• W projekcie dla klienta z branży Health & Beauty / FMCG Conversion wykorzystał wcześniej wdrożoną architekturę server-side GTM, aby uruchomić dodatkowy pomiar konwersji zakupowych dla wybranych marek promowanych w aplikacji mobilnej.
• Kluczowym wyzwaniem była potrzeba szybkiego wdrożenia nowej logiki analitycznej bez angażowania zespołu IT, bez zmian w kodzie aplikacji i bez czekania na release oraz aktualizacje po stronie użytkowników.
• Dodatkowo pierwsze próby budowy zdarzenia po stronie aplikacji nie dawały kompletnych danych.
• Zespół przeanalizował dane przesyłane z aplikacji, opracował logikę identyfikującą transakcje dla wskazanych marek i przygotował dodatkowe zdarzenie zakupowe w warstwie server-side GTM, dbając o poprawność danych i zgodność z wymaganiami ekosystemu Google.
• Całość wdrożono bez angażowania zespołu developerskiego klienta.
• Efektem było znaczące skrócenie czasu wdrażania zmian analitycznych, większa elastyczność przy działaniach promocyjnych i partnerskich oraz mniejsze uzależnienie marketingu i analityki od backlogu IT.
• Klient zyskał możliwość uruchamiania nowych konwersji zakupowych w aplikacji bez każdorazowego wydawania nowej wersji aplikacji.
• Projekt potwierdził, że dobrze zaprojektowana architektura server-side GTM może nie tylko poprawiać jakość pomiaru, ale też realnie zwiększać szybkość działania biznesu i przewagę operacyjną w środowisku retailowym.

Punkt wyjścia

W retailu i marketingu cyfrowym sama dostępność danych to za mało. Równie ważna jest możliwość szybkiego reagowania na potrzeby biznesu. Problem zaczyna się wtedy, gdy nawet drobna zmiana w analityce wymaga zaangażowania zespołu IT, publikacji nowej wersji aplikacji i czekania, aż użytkownicy ją zaktualizują.

W tym przypadku klient potrzebował uruchomić dodatkowy pomiar konwersji zakupowych dla wybranych marek promowanych w aplikacji mobilnej. Na pierwszy rzut oka była to niewielka modyfikacja. W praktyce mogła jednak oznaczać długi proces po stronie developmentu i znacznie ograniczyć tempo działania biznesu.

Dzięki temu, że wcześniej wdrożyliśmy server-side GTM, mogliśmy podejść do tego inaczej – szybciej, sprawniej i bez konieczności wprowadzania zmian w kodzie aplikacji.

Wyzwanie: nowa konwersja, stary problem

Klient działa na polskim rynku w modelu retail, w segmencie Health & Beauty / FMCG. W projekcie współpracowaliśmy bezpośrednio z osobą odpowiedzialną za analitykę online w obszarze Marketingu, MarTech & Own Media.

Potrzeba biznesowa była jasna: uruchomić dodatkowe konwersje zakupowe dla transakcji obejmujących wybrane marki, tak aby dokładniej mierzyć skuteczność działań promocyjnych prowadzonych w aplikacji mobilnej. Wydawałoby się proste, a jednak.

W tym projekcie pojawiły się dwa kluczowe ograniczenia. Po pierwsze, dostępność zespołu IT była ograniczona, co utrudniało szybkie wdrażanie zmian. Po drugie, pierwsze próby przygotowania dodatkowego zdarzenia po stronie aplikacji nie dały oczekiwanego efektu — zdarzenia były niekompletne i nie zawierały wszystkich parametrów potrzebnych do dalszego wykorzystania.

To oznaczało realne ryzyko, że zmiana, która biznesowo powinna być szybka i operacyjna, utknie w procesie developmentu, testów, publikacji nowej wersji aplikacji i oczekiwania na aktualizacje po stronie użytkowników

Rozwiązanie: więcej z danych, mniej pracy po stronie aplikacji

Klient miał już wcześniej wdrożony server-side GTM dla aplikacji mobilnej, który zrealizowaliśmy w ramach naszej współpracy. Dzięki temu mieliśmy solidną bazę do kolejnych działań.

Zamiast ingerować w kod aplikacji, zaproponowaliśmy wykorzystanie istniejącej architektury server-side, która daje pełną kontrolę nad danymi jeszcze zanim trafią one na serwery Google. Dzięki temu nie trzeba było przebudowywać aplikacji — wykorzystaliśmy istniejącą warstwę pośredniczącą, by przetworzyć i rozszerzyć dane, które już były zbierane z aplikacji.

Po naszej stronie zakres prac obejmował:

• analizę danych przesyłanych z aplikacji,
• opracowanie logiki identyfikującej transakcje dotyczące wskazanych marek,
• przygotowanie dodatkowego zdarzenia zakupowego w warstwie server-side GTM,
• zadbanie o poprawność i zgodność danych z wymaganiami ekosystemu Google.

Całość wdrożyliśmy bez konieczności angażowania zespołu developerskiego klienta.

W praktyce oznaczało to, że zamiast przebudowywać aplikację, wykorzystaliśmy istniejącą warstwę pośredniczącą do przetworzenia i rozszerzenia danych, które były już zbierane z aplikacji.

Klasyczny model vs. nasze podejście

Klasyczny model:

• angażuje zespół IT i zwiększa koszty implementacji,
• wymaga zmian w kodzie aplikacji,
• oznacza testy i nowy release,
• zależy od aktualizacji aplikacji przez użytkowników,
• utrudnia szybkie reagowanie na potrzeby biznesu.

Nasze podejście:

• wykorzystuje istniejącą architekturę server-side,
• nie wymaga zmian w kodzie aplikacji,
• pozwala wdrażać logikę po stronie GTM,
• uruchamia zmiany bez czekania na aktualizację aplikacji,
• daje większą elastyczność i krótszy time-to-market.

To podejście okazało się szczególnie wartościowe także dlatego, że w trakcie projektu pojawiła się potrzeba zmiany listy marek objętych dodatkową logiką. W klasycznym modelu oznaczałoby to kolejny cykl developmentu i następny release aplikacji. W naszym modelu mogliśmy zareagować znacznie szybciej.

Efekt: szybsze wdrożenia, większa elastyczność, mniej zależności od IT

Najważniejsza zmiana polegała na tym, że Klient zyskał możliwość uruchamiania nowych konwersji zakupowych w aplikacji bez każdorazowego angażowania developerów i bez wydawania nowej wersji aplikacji.

Biznesowo przełożyło się to na:

• krótszy czas wdrażania zmian analitycznych,
• większą elastyczność przy działaniach promocyjnych i partnerskich,
• mniejsze uzależnienie marketingu i analityki od backlogu IT,
• możliwość szybszego uruchamiania pomiaru pod konkretne potrzeby kampanijne.

W środowisku retailowym, gdzie okna decyzyjne są krótkie, a działania promocyjne wymagają szybkiej reakcji, to realna przewaga operacyjna. Dzięki server-side GTM klient nie musiał wybierać między jakością danych a tempem działania.

Big Picture: więcej niż jednorazowe wdrożenie

Ten case nie był jednorazowym obejściem problemu. Potwierdził wartość wcześniej wdrożonej architektury ssGTM – zarówno po stronie webu, jak i aplikacji mobilnej.

I właśnie to jest najważniejszy wniosek z całego projektu: dobrze zaprojektowana architektura analityczna nie tylko zbiera dane. Daje biznesowi większą kontrolę, skraca czas reakcji i pozwala szybciej przekładać potrzeby marketingowe na konkretne działania.

The post Case Study – Gdy analityka musi nadążać za biznesem first appeared on Conversion.

Co znajdziesz w tym artykule?
Co to jest Big Data?
Jakie cechy definiują wielkie zbiory danych? Model 5V
Jakie rodzaje danych składają się na Big Data?
Jakie technologie i narzędzia służą do przetwarzania Big Data?
Gdzie znajduje zastosowanie analityka Big Data?
Jakie korzyści przynosi firmom wykorzystanie Big Data?
Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?
Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Co to jest Big Data?

Big Data to termin opisujący duże zbiory danych. A właściwie tak duże, tak zróżnicowane i tak szybko zmieniające się, że tradycyjne narzędzia przestają wystarczać. Bywają też przez to określane jako wielkie zbiory danych lub po prostu gigadane. Ich skala i złożoność (complexity) przekraczają możliwości arkuszy kalkulacyjnych czy klasycznych baz danych.

W praktyce chodzi jednak nie tylko o sam rozmiar. Big Data to również sposób, w jaki odbywa się przetwarzanie informacji, ich porządkowanie i analiza danych – po to, by wykrywać wzorce, przewidywać zjawiska i podejmować trafniejsze decyzje. To właśnie dlatego temat stał się tak ważny dla biznesu, technologii i innych obszarów, w których liczy się szybka reakcja na zmiany.

Co ważne, dane napływają z wielu różnych źródeł jednocześnie. Mogą pochodzić z mediów społecznościowych, urządzeń Internetu Rzeczy (IoT), aplikacji mobilnych, systemów sprzedażowych czy z innych zasobów, takich jak np. logi systemowe. W efekcie Big Data jest dziś jednym z fundamentów tego, co nazywamy transformacją cyfrową – ponieważ pozwala przekładać ogromne strumienie danych na wiedzę, a następnie na konkretne działania.

Jakie cechy definiują wielkie zbiory danych? Model 5V

Najczęściej wielkie zbiory danych opisuje się współcześnie przez model 5V, który rozwinął wcześniejszy model 3V (skupiający się głównie na skali, szybkości i różnorodności danych – volume, velocity, variety). W niektórych opracowaniach można spotkać model 4V, który do klasycznego 3V dodaje veracity, czyli wiarygodność/jakość danych.

Czasem pojawia się też pojęcie zmienności (variability), które opisuje niestabilność danych i zmieniający się kontekst ich interpretacji. To jednak model 5V pozostaje dziś najczęściej używanym sposobem porządkowania tematu. Obejmuje on pięć kluczowych cech Big Data:

Volume (wolumen)

Inaczej: ilość danych. W praktyce nie mówimy już o megabajtach czy gigabajtach, ale o zasobach liczonych w terabajtach, petabajtach, a czasem nawet w eksabajtach i zettabajtach. To właśnie wolumen danych w Big Data sprawia, że tradycyjne narzędzia szybko przestają być wystarczające.

Velocity (prędkość)

Tempo, w jakim dane są generowane, przesyłane i analizowane. Prędkość ma ogromne znaczenie w Big Data, bo wiele informacji napływa niemal w czasie rzeczywistym – z aplikacji, systemów transakcyjnych, czujników czy platform cyfrowych. W takich warunkach liczy się nie tylko sam dostęp do danych, ale też zdolność do szybkiej reakcji.

Variety (różnorodność)

Big Data to nie jeden format i nie jeden typ informacji. Różnorodność oznacza, że w jednym środowisku mogą pojawiać się jednocześnie liczby, tekst, obrazy, nagrania wideo, logi, dane lokalizacyjne czy dane sensoryczne. Ta “mieszanka” mocno zwiększa stopień trudności analizy.

Veracity (wiarygodność)

Dane muszą być sensowne. Wiarygodność odnosi się do jakości, rzetelności i spójności przetwarzanych informacji. Jeśli dane są błędne, niepełne albo przypadkowe, nawet najlepsza analiza może prowadzić do złych wniosków. Dlatego tak ważna jest ich weryfikacja.

Value (wartość)

Ostatecznie najbardziej liczy się to, czy dane da się przełożyć na decyzje, oszczędności, lepsze prognozy albo przewagę konkurencyjną. Wartość pokazuje, że Big Data nie jest sztuką dla sztuki. Dane mają sens dopiero wtedy, gdy wspierają konkretne cele biznesowe lub operacyjne.

Jakie rodzaje danych składają się na Big Data?

Od formy danych zależy zarówno sposób ich przechowywania, jak i późniejsze przetwarzanie oraz analiza. Big Data obejmuje trzy główne typy informacji:

Dane ustrukturyzowane

Nazywane też danymi strukturalnymi. Mają uporządkowaną formę. Łatwo zapisać je w tabelach, kolumnach i rekordach, dlatego dobrze pasują do relacyjnych baz SQL czy nawet do Excela. Przykładem mogą być dane transakcyjne, listy klientów, stany magazynowe albo wyniki sprzedaży.

Dane nieustrukturyzowane

Znacznie większym wyzwaniem są dane nieustrukturyzowane (niestrukturalne). Nie mają one sztywnego schematu, więc trudniej je zamknąć w klasycznej tabeli. To między innymi teksty, obrazy, nagrania audio, wideo, wiadomości e-mail, posty z mediów społecznościowych czy logi systemowe. Często przyjmuje się, że właśnie ten typ stanowi większość zasobów Big Data – nawet około 80%. Również z tego powodu tak duże znaczenie mają obecnie analiza tekstu i analiza wideo.

Dane częściowo ustrukturyzowane

Pomiędzy nimi znajdują się dane częściowo ustrukturyzowane (półstrukturalne). Mają pewną wewnętrzną organizację, ale nie na tyle sztywną, by traktować je jak klasyczne dane tabelaryczne. Dobrym przykładem są pliki JSON, XML, logi aplikacyjne czy dane z formularzy online.

Dane strumieniowe i sensoryczne

We współczesnych systemach coraz większą rolę odgrywają też dane strumieniowe i dane sensoryczne. To właśnie one sprawiają, że Big Data jest dziś tak dynamiczne i tak mocno związane z analizą zdarzeń “tu i teraz”.

• Dane strumieniowe napływają w sposób ciągły, często w czasie rzeczywistym, np. z aplikacji, platform płatniczych czy systemów monitoringu.
• Dane sensoryczne natomiast pochodzą z czujników, urządzeń IoT, maszyn przemysłowych albo urządzeń wearable.

Jakie technologie i narzędzia służą do przetwarzania Big Data?

Samo zgromadzenie danych to dopiero początek. Żeby Big Data miało wartość, potrzebne są jeszcze odpowiednie technologie, które poradzą sobie z dużą skalą, różnorodnością formatów i szybkim napływem informacji. W praktyce oznacza to przetwarzanie rozproszone, elastyczne magazynowanie danych i narzędzia, które pozwalają analizować je szybciej niż klasyczne systemy.

Apache Hadoop i Apache Spark

Jednym z fundamentów Big Data pozostaje ekosystem Apache Hadoop. To zestaw narzędzi zaprojektowanych do pracy na dużych zbiorach danych w wielu maszynach jednocześnie. Ważną rolę odgrywa HDFS (Hadoop Distributed File System), czyli system plików rozkładający dane pomiędzy różne węzły klastra, oraz MapReduce, model obliczeń, który dzieli zadania na mniejsze części i przetwarza je równolegle.

Obok Hadoop bardzo ważny jest dziś również Apache Spark. W przeciwieństwie do klasycznego MapReduce stawia on mocniej na przetwarzanie w pamięci (in-memory), dzięki czemu wiele operacji wykonuje się szybciej. To szczególnie istotne w projektach, gdzie liczy się analiza interaktywna, praca na strumieniach danych albo uczenie modeli analitycznych.

NoSQL i obsługa danych nieustrukturyzowanych

Niestety, nie wszystko da się wygodnie zapisać w tabelach. Z pomocą przychodzi tutaj NoSQL, czyli podejście inne niż klasyczne relacyjne bazy danych. Bazy danych NoSQL dobrze radzą sobie z danymi nieustrukturyzowanymi i półstrukturalnymi, a także z bardzo dużą skalą zapisu i odczytu.

Do najczęściej przywoływanych przykładów należą MongoDB i Cassandra. MongoDB jest popularny przy pracy z dokumentami i elastycznym schematem danych, a Cassandra sprawdza się tam, gdzie liczy się wysoka dostępność i rozproszenie danych pomiędzy wieloma serwerami. Klasyczny SQL wciąż pozostaje ważny, ale w Big Data często działa obok narzędzi NoSQL, a nie zamiast nich.

Jeziora danych i hurtownie danych

W kontekście przechowywania danych często pojawiają się dwa pojęcia: jezioro danych (data lake) oraz hurtownia danych.

Hurtownia danych to ustrukturyzowane repozytorium, w którym dane są najpierw oczyszczane, transformowane i organizowane według z góry określonego schematu, a dopiero potem trafiają do systemu. Dobrze sprawdzają się w sytuacjach, gdzie pytania analityczne są z grubsza znane z góry (np. raporty sprzedażowe, finansowe, operacyjne). Dane są gotowe do użycia od razu po załadowaniu, ale elastyczność jest ograniczona.

Jezioro danych działa odwrotnie. Dane trafiają do systemu w surowej postaci – ustrukturyzowane, częściowo ustrukturyzowane i nieustrukturyzowane – bez narzuconego z góry schematu. Nakłada się go dopiero w momencie odczytu, zależnie od tego, do czego dane mają służyć. To zapewnia dużą elastyczność, ale wymaga większej dojrzałości analitycznej po stronie użytkownika. Co to znaczy? Bez dobrego zarządzania jezioro danych szybko zamienia się w tzw. bagno danych – zbiór plików, z którego nie da się już wydobyć niczego sensownego.

Chmura, integracja i automatyzacja analizy, machine learning

Coraz więcej środowisk Big Data działa dziś w modelu chmury obliczeniowej (cloud computing). Zapewnia ona skalowalność, której firmy potrzebują dziś tak bardzo przy rosnących wolumenach danych. Nie trzeba też od razu budować własnej infrastruktury – można dowolnie zwiększać moc obliczeniową i przestrzeń dysku.

Duże znaczenie mają wreszcie narzędzia do przesyłania i przygotowywania danych. Kafka jest często wykorzystywana do obsługi strumieni danych, a procesy ETL i ELT pomagają przenosić, porządkować i przekształcać dane pomiędzy systemami.

W warstwie analitycznej nadal królują Python i SQL, bo pozwalają zarówno przygotowywać dane, jak i budować modele analityczne. Coraz częściej dochodzi do tego także sztuczna inteligencja i uczenie maszynowe, które automatyzują wykrywanie wzorców i przyspieszają analizę.

Gdzie znajduje zastosowanie analityka Big Data?

Analityka Big Data znajduje zastosowanie wszędzie tam, gdzie dane napływają szybko, w dużej skali i z wielu źródeł jednocześnie. Dotyczy to dzisiaj już nie tylko biznesu cyfrowego.

Medycyna i ochrona zdrowia

W sektorze zdrowia Big Data wspiera diagnostykę medyczną, analizę wyników badań i ocenę ryzyka chorób. Duże znaczenie ma też analiza genomu, która pozwala lepiej rozumieć zależności genetyczne i dobierać bardziej precyzyjne terapie. Do tego dochodzą wearables, czyli urządzenia monitorujące aktywność, tętno czy sen, które dostarczają danych niemal w czasie rzeczywistym.

Finanse i bankowość

W finansach analityka danych pomaga w wykrywaniu oszustw, ocenie ryzyka i monitorowaniu nietypowych zachowań transakcyjnych. Jest też wykorzystywana w obszarach takich jak HFT (High-Frequency Trading), gdzie liczy się błyskawiczne przetwarzanie informacji i reakcja na zmiany rynkowe.

Logistyka, inteligentne miasta i fabryki

W transporcie Big Data wspiera planowanie dostaw, zarządzanie flotą i optymalizację procesów operacyjnych.

Na tej samej zasadzie działa koncepcja Smart City, w której dane z kamer, czujników, sygnalizacji i systemów miejskich pomagają lepiej zarządzać ruchem, energią czy bezpieczeństwem w miastach.

W tzw. obszarze Przemysłu 4.0 analityka Big Data wspiera automatyzację i nadzór nad produkcją. W praktyce oznacza to inteligentne fabryki, w których maszyny, sensory i systemy raportują dane bez przerwy, dzięki czemu możliwa jest konserwacja predykcyjna (przewidywanie awarii, zanim faktycznie do nich dojdzie).

Marketing i e-commerce

W marketingu i handlu internetowym Big Data napędza personalizację oferty, rekomendacje produktów i segmentację klientów. To właśnie na tej logice działają systemy rekomendacji znane z takich platform jak Netflix czy Spotify.

Jakie korzyści przynosi firmom wykorzystanie Big Data?

Najważniejsza korzyść z Big Data polega na tym, że firmy mogą podejmować decyzje na podstawie faktów i twardych danych, a nie intuicji (podejście data-driven). Zapewniają to narzędzia z obszaru Business Intelligence, a także czytelna wizualizacja danych i dashboardy, które porządkują najważniejsze wskaźniki. To przekłada się na szybsze reakcje, lepsze planowanie i większą kontrolę nad kosztami, a więc także na realną oszczędność czasu.

Równie ważne jest lepsze zrozumienie klientów. Analiza behawioralna pozwala sprawdzać, jak użytkownicy podejmują decyzje, a analiza churn pomaga wychwycić sygnały odejścia. Łatwiej stworzyć spersonalizowane oferty i produkty. Z kolei analiza predykcyjna, modele predykcyjne, analiza trendów i prognozowanie trendów wspierają planowanie przyszłości – od sprzedaży po zarządzanie ryzykiem.

Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?

W Big Data wyzwaniem nie jest tylko ilość informacji, ale też ich legalne, bezpieczne i etyczne wykorzystanie. Dokładniej rzecz biorąc:

Rosną wymagania związane z RODO (GDPR). Unia Europejska nakłada ścisłe zasady dotyczące tego, jak firmy zbierają, przechowują i wykorzystują dane użytkowników. Chodzi tu nie tylko o ochronę danych osobowych, ale też o prywatność danych, zgodność celu przetwarzania i przejrzystość wobec osób, których dane dotyczą.

Co do zasady, im większy zbiór danych, tym mniejsza jego odporność na incydenty z obszaru cyberbezpieczeństwa, więc zapewnienie odpowiedniego poziomu zabezpieczeń stanowi osobne wyzwanie.

Istotna pozostaje kwestia jakości danych i ich wiarygodności, bo błędne lub niepełne informacje prowadzą do błędnych analiz i złych decyzji.

Dochodzi do tego wreszcie etyka: nawet jeśli dane można przetwarzać formalnie zgodnie z prawem, to czy sposób, w jaki je wykorzystujemy, jest uczciwy i proporcjonalny wobec użytkownika?

Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Data Scientist to zawód, który łączy statystykę, programowanie i rozumienie biznesu, żeby zamieniać dane w użyteczne wnioski. Taka osoba zajmuje się m.in. eksploracją danych (data mining), szukaniem zależności, budowaniem modeli opartych o uczenie maszynowe (machine learning) oraz wykorzystywaniem rozwiązań z obszaru sztucznej inteligencji (AI). W praktyce właśnie na tym polega nauka o danych (data science): nie tylko na zbieraniu informacji, ale też na ich interpretacji, modelowaniu i przekładaniu wyników na decyzje.

W codziennej pracy Data Scientist korzysta z narzędzi takich jak Python, język R i SQL, a wyniki prezentuje często przez Tableau lub Power BI. Jego zadaniem jest zrozumieć dany problem i zaproponować model, który pomoże przewidywać zjawiska albo lepiej wspierać biznes.

Warto odróżnić tę rolę od innych specjalizacji z dziedziny danych. Analityk danych (data analyst) zwykle skupia się bardziej na raportowaniu, dashboardach i interpretacji bieżących wyników, a inżynier danych (data engineer) odpowiada przede wszystkim za infrastrukturę, przepływ danych i przygotowanie środowiska do analizy. Data Scientist stoi trochę pomiędzy nimi. Korzysta z gotowych danych, ale idzie też o krok dalej – buduje modele i szuka odpowiedzi na bardziej złożone pytania.

The post Big Data – co to jest i dlaczego ma dziś tak duże znaczenie? first appeared on Conversion.

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.

Model danych w analityce: Z czym się zmagamy?
Czym jest model danych w analityce?
Nowe standardy architektury danych – jak data mesh i composable CDP zmieniają model danych w marketingu
Model danych a migracja do Google Analytics 4
Kluczowa rola modelu danych w marketingu
Model danych Conversion: Nasze podejście
Własny model danych: Atrybucja i BigQuery
Podsumowanie

Model danych w analityce: Z czym się zmagamy?

Taka sytuacja wynika z braku spójnego modelu danych. To właśnie model danych w analityce pozwala uporządkować informacje, zdefiniować reguły ich interpretacji i ujednolicić raportowanie. Dzięki temu możliwe jest przedstawienie rzeczywistego obrazu działalności firmy, bez nakładających się wyników i błędnych wniosków. Model danych to fundament skutecznej analizy i raportowania w obszarze marketingu internetowego oraz e-commerce. Warto zrozumieć, czym dokładnie jest i dlaczego jego prawidłowe zaprojektowanie ma kluczowe znaczenie dla uporządkowania danych i wyciągania trafnych wniosków biznesowych.

Wiele firm zmaga się z chaosem informacyjnym — dane pochodzą z różnych źródeł, są niespójne, trudno je zintegrować i przeanalizować. Bez odpowiedniego modelu danych trudno o rzetelne raportowanie i oceny skuteczności działań marketingowych.

Czym jest model danych w analityce?

Model danych to struktura opisująca, w jaki sposób dane są zorganizowane, powiązane i przechowywane. Określa, jakie dane zbieramy, jak je ze sobą łączymy, jakie mają typy i jakie relacje między sobą zachodzą. Dzięki temu możliwe jest tworzenie spójnych raportów, analizowanie lejków sprzedażowych, ocena efektywności kampanii czy monitorowanie KPI.

W kontekście narzędzi takich jak Google Analytics, Google BigQuery czy CRM, dobrze zaprojektowany model danych pozwala na precyzyjne łączenie danych z różnych źródeł i ich skuteczne wykorzystanie w działaniach analitycznych. To z kolei przekłada się na lepsze decyzje biznesowe i większą efektywność działań marketingowych.

W kolejnych częściach wpisu przedstawię przyklady zastosowania modelu danych w praktyce oraz omówię najczęstsze błędy, które utrudniają jego prawidłowe wdrożenie. Pojęcie modelu danych może wydawać się nieco enigmatyczne. Aby je lepiej zrozumieć, warto porównać model danych do planu budowy domu.

Wyobraź sobie, że planujesz budowę domu. Pierwszym krokiem jest zakup projektu, który następnie dostosowujesz do swoich potrzeb. Model danych pełni podobną funkcję — to szczegółowy plan organizacji danych w firmie. Określa, jakie dane gromadzisz, gdzie się znajdują, jak wyglądają i jaką mają formę końcową.

Budowa domu bez planu prowadzi do chaosu. Możesz sądzić, że w jednym miejscu powinna być sypialnia, w innym kuchnia, a jeszcze gdzie indziej łazienka. Po zakończeniu budowy może się jednak okazać, że układ pomieszczeń jest nielogiczny i trudny do użytkowania. W rezultacie korzystanie z takiego domu staje się niewygodne i wymaga czasu na przyzwyczajenie się.

Podobnie jest z danymi. Brak przemyślanego modelu danych skutkuje tym, że ich analiza staje się nieintuicyjna, a korzystanie z informacji — nieefektywne. Model danych to fundament, który pozwala firmie świadomie zarządzać informacjami i podejmować trafne decyzje. Czy takie podejście do analityki danych jest efektywne? Przejście z Universal Analytics do Google Analytics 4 dla wielu firm przypominało przeprowadzkę do nowego domu bez planu i bez znajomości układu pomieszczeń.

Nowe standardy architektury danych – jak data mesh i composable CDP zmieniają model danych w marketingu

W 2025 r. coraz więcej firm w marketingu przechodzi od klasycznego, scentralizowanego modelu danych do nowoczesnych architektur takich jak Data Mesh czy wykorzystanie Composable Customer Data Platform. Taki shift pozwala na lepszą skalowalność, elastyczność i integrację danych – co ułatwia spójne raportowanie i szybsze reakcje marketingowe.

Dlaczego composable CDP to przyszłość danych marketingowych – korzyści dla e-commerce i analityki

Composable CDP integruje dane o klientach bezpośrednio w chmurze firmowej, bez potrzeby tworzenia oddzielnej bazy. Dzięki temu unikasz duplikacji danych, zachowujesz pełną kontrolę nad infrastrukturą i łatwiej łączysz dane z CRM, analityki i kanałów sprzedaży – co zwiększa precyzję segmentacji i poprawia jakość insightów.

Model danych a migracja do Google Analytics 4

W Universal Analytics obowiązywał dobrze znany model sesyjny. Użytkownicy wiedzieli, jak poruszać się po raportach, jak są zbudowane i jak z nich korzystać. Często korzystali z gotowych raportów w Excelu lub wizualizacji w Looker Studio. Model sesyjny opierał się na sesjach i odsłonach stron. Choć mniej elastyczny, dawał jasne ramy. Zdarzenia miały przypisane konkretne parametry — kategorię, etykietę i akcję. Struktura była przejrzysta i przewidywalna.

W GA4 zmieniło się niemal wszystko. Brak klasycznego modelu sesyjnego, inna struktura danych i nowe podejście do zdarzeń wymagają przemyślanej adaptacji. Warto zadbać o strukturalne podejście do wdrożenia — bez tego łatwo się pogubić w nowym układzie raportów i danych. Wraz z wdrożeniem Google Analytics 4, opartego na eventowym modelu danych, pojawiła się większa elastyczność w sposobie gromadzenia informacji. Nowy system opiera się na zdarzeniach oraz przypisanych do nich parametrach. Choć daje to większe możliwości, jednocześnie stwarza ryzyko chaosu w raportowaniu, jeśli nie zostanie poprzedzone odpowiednim planem struktury danych.

Brak spójnego modelu danych utrudnia korzystanie nawet z predefiniowanych raportów w GA4. Tworzenie własnych eksploracji staje się jeszcze trudniejsze. W Google BigQuery dane z GA4 wyglądają inaczej niż te znane z Universal Analytics (GA3). Dla osób nietechnicznych, szczególnie z działów biznesowych, analiza tych danych może być niezrozumiała. Nawet doświadczeni analitycy muszą zmierzyć się z nową strukturą, która znacząco różni się od tej znanej z poprzedniej wersji.

Kluczowa rola modelu danych w marketingu

Model danych jest kluczowy w marketingu. Umożliwia szybki dostęp do właściwych informacji, a przede wszystkim – sprawia, że cała organizacja posługuje się wspólnym językiem analitycznym. Dobrze zaprojektowany model danych ułatwia zarówno codzienną pracę, jak i generowanie analiz wspierających decyzje biznesowe. To fundament skutecznej analityki i warunek skutecznego wykorzystania potencjału Google Analytics 4. Model danych odgrywa kluczową rolę, zwłaszcza gdy dane pochodzą z różnych źródeł. Umożliwia zaplanowanie i połączenie tych źródeł w sposób, który zachowuje ich użyteczność biznesową.

Dzięki dobrze zaprojektowanemu modelowi danych nie trzeba analizować wielu raportów oddzielnie ani ręcznie dołączać danych wewnętrznych. To częsty błąd popełniany przez agencje marketingowe, które tworzą raporty na podstawie danych z każdego narzędzia osobno, bez uwzględnienia spójnego modelu.

Różne narzędzia analityczne i reklamowe – takie jak Google Analytics 3, Google Analytics 4, Google Ads czy Meta Ads – opierają się na odmiennych modelach danych. Nawet w przypadku tej samej platformy, jak Google Analytics, zmiana wersji wiąże się ze zmianą struktury danych. Brak ujednoliconego modelu może prowadzić do niespójności i błędnych wniosków.

W jednym z naszych materiałów omówiliśmy pięć najczęstszych błędów popełnianych przez agencje marketingowe w raportowaniu. Wśród nich znalazło się właśnie raportowanie bez uwzględnienia wspólnego modelu danych. Model danych w marketingu otwiera drogę do bardziej zaawansowanej analizy. Warto zatem wyjaśnić, czym taki model jest na konkretnym przykładzie.

Model danych Conversion: Nasze podejście

W Conversion wypracowaliśmy podejście do modelowania danych oparte na Google Analytics 4 oraz innych systemach reklamowych i wewnętrznych narzędziach wykorzystywanych w analitycznym stacku naszych klientów. Surowe dane z GA4 łączymy z informacjami pochodzącymi z CRM-ów, plików CSV oraz narzędzi marketingowych.

Zawsze uwzględniamy dane z Google Ads, Meta Ads i innych systemów reklamowych wykorzystywanych przez klienta. Jeżeli w ekosystemie pojawiają się dodatkowe narzędzia, model danych zostaje uzupełniony również o nie. Proces analizy danych opieramy na modelu danych, który tłumaczy surowe informacje z różnych źródeł – w tym z Google Analytics 4 – na uporządkowaną strukturę eventową. Z danych GA4 wyodrębniamy eventy, sesje, informacje o użytkownikach oraz transakcjach e-commerce. Na tej podstawie tworzymy zestawy danych, które są fundamentem do dalszych analiz.

Model danych stanowi kluczowy element naszych rozwiązań analitycznych. Dzięki niemu możemy wykorzystywać sprawdzone frameworki, m.in. do segmentacji użytkowników, analizy lifetime value, analizy koszyka, a także do stosowania modeli atrybucji i definicji grup kanałów. Te elementy wspierają tworzenie produktów opartych na danych oraz umożliwiają gromadzenie wyników analiz w wewnętrznej strukturze typu Customer Data Platform.

Spójna definicja danych pozwala na łatwe rozszerzanie modelu o kolejne komponenty. Informacje z GA4 traktujemy jako stałe źródło danych. W przypadku innych źródeł, takich jak CRM czy systemy wewnętrzne klienta, dane są każdorazowo dostosowywane do naszego modelu analitycznego. Dzięki znajomości zarówno danych analitycznych, jak i narzędzi marketingowych, jesteśmy w stanie dostarczyć realną wartość – zgodnie z priorytetami biznesowymi klienta. Poniżej poprawiony i przekształcony tekst w formie artykułu blogowego:

Własny model danych: Atrybucja i BigQuery

Model danych Conversion stanowi podstawę do tworzenia produktów analitycznych dopasowanych do potrzeb klienta. Dzięki spójnemu modelowi danych możliwe jest generowanie zaawansowanych raportów, takich jak analiza tablicy sesyjnej. Na jej podstawie można budować kolejne zestawy danych, na przykład tablice z poszczególnymi konwersjami, które uwzględniają pełne ścieżki użytkowników.

To rozwiązanie pozwala uzyskać wgląd, którego brakuje w Google Analytics 4 w porównaniu do Universal Analytics. W Universal Analytics dostępne były szczegółowe ścieżki użytkowników — zarówno konwertujących, jak i niekonwertujących — co znacząco ułatwiało analizę zachowań.

Przykład raportu widoczny na ekranie uwzględnia różne modele atrybucji. Jedną z kluczowych zalet wykorzystania własnego modelu danych jest możliwość szybkiego odtworzenia modeli atrybucji dostępnych w GA4, a także stworzenia własnych, dostosowanych do konkretnych potrzeb biznesowych. Dzięki temu raportowanie może być nie tylko szybsze, ale również znacznie bardziej precyzyjne i dopasowane do specyfiki danej organizacji. W sytuacji, gdy zarząd pyta o źródło konkretnych wyników konwersji, Google Analytics 4 może nie dostarczyć wystarczająco przejrzystej odpowiedzi. GA4 wykorzystuje tzw. blackboxowy model atrybucji, którego działania nie da się jednoznacznie wyjaśnić. W takiej sytuacji pomocne okazuje się podejście oparte na własnym modelu danych i autorskim modelu atrybucji. Pozwala ono precyzyjnie wskazać, skąd pochodzą wyniki i jak zostały przypisane do konkretnych źródeł.

Jeśli osoby decyzyjne uznają, że przypisanie powinno wyglądać inaczej, model danych umożliwia stworzenie nowego, dopasowanego modelu atrybucji. Dzięki temu można nie tylko zrozumieć źródło danych, ale też dostosować analizę do specyfiki biznesu.

Przykładem gotowej analizy opartej na własnym modelu danych jest raport ścieżek wielokanałowych. Umożliwia on przypisanie konwersji do odpowiednich punktów styku, co wspiera tworzenie bardziej zaawansowanych i dopasowanych modeli atrybucji. Modelowanie atrybucji to jeden z najważniejszych efektów dobrze przygotowanego modelu danych. Wciąż pozostaje jednak pojęciem niedostatecznie zrozumianym na rynku.

W przygotowanym przez nas poradniku omawiamy różne modele atrybucji w Google Analytics 4. Wszystkie modele opisane w materiale opierają się na tzw. czarnych skrzynkach – czyli gotowych algorytmach, które są automatycznie nakładane na zbierane dane. Oznacza to, że sposób działania tych modeli nie jest do końca przejrzysty, a użytkownik nie ma pełnej kontroli nad sposobem przypisywania wartości do poszczególnych punktów styku.

Dlatego tak istotne jest, aby przed zastosowaniem modelowania atrybucji zadbać o odpowiednią jakość danych i ich właściwą strukturę. Tylko wtedy wyniki analiz będą miały realną wartość biznesową. Własny model danych pozwala znacznie łatwiej wyjaśnić innym, jak działa mechanizm konwersji. W przypadku wątpliwości można go nie tylko zrozumieć i wytłumaczyć, ale też szybko poprawić, jeśli pojawią się sugestie zmian.

Warto porównać, co daje własny model danych zintegrowany z Google BigQuery, a co oferuje Google Analytics 4. W GA4 dostępne są standardowe modele atrybucji, takie jak Last Click czy Data Driven Attribution. Ten ostatni działa jak swoista „czarna skrzynka” – trudno dokładnie odtworzyć, jak podejmuje decyzje.

W BigQuery można natomiast zbudować dowolny model atrybucji – np. First Click, Last Click – oraz dostosować go do specyfiki biznesowej. Dzięki temu możliwe jest pełne odwzorowanie logiki przypisywania konwersji, zgodnie z indywidualnymi potrzebami.

To jedna z istotnych zalet BigQuery – możliwość tworzenia własnych, przejrzystych modeli atrybucji, których nie oferuje GA4. W Google BigQuery można tworzyć własne modele analityczne na podstawie wcześniej przygotowanego modelu danych. Proces ten przebiega sprawnie i pozwala szybko uzyskać szczegółowe wyniki.

Jedną z głównych zalet wykorzystania modelu danych na surowych danych z BigQuery jest możliwość przeprowadzenia głębokiej analizy ścieżek użytkownika. Taki model pozwala uwzględnić różne interakcje w obrębie sesji – jak źródła ruchu, kampanie czy konkretne kanały marketingowe.

W przypadku Google Analytics 4 analiza opiera się na predefiniowanych modelach oraz danych, które są już przetworzone. Przez to nie są one tak szczegółowe jak dane dostępne w BigQuery.

Kolejnym atutem BigQuery z modelem danych jest większa elastyczność w definiowaniu okna konwersji, co pozwala lepiej dopasować analizę do specyfiki danego biznesu. Można ustawić 7-, 14-, 30- lub 90-dniowe okno konwersji, dopasowane do cyklu biznesowego. W Google Analytics 4 to ustawienie jest narzucone i ograniczone.

Kolejnym aspektem jest analiza wpływu kampanii marketingowych. W przypadku Google BigQuery, dzięki elastycznemu modelowi danych, możliwe jest przypisywanie wartości konwersji w niestandardowy sposób. Przykładowo, można uwzględnić udział danego kanału w ścieżce konwersji przy użyciu algorytmów uczenia maszynowego lub innych mechanizmów. W GA4 konwersje przypisywane są zgodnie ze standardowymi regułami.

Podsumowanie

Model danych można porównać do drzwi, które otwierają firmie kolejne możliwości w analizie danych. Każdy element tej „analitycznej rezydencji” to osobne pomieszczenie, które wnosi dodatkową wartość. Wszystko zaczyna się od surowych danych – to one są fundamentem dalszych analiz i decyzji biznesowych. Na zintegrowane dane nakładany jest model danych. Wcześniej dane są łączone między systemami, a efektem działania modelu są gotowe analizy lub data produkty, które dostarczają realną wartość biznesową. Zarówno data produkty, jak i wyniki analiz można traktować jako kolejne „pomieszczenia” w strukturze analitycznej organizacji.

Model danych jest kluczowym elementem wdrożenia hurtowni danych. Zawsze stanowi drugi krok – po integracji danych. Warto zrozumieć, czym jest model danych w marketingu i dlaczego ma tak duże znaczenie. Uporządkowanie danych i nadanie im struktury umożliwia nie tylko automatyzację analiz, ale przede wszystkim podejmowanie trafniejszych decyzji biznesowych.

Jeśli problem opisany we wstępie jest Ci bliski i czujesz, że model danych może być rozwiązaniem, warto rozważyć jego wdrożenie. To skuteczne narzędzie, które realnie wspiera działania marketingowe i analityczne.

Zachęcam do skorzystania z bezpłatnych konsultacji. Na konkretnych przykładach, również z Twojej branży, pokażemy, jak model danych może wspierać marketing i analizy w Twojej firmie.

The post Model danych – czym jest i dlaczego jest ważny w marketingu? first appeared on Conversion.

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

Poznaj naszego gościa: Dawid Majewski

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

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

Kluczowa rola danych w e-commerce oponiarskim

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

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

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

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

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

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

Nietypowe dane i ich wpływ na strategię

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

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

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

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

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

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

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

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

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

Budowanie społeczności i dane jakościowe

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

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

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

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

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

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

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

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

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

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

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

Współpraca z producentami i testowanie komunikatów

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

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

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

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

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

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

Pomiar efektywności niestandardowych kanałów marketingowych

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

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

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

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

Organizacja analityki i stack technologiczny w SklepOpon.com

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

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

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

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

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

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

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

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

Ścieżka kariery Dawida Majewskiego i marketing oparty na danych handlowych

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

AI w branży motoryzacyjnej: Przyszłość analityki i zatowarowania

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

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

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

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

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

Mariusz Michalczuk: Dokładnie tak. Dzięki wielkie.

Podsumowanie: Główne wnioski z rozmowy

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

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

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

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

The post Dawid Majewski – Handel bez marketingu nie istnieje – Date with Data Talks first appeared on Conversion.

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

Droga Kamila Zawiślaka do analityki i CRO

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

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

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

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

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

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

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

Budowanie kultury CRO i testów A/B w organizacji

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

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

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

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

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

Framework efektywnego procesu optymalizacji konwersji

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

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

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

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

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

Mariusz Michalczuk: Trochę za późno wtedy na priorytetyzację.

Najważniejsze praktyczne rady dla wdrożenia CRO

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

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

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

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

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

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

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

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

Zaskakujące przypadki testów A/B z praktyki

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

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

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

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

Podejście data-driven vs. data-informed

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

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

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

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

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

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

Podsumowanie: Najważniejsze wnioski z rozmowy

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

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

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

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

Mariusz Michalczuk: Zdecydowanie. Do zobaczenia. Cześć.

Kamil Zawiślak: Dzięki. Cześć.

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

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

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