjęte działanie spowodowało wzrost efektywności o 15%, to ten sam wzrost powinien nastąpić w pierwszym źródle prawdy. W ekonomii istnieje zasada znana jako Ceteris Paribus, która mówi, że jeżeli pozostałe czynniki są niezmienione, to zmiana metryki w narzędziu analitycznym powinna również wystąpić w pierwszym źródle prawdy. Trafność narzędzia jest zatem kluczowa, choć oczywiście im dokładniejsze narzędzie, tym lepiej.

Docelowy poziom dokładności danych

Jaki poziom dokładności jest odpowiedni? Przed erą Cookie Management Platform i większej świadomości dotyczącej ciasteczek, zakładaliśmy, że dokładność powinna wynosić 85%. Oznacza to, że 85% danych z pierwszego źródła prawdy powinno być widoczne również w systemie analitycznym, zwłaszcza w Google Analytics 4. W związku z Consent Mode 2 oraz różnicami we wdrożeniach, ten poziom dokładności może się jednak obniżyć. Dążymy do osiągnięcia 85% pokrycia. Jeśli nie możemy tego osiągnąć zmianami, wyjaśniamy, skąd bierze się ta luka. Może to być związane z grupą odbiorców odwiedzających nasz serwis. Są to podstawowe czynniki określające jakość.

Konfiguracja narzędzi analitycznych a dokładności danych

Kolejnym aspektem jest dokładność narzędzi. Ważne jest, jak precyzyjnie zbieramy dane z punktu widzenia konfiguracji. Analizując ograniczenia narzędzi, szczególnie Google Analytics 4 w bezpłatnej wersji, warto zwrócić uwagę na kilka istotnych kwestii. Jeśli posiadamy duży serwis, w interfejsie pojawia się próbkowanie przy korzystaniu z eksploracji lub bardziej zaawansowanych analiz. Dodatkowo, eksport danych do Google BigQuery ma swoje limity. Po osiągnięciu miliona zdarzeń dziennie, kolejne zdarzenia nie są rejestrowane w BigQuery.

Dokładność danych zależy nie tylko od konfiguracji narzędzi analitycznych, ale również od ich ograniczeń. Warto być tego świadomym, aby efektywnie wykorzystywać dostępne narzędzia w marketingu online. 

Jakościowe dane w serwisach innych niż e-commerce

Jeśli nie prowadzisz e-commerce, ale zarządzasz serwisem leadowym, kontentowym lub innym, nadal możesz skutecznie korzystać z analityki online. Kluczowe jest zidentyfikowanie pierwszego źródła prawdy dotyczącego konwersji w Twoim przypadku. 

Dla serwisu leadowego, gdzie generujesz potencjalnych klientów, ważne jest, abyś miał system do ich rejestrowania. Może to być skrzynka mailowa lub CRM, gdzie zapisujesz dane klientów. To właśnie to źródło będzie Twoim pierwszym punktem odniesienia, do którego porównasz dokładność i trafność narzędzia analitycznego.

W takiej sytuacji pomocny będzie wspólny klucz pomiędzy CRM a Google Analytics 4, który umożliwi precyzyjne porównanie i analizę danych. Zachęcam do przekazywania danych za pomocą timestampów. W momencie składania leada dopisuje się znacznik czasu, który jest wysyłany zarówno do CRM-a, jak i do Google Analytics 4. Na tej podstawie można sprawdzić dokładność i trafność danych.

Jeśli nie mamy konkretnej konwersji, a zaangażowanie użytkowników polega na przeglądaniu podstron, pierwszym źródłem prawdy w serwisie nie e-commerce’owym i nie lead’owym będą logi serwerowe. Logi serwerowe zawierają informacje o tym, jak różne przeglądarki, użytkownicy i klienci odpytują serwer, aby dostarczył im treść. To rejestr tego, co dzieje się na serwerze, w tym jakie podstrony są rejestrowane. 

Warto pamiętać, że logi serwerowe często trzeba włączyć na poziomie serwera. Należy upewnić się, że zawierają co najmniej dwie informacje: timestamp oraz IP użytkownika. Na tej podstawie można porównywać unikalne IP użytkowników w Google Analytics 4 lub analizować odpytywania podstron, czyli zderzenia o nazwie page view (odsłony). Logi serwerowe będą naszym pierwszym źródłem prawdy.

Jakościowe dane a decyzje biznesowe

Ostatnia kategoria to jakość danych, która ma znaczenie czysto biznesowe. Dotychczas omawiane kwestie były technologiczne, dotyczące zbierania danych i wykorzystywanych narzędzi. Czy te narzędzia mają jakieś limity? Może się okazać, że z technologicznego punktu widzenia i konfiguracji dane zbieramy prawidłowo, ale biznes przychodzi do nas z pytaniem dotyczącym konkretnego zachowania użytkownika i nagle okazuje się, że nie mamy na ten temat danych. 

To również świadczy o jakości naszych danych. Ważne jest, czy dane pokrywają większość zapytań i potrzeb biznesowych. Oczywiście nie pokryjemy stu procent potrzeb, ponieważ zawsze w toku rozwoju firmy może pojawić się coś nowego, czego nie uwzględniliśmy.

Aby zadbać o jakość danych, warto przed przystąpieniem do naprawy technologicznych aspektów przeprowadzić warsztat z różnymi interesariuszami danych w organizacji. Należy zastanowić się, jakich danych i na jaki temat potrzebują. Kluczowym elementem jest warsztat biznesowy, a następnie skonfigurowanie analityki tak, aby zbierane dane i prowadzone analizy odpowiadały na pytania biznesu.

Nowoczesne narzędzia i automatyzacja jakości danych w 2026

W 2026 roku jakość danych coraz częściej zależy od nowoczesnych rozwiązań technologicznych, które automatyzują jej monitorowanie i utrzymanie. Systemy klasy *data quality tools* automatycznie walidują dane, śledzą ich pochodzenie (lineage) oraz wykrywają anomalie zanim trafią do raportów, co zmniejsza ryzyko błędnych decyzji biznesowych. Automatyzacja takich procesów nie tylko przyspiesza pracę zespołów analitycznych, ale też podnosi zaufanie do danych wykorzystywanych w strategii i analizach predykcyjnych.

Automatyczne monitorowanie i obserwowalność danych w czasie rzeczywistym

Podsumowanie

Co oznacza, że dane online są dobre? Przede wszystkim muszą być trafne i w miarę dokładne. Nie muszą być w stu procentach precyzyjne, ponieważ takiej dokładności nigdy nie osiągniemy. Ważne jest także, aby odpowiadały na większość pytań biznesowych. Oczywiście, nie zawsze uda się uzyskać wszystkie odpowiedzi, ponieważ biznes ciągle się rozwija i pojawiają się nowe pytania. Jednak warto dążyć do sytuacji, w której dane pokrywają 80% wszystkich pytań biznesowych, zgodnie z zasadą Pareto. To powinno być zachowane, a przeprowadzenie warsztatu biznesowego powinno przynieść oczekiwane rezultaty.

The post Jakościowe dane – co to znaczy? first appeared on Conversion.

Wizualizacja danych to prawdziwa “wisienka na torcie”, która zwieńcza długi, mozolny, a czasami wręcz wyczerpujący proces związany z pozyskiwaniem, przetwarzaniem oraz analizą informacji. To właśnie odpowiednia prezentacja, poprzez możliwość dostrzeżenia trendów czy anomalii, pozwala wyciągnąć pełną wartości z danych, a co za tym idzie – podejmować na tej podstawie trafne decyzje biznesowe.

Dlaczego tak się dzieje? Ludzki umysł nie jest ewolucyjnie przystosowany do obserwowania tabel po brzegi wypełnionych liczbami, a tym bardziej – wyciągania z nich wartościowych wniosków. Dopiero odpowiednia wizualizacja, nagromadzonych w ten sposób, informacji (w tym, chociażby właściwe wykorzystanie kolorów), pozwala na szybkie zrozumienie tego, co aktualnie dzieje się w organizacji.

Stąd tak kluczową funkcję pełnią właściwe narzędzia typu Business Intelligence, które pozwalają lepiej zrozumieć biznes i na tej podstawie – stworzyć przewagę konkurencyjną. Jakie to programy, czym się charakteryzują i w jaki sposób mogą poprawić efektywność w Twojej organizacji? Tego wszystkiego dowiesz się z dalszej części wpisu.
 

Co znajdziesz w tym artykule?
Jak wizualizować dane?
Metody i techniki wizualizacji danych
Jaki jest najlepszy program do wizualizacji danych? Subiektywny ranking narzędzi.
Microsoft Power BI
Looker Studio (dawniej Google Data Studio) i Looker
Tableau
Microsoft Excel
Python z bibliotekami
Jaki program do wizualizacji danych wybrać?
Ranking 5 biznesowych narzędzi służących do wizualizacji danych – podsumowanie

Jak wizualizować dane?

Na rynku funkcjonuje naprawdę całkiem spora ilość narzędzi służących do wizualizacji danych. Zdaję sobie sprawę z tego, że podjęcie ostatecznej decyzji oraz postawienie na konkretne rozwiązanie wcale nie jest takie proste. Właśnie dlatego przy ich wyborze sugeruję brać pod uwagę kilka zasadniczych czynników.

W mojej ocenie warto przeanalizować takie aspekty, jak:

• Po pierwsze – możliwości, jakie oferuje dane narzędzie. Radzę sprawdzić m.in. dostępne opcje wizualizacji danych, a także wykorzystania języka programowania do tworzenia customowych rozwiązań.
• Po drugie – powszechność jego zastosowania, czyli “czy” oraz „jaką” popularnością cieszy się wybrany soft. To szczególnie ważne, jeśli nie chcesz uczyć się ich obsługi i zamierzasz zlecać to zewnętrznym specjalistom. Podpowiedź: im ich więcej, tym zdecydowanie lepiej.
• Po trzecie – jakość i dostępność supportu. Tego chyba nie trzeba dodatkowo wyjaśniać. Każdy program ma to do siebie, że może czasami się psuć lub wymagać pewnych modyfikacji. Warto więc mieć pewność, że ewentualna pomoc przyjdzie szybko i będzie skuteczna.
• Po czwarte – opcja integracji. To zdecydowanie kluczowy czynnik, jeśli zależy Ci, chociażby na Twoich automatyzacji działań, a co za tym idzie – łączeniu wielu źródeł informacji.
• Po piąte – koszty. Nie ma co ukrywać – w każdej firmie, to finanse grają zazwyczaj “pierwsze skrzypce”. W tym obszarze warto wziąć pod uwagę zarówno wydatki, jakie należy ponieść podczas wdrożenia, jak i te, które będą niezbędne, aby w pełni korzystać z możliwości narzędzia – także “na co dzień”. Aby ocenić, czy dane narzędzie się opłaca – weź pod uwagę specyfikę oraz wielkość Twojej organizacji (czytaj: ile osób będzie obsługiwało program, a także ile będzie korzystało z “owoców” jego pracy).

Metody i techniki wizualizacji danych

Wizualizacja danych to nie tylko wykresy – to dobór metody adekwatnej do rodzaju informacji. Możemy korzystać z map cieplnych, diagramów Sankeya, macierzy korelacji, drzew hierarchicznych, wykresów pudełkowych czy wykresów Gantta, by ukazać relacje, trendy czy strukturę w sposób intuicyjny. Wybór metody zależy od tego, co chcemy podkreślić i jaką opowieść opowiedzieć naszym danym.

Podstawowe techniki wizualizacji danych

Do klasycznych i sprawdzonych technik należą wykres słupkowy (do porównań wartości), liniowy (do trendów w czasie), kołowy (do udziałów procentowych), wykres punktowy (relacje między zmiennymi) oraz histogram (rozkład danych). Te formy są uniwersalne, łatwo czytelne i stanowią podstawę każdej wizualizacji – często łączone są w dashboardach, by opowiedzieć szerszą historię.

Jaki jest najlepszy program do wizualizacji danych? Subiektywny ranking narzędzi.

Na to pytanie nie mogę udzielić jednoznacznej odpowiedzi. Dobra wiadomość jest natomiast taka, że z przyjemnością pokażę Ci co najmniej kilka sprawdzonych narzędzi, dzięki którym proces ten będzie nie tylko prosty, ale dodatkowo pozwoli na uzyskanie naprawdę przyjaznej i intuicyjnej struktury informacji. To co? Zaczynamy!

Poniżej znajdziesz mój ranking TOP5 narzędzi służących do wizualizacji danych, których odpowiednie wykorzystanie z pewnością wniesie wartość do organizacji. Uprzedzając Twoje ewentualne wątpliwości – uważam, że wszystkie są świetne i robią kawał dobrej roboty. Dlatego kolejność ich omówienia jest całkowicie losowa.

Microsoft Power BI

Stworzone przez giganta – firmę Microsoft – narzędzie jest jednym ze zdecydowanych liderów rozwiązań w zakresie wizualizacji danych. Tytuł TOPowego potwierdza zarówno jego powszechne wykorzystanie, jak i ogromna ilość pozytywnych opinii samych użytkowników. Wyobraź sobie, że obecnie korzysta z niego grubo ponad 200 000 organizacji z całego świata!

Microsoft Power BI zapewnia świetne możliwości integracji z ogromną liczbą narzędzi. Dużym atutem jest również łatwość, z jaką raporty mogą być udostępniane użytkownikom końcowym – i to bez potrzeby dawania im dostępu do surowych danych.

Obok powyższych atutów warto również wspomnieć o kosztach. Otóż, narzędzie jest bezpłatne na poziomie desktopu, a ewentualne koszty pojawią się dopiero wówczas, gdy zechcesz „przesiąść się” na rozwiązanie chmurowe. Power BI jest też bardzo dobrze zintegrowany z Excelem, co zdecydowanie obniża próg wejścia dla tego narzędzia.

Oczywiście, jak każde oprogramowanie, także to nie jest całkowicie pozbawione wad. Mianowicie, Power BI ma problemy z przetwarzaniem dużych zbiorów danych, a także kiepsko sobie radzi z bardziej skomplikowanymi relacjami pomiędzy tabelami. Zastosowany w nim język DAX, który pozwala na tworzenie zaawansowanych analiz, nie należy do najłatwiejszych.

Looker Studio (dawniej Google Data Studio) i Looker

Kolejnym powszechnie znanym na rynku rozwiązaniem jest Looker Studio. Pomimo niedawnej zmiany (rebrandingu) – nadal popularniejsza jest jego stara nazwa, czyli Google Data Studio.

Jak łatwo zauważyć, jest to narzędzie wywodzące się ze stajni Google. Dzięki temu zawdzięcza dużą łatwość korzystania z danych pochodzących z innych usług tego technologicznego giganta (należą do nich między innymi: Google Analytics, Google Cloud Platform, Search Console, AdWords, YouTube i inne). Jeśli Twoja organizacja w dużym stopniu wykorzystuje właśnie te Google’owskie narzędzia – z pewnością należy rozważyć Looker Studio, chociażby ze względu na łatwą integrację.

Omawiane narzędzie ma jednak zdecydowanie wiele innych zalet. Wśród nich warto wymienić korzystną dla użytkowników formę rozliczania, która jest oparta jedynie na przechowywaniu i procesowaniu danych. Ponadto, Looker Studio zapewnia również spore możliwości customizacji raportów – zwłaszcza, jeśli porównamy go do innych narzędzi dostępnych na rynku. Dużym plusem jest także fakt, że wszystkie opcje są dostępne bezpośrednio w chmurze.

Jeszcze bardziej zaawansowanym narzędziem proponowanym przez Google jest Looker. Oferuje zbliżone funkcjonalności do Power BI czy Tableau, a dodatkowo zapewnia wszystkie wymagane opcje, które są podstawowe dla tego typu rozwiązań. Umożliwia również na korzystanie ze wszystkich swoich możliwości bezpośrednio w chmurze.

P.S. Konkretna wzmianka o tym rozwiązaniu pojawiła się już na blogu Conversion, gdy pisaliśmy o tworzeniu dashboardów za Google Analytics 4. Jeśli interesuje Cię ta tematyka – koniecznie zajrzyj do tego wpisu.

Tableau

Stawiane zwykle na drugim miejscu pod względem popularności za Microsoft Power BI, Tableau jest produktem należącym do marki Salesforce.

Zapewnia ogromne możliwości integracji z wieloma źródłami danych, a także oferuje wiele przydatnych funkcji dotyczących wizualizacji geograficznej. Użytkownicy Tableau zwracają uwagę przede wszystkim na łatwość oraz intuicyjność, z jakimi można tworzyć użyteczne dashboardy.

To narzędzie wykorzystywane do wizualizacji danych jest dostępne w dwóch wersjach:

• Bezpłatnej – Tableau Public, która pozwala wstępnie przetestować jego możliwości.
• Płatnej, która daje dostęp do wszystkich oferowanych funkcjonalności.

“Haczyk” polega na tym, że wszystkie raporty, które stworzysz za pomocą darmowej wersji, automatycznie staną się publicznie. Moja rada: nie używaj jej do pracy z wrażliwymi informacjami.

Problem z udostępnianiem danych szerokiej publiczności rozwiązuje oczywiście narzędzie w wersji płatnej. Niestety, za stosunkowo dużą wadę tej opcji należy uznać wysokie koszty ponoszone za każdego dodatkowego użytkownika Tableu.

Aktualne trendy zarządzania efektywnością działań organizacji (polegające m.in. na podejmowaniu decyzji w oparciu o dane) wymagają tego, aby prawie każdy pracownik organizacji miał dostęp do przynajmniej tych KPI, za które jest on odpowiedzialny. Warto wziąć to pod uwagę podczas rozważania wprowadzenia tego narzędzia do swojej firmy.

Microsoft Excel

Jeżeli pierwszą Twoją myślą po przeczytaniu tego nagłówka było “Ale jak to? Zwykły excel nadaje się do wizualizacji danych?” – już śpieszę z wyjaśnieniem.

Być może ten program od Microsoftu nie do końca kojarzy Ci się z taką formą prezentacji informacji. Musisz jednak wiedzieć, że w tej materii może pochwalić się naprawdę sporymi atutami.

Z jednej strony argumentem “za” jest jego powszechność, a także to, że jest znany, akceptowany, lubiany oraz wszechstronny. Przy zastosowaniu języka VBA, Power Pivot czy Power Querry – może okazać się wystarczającym w bardzo wielu przypadkach.

Oczywiście, nie można go traktować jako receptę na wszystko. Excel nie sprawdzi się bowiem w przypadku, gdy masz do czynienia z większymi setami danych. Wraz z rozbudową ich źródeł, będzie bowiem coraz wolniejszy i trudniejszy w obsłudze. Tak więc podczas szybkiego rozwoju Twojej organizacji – warto zastanowić się nad wprowadzeniem narzędzia stricte przeznaczonego do wizualizacji danych.

Python z bibliotekami

Jeśli ta nazwa jest dla Ciebie całkowicie obca – już przechodzę do objaśnienia. Python jest językiem programowania, który cieszący się ogromnym zainteresowaniem wśród analityków czy data scientistów.

Używanie go wraz z bibliotekami pozwalającymi na przetwarzanie danych (np. Pandas czy NumPy) i ich wizualizację (np. Matplotlib czy Seaborn), pozwala uczynić z niego uniwersalne, a czasami wręcz potężne narzędzie do wizualizacji danych.

Stanowi bardzo ciekawe rozwiązanie dla organizacji, w których wymaga się bardziej statystycznego podejścia do analizowania danych. Ponadto, daje też praktycznie nieograniczone możliwości wizualizacji i korzystania z rozwiązań bardzo licznej społeczności.

Jest jednak jedno małe “ale”. Niestety, dostępność osób specjalizujących się w tej dziedzinie jest wciąż niewielka. A to naturalnie rodzi poważne przeszkody dla budowy zespołów, które zajmują się wizualizacją danych właśnie w oparciu o Pythona.

Jaki program do wizualizacji danych wybrać?

Hmm… udzielenie jednoznacznej odpowiedzi na tak postawione pytanie jest bardzo trudne. Na tyle trudne, że musisz mi wybaczyć, ale nie dam rady tego zrobić. Zamiast tego – wskażę kilka konkretnych obszarów, które warto wziąć pod uwagę.

Postawienie na konkretny soft powinno być podyktowane takimi względami, jak: wielkość organizacji i przetwarzanych przez nią informacji, rozmiar zespołu pracującego nad ich agregacją i obróbką, aż wreszcie – budżet, którym dysponujesz.

Ranking 5 biznesowych narzędzi służących do wizualizacji danych – podsumowanie

Niezależnie od tego, na które narzędzie służące wizualizowaniu informacji postawisz – musisz pamiętać, że w analizie najważniejsi są ludzie. To oni odpowiadają za ostateczny kształt prezentowanych danych, a przede wszystkim – to na ich barkach spoczywają obowiązki związane z wyciąganiem informacji, które mogą być przydatne podczas podejmowania ważnych decyzji biznesowych.

Brak zaangażowania czynnika ludzkiego (wyrażanego doświadczeniem, umiejętnościami oraz intuicją), takie rozwiązania pozostaną jedynie bezużytecznymi narzędziami. I to bez względu na ilość środków finansowych, jakie przeznaczy się na ich zakup, utrzymanie oraz rozwój.

Potrzebujesz takiego softu, ale nie wiesz, na który z wymienionych się zdecydować?

A być może chcesz, aby opiekę nad Twoimi danymi (także ich prezentacją) przejęli doświadczeni eksperci od analityki? W jednym, jak i drugim przypadku możesz sięgnąć po wsparcie specjalistów Conversion.

Jeżeli zastanawiasz się jak wykorzystać te narzędzia w Twojej organizacji i wznieść analitykę na jeszcze wyższy poziom to pogadajmy.

A jeśli zainteresował Cię temat wizualizacji danych, to koniecznie sprawdź wpis na naszym blogu mówiący o 16 sygnałach, które sugerują, że zbierasz niepoprawne dane!

The post Narzędzia do wizualizacji danych: ranking 5 najlepszych programów first appeared on Conversion.

Strategia danych – czym jest?
Strategia danych – cele
Strategia danych – z czego się składa?
Strategia danych – jak ją stworzyć?
Podsumowanie

Strategia danych – czym jest?

Czym jest strategia danych? W naszym rozumieniu to plan, czy też roadmapa zarządzania i wykorzystywania danych w firmie. Nie istnieje jedna uniwersalna definicja tego pojęcia, ale możemy określić ogólne zasady. 

W marketingu internetowym, gdzie generuje się ogromne ilości danych, strategia danych odgrywa szczególną rolę. Jednak każdy element działalności firmy generuje dane, które można efektywnie wykorzystać. Istnieją pięć kluczowych kroków do stworzenia skutecznej strategii danych, o których w dalszej części wpisu.

Strategia danych – cele

Dane w firmie mają dwa zasadnicze cele. Pierwszy, który można nazwać statycznym, polega na przechowywaniu danych na wszelki wypadek. Drugi cel dotyczy aktywnego wykorzystywania danych do podejmowania decyzji i optymalizacji działań. Właściwie opracowana strategia danych pozwala firmie nie tylko gromadzić informacje, ale także skutecznie z nich korzystać, co jest kluczowe dla osiągnięcia sukcesu. 

Podobnie jak w przypadku ubezpieczenia autocasco, którego nie wykupujemy, aby mieć wypadek, ale na wypadek, gdyby się zdarzył, dane w biznesie pełnią podobną rolę. Gdy coś w firmie przestaje działać, pierwszym miejscem, do którego zaglądamy, są dane o wydajności biznesu. Na ich podstawie możemy postawić hipotezę, co nie działa i podjąć działania naprawcze.

Drugim powodem utrzymywania danych w firmie są kwestie legislacyjne. W szczególności dział finansów musi przechowywać dane dotyczące wszystkich zapisów, transakcji, rachunku zysków i strat oraz bilansów. Jest to niezbędne w przypadku kontroli z urzędu skarbowego czy obowiązkowych audytów sprawozdań finansowych dużych spółek. Dane muszą być łatwo dostępne, ponieważ audytorzy na pewno będą ich potrzebować. To jest pierwszy cel posiadania danych.

Drugi cel to aktywne wykorzystywanie danych. Obejmuje to nie tylko ich zbieranie, ale również aktywację, czyli wykorzystanie do optymalizacji biznesu i podejmowania lepszych decyzji. Dzięki temu możemy zwiększać przychody i obniżać koszty, co prowadzi do zwiększenia rentowności. Aby osiągnąć te cele, w przypadku celu statycznego, należy przede wszystkim zebrać dane i je utrzymać. 

Zebranie danych oznacza, że już one do nas spływają i są gromadzone. Utrzymanie danych wiąże się z zapewnieniem ich jakości, aby w razie kontroli lub potrzeby ich wykorzystania były dla nas wartościowe. Warto odwołać się do zagadnienia audytu danych, który pokazuje, jak podejść do tematu i dlaczego jakość danych jest kluczowa.

Strategia danych – z czego się składa?

Proces zarządzania danymi obejmuje zbieranie, utrzymanie oraz aktywację danych. Powinniśmy mieć plan ich wykorzystania i jasno zdefiniowane procesy ich użycia. Efektywna strategia danych powinna zawierać przede wszystkim cele biznesowe, które chcemy osiągnąć. Cele te są zazwyczaj częścią strategii długofalowych firmy. Cele operacyjne są rozwijane z celów biznesowych, a z nich wynika KPI. KPI to zazwyczaj metryki, które wykorzystują dane i powinny być uwzględnione w strategii danych. Pierwszym krokiem jest zdefiniowanie tych metryk.

Kolejnym krokiem jest mapowanie wszystkich źródeł danych oraz określenie ich definicji, sposobu pozyskiwania i pochodzenia. Jest to kluczowe, aby uniknąć sytuacji, w której różne działy interpretują ten sam KPI w odmienny sposób.

Trzecim elementem strategii danych jest opisanie procesów. Dotyczy to optymalizacji, automatyzacji marketingu, kampanii newsletterowych, optymalizacji współczynnika konwersji oraz optymalizacji kampanii linków sponsorowanych. 

Istotną częścią strategii danych jest bezpieczeństwo. Ważne jest, aby dostęp do danych miały odpowiednie osoby, co zapobiega ich wyciekowi. Dane są cennym zasobem i paliwem efektywności, dlatego muszą być chronione przed niepowołanymi rękami.

Równie istotne jest zapewnienie odpowiednich poziomów dostępu. Niekompetentne osoby nie powinny mieć możliwości ingerowania w dane na etapie ich transformacji, aby nie wpływać negatywnie na ich jakość. Chronienie jakości danych jest kluczowe dla ich późniejszego wykorzystania w optymalizacji biznesu. 

Strategia danych – jak ją stworzyć?

Jak przygotować skuteczną strategię danych? Kluczowym elementem w biznesie są KPI, które mierzą osiąganie naszych celów biznesowych i strategicznych. Strategię należy kaskadować na metryki – od celów strategicznych, przez cele biznesowe, aż po konkretne metryki. W procesie tym warto najpierw zidentyfikować dostępne metryki oraz zidentyfikować problemy i braki w analizie, które mogą wpływać na ich osiąganie.

Następnie warto zmapować źródła danych, czyli określić, skąd już pozyskujemy dane. Kolejnym krokiem jest zastanowienie się, gdzie można znaleźć brakujące dane, które są niezbędne do pełnej analizy i realizacji KPI. W mapowaniu danych warto pamiętać o podziale na dane offsite i onsite. 

Dane offsite to te pochodzące spoza naszego produktu cyfrowego, takie jak systemy reklamowe, media społecznościowe czy dane panelowe dotyczące otoczenia biznesowego. Z kolei dane onsite odnoszą się do informacji zebranych bezpośrednio w naszym biznesie, na stronie internetowej lub w produkcie cyfrowym, a także w programach lojalnościowych i CRM, dotyczących zidentyfikowanych użytkowników.

Dane można podzielić również na kategorie first party, third party i zero party. Dane first party to informacje pozostawione na naszych platformach przez użytkowników lub klientów. Dane third party, czyli zewnętrzne, to te, które są gromadzone poza naszą stroną, np. dane offsite. Nową kategorią są dane zero party, które użytkownicy dobrowolnie przekazują, zanim jeszcze staną się naszymi klientami, np. poprzez ankiety czy feedback.

Znając nasze KPI i mając jasno określone, czego nam brakuje, a także dysponując zmapowanymi danymi, które już posiadamy, następnym krokiem jest wybór narzędzi. Narzędzia te powinny umożliwiać zbieranie, przechowywanie i aktywowanie danych. Aktywacja danych to nie tylko ich włączenie w procesy, ale także wizualizacja w dashboardach, co pozwala lepiej zrozumieć i zarządzać informacjami. 

W organizacjach często istnieje już rozbudowany zestaw narzędzi. W 90% przypadków nie potrzeba wdrażać nowych rozwiązań, lecz lepiej skupić się na optymalnym wykorzystaniu dostępnych zasobów. Taka strategia zazwyczaj jest wystarczająca. W kontekście aktywacji danych warto zdefiniować, jakie działania podejmuje firma. Dotyczy to zarówno procesów optymalizacji wskaźnika konwersji, jak i kampanii marketingowych. Istotne jest przypisanie odpowiednich osób do tych procesów i określenie, czy posiadają one wymagane kompetencje, czy też konieczne jest ich uzupełnienie z zewnątrz.

Po ustaleniu wszystkich elementów, kluczowe jest monitorowanie postępów we wdrażaniu strategii danych online. Minimalnym punktem odniesienia mogą być sprawozdania finansowe, które raz w roku dostarczają wyników, często audytowanych przez zewnętrzne firmy, oraz miesięczne dane finansowe. Jeśli posiadamy dobre dane, zwłaszcza integralne, a trendy są zgodne, to skuteczne wdrażanie i realizacja strategii wykorzystania danych online prowadzi do pozytywnych wyników finansowych. W takim przypadku wszystko przebiega prawidłowo. 

Jednym z kluczowych procesów zarządzania danymi jest cykl PDCA (Plan, Do, Check, Act). Obejmuje on planowanie działań, ich realizację, sprawdzanie wyników oraz wyciąganie wniosków i rekomendacji, po czym cykl się powtarza. Dane odgrywają tu kluczową rolę.

Podsumowanie

Podsumowując, warto zadać sobie kilka pytań. Czy firma może funkcjonować bez strategii danych? Zdecydowanie tak. Podobnie jak do przemieszczania się, nie zawsze potrzebujemy paliwa, ponieważ możemy poruszać się pieszo. Strategia danych nie jest niezbędna, ale jej brak może ograniczać efektywność działań. 

Czy posiadanie odpowiednich zasobów danych przyspiesza rozwój firmy? Zdecydowanie tak. Jeśli firma ma dobrze opracowaną i stale optymalizowaną strategię danych, jej rozwój będzie znacznie szybszy. Posiadanie własnej „rafinerii danych” i „stacji paliw” sprawia, że przedsiębiorstwo działa sprawniej, ponieważ unika tracenia czasu na poszukiwanie i analizowanie danych w sytuacjach kryzysowych.

Strategia danych jest kluczowa właśnie w takich momentach. Dane stają się niezbędne nie tylko w sytuacjach, gdy coś idzie nie tak, ale także wtedy, gdy chcemy przyspieszyć nasz rozwój. Warto zatem poświęcić czas na pracę z danymi i rozwijanie strategii, aby osiągnąć lepsze wyniki biznesowe.

The post Strategia danych – 5 kroków do jej stworzenia first appeared on Conversion.

Spadająca marża na sprzedaży w niejednej firmie (i to nie raz) na pewno przysporzyła bólu głowy osobom odpowiedzialnym za utrzymanie jej na odpowiednim poziomie. Marżowość jest często jednym z najważniejszych KPI w przedsiębiorstwie. Warto więc wiedzieć, jak zachować się gdy zaczyna zauważalnie spadać, i jak w diagnozie problemu mogą pomóc dane online.

Czym jest marża?
Jakie są rodzaje marży?
Jak analizuje się marżę w kontekście marketingu?
Marża na sprzedaży – rola przychodów i kosztów
Spadająca marża na sprzedaży a dane
Spadająca marża na sprzedaży a wydatki marketingowe
Podsumowanie

Czym jest marża?

Zrozumienie marży jest kluczowe dla każdej firmy, ponieważ wpływa bezpośrednio na zyskowność. Marża jest różnicą pomiędzy przychodami a kosztami, co w uproszczeniu oznacza zysk. Można ją wyrazić procentowo w odniesieniu do kosztów, co pozwala na szybką ocenę efektywności finansowej. 

W kontekście zmian w marży, istotne jest zrozumienie czynników wpływających na jej wzrost lub spadek. Gdy marża maleje, można to przypisać albo do spadku przychodów, albo do wzrostu kosztów. Analiza tych dwóch elementów może ujawnić przyczyny zmian i wskazać kierunki działań naprawczych. W analizie finansowej i kontroli zarządczej, marża jest kluczowym wskaźnikiem, który pozwala ocenić rentowność produktów lub usług. Istnieje jednak kilka rodzajów marż, które odgrywają istotną rolę w ocenie efektywności biznesowej i które należy wziąć pod uwagę przy przeprowadzaniu takiej analizy. 

Jakie są rodzaje marży?

Zapewne niejednokrotnie byłeś/aś świadkiem dyskusji na temat poziomu marży w firmie lub sam brałeś w niej czynny udział. Czy masz jednak pełne przekonanie, że wszyscy rozmówcy przez pojęcie marży czy też marży na sprzedaży rozumieli to samo? Warto na wstępie zadać sobie to pytanie, ponieważ podejść do tematu jest kilka.

Marża brutto (pierwszego rodzaju)

Pierwszym z nich jest marża brutto, znana również jako marża pierwszego rodzaju. Ta marża reprezentuje przychody ze sprzedaży produktu lub usługi pomniejszone o bezpośrednie koszty ich produkcji. Jest to podstawowy wskaźnik pokazujący bezpośredni zysk z oferowanego produktu.

Marża drugiego rodzaju (marketingowa)

Kolejną marżą, którą warto rozważyć, jest tzw. marża drugiego rodzaju. Chociaż nie jest ona bezpośrednio wyróżniana w rachunkowości, stanowi ona ważny element w analizie efektywności działań marketingowych. Marża ta uwzględnia zysk z produktu po odjęciu kosztów inwestycji marketingowych. Pozwala to na głębsze zrozumienie, jak działania promocyjne wpływają na rentowność i pozwala na optymalizację wydatków marketingowych w celu maksymalizacji zysku.

Marża netto (trzeciego rodzaju)

Trzecim i kluczowym w świecie finansów i kontrolingu jest wskaźnik znany jako marża netto, który odzwierciedla rentowność firmy. Marża netto, często określana jako trzecia marża, to nic innego jak zysk netto wyrażony procentowo w stosunku do przychodu. Jest to miernik efektywności operacyjnej przedsiębiorstwa, pokazujący, jak część przychodów przekształca się w zysk po odjęciu wszystkich kosztów.

Zrozumienie i analiza różnych rodzajów marż są niezbędne dla efektywnego zarządzania finansami przedsiębiorstwa. Pozwalają one na dokładniejsze planowanie i podejmowanie świadomych decyzji biznesowych, które prowadzą do zwiększenia rentowności i rozwoju firmy. 

Jak analizuje się marżę w kontekście marketingu?

Analiza marży, szczególnie w kontekście działań marketingowych, jest niezwykle ważna. Pozwala zrozumieć, jak inwestycje w marketing wpływają na rentowność firmy. Monitorując zmiany w marży netto, można ocenić, czy strategie marketingowe są kosztowo efektywne i czy przynoszą oczekiwane wyniki finansowe. W świecie marketingu często spotykamy się z pewnym zamieszaniem wokół pojęcia marży. Profesjonaliści czasem mylą marżę brutto (pierwszą) z marżą netto (drugą), co prowadzi do błędnych wniosków. Rozróżnienie tych dwóch pojęć jest istotne, ponieważ niektórzy marketerzy obliczają rentowność, odejmując od całkowitych przychodów jedynie koszty inwestycji w marketing. Takie podejście sprawia, że tracą oni z pola widzenia pełny obraz rentowności, nie biorąc pod uwagę, że różne produkty i usługi mogą generować zróżnicowane marże.

W kontekście analityki online, ważne jest, aby marketing miał pełną świadomość rzeczywistego kosztu i marży związanej z poszczególnymi produktami lub usługami. Decyzje inwestycyjne dotyczące promowania określonych produktów powinny być oparte na precyzyjnym zrozumieniu ich rentowności. Tylko wtedy strategie marketingowe mogą być maksymalnie efektywne, a inwestycje przynoszą oczekiwane rezultaty. Właściwe analizowanie i rozumienie marży jest kluczem do optymalizacji działań marketingowych i zwiększania efektywności każdej kampanii. W świecie biznesu często obserwujemy, jak dyrektorzy finansowi (CFO) angażują się w poszukiwanie oszczędności w różnych obszarach organizacji. Szczególnie interesujące może być dla nich analizowanie wydatków marketingowych. CFO, próbując odnaleźć pola do oszczędności, może czasem wchodzić w domenę dyrektora marketingu (CMO) i oceniać inwestycje marketingowe pod kątem ich efektywności.

Marża na sprzedaży – rola przychodów i kosztów

Znalezienie oszczędności wydaje się być prostsze niż identyfikacja nowych inwestycji, które mogą przynieść wyższy zwrot. Jednak to drugie podejście często okazuje się być kluczowe dla optymalizacji działań firmy. Analizując koszty i marżę, można podjąć działania w dwóch obszarach: poszukiwanie sposobów na zwiększenie przychodów lub redukcję kosztów. Zwiększenie przychodów bezpośrednio wpływa na poprawę marży, co jest korzystne dla finansów firmy. W analizie efektywności działań w obszarze e-commerce istotnym aspektem jest optymalizacja kosztów. Zmniejszenie kosztów może prowadzić do wzrostu marży, co jest zazwyczaj pożądanym rezultatem. Jednakże, warto mieć na uwadze, że istnieje pewna granica, poniżej której koszty nie mogą zostać obniżone – teoretycznie mogą one oscylować wokół zera, ale w praktyce zawsze będą istnieć pewne niezbędne wydatki.

Z drugiej strony, optymalizacja przychodów nie napotyka na takie ograniczenia. Potencjalnie, możliwości zwiększania przychodów są nieograniczone i zależne głównie od kreatywności i skuteczności wdrażanych strategii. Warto zatem rozważyć, gdzie skupić swoje działania optymalizacyjne, aby maksymalizować efektywność finansową przedsiębiorstwa. 

Optymalizacja kosztów marketingowych

Temat optymalizacji kosztów marketingowych został przedstawiony w dedykowanym artykule, który pozwoli na głębsze zrozumienie tej tematyki oraz na zapoznanie się z praktycznymi narzędziami i metodami redukcji wydatków przy jednoczesnym zachowaniu, a nawet zwiększeniu, jakości oferowanych usług czy produktów. 

W kontekście optymalizacji marży, istotne jest skoncentrowanie się na zwiększaniu przychodów. Aby skutecznie optymalizować marżę, kluczowe jest posiadanie odpowiednich danych. W poprzednim artykule, do którego odsyłałem akapit wyżej, omówiłem jak istotne jest umiejętne przedstawienie kosztów i marży w ujęciu czasowym. Gdy rozkładamy marżę w czasie i zauważamy jej spadek, musimy zrozumieć wpływ dwóch głównych składowych: przychodów i kosztów.

Spadająca marża na sprzedaży a dane

Pierwszym krokiem w analizie spadającej marży jest obserwacja trendów. Następnie przeprowadzamy dekompozycję tych trendów, aby zrozumieć przyczyny zmniejszającej się marży. W praktyce oznacza to podział na analizę przychodów oraz kosztów. Dopiero później warto dokładniej przyjrzeć się przychodom z poszczególnych linii produktowych, aby zidentyfikować możliwości dalszej optymalizacji. Pozwoli to wejść na większy poziom szczegółowości analizy, co w efekcie da nam trafniejsze wnioski.

Kluczowym aspektem jest systematyczna analiza danych, która pozwala na wczesne wykrycie trendów i podejmowanie działań mających na celu zwiększenie marży lub ograniczenie jej spadku. To podejście umożliwia lepsze zarządzanie finansami firmy i przyczynia się do jej długoterminowego sukcesu. Analityka online to kluczowy element optymalizacji działań w biznesie internetowym. Jednym z podstawowych zadań, które przed nią stoją, jest identyfikacja przyczyn problemów i znajdowanie efektywnych rozwiązań. Skupmy się na analizie przychodów, które są bezpośrednio związane z ilością sprzedanych produktów i ceną, za jaką są one oferowane. Przychody to w końcu iloczyn ilości sprzedanych produktów i ich ceny.

Popyt, podaż i ryzyko wojny cenowej

Zrozumienie podstawowego prawa podaży i popytu jest tutaj kluczowe. W skrócie, mówi ono, że przy niższej cenie zwykle sprzedajemy więcej, jednak ta zależność jest odwrotnie proporcjonalna. To prowadzi nas do wniosku, że obniżanie cen w celu zwiększenia ilości sprzedanych produktów nie zawsze jest najlepszym rozwiązaniem. Taka strategia może bowiem doprowadzić do niechcianej wojny cenowej, która w dłuższej perspektywie może być szkodliwa dla rentowności firmy.

Podczas analizy przychodów warto również zwrócić uwagę na inne czynniki, które mogą wpływać na ilość sprzedanych produktów, takie jak jakość, unikalność oferty czy postrzeganie marki przez konsumentów. Optymalizacja tych aspektów może przyczynić się do wzrostu przychodów bez konieczności angażowania się w ryzykowną grę cenową. Efektywność kosztowa jest kluczowym aspektem w prowadzeniu biznesu, a jej wpływ na marżę jest niezaprzeczalny. Analizując rynek detaliczny, szczególnie interesującym przykładem jest niedawna wojna cenowa między Lidlem a Biedronką. Kampanie te, realizowane poprzez SMS, mają na celu przyciągnięcie uwagi konsumentów przez bezpośrednie porównanie cen. Jednakże, zamiast skupiać się wyłącznie na redukcji kosztów do minimum, warto zastanowić się nad strategią zwiększania przychodów.

Z punktu widzenia przychodów, istotniejsze niż cięcie cen jest zwiększenie ilości sprzedawanych produktów. Osiągnięcie tego celu nie powinno odbywać się poprzez bezpośrednią redukcję ceny, lecz przez inteligentne inwestycje marketingowe, które przyciągną klientów i zwiększą sprzedaż. A jak już wiemy, dane są niezbędne do efektywnego zarządzania budżetem i optymalizacji działań marketingowych, co w konsekwencji może prowadzić do wzrostu marży.

Spadająca marża na sprzedaży a wydatki marketingowe

Podsumowując, kluczowym aspektem w pracy nad marżą jest nie tylko kontrola kosztów, ale przede wszystkim umiejętne zarządzanie inwestycjami marketingowymi, które powinny być oparte na solidnej analizie danych. To właśnie one mogą stać się fundamentem do podejmowania strategicznych decyzji, które przyczynią się do wzrostu przychodów i zysków firmy. Zrozumienie koncepcji lejka atrybucji jest kluczowe w świecie marketingu. Ta koncepcja pozwala nam śledzić, jak inwestycje w różne kanały marketingowe wpływają na sprzedaż. W modelu lejka, klienci znajdują się na różnych etapach procesu zakupowego, od etapu świadomości (TOFU – Top of the Funnel), przez rozważanie (MOFU – Middle of the Funnel), aż po decyzję o zakupie (BOFU – Bottom of the Funnel). Terminologia ta, choć pochodzi z marketingu B2B, doskonale odnajduje się również w kontekście B2C.

Marketer a marża drugiego stopnia

Inwestycje marketingowe nie zawsze przynoszą natychmiastowe rezultaty. Często działania podjęte obecnie mogą przynieść wzrosty w znacznie dalszej przyszłości. W kontekście marży, istotne jest rozróżnienie między różnymi jej rodzajami. Marża, którą można bezpośrednio powiązać z inwestycjami marketingowymi, to tzw. druga marża. To właśnie na nią marketerzy mają największy wpływ. Z kolei marża pierwsza jest domeną zespołu produktowego, a trzecia – finansowego (CFO). Mimo że czasami CFO może próbować wpływać na drugą marżę, zrozumienie jej mechanizmów jest niezbędne do skutecznego zarządzania marketingiem online i osiągania długoterminowych korzyści finansowych. Zwiększanie marży produktowej jest kluczowym aspektem zarządzania finansami w każdej firmie. Istotne jest zrozumienie, że marża może być podzielona na dwie główne kategorie: marża pierwsza i marża druga. Pierwsza odnosi się do zysku generowanego bezpośrednio z sprzedaży produktów, podczas gdy druga uwzględnia koszty kampanii marketingowych.

Aby efektywnie zwiększać marżę drugą, warto skupić się na produktach o najwyższej rentowności. Dzięki precyzyjnie ukierunkowanym kampaniom na te produkty, które generują najwyższą marżę i są dostępne, można znacząco poprawić wyniki finansowe firmy.

Scoring produktowy i technologia

W tym kontekście, warto wspomnieć o zastosowaniu scoringu produktowego, które pozwala na optymalizację kampanii marketingowych. Przykładem może być wykorzystanie Google BigQuery do integracji różnych źródeł danych, co pozwala na zbudowanie zaawansowanego systemu scoringowego. Dzięki niemu możliwe jest nie tylko identyfikowanie produktów o najwyższej marży, ale także efektywne zarządzanie dostępnością tych produktów. Przy okazji, stanowi to świetny przykład tego, jak spadająca marża na sprzedaży może być zniwelowana przez analitykę danych.

Podsumowanie

Podsumowując, marża jest wynikiem różnicy między przychodami a kosztami, a jej analiza powinna uwzględniać różne jej poziomy. Najczęściej koncentrujemy się na poziomie mieszającym marżę pierwszą i drugą, co pozwala na lepsze zrozumienie finansów i podejmowanie bardziej świadomych decyzji biznesowych. W dziedzinie marketingu jednym z kluczowych wskaźników jest marża pierwszego stopnia. Często jednak popełnia się błąd, polegający na braniu pod uwagę wyłącznie przychodu z produktu, pomijając fakt, że różne produkty i usługi generują różne koszty. Z ekonomicznego punktu widzenia, korzystniejsze może być skupienie się na tych produktach i usługach, które charakteryzują się wyższą marżą, gdyż to właśnie one mogą przynieść organizacji najlepsze rezultaty finansowe.

W analizie marketingowej niezbędne jest dysponowanie solidnymi danymi nie tylko na poziomie samego marketingu, ale również szerszymi informacjami z całej organizacji. Dopiero wtedy możliwe jest dokładne obliczenie marży na różnych poziomach działalności. Precyzyjne dane są fundamentem dla podejmowania trafnych decyzji biznesowych, które mogą znacząco wpłynąć na zyskowność firmy.

The post Spadająca marża na sprzedaży – co zrobić? first appeared on Conversion.

Redukcja kosztów marketingowych a wzrost przychodów
Koszty marketingowe – kategorie
Analiza kosztów marketingowych
Koszty marketingowe a analiza działań konkurencji
Analiza źródeł ruchu i lejków marketingowych
Nowi użytkownicy vs powracający użytkownicy
Podsumowanie

Redukcja kosztów marketingowych a wzrost przychodów

Rozważając to, jak dane mogą wpłynąć na oszczędności w marketingu, warto skupić się na kilku kluczowych aspektach. Pierwszym z nich jest analiza efektywności kampanii reklamowych. Rosnące koszty marketingowe kampanii mogą przyprawić o bół głowy, jednak dzięki narzędziom takim jak Google Analytics, możemy dokładnie prześledzić, które kanały przynoszą najwięcej konwersji przy najniższych kosztach. Drugim aspektem jest optymalizacja lejka sprzedażowego, gdzie analiza danych pozwala na identyfikację i usunięcie przeszkód, które uniemożliwiają klientom dokonanie zakupu.

Dane online oferują bogate źródło wiedzy, które może być wykorzystane do poprawy efektywności marketingowej. Jednakże, kluczowe jest, aby podejść do nich strategicznie i z odpowiednią wiedzą. W tym kontekście, analityka internetowa staje się nie tylko narzędziem, ale również umiejętnością niezbędną do osiągnięcia sukcesu w e-commerce.

Zanim jednak zagłębimy się w poszukiwanie oszczędności w danych, warto zrozumieć, dlaczego w ogóle poświęcamy na to uwagę. Podstawowym celem jest zwiększenie efektywności działania firmy, co bezpośrednio przekłada się na zysk, będący różnicą między przychodami a kosztami. W sytuacji, gdy efektywność spada, często jest to wynikiem rosnących kosztów, stąd naturalnym krokiem wydaje się poszukiwanie oszczędności właśnie w tej sferze.

Jednakże, zanim skupimy się na redukcji kosztów, warto zastanowić się, czy jest to najbardziej efektywna metoda zwiększania efektywności. Chociaż często jest to pierwszy krok wybierany przez osoby odpowiedzialne za finanse, takie jak CFO, to nie zawsze jest to najbardziej efektywna ścieżka. Zamiast skupiać się wyłącznie na cięciu kosztów, warto również rozważyć inne metody optymalizacji procesów biznesowych, które mogą przynieść długoterminowe korzyści dla firmy. 

W dalszej części artykułu przyjrzymy się, jak analityka online może pomóc w identyfikacji obszarów, które oferują potencjalne oszczędności, nie tracąc przy tym z oczu ogólnego celu, jakim jest wzrost efektywności działania przedsiębiorstwa. W świecie analityki online często spotykamy się z dylematem: czy skupić się na minimalizacji kosztów, czy może jednak na zwiększaniu przychodów? Odpowiedź na to pytanie nie jest tak oczywista, jak mogłoby się wydawać. Rozważając kwestię oszczędności, warto zauważyć, że koszty można obniżać jedynie do pewnego poziomu, a mianowicie do zera. To oznacza, że istnieje naturalny limit, poniżej którego nie jesteśmy w stanie zredukować wydatków.

Z drugiej strony, kiedy skupiamy się na wzroście przychodów, napotykamy na znacznie większe możliwości. Przychody, w przeciwieństwie do kosztów, nie mają sztywnego ograniczenia górnego. Oczywiście, nie oznacza to, że możemy skalować je w nieskończoność, ale potencjał wzrostu jest znacznie większy. W praktyce oznacza to, że firmy powinny zwrócić szczególną uwagę na strategie zwiększania przychodów, ponieważ to one mogą przynieść znaczące korzyści finansowe w dłuższej perspektywie.

Choć kontrola kosztów jest ważnym elementem zarządzania finansami, to skupienie się na rozwoju przychodów może okazać się znacznie bardziej korzystne. Warto pamiętać, że ograniczenia kosztów są stałe, podczas gdy możliwości zwiększenia przychodów są zdecydowanie szersze i mogą przynieść długofalowe korzyści dla firmy. W kontekście wzrostu efektywności i inwestycji marketingowych, kluczowym wskaźnikiem jest zwrot z inwestycji, znany także jako return on investment (ROI). Jest to miara, która informuje nas o dodatkowym zysku generowanym z każdej zainwestowanej złotówki. W związku z tym poszukujemy takich inwestycji, które pozwolą nam znacząco zwiększyć przychody. Zrozumienie i skuteczne wykorzystanie ROI pozwala na lepsze zarządzanie budżetem marketingowym i optymalizację działań promocyjnych. Warto pamiętać, że inwestycje te zazwyczaj pociągają za sobą początkowy wzrost kosztów, jednakże celowość tych wydatków mierzymy właśnie poprzez ROI, który powinien w dłuższej perspektywie przynieść wzrost przychodów. Wzrost przychodów przewyższający wzrost kosztów jest kluczowy dla osiągnięcia zamierzonej efektywności. Skupmy się jednak na kwestii redukcji kosztów.

Koszty marketingowe – kategorie

Wieloletnie doświadczenie w projektach doradczych i analizach pokazuje, że pierwszym krokiem w poszukiwaniu oszczędności jest potwierdzenie, czy faktycznie mamy do czynienia z problemem wzrostu kosztów. Często zdarza się, że firmy zgłaszają się z obawami o rosnące koszty, które rzekomo obniżają efektywność. Jednak po głębszej analizie okazuje się, że źródło problemu leży gdzie indziej.

Pierwszym etapem jest zatem weryfikacja, czy koszty rzeczywiście rosną. Kolejnym krokiem, po potwierdzeniu wzrostu kosztów, jest zidentyfikowanie przyczyn tej sytuacji. Analiza przyczyn pozwala na skuteczne podejmowanie działań naprawczych i optymalizację wydatków. W dziedzinie analityki online, szczególnie istotne jest zrozumienie źródeł danych marketingowych. Te dane można zwykle odnaleźć w działach finansowych, a dokładniej w kontroli zarządczej. W analizie kosztów marketingowych rozróżnia się sześć głównych kategorii: wynagrodzenia bezpośrednio związane z generowaniem przychodów, koszty projektowe, administracyjne, sprzedaż, marketing oraz rozwój talentów.

Przyglądając się bliżej marketingowi i poszukiwaniu potencjalnych oszczędności, nie wystarczy tylko prześledzenie miesięcznych wydatków. Należy dokładniej przeanalizować koszty, dokonując ich dekompozycji. W marketingu możemy wyróżnić trzy podstawowe grupy kosztów, które są kluczowe dla efektywnej analizy finansowej. Pierwszym źródłem kosztów są bezpośrednie wydatki mediowe, czyli kwoty przeznaczone na kampanie w systemach reklamowych. Drugie źródło obejmuje koszty obsługi mediów, które pokrywają wynagrodzenia osób zarządzających kampaniami, a także wsparcie w zakresie kreacji i technologii IT, takich jak np. przygotowanie landing page. Trzecie źródło kosztów to narzędzia wykorzystywane w procesie marketingowym.

W praktyce marketing dzieli się na podkategorie, takie jak tworzenie i promocja treści, narzędzia, zewnętrzne usługi i inne koszty. W zależności od organizacji, koszty te mogą być monitorowane przez dział controlling lub mogą być bezpośrednio związane z agencją realizującą kampanie lub narzędziami używanymi do ich prowadzenia. Te wydatki są zazwyczaj najbardziej widoczne, szczególnie gdy są one obciążane na karcie kredytowej firmy i wymagają późniejszego rozliczenia w formie faktury dla działu finansowego.

Zarządzanie kosztami mediów to złożone zadanie, które wymaga dokładnej analizy i przypisania wydatków do odpowiednich działań marketingowych. Dzięki temu możliwe jest optymalizowanie budżetu i zapewnienie, że każda inwestycja przynosi oczekiwane rezultaty. W analizie kosztów obsługi mediów cyfrowych istotnym elementem są wynagrodzenia osób zaangażowanych w te działania lub opłaty za usługi agencji, która zajmuje się realizacją kampanii. Koszty te mogą być zróżnicowane w zależności od przyjętego modelu rozliczeniowego. Przykładowo, mogą to być opłaty procentowe od przychodu, od budżetu kampanijnego, a czasem stosuje się stałą stawkę. W niektórych przypadkach rozliczenie może uwzględniać zwrot z inwestycji reklamowej (ROAS).

W przypadku PPC (pay-per-click) istnieje wiele metod rozliczeń, podobnie jak w SEO (Search Engine Optimization), gdzie opłaty mogą zależeć od pozycji fraz kluczowych w wynikach wyszukiwania, takich jak top 3, top 10 itp. Możliwe są także opłaty za ruch organiczny. 

Analiza kosztów marketingowych

Gdy już zebrane zostaną wszystkie dane dotyczące kosztów, w tym opłaty za narzędzia, powinno się przystąpić do ich szczegółowej analizy. Rozpoczynając od ogólnego obrazu, stopniowo należy przechodzić do bardziej szczegółowych aspektów, aby zrozumieć, jak poszczególne elementy wpływają na całościowy obraz finansowy działań marketingowych. W analizie danych online, kluczowe jest zidentyfikowanie i zrozumienie wzrostu kosztów marketingowych. Pierwszym krokiem jest sprawdzenie, czy problem wzrostu kosztów faktycznie występuje. W tym celu, analizuje się koszty marketingowe na przestrzeni miesięcy, tygodni lub innego wybranego okresu. Po potwierdzeniu, że koszty te rosną, należy przystąpić do ich dekompozycji.

Jeżeli w wyniku analizy zauważymy, na przykład, znaczący wzrost kosztów związanych z tworzeniem i promocją treści, następnym krokiem będzie szczegółowe zbadanie, które narzędzia lub działania są odpowiedzialne za ten wzrost. To pozwoli na lepsze rozumienie struktury wydatków i pomoże w optymalizacji działań marketingowych dla osiągnięcia lepszej efektywności kosztowej. Wzrost ten może wynikać z różnych czynników, takich jak zwiększone wydatki na media czy wyższe opłaty agencji obsługującej kampanie. Aby zidentyfikować przyczynę wzrostu kosztów, niezbędne jest dokładne przeanalizowanie danych. 

Koszty marketingowe – narzędzia

W pierwszej kolejności warto przyjrzeć się narzędziom analitycznym. Często istnieje możliwość poszukiwania tańszych alternatyw lub całkowitej rezygnacji z niektórych z nich, jeśli nie przynoszą one oczekiwanej wartości. Warto stworzyć listę opłacanych obecnie narzędzi marketingowych i dokonać ewaluacji ich przydatności a następnie zrezygnować z tych niepotrzebnych. Następnie dla pozostałych narzędzi poszukać tańszych alternatyw.

Koszty marketingowe – obsługa mediów

W przypadku kosztów związanych z obsługą mediów sprawa jest bardziej złożona, ponieważ należy wziąć pod uwagę wiele czynników wpływających na końcowe opłaty.

Podstawowym dylematem jest wybór między utrzymywaniem działań marketingowych wewnątrz firmy (in-house) a outsourcingiem. 

Sytuacja jest podobna do tej, dotyczącej zatrudniania analityków danych oraz alternatyw do tego rozwiązania. Posiadanie zespołu na miejscu ma swoje zalety. Pracownicy, będąc integralną częścią organizacji, mają głębsze zrozumienie jej działania i są bardziej zaangażowani w jej sukces. Nieformalne rozmowy przy kawie czy herbacie mogą prowadzić do twórczych pomysłów, które pozytywnie wpłyną na kampanie marketingowe.

Przy zatrudnieniu osoby lub osób odpowiedzialnych za marketing w firmie, często spotykamy się z sytuacją, w której jedna osoba pełni rolę całej orkiestry: odpowiada za kampanię, jej konfigurację, warstwę kreatywną, analizę i wiele innych zadań. W takich okolicznościach, choć może to wydawać się kontrintuicyjne, warto rozważyć zatrudnienie dodatkowej osoby. Inwestycja ta może się okazać krokiem wstecz, który umożliwi późniejsze trzy kroki naprzód.

Małe organizacje często obawiają się zwiększania zatrudnienia, nawet gdy obciążenie pracą jest ogromne. Jednakże, aby sprostać wymaganiom szybko zmieniającego się rynku, nie można polegać wyłącznie na zdolnościach jednego pracownika do zarządzania wszystkimi aspektami martketingu. W końcu, nikt nie jest w stanie skutecznie zarządzać operacjami i jednocześnie być na bieżąco z najnowszymi trendami branżowymi.

Rozważając kwestię zatrudnienia wewnętrznego (in-house) w porównaniu do outsourcingu, konieczne jest dokładne przeanalizowanie zarówno zalet, jak i wad obu rozwiązań. W miarę jak organizacja się rozwija, kluczowe staje się budowanie wewnętrznych kompetencji i zdolności do adaptacji w zmieniającym się środowisku marketingu cyfrowego. 

Koszty marketingowe – budżety na media

Zarządzanie budżetem mediowym to kolejny istotny aspekt, który wymaga szczegółowej analizy danych. Jeśli dane wskazują na problematyczne obszary, warto skoncentrować się na nich, aby optymalizować wydatki i prowadzone działania marketingowe. Analityka internetowa dostarcza szczegółowych informacji o zachowaniu użytkowników na stronie, które są niezbędne do efektywnego zarządzania kampaniami online.

Kluczowym elementem jest jednak zapewnienie, że dane, na których opieramy nasze decyzje, są wiarygodne. Od samego początku działalności firmy należy dbać o ich poprawność, ponieważ stanowią one fundament dla wszelkich analiz i strategii marketingowych. Właściwe zarządzanie danymi i wykorzystanie analityki internetowej umożliwia nie tylko identyfikację problemów, ale także optymalizację działań i maksymalizację zwrotu z inwestycji. Wartość analiz jest bezpośrednio związana z jakością danych, na podstawie których są one przeprowadzane. Stąd wywodzi się znane w branży powiedzenie „Garbage In, Garbage Out” (GIGO), które dosadnie podkreśla, że analiza wykonana na podstawie niskiej jakości danych nieuchronnie prowadzi do błędnych wniosków i wątpliwych rekomendacji.

Aby uniknąć takiej sytuacji, kluczowe jest zapewnienie poprawnej konfiguracji narzędzi analitycznych oraz regularny audyt tych narzędzi. Google Analytics jest tu często używanym przykładem, bowiem niewłaściwa konfiguracja może prowadzić do błędów w gromadzeniu i interpretacji danych.

Kolejnym elementem jest również właściwe tagowanie kampanii marketingowych. Dzięki temu możliwe jest dokładne śledzenie i ocena efektywności różnych źródeł ruchu. Odpowiednia konfiguracja raportów jest niezbędna, aby dane mogły efektywnie służyć organizacji, umożliwiając podejmowanie opartych na nich decyzji biznesowych.

Warto zatem poświęcić czas na upewnienie się, że dane, na których bazują nasze analizy są rzetelne i precyzyjne. Tylko w ten sposób możemy wykorzystać pełny potencjał analityki online w rozwoju naszego biznesu. Uwaga firm powinna skupiać się nie tylko na krótkoterminowych oszczędnościach, ale także na długofalowej strategii. Oszczędności wynikające z niepodejmowania pewnych działań mogą wydawać się korzystne na początku, jednak w perspektywie czasu mogą obrócić się przeciwko przedsiębiorstwu. Właśnie dlatego istotne jest, aby nie tracić z oczu ogólnego obrazu sytuacji rynkowej.

Koszty marketingowe a analiza działań konkurencji

Jednym z kluczowych aspektów, o którym firmy muszą pamiętać, jest konkurencja. Decyzje dotyczące budżetu marketingowego, szczególnie w kontekście jego redukcji, powinny uwzględniać fakt, że działamy wśród innych graczy na rynku internetowym. Pandemia COVID-19 i związane z nią lockdowny, które zamknęły inne kanały sprzedaży, zwłaszcza sklepy stacjonarne, doskonale to zilustrowały. W wyniku ograniczeń, znaczna część ruchu klientów przeniosła się do internetu, co skłoniło wiele firm do intensyfikacji działań reklamowych w przestrzeni cyfrowej.

To przypomnienie podkreśla, jak ważne jest dostosowanie strategii marketingowej do zmieniających się warunków rynkowych i zachowań konsumentów. W erze cyfrowej, gdzie konkurencja jest zaledwie kilka kliknięć myszką, nie można ignorować znaczenia skutecznej obecności online i inwestycji w działania marketingowe, które zapewnią widoczność i przewagę nad konkurentami. Z obserwacji naszych klientów zauważyliśmy znaczący wzrost kosztów mediów internetowych. Jest to efekt ograniczonej liczby użytkowników internetu w danym regionie geograficznym, co przy rosnącej liczbie firm pragnących zaistnieć w sieci, prowadzi do wzrostu cen za obsługę mediów. W okresie lockdownu stało się jasne, że sama obecność w internecie to za mało. Kluczowa okazała się jakość tej obecności oraz sposób kreowania kampanii i dotarcia do użytkowników, preferując bardziej spersonalizowany przekaz.

Dane odgrywają tu znaczącą rolę, ponieważ umożliwiają lepszą segmentację i docieranie do odpowiedniej grupy odbiorców. W dzisiejszych czasach, kiedy coraz więcej elementów w budżetach marketingowych opiera się na automatyzacji, dane stają się niezmiernie ważne. Systemy automatyczne wykorzystują informacje do samooptymalizacji, co podnosi efektywność działań marketingowych i pozwala na osiąganie lepszych wyników przy niższych kosztach. Lepsza jakość danych może przekładać się na wyższą efektywność działań. W kontekście redukcji kosztów budżetów marketingowych, kluczowe jest, aby dane były dokładne i nie były pomijane w procesie optymalizacji. Jednakże, w poszukiwaniu oszczędności, często firmy nie biorą pod uwagę działań konkurencji, co jest błędem ponieważ rosnące koszty budżetu marketingowego mogą wynikać z intensyfikacji działań konkurentów.

Istnieją narzędzia, które pozwalają analizować aktywność konkurencji w przestrzeni cyfrowej. Przykładem może być narzędzie oferowane przez platformę Meta – Ads library, które umożliwia wgląd w reklamy prezentowane przez konkretne firmy. Na przykład, wpisując nazwę „Conversion”, można zobaczyć wszystkie nasze kampanie reklamowe realizowane w ekosystemie Meta. To tylko jeden z przykładów narzędzi, które mogą być wykorzystane do monitorowania strategii marketingowych konkurencji, co jest istotne dla skutecznego zarządzania budżetem reklamowym. Analiza konkurencji stanowi cenne źródło informacji, które może wyjaśnić, dlaczego koszty reklamowe nagle wzrosły. Często wynika to z intensyfikacji działań konkurencji – pojawia się więcej firm chcących się reklamować, co prowadzi do wzrostu kosztów. 

Analiza źródeł ruchu i lejków marketingowych

W kontekście redukcji budżetów marketingowych istotne jest, by nie eliminować pochopnie źródeł ruchu, które są kluczowe dla początkowych etapów procesu zakupowego klienta. Użytkownicy internetu znajdują się na różnych etapach procesu zakupowego, co oznacza, że nie zawsze odwiedzający sklep internetowy są gotowi do zakupu. Zrozumienie lejka marketingowego, który obejmuje etapy początkowe, środkowe i końcowe – gdzie klienci są już zdecydowani i wiedzą, co chcą kupić – jest kluczowe. Związane jest to również z koncepcją atrybucji konwersji.

Analizując dane, które już posiadamy, i szukając oszczędności, chcąc ograniczyć źródła ruchu, pamiętajmy, że nie wszystkie kanały, które nie przynoszą bezpośrednich wyników sprzedażowych, powinny być eliminowane. Niektóre z nich mogą odgrywać ważną rolę w budowaniu świadomości marki lub wpływać na decyzje zakupowe na dalszym etapie ścieżki klienta. W analizie efektywności różnych źródeł ruchu internetowego istotne jest zrozumienie, że nie wszystkie mają bezpośredni wpływ na sprzedaż. Niektóre z nich są odpowiedzialne za przyciąganie nowych użytkowników i budowanie świadomości marki. Jeśli zdecydujemy się ograniczyć te źródła, ponieważ dane wskazują na ich niską efektywność sprzedażową, możemy w dłuższej perspektywie stracić potencjalne przychody. Brak tych źródeł może oznaczać również zanikanie tych, które zamykają proces sprzedaży.

Kluczowe w temacie lejków jest zrozumienie pojęcia atrybucji konwersji. Nie powinniśmy ograniczać się jedynie do podstawowych modeli atrybucji, które przypisują konwersje wyłącznie źródłom ruchu, które bezpośrednio przyprowadziły użytkownika do serwisu. Ważne jest również uwzględnienie tych źródeł, które towarzyszyły użytkownikowi na różnych etapach lejka zakupowego. Taka wiedza pozwala na świadome zarządzanie budżetami marketingowymi i rozumienie procesów decyzyjnych użytkowników.

Branże, w których proces decyzyjny jest dłuższy i wymaga wielokrotnych wizyt w serwisie, jak na przykład organizatorzy wycieczek zagranicznych, wymagają szczególnie ostrożnego podejścia do atrybucji. Decyzje zakupowe w tych przypadkach często są podejmowane przez okres do trzech tygodni od pierwszej wizyty, co dodatkowo podkreśla znaczenie kompleksowej analizy ścieżek konwersji. W e-commerce, pierwsza wizyta na stronie to dopiero początek drogi klienta, który może obejmować nawet 30 kolejnych wizyt, pełnych porównań i analiz. W tym kontekście kluczowe jest, aby nie tylko sami rozumieliśmy znaczenie każdego elementu tej podróży, ale także abyśmy potrafili wyjaśnić te aspekty osobom z innych działów, które poszukują oszczędności. Szczególną uwagę należy zwrócić na dział finansów i CFO, którzy, opierając się na podstawowych statystykach, mogą dojść do wniosku, że niektóre kanały, takie jak display ads, nie generują sprzedaży i mogą być kandydatami do cięć budżetowych. Jednakże, taka perspektywa nie uwzględnia pełnego obrazu i może prowadzić do decyzji, które długoterminowo przyniosą więcej szkód niż korzyści. CFO, podejmując decyzje o inwestycjach marketingowych bez pełnego zrozumienia specyfiki branży, mogą nieświadomie zaszkodzić potencjałowi wzrostu firmy. Oszczędności kosztów, choć kuszące w krótkim okresie, mogą nie uwzględniać wartości długofalowego budowania marki i utrzymywania relacji z klientami.

Nowi użytkownicy vs powracający użytkownicy

W kontekście oszczędności w budżetach marketingowych, istotne jest również skupienie się na przyciąganiu nowych użytkowników. To wymaga strategicznego podejścia do alokacji środków, które uwzględnia zarówno potrzeby bieżące, jak i przyszłe cele firmy. Zamiast pochopnych cięć, warto analizować dane z narzędzi takich jak Google Analytics, aby zrozumieć, które kanały marketingowe faktycznie przyczyniają się do pozyskiwania wartościowych klientów, a które wymagają optymalizacji. W świecie e-commerce często spotykamy się z podejściem, w którym firmy skupiają swoje działania marketingowe na pozyskiwaniu nowych klientów kosztem dbania o już istniejących. To podejście przypomina strategie firm telekomunikacyjnych, które zdają się preferować werbowanie nowych użytkowników zamiast inwestować w lojalność i zadowolenie obecnych. Analizy wykazują, że koszt pozyskania nowego klienta jest znacznie wyższy niż koszt utrzymania już istniejącego. Dlatego też budowanie sprzedaży i efektywności poprzez ponowne angażowanie obecnych użytkowników może okazać się znacznie korzystniejsze.

Jasnym przykładem efektywnego programu lojalnościowego jest Allegro Smart. Wprowadzenie opłaty abonamentowej, która gwarantuje darmową dostawę przy zamówieniach przekraczających określoną kwotę, sprawia, że klienci są bardziej skłonni do dokonywania zakupów na tej platformie, zamiast szukać alternatywnych ofert.

W kontekście budowania skutecznych strategii marketingowych, kluczowe staje się tworzenie własnego zestawu narzędzi, zamiast polegania wyłącznie na zewnętrznych platformach takich jak Google, Meta, LinkedIn czy ogólnie social media. Po pozyskaniu użytkownika, niezwykle ważne jest zdobycie jego danych kontaktowych, nawet jeśli nie jest on gotowy do natychmiastowego zakupu. Posiadanie tych informacji umożliwia późniejsze nawiązanie kontaktu, na przykład poprzez e-mail, co jest zdecydowanie bardziej efektywne niż ponowne próby dotarcia do niego przez reklamy w sieci, takie jak Google Display Network. 

Jednym z częstych błędów, który może wystąpić podczas próby redukcji kosztów marketingowych, jest nadmierne skupianie się na wskaźniku zwrotu z wydatków reklamowych (ROAS). Zamiast tego, przedsiębiorstwa powinny przyjrzeć się długofalowemu zwrotowi z inwestycji, biorąc pod uwagę wartość klienta (lifetime value, LTV).

Przykładem są biznesy takie jak kluby zakupowe czy banki, które często inwestują w pozyskanie klienta więcej niż wynosi zysk z pierwszej transakcji. Kluczem jest tu długoterminowa strategia, która koncentruje się na powracających użytkownikach i możliwości sprzedaży dodatkowych produktów czy usług (upselling). Budowanie wartości klienta w ten sposób może z czasem znacząco zwiększyć efektywność wydatków marketingowych.

Podsumowanie

Warto pamiętać, że efektywność nie oznacza jedynie obniżania kosztów, ale przede wszystkim zwiększanie przychodów w sposób efektywny. Oznacza to inwestowanie w media i działania online, które przynoszą wzrost przychodów w stosunku do ponoszonych kosztów. Dane są fundamentem efektywności marketingu cyfrowego – zbieramy je i analizujemy, aby w odpowiednim momencie wykorzystać w celu zwiększenia efektywności naszych działań. Analityka online jest jak ubezpieczenie samochodowe dla marketerów – stanowi zabezpieczenie, które pozwala na optymalizację działań i maksymalizację zwrotu z inwestycji. Wprowadzenie analityki online do działalności firmy może początkowo wydawać się kosztowne, lecz jej efektywność, widoczna w znaczącym wzroście przychodów, pozwala na optymalizację tych kosztów. Kluczowe jest zrozumienie, że głównym źródłem wydatków jest kontrola finansowa, czyli controlling. Pokazuje to, jak ważne jest posiadanie dobrze zorganizowanego systemu controllingu, który w moim doświadczeniu powinien obejmować co najmniej dwa poziomy kosztów.

Na drugim poziomie wnikamy w szczegóły, szczególnie istotne w przypadku kampanii marketingowych. To właśnie tutaj dane z analityki internetowej stają się kluczowe, umożliwiając podejmowanie świadomych decyzji. Warto jednak pamiętać, by nie dążyć do oszczędności za wszelką cenę. Zamiast tego, należy skupić się na długoterminowej perspektywie działania, która często przynosi lepsze rezultaty niż krótkowzroczne cięcia kosztów. W świecie e-commerce i digital marketingu, decyzje dotyczące budżetów reklamowych muszą być podejmowane z rozwagą, szczególnie w kontekście ich wpływu na lejek sprzedażowy. Często dział finansów poszukuje oszczędności, co może prowadzić do propozycji odcięcia kampanii, które nie przynoszą bezpośrednich wyników. Jednakże, nie można ignorować ich znaczenia dla budowania świadomości marki. Użytkownicy, którzy zostali osiągnięcia dzięki tym działaniom, mogą wrócić do nas w przyszłości, kiedy będą gotowi do zakupu, i wtedy koszt ich pozyskania może być znacznie niższy.

Z tego powodu, przycinanie budżetów reklamowych na etapie budowania świadomości może mieć długofalowo negatywne konsekwencje. Zanim podejmiemy pochopne decyzje o cięciu kosztów, warto dokładnie przeanalizować dane. Kluczowe jest zrozumienie, co dokładnie jest przyczyną spadku efektywności kampanii. Należy stawiać hipotezy i przeprowadzać testy A/B, aby znaleźć optymalne rozwiązania.

Podsumowując, zanim podejmie się decyzje o redukcji wydatków reklamowych, konieczne jest przeprowadzenie dogłębnej analizy danych. Tylko w ten sposób można uniknąć negatywnych skutków dla całego procesu sprzedażowego i ostatecznie dla wyników finansowych firmy.

The post Rosnące koszty marketingowe – jak szukać oszczędności przy pomocy danych? first appeared on Conversion.

Pierwsze źródło prawdy – punkt odniesienia
Prezentacja danych w Google Analytics
Dane w Google Analytics a RODO
Jaki poziom rozbieżności danych jest akceptowalny?
Jak sprawdzić poziom rozbieżności danych w serwisie?
Rozbieżności w danych w zależności od typu serwisu
Google a inne systemy reklamowe
Jak ograniczyć rozbieżności w danych za pomocą zmian w rejestrowaniu transakcji
Podsumowanie

Pierwsze źródło prawdy – punkt odniesienia

W Conversion najczęściej współpracujemy z serwisami e-commerce, w związku z czym głównym punktem odniesienia w projektach, które realizujemy jest system magazynowo-księgowy. To właśnie on najczęściej stanowi wspomniane wcześniej pierwsze źródło prawdy, względem którego porównujemy inne dane takie jak liczba transakcji czy przychody z tych transakcji.

Gdy mówimy o porównaniu danych z Google Analytics do tych z systemu wewnętrznego firmy (systemu transakcyjnego czy CRM), musimy mieć świadomość, że mówimy o dwóch obszarach porównywania danych – ich trafności oraz dokładności. Zacznijmy od wyjaśnienia tych dwóch kluczowych pojęć.

Trafność vs dokładność w Google Analytics

Trafność a dokładność danych

O trafności mówimy w momencie, gdy jakieś narzędzie zewnętrzne (tutaj Google Analytics) pokazuje dokładnie te same dane, które widzimy w naszym punkcie odniesienia. Na potrzeby tego artykułu przyjmijmy, że w przypadku ecommerc’ów jest to system CRM. Znajdziemy w nim np. dane na temat zamówień złożonych w naszym sklepie. Jeżeli Google Analytics zbiera dane cechujące się trafnością, liczba transakcji będzie równa tej w systemie wewnętrznym.

W przypadku badania dokładności zbieranych danych, nie zwracamy już uwagi na dokładne odwzorowanie danych w ujęciu ilościowym. Tutaj dużo ważniejszym elementem są trendy. Jeżeli w naszym CRM liczba transakcji rośnie w badanym okresie w danym tempie, powinno to być odzwierciedlone również w naszym Google Analytics.

Prezentacja danych w Google Analytics

Google Analytics zbiera – a co za tym idzie – prezentuje dane w oparciu o kilka fundamentów. Pierwszym z nich jest JavaScript, który jest osadzony w serwisie w kodzie źródłowym strony lub wprowadzony w nią za pomocą Google Tag Managera. Uruchamia się on w momencie załadowania strony. Jego zadaniem jest tworzenie i odczytywanie ciasteczek (cookies), które zawierają w sobie unikalne ID użytkownika. W takim wypadku mówimy, że Google Analytics operuje na podstawie JavaScriptów. Jednak nie wszyscy odwiedzający naszą stronę mają włączoną obsługę JavaScriptów czy ciasteczek. Użytkownicy często również wykorzystują wtyczki, które celowo blokują nie tylko reklamy, ale również skrypty Google Analytics. W takiej sytuacji działania wykonane przez użytkownika nie będą śledzone. 

Wróćmy teraz do pojęcia dokładności. Jak wspomnieliśmy wcześniej, główną funkcją Google Analytics jako narzędzia klasy Digital Analytics nie jest jest pokazywanie dokładnie tych samych danych co system wewnętrzny. Jego głównym celem jest to, aby łączyć źródło ruchu użytkownika (miejsce, z którego trafił do serwisu) z jego zachowaniem w serwisie, gdy już do niego trafił. Dzięki temu zarządzający stroną internetową otrzymują informacje potrzebne do oceny tego, jak w zależności od źródeł ruchu i zachowań w serwisie, użytkownik realizuje pożądane przez niego akcje – czyli dokonuje konwersji. Musimy więc pamiętać, że narzędzia do analityki internetowej istnieją po to, aby odpowiadać na pytania dotyczące realizacji celów, które postawiliśmy przed naszym serwisem, a nie do zbierania w 100% dokładnych danych. To niestety nie jest możliwe ze względu na blokowanie części udostępnianych informacji przez użytkowników.

Dane w Google Analytics a RODO

Żyjemy w czasach coraz większej dbałości o prywatność użytkowników (RODO). Od jakiegoś czasu właściciele serwisów muszą aktywnie podchodzić do uzyskiwania zgód użytkowników na tworzenie i wykorzystywanie ciasteczek. Oczywistym jest więc, że im więcej użytkowników wchodzących na nasz serwis tej zgody nie wyrazi, tym rozbieżności w danych będą większe. Z tego powodu, Google Analytics nigdy nie odzwierciedli 1 do 1 danych, które są zbierane w systemie wewnętrznym. Dlatego tak ważne jest badanie trendów, które obserwujemy w CRM i porównywanie ich z tymi notowanymi w Google Analytics 4.

Często podczas współpracy z klientami zdarza się, że gdy nie mamy odnotowanych 100% transakcji w Google Analytics, są one do niego “dosyłane” np. za pomocą measurement protocol. Nie jest to odpowiednie podejście do tematu rozbieżności w danych, z powodu przyczyny, która została wspomniana wcześniej – Analytics służy do oceny efektywności ruchu w zależności od jego źródeł czy zachowań w serwisie – nie do zbierania w pełni kompletnych danych. Jeżeli “doślemy” dane o transakcji z CRMu do Analyticsa, której on sam nie odnotował ze względu na blokady ciasteczek przez użytkownika, nie będziemy mieli informacji o powiązanym z nią źródle ruchu czy zachowaniu użytkownika w serwisie. W efekcie nie będziemy w stanie przyjrzeć się dokładniej tej transakcji i nie uzyskamy o niej wartościowych dla nas informacji.

Pamiętajmy więc przy korzystaniu z narzędzi analityki internetowej o ich głównej funkcji i nie wymagajmy od nich pełnej dokładności i trafności – taka sytuacja nie zdarza się w praktyce. 

Jaki poziom rozbieżności danych jest akceptowalny?

Po dotarciu do tego momentu artykułu, na pewno zastanawiasz się, jaki poziom rozbieżności nie powinien budzić Twojego niepokoju. Załóżmy, że dane które widzisz w Google Analytics cechują się dokładnością – trendy odpowiadają tym widzianym w systemie CRM. Zastanówmy się więc, jaki poziom trafności możemy uznać za odpowiedni.

W projektach, które realizujemy dążymy do poziomu zbieżności danych w Google Analytics z systemami wewnętrznymi na poziomie 85%. Oznacza to, że na 100 transakcji odnotowanych w systemie CRM (rzeczywista liczba transakcji w serwisie), średnio 85 powinno być odzwierciedlonych w danych w Google Analytics.

Jak sprawdzić poziom rozbieżności danych w serwisie?

Na szczęście w serwisach ecommerce istnieje na to prosty sposób. W wewnętrznym systemie transakcyjnym (pierwszym źródle prawdy) mamy dane o wszystkich dokonanych w serwisie transakcjach, wraz z przypisanym do dokonujących ich użytkowników ID. Przy poprawnie skonfigurowanym Google Analytics, będziemy widzieli w nim te same transakcje, z tym samym przypisanym ID.

Należy więc najzwyczajniej w świecie wyeksportować dane z systemu wewnętrznego i porównać je z danymi dostępnymi w Google Analytics, a następnie sprawdzić, ilu ID z systemu CRM brakuje w Analyticsie.

Aby dokonać jak najbardziej wartościowego porównania, należy również zwrócić uwagę na cechy charakterystyczne użytkowników, po których możemy posegmentować dokonane transakcje widoczne w CRM a niewidocznie w Google Analytics. Dzięki temu pojawią się dodatkowe hipotezy na temat tego, z czego mogą wynikać rozbieżności między systemami – a to pierwszy krok do ich ograniczenia.

Rozbieżności w danych w zależności od typu serwisu

Wspomnieliśmy wcześniej, że w większości przypadków 85% zbieżności danych to poziom, do którego powinniśmy dążyć. Po większym zagłębieniu się w temat, odpowiedź nie jest jednak taka zerojedynkowa. Zadowalający nas poziom rozbieżności zależy również od typu serwisu – a dokładniej rzecz ujmując – od charakterystyki użytkowników serwisu.

Wpływ świadomości użytkowników na jakość danych

Musimy zdawać sobie sprawę, że jako marketerzy cechujemy się, generalnie rzecz biorąc, wyższym poziomem świadomości w zakresie korzystania z internetu. Nie oznacza to jednak, że “zwykli” użytkownicy są pod tym kątem homogeniczni. Odzwierciedlenie tego stanu rzeczy jest widoczne również w poziomie rozbieżności w danych.

W serwisach gromadzących bardziej świadomych użytkowników, istnieje większe prawdopodobieństwo, że będą oni mieli wyłączone funkcjonalności przeglądarki, na podstawie których Google Analytics zbiera dane, takich jak JavaScripty czy ciasteczka. Mogą oni blokować również przesyłanie informacji o sobie do narzędzia za pomocą specjalnych dodatków, blokujących nie tylko reklamy, ale również śledzenie ich działań w internecie przez Google Analytics. W przypadku takich serwisów poziom zbieżności danych będzie zauważalnie niższy. Ma to miejsce głównie w przypadku specjalistycznych serwisów, zwłaszcza w branży IT, gdzie poziom zbieżności będzie “sięgał” nawet tylko 40-50%.

Z drugiej strony, w przypadku serwisów odwiedzanych przez średnio mniej świadomych użytkowników internetu, takich jak sklepy z odzieżą czy elektroniką, możemy spodziewać się poziomu zbieżności danych na wspomnianym już wcześniej poziomie 85% lub wyższym.

Google a inne systemy reklamowe

Rozbieżności między systemami wewnętrznymi a Google Analytics, to nie jedyne wyzwanie, z którym spotykają się analitycy. Różnice w danych będą zauważalne również pomiędzy poszczególnymi systemami reklamowymi (przypisanymi do różnych narzędzi marketingu internetowego) a Google Analytics 4. Dzieje się tak mimo tego, że narzędzia te oparte są na tej samej technologii JavaScript. Dlaczego więc tak się dzieje? Odpowiedzi powinniśmy szukać w stosowanym modelu atrybucji.

Atrybucja i interesy platform reklamowych

Dla przykładu weźmy pod lupę system reklamowy Facebooka, czyli Facebook Ads. Będzie on dążył do pokazania możliwie jak największej liczby konwersji dokonanych za pomocą reklam w tym systemie po to, aby przyciągać do siebie zachęconych wynikami reklamodawców. Z drugiej strony Google Analytics odbierający te dane nie ma już takiego interesu. Możemy więc założyć, że dane w Google Analytics 4 powinny być bardziej obiektywne. 

Aby zobrazować tę swego rodzaju wojnę gigantów między firmami, przyjrzyjmy się reklamom w aplikacji mobilnej Facebook’a. Jak większość użytkowników, w naszych telefonach mamy zapewne zainstalowaną przeglądarkę w formie in-app, działającą na tzw. WebView. W takim przypadku, w momencie przejścia z Facebooka na serwis zewnętrzny, nie jest on wyświetlany w nowej przeglądarce, w wyniku czego dostęp do danych z perspektywy Google Analytics jest blokowany. Właśnie dlatego dane dostępne w systemie reklamowym Facebooka zauważą i odnotują tę akcję – w przeciwieństwie do Analyticsa. W wyniku takiego działania, jako reklamodawcy jesteśmy zachęcani do korzystania z danych w systemie reklamowym Mety – bo to właśnie tam zobaczymy te dane.

Podczas analizy danych musimy pamiętać o tych niuansach i wybrać najodpowiedniejszy (najbardziej rzetelny) dla nas model atrybucji, i to nim kierować się w dalszych analizach. Każdy z nich ma swoje wady i zalety, dlatego to decyzja o tym w jaki sposób chcemy analizować dane jest kluczowa – nie chcemy przecież doprowadzić do sytuacji, w której liczba konwersji pochodząca z wykorzystywanych systemów reklamowych kilkukrotnie przewyższa faktyczną liczbę transakcji widoczną w systemie CRM.

Jak ograniczyć rozbieżności w danych za pomocą zmian w rejestrowaniu transakcji

Jednym z najczęściej pojawiających się problemów w temacie rozbieżności danych w ecommerce są te związane z rejestracją transakcji. Pojawiają się one gdy korzystamy z zewnętrznych bramek płatności. W takim przypadku, transakcje domyślnie rejestrowane są po powrocie użytkownika do serwisu. Użytkownicy jednak bardzo często po dokonaniu płatności nie wracają już do serwisu, co powoduje spore rozbieżności…

Kiedy najlepiej zliczać transakcję?

Jak temu zaradzić? Rekomendujemy zliczanie transakcji w Google Analytics tuż przed samym przejściem do zewnętrznej płatności. Z naszych obserwacji wynika, że istnieje zdecydowanie większe prawdopodobieństwo tego, że użytkownik po dokonaniu płatności nie wróci do serwisu, niż to że przejdzie do jej dokonywania i zaraz po tym zrezygnuje. Dzieje się tak ze względu na dwie rzeczy:

• call to action w ecommerce – a raczej to, jak jest ono sformułowane. W większości przypadków brzmi ono “złóż zamówienie z obowiązkiem zapłaty” bądź odpowiednik, sugerujący że w następnym kroku wymagane będzie dokonanie płatności. Skoro użytkownik jest tego świadomy, dużo bardziej prawdopodobne jest, że zrezygnuje przed przejściem dalej, niż wtedy gdy znajdzie się w miejscu, przed którym był poinformawany o obowiązku zapłaty.
• powód nie opłacenia zamówienia – nie opłacenie zamówienia po przejściu do bramki płatności to najczęściej wynik niespodziewanego błędu lub czynników losowych takich jak zapomnienie danych do logowania do banku. Istnieją jednak mechanizmy pozwalające przywrócić wcześniej utracony koszyk i powrót do płatności, co w znacznym stopniu niweluje problem.

Ze względu na powyższe, w celu zniwelowania rozbieżności w danych, rekomendujemy ustawienie zliczania konwersji tuż przed przejściem do bramki płatności.

Podsumowanie

Korzystając z narzędzi do analityki internetowej pamiętajmy, jakie jest ich przeznaczenie i nie traktujmy ich jako jedynego źródła prawdy. Dane zbierane w tego rodzaju narzędziach powinny cechować się dokładnością (a nie trafnością) i to do niej powinniśmy dążyć, a zadowalającym nas poziomem zbieżności w większości przypadków jest 85%. W zależności od typu serwisu nie zawsze będzie to jednak możliwe, i to również powinniśmy mieć na uwadze. W analizach zwracajmy większą uwagę na spójność trendów między Google Analytics a CRM, niż na trafnym odzwierciedleniu liczby transakcji. Dzięki temu świadoma analiza zaprowadzi nas do bardziej wartościowych wniosków!

The post Rozbieżności w danych w Google Analytics – z czego wynikają i jak je zminimalizować? first appeared on Conversion.

Przebudowa polityki prywatności, przymus zbierania i przetwarzania mnóstwa skomplikowanych zgód, a do tego konieczność tworzenia regulaminów lub w skrajnych przypadkach – powoływania oddzielnych stanowisk, chociażby ds. ochrony danych osobowych.

Jeżeli jeszcze kilka miesięcy temu miałbym omówić przepisy RODO w jednym zdaniu, to właśnie wyglądałoby to tak, jak powyżej… Niestety, rzeczywistość okazała się jeszcze bardziej wymagająca niż każdy z nas mógłby przypuszczać. A wszystko przez szczególną “troskę” o bezpieczeństwo danych osobowych – dla państw oraz ludzi z Unii Europejskiej.

Co zrobić, aby działania Analyticsa było zgodne z aktualnymi przepisami, a co za tym idzie – w ten sposób pozwoliło uniknąć widma konsekwencji prawnych oraz finansowych? Właśnie temu obszarowi poświęciłem cały artykuł. Zapraszam do lektury!

Co znajdziesz w tym artykule?
Przepisy RODO kontra funkcjonalności Google Analytics – wprowadzenie
Czy Google Analytics jest legalny? A jeśli nie, to co zrobić, aby taki się stał?
#1 Zrezygnuj z Universal Analytics i skup się na rozwoju Google Analytics 4
Jakie funkcjonalności w Google Analytics 4 pozwalają zmaksymalizować zgodność z RODO?
#2 Oceń potencjalne ryzyko braku zgodności związanej z włączeniem Google Signals
#3 Upewnij się, że Twoja organizacja ma aktualny Data Processing Amendment dla Google Analytics 4
#4 Zależy Ci na jeszcze wyższym poziomie zgodności i bezpieczeństwa?
Zgodność Google Analytics 4 z RODO – podsumowanie

Przepisy RODO kontra funkcjonalności Google Analytics – wprowadzenie

Wcale nie przesadzę, jeśli powiem, że (z perspektywy analityków internetowych oraz wielu innych specjalistów) praktycznie cały 2022 rok stał pod wielkim znakiem zapytania pt.: jak zakończą się rozmowy dwóch stron na temat Transatlantyckich Ram Ochrony Danych (“EU-US Privacy Framework”)?

Patrząc na konkretne deklaracje ze strony prezydenta USA (Joe Bidena) oraz prezydentki UE – Von Der Leien, finał wydaje się naprawdę bliski.

Mam tu na myśli przede wszystkim:

• Ogłoszenie porozumienia w sprawie nowych Transatlantyckich Ram Ochrony Danych pomiędzy UE oraz USA. – (25 Marca 2022 r.).
• Podpisanie rozporządzenia wykonawczego (Executive Order), które zawiera merytoryczne ograniczenia dostępu do danych przez amerykańskie krajowe organy bezpieczeństwa, jak i ustanowiony nowy mechanizmu odwoławczego – dotyczących zarówno merytorycznego ograniczenia dostępu amerykańskich krajowych organów bezpieczeństwa do danych, jak i ustanowienia nowego mechanizmu odwoławczego. (8 Października 2022 r.).

Jeżeli chcesz dowiedzieć się, jakie kolejne kroki będą podejmowane w obszarze bezpieczeństwa danych w UE – zapraszam Cię do lektury tego wpisu. Zawarłem w nim wiele informacji o tym, co wydarzyło się w 2022 rok, a także, co czeka nas w roku 2023. Naturalnie, z perspektywy EU-US Privacy Framework.

Czy Google Analytics jest legalny? A jeśli nie, to co zrobić, aby taki się stał?

Zdania w tej materii są i będą podzielone – przynajmniej do czasu oficjalnego wejścia w życie, wspomnianego już – EU-US Privacy Framework. Jednak tym, czego możemy być pewni na 100 procent, jest fakt, że każda organizacja, która korzysta z GA – powinna jak najszybciej zadbać o bezpieczeństwo danych osobowych swoich klientów. Oczywiście, mając również na szczególnej uwadze postanowienia zawarte w RODO. Jak to zrobić? Dokładne informacje na ten temat czekają na Ciebie w kolejnych akapitach.

#1 Zrezygnuj z Universal Analytics i skup się na rozwoju Google Analytics 4

Na początku warto podkreślić, że wszystkie dotychczasowe wyroki w UE przeciwko Google Analytics odnosiły się do starszej wersji tego narzędzia. Głównym powodem takiego stanu rzeczy był fakt, iż Universal Analytics (UA), według decyzji uprawnionych organów, po prostu nie spełnia już wymagań zawartych w Schrems II.

Mówiąc wprost – Universal Analytics nie posiada wystarczających ustawień, które pozwalałyby w pełni wykluczyć dane personalnie identyfikowalne (tzw. PII). Dodatkowo umożliwia przetwarzanie danych osobowych przez Google LLC w Stanach Zjednoczonych, co jest jednym z filarów obecnego sporu w zakresie wspomnianych Transatlantyckich Ram Ochrony Danych.

W czasie, gdy to UA stanowi główne ryzyko dalszych niezgodności w otoczeniu prawnym, Google postanowiło skupić się w pełni na rozwoju nowej wersji – GA4, która posiada zabezpieczenia oraz ustawienia stworzone z myślą o prywatności użytkowników.

Nowa odsłona najpopularniejszego narzędzia do analityki internetowej ma zapewnić maksymalną możliwą zgodność z RODO – do momentu wejścia w życie Transatlantyckich Ram Ochrony Danych.

Jakie funkcjonalności w Google Analytics 4 pozwalają zmaksymalizować zgodność z RODO?

Jak widzisz – w 2022 roku w obszarze danych i zmiany standardu ich mierzenia działo się naprawdę sporo. Firma Google także nie próżnowała, co zaowocowało wprowadzeniem funkcjonalności pozwalających na znaczne podniesienie zgodności z RODO. Możemy do nich zaliczyć m.in.:

Dane z UE zbierane i przetwarzane na serwerach zlokalizowanych na terenie Unii Europejskiej

Jedną z kluczowych kości niezgody stało się miejsce przechowywania danych użytkowników z Europy, które dotychczas znajdowało się w Stanach Zjednoczonych. Przeniesienie tych procesów na teren europejski może oznaczać finalne rozwiązanie przynajmniej części problemu transferów danych pomiędzy USA i UE, na których skupiały się wszystkie dotychczasowe decyzje organów ochrony danych o niezgodności z prawem.

Aktualnym pozostaje jednak pytanie, czy tak pozostanie. W końcu do tej pory nie ogłoszono ani tym bardziej nie rozpatrywano żadnych spraw po wprowadzeniu tej funkcjonalności. Dlatego z wysuwaniem dalszych wniosków radzę poczekać, aż do ostatecznego wejścia w życie “EU-US Privacy Framework”.

Google Analytics 4 nie rejestruje adresów IP

Na początku Google ograniczył tę aktywność do zwykłej anonimizacji adresów IP (tzw. IP Anonymization). Sytuacja zmieniła się, gdy Garante (włoskie UODO), uznało tę funkcjonalność za niewystarczającą. Gigantowi z USA nie pomógł skrócony adres IP, który wg. decyzji organów, dalej pozwalał gromadzić dane osobowe o urządzeniu oraz przeglądarce. Z tego powodu podjęto decyzję o całkowitym zaniechaniu rejestrowania adresów IP przez GA4.

Pełna treść tej decyzji znajduje się tutaj: https://www.garanteprivacy.it/home/docweb/-/docweb-display/docweb/9782874

Nadal chcesz korzystać z takiej opcji? Pamiętaj, że adres IP w GA4 powinien być używany wyłącznie do standardowej komunikacji oraz do wysokopoziomowej informacji o lokalizacji, a następnie – odrzucany.

Regionalne kontrole dla Google Signals

Funkcjonalność Google Signals stwarza ryzyko pojawienia się niezgodności z RODO w niektórych krajach, takich jak: Austria, Francja czy Włochy.

Warto pamiętać, że Google Analytics daje możliwość włączenia lub wyłączenia Google Signals dla określonych regionów. A to z kolei umożliwia dopasowanie konkretnych opcji do równie konkretnych obszarów: włączając na rynkach o niższym ryzyku zgodności lub wyłączając w regionach, w których może stanowić istotny problem.

Dodatkowa kontrola gromadzenia granularnych danych dotyczących lokalizacji i urządzeń

Dotychczas (czyli w poprzednich wersjach GA), dane o urządzeniach i lokalizacjach były gromadzone w sposób automatyczny. GA4 daje możliwość zaprzestania zbierania tych granularnych danych – już na poziomie danego kraju.

Rezygnując z agregowania takich informacji, łatwo wyeliminujesz wiele punktów styku, które przez regulacje prawne tj. RODO, zostały określone jako personalnie identyfikowalne tzw. PII.

Musisz jednak mieć na uwadze, że wyłączenie takich funkcjonalności będzie miało znaczący wpływ na ilość oraz jakość gromadzonych danych. A to, jak pewnie się domyślasz, będzie wiązało się z poważnymi konsekwencjami z zakresu raportowania – usuwając możliwość wykonywania jakichkolwiek analiz lokalizacji czy urządzeń.

Wdrożenie polityki zarządzania zgodami z wykorzystaniem Consent Mode

Na wstępie musisz mieć pewność, że użytkownicy Twojej strony internetowej mają wgląd do aktualnej polityki prywatności, która jest zgodna z zaleceniami zespołu ds. ochrony prywatności. Zapisy polityki Twojej firmy muszą informować o tym, jakie dane osobowe są gromadzone, w jaki sposób są wykorzystywane, a także, czy dochodzi do ich przetwarzania poza Unią Europejską (i/lub przez organizacje międzynarodowe).

Ten poziom przejrzystości oraz gromadzenia danych musi stać się częścią procesu wyrażania zgody przez każdego użytkownika, który odwiedza Twoją stronę.

#2 Oceń potencjalne ryzyko braku zgodności związanej z włączeniem Google Signals

Bez wątpienia funkcja Google Signals niesie za sobą wiele biznesowych korzyści. Łatwo dostrzec je zwłaszcza w działaniach remarketingowych, które dają Ci możliwość tworzenia sprofilowanych list odbiorców, czy zaawansowanej analizy użytkowników. Jest jednak jedno małe “ale” – pod warunkiem, że masz pewność, że w ogóle możesz z niej korzystać.

Kluczowe dla problemu zgodności Google Signals z RODO jest zbieranie dodatkowego identyfikatora użytkownika, gdy jest on zalogowany do usługi Google (np. poczty Gmail, przeglądarki Chrome, itp.) – w tej samej przeglądarce, z której wchodzi na stronę internetową.

Głównym powodem zagrożenia jest wspomniany identyfikator (tzw. Google ID) oraz powiązanie go z identyfikatorem pierwszej strony (tzw. Client ID). Nadal nie jest bowiem do końca jasne czy dodatkowa czynność przetwarzania, którą podejmuje Google, jest objęta nowszymi zmianami architektonicznymi w celu zapewnienia większej ochrony prywatności z GA4.

Aby mieć pewność, że ten obszar działalności Twojej organizacji jest zgodny z aktualnymi przepisami – zalecam skonsultowanie się z zespołem ds. danych osobowych.

#3 Upewnij się, że Twoja organizacja ma aktualny Data Processing Amendment dla Google Analytics 4

Nawet jeśli wydaje Ci się, że wykonano wszystkie niezbędne czynności, to musisz wziąć pod uwagę, że zawsze coś może pójść nie do końca zgodnie z założeniami. Właśnie dlatego tak istotne jest, aby wykorzystanie GA4 (a co za tym idzie – jego zgodność z RODO), zostało dokładnie zweryfikowane przez zespoły ds. ochrony prywatności.

Proces ten musi obejmować ocenę środków technicznych i operacyjnych stosowanych w celu ochrony danych, zarówno przez organizację, jak i Google. W przypadku złożenia skargi przeciwko Twojej organizacji, posiadanie dokumentacji z tych ocen będzie miało kluczowe znaczenie dla wykazania zgodności. Dokumentacja ta powinna zawierać szczegółowe informacje na temat gromadzonych i przetwarzanych danych, rodzajów danych osobowych, sposobu wykorzystania danych, oceny wszelkich zagrożeń dla użytkowników oraz zabezpieczeń wdrożonych w celu zmniejszenia zagrożeń.

#4 Zależy Ci na jeszcze wyższym poziomie zgodności i bezpieczeństwa?

W takim razie koniecznie rozważ zastosowanie tzw. Server-Side GTM. Jest to rozwiązanie, które pozwala łączyć dane pochodzące z wielu narzędzi (m.in. Analytics, Google Ads, czy Meta), a następnie – przetwarzać je bezpośrednio po stronie serwera należącego do Twojej organizacji. Ponadto, tzw. ssGTM daje opcję strumieniowego przesyłania danych First Party do własnych hurtowni, które mają ten sam format oraz strukturę, co sam Google Analytics 4. Poza lepszą ochroną danych, pozwala również na automatyzację procesów raportowania. Wspiera, chociażby analizę zachowań użytkowników, a także jest pomocnym narzędziem zarówno przy wyznaczaniu, jak i mierzeniu wybranych KPI.

Oczywiście tematyka Server-Side GTM jest bardziej złożona. Jeżeli chcesz się w nią zagłębić – więcej wartościowych informacji czeka na Ciebie w tym artykule: Server side tagging – czym jest i jak działa?

Zgodność Google Analytics 4 z RODO – podsumowanie

Jak widzisz – wiele niejasności, wysoki poziom skomplikowania samych przepisów, jak i różne podejście do ich interpretacji (np. w zależności od regionu) sprawiają, że zgodność GA4 z RODO nie zawsze da się określić za pomocą kilku prostych zabiegów.
Jeżeli zależy Ci na tym, aby działania Twojej firmy były w pełni legalne – pamiętaj, aby podejść do tego procesu z dużą ostrożnością, a co najważniejsze – zaangażować specjalistów reprezentujących różne dziedziny (od analityków, programistów, aż po ekspertów z zakresu ochrony danych).

A jeśli uważasz, że Twojej firmie przyda się wsparcie profesjonalnych konsultantów “z zewnątrz” – skorzystaj z pomocy Conversion. Z przyjemnością podzielimy się swoją wiedzą i doświadczeniami, aby ułatwić Ci dostosowania się do nowych przepisów.

*** WAŻNE: Treść niniejszej publikacji nie stanowi porady lub informacji prawnej, lecz ma na celu wyłącznie opisanie istniejącej obecnie sytuacji oraz możliwych sposobów działania. W związku z tym publikacja nie powinna być podstawą do podejmowania jakichkolwiek decyzji związanych z obowiązującymi przepisami prawa.

Należy pamiętać, że prawo ulega ciągłym zmianom, w związku z czym treść publikacji mogła się zdezaktualizować. Ponadto artykuł nie uwzględnia indywidualnych okoliczności, które w danym przypadku mogą być bardzo istotne, lecz stanowi jedynie opis ogólnej sytuacji związanej ze stosowaniem Google Analytics. ***

The post Google Analytics, a RODO. Jak uzyskać maksymalną zgodność? first appeared on Conversion.

Jeżeli choć trochę interesujesz się analityką – doskonale zdajesz sobie sprawę z tego, że trafne decyzje biznesowe można podejmować wyłącznie w oparciu o rzetelne dane. Z kolei bazując na informacjach zawierających w sobie błędy – możesz nie tylko nie wykorzystywać w pełni możliwości rozwoju Twojej organizacji, ale przede wszystkim – doprowadzić do tego, że podejmowane działania będą kompletnie nieskuteczne i dodatkowo – narażą Twoją firmę na straty.

Dlaczego dobre dane to podstawa?

Wiarygodne dane są kluczowym i niezbędnym czynnikiem, który pozwala minimalizować ryzyko podjęcia błędnej decyzji, od której mogą zależeć losy projektu, pracownika, czy nawet całego przedsiębiorstwa.

Można mnożyć przykłady przedsięwzięć, które borykały się z różnymi problemami, których geneza miała przynajmniej jeden wspólny mianownik – złe dane. Firmy handlowe działające na rynku internetowym, które nie rejestrowały w swoich systemach 50% transakcji z wykorzystaniem zewnętrznych systemów płatności. Firmy, które podejmowały błędne decyzje inwestycyjne, tylko dlatego, że bazowały na niepoprawnych informacjach z rynku. Biznesy, które ufając niepoprawnym danym, spoczywały na laurach i nie podejmowały się optymalizacji działań, nie wykorzystując tym samym możliwości. I tak dalej, i tak dalej. Mówiąc ogólnie – organizacja podejmuje złe decyzje, gdy ma złe dane.

Co znajdziesz w tym artykule?
Z jakimi błędami możesz się spotkać przy zbieraniu danych za pomocą GA?
1. Zbyt mała liczba transakcji w GA względem systemu CRM
2. Zbyt duża liczba transakcji w GA w odniesieniu do CRM
3. Zbyt niski współczynnik odrzuceń
4. Zbyt duży udział ruchu oraz konwersji pochodzących ze źródła referral
5. Brak wdrożenia poprawnego kodu śledzącego na wszystkich stronach
6. Podejmowanie decyzji na podstawie próbkowanych danych
7. Brak ustawionej waluty transakcji
8. Niewłaściwe przechowywanie danych na temat użytkowników
9. Zbyt duża liczba unikalnych wartości w raportach
10. Występowanie bramek płatnościowych w kanale “referral”
11. Brak konfiguracji konwersji w GA4
12. Brak konfiguracji filtrów wewnętrznego ruchu
13. Zbieranie niewłaściwych danych, pozwalających na identyfikację użytkowników
14. Brak uruchamiania odsłon dla SPA
15. Całkowity brak lub istotne problemy z raportowaniem danych typu real-time
16. Brak lub błędna konfiguracja Consent Mode
16 błędów w Google Analytics, które sprawiają, że zbierasz niepoprawne dane – podsumowanie

Z jakimi błędami możesz się spotkać przy zbieraniu danych za pomocą GA? Poznaj 16 głównych przykładów.

W poniższym artykule przedstawię Ci aż 16 oznak, że zbierane przez Ciebie dane są niepoprawne i konieczne będzie przeprowadzenie audytu instalacji oraz konfiguracji Google Analytics.

1. Za mało transakcji – dużo mniej transakcji w GA niż w CRM

Zawsze warto porównać zgodność danych GA z danymi z naszego systemu CRM. Jeżeli rozbieżność wynosi maksymalnie 20% – zakładamy, że dane zbierają się prawidłowo. Skąd wynika ta różnica? Część użytkowników (około 10% w Polsce) nie jest wcale śledzona, ponieważ korzysta z programów do blokowania reklam, blokuje wywoływanie skryptów śledzących czy też korzysta z opcji opt-out. W przypadku serwisów, z których korzysta wielu zaawansowanych użytkowników (jak np. https://conversion.pl/wiedza/blog/ ), czy stronach o grach komputerowych, programowaniu itp. – liczba użytkowników, którzy nie są śledzeni, może dochodzić nawet do 30%. A skoro użytkownik nie jest śledzony, to również jego transakcje nie zostaną zaraportowane do GA. Natomiast pojawią się one w CRM-ie. Pomimo tej różnicy ok. 85% transakcji powinno być spójnych i mieć takie same wartości zarówno w CRM, jak i w GA.

W przypadku większych rozbieżności zakładamy, że dane są niepoprawnie raportowane do Google Analytics. Aby to sprawdzić – analizujemy i porównujemy dane w segmentach: jak wygląda pokrycie transakcji za przedpłatą, a jak gdy użytkownik płaci za pobraniem.

W 20% serwisy rejestrują transakcje po jej opłaceniu na stronie podziękowania. Często użytkownicy po przeniesieniu do zewnętrznego systemu płatności nie wracają na stronę podziękowania, na której umieszczony jest kod transakcji. Wówczas takie zakupy w ogóle nie są rejestrowane.

Rozwiązaniem jest umieszczenie kodu śledzącego przed przekierowaniem do zewnętrznego serwisu płatności. Należy pamiętać, aby umieścić go na tzw. splash page, czyli stronie przejściowej, która wyświetla się przez kilka sekund. To da pewność, że dane zostaną przesłane do Google Analytics. Oczywiście, zdarza się, że użytkownicy po przejściu ostatecznie nie dokonują zakupu, jednak dotyczy to niewielkiej liczby użytkowników.

Poprawnie transakcje śledzi sklep Merlin.pl – zanim użytkownik zostanie przekierowany na stronę płatności PayPal kod transakcji może się wywołać na splash page

2. Za dużo transakcji – więcej transakcji w GA niż w CRM

Z uwagi na fakt, iż w CRM raportowane są wszystkie transakcje – sytuacja, w której mamy więcej transakcji w GA niż w CRM-ie, z pewnością świadczy o tym, że dane zbierają się niepoprawnie. Przyczyną błędu jest podwójne wywoływanie kodu transakcji na stronie podziękowania. Może to się zdarzyć w kilku przypadkach, np.: gdy użytkownik powróci na stronę podziękowania, odświeży ją albo przejdzie z linku umieszczonym w e-mailu, który otrzyma po zakończeniu transakcji.

To czy kod transakcji wywołuje się poprawnie, możemy szybko sprawdzić na naszym koncie Google Analytics.

W sekcji Konwersje – Transakcje sprawdzamy jaka jest liczba ID transakcji. W tym przypadku widzimy, że raport ma 1141 rzędów i takiej liczbie transakcji zostało nadane ID.

W sekcji Ogólem widzimy ile transakcji zliczył Google Analytics. 1146, czyli 5 transakcji zostało wywołanych podwójnie. Jako, że Google Analytics wykorzystuje te dane to wszystkich innych raportów i metryk (takich jak współczynnik konwersji), mamy nieprawdziwy obraz i zbieramy nierzetelne dane.

Jeśli Twoje kody wywołują się podwójnie, to należy wprowadzić zmiany w konfiguracji kodów e-commerce, tak aby dana transakcja raportowała się tylko jeden raz.

3. Za niski współczynnik odrzuceń

Jeżeli zauważysz, że współczynnik odrzuceń na Twojej witrynie jest wyjątkowo niski, powinieneś nabrać nieco podejrzeń. Być może Twoja witryna faktycznie tak angażuje użytkowników, że masowo przechodzą oni na kolejne strony. Jednak, gdy współczynnik odrzuceń w Twoim serwisie jest niższy niż 20% – o wiele bardziej prawdopodobne jest, że dane zbierane są niepoprawnie.

Jeżeli użytkownik wejdzie do naszego serwisu i nie przejdzie na kolejną stronę – Google Analytics zlicza to jako odrzucenie. Jednak w przypadku, gdy na stronie podjęta zostanie jakaś akcja (np. taka, która wywoła zdarzenie) – współczynnik odrzuceń nie jest zliczany.

W wielu serwisach przejście na poszczególne zakładki nie powoduje przeładowania się strony, i to, jak użytkownicy poruszają się w tym obrębie, śledzone jest za pomocą zdarzeń lub wirtualnych odsłon.

Jeżeli stroną wejścia jest karta produktu z zakładką, event o tym, że użytkownik jest w danej zakładce może zostać automatycznie wysłany do Google Analytics zaraz po wejściu na stronę. Wówczas współczynnik odrzuceń nie zlicza się, nawet jeżeli użytkownik spędził na stronie 5 sekund i natychmiast ją opuścił. W rezultacie analitycy i zarząd zachwycają się niskim współczynnikiem odrzuceń na podstawie raportów, które mają niewiele wspólnego z rzeczywistością.

Rozwiązaniem jest stosowanie eventów non-interaction. Zdarzenia non-interaction nie wpływają na zliczanie współczynnika odrzuceń. Ustawienie zdarzeń non-interaction wymaga dodania jednego parametru w kodzie zdarzenia.

Taki błąd popełnia LeroyMerlin.pl. Gdy trafiłem na serwis (stroną wejścia była karta produktu) od razu wywołał się event o nazwie Karta produktu – zakładki i etykiecie szczegóły. Mimo, że wyszłam ze strony po kilku sekundach, na koncie Google Analytics LeroyMerlin.pl moja wizyta nie została zliczona jaka odrzucenie.

4. Duży % ruchu oraz konwersji ze źródła referral

Znaczący procent ruchu oraz konwersji ze źródła referral w raportowanych danych może świadczyć o tym, że kampanie wewnętrzne są śledzone za pomocą parametrów UTM. A to z kolei oznacza, że wizyty i konwersje są przypisywane do źródła referral z medium przekazywanego w ramach parametru.

Kampanie wewnętrzne to wszelkie aktywności prowadzone w ramach naszego serwisu, które mają zachęcić użytkownika do kliknięcia w nie i przejścia do strony docelowej danej kampanii. Są to wszelkiego rodzaju heroshoty, bannery, boxy itp. Jednym słowem – wszystko to, co ma za zadanie zwrócić na siebie uwagę użytkownika i spowodować, że kliknie na dany element.

Częstym niedopatrzeniem jest wykorzystywanie do tego celu wspomnianych już parametrów. Niestety, wiele osób nie zdaje sobie sprawy z tego, że to istotny błąd, który wpływa negatywnie na rzetelność gromadzonych danych. Parametry UTM (źródło, medium, nazwa kampanii, słowo kluczowe i zawartość) służą do oznaczania tylko kampanii zewnętrznych. Dzięki nim dane zebrane w Google Analytics są łatwe do analizy i możemy skutecznie porównywać je w czasie.

Dlaczego nie powinniśmy oznaczać parametrami UTM kampanii wewnętrznych?

Załóżmy, że użytkownik trafił na stronę główną z newslettera. W momencie, kiedy kliknie w baner przenoszący go na kartę produktu, parametry UTM nadpiszą właściwie źródło, z którego użytkownik trafił do naszego serwisu. Nie mamy później możliwości śledzić go jako użytkownika z newslettera, a dodatkowo odwiedziny zostaną naliczone jako podwójne (wejście z newslettera i wejście z kampanii wewnętrznej).

Sposobów na śledzenie kampanii wewnętrznych jest wiele. Można w tym celu wykorzystać śledzenie zdarzeń lub zmienne niestandardowe czy też wyszukiwanie w witrynie.

BZWBK niepoprawnie śledzi kampanie wewnętrzne. Do serwisu trafiłam z kampanii CPC, następnie ze strony głównej przeszłam na stronę docelową Kredytu Gotówkowego. Do adresu URL dodany został parametr utm_source=bzwbk_slider. Tym samy na koncie Google Analytics nie odnotuje się moja ścieżka: CPC – Slider na stronie głównej.

5. Brak poprawnego kodu śledzącego na wszystkich stronach

Najprostszy możliwy błąd, jaki może się pojawić, czyli brak kodu śledzącego na wszystkich stronach. Istnieją narzędzia, za pomocą których da się łatwo sprawdzić, czy kod jest umieszczony na każdej podstronie (służy do tego m.in. GA Checker, który na ten moment nie współpracuje jeszcze z GA4).

GA Checker – narzędzie do sprawdzania czy kod śledzący jest na wszystkich stronach w serwisie.

6. Opieranie swoich decyzji o próbkowane dane

Jeżeli na co dzień operujesz na stosunkowo małej ilości danych – prawdopodobnie nie masz się o co martwić. Standardowa konfiguracja Google Analytics daje bowiem dostęp do niepróbkowanych danych, a co za tym idzie – zapewnia wgląd do kompletnych informacji na temat ruchu czy zachowania użytkowników.

Na czym polega różnica między ruchem próbkowanym a niepróbkowanym?

Próbkowanie danych nie polega na analizowaniu kompletnych informacji, a jedynie podzbiorów zebranych danych. To oznacza, że nie są one w 100% wiarygodne i z pewnością nie powinny być podstawą Twoich raportów.

Wspomniane próbkowanie w GA4 dotyczy następujących progów (odnoszących się do widoku w ramach konkretnego zakresu dat):

• 10 000 000 zdarzeń / zapytań dla Google Analytics 4.
• 1 000 000 000 zdarzeń / zapytań dla Google Analytics 4 360.

Z kolei dla poprzedniej wersji prezentuje się to następująco.

• 500 000 sesji dla standardowego Google Analytics.
• 100 000 000 sesji dla Google Analytics 360.

7. Brak waluty

Aspekt szczególnie istotny, jeśli Twój biznes polega na sprzedaży online (e-commerce). I o ile w poprzedniej wersji Google Analytics nie wymagał uzupełniania tego parametru, o tyle w GA4 jest już on obowiązkowy. Waluty należy oznaczać za pomocą odpowiednich kodów, które są zgodne ze standardami ISO (dla złotówek będzie to PLN, dla euro – EUR, dla dolarów – USD, dla funtów brytyjskich – GBP, franków szwajcarskich – CHF, i tak dalej).

Ważne: nawet jeśli Twój sklep internetowy operuje tylko jedną walutą – i tak warto zawrzeć taką informację w Google Tag Managerze. Brak jego konfiguracji narazi Cię na poważne problemy związane m.in. ograniczeniem dostępu do informacji na temat Twoich przychodów (m.in. ich źródeł).

8. Błędne przechowywanie danych o użytkownikach

W Google Analytics 4 możesz spotkać się z dwoma rodzajami raportów – standardowymi oraz eksploracjami. Pierwsze agregują i przechowują informacje przez cały czas. Z kolei drugie – robią to przez pewien okres, który domyślnie wynosi 2 miesiące (w ustawieniach GA4 możesz dokonać jego zmiany na 14 miesięcy). Dotyczy to danych na poziomie użytkownika. Jeżeli zależy Ci na porównywaniu danych z okresów przekraczających 14 miesięcy – New Google Analytics 360 daje możliwość ustawienia retencji danych nawet do 50 miesięcy.

W przypadku Universal Analytics możesz wybierać pomiędzy okresami: 14, 26, 38, 50 miesięcy lub zdecydować, aby dane w ogóle nie wygasały. Ten aspekt dotyczy przechowywania danych na poziomie użytkownika oraz zdarzenia.

Pamiętaj, że ustawienie przechowywania danych ma wpływ tylko na raporty Eksploracji i nie dotyczy raportów standardowych.

9. Zastosowanie zbyt dużej liczby unikalnych wartości

Kolejnym czynnikiem, który może zaburzyć lub całkowicie zepsuć Twoje dane w GA, jest ten związany z tzw. cardinality, czyli mocą zbioru. Dotyczy on bezpośrednio zastosowania wartości (np. takich, jak client ID), których zbyt duża liczebność może spowodować, że pozyskiwane przez Ciebie informacje zostaną zakwalifikowane do niechcianego “(other)”.

Aby tego uniknąć albo przynajmniej maksymalnie ograniczyć ryzyko pojawienia się takiej klasyfikacji – staraj się korzystać z raportów standardowych, a także wstępnie zdefiniowanych wymiarów. Jeżeli korzystasz z GA w wersji 360 – z tym obszarze z pomocą mogą Ci przyjść również tzw. Automatic Custom Tables, które dadzą Ci dostęp do rozszerzonych zestawów danych.

10. Pojawienie się bramek płatnościowych w kanale “referral”

Jak sama nazwa wskazuje – ten przypadek dotyczy błędnego zakwalifikowania źródeł ruchu, jakimi są tzw. payment gateways (w tym m.in. PayPal, PayU, Przelewy24 i wiele innych).

Otóż, działania użytkownika, który opuszcza Twoją stronę “na chwilę”, jedynie po to, aby opłacić swoje zamówienie – mogą zostać zakwalifikowane jako nowy ruch, który generuje właśnie dana bramka płatnicza. To z kolei może prowadzić do zaburzenia danych, które “rzekomo” mogłyby świadczyć o tym, że tego typu serwisy przynoszą Ci klientów (w trakcie, gdy tak naprawdę stanowią tylko element niezbędny do sfinalizowania transakcji).

11. Brak konfiguracji konwersji w Google Analytics 4

Popełnienie tego błędu może być fatalne w skutkach, ponieważ doprowadzi do sytuacji, w których Twoje raporty dedykowane pod konwersje staną się całkowicie bezużyteczne.

Jeżeli zależy Ci na możliwości śledzenia, analizowania oraz wyciągania wniosków na temat skuteczności Twoich działań związanych z konwersją – pamiętaj o skonfigurowaniu Twojego Google Analytics właśnie pod tym kątem. Szczegółowe informacje wraz z instrukcją dostarczam sam Google, a znajdziesz je w tym miejscu.

Warto mieć na względzie również ograniczenia związane z liczbą konwersji. Standardowa wersja GA4 pozwala na ustalenie 30, z kolei GA4 w wersji 360 – aż 50.

Źródło: Google Analytics

12. Brak konfiguracji filtrów wewnętrznego ruchu

Specyfika Twojej działalności sprawia, że Twój serwis internetowy odwiedzają nie tylko zewnętrzni, ale również wewnętrzni użytkownicy (w tym deweloperzy, agencje, a nawet “zwykli” pracownicy)?

Jeśli tak – pamiętaj, aby wdrożyć odpowiednie filtry, które pozwolą Ci oddzielić taki ruch wewnętrzny od ruchu pochodzącego z zewnątrz. W innym wypadku dane, które otrzymujesz, mogą być nie tylko bardzo zniekształcone, ale przede wszystkim – mogą doprowadzić Twoją firmę do wyciągania bardzo błędnych wniosków.

Źródło: Google Analytics

13. Zbieranie niewłaściwych danych, pozwalających na identyfikację użytkowników

Ochrona danych osobowych to jeden z najgorętszych tematów, które spędzają sen z powiek niejednej firmie opierającej swoją działalność na Internecie.

W związku z powyższym – koniecznie upewnij się, że konfiguracja Twojego Google Analyticsa nie przewiduje śledzenia takich informacji, jak: imię, nazwisko, numer telefonu czy adres e-mail. Taka sytuacja może mieć miejsce np. wówczas, gdy Twój CMS automatycznie tworzy nowe podstrony (dotyczące płatności, szczegółów zamówienia, wysyłki itp.) – generowane, chociażby na bazie wprowadzonych przez klientów danych.

14. Brak uruchamiania odsłon dla SPA (dynamicznych stron – aplikacji jednostronicowych)

Jeżeli Twoja strona opiera się na działaniu JavaScriptu, który generuje jej treść dynamicznie (a co za tym idzie – nie powoduje konieczności przeładowywania serwisu lub przechodzenia do kolejnych podstron) – podstawowa konfiguracja Google Analytics nie zanotuje dla Ciebie odsłon.

Rozwiązaniem tego problemu może być odpowiednia konfiguracja Google Tag Managera. Szczegóły na ten temat czekają na Ciebie w tej oficjalnej dokumentacji udostępnionej przez firmę Google.

15. Brak lub problemy z raportowaniem danych w czasie rzeczywistym

Musisz wiedzieć, że sukcesywnie Google odchodzi od wspierania “starszej” wersji Analyticsa. Jeżeli zaczynasz dostrzegać, że Twoje raporty w czasie rzeczywistym agregują zbyt mało lub też zbyt dużo danych – jest to kolejna oznaka, że warto pomyśleć o jak najszybszej “przesiadce” na nowszą wersję, czyli Google Analytics 4.

16. Całkowity brak lub błędna konfiguracja Consent Mode

Błędne podejście do przyjmowania zgód, a także agregacji cookiesów może mieć nie tylko wymiar stricte analityczny, ale również narazić Twoją firmę na poważne problemy prawne i finansowe. Otóż, aby mieć pewność, że wszystkie dane na temat użytkowników są zbierane w prawidłowy sposób – musisz pamiętać o zastosowaniu tzw. Consent Mode. Więcej na ten temat przeczytasz również na naszym blogu.

16 błędów w Google Analytics, które sprawiają, że zbierasz niepoprawne dane – podsumowanie

Podstawą skutecznej analizy, na podstawie której możesz wyciągać wnioski prowadzące do wzrostu zysków, są oczywiście poprawne dane. Dla serwisów typu e-commerce dane dotyczące transakcji to zdecydowanie najistotniejsza informacja.

Natomiast poprawne śledzenie wszystkich stron w serwisie, współczynnika odrzuceń oraz źródeł ruchu jest bardzo istotne dla każdej strony internetowej.

Biorąc pod uwagę liczbę błędów, jaka pojawia się przy okazji konfiguracji śledzenia, konieczna jest weryfikacja poprawności zbieranych danych, co można prosto sprawdzić, zwracając uwagę na 16 oznak, które szerzej omówiłem w powyższych akapitach. Dla przypomnienia oraz lepszego utrwalenia Twojej wiedzy – pamiętaj, że sygnałami świadczącymi o tym, że z Twoimi danymi z GA może być coś “nie tak”, są:

1. Zbyt mała liczba transakcji w GA względem systemu CRM
2. Zbyt duża liczba transakcji w GA w odniesieniu do CRM
3. Zbyt niski współczynnik odrzuceń
4. Zbyt duży udział ruchu oraz konwersji pochodzących ze źródła referral
5. Brak wdrożenia poprawnego kodu śledzącego na wszystkich stronach
6. Podejmowanie decyzji na podstawie próbkowanych danych
7. Brak ustawionej waluty transakcji
8. Niewłaściwe przechowywanie danych na temat użytkowników
9. Zbyt duża liczba unikalnych wartości w raportach
10. Występowanie bramek płatnościowych w kanale “referral”
11. Brak konfiguracji konwersji w GA4
12. Brak konfiguracji filtrów wewnętrznego ruchu
13. Zbieranie niewłaściwych danych, pozwalających na identyfikację użytkowników
14. Brak uruchamiania odsłon dla SPA
15. Całkowity brak lub istotne problemy z raportowaniem danych typu real-time
16. Brak lub błędna konfiguracja Consent Mode

Chcesz, upewnić się, że Twój Google Analytics jest prawidłowo skonfigurowany, a dane, które otrzymujesz – są maksymalnie zbliżone do rzeczywistych?

Skorzystaj ze wsparcia doświadczonych ekspertów do analityki internetowej Conversion. Gruntownie przeanalizujemy bieżącą konfigurację Twojego narzędzia, zapoznamy się ze specyfiką Twojego biznesu oraz Twoimi potrzebami, aby na końcu udzielić Ci fachowej informacji zwrotnej.

Zaciekawił Cię temat zbierania niepoprawnych danych w GA, a wiedzę zawartą w tym artykule uważasz za wartościową? Jeśli tak to koniecznie sprawdź wpis na naszym blogu mówiący o 7 rzeczach, które musisz sprawdzić po migracji na Google Analytics 4.

The post Błędy w Google Analytics: 16 sygnałów, że zbierasz niepoprawne dane first appeared on Conversion.

Niepoprawne śledzenie transakcji jest jednym z najczęściej popełnianych błędów. Aż 45% przebadanych serwisów e-commerce popełnia co najmniej jeden błąd w śledzeniu transakcji.

Poprawne zbieranie danych jest podstawą skutecznej analityki internetowej. Dlatego też aby mieć pewność, że dane które zbieramy w Google Analytics są poprawne należy przeprowadzić audyt i porównać dane dotyczące transakcji z danymi z CRM. Jeżeli rozbieżność to 10%-15% zakładamy, że dane zbierają się prawidłowo.

Skąd wynika ta różnica? Część użytkowników (ok. 10% w Polsce) nie jest wcale śledzona, ponieważ korzysta z programów do blokowania reklam, blokuje wywoływanie skryptów śledzących czy też korzysta z opcji opt-out. W przypadku serwisów z których korzysta wielu zaawansowanych użytkowników jak np. https://conversion.pl/wiedza/blog/ czy serwisy o grach komputerowych, programowaniu itp. liczba użytkowników którzy nie są śledzeni może dochodzić nawet do 30%.  A skoro użytkownik nie jest śledzony, to również jego transakcje nie zostaną zaraportowane do Google Analytics natomiast pojawią się w CRM-ie. Pomimo tej różnicy ok. 80% transakcji powinno być spójnych i mieć takie same wartości w CRM i w Google Analytics.

Sprawdzanie danych z CRM jest również niezwykle istotne w przypadku testów A/B gdyż w porównaniu uwzględniamy tylko te transakcje, które były spójne (w tym wersja wylosowana przez użytkownika) w Google Analytics i CRM.

Jak sprawdzamy zgodność danych pomiędzy CRM a Google Analytics

1. Pobranie danych o liczbie transakcji z Google Analytics (wykorzystujemy opcję eksportu danych).

Obraz 1. dane o liczbie transakcji z Google Analytics

Aby pobrać dane o transakcjach wybieramy raport z grupy Konwersje -> Ecommerce -> Transakcje, a następnie eksportujemy dane do Excela, korzystając z przycisku „Eksportuj”. Eksplorując dane z Google Analytics należy pamiętać, że do Excela zostaną przekazane dane które widzimy na ekranie, czyli standardowo 10 wierszy. Jeśli w danym okresie liczna transakcji jest większa, to należy przed eksportem zwiększyć liczbę wyświetlanych wierszy.

2. Pobieramy dane z systemu CRM dla poszczególnych transakcji. Pobierając dane z sytemu CRM należy pamiętać, aby wybrać taki sam okres za jaki wyeksportowaliśmy dane z Google Analytics.

3. Połączenie danych z Google Analytics i CRM (korzystając z metody INDEX-MATCH).

Obraz 2. dane o liczbie transakcji z CRM zestawione z danymi z Google Analytics

Do pliku Excel zawierającego dane wyeksportowane z Google Analytics, wklejamy dane z systemu CRM do nowej zakładki (lub odwrotnie, dane z GA wklejamy do pliku z danymi CRM), tak aby w jednym pliku mieć zakładkę z danymi z CRM oraz zakładkę z danymi z Google Analytics.

a. Do danych z CRM należy dopasować dane z Google Analytics, najlepiej za pomocą unikalnego identyfikatora transakcji za pomocą metody INDEX-MATCH. Następnie należy sprawdzić stopień zgodności, dzieląc liczbę transakcji raportowaną i zgodną w CRM oraz w Google Analytics przez liczbę wszystkich transakcji w CRM. Przykładowo jeśli w CRM mamy w danym okresie 12 transakcji, natomiast 9 z nich jest raportowane w Google Analytics to stopień zgodności danych CRM i Google Analytics wynosi 75%, a powinien wynosić powyżej 80%. Mniejszy % oznacza, że Google Analytics nie rejestruje wszystkich transakcji i wtedy należy przeprowadzić audyt instalacji i konfiguracji.

Obraz 3. Wyliczenie zgodności danych z CRM z danymi raportowanymi do Google Analytics

Zgodność danych na poziomie 80% oznacza, że nasze dane zbierają się poprawnie.

b. Do danych z Google Analytics należy dopasować dane z CRM, analogicznie do tego jak zrobiliśmy w punkcie a, a następnie sprawdzić stan rozbieżności. Generalnie nie ma możliwości aby w Google Analytics były transakcje, których nie ma w CRM. Taka sytuacja oznacza, że dane z CRM są niekompletne i należy wyjaśnić tą kwestię z dostawcą systemu CRM.

Jak sprawdzamy zgodność danych pomiędzy CRM a Google Analytics, przed analizą wyników testów A/B

Jeśli przeprowadzaliśmy test A/B i chcemy przeanalizować, która wersja okazała się skuteczniejsza to poza krokami 1-3 należy wykonać jeszcze kilka dodatkowych działań. Po pierwsze musimy do Google Analytics przekazać informację o tym jaką wersję w ramach testu wylosował użytkownik, np. jako wymiar niestandardowy. Po drugie do CRM należy przekazać informację o wylosowanej wersji.

1. i 2. Pobierając dane z Google Analytics i CRM należy również pobrać wersje ciasteczek (wersja A, wersja B), dla poszczególnych transakcji.

3. Krok 3 pozostaje bez zmian.

4. Oznaczenie zamówień wewnętrznych (np. zamówień testowych), oraz zamówień o statusie spam w CRM, jako ‘Spam’. Czasem czy to ze względu na testy które sami przeprowadzaliśmy (np. po wprowadzeniu zmian na stronie), czy to ze względu na spam, dane CRM i Google Analytics mogą być zanieczyszczone. Do testów A/B nie chcemy brać tego typu zamówień pod uwagę dlatego też warto je odpowiednio oznaczyć i wyeliminować z analizy na dalszym etapie albo całkowicie usunąć z pliku.

5. Oznaczenie zamówień które nie będą analizowane, jako ‘Duplikat’ lub jako ‘Nie’. Czasem zdarza się, że taka sama transakcja jest zduplikowana albo w danych CRM jest raportowana inna wersja ciasteczka niż w danych Google Analytics. Takie transakcje też chcemy wyeliminować przed analizą wyników testu, odpowiednio je oznaczając.

a. Jeżeli oba (lub więcej) zduplikowane zamówienia miały wylosowaną taką samą wersję ciasteczek, oznaczamy zamówienie o wyższej wartości jako ‘Ok’ a pozostałe , oznaczamy jako ‘Duplikat’.

b. Jeżeli oba (lub więcej) zduplikowane zamówienia miały wylosowane różne wersje ciasteczek, oznaczamy wszystkie powtórzone zamówienia jako ‘Nie’.

c. Jeżeli wersje CRM i Google Analytics dla jednej transakcji się różnią to takie zamówienie oznaczamy jako ‘Nie’

d. Jeżeli różne zamówienia dla tego samego użytkownika mają różne wersje to oznaczamy wszystkie takie zamówienia jako ‘Nie’.

6. Oznaczenie zamówienia które będziemy analizować jako ‘Ok’.

7. Stworzenie tabeli przestawnej w której sprawdzimy % transakcji o statusie „Nie” oraz „Duplikat”.

8. Stworzenie tabeli przestawnej z połączonych i odpowiednio oznaczonych danych CRM + Google Analytics, w celu uzyskania informacji o liczbie konwersji dla poszczególnych wersji ciasteczek (wersja A, wersja B). Dodanie filtra, tak aby do analizy zostały tylko transakcje oznaczone jako ‘Ok’.

9. Pobranie danych o liczbie Unikalnych Użytkowników na stronie dla poszczególnych wersji ciasteczek (wersja A, wersja B) z Google Analytics.

10. Wyliczenie Współczynnika Konwersji dla poszczególnych wersji ciasteczek (wersja A, wersja B). Współczynnik Konwersji = liczba transakcji/liczba Unikalnych Użytkowników.

11. Wyliczenie o ile % Współczynnik Konwersji dla poszczególnych wersji ciasteczek (wersja A, wersja B) różni się siebie.

12. Sprawdzenie, czy wzrosty są istotne statystycznie korzystając z odpowiedniego kalkulatora.

Dlaczego to takie ważne?

Podstawą skutecznej analizy na podstawie której można wyciągać wnioski prowadzące do wzrostu zysków są poprawne dane. Dla serwisów ecommerce dane dotyczące transakcji to najistotniejsza informacja. Biorąc pod uwagę liczbę błędów jaka pojawia się przy okazji śledzenia transakcji konieczna jest weryfikacja poprawności zbieranych danych, co można prosto sprawdzić porównując dane Google Analytics z danymi z CRM.

The post Czy porównywałeś swoje dane Google Analytics z CRM-em? Jak to zrobić i dlaczego to takie ważne first appeared on Conversion.