W kolejnym odcinku podcastu „Date with Data Talks” Mariusz Michalczuk, ekspert Conversion, rozmawia z Michałem Węglewiczem, Digital Marketing & CRM Managerem w Travelist. Rozmowa dotyczy łączenia światów marketingu i analityki, przejścia z modelu Last Click na modelowanie ekonometryczne (MMM), a także wykorzystania sztucznej inteligencji i synergii między działaniami CRM a płatnym ruchem w dużej organizacji e-commerce.

Czego dowiesz się z tego wywiadu:

Od analityka do marketera: Ścieżka Michała Węglewicza

Nadmiar danych czy klęska urodzaju?

Ekonometria w praktyce: Przejście z Last Click na MMM

Case study: Jak dane uratowały influencer marketing

Synergia Digitalu i CRM: Oszczędność budżetu

Sztuczna inteligencja w Travelist

Rady dla marketerów: Single Source of Truth i LTV

Podsumowanie: Główne wnioski z rozmowy

Od analityka do marketera: Ścieżka Michała Węglewicza

Początki z danymi i odkrywanie „mierzalnego” marketingu

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Michał. Michale, dziękuję Ci za przyjęcie zaproszenia. Mógłbyś na początku kilka słów o sobie powiedzieć?

Michał Węglewicz: Cześć Mariusz, wielkie dzięki również za zaproszenie do dzisiejszego odcinka. Nazywam się Michał Węglewicz i zajmuję się digital marketingiem i CRM-em. Obecnie zarządzam tymi obszarami w Traveliście. Wcześniej miałem też okazję pracować w branży finansowej, telekomunikacyjnej. Od kilku lat łączę ten digital i marketing w jeden spójny silnik wzrostu, gdzie to, co jest dziś dla nas najbardziej istotne, czyli analityka i praca z danymi, są bardzo ważnym punktem i obszarem, który towarzyszy mi codziennie.

Mariusz Michalczuk: Super. Jakbyś mógł trochę opowiedzieć, jak to wykorzystanie danych w Twojej codziennej pracy wygląda? Jeżeli masz w swoich kompetencjach zarządzanie CRM-em, to tam danych o klientach jest bardzo dużo. Jak te dane wykorzystujecie, jak to się przekłada później na kreowanie marketingu, kampanii? Jakbyś mógł wrzucić nam trochę takich ciekawostek „behind the scenes”.

Michał Węglewicz: Jasne. Uśmiechnąłem się na to nasze dzisiejsze spotkanie i ten mocny core rozmowy, jakim są dane. W moim podejściu, w całej mojej pracy, taką pierwszą inicjacją, którą miałem w karierze, była praca, gdzie po części realizowałem zadania web analityka. Wtedy, kiedy zaczynałem, miałem tę sposobność, że mogłem poznać obszar web analityki, a potem miałem okazję przejść też przez SEO, przez CRM i tworzenie różnych narzędzi. Dotarłem oczywiście do tego obszaru online marketingu, więc tak naprawdę już od tych wczesnych lat szukałem sposobności, żeby te dwa obszary między sobą integrować, wykorzystywać i szukać wzajemnych synergii.

Nawiązując do początków, ten aspekt bazodanowy bardzo mocno pokazał mi, że podejście do dzisiejszego digitalu jest skrajnie inne, niż sobie wyobrażałem. Wcześniej myślałem, że marketing to kreatywne rozwiązania, hasła, kreacje i bardzo kreatywni ludzie, do których na pewno jest mi daleko. Natomiast dość szybko zrozumiałem, że online mocno różni się tym, że wszystko jest śledzone, mierzone, a zasób danych jest naprawdę ogromny. Zauważyłem, że stało się to wyróżnikiem po pewnym czasie. Następowała zmiana podejścia do marketingu i online zaczynał być coraz bardziej widoczny, a aspekt danych bardzo narastał.

W tych pierwszych doświadczeniach bardzo satysfakcjonujące było to, gdy udawało mi się znaleźć schematy działań czy zaimplementować rozwiązania, które działały nam w CRM-ie – różnego rodzaju targetowania bądź wykluczenia, które kolejno wdrażaliśmy na kampanie digitalowe i performance’owe. To była wtedy bardzo prosta implementacja i optymalizacja, ale co ciekawe, bardzo intratna. Nie tyle same ROI potrafiły nam mocno rosnąć, ale też udawało nam się optymalizować koszty. Mogliśmy ingerować w media mix i mniej inwestować w działania, które wiedzieliśmy, że i tak nie będą miały dużego wpływu na kontrybucję do wyników. To były pierwsze sukcesy, które budowały pomost między dwoma światami, traktowanymi wówczas jako osobne. Dziś udaje nam się to realizować jeszcze bardziej efektywnie, w bardziej zaawansowany sposób, wykorzystując nowe technologie.

Nadmiar danych czy klęska urodzaju?

Jak radzić sobie z ilością informacji

Mariusz Michalczuk: To prawda. Technologia się rozwija, danych nam coraz więcej przybywa. Z mojej perspektywy, oprócz tego, że jest to pozytywny element, ten nadmiar danych często po prostu przytłacza firmy. Jak masz czegoś za dużo – jest takie pojęcie w psychologii jak „klęska urodzaju” – człowiek często pozostaje bez decyzji. Akurat rozmawiałem z Marcinem od Was i wiem, że u Was nie ma tego wyzwania. Natomiast z Twojej perspektywy, tej ścieżki zawodowej – zaczynałeś jako analityk internetowy, więc pewnie Tobie jest łatwiej oceniać, które źródła są właściwe. Jak oceniasz ten nadmiar danych z perspektywy czasu?

Michał Węglewicz: Myślę, że jeśli chodzi o nadmiar danych, to kiedyś mówiliśmy o zjawisku Big Data, teraz to ewoluowało w stronę AI i modeli probabilistycznych. Wydaje mi się, że im więcej danych, tym lepiej. Do tej pory nie miałem chyba sytuacji, żeby danych było za dużo – raczej w drugą stronę, chciałoby się mieć ich jeszcze więcej. Kreatywność w podejściu pozwala wymyślać coraz to nowe rozwiązania. Zgadzam się jednak, że istnieje ryzyko „klęski urodzaju”, szczególnie gdy mnogość danych rzutuje na bardzo dużą liczbę metryk, którymi będziemy starali się zarządzać biznesem i podejmować decyzje.

To jest krytyczne powiązanie. Nie tyle skala danych może być bolączką, co umiejętność ich interpretacji i sposób zarządzania wiedzą. Z każdego punktu możemy wyciągnąć jakiś insight, więc kluczowe jest zbudowanie sieci metryk w taki sposób, aby finalnie móc sfokusować się na tych najważniejszych. Zbyt duża dywersyfikacja nie będzie efektywna i rodzi ryzyko, że nie skupimy się na tym, co realizuje przysłowiowe 80% impaktu. Często spotykamy się z sytuacjami, gdzie rozpoczynamy projekt, obudowujemy go KPI-ami i sami musimy siebie ograniczać: „Hej, stop, może to już za dużo. Skupmy się na tym, żeby projekt mógł iść do przodu”. Warto wyznaczyć sobie granicę.

Ekonometria w praktyce: Przejście z Last Click na MMM

Dlaczego model atrybucji Last Click przestał wystarczać?

Mariusz Michalczuk: Wspomniałeś o decydowaniu o miksie marketingowym. Czytałem opisany w sieci case waszego modelowania MMM (Marketing Mix Modeling). Czy mógłbyś odsłonić kuluary? Co do zasady, każdy model poza Last Click jest z reguły lepszy, ale jak to wyglądało u Was? To duży projekt, trzeba było przekonać właścicieli budżetu. Jakie były efekty?

Michał Węglewicz: Zgadzam się, że kwestia decydentów i zmiany mindsetu bywa krytyczną barierą. W Traveliście od zawsze mieliśmy do czynienia z mocnym podejściem last clickowym i wciąż na to patrzymy. Jednak stosowanie tylko jednego modelu rodzi ryzyko braku efektywności i braku należytej oceny poszczególnych kanałów. Co do Media Mix Modelingu, czy też ekonometrii, historycznie wykorzystywaliśmy to głównie do oceny dużych kanałów, takich jak telewizja, oraz do oceny naszego baseline’u – czyli tego, co działoby się z marką po wyłączeniu działań reklamowych. Widzieliśmy mocny wpływ optymalizacji kampanii telewizyjnych na wyniki.

W ramach migracji narzędzi analitycznych pojawiła się potrzeba większej stabilności w ocenie działań digitalowych. Poza wsparciem incydentalnym, na co dzień bazowaliśmy na danych last clickowych czy first clickowych. Potrzebowaliśmy rozwiązania in-house, które byłoby stabilne i dawało taki sam obraz niezależnie od czynników zewnętrznych (np. cookie restrictions). Dodatkowo, jako spółka chcąca rosnąć, szukaliśmy „sweet spotu” pomiędzy inwestycjami w działania top-funnelowe (zasięgowe) a utrzymaniem wysokiej efektywności. W Travelist nigdy nie patrzymy na jeden KPI – weryfikujemy ROI, kontrybucję do GP (Gross Profit) oraz bardzo ważną dla nas metrykę Lifetime Value (LTV).

Postanowiliśmy zrobić pilotażowy projekt, wykorzystując metodykę używaną do telewizji, aby ją zdigitalizować. Chcieliśmy sprawdzić potencjalne efekty. Zyskaliśmy dzięki temu nową perspektywę. Zaczęliśmy małymi krokami wchodzić głębiej, w poszukiwaniu bardziej obiektywnego obrazu niż Last Click. Proces wiązał się z wieloma wyzwaniami, głównie w zakresie standaryzacji danych z różnych źródeł: adserwery, platformy reklamowe (Meta, YouTube, Google), dane transakcyjne, a także aspekt contentowy (Magazyn Travelista). Proces ten trwał wiele miesięcy, ale doszliśmy do iteracji, które odbywają się nawet trzy razy w miesiącu. To duża skala. Oczywiście, decyzje dzienne wykonujemy nadal w oparciu o bieżące dane, ale MMM jest dla nas „boosterem decyzyjnym”, pozwalającym szybciej reagować i przewidywać zjawiska rynkowe, co w branży tak sezonowej jak travel jest kluczowe.

Mariusz Michalczuk: Rozumiem, że na początku wykorzystano model zrobiony na „starych mediach”. Czy ten model był rozszerzony o dane online’owe, czy zrobiliście zupełnie oddzielny dla online’u?

Michał Węglewicz: Jeśli chodzi o zakres danych, dochodziła tutaj bardzo duża granularność. Wcześniej rozróżnialiśmy cały digital na kilka głównych worków (SEM, Meta, etc.). Chcieliśmy wejść głębiej i rozdzielać kanały na poszczególne kampanie. Dziś na samej Mecie nie optymalizujemy dwóch czy trzech kampanii, ale dziesiątki, a w sezonie nawet setki. Istotne było wprowadzenie odpowiedniej granulacji, ale też zadbanie o skalę danych – jeśli kampania była zbyt mała, model nie wyłapywał jej wpływu.

Korzystamy ze wsparcia dedykowanych osób przy przeliczaniu modelu. Co ciekawe, to nie jest jeden stały model. To zbiór funkcji bazujących na szeregach czasowych. Za każdym razem model jest trochę inny – weryfikujemy setki, a nawet tysiące różnych funkcji i zbiorów, a wyniki jakości określają, który z modeli w danej iteracji sprawdził się najlepiej. Każdorazowo modyfikujemy to w poszukiwaniu najbardziej precyzyjnych odpowiedzi.

Case study: Jak dane uratowały influencer marketing

Wykorzystanie MMM do oceny zwrotu z inwestycji

Mariusz Michalczuk: Ekonometria nie jest prosta. Jak w marketingu faktycznie wykorzystujecie ten model? Do sprawdzania scenariuszy, czy do oceny faktycznego zwrotu z inwestycji?

Michał Węglewicz: Weryfikujemy to głównie w oparciu o efektywność: ROI per kampania/kanał oraz kontrybucję do marży. Decyzje to miks danych z raportu ekonometrii, raportu lastclickowego oraz raportu Cohort (analiza LTV i zachowań bazy). Mniejsze optymalizacje bazują na doświadczeniach wypracowanych w MMM – jesteśmy w stanie przewidzieć, jak kanały zachowają się po zmianach budżetowych. W dziennym ujęciu weryfikujemy Last Click, ale staramy się nie podejmować w nim pochopnych decyzji dla kanałów top-funnelowych.

Przywołam ciekawy case. Dzięki MMM zobaczyliśmy, że display i inne kanały zasięgowe zyskały na atrybucji. Nie oznaczało to jednak bezmyślnego skalowania, ale wejście głębiej i optymalizację. Najbardziej zaskoczył nas influencer marketing. Mamy tam mocny fanbase. Wzmocniliśmy ten obszar na Instagramie, angażując większe budżety, bo ekonometria pokazała tam potencjał. Po kilku miesiącach doszliśmy do momentu, gdzie nawigowaliśmy w oparciu o wyniki z ekonometrii, ale jednocześnie słuchaliśmy influencerów. Oddaliśmy im inicjatywę, np. dogrywając oferty hotelowe pod ich rekomendacje. Wyniki przerosły oczekiwania. Nie tylko zmaksymalizowaliśmy wyniki w ekonometrii, ale osiągnęliśmy rentowność w Last Clicku, co wcześniej się nie zdarzało. To był case, gdzie zawróciliśmy koło: od słabej efektywności Last Click, przez inwestycję na bazie MMM, po optymalizację dającą wynik w Last Clicku.

Mariusz Michalczuk: To mega ciekawe. Dane ekonometryczne pozwoliły Wam docenić influencer marketing, który co do zasady działa jak branding i nie wpływa bezpośrednio na sprzedaż w modelu ostatniego kliknięcia. Dzięki wskazówce z MMM zainwestowaliście więcej, co przełożyło się finalnie na twarde wyniki.

Michał Węglewicz: Dokładnie. Mieliśmy argumenty, żeby inwestować więcej w kanały, które potencjalnie wpadały w pułapkę lastclickową. Teraz pracujemy nad tym, żeby to skalować.

Synergia Digitalu i CRM: Oszczędność budżetu

Personalizacja i wykluczanie w oparciu o dane

Mariusz Michalczuk: Przesuńmy się na użytkownika w CRM. Jak wykorzystujecie dane do personalizacji w serwisie i czy przekłada się to na marketing?

Michał Węglewicz: W Traveliście traktujemy digital i CRM jako jeden spójny ekosystem. W idealnym świecie digital pozyskuje ruch, a CRM go monetyzuje. Realia nie są tak czarno-białe, ale część wspólna jest wyraźna. Priorytetem integracji było priorytetyzowanie działań in-house’owych (CRM), czyli „niedopalanie” dodatkowego kosztu marketingowego do użytkowników, którzy są już „wygrzani” i skonwertują bez reklamy. Dzięki temu zredukowaliśmy koszty marketingu o 15% przy tym samym efekcie końcowym.

Pracowaliśmy nad wykluczeniami i priorytetyzacją CRM oraz nad lookalike’ami. Analiza ścieżek pokazała, że duży procent użytkowników pokrywa się w działaniach remarketingowych i CRM, ale jest też grupa, która potrzebuje dodatkowego bodźca (display, mailing zewnętrzny). Wdrożyliśmy scoring określający prawdopodobieństwo konwersji użytkownika. Dzięki temu selektywnie podchodzimy do komunikacji.

W ramach grupy Secret Escapes stworzyliśmy modele probabilistyczne: jeden silnik do zwiększania engagementu (inspiracja), drugi do domykania konwersji (low funnel). Bazując na danych z całej grupy, wskazujemy szereg zachowań świadczących o gotowości do zakupu. Testy w CRM wykazały, że dobór ofert przez model versus nasz ręczny wybór „topowych ofert” zawsze wygrywał. W fazie testów mieliśmy nawet 40% poprawy konwersji. To był duży game changer.

Perspektywa międzynarodowa: Różnice między rynkami

Mariusz Michalczuk: Czy jest różnica w podejściu do danych międzynarodowo? Czy są różnice w narzędziach lub zachowaniach użytkowników?

Michał Węglewicz: Dzięki byciu częścią grupy Secret Escapes mamy dostęp do tych samych, zaawansowanych narzędzi (Snowflake, Salesforce, płatna wersja Analytics). Dane są wystandaryzowane. Różnice wynikają głównie z rynków. Restrykcje prawne (Brexit vs UE) są odczuwalne, ale wdrożenia typu Consent Mode były podobne wszędzie. Zauważyliśmy jednak inną charakterystykę klienta – u nas brak akceptacji cookies to ok. 10-15%, na niektórych rynkach zachodnich sięga to 30-40%.

Istotną różnicą jest wrażliwość na cenę. Travelist to rynek polski, mocno rodzinny, wrażliwy cenowo (price sensitivity). Secret Escapes (Niemcy, UK) stawia na luksusowe doświadczenia („co zyskam za tę cenę”). Rynek reklamowy w UK jest też znacznie droższy – stawki potrafią być 3-4 razy wyższe. Dzielimy się insightami w ramach hubów analitycznych. Ciekawym przykładem był TikTok – koledzy z innego rynku zainspirowali nas do zniesienia barier contentowych i wejścia w ten kanał, co przyniosło świetne rezultaty, mimo że początkowo wydawało się trudne.

Sztuczna inteligencja w Travelist

Praktyczne zastosowanie modeli AI w e-commerce

Mariusz Michalczuk: Nie mogę nie zapytać o AI. W jakim zakresie wykorzystujecie sztuczną inteligencję?

Michał Węglewicz: Nasze modele probabilistyczne powstały na silnikach zbliżonych do GPT jeszcze zanim stało się to tak popularne. Obecnie, poza standardowym wykorzystaniem AI (analiza danych, kreacje), pracujemy nad sposobem dobierania najbardziej atrakcyjnego zdjęcia produktu (hotelu) dla użytkownika. Każdy obiekt ma mnóstwo zdjęć. Okazuje się kluczowe, które zdjęcie będzie tym „pierwszym”, które skupi uwagę. Wykorzystujemy dane behawioralne, by wprowadzić taką selekcję. Wcześniej robiliśmy to ręcznie (np. zmiana zdjęć na zimowe). Teraz AI pomaga nam zarządzać grafikami dla 800-1000 obiektów, co wpisuje się w domenę „Work Smarter”. AI pomaga też w inteligentnym sortowaniu ofert, co ma duży wpływ na konwersję.

Rady dla marketerów: Single Source of Truth i LTV

Mariusz Michalczuk: Zmierzając do końca, jakie masz rady dla osób z marketingu i e-commerce, aby popychać organizację do wykorzystania danych?

Michał Węglewicz: Podejście oparte o dane ma wiele plusów. Kluczowe jest doprowadzenie do sytuacji, w której mamy w organizacji jedno źródło prawdy (Single Source of Truth). Gdy wszyscy patrzą na te same, jakościowe dane, dyskusja staje się wartościowa, a argumenty oparte na liczbach są niepodważalne. Druga sprawa to zdefiniowanie kluczowych metryk. Nie można wpaść w pułapkę analizowania wszystkiego. Należy skupić się na kilku najważniejszych.

Poza Revenue, ROI czy EBIT, bardzo ważną, a często niedocenianą metryką jest Lifetime Value (LTV). Branża travel wygrywa wtedy, gdy użytkownik wraca. Inwestycja musi się zwrócić w czasie. Rekomenduję wdrożenie perspektywy LTV do codziennego raportowania. I na koniec – sztuka szukania synergii. Połączenie performance’u z CRM to ukryta wartość, gdzie można znaleźć dźwignie do skalowania i optymalizacji kosztowej.

Podsumowanie: Główne wnioski z rozmowy

Kluczowe lekcje dla analityków i marketerów

Rozmowa z Michałem Węglewiczem pokazuje ewolucję roli danych w nowoczesnym e-commerce. Przejście od prostych analiz do zaawansowanych modeli ekonometrycznych (MMM) pozwala firmom takim jak Travelist na podejmowanie trafniejszych decyzji inwestycyjnych, wykraczających poza ograniczenia atrybucji Last Click. Przykład influencer marketingu udowadnia, że działania budujące świadomość mogą być rentowne, jeśli są odpowiednio mierzone i optymalizowane.

Istotnym wątkiem jest synergia między działaniami płatnymi a CRM. Dzięki wykorzystaniu scoringu i modeli probabilistycznych, firma może oszczędzać budżet, nie wyświetlając reklam użytkownikom, którzy i tak by dokonali zakupu, oraz precyzyjniej targetować komunikaty. Wykorzystanie AI do automatyzacji doboru treści wizualnych to kolejny krok w stronę efektywności „Work Smarter”.

Główna rada dla organizacji to dążenie do posiadania jednego, wiarygodnego źródła danych oraz skupienie się na metrykach długoterminowych, takich jak Lifetime Value, zamiast wyłącznie na bieżącym zwrocie z inwestycji.

The post Dane w marketingu Travelist.pl – Michał Węglewicz – Date with Data Talks first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Początki e-commerce i wyzwania z płynnością

Ewolucja metryk: Od cash flow do segmentacji klientów

Dane, które zadecydowały o wygaszeniu biznesu

Pułapki analityczne w e-commerce: Spostrzeżenia konsultanta

Praktyczne rady dla małych i średnich e-commerce

Podsumowanie: Główne wnioski z rozmowy

Początki e-commerce i wyzwania z płynnością

Doświadczenie praktyka e-commerce

Mariusz Michalczuk: Cześć, witam Cię w kolejnym podcaście z serii Date with Data Talks, czyli podcaście od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Wojtek Latoszek. Wojtku, wielkie dzięki za przyjęcie zaproszenia. Jakbyś mógł kilka słów na wstępie opowiedzieć o sobie, o swoim doświadczeniu.

Wojtek Latoszek: Dzięki piękne za zaproszenie Mariusz. W skrócie: od 2008 roku jestem związany z e-commercem, a od 2010 prowadzę swój e-commerce, który obecnie jest wygaszany. Od kilku lat działam bardziej jako konsultant e-commerce, marketingu i danych, głównie w branży automotive. Lubię uczyć się nowych rzeczy, więc mam nadzieję, że będę mógł pokazać różne perspektywy i informacje dla widzów i słuchaczy.

Mariusz Michalczuk: Najważniejsze, że jesteś konsultantem, który własnymi rękami dotknął e-commerce’u. Czy moglibyśmy cofnąć się do początków 4gift.pl? Opowiedz, co w pierwszych latach działalności było największym wyzwaniem i jak te wyzwania się zmieniały.

Początkowe wyzwania: Cash flow i sezonowość

Wojtek Latoszek: Na początku, klasycznie, największym wyzwaniem jest płynność i cash flow, szczególnie w tak zasobochłonnym biznesie. Działaliśmy w modelu, w którym kontrolowaliśmy cały proces, trzymając własne stany magazynowe. Magazyn był sercem firmy, ale też dużym obciążeniem finansowym. Zbalansowanie cash flow w kontekście zatowarowania w bardzo sezonowym biznesie jest trudne i trzeba się tego nauczyć.

Te wyzwania powtarzały się przez pierwsze lata, kiedy nie znaliśmy jeszcze specyfiki branży i dostawców. Nie mieliśmy też siły negocjacyjnej, by forsować korzystniejsze dla nas warunki. Z czasem temat cash flow się uspokoił, osiągnęliśmy stały poziom obrotu i stanęliśmy przed wyzwaniem skalowania.

Skalowanie i zderzenie z pandemią

Wojtek Latoszek: Rozwijaliśmy się w tempie około 30% rok do roku, co pozwalało na spokojne planowanie i funkcjonowanie. Ta przewidywalność skończyła się w 2020 roku. W okresie pandemicznym najpierw sprzedaż praktycznie przestała istnieć, a później wybuchła na taką skalę, że musieliśmy się szybko dostosować.

Po 2020 roku przyszło duże ochłodzenie, na które nie byliśmy gotowi. To było ogromne wyzwanie, żeby przestawić wszystkie rozgrzane procesy i zacząć zwalniać. Pojawiło się dużo konkurencji, duże platformy weszły w nasz segment. Zaczęliśmy gubić naszą unikalność produktową, która w pierwszych latach przyciągała klientów. To spowodowało, że musieliśmy mocno zwalniać.

Wracając do meritum, wyzwania zmieniały się wraz z istnieniem biznesu. Problem cash flow był z czasem minimalizowany, a pojawiały się inne tematy, jak skalowanie i wzrost w sezonowym biznesie. Rozwój przez te piętnaście lat polegał na przejściu od wyzwań operacyjnych do strategicznych i pozycjonowania firmy.

Ewolucja metryk: Od cash flow do segmentacji klientów

Od prostych wskaźników do zaawansowanej analizy rentowności

Mariusz Michalczuk: Na różnych etapach rozwoju firmy patrzy się na różne metryki. Zaczynając od cash flow, gdzie patrzysz na rachunek, co było później? Kiedy pojawiła się marża, rentowność, a kiedy weszły metryki marketingowe?

Wojtek Latoszek: Na początku to były proste metryki – przede wszystkim być na plusie. Zakładaliśmy, że od pierwszego zamówienia musimy zarabiać, bo mieliśmy wrażenie, że klienci nie będą do nas często wracać, mimo że dbaliśmy o powracalność. Dopiero później zaczęły się pojawiać marża pierwszego, drugiego, trzeciego stopnia i poważne liczenie.

Kluczowym wskaźnikiem, który nam przyświecał, był wskaźnik rotacji pieniądza – ile środków masz zamrożone w magazynie i ile obrotu jesteś w stanie z tego wygenerować. Zrozumienie prawidłowości między wartością magazynu a zarobkiem dało nam bardzo dużo. Później skalowaliśmy to na segmenty i grupy produktowe. Analiza ABC pozwalała podzielić strukturę produktową i zrozumieć, co jest „nierotem”, a co bestsellerem.

Tworzyliśmy matrycę, w której segmenty produktowe przecinaliśmy z dostawcami. Na przecięciu tych dwóch wymiarów byliśmy w stanie znaleźć produkty, które naprawdę zarabiają pieniądze. To dawało świadomość, w którą stronę iść z ofertą. Jeśli chodzi o wskaźniki marketingowe, nie było tu rocket science. Operowaliśmy na ROASie, za którym nie przepadam, ale też na COS (Cost of Sale), który daje dobry pogląd na udział kosztów marketingu w sprzedaży.

Analizowaliśmy też średnią wartość zamówienia z podziałem na grupy produktowe lub segmenty klientów, choć ich wyodrębnienie bywało trudne. Nasza specyfika była taka, że byliśmy głównie sklepem internetowym. Korzystaliśmy z marketplace’ów, ale w sposób celowy – albo do upłynniania towaru, albo do budowania skali u określonego dostawcy, by negocjować lepsze warunki. Zawsze jednak patrzyliśmy na rentowność kanału. Zależało nam nie tyle na rabatach, co na terminach płatności, co było kluczowe w kontekście przygotowań do sezonu.

Segmentacja klientów: Jak dane jakościowe kształtowały strategię online

Mariusz Michalczuk: Zainteresował mnie wątek segmentacji i crossowania metryk przez różne wymiary. Pamiętam z twojej prezentacji, że mówiłeś o trzech segmentach: geekach, casualowych i jeszcze jednym. Wspominałeś, że trudność polegała na technicznym rozpoznawaniu tych segmentów. Jak do tego podchodziliście?

Wojtek Latoszek: Trzecim segmentem byli kolekcjonerzy, najbardziej problematyczni. Generowali dużo szumu informacyjnego, który z jednej strony budował bazę wokół marki, a z drugiej zaburzał nam informacje o wadach produktów. To grupa, która zwraca ogromną uwagę na to, czy produkt jest idealny i czy będzie miał wartość w przyszłości. Geek to grupa, która kupuje nietypowe prezenty, np. ze Star Wars, często dla siebie. Z kolei casuale to ludzie, którzy przychodzą po prezenty dla geeków albo kolekcjonerów.

W online ciężko było ich odróżnić. Staraliśmy się to robić po zawartości koszyków i źródle ruchu. Najlepiej było to widać w showroomie, w sklepie stacjonarnym, gdzie mieliśmy bezpośredni kontakt i feedback z rozmowy jeden na jednego. Na tej bazie segmentowaliśmy klientów. Ciekawostką jest, że po pierwszych latach mocno zmieniliśmy język komunikacji. Zakładaliśmy, że gadżety będą kupować faceci, ale okazało się, że to kobiety są głównym decydentem zakupowym. Włożyliśmy masę pracy, by wszystkie treści były neutralne płciowo.

Najwięcej informacji o klientach dały nam bezpośrednie kontakty w showroomie, czyli dane jakościowe. Przenosiliśmy te wnioski na komunikację w online. Później było to już bardziej metodyczne, ale nigdy nie analizowaliśmy tego bardzo dogłębnie. Bazowaliśmy na sprzedaży, zawartości koszyków w danym okresie i na tej podstawie przypisywaliśmy grupę. To nie jest idealne rozwiązanie, ale dawało impuls, w którą stronę kierować ofertę czy komunikację marketingową.

Dane, które zadecydowały o wygaszeniu biznesu

Dane stojące za trudną decyzją: Marża, koszty i konkurencja

Mariusz Michalczuk: Opowiadasz o rozwoju, segmentacji, wykorzystaniu danych. To wygląda na dobrze poukładany biznes. Mówisz, że w latach 2022-23 przyszło spowolnienie. Jakie dane pozwoliły Ci podjąć decyzję o wygaszeniu działalności? Co o tym zaważyło?

Wojtek Latoszek: To absolutnie były dane. Przede wszystkim kurcząca się marża pierwszego stopnia. Zaczęliśmy się zastanawiać, z czego to wynika. Największym problemem była marżowość, która nas zjadała. Wpłynęło na to kilka rzeczy. Standardowo, wyższe koszty marketingowe. Licytujemy się z coraz większą liczbą graczy, którzy często zakładają, że na pierwszym zamówieniu nie muszą zarabiać. W naszej branży patrzenie na LTV jest ryzykowne, bo cykl życia klienta był długi, ale liczba zamówień niska. Musieliśmy zarabiać od pierwszego zamówienia.

Gdy marża zaczęła się kurczyć, zrobiliśmy najgłupszą możliwą rzecz: ucięliśmy kanał marketingowy, który wydał nam się nieefektywny. Odcięliśmy Metę, co było kolejną cegiełką do pozbycia się nowych użytkowników. Dopiero z czasem zrozumieliśmy, że Meta zasilała nas w dużej mierze w nowy ruch, w ten pierwszy kontakt.

Druga rzecz to duże platformy, które weszły w nasz segment. To odczuliśmy bardzo mocno. Nasi klienci zmigrowali tam za wygodą i szerszą ofertą. Zaczęliśmy tracić unikalność produktową. Gdy byliśmy jednym z niewielu podmiotów z danym produktem, dawało nam to mocny impakt marketingowy. W pewnym momencie zaczęły się pojawiać komunikaty: „kupuję gdzie indziej, bo tam jest taniej”. Nie byliśmy w stanie wytłumaczyć klientowi, dlaczego za licencjonowany produkt musi zapłacić u nas znacznie więcej niż za nielicencjonowany odpowiednik z Chin.

Broniliśmy się szybkością realizacji, ale to gra na krótką metę. Mieliśmy świadomość, że robimy małe kroczki, a ktoś z tyłu goni nas wielkimi krokami. Stwierdziliśmy, że to moment, kiedy nie widzimy przestrzeni, by zaproponować klientowi coś, co nas wyróżni i zbuduje fosę wokół biznesu. To był moment, kiedy uznaliśmy, że trzeba zacząć się wycofywać.

Rola intuicji w rozwoju biznesu

Mariusz Michalczuk: Czy pamiętasz sytuację, w której zaufałeś swojej intuicji, a nie danym? I co się wtedy wydarzyło?

Wojtek Latoszek: Tak, jedna kluczowa decyzja: zmiana oferty produktowej i mocne wejście w rzeczy licencjonowane, konkretnie gadżety związane ze Star Wars. To była totalna intuicja. Nie wierzyliśmy, że na takie produkty będzie szeroki rynek. To była słuszna decyzja, oparta na przeczuciu, że te produkty nam się podobają. To było coś, co nas jarało i pozwoliło nam sporo osiągnąć, zarówno produktowo, jak i finansowo.

Później, budując kolejne kategorie produktowe, np. z Harry’ego Pottera czy Marvela, staraliśmy się już przekładać dane. Wiedzieliśmy, jak powinna wyglądać struktura kategorii, ile musi być kubków, figurek, dodatków, żeby to miało sens w kontekście koszyka. Najpierw wprowadzaliśmy topowe produkty, patrząc na dane z innych kategorii, a potem dobudowywaliśmy resztę. Ale ta pierwsza „czutka” w kontekście licencji była jak najbardziej trafiona i dała nam fajnego kopa do przodu.

Przychylam się do tego, że część decyzji intuicyjnych może być lepsza niż te oparte o dane. Ważnym kryterium jest też czas. Czasami szybsza decyzja, nawet z ryzykiem błędu, jest lepsza niż czekanie na zebranie wszystkich danych. Ważniejsze jest, żeby ruszyć, nawet jeśli trzeba będzie później coś skorygować.

Pułapki analityczne w e-commerce: Spostrzeżenia konsultanta

Data-driven jak Yeti? Stan analityki w polskich e-commerce

Mariusz Michalczuk: Teraz, gdy pracujesz jako konsultant, jak wygląda wykorzystanie danych w e-commerce’ach, z którymi współpracujesz? Z moim doświadczeniem z data-driven jest jak z Yeti: wszyscy o tym mówią, a mało kto widział. Jak to wygląda z Twojej perspektywy?

Wojtek Latoszek: Wygląda to bardzo różnie. Część e-commerce’ów rzeczywiście stara się pracować na danych, a część twierdzi, że to robi, ale nie wie na jakich i dlaczego. Problemem jest nadmiar zbieranych, nieistotnych danych, które generują szum. Najczęściej pracuję z zarządami lub działami marketingu, które często lubią dopaminę dawaną przez wysoki ROAS, ale nie wiedzą, jak to się przekłada na biznes.

Z jednej strony zbieramy dużo informacji, a z drugiej są one fragmentaryczne i nie łączą się w biznesową całość. Zarządy patrzą na swoje metryki, marketingowcy na swoje, a dział e-commerce na jeszcze inne. Ta silosowość i brak kompleksowego spojrzenia są problematyczne. Brakuje osoby lub komórki, która spajałaby dane.

Często nawet tak trywialna metryka jak liczba zamówień jest inna w każdym systemie – w ERP, w panelu sklepowym. Zaczyna się grzebanie, z czego to wynika i którą metrykę przyjąć do rozliczeń. Mieliśmy przypadek dużego sklepu meblarskiego, gdzie kampanie wyglądały na super rentowne. Gdy zaczęliśmy w tym grzebać, okazało się, że 25-30% zamówień było anulowanych. To totalnie zaburzało perspektywę systemów reklamowych. Kampanie targetowały się na produkty, które najlepiej się „sprzedawały”, ale klienci najczęściej anulowali te z długim terminem dostawy, np. 6 miesięcy. To była maszyna do generowania kosztów.

Pułapki metryk próżności: Dlaczego ROAS to nie wszystko?

Mariusz Michalczuk: Wspomniałeś o ROASie. W analityce mówi się o metrykach istotnych i „metrykach próżności” (vanity metrics). Czy mógłbyś podać kilka przykładów takich metryk, które dostarczają dopaminy, ale niekoniecznie pieniędzy?

Wojtek Latoszek: ROAS jest często wyciągany, bo agencje przedstawiają go jako podstawową metrykę, nie mając wglądu w głębsze dane biznesowe. Inny przykład to średnia wartość zamówienia analizowana bez patrzenia na skrajności, segmenty czy sezonowość – wtedy jest to metryka, która nic nam nie mówi. Coraz bardziej przychylam się też do tego, że sam wolumen ruchu niewiele znaczy.

Denerwuje mnie też, gdy agencje zliczają konwersje post-view, próbując naciągnąć efektywność na swoją stronę, szczególnie w kampaniach programatycznych, gdzie skala nie jest uzasadniona dla wielkości biznesu. Wszystkie metryki związane z mediami, bez uszczegółowienia, traktuję jako punkt wyjścia do głębszej analizy, a nie jako ostateczny wskaźnik sukcesu.

Mariusz Michalczuk: Trochę to jest tak, że każdy gra do swojej bramki. Jak się dyskutuje o tym, czy brand sprzedaje, to wykorzystuje się metryki, które mają uzasadnić działania niezwiązane bezpośrednio z performance’em.

Wojtek Latoszek: Dokładnie. A propos brandu – często dzielimy działania na brandowe i performansowe, ale przecież działania performansowe też budują brand. To nie jest tak, że ludzie nie patrzą na markę, tylko kupują. Brand wpływa na performans, a performans na brand. Te światy są ze sobą mocno powiązane, tylko pokazanie tego na danych nie jest proste.

Praktyczne rady dla małych i średnich e-commerce

Pierwsze kroki w danych dla małych e-commerce

Mariusz Michalczuk: Gdybyś miał dać kilka konkretnych rad właścicielom małych i średnich e-commerce’ów, którzy chcą iść w kierunku data-driven, co by to było? Na co patrzeć codziennie, co tydzień, a co co miesiąc?

Wojtek Latoszek: Dla małych: przede wszystkim zidentyfikujcie segment produktów i klientów, który chcecie zaadresować. Spróbujcie dookreślić go na danych – jak duży jest, jak do niego dotrzeć – i zbierajcie dane, które w czasie będziecie mogli do niego odnieść. Najpierw decyzja, a potem dane ją weryfikujące.

Dla średnich e-commerce’ów: tutaj trzeba już zastanowić się nad marżowością. Nie tylko czy pieniądze wpłynęły na konto, ale czy biznes generuje pozytywne przepływy i czy marża jest na odpowiednim poziomie. Właściciele często toną w bieżączce, nie wiedząc, co się dzieje w firmie. Sprzedajemy fenomenalnie, ale na gigantycznym rabacie. Obrót jest, ale czyści nam to magazyn w niepożądany sposób. Skupiałbym się na tego typu rzeczach, a nie od razu na skomplikowanych strukturach.

Ważne, żeby zacząć z myślą, że dane w tym biznesie są super ważne. Nawet prosta metryka jak COS (Cost of Sale) daje już pogląd na udział kosztów marketingu w sprzedaży. Kluczowe jest, żeby mieć jedną, spójną definicję i się jej trzymać. Im dłużej to robimy, tym większa wartość porównawcza tych danych.

Zwinność jako przewaga nad korporacjami

Mariusz Michalczuk: Podsumowałbym to tak: nie trzeba być wielkim, żeby zrobić pierwszy krok, ale trzeba go zrobić, żeby być wielkim. Zasada „less is more” – zacznij od najważniejszych metryk.

Wojtek Latoszek: Dodałbym jeszcze jedno: pamiętajmy, że ci wielcy często toną w danych i w procesach, które są tak sztywne, że niemodyfikowalne. Zwinność małych i średnich firm to ogromna przewaga i wartość. Krótka decyzja, którą można podjąć w ciągu dnia, u dużych graczy trwa kwartałami. Ostatnio procesowaliśmy z klientem prostą zmianę, która zwiększała spójność danych o 30%. Jej wdrożenie przez deweloperów zajęłoby 15 minut, ale cały proces trwał trzy miesiące. Mały i średni biznes dostosowałby się błyskawicznie.

Mariusz Michalczuk: Dokładnie tak. Słuchaj, na tym zakończymy. Myślę, że będzie potrzebna kontynuacja. Na ten moment bardzo Ci dziękuję i życzę wielu sukcesów.

Wojtek Latoszek: Dzięki piękne, do usłyszenia. Kontynuacja z największą przyjemnością.

Mariusz Michalczuk: Super. Cześć.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje z 15 lat w e-commerce

Rozmowa z Wojtkiem Latoszkiem to fascynująca podróż przez cały cykl życia biznesu e-commerce. Historia 4gift.pl pokazuje, jak dynamicznie zmieniają się wyzwania – od fundamentalnych problemów z płynnością i zarządzaniem magazynem, przez dążenie do skalowania, aż po strategiczne decyzje w obliczu rosnącej konkurencji i zmieniającego się rynku. Kluczowym wnioskiem jest ewolucja w podejściu do danych: od prostego patrzenia na rachunek bankowy, po zaawansowaną analizę marżowości, rotacji towaru i segmentacji klientów.

Wywiad podkreśla ogromną wartość łączenia danych ilościowych z jakościowymi. To właśnie bezpośrednie rozmowy z klientami w showroomie pozwoliły na stworzenie trafnej segmentacji i dostosowanie komunikacji, co przełożyło się na sukces w kanale online. Jednocześnie, to twarde dane o kurczącej się marży i rosnących kosztach marketingu stały za trudną, ale racjonalną decyzją o wygaszeniu biznesu. To pokazuje, że analityka nie służy tylko do optymalizacji wzrostu, ale także do świadomego zarządzania ryzykiem i podejmowania strategicznych decyzji o przyszłości firmy.

Dla właścicieli małych i średnich e-commerce’ów rozmowa niesie ważne przesłanie: nie trzeba od razu budować skomplikowanych systemów analitycznych. Kluczem jest prostota, skupienie się na kilku najważniejszych metrykach (jak marża czy koszt sprzedaży) i wykorzystanie swojej największej przewagi nad dużymi graczami – zwinności. Zamiast tonąć w „metrykach próżności”, warto zacząć od zdefiniowania kluczowego segmentu klientów i mierzenia efektywności dotarcia do niego, budując kulturę danych krok po kroku.

The post Sklep e-commerce od 1. dnia musi zarabiać – Wojtek Latoszek – Date with Data Talks first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Privacy First i dane w erze post-cookie

AI Native: Od raportów do systemów decyzyjnych

Zysk i retencja ponad akwizycję

Zaawansowany measurement: MMM, inkrementalność i eksperymenty

Konsolidacja Martechu: Mniej narzędzi, więcej wartości

AI jako nowy sposób odkrywania produktów

Nowy model operacyjny: Procesy, governance i AI

Podsumowanie: Główne wnioski i plan działania na 2026

Perspektywa dyrektora e-commerce i analityka

Z kim i dla kogo jest ta rozmowa?

Mariusz Michalczuk: Cześć, witajcie w kolejnym odcinku Date with Data Talks. Dzisiaj, na początku roku, porozmawiamy o trendach, które czekają nas w 2026 roku w e-commerce i marketingu pod kątem wykorzystania danych online. Nie wyobrażam sobie lepszego gościa niż mojego wspólnika, Piotrka Raczkowskiego, który na co dzień opiekuje się projektami dla naszych klientów i zarządza działem Delivery. Cześć Piotrku.

Piotr Raczkowski: Cześć Mariusz. Dzięki za super wprowadzenie. Bardzo się cieszę, że w końcu zostałem zaproszony.

Mariusz Michalczuk: Opowiedz, z jakiej perspektywy będziesz mówił o tych trendach. Z kim pracujemy na co dzień po stronie naszych klientów?

Piotr Raczkowski: W ostatnim roku zidentyfikowaliśmy dwie najważniejsze persony. Pierwszą jest dyrektor e-commerce i to z jego perspektywy chciałbym dzisiaj poprowadzić dyskusję. Drugą jest Head of Analytics, z którym pracujemy w największych polskich organizacjach, wspierając go w bieżącej pracy.

Rzeczy, o których mówimy, dotyczą zarówno menadżerów e-commerce, jak i szefów analityki, tylko z trochę innej perspektywy. Na koniec dnia wszyscy rozmawiają o tych samych wyzwaniach.

Trend 1: Privacy First i dane w erze post-cookie

Wyzwania związane z jakością i stabilnością danych

Mariusz Michalczuk: Przygotowaliśmy siedem trendów, które naszym zdaniem będą rozwijały się w 2026. Zacznijmy od pierwszego: Privacy First and Post-Cookies Data Resilience. Jak to jest z tymi ciasteczkami? Są, czy ich nie ma?

Piotr Raczkowski: To zależy. Chodziło głównie o wycofanie ciasteczek third-party z Google Chrome, ale Google się z tego wycofał. Ten trend jest jednak szerszy niż same ciasteczka; dotyczy jakości danych. Od lat mierzymy się z wyzwaniami: RODO, potem GA4, Consent Mode, a teraz zagrożenie wygaszenia ciastek third-party. Zmian jest bardzo dużo.

Trend ten mówi o tym, że żyjemy w systemie zbierania danych, który jest super dynamiczny. Główne wyzwanie dla dyrektora e-commerce brzmi: czy mogę ufać tym danym, skoro są tak niestabilne? Te zmiany w kierunku prywatności są dobre dla użytkowników, ale dla nas są wyzwaniem.

Mariusz Michalczuk: Czyli ciasteczka trzeciej kategorii miały zniknąć, Chrome podawał już trzy daty, ale ostatecznie nic się nie zmieniło.

Piotr Raczkowski: Tak, Google się z tego wycofał. Co ciekawe, badanie IAB pokazało, że w lutym zeszłego roku około 50% firm deklarowało gotowość na wygaszenie ciastek. Pamiętajmy jednak, że to gotowość deklaratywna. Znamy przypadki, gdzie klientom wydawało się, że są gotowi, a wcale nie byli.

Wobec tego dyrektor e-commerce powinien pamiętać o trzech punktach. Po pierwsze, wybrać najważniejsze KPI (polecam Twój artykuł o KPI tree) i je obserwować. Po drugie, szybko wyłapywać zmiany w tych KPI i metrykach, które mogą je przewidywać, czyli detekcja anomalii. Po trzecie, umieć rozróżnić, czy anomalia to błąd w śledzeniu, czy realna zmiana popytu na nasze produkty.

Trend 2: AI Native: Od raportów do systemów decyzyjnych

Jak sztuczna inteligencja zmieni pracę analityka?

Mariusz Michalczuk: Trend numer dwa, który musiał się pojawić: AI native. Zamiast raportów, systemy decyzyjne. Co tu się będzie działo?

Piotr Raczkowski: Jestem zaskoczony, że AI pojawił się dopiero w drugim trendzie. Najważniejsze hasło to: podejmować decyzje, a nie tworzyć raporty. Rynek analityki internetowej czeka duża rewolucja. Przejdziemy od zbierania danych i przygotowywania dashboardów do sytuacji, w której zmiany będą wyłapywane automatycznie przez AI.

AI pokaże nam pierwsze koncepty, co mogło spowodować te zmiany. Rola analityka zmieni się w kierunku przekuwania tych informacji na faktyczne decyzje biznesowe. Dyrektorzy e-commerce dostaną konkretne wskazówki, na co patrzeć i jakie decyzje podjąć.

Mariusz Michalczuk: Czyli ciężar pracy przesunie się z przygotowania danych na ich analizę. Zamiast zasady 80/20, gdzie 80% czasu to zbieranie danych, a 20% analiza, będzie odwrotnie. Jednak jeśli dane u podstaw będą złe, to zadziała zasada GIGO – garbage in, garbage out.

Piotr Raczkowski: Dokładnie, dlatego zaczęliśmy od jakości danych. Jest jedno duże zagrożenie związane z AI: jeśli będzie implementowane w sposób zdecentralizowany, punktowo przez pojedynczych specjalistów, to każdy będzie to robił inaczej. To przypomina sytuację, gdzie każdy dział marketingowy korzysta z innego panelu i raportuje swoje konwersje, a suma nie zgadza się z danymi z CRM. Tak samo AI może doprowadzić nas do podejmowania błędnych decyzji biznesowych.

Trend 3: Zysk i retencja ponad akwizycję

Dlaczego ROAS is dead, a profit is king?

Mariusz Michalczuk: Przechodzimy do trzeciego trendu: profit i retencja to więcej niż akwizycja. To słuszne, bo akwizycja jest coraz droższa. Co dyrektorzy e-commerce powinni robić w tym kontekście?

Piotr Raczkowski: Zanim odpowiem, mam pytanie do Ciebie. Co sądzisz o mierze ROAS?

Mariusz Michalczuk: Mówi się, że ROAS is dead. W kontekście rosnących kosztów mediów, to moim zdaniem już nieżywa metryka. Trzeba ją pochować. Ale co w zamian?

Piotr Raczkowski: Przywołam dane z raportu Gemiusa i Akademii Leona Koźmińskiego: już 78% badanych Polaków dokonuje zakupów w internecie, a wśród osób powyżej 25. roku życia to ponad 90%. To pokazuje, że tort użytkowników nie będzie rósł w nieskończoność. Nie możemy opierać działań na pozyskiwaniu coraz to nowych, tanich kliknięć.

Mariusz Michalczuk: Zwłaszcza, że demografia jest nieubłagana. Użytkowników będzie raczej ubywać. Co więc zamiast ROAS?

Piotr Raczkowski: Miary pokazujące, jak efektywnie budujemy lojalność: Client Acquisition Cost (CAC) połączony z Lifetime Value (LTV). Kluczowa staje się też marża. Trzeba przesunąć fokus z przychodu na marżę, ponieważ wojna cenowa sprawia, że firmom spada rentowność. Na tym powinny się skupić osoby na wysokich stanowiskach.

Mariusz Michalczuk: Czyli główną metryką w kampaniach powinien być zysk, a nie przychód?

Piotr Raczkowski: Powinniśmy na ten zysk patrzeć. Jeśli dysponujemy danymi o marży, a dzięki Single Source of Truth powinniśmy, to należy wykorzystać jej potencjał. Na przykład optymalizować reklamy w Meta Ads pod marżę, a nie przychód, albo wykorzystywać marżę i LTV do budowania segmentów podobnych użytkowników.

Mariusz Michalczuk: Czyli podsumowując: ROAS is dead, profit is king.

Piotr Raczkowski: Dokładnie tak.

Trend 4: Zaawansowany measurement: MMM, inkrementalność i eksperymenty

Jak podejmować świadome decyzje o budżecie marketingowym?

Mariusz Michalczuk: Trend numer cztery. Measurement w 2026 roku, czyli badanie inkrementalności, eksperymenty kontrolowane i Marketing Mix Modeling.

Piotr Raczkowski: Do tego dochodzi jeszcze atrybucja, która jest dopełnieniem tych metod. Coraz popularniejszym pojęciem w optymalizacji mediów jest triangulacja, czyli wykorzystanie właśnie inkrementalności, atrybucji i MMM do budowania najlepszych praktyk.

Mariusz Michalczuk: To wszystko mądrze brzmi, ale na co konkretnie patrzymy?

Piotr Raczkowski: Chciałbym odesłać do publikacji BCG, która pokazuje sześć kroków do efektywnego measurementu. Pierwszym krokiem jest zdefiniowanie KPI. Znowu wracamy do fundamentu – trzeba wiedzieć, na co patrzymy i mieć framework do optymalizacji marketingu. Badanie BCG i Google pokazuje, że tylko 39% firm w UK ma taki framework wypracowany.

Najważniejsze pytanie dla dyrektora e-commerce to jak zoptymalizować media mix: do którego kanału dosypać, a z którego zabrać? Jeśli będziesz patrzeć na atrybucję, MMM i eksperymenty niezależnie, stawiasz sobie hipotezy, które potem musisz weryfikować. Jeśli dostaniesz sprzeczne sygnały z tych trzech źródeł, decyzja, w którą stronę pójść, staje się polityczna. Kluczowe jest połączenie tych elementów i wiedza, jak do tego podchodzić.

Trend 5: Konsolidacja Martechu: Mniej narzędzi, więcej wartości

Jak efektywnie zarządzać technologią marketingową?

Mariusz Michalczuk: Trend numer pięć: konsolidacja martechu. Mniej narzędzi, więcej użycia. Tych narzędzi jest niesamowicie dużo.

Piotr Raczkowski: Tak, mapa MarTech pokazuje, jak wielu narzędzi możemy korzystać. Klienci często wykorzystują tylko niewielki procent ich potencjału.

Mariusz Michalczuk: Czyli zamiast dziesięciu narzędzi po pięć procent, lepiej mieć trzy i wykorzystywać je w osiemdziesięciu procentach.

Piotr Raczkowski: Dokładnie. Rynek jest trudny. Raport Gartnera pokazuje, że udział wydatków na marketing w przychodach organizacji jest stały lub spadał, a jednocześnie od marketingu oczekuje się wzrostów. To oznacza, że dyrektorzy szukają oszczędności. Obserwujemy u klientów wycinanie nieefektywnych vendorów i skupienie się na pełnej adopcji narzędzi, którym zaufali.

Trend 6: AI jako nowy sposób odkrywania produktów

Zmiana ścieżki zakupowej klienta

Mariusz Michalczuk: Trend numer sześć. Znowu AI, ale tym razem jako narzędzie do odkrywania produktów. O co chodzi?

Piotr Raczkowski: Spotkałem się z podejściem, żeby traktować ChatGPT czy Gemini jako osobny kanał na ścieżce klienta. Mam wrażenie, że to coś więcej. Badanie IAB wskazuje, że rozmowa z AI jest już dla nas drugim źródłem poszukiwania informacji o produkcie, zaraz po wyszukiwarce. To więcej niż dodanie kolejnego kanału – cała ścieżka użytkownika się zmienia.

Gdy zastanawiam się nad zakupem, wrzucam do czatu link do produktu, a on porównuje go z innymi, przygotowuje zestawienie, podaje ceny i rekomendacje. To bardzo skraca proces zakupowy. Nie ma już długiego researchu i mocnej lojalności do marki. Firmy powinny skupić się na tym, żeby ich produkty były dobrze widoczne w systemach rekomendacji sztucznej inteligencji.

Trend 7: Nowy model operacyjny: Procesy, governance i AI

Jak strategicznie wdrażać AI w organizacji?

Mariusz Michalczuk: I ostatni, siódmy trend: Operating model, czyli procesy, governance i AI jako mnożnik efektów. Na co tu zwrócić uwagę?

Piotr Raczkowski: To kontynuacja tego, co mówiliśmy przy drugim trendzie. Potencjał AI jest ogromny. Zmieni się rola analityka – cenieni będą ci z doświadczeniem, którzy potrafią myśleć strategicznie i wykorzystywać AI do optymalizacji działań. Kluczowe jest budowanie całych procesów opartych o sztuczną inteligencję, a nie działanie punktowe.

Raport McKinsey’a pokazuje, że średnio niewiele ponad 1/3 firm wyszła z fazy pilotażu AI. Co więcej, tylko 36% firm, które wdrożyły AI, wskazuje, że pomogło to poprawić rentowność biznesu. To znaczy, że AI jest adaptowane, ale jeszcze nie w najbardziej wartościowych punktach. Zachęcam do tego, aby adaptować AI w taki sposób, by miało realny wpływ na zyskowność firmy.

Podsumowanie: Główne wnioski i plan działania na 2026

Trzy fazy wdrożenia zmian w 2026 roku

Mariusz Michalczuk: To jak dyrektor marketingu czy e-commerce powinien się za to zabrać? Jakie cele postawić sobie na najbliższe miesiące?

Piotr Raczkowski: Proponuję trzy fazy. Pierwsza faza to dane – zadbajcie o to, żebyście patrzyli na dobre dane. Po pierwsze: zdefiniujcie KPI w organizacji, budując KPI tree. Po drugie, zbudujcie odporny system zbierania danych, którym ufacie. To jest wasze Single Source of Truth, które opiera się na dobrej detekcji anomalii i rozumieniu ich przyczyn.

Mariusz Michalczuk: Czyli co śledzimy, jak śledzimy (np. przez GTM Server Side) i gdzie to zbieramy. To pierwszy krok.

Piotr Raczkowski: Dokładnie. Drugi krok to zmiana mindsetu. Wyrzućmy ROAS do śmietnika, skupmy się na zysku, marży, LTV i CAC. Podejdźmy odważniej do eksperymentów i zbudujmy framework, w ramach którego chcemy pracować i optymalizować media.

Mariusz Michalczuk: Czyli podważenie statusu quo i skupienie się na rentowności.

Piotr Raczkowski: Tak. I trzeci priorytet to wykorzystanie AI w działaniach. Przeskoczcie od tworzenia dashboardów do podejmowania decyzji. Ale zróbcie to mądrze – nie punktowo, lecz w oparciu o strategię wykorzystania sztucznej inteligencji w waszym dziale.

Mariusz Michalczuk: Jak moglibyśmy podsumować to, co nas czeka w 2026 roku?

Piotr Raczkowski: Jestem podekscytowany. Czeka nas zmiana, AI bardzo dużo wniesie do naszej branży. To jest to, o czym marzy każdy dobry analityk: żeby jego praca przestała być wykonywaniem zadań, a stała się szukaniem optymalizacji i wspieraniem decyzji.

Mariusz Michalczuk: Czyli zamiast pięknych raportów – przejdźmy do akcji. Super, dzięki wielkie.

Piotr Raczkowski: Dzięki Mariusz. Dziękuję za zaproszenie.

The post Dane online w 2026 – na co zwrócić uwagę w marketingu i e-commerce? first appeared on Conversion.