Czego dowiesz się z tego wywiadu:

Ewolucja podejścia do danych w polskim e-commerce

Testowanie hipotez i optymalizacja ścieżki zakupowej

Badania z użytkownikami i UX na światowym poziomie

Sztuczna inteligencja w analityce i biznesie internetowym

Podsumowanie: Główne wnioski z rozmowy

Ewolucja podejścia do danych w polskim e-commerce

Od decyzji opartych na intuicji do pełnej analityki

Mariusz Michalczuk: Cześć. Witam Was w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Moim i Waszym gościem dzisiaj jest Bartosz Ratajewski. Cześć Bartku. Miło mi, że przyjąłeś moje zaproszenie. Jakbyś mógł opowiedzieć o swoim dużym doświadczeniu w e-commerce i tym, czym się teraz zajmujesz.

Bartosz Ratajewski: Cześć. Z perspektywy czasu mogę powiedzieć, że miałem dużo szczęścia. Jeżeli popatrzę wstecz przez pryzmat ostatnich piętnastu lat, miałem możliwość tworzenia, budowania i zarządzania e-commerce chociażby w Media Expert, który dzisiaj jest świetnym przykładem tego, jak budować Omnichannel. W moim portfolio znajduje się też Empik.com, jeden z pierwszych omnichannelowych marketplace’ów w Polsce, oraz RTV Euro AGD, lider sprzedaży elektroniki konsumenckiej. Robiłem bardzo interesujące rzeczy, miałem możliwość przetestowania wielu rozwiązań i starałem się robić to przede wszystkim w oparciu o podejmowanie decyzji na podstawie danych.

Mariusz Michalczuk: 20 lat niesamowitego doświadczenia w największych e-commerce’ach w Polsce. Powiedz, jak z Twojej perspektywy przez ten czas zmieniało się podejście do decyzji opartych na danych? Jak to wyglądało na początku, kiedy e-commerce w Polsce dopiero się rodził, a jak wygląda dzisiaj?

Bartosz Ratajewski: Wrócę do okresu 2005-2010. Niesamowite jest to, że w tamtych czasach większość decyzji była podejmowana na podstawie tego, co się komu podobało. Analiza i zbieranie danych w zasadzie nie istniały. Bardzo często była po prostu osoba, która dobrze zarabiała i wydawała decyzje bazując na własnym doświadczeniu lub intuicji. Do 2010 roku bardzo rzadko wykorzystywano dane, a nawet jeśli to robiono, mało kto wiedział po co. Uważam, że ogromna zmiana nastąpiła w latach 2011-2012. Coraz więcej firm zyskiwało świadomość. Przypisuję tę zmianę świetnej pracy ekipy z polskiego Google’a, która wyedukowała rynek i pokazała, że analityka to narzędzie do zyskania przewagi nad konkurencją.

Przełamywanie barier w organizacjach

Mariusz Michalczuk: Pamiętam programy, w ramach których Google jeździło po miastach i pokazywało możliwości reklamowe czy analityczne. W środowisku panowało wtedy pojęcie HiPPO – Highest Paid Person’s Opinion, czyli opinia najlepiej opłacanej osoby.

Bartosz Ratajewski: Dokładnie. Nawet gdy organizacje zyskiwały świadomość, widziałem dyskusje, w których twarde dane przegrywały z opinią. Droga do punktu, w którym zarządy stwierdzały, że analityka to jedyny słuszny kierunek, nie była łatwa. Zależało to też od branży. Ci, którzy pierwsi adoptowali nowości, zyskiwali przewagę. To podobne zjawisko do tego, z czym mamy do czynienia dzisiaj przy sztucznej inteligencji. Świat jest pełen firm, które nie wykorzystały okazji – wystarczy spojrzeć na Nokię, Kodaka czy rynek telewizorów zdominowany dziś przez marki z Azji.

Mariusz Michalczuk: Zgadza się. Założyliśmy Conversion w 2010 roku i na początku byliśmy na rynku traktowani jako ciekawostka. To zaczęło się zmieniać po kilku latach, gdy wszedł Google Tag Manager (uwalniający marketerów od działów IT), płatne wersje Analytics i nastąpił słynny „rok mobile”. Przejdźmy jednak do praktyki. Jak dobieraliście metryki w procesach e-commerce i jak wykorzystywaliście te dane?

Testowanie hipotez i optymalizacja ścieżki zakupowej

Znaczenie weryfikacji pomysłów

Bartosz Ratajewski: Każdy podmiot e-commerce zaczynał od analizowania ścieżki zakupowej i checkoutu. Największą lekcją jest to, że dzisiaj nie mamy problemu ze zbieraniem danych – mamy ich wielokrotnie więcej niż kiedyś. Problemem jest to, jak z nich korzystać. Dane są niczym, jeśli nie podejmujesz na ich podstawie decyzji. Niestety, często spotykam się ze zjawiskiem, w którym organizacje wybierają tylko te dane, które pasują do z góry założonej tezy. Powinno być odwrotnie: powinniśmy wychwytywać wzorce i na ich podstawie testować hipotezy.

Mariusz Michalczuk: Wspominałeś na LinkedInie o doborze metryk i o tym, że w marketingu chodzi o testowanie hipotez. Jak to dokładnie wyglądało w Twoich projektach?

Bartosz Ratajewski: Trzeba zostawić przestrzeń na intuicję, ale traktować ją wyłącznie jako hipotezę, którą należy zweryfikować. Każdą zmianę w procesie warto wdrażać jako test, sprawdzając, czy parametry rzeczywiście ulegają poprawie. Mam ciekawy przypadek inicjatywy, za którą dałbym sobie uciąć głowę. Była to konsolidacja metod płatności i odbioru w koszyku. Wydawało się, że z punktu widzenia UX to idealne rozwiązanie. Z przeprowadzonych testów wyszło jednak, że kluczowe metryki drastycznie się pogorszyły. Przyzwyczajenia klientów i rynkowe standardy okazały się silniejsze niż nasza chęć uproszczenia widoku.

Mariusz Michalczuk: To świetny przykład. Czasami w optymalizacji wydaje nam się, że upraszczamy, a ostatecznie to uderza w sprzedaż.

Bartosz Ratajewski: Dlatego nie ma znaczenia, co nam się wydaje. Zawsze musimy opierać się na testach. Kiedy ktoś pyta mnie, co można poprawić na jego stronie, odpowiadam, że najpierw muszę zobaczyć dane. Moja opinia może być całkowicie błędna w zderzeniu z rynkiem, specyfiką produktu czy strategią firmy.

Mariusz Michalczuk: Dokładnie. Dane to podpowiedź, wniosek i podstawa do postawienia hipotezy. Reszta to przetestowanie tej koncepcji na żywym organizmie.

Zakupy jako gość a długofalowa strategia

Bartosz Ratajewski: Drugim świetnym przykładem są zakupy bez rejestracji. Badania Instytutu Baymard pokazują, że około 30% użytkowników porzuca proces zakupowy, jeśli sklep wymaga założenia konta. Wdrożenie opcji „zakup jako gość” ewidentnie podnosi konwersję. Ale z drugiej strony, jeśli spojrzymy na aplikacje mobilne największych graczy, tam zrobienie zakupów bez konta jest niemal niemożliwe. Wymaga tego strategia lojalizacyjna firmy. Musimy więc decydować: czy zależy nam na szybkiej konwersji z ruchu webowego, czy na budowaniu długofalowej wartości klienta w aplikacji.

Mariusz Michalczuk: Zauważyłem to. W większości aplikacji mobilnych faktycznie mamy wymuszone logowanie i konta. To zupełnie inne podejście niż w klasycznym ruchu webowym.

\

Badania z użytkownikami i UX na światowym poziomie

Znaczenie pytania klientów o zdanie

Bartosz Ratajewski: Wracamy tu do ważnego punktu: często zastanawiamy się, jak ułożyć proces, zupełnie zapominając o zapytaniu klientów, czego oni oczekują. Robienie badań i wywiadów z klientami to jeden z największych kroków w dojrzałości e-commerce. Bardzo szybko możemy zweryfikować nasze koncepcje poprzez mock-upy i prototypy. Zdarzało się, że ktoś w firmie upierał się przy danym rozwiązaniu latami, a podczas badań z użytkownikami okazywało się, że klienci zupełnie nie rozumieją intencji projektanta. Jeden dzień testów potrafi zaoszczędzić firmie miesięcy bezcelowej pracy i milionów złotych.

Optymalizacja listingu produktowego

Mariusz Michalczuk: Byliście z jednym ze sklepów w top 1% rankingu Baymard Institute w kategorii listingu produktów i filtrowania na mobile. To ogromne osiągnięcie w skali światowej. Co złożyło się na ten sukces?

Bartosz Ratajewski: To był długi proces ciągłej pracy nad poszczególnymi elementami serwisu. Nie można skupić się tylko na jednej metryce i nie można uogólniać wyników z różnych kroków ścieżki. Zupełnie inaczej liczy się dodanie do koszyka z listingu, a inaczej z karty produktu. Testowaliśmy m.in. obecność przycisku „dodaj do koszyka” bezpośrednio na listingu. Odpowiedź na pytanie, czy ten przycisk tam pasuje, zależy wyłącznie od branży. Przy produktach AGD/RTV, gdzie atrybutów technicznych jest mnóstwo, użytkownik często musi wejść na kartę produktu, żeby podjąć decyzję. Z drugiej strony, jeśli produkt jest znany i klient szuka wyłącznie najlepszej ceny, przycisk na listingu znacząco skraca jego drogę.

Mariusz Michalczuk: Przypomina mi to projekt, który prowadziliśmy dla jednej z porównywarek cenowych. Testowaliśmy, czy na listingu lepiej sprawdzają się kafelki ze zdjęciami, czy widok z listą parametrów technicznych. Okazało się, że kafelki generowały o 10% wyższą konwersję. Mimo oporu zarządu, który uważał parametry za niezbędne, przeprowadziliśmy test trzy razy, badając też wskaźnik NPS. Testy definitywnie udowodniły rację użytkowników.

Bartosz Ratajewski: I to jest doskonały przykład. Często forma prezentacji zależy wprost od specyficznej kategorii produktowej. Warto schodzić z analityką właśnie na ten poziom szczegółowości.

Sztuczna inteligencja w analityce i biznesie internetowym

Szanse i pułapki wdrożeń AI

Mariusz Michalczuk: Przejdźmy do tematu, który jest dzisiaj na ustach wszystkich – sztucznej inteligencji. Jak oceniasz stan wdrożeń AI w e-commerce?

Bartosz Ratajewski: Prawie wszyscy o tym mówią, ale zazwyczaj kończy się na korzystaniu z ChatGPT jako zaawansowanej wyszukiwarki. Prawdziwe wdrażanie napotyka na barierę nieuporządkowanych procesów wewnętrznych. Krąży trafne powiedzenie: „Jeśli wpuścisz AI do bałaganu, otrzymasz zautomatyzowany bałagan”. Automatyzacja wymaga jasnych, klarownych i powtarzalnych procedur.

Sztuczna inteligencja to ogromna szansa, zwłaszcza dla małych i średnich firm, które mogą w ten sposób zasypać dystans do liderów rynku. Przestrzegam jednak organizacje przed traktowaniem AI wyłącznie jako pretekstu do cięcia kosztów i zwalniania ludzi. AI nie powinno służyć redukcji załogi, ale uwolnieniu zasobów, aby zespół mógł skupić się na przegonieniu konkurencji, zdobywaniu nowych rynków czy ulepszaniu usług.

AI jako wirtualny asystent analityka

Mariusz Michalczuk: Zastanawiam się, jak to wpłynie na pracę analityków internetowych. Część ich pracy to powtarzalne mechanizmy filtrowania i zestawiania danych.

Bartosz Ratajewski: Zapotrzebowanie na analizy w firmach jest ogromne, a największym wąskim gardłem zawsze była przepustowość działu danych. Widzę olbrzymią przestrzeń do automatyzacji raportowania i przeprowadzania researchu przez dedykowanych agentów AI. Szybkość i precyzja, z jaką maszyna potrafi przetworzyć ogromne zbiory danych, są niesamowite. Oczywiście weryfikacja i ostateczna odpowiedzialność nadal będzie po stronie człowieka, ale AI to prawdziwy „game changer” zwiększający możliwości operacyjne każdego biznesu.

Mariusz Michalczuk: Pełna zgoda. Analityka składa się z zebrania danych, ich analizy, postawienia hipotez i rekomendacji. Maszyna w wielu tych aspektach już dziś jest świetna. Odpowiedzialność za weryfikację i odwagę do testowania ponoszą jednak liderzy. Trzeba dać organizacjom przyzwolenie na popełnianie błędów podczas testów.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla branży e-commerce

Rozmowa udowadnia, jak ogromną transformację przeszedł polski sektor e-commerce – od intuicyjnych, ryzykownych decyzji biznesowych, po kulturę silnie opartą na analityce (Data-Driven). Historia uczy, że utrzymywanie status quo bywa najbardziej niebezpieczną strategią, o czym przekonały się dawne potęgi technologiczne.

Kluczowym wnioskiem dotyczącym optymalizacji jest konieczność ciągłego testowania hipotez. Przykłady przytoczone przez Bartosza Ratajewskiego pokazują, że rozwiązania oczywiste z punktu widzenia designu (np. minimalizacja kroków czy integracja płatności) potrafią paradoksalnie zaniżyć sprzedaż. O ostatecznym sukcesie decydują nawyki klientów i specyfika konkretnej kategorii produktowej, co sprawia, że każdą zmianę należy weryfikować w środowisku testowym.

Pojawienie się zaawansowanej sztucznej inteligencji otwiera nowy rozdział w e-commerce i analityce. Należy jednak pamiętać, że warunkiem skutecznego wdrożenia AI jest uporządkowanie wewnętrznych procesów firmy. Ostateczną przewagę konkurencyjną zyskają te organizacje, które wykorzystają nową technologię do zwiększania innowacyjności oraz uwalniania potencjału kreatywnego swoich zespołów, a nie jedynie do prostego cięcia kosztów.

The post Dane w e-commerce to przewaga – Bartosz Ratajewski – Date with Data Talks first appeared on Conversion.

DataOps – co to jest i dlaczego jest ważne?
Manifest DataOps – klient i zespół
Organizacja pracy i technologia
Analityka jako linia produkcyjna
Podsumowanie

DataOps – co to jest i dlaczego jest ważne?

DataOps to podejście do zarządzania danymi, które integruje narzędzia, procesy i ludzi w celu efektywnego i jakościowego przetwarzania danych w organizacji. Łączy najlepsze praktyki z obszarów DevOps, analityki danych i zarządzania jakością. Celem DataOps jest usprawnienie przepływu danych – od ich pozyskania, przez przechowywanie, aż po analizę i raportowanie. Przekłada się to na szybsze oraz bardziej wiarygodne wnioski biznesowe.

W kolejnych częściach artykułu opiszę, jak wdrożenie DataOps wpływa na procesy analityczne oraz jakie korzyści może przynieść firmom wykorzystującym narzędzia Google z rodziny Google Analytics oraz Google BigQuery. DataOps to zestaw praktyk, procesów i technologii, które koncentrują się na procesowym podejściu do danych oraz automatyzacji. Wykorzystuje metody znane z Agile i inżynierii oprogramowania, aby poprawić jakość, szybkość oraz współpracę w zespołach analitycznych. Dzięki temu możliwe jest szybsze dostarczanie rozwiązań odpowiadających na rzeczywiste potrzeby biznesowe.

DataOps można porównać do DevOps w obszarze wytwarzania oprogramowania, jednak tutaj chodzi o usprawnienie procesu wyciągania wniosków i formułowania rekomendacji na podstawie danych. To organizacja pracy pozwalająca na sprawniejsze i szybsze działania analityczne, co przekłada się na większe zadowolenie odbiorców końcowych.

Podsumowując, DataOps przenosi dobre praktyki DevOps na zarządzanie pipeline danych, usprawniając cały proces analityczny. Dlaczego jest to istotne? DataOps pozwala na efektywniejsze wykorzystanie danych w firmie, co przekłada się na przewagę konkurencyjną i lepsze decyzje biznesowe. Dlaczego warto spojrzeć na ten temat z perspektywy rynku, marketingu i e-commerce? To właśnie z tymi branżami najczęściej współpracujemy. Obserwujemy obecnie wyraźną zmianę trendów w analityce internetowej. Kończy się era, w której głównym efektem działań analitycznych były rozbudowane dashboardy oparte na wielu źródłach danych.

W praktyce wyglądało to tak, że analityk przygotowywał raport, często dopasowując dane na bieżąco. Zdarzało się, że liczby w raportach były niespójne i wymagały dodatkowej walidacji przez odbiorców biznesowych. W przeszłości iteracje analiz danych często powtarzano wielokrotnie. Raporty generowano ręcznie i jednorazowo, zwykle w odpowiedzi na pojedyncze zapytania właścicieli biznesowych. Wykrywanie błędów polegało na tym, że ktoś zauważał, iż dane wyglądają nietypowo. Niedawno jeden z klientów opisał, że praca analityka w poniedziałkowy poranek polega na przeglądaniu dashboardów i analizie metryk. Analityk na podstawie swojego doświadczenia wskazuje miejsca, które wymagają dokładniejszej analizy.

DataOps to podejście, w którym wszystkie procesy są precyzyjnie opisane i uporządkowane. Monitoring danych odbywa się w sposób ciągły i automatyczny. Można to porównać do produkcji przemysłowej, gdzie kontrola jakości towarzyszy całemu procesowi – od początku do końca. Warto zwrócić uwagę na spostrzeżenie, że obecnie insighty generowane są szybciej, niż odbiorcy zdążą zidentyfikować nowe problemy biznesowe. Istotność DataOps z perspektywy Conversion jest nie do przecenienia. Głównym celem firmy jest wspieranie innych organizacji w rozwoju poprzez efektywne wykorzystanie danych. Wzrost ten jest bardziej efektywny, gdy czas od zidentyfikowania problemu do przekazania rekomendacji jest możliwie najkrótszy. Wieloletnie doświadczenie pokazuje, że wiele firm traktowało analitykę jako jednorazowy projekt, zapominając, że prawdziwy zwrot z danych pojawia się wtedy, gdy analiza staje się ciągłym procesem.

Manifest DataOps – klient i zespół

Z tego powodu w strategii Conversion DataOps zajmuje kluczowe miejsce. Fundamentem tej koncepcji jest manifest DataOps. Rozmowy na temat manifestu rozpoczęły się w Conversion na początku poprzedniego roku. Przez ostatnie miesiące manifest ten stał się integralną częścią działań firmy, dlatego Conversion dzieli się nim z szerszym gronem odbiorców. Manifest DataOps nie został stworzony przez nas, lecz jest oficjalnym dokumentem, który został spisany i jest dostępny online. Link do manifestu znajduje się w opisie. Poniżej przedstawiamy omówienie poszczególnych punktów manifestu oraz ich znaczenie w kontekście naszej codziennej pracy z klientami i realizacji podejścia DataOps.

Punkty 1-2: Zadowolenie i wartość

Punkt pierwszy – zadowolenie klienta to kluczowy priorytet. Najważniejsze jest zaspokajanie potrzeb klienta poprzez wczesne i ciągłe dostarczanie wartościowych analiz – od kilku minut do kilku tygodni. Słowo „ciągłe” odgrywa tu szczególną rolę. Wdrożenie analityki warto traktować nie jako jednorazowy projekt, na przykład stworzenie dashboardu, ale jako wdrożenie całego procesu. Chodzi o budowę kultury wykorzystania danych w organizacji.

Dotychczas praca analityka często kończyła się na przygotowaniu dashboardów, które później służyły osobom decyzyjnym do podejmowania decyzji i wyciągania wniosków. Tymczasem skuteczna analityka opiera się na ciągłym działaniu, które obejmuje nie tylko wdrożenie narzędzi, ale także wykorzystanie KPI i stałe doskonalenie procesów. To proces, a nie jednorazowe działanie od audytu do audytu danych. Punktem pierwszym jest zadowolenie klienta.

Drugi punkt to wartość działającej analityki, gdzie głównym miernikiem wydajności analityki danych pozostaje stopień dostarczania trafnych analiz opartych na dokładnych danych, w solidnych ramach i systemach. Te dwa aspekty częściowo się pokrywają – jeśli analityka nie dostarcza wartościowych analiz na bieżąco, jej rola znacząco maleje. Warto podkreślić, że oba te elementy są ze sobą powiązane. Kluczowe jest, aby analityka przynosiła realne korzyści biznesowe i była oparta na rzetelnych danych. Tylko wtedy możliwe jest podejmowanie trafnych decyzji oraz budowanie zaufania klientów do prowadzonych działań. Nie skupiamy się na dostarczaniu analiz czy raportów według wcześniej ustalonego harmonogramu. Współpraca z klientami opiera się na rozmowie o ich problemach i celach. Kluczowe jest określenie, jakie wyzwania ma rozwiązywać nasza praca, a nie tylko realizacja konkretnych próśb, jak np. precyzyjniejsze mierzenie ROAS w poszczególnych kanałach. Wspólnie z klientem wypracowujemy metodykę, która pozwala lepiej optymalizować podział budżetów mediowych.

Podstawowe pytanie, które stawiamy przed rozpoczęciem pracy, brzmi: dlaczego? Szukamy uzasadnienia dla każdej analizy i mierzenia, rozpoczynając od zrozumienia potrzeb biznesowych.

Punkty 3-5: Zmiana i współpraca

Akceptujemy zmiany i rozwijające się potrzeby klientów, traktując je jako przewagę konkurencyjną. Najskuteczniejszą metodą komunikacji pozostaje rozmowa twarzą w twarz, która pozwala lepiej zrozumieć cele i oczekiwania klienta. Najważniejszym aspektem jest rozwijanie się wraz z potrzebami klientów. Proces nie kończy się na zmapowaniu oczekiwań, realizacji projektu i uznaniu, że zadanie zostało wykonane. Segment analityki internetowej i firmy, z którymi współpracujemy, cechują się dużą dynamiką. Potrzeby klientów zmieniają się często nawet z tygodnia na tydzień. Brak elastyczności i niedostosowanie metodyki pracy do tych zmian ogranicza wartość, jaką możemy dostarczyć.

Akceptacja zmian stała się nieodłącznym elementem naszej pracy, szczególnie w ciągu ostatnich pięciu lat. Od początku pandemii świat i środowisko biznesowe nieustannie się zmieniają. Kluczowe jest szybkie reagowanie na nowe wyzwania i zmiany pojawiające się na rynku. W przypadku zauważenia zmiany popytu, zmian w działaniach konkurencji lub innych anomalii w danych, szybka reakcja jest kluczowa. Odkładanie decyzji na później może prowadzić do strat.

DataOps to sport drużynowy. Zespoły analityczne składają się z osób o różnych rolach, umiejętnościach, preferowanych narzędziach i tytułach. Różnorodność doświadczeń i opinii zwiększa innowacyjność oraz produktywność. W ostatnich latach coraz wyraźniej widać specjalizację w zespołach analitycznych. Nie istnieje już rola „analityka od wszystkiego”, podobnie jak kiedyś nie było już „informatyka od wszystkiego”, który rozwiązywał każdy problem związany z komputerami. Rola analityka zmienia się dynamicznie, co było już widoczne podczas analizy trendów w branży.

Obecnie jeden specjalista nie odpowiada za cały proces – od zbierania danych, przez ich przetwarzanie, wizualizację, aż po wyciąganie wniosków. Taki model działania odchodzi do przeszłości. W pracy z klientami stosujemy podejście, w którym każdy klient ma dedykowanego opiekuna analitycznego doskonale rozumiejącego specyfikę biznesu. Ten opiekun jest wspierany przez pozostałych członków zespołu, którzy dzielą się wiedzą i doświadczeniem. Dzięki wdrożonym w firmie procesom wymiany wiedzy, każdy klient korzysta z doświadczenia całego zespołu, a nie tylko jednej osoby. To zapewnia wysoki poziom usług i pozwala skutecznie realizować cele biznesowe. Punkt piąty manifestu dotyczy codziennej interakcji. Klienci, zespoły analityczne i operacyjne muszą współpracować każdego dnia przez cały czas trwania projektu. W tym obszarze doskonale sprawdza się nasz model opieki analitycznej. Współpraca z klientami nie ogranicza się jedynie do realizacji określonych zadań, ale obejmuje też sprawną reakcję na bieżące wydarzenia. Kluczowe jest szybkie reagowanie, gdy pojawi się coś istotnego. W przypadku współpracy z Kim Tamy pracujemy w modelu, w którym angażujemy się przez kilka dni w miesiącu. Codzienne rozmowy i poświęcanie czasu na wspólne analizy nie są możliwe w tym trybie.

Komunikacja często odbywa się asynchronicznie, na przykład za pośrednictwem Slacka. Pozwala to na szybkie omawianie pojawiających się problemów i natychmiastowe reagowanie. Skupiamy się na tym, aby w przypadku wystąpienia alertu lub problemu reakcja nastąpiła jak najszybciej. Dzięki temu klient nie musi czekać tygodniami na rozwiązanie zgłoszonego zagadnienia.

Organizacja pracy i technologia

Punkty 6-9: Samoorganizacja i ciągłe doskonalenie

Punkt szósty manifestu dotyczy samodzielnej organizacji. Najlepsze analizy, algorytmy, architektury, wymagania i projekty powstają w samoorganizujących się zespołach. W Conversion kluczowy jest swobodny przepływ wiedzy. Zespoły nie pracują w modelu, w którym każdy analityk jest ciągle nadzorowany przez innych członków zespołu. Opieramy się na zaufaniu do kompetencji i odpowiedzialności naszych pracowników. Każdy klient działa inaczej. Niektórzy potrzebują codziennego kontaktu, innym wystarczy rozmowa raz na tydzień lub dwa. Współpracę często uzupełnia asynchroniczna komunikacja. Nie narzucamy z góry określonych modeli współpracy, ponieważ klienci mają różne potrzeby i wymagają indywidualnego podejścia. Dlatego personalizujemy doświadczenie współpracy. Każda organizacja znajduje się na swoim etapie rozwoju i wymaga odpowiedniego wsparcia. Niektórzy klienci cenią sobie stałą dostępność zespołu i poczucie, że zawsze mogą na nas polegać. Często pełnimy rolę wsparcia w gotowości do działania.

Punkt siódmy – redukcja bohaterstwa. Wraz ze wzrostem tempa i zakresu potrzeb analitycznych, zespoły analityczne powinny ograniczać poleganie na indywidualnych osobach. Kluczowe jest budowanie zrównoważonych i skalowalnych procesów analitycznych, które nie są uzależnione od konkretnej jednostki. Takie podejście wpisuje się w zasady DataOps, gdzie procesy muszą być odporne na nieobecność pojedynczych członków zespołu. W ostatnich tygodniach kilku klientów zgłosiło, że choć wcześniej prowadzili analitykę, po odejściu analityka muszą wszystko budować od nowa. Taka sytuacja przeczy koncepcji DataOps. Proces analityczny powinien działać jak sprawna maszyna, która potrafi szybko uzupełniać braki kadrowe i utrzymywać ciągłość działań.

Ósmy punkt manifestu DataOps podkreśla, że zespoły analityczne powinny regularnie doskonalić swoją wydajność. Niezbędna jest tu samoocena, oparta na opiniach klientów, współpracowników oraz analizie statystyk operacyjnych. Jako firma specjalizująca się w danych, stawiamy na ciągłe doskonalenie procesów, aby zapewnić stabilność i rozwój analityki niezależnie od zmian personalnych. W zespole realizujemy bardzo wiele pomiarów. Zgodnie ze słowami Petera Druckera: „Czego nie zmierzysz, tego nie poprawisz”. Analiza danych pozwala nam na systematyczne doskonalenie procesów.

Warto pamiętać o systemowych usprawnieniach, które omawiamy regularnie – na przykład co miesiąc lub co kwartał. Dzięki temu DataOps nie staje się jednorazowym projektem, który po wdrożeniu działa samodzielnie, lecz stale utrzymywanym i udoskonalanym procesem. Każdy element systemu wymaga regularnej uwagi, aby całość funkcjonowała sprawnie. Kluczowe znaczenie ma szybkie reagowanie na pojawiające się problemy. W przypadku wykrycia błędów lub nieszczelności w procesach, koncentrujemy się na szukaniu rozwiązań i usprawnianiu działań, zamiast szukać winnych. Pozwala to skutecznie unikać podobnych sytuacji w przyszłości i stale podnosić jakość prowadzonych analiz.

Analityka to kod. Zespoły analityczne korzystają z różnych narzędzi do pozyskiwania, integracji, modelowania i wizualizacji danych. Każde z tych narzędzi generuje kod i konfigurację, które opisują działania podejmowane na danych w celu wyciągania wniosków. To niezwykle istotny element w kontekście procesów. Podobnie jak w przypadku wdrażania oprogramowania, można testować analizy w różnych wariantach oraz wykorzystywać różne metody statystyczne do obserwacji anomalii.

Nie wystarczy raz opracować rozwiązanie i uznać, że jest ono najlepsze, a powrót do wcześniejszej wersji nie ma sensu. Podejście do analityki jak do kodu, czyli stosowanie wersjonowania i analizowanie skuteczności wprowadzanych zmian, umożliwia ciągły rozwój procesów analitycznych. Silne powiązania pomiędzy poszczególnymi elementami analityki są bardzo widoczne. Przykładem jest zależność między podejściem „analityka to kod” a koniecznością refleksji i ciągłego dążenia do doskonałości. Przechodząc do praktyki, coraz częściej odchodzimy od analiz opartych wyłącznie na interfejsie narzędzi analitycznych czy tworzeniu zrzutów ekranu z tych narzędzi. Zamiast tego, skupiamy się na rozwijaniu kodu SQL i pracy w środowisku bazodanowym, takim jak Google BigQuery. Większość analiz realizujemy właśnie tam, opierając się na własnych modelach danych. Takie podejście pozwala łatwiej powielać i dostosowywać analizy – nie trzeba tworzyć wszystkiego od nowa, wystarczy dopasować istniejący kod zgodnie z zasadą „analiza to kod” do aktualnych potrzeb.

Punkty 10-12: Orkiestracja i środowiska

Dziesiąty punkt manifestu dotyczy orkiestracji. Całościowa orkiestracja danych, narzędzi, kodu, środowisk i pracy zespołów analitycznych stanowi kluczowy czynnik sukcesu analitycznego. Orkiestracja bywa często mylona z prostym łączeniem elementów. Tymczasem, podobnie jak w orkiestrze, gdzie różne instrumenty grają razem, najważniejszą rolę pełni dyrygent. Oprócz ustalania, jak dane mają się ze sobą komunikować i jakie są klucze połączenia, istotne jest również określenie, jak wygląda sam proces wymiany informacji i w jaki sposób jest kontrolowany.

Kluczowe elementy orkiestracji to harmonogramy i zależności – wiemy, od czego zależą poszczególne etapy oraz mamy jasno określony cel działania. Orkiestracja pozwala także na stałe monitorowanie jakości danych i szybkie odpowiadanie na pytania, na przykład: „Czy dane są poprawne?”. To istotny aspekt DataOps, który umożliwia utrzymanie wysokiej jakości procesów analitycznych. Kolejnym ważnym elementem jest zapewnienie powtarzalności. Wyniki muszą być powtarzalne, dlatego należy wersjonować dane, konfigurację sprzętu i oprogramowania, a także kod i konfigurację specyficzną dla każdego narzędzia w łańcuchu narzędziowym. Dzięki temu rozwiązanie, które działa u jednego klienta, może zostać odtworzone również u innego klienta. Jedną z największych zalet Conversion jest zespół analityków, który pracuje nad rozwiązaniami w taki sposób, aby ich praca była powtarzalna i skalowalna. Nie ograniczamy się do jednorazowych analiz czy pojedynczego wykrywania anomalii. Wypracowujemy metodyki, które następnie wdrażamy jako standardy działania całego zespołu. Dzięki temu, gdy pojawia się podobny problem u innego klienta, możemy szybko wykorzystać gotowe rozwiązania, narzędzia i fragmenty kodu, które już wcześniej przetestowaliśmy w praktyce. Budujemy nie tylko know-how, ale również procesy i narzędzia, które pozwalają efektywnie wdrażać analitykę danych w różnych organizacjach.

Punkt dwunasty manifestu dotyczy środowiska tymczasowego. Minimalizowanie kosztów eksperymentowania w zespołach analitycznych wymaga zapewnienia łatwych do stworzenia, izolowanych, bezpiecznych i jednorazowych środowisk technicznych, które odwzorowują środowisko produkcyjne. Praktyka ta pochodzi ze świata DevOps i rozwoju oprogramowania. Kluczowe jest, by nie testować zmian bezpośrednio na zarządowym dashboardzie. Tylko takie podejście pozwala zachować bezpieczeństwo oraz wysoką jakość danych. Jednocześnie środowiska testowe powinny jak najwierniej odzwierciedlać realne warunki produkcyjne.

Analityka jako linia produkcyjna

Punkty 13-15: Prostota i jakość

Punkt trzynasty: Prostota. Ciągła dbałość o doskonałość techniczną i dobry projekt zwiększa zwinność zespołu. Prostota odgrywa tu kluczową rolę. Sztuka maksymalizowania ilości pracy, której nie trzeba wykonywać, pozwala działać szybciej, taniej i stabilniej. Warto jednak pamiętać, że wartość i zadowolenie klienta są miarą tego, czy rozwiązanie nie jest zbyt uproszczone.

Punkt czternasty: Analityka to produkcja Pipelines analityczne można porównać do linii produkcyjnych w produkcji LIN. Podstawową koncepcją DataOps jest skupienie się na myśleniu procesowym, które prowadzi do ciągłego zwiększania efektywności w generowaniu wniosków analitycznych. Porównanie wniosków analitycznych do produkcji namacalnych dóbr jest trafne, ponieważ w obu przypadkach kluczowe znaczenie ma kontrola jakości zarówno na wejściu, jak i na wyjściu. W procesie analitycznym konieczne jest badanie jakości wszystkich komponentów, które są wykorzystywane na kolejnych etapach analizy. W analizie danych kluczowe jest, aby generowane insighty przekładały się na realną wartość biznesową. Nie zawsze tak się dzieje, dlatego warto zwracać uwagę na efektywność procesów analitycznych.

Procesy analityczne można porównać do różnych linii produkcyjnych, które mogą pełnić odmienne funkcje w firmie. Przykładowo, osobne procesy mogą odpowiadać za monitorowanie marży, obliczanie client acquisition cost czy analizę danych w CRM. Każdy z tych obszarów może działać niezależnie, jednak wszędzie powinny obowiązywać te same zasady jakości.

Jednym z najważniejszych aspektów skutecznej analityki jest jakość danych. Pipeliny analityczne należy budować na solidnych fundamentach, które umożliwiają automatyczne wykrywanie nieprawidłowości oraz problemów związanych z bezpieczeństwem w kodzie, konfiguracji i danych. Istotne jest także zapewnienie ciągłego feedbacku dla operatorów, co pozwala unikać błędów i stale podnosić jakość procesów analitycznych. Jakość danych jest kluczowa w analityce internetowej, szczególnie w erze rozwoju AI. Zasada GIGO (Garbage In, Garbage Out) doskonale obrazuje, jak ważne jest dbanie o solidne fundamenty w procesie zbierania danych. Jeśli u podstaw pojawią się błędy, nie można oczekiwać wiarygodnych wyników na kolejnych etapach analizy.

Porównanie do linii produkcyjnej jest bardzo trafne – kiedyś wiele procesów realizowano ręcznie, co niosło ryzyko większej liczby pomyłek. Podobnie w analityce, nawet zaawansowane narzędzia AI nie zastąpią odpowiednich procesów zarządzania danymi i roli DataOpsów. Dbanie o jakość danych to podstawa skutecznej analizy i wyciągania trafnych wniosków. DataOps to przede wszystkim proces, który dzięki AI zostaje przyspieszony i zautomatyzowany. Automatyzacja pozwala szybciej i sprawniej utrzymywać wysoką jakość danych. Rola analityków koncentruje się na kontroli jakości oraz wyciąganiu kluczowych insightów z danych.

Automatyzacja wielu procesów przypomina sytuację z produkcją tuńczyka przygotowywanego do puszek – większość etapów odbywa się automatycznie, jednak najbardziej wymagające i wrażliwe zadania pozostają w rękach ludzi. Podobnie w analityce, najważniejsze decyzje i analizy nadal wymagają zaangażowania specjalistów. Proces staje się znacznie szybszy.

Punkty 16-18: Monitorowanie i ponowne wykorzystanie

Monitorowanie jakości i wydajności to kluczowy element w analizie danych. Celem jest wdrożenie miar wydajności, bezpieczeństwa i jakości, które są monitorowane w sposób ciągły. Dzięki temu możliwe jest szybkie wykrywanie nieoczekiwanych zmian oraz generowanie statystyk operacyjnych. W bardziej zaawansowanych projektach warto wdrożyć dashboardy DataOps. Pozwalają one zespołom stale optymalizować działania, wspierać refleksję nad procesami i utrzymywać wysoką jakość pracy. Coraz większą rolę w tym obszarze odgrywają narzędzia oparte na AI, które automatyzują wykrywanie anomalii i podnoszą efektywność monitoringu. Optymalizacja powinna być oparta na danych. Wszystkie działania należy mierzyć, aby uzyskać rzetelny obraz sytuacji i wdrażać skuteczne usprawnienia. Celem nie jest rozliczanie, lecz analiza i optymalizacja procesów.

Punkt 17. Ponowne wykorzystanie. Kluczowym elementem efektywności produkcji wniosków analitycznych jest unikanie powielania wcześniejszych działań przez osoby lub zespoły. Każdy element pracy analitycznej powinien być replikowany. Kluczowe jest nie tylko dokumentowanie działań, ale także umożliwienie zespołowi korzystania z wypracowanych rozwiązań. Podczas realizacji analizy nie należy tworzyć wszystkiego od nowa. Warto unikać podejścia opartego na „heroizmie” i zamiast tego dążyć do szybkiego rozwiązywania problemów oraz budowania procesów. Jeśli zespół napotyka nowy problem, należy sprawdzić, czy podobne wyzwanie zostało już wcześniej rozwiązane i wykorzystać istniejące rozwiązania. Takie podejście pozwala zwiększyć efektywność i skrócić czas realizacji kolejnych projektów.

Osiemnasty punkt manifestu Data Ops dotyczy poprawy czasu w cyklu. Celem jest minimalizowanie czasu i wysiłku potrzebnego na przekształcenie potrzeby klienta w pomysł analityczny, zrealizowanie go w fazie rozwoju, wdrożenie jako powtarzalny proces produkcyjny, a następnie refaktoryzowanie i ponowne wykorzystanie tego rozwiązania. Kluczowym efektem DataOps jest skrócenie czasu między pojawieniem się potrzeby a dostarczeniem rozwiązania, które ją adresuje.

Podsumowanie

To podejście wyznacza kierunek rozwoju nowoczesnej analityki. Wdrażanie wszystkich 18 punktów manifestu DataOps w pełni to ambitny cel. Conversion konsekwentnie buduje procesy oparte na DataOps, kładąc nacisk na ciągłe doskonalenie i szybkie dostarczanie wartości biznesowej z danych. Wierzymy, że dzięki temu klienci szybciej osiągają swoje cele, a analityka lepiej wspiera rozwój ich biznesu. Na rynku często obserwuje się, że firmy skupiają się na organizacji danych, audytach, konfiguracji czy tworzeniu dashboardów. W efekcie traci się czas na najważniejszy etap pracy z danymi: wyciąganie wniosków i formułowanie rekomendacji, które mogą realnie wpłynąć na rozwój biznesu.

W kolejnych latach w Conversion szczególny nacisk kładziemy na rozwój DataOps. Nasz zespół, a w szczególności Rafał, będący wewnętrznym promotorem tego rozwiązania, aktywnie wdraża podejście DataOps już od początku zeszłego roku. Praktyka pokazała, że to podejście jest spójne z kierunkiem rozwoju, do którego dążymy. Stąd intensywnie rozwijamy własne data produkty, które regularnie prezentujemy naszym klientom. DataOps to kierunek, w który zdecydowanie inwestujemy i rozwijamy go w naszej organizacji.

DataOps to podejście, które łączy technologię, dane i biznes. Kluczowe jest zrozumienie, jak te trzy obszary współpracują, aby wspierać rozwój organizacji. W kolejnych materiałach zostaną przedstawione praktyczne aspekty wdrażania DataOps w firmie oraz sposoby doskonalenia procesów analitycznych. Zachęcam do dzielenia się opiniami i pytaniami w komentarzach – każda perspektywa jest cenna w tej dyskusji. Technologia pozwala skrócić drogę, którą dane przynoszą wartość biznesowi – od potrzeby biznesowej do konkretnej rekomendacji. Dalsze działania należą już do zespołu biznesowego. Im szybciej pojawi się rekomendacja, tym szybciej firma może wdrożyć rozwiązania i odczuć realną wartość z danych. Szybkość działania staje się kluczowa w procesach analitycznych i coraz częściej decyduje o przewadze konkurencyjnej.

The post Czym jest DataOps? Manifest DataOps first appeared on Conversion.

Jak przekonać zespół kreatywny i marketingowy do danych?
Podejście do danych w małych i dużych markach
Mentalne bariery w codziennej pracy z danymi
Jakie nawyki wdrożyć, aby decyzje oparte na danych stały się standardem?
Idealna struktura zespołu analitycznego w marce fashion
Jak skutecznie łączyć dane jakościowe z ilościowymi?
Jakie metryki są przydatne dla zespołów kreatywnych?
Podsumowanie

W artykule opisuję, jak przekonać zespoły kreatywne do pracy z danymi, jak łączyć analitykę z intuicją oraz jakie nawyki wprowadzać, aby decyzje oparte na danych stały się codziennością w organizacji. Tekst powstał w ramach partnerstwa z Niebieskim Lisem, podczas konferencji Fashion.pl, w której Conversion brało udział. Podczas konferencji Fashion.pl zorganizowaliśmy wystąpienie poświęcone automatyzacji marketingu, a szczególnie automatyzacji feedów produktowych z wykorzystaniem danych w branży Fashion. W ramach partnerstwa przeprowadziliśmy również wywiad na temat wykorzystania danych online w tej branży.

Jak przekonać zespół kreatywny i marketingowy do danych?

Pierwszym krokiem w budowaniu kultury organizacyjnej opartej na danych jest otwartość na naukę na błędach. Organizacje często unikają popełniania błędów, a pracownicy nie czują się komfortowo w sytuacjach, gdy do nich dochodzi, zwłaszcza jeśli organizacja nie akceptuje procesu uczenia się na własnych doświadczeniach. Intuicja w biznesie często opiera się na utartych schematach – robimy to, co sprawdziło się do tej pory lub powielamy rozwiązania, o których słyszeliśmy na branżowych konferencjach. Takie podejście pozwala poczuć się bezpiecznie, szczególnie gdy wyniki nie przynoszą oczekiwanych rezultatów. Łatwo wtedy usprawiedliwić się, że działaliśmy jak zawsze lub podążaliśmy za sprawdzonymi przykładami innych firm.

Otwartość organizacji na kwestionowanie status quo tworzy przestrzeń dla danych i eksperymentów, które zawsze powinny opierać się na rzetelnej analizie. Zespół marketingu, mając wsparcie w danych, może wprowadzać innowacje i testować nowe rozwiązania. Brak eksperymentowania prowadzi do stagnacji – powielanie tych samych działań, co konkurencja lub własne dotychczasowe praktyki, pozwala co najwyżej rosnąć razem z rynkiem. W dłuższej perspektywie trudno w ten sposób wyprzedzić konkurencję.

Moda to branża, która opiera się na emocjach. Ważne staje się połączenie wyczucia trendów i budowania określonego wizerunku marki z analityką internetową. Odpowiednie wykorzystanie danych pozwala lepiej zrozumieć potrzeby klientów i skuteczniej reagować na zmieniające się trendy, jednocześnie dbając o spójność komunikacji marki. Dzięki temu możliwe jest zarówno budowanie silnych emocji wokół produktu, jak i podejmowanie świadomych, opartych na danych decyzji marketingowych. Z perspektywy strategii biznesowej marketing pełni rolę przekaźnika emocji, a analityka wspiera efektywne dostarczanie tych emocji do odbiorców. Można to porównać do motoryzacji – auto umożliwia przemieszczanie się z punktu A do punktu B, podobnie jak marketing pozwala dotrzeć do klientów. Analityka pełni funkcję nawigacji i znaków drogowych, które pomagają podejmować właściwe decyzje oraz optymalizować trasę.

Sprawność w analizowaniu danych i wykorzystywaniu wskazówek analitycznych przekłada się na szybkość i skuteczność osiągania celów marketingowych. Dane to paliwo, które napędza działania marketingowe. Oczywiście można działać na oślep lub wzorować się na innych, jednak świadome korzystanie z danych i analityki pozwala skuteczniej budować przewagę konkurencyjną.

Podejście do danych w małych i dużych markach

Conversion współpracowało z wieloma różnorodnymi markami, dostarczając rozwiązania analityczne wspierające realizację ich celów biznesowych. Duże i małe marki znacząco różnią się w podejściu do danych. W mniejszych organizacjach dane, jeśli w ogóle są zbierane, najczęściej służą do raportowania przeszłych kampanii. Analiza ogranicza się zwykle do podsumowania działań marketingowych, bez wyciągania wniosków, które mogłyby realnie wpłynąć na rozwój firmy lub poprawę realizacji KPI. Brakuje zasobów i kompetencji analitycznych, przez co raporty marketingowe pozostają jedynie zestawieniem liczb, bez przełożenia na konkretne decyzje biznesowe.

W takich przypadkach analiza danych nie prowadzi do żadnych zmian, a firma nie ma szans na poprawę wyników, jeśli stale powtarza te same działania. Warto pamiętać, że raportowanie powinno przynosić konkretne wnioski i rekomendacje, które pomogą osiągać cele biznesowe.

Częstym wyzwaniem w małych organizacjach jest również nadmiar danych. Wiele narzędzi generuje ogromne ilości informacji, co może prowadzić do zagubienia i braku jasności, na które wskaźniki faktycznie warto zwrócić uwagę. Zamiast skupiać się na konkretnych KPI, organizacje często próbują analizować wszystko naraz, co utrudnia wyciąganie praktycznych wniosków i skuteczne działanie. W pracy z danymi warto sięgnąć po sprawdzone metodyki wspierające analizę, takie jak KPI tree, którą wykorzystujemy u naszych klientów.

Mentalne bariery w codziennej pracy z danymi

Jednym z najczęstszych wyzwań związanych z codzienną pracą na danych są mentalne bariery. W społeczeństwie często panuje przekonanie, że matematyka jest trudna. Wielu ludzi deklaruje się jako humaniści, mając negatywne doświadczenia z nauką matematyki w czasach szkolnych. To przekłada się na niechęć do pracy z liczbami i danymi także w środowisku biznesowym. Pokonanie tych barier wymaga zmiany sposobu myślenia i oswojenia się z analityką – zarówno poprzez edukację, jak i stopniowe wdrażanie narzędzi analitycznych do codziennej pracy. W biznesie często unika się liczb i raportów, traktując je głównie jako narzędzie do podsumowania przeszłych wydarzeń. Tymczasem każdy z nas na co dzień zachowuje się jak analityk – porównując ceny produktów w sklepie czy analizując umowę kredytową przed podpisaniem. W firmach to liderzy powinni przełamywać schemat unikania danych i dawać przykład otwartości na eksperymentowanie oraz wyciąganie wniosków z błędów. Osoby zarządzające powinny regularnie odwoływać się do danych i zadawać pytanie: „Co wynika z danych w tej sprawie?”

Jakie nawyki wdrożyć, aby decyzje oparte na danych stały się standardem?

Kluczowym krokiem jest systematyczne pytanie o to, co mówią dane na temat planowanych działań. Zespoły kreatywne często kierują się aktualnymi trendami lub inspiracjami płynącymi z działań konkurencji czy prezentacji na konferencjach. Warto jednak pamiętać, że nie zawsze „brzydki” oznacza „nieefektywny”, a „niemodny” nie równa się „nieskuteczny”. Decyzje powinny być podejmowane na podstawie konkretnej analizy, a nie wyłącznie pod wpływem trendów. Wizerunek i design odgrywają istotną rolę w budowaniu marki, jednak nie przekładają się bezpośrednio na wyniki finansowe. Kluczowym nawykiem podczas wprowadzania zmian w marketingu, technologii czy produktach cyfrowych jest zadawanie pytania: co mówią dane? Przed wdrożeniem nowego pomysłu warto sprawdzić, czy dane rzeczywiście wskazują na potrzebę zmiany. Analiza danych pozwala sprawdzić, czy dany element faktycznie nie działa. Czasem analiza potwierdzi słuszność decyzji, ale często pozwala uniknąć błędu polegającego na wymianie działającego rozwiązania na słabsze.

W kontekście designu łatwo wpaść w pułapkę ciągłych zmian, licząc na poprawę efektów. Jednak z perspektywy efektywności, nowa wersja może okazać się mniej skuteczna niż poprzednia.

Idealna struktura zespołu analitycznego w marce fashion

Kluczowe jest wyodrębnienie kompetencji analitycznych. W zespole powinien znaleźć się analityk odpowiedzialny za zapewnienie wysokiej jakości danych i stałe dbanie o ich aktualność oraz przydatność w codziennej pracy. Dbałość o dostępność danych dla wszystkich zainteresowanych w firmie pozwala szybko odpowiadać na konkretne pytania biznesowe. W praktyce trudno połączyć wszystkie niezbędne kompetencje – technologiczne, analityczne i biznesowe – w jednej osobie. W dużych organizacjach zwykle odpowiada za to kilka osób. Są to specjaliści odpowiedzialni za zapewnienie, utrzymanie i aktywację danych, a także budowanie świadomości oraz know-how w organizacji.

W przypadku mniejszych firm kluczowym krokiem jest zapewnienie wysokiej jakości danych. Na tym etapie nie warto oszczędzać, ponieważ dane pełnią rolę swoistego ubezpieczenia. Nawet jeśli nie są wykorzystywane na bieżąco, w sytuacji kryzysowej lub nagłej potrzeby lepiej dysponować solidnymi, dobrze zebranymi informacjami. Współpraca z zewnętrznym partnerem technologicznym, który posiada kompetencje w zakresie technologii i znajomość odpowiednich narzędzi, to dobre rozwiązanie. Zostawienie tematu wyłącznie działowi IT często nie przynosi oczekiwanych rezultatów, ponieważ zazwyczaj brakuje tam specjalistycznej wiedzy w zakresie analityki internetowej. W efekcie, po pewnym czasie okazuje się, że jakość danych wymaga znacznej poprawy, a naprawa błędów bywa już trudna lub kosztowna.

Kolejnym ważnym elementem jest przełamywanie barier mentalnych w korzystaniu z danych. Kluczowe staje się zadawanie pytań, co mówią dane na temat konkretnego zagadnienia. Każdy z nas, podejmując decyzje, wykorzystuje dane – wystarczy zacząć świadomie analizować dostępne informacje, szczególnie gdy chcemy rozwiązać problem lub wprowadzić zmiany.

Połączenie wysokiej jakości danych z otwartością organizacji na liczby i analitykę stanowi solidny fundament do rozwoju. Trzeci krok to zatrudnienie osoby odpowiedzialnej za analizę danych, nawet w niepełnym wymiarze etatu. Dzięki temu, gdy pojawi się potrzeba przeprowadzenia szczegółowych analiz, w firmie będzie osoba, do której można się zwrócić. Pozwala to na wykorzystanie potencjału danych w codziennym funkcjonowaniu organizacji. Aby w pełni wykorzystać potencjał analityki internetowej w firmie, kluczowe są trzy elementy: wysokiej jakości dane, świadomość danych w organizacji oraz osoba z odpowiednimi kompetencjami, która potrafi przełożyć te dane na konkretne odpowiedzi biznesowe. Współpraca z partnerem technologicznym, który dba o jakość danych i wspiera ich rozwój, pozwala uzyskać najlepszy stosunek wartości danych do ponoszonych kosztów. W praktyce oznacza to zaangażowanie przynajmniej jednej osoby, nawet na część etatu, odpowiedzialnej za analizę oraz utrzymanie współpracy z partnerem technologicznym, który nie tylko wprowadza nowe dane, ale także zapewnia ich wysoką jakość.

Jak skutecznie łączyć dane jakościowe z ilościowymi?

Dane ilościowe zwykle stanowią punkt wyjścia w analizie i warto je wykorzystywać w pierwszej kolejności. Przemawia za tym kilka powodów. Po pierwsze, pozwalają zidentyfikować obszary wymagające głębszego zrozumienia lub interwencji. Po drugie, stanowią solidną podstawę do dalszych analiz jakościowych, które dostarczają kontekstu i pomagają lepiej zrozumieć zachowania użytkowników. Integracja obu typów danych umożliwia podejmowanie trafniejszych decyzji biznesowych i skuteczniejsze zarządzanie doświadczeniem klientów. Dane ilościowe są tańsze zarówno na etapie zbierania, dzięki bezpłatnym narzędziom takim jak Google Analytics 4, jak i podczas późniejszej analizy. Łatwiej jest zinterpretować wyniki przedstawione w tabelach niż analizować dziesiątki badań użyteczności i wyciągać z nich wnioski. To pierwszy powód, dla którego warto korzystać z danych ilościowych.

Kolejną zaletą jest to, że dane ilościowe pełnią funkcję zwiadu – wskazują, który element w firmie, organizacji, marketingu lub e-commerce nie działa prawidłowo. Gdy wiadomo, gdzie pojawia się problem, można skierować działania jakościowe w konkretne miejsce, co daje podwójną korzyść.

Przykładem mogą być badania ankietowe przeprowadzone wśród klientów. Dane ilościowe pozwalają zidentyfikować wąskie gardła w biznesie, produkcie czy e-commerce. Przykładem może być niski procent przejść z karty produktu do koszyka lub niski odsetek dokonanych transakcji. Analizując dane ilościowe, można szybko zauważyć, gdzie pojawia się problem. Następnie warto zapytać klientów, co według nich nie działa na danym etapie, na przykład na karcie produktu. Odpowiedzi klientów dostarczają informacji jakościowych, które wyjaśniają, dlaczego występują określone trudności.

Dane ilościowe wskazują, co nie działa, natomiast dane jakościowe wyjaśniają, dlaczego pojawiają się konkretne problemy. Auroria, firma prowadzona przez Oliwię Simińską, w dużym stopniu opiera się na analizie danych jakościowych, uzupełniając je danymi ilościowymi. Dzięki takiemu podejściu firma w 2025 roku planuje ponad dwukrotny wzrost.

Przykładem sytuacji, w której intuicja kreatywna została zweryfikowana danymi, może być przypadek, gdy zespół kreatywny postanowił zmienić układ strony głównej sklepu internetowego, opierając się na swoim doświadczeniu i wyczuciu. Po wprowadzeniu zmian przeprowadzono testy A/B, które wykazały, że nowa wersja strony generuje wyższy współczynnik konwersji. Analiza danych potwierdziła słuszność decyzji, a zmiany okazały się korzystne.

Należy zaznaczyć, że dane ilościowe pokazują, czy coś działa lub nie, ale nie wskazują, jak dokładnie należy to poprawić. Dane jakościowe mogą wyjaśnić, dlaczego dany element nie funkcjonuje prawidłowo. Jednak to do zespołu zarządzającego należy decyzja, w jaki sposób wdrożyć zmiany. Rekomendacje zawsze pochodzą od ludzi – mogą wynikać z intuicji, doświadczenia lub znajomości trendów i heurystyk dostępnych na rynku. Dane i intuicja nie wykluczają się, lecz wzajemnie uzupełniają w procesie podejmowania decyzji. Problem z poleganiem na intuicji pojawia się wtedy, gdy staje się ona impulsem do wprowadzenia zmian. Często zdarza się, że ktoś uczestniczy w konferencji, słyszy o nowym trendzie w designie i decyduje się na redesign e-commerce, czyli całkowite przeprojektowanie i wdrożenie nowego frontendu serwisu. W takiej sytuacji to właśnie intuicja jest głównym motywatorem decyzji.

Z mojego doświadczenia wynika, że widziałem zaledwie dwa przypadki redesignu, które nie pogorszyły współczynnika konwersji lub efektywności serwisu w porównaniu do wersji sprzed zmian. Najwięksi gracze, tacy jak Amazon, unikają dużych redesignów. Zamiast tego wprowadzają zmiany metodą małych kroków. Analizują dane, identyfikują wąskie gardła i stopniowo je usprawniają. Amazon rozwijał swój serwis przez lata, konsekwentnie stosując ewolucyjne podejście opierające się na drobnych, przemyślanych modyfikacjach, a nie na rewolucyjnych zmianach. Skalowanie kultury podejmowania decyzji opartych na danych w organizacji wymaga zaangażowania najwyższego szczebla, zarówno struktur zarządczych, menedżerskich, jak i C-level. Kultura data-driven musi być wspierana przez liderów, którzy swoim przykładem promują korzystanie z danych w codziennych działaniach. Przykład bazowania decyzji na danych powinien wychodzić z góry i przenikać całą organizację.

Kluczowe znaczenie ma otwartość na eksperymentowanie oraz akceptacja popełniania błędów. W całej organizacji warto rozwijać ciekawość i zachęcać do zadawania pytań, takich jak: „co dane mówią na ten temat?”. Budowanie takiej kultury to proces długofalowy, który zajmuje miesiące, a często nawet lata. Wdrożenie podejścia data-driven to decyzja strategiczna, której efekty pojawiają się stopniowo.

Jakie metryki są przydatne dla zespołów kreatywnych?

W e-commerce fashion najbardziej przydatne dla kreatywnych zespołów są metryki powiązane bezpośrednio z celami finansowymi firmy. Monitorowanie wskaźników, które mają realny wpływ na wyniki finansowe, pozwala podejmować trafniejsze decyzje oraz efektywnie zarządzać rozwojem marki. Metryki, które analizuje zespół kreatywny, powinny odnosić się do obszarów, na które rzeczywiście ma wpływ. Przykładem może być kampania Display, czyli banery wyświetlane na różnych platformach w internecie. W przypadku takiej kampanii ścieżka użytkownika obejmuje kolejne kroki: załadowanie baneru, zobaczenie reklamy, kliknięcie w baner, załadowanie strony docelowej, zaangażowanie na stronie, przejście na kartę produktu, dodanie produktu do koszyka, wejście do checkoutu i finalizację transakcji.

Każdy zespół marketingowy powinien określić, do którego etapu ścieżki użytkownika odpowiada za działania i wyniki. W przypadku zespołu kreatywnego odpowiedzialność najczęściej kończy się na stronie docelowej. Oznacza to, że zespół ten analizuje nie tylko metryki mediowe, takie jak CTR danej kreacji, ale również poziom zaangażowania użytkownika na stronie docelowej po kliknięciu w reklamę.

Warto pamiętać, że skuteczność działań zależy nie tylko od dopasowania reklamy do strony usługowej, ale także od samego produktu i wielu innych czynników. Odpowiedzialność zespołu kreatywnego kończy się zazwyczaj na etapie wejścia użytkownika na stronę docelową i jego pierwszych interakcji. Kolejne kroki, takie jak dodanie produktu do koszyka czy przejście przez checkout, znajdują się już w gestii innych zespołów w organizacji.

Podsumowanie

Przy rozpoczynaniu pracy z danymi w branży fashion, a także w każdym innym e-commerce, kluczowe znaczenie ma jakość danych. Zasada GIGO (Garbage In, Garbage Out) przypomina, że tylko dobrze zebrane i uporządkowane dane pozwolą uzyskać wartościowe wnioski i rekomendacje. Pierwszym krokiem powinno być więc zapewnienie wysokiej jakości danych.

Warto zadbać o poprawną konfigurację narzędzi do zbierania danych, zwłaszcza Google Analytics 4. W kontekście działań marketingowych niezbędne jest również systematyczne i przemyślane tagowanie wszystkich kampanii marketingowych za pomocą parametrów UTM. Dzięki temu analiza skuteczności działań reklamowych będzie bardziej precyzyjna.

Podsumowując, te wskazówki są uniwersalne i dotyczą każdego e-commerce oraz biznesu działającego online. Dbanie o jakość danych i odpowiednią konfigurację narzędzi analitycznych pozwala skutecznie rozwijać firmę w oparciu o wiarygodne informacje. Pomożemy lepiej zrozumieć i właściwie wykorzystać dane online.

The post Jak zbudować kulturę data-driven w e-commerce fashion? first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Rola pomostu między biznesem a technologią

Ścieżka kariery: Od agencji do transformacji cyfrowej w YES

Ewolucja podejścia do danych: Od intuicji do analityki

YES Club: Technologiczne kulisy programu lojalnościowego

Klucz do sukcesu: Komunikacja i czynnik ludzki

Błędy, z których warto wyciągnąć lekcje

Podsumowanie: Główne wnioski z rozmowy

Rola pomostu między biznesem a technologią

Operacjonalizacja celów strategicznych

Mariusz Michalczuk: Cześć, witam Cię serdecznie w kolejnym odcinku z serii Date with Data Talks, czyli podcastu skierowanego od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Michał Szymankowski. Michale, mega dziękuję za przyjęcie zaproszenia i chęć podzielenia się Twoją wiedzą i doświadczeniem. Jakbyś mógł na wstępie opowiedzieć kilka słów o sobie.

Michał Szymankowski: Cześć. To ja dziękuję za zaproszenie. Zajmuję się zarządzaniem zespołami technicznymi, które w e-commerce wdrażają rzeczy, które biznes sobie wymyśli. Jednocześnie, zarządzając samym zespołem, czyli układając im pracę i rozwiązując problemy, zajmuję się wprost czymś, co profesjonalnie nazywa się operacjonalizacją celów strategicznych.

Na poziomie strategii mamy pewne cele, a ktoś musi wymyślić, jak je osiągnąć. Z tych celów albo ja bezpośrednio, albo osoby, z którymi współpracuję, są rozliczani. To również kwestia wdrażania systemów, ale też pozyskiwania specjalistów i ludzi. Krótko mówiąc, jestem mostem pomiędzy ludźmi biznesu a ludźmi technologii, jednocześnie czując się bliżej technologii. Poruszanie się w tematach biznesowych również nie jest mi obce.

Mariusz Michalczuk: Mega ciekawe jest to określenie „odpowiadać za operacjonalizację celów strategicznych”. Mam wrażenie, że dziś często jest tak, że nie problemem jest stworzenie fajnej strategii, ale dużo większym problemem jest jej egzekucja i doprowadzenie do realizacji. Czy mógłbyś opowiedzieć, jak wyglądała Twoja ścieżka zawodowa do tego momentu, do roli pomostu pomiędzy biznesem i technologią? Uważam, że ten most jest dzisiaj turbo potrzebny.

Ścieżka kariery: Od agencji do transformacji cyfrowej w YES

Początki w agencji i przejście do klienta

Michał Szymankowski: Ten most był zawsze potrzebny, tylko od jakiegoś czasu jest dostrzegany. Pewnych potrzeb biznesowych nie załatwia się gotowym oprogramowaniem out of the box; potrzebni są specjaliści, którzy wymyślą, jak to zrobić. Wracając do Twojego pytania, zaczynałem ponad dziesięć lat temu w agencji White Ducky w Poznaniu. Głównym klientem agencji była biżuteria YES. W którymś momencie przeszliśmy z agencji do YES.

W agencji na początku zajmowałem się bardzo podstawowymi rzeczami, byłem supportem. Już wtedy nieświadomie zaczęła się kształtować moja rola pomostu, bo support był nie tylko deweloperski – trochę testów, dopowiedzenia zadań, pomocy w znajdowaniu danych, wyciąganie tych danych od biznesu. Potem przerodziło się to w rolę supportu biznesu, czyli nie tylko wyciąganie danych, ale też próba zrozumienia, do czego dążymy.

Z tego stanowiska supportowego płynnie przeszedłem w stanowisko bardziej operacyjne. To był pierwszy moment, w którym zacząłem rozmawiać z biznesem. Biznes przychodził z problemem, a my go rozwiązywaliśmy. Zespół był wtedy mały, liczył trzy osoby, ale z biegiem lat rozrósł się do piętnastu osób plus trzy lub cztery firmy outsourcingowe. Trzeba było budować kompetencje, żeby to wszystko ogarnąć – nie tylko rekrutację, ale też zapewnienie dobrych warunków pracy i jasnej komunikacji.

Wyzwania transformacji cyfrowej w branży jubilerskiej

Mariusz Michalczuk: Czyli towarzyszyłeś YES w transformacji cyfrowej. Jest to firma osadzona w offline, która weszła do online’u. Mógłbyś opowiedzieć, jak to wyglądało i jakie były wyzwania?

Michał Szymankowski: Z jednej strony tak, branża jubilerska wywodzi się z offline’u, to typowy retail. Długo mówiliśmy, że to produkt, który klient musi dotknąć i obejrzeć przed zakupem. Rozumiem to podejście – od pewnego pułapu cenowego nie sprzedajemy go online, bo klient chce przyjść, zobaczyć, przymierzyć. Ważne są subiektywne odczucia, jak waga przedmiotu.

Z drugiej strony, YES to pierwszy sklep biżuteryjny online w Polsce, więc innowacje się tam pojawiały. Oczywiście na początku było podejście w stylu „kto będzie kupował biżuterię przez internet, tam można dostać worek ziemniaków”. Ale transformacja w Polsce przebiegała szybko. Było dużo innowacyjnych pomysłów, ale transformacja cyfrowa polegała nie tyle na zmianie myślenia na bardziej cyfrowe, ile na zbudowaniu możliwości realizacji tych pomysłów. Mieliśmy świetny zarząd.

Mariusz Michalczuk: Chodziło o technologię, która wspierałaby te pomysły, dobrze rozumiem?

Michał Szymankowski: Tak, bo pomysły były. Zarówno zarząd, menedżerowie, jak i dyrektorzy zawsze mieli parcie na optymalizację i automatyzację, a najłatwiej to zrobić przez digitalizację procesów wewnętrznych i dawanie wartości dodanej klientowi. Ten mindset był zawsze. Brakowało zasobów albo know-how. Ja znalazłem dla siebie miejsce, gdzie wyłapywałem te pomysły i staraliśmy się je wdrożyć. Nie wszystko się udało, były tematy, które mogły być zrobione lepiej, ale to też jest nauka dla mnie i dla organizacji. Nie ma lepszego nauczyciela niż własne błędy.

Ewolucja podejścia do danych: Od intuicji do analityki

Case study: Rezerwacja w salonie – decyzje „na czuja”

Mariusz Michalczuk: Mówisz o kulturze nauki. Jestem orędownikiem takiego podejścia: „nie bójmy się popełniać błędów, bo jak się nie wywrócisz, to się nie nauczysz”. Powiedz, jak na tej drodze dane wspierały wasze testy i jak je wykorzystywaliście? Mówiłeś, że nie wszystko się udało, więc zakładam, że dane to pokazały. Uważam, że analityka internetowa jest właśnie takim pomostem między biznesem a technologią.

Michał Szymankowski: Na początku nie było żadnych danych. Zmiany były robione na czuja. Można post factum wyciągać dane, że pewne wskaźniki się poprawiły, ale decyzje były podejmowane w oparciu o to, co nam się wydawało i co widzieliśmy na rynku. Nikt 10 lat temu nie bawił się w analizę zachowań użytkowników. To pojawiło się wraz ze skalą, może w ciągu ostatnich pięciu lat.

Idealnym przykładem decyzji podjętej na czuja jest feature rezerwacji w salonie. To był czas COVID-u, lockdownów. Nie wiedzieliśmy, czy wrócimy do rentowności. Zauważyliśmy, i to była jedyna dana w tym kontekście, potężny odpływ ludzi z centrów handlowych. Jednocześnie widzieliśmy ogromny wzrost ruchu online, na tyle duży, że musieliśmy nieplanowanie robić upgrade farmy serwerowej.

Decyzja o stworzeniu tego feature’a była intuicyjna: zróbmy coś, co przekieruje klientów z online do offline. Nie sprawdziliśmy totalnie nic. Jedyne, co dziś możemy sprawdzić, to ile rezerwacji faktycznie jest. Pojawiły się inne problemy, jak zaangażowanie pracowników salonów, od których trochę za dużo wymagaliśmy. Prosiliśmy ich o potwierdzanie dostępności produktu, co często nie działało. Dostawali maila, czyli leada sprzedażowego, ale często dzwonili do klienta bez potwierdzenia w systemie, więc nie wiedzieliśmy, czy doszło do sprzedaży. To było niepoliczalne. Nigdy nie zmierzyliśmy realnego wpływu tego feature’a na biznes.

Przejście na model data-driven

Michał Szymankowski: To była pierwsza faza, gdzie robiliśmy rzeczy, łapaliśmy pojedyncze dane i mówiliśmy „okej, zrobione”. Nie było żadnego retro. Natomiast teraz sytuacja jest odwrotna. Wszystkie funkcje, które wprowadzamy, nawet proste jak karuzela na stronie, są opomiarowane. Wiemy dokładnie, co klienci robią na każdym etapie. To nie jest poziom ogólny, ale bardzo konkretny. Widzimy, że na konkretnym etapie checkoutu klienci spędzają najwięcej czasu, więc to miejsce trzeba poprawić, skrócić tę ścieżkę.

Teraz bez danych nie podejmujemy decyzji. Jeżeli pojawia się jakiś feature u konkurencji albo jest ciśnienie, żeby wprowadzić coś modnego, zadajemy sobie pytanie, czy nam się to opłaca. W większości przypadków nie. Ilość pomysłów, zwłaszcza z narzędziami AI, jest tak duża, że gdybyśmy mieli wszystko analizować, 90% okazałoby się nieopłacalne.

YES Club: Technologiczne kulisy programu lojalnościowego

Wyzwania związane ze starym systemem

Mariusz Michalczuk: A powiedz z technologicznego punktu widzenia o programie lojalnościowym YES Club. Jakie były jego meandry biznesowe? Skąd pomysł i jak wyglądało wdrożenie?

Michał Szymankowski: Zawsze mieliśmy problem z naszym programem lojalnościowym. Technologicznie był napisany na kolanie. Aby założyć kartę, trzeba było wypełnić papierowy formularz. Salony raz na miesiąc przesyłały je do centrali, my je skanowaliśmy i przechowywaliśmy na serwerach. Wyobraź sobie, że klient musi wypisać formularz, a w centrali siedzi osoba, która to wszystko skanuje i kataloguje. Totalne marnotrawstwo potencjału tego człowieka.

Program nie był też atrakcyjny. Oferował dwa progi, a salony traktowały go jako sposób na natychmiastowe danie rabatu 5%, bo można było legalnie wejść do pierwszego progu. Kiedy w organizacji pojawił się Daniel Górny, mózg całego nowego programu, wszystko się zmieniło. Samo przygotowanie do zmiany trwało 13 miesięcy. Daniel wiedział, że trzeba to zrobić dobrze od początku. Program lojalnościowy to podanie ręki klientowi i nawiązanie bliższej relacji. Klient musi nam ufać, że jeśli coś obiecujemy, to dowieziemy.

Łączenie światów online i offline dzięki danym

Michał Szymankowski: Technologicznie wdrożenie pomysłu Daniela nie było problemem. Problemem było pozbycie się starego, „drucianego” programu. Pojawiały się pytania z pogranicza compliance: co zrobić z klientami nieaktywnymi od dawna? Czy możemy się do nich odezwać? Specyfika branży jest taka, że lojalny klient kupuje 2-3 razy w roku. Mogliśmy mieć klienta nieaktywnego przez 9 miesięcy, ale to mógł być normalny cykl zakupowy.

W międzyczasie pojawiła się konieczność stosowania trwałych nośników dla regulaminów. Najcięższa była rezygnacja ze starego programu. W starym systemie zalogowany klient z rabatem widział automatycznie niższe ceny na całym asortymencie. To było proklienckie, ale w nowym programie nie chcieliśmy tak działać.

Mieliśmy też świetnego partnera, Sparta Loyalty. Nie cisnęli czasowo, wiedzieli, że to będzie długi projekt. Zamknął się w około dwa lata. Kluczem była głęboka analiza i odpowiednia osoba prowadząca. Mechanizmy, które wymyślił Daniel, działają świetnie. Udział programu lojalnościowego w transakcjach offline’owych w dobrych momentach sięga 80%.

Po wdrożeniu nie stanęliśmy w miejscu. Mamy ekipę, która cały czas nim zarządza i patrzy na dane. Procent udziału to nasz barometr. Analizujemy, czy program jest angażujący, czy może trzeba poprawić komunikację z salonami.

Mariusz Michalczuk: Program lojalnościowy jest często kluczem do połączenia świata offline i online, zwłaszcza w kontekście rozpoznawania użytkownika i przepływu danych. Jak to pomogło wam we współpracy między kanałami?

Michał Szymankowski: To potężna dawka informacji o kliencie. Zdecydowaliśmy, że program przeniesiemy do aplikacji mobilnej. Mamy tam spiętego klienta. Wiemy, jaki ma budżet, bo program działa już około półtora roku. Możemy go zaszeregować do grup, wiemy, czy kupuje srebro, czy złoto, kolczyki czy coś innego. Mamy dopracowaną koncepcję, aby te dane trafiły do naszego systemu Marketing Automation. Będziemy mieli dane o tej samej osobie z jej działań online i offline. Jeśli pan kupuje srebrne kolczyki, włączymy go w komunikację marketingową w momentach, kiedy można podarować biżuterię.

Klucz do sukcesu: Komunikacja i czynnik ludzki

Budowanie zespołu w oparciu o „culture fit”

Mariusz Michalczuk: Wszystko sprowadza się do ludzi. Mówiłeś o wzroście Twojego zespołu z trzech do kilkunastu osób, o tym, że organizacja rozwinęła się dzięki odpowiednim ludziom. Jak dobierałeś ludzi do zespołu, żeby skutecznie operacjonalizować strategię?

Michał Szymankowski: Zacznę od całej organizacji. To, że się komunikujemy, to efekt dużej pracy każdego menedżera. Ciągle rozmawiamy o tym, że komunikacja może być lepsza, mimo że jest na dobrym poziomie. To praca menedżerów, dyrektorów i HR, żeby mówić o rzeczach i codziennie burzyć silosy, również te kompetencyjne.

Jeśli chodzi o mój zespół, od pierwszej rekrutacji kierowałem się czymś, co dziś nazywam „culture fit” – wpasowaniem w organizację. To może być korporacyjny buzzword, ale jeśli dobrze się go zinterpretuje, chodzi o to, by osoba była otwarta, szczera, przyznawała się do problemów, a nie odkładała je na później. Chodzi o kogoś, kto ma kompetencje, ale wie, że wciąż ma wiele do nauki, chce się rozwijać i dzielić wiedzą.

To były moje główne przesłanki, niezależnie czy rekrutowaliśmy PM-ów, analityków, deweloperów czy liderów. Culture fit był najważniejszy. Jeśli miałbym za czymś tęsknić, to za tym zespołem, bo naprawdę dobrze się rozumie. Otwartość komunikacyjna jest czasem ważniejsza niż umiejętności techniczne. Lepiej wziąć juniora, który jest otwarty i pasuje do kultury organizacji, i go nauczyć, niż wziąć eksperta, z którym nie da się dogadać.

Rola danych w burzeniu silosów komunikacyjnych

Mariusz Michalczuk: W tej komunikacji jaką rolę odgrywały dane? Mówiłeś o burzeniu silosów, co jest dużym wyzwaniem w kontekście danych, gdy każdy zespół ma swoje. Język danych to też rodzaj komunikacji.

Michał Szymankowski: Zgadzam się. Komunikowanie się za pomocą danych to umiejętność, którą trzeba wypracować. Mam ciekawy case. Przy analizowaniu sprzedaży zauważyliśmy z kolegą, że coś jest nie tak z danymi z online’u, że się nie zgadzają. Mamy Magento, gdzie są zamówienia anulowane, niezafiskalizowane, itd. Zaczęliśmy drążyć i okazało się, że problem leży w momencie fiskalizacji.

Nasze raporty, na przykład z Analyticsa, dotyczyły checkoutu, czyli momentu płatności. Raporty działu analiz były raportami fiskalizacyjnymi i dodatkowo, raz na jakiś czas, pomniejszone o zwroty z danego dnia. Nic się nie zgadzało. Dopiero gdy doszliśmy do tego, jakie są składowe tej sumy, zaczęliśmy rozmawiać. Ustaliliśmy, że nie możemy raz tak, a raz inaczej podchodzić do zwrotów. Jeśli bierzemy ruch z danego dnia z Analyticsa, a zamówienia zafiskalizowane z innego okresu, to nie możemy mówić o mierzeniu konwersji.

Od tego momentu zaczęliśmy inaczej patrzeć na raporty. Z działem analiz musieliśmy się dogadać, żeby brali inne dane i przede wszystkim je porozbijali. Kiedyś mówiliśmy, że w styczniu mamy spadki konwersji. Okazało się, że to przez zwroty po świętach. Konwersja była na stałym, sensownym poziomie. Po prostu było więcej zwrotów. Praca na danych była więc pracą komunikacyjną – trzeba było zebrać dane i pogadać o tym, co one reprezentują.

Błędy, z których warto wyciągnąć lekcje

Case study: Problematyczne wejście na rynek czeski

Mariusz Michalczuk: To, o czym mówisz – brak wspólnych definicji – to częsty błąd. Czy mógłbyś opowiedzieć o innych błędach na styku technologii i biznesu, z których można się uczyć?

Michał Szymankowski: Znamiennym błędem było otwarcie naszego pierwszego sklepu online w Czechach. To było nasze pierwsze wyjście za granicę, zderzenie z innymi przepisami. Nie istniała strategia wejścia na ten rynek. Po prostu w pewnym momencie powiedzieliśmy, że musimy tam być, i to szybko, bo pojawiły się atrakcyjne lokalizacje dla salonów offline.

Offline powiedział, że jest w stanie je zagospodarować, ale chciał wsparcia online, żeby legitymizować markę. Musieliśmy działać w krótkim czasie i wyszło nam to średnio. Długo myśleliśmy nad domeną, zmienialiśmy ją dwa czy trzy razy. Częste zmiany domeny powodują spadki widoczności w SEO, które dopiero budowaliśmy. Budżety nie pozwalały na stałą współpracę z agencją, więc działaliśmy z nimi ad hoc, co było nieefektywne.

Mieliśmy problemy z tłumaczeniami. Pierścionki po wrzuceniu do Google Translatora były w Czechach „krążkami”. Zdarzyły się błędy asortymentowe – założyliśmy, że asortyment z Polski będzie się sprzedawał w Czechach, nie robiąc żadnych badań. Koniec końców, przez brak analizy rynku i działanie „na hura”, sklep bardzo długo nie zarabiał.

Dopiero drugie podejście technologiczne, zmiana strategii na markę międzynarodową YES Jewellery, analiza asortymentu z salonów i lepsze przygotowanie technologiczne (integracje z ERP, lokalni przewoźnicy, lokalna bramka płatnicza) przyniosły efekty. Największym problemem za pierwszym razem był skurczony czas. Goniliśmy własny ogon.

Mariusz Michalczuk: Mam wrażenie, że z cross-border to temat na osobną rozmowę. To jak zakładanie firmy od zera, więc pole do popełnienia błędów jest ogromne. Słuchaj, będziemy kończyć. Mega dzięki za podzielenie się doświadczeniem. Wiem, że zaczynasz nową ścieżkę, więc życzę Ci sukcesów. I liczę na dogrywkę na bazie nowych doświadczeń.

Michał Szymankowski: Chętnie. Firma, do której idę, to multibrand, więc będą inne produkty i wyzwania. Obstawiam dużo zabawy integracyjnej. Zobaczymy, ale chętnie za jakiś czas się spotkamy i pogadamy.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla menedżerów i specjalistów e-commerce

Rozmowa z Michałem Szymankowskim to zbiór cennych lekcji dla każdego, kto działa na styku biznesu i technologii. Jego doświadczenie pokazuje, jak kluczowa jest rola „tłumacza” i „mostu”, który potrafi przełożyć cele strategiczne na konkretne zadania technologiczne i odwrotnie. Historia transformacji cyfrowej YES dowodzi, że sukces w omnichannelu to nie tylko wdrożenie narzędzi, ale przede wszystkim zmiana kultury organizacyjnej, otwartość na eksperymenty i uczenie się na błędach.

Kluczowym wnioskiem jest ewolucja podejścia do danych – od podejmowania decyzji w oparciu o intuicję, do stworzenia środowiska, w którym dane są fundamentem rozwoju. Case programu lojalnościowego YES Club ilustruje, jak skomplikowany projekt technologiczny może stać się sercem strategii omnikanałowej, integrując wiedzę o kliencie z różnych punktów styku. Równie ważna jest nauka płynąca z porażek, takich jak pośpieszne wejście na nowy rynek, co pokazuje, że solidna analiza i przygotowanie są warte każdej poświęconej im godziny.

Ostatecznie jednak rozmowa sprowadza się do czynnika ludzkiego. Sukces zespołu technologicznego zależy nie tylko od kompetencji technicznych, ale od komunikacji, wzajemnego zrozumienia i dopasowania kulturowego (culture fit). Burzenie silosów, zarówno tych kompetencyjnych, jak i tych z danymi, jest podstawą efektywnej i zwinnej organizacji, która potrafi realnie realizować swoją strategię.

The post Jak budować kulturę analityczną i rozwijać praktykę data-driven w firmie – rozmowa z Michałem Szymankowskim first appeared on Conversion.

KPI tree – co to jest?
Jak zbudować KPI tree?
KPI tree w praktyce – case study Leroy Merlin
Metodyka GSM i wizualizacja danych
Korzyści z wdrożenia KPI tree
Podsumowanie

KPI tree – co to jest?

KPI tree to drzewo metryk, które pozwala prześledzić zależności między najważniejszą metryką biznesową a kolejnymi, szczegółowymi wskaźnikami wyjaśniającymi główny wynik. KPI tree stanowi mapę elementów online, pokazującą, jak poszczególne obszary działalności wpływają na kluczowy rezultat biznesowy. Nie jest to kolejny raport, lecz ustrukturyzowany sposób zrozumienia, co rzeczywiście liczy się w biznesie.

Posiadając KPI tree, można precyzyjnie określić, na które wskaźniki warto zwracać uwagę. Pozwala to zyskać jasność priorytetów i ustalić, jakie działania podejmować oraz w jakiej kolejności. Dzięki temu możliwe jest podejmowanie szybszych decyzji i ograniczenie zgadywania, co przekłada się na większą pewność w codziennej pracy.

Jak zbudować KPI tree?

Proces budowy KPI tree rozpoczyna się od określenia najważniejszego wskaźnika dla biznesu. Zwykle koncentruje się on wokół przychodu lub wyniku i pełni rolę KPI nadrzędnego. Następnie przechodzi się na kolejne poziomy, aby wyjaśnić, co wpływa na ostateczny rezultat. W biznesie istnieje kilka podejść do budowy KPI tree. Stosujemy operacyjne podejście, ponieważ najczęściej wypracowujemy KPI tree z zespołami operacyjnymi, zespołami e-commerce oraz marketingu. Podejście z perspektywy zarządu opiera się zwykle na wyznaczaniu celów strategicznych i ich dekompozycji na niższe poziomy. Nasze doświadczenie koncentruje się jednak na operacyjnym podejściu do pracy z KPI.

Nasza metodyka opiera się na dwóch podejściach. Pierwszym z nich jest Customer Journey, w którym mapujemy touchpointy online we wszystkich elementach ekosystemu firmy, z którymi użytkownik styka się na drodze do najważniejszej konwersji. Szczegółowo opisaliśmy ten temat w osobnym wpisie dotyczącym tworzenia Customer Journey.

Drugim elementem naszej metodyki, który wykorzystujemy do określania KPI tree, jest matematyka GSM, czyli podejście składające się z trzech elementów: Goals, Signals oraz Measures. Konkretne omówienie tego zagadnienia można przedstawić na przykładzie budowy KPI tree dla Leroy Merlin.

KPI tree w praktyce – case study Leroy Merlin

Efektem końcowym KPI tree będzie dashboard w Looker Studio, prezentujący najważniejsze metryki oraz ich wzajemne zależności. Efektem pośrednim prac nad KPI tree jest rozpisanie całego ekosystemu online, obejmujące poszczególne touchpointy wynikające z Customer DNA. Następnie wyodrębnione zostają Goals, Signals i Measures, czyli metryki wpływające na najważniejszy wskaźnik. Cały proces zostanie przedstawiony za pomocą wizualizacji w MIRO. Jednym z kluczowych elementów procesu wyznaczania KPI tree jest określenie dwóch lub trzech najważniejszych metryk biznesowych. Najczęściej koncentrują się one wokół wskaźników finansowych. Przykładowo, dla Leroy Merlin będą to: przychody, liczba transakcji oraz liczba zakupionych produktów.

Kolejnym krokiem w tej metodyce jest zdefiniowanie poszczególnych touchpointów, przez które przechodzi użytkownik, zanim osiągnie główną metrykę. Warto pamiętać, aby mapować wszystkie etapy, na które firma ma realny wpływ i które użytkownik powinien przejść przed dotarciem do kluczowego punktu. Mapowanie powinno obejmować jedynie te elementy, na których zmianę można rzeczywiście wpłynąć. Na przykładzie mapy Leroy Merlin, założeniem było stworzenie uproszczonej ścieżki użytkownika na podstawie własnych doświadczeń i analizy serwisu, ponieważ nie prowadzimy stałej współpracy z tą firmą. Skupiliśmy się na jednym segmencie sklepu ze względu na jego rozmiar. Wybrany obszar to sprzedaż elementów wykończenia i wyposażenia łazienek. W analizie uwzględniliśmy kluczowe touchpointy, przez które użytkownik musi przejść, aby wygenerować przychód, transakcje czy liczbę zakupionych produktów. Należą do nich strony z produktami, kalkulator liczby płytek, strona koszyka, proces zakupowy oraz strony kategorii. To właśnie te etapy są istotne na drodze użytkownika do finalizacji zakupu. Warto zaznaczyć, że mapa została opracowana na podstawie własnych obserwacji i nie odzwierciedla oficjalnej struktury ścieżek zakupowych w Leroy Merlin. Kolejnym krokiem tej metodyki jest określenie roli poszczególnych punktów. Na przykład, analizując stronę kategorii, należy jasno zdefiniować, czego oczekujemy od tej strony. Każdy element powinien zostać opisany osobno.

Metodyka GSM i wizualizacja danych

Na początku rozpisujemy Goals. Są to najważniejsze cele, dla których dany element istnieje w ekosystemie online i jakie rezultaty są od niego oczekiwane. Przykładowo, dla stron produktowych głównym celem może być wsparcie użytkowników w znalezieniu potrzebnych informacji oraz zachęcenie ich do dokonania zakupów właśnie na tej stronie. Odpowiednio zaprojektowane elementy strony mają wspierać użytkowników w realizacji ich celów. Kolejnym krokiem jest rozpisanie signals, czyli konkretnych zachowań użytkowników, które potwierdzają, że dany element spełnia swoją funkcję. W tym przypadku wyróżniamy dwa signal set: użytkownicy trafiają na nasze porady oraz klienci przechodzą z porad do asortymentu sklepu. Te dwa zachowania wskazują, że założony cel został osiągnięty.

Na końcu dobieramy metryki do każdego sygnału. Metryki pozwalają określić, czy sukces rzeczywiście nastąpił. Idealnie, gdyby każdemu celowi odpowiadała jedna konkretna miara, jednak w praktyce często stosuje się ich kilka. W analizie warto wykorzystywać miary, które obejmują szerszy kontekst, na przykład współczynniki. Dla stron poradnikowych przykładową miarą może być liczba użytkowników, którzy wyświetlili porady oraz procent osób przechodzących następnie na stronę kategorii produktu lub wyszukiwania kontaktów w stosunku do liczby wyświetleń tych stron.

Zwizualizowanie tych danych pozwala prześledzić kolejne etapy Customer Journey. W następnym kroku warto rozrysować mapę zależności pomiędzy poszczególnymi elementami procesu. Na dole umieszczamy kluczowe dane z nadrzędnych API, a następnie określamy, jak poszczególne elementy wpływają na użytkownika i prowadzą go do określonego celu.

Przy tworzeniu KPI pomocne jest wykorzystanie arkusza kalkulacyjnego, w którym rozpisujemy poszczególne elementy procesu i ich wzajemne relacje. Taka struktura ułatwia analizę i podejmowanie decyzji opartych na danych. Proces warto rozpocząć od wizualizacji – na przykład z wykorzystaniem technik warsztatowych, takich jak free chart lub narzędzi typu Miro. Pozwala to przenieść i uporządkować wszystkie elementy ekosystemu, a następnie spisać je w czytelnej formie. Na tym etapie identyfikujemy touchpointy, cele, sygnały oraz KPI, które rozrysowujemy w przejrzysty sposób.

Celem tego działania jest stworzenie wizualizacji dashboardu, który gromadzi kluczowe metryki w jednym miejscu. Przykładowy dashboard umożliwia dekompozycję wskaźników – od finansowych po coraz bardziej szczegółowe. Obserwując zmiany w głównych metrykach, można przeanalizować, co wydarzyło się w poprzedzających je wskaźnikach.

Korzyści z wdrożenia KPI tree

Kolejny krok polega na rozpisaniu szczegółowych KPI dla każdego elementu ekosystemu. Warto uwzględnić tu również aspekty związane z marketingiem oraz źródłami ruchu. Najważniejszym etapem jest rozrysowanie całościowego KPI tree. W materiałach dostępnych pod linkiem znajduje się mapa, która prezentuje poszczególne kroki na przykładzie Leroy Merlin. Przedstawiony został przykład strony z poradami, jednak można tam zobaczyć również, jak wygląda to w przypadku kalkulatora płytek i innych elementów serwisu.

Kolejnym elementem jest szczegółowo opisana metodyka tworzenia KPI tree dla Leroy Merlin. W pierwszej zakładce znajduje się wzór, który pokazuje, jak rozpisać KPI tree. Trzecim elementem, dostępnym w tym samym arkuszu, jest formatka do Looker Studio. Można ją podpiąć pod własne dane i wykorzystać we własnej analizie.

Podsumowanie

Wdrożenie KPI tree, czyli zmapowanie zależności pomiędzy najważniejszymi metrykami w organizacji, pozwala uporządkować podejście do realizacji celów marketingowych i e-commerce. Dzięki temu osiąganie założonych wyników nie zależy od przypadku. Zyskujesz jasny drogowskaz, jak podejmować decyzje i na czym się skupić, gdy pojawiają się trudności.

Ustrukturyzowane podejście pozwala sprawdzić, które elementy wymagają uwagi, gdy rezultaty odbiegają od oczekiwań. Zamiast ograniczać się do obserwacji jednej, kluczowej metryki i nie wiedzieć, jakie działania podjąć, masz wypracowaną ścieżkę analizy. W ten sposób łatwiej zidentyfikować źródło problemu i skutecznie reagować. Trzecią zaletą rozrysowania KPI tree jest możliwość uporządkowania danych. Mając jasno określone, co należy śledzić krok po kroku, łatwiej zadbać o wysoką jakość najważniejszych elementów. To podejście pozwala skupić się na kluczowych wskaźnikach, zgodnie z zasadą Pareto — 20% dobrze zaplanowanego śledzenia generuje 80% efektów dla biznesu. Dzięki temu nie trzeba wdrażać rozbudowanych, kosztownych projektów analitycznych, które trwają miesiącami, a efekty pojawiają się po długim czasie.

Conversion może wesprzeć w procesie budowania KPI tree z pomocą zewnętrznej firmy. Z opracowaną metodyką możliwe jest samodzielne przeprowadzenie tego procesu, jednak w przypadku trudności, oferujemy wsparcie na każdym etapie. Pomagamy w definiowaniu API tree, pozyskiwaniu danych, konfiguracji narzędzi, integracji danych oraz budowie single source of truth, szczególnie w kontekście tworzenia hurtowni danych dla marketingu.

Kolejny etap to wizualizacja danych. Udostępniamy formatki, które można wykorzystać we własnej organizacji. Po rozrysowaniu KPI tree przechodzimy do aktywacji danych – ustalamy zestawy analiz, które są realizowane ad hoc lub cyklicznie, w zależności od potrzeb klienta. W ramach analiz formułujemy rekomendacje. Jeśli zespół dąży do przejęcia i internalizacji kompetencji analitycznych, wspieramy jego rozwój i pełnimy rolę sparing-partnera w procesach analitycznych. Po odpowiednim uporządkowaniu procesów wiele zadań można zautomatyzować, co pozwala poświęcić mniej czasu na samą analizę, a więcej na wyciąganie wniosków i formułowanie rekomendacji.

The post Na jakie dane patrzeć w e-commerce? Metodyka KPI Tree first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Marcin Grzelak: Wprowadzenie i ścieżka kariery
Rola analityki w Travelist: Trzy filary danych
Organizacja zespołu analiz i kultura data-driven
Dane w marketingu: Inspiracje i personalizacja
Ewolucja zachowań klientów w branży turystycznej
Big Data i narzędzia analityczne w Travelist
Automatyzacja i wykorzystanie AI: Przykłady z Travelist
Rekomendacje dla e-commerce: Skuteczne wdrażanie AI
Podsumowanie: Główne wnioski z rozmowy

Marcin Grzelak: Wprowadzenie i ścieżka kariery

Mariusz Michalczuk: 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 Marcin Grzelak. Marcinie, dzięki wielkie, że zgodziłeś się przyjąć zaproszenie do naszej rozmowy. Czy mógłbyś na początku kilka słów o sobie powiedzieć.

Marcin Grzelak: Cześć, jestem Marcin. Pracuję jako analityk danych od 15 lat. Zaczynałem od pozycji stażowych w spółkach Skarbu Państwa. Później pracowałem też jako analityk m.in. w Polskich Liniach Lotniczych, w Totalizatorze Sportowym, w Allegro. Przeszedłem przez funkcje seniorskie, kierowałem również działami analitycznymi CRM w Carrefour Polska i obecnie jestem menadżerem do spraw analiz w Travelist.

Mariusz Michalczuk: Super. Ja jestem z serca analitykiem i zawsze jak ktoś opowiada o swojej ścieżce, jakie różne zestawy danych mógł dotykać, to zawsze takie poruszenie w moim sercu jest. I teraz jesteś w Travelist. Tych danych na pewno jest tam mega dużo. Powiedz mi, gdzie twoja rola w tej strukturze jest teraz obecnie w Travelist? Jak to wyglądało na przestrzeni czasu? Teraz bardzo dotykasz takich danych związanych z użytkownikami, z danymi online. I gdzie w strukturze jest twoja rola?

Rola analityki w Travelist: Trzy filary danych

Marcin Grzelak: Jako zespół analizy jesteśmy ulokowani w Departamencie Finansowym, czyli ktoś oceniał, to by powiedział, że przede wszystkim zajmujemy się finansami, czyli robimy rozliczenia, aby kasa na końcu się zgadzała w sensie rozliczeniowym. Natomiast to jest tylko takie ulokowanie w organie, bo w Travelist pełnimy w zasadzie centralną funkcję jako zespół analiz. Odpowiadamy za wszystkie analizy, które dotyczą Travelista, hoteli i klientów. My dostarczamy informacje do każdej komórki, do każdego hotelu, do każdego klienta.

Trochę ja mówię, że my jesteśmy takim sercem Travelista, które rozprowadza tlen, czyli te dane do całej organizacji. Bez nas tak naprawdę nie byłoby informacji dotyczącej tego, jakie są wyniki sprzedażowe. Bez nas by nie było informacji dotyczących jak działają dane hotele, jak wygląda ich performance. To od nas też wychodzą dość często inicjatywy analityczne w kontekście usprawnień, rekomendacji, tego, co możemy jeszcze zrobić, aby osiągać zamierzone wyniki, więc dostarczamy bardzo mocno przekrojowo wszystkie informacje w ramach całej organizacji.

My też w ramach samego Travelista działamy na takich, ja to nazywam takie trzy filary, bo działamy w przeszłości, w teraźniejszości i w przyszłości. W ramach tej przeszłości to mamy klasyczne raportowanie i analitykę. Czyli opowiadamy, co się wydarzyło, co się stało, dlaczego tak się stało, dlaczego mamy taki wynik, a nie inny. Staramy się działać na tej teraźniejszości, czyli też optymalizujemy ją, optymalizujemy ją poprzez testy A/B, segmentację i to, co możemy zrobić tu i teraz. No i jest ten trzeci filar dla mnie taki trochę najtrudniejszy, ale chyba dla wszystkich jest najtrudniejszy. To jest ten filar przewidywania przyszłości, czyli forecasting, modelowanie predykcyjne, estymowanie churnu. To są rzeczy, którymi się też zajmujemy. Jest to bardzo wyzwaniowe, bo branża travel jest mega wyzwaniowa. Wiemy wszyscy jak COVID wyłożył branżę travel.

Mariusz Michalczuk: Wszystkie tak naprawdę przewidywania, wszystkie forecasty wyłożył. Nie tylko w travelu.

Marcin Grzelak: To poszło do kosza, całe planowanie, bo to, co się wydarzyło z COVIDem i jak to pozamiatało całą branżę travel, było dość sporym wyzwaniem i utrzymaniem się też na powierzchni było sporym wyzwaniem, które Travelist zdecydowanie przetrwał i to zarówno od strony klienckiej, i współpracy z hotelami, i czysto w kontekście pracowniczym, gdzie przychodziły fale redukcji zwolnień, Travelist w pełni utrzymał się na powierzchni. Nie było żadnych redukcji etatów, więc tu na pewno w tym kontekście utrzymaliśmy się na powierzchni, chociaż nie było łatwo.

Organizacja zespołu analiz i kultura data-driven

Mariusz Michalczuk: Myślę, że wiele biznesów faktycznie w tym czasie cierpiało. Tak jak opowiadasz o tej przekrojowości, mega podobają mi się te trzy filary, bo w praktyce analityka w każdym z nich faktycznie dane się sprawdzają i w każdym mogą służyć. Zastanawiam się tak jak dużo jest działów, dla których świadczycie to wsparcie. Przychodzą mi dwa pytania do głowy. Pierwsze, czy jest tak, że jesteście takim centrum nazwijmy to inteligencji, sercem, czy jesteście podzieleni wewnętrznie jakoś kompetencjami, że jedne osoby bardziej analizują dane, znają się na danych z jednego obszaru, inne z drugiego? A drugie pytanie jest takie, czy te osoby bezpośrednio się komunikują z biznesem, czy w biznesie są takie katalizatory, takie osoby, które trochę tej analityki rozumieją, ale też rozumieją biznes, jak to wygląda. Czy bezpośrednio z biznesem wtedy rozmawiacie?

Marcin Grzelak: Pytałeś tutaj o kontekst taki organizacyjny, w jaki sposób my się dzielimy, też jest jakaś kompetencja. Kompetencje mamy tutaj bardzo przekrojowe, ale jednocześnie tak mocno holistycznie ulokowane u każdej osoby bardzo podobnie. Co to oznacza mniej więcej? Przychodząc do Travelista funkcjonowaliśmy trochę w takiej rzeczywistości, że byliśmy analitykami, którzy dostarczali dane. Dość często obserwowałem, że to jest trochę za mało, w sensie to co potrzebuje organizacja to takich kompleksowych rozwiązań analitycznych ulokowanych w ramach jednej osoby, czyli wiemy, że nie mamy źródła danych, które trzeba przetworzyć, trzeba zreorganizować, czyli potrzebujemy ten filar taki data inżynieryjny i bez tego tutaj absolutnie nie mamy opcji startowania. Oczywiście można się posiłkować jakimś third party, który nas pomoże w tym temacie, natomiast w ramach przetwarzania informacji z jakiegoś CRM-u i chcemy szybko to przetworzyć, po API, bo wskoczyła taka nowa potrzeba, to chcemy zrobić to jak najszybciej bez pomocy firmy zewnętrznej, więc mocno stawiamy na ten aspekt data inżynieryjny.

Oczywiście ten aspekt analityczny jest sercem, jest filarem, więc ta praca na bazach danych jest absolutnie niezbędna. No i też potrzebujemy tego aspektu ostatniego, czyli aspektu komunikacyjno-wizualnego. Aspekt komunikacyjno-wizualny jest tutaj bardzo ważny, bo z jednej strony potrzebujemy mieć te kompetencje miękkie, aby umieć rozmawiać z biznesem. Oczywiście wszyscy wiemy, jacy są analitycy, analityk, to wyobrażamy sobie tego człowieka, który gdzieś tam siedzi na back office, klepie te bazy danych, ale potrzebujemy też wyjścia na front, więc to też jest taka zmiana nastawienia, że musimy być osobami, które chcą rozmawiać i chcą rozumieć biznes. Do tego potrzebujemy po pierwsze tych kompetencji miękkich, które jeśli nie mamy, to trzeba sobie powoli wypracowywać, bo też taka jest przyszłość. Teraz wraz z rozwojem Gen AI nie możemy być już tacy czysto zamknięci, czysto technologiczni. Wygrywają ci humaniści, ci prawdziwi humaniści, tacy z definicji humaniści, czyli te osoby otwarte, wieloobszarowe, które są w stanie zaadaptować się do każdej sytuacji. Więc ten aspekt miękki na pewno jest bardzo ważny. No i potrzebujemy też kompetencji do komunikacji z biznesem, ale w kontekście wizualnym. Czyli musimy mieć kompetencje BI-owe, żeby dostarczać informacje za pomocą dashboardów, czy to Tableau, czy to Looker, czy jakieś inne rozwiązania, które pomagają zrozumieć liczby, pomagają zrozumieć otaczający nas świat i kontekst biznesowy.

I to są nasze oczekiwania od zespołu analiz, które mamy, natomiast też fantastyczne jest to, że pracujemy tak naprawdę z ludźmi, z menedżerami, którzy również rozumieją liczby i to jest super, bo ten kontekst data-driven, o którym się często mówi, “bądźmy data-driven”, wszyscy o tym mówią i fajnie, tylko finalnie ogranicza się do tego, że dział analiz i deweloperzy są data-driven, a biznes sobie czeka. Tutaj nie, to jest też o tyle fajny plus, że organizacja też bardzo mocno dojrzewała i dojrzewa cały czas i coraz bardziej nabywa te kompetencje cyfrowe, coraz bardziej nabywa te kompetencje analityczne, i też jest nam łatwiej się komunikować z ludźmi, którzy rozumieją liczby, którzy rozumieją, że jeśli coś zachodzi i jakieś liczby wpływają na to, to nie dociekają dlaczego to i jak, tylko sami też już rozumieją o co chodzi, sami zadają pytania, dość często nas wyprzedzając, więc to jest na pewno bardzo fajne.

Pytałeś też o aspekt rozdzielenia kompetencji, czy my obsługujemy wszystko, czy rozdzielamy się jakoś organizacyjnie. To też zależy bardzo mocno od tego, o jakich aspektach i o jakich fragmentach organizacji rozmawiamy. Starałem się to wydzielić bardzo prosto, bo dla mnie Travelist tak się podzielił trochę: tu jest marketing, wszystko to, co mamy osadzone w kontekście powiedzmy e-commerce’owym i mamy tą resztę dotyczącą hotelarstwa, klientów, rozliczeń, takich aspektów chociażby jak dostępność hotelowa, o którym to jest w innych e-commerce’ach o tym się nie mówi. Mówi się o stocku, o tym czy produkt jest dostępny. U nas musi być dostępność hotelowa, klient musi mieć co kupować, no mamy kilka takich obszarów, które sobie podzieliliśmy, i w ramach tych kompetencji i tych naszych doświadczeń, bo mamy kilka osób, które pracowało w marketingu, w e-commerce, one świetnie się odnajdują w tematach marketingowo-atrybucyjnych i CRM-owych i naprawdę tam dają radę. Mamy też, które pracowały wcześniej jako analitycy, czy BI-owcy i są dość mocno przekrojowi, jeśli chodzi o obszary analityczne, więc też świetnie się rozwijają np. w obszarach dotyczących finansów czy współpracy z hotelami.

Dane w marketingu: Inspiracje i personalizacja

Mariusz Michalczuk: Super. Właśnie ten pierwszy aspekt to takie chapeau bas, bo wiem jak trudno jest budować taki zespół. Bo dzisiaj analityk, zwłaszcza w świecie cyfrowym, to musi rozumieć analizę przede wszystkim, bo jest analitykiem. Technologie, bo ta technologia tworzy te dane, dostarcza tych danych, więc trzeba je rozumieć, to po pierwsze. A po drugie, jak stawia rekomendacje, to też stawia rekomendacje dotyczące technologii, więc ciężko jest rekomendować jakieś zmiany, jeżeli tej technologii się nie rozumie. I trzeci, wydaje mi się, że najtrudniejszy do znalezienia, wykształcenia, bo sami tak jak powiedzieliśmy, my analitycy raczej jesteśmy introwertykami, którzy najchętniej by się zamknęli z tymi tabelkami. Właśnie ten aspekt komunikacyjny, biznesowy. Tak jak opowiadasz, to to, że managerowie i osoby, do których trafiają te dane, mega świadczy o dojrzałości organizacji, bo ja nieraz widziałem takie sytuacje, gdzie był super zespół analityczny, ale przez takie “dajcie mi te raporty” i już dalej się nic z tym nie dzieje, bo każdy lubi widzieć jaki ma wpływ na rozwój i tego nad czym pracuje, a jeżeli biznes nie bierze tych rekomendacji od działu analiz, to wyobrażam sobie, że drugi, trzeci raz i ten dział analiz traci po prostu motywację do tego, jeżeli tam z tego nikt dalej nie wynika. OK. Tak jak powiedziałaś jest marketing, czy tam e-commerce i reszta organizacji. Chciałbym się bardziej skupić na tej części marketingowej, bo ja też nie ukrywam, więcej mam doświadczenia w tym temacie. I tak jak znam Travellist, to można powiedzieć, że Travellist ma taką część inspiracyjną i ma tę część e-commerce’ową. Jak Wy pomagacie, danymi analizami, może jakieś przykłady analiz, może jakieś zależności, jak balansować nad rozwojem tych dwóch części? Bo wiadomo, inspiracje ściągają na wczesnym etapie zainteresowanych, a te części e-commerce’owe, oczywiście muszą mieć efektywność i jakie, może biznes, jakie Was prosi analizy, czy co robicie w tym kontekście, żeby rzeczywiście ten balans W długim okresie oczywiście, bo w krótkim to każdy chciałby sprzedawać. Nie ma dwóch zdań.

Marcin Grzelak: Tak, to prawda. My działamy na takich dwóch filarach rzeczywiście. Jeden to ten rezerwacyjny, który oczywiście jest ze względów finansowych takim corem naszej działalności i na to przede wszystkim stawiamy, ale również mamy tę część taką inspiracyjną w postaci naszego magazynu, który powstał wiele lat temu i teraz jest bardzo mocnym źródłem inspiracji i sprawdzania tego, jakie są trendy u naszych konsumentów, bo poprzez artykuły, które tam się pojawiają i poprzez informacje, które widzimy, że klientów interesują lub nie, wiemy tak naprawdę, co może być chwytliwe w najbliższym czasie.

Oczywiście mamy takie podstawowe założenia, które nam pomagają wykorzystywać te informacje z magazynu i przekładając je później na działania powiedzmy takie w zakresie CRM-owym czy Marketing Automation do naszego serwisu Travel. Jako przykład taki bardzo banalny, ale to się świetnie sprawdza, tak? Mamy artykuł dotyczący najpiękniejszych zamków w Polsce. No i widzimy, że to jest ciekawy artykuł dla klientów, to się klika, klienci świetnie sobie oglądają te zamki, szczególnie przed walentynkami i tego typu najbliższymi okazjami, to są wtedy rzeczywiście bardzo potrzebne artykuły, czy najbardziej romantyczne hotele w Polsce, ale to też świetnie, bo już mamy pierwszy kontakt z klientem. My już mamy tego klienta złapanego. Wiemy, co to jest za klient. Mamy jego sygnaturę cyfrową i tak dalej. Wiemy, że to jest pan Iksiński, który albo jest nowy, albo już z nami był. No i wiemy, że jego już te hotele te romantyczne interesują. On już w styczniu wchodzi i szuka tych romantycznych hoteli. No to wiemy, że już jego strona główna, jego front, tego co zobaczysz na Traveliście, bo newslettery już powinny wyglądać absolutnie inaczej. W sensie to jest klient, który w tym momencie on na pierwszej stronie, to ja mu nie podsunę tego, co jest najbardziej popularne, bo się sprzedaje nam w segmencie 2 plus 2 i wiemy, że hotel rodzinny nad morzem to u nas super żre, ale dla Pana Ikisińskiego to w tym momencie podsuniemy to wszystko to, co ma fajne spa, fajne widoki i fajne atrakcje dla par. To jest na pewno pierwszy aspekt w kontekście budowania strony głównej.

Drugi aspekt, który mamy, to ten newsletterowy, który wspomniałem. My bardzo mocno też cały czas stoimy na komunikacji newsletterowej, która jest też sporym motorem napędowym dla naszego biznesu, ale to też pozwala bardzo mocno zoptymalizować i podbić konwersje konkretnych newsletterów. Tam nie robi się masówki, tylko już mamy informację co klienta interesuje w danym czasie. Czyli wiemy, że ten pan Iksiński to jemu zdecydowanie puścimy informację i będziemy go starali przekonwertować na ten wyjazd z małżonką na romantyczny wypad. To są takie rzeczy bardzo proste, bo pokazują nam, mamy pierwszy touch point z klientem, wiemy co chce i wiemy jak go przekonwertować. To jest chyba typowe dla większości e-commerce’ów, ale my tutaj mamy ten po pierwsze, aspekt inspiracyjny, więc klient coś dostaje, a z tego dostajemy to, co jest najcenniejsze obecnie na świecie, czyli wiedzę i dane. To na pewno jest ważne.

Druga rzecz, która też jest ważna według mnie w kontekście magazynu, to też śledzenie takich ostatnich trendów, bo też dość często produkujemy artykuły, które są opiniotwórcze, informują klientów, co się dzieje w najbliższym czasie. Przykładem jest bon turystyczny warmińsko-mazurski. To są rzeczy, które zazwyczaj dowiemy się z portali, z Onetu, czy z WP, czasem może na PP, że ktoś rzuci informację, że pojawia się bon turystyczny, natomiast wrzucając to u nas na stronę, widzimy mega zainteresowanie, bo poczytność takiego artykułu jest 5-6-krotnie większa. My dzięki temu wiemy, że jest gro klientów, którzy zdecydowanie wykorzystają ten bon, jeśli on się pojawi. No i teraz pojawia się dla nas punkt zapalny, bo wiemy, że mamy grupę klientów, która jest mega zainteresowana takim bonem turystycznym, więc otwiera nam się cała paleta możliwości, co my możemy dalej z tym zrobić w kontekście przekonwertowania, żeby ten klient wykorzystał ten bon turystyczny konkretnie u nas. Tak jak kiedyś był bon turystyczny po czasach covidowych, który był odpalany, on tam miał wspomagać polską turystykę, polskie hotelarstwo. To dla nas był taki punkt zapalny, który nam pozwolił przyciągnąć tych klientów do Travelista, bo stawiliśmy wtedy taką komunikację, że “przyjdź wykorzystać ten bon turystyczny, u nas dostaniesz ekstra. Dodamy ci jeszcze ekstra zniżki do twojego wyjazdu.” To są akcje, które bardzo mocno nas ratowały. W tym momencie teraz też nam dają bardzo dużo dodatkowo inkrementalnej kasy. Bo wiemy, że klienci są zainteresowani, to są ci klienci, którzy chcą u nas wykorzystać ten bon, i z tego budujemy sobie dodatkowe zyski.

Mariusz Michalczuk: Super. Czyli te dane, tak bym to podsumował w sumie, możesz mnie poprawić jeżeli źle zrozumiałem, ale wydaje mi się, że bardzo dobrze. Ta część inspiracyjna, ona pokazuje rzeczywiście czym ci użytkownicy są zainteresowani i później jak wchodzą na tą część, sprzedażową czy e-commerce’ową, to w ramach mechanizmów personalizacyjnych to wy już im nie podsyłacie najpopularniejszych czy top wybieranych, tylko na bazie tego co oglądali w tej części kontentowej dostają od razu, tak naprawdę skracacie im trochę proces wyszukiwania, tak jak z tego co ja rozumiem, tego po co przychodzą, czyli chyba można powiedzieć po wypoczynek, po prostu.

Marcin Grzelak: Przychodzą po wypoczynek, przychodzą po doświadczenia wakacyjne, bo ten wypoczynek to też bardzo często można uzyskać w wielu różnych miejscach, natomiast klienci też szukają czegoś sprawdzonego, czegoś co reprezentuje taki komfortowy wypoczynek, na który im bardzo mocno zależy. To jest też bardzo dobra ścieżka optymalizacji konwersji. Wrzucając ten artykuł, wrzucając te informacje dotyczące tych romantycznych hoteli, będę do nich wracał na przykład, osadzając w samym artykule odnośniki do tych hoteli, które kierują bezpośrednio na Travelist, to znów skracamy ścieżkę konwersji, bo automatycznie klient nie przechodzi nam przez stronę główną, nie przechodzi z wyszukiwania, tylko automatycznie go od razu kierujemy, nawigujemy do konkretnego hotelu, gdzie już czeka na niego tak naprawdę hotel sprawdzony z dobrą dostępnością, z dobrą ceną. Dla nas to jest też zdecydowanie zoptymalizowanie tego, co dajemy klientowi, bo wiemy też, że klient wchodząc na stronę, ma ograniczony czas i ma ograniczoną cierpliwość. Sprawdzi maksymalnie kilka ofert, jeśli przez te kilka ofert go nie przekonamy, to już raczej wyjdzie ze strony i będziemy go łapać gdzieś później i próbować odzyskiwać. Tutaj, jeśli już podsuniemy klientowi wprost to, co on potrzebuje, czyli zbudujemy bardzo prosty system rekomendacyjny, to już mamy tak naprawdę tą wędkę zarzuconą. Z wędką zarzuconą jest o wiele łatwiej nam złapać tego klienta.

Mariusz Michalczuk: Dokładnie tak. Tak sobie myślę, bo mówiłeś o tej części, nazwijmy to, back-office’owej Waszego działu, w której analizujecie inne dane, to w kontekście nawet Waszych partnerów, hotelarzy, którzy są u Was na platformie, zakładam, że to jest po prostu taki mecz, prawda, bo jak dbacie o te dane od hotelarzy i wiecie, który ma jakieś romantyczne elementy i wiecie tutaj o użytkowniku, który takich elementów poszukuje, to i zakładam, że Wasi partnerzy, czyli od tej drugiej strony, bo robicie przysługę użytkownikowi, ale z drugiej strony hotelarz też dostaje tych, którzy, którym jest w stanie zapewnić, czy wypełnić te potrzeby, które poszukuje.

Marcin Grzelak: Tak, zdecydowanie, hotelarze są bardzo zadowoleni ze współpracy, bo to też nie jest tak, że my na każdą ofertę nanosimy tych samych klientów. Robimy karuzelę klientom i hotelarzom i przenosimy każdego klienta przez X ofert. Mamy o tyle spersonalizowane i sprawdzone te grupy konkretnie wysegmentowanych klientów, że puszczamy z dużym prawdopodobieństwem rezerwacji w danym segmencie hotelowym, czyli jeśli wiemy, że tych romantycznych, puścimy trzy pierwsze oferty, które są romantyczne i wiemy, że to się sprawdzi, to dokonają rezerwacji, ale też nie puszczamy tam klientów, którzy są obarczeni mniejszym prawdopodobieństwem rezerwacji, bo po prostu są z innego segmentu, wiemy jakich doświadczenia są, znamy ich historię rezerwacyjną, więc hotelarze też dając swoją ofertę wiedzą, że docieramy do odpowiedniej grupy klientów.

Ewolucja zachowań klientów w branży turystycznej

Mariusz Michalczuk: Super. Tak mi przyszło do głowy teraz pytanie, bo też mam zapisane, że na 15. Forum Promocji Turystycznej mówiłeś o tych big data i analizach w branży turystycznej, czyli jak działasz w tej branży, analizujecie te dane, czy może jakieś takie ciekawe rzeczy w kontekście tego jak kupujemy te wycieczki, co się zmieniło, może wydłużył, skrócił się okres wyboru, przesunął się bliżej last minute, czy bardziej na first minute, czy jakieś takie ciekawostki, może mniej związane z online’em, ale bardziej takie, społeczne?

Marcin Grzelak: Społeczne się dużo zmieniło. Dużo się zmieniło od czasów covida i wojny. Zaczęliśmy żyć trochę w czasach takiej niepewności społecznej, niepewności też pracowniczej, bo dość często wiele osób też zaczęło się obawiać o to, czy sytuacja, która jest, nie wpłynie na to, czy będę miał jeszcze pracę. Bądźmy szczerzy, wyjazdy, wypoczynek to gdzieś w skali potrzeb statystycznego człowieka, nie jest fundamentem. Więc operujemy na tym, że musimy sprzedać klientowi wypoczynek, czyli coś, co jest gdzieś dalej w jego piramidzie potrzeb. To też zmieniło cały układ gry, bo kiedyś klienci jak planowali wakacje, to sobie siadali już po feriach zimowych, już planowali wakacje, już rezerwowali. Teraz to Booking Window, czyli ten okres od rezerwacji do dnia wyjazdu, skrócił się o te dwadzieścia parę procent. To pokazuje też, że klienci nie są skłonni aż tak mocno planować tych wyjazdów pół roku wcześniej. Bardzo dużo wyjazdów zaczyna nam się uaktywniać. Połowa wyjazdów w ciągu 14-18 dni.

Mariusz Michalczuk: Od samego wyjazdu wtedy?

Marcin Grzelak: Od samego wyjazdu, czyli wiemy, że dzisiaj połowa rezerwacji, która mi wpadnie jest na 14-18 dni w przód. To pokazuje, że bardzo mocno musimy bazować na wyprzedaży najbliższych miesięcy, że bardzo mocno musimy zadbać też o tę dostępność obiektów, bo wiemy, że dostępność obiektowa musi być trzymana do ostatniego momentu. Klienci zdecydowanie stawiają na to last minute i to jest dla nich, po pierwsze wynika to też z cen, bo mamy doświadczenia takie, że wiemy, że trzymając się do ostatniego momentu można złapać coś cenowo fajnego. Po drugie, nie wiemy co nas czeka. Nie wiemy czy nam dzieci zachorują, nie wiemy czy sami będziemy się dobrze czuli. Nie wszystkie hotele też oferują opcję zwrotu w przypadku anulacji. Więc to też często potrafi być blokerem dla wielu klientów. Jeśli na przykład tak jak w Traveliście na większości ofert mamy opcję bezpłatnej zmiany terminu oferty, to też jest nam łatwiej skonwertować tych klientów, bo wiemy, że w momencie niepewności klient jednak skorzysta z naszej oferty.

Mariusz Michalczuk: No dokładnie, bo w razie czego, w razie “w”, jak to się mówi, to nie traci tych pieniędzy. Ja powiem szczerze, że teraz też wolę dopłacić za możliwość właśnie zmiany terminu albo często, mam dzieci, po prostu dzieci chorują, nie wiadomo co tam nas czeka i też często się decyduje też na takie ubezpieczenie, prawda, że w razie właśnie choroby jestem w stanie odzyskać dużą część kosztu, bo wiadomo, że niby tam cały się odzyskuje, ale trzeba go pomniejszyć, o to ubezpieczenie, które się wykupiło.

Marcin Grzelak: Tak, szczególnie jak kupujemy zagraniczne wakacje, które kosztują nas te grube kilka tysięcy złotych, to ten koszt odzyskania w skali całego wyjazdu jest naprawdę znikomy. Czasem warto nawet postawić na te opcje, które gwarantują bezpłatną zmianę terminu, o ile jest dostępny. My dość często w Traveliście mamy, że jeśli po prostu termin jest dostępny, to jak najbardziej możemy zmienić ten termin rezerwacji, nie tracąc przy tym kasy i jadąc do tego hotelu, na który polowaliśmy. Więc myślę, że to jest taka sytuacja win-win dla klientów, na którym zdecydowanie te preferencje się mocno pozmieniały. Też w kontekście nawet takich zachowań klientów, też się dużo zmieniło jeśli chodzi o planowanie i tego w jaki sposób będą spędzać czas. Kiedyś hotel służył trochę jako taka baza wypadowa. Rezerwowało się hotel, bo wiedzieliśmy, że będziemy z hotelu wyjeżdżać na wycieczki rowerowe, pojedziemy z dziećmi gdzieś, pójdziemy na spacer. Teraz coraz więcej skupia się na tym, żeby jak najwięcej tej rozrywki było w samym hotelu, na miejscu. Klienci bardzo mocno skupiają się na tych wszystkich facilities, które są dostępne w ramach obiektu, czy to spa, czy atrakcje dla dzieci, czy animacje dla dzieci. My też patrząc po wyszukiwaniach kiedyś, a wyszukiwaniach teraz, co klienci preferują, to zmienia się to bardzo mocno. Kiedyś podstawowe kryterium to było to, żeby było blisko centrum miasta, albo było dobre połączenie komunikacyjne, od tego typu rzeczy z trochę innej strony wagi. Teraz, wiem, że tu jest bardzo ważne SPA, jest ważne to, żeby była atrakcja dla dzieci, żeby ktoś się najlepiej w ogóle tymi dziećmi zajął, a ja żebym miał cały dzień wolny. To jest rewelacja, jak takie coś hotel ma, to już bankowo idzie w bardzo dobrym kierunku. Chcemy być wygodni, chcemy być elastyczni i chcemy być dobrze obsłużeni, chcemy mieć ten komfort wypoczynku. Poszukujemy komfortowego wypoczynku i to jest tak mocno przekrojowe, ale sprowadza się wszystko do jednego, że chcemy, żeby ktoś za nas zaopiekował się całym tematem wyjazdowym.

Big Data i narzędzia analityczne w Travelist

Mariusz Michalczuk: Super. Ta ilość danych, tak mówiłeś na tym forum o Big Data, to ta ilość tak naprawdę rośnie nie tylko wertykalnie, ale horyzontalnie, bo z tego co słyszę, nagle każdy hotel, musi mieć zmienną pod tytułem atrakcję dla dzieci, spa i tak dalej, bo skoro użytkownicy tego poszukują, to serwis i technologia, dane przede wszystkim muszą wystawić użytkownikowi możliwość filtrowania po tych rzeczach, czyli z jednej strony ilość, bo jest coraz więcej ruchu, coraz więcej internautów, coraz więcej sprzedaży się przenosi do tego e-commerce’u. Zresztą młode pokolenia wchodzą na rynek, które tak naprawdę nie pamiętają czasów, kiedy trzeba było iść do biura turystycznego i tam tą wycieczkę się zamawiało. I tak myślę sobie o tym big data, który rośnie nie tylko wertykalnie, ale też horyzontalnie. Jakbyś to trochę mógł naświetlić, jakich narzędzi do tego wykorzystujecie, do ogarniania tego wolumenu tych danych.

Marcin Grzelak: Tak, wolumen jak sam wspomniałeś jest przekrojowy i tylko rośnie. To jest dość mocno wyzwaniowe, bo zawsze się mówi o tym takim data governance, data quality, które powinno być utrzymywane i powinno być w ramach każdej organizacji. No większym wyzwaniem jest to, jeśli czasem tego nie ma, a dane tylko rosną. To też się czasami zdarza w niektórych organizacjach. W Travelist, oczywiście wiemy jakie standardowo są dane w usługach turystycznych, więc wiemy, że są informacje dotyczące usług rezerwacyjnych, dotyczące fidu produktowego, czyli hoteli, dotyczące bazy klientów. Tylko to jest takie bardzo hermetyczne. Teraz obecnie jesteśmy w sytuacji, w której mamy jeszcze TRM-y, mamy informacje dotyczące klientów pochodzących z serwisów zewnętrznych, mamy informacje pochodzące z magazynu, mamy rzeczy dotyczące TRM-u, ale hotelowego, czyli obsługi hotelarzy. No jest kilkanaście różnych systemów, kilkanaście różnych flow data, które trzeba teraz zsynchronizować i posiadać w jednym miejscu. Jeszcze to sprytnie później wykorzystać i utworzyć na inicjatywy biznesowe. No bardzo fajny challenge. Na pewno zawsze brzmi wyzwaniowo. Jak to orkiestrujemy? Orkiestrujemy to za pomocą Airflow. Airflow służy jako orkiestrator danych pochodzący z wielu systemów, jest o tyle dla nas elastyczny, z racji tego, że my wszyscy w zespole analiz operujemy na stacku Pythonowym, a więc w kontekście przetwarzania tych danych jak najbardziej jesteśmy w stanie integrować się z systemami, komunikując się z nimi, najczęściej po API, wyciągając konkretne informacje, agregując je i przetwarzając do naszego systemu, czyli do Snowflake’a. W Snowflake’u posiadamy tak naprawdę wszystkie już dane, które segregujemy, przetwarzamy. Przechodziliśmy też dość długą drogę, bo byliśmy kiedyś na Postgresie. Ale oczywiście z racji tego, że ten Postgres jest już trochę archaiczny i też nie na te wolumeny danych, którymi obracamy i na czasy przetwarzania, i na niezawodność, jest wiele aspektów, z których tych cech, systemów, które mógłbym wymieniać teraz, ale wszystko się sprowadza do bycia w odpowiednim miejscu i odpowiednim czasie, i Snowflake był tutaj taką najlepszą odpowiedzią. No też Snowflake był dobry, bo mieliśmy doświadczenia z grupy, do której należymy, gdzie wiedzieliśmy, że mamy też wsparcie kolegów, którzy nam pomogą w temacie organizacji, w temacie data architecture ewentualnym i organizowania tego na Snowflake, więc to na pewno pozwoliło nam dość płynnie wejść i płynnie przejść z Postgresa do Snowflake’a. Dzięki temu mam integrację wszystkich tych systemów, które wspomniałem, bo bez tego bylibyśmy… to pewnie też by się dało zrobić na Postgresie, tylko ja podejrzewam, że nie spełniłoby to do końca i moich oczekiwań jako kierownika zespołu analiz i myślę, że biznes też byłby po pewnym czasie też trochę znużony tym, że danych nie ma, dane są za wolno. Trzeba w XXI wieku działać zdecydowanie bardziej smart i bardziej chmurowo.

Automatyzacja i wykorzystanie AI: Przykłady z Travelist

Mariusz Michalczuk: Tak myślę sobie, przynajmniej z mojej perspektywy jest tak, że w tych działach analiz, tak jak ja to obserwuję i widzę nawet w projektach, które realizujemy, że tam gdzie jest najwięcej wartości w tej analizie, czyli właśnie stawianiu wniosków, hipotez i dawaniu rekomendacji biznesowi, to w związku z tym, że tych danych jest tyle, to zanim się je ogarnie, to większość czasu właśnie się spędza na ogarnianiu tych danych. Jak macie taki stack analityczny, to założę się, że macie jakieś automatyzacje takie, które, raportowanie to pewnie na bank, jakbyś mógł też trochę o tym opowiedzieć, ale pewnie jakieś inne automatyzacje, które takie powtarzalne rzeczy, nawet i w kontekście AI są w stanie Wam ten czas ludzki oszczędzić, żeby tam gdzie prawdziwa inteligencja, nie sztuczna, tylko prawdziwa inteligencja może wejść do gry, czytaj właśnie w stawianiu wniosków, rekomendacji, pomocy i komunikacji z biznesem, to może trochę rzucić światło właśnie jak to automatyzujecie, tak, żeby ta wartość była, ale niekoniecznie takim białkowym mechanizmem. Może jakieś kilka przykładów.

Marcin Grzelak: Ten białkowy mechanizm zawsze musi być, a ja będę zawsze tego mechanizmu bronił, bo dość często bez tego białka to by dalej nie było cyfryzacji. To na pewno zawsze warto tego człowieka umieścić w procesie. W kontekście automatyzacji dzieje się u nas bardzo dużo, bo to, co wspominałem wcześniej, mamy orkiestrację za pomocą Airflow, więc pipeline’y dotyczące przetwarzania danych u nas istnieją, ale to jest takim standardem rynkowym, o którym nie będę przynudzał, bo wiemy, że on istnieje. Natomiast mogę pokazać takie dwa przykłady projektów, które też działają na zasadzie tych pipeline’ów, ale dają konkretne wymierne korzyści.

Jednym z takich przykładów jest nasza maszynka do sprawdzania poprawności biznesowej ofert. Jako przykład mogę podać to, że w kontekście biznesowym zakładając ofertę można tworzyć ją na wielorakich różnych poziomach w kontekście cenowym, czyli możemy zakładać ofertę na dany dzień z taką i taką ceną, dokładając do tego jakiś dodatek, cena się zmniejsza, dokładając dostawki, cena powinna być odpowiednio większa, natomiast za to wszystko odpowiada człowiek. Czyli człowiek wpisuje te informacje, wpisuje w system, dodaje te informacje, i to później ląduje na produkcji, klienci kupują to. Dość często zdarza się sytuacja, w której na froncie nie widzimy teoretycznie błędu, bo widzimy prawidłową cenę, ale problemy zaczynają się pojawiać przy tych wszystkich skomplikowanych rzeczach, czyli przychodzi klient, kupuje rezerwację 2 plus 2. Ona powinna być teoretycznie sprzedana z dostawkami, które powinno odpowiednio kosztować. Wydarza się sytuacja, że my sprzedajemy to po prostu za zero dla klienta. Ładuje w błąd. Pytanie, kto powinien za to zapłacić, to przede wszystkim my. No bo hotelarz chce dostać swoje, klient chce dostać swoje, my stoimy po środku i mówimy, sorry, nie udało nam się. Odwołujemy, dziękuję, do widzenia. Nie, musimy coś zrobić. No i takich tematów przekrojowo w ciągu roku potrafi być bardzo dużo. A to co ja podałem to jest taki ultra ortodoksyjny przypadek, który potrafi generować kilkanaście tysięcy złotych błędu. No ale mamy też jakieś pomniejsze, które zawsze generują po te kilka tysięcy złotych, finalnie organizacja może stracić kilkaset tysięcy złotych w skali roku, dajmy na to.

Mariusz Michalczuk: No tak, bo grosik do grosika, tutaj pokoje, tutaj posiłek, tutaj coś tam i nagle się okazuje…

Marcin Grzelak: No i tu ten czynnik białkowy zawodzi, którego broniłem, ale ten czynnik białkowy trzeba trochę poratować, więc w ramach tego, co stworzyliśmy jako zespół analiz, to zebraliśmy historię wszystkich tych błędów, które się wydarzyły. Sprawdziliśmy, jakie to były błędy, z czego wynikały w konstrukcji ceny, dlaczego one w ogóle się wydarzyły, i na początku pozakładaliśmy reguły takie czysto biznesowe do monitorowania tego w Pythonie, czyli łączymy się z Pythonem, z naszą bazą danych, która odpowiada za konstrukcję oferty i na podstawie już założonej oferty sprawdzamy reguły biznesowe, które tam istnieją. Te maszynki Pythonowe mają sobie każdą ofertę pod kątem każdej reguły, także tam jest kombinacja na kilka naszych milionów różnych weryfikacji, które się dzieją w tle. I jeśli się wydarzy taka sytuacja, to orkiestrator Airflow automatycznie skryptem pythonowym wysyła informacje do działu, który zajmuje się przetwarzaniem tych ofert, wysyła informację “słuchajcie, tu i tu jest błąd, który może nas kosztować… X tysięcy złotych oraz weryfikację zablokowaniem oferty zmiany tematu”. System działa już rok, przyniósł 80% oszczędności wobec tego, co generowały nam wcześniej błędy, także w kontekście redukcji kosztów. Bardzo podstawową technologią, bo cały czas mówimy o wykorzystaniu technologii Pythonowych, nie mówimy w tym momencie o wykorzystaniu generatywnej sztucznej inteligencji, czyli wszystko to, z czym dotychczas sobie powinniśmy radzić. Wdrożyliśmy to, mamy 80% oszczędności.

Mariusz Michalczuk: Super, a możesz się podzielić kwotą, bo sobie wyobrażam, że logi są, w sensie ten zapis, ile tam potencjalnie możemy stracić, albo przynajmniej rzędem, jakiej wielkości, jaka to jest Jakie mogę dobyć kwoty?

Marcin Grzelak: Powiem tak, zjechaliśmy do kwoty kilku tysięcy złotych w skali roku. To są tematy, które są nowe błędy, których nigdy nie mieliśmy i nie są jeszcze zaopiekowane biznesowo, ale to też jest iteracyjny cały czas ten proces się rozrasta. Powstają nowe kombinacje sprawdzające, cały czas to weryfikujemy, więc w kontekście takim cyfrowym i minimalizacji błędów wydaje mi się, że robimy naprawdę robotę na bardzo wysokim poziomie dojrzałości i cyfrowej, i opieki nad budżetem, bo też pamiętam, pracowałem kiedyś w Polskich Liniach Lotniczych w dziale CC. Pamiętam, że tamten czynnik białkowy miał bardzo duży wpływ na to, ile się generuje błędów, a z racji tego, że to się zakłada live, te rezerwacje lotnicze, jest piekielnie ciężko w kontekście, bo tu jeśli klient chce, a konsultant źle zakłada rezerwację lotniczą, to tam już z kolei nie było miejsca, przestrzeni na wyłapanie tego. To były naprawdę trudne momenty, kiedy generuje się je w trakcie jednej rozmowy telefonicznej błąd na kilkanaście tysięcy złotych, bo został źle założony bilet. Tutaj jest nam łatwiej, bo działamy trochę w delikatnym opóźnieniu, przesunięciu tego okna czasowego, ale też mamy te kilka sekund na wyłapanie tego błędu. I te kilka sekund już ten skrypt pythonowy jest w stanie nam zabezpieczyć i obsłużyć i zakomunikować, że jest błąd. I dzięki temu my bardzo też szybko reagujemy, przycinamy ten błąd i jesteśmy zabezpieczeni w kwestii kosztów. I tak powtórzę, bez wykorzystania generatywnej sztucznej inteligencji.

Mariusz Michalczuk: No właśnie, a w kontekście LLM, Gen AI, to jest temat, który nie schodzi z wokandy, praktycznie wszystkich biznesowych konferencji dzisiaj, nieważne czy w naszej branży digitalowej, nazwijmy taką ogólnie, czy jak obserwuję i w produkcji, generalnie wszędzie ten dwuliterowy skrót się pojawia. Jak to wygląda u Was z tym Gen AI-em, czy tam AI-em?

Marcin Grzelak: Z Gen AI-em też mamy kilka przypadków, które też nas wspomagają na bieżąco. Wiadomo oczywiście, że w ramach dojrzałości organizacji w kontekście generalnej cyfryzacji też staramy bardzo mocno się edukować jako zespół analiz, ucząc ludzi korzystania z tych wszystkich narzędzi, które są ogólnodostępne, czyli z Gemini’a, z ChatGPT, z CLOD’a, to są takie rzeczy podstawowe w kontekście takich filarów edukacyjnych. I to się dzieje ongoing’owo i myślę, że też kolejne, które też jako zespół analiz trochę odpowiadaliśmy za wdrażania, tych pierwszych GNI kroków w organizacji, cieszyły się bardzo dużym zainteresowaniem. To też były szkolenia, na które, ja się śmieję, pobiliśmy rekordy czasowe, jeśli chodzi o zapisy, bo jak odpaliliśmy szkolenia z GNI, tam był limit chyba, nie pamiętam, 20 czy 30 miejsc, to to się zamknęło w 10 minut. Gdzie już to jest to szkolenia, jak było otwierane w organizacji, to potrafiły sobie tak poczekać te dzień, dwa, jak się zakończą zapisy. No widać temat jest chwytliwy. Temat jest chwytliwy nawet dla osób, które nie są zainteresowane sztuczną inteligencją, no ale to są takie, tak jak wspomniałem, te filary edukacyjne. Te filary edukacyjne bardzo dobrze, że są, bo każda organizacja i każdy pracownik wydaje mi się, że to jest set skill, który po prostu musi teraz mieć, żeby funkcjonować w obecnym rynku.

Natomiast mamy też kilka rozwiązań, które funkcjonują u nas powiedzmy takich czysto technologicznych i też dają wymierne korzyści czasowe w kontekście oszczędności czasu pracowników. Takim standardowym chyba najlepszym projektem, który u nas się dzieje i który rzeczywiście daje te wymierne korzyści czasowe, to jest automatyczna analiza odsłuchu ofert, odsłuchu rozmów klientów i Customer Service. To jest dość duży projekt, który był przede wszystkim obarczony dużym aspektem prawnym, tego jak to odpalać. Wszystko było zgodne z aspektami dotyczącymi RODO, etc. Czyli wchodzą w grę nam rzeczy wykorzystania LLM-ów lokalnych, przetwarzania tego na lokalnym zasobie sieciowej, nie przetwarzania tego na zewnątrz, w jaki sposób to zabezpieczać, przechowywać te dane. Jest dużo takich tematów, czysto prawnych, które w ramach wszystkich szkoleń generalowych zawsze się mówi o tej etyce danych. Ta etyka danych jest tutaj, była bardzo mocnym filarem, bo musieliśmy zadbać o to ze względu, że mamy doświadczenia już z klientem. To już nie były takie napisy wewnętrzne, które są nie aż tak wrażliwe, to już mówimy o danych wrażliwych.

Natomiast idąc do sedna, czego sam projekt dotyczy? Projekt dotyczy przetwarzania najpierw w pierwszym kroku nagrań dźwiękowych z dokumentami, przetworzenia tego do zapisu tekstowego i obsługi w kontekście kryterium jakości i oceny standardów rozmowy przez generatywną sztuczną inteligencję. No i czysto technologicznie jak to wygląda? Mamy system, który zapisuje rozmowy klientów z Customer Service, te dane są wydane przez API, następnie przez usługę AWSową, AWS Transcribe idzie analiza tej rozmowy i zapis do pliku tekstowego wraz z diaryzacją, o co też bardzo ciekawa wskazówka, jak pamiętam się dałem jeszcze raz do tego projektu i najbardziej się namęczyłem ze znalezieniem usługi chmurowej, która nam w języku polskim diaryzację na jedno kanałowe.

Mariusz Michalczuk: A diaryzacja to jak, bo w sumie przyznam, że pierwszy raz się spotykam z tym stwierdzeniem.

Marcin Grzelak: Diaryzacja to jest podzielenie nagrania pomiędzy konsultanta a klientem.

Mariusz Michalczuk: Czyli, żebyśmy… Okej, czyli takie role, tak.

Marcin Grzelak: Role, role, tak.

Mariusz Michalczuk: Okej.

Marcin Grzelak: Ja myślałem pierwszy, bo my bardzo mocno też jesteśmy w środowisku googlowym. Korzystamy z ich usług. I byłem rozbity kompletnie, bo nie ma w języku polskim, nie ma usługi diaryzacji, przetworzy nagranie, ale nie podzieli na role. Także byłem bardzo zasmucony. No ale usługa AWS-owa już tutaj w tym temacie się świetnie sprawdza, więc ta usługa AWS-owa dostarcza nam informację o zapisie rozmowy, zapisuje ją bezpośrednio do JSON-a. Ten JSON później jest załadowany do naszego lokalnego LLM-a. Lokalny LLM w kontekście karty jakości oceny, którą mamy ustaloną z zespołem Customer Service, ocenia tę rozmowę i wypluwa kartę jakości z ocenionymi konkretnie kryteriami w zakresie WAG, w zakresie tematu rozmowy dostarcza też informacji bardzo cennych w zakresie spostrzeżeń klientów, bo kiedyś musieliśmy, żeby się bawić w jakieś opinie klientów, to musieliśmy robić ankiety CISATowe i tak dalej. To są koszty. Fajnie się to robi, fajne są tego insajty, ale żebyśmy mieli z tego jakieś konkretne matematycznie, prawidłowo zrobione badanie jest bardzo ciężko, bo musimy mieć naprawdę dobrą grupę klientów, musimy mieć przekrojową z wiarygodnym rozwarstwieniem jeśli chodzi o pochodzenie, o segmentację. Jest ciężko zrobić takie dobre badanie. Jeśli ktoś mówi, że robi takie dobre badania, to naprawdę podziwiam.

Mariusz Michalczuk: Jest… Albo dużym kosztem, prawda?

Marcin Grzelak: Natomiast tu mamy, przekrojowo, tak naprawdę mamy odsłuchaną każdą rozmowę. Customer Service standardowo odsłuchuje kilkanaście, kilkadziesiąt rozmów danego pracownika miesięcznie. Tu w tym momencie mamy obsłużone wszystkie rozmowy. Jesteśmy w stanie wyłapać każdą anomalię, każdy typowy fuck up mówiąc wprost, który nam wytnie klienta z powodu niewłaściwej jakości obsługi. Już wiemy co na tym etapie, znamy tematyki rozmów, wiemy jak Customer Service pracuje, co lepiej. W przypadku już każdego pracownika też mamy rekomendacje, który aspekt teoretycznie rozmowy, który aspekt jakościowy jest słabszy. Jest to też rekomendacja po pierwsze dla superwizorów, bo wiedzą w jaki sposób pracować z tymi pracownikami. Mamy po drugie mega dużo czasu zaoszczędzonego dla superwizorów w kontekście tej jakości oceny i to jest na pewno niesamowity plus tego, bo uwalniamy moce przerobowe na Customer Service, gdzie mogą skupić się po prostu na czymś innym, a tę ocenę zostawiamy.

Mariusz Michalczuk: Super, znaczy mega, czyli z jednej strony to w ogóle dzisiaj mi wpadło do głowy stwierdzenie what gets measured gets done i tutaj tak naprawdę ja uważam, że te dane jakościowe, bo ocena rozmowy jest nieoceniona, znaczy w ogóle informacja, jakie są prowadzone rozmowy, tylko to jest mega drogie, tak jak ja zawsze mówię, oglądanie sesji użytkowników też jest mega wartościowe, tylko teraz obejrzyj te set tysięcy, ale już wszystkich to nie ma szans, a tutaj to praktycznie dostajemy zmierzone wszystkie rozmowy i podane na tacy tym superwizorom, czyli z jednej strony zakładam, że to jest dla rozwoju jakości, obsługi klienta, zwłaszcza w kontekście tej dostarczanej tak fizycznie przez słuchawkę. A powiedz mi czy, bo w tych rozmowach tak jak sam mówiłem, że często klienci zwracają uwagę na jakieś tam elementy i zapewne elementy serwisu i elementy oferty. Czy też to gdzieś i jak to dalej płynie? Bo wyobrażam sobie, że tak, ale właśnie co się dalej z tym dzieje, bo jedna to jest właśnie ocena, ale druga to też są insajty, prawda?

Marcin Grzelak: Te insajty są bardzo cenne, bo te insajty pokazują nam to, czego my nie widzimy. Ja uważam, że każdy pracownik żyje w bańce swojej organizacji. Patrzymy na stronę, mówimy fajna strona, wszystko robimy super, elegancko.

Mariusz Michalczuk: Dokładnie, powiedziałbym więcej, że w bańce swoich kompetencji czy zakresu odpowiedzialności nawet, prawda?

Marcin Grzelak: Zdecydowanie, to uważamy, że wszystko jest okej, mówimy, oczywiście musimy usprawnie zmieniać, ale tak ogólnie to chyba wszystko jest okej. Później przychodzi taki insajt z rozmowy biznesowej i klient mówi “a ja to nie mogę znaleźć tej najniższej ceny”. No i my wiemy, że to przecież oczywiste, że tu się gdzieś świeci tam na niebiesko, to wiemy, że to jest najniższa cena. No to jaki problem? Ale jeśli otrzymujesz takich informacji 10, to mówisz “kurde, chyba coś nie halo jednak robimy”. No i te informacje my agregujemy, zbieramy, kategoryzujemy, sprawdzamy informacje dotyczące UX, sprawdzamy informacje dotyczące jakości oferty. sprawdzamy informacje dotyczące już doświadczeń takich hotelowych, bo dość często też klient może po prostu zadzwonić, byłem w hotelu i remont obok. Jest mi z tym bardzo źle i chciałem się poskarżyć. No i też zbieramy, bo to jest też cenny feedback, to też wpływa na NPS-a, na to czy klient do nas wróci, czy nie. Te doświadczenia są bardzo ważne, bo tak jak wspominałem, my nie sprzedajemy tylko tych pobytów, tylko sprzedajemy doświadczenia. Chcemy, żeby też klient do nas wrócił, żeby nas dobrze kojarzył. Więc te informacje zbieramy, te informacje kategoryzujemy, dalej przekazujemy konkretnym działom, bo te inne informacje pójdą do produktu, który będzie pracował nad tym, żeby ta komunikacja tej najniższej ceny na stronie, no może była trochę inna, może była trochę bardziej uwydatniona. Inne rzeczy też pójdą do działu sales, którzy usłyszą, że w danym hotelu trwa remont. No to trzeba coś tam trochę może poorganizować w ofercie, może trochę to inaczej komunikować też klientom. Też inne rzeczy znów wrócą ponownie do Customer Service, bo będą dotyczyły tego, że ktoś miał do nich oddzwonił, czy nie oddzwonił, a też tak się może zdarzyć. Więc te wszystkie informacje kategoryzujemy, zbieramy i dalej przekazujemy konkretnym działom. To bardzo też ułatwia pracę, bo sami się napędzamy trochę i sami dzięki temu wiemy, co możemy jeszcze zrobić, co możemy zrobić lepiej, żeby biznes funkcjonował lepiej, żeby klient też był bardziej zadowolony. No dla mnie to jest takie dość mocno przełomowe, bo o ile ten wcześniejszy projekt, o którym mówiłem, jest spoko, bo zahaczał kasę. Kasa jest zawsze sexy tematem. Natomiast ten temat jest dość mocno przekrojowy i najważniejszy dla klienta.

Mariusz Michalczuk: No tak, ale na końcu tak czy inaczej to się skończy na kasie. Bo jak klientowi lepiej podpowiecie, czy np. z rozmów wyjdzie, że w hotelu, który jest zarezerwowany w okolicy dzieje się jakiś festiwal i sprzedaż o tym festiwalu, wyjmie tą informację gdzieś na wierzch i to zachęci inne osoby, więc jak to się mówi at the end of the day, to biznes na tym korzysta, nie ma co się oszukiwać, prawda?

Marcin Grzelak: Zdecydowanie, więc ja uważam, że tam gdzie mamy znów najcenniejszą rzecz mamy za darmo, czyli dane, informacje dostajemy za darmo od klienta, jest grzechem nie korzystać z tego.

Rekomendacje dla e-commerce: Skuteczne wdrażanie AI

Mariusz Michalczuk: Dokładnie tak. W ogóle mega mnie to, to się kolejny raz mi powtarza, w ogóle zainteresowało mnie to, co powiedziałeś, że odpowiadaliście się za te szkolenia z Gen AI, natomiast w ogóle tak jak obserwuję wśród naszych klientów, to kto ma wdrażać AI, Gen AI ogólnie, sztuczną inteligencję, to rzeczywiście to w cudzysłowie spada, bo ja jako fan technologii to dla mnie to jest miód na moje uszy, że to rzeczywiście zespoły data odpowiadają za wdrożenie tego AI-a. Tak trochę na koniec, Marcin chciałem Cię podpytać, bo ja sam nie wiem kiedy to minęło, 55 minut rozmowy. Jakieś może podpowiedzi właśnie w kierunku e-commerce’u odnośnie danych AI-a, w jakich obszarach widzisz taką największą dźwignię, tak żeby podpowiedzieć żeby nasi słuchacze tak sobie stwierdzili, ok, gdzieś tam ten temat mi zaszumiał, ale dzięki temu, że tutaj bazując w ogóle na Twoim doświadczeniu i to jak Traveliście działa na podstawie danych, jakie są tego efekty, że może jednak ja to wyjmę z szuflady i się tym zainteresuję szybciej niż wolniej, bo tu rzeczywiście jest dźwignia. Jakieś takie, kilka takich rekomendacji dla tych właścicieli e-commerce’ów, żeby rzeczywiście w tym kierunku z tymi danymi AI-em szli.

Marcin Grzelak: Jak myślę o tych wdrożeniach AI, to przede wszystkim myślę o tym, że zanim się w ogóle ktokolwiek zabierze za tematy wdrażania sztucznej inteligencji, to trzeba zadbać o obszary dotyczące data quality i data governance, bo bez tego absolutnie w żaden sposób nie ma podstaw ku temu, żeby wchodzić z niskiej jakości danymi do próby automatyzacji czegokolwiek, bo garbage in, garbage out jest bardzo prostą metodą. Jeśli takie coś włożymy, to jeszcze gorszy koszmarek nam wyjdzie na końcu. Potworki bardzo chętnie, dokładając do tego, że jeszcze pamiętamy, że nie halucynuje, to jeszcze jak halucynuje z potworka, to już naprawdę podziwiam to co wychodzi na końcu. Więc myślę, że temat zadbania o jakość danych jest tematem chyba naprawdę bardzo kluczowym i nam tutaj, na pewno dla każdej organizacji jest bardzo ważny i trzeba zadbać o to, żeby tę poprawną jakość danych posiadać i odpowiednio tymi danymi zarządzać, żeby sobie nie latały różnie zdefiniowane.

Druga rzecz, która mi się też i z moich doświadczeń i też z raportów czy to Keirseya bodajże, który też analizował fazy i efekty wdrożenia generatywnej sztucznej inteligencji, to trzeba sobie zadać na początku pytanie, po co chcemy to wdrażać? Bardzo proste pytanie, ale żeby nie zrobić tego rynkowo w stylu, a bo wszyscy robią. Ja też muszę, bo ja za tydzień mam konferencję i muszę się pochwalić, że ja to robię. No dobra, fajnie, tylko po co? Jak sobie odpowiemy na to pytanie, bo 3, 4 osób odpowie, bo chce zaoszczędzić czas, bo chce zdobyć więcej kasy.

Mariusz Michalczuk: Albo poprawić jakość obsługi, nie?

Marcin Grzelak: Już wskazujemy i jest okej. Tylko to teraz kolejne pytanie znów postawić sobie “jak?” Jak to zrobić i gdzie to chcę osadzić? No i tu się zaczynają zawsze największe schody, bo nie wiem, czy to nie jest kwestia tego, że nie wszyscy znamy swoje procesy w organizacjach, czyli wszyscy dobrze je kontrolujemy, na przykład jako menadżerowie i czasem nie wiemy coś jest bolączką, gdzie my można ten klocek generatywnej sztucznej inteligencji wsadzić. Jeśli patrzymy, my jako analitycy to spoko, bo my tak patrzymy trochę z boku na to wszystko i możemy sobie mówić, no to jest git, to nie jest, to jest spoko, to tu można coś zrobić lepiej, inaczej, ale czasami menadżerowie własnych obszarów nie wiedzą też jak to do końca wsadzić i gdzie jest potencjalnie to wąskie gardło tego procesu, które by można obsadzić sztuczną inteligencją. Z tym się wiele organizacji mierzy i to jest dużym wyzwaniem.

No i ta trzecia rzecz, którą też zawsze przestrzegam i to na pewno pamiętam też w Keirseyu było, że 70% wdrożeń, które się odbywały chyba nie widziały dodatkowego, inkrementalnego zysku w przeciągu dwóch, trzech lat. Wydaje mi się, że to jest kwestia takiego nie poddawać się, bo tych projektów, które może być odpalane generatywnej sztucznej inteligencji, czy w ogóle jakichkolwiek procesów automatycznych, już tam zostawiając z boku nawet TLM, ale cokolwiek chcemy automatyzować, to nie wszystko nam się na początku uda i nie wszystko nam wyjdzie na plus. Chyba Amazon, ze dwa dni temu gdzieś tam krążyło po Linkedin’ie taka lista, opublikowali listę projektów, które próbowali odpalić w ciągu ostatnich pięciu lat. Ta lista była bardzo długa i tam zielonych ptaszków, które wypaliły im czysto produkcyjnie była też krótka. Co pokazuje też, że ile projektów takich czysto automatycznych, otwierania nowych projektów, nowych automatyzacji startuje w Amazonie i tak jest ubijane, bo nie działa, bo nie spełnił swoich oczekiwań. I z projektami LLM może być tak samo. Też niekoniecznie zawsze zauważymy impakt tego. Czasem jak wdrożymy, warto usiąść, ocenić, czy to ma sens. No i to też pokazuje metodykę, jaką trzeba wdrażać te projekty LLM-ów, bo konstruowanie teraz rozwiązań opartych o generatywną sztuczną inteligencję w dzisiejszych czasach jest bardzo łatwe. Zobacz też LLM-a, jak go osadzisz gdzieś tam i on sam Ci powie, no super, robota zrobiona. To działajmy metodą quick winów, czyli usiądźmy, zobaczmy, czy jesteśmy w stanie małym nakładem pracy, małym, jedno, dwuosobowym zespołem zrobić krótką automatyzację i czy ona coś da. Jeśli ona coś da, to jest już naprawdę 90% sukcesu. Teraz idźmy dalej i iterujmy to rozrastając, rozszerzając zakres tego projektu i urośnie nam może do czegoś bardzo fajnego, co obejmie już trochę większą skalę w organizacji. Więc to na pewno są rzeczy, które warto zwracać uwagę i warto się tego trzymać, trzymać w porządek i się nie poddawać.

Mariusz Michalczuk: Super. Myślę, że chyba takim dobrym cytatem tutaj będzie, akurat pamiętam go, bo przygotowałem się na konferencjach, na których będę miał prelekcje za tydzień, że nie trzeba być wielkim, żeby zrobić pierwszy krok, trzeba zrobić pierwszy krok, żeby być wielkim. I chyba to bardzo dobrze podsumowuje to, co powiedziałeś. Marcin, wielkie dzięki za Twoją obecność, za podzielenie się wiedzą i ogromne gratulacje tego, co robicie w Travelliście. I trzymam kciuki, żeby rzeczywiście Wasze analizy dokładały ten kamyczek, a nawet nie kamyczek tylko większy kamień, a może jakiś głaz do rozwoju Waszego biznesu. Także dzięki jeszcze raz za obecność, za podzielenie się wiedzą i mam nadzieję jeszcze do zobaczenia w przyszłości tutaj na kanale.

Marcin Grzelak: Do zobaczenia. Dzięki wielkie. Cześć.

Podsumowanie: Główne wnioski z rozmowy

Rozmowa z Marcinem Grzelakiem z Travelist uwydatnia, jak kluczową rolę odgrywa zaawansowana analityka danych w dynamicznie zmieniającej się branży turystycznej. Marcin podkreślił, że zespół analityczny w Travelist, mimo formalnego umiejscowienia w departamencie finansowym, pełni centralną funkcję, działając jako „serce organizacji”, dostarczające dane i wnioski do wszystkich komórek.

Kluczowe filary działania analityki w Travelist obejmują analizę przeszłości (raportowanie), teraźniejszości (optymalizacja, testy A/B) oraz przyszłości (prognozowanie, modelowanie churnu). Przykład wykorzystania danych z magazynu inspiracyjnego do personalizacji ofert i skracania ścieżki konwersji klientów udowadnia skuteczność strategii data-driven. Zmiany w zachowaniach konsumentów, takie jak skrócenie „Booking Window” i rosnące zapotrzebowanie na elastyczność rezerwacji oraz udogodnienia w hotelu, są ściśle monitorowane i wykorzystywane do adaptacji oferty.

W kontekście Big Data, Travelist efektywnie zarządza rosnącym wolumenem danych z wielu źródeł dzięki Airflow i Snowflake, optymalizując przetwarzanie i dostępność informacji. Implementacja automatyzacji, takich jak „maszynka do sprawdzania poprawności ofert”, przyniosła znaczące oszczędności finansowe, dowodząc wartości rozwiązań opartych na Pythonie bez użycia Gen AI.

Travelist aktywnie eksploruje potencjał Gen AI, edukując pracowników i wdrażając projekty takie jak automatyczna analiza rozmów Customer Service. Ten projekt, zgodny z zasadami RODO i etyki danych, pozwala na kompleksową ocenę jakości obsługi, identyfikację anomalii oraz zbieranie cennych spostrzeżeń od klientów, co przekłada się na rozwój produktu i usług. Marcin podkreśla, że kluczowe dla skutecznego wdrażania AI jest zadbanie o jakość danych, jasne zdefiniowanie celu biznesowego oraz iteracyjne podejście oparte na „quick winach”.

The post Marcin Grzelak – 3 filary analityki w e-commerce – Date with Data Talks first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Niestandardowa rola Data Literacy Managera
Geneza i definicja Data Literacy
Dlaczego biznes potrzebuje Data Literacy?
Data Literacy w praktyce: rola menadżera i wyzwania AI
Wdrażanie Data Literacy: programy i cele biznesowe
Bariery i mity w budowaniu kultury danych
Przyszłość Data Literacy: Data Enablement, Data Adoption i Data Culture
Podsumowanie: Główne wnioski z rozmowy

Niestandardowa rola Data Literacy Managera

Mariusz Michalczuk: Witam Cię w kolejnym odcinku podcastu Date with Data Talks. Dzisiaj Waszym i moim gościem jest Tomek Sienkiewicz. Tomku, opowiedz kilka słów o sobie.

Tomek Sienkiewicz: Cześć, witam wszystkich. Cześć Mariusz. Jestem Tomek Sienkiewicz. Pewnie rozmawiamy o danych, więc powiem o moim związku z danymi. Z wykształcenia jestem, można powiedzieć, data scientistą, mimo że kiedyś tak się to nie nazywało. Jestem absolwentem metod ilościowych i systemów informacyjnych – już wtedy był taki kierunek. Pracuję z danymi od 20 lat. Kiedyś jako analityk, potem manager. W poprzedniej firmie byłem head of data, czyli zarządzałem całym zespołem i platformą, a obecnie od mniej więcej roku pracuję na stanowisku data literacy manager w mojej obecnej firmie w Autodoc.

Mariusz Michalczuk: Skąd taki pomysł? Czym jest to stanowisko? Mam wrażenie, że chyba w Polsce ono nie jest jeszcze zbytnio powszechne. Kiedyś nazywaliśmy się ekonometrykami po skończeniu studiów, dzisiaj to jest data science. A ten Data Literacy Manager – skąd w ogóle przyszedł pomysł na to?

Geneza i definicja Data Literacy

Tomek Sienkiewicz: Kiedyś nazywało się to Data Mining. Skąd Data Literacy? Jest kilka elementów. Pracując z danymi, od mojej pierwszej pracy jako analityk w dużej korporacji, zauważyłem, że ludzie nie chcą korzystać z danych. Coś pokazuję, coś trzeba robić, a managerowie machają ręką i robią po swojemu. Potem, rozwijając się jako analityk, widziałem ten sam efekt – pewien opór przed używaniem danych lub korzystaniem z nich. To nasiliło się, gdy byłem już managerem, potem dyrektorem całego działu Data Analytics w poprzedniej firmie.

Była taka sytuacja, kiedy byłem odpowiedzialny za budowanie kultury danych w firmie – nie tylko za analizy, ale za działanie platformy, zatrudnianie odpowiednich ludzi i dbanie o to, by analitycy i inżynierowie danych mieli odpowiednie umiejętności do realizacji celów biznesowych. Moim zdaniem nie chodziło już tylko o dostarczenie analizy, ale o to, czy w ogóle jest ona sensowna, czy warto ją robić, czy pytania, na które analiza próbuje odpowiedzieć, mają sens.

Zauważyłem, że w dosyć komfortowej sytuacji, gdy powstawały product teamy, na czele stawał product manager, który dostawał zespół: dwóch front-end deweloperów, jednego back-enda, jednego UI designera i zazwyczaj analityka produktowego. Wszyscy myśleli: „super, wszyscy będą teraz data-driven, bo mają analityków w zespole”. Po jakimś czasie okazało się, że niektórzy świetnie potrafią pracować z analitykami, a inni analitycy zgłaszali mi, że robią „jakieś głupoty”. „Wyciągam dane, jestem takim query tool dla platformy do wyciągania baz danych. Nie rozwiązuję żadnych problemów biznesowych, właściwie cały czas to samo, albo od pół roku pracuję nad dashboardem i nie jesteśmy w stanie dojść do ładu”.

Zacząłem szukać innej pozycji, menadżera, który musi decydować, co jest ważne. Zastanawiałem się, jak to jest, że niektórzy potrafią korzystać z danych i współpracować z analitykiem, zadawać odpowiednie pytania, bo to jest kluczowe, a inni, mając analityka, nie wiedzą, co z nim zrobić. „On mi chyba może tabelkę przygotować, to wyciągnij mi dane za zeszły rok. Jakie? Zobacz, co tam ciekawego w tym”.

Zacząłem drążyć temat i odkryłem zjawisko data literacy. Według definicji to jest umiejętność czytania, pracy z, analizy i komunikacji za pomocą danych, czyli po angielsku „read, write and communicate with data”. Zauważyłem, że niektóre firmy, głównie na zachodzie, w Stanach i Wielkiej Brytanii, mają już takie stanowiska. Ludzie po prostu zajmują się tym, żeby dane działały.

Drugi aspekt to biznesowy. Będąc liderem działu Data Analytics, widziałem, ile kosztują ludzie – analitycy są drodzy, data inżynierowie są drodzy. Te wszystkie platformy cloudowe, do wizualizacji danych – to wszystko kosztuje naprawdę kupę kasy. I to jest inwestycja, bo wszyscy chcą być data-driven, szczególnie w biznesie cyfrowym, gdzie tych danych jest mnóstwo. Wtedy powstaje wąskie gardło: z jednej strony mamy wielką inwestycję w dane, platformę i ludzi, a z drugiej strony jest biznes. To wąskie gardło polega na tym, czy biznes potrafi zrozumieć te dane, a także czy ludzie od danych potrafią mówić w języku, jakim rozmawia biznes. To mnie zaczęło interesować i chciałem pójść w tę stronę. Tak się znalazłem w Autodoc na tym stanowisku, gdzie staram się rozpoznać, czym jest Data Literacy w praktyce, jak to implementować, jaką wartość to przynosi w firmie. Jestem głęboko przekonany, że jest w tym duża wartość, teraz trzeba ją wykazać w praktyce.

Dlaczego biznes potrzebuje Data Literacy?

Mariusz Michalczuk: Rozumiem, że to jest pierwsze stanowisko takie, które w tym temacie obejmujesz, i pewnie zgrały się twoja chęć i zapotrzebowanie Autodoca. Zastanówmy się, dlaczego biznes powinien potrzebować takiego stanowiska? Trochę o tym opowiedziałeś.

Tomek Sienkiewicz: Opowiem o analogii, o której rozmawialiśmy. Ludzie pytają, co to jest data literacy, po co to. Bardzo podoba mi się ten koncept, że nazywa się to data literacy. Słowo „literacy” tłumaczy się jako umiejętność czytania i pisania. Data literacy to umiejętność pisania, czytania i pracy za pomocą danych. Pomyślmy, jak rozwijało się zwykłe literacy, czyli umiejętność pisania i czytania. Ja lubię posługiwać się analogią średniowiecza. Mieliśmy zakony, ludzi, którzy potrafili pisać i czytać – Dominikanie czy inni. To była ich wąska umiejętność. 90% społeczeństwa nie potrafiło tego, nie widziało sensu. Niektórzy władcy może umieli, może nie. To był taki „nice skill”. Wszyscy jednak widzieli, że to ważne – potrzebne kroniki, dokumentacja, wiedza o podatkach. To się przydawało. Potem wynaleziono druk i okazało się, że umiejętność czytania i pisania jest przydatna i opłacalna dla państw. Budowanie narodów, wspólnoty. Ilość zastosowań jest bardzo duża. Dziś wszyscy uczą się czytać i pisać.

Robię sobie analogię, jak to wygląda w przypadku data literacy. Wydaje mi się, że jesteśmy trochę na takim etapie, że mamy tych super zaawansowanych analityków, data scientistów, inżynierów. Cały klan danych, czyli tych zakonników. Ale to słabo przenika, albo jeszcze nie przenika, do ogółu. Oczywiście to się już dzieje, dane są wszędzie, widzimy je w internecie, telewizji, prasie, są tabelki, wykresy. Ale umiejętność myślenia i zadawania pytań w ten sposób wydaje mi się wciąż nieistniejąca lub bardzo przypadkowa.

Jesteśmy w takim miejscu, gdzie mamy wynalazek druku – dane są strasznie tanie, mamy rozwiązania chmurowe, mnóstwo narzędzi, które wszystko zrobią. Chcesz wizualizację taką, siaką, a teraz AI na to wchodzi. Książek możemy nadrukować mnóstwo, tylko teraz kto będzie czytał, jak i po co. Trochę tak to wygląda.

Mariusz Michalczuk: Wcześniejszy etap. Myślę sobie, że kiedyś mądrzejszy władca pewnie sprowadzał sobie na dwór takiego mnicha czy zakonnika, czy osobę, która umie pisać.

Tomek Sienkiewicz: Tak, miałeś tę komórkę analityczną gdzieś tam przy dworze, tych paru benedyktynów. Oni tam powiedzą, co się działo. Ale wyobraźmy sobie, że dzisiaj jakikolwiek przywódca światowy nie potrafi czytać i pisać. To chyba w ogóle niemożliwe, ciężkie do wyobrażenia. Nie byłby w stanie funkcjonować, mam wrażenie.

Data Literacy w praktyce: rola menadżera i wyzwania AI

Mariusz Michalczuk: A tak w praktyce – mówisz, że wierzysz w to, dostrzegasz efekty. Jak to na co dzień wygląda? Co się dzieje? Za co odpowiada taki Data Literacy Manager?

Tomek Sienkiewicz: Najpierw może o Data Literacy. Fajnie jest powiedzieć, że to umiejętność pisania i czytania z danymi, ale warto dodać parę rzeczy. Po pierwsze, celem nie jest to, żeby każdy został data scientistą czy analitykiem. Nie o to chodzi. Tak jak uczymy dzieci pisać i czytać literki w szkole, ale celem nie jest zrobienie z nich laureatów Nagrody Nobla w dziedzinie literatury. To dzieje się przy okazji, ale nie jest celem. Z mojej perspektywy najważniejsze, co może rozróżnić dwa obszary, to ten techniczny: czy wiesz, jak używać arkusza kalkulacyjnego, czy umiesz zrobić tabelę przestawną, wyciągnąć dane skądś – SQL czy interfejs graficzny, filtry, zapytania. Czy trochę wiesz, jak dane wyglądają w tabeli: wiersze, kolumny. To są podstawowe rzeczy techniczne. Czy umiesz zrobić wizualizację w Excelu czy Power BI.

Dla mnie ważniejsze jest to, co można nazwać prerekwizytem – czy umiesz zadawać pytania w taki sposób, żeby odpowiadać na nie za pomocą danych. Czy umiesz opisywać rzeczywistość, żeby dane przyszły z pomocą. Kiedy w ogóle dane są potrzebne, szczególnie w biznesie? Zazwyczaj z data literacy jest połączone data-driven decision process, czyli proces podejmowania decyzji na podstawie danych. Czy po pierwsze w ogóle mamy jakąś decyzję do podjęcia? Są różne metody podejmowania decyzji: rzucenie kostką, zapytanie eksperta, bazowanie na intuicjach i doświadczeniach (jak w start-upach – Airbnb, Uber, Facebook – „wydaje mi się, że to będzie działać”). To też jest metoda. Natomiast wygląda na to, że generalnie, szczególnie w organizacjach, to co się sprawdza, to podejmowanie decyzji w oparciu o dane.

To Mariusz na pewno wiesz i to krzewisz wszędzie. Nie chodzi o to, że każda taka decyzja będzie lepsza niż podjęta na podstawie innych wytycznych. Wierzę, że doświadczony manager jest w stanie czasami podjąć lepszą decyzję niż niedoświadczony analityk, ma większy kontekst. Ale generalnie jako metoda, wystandaryzowany proces podejmowania decyzji, jest to niezastąpione. Co więcej, to tworzy język. Dane potrafią być tym językiem. Jeśli powiem, że konwersja wzrosła o 2% w zeszłym miesiącu, a oczekiwaliśmy 3%, czyli wzrosła, ale niewystarczająco, to wszyscy rozumieją. A co innego, gdy przyjdzie dyrektor sprzedaży i powie: „jest kiepsko. Słuchajcie chłopaki, jest kiepsko. Musicie się bardziej postarać”. Jak kiepsko jest? Bardzo kiepsko, czy tylko trochę kiepsko? Nie wiadomo. Wtedy wchodzą mechanizmy oparte na relacjach psychologicznych. Ten aspekt widzenia rzeczywistości z perspektywy danych jest dla mnie bardzo ważny.

Mariusz Michalczuk: Tu bym Cię przerwał. Mówisz o tych dwóch aspektach: technologicznym i koncepcyjnym. W branży wiele mówi się o AI zastępującej ludzi. Mam taką opinię, nie wiem, czy się z nią zgodzisz, że w analityce, na stronie technologicznej, AI już dzisiaj może nas super zastąpić. Mając koncepcję i wiedząc, o co zapytać, AI obrobi dane, pod warunkiem, że są już wsadzone. Jaka jest Twoja opinia, czy ta część koncepcyjna na dzisiaj może być zastąpiona przez AI? Moim zdaniem dzisiaj nie, ale czy czujesz, że w przyszłości ta część koncepcyjna też będzie zastąpiona przez AI? Tak, że właściciel biznesowy będzie tylko brał i nie będzie musiał pytać danych, tylko AI raz ogarnie technologię, dwa samo zapyta technologię i później wyrzuci jakiś efekt. Jak to Twoim zdaniem wygląda? To jest głębokie pytanie, ale jestem ciekawy, bo mi się skojarzyło, jak mówisz o technologii i koncepcji. Wydaje mi się, że dopóki nie mamy zdigitalizowanego kontekstu i nie umiemy zadać pytania, w tym elemencie AI tak so-so na razie.

Tomek Sienkiewicz: To są rzeczy, nad którymi też myślę. Podstawą tego, z czym wszyscy ludzie od danych się zgodzą, są dane dobrej jakości. Z tym prawie każda firma ma ogromne problemy. Nie wiem, czy to się da w ogóle rozwiązać. W danych jesteś jak armia: z przodu harcownicy idą szybko, a z tyłu idą tabory inżynierów. Zanim oni tam dojdą, gdzie już jest poznane, oni są znowu dalej. Cały czas jest opóźnienie ze względu na jakość, precyzję, masę rzeczy. Ale to jest coraz ważniejsze, wszyscy mówią, że w kontekście AI ten problem jest tym bardziej widoczny. To jest fundament, z tym walczą teraz wszyscy.

Załóżmy, że mamy te dane. Mamy pudełko pod tytułem Google Analytics, które, jeśli jest dobrze zaimplementowane, to wierzę, że dane są dobrze układane. I teraz dochodzimy do tych technicznych aspektów. To jest coś, nad czym myślę, bo myślimy też o rozwoju w najbliższych latach. Czy jest sens uczyć ludzi SQL-a czy w ogóle tego typu platform? Uważam, że chyba nie. Nie pchałbym użytkowników biznesowych w te SQL-e, bo tam jest duże ryzyko popełnienia błędu. Ale tak, jest taki element, że jeśli będę miał interfejs, nawet nie arkusz kalkulacyjny, tylko taką wyszukiwarkę, chat z robotami: „Hej, powiedz mi, co się wydarzyło, ważne jest dla mnie to i to”. Myślę, że to jest możliwe. To jest taki drugi element. Wtedy aspekt techniczny odpada. Już nie muszę wiedzieć, jak to wszystko zrobić. Ale muszę wiedzieć, jak wygląda proces analizy danych. Może jest segmentacja, to zejdź niżej, to zrób mi syntezę. Co jest z tego ważne? Potem rozwój prezentacji danych. Nawet jeśli sam nie wyklikam wykresu, to wciąż jest to najbardziej skuteczny sposób prezentacji wyników. Ważne jest, co uważam za ważne do prezentacji, a co chcę schować, co nie jest tak istotne. Nie jak junior analityk, który zrobił 20 wykresów i pokazuje je wszystkie, bo to ekscytujące.

Ten techniczny element być może odejdzie, jestem ciekaw, jak to się potoczy. Zostaje ten trzeci, koncepcyjny. No bo jeśli usuniemy człowieka z zapytań, to po co ten pracownik tam jest?

Mariusz Michalczuk: No właśnie tak się zastanawiam. Czy dostarczyć dane, to tak, jak z tymi zapóźnionymi zastępami żołnierzy. Na razie nie widzę, żeby AI mówiło: „potrzebuję takich danych – zapewnij mi je”. Ten element drugi, techniczny, spokojnie – jeśli jesteśmy pewni, że wszystko jest, i mamy ten trzeci element komunikacyjny, umiemy zadać pytania, to w elemencie drugim maszynę spokojnie nas może zastąpić.

Tomek Sienkiewicz: Dlatego zastanawiam się, jaka jest rola analityków za 3-5 lat? Kim będzie analityk? Co on będzie robił? Czy pójdą w strony bardziej zaawansowane, zupełnie zlepią się z data science, będą budować modele, automatyzacje, zaawansowane rzeczy? Tego jeszcze nie wiem.

Mariusz Michalczuk: Z drugiej strony, może pójdą bardziej do biznesu właśnie w kierunku literacy? Jak pomyślisz, że dzisiaj, jeśli ktoś nie robi high-endowych rzeczy, a biznes ciągle nie ma tej literacy, nie rozumie tego, to jeśli my skręcimy w te bardziej zaawansowane tematy, będzie jeszcze trudniej się z tym przebić dalej.

Tomek Sienkiewicz: Bardzo możliwe. Nie wiem, zastanawiam się nad tym. Są takie koncepcje, data translator. Ktoś, kto trochę tłumaczy ten język. To jest ciekawe. Robię też coachingi, skończyłem studia coachingowe. Jednym z narzędzi jest kwantyfikacja postępu. Klasyczny przykład: chcę schudnąć. No i wchodzisz z metodologią SMART: o ile kilogramów, kiedy, jak to zmierzyć, którą wagą? Kwantyfikujesz rzeczywistość. Tworzy się plan. Zastanawiam się, czy to też nie będzie jakaś rola, że masa ludzi nie potrafi tego zrobić, nie ma takiej naturalnej umiejętności widzenia świata w takich kategoriach. Może ten analityk będzie właśnie kimś takim? Stwórzmy measurement plan. Jakie metryki w ogóle używamy? Czemu takie? Co jest dla Ciebie ważne? Po czym poznasz, że masz sukces? Może ktoś taki to będzie strukturyzował, jak my w ogóle użyjemy pomiaru do procesów biznesowych. A ta techniczna część będzie, nie wiem, wykonywana za pomocą AI, data analysis assistance.

Mariusz Michalczuk: Dokładnie. Chociaż jak opowiadasz o tej wadze, to dla mnie to typowy problem analityczny, że mamy jakiś problem i trzeba go zdekomponować na mniejsze elementy. Jak sobie je zdekomponujesz, łatwiej jest zaplanować, że schudnę w danym miesiącu, niż że w ciągu roku zrzucę 15 kg i co zrobię w najbliższym czasie. Ta dekompozycja to rzeczywiście analityczny temat. Chciałem wrócić do data literacy, czyli do tego trzeciego poziomu, jak mówiłeś: zapewnienie danych, analiza, i teraz ta przestrzeń. Jak to wygląda?

Wdrażanie Data Literacy: programy i cele biznesowe

Tomek Sienkiewicz: Robimy program Data Literacy Academy jako próbę, pilotaż, eksperyment. Stworzyliśmy go, bo dla mnie nie ma sensu uczyć ludzi tych tematów tylko w celu nauczenia ich. Nie chcę uczyć kogoś struktur danych, bo fajnie to wiedzieć, ale z punktu widzenia firmy po co wydajemy na to pieniądze i czas. Szczególnie czas, bo to jest strasznie drogie czasowo. Staram się podpiąć pod cele biznesowe. Gdzie my chcemy być z biznesem? Chcemy zmienić naszą organizację, żeby decyzje były podejmowane szybciej, precyzyjniej, żeby nowe inicjatywy i pomysły były estymowane, skwantyfikowane, żebyśmy mogli porównywać.

Pracuję między innymi z organizacją produktową, gdzie jedną z bolączek było to, że product managerowie mają pomysły, ale każdy mówi: „mój pomysł zwiększy konwersję o 15,5%”, „mój pomysł zmniejszy liczbę reklamacji o 20%”, „mój pomysł zwiększy świadomość użycia narzędzia o 20%”. Z punktu widzenia decydenta to jest niekompatybilne. Z mojej perspektywy ważne jest, żeby program Data Literacy wspierał transformację biznesu. Chciałbym, żeby ci ludzie byli samodzielni. Jak przynoszą mi propozycje jako dyrektorowi produktu, to są w miarę wystandaryzowane. Wiedzą, o czym mówią. Jeśli mówią, że inicjatywa podniesie konwersję o 3%, to dlaczego, skąd masz te 3%? Robiliśmy testy A/B, to jest średnio, albo dolne 25%. Co to jest sama konwersja? Jak definiujesz metrykę?

Tworząc program, dużo rozmawiałem z senior managementem, czego chcą na końcu. Nie chodzi o to, żeby ludzie nauczyli się Tableau czy Microsoft Excel, bo jak nie będą tego używać, zapomną po dwóch miesiącach. Stworzyłem taki program z pomocą paru osób. Wyznaczyliśmy cele, zobaczyliśmy, gdzie jesteśmy. Program był bardzo szeroki i obejmował struktury danych. Bardzo fajny był wykład o tym, jak w e-commerce, w digitalu, kliknięcie użytkownika na stronie wędruje przez różne systemy i ląduje potem w Power BI-u na wykresie. To uświadomiło ludziom, że dane przechodzą przez przestrzenie, agregacje, ładują się. Dla tych, którzy nie pracują z danymi, to jest kosmos. Ale były tam też twarde umiejętności, jak arkusz kalkulacyjny, i bardziej miękkie, czyli komunikowanie się za pomocą danych.

Moja praca polegała na zebraniu tych wymagań, stworzeniu programu, zaplanowaniu, monitorowaniu postępów, wprowadzaniu zmian. Oczywiście, ponieważ to są dane, musimy zmierzyć efekty. Jestem teraz na etapie pomiaru po półrocznym programie, czy coś się zmieniło. Jak zmierzyć zmiany organizacyjne? Z wagą łatwiej. „Nasza organizacja jest teraz bardziej data driven”. Pokaż mi. W skali od jednego do dziesięciu. Czy w procentach: „o 13% jesteśmy lepsi”. Bardzo dużo mojej pracy polega na rozmowach o przyszłości. Ten koncept data literacy się rozwija. Jest taki koncept, który teraz eksploruję: data enablement, czyli dostęp do danych w odpowiednim czasie, elastyczny sposób. Możesz zaufać tym danym. To są wszystkie systemy, gdzie wypychasz dashboardy, by ludzie brali i korzystali. To jest data enablement.

Na to nachodzi warstwa data literacy: czy w ogóle wiem, po co mam ten dashboard? Czy umiem zadawać pytania? To kilka typów myślenia. Enablement plus literacy buduje data adoption, czyli dane nie są już tylko w zespołach analitycznych, ale wszyscy mają i umiejętności, i dostęp na odpowiednim poziomie. Analityk potrzebuje wysokich umiejętności i głębokiego dostępu, ale manager produktu potrzebuje poziomu, który mu wystarczy. Nie musi kodować w Pythonie. Power BI czy proste platformy, gdzie może wyklikać prostą kwerendę, wystarczą. Wtedy to jest full data adoption. Eksploruję te koncepty, jak to najlepiej zrobić. Co z tego wynika, to że Data Literacy to zarządzanie zmianą w organizacji. To, że kogoś nauczę, jak tworzyć fajne wykresy w Excelu, jest fajne, bo lubię komunikację z danymi. Ale czy w ogóle organizacja jest tak ustawiona, że ma to sens? Czy mam komu pokazać te wykresy? Czy jestem w stanie kogoś przekonać? Może to nie jest moja gestia. Jesteś junior frontend developerem i twoją rolą nie jest podejmowanie decyzji, gdzie produkt ma iść.

Mariusz Michalczuk: Myślę, że to jest zmiana przez całą organizację. To nie jest w dwóch działach, na zasadzie data i marketingu. To idzie przez całą organizację, co słyszę.

Tomek Sienkiewicz: Najlepiej by było. Chociaż w praktyce staramy się jeść słonia po kawałku. Niech marketing zacznie działać. Potem dział customer care, który nie chce tego robić, może spojrzy na marketing i powie: „kurde, dobra, ja chcę to całe”. Tak, to jest dla mnie zawodowo bardzo ciekawe, bo to już nie jest tylko: „jak tam zrobić, żeby każdy tego Excela umiał?”. Tylko w ogóle, jak firma myśli za pomocą danych, jak stawia pytania, jak wyznacza sobie cele. I też jest ciekawe, jak nie zostać dogmatycznym w danych.

Mariusz Michalczuk: Że tylko na to patrzeć.

Tomek Sienkiewicz: Niektórzy używają takiego bezpiecznika: jak dane Ci powiedzą tak, to robisz tak. Jak dane Ci nic nie powiedzą, to nic nie robisz. Dla mnie to jest rodzaj wysokiej dojrzałości, że dane mogą ci mówić, ale to nigdy nie jest pełny obraz. Masz swoje doświadczenia, najlepiej połączyć jedno z drugim. Mogą Cię przecież czymś ostrzec. Wszyscy znamy przypadki produktów, na przykład iPhone’a Jobsa – co mu mówiły dane?

Mariusz Michalczuk: Nokia to chyba najlepszy przykład, że dane wcale nie wskazywały, że ktoś będzie chciał nie klikać przyciski.

Tomek Sienkiewicz: John chyba mówił, że ludzie tak naprawdę sami nie wiedzą, czego chcą. Albo wydaje im się, że wiedzą, a tak naprawdę potrzeba jest inna. O to chodzi, żeby wiedzieć, kiedy tego użyć, do czego. To są już bardziej wyrafinowane elementy tej całej zabawy.

Bariery i mity w budowaniu kultury danych

Mariusz Michalczuk: Jakie mity spotkałeś w organizacjach, które utrudniają bycie biegłym w używaniu danych? Mówiłeś, że to jest organizacyjne. Jak ktoś przygotuje wykres i z kimś pójdzie, to nie wiadomo, czy druga osoba przyjmie temat, czy to zrozumie. To pewnie problem wysokopoziomowy. Ale jakie bardziej przyziemne przychodzą Ci do głowy?

Tomek Sienkiewicz: Nie wiem, czy są bardziej przyziemne. Są podzielone na trzy obszary. Jeden z nich to ten organizacyjny. Na przykład, w wielu organizacjach produktowych, jaka jest rola product managera? Czy jest on CEO swojego produktu, ma dowodzić wynikami, a co i jak robi, to jego rola? Czy jest trochę delivery managerem – biznes mówi mu, co ma robić, przynosi inicjatywy, a on tylko zarządza zespołem i sprintem? To jest pierwsza bariera: jeśli wykształcę product managerów, którzy de facto są delivery managerami w procesie data-driven decision making, a oni nie mają na to przestrzeni, bo mówią: „co ja mogę zdecydować, skoro wszystko jest narzucane z góry?”. Wtedy ciężko, on się czegoś nauczy, ale czuje, że dostał umiejętności, a ma związane ręce. To jest pierwsza bariera: kto ma jaką autonomię w podejmowaniu decyzji? Rzadko o tym się tak myśli, a jest to dosyć ważne.

Druga bariera to data enablement. Czy w ogóle mam dane, z których mogę skorzystać? Dostęp do danych. Takie, że są one w miarę szybko dostępne, a nie że piszę ticket do zespołu data i dostaję odpowiedź za dwa miesiące, bo są zawaleni, a już jest po ptakach. Czy w ogóle ufam tym danym? To bardzo często przewija się w wielu firmach. Zła cyfra gdzieś na wykresie poważnie niszczy zaufanie do wszystkiego, co produkuje zespół data. Więc jeśli tego nie mam, to znowu wykształcę człowieka. Nawet możesz mieć autonomię w podejmowaniu decyzji i nauczę Cię, że dobrze, jak będziesz miał te dane, to trzeba zrobić taką analizę porównawczą. Tutaj będziesz pokazywał to zarządowi, a on mówi: „dobra, to skąd teraz biorę te dane? Tej wtyczki jeszcze nie ma, bo co prawda mamy trzy warehouse’y, ale tam Cię nie wpuszczę, bo jest taki bałagan, że się nie połapiesz”. I znowu mamy barierę. Człowiek jest wyuczony, chciałby to robić, a jest problem. To jest drugi obszar.

Trzeci obszar to bariera psychologiczna. To, z czym się spotkałem na początku kariery jako analityk. Pokazuję ludziom wyniki, a oni: „chyba coś źle policzyłeś”. Bardzo często to słyszałem, szczególnie, gdy pokazywałem, że coś zrobili niepomyślnie. Są takie psychologiczne lęki, że ktoś mnie będzie oceniał. „Do tej pory robiłem, co chciałem, a tu nagle ktoś. To działanie jest nieskuteczne. Czarno na białym wychodzi: zainwestowałeś 100, dostałeś 50. Zmierzyliśmy to, co robisz i to nie jest efektywne”. Czasami jest też lęk: „ja to nie byłem dobry z matmy w szkole, więc to nie dla mnie”. My w ogóle nie uczymy matematyki. Co więcej, możesz być świetny z matematyki, a być kiepskim, jeśli chodzi o Data Literacy, bo komunikacyjnie jesteś naprawdę średni, żeby nie powiedzieć gorzej. Może jesteś super mózgiem, ale nie potrafisz tego, co wygrzebałeś z cyfr, pokazać biznesowi. Więc tacy ludzie pójdą, pokażą, a oni są głupi, nic nie rozumieją z tego mojego geniuszu. Jest jakiś nierozwinięty w pełni Data Literacy.

Taka analogia: kiedyś pracowałem w marketingu jako analityk i były osoby, które mówiły: „Tomek tam siedzi przy tych cyferkach, to takie nudne, ja tego nie rozumiem”. Mówię: „jest zajebiście ciekawe!”. Ale właśnie to nie dla mnie, bo ja wolę humanistycznie podchodzić. Dla mnie analogią wtedy jest, wyobraźmy sobie, wszyscy mamy komputery w pracach. Jeszcze 40 lat temu rzadko kto miał komputer w pracy. Byli kasta informatyków. Informatycy są od komputerów. W latach dziewięćdziesiątych, te wielkie molochy państwowe, Poczta Polska, telekomunikacja, wszystkie panie w urzędach musiały przesiąść się na komputery. To była gigantyczna rewolucja komputeryzacji. Żadna z nich nie była informatyczką. Ale dzisiaj ciężko sobie wyobrazić urząd bez komputerów. Wszyscy pracują, dzieci uczymy tego. Wiesz, na czym polega rozwijane menu, że jak jest śrubka, to tam są settingi. Ludzie to wiedzą. Jest jakiś poziom, tak jak z samochodem. Uwielbiam jeździć, jak się zepsuje, oddaję do warsztatu, czyli do IT. I wydaje mi się, że z danymi jest podobnie. Jest jakiś poziom umiejętności, który ja potrzebuję na moim obecnym stanowisku. Nie muszę być matematykiem, umysłem ścisłym. To będzie dopasowane do mnie. Chyba umiem stwierdzić, czy 7 jest więcej niż 5.

Mariusz Michalczuk: Umieć wysłać tylko maila, tak jak w koncepcji komputerów.

Tomek Sienkiewicz: Nikt się nad tym nie zastanawia, że wszyscy jesteśmy informatykami, łącznie z naszymi rodzicami, którzy wchodzą na internet.

Mariusz Michalczuk: Ja powtarzam, że wszyscy jesteśmy analitykami. Idziemy do sklepu, patrzymy: jest obniżka cenowa, bierzemy produkt tańszy. Co robimy? Porównujemy kategorię produktową i dwie wartości, wybieramy tańszy. Kupujemy samochód, konfigurujemy, dorzucimy to – nie przekraczamy budżetu. W życiu każdy jest w jakiś sposób analitykiem. My po prostu nieświadomie to robimy.

Tomek Sienkiewicz: To jest taki najwyższy poziom umiejętności – nieuświadomione kompetencje. Z danymi też tak jest. Dla mnie jest ciekawe, że masz cenę produktu, ale jakiś czas temu sklepy weszły na wyższy poziom, podając cenę za jednostkę produktu. Jaka jest cena za kilogram albo za litr? To już jest wyższy poziom analityczny.

Mariusz Michalczuk: Oczywiście.

Tomek Sienkiewicz: Nie, to jest 8 zł, a tu 9, ale to jest 16 za litr, a to z kolei 22 za litr. I zaczyna się dopiero analiza.

Mariusz Michalczuk: W głowie zaczyna się praca analityczna. Najprostsze porównywanie. Brakuje tego, żeby słów jeszcze, ale myślę, że dożyjemy do tego, że będziemy mieli okulary, które będą nam wyświetlały wykresy. Będziesz szybko wizualnie mógł sobie coś porównać.

Tomek Sienkiewicz: Albo podejmie decyzję za Ciebie.

Mariusz Michalczuk: To jest mój budżet, potrzebuję tyle kalorii, a lubię to.

Tomek Sienkiewicz: Dokładnie tak.

Mariusz Michalczuk: Z Twojej perspektywy, zmierzając do końca, jak myślisz o edukacji z zakresu data literacy, biegłości – co jest wyzwaniem? Obserwujesz to w firmie i z Twojego doświadczenia, jak to wcześniej wyglądało. Jedno to powiedziałeś, że ludzie czują się humanistami i tej matematyki trochę nie chcą dotykać. A może to jest z perspektywy biznesu do analityków, a może z perspektywy analityków do biznesu? Ja na pewno mam jedną obserwację.

Tomek Sienkiewicz: Jak…

Mariusz Michalczuk: Mówimy, że biznes nie chce dotykać cyfr, bo myślą, że to matematyka i się boją. Ja mam takie poczucie, że my, analitycy, boimy się stawiać hipotezy, bo analityka to hipotezy, a nas na studiach nauczono aksjomatów. Uczyliśmy się matematyki, statystyki, że 2 plus 2 to 4. Kończymy studia, idziemy do biznesu i boimy się powiedzieć, że jeśli 2 plus 2, to prawdopodobnie będzie 4, albo z największym prawdopodobieństwem to będzie 4, może być 5, a może być 0. Boimy się wyjść z takim stanowczym zdaniem, że to jest hipoteza, że nie ma pewności. Boimy się, że jeśli biznes podąży za tym, to później powie: „powiedziałeś mi, że to będzie 4, a wyszło 0”. Tu jest problem w systemie edukacji analitycznej: uczymy się aksjomatów, wchodzimy do biznesu, a tam pracuje się na hipotezach.

Tomek Sienkiewicz: Super ciekawe spostrzeżenie. Rzeczywiście tak jest. Ale wydaje mi się, że to przekonanie jest z dwóch stron. Często miałem wrażenie, że mnie traktują jak jakiegoś mędrca, który wie wszystko. Jeśli zmierzyłeś coś, to na pewno wiesz wszystko. Potem, ile miałem rozmów z prezesem z mojej poprzedniej firmy. Robimy A/B test, wyszedł wynik wygrywający, wysoka statystycznie, wdrażamy, a potem nic się nie zmienia. Jak to wytłumaczysz? Po co w ogóle to robić? Dla mnie to jest filozoficzny aspekt, czym jest pomiar, co my w ogóle mierzymy. Cały czas walczymy z rzeczywistością, która jest nieustająco zmienna. Próbujesz ją złapać w jakąś strukturę, a to rozsypuje się momentalnie lub bardzo często. Jakiś model produkcyjny – ile one trwają? Rok, dwa, trzy okresy do przodu. Tyle rzeczy się zmienia.

Wiesz, to też trochę zahacza o pole, które też lubię: kim są analitycy z psychologicznej konstytucji? Ja na przykład wiem, kim ja byłem. Lubiłem pewność. Tak jak mówisz, dwa plus dwa to cztery, to jedyna pewna rzecz w biznesie. Potem wchodzisz i jest tyle niuansów, tyle aspektów. Wydaje mi się, że jest taka presja grupy zawodowej. Jedziesz na konferencję, tam wszystko jest super, eksperci, masz badania statystyczne, masz tych wielbionych doktorów matematyki, statystyki, oni pokazują super wyrafinowane rzeczy. A potem idziesz do tego biznesu – to wszystko jest takie miękkie, zmienia się, niby coś wdrożyłeś, ale trwało przez moment. Więc tak, jest taki aspekt. Nie wiem, czy to nazwać data literacy, ale o tym rozmawiam u mnie w firmie. Jest koncepcja data for business, czyli data literacy for business, ale też jest business for data people. Czy w ogóle, co ja na przykład nie wiedziałem, będąc przez wiele lat analitykiem: co robi mój partner biznesowy? Do czego dąży? Na czym polega ten biznes? Dlaczego cyfry, które mu daję, są ważne? Po prostu miałem zadania i robiłem je, starałem się być jak najlepszy, ale w ogóle nie było takiego meta zrozumienia, co właściwie robię. Dlaczego, jak tu spadło 1%, to jest to ważne, a tam dobra, to coś nie jest takie ważne, bo pogadam, pójdę coś tam, wiesz, sprzedażę, pogadamy, coś zrobimy. Więc jest ten aspekt komunikacyjno-zrozumieniowy, w ogóle jak ten biznes działa.

Mariusz Michalczuk: Jeszcze przyszło mi do głowy, że tak jak mówiłem, że od dołu to jest wyzwaniem w tej biegłości, to od góry mam też poczucie, że jest strach przed popełnianiem błędów. Często powtarzam Nelsona Mandelę, który mówił: „ja nigdy nie przegrywam. Ja albo wygrywam, albo się uczę na błędach”. I znowu ten strach – że ktoś wziął te cztery i podążył za tą rekomendacją cztery, a wyszło zero, to pretensje do analityka, że on popełnił błąd.

Tomek Sienkiewicz: Widzisz, o czym mówiliśmy wcześniej, o tym, jak jest podejmowany proces decyzyjny. Najwyższym poziomem dojrzałości dla mnie nie jest, że tylko ufasz danym. Rozumiesz, że dane pokazują obiektywny obraz rzeczywistości, ale zredukowany, bo sam pomiar jest redukcją rzeczywistości. Ale ty masz swoje doświadczenie, intuicję i masz jakościówki różne. Widzisz, co się dzieje, w którą stronę idzie świat. Pamiętam, że miałem takie rozmowy w poprzednich organizacjach z zespołami produktowymi, z szefem produktu. Narzekał, że super, analityka, analitycy świetnie, ale produkt managerowie chowali się za wynikami A/B testów. Nikt nie chciał podjąć żadnej decyzji, dopóki A/B test czegoś nie powie. Jak w A/B testach jakieś wyniki wyszły, to ja wtedy robię decyzję. No to wtedy jest pytanie, po co w ogóle taki product manager? Zautomatyzuj to. Analityk wypluje taki wynik, to taki. Że to nie był element całej układanki procesu podejmowania decyzji, tylko jedyne kryterium. I wtedy dzieje się to, co mówisz. Analityk powiedział 4, wyszło 0. Albo analityka jest kiepska, albo analityk kiepski. Takie trochę niedojrzałe podejście.

Przyszłość Data Literacy: Data Enablement, Data Adoption i Data Culture

Mariusz Michalczuk: Okej, słuchaj, na koniec chciałem Cię zapytać, bo pojawiło się Data Enablement, Data Adoption. Czy można by było, podsumowując trochę naszą rozmowę, powiedzieć, że na początku mamy Data Capture, później Data Enablement, Data Adoption, a później Data-Driven Decision Process? Czy jest jeszcze coś pomiędzy, czy to już jest ten święty graal i taka kolejność?

Tomek Sienkiewicz: Tak, właśnie eksploruję to teraz trochę, patrzę, jak to w ogóle wygląda, bo to jest ciekawe. Czy to się w ogóle robi, dopiero co jest wymyślane. Ale to nie są definicje sztywne, to jest moje pojęcie. Na końcu masz data culture. Coś, co wszyscy mówią.

Mariusz Michalczuk: Super, czyli jeszcze wyższy poziom.

Tomek Sienkiewicz: Bo to jest kultura cała. Praca z danymi. Ludzie używają danych. Dane są zbierane. One są w ogóle dostępne, nie tylko dla analityków. Tak jak może znowu trochę przejść do literacy. Umiejętność pisania i czytania. Na końcu masz kulturę piśmienną.

Mariusz Michalczuk: Że wszyscy są oczytani i rozmawiają.

Tomek Sienkiewicz: Jak masz jakieś elementy kultury, weźmiemy jakąś definicję antropologiczną czy socjologiczną, to masz i procesy, i role, i artefakty, czyli jakieś przedmioty fizyczne. Czyli mamy i narzędzia, i procesy, jak jest podejmowana decyzja. Co tydzień się spotykamy, omawiamy dashboard, bo dashboard nie może być po prostu artefaktem. Musisz proces wokół tego, jak się rytuał tworzy wokół tego procesu. Na tej podstawie podejmowało się decyzje. Kto podejmuje decyzję? Kto jaką rolę w ogóle pełni w tym rytuale? Jest analityk, jest ktoś nad nim. To tworzy się kultura, gdzie dane stają się trochę językiem tego. My rozmawiamy o danych, a nie to, że ktoś był wkurzony i podjął taką decyzję, albo bo mi się wydaje, że tak jest. Jak utniesz te dane, to ta kultura trochę wymiera. Na jakimś takim top meta poziomie to ja bym tak widział. Super.

Mariusz Michalczuk: Bardzo fajne. Mega Ci dziękuję za rozmowę. Mega inspirująca. W ogóle jakieś nowe wątki też mi się w głowie otworzyły, tematy. Dzięki wielkie za czas. Myślę, że będzie turbo wartościowa dla kanału, dla słuchaczy. Jeszcze raz wielkie dzięki.

Tomek Sienkiewicz: Tak, dziękuję Mariusz bardzo za zaproszenie. To też dla mnie super ciekawe, żeby o tym mówić. Ja też się tego uczę. To jest dosyć nowe i patrzę, co działa, co nie działa, gdzie można wejść, gdzie nie można. Super, że mamy taką okazję, że mogę to robić w praktyce. Nie wiem, czy mogę się zareklamować, ale jeśli ktoś chciałby o tym pogadać, wymienić myśli, to jestem na Linkedinie: Tomasz Sienkiewicz, Data Literacy Manager w Autodoc. Zachęcam do kontaktu.

Mariusz Michalczuk: Podlinkujemy też linki do LinkedIna w opisie pod filmem.

Tomek Sienkiewicz: Dziękuję bardzo. Super mi się rozmawiało. Dzięki Mariusz. Cześć.

Mariusz Michalczuk: Dzięki.

Podsumowanie: Główne wnioski z rozmowy

Rozmowa z Tomkiem Sienkiewiczem, Data Literacy Managerem w Autodoc, rzuca światło na rosnące zapotrzebowanie na biegłość w posługiwaniu się danymi w nowoczesnych organizacjach. Tomek podkreśla, że Data Literacy to nie tylko techniczne umiejętności pracy z danymi, ale przede wszystkim zdolność do zadawania właściwych pytań, opisywania rzeczywistości w kategoriach mierzalnych i komunikowania się za pomocą danych. Jest to klucz do podejmowania decyzji opartych na danych (data-driven decision-making) i budowania spójnego języka w całej firmie.

Jednym z kluczowych wniosków jest analogia do historycznej ewolucji umiejętności czytania i pisania – od elitarnych zakonników do powszechnej umiejętności. Podobnie dane stają się wszechobecne i łatwo dostępne (wynalazek „druku” w postaci rozwiązań chmurowych i narzędzi AI), ale brakuje powszechnej umiejętności ich rozumienia i efektywnego wykorzystywania. Rola Data Literacy Managera polega na wypełnianiu tej luki, prowadząc organizację w stronę pełnej adopcji danych.

Wyzwania w budowaniu kultury danych są złożone i obejmują bariery organizacyjne (autonomia decyzyjna), technologiczne (dostęp do jakościowych i terminowych danych) oraz psychologiczne (lęk przed oceną, poczucie braku kompetencji matematycznych, strach przed popełnianiem błędów). Tomek zwraca uwagę, że AI może zautomatyzować techniczne aspekty analityki, jednak rola analityka przyszłości będzie ewoluować w kierunku „data translatora” – osoby, która strukturyzuje problemy biznesowe, tworzy plany pomiarowe i tłumaczy język danych na zrozumiałe dla biznesu wnioski. Ostatecznym celem jest stworzenie „kultury danych”, gdzie dane są integralną częścią procesów decyzyjnych i komunikacji na każdym szczeblu organizacji.

The post Czym jest Data Literacy – Tomasz Sienkiewicz – Date with Data Talks first appeared on Conversion.

Co ma największy wpływ na decyzje zakupowe Twoich klientów? Czy “motywatorem” okazał się filmik wrzucony do social mediów, merytoryczny artykuł opublikowany bezpośrednio na firmowym blogu lub ciekawy newsletter? A może powodem, dla którego finalnie “skonwertowali” była dobrze zaplanowana i poprowadzona kampania PPC w wyszukiwarce Google lub Facebooku?  

Jeżeli prowadzisz swoje działania za pomocą jednego nośnika informacji – sprawa wydaje się dość prosta. W końcu jedno źródło oznacza, że Twoi klienci na 99,9% pochodzą właśnie z niego. “Schody” zaczynają się wówczas, gdy swoje działania marketingowe prowadzisz na wielu frontach, a do promocji swojego biznesu angażujesz kilka lub kilkanaście źródeł. Jak wówczas poradzisz sobie z “przypisywaniem zasług” do tego, który konwertuje najlepiej? 

Na szczęście masz mnie, a ja nowy wpis, w którym wyjaśnię Ci, czym jest atrybucja, jakie są jej rodzaje, a przede wszystkim – co to wszystko może oznaczać dla Twojego biznesu.

Co znajdziesz w tym artykule?
Atrybucja – co to takiego?
Jakie modele wykorzystuje się w atrybucji?
Modele atrybucji oparte o założenia. Czym są i jak działają?
Modele atrybucji oparte na danych (data-driven attribution). Co to takiego?
Jaka działa data-driven attribution?
Jakie dane może wykorzystywać atrybucja data-drive?
Czy o atrybucję data-driven możesz zadbać we własnym zakresie?
Atrybucja – podsumowanie

Atrybucja – co to takiego?

Jeżeli na sam dźwięk słowa “atrybucja” przypominają Ci się najgorsze sceny ze szkolnych lekcji – uspokajam. Zaraz wszystko Ci wyjaśnię . Choć brzmi groźne, tajemniczo i skomplikowanie, atrybucja w marketingu to tak naprawdę cały zestaw reguł i zależności, które pozwalają określać skuteczność Twoich działań promocyjnych.

W zależności od zastosowania konkretnych modeli, atrybucja odpowiada na pytanie: co wpłynęło na ostateczną decyzję danego użytkownika?

Można więc powiedzieć, że pozwala przypisywać wartości (wagi) do konkretnych źródeł ruchu (np. działań SEO, reklam płatnych Google Ads i Facebook Ads, e-maili i newsletterów, a nawet pushy i wielu innych). W ten sposób dostarcza informacji, które z nich miało największy wpływ na finalną konwersję, a które przyczyniło się do niej w najmniejszym stopniu.

W tym miejscu warto zapamiętać, że ostateczne rezultaty, a co za tym idzie – płynące z nich wnioski, zależą od wyboru metodyki badania. Te same działania, ale mierzone innym sposobami – mogą dostarczyć zgoła odmiennych wniosków.

Dlatego, zanim wybierzesz konkretny model atrybucji, musisz wziąć pod uwagę, że każde narzędzie dostarcza innych danych. Co za tym idzie – wnioski z nich płynące mogą być zupełnie odmienne.

Doskonały przykład w tej materii stanowią różnice występujące między Google Ads i Google Analytics 4.

Pierwsze z nich “skupia się” na aktywnościach związanych z prowadzeniem płatnych kampanii reklamowych w przestrzeniach należących do Google’a (wykorzystujących do tego search, video, czy chociażby display). To naturalnie ogranicza możliwości wnioskowania i atrybucji – do tych konkretnych źródeł danych.

Z kolei Google Analytics ma dostęp do zdecydowanie większej ilości informacji. Agreguje bowiem dane z całego ekosystemu Google (w tym kampanii płatnych i działań organicznych), a dodatkowo może korzystać z informacji pochodzących spoza swojej infrastruktury (w tym: mediów społecznościowych, e-mail marketingu, web pushe i wielu innych nośników). Zatem, jak łatwo się domyślić, specyfika GA pozwala na gromadzenie większej ilości danych, a co za tym idzie – znacznie dokładniejsze i lepsze jakościowo) wnioskowanie.

Jakie modele wykorzystuje się w atrybucji?

Wyróżniamy dwa podstawowe podejścia do atrybucji. Pierwszy z nich opiera się o predefiniowanych założeniach (tzw. atrybucja oparta o założenia). Natomiast drugi jest związany z pracą algorytmów wykorzystujących odpowiednie dane (w tym przypadku mówimy o tzw. data-driven attribution – w skrócie DDA).

W dalszych akapitach opowiem Ci nieco więcej o obu tych podejściach, opiszę, jak działają, a dodatkowo wskażę istotne wady oraz zalety każdego z nich.

Modele atrybucji oparte o założenia. Czym są i jak działają?

Dotychczas najbardziej popularnym podejściem do atrybucji było to odnoszące się bezpośrednio do konkretnych założeń. Mówiąc wprost – to wybór modelu w dużej mierze decydował o tym, jak będą kształtowały się wyniki potwierdzające skuteczność (lub jej brak) poszczególnych źródeł.

Pozwól, że dla lepszego objaśnienia tej kwestii, posłużę się modelami atrybucji opartej o założenia, które są dostępne w Google Analytics. Zaliczamy do nich:

• Pierwsze / ostatnie kliknięcie z ang. first / last click) – jak sama nazwa wskazuje, w tym modelu całą wartość danej konwersji przypisuje się do źródła, które na ścieżce zakupowej pojawiło się jako pierwsze lub jako ostatnie.
• Ostatnie niebezpośrednie kliknięcie(z ang. last non-direct click) – dotyczy konwersji, która została wywołana wejściem bezpośrednim. Wówczas bierze on pod uwagę ostatnie wejście i to jemu przypisuje całą wartość.
• Model rozkładu czasowego(z ang. time decay) – bierze on pod uwagę czas oraz kolejność poszczególnych źródeł i na tej podstawie przypisuje wartości. Największa trafia do ostatniego źródła ścieżki zakupowej. Z kolej najmniejsza – do pierwszego.
• Model uwzględniający pozycję(z ang. position based) – ten model analizuje pierwsze i ostatnie kliknięcie (przypisuje im po 40% wartości), a także pozostałe elementy ścieżki, które otrzymują po 20%.
• Model linearny(z ang. linear) – w tym podejściu wartość konwersji jest przypisywana “równo” – do wszystkich źródeł, które pojawiły się na ścieżce zakupowej użytkownika.

źródło: Google

Jak łatwo zauważyć – żaden z nich nie jest idealny. Co za tym idzie – nie da się wskazać jedynego, uniwersalnego i w pełni słusznego podejścia do mierzenia skuteczności poszczególnych źródeł ruchu.

Modele atrybucji oparte na danych (data-driven attribution). Co to takiego?

W opozycji do atrybucji opartej o założenia stoi ta wykorzystująca dane. W tym przypadku działanie modelu nie ogranicza się do “z góry” wskazanych założeń. Zamiast tego podejście data-driven zakłada, że metodyka nie wykorzystuje stale określonych wag, a analizie poddaje się cały szereg różnych zmiennych.

W tym podejściu niezwykłe istotną rolę odgrywa dostęp do danych. Mianowicie, aby atrybucja data-driven spełniała swoe zadania, musi opierać się na odpowiedniej ilości i co najważniejsze – poprawnie zbieranych informacji.

Jaka działa data-driven attribution?

DDA liczy więc tzw. inkrementalność poszczególnych kanałów, które pojawiły się na drodze użytkownika oraz (pośrednio lub bezpośrednio) doprowadziły do wykonania przez niego konkretnej akcji (np. zakupu).

Zbiera dane dotyczące tego, w jaki sposób użytkownicy wchodzą w interakcję z reklamami oraz innymi nośnikami informacji. Analizuje szereg zmiennych i na ich podstawie, na bieżąco decyduje o tym, jakie czynniki są brane pod uwagę do przypisywania skuteczności poszczególnych źródeł.

W ten sposób atrybucja oparta o dane pozwala mierzyć wyniki wykorzystywanych kanałów, porównywać ścieżki, obliczać prawdopodobieństwo konwersji i na podstawie osiągniętych wyników – prowadzić działania optymalizacyjne. To wszystko z kolei wpływa na ostateczne rezultaty działań promocyjnych i sprzedażowych. W dalszej kolejności warto zadbać o ciągłe testowanie, które pozwala osiągać coraz lepsze wyniki :).

W tym miejscu należy także pamiętać o pewnych ograniczeniach danych (czyli np. niepełnych ścieżkach użytkowników). Temat ten jest jednak na tyle szeroki, że szczegółowo opowiem o nim w kolejnych artykułach – tym przy okazji omawiania modeli DDA w narzędziach Google.

Jakie dane może wykorzystywać atrybucja data-drive?

Model oparty na danych na bieżąco wykorzystuje zagadnienia statystyczne i matematyczne (w tym, chociażby rachunek prawdopodobieństwa). Jednak zdecydowanie najczęściej atrybucja oparta na danych korzysta z algorytmów stworzonych na bazie Łańcuchów Markowa oraz wartości Shapleya (która wywodzi się z Teorii Gier)*.

Łańcuchy Markowa odnoszą się bezpośrednio do ciągów zdarzeń, w których prawdopodobieństwo wystąpienia jednego jest zależne od wyniku poprzedniego. Z kolei przytoczona wartość Shapleya bierze pod uwagę kanały, które ze sobą współpracują i na tej podstawie sprawdza, jaki każdy z nich miał udział w ostatecznym wyniku danej kampanii.

Oczywiście, są to jedynie przykłady metodyk, które można wykorzystywać w modelowaniu atrybucji, a sam temat jest na tyle szeroki, iż z pewnością poświęcę mu niejeden, a nawet kilka artykułów.

źródło: Google

Czy to jedyne metodyki, które można stosować w data-driven attribution?

Naturalnie, nic nie stoi na przeszkodzie, aby korzystać z możliwości, jakie oferują inne metodyki. Aczkolwiek te, o których wspomniałem, są używane zdecydowanie najczęściej.

Można więc powiedzieć, że atrybucja oparta na danych jest swego rodzaju “czarną skrzynką”, do której analitycy i inne osoby odpowiedzialne za pracę z kampaniami reklamowymi, mają ograniczony dostęp. Muszą więc polegać na intuicji, wiedzy i umiejętnościach ich autorów, czyli m.in. pracownikach Google’a czy Facebooka .
* Więcej na temat tych zagadnień przeczytasz na Wikipedii.

Czy o atrybucję data-driven możesz zadbać we własnym zakresie?

Naturalnie, nie ma żadnych przeciwwskazań, aby “rozświetlić tę skrzynkę” i tworzyć własne narzędzia do atrybucji data-driven. Takie działanie da Ci pełny dostęp do danych oraz wpływ na to, jakie z nich są brane pod uwagę podczas analizy skuteczności działań.

Jednak uprzedzam, że takie działanie jest bardzo złożone. Wymaga posiadania odpowiedniej wiedzy, umiejętności, ogromnej świadomość z zakresu działania mediów i analityki, a przede wszystkim – dostępu do dużej ilości bardzo wartościowych danych.

Jeżeli nie dysponujesz odpowiednimi zasobami – radzę zaufać gotowym rozwiązaniom, chociażby tym, które serwuje nam Google .

Atrybucja – podsumowanie

To by było na tyle. Temat atrybucji danych jest bardzo szeroki, dlatego w tym artykule skupiłem się na przedstawieniu jego definicji oraz nakreśleniu ogólnych zasad działania.

Jeżeli wydał Ci się ciekawy i chcesz go jeszcze bardziej zagłębić – daj znać w komentarzu. Z chęcią przygotuję dla Ciebie kolejne wpisy, w których jeszcze bardziej przybliżę Ci zagadnienie związane z atrybucją. Zarówno tą dotyczącą założeń, jak i tą związaną z danymi.

The post Atrybucja konwersji online – wprowadzenie do tematu first appeared on Conversion.