Kierowanie ruchu na landing page zamiast na stronę główną pozwala dopasować do odbiorcy komunikację oferty i nakłonić go do realizacji jednego konkretnego celu – np. zostawienia danych kontaktowych, zapisu do newslettera czy pobrania e-booka. Dzięki temu pozyskujesz więcej leadów przy niezmienionym budżecie na działania reklamowe.

W tym wpisie przedstawiam 8 przykładowych stron docelowych wraz z oceną, które elementy zostały poprawnie zaprojektowane, a które warto byłoby poprawić bądź przetestować. Zapoznanie się z nimi pomoże Ci zbudować skuteczniejszy landing page dla Twoich kampanii.

Warto naśladować:

• Kontrast – najważniejsza informacja, czyli cena OC, skutecznie przyciąga wzrok
• Formularz – mocno się wyróżnia od reszty strony, a dodatkowo jest krótki i zrozumiały
• Kolory – świetnie dobrane, współgrają z identyfikacją wizualną marki, jednocześnie zapewniając wysoki kontrast najważniejszych elementów
• Czytelność strony – ograniczenie tekstu do minimum sprawia, że strona jest prosta w odbiorze i szybko można się z nią zapoznać. Pomaga w tym fakt, że ubezpieczenie OC to produkt, który nie wymaga szczegółowego opisania – każdy go rozumie
• Nagrody – budują zaufanie i podkreślają atrakcyjność oferty

Należy unikać / poprawić / przetestować:

• Nagłówek – obecnie jest rozbity na dwie części, przez co trudno jest zauważyć, że „Ubezpieczysz swój samochód“ i „taniej niż myślisz“ to dwie części tego samego zdania. Sam tekst również nadaje się do optymalizacji – np. poprzez zastosowanie czasowników w stylu ”ubezpiecz” zamiast ”ubezpieczysz”
• Dowód społeczny – na stronie brakuje potwierdzenia, że oferta jest atrakcyjna – można je uzyskać np. poprzez dodanie liczby klientów

Warto naśladować:

• USP – komunikowane w widocznym miejscu oraz w zwięzłej, zrozumiałej formie. Korzyści z posiadania konta oraz karty są też dokładniej opisane w dalszej części strony docelowej
• Belka na dole strony – dzięki temu, że podąża za użytkownikiem wraz z przewijaniem strony, ułatwia mu przejście do formularza
• Nagrody – potwierdzają atrakcyjność oferty, zwłaszcza, że zostały przyznane przez niezależne portale branżowe (porównywarki finansowe)
• Prezentacja kroków do założenia konta – dzięki temu użytkownik wie, co musi zrobić, aby je założyć

Należy unikać / poprawić / przetestować:

• Nagłówki – wygodniej byłoby je czytać, gdyby zostały wyrównane do lewej. Nie komunikują korzyści dla klienta i nie nawołują do wykonania akcji
• Zdjęcie – wygląda sztucznie, przez co obniża wiarygodność strony. Proponowałbym je zmienić na bardziej naturalne
• Call To Action – przycisk u góry strony ma odpowiedni kontrast, ale już na ciemno granatowej belce nie wyróżnia się aż tak dobrze. Warto byłoby też jeszcze raz zakomunikować na tekście CTA główną korzyść, czyli 0 zł za prowadzenie konta

Warto naśladować:

• Call To Action – dobrze dobrano zarówno kolor przycisku, jak i tekst, który zawiera czasownik (nawołuje do akcji), a dodatkowo przemyca dwie korzyści dla użytkownika (usługa za darmo i bez zobowiązań).
• USP (Unique Selling Proposition) – nagłówek oraz 3 wartości dostarczane przez produkt, chociaż komunikowane krótkimi słowami, są w pełni zrozumiałe.
• Dowód społeczny – logotypy klientów podnoszą wiarygodność.

Należy unikać / poprawić / przetestować:

• Nagłówki – poza pierwszym nagłówkiem, który jest widoczny i czytelny, pozostałe są zbyt małe, co w połączeniu z nietypowym krojem czcionki obniża czytelność
• Referencje – są za długie, brakuje w nich podkreślenia kluczowych słów lub zdania – np. poprzez dodanie na górze referencji nagłówka lub wyboldowanie najważniejszej części wypowiedzi. Brakuje też zdjęć wypowiadających się osób, które podniosłyby wiarygodność opinii
• Zmarnowane miejsce u góry strony – logotyp oraz numer kontaktowy mogłyby się znajdować w jednej linii, co pozwoliłoby podnieść stronę, jednocześnie żaden element by na tym nie ucierpiał
• Bezpieczeństwo – podajemy wrażliwe dane, jak imię i nazwisko oraz numer telefonu, więc przydałaby się tutaj gwarancja bezpieczeństwa tych informacji, a także link do regulaminu oraz checkbox z wyrażeniem zgody na przetwarzanie danych
• Tło – niebo i ptaki w tle są nieco rozpraszające. Przetestowałbym tutaj wariant z jednolitym tłem.

Warto naśladować:

• USP – komunikacja została w sprytny sposób oparta o przewagi nad konkurencją – na tę stronę docelową można trafić po wpisaniu ”Basecamp” w Google. Przyciąga to uwagę użytkownika (”Jesteście lepsi niż Basecamp? Sprawdzę, dlaczego.”) i zachęca do przeczytania treści na landing page.
• Lista przewag – do jej prezentacji wykorzystano tabelkę, która jest czytelna, a także wiarygodna, ponieważ pokazano również funkcje oferowane przez oba narzędzia (często takie porównania wskazują, że ”nasze” narzędzie potrafi wszystko, a konkurencyjne nic, co zmniejsza wiarygodność).

Należy unikać / poprawić / przetestować:

• Nagłówek – opisuje narzędzie, a nie korzyści dla klienta. Warto byłoby przetestować nagłówek nastawiony na korzyści, np. ”Start managing your projects effectively”
• Call To Action – przede wszystkim mają niski kontrast względem reszty strony, na co składa się podobny do tła kolor oraz dużo elementów znajdujących się wokół nich. Brakuje rozróżnienia na to który z dwóch przycisków jest tym głównym, ponieważ mają ten sam kolor
• USP – sama treść USP jest interesująca – narzędzie jest darmowe, rejestracja jest błyskawiczna, nie wymaga podania numeru karty kredytowej. Forma przekazu sprawia jednak, że te korzyści giną wśród reszty strony, są nieczytelne i łatwo je pominąć, kierując wzrok od razu na pole do podania adresu e-mail
• Dowód społeczny – na stronie docelowej zostały umieszczone logotypy firm, ale brakuje rekomendacji od obecnych klientów, którzy podpisaliby się pod stwierdzeniem, że narzędzie jest faktycznie lepsze od konkurencyjnego Basecampa.

Warto naśladować:

• Grafiki – Podio charakteryzuje się ładnym wizualnie interfejsem, więc umieszczenie w widocznym miejscu screenów narzędzia zachęca do pozostania na stronie
• USP – nacisk na dopasowanie aplikacji do indywidualnych potrzeb i wyróżnienie faktu, że narzędzie zawsze będzie darmowe do 5 kont, to fajne wartości. Dodatkowym plusem jest fakt, że komunikacja korzyści zajmuje mało miejsca
• Dokładnie opisanie funkcji narzędzia. Opisy są nastawione na akcje i korzyści, jakie klient ma dzięki tym funkcjom (nie są techniczne)
• Bezpieczeństwo – dzięki logo McAfee w prawym górnym logo
• Logotypy innych usług – umieszczenie logotypów rozpoznawalnych narzędzi, z którymi Podio jest zintegrowane, zwiększa wiarygodność usługi

Należy unikać / poprawić / przetestować:

• Mało widoczny Call To Action – uwagę przyciągają screeny aplikacji, przycisk CTA ginie wśród innych elementów
• Call To Action na dole strony – przetestowałbym tutaj przenoszenie na górę strony po kliknięciu w CTA na dole bądź dodanie obok niego adresu e-mail
• USP – tekst ”Free forever for up to 5 employees” wygląda jak link. Nie jest to jednak klikalny tekst, przez co można odnieść wrażenie, że na stronie wystąpił błąd. Przetestowałbym też komunikację darmowej usługi, np. poprzez dodanie tam ikony
• Logo McAfee – jest podlinkowane i przekierowuje poza stronę, co zwiększa ryzyko, że użytkownik opuści stronę. Dodatkową treść informującą o zabezpieczeniach lepiej umieścić w tooltipie wyświetlanym po najechaniu na logo bądź w toplayerze wyświetlanym po kliknięciu

Warto naśladować:

• Design – strona jest ładna, ma spójny styl, dobrze dobraną kolorystykę i wysokiej jakości grafiki oraz ikonki
• Dowód społeczny – komunikacja mocno bazuje na bazie klientów oraz ich opiniach. Świetnym posunięciem było tutaj nagranie wysokiej jakości referencji wideo, które skutecznie budują zaufanie – wyglądają profesjonalnie i w 100% wiarygodnie
• Mapa – w przystępny sposób pokazuje zasięg SentiOne. Dane są zaprezentowane w przyjemnej dla oka formie i dzięki temu są czytelniejsze niż zwykły tekst

Należy unikać / poprawić / przetestować:

• Rotator – obrazki i teksty na kolejnych slajdach są fajne, ale rotator sam przeskakuje na kolejne slajdy, co jest nieco irytujące. Strzałki służące do przewijania przesunąłbym wyżej – obecnie wydają się oderwane od całości
• Nagłówki – raz są, a raz ich nie ma (w sekcji z funkacjami / USP). Mają różną wielkość, brakuje spójnego wyrównania – w sekcji z referencjami mamy wyrównanie do lewej, natomiast w sekcji z logotypami klientów wyrównanie do środka. Rekomendowałbym ich ujednolicenie
• USP – komunikacja marketingowa jest nastawiona na funkcje, zamiast na korzyści z nich płynące. Ikonki wyglądają ładnie, ale same teksty niewiele mówią – trudno się dowiedzieć, jak korzystanie z narzędzia przełoży się na rozwój biznesu klienta. Przetestowałbym tutaj teksty komunikujące korzyści w formie ikonka + krótki nagłówek + opis
• Case study – na innej podstronie można znaleźć case study DaWanda, które wymownie obrazuje wpływ narzędzia na biznes – w tym przypadku było to uzyskanie wyniku 99,7% pozytywnych komentarzy dotyczących obsługi klienta. Warto się tym pochwalić w widocznym miejscu

Warto naśladować:

• Kontrast – fioletowe tło pod formularzem od razu przyciąga wzrok i zachęca do jego wypełnienia
• USP – tarcza na środku w przejrzysty sposób komunikuje najważniejszą korzyść związaną z usługą, czyli gwarancję najniższej raty
• Przykład – przedstawienie co wchodzi w skład pełnej kwoty przykładowej pożyczki wyjaśnia jak działa usługa i podnosi poziom zaufania do banku

Należy unikać / poprawić / przetestować:

• Call To Action – jest zbyt mały i zawiera generyczny tekst ”Wyślij”. Skuteczniejszy byłby tekst ”Zamów kontakt” lub ”Chcę otrzymać ofertę”
• Formularz – przede wszystkim brakuje tutaj wyjaśnienia w jaki celu mam podać adres e-mail (przecież kontakt będzie telefoniczny) oraz numer PESEL (spodziewałbym się raczej, że potrzebny jest dopiero w momencie zawierania umów, a nie do prezentacji oferty). Brakuje też tutaj gwiazdek oznaczających obowiązkowe pola formularza – użytkownik może podejrzewać, że adres e-mail jest nieobowiązkowy, skoro zamawia kontakt telefoniczny
• Nagłówek – to, że Alior Bank stoi na straży najniższych rat niewiele mówi klientowi. Tekst powinien jasno komunikować, że zapłacę najniższe raty na rynku, ponieważ bank stoi na ich straży
• Bodźce – warto byłoby dodać elementy przyspieszające decyzję klienta, jak ograniczenie czasowe (chociaż jest to już decyzja biznesowa związana z produktem) lub informację o tym ile osób już skorzystało z oferty

Warto naśladować:

• Call To Action – duży, wyróżniający się przycisk, który dodatkowo zachęca do kliknięcia umieszczonym na nim tekstem – dzięki niemu klient wie dokładnie, czego spodziewać się po kliknięciu
• Nagłówek – jest duży i widoczny, a umieszczona obok niego strzałka skutecznie przenosi wzrok użytkownika w kierunku Call To Action
• Formularz – a tak naprawdę jego brak. To skrajny przypadek dobrej praktyki, jaką jest skracanie formularzy. Wcześniej UnBounce wymagał podania adresu e-mail, imienia i stanowiska. Jako, że celem jest tutaj przekazanie wiedzy i zbudowanie eksperckiej pozycji u potencjalnego klienta, a nie zdobycie adresu e-mail aby wysyłać na niego newsletter, firma zdecydowała się usunąć formularz
• Dowód społeczny – budowany dwutorowo – z jednej strony mamy listę ekspertów, którzy tworzyli kurs, a z drugiej opinie klientów podkreślających kompetencje firmy. Zdjęcia, nazwiska i linki do profili na Twitterze skutecznie budują zaufanie
• Dokładny plan kursu – dzięki niemu wiesz, czego się spodziewać po przejściu dalej
• Drugi Call To Action – tym razem w formie linku na dole strony, który komunikuje korzyści dla biznesu klienta, jakimi są większa liczba leadów oraz klientów

Należy unikać / poprawić / przetestować:

• Wideo – elementem przekonującym mnie do udziału w kursie byłoby przykładowe video z lekcją. Ten element jest komunikowany na stronie docelowej – warto byłoby pójść dalej i pokazać przykład

Podsumowując, tworząc landing page powinieneś zawsze pamiętać o dopracowaniu kluczowych elementów, takich jak USP, budowanie zaufania, klarowny i wyróżniający się CTA, a także możliwie najkrótszy i zrozumiały formularz. Więcej o zasadach projektowania skutecznych stron docelowych przeczytasz we wpisie Pauliny Kamińskiej.

Nowe trendy w projektowaniu landing page w 2026 – personalizacja i UX napędzające konwersje

W 2026 roku skuteczne landing page to nie tylko atrakcyjny design, ale także głęboka personalizacja i doświadczenie użytkownika (UX). Statystyki pokazują, że personalizowane wezwania do działania (CTA) mogą podnieść konwersję nawet o ponad 40 %, a uproszczone, bardziej przejrzyste układy z jedną wyraźną akcją działają lepiej niż rozbudowane strony. Warto też pamiętać o mobilnej optymalizacji, bo większość ruchu dociera dziś z telefonów. Choć średnia konwersja wynosi około 6–7 %, najlepsze strony osiągają ponad 10 % lub więcej, gdy UX i personalizacja są na wysokim poziomie.

Wideo i interaktywne elementy jako narzędzie zwiększania konwersji na landing page

Trendy projektowe wskazują, że osadzenie wideo na landing page może znacząco zwiększyć zaangażowanie odbiorców i poprawić konwersję. Wideo pozwala przekazać kluczowe informacje w sposób dynamiczny i łatwo przyswajalny, a krótkie, interaktywne materiały mogą nawet zwiększyć sprzedaż lub rejestracje o ponad 80 % w porównaniu z samym tekstem. Tego typu elementy pomagają budować zaufanie i utrzymać uwagę odwiedzających, szczególnie gdy są umieszczone tuż nad wezwanie do działania (CTA) i mają jasny powód, by skłonić użytkownika do kolejnego kroku.

Jeśli chcesz zyskać przewagę konkurencyjną dzięki zwiększaniu współczynnika konwersji oraz zwiększyć zysk swojej witryny bez wydawania kolejnej złotówki na reklamę, skontaktuj się z Conversion by poznać nasze podejście. Więcej o optymalizacji współczynnika konwersji dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post Jak stworzyć skuteczny landing page? 8 przykładów stron docelowych z rekomendacjami zmian first appeared on Conversion.

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

Poznaj naszego gościa: Dawid Majewski

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

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

Kluczowa rola danych w e-commerce oponiarskim

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

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

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

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

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

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

Nietypowe dane i ich wpływ na strategię

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

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

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

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

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

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

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

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

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

Budowanie społeczności i dane jakościowe

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

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

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

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

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

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

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

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

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

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

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

Współpraca z producentami i testowanie komunikatów

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

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

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

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

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

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

Pomiar efektywności niestandardowych kanałów marketingowych

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

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

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

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

Organizacja analityki i stack technologiczny w SklepOpon.com

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

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

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

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

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

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

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

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

Ścieżka kariery Dawida Majewskiego i marketing oparty na danych handlowych

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

AI w branży motoryzacyjnej: Przyszłość analityki i zatowarowania

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

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

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

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

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

Mariusz Michalczuk: Dokładnie tak. Dzięki wielkie.

Podsumowanie: Główne wnioski z rozmowy

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

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

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

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

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

Czego dowiesz się z tego wywiadu:
Wprowadzenie do świata Aurorii i danych
Jak Auroria wykorzystała dane jakościowe do redefinicji rynku jubilerskiego
Od ankiet do badań UX: Głębsze poznanie klienta Aurorii
Zrozumieć i odciążyć klienta: Odpowiedź na stres wyboru pierścionka
Machine Learning w służbie miłości: Konfigurator 3D i spersonalizowane propozycje
Długoterminowa relacja z klientem: Jak Auroria buduje LTV
Od randki do ślubu: Strategia content marketingowa Aurorii
Mierzenie sukcesu: KPI i unikatowe mikrokonwersje Aurorii
Innowacje offline: Sparkle Finder i salony przyjazne introwertykom
Plany na przyszłość: Auroria podbija Europę Środkowo-Wschodnią
Podsumowanie: Główne wnioski z rozmowy

Wprowadzenie do świata Aurorii i danych

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku podcastu z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Oliwia Simińska. Oliwia, ogromne dzięki, że przyjęłaś zaproszenie. Chcesz podzielić się z nami Twoją wiedzą. Jakbyś mogła wprowadzić nas do Twojej osoby, do Twojego doświadczenia, czym się zajmujesz.

Oliwia Simińska: Cześć Mariusz i witam wszystkich. Dziękuję serdecznie za zaproszenie do rozmowy. Nazywam się Oliwia Simińska i aktualnie zawodowo skupiam się głównie na rozwoju obszaru marketingu marki jubilerskiej Auroria. Jeżeli chodzi o życie prywatne, to jestem mamą trójki dzieci i żoną wspaniałego mężczyzny, który kilka lat temu razem ze swoim przyjacielem założył tą markę. Z takich przedsiębiorczych aspektów jestem też współzałożycielką platformy buycoffee.to, która w tym momencie jest największą platformą, która wspiera twórców internetowych w Polsce, jeżeli chodzi o monetyzację, ale to pewnie byłby temat na inną rozmowę. Cieszę się, że jestem tutaj z Wami.

Mariusz Michalczuk: Ja również się bardzo cieszę. Mówisz o marketingu, w tym marketingu jest mega dużo danych. Kiedy przygotowywaliśmy się do tej rozmowy, przedstawiłaś mi rzeczywiście, że te dane u Was są takim fundamentem w kontekście tego, jak działacie, jak podejmujecie decyzje. Czy mogłabyś trochę tutaj wprowadzić nas do tego tematu, jak to u Was wygląda?

Jak Auroria wykorzystała dane jakościowe do redefinicji rynku jubilerskiego

Oliwia Simińska: Tak, dane były tak naprawdę podstawą do tego, jak zbudowana została Auroria. Jest marką, która redefiniuje na nowo rynek jubilerski w Polsce. Prowadzimy biznes w sposób, w który nie prowadzi go żaden inny jubiler i ten sposób został właśnie zdefiniowany przez dane, które pozyskaliśmy na samym starcie. Być może będzie to zaskoczeniem, ale nie były to dane ilościowe, były to głównie dane jakościowe, które pozwoliły nam poznać klienta naprawdę głęboko, nie na poziomie produktu, oferty, ale jeszcze głębiej, na etapie jego zmagań, jego bolączek. Szczególnie, że nasza marka specjalizuje się w biżuterii zaręczynowej i ślubnej, więc dotyka bardzo ważnych momentów w życiu człowieka. Było to dla nas niezwykle istotne, aby przed rozpoczęciem pierwszych działań, przed rozpoczęciem budowania oferty i USP marki, poznać tego klienta. Dane towarzyszyły już na etapie budowania biznesu.

Mariusz Michalczuk: Super. Czy mogłabyś powiedzieć, jak na początku zbieraliście te dane? Faktycznie, jak mówisz o takich wydarzeniach super istotnych w życiu, czy to zaręczyny, czy ślub, zazwyczaj to jest jedno takie wydarzenie w życiu. Trzeba dogłębnie poznać tego Waszego potencjalnego klienta. Rozumiem, dlaczego dane jakościowe w pierwszym rzędzie wybrane przez Was. Jak zbieraliście te dane, skąd one pochodziły, co z nich wynikało na początku i jak to później dalej się rozwijało?

Od ankiet do badań UX: Głębsze poznanie klienta Aurorii

Oliwia Simińska: Właściciele marki Auroria mieli już wcześniej doświadczenie w branży jubilerskiej, więc mieli też dostęp do klientów. Tam już pozyskiwali pierwsze informacje na temat tego, co jest wyzwaniem w kontekście zakupu biżuterii zaręczynowej i ślubnej. Później przez pierwsze lata funkcjonowania marki Auroria proces zbierania jakościowych danych był wpisany w regularne działania. Jeżeli chodzi o to, jakie narzędzia były wykorzystywane, to były to głównie ankiety z klientami, które opierały się nie tylko, tak jak często dzwoni do nas po wykonaniu jakiejś usługi, często już AI-owy asystent i pyta o poziom zadowolenia, pyta o to, na ile byśmy zarekomendowali ten produkt, czyli już takie bardzo stricte posprzedażowe aspekty. My pytaliśmy tych klientów na każdym etapie – przed rozpoczęciem biznesu i już w tych szczególnie pierwszych latach działalności – pytaliśmy, co było dla niego najbardziej stresujące na etapie wyboru pierścionka. Pytaliśmy, gdzie szukał informacji, co sprawiało mu największą trudność pod kątem tego, na czym powinien się skupić, jaki produkt wybrać, na jakie złoto się zdecydować, na jaki model. Staraliśmy się regularnie poznawać, z czym mierzy się klient i tak budować na samym początku USP marki Auroria, a później ofertę, która w jak najlepszy sposób będzie odpowiadała na te potrzeby.

Z tych ankiet dowiedzieliśmy się też, że język, którym mówimy do klienta, jeżeli chodzi o rynek jubilerski, jest już coraz mniej zrozumiały, ponieważ główne, największe firmy jubilerskie w Polsce często nie komunikują się w języku osób, które w tym momencie mają lat 20 plus, Gen Z. To było dla nas takim dużym odkryciem, że my musimy umieć posługiwać się językiem osób, które w tym momencie są na etapie zaręczyn. Dużo rzeczy, które wdrożyliśmy, które odkryliśmy, to były właśnie elementy pochodzące stricte z ankiet przeprowadzanych z klientami. Tak naprawdę to, gdzie teraz jest Auroria i jak wyglądają nasze salony, jak wygląda nasza strona internetowa, to jest głównie właśnie na podstawie wniosków, które otrzymaliśmy dla naszych klientów.

Nasz claim – Friend of Your Love – też powstał w oparciu o to, jak zaczęliśmy działać, ponieważ poznając lepiej klientów, dowiedzieliśmy się, że my jako marka chcemy być partnerem tego klienta na drodze wyboru biżuterii zaręczynowej, ślubnej i chcemy mu jak przyjaciel pomóc jak najlepiej wybrać produkt, który (tego też się dowiedzieliśmy z rozmów z klientami) zachwyci jego narzeczoną. To, że mężczyzna poszukuje pierścionka zaręczynowego i skupia się na tym, jakiego jubilera wybrać, jaki produkt wybrać, to jest jedno. Jego ostatecznym celem jest wywołanie zachwytu w oczach swojej ukochanej w tym momencie, kiedy się oświadcza. Kiedy my to zrozumieliśmy, stwierdziliśmy, że my chcemy jako marka pomóc temu mężczyźnie. Doszły nagle dodatkowe, zupełnie nowe aspekty naszej działalności, które opierały się na tym, żeby z tego klienta ściągnąć jak najwięcej stresu, który naturalnie towarzyszy mu przy tym ważnym wyborze. Pojawiły się dodatkowe aspekty, które my jako Auroria Friend of Your Love zaczęliśmy adresować, aby całościowo zaopiekować się klientem. Nie tylko dostarczyć mu ten produkt, którego potrzebuje, ale sprawić, żeby to całe user experience od momentu myśli „chciałbym się oświadczyć” do momentu wręczenia pierścionka było dla niego jak najpiękniejsze i jak najmniej stresujące.

Mariusz Michalczuk: Super, mega to brzmi. Wyobrażam sobie, że na początku było to skomplikowane, w momencie, kiedy jeszcze nie mieliście wystartowanego tego online’owego biznesu, z klientami trzeba było rozmawiać, być może to były jakieś ankiety papierowe. A teraz, w momencie, kiedy macie e-commerce, to jak to wygląda, na których etapach zbieracie te dane jakościowe? Czy ci użytkownicy, jeszcze może nie klienci, tylko potencjalni klienci, chętnie dzielą się tymi informacjami? Może jakieś triki masz, które rzeczywiście pomagają dotrzeć, często, umówmy się, do introwertyków – bo zakładam, że część mężczyzn, zresztą myślę też trochę o sobie i o swojej branży, to jest raczej introwertyczna, więc trudno często wydobyć informacje, prawda?

Oliwia Simińska: Tutaj użyłeś słowa klucz – introwertyk – za chwilkę się do tego odniosę. Opowiem, jak to wyglądało od początku, bo wprowadzaliśmy różne pomysły, mieliśmy później wnioski, wprowadzaliśmy kolejne pomysły. Na samym początku biznesu jednym z pierwszych naszych pomysłów było po prostu rozmawianie z klientami, którzy dokonali zakupu, żeby już ich poznać, ponieważ mieli kontakt z marką, mieli zaufanie do marki, więc sądziliśmy, że jest to najbardziej oczywista droga. Do wszystkich klientów, którzy dokonali u nas zakupu, wysyłaliśmy maila z pytaniem, czy zechcieliby nam poświęcić 15 minut na rozmowę. Oferowaliśmy coś w zamian, żeby zaproponować jakąś wartość klientowi. Z tych osób, które pozytywnie odpowiedziały na nasze zapytanie, umawialiśmy się na konkretną godzinę na rozmowę, gdzie według konkretnie przygotowanych pytań, które naszym zdaniem najlepiej pomogą nam zrozumieć klienta na różnych etapach: przygotowań do zaręczyn, etapu szukania oferty, ale też samego korzystania z naszego sklepu internetowego. Ze wszystkimi klientami rozmawialiśmy na podstawie tych wcześniej przygotowanych pytań, ale co tutaj było bardzo ważne, osoby, które prowadziły te ankiety zawsze skupiały się na tym, żeby aktywnie słuchać tego klienta, bo zdarzały się rozmowy, kiedy klient powiedział coś, gdzie osoba ankietująca, idąca według briefu, pominęłaby pociągnięcie dalej tego cennego zdania i rozwinięcie do szukania się, co klient miał na myśli, przejście do kolejnego pytania. Czasami właśnie takie perełki udało nam się wychwycić, bo klient powiedział jedno zdanie, które uznaliśmy za intrygujące i szliśmy scenariuszem spoza briefu ankiety. To było pierwsze narzędzie, z którego korzystaliśmy i już z niego mieliśmy mnóstwo insightów, które pomagały nam dokładać kolejne cegiełki do budowania biznesu.

Później postawiliśmy też na fizyczne spotkania z klientami, w sumie nie z klientami nawet, bo robiliśmy testy UX-owe, takie jakościowe, że zapraszaliśmy do naszego biura osoby z grupy docelowej, czyli osoby, które potencjalnie są w wieku zaręczynowym, nie mówiąc w ogóle, czego będzie dotyczyło spotkanie i zadawaliśmy im pytania, takie zadania. Prosiliśmy o wyszukanie oferty na pierścionek zaręczynowy, taki scenariusz: „właśnie planujesz zaręczyny i co robisz? Masz komputer, telefon i co robisz?” I tutaj już badaliśmy, czy klient, ta osoba, sięga w pierwszej konieczności po telefon, czy po komputer i jakiego typu frazy wpisuje w Google, jak się porusza po stronie z wynikami wyszukiwania, co jak wchodzi później na naszą stronę, gdzie się gubi, jakie ma wątpliwości. Robiliśmy też takie fizyczne badania, które dawały nam jeszcze szersze spojrzenie na to, co możemy poprawić w naszym e-commerce, jak lepiej towarzyszyć klientowi w oparciu o to, jak on naturalnie się zachowuje w procesie zakupowym. To było takie drugie narzędzie bardzo cenne do zbierania danych jakościowych.

Mariusz Michalczuk: Takie typowe badania użyteczności z tego, co rozumiem.

Oliwia Simińska: Takie badania użyteczności, ale pogłębione też o te aspekty poza e-commerce’owe i powiem Ci, że tam mieliśmy pierwsze sygnały, które skłoniły nas do tego, żeby otworzyć punkty stacjonarne, bo mieliśmy użytkowników, którzy na pytanie, właśnie przedstawiając ten scenariusz, czyli „przychodzi Ci myśl – zaręczę się – i co robisz?”, wielu z nich mówiło, „idę do galerii handlowej”, a my mieliśmy tylko e-commerce. W momencie, kiedy to zaczęło się pojawiać coraz częściej, to uznaliśmy, że jeżeli jest grupa ludzi, która po prostu naturalnie chciałaby pójść do galerii i tam przeszukać oferty na miejscu stacjonarnie i nie przychodzi im na myśl dotarcie do e-commerce’u, to być może my również powinniśmy tam być. Ten element przyszedł na późniejszym etapie rozwoju biznesu, aczkolwiek wtedy już mieliśmy pierwsze sygnały. Co ciekawe, jak klienci mówili, poszlibyśmy do galerii, to my to odebraliśmy jako „okej, warto byłoby mieć punkt stacjonarny.” I naszym pierwszym punktem stacjonarnym był piękny butik przy Starym Rynku w Poznaniu, który funkcjonował przez dwa lata i później też słuchając klientów, dowiedzieliśmy się, że jednak to słowo „galeria” oznaczało galeria handlowa, a nie sklep stacjonarny, ponieważ użytkownicy wolą pojechać do jednego punktu, gdzie poświęcając na przykład godzinę czasu i mając darmowy parking na miejscu, mogą odwiedzić kilka punktów, a niekoniecznie udać się do pięknej lokalizacji, stary rynek, szukać parkingu, co jest wyzwaniem w takim ścisłym centrum. Doszliśmy do wniosku, że ta galeria to jest to miejsce, gdzie powinniśmy być, żeby być bardziej dostępni. Naszą misją jako Aurorii jest właśnie to, że chcemy być najbardziej dostępną marką jubilerską w Polsce i również fizyczna dostępność jest jednym z tych aspektów. Poza tym to jest właśnie też dostępność w kontekście doświadczenia e-commerce’owego, gdzie skupiamy się na tym, żeby mieć najlepszą prezentację produktu, aby klient nie miał żadnych wątpliwości, jak wygląda to, co kupuje i czy to jest to, czego chce. Wprowadzamy dużo innych aspektów, narzędzi, ułatwień dla klienta, które mają sprawić, że będziemy jak najbardziej dostępni. Ten temat i sklepu stacjonarnego, i galerii, to wszystko było wynikiem tego, że klienci tak naprawdę dali nam feedback, co odpowie na ich potrzebę.

Zrozumieć i odciążyć klienta: Odpowiedź na stres wyboru pierścionka

Mariusz Michalczuk: Ok, super. Tak się teraz zastanawiam, że jak już ten klient dotrze czy to do e-commerce’u, czy do galerii handlowej i ta Wasza misja, żeby mógł zachwycić swoją ukochaną w momencie wręczenia jej tego pierścionka. Tak sobie myślę, że jak ja się cofnę w sumie te już ponad 15 lat wstecz, jakby ktoś mi zadał pytanie, na zasadzie, który pierścionek zachwyci moją, wtedy ukochaną, teraz też ukochaną, natomiast wtedy potencjalną jeszcze narzeczoną, to tak się zastanawiam, wracając trochę do tych introwertyków i do osób, które nie zawsze, nie w 100% wiedzą, co zachwyci tę kochaną, bo to nie jest coś takiego, co się kupuje codziennie. Raz, że w kontekście ubrań to wiadomo, jak nasza partnerka się ubiera, co lubi, w czym się czuje dobrze i tak dalej. Tu jest najłatwiej, bo widzimy to na co dzień, a w przypadku biżuterii, zwłaszcza takiej, to już jest trochę tak, że to jest event, raz na jakiś czas, jeżeli w ogóle nie raz w życiu. Jak tutaj pomagacie swoim klientom, użytkownikom właśnie, żeby dojść do tego, co zachwyci ich ukochane?

Oliwia Simińska: Dokładnie. Tutaj najważniejsze było zrozumienie, że mężczyzna ma duży stres i wątpliwości w związku z tym, że on dokona wyboru, który nie zachwyci kochanej. To jest coś, co jest tematem numer jeden dla naszych klientów. W tym temacie staramy się klienta jak najbardziej odciążyć, jak najwięcej wziąć na nas. Uznaliśmy, że mężczyzna jest specjalistą od swojej ukochanej, bo to on zna ją najlepiej. A my jesteśmy specjalistami od biżuterii. I to my wiemy, jaki typ biżuterii do danej kobiety, o danej osobowości, o danym stylu ubierania czy preferencjach takich, co nawet do spędzenia wolnego czasu, zainteresowania sportem, wykonywanej pracy, jaki typ biżuterii z dużym prawdopodobieństwem spodoba się kobiecie. Dużo rozmawiamy też z naszymi klientkami i już mamy takie nasze zmapowane procesy, gdzie łączymy te aspekty, o których wspomniałam, właśnie z różnego typu modelami. Z dużym prawdopodobieństwem potrafimy oszacować, co spodoba się ukochanej.

Dlatego nasz proces w salonie stacjonarnym, ale też w sklepie online podąża za tą myślą. Czyli my pytamy mężczyznę, który do nas przychodzi, prosimy, żeby opowiedział o swojej ukochanej. Zadajemy mu pytania o te aspekty, o których wspomniałam. I na ich podstawie proponujemy wzory. To jest coś, co jest zaskakujące dla mężczyzny, szczególnie w salonie stacjonarnym, kiedy wcześniej odwiedził już dwóch, trzech jubilerów, gdzie był pytany o to, czego szuka, jaki kolor złota, jaka korona, jaka wielkość diamentu. Te pytania, każde z nich, powodowało jeszcze większe wątpliwości, czy on w ogóle zna się na tym temacie. Niektóre słowa słyszy po raz pierwszy i musieliśmy całkowicie odsunąć wszystkie te specjalistyczne słowa, całą tę presję związaną, że na mnie jest odpowiedzialność, że mam teraz powiedzieć żółte złoto, pół karata czy białe złoto, 0,3 karata. I mówimy, „ok, chodź do nas i my po prostu jako przyjaciele Twojej miłości razem z Tobą wyeksplorujemy to, jaka jest Twoja kobieta i postaramy się znaleźć dla niej najlepszy pierścionek, który absolutnie ją zachwyci.” Często stosujemy takie niestandardowe rozwiązania, czyli na przykład prosimy mężczyznę, żeby pokazał nam zdjęcia, gdzie widoczne są ulubione sukienki ukochanej, żeby pokazał nam jaką fryzurę nosi. Staramy się poruszać w takich obszarach, które są komfortowe dla klienta i zadawać takie pytania, na które odpowiedź zna, aby już na nas przenieść całe to specjalistyczne zadanie, aby dobrać najlepszy pierścionek.

Machine Learning w służbie miłości: Konfigurator 3D i spersonalizowane propozycje

Oliwia Simińska: Wspomniałam, że stosujemy to w sklepie online. Tak naprawdę już kilka lat temu wdrożyliśmy takie narzędzie, również w oparciu o wnioski, które wyciągnęliśmy z rozmów z klientami. Takim wnioskiem właśnie z rozmów było to, że mężczyźni często szukają pierścionka, który jest bardzo unikatowy, że chcą w momencie zaręczyn powiedzieć ukochanej „znalazłem dla ciebie coś, czego nie ma nikt inny.” Często szukają w sklepach vintage biżuterii, która jest zupełnie unikatowa. Zastanawialiśmy się, jak to doświadczenie unikatowości możemy zapewnić użytkownikom w naszym e-commerce. Zbudowaliśmy nasz autorski system konfiguratora 3D, który pozwala klientowi zupełnie od zera zaprojektować samemu pierścionek z zaproponowanych przez nas komponentów, czyli trochę tak jak konfiguracja auta. Wybieramy sobie poszczególne elementy, klikamy, pojawia się wizualizacja, jeżeli to nie jest to, klikamy kolejny, zmieniamy kolor kamienia, zmieniamy wielkość kamienia, zmieniamy kolor złota, aż do momentu, kiedy rzeczywiście ten efekt, który pojawi się na ekranie, będzie zachwycający.

Tutaj też takie pytanie sobie postawiliśmy, a co jeżeli klient, który wie, że chce unikatowy pierścionek, nadal nie wie, jak poruszać się właśnie w tych wielkościach kamieni, w tych koronach… Postanowiliśmy wtedy – i to był pierwszy raz, kiedy zastosowaliśmy to podejście – żeby ściągnąć z klienta całą presję związaną z wiedzą specjalistyczną i skupić się na znajomości jego kobiety. Tam stworzyliśmy taką ankietę, która była zbudowana w oparciu o uczenie maszynowe, gdzie przetestowaliśmy kilka tysięcy kobiet, pytając się ich o ich preferencje, zadając im 15 pytań odnośnie tego, jak spędziłyby wieczór i dając cztery opcje do wyboru, jaką sukienkę albo jakiś strój założyłyby na wyjście, też dając cztery opcje do wyboru. Tych pytań było piętnaście. W oparciu o te wybory kobiet i później każda z nich dostała pytanie, jaki pierścionek z naszej oferty podoba jej się najbardziej. Zaczęliśmy matchować preferencje kobiet, odnośnie tego, co by zjadła w restauracji, jak by się ubrała, czy jakie paznokcie nosi, z tym, jaki pierścionek wybrałaby z naszej oferty. I to, co zrobiliśmy, to właśnie ubraliśmy to w taką już ankietę gotową dla klienta, mężczyzny, który odpowiadał na 15 pytań o swoją przyszłą narzeczoną. My wyświetlaliśmy mu propozycję, która właśnie w oparciu o nasze wnioski z tych ankiet z dużym prawdopodobieństwem zachwyci jego ukochaną. To była taka skrócona droga do wygenerowania tego unikatowego pierścionka w naszym konfiguratorze 3D, gdzie on od razu już widział gotowy produkt, który został zmatchowany z preferencjami jego ukochanej.

Mariusz Michalczuk: Super. Sparafrazuję to, akurat jestem z wykształcenia ekonometrykiem, to brzmi trochę tak, jak model ekonometryczny, to znaczy mam jakieś zmienne, które znam, wartości i na końcu z dużym prawdopodobieństwem pokazuje mi wynik. Tu wynikiem oczywiście jest pierścionek, który z dużym prawdopodobieństwem zachwyci ukochaną osobę, która wkłada do tego modelu rzeczy takie, które są znane na co dzień albo w ramach relacji. Wiadomo, że będzie wiedział, na przykład, jak lubi spędzać wolny czas, co lubi jeść, jak lubi się ubierać. Jeszcze mówisz, że jeżeli pokażesz zdjęcie takiej kobiety, to jeszcze z tego zdjęcia ten model sam może wybrać te rzeczy i na tej podstawie zaproponować najbardziej prawdopodobną biżuterię, która się spodoba tej kobiecie.

Oliwia Simińska: Dokładnie tak.

Mariusz Michalczuk: Super. Naprawdę nie sądziłem, że Machine Learning może być tak blisko miłości. To jest niesamowite. Zakładam, że ten proces zakupowy, nieważne, czy już na końcu dokładnie macie ten konfigurator i mężczyzna dostaje propozycję, ale zanim on się zdecyduje na ten konfigurator, to ten proces trochę trwa. To znaczy, to nie jest zakup jakiegoś prostego przedmiotu. Raz, że wchodzą w to emocje. Dwa, że też wchodzi, umówmy się, niemały wydatek na taką biżuterię. Jak wy sobie tutaj marketingowo wpisujecie tę misję, żeby być przyjacielem? Wiadomo, że przyjaźń to nie jest tylko w momencie, kiedy już podajesz to rozwiązanie, ale na drodze dochodzenia do tego zakupu i podejrzewam, że też później dalej ta droga trwa. Jak tutaj marketingowo, jakie macie podejście, co robicie, żeby od tego pierwszego momentu tej myśli, tak jak powiedziałaś, że komuś się pojawia myśl, „okej, to już jest pora na oświadczenie się” do zakupu, a nawet może później, bo zakładam, że też później jakieś działania robicie w kierunku tego, żeby to nie był jednorazowy zakup.

Długoterminowa relacja z klientem: Jak Auroria buduje LTV

Oliwia Simińska: Teraz może być bardzo długo, bo rzeczywiście ten zakupowy user experience jest sercem tego, co robimy, na czym się skupiamy, żeby ten moment wyboru biżuterii był dla klienta jak najlepszym doświadczeniem. Natomiast to, o czym wspomniałeś, czyli jak my zaczynamy budować tę relację, to jest coś, do czego dochodziliśmy z czasem, bo oczywiście przy starcie biznesu skupiamy się na tym, co jest kluczem do tego, żeby biznes funkcjonował, czyli funkcjonowanie e-commerce, doświadczenie już stricte zakupowe. Później, wiedząc, że to, co oferujemy, to USP, które sobie zdefiniowaliśmy w oparciu o rozmowy z klientami, zauważyliśmy, że działa, zaczęliśmy się zastanawiać, jak rozszerzać na kolejne kręgi, i tak jak wspomniałeś – i przed tym procesem zakupowym, i później po, żeby relacje utrzymać. Dane są dla nas takim kompasem, a tym, przez co weryfikujemy wszystkie nasze pomysły, wszystkie nasze plany, jest właśnie nasza misja, czyli to, że chcemy być jak najbardziej dostępni, że chcemy być przyjacielem miłości klienta.

Od randki do ślubu: Strategia content marketingowa Aurorii

Oliwia Simińska: Zaczęliśmy zadawać sobie pytania, trzy lata wstecz, przed momentem na zaręczyny. Co się dzieje w związku? O czym myśli mężczyzna? Tutaj doszliśmy do tego, że pierwszą interakcją, którą my możemy mieć z klientem, są tematy związane z relacjami. Być może właśnie w tym momencie on zaczyna randkować z tą swoją dziewczyną. Wpadliśmy na pomysł, że zaczniemy nagrywać content, który inspiruje do organizacji ciekawych randek. Mamy w zespole content creatorów, którzy pełnią funkcję takich testerów miejsc na randki. Nagrywamy i rolki, tiktoki, i odcinki nawet na YouTubie, które mają zaadresować tę potrzebę mężczyzny, żeby fajnie zadbać o początkowy etap relacji ze swoją dziewczyną.

Później, jeżeli ta relacja się rozwija i wszystko idzie w kierunku zaręczyn, to kiedy pojawia się myśl zaręczynowa, to pierścionek jest jednym aspektem, który rozważa mężczyzna, ale równolegle myśli, jak zaaranżować całą tę scenę zaręczynową. Czy pojechać na wakacje, czy pójść do restauracji, a może wynająć jakiś apartament. Tutaj stworzyliśmy taką serię youtubową odcinków „Miejsca na tak”, gdzie my sami również testujemy różne scenariusze zaręczynowe i dosłownie odgrywamy sceny zaręczynowe od początku do momentu zaręczyn, żeby to na naszym przykładzie, obserwując naszą ekipę, która odgrywa tę scenę, użytkownik już mógł zweryfikować, czy to jest w ogóle to, czy on chciałby, żeby jego zaręczyny tak wyglądały. Jeżeli stwierdzi, że „kurczę, myślałem, że w restauracji będzie fajnie, ale jak sobie zobaczyłem, jak to wygląda, to jednak może mam wątpliwości”, przechodzi sobie do kolejnego odcinka, gdzie nagrywamy zaręczyny w apartamencie i być może to go zainspiruje. Mamy też takie założenie, że chcemy pokazać w tych odcinkach wszystkie możliwe aspekty, które mogą pójść nie tak, o co fajnie zadbać, żeby mężczyzna, który jest tak zestresowany samym momentem zaręczyn, nie musiał sam się troszczyć o te aspekty, tylko mógł sobie jako taką ściągawkę potraktować ten nasz materiał i „ok, o dobrze, że zwrócił na to uwagę, o wow, to nie pomyślałbym o tym, a jednak to jest istotne”. Staramy się tworzyć content, który w sedno trafia, jeżeli chodzi właśnie o zmartwienia i potrzeby naszych klientów, żeby jako przyjaciel ich miłości pomóc im w organizacji najpiękniejszych zaręczyn. Później już oczywiście cała sfera taka poradnikowa odnośnie specjalistycznych aspektów związanych z wyborem biżuterii, czyli diamentów, innych kamieni kolorowych, szlachetnych, złota. Na naszym blogu mamy setki artykułów, które służą poradą. Również w naszych social mediach nagrywamy takie poradnikowe, w przystępnej formie dla naszych klientów materiały, aby ich językiem pokazywać im, na co warto zwrócić uwagę. Staramy się adresować klientów, którzy chcielibyśmy, aby w przyszłości wybrali naszą markę na zaręczyny, a jeżeli chodzi o to, co dzieje się później, to jak słowo „przyjaciel” nas zobowiązuje, chcielibyśmy w tej relacji towarzyszyć już klientowi przez wiele, wiele kolejnych lat. Bo zaręczyny są takim oczywistym aspektem, kiedy on wybiera naszą markę i niektórzy mówią, że jesteśmy takim biznesem, gdzie jest tak naprawdę jednorazowy zakup, bo zazwyczaj zaręczyny są raz w życiu, czasami może trochę więcej, ale jest to jednak nadal mniejsza część grupy klientów.

No i zaczęliśmy się zastanawiać, co my jako marka możemy zrobić, żeby towarzyszyć klientowi przez kolejne lata tej relacji. Takim oczywistym kolejnym krokiem są obrączki ślubne, które też wprowadziliśmy do oferty, ale tutaj właśnie cenna wskazówka, żeby walczyć z przekonaniami, bo nam się wydawało, że jak klient kupił u nas pierścionek zaręczynowy i mamy w ofercie obrączki, to jest oczywiste, że jak on jest zadowolony, to po te obrączki wróci. Okazało się, również z rozmów z klientami, do których później często na Instagramie pisaliśmy, widząc, na przykład, że minęły dwa lata i widzieliśmy, że osoba, która ma nasz pierścionek ma obrączki z innego miejsca niż nasza marka. Czasami okazywało się, że na przykład narzeczona w ogóle nie wiedziała, że my mamy obrączki ślubne w ofercie. Czasami jak rozmawialiśmy z mężczyznami, okazywało się, że mężczyzna nie mówił kobiecie, z jakiej marki kupił pierścionek, bo to była niespodzianka i wiadomo, czasami tak nieelegancko dopytywać, skąd jest pierścionek zaręczynowy. Dowiedzieliśmy się mnóstwa takich dla nas kluczowych informacji, które skonfrontowały nasze myślenie o tym, że obrączka jest naturalnym, oczywistym kolejnym wyborem, z tym, że my tak naprawdę musimy zaprojektować tę ścieżkę, jeżeli chcemy, aby ten klient wrócił do nas po obrączki ślubne. Tutaj też zastanawialiśmy się, jak znowu jako Friend of Your Love, jaką wartość możemy dać klientowi, żeby zwiększyć na to szansę, żeby w ogóle narzeczona, która tak naprawdę jest odpowiedzialna za obrączki, bo mężczyzna kupuje pierścionek, ale jak są przygotowania do ślubu, to narzeczona już później przejmuje pałeczkę i mężczyzna najczęściej przychodzi tylko na przymiarkę obrączki. Stwierdziliśmy, że przecież my musimy jakoś teraz zrobić transfer z tego kontaktu, który mieliśmy z mężczyzną, który kupił pierścionek dla narzeczonej.

Stworzyliśmy taki projekt, który nazwaliśmy „Projekt Narzeczona”. Miał on na celu danie takiej wartości, żeby mężczyzna zechciał powiedzieć narzeczonej, gdzie kupił pierścionek i żeby ona też dowiedziała się, że oprócz pierścionków mamy również obrączki ślubne w ofercie. Do każdego zamówienia zaczęliśmy dodawać taką kopertę zatytułowaną „Dla Narzeczonej”, aby nie było wątpliwości, do kogo ten materiał powinien trafić i tam właśnie dawaliśmy dostęp (zresztą istnieje nasza platforma „Dla Narzeczonej”, CodeQuest) do strony postawionej jako część naszego sklepu, gdzie zbudowaliśmy wartość dla narzeczonej, która pozwala jej lepiej przygotować się do ślubu. Nagraliśmy materiały, na przykład, z wedding plannerką, mówiącą o tym, jakie triki w przygotowaniach zastosować, żeby uzyskać tę samą jakość, a jednak zoptymalizować budżet, mamy listy piosenek, takie secret od DJów, mamy wedding planner, który jest do pobrania. Mamy wiele materiałów, które są stworzone ze specjalistami z branży, które mają pomóc narzeczonej w lepszej organizacji ślubu. To był jeden aspekt. Drugim aspektem, który postanowiliśmy zrobić i to miało już stricte komunikować naszą misję, było stworzenie autorskiej gry dla par, którą dodajemy również do każdego zamówienia, gdzie mamy talię, z jednej strony są pytania takie luźniejsze na wspólny wieczór, z drugiej dużo bardziej poważne, które już służą takiemu prawdziwemu pogłębieniu relacji w związku. Chcieliśmy, żeby ta narzeczona też zobaczyła, kim jesteśmy jako marka. Że nie jesteśmy zwykłym jubilerem, który po prostu tworzy biżuterię, ale chcemy być tym przyjacielem ich relacji. Taką paczuszkę każda narzeczona dostaje od swojego mężczyzny po zaręczynach. To jest ten sznureczek, który my chcemy budować od mężczyzn do kobiety, aby to z nią później utrzymywać kontakt i zainspirować też do tego, aby u nas kupili obrączki ślubne. Ten projekt funkcjonował dwa lata. Okazało się jednak, że inspirowanie nie daje nam takich konkretnych narzędzi, żeby rzeczywiście pozostać z tym klientem w takim ścisłym kontakcie. Zastanawialiśmy się, co jeszcze możemy zrobić, aby być w tym skuteczniejsi. Program, który wprowadziliśmy w lipcu tego roku, ma na celu dodanie jeszcze jednego elementu do tej układanki, aby klienta zachęcić do zakupu obrączek ślubnych u nas, do przypomnienia mu, że mamy w ofercie obrączki ślubne. Jest to program cashback’owy. Od lipca, przy zakupie każdy klient dostaje od nas 5% cashbacku, który jest do wykorzystania na kolejne zakupy. Sam fakt tego, że klient ma u nas swoje środki do wykorzystania, chcieliśmy, aby był dodatkowym takim przypominającym elementem, że jest u nas rzeczywiście jeszcze ten kolejny element układanki w naszej ofercie, jakim są obrączki ślubne. Staraliśmy się zbudować ścieżkę od sprzedaży pierścionka do kolejnego kroku, jakim są obrączki.

Mariusz Michalczuk: Mega inspirujące. Zakładam, że Wasze działania są rozciągnięte w czasie powiedzmy, to nawet jest kilku, jeżeli nie kilkunastu lat. Od pierwszej randki do ślubu. Zaraz Cię podpytam co dalej, jakie są Wasze pomysły na to, natomiast chciałem Cię najpierw trochę podpytać, w kontekście danych, mega się tego słucha, ale grzechem dla mnie będzie nie zapytać o to, jak mierzycie. To jest taki bardzo rozbudowany lejek marketingowy, to znaczy jest bardzo dużo contentu inspiracyjnego, później są te elementy z grami czy z tym programem cashback’owym. Jak tam, mimo że wiem, że te dane jakościowe dla Was są super ważne, to w kontekście takich KPI-ów na poszczególnych etapach, jak to mierzycie? Oczywiście widzę i to super słychać w tej rozmowie, że turbo dla Was ważna jest Wasza misja i nie wszystko musi być w kontekście wypełniania tej misji stricte biznesowym KPI-em, ale jakbyś mogła trochę rzucić światło, właśnie jak na to patrzycie, bo co jest zmierzone, to może być zrobione, to znaczy może być poprawione i ulepszone. Jak patrzycie na tych poszczególnych etapach tego lejka marketingowego, właśnie na te dane może bardziej ilościowe już teraz niż jakościowe?

Mierzenie sukcesu: KPI i unikatowe mikrokonwersje Aurorii

Oliwia Simińska: Dotknąłeś sedna biznesu, jak najbardziej podzielę się tym, jak nasza misja i to, z czym działamy, jak chcemy zmieniać rynek jubilerski w Polsce, jak to sprowadza się już do konkretów. Pozwolę sobie jeszcze dodać jeden aspekt do tego LTV, bo to jest oczywiście coś, na czym nam zależy i te obrączki, o których wspomniałam, są takim naturalnym kolejnym krokiem, dzięki któremu zwiększamy LTV. Jeszcze szybko wspomnę, być może ktoś też znajdzie inspirację w swojej branży dla takich działań z naszej misji, czyli że chcemy być przyjacielem miłości, staraliśmy się zaoferować klientom wartość, która pozwoli nam z tym klientem właśnie zostać na dłużej zakupowo. Kilka lat temu wprowadziliśmy do naszej oferty taką pozycję, którą my wewnętrznie nazywaliśmy „wish ringi”, czyli pierścionki na poszczególne okazje. Bo jeżeli kobieta dostała pierścionek zaręczynowy, to później jest pierwsza rocznica, może jakiś awans, może narodziny dziecka. To było coś, czym chcieliśmy zaadresować mniejszy zakup biżuterii złotej z diamentami, który będzie bardziej dostępny cenowo, a pozwoli nam być bliżej klienta. Te wish ringi są delikatniejszymi obrączkami, którą też zresztą mam na sobie, które można dopasować do pierścionka zaręczynowego i który buduje taką historię, jeżeli chodzi o ten sposób biżuterii, czyli dokładamy pierścionek, który właśnie może być, tak jak wspomniałam, na jakąś rocznicę, później na przykład na narodziny dziecka. Tutaj na palcu towarzyszy nam taka historia naszej relacji, tego, co dzieje się w naszej relacji. Kolejnym krokiem było też wprowadzenie diamentów laboratoryjnych, które są tak naprawdę jeszcze nowością na rynku polskim. Są to diamenty, kamienie szlachetne, które są tworzone w warunkach laboratoryjnych, dzięki czemu koszty produkcji są znacząco niższe. W naturalnych procesach nie odbywa się produkcja, jest tworzenie przez miliony lat, a teraz potrafimy to odtworzyć właśnie w laboratorium. To też pozwoliło nam dotrzeć do naszych klientów z ofertą uzupełniającą, gdzie czasami nawet już teraz sama kobieta na awans kupuje sobie pierścionek z diamentem laboratoryjnym, który jest efektowny, przepiękny, równie trwały jak diament, a jednak dużo bardziej przystępny cenowo. Szukaliśmy opcji, jak możemy złoto i diamenty zaoferować w bardziej przystępnej cenowo wersji dla naszych klientów. Jeszcze usługa, która też jest tak naprawdę jedyna na polskim rynku, a która też wynikała ze słuchania klientów i mocno nam buduje LTV, jest to Lifetime Upgrade, który dajemy naszym klientom. Lifetime Upgrade jest usługą, która pozwala po zakupie w dowolnym czasie, po roku, po dziesięciu latach, przyjść do nas i wymienić diament w pierścionku na większy. Często osoby, które się zaręczają, są jeszcze w wieku studenckim, więc ten budżet jest mimo wszystko mocno skurczony, a po kilku latach mogą stwierdzić, że chcieliby razem z tym, jak ich miłość rośnie, powiększyć też diament i mamy wielu klientów, którzy przychodzą i właśnie dając do naszej pracowni swój oryginalny pierścionek zaręczynowy, gdzie tylko dopłacając różnicę w wielkości diamentu, my tworzymy po prostu pierścionek z nowym, wybranym, większym diamentem. To są te aspekty, gdzie staraliśmy się zaadresować temat LTV, który na pierwszy rzut oka wydaje się bardzo dużym wyzwaniem w naszej branży.

Wracając do tych twardych danych, bo rzeczywiście mówimy o misji, o tym, jak dbamy o relacje z klientami i to jest ten miękki aspekt naszego biznesu, który oczywiście ma przełożenie już na konkretne narzędzia, które stosujemy, ale żeby też dać taki obraz, jak to przekłada się na nasz biznes, to w porównaniu do zeszłego roku, gdzie mieliśmy przychody na poziomie około 10 milionów sprzedaży brutto, w tym roku planujemy zakończyć grudzień z wynikiem rocznym 25 milionów sprzedaży brutto. Widać, że to jest konkret, który rodzi się właśnie z tego kierunku, jaki jako marka obraliśmy. Jeżeli chodzi o sam lejek, to oczywiście na początku, gdzie mamy te miękkie tematy budowania relacji, tam mierzymy zasięgi i mocno stawiamy właśnie na budowanie brandu, na budowanie rozpoznawalności, mierzymy zaangażowanie w nasze treści, które publikujemy, ale później już przechodzimy do bardzo dużego konkretu. Na lejkach marketingowo-sprzedażowych, bo mamy bardzo dużą synergię z działem sprzedaży, staramy się, aby każde działanie marketingowe, takie reklamowe, które wypuszczamy, było zazębione wieloma elementami, które po drodze następują z już stricte konwersją. Wszystko, co robimy, zastanawiamy się, jak doprowadzić klienta do kolejnego punktu, który sprowadzi go niżej w lejka i tym samym doprowadzi z większym potencjałem do zakupu.

I tak właśnie te kolejne elementy, które zaprzęgamy po tej warstwie związanej z rozpoznawalnością z brandem, mamy wiele narzędzi, które mają dużo niższą barierę wejścia, a już klienta wprowadzają w nasz świat, w naszą ofertę. Takim narzędziem, które stworzyliśmy dla klientów, jest, na przykład, nasz wirtualny salon. Wirtualny salon to usługa spotkania z naszym doradcą online, które można odbyć z domu, ze spaceru z psem. Jeżeli nie chcemy, żeby przyszła narzeczona miała jakieś podejrzenia, co mężczyzna kombinuje. Na takim spotkaniu można zadać naszemu doradcy pytania, można poprosić o pokazanie biżuterii na dłoni. To jest coś, co jest naszą mini konwersją na drodze do zakupu. Staramy się bardzo mocno dbać, żeby jak najwięcej osób na tej ścieżce w lejku przeszło przez wirtualny salon, bo tam już mając taki fizyczny kontakt z klientem, jesteśmy w stanie dużo lepiej zadbać o jego doświadczenia. Innymi takimi narzędziami, które są naszymi mikrokonwersjami, są, na przykład, materiały, które mają ułatwić wybór klientowi. Coś, co stworzyliśmy w tym roku, to był katalog obrączek z nowymi wzorami na 2025 rok, gdzie jako jedyni w Polsce zrobiliśmy cały katalog tylko w oparciu o zdjęcia na dłoni. I też tak to komunikowaliśmy, ponieważ często trudno jest sobie wyobrazić, kiedy mamy wizualizację obrączki, jak ona będzie u mnie wyglądała, więc włożyliśmy dużo pracy, żeby dać klientowi wartość i jak kobieta ogląda katalog, to ona już sobie wyobraża, że tam jest jej dłoń i dużo łatwiej może ocenić, czy ten model jest dla niej interesujący. Na drodze w lejku definiujemy sobie takie mikrokonwersje, takie bardzo unikatowe dla naszej branży, bo oczywiście mamy też mikrokonwersje dotyczące tego, ile mamy przejść na stronę zachowania klientów, czy różne sekcje na stronie, buttony, przejście na landing page. Ważne jest dla nas tworzenie takich mikrokonwersji, które są specyficzne dla naszej marki, które są powiązane bezpośrednio z naszym USP i przybliżają klienta do zakupu. To jest pytanie, które zawsze sobie zadajemy, takie dwa weryfikatory, czy to jest Friend of Your Love, czy to, co dostarczamy, to, co mierzymy, czy to wspiera to, że chcemy być przyjaciółmi miłości, a drugie, nie pozwalamy, aby ten łańcuch był przerwany, czyli jak decydujemy się na jakąś reklamę, nawet zasięgową, to nie poprzestajemy na tym, że okej, będziemy budować brand. Zadajemy sobie pytanie, jak ten format wykorzystać do tego, żeby klienta przeprowadzić dalej i pilnujemy, żeby ten łańcuch w żadnym wypadku nie był przerwany, tylko zawsze tego klienta prowadził ścieżką do konwersji.

Mariusz Michalczuk: Super, mega przemyślane. Czyli od zasięgów przez mikrokonwersje i to nie takie typowe, tylko stworzone, żeby pomagać, żeby być tym przyjacielem, po konwersję główną, zakup, no i później taki nurturing bym to nazwał, do tego, żeby wracać mu przypominać. Trochę tak już zmierzając do końca, chciałbym zapytać o ten aspekt już po zakupie. Powiedzmy po tym pierwszym zakupie, gdzie minęło te powiedzmy 2-3 lata chodzenia ze sobą, bycia w partnerstwie. Nie wiem w sumie, jak to się dzisiaj mówi. Kiedyś się chodziło ze sobą, nie wiem, jak to dzisiaj jest. Później jest okres narzeczeństwa, ale powiedzmy, że jak wchodząc w okres narzeczeństwa, ten użytkownik, ten klient, ten mężczyzna, przynajmniej na początku mężczyzna, czy już nawet może potencjalna przyszła rodzina staje się Waszym klientem, to co później, bo opowiadasz o tym katalogu obrączek na rękach. Czy to jest katalog tworzony ze zdjęć Waszych klientów, jak to wygląda? Zakładam, że angażujecie jakoś później tych klientów do tego właśnie, czy chociażby te wishringi, czy Lifetime Upgrade, no do tego, żeby nie zapomnieli o Was, jak to później wygląda.

Innowacje offline: Sparkle Finder i salony przyjazne introwertykom

Oliwia Simińska: Tak, jak najbardziej. Jeżeli chodzi o towarzyszenie naszym klientom, to później po zaręczynach, które są tym momentem istotnym dla naszych klientów, najważniejszym, kulminacyjnym, staramy się być w kontakcie z naszymi parami. Wręcz są takie sytuacje, że zdarza się, że na Instagramie dostajemy o północy DM-a od naszego klienta, który mówi: „Dziękuję, najpiękniejsze zaręczyny w życiu. Wspaniale było z Wami przejść tę drogę wyboru pierścionka”. To jest dla nas największe docenienie i staramy się właśnie tak te relacje pielęgnować, żeby klienci czuli więź. W oparciu o to często dostajemy zdjęcia z zaręczyn, które my publikujemy na naszych social mediach, które są też docenieniem dla tych klientów, taką formą docenienia, ale też innym pokazuje, że my celebrujemy te relacje, celebrujemy tę radość. To się przekłada na to, że jeszcze więcej klientów przesyła nam zdjęcia, przez co część naszych social mediów jest właśnie taka bardzo relacyjna i oprócz tego aspektu sprzedażowego, aspektu oferty, cały czas pokazujemy, że jesteśmy przyjacielem relacji. To nas skłoniło do tego, że właśnie mamy sekcję na stronie, gdzie klienci mogą dodawać swoje love stories. Takie love stories klientów, teraz jak mamy już salony stacjonarne właśnie w Poznaniu, we Wrocławiu, w przyszłym roku również mamy zaplanowane otwarcia kolejnych salonów w kolejnych miastach Polski, w tych salonach drukujemy instaksy naszych klientów z danego miasta, które mają jeszcze bardziej im pokazać, jak bardzo zależy nam na nich, na ich relacji i jak bardzo my cieszymy się jako marka, że możemy być przyjacielem ich miłości. Jeszcze chciałam nawiązać do tego, o czym wspomniałeś wcześniej, do tego introwertyka. Jest jeszcze jeden obszar naszego biznesu, który dotyczy stricte salonów stacjonarnych, a który właśnie w punkt trafia w to, o czym powiedziałeś, czyli że wielu mężczyzn jest introwertykami.

Mariusz Michalczuk: Trzeba pewnie podejść i zapytać, prawda?

Oliwia Simińska: Dokładnie. To jest coś, co było dla nas takie bardzo otwierające oczy, jak rozmawiając z osobami o ich doświadczeniu sklepowym, jak przygotowywaliśmy się do otwarcia naszego pierwszego salonu stacjonarnego i słyszeliśmy regularnie pojawiające się historie o tym, że klient idąc do salonu, stając przed ladą, gdzie jest kilkaset kryształków, wszystko za szkłem, za kluczykiem, pokazuje palcem, który się podoba, pani przynosi, patrząc się na ręce, bo oczywiście złoto z diamentami, więc nie można spuścić z oka, jednak stwierdza, że mu się nie podoba, otrzymuje od pani kolejny pierścionek, który wskazał i mówi po raz kolejny „nie”. Jak tak pięć razy powie „nie”, to już czuje się tak niekomfortowo w tej sytuacji, że po prostu wychodzi. I mimo, że u tego jubilera byłby pierścionek, który zachwyciłby go, a później jego narzeczoną, to jednak niezręczność jest na tyle duża, że do zakupu nie dochodzi. My zastanawialiśmy się, jak zrobić, żeby introwertycy czuli się u nas jak ryby w wodzie. Pierwszym aspektem, o który zadbaliśmy, to było właśnie, taki sobie cel postawiliśmy, że u nas nie będzie żadnych szyb, nie będzie żadnych kluczyków, że będą pierścionki dostępne, aby klient bez kontaktu z doradcą, mógł sobie bez żadnego stresu dotykać, oglądać z każdej strony. Jako pierwszy jubiler stworzyliśmy otwarty stół z ekspozycją z replikami, które z nas ściągają oczywiście ten stres wartości produktów, które klient ogląda. Jemu dają jeden do jeden doświadczenie wyboru biżuterii i nie nakładają na niego presji, że musi odmawiać doradczyni, prosić o odkluczenie kolejnej gablotki.

Ale na tym nie poprzestaliśmy. Postanowiliśmy jeszcze pójść w kolejną integrację tego doświadczenia zakupowego dla klientów, dla mężczyzn i coś, co miało premierę w tym roku w naszym salonie, najpierw w Poznaniu, teraz we Wrocławiu, to jest urządzenie, które nazwaliśmy Sparkle Finder, czyli urządzenie hardware’owe, które pozwala klientowi już praktycznie bez żadnej interakcji z doradcą przejść przez proces wyboru, bardzo intuicyjny proces wyboru pierścionka dla swojej ukochanej i nawet dokończenia zamówienia na tym urządzeniu, gdzie już sama płatność następuje na telefonie, oczywiście dla bezpieczeństwa danych i płatności. To jest coś, co jest zupełną nowością i pierwszy feedback z rynku jest bardzo pozytywny, bo mamy klientów, którzy przychodzą i właśnie doradczynie z salonów mówią, że potrafią przez półtorej godziny wchodzić w interakcję z urządzeniem, bo po prostu jest to tak fascynujące, gdzie filtrują, podświetlają się pierścionki, które spełniają jego oczekiwania i to urządzenie jest na tyle intuicyjne i prowadzi klienta, że właśnie bez presji czasowej, bez presji tego doradcy, który stoi obok, mężczyzna może w taki sposób przez ten proces samodzielnie przejść.

Mariusz Michalczuk: Mega inspirujące. Powiem Ci, że jest to pierwsza rozmowa i przykład firmy, która z danych jakościowych, z rozmów z klientami tak mega dużo wartości wyciąga. Zakładam, że to nie jest tak, że bierzecie w ciemno te pomysły tylko testujecie, w sensie jest hipoteza, obserwacja, później jakieś dane ilościowe się pojawiają.

Oliwia Simińska: Najczęściej pojawia się w naszym biznesie hipoteza, test. Ten cykl jest obecny na każdym etapie u nas. Myślę, że coś, co warto mieć na uwadze, to że planując działania często jest tak, że robimy research i patrzymy, jak to najlepiej robi konkurencja w Polsce, być może nawet globalnie. A to jakie my podejście, jaką filozofię przyjęliśmy, to że zaczynamy z białą kartką. Inspiracje są kolejnym aspektem tworzenia. Pierwszym jest czysta kartka i zadanie sobie pytania, jak to zrobić najlepiej. Tam są czasami pomysły, które brzmią jak szalone, bo jak pierwszy raz pojawił się pomysł, żeby w salonie jubilerskim mieć urządzenie dla introwertyków, które da im wspaniałe doświadczenie zakupowe, ściągnie stres, ściągnie presję. To brzmiało jak science fiction, ale takie podejście z tą białą kartką doprowadziło nas do tego, że dzisiaj to urządzenie jest już dostępne dla naszych klientów.

Mariusz Michalczuk: Zakładam, że będzie wyznaczało też jakieś trendy i standardy pewnie w przyszłości. Bo z takich pomysłów czy z takich projektów najczęściej biorą się niesamowite idee. Mega, super Oliwia. Ja mam jeszcze jedno pytanie. Wasza misja i nazwy tych produktów są anglojęzyczne. Chyba jeszcze nie ma Was za granicą, ale pewnie ten kierunek, zwłaszcza przy takim tempie wzrostu, mówisz 10, w tym roku 25 milionów, to jest ponad dwukrotny wzrost, pewnie gdzieś tam się pojawia. Czy mogłabyś tutaj o Waszych planach może trochę opowiedzieć?

Plany na przyszłość: Auroria podbija Europę Środkowo-Wschodnią

Oliwia Simińska: Jak najbardziej. Mamy też skonkretyzowaną wizję, gdzie chcemy, aby Auroria znalazła się za kilka lat i chcemy być, tak jak w Polsce teraz dążymy do tego, aby być numerem jeden, top brandem, jeżeli chodzi o biżuterię zaręczynową i ślubną, to chcielibyśmy pójść w kierunku Europy środkowo-wschodniej i przez kolejne lata właśnie tam budować naszą pozycję jako przyjaciela miłości i lidera w biżuterii zaręczynowej i ślubnej.

Mariusz Michalczuk: Mega, jak słucham, ile w tym danych jest, ile jest opinii od klientów, jak to bierzecie do serca, jak to wpasowujecie w tę misję, to nie mam wątpliwości, że ta wizja będzie zrealizowana szybciej niż wolniej i w kontekście też wykorzystania danych i twojej obecności w tym podcaście rozmawialiśmy o pewnym elemencie zmierzenia tego, prawda? Czy mogłabyś tutaj naszym widzom opowiedzieć trochę o tej niespodziance, którą przygotowaliście?

Oliwia Simińska: Dokładnie, za każdym razem, jak planujemy działania i myślimy o tym lejku, to jest to pytanie, jak to zmierzyć? Zapytałam Mariusza, jak możemy zmierzyć, czy udział w podcaście ma przełożenie na być może przyszłych klientów naszej marki. Zaproponowałam, że dla wszystkich słuchaczy podcastu przygotujemy jako marka niespodziankę w postaci kodu zniżkowego na całą naszą ofertę ręcznie tworzonej właśnie w Poznaniu, w naszej manufakturze biżuterii złotej z diamentami i pierścionków zaręczynowych, obrączek ślubnych, ale też pierścionków na okazję. Na stronie, do której link damy w opisie, będzie czekała wyjątkowa zniżka dla słuchaczy.

Mariusz Michalczuk: Podwójna wartość. Dużo inspiracji, których widzę możliwość przeniesienia na każdy biznes. Największą inspiracją jest myślenie od potrzeby klienta, out of the box, nie patrzenia na konkurencję, tylko ta tabula rasa i wykreślenie pomysłów, co te potrzeby wypełni i jak możemy dojść po drodze, nie zapominając oczywiście o pomiarze tego wszystkiego. Także podwójna wartość. Oliwia, mega dziękuję za inspirującą rozmowę. Trzymam kciuki. Ja słyszałem bardzo dużo pasji w tym, jak to opowiadałaś. Mega się cieszę, że w tym jest bardzo dużo danych. Trzymam kciuki i jeszcze raz dzięki za obecność.

Oliwia Simińska: Dziękuję serdecznie. Do usłyszenia.

Mariusz Michalczuk: Cześć.

Podsumowanie: Główne wnioski z rozmowy

Rozmowa z Oliwią Simińską, dyrektor marketingu Aurorii, to fascynujący przykład tego, jak głębokie zrozumienie klienta i innowacyjne podejście do danych, szczególnie jakościowych, może zrewolucjonizować branżę. Auroria, redefiniując rynek jubilerski, oparła swój biznes na dogłębnej analizie potrzeb i bolączek swoich klientów, szczególnie mężczyzn poszukujących pierścionków zaręczynowych.

Kluczowe wnioski z rozmowy:

• Dane Jakościowe jako Fundament: Auroria zaczęła od danych jakościowych (ankiety, wywiady, badania UX), aby zrozumieć emocje, obawy i język komunikacji młodych klientów. To pozwoliło na zbudowanie USP „Friend of Your Love”, skupiającego się na odciążeniu klienta ze stresu związanego z wyborem biżuterii.
• Innowacyjne Rozwiązania na Każdą Frazę Lejka: Firma aktywnie towarzyszy klientowi od pierwszych myśli o randkach, przez planowanie zaręczyn (serie „Miejsca na tak”), aż po wybór pierścionka (konfigurator 3D, ankieta oparta na Machine Learningu do personalizacji).
• Długoterminowe LTV i Pielęgnowanie Relacji: Auroria nie poprzestaje na jednorazowym zakupie. Wdraża programy takie jak „Projekt Narzeczona”, „wish ringi”, diamenty laboratoryjne i „Lifetime Upgrade”, aby budować długotrwałe relacje i inspirować do kolejnych zakupów, znacznie zwiększając LTV klienta.
• Mierzalne Rezultaty i Ciągła Optymalizacja: Pomimo mocnego akcentu na misję i „miękkie” aspekty relacji, Auroria osiąga imponujące wyniki biznesowe (ponad dwukrotny wzrost przychodów). Mierzy zarówno zasięgi i zaangażowanie w content marketing, jak i unikatowe mikrokonwersje (wirtualny salon, katalogi na dłoni), dbając o to, by „łańcuch konwersji” nigdy nie był przerwany.
• Integracja Online i Offline: Marka skutecznie łączy doświadczenia cyfrowe z fizycznymi, otwierając salony w galeriach handlowych w odpowiedzi na feedback klientów. Innowacyjne rozwiązania offline, takie jak Sparkle Finder, to przykład myślenia „out of the box” w celu stworzenia komfortowego doświadczenia zakupowego, zwłaszcza dla introwertyków.

Rozmowa pokazuje, że nawet w tradycyjnej branży jubilerskiej, skupienie na empatii, głębokim poznaniu klienta i odważne wykorzystywanie danych (zarówno jakościowych, jak i ilościowych, wspartych Machine Learningiem) prowadzi do spektakularnego wzrostu i wyznaczania nowych standardów rynkowych.

The post Oliwia Simińska – Jak dane jakościowe pozwoliły urosnąć o 100% r/r – Date with Data Talks first appeared on Conversion.

O ile jednak zasadność stosowania technik segmentacji podczas przeglądania raportów Google Analytics jest powszechnie uznawana, o tyle ustabilizowane podejście do segmentacji (które oczywiście powinno być dopasowane do potrzeb konkretniej firmy) jest stosunkowo rzadko spotykane.

Co znajdziesz w tym artykule?
Co to znaczy podejście do segmentacji?
W jaki sposób wypracować podejście do segmentacji w 4 krokach?
Segmentacja klientów w erze sztucznej inteligencji – jak AI zmienia podejście do analizy danych?

Co to znaczy podejście do segmentacji?

Spójrzmy chociażby na liczbę wymiarów i metryk, dostępnych w ramach Google Analytics – które z nich powinny stanowić podstawowe kryteria dzielenia ruchu? A zastosowanie segmentacji? Najczęściej spotykamy punktowe wykorzystanie segmentacji – przy okazji patrzenia na zgromadzone dane, wykorzystujemy mechanizmy drążenia w dół i segmenty zaawansowane w celu lepszego zgłębienia tematu i wyciągnięcia wniosków. Segmentacja, która jest stosowana w taki sposób zazwyczaj nie ma charakteru uniwersalnego i nie decyduje o ogóle działań online – znajduje się na poziomie operacji i stanowi jedno z wielu narzędzi analityka.

Tymczasem, segmentacja powinna stanowić oś pracy z danymi.

Ten problem można spokojnie określić jako typowy dla branży online. Analityka internetowa zaczyna się i kończy na instalacji narzędzi i rozpoczęciu gromadzenia danych.

Guru analityki internetowej, Avinash Kaushik, przy każdej możliwej okazji powtarza, że 90% sukcesu w pracy z danymi to procesy i ludzie, a tylko 10% to narzędzia. Brak ustabilizowanego podejścia do segmentacji to brak jednego z najważniejszych procesów.
Źródło: http://www.speakers.ca/

W jaki sposób wypracować podejście do segmentacji w 4 krokach?

Krok 1.

W pierwszej kolejności, należy zebrać w jednym miejscu wszystkie osoby, które będą wykorzystywały docelową segmentację i zorganizować burzę mózgów, która ma na celu zdefiniowanie kryteriów segmentacji. Firmy posiadają zazwyczaj segmentację offline, którą wykorzystują do definiowania grupy docelowej lub segregowania klientów – na pewno warto potraktować ją jako punkt wyjścia. W dalszej kolejności, można posiłkować się wiedzą na temat branży lub uznanymi praktykami w obszarze online (np. listą i grupowaniem wymiarów w Google Analytics).

Krok 2.

Posiadając listę kryteriów segmentacji, należy przeprowadzić operacjonalizację oraz klasyfikację poszczególnych warunków.

Operacjonalizacja to podanie dla danego kryterium technicznej definicji. W odniesieniu do Google Analytics, operacjonalizacja sprowadza się do przypisania każdemu kryterium z listy wymiarów lub metryk oraz – ewentualnie – zdefiniowaniu wartości progowych. Przykładowo, jeżeli podczas burzy mózgów zapisane zostało kryterium „poziom zaangażowania użytkownika”, to w trakcie operacjonalizacji dobrana zostanie metryka średni czas trwania sesji i ustalone zostaną wartości progowe (np. 0s, 1-10s, 11s+). Operacjonalizacja powinna wskazać, które kryteria segmentacji będą mogły zostać obsłużone z wykorzystaniem aktualnej instalacji Google Analytics, a które będę wymagały rozbudowy śledzenia.

Aby wyjaśnić pojęcie klasyfikacji, należy wrócić do sposobu gromadzenia danych przez Google Analytics i inne podobne narzędzia. Mianowicie, te aplikacje rejestrują interakcje (np. odsłona strony) oraz odwiedziny (czyli ciągi interakcji) plus potrafią grupować odwiedziny (dzięki technologii ciasteczek) i spinać je pod pojęciem użytkownika. Każdy wymiar i każda metryka, dostępne w ramach Google Analytics, jest przypisana albo do konkretnej interakcji (np. średni czas na stronie) albo do całej odwiedziny (np. średni czas trwania sesji) albo do użytkownika (np. przeglądarka). Poszczególnych poziomów wymiarów i metryk nie należy łączyć – technicznie to jest wykonalne, ale w praktyce prowadzi do niewłaściwych wniosków.

Patrząc na listę kryteriów segmentacji, część kryteriów będzie odnosiła się do pojedynczej odwiedziny (np. wspomniany „poziom zaangażowania użytkownika”, który może być różny w ramach kolejnych odwiedzin tego samego użytkownika), a część – do grupy odwiedzin, tj. do użytkownika (np. „przeglądarka użytkownika”, która pozostaje stała w ramach kolejnych odwiedzin tego samego użytkownika). Klasyfikacja to przypisanie danego kryterium do jednej z tych grup. Bardzo rzadko (o ile w ogóle) wynotowane kryteria będą odnosiły się do pojedynczej interakcji.

Krok 3.

Zoperacjonalizowana i sklasyfikowana lista kryteriów segmentacji powinna zostać zweryfikowana – najpierw jakościowo (które kryteria rzeczywiście mają sens i powinny zostać wykorzystane?) a następnie ilościowo, z wykorzystaniem prawdziwych danych, w odpowiednio długim (1 rok lub więcej) okresie czasu. Weryfikacja ma dwa cele.

Po pierwsze, liczba kryteriów segmentacji, aby ta mogła być z powodzeniem wykorzystywana, nie powinna przekroczyć 5-7 warunków. Stąd, bardzo ważne jest pozostawienie tylko najbardziej istotnych kryteriów.

Po drugie, segmenty (przecięcia kryteriów segmentacji) powstałe przy wykorzystaniu tych najbardziej istotnych warunków powinny być heterogenicznie (zróżnicowane) względem najbardziej kluczowego wskaźnika wydajności (najczęściej: współczynnika konwersji lub średniej wartości zamówienia).

Krok 4.

Pozytywne zweryfikowanie listy kryteriów segmentacji tworzy prototyp segmentacji i daje zielone światło do zdefiniowania poszczególnych segmentów oraz opracowania narzędzi segmentacji (najczęściej w formie dedykowanych definicji segmentów zaawansowanych odpowiadających przecięciom kryteriów segmentacji).

Opracowanie narzędzi segmentacji oraz upowszechnienie tych narzędzi w ramach organizacji wieńczą proces opracowywania całej segmentacji, która w obiegu powszechnym określana jest jako segmentacja dwupoziomowa i która wypromowana została przez zespół Semphonic.

Zdefiniowana w ten sposób segmentacja może następnie posłużyć, wespół z ustalonymi kluczowymi wskaźnikami sukcesu, do przygotowania systemu raportowania oraz usprawnienia procesów analityki internetowej, pozwalając na pełne wykorzystanie danych (np. analiza i optymalizowanie media mix, rozwój i optymalizacja witryny). Segmentacja stanowi również dobre podłoże dla opartych o dane person.

Segmentacja klientów w erze sztucznej inteligencji – jak AI zmienia podejście do analizy danych

Nowoczesne narzędzia oparte na sztucznej inteligencji pozwalają tworzyć segmenty klientów dynamicznie – w oparciu o zachowania w czasie rzeczywistym, a nie tylko dane historyczne. Algorytmy machine learning wykrywają wzorce niedostrzegalne dla człowieka, co umożliwia bardziej precyzyjne prognozy potrzeb i dopasowanie komunikacji marketingowej.

Predykcyjna segmentacja z wykorzystaniem machine learning – praktyczne przykłady zastosowań

Teraz kolej na Was – w jaki sposób podchodzicie do segmentacji?

The post Segmentacja to nie tylko segmenty zaawansowane. O właściwym podejściu do segmentacji w 4 krokach first appeared on Conversion.

LLM i Agenci AI – zrozumieć nowe możliwości
Dane jako fundament AI: zasada „garbage in, garbage out”
Strategia danych: szczyt piramidy wdrożenia AI
Kroki wdrożenia: od SSOT do automatycznej aktywacji
Podsumowanie

LLM i Agenci AI – zrozumieć nowe możliwości

Wśród najważniejszych osiągnięć ostatnich lat znajdują się duże modele językowe (LLM – Large Language Models). Działają one podobnie jak osoba, która przyswoiła ogromną ilość wiedzy z książek, artykułów i materiałów źródłowych, a następnie potrafi odpowiadać na konkretne pytania, korzystając z tej bazy informacji.

Można przyrównać dużego modelu językowego do osoby o wyjątkowych zdolnościach zapamiętywania, określanej mianem SAVANT. Osoby z tym spektrum autyzmu charakteryzują się niezwykłą pamięcią i potrafią odpowiadać na szczegółowe pytania, jednak często mają trudności z łączeniem faktów i wykorzystywaniem zdobytej wiedzy w sposób kreatywny lub praktyczny. Przykładem takiej postaci jest bohater filmu „Rain Man”, który imponuje zdolnością przyswajania informacji, ale nie zawsze potrafi je wykorzystać w codziennych sytuacjach.

Podobnie jest z dużymi modelami językowymi – świetnie radzą sobie z przetwarzaniem i udzielaniem odpowiedzi na konkretne pytania, jednak ich możliwości wykorzystania wiedzy w szerszym kontekście nadal pozostają ograniczone w porównaniu z ludzką inteligencją. Pierwsza faza rozwoju AI obejmuje duże modele językowe, które gromadzą i udostępniają wiedzę. Druga faza to agenci AI, o których obecnie mówi się bardzo dużo. Stanowią one kolejny etap rozwoju – oprócz przekazywania wiedzy, potrafią wykonywać konkretne działania na jej podstawie. Agenci AI działają jednak w z góry określonym zakresie. Wykorzystują informacje pochodzące z różnych źródeł lub dane, na których zostały wytrenowane, przetwarzają je i podejmują działania w zależności od otrzymanych danych wejściowych. Zarówno w przypadku dużych modeli językowych, jak i agentów AI, jakość i efektywność odpowiedzi w dużej mierze zależą od danych wsadowych. W przypadku LM-ów, czyli modeli językowych, odpowiedzi generowane przez agenta AI zależą od rodzaju danych, na których model został wytrenowany. Podobnie jak w codziennym życiu, posiadanie danych nie wystarcza do podjęcia działania – kluczowa jest ich analiza, wyciągnięcie wniosków oraz sformułowanie rekomendacji. W przypadku agentów AI te etapy – analizę, wnioski i rekomendacje – realizuje sam agent, przetwarzając dane i automatycznie podejmując określone działania.

Dane jako fundament AI: zasada „garbage in, garbage out”

Każde działanie sztucznej inteligencji rozpoczyna się od danych. Zasada „garbage in, garbage out” doskonale to obrazuje – jakość efektów zależy bezpośrednio od jakości dostarczonych danych.

Teoria ta przekłada się na praktyczne wdrażanie AI w firmie. Można ją zobrazować jako odwróconą piramidę, u podstawy której znajduje się AI. Każdy system AI wymaga odpowiednich danych oraz procesów przetwarzania, aby mógł realizować swoje funkcje i dostarczać wartościowych rezultatów. Wyższy poziom zarządzania danymi obejmuje aktywację działań w firmie, szczególnie w zakresie wykorzystania danych. Kluczowe jest zgromadzenie wszystkich danych dotyczących organizacji w jednym miejscu, określanym jako Single Source of Truth, czyli jedno źródło prawdy. Aby to osiągnąć, należy zadbać o odpowiednią inżynierię danych. Obejmuje to prawidłową konfigurację narzędzi, które przesyłają dane do centralnego źródła, tak by dane były właściwie przygotowane do dalszej analizy.

Strategia danych: szczyt piramidy wdrożenia AI

Na szczycie piramidy wdrożenia AI znajduje się strategia danych. Obejmuje ona decyzje dotyczące tego, jakie dane będą gromadzone i w jakim celu. Pojawia się pytanie, jak przełożyć tę teorię na praktyczne działania w firmie. Na najniższym poziomie znajduje się działanie, które podejmujemy. Biznes powinien najpierw określić, jakich działań ma dotyczyć wdrożenie AI. Na wyższym poziomie należy zdefiniować, co jest najważniejsze dla firmy. Następnie istotne jest zidentyfikowanie źródeł wiedzy o biznesie. Kolejnym krokiem jest określenie, gdzie i w jaki sposób dostępna jest ta wiedza, ponieważ w wielu firmach występuje silosowość informacji i danych. Wiedza bywa rozproszona w różnych miejscach, co utrudnia jej jednoczesne wykorzystanie. Kiedy już wiadomo, gdzie i jak dostępna jest wiedza biznesowa, można określić, na jakiej podstawie podejmowane są decyzje i co robimy z tą wiedzą. Dzięki temu możliwa jest realizacja konkretnych działań. Teoretyczna piramida analityki przekłada się na konkretne działania biznesowe. W Conversion zaczynamy od najwyższego poziomu tej piramidy, czyli od zdefiniowania, co jest najważniejsze w biznesie. Kluczowym krokiem jest przeprowadzenie warsztatu biznesowego z zespołem odpowiedzialnym za kluczowe decyzje. Wdrażanie narzędzi analitycznych powinno opierać się na realnych potrzebach firmy.

Podczas warsztatu powstaje tzw. KPI-3 — schemat obejmujący najważniejsze metryki i informacje, które opisują kluczowe obszary działalności firmy. Określenie tych wskaźników pozwala na skupienie się na najważniejszych celach i efektywne planowanie dalszych działań.

Kroki wdrożenia: od SSOT do automatycznej aktywacji

Po wyznaczeniu priorytetów kolejnym krokiem jest zebranie odpowiednich danych. Jeśli firma już gromadzi dane, warto przeprowadzić audyt jakości i kompletności dostępnych informacji. Pozwala to ocenić, na ile obecny zbiór danych odpowiada na potrzeby biznesowe i gdzie konieczne są zmiany lub uzupełnienia. Dzięki temu dalsze wdrożenia i analizy opierają się na wiarygodnych i użytecznych danych. Audyt danych w firmie to szeroki temat, który został szczegółowo opisany w osobnym materiale. Skupiając się na aspekcie operacyjnym, eNAP umożliwia konfigurację narzędzi, które pozwalają zadbać o dane ilościowe, jakościowe, kosztowe, sprzedażowe oraz produktowe. Kluczowe jest, aby wszystkie dane trafiające do jednego źródła prawdy były wysokiej jakości. O tym, co oznaczają dane dobrej jakości, można przeczytać w dodatkowym materiale powiązanym z tym wpisem. Zgromadzenie informacji to kluczowy etap w procesie analityki internetowej. Budowa hurtowni danych pozwala na stworzenie jednego, centralnego źródła prawdy o tym, co dzieje się w biznesie. Angielski termin Single Source of Truth (SSOT) określa miejsce, w którym przechowywane są wszystkie istotne dane, potrzebne do podejmowania decyzji zarządczych.

Hurtownia danych w marketingu rozwiązuje dwa podstawowe problemy często spotykane w biznesie. Pierwszym z nich jest silosowość danych. W firmach dane i informacje często są rozproszone w różnych systemach, co utrudnia ich wspólne wykorzystanie podczas podejmowania decyzji. Drugim wyzwaniem, które rozwiązują hurtownie danych lub single source software, są różnice między systemami. Różne systemy potrafią opisywać to samo zjawisko innymi metrykami, a nawet podawać różne wartości dla tych samych metryk.

Gromadzenie wszystkich danych w jednym miejscu umożliwia przejście do kolejnego etapu, którym jest wdrożenie modelu danych oraz zestawu analiz. Na tym etapie tworzymy model danych i opracowujemy zestaw analiz dedykowanych konkretnym potrzebom. O modelu danych i jego zastosowaniu w marketingu pisałem w osobnym wpisie (link znajduje się poniżej).

W praktyce wdrożeń AI u klientów przygotowujemy indywidualny playbook analityczny dostosowany do aktualnych priorytetów firmy. Może to obejmować analizę segmentacyjną, analizę RFM lub indywidualny model atrybucji. Playbook taki zawiera kilkanaście, a czasem nawet kilkadziesiąt różnych analiz, które są realizowane w ramach wdrożenia AI. Wykorzystujemy automatyczne mechanizmy, takie jak nasz wewnętrzny walidator, który wykrywa anomalie w jednym źródle prawdy. Nie jest to jednak jeszcze rozwiązanie, które podejmuje działania na podstawie tych wykrytych nieprawidłowości. Na piątym etapie wdrożenia AI pojawia się automatyczna aktywacja danych. Oznacza to, że analizy nie tylko wskazują wnioski, na podstawie których później formułowane są rekomendacje przez ludzi, ale także umożliwiają podejmowanie działań na podstawie automatyzmów opartych na AI. Sztuczna inteligencja może samodzielnie podsuwać rozwiązania lub podejmować decyzje. Na początku testujemy te automatyczne rozwiązania. Tworzymy systemy, które działają bez udziału człowieka, na przykład wyświetlają określone informacje na podstawie napływających danych. Różnego rodzaju silniki rekomendacyjne, na przykład działające na poziomie przeglądarki użytkownika, analizują ruch na konkretnych produktach, zainteresowania innych użytkowników oraz ceny konkurencji. Dzięki temu, w ramach Dynamic Pricingu, mogą zaproponować korzystniejszą cenę dla biznesu lub użytkownika.

Podsumowanie

Proces ten obejmuje cały cykl – od pozyskania i analizy danych, przez zrozumienie ich znaczenia, aż po praktyczne wykorzystanie w organizacji. To ścieżka prowadząca od zbierania danych do ich konsumpcji. Kluczowe jest jednak zadbanie o solidny fundament analityczny. Pominięcie tego etapu prowadzi do problemów i błędów, zwłaszcza podczas wdrażania rozwiązań opartych o AI. Garbage in, garbage out – jakość danych wpływa bezpośrednio na efektywność modeli opartych na sztucznej inteligencji. Modele te wykorzystują dane historyczne, dlatego im lepsze dane, tym skuteczniejsze ich działanie. Wysoka jakość danych pozwala nie tylko na uzyskanie trafniejszych analiz, ale także na wdrażanie automatyzacji, która może proponować konkretne rozwiązania dla użytkowników. W przypadku pytań dotyczących organizacji danych lub wdrożenia automatyzacji opartej na sztucznej inteligencji, zachęcam do kontaktu.

The post Jak wdrożyć AI w marketingu i e-commerce? first appeared on Conversion.

Dark Patterns i promocje – dlaczego poruszamy ten temat?
Wpływ promocji na rentowność e-commerce
Symulacja wpływu obniżki cen na marżę
Analiza danych z CRM w kontekście promocji
Zaawansowane analizy zintegrowanych danych
Podsumowanie

Dark Patterns i promocje – dlaczego poruszamy ten temat?

Ostatnio na polskim rynku szerokim echem odbiła się decyzja UOKIK wobec spółki AzaGroup, która za stosowanie niekończących się promocji — ciągłych kodów rabatowych, odliczających zegarów oraz komunikatów o ostatniej szansie — została ukarana grzywną w wysokości 15 mln zł. W decyzji tej określono działania spółki jako stosowanie tzw. Dark Patterns. W tym wpisie opisuję, jak podejść do tematu rabatowania i promocji z perspektywy analizy danych. W Conversion pomagamy firmom właściwie zrozumieć i efektywniej wykorzystywać dane online. Promocje cenowe odgrywają istotną rolę w strategii e-commerce, wpływając zarówno na poziom sprzedaży, jak i na marże. Celem wprowadzania promocji jest najczęściej zwiększenie popytu — na przykład w sytuacji wyprzedaży magazynu lub po prostu w celu podniesienia wolumenu sprzedaży.

Wpływ promocji na rentowność e-commerce

Obniżka cen, zgodnie z teorią mikroekonomii, prowadzi do wzrostu popytu. Konsumenci są skłonni kupować więcej produktów, gdy ich cena spada. Z kolei podwyżka cen skutkuje zazwyczaj zmniejszeniem zainteresowania i spadkiem sprzedaży. Teoria ekonomii potwierdza, że cena jest jednym z kluczowych czynników wpływających na decyzje zakupowe.

Warto jednak przeanalizować, jak promocje cenowe wpływają na rentowność e-commerce. Kluczowe jest tutaj pytanie, czy dodatkowy zysk wynikający ze wzrostu sprzedaży pokryje spadek marży związany z obniżką cen. Skuteczność promocji cenowych zależy od tego, na ile wzrost wolumenu sprzedaży zrekompensuje niższe zyski jednostkowe.

W praktyce analiza wpływu promocji na rentowność przedsiębiorstwa powinna uwzględniać nie tylko wzrost liczby transakcji, ale również całkowity przychód, poziom kosztów oraz długoterminowy wpływ na lojalność klientów. Odpowiednie wykorzystanie narzędzi analitycznych, takich jak Google Analytics, umożliwia ocenę, czy zysk ze zwiększonego popytu równoważy spadek marży, a także pozwala optymalizować działania promocyjne w przyszłości. W celu zobrazowania omawianej sytuacji, przygotowałem symulację – kalkulator marży, który pozwala sprawdzić, jakie będą efekty w konkretnym przypadku. Link do kalkulatora znajduje się w opisie, gdzie można uzyskać do niego dostęp. W poniższym przykładzie pokazuję, jak działa ten kalkulator.

Symulacja wpływu obniżki cen na marżę

Załóżmy hipotetyczną sytuację: e-commerce, w którym średnia wartość zamówienia wynosi 240 zł, miesięczna liczba transakcji to 12 tysięcy, co przekłada się na przychód na poziomie prawie 3 milionów złotych. Marża pierwsza, czyli różnica między przychodem ze sprzedaży a bezpośrednim kosztem produktu, wynosi 58%. Koszt jednostkowy produktu (COGS – Cost of Goods Sold) to 100 zł, co uzasadnia poziom marży na poziomie 58%.

Aby precyzyjnie obliczyć marżę bezpośrednią w e-commerce, należy uwzględnić również średnie koszty wysyłki za zamówienie, które w tym przypadku wynoszą 10 zł. Stałe koszty marketingu, takie jak utrzymanie systemów i wynagrodzenia osób niezbędnych do prawidłowego funkcjonowania e-commerce, wynoszą 200 tysięcy złotych miesięcznie. Koszty marketingu zmienne, czyli wydatki na pozyskanie ruchu generującego 12 tysięcy transakcji, to 10 złotych za transakcję. Zwroty kształtują się na poziomie 25%. Wszystkie pola oznaczone na żółto w kalkulatorze można dostosować do własnych potrzeb.

Przychody, po uwzględnieniu zwrotów, wynoszą nieco ponad 2 miliony złotych. Całkowite koszty to 1,64 miliona złotych. Ostateczny zysk wynosi 520 tysięcy złotych, a marża druga kształtuje się na poziomie 24%.

Załóżmy, że zostaje wprowadzona obniżka cen o 6%, a nawet o 10%. W takiej sytuacji średnia wartość zamówienia przy obniżce 10% spada z 240 zł do 216 zł. Zakładamy, że popyt pozostaje bez zmian, czyli liczba transakcji wynosi nadal 12. W tej sytuacji mogą wzrosnąć koszty marketingowe związane z promocją rabatu cenowego. Może również pojawić się wyższy poziom zwrotów wynikający z impulsywnych zakupów. Przy niezmienionym popycie zysk wynosi 304 tysiące.

Celem promocji jest jednak zwiększenie popytu. W przypadku obniżki cenowej, która oznacza rezygnację z części marży, kluczowe pytanie dotyczy tego, o ile musi wzrosnąć potencjalny przychód lub liczba sprzedanych sztuk, aby zrekompensować utracony zysk. Symulacja pokazuje, że aby zysk powrócił do poziomu sprzed promocji, czyli do 520 tysięcy, liczba transakcji musi zwiększyć się o 5 tysięcy, czyli do 42 tysięcy.

Na wykresie wyraźnie widać poziom wyjściowy sprzedaży oraz zysk sprzed wdrożenia promocji. Zysk po promocji zależy od liczby transakcji i pokazuje, jaką łączną sprzedaż należy osiągnąć, aby wyrównać utracony zysk. Jeśli prowadzisz promocję w celu zwiększenia rentowności i marży w e-commerce, warto zwrócić uwagę na zależność między średnią wartością zamówienia a liczbą transakcji. Spadek średniej wartości zamówienia o 10% wymaga ponad 40% wzrostu liczby transakcji, aby zrekompensować utratę marży. Taki scenariusz jest bardzo mało prawdopodobny.

Ponad 70% osób odwiedzających naszą stronę nie subskrybuje jeszcze naszych treści. Subskrypcja pozwala regularnie otrzymywać wiedzę z zakresu analityki internetowej i skutecznego wykorzystania danych online. Jak analizować dane w kontekście promocji i zmian cen? Odpowiednie podejście do analizy pozwala lepiej planować zarówno działania promocyjne, jak i podwyżki cen. Przykładem może być sytuacja, w której wzrost ceny generuje dodatkowy zysk na marży, jednak jest rekompensowany przez spadek popytu na produkty.

Analiza danych z CRM w kontekście promocji

Analizy tego typu można podzielić na dwie grupy. Pierwsza obejmuje analizy bazujące wyłącznie na danych z CRM, czyli danych zgromadzonych w systemach firmy. Druga grupa to bardziej zaawansowane analizy, realizowane dzięki integracji danych z CRM z informacjami o źródłach ruchu oraz zachowaniach użytkowników w e-commerce. Pozwala to uzyskać pełniejszy obraz sytuacji i wyciągać trafniejsze wnioski. W kontekście budowania jednego źródła prawdy oraz hurtowni danych w marketingu warto zapoznać się z materiałami dotyczącymi powodów inwestycji w hurtownie danych. Są one pomocne przy tworzeniu efektywnej strategii analitycznej. Na początek warto przyjrzeć się analizie danych pochodzących wyłącznie z CRM. Przykłady analiz, które można przeprowadzić:

Pierwsza to ocena skuteczności kuponów rabatowych. Porównywane są dane z CRM, takie jak średnia wartość zamówienia z kuponem rabatowym oraz bez kuponu. Analiza obejmuje również przychód i liczbę sprzedanych produktów w obu grupach zamówień. Celem jest sprawdzenie, czy kupony faktycznie zwiększają sprzedaż, czy jedynie obniżają marżę.

Kolejna analiza dotyczy zarządzania promocjami w kategoriach produktowych. Polega na identyfikacji produktów i kategorii, które są bardziej lub mniej wrażliwe na rabaty. Pozwala to udzielać rabatów tam, gdzie przynoszą one najlepsze rezultaty. Nie ma sensu obniżać marży, jeśli nie przekłada się to na wzrost popytu. Kolejna analiza, skupiona na realizacji celów, dotyczy efektu ROPO (Research Offline Purchase Online lub Research Online Purchase Offline). W tym przypadku sprawdzamy, czy kupony rozdawane offline są wykorzystywane online i odwrotnie. Przykładowo, analizujemy, czy kupon otrzymany w wiadomości e-mail jest później realizowany w sklepie stacjonarnym. Pozwala to lepiej łączyć kanały sprzedaży i wspierać strategię omnichannelową. Te analizy opierają się wyłącznie na danych z CRM.

Zaawansowane analizy zintegrowanych danych

W przypadku analiz, które wymagają połączenia danych z różnych źródeł – na przykład integracji danych kosztowych oraz informacji o zachowaniu użytkowników w serwisie – kluczowe znaczenie ma odpowiednia konfiguracja Google Analytics. Dzięki temu możliwe jest śledzenie kodów rabatowych i budowa jednego, spójnego źródła danych. Połączenie danych umożliwia przeprowadzenie zaawansowanych analiz, które pomagają lepiej inwestować budżet mediowy. Przykładem jest porównanie źródeł ruchu dla transakcji z użyciem kuponów oraz bez nich. Pozwala to zidentyfikować miejsca, gdzie promocje kuponowe rzeczywiście przynoszą efekt i zwiększają sprzedaż. Dzięki temu można bardziej efektywnie alokować budżet, zwiększając wydatki tam, gdzie kupony działają, a ograniczając je tam, gdzie nie przynoszą rezultatów.

Kolejną istotną analizą, możliwą przy posiadaniu jednego źródła prawdy, jest ocena opłacalności kampanii promocyjnych. Analiza zysku uwzględnia rabaty, marżę oraz koszt pozyskania ruchu z danego źródła. Pozwala to określić, które kampanie generują wyższą marżę przy uwzględnieniu wszystkich kosztów, a nie tylko przychodów (ROAS). Warto pamiętać, że rzadko kiedy wszystkie produkty w ofercie charakteryzują się taką samą marżą. W kalkulatorze rentowności można założyć średni koszt sprzedawanych produktów, jednak w praktyce wartości te często się różnią. Analiza powinna służyć lepszemu targetowaniu kampanii. Poznając profil klienta, którego przyciągają kupony, można odkryć źródła ruchu generujące niższe koszty pozyskania użytkownika. Połączenie tańszego marketingu z poprawą efektywności działań promocyjnych, na przykład przez wykorzystanie kuponów, pozwala budować listy do targetowania (tzw. audience’y) i kierować komunikację do odpowiednich użytkowników. Optymalizacja lejków sprzedażowych na stronie umożliwia zwiększenie konwersji poprzez analizę mikrokonwersji na poszczególnych etapach, zależnie od tego, czy użytkownik wpisuje kod rabatowy. Testy A/B mogą pokazać, że podanie kodu rabatowego znacznie zwiększa przejścia między kolejnymi etapami procesu zakupowego. Trzeci rodzaj analizy pozwala ograniczyć liczbę porzuconych koszyków. Przykładem jest przyznawanie kuponu użytkownikowi, który opuszcza koszyk lub checkout, aby zwiększyć szansę na finalizację transakcji.

Podsumowanie

Promocje odgrywają kluczową rolę w e-commerce, ale niosą też ryzyko. Już na początku artykułu pojawił się przykład ich wpływu na rentowność. Ten wpływ działa w dwie strony – ceny warto zmieniać nie tylko w dół, lecz również w górę. Analizując dane dotyczące zachowań użytkowników i ich reakcji na konkretne poziomy cen, dynamiczne zarządzanie pricingiem może znacząco poprawić rentowność sklepu internetowego.

Jeśli chcesz przeanalizować skuteczność swoich rabatów oraz sprawdzić, jak wykorzystać dane nie tylko do obniżania, ale także podnoszenia cen, warto skorzystać z profesjonalnego wsparcia.

The post 15M kary za “wieczne promocje” – jak promocje wpływają na rentowność e-commerce first appeared on Conversion.

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

Dane same w sobie są bezwartościowe

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

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

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

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

Pierwsza obserwacja: dane same w sobie są bezwartościowe.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Mniej danych to więcej wartości, Ludzie są ważniejsi niż narzędzia

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Kontekst danych to podstawa

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

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

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

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

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

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

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

Analityka to nie matematyka – stawiaj hipotezy!

Obserwacja numer 5: analityka to nie matematyka.

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

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

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

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

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

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

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

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

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

Analiza potrzebuje ram czasowych i ratuje w kryzysie

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

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

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

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

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

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

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

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

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

Dane jakościowe dają najwięcej, a zmiany są pewne

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

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

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

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

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

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

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

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

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

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

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

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

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

Podsumowanie

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

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

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

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

Czego dowiesz się z tego wywiadu:
Wprowadzenie i unikalna perspektywa Michała Przybysza
Transformacja cyfrowa i zarządzanie zmianą w retailu
Kiedy dane zaczynają być istotne? Od P&L-a do detalu
Praktyczne zastosowanie danych: ROPO, stock i mikrokonwersje
Dane w pricingu: od manualnej pracy do dynamicznych modeli
Wyzwania i przyszłość danych w e-commerce
Podsumowanie: Główne wnioski z rozmowy

Wprowadzenie i unikalna perspektywa Michała Przybysza

Mariusz Michalczuk: Cześć, witajcie w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Waszym gościem jest Michał Przybysz.

Przygotowałem krótkie podsumowanie. Z mojej perspektywy Michał jest jedną z najbardziej doświadczonych osób, praktyków w e-commerce w Polsce. Przez ostatnie osiemnaście lat budował i transformował cyfrowo największe sieci handlowe w kraju. Jego kariera obejmuje role w Leroy Merlin, Media Markt, Ikea, aptece Gemini oraz Superfarm. Stanowi to unikalną perspektywę na wykorzystanie danych w procesach decyzyjnych w retailu i polskim e-commerce.

Jako były Chief Digital Officer i członek zarządów, Michał odpowiadał za strategiczne projekty, koncentrując się przede wszystkim na budowaniu e-commerce i transformowaniu sprzedaży detalicznej w sprzedaż wielokanałową, czyli omnichannel. Dane w każdym z tych projektów były bardzo istotne. Michał, bardzo dziękuję, że przyjąłeś moje zaproszenie. Czy coś byś uzupełnił do tego, co powiedziałem o Tobie?

Michał Przybysz: Cześć, dziękuję. Tak ładnie powiedziałeś, że ciężko uzupełnić. Chyba sobie sam to nagram i będę puszczał wieczorem.

Właściwie jedyne, co mogę dodać, to aspekt mniej e-commerce’owy i mniej związany z danymi, ale dla mnie niezmiernie istotny. Firmy te były z różnych branż, ale również z różnych kultur organizacyjnych: od szwedzkiej przez polską, francuską i niemiecką. Miały też różne struktury właścicielskie – były firmy właścicielskie i funduszowe, co było dość istotne.

Miało to spory wpływ na sposób, w jaki ja, wraz z zespołem, mogliśmy prowadzić projekty, a także jak patrzyliśmy na dane, ich rozwój i wykorzystanie w firmie. To jest aspekt bardziej leadershipowy czy strukturalny, który ma ogromny wpływ na wdrażanie projektów, zwłaszcza tych związanych z dużą zmianą i rozbudowywaniem zespołu.

Transformacja cyfrowa i zarządzanie zmianą w retailu

Mariusz Michalczuk: W wielu z tych projektów wprowadzałeś e-commerce, transformowałeś organizacje stricte brick-and-mortar w cyfrowe. To były typowe projekty zmiany. Opowiedz o tej zmianie mentalności – jak to wyglądało w różnych organizacjach, gdzie były większe lub mniejsze wyzwania? Jakie ciekawostki wiązały się z tymi projektami?

Michał Przybysz: Faktycznie w trzech z tych pięciu firm wdrażałem e-commerce od zera. To była dla mnie największa motywacja – wprowadzać firmy w świat e-commerce i transformować je, digitalizując i wzbogacając o kompetencje. Rozwijałem kompetencje zarówno przez ściąganie ludzi z zewnątrz, jak i przez angażowanie osób z wewnątrz, zwłaszcza ze sprzedaży. Ci, którzy mieli znajomość produktu i obsługi klienta, a także chęć nauki świata digitalu, połączyli swoje umiejętności, co dawało ogromne efekty i wzrost kompetencji, przekładając się na skuteczność projektów.

To częściowo odpowiada na Twoje pytanie, jak zarządzać tego typu zmianą: to połączenie wewnętrznych kompetencji z chęcią nauki oraz z zupełnie nowymi kompetencjami z obszaru digitalu i e-commerce.

Inny aspekt to to, że ja i inne osoby w podobnych rolach jesteśmy postrzegani jako szefowie e-commerce, ale często śmieję się z kolegami, że równolegle jesteśmy często managerami ds. zmian. Te projekty to jedna wielka zmiana w organizacjach, zwłaszcza w pierwszych latach. Jesteśmy również managerami ds. logistyki – logistyka w e-commerce to podstawa. Zatem to są te trzy role. Dla mnie to ogromna motywacja i przyjemność, że praca jest tak szeroka.

Mariusz Michalczuk: Mówisz, że połączenie kompetencji jest istotne. Ty, jako osoba odpowiedzialna za zmianę, wiedziałeś, co czeka poszczególne osoby. Jak to wyglądało z perspektywy pracowników? Zanim przeszliśmy do danych, trzeba było zbudować fundamenty. Jak osoby sprzedające offline, które wiedziały o nadchodzącym e-commerce, nastawiały się do tego? Wyobrażam sobie, że człowiek ma obawy przed nowym, a wtedy e-commerce raczkował w Polsce?

Michał Przybysz: To ogromne wyzwanie. Wdrożenie tego typu projektów w firmach bardzo offline’owych to wejście w każdy dział. Często mówię, że te projekty zaczynały się i kończyły na księgowych – kwestie wystawienia paragonu czy faktury elektronicznej wydawały się proste, ale ciągnęły się miesiącami ze względów prawnych lub niezrozumienia systemowego. To tylko przykład, bo to wejście w każdy obszar firmy, wciągnięcie ludzi i włączenie ich w projekt. Często dla nich to dodatkowa praca, zwłaszcza na początku, co sprawiało wiele trudności.

Podam konkretny przykład z IKEA, gdzie przez 5 lat wdrażaliśmy e-commerce od zera. Otrzymywałem pytania od sprzedawców w sklepach: „Michał, czy stracimy pracę przez Twój projekt e-commerce? Ilu z nas straci pracę?”. Myśleli, że rozwój e-commerce i przeniesienie sprzedaży do kanału cyfrowego oznacza mniej klientów w sklepach i mniejsze zapotrzebowanie na sprzedawców. Oczywiście tak się nie działo – nikt nie tracił pracy, wręcz przeciwnie, byli włączani w te projekty.

W zarządzaniu zmianą, poza uruchamianiem procesów, dużo czasu poświęcaliśmy na zarządzanie emocjami i komunikowanie, z czym wiąże się ten proces. Ulubionym przykładem urozmaicenia komunikacji o e-commerce i omnichannelu było zaangażowanie kabaretu improwizacyjnego. Miał on kilkugodzinne sesje w wewnętrznych częściach sklepów, gdzie poprzez kabaretową improwizację wciągał sprzedawców i innych pracowników w rozmowę o tym, czym jest omnichannel, dlaczego go robimy i po co wdrażamy. To był element change managementu w firmie.

Oprócz tego była gamifikacja, wewnętrzna aplikacja z konkursami związanymi z omnichannel, gdzie przemycaliśmy informacje o procesach. To trudny, ale najciekawszy element pracy przy wdrażaniu dużych projektów, jakimi bez wątpienia był i jest e-commerce. Wiele firm dopiero wchodzi w podstawy e-commerce, co dzieje się od kilkunastu lat i wciąż trwa.

Kiedy dane zaczynają być istotne? Od P&L-a do detalu

Mariusz Michalczuk: Na którym etapie dane zaczynają być istotne? Zakładam, że budowanie danych zaczyna się wcześniej w omnichannelu. Gdy zaczynasz budować kulturę, by pracownicy zrozumieli i nie bali się zmian, na którym etapie pojawiają się dane?

Michał Przybysz: Dane pojawiają się na każdym etapie. Z biegiem czasu, jest ich dużo więcej. Kilkanaście lat temu więcej było założeń opartych na „wydaje mi się”. Teraz tych „wydaje mi się” jest dużo mniej, bo dane są dostępne, albo trzeba je zebrać na starcie.

Pierwszym i najważniejszym elementem jest zbudowanie business case’u i P&L-a, a następnie jego mierzenie. Dla wielu rozwiniętych firm z zaawansowanym raportowaniem to wydaje się oczywiste, ale zbudowanie dobrego P&L-a, gdzie dobrze mierzymy i przypisujemy wartości do poszczególnych kanałów na bieżąco, wcale nie jest łatwe.

Teraz z zaskoczeniem odkrywam, że wiele niemałych firm w Polsce, rzędu setek milionów obrotów, ma słabo rozwinięte podstawowe raportowanie P&L-owe: topline, bottomline, marża pierwsza, druga, trzecia, EBITDA i wchodzenie w szczegóły. To punkt wyjścia do budowania biznesu i jego raportowania. Jest to wyjątkowo trudne i wymaga ciągłej pracy nad udoskonalaniem. Im większe biznesy i więcej powiązań między kanałami, tym szczegóły są ważniejsze. Niewiele firm robi to naprawdę dobrze. Wciąż odkrywamy miejsca, gdzie coś źle mierzyliśmy lub przypisywaliśmy w P&L-ach, co ma znaczący wpływ na rentowność i decyzje.

Mariusz Michalczuk: Zaczynamy od góry. Ja zawsze mówię, że pierwszym poziomem odniesienia są podatki, które wynikają ze sprawozdań finansowych. Następnie schodzimy niżej, do bardziej szczegółowych, granularnych danych. Jak to wyglądało z Twojego doświadczenia? Masz P&L-a, a potem jak powinno wyglądać raportowanie, takie bottom-down od P&L-a i zejście niżej?

Praktyczne zastosowanie danych: ROPO, stock i mikrokonwersje

Michał Przybysz: Nie będę wchodził w szczegóły P&L-a, ale podam przykłady danych i ich mierzenia. Temat, który zawsze mnie interesował, to zmniejszenie wpływu online na cały biznes i offline, czyli efekt ROPO (research online, practice offline) i odwrotnie.

Inwestując w strony internetowe i funkcjonalności e-commerce, które generują sprzedaż w sklepach fizycznych poprzez ruch i świadomość marki, zadawaliśmy sobie pytanie: jak zmierzyć wartość tej inwestycji? Kilkanaście lat temu, gdy nie było danych łączących online z offline, wymyśliłem konkretne badanie ankietowe. Pytaliśmy klientów w sklepach stacjonarnych, czy przed wizytą byli na stronie firmy, czy przygotowywali się do zakupu, sprawdzali dostępność i ceny, a następnie, czy kupili produkt, który sprawdzili. Uzyskaliśmy wiarygodne dane o tym, jak klienci korzystali ze strony do zakupów stacjonarnych. Cykliczne badania pozwalały mierzyć zmianę i wzrost wartości strony.

W kolejnej firmie mogliśmy to mierzyć inaczej, powiązując dane klientów stacjonarnych z programu lojalnościowego. Mając profil klienta i jego zakupy, łączyliśmy go z cookiesami i listami na stronie internetowej. Dla próbki klientów, których udało nam się „złapać” (mieliśmy ich cookiesa, dane z programu lojalnościowego i dane sprzedażowe), mogliśmy zmierzyć, czy klient oglądał dany produkt na naszej stronie, a kilka dni później kupił go w sklepie. Wyzwaniem było budowanie masy klientów w bazie danych i powiązanie cookiesów, a potem multi-devicing (komórka, ekran).

Choć próbka była niewielka w stosunku do całej masy klientów, to były tysiące klientów, co pozwalało wyciągać wnioski o wartości strony dla sprzedaży stacjonarnej. Trudniej było zmierzyć efekt odwróconego ROPO. My mierzyliśmy typowo ROPO.

W jeszcze innej firmie, gdzie próbka była duża (kilkanaście, a nawet dwadzieścia procent klientów), widzieliśmy, że klienci kupują tylko online, tylko offline, albo online i offline (Omnichannel). Bardzo jasno wychodziło, że klienci Omnichannel kupowali częściej i mieli wyższe roczne zakupy (life time value) niż ci, którzy kupowali tylko online lub tylko offline. Dzięki temu mogliśmy podejmować decyzje, jak mocno inwestować w ten kanał.

To były argumenty w wewnętrznych dyskusjach, czy online kanibalizuje offline. Jasno wynikało, że oba kanały współgrają. Klient raz kupi w jednym, raz w drugim. Raz z niższą marżą (często online ma niższe ceny), raz z wyższą ceną (offline), ale sumarycznie jest bardziej przywiązany i częściej u nas kupuje. Zatem, w zależności od firmy i posiadania programu lojalnościowego, można wiele mierzyć między kanałami. Jest to wyzwanie i ma ograniczenia (klienci lojalnościowi mogą być bardziej lojalni), ale to już twarde dane, które można mierzyć codziennie i obserwować zmiany.

Mariusz Michalczuk: Dane o przepływie użytkowników i połączeniu ich w omnichannelu potwierdzały zasadność inwestowania. Skoro klienci omnichannelowi są bardziej wartościowi, jakie były taktyki, by zachęcać klientów online do zakupów offline lub offline do online, zwiększając liczbę klientów omnichannelowych i poprawiając całościowy wynik P&L-a?

Michał Przybysz: To pytanie rzeka, nie ma jednej odpowiedzi. Starałem się prowadzić strategiczne rozmowy tak, by celem nie było przeciąganie klientów między kanałami, lecz budowanie ich lojalności i zachęcanie do zakupów w naszej firmie, niezależnie od kanału. Odwoływaliśmy się do segmentacji i targetowania konkretnych ofert produktowych czy promocyjnych.

Głównym celem, który się sprawdza i który warto mierzyć, jest to, żeby klient miał możliwość wyboru kanału, w którym kupuje. Nie należy go targetować i przeciągać. Były oczywiście dyskusje wewnętrzne, by przeciągać do offline ze względu na wyższe marże, ale to nie zawsze działa. Są kampanie bardziej offline’owe czy online’owe, często skierowane do różnych grup w danym momencie. To temat rzeka.

Wszystko odbywało się metodą prób i błędów, mnóstwem testów, targetowania i segmentacji. Najlepiej korzystać z grupy kontrolnej, by sprawdzać, czy działania przynoszą efekty. To jest łatwe, gdy ma się dane i segmentuje komunikację, kierując jej część do grupy kontrolnej.

Mariusz Michalczuk: Fajnie przedstawiłeś mierzenie efektu ROPO. Dziś mamy programy lojalnościowe i aplikacje mobilne. Jeśli firma nie ma tych narzędzi, czy są inne pośrednie sposoby, aby zmierzyć użytkownika omnichannelowego, poza bezpośrednim pytaniem?

Michał Przybysz: To była raczej próba wdrażania kolejnych elementów i narzędzi, takich jak aplikacja mobilna, co pozwalało zbierać więcej danych. Największym wyzwaniem jest ogrom danych i ich łączenie. Użytkownik korzysta z aplikacji mobilnej lub strony internetowej, często z różnych urządzeń, a potem identyfikuje się w sklepie. Połączenie tych danych i przypisanie konkretnej akcji do użytkownika to potężne wyzwanie.

Wymaga to dużej inwestycji w stworzenie Customer Data Platform (CDP), na której dane są zbierane, manipulowane i analizowane. To potężny temat i projekt, który w firmach, w których pracowałem, był zawsze w fazie udoskonalania. Ma jednak ogromny potencjał.

Mariusz Michalczuk: Projekty bazujące na danych to zazwyczaj duża inwestycja, a zwrot jest odroczony. Świadome firmy decydują się na nie. Budowa jednego źródła prawdy to wyższy poziom dojrzałości analitycznej. Jakie miałeś strategie, by osiągnąć ten poziom i pielęgnować kulturę data-driven? Co robiłeś, aby dane zyskiwały coraz wyższy priorytet w firmie?

Michał Przybysz: Najlepsze podejście to małymi kroczkami pracować na poszczególnych miernikach, wykorzystywać je w praktyce i pokazywać efekty w organizacji.

Przykład offline-online: W jednej z firm sprzedaż e-commerce czy omnichannel opierała się na sklepach stacjonarnych, które realizowały większość zamówień ze swojego stocku. Każdy sklep był niezależną jednostką ze swoim P&L-em i dyrektorem, który był współwłaścicielem. Zależało mu na tym, by zamówienia z jego obszaru (po kodach pocztowych) wpadały do niego. Gdy w sklepie brakowało produktu, zamówienie trafiało do innego sklepu, który go miał. Dyrektorzy mieli pretensje, ale my tłumaczyliśmy: „Nie miałeś produktu. Gdybyś go miał, to byłoby Twoje zamówienie, Twój klient, Twoja sprzedaż, Twoja marża.”

Żeby to rozwiązać, przygotowaliśmy raport dla sklepów, pokazujący, których produktów nie mieli, a gdyby mieli, to mieliby sprzedaż. Umożliwiło to pracę ze stockiem w sklepie stacjonarnym pod kątem sprzedaży online. Zoptymalizowaliśmy logistykę i replenishment, a także pokazaliśmy sklepom stacjonarnym wartość e-commerce. Ci, którzy korzystali z raportów, zwiększali swoją sprzedaż omnichannelową i click&collect w swoich sklepach. To był prosty raport, który trzeba było stworzyć i udostępnić. Zauważyliśmy jednak, że tylko część osób z niego korzystała – ci, co korzystali, potrafili efektywnie pracować ze stockiem.

Drugi przykład, bardzo online’owy: konwersja. Pracując na mikrokonwersjach, gdy mieliśmy problem na stronie, mogliśmy pokazać efekty tej pracy zarządowi. W ten sposób pokazaliśmy, jak granularne dane e-commerce można wykorzystać do zwiększania sprzedaży. W pewnym momencie konwersja w jednym z biznesów zaczęła spadać. Szukając przyczyn, poprzez mikrokonwersje (konwersje na poszczególnych etapach zamówienia klienta), zobaczyliśmy, że na ostatnim etapie koszyka, przy płatności, nagle spada konwersja i tracimy klienta.

Okazało się, że problem był trywialny: błąd na jednej z form płatności. Inne błędy tego nie wykryły. Dopiero zajęcie się płatnościami i sprawdzenie, które metody nie działają, pozwoliło to poprawić. Konwersja wróciła do satysfakcjonującego poziomu, a nawet wzrosła po dodaniu nowej formy płatności. Proces trwał, wymagał generowania raportów mikrokonwersji – dużo pracy dla analityka webowego z Google Analytics – ale dało to wymierne korzyści. Na ogólnej konwersji problem był niewidoczny, a granularna analiza ścieżki klienta w online pozwoliła go zdiagnozować.

Mariusz Michalczuk: Zdecydowanie. Przychodzi mi do głowy sytuacja, gdy duża firma e-commerce zgłosiła spadek konwersji. Idąc od ogółu do szczegółu, okazało się, że jeden z zespołów podjął decyzję o częstszym wysyłaniu newslettera. Newsletter generował dużą część przychodu, ale zwiększenie częstotliwości z dwóch do trzech razy w tygodniu spowodowało, że ludzie zaczęli się wypisywać. Oczywiście, mniejsza baza oznaczała mniejszą konwersję i przychody. To była inżynieria wsteczna problemu – coś jest na górze, rozkładamy to na elementy i sprawdzamy. Szczęśliwie, w przypadku newslettera, debugowanie było łatwiejsze, choć i tak wymagało analizy.

Michał Przybysz: W naszym przypadku poprawka była łatwa do wdrożenia. Ale nie zawsze tak jest. Mieliśmy przypadki, gdzie spadek konwersji widzieliśmy na wcześniejszym etapie i tam problem był trudniejszy do zdiagnozowania. Trzeba było głębiej kopać w dużej próbce danych. Nie pamiętam konkretnego przykładu, ale konwersja spadała na innym etapie koszyka i trudniej było znaleźć przyczynę. Mogły to być nie tylko błędy na stronie, ale też kwestia pricingu czy niedopasowanej oferty. Zwłaszcza na wcześniejszych etapach, jak wejście na stronę czy dodawanie do koszyka, spadek konwersji może wynikać z wielu przyczyn: od problemów technicznych, przez ścieżkę klienta, po pricing, niedopasowanie oferty czy dostępność. Tutaj może być dużo więcej przyczyn.

Mariusz Michalczuk: Hipotez może być sporo. Skoro rozmawiamy o konwersji, chciałem Cię podpytać o metryki wykorzystywane w różnych biznesach i e-commerce. Pracowałeś w bardzo odmiennych branżach – zakładam, że raportowane metryki są skrajnie różne. Jak to wygląda?

Michał Przybysz: Pytasz o różnice w branżach? Moim zdaniem metryki w branżach, w których pracowałem, są dość podobne. Retail to retail. Mówimy o retail omnichannel, nie stricte o pure e-commerce czy dużych graczach. Metryki są zbliżone. Różnice wynikają raczej z aktualnego momentu firmy lub specyficznej sytuacji, na której się skupiamy.

To są wszystkie oczywiste, podstawowe metryki, począwszy od źródeł ruchu, przez konwersje. Na początku wiele jest metryk logistycznych, co jest bardzo ważnym tematem przy optymalizacji. Tam jest mnóstwo danych, które można dobrze lub gorzej mierzyć, by zoptymalizować logistykę. Moim zdaniem, branże nie różnią się tutaj znacząco. Podałeś przykład fashion, w której nie pracowałem, tam faktycznie metryka zwrotu będzie bardzo istotna.

„Retail is detail” – to słynne powiedzenie funkcjonowało zanim powstał e-commerce, a w biznesach e-commerce’owych jest jeszcze bardziej aktualne. Tych metryk jest bardzo dużo – są ogólne, a potem wchodzimy w szczegóły. Dlatego skupiam się bardziej na metrykach, na których powinniśmy się skupiać w danym momencie w biznesie, niż na różnicach branżowych.

Jeśli jednym z obszarów jest optymalizacja logistyki, co w obecnej sytuacji jest kluczowe dla wielu e-commerce’ów z powodu rosnących kosztów i spadających marż, to tam wchodzi się w szczegóły, nawet takie jak układanie towaru w magazynie na półkach. Strefy „zimne” i „ciepłe” mają na celu umieszczenie produktów o wyższej rotacji bliżej ścieżki preparacji (człowieka lub automatu), aby nie marnować cennych sekund na dojście i skrócić ścieżkę. To ogromna ilość danych.

Przy kilkudziesięciu tysiącach produktów (SKU) w magazynie, optymalizacja stref i układu produktów (który zmienia się sezonowo) to ogrom pracy w analizie danych i fizycznym przenoszeniu towaru. Celem jest zmniejszenie kosztu per operacja, per produkt czy per zamówienie. Mamy tu ogrom danych i dużo pracy dla analityków i logistyków. To jest praca ciągła. Zdarzało się, że po trzech miesiącach znowu rosły koszty w logistyce i trzeba było szukać optymalizacji, bo różnice to czasem grosze w koszcie per linia.

Mariusz Michalczuk: Przy dużej skali ma to ogromne znaczenie.

Michał Przybysz: Tak, dokładnie.

Dane w pricingu: od manualnej pracy do dynamicznych modeli

Mariusz Michalczuk: Mówiliśmy wcześniej o wykorzystaniu danych w pricingu. Czy mógłbyś opowiedzieć, jak dane są wykorzystywane w tym obszarze? Widziałem ostatnio wpis o rabatach cenowych, które mają zwiększać popyt. Pokazywał on, ile produktu musi się sprzedać, by nadrobić 10% obniżkę ceny, biorąc pod uwagę niższą marżę. Jak wyglądało to w Twoich projektach związanych z pricingiem, jak dane były wykorzystywane i do czego doszliście?

Michał Przybysz: To kolejny obszar, obok logistyki, z ogromem danych. Ostatnie lata pokazują znaczący wzrost wagi pracy z pricingiem opartym o dane, a wręcz dynamic pricing. W jednej z firm, do której dołączyłem, w dziale e-commerce kilkanaście osób manualnie pracowało nad cenami, a oferta była szeroka. Pracowali w dużej mierze na podstawie znajomości rynku i wyczucia, skutecznie, bo znali produkt. Jednak przy skalowaniu biznesu i optymalizacji marżowo-sprzedażowej, uruchomiono projekt przejścia na automatyczny pricing oparty o dane, polityki i porównanie do konkurencji.

W pricingu kluczowe jest porównanie danych z konkurencją i analizowanie Price Indexów (ogólnych i podzielonych na kategorie), aby zrozumieć naszą pozycję – czy jesteśmy tańsi, drożsi, czy na równi. Analiza Price Indexów ważonych i nieważonych sprzedażą ma znaczenie dla wniosków o naszej strategii cenowej. Następnie systemy, początkowo nieskomplikowane, mogą rekomendować zmiany cen automatycznie lub półautomatycznie na podstawie polityki cenowej i cen konkurencji.

Korzystaliśmy zarówno z zewnętrznych silników SaaS-owych, jak i wdrażaliśmy własny engine od zera z działem IT i analiz, który nawet ekonometrycznie wyliczał modele produkt versus konkurencja. To bardzo skomplikowany temat. W obecnej sytuacji, przy silnej konkurencji i wojnie cenowej, rola pricingu i analityków bardzo rośnie – warto w to inwestować.

Chciałbym wspomnieć o jeszcze jednym aspekcie: realne dane o cenach versus percepcja cenowa, czyli jak klienci nas postrzegają. W jednej z firm cyklicznym badaniem mierzyliśmy percepcję cenową, sprawdzając, jak klienci postrzegają naszą firmę w porównaniu do konkurencji. Okazywało się, że percepcja nie zawsze pokrywała się z naszymi założeniami – różni klienci (np. lojalni z programu lojalnościowego kontra nowi) mogli postrzegać nas inaczej. Te znaczące różnice mogą wpływać na pozycjonowanie i strategię cenową.

Mariusz Michalczuk: Te badania były wtedy bardziej jakościowe, czy prowadzone jako ankiety?

Michał Przybysz: To było badanie ilościowo-jakościowe na odpowiednio dobranej statystycznie próbce klientów, zazwyczaj online. Pytano klienta, czy jest naszym klientem, a jeśli tak, to czy postrzega nas jako droższych, tańszych, czy na równi w porównaniu do konkurencji. To zazwyczaj kilka, kilkanaście pytań. Jest to bardzo fajne narzędzie. Price indexy z jednej strony, a z drugiej percepcja cenowa, jak klienci nas postrzegają. To świetny materiał do ustalania polityki cenowej i pracy z marżą, ponieważ celem jest zazwyczaj jej zwiększenie.

Wyzwania i przyszłość danych w e-commerce

Mariusz Michalczuk: Oczywiście, jak najbardziej. Dotykałeś danych na praktycznie każdym poziomie e-commerce. Z perspektywy Twojego doświadczenia, rozwoju branży i wydarzeń na świecie w ostatnich 4-5 latach – co jest teraz wyzwaniem w kontekście danych w e-commerce? Czego Ci brakuje? Co chciałbyś, żeby było lepiej widoczne, zmierzone? Jak widzisz dalszy rozwój?

Michał Przybysz: Zanim odpowiem, muszę zaznaczyć, że wyzwaniem, zarówno dla mnie, jak i dla klientów, z którymi pracuję, jest to samo, co było lata temu: spójność danych i ich spójne rozumienie w organizacji, w różnych działach, oraz spójne ustalanie celów. Przy obecnej, rosnącej ilości danych, trudniej jest sprawić, by ludzie rozumieli je podobnie, pracowali na podobnych celach, co prowadziłoby do synergii, a nie konfliktów między działami. To wciąż wyzwanie, a nawet coraz większe.

Staram się zwracać na to uwagę i uspójniać sposób czytania danych w firmie, choć jest to trudne, bo wiąże się często z bonusami, promocjami czy awansami.

Odpowiadając na Twoje pytanie: za mało skupiałem się na modelu atrybucji. Chciałbym osobiście zgłębić ten temat bardziej. Mówimy o e-marketingu, wydatkach marketingowych i pozyskiwaniu ruchu na stronę czy do aplikacji mobilnej. Wiemy, że pozyskanie klientów jest coraz trudniejsze, a koszty marketingowe rosną. Aby dobrze wydawać środki, model atrybucji jest niezmiernie istotny – przypisanie kosztu marketingowego do konkretnego źródła.

Uważam, że to element, w który warto zainwestować, by dobrze mierzyć, a następnie, wykorzystując model atrybucji, dobrze przypisać źródła danych i rozdzielać wydatki marketingowe. To ogromny temat. Głównym problemem jest przypisanie źródła ruchu do kosztu, a także to, że poszczególne platformy mierzą koszty inaczej. Trudno jest podejmować decyzje, który wydatek się opłaca i w które źródło warto inwestować.

Mariusz Michalczuk: Problemy techniczne mnie dopadły, ale to nic. Bardzo inspirujące jest Twoje doświadczenie, zwłaszcza w kontekście wykorzystania danych. Dziękuję za podzielenie się tym, co przeżyłeś i jak wykorzystywałeś dane. Czy mógłbyś podzielić się z naszymi słuchaczami jednym słowem podsumowania w kontekście Twojego doświadczenia i wniosków płynących z wykorzystania danych w trakcie kariery?

Michał Przybysz: Wdrażając projekty i zarządzając biznesem, starałem się patrzeć na dane z różnych obszarów. Oczywiście, za tym stały osoby, które te dane zbierały, przygotowywały i analizowały. Kluczowe jest posiadanie choćby jednej osoby, która potrafi pracować z danymi – niekoniecznie od razu analityka biznesowego, inżyniera danych czy data scientista. To mogą być osoby z marketingu, controllingu, które potrafią wyciągać dane, wnioski i stawiać hipotezy.

Ogromne wyzwanie to mieć dane spójne i wiarygodne, a następnie wyciągać z nich wnioski i stawiać hipotezy. To trudny element, na którym warto się skupić i wewnętrznie dyskutować.

Mariusz Michalczuk: Super, bardzo dobre podsumowanie. Z mojego doświadczenia wartość z danych i analizy zaczyna się w momencie postawienia hipotezy, tymczasem większość firm kończy na raporcie – „jest raport, przyjrzeliśmy się, ale co dalej?”. Życzę, aby biznes tak podchodził do danych. Tobie życzę sukcesów w projektach i trzymam kciuki, aby dane nigdy nie kończyły się na raporcie, lecz prowadziły do hipotez, a najlepiej do konkretnych działań. Dziękuję za obecność i do zobaczenia.

Michał Przybysz: Dzięki bardzo. Cześć.

Mariusz Michalczuk: Cześć.

Podsumowanie: Główne wnioski z rozmowy

Rozmowa z Michałem Przybyszem podkreśla unikalną perspektywę w e-commerce, wynikającą z jego doświadczenia w transformacji cyfrowej największych sieci handlowych. Kluczowym wnioskiem jest to, że dane są fundamentalne na każdym etapie – od budowania business case’u i P&L-a, po szczegółową optymalizację operacji.

Wywiad uwypukla ewolucję mierzenia efektu ROPO, od badań ankietowych po zaawansowane łączenie danych z programów lojalnościowych, co pozwala na identyfikację wartości klientów omnichannelowych. Michał wskazuje na praktyczne zastosowania danych w optymalizacji stocku w sklepach stacjonarnych oraz w diagnozowaniu problemów z konwersją poprzez analizę mikrokonwersji.

Ważnym obszarem jest również wykorzystanie danych w pricingu, przechodzenie od manualnej pracy do automatycznych systemów dynamic pricing, uwzględniających zarówno realne ceny konkurencji, jak i percepcję cenową klientów. Obecne wyzwania koncentrują się na spójności danych w organizacji, wspólnym ich rozumieniu i ustalaniu celów, a także na precyzyjnym modelowaniu atrybucji marketingowej w obliczu rosnących kosztów pozyskania klienta. Całość rozmowy podkreśla, że wartość z danych zaczyna się od postawienia hipotezy i dążenia do konkretnych działań, a nie tylko do tworzenia raportów.

The post Michał Przybysz – Klient omnichannel w e-commerce jest bardziej wartościowy – Date With Data Talks first appeared on Conversion.

Czego dowiesz się z tego wywiadu:
Radosław Łukasiewicz i jego doświadczenie w analityce
Ewolucja podejścia do danych w ciągu 15 lat
Kluczowe projekty analityczne w Gemini
„Rekruterzy” – jak produkty przyciągają klientów i budują wartość koszyka
Rola wyszukiwarki i listingu produktów
Analityczny stos technologiczny i wykorzystanie danych surowych
Zmiana paradygmatu: od produktu do klienta
Podsumowanie: Analityka jako narzędzie do działania

Radosław Łukasiewicz i jego doświadczenie w analityce

Mariusz Michalczuk: Witajcie w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Waszym gościem jest Radek Łukasiewicz. Radku, bardzo dziękuję za przyjęcie zaproszenia. Może na sam początek przedstaw się krótko, opowiedz kilka słów o sobie.

Radosław Łukasiewicz: Przede wszystkim dziękuję za zaproszenie. Bardzo mi miło. Nazywam się Radek Łukasiewicz, pracuję aktualnie w Gemini, gemini.pl, jednej z internetowych drogerii, gdzie zajmuję się analityką i marketingiem. Mam u siebie zespoły, które pozyskują i analizują ruch na stronie oraz zespół, który zajmuje się działaniami marketingowymi i organicznymi, między innymi na Facebooku, w social mediach ogólnie, pracując z newsletterem i tak dalej.

Ewolucja podejścia do danych w ciągu 15 lat

Mariusz Michalczuk: Twoje doświadczenie w analityce online jest bardzo szerokie. Przechodziłeś przez różne stanowiska. Opowiedz, jak z perspektywy tych ról i doświadczenia wyglądała analiza danych w firmach, w których pracowałeś.

Radosław Łukasiewicz: Stanowiska rzeczywiście były różne: produktowe po stronie wydawcy, w firmie badawczej, własnym biznesie jako właściciel, analityczne czy stricte reklamowe. Dane zawsze były obecne, oczywiście z różnym nasileniem. To bardzo zmieniało się w czasie. To, co było 15 lat temu, zupełnie nie równa się temu, co jest dzisiaj. Nawet w firmach, w których byłem wtedy, dzisiaj wykorzystanie danych i podejście do nich jest zupełnie inne – dostęp, ilość – to wszystko zmieniło się wielokrotnie.

Zawsze te dane były. Im bliżej sprzedaży i wyniku, tym więcej danych do przeanalizowania, tym więcej potrzeb z nimi związanych. Dzisiaj, patrząc na mój biznes, na rynek, konkurentów, czy nawet na ten podcast, mamy poczucie, że dane są wszechobecne i trudno znaleźć kogoś, kto z nich nie korzysta. Nie wiem, czy w ogóle taką firmę można by trafić.

Mariusz Michalczuk: To prawda. Ja też mam 15-letnie doświadczenie w branży. Conversion założyliśmy w 2010 roku, chociaż wtedy zaczęło się od bloga. Nawet na kanale YouTube jest odcinek, w którym dzielę fazy rozwoju tej branży. To, co wydarzyło się do 2020 roku, to cztery fazy. Po 2020 roku to zupełnie inne światy. W praktyce w ostatnich 5 latach wydarzyło się więcej zmian niż w poprzednich 10, zwłaszcza po okresie pandemicznym, kiedy wszyscy zorientowali się, że nie ma innej drogi w biznesie niż online. Wtedy zrobiło się ciasno. Jest nawet powiedzenie: „data is new oil”, więc faktycznie dane stały się nową ropą naftową.

Kluczowe projekty analityczne w Gemini

Mariusz Michalczuk: W Gemini masz najwięcej świeżych projektów. Czy mógłbyś podzielić się przykładami projektów, w których dane odegrały kluczową rolę? Macie aptekę internetową, stacjonarne apteki, czyli dodatkowo omnichannel.

Radosław Łukasiewicz: Z omnichannel nie jest tak prosto, bo apteki są mocno obwarowane przepisami. Skupiając się na online, z perspektywy web-analityki, bardzo ważnym projektem, choć nie wykorzystania, a zbierania danych, była zmiana platformy sklepowej. To była zmiana diametralna, bo serwis przeszedł na SPA (Single Page Application), co po stronie analityki i gromadzenia danych generuje wyzwania. Trzeba było zastanowić się, jak podejść do pozyskiwania danych, by podejście sprawdziło się długoterminowo, by po kilku miesiącach czy latach dane były zbierane tak samo skutecznie i precyzyjnie.

Zdecydowaliśmy się na podejście może bardziej ważące po stronie wdrożenia, ale bardzo skuteczne po stronie odbioru danych: wygenerowanie pusha dla każdego eventu, który chcemy mierzyć. Chcemy mierzyć kliknięcie w przycisk „dodaj do koszyka” – wysyłamy event, który o tym informuje. Oczywiście event ten zawiera długą listę parametrów: podstawowych dla Analyticsa i niestandardowych dla nas, wszystkich dodatkowych miar i wymiarów.

To było duże wdrożenie, bo sam serwis jest duży, architektura bardzo skomplikowana, składa się z kilku aplikacji. Wdrożenie od początku, przygotowanie dokumentacji, zebranie biznesowych wymagań jest trudne, a tu doszedł aspekt weryfikacji tego, co było, bo nie wszystko nadawało się do przeniesienia. Cały proces od rozmowy z biznesem, zebrania wymagań, zweryfikowania, co zmienić, zmodyfikować, odrzucić, dodać nowego, przygotowanie wymagań dla IT ze wszystkimi pushami w warstwie danych po określonych akcjach. Stworzenie dokumentacji zrozumiałej dla biznesu i programistów, by znaleźć wspólny język, a potem testowanie i odbiór. Ten proces nie zamknął się na wdrożeniu, bo jeszcze były tematy, które trzeba było dogonić, trwał długo. Powiedziałbym, że był ewolucją bardziej niż rewolucją.

Mariusz Michalczuk: Jak długo to trwało? SPA to nie jest najprostszy framework do wdrażania analityki, a swego czasu był bardzo popularny i robiliśmy sporo takich projektów. Jestem ciekaw, jak to u was wyglądało czasowo.

Radosław Łukasiewicz: Różnie można określić, bo jakbym się uparł, to powiedziałbym, że wciąż trwa. Na wdrożenie mieliśmy zdecydowaną większość, ponad 90% tego, co było potrzebne do podejmowania decyzji, do kontynuacji pomiaru. Tuż po wdrożeniu doszły kolejne kluczowe, brakujące eventy. Potem w ramach rozwoju e-commerce dochodziły kolejne, aczkolwiek nie rzutowały już na strategiczne decyzje biznesowe. To były informacje uzupełniające. Czasem brakowało ważnego wymiaru, coś można by było policzyć szybciej, ale radziliśmy sobie inaczej. Ten czas ewolucyjny trwał rok od momentu wdrożenia. Przy jakichkolwiek wdrożeniach to częsta sytuacja, że MVP jest bardziej ociosane, niż się na początku wydaje.

Mariusz Michalczuk: U nas w firmie przekazaliśmy kody śledzące klientowi w 2017 roku. Wtedy powiedzieliśmy, że jak zaplanuje wdrożenie, to żeby do nas wrócił. Wrócił w 2021 roku. To anegdota, że planowanie to najważniejszy etap.

Radosław Łukasiewicz: Planowanie to najważniejszy etap. U nas doszedł aspekt zewnętrzny, czyli zmiana standardu pomiaru z Universal Analytics na GA4, bo dużo nowości w GA4 wchodziło. To było jeszcze przed sunsetem Universal Analytics, ale dużo rzeczy się tam zmieniało. Zastanawialiśmy się, czy wdrożyć dwa standardy i potem usunąć Universal Analytics, czy wchodzić od początku w GA4. Zasoby weryfikowały ostateczne podejście. Wyszedł trochę patchwork. To, co łatwo dało się przenieść, było z Universal Analytics, to co trzeba było dostawić nowe, było z GA4. Potem mapowanie po stronie GTM. Ale działało. Prace z czyszczeniem i przechodzeniem na standard GA4 są w zasadzie zakończone. Udało się mimo tych zawirowań sprawnie to przeprowadzić. Pomiar nie ucierpiał, historia danych zachowana.

Optymalizacja remarketingu i „rekruterzy” klientów

Mariusz Michalczuk: Wspomniałeś, że jako apteka internetowa jesteście ograniczeni legislacyjnie w kontekście sprowadzania ruchu i reklamy. Zakładam, że analityka on-site ruchu jest bardzo istotna. Czy mógłbyś podzielić się przykładami analiz, wnioskami lub projektami, w których wykorzystaliście zebrane dane i co ciekawego z tego wyszło?

Radosław Łukasiewicz: Mam dwa ciekawe przykłady. Poza częścią apteczną, mamy też część drogeryjną, która pozwala sprowadzać ruch, również płatny. Jednym z projektów była weryfikacja zwrotu z inwestycji w remarketing. Remarketing to pojęcie znane każdemu, kto pracował w e-commerce. To reklamy, które widzi użytkownik już zainteresowany naszą ofertą, więc wchodzimy nimi w dół lejka zakupowego. Powoduje to, że gdy oglądamy wyniki poszczególnych źródeł ruchu, wszelkie działania remarketingowe często mają fantastyczny ROAS. W praktyce niekoniecznie jest to takie proste – model atrybucji, nawet nowy, GA4 data-driven, nie jest w stanie dokładnie ocenić tego wpływu. Zawsze będzie jakiś błąd, więc warto spojrzeć na to z kilku perspektyw, by dodać kontekstu.

Postanowiliśmy zrobić testy A/B: połowa użytkowników serwisu dostawała piksel śledzący remarketera, a druga połowa go nie dostawała. Nie zapisywaliśmy im ciasteczka, więc nie mogliśmy prowadzić do nich działań remarketingowych. Mierzyliśmy konwersję w obu grupach. Okazało się, co trochę przypuszczaliśmy i było rozczarowaniem, że nie ma istotnego statystycznie wpływu działań remarketingowych na współczynnik konwersji w okresie testów.

Nie mówię, że remarketing jest zły, ale należy go robić w sposób jeszcze bardziej celowany. Wpływ biznesowy z remarketingu będzie wtedy, gdy uda nam się zawrócić użytkownika, który zrezygnował z zakupów w naszym sklepie, a nie dotrzeć reklamą do osoby, która i tak już podjęła decyzję, tylko jeszcze nie zdążyła złożyć zamówienia. Jeśli uda nam się posegmentować użytkowników, by tych, którzy na pewno lub z dużym prawdopodobieństwem złożą zamówienie, wykluczyć z kampanii, a kierować ją tylko do tych, którzy prawdopodobnie zamówienia nie złożą, bo znaleźli inną ofertę lub byli jeszcze niezdecydowani, to to będzie nasz inkremental. Jest to trudne w praktyce, ale warto próbować, bo z testowania zawsze płynie wiedza.

Drugi przykład wykorzystania danych w celach biznesowych dotyczył oferty i „rekrutacji” zamówień czy klientów. Nie każdy produkt jest taką samą potrzebą dla klienta. Niektóre to podstawowe produkty w koszyku, bez których nie złożymy zamówienia, inne to dodatkowe, które można kupić później lub gdzie indziej. To teoria bazująca na książce Camprada, założyciela IKEA – „hot dogi”, produkty cenowe, które przyciągną klientów do sklepu i spowodują, że poza tym jednym, po który przyszli, dobiorą kolejne, które zwiększą wartość zamówienia. Wiadomo, że ten „hot dog” musi być tani, bo cena determinuje wejście do danego sklepu i obejrzenie oferty.

Mariusz Michalczuk: Dokładnie. Albo stolik Lack, który każdy ma. Moja żona śmieje się, że bez 500 zł z IKEA się nie wychodzi, bo jedzie się po jedną rzecz, a po drodze…

Radosław Łukasiewicz: Tak, potem przechodzi się między koszami i alejkami i zawsze znajdą się jakieś „przydasie”. Podobnie wygląda to w internecie. Musi być coś, co użytkownika przyciągnie do sklepu. Konkurencja w wyszukiwarkach jest duża. Potem klient chce dodać do koszyka coś jeszcze poza produktem, po który przyszedł. Ważne jest, by patrzeć nie na produkt, a na zawartość koszyka, bo dopiero całość koszyka mówi o rentowności działania.

Jeśli mam produkt, np. stolik Lack, sprzedaję go za 50 zł z marżą 10%, to koszt pozyskania klienta patrząc tylko na marżę z tego jednego produktu może nie wyglądać dobrze. Ale jeśli klient zostawi 500 zł, to marża na pozostałych produktach mocno dobuduje wynik biznesowy. Do tego powinniśmy porównywać koszt pozyskania (płacimy za kliknięcia) i to, co opuszczamy z marży, by uatrakcyjnić cenę. Spojrzenie na całość procesu i efekt w postaci zamówienia jest kluczowe. W żadnym innym wypadku taka matematyka nam się nie sprawdzi i to, co z niej wyjdzie, nie posunie decyzji biznesowych do przodu.

„Rekruterzy” – jak produkty przyciągają klientów i budują wartość koszyka

Mariusz Michalczuk: Jak technicznie to analizowaliście? Jakie decyzje biznesowe podejmowaliście na tej podstawie?

Radosław Łukasiewicz: Technicznie nie jest to trudne, ale trzeba złapać moment, kiedy użytkownik buduje koszyk. Można mieć dwa podejścia. Najprostsze, dotyczące jednej sesji, będzie błędne, bo to, co robię w ostatniej sesji, niekoniecznie pokrywa się z tym, co robiłem wcześniej. Stworzyliśmy parametr, który informuje o momencie stworzenia koszyka przez użytkownika. Gdy dodaje produkt, automatycznie zapisujemy informację z timestampem utworzenia koszyka. Odnosimy się do tego przy zamówieniu, patrząc na user ID, na klienta, na użytkownika. Możemy też złapać czas od utworzenia koszyka do złożenia zamówienia, co jest istotne, szczególnie przy analizie źródeł pozyskujących użytkowników. Wiemy wtedy, w jakim czasie powinniśmy mieć zwrot z inwestycji.

Mariusz Michalczuk: Ten koszyk buduje się u was przez parę dni, a zamówienie jest raczej większe. Średnia wartość zamówienia to zdecydowanie ponad 200 zł.

Radosław Łukasiewicz: Koszyki są większe, szczególnie w sensie ilościowym, liczby produktów. Mogą być za drobne kwoty, ale z reguły jest ich dużo. Specyfiką e-commerce jest to, że koszyk często służy jako lista życzeń. Zamiast serduszkować czy gwiazdkować, użytkownicy dodają produkty bezpośrednio do koszyka, a potem go czyszczą, usuwając to, czego nie potrzebują. Warto to uwzględnić w analizie i ocenić poszczególne źródła pozyskiwania użytkowników.

Są dwie ciekawostki. Pierwsza: są produkty, które się wybijają – tanie, kosztujące kilkanaście złotych, np. magnez, które generują jedne z największych przychodów, gdy spojrzymy na całe koszyki. Wartość produktu nie równa się wartości, którą generuje całe zamówienie. Popularny produkt ściąga klientów, ale ci klienci, poza tym jednym produktem, dołożą dużo więcej, by skorzystać z darmowej dostawy lub akcji na stronie.

Druga rzecz: warto to przeciąć na segmenty i zobaczyć, jak różnią się produkty w zależności od kategorii. Na przykład w Gemini mamy „ciążę, macierzyństwo, dziecko” czy „zdrowie”, które dotyczą różnych grup osób. Widać tutaj specyfikę, jak zmienia się zestaw produktów, wartości zamówień, marżowość. To fajna do analizy specyfika, bo można dużo biznesowych decyzji podjąć na tej podstawie. Czy mleka, pieluchy i inne popularne dla młodych rodziców produkty powinny być w cenie niskiej czy wysokiej? Czy warto coś doinwestować, czy wręcz przeciwnie? Klient kupi tylko sześciopak czegoś, dostanie darmową dostawę i super cenę, ale następne zakupy zrobi gdzie indziej, gdzie akurat będzie dobra cena. Czy może jednak ten klient poza tym produktem dobierze inne potrzebne produkty, które dobudują marżę biznesową i sprawią, że inwestycja w cenę się wyrówna? To są przypadki, na które nie można patrzeć całościowo, tylko trzeba je poprzecinać specyfiką danej branży. W naszym przypadku kategorie produktowe są punktem wyjścia. W innych biznesach mogą być inne specyficzne cechy, od których można wyjść, by analizę skomplikować, a potem uprościć decyzje biznesowe.

Mariusz Michalczuk: Znajomość tego, że ktoś dokonuje zakupów w kategorii „ciąża i macierzyństwo” to dla was złoto do dalszego marketingu. Gdy ktoś kupuje np. pieluchy o danym rozmiarze, wiecie, co dalej można mu proponować. To kolejna kopalnia złota.

Radosław Łukasiewicz: Tak, to możliwość określenia, po co klient przyszedł, kiedy przyszedł po raz pierwszy i odniesienia tego do innych klientów, jak oni kupowali w swoim cyklu. Otwiera to furtkę na bardzo duże możliwości marketingowe: newslettery czy remarketingi, ale prowadzone z odpowiednimi produktami w odpowiednim czasie. Każda taka grupa ma inną specyfikę, częstotliwość składania zamówień, potrzeby i sposób reagowania na promocje. Gdy pojawiają się produkty do opalania, SPF, wiadomo, że specyfika pozwala to fajnie przełożyć na działania i zróżnicować je, by nie strzelać jednym rodzajem amunicji do wszystkich. To poprawia skuteczność i generuje oszczędności kosztowe.

Rola wyszukiwarki i listingu produktów

Mariusz Michalczuk: Apteka internetowa ma coś podobnego z delikatesami internetowymi. Pytanie do Ciebie: co u was wynika z analiz dotyczących istotności listingu i wyników wyszukiwania w kontekście karty produktu? Jak to u was wygląda, w kontekście zachowań zakupowych?

Radosław Łukasiewicz: Wyszukiwarka jest konieczna w większości e-commerce’ów z kilkunastoma czy kilkudziesięcioma tysiącami SKU. Google przyzwyczaił nas do szukania i oczekiwania precyzyjnych odpowiedzi. E-commerce bez tego utrudniałby życie klientom, szczególnie takim jak nasz, gdzie występuje powtarzalność zakupów, podobnie jak w delikatesach. Mam pulę rzeczy, które kupuję zawsze, może z różną częstotliwością, ale powtarzam to. Mogę też kupić coś raz na jakiś czas dodatkowo.

U nas wyszukiwarka jest istotnym elementem serwisu. Przechodzi i przechodziła różne ewolucyjne zmiany, głównie pod kątem dostosowania jej do korzystania z serwisu w mobilu. Proces składania zamówienia bardzo często zaczyna się na telefonie, czasem też kończy na desktopie, ale coraz częściej już na telefonie składane jest zamówienie. Aktualnie nie można dodać produktu do koszyka z poziomu wyszukiwarki – była taka możliwość kiedyś. Samą wyszukiwarkę i jej udział w procesie zakupowym staramy się dokładnie mierzyć.

Mamy projekt, który atrybuuje przychód dla konkretnych fraz, nie dla produktów wyszukanych, bo to jest coś, co my generujemy i możemy generować te wyniki źle. Może nam brakować czegoś w asortymencie. Ważna jest intencja, z jaką przyszedł klient, i to, co wpisał, oraz jak to wpływa na to, co potem kupił. Staramy się przypisywać do tych fraz, które użytkownicy wpisują, przychód z całych zamówień. Klienci mają różne potrzeby. Czasem ktoś ma precyzyjne, zna nazwę produktu, więc wpisuje od razu w wyszukiwarkę. Czasem to kwestia kategorii, a czasem problemu zdrowotnego, np. „lek na alergię”. To ogólne, ale biznesowo daje informacje o tym, co użytkownicy w danym czasie (sezon ma duży wpływ) robią, czego szukają i potrzebują. Może to wpływać na mnóstwo działań, od odpowiedniego pozycjonowania produktów na listingu, po akcje tematyczne dopasowane do potrzeb, po planowanie zakupów asortymentu. Cały szereg procesów może skorzystać na takich informacjach.

Analityczny stos technologiczny i wykorzystanie danych surowych

Mariusz Michalczuk: Pojęcie „rekrutera” jest mega inspirujące, bo często patrzymy przez pryzmat produktu, a nie życiowej wartości klienta. Opowiedziałeś, jakie dane analizujecie i jakie decyzje biznesowe podejmujecie. Teraz trochę o stosie narzędziowym, poza GA4 i GTM. Jakie inne systemy wykorzystujecie? Co dało wam duży efekt w codziennej pracy z danymi?

Radosław Łukasiewicz: Mówisz, że bez oczywistości, ale mimo wszystko nieśmiertelny Excel wycisnąłbym na górę listy, bo to narzędzie zawsze przydaje się do szybkiej eksploracji. Poza otoczką zbierania danych, jak GA4 i analizy po stronie interfejsu, w dużej mierze korzystamy z danych surowych. Trzymamy to wszystko w Databricks, nie w Google Cloud. Największą wartością jest to, że możemy łączyć dane. To, co widzimy w Analyticsie, poprzez zastosowanie identyfikatorów, jak user ID, możemy połączyć z danymi historycznymi o wszystkich zamówieniach składanych przez klientów.

Analytics nigdy nie zbierze wszystkich tych danych. Warto dbać o jakość, aby udział był jak największy, ale wiemy, że 100% pokrycia jest niemożliwe. Możemy trochę dobudować danych, domodelować, rozłożyć niezmierzony ruch na proporcjach. Największą wartością jest możliwość przypisania ruchu i jego pozyskiwania do klientów. Możemy złapać pierwsze zamówienie ze źródłem ruchu, które do niego doprowadziło, potem analizować przez kategorię „rekrutera” produktu i kategorię, która klienta przyniosła. Możemy sprawdzić, co w kolejnych zamówieniach determinowało ich złożenie: czy kanały ruchu się zmieniły, czy wszedł remarketing, newsletter, czy social media. Ważne jest, aby móc ułożyć plan na aktywację klientów po stronie marketingowej.

Z drugiej strony, to kwestia wyliczenia pełnej wartości klienta, czy w odcinku czasu, czy w całym cyklu życia. Bez danych surowych to wszystko nie byłoby możliwe. W Databricks mamy informacje o wartości zamówienia, netto, brutto, podatkach, marżach, kosztach źródeł ruchu. Staramy się łączyć wszystko, by wnioskowanie było pełniejsze, by mieć więcej kontekstu. Wspomniany ROAS – trzeba mieć ostrożność, gdy patrzymy na biznes z tej perspektywy. Warto sięgnąć głębiej do marży, wyliczyć ją, odjąć koszty i zobaczyć, co zostaje, nawet na totalu, by lepiej ocenić jakość działań i przede wszystkim weryfikować trend.

To, co robimy, wpływa na zmianę. Bez dostępu do danych surowych jest to niemożliwe lub bardzo trudne. Na danych surowych możemy dużą część rzeczy przeanalizować, wyliczyć, a następnie zaprognozować. To jest game changer w analityce. Dla części jest już normą, a dla pozostałych biznesów czymś wartym nadrobienia. Nie tylko patrzenie na dane historycznie, bo ich nie zmienimy, ale patrzenie za pomocą tych danych w przyszłość. To, co jest przed nami, to jest to, na co możemy mieć wpływ. Jeśli widzimy negatywne zmiany, mając świadomość ich dzisiejszego przebiegu i potencjalnych skutków za tydzień, miesiąc czy pół roku, jesteśmy w stanie podjąć działania, które nas przed nimi uchronią. Lub odwrotnie, jeśli to coś pozytywnego, starać się to skalować. Prognoza oparta na dobrej jakości danych historycznych jest tutaj kluczowa.

Zmiana paradygmatu: od produktu do klienta

Mariusz Michalczuk: Rozumiem, że macie zbudowane jedno źródło prawdy, z którego dane służą w poszczególnych elementach prowadzenia biznesu. Wspomniałeś o prognozowaniu. Czy możesz podać przykład zmiany paradygmatu u was, gdzie dane pozwoliły wam strategicznie zmienić podejście do online’u, np. w decyzjach mniej operacyjnych?

Radosław Łukasiewicz: Nie mogę podać dokładnego przykładu, ale modelowanie i prognozowanie przydaje nam się przy planowaniu zakupów czy strategicznych decyzjach dotyczących ustalania cen. Wiedząc, że dany typ klienta, dany segment przychodzi po produkt, po kategorię, i mogąc zaprognozować, kiedy inwestycja się zwróci, jesteśmy w stanie dopasować działania na przestrzeni roku – to zawsze dobra perspektywa w biznesie. Jeśli ktoś przychodzi po zakupy raz w roku i rozliczamy się fiskalnie rocznie, chcąc generować przychód, to na tej jednej transakcji musimy być na plusie. Inaczej będzie to obciążało wynik. Jeśli ktoś przychodzi po kategorię, a następnie dwa, trzy, cztery razy w roku powtarza zamówienie, być może innymi produktami (przepust pomiędzy kategoriami to też fajna rzecz do wyliczenia z danych surowych), wtedy weryfikujemy efekt końcowy. Czyli ile w sumie w danym roku klient u nas wydaje, ile z tego jest marży, i do tego możemy dołożyć to, co jesteśmy w stanie inwestować w poszczególnych etapach.

Jeśli ktoś wydaje raz, próbujemy zrobić coś, żeby wydawał dwa, trzy lub cztery razy, albo zmieniamy ceny tak, by jednorazowa transakcja nie obciążała wyniku. To wydaje się oczywiste, ale jest trudne do zrobienia, jeśli nie dysponujesz danymi i wiedzą, która z nich płynie, czyli danymi w połączeniu z informacjami i wiedzą biznesu. Kontekst dokłada szczegół, który pozwala podejmować decyzje. Same dane wiele pokazują, ale czasem za nimi kryją się decyzje, które na pierwszy rzut oka mogą wydawać się nieracjonalne, ale biznes to szerokie spojrzenie i różne inne warunki handlowe mogą wpływać na to, co robimy i co potem widzimy w naszych danych.

Mariusz Michalczuk: Myślę, że to dobre podsumowanie: dane pozwoliły wam zmienić perspektywę z „per produkt” na „per klient”. Nie wiem, czy „klientocentryczność” to wyświechtane słowo, ale tak mi to gdzieś tam w tym, co opowiedziałeś, się przejawia. Dobrze to zinterpretowałem?

Radosław Łukasiewicz: Tak, zdecydowanie. Klientocentryczność, choć można mówić, że wyświechtane, to jedyne słuszne podejście. Dążymy do tego, by patrzenie na dane uwzględniało zachowania i potrzeby klientów. Produkty są istotne, ale są potrzebami, po które klient do nas przychodzi. Przy odpowiedniej segmentacji i zrozumieniu potrzeb klientów możemy dopasować ofertę i rozbudowywać ją, by jak najdłużej utrzymać klienta u siebie – z trzech lat jego zakupów zrobić pięć. Pozyskanie, a potem lojalizacja, pozwala budować trwały, stabilny biznes. Spojrzenie z perspektywy transakcyjności to najczęściej generowanie kosztu i krótkoterminowe patrzenie. Biznes nie jest krótkoterminowy. Nikomu nie chodzi o jeden dobry miesiąc. Każdy planuje na trzy, pięć lat. Dziś pewnie bardziej trzy, bo dynamika, szczególnie online, jest taka, że trudno przewidzieć pięć lat. Kto pięć lat temu myślał o AI i tym, co się z nim dzieje?

Mariusz Michalczuk: To nie tylko kwestia online’u, ale ogólnie życia. AI to duży temat w naszej branży. Patrząc na makroekonomię, geopolitykę, to, co dzieje się przez ostatnie pięć lat…

Radosław Łukasiewicz: Tak, to zjawiska, o których trudno było pomyśleć przeciętnemu człowiekowi. Ktoś ze specjalizacją blisko zjawiska mógł przewidywać, ale informacje nie rozchodzą się równo po społeczeństwie. Dążymy do podejścia, gdzie klient, pacjent jest centrum uwagi. Przykłady wielkich sklepów, jak Amazon, który to spopularyzował, dowodzą, że to działa długoterminowo. Na naszym polskim rynku można porównać wejście Amazona do Polski – najpierw rozbudował logistykę, potem wszedł z ofertą i buduje ją powoli, ewolucyjnie. A wejście Shopee, które nie nastawiało się na potrzeby klientów, tylko działało stricte transakcyjnie – duża inwestycja w marketing, sprowadzenie ruchu, możliwość przetestowania usługi. To nie były tylko powody rynku polskiego, ale to świadczy o tym, jak niestabilny był ten biznes, jak słabe miał fundamenty, że po tak dużej inwestycji nie był w stanie utrzymać udziału w rynku i rentowności i musiał się wycofać. Dwa zupełnie różne podejścia: jedno na szybki zysk, drugie na budowanie efektu w długim terminie. Ten długi termin, przez perspektywy klienta i zainteresowania nim, jest dużo prostszy.

Podsumowanie: Analityka jako narzędzie do działania

Mariusz Michalczuk: Zbliżamy się do końca naszej rozmowy. Bardzo inspirujące są te rzeczy, które robicie w Gemini: spojrzenie klientocentryczne, temat „rekruterów” i atrybucji do słów kluczowych z wyszukiwarki. Na koniec, z perspektywy Twojej różnorodnej kariery, jaką radę dałbyś zarządzającym biznesami online (i nie tylko), by skutecznie wykorzystywać dane?

Radosław Łukasiewicz: Poza klientem, o którym już mówiliśmy, co jest zasadą numer jeden, zasada numer 1.1, której zawsze się trzymam i którą wszystkim opowiadam, to pamiętanie, że analityka nie jest celem samym w sobie. Analityka to narzędzie, sposób na zrealizowanie celu. Częstym błędem w biznesach, który obserwowałem, było skupienie się na samej analizie, która często nie kończyła się podjęciem decyzji albo kończyła się, ale brakowało weryfikacji efektów tej decyzji. To jest wtedy sztuka dla sztuki. Kluczowe jest analizowanie po to, by podejmować decyzje, a potem weryfikować ich efekty, by pracować na rezultatach, które mają doprowadzić do realizacji celu. To najważniejsze w zarządzaniu w oparciu o dane.

Mariusz Michalczuk: Dokładnie. Podsumowałbym to tak: gdy mamy dane, na końcu powinno być działanie. Raport, z mojego doświadczenia, często leży między danymi a działaniem i niestety na raporcie się kończy. Dobrze, jeśli jest raport, a nie tylko surowe, nieudostępnione dane. Analityka to nie cel, a narzędzie do osiągnięcia wyższego celu w biznesie. Super. Mega dziękuję, Radku, za czas i podzielenie się tym, co robisz. Mam nadzieję, do zobaczenia, zwłaszcza gdy pojawią się nowe doświadczenia w Twojej karierze.

Radosław Łukasiewicz: Już teraz mogę się zgodzić. Dziękuję za rozmowę i bardzo chętnie, jeśli pojawi się taka okazja i możliwość opowiedzenia czegoś ciekawego, to jak najbardziej.

Mariusz Michalczuk: Super. Dzięki wielkie. Do zobaczenia. Cześć.

Radosław Łukasiewicz: Dzięki. Do zobaczenia.

The post Radek Łukasiewicz – rekruter w e-commerce, czyli produkt otwierający koszyk – Date with Data Talks first appeared on Conversion.

Strategia analityczna w organizacji
Dyrektor e-commerce a decyzyjność
Dyrektor e-commerce – znajomość kontekstu organizacji
Dyrektor e-commerce – priorytetyzacja zadań
Podsumowanie

Strategia analityczna w organizacji

Celem analityki internetowej jest wsparcie organizacji w podejmowaniu decyzji z wykorzystaniem danych online. To wsparcie jest tym lepsze, im bardziej dojrzała jest organizacja i im wyższy poziom dojrzałości analitycznej osiąga. Celem każdej organizacji budującej strategię analityczną w kierunku dojścia do bycia data-driven, jest podejmowanie decyzji na podstawie danych. 

W kontekście roli dyrektora e-commerce, najważniejszym zadaniem jest podejmowanie decyzji w zakresie rozwoju sklepu, co stanowi kluczowy element analityki internetowej. Strategia analityczna ma za zadanie dostarczać dane niezbędne do podejmowania tych decyzji, aby były optymalne.

Dyrektor e-commerce a decyzyjność

Po pierwsze, dyrektor e-commerce podejmuje kluczowe decyzje w zakresie rozwoju sklepu. Strategia analityczna ma wspierać go w tym procesie. Aby wspierać podejmowanie decyzji, osoby odpowiedzialne za wyznaczenie strategii analitycznej muszą wiedzieć, jakie decyzje podejmuje dyrektor e-commerce. Powinny również znać dane, z których dotychczas korzystał, oraz sposób, w jaki podejmował decyzje, aby odpowiednio zaplanować strategię.

Dyrektor e-commerce, w ramach zarządzania budżetem, rozumie operacje, klientów, rynek i konkurencję. Na podstawie swojej wiedzy i doświadczenia wyznacza kierunki działania, cele organizacji oraz odpowiednie KPI. Analityka internetowa powinna pomagać w osiąganiu tych KPI szybciej i łatwiej. 

Dyrektor e-commerce – znajomość organizacji

Warto pamiętać, że dyrektor e-commerce najlepiej zna kontekst całej organizacji, co jest kluczowe dla analizowania danych, planowania konfiguracji narzędzi oraz zarządzania danymi w organizacji. Zarządzając biznesem, decyduje o przydziale zasobów, mając na uwadze wyznaczone KPI oraz ograniczenia budżetowe. 

Szczególnie istotna jest tutaj rola działu IT. Chociaż IT nie znajduje się bezpośrednio pod jurysdykcją dyrektora e-commerce, to jednak dyrektor e-commerce jest na tym samym poziomie co dyrektor IT. 

Jeśli pojawiają się potrzeby związane ze zmianami w technologii, staku analitycznym lub produkcie cyfrowym, np. na stronie internetowej lub w aplikacji, by lepiej osiągnąć KPI, łatwiej niż komukolwiek innemu jest dyrektorowi e-commerce porozmawiać z dyrektorem IT i wdrożyć te zmiany. Trudniej byłoby to osiągnąć, gdyby dyrektor e-commerce nie miał świadomości tego, jak działa w firmie analityka internetowa.

Dyrektor e-commerce mając ogląd oraz realny wpływ na całą organizację oraz, jest osobą która najlepiej jest w stanie “spiąć” ze sobą wszystkie działania tak, aby wyznaczyć odpowiedni kierunek rozwoju sklepu.

Dyrektor e-commerce – priorytetyzacja zadań

Dyrektor e-commerce decyduje również o priorytetach zmian w e-commerce, niezależnie czy dotyczy to strony internetowej, czy aplikacji mobilnej. Dane dostarczane przez analitykę internetową wskazują, co należy poprawić, w jakim zakresie, a czasem nawet konkretnie jak to zrobić. Na końcu dane pokazują, czy zmiana była słuszna i poszła w dobrym kierunku.

Dyrektor e-commerce musi być świadomy wagi danych w zarządzaniu e-commerce. Z kolei osoby odpowiedzialne za realizację tej strategii muszą znać priorytety wyznaczone przez dyrektora e-commerce, aby zwrócić uwagę na kluczowe aspekty i pomóc mu w podjęciu właściwej decyzji. Wreszcie, to dyrektor e-commerce decyduje o większych inwestycjach. 

Na przykład, gdy poziom ruchu jest na tyle duży, że bezpłatne narzędzie, takie jak Google Analytics 4, nie wystarcza, warto odpowiednio wcześniej zaplanować działania i zdobyć informację, że bezpłatna wersja Analyticsa nie jest już w stanie dostarczyć potrzebnej wartości. W takim przypadku może być konieczne zainwestowanie w Google Analytics 360. 

Dyrektor e-commerce decyduje o priorytetach nie tylko związanych z samą witryną, ale również o priorytetach na drodze do osiągania dojrzałości analitycznej i stawania się organizacją data-driven. Jeśli zarówno analityk internetowy, jak i dyrektor e-commerce mają pełną świadomość swojej roli i współpracują ze sobą, dyrektor, widząc efekty działań, może podejmować decyzje znacznie szybciej.

Podsumowanie

Podsumowując, dyrektor e-commerce odpowiada za całą sprzedaż online. Od cyfrowego produktu, jak nasza witryna czy aplikacja, poprzez marketing, czyli sposób sprowadzania użytkowników i dbania o tych, którzy już u nas byli, po merchandising, czyli prezentację bazy produktowej – analityka internetowa i dane w każdym z tych obszarów mogą dostarczyć odpowiednie wnioski i rekomendacje. Dzięki temu decyzje są podejmowane lepiej, a rezultaty osiągane szybciej i efektywniej.
Wspieranie e-commerce danymi jest trudne, gdy dyrektor e-commerce nie angażuje się w budowę strategii analitycznej. Jeśli jesteś dyrektorem e-commerce, zachęcam do udziału przynajmniej na etapie wyznaczania roadmapy rozwoju i drogi do dojrzałości analitycznej. Stawanie się organizacją data-driven przynosi niesamowite efekty, gdy większość decyzji opiera się na danych.

The post Dyrektor e-commerce – rola w budowaniu strategii analitycznej first appeared on Conversion.

O „testach A/B” słyszał już chyba każdy w świecie e-commerce. Wielu sprzedawców wciąż ma jednak wiele wątpliwości, które powstrzymują ich przed rozpoczęciem przeprowadzania testów na własny użytek.

O ból głowy w pierwszej kolejności przyprawia zwykle trud skoordynowania wszystkich etapów procesu testowania: od burzy mózgów przez wybór oprogramowania aż po analizę wyników.

I choć przeprowadzanie testów A/B nie jest tak łatwe, jak uważa większość ludzi, nie jest też przerażająco trudne. Warto poświęcić trochę czasu na wdrożenie dobrze skonstruowanych, sprawdzonych schematów przeprowadzania testów A/B. Każdemu w branży e-commerce wyjdzie to zdecydowanie na dobre.

W tym przewodniku dajemy Wam prosty przepis, jak przeprowadzać testy A/B.

Będziecie mogli także przeczytać o typowych błędach, obejrzeć niektóre z życia wzięte studia przypadków i poznać praktyczne, konkretne wskazówki, które elementy witryny (i poza witryną!) należy przetestować.

Oto, co znajdziesz w tym artykule:

Co to są testy A/B?
Jak przeprowadzać testy A/B: przegląd informacji
1. Analiza
2. Pomysły na poprawę (formowanie hipotez)
3. Prototypowanie i design
4. Kodowanie i test
5. Wyniki
Jak obliczyć wielkość próby dla testu A/B?
Które elementy karty produktu warto przetestować?
11 najczęstszych błędów przy testach A/B
Przegląd najlepszych narzędzi wspomagających testy A/B w e-commerce
Testy A/B w e-commerce – studia przypadków (case studies)
1. Budapester
2. Reserved
3. 4F
Wnioski

Zaczynajmy!

Co to są testy A/B?

Testy A/B polegają na przedstawianiu użytkownikom dwóch (lub więcej) różnych wersji określonych treści – reklam, e-maili, stron internetowych etc. – w celu identyfikacji najlepiej działającego wariantu. Często jedyną różnicą pomiędzy obiektami testowymi jest pojedynczy element, taki jak nagłówek, CTA (ang. Call-to-Action, dosł. wezwanie do działania), obraz, tekst etc. Testy A/B można przeprowadzać jednak nawet między dwoma zupełnie różnymi rodzajami treści, takimi jak reklamy na Facebooku, e-maile marketingowe, a nawet całe procesy sprzedaży.

Co więc zwykle reprezentują warianty „A” i „B” w testach A/B? Przy każdym teście potrzebna jest próba kontrolna. Wariant „A” stanowi zatem zazwyczaj wersję oryginalną lub bieżące wyniki. „B” to wariant, którego wyniki porównasz z opcją „A”.

Ogólny przykład testu A/B.

Powiedzmy na przykład, że na kartę produktu zagląda dziennie kilkaset osób. Decydujesz się na uruchomienie testu A/B, w którym dodasz powiadomienie o tym, że dostawa zostanie zrealizowana już następnego dnia tuż obok przycisku „Dodaj do koszyka”. Korzystając z oprogramowania do testów A/B tworzysz niemal identycznie wyglądającą stronę z tą jedną drobną zmianą, dzielisz ruch równo między obie strony i mierzysz wyniki. Bieżąca strona to obiekt testowy „A”. Jej nowy wariant to obiekt testowy „B”.

Możesz też przygotować promocyjną kampanię e-mailową, w której przekierujesz swoich subskrybentów na stronę docelową, aby otrzymać darmowy prezent. Zbudowałeś dwie strony docelowe – „A” i „B” – ale chcesz zobaczyć, która z nich przyciąga więcej uczestników. Ponownie korzystając z oprogramowania do testów A/B przekierujesz połowę ruchu na stronę „A”, a połowę na stronę „B”. Nawet jeśli nie dysponujesz żadnymi wcześniejszymi wynikami, „A” zostaje wówczas Twoją wersją kontrolną, a „B” jej konkurentem.

„Testowanie wielowymiarowe” działa na tej samej zasadzie, ale obejmuje testowanie wariantów zawierających wiele zmian. Celem jest określenie, która kombinacja zmiennych działa najlepiej. Dla przykładu: za pomocą testu A/B możesz określić, czy przycisk CTA działa lepiej w wariancie zielonym czy czerwonym. W teście wielowymiarowym możesz zmienić jednocześnie kolor i tekst CTA. Wprowadzenie dwóch zmiennych spowoduje utworzenie czterech wariantów:

• kolor 1 i tekst 1
• kolor 1 i tekst 2
• kolor 2 i tekst 1
• kolor 2 i tekst 2

Zaletą testów wielowymiarowych jest to, że eliminują potrzebę przeprowadzania wielu testów A/B jeden po drugim. Minusem jest to, że warunkiem koniecznym jest bardzo duży ruch na stronie (o który szczerze powiedziawszy trudno w polskich realiach).

Jak przeprowadzać testy A/B: przegląd informacji

Przyjrzyjmy się podstawowej formule przeprowadzania testów A/B. Na tym etapie nie przejmuj się zbytnio technicznym aspektem testów. Istnieje szeroka gama narzędzi usprawniających i automatyzujących wszystkie ich etapy, od tworzenia strony po interpretację wyników. W dalszej części przedstawimy pokrótce najlepsze aplikacje i rozwiązania.

Testy A/B są zwykle wykonywane „on-site” (w obrębie witryny) lub „off-site” (poza nią). Testy w obrębie witryny obejmują takie jej elementy jak karty produktów, strony docelowe, formularze płatności etc. Mogą być one również przeprowadzane dla aplikacji – jeżeli masz aplikację mobilną pozwalającą robić zakupy czy dającą dostęp do programów lojalnościowych. Zasadniczo testy on-site dotyczą każdej strony w witrynie, która ma pojedynczy cel i odpowiadający mu podstawowy CTA.

Testy off-site obejmują różne typy reklam (zwłaszcza tych płatnych), e-maile, posty w mediach społecznościowych, powiadomienia etc.

Niezbędne jest przeprowadzenie testów w tym samym czasie na takiej samej wielkości próby. Wielkość próby i długość okresu testów to dwie najważniejsze zmienne, które mogą zniekształcać wyniki. Nie można wysnuć żadnych logicznych wniosków porównując wyniki dwóch wariantów, jeśli jeden z nich był testowany – na przykład – w Halloween, a drugi w Dzień Matki.

Wykonaj opisane poniżej kroki, aby uporządkować strukturę testów A/B:

1. Analiza

Na tym etapie powinieneś zdefiniować swoje cele i określić, które elementy strony chcesz przetestować.

Cele będą kręcić się wokół zwiększania kluczowych wskaźników konwersji, przy czym pod słowem „konwersje” należy rozumieć kliknięcia, rejestracje lub transakcje. Możesz wybrać jeszcze „szersze” mierniki sukcesu, jakimi są zaangażowanie użytkowników lub zasięg, szczególnie podczas testowania reklam. Bez względu na specyfikę przypadku potrzebny jest jednak jasno określony wskaźnik, za pomocą którego będzie można zmierzyć względny sukces lub niepowodzenie badanych wariantów.

Gdy obierzesz już cel, powinieneś zbadać i ustalić priorytet testów, jakie zamierzasz przeprowadzić. Sprawdź, które elementy witryny (karty produktów, strony kategorii, formularze płatności etc.), są kluczowe dla osiągnięcia Twoich celów, a następnie określ, które z nich odznaczają się największym potencjałem poprawy. Zidentyfikuj strony mające wysoki wskaźniki odrzuceń (ang. bounce rate) lub porzuceń (ang. abandonment rate) oraz te odznaczające się niezwykle niskimi konwersjami czy zaangażowaniem użytkowników.

Po zidentyfikowaniu stron, które są jednocześnie istotne i mają potencjał, powinieneś uszeregować je według łatwości, z jaką możesz przeprowadzić testy. Najlepiej – zwłaszcza przy wdrażaniu zupełnie nowej strategii – zacząć od najprostszych zadań, przechodząc do coraz bardziej złożonych testów w miarę zdobywania większej ilości danych. Ta metoda pozwala zazwyczaj osiągnąć największe zyski w najkrótszym czasie.

Jako element testów możesz wybrać CTA (ang. Call-to-Action, dosł. wezwanie do działania), nagłówek tekstu reklamowego, obraz na stronie docelowej (ang. landing page), temat wiadomości e-mail lub post w serwisie społecznościowym informujący o aktualnej promocji. Najważniejsze, aby pamiętać, że przedmiotem testów powinien zostać jeden element, z pozostałą częścią niezmienioną. Wyjątkiem od tej reguły jest testowanie dwóch niezależnych wariantów, np. strony docelowej lub całej ścieżki sprzedaży, na które składają się unikalne wiadomości czy podstrony.

2. Pomysły na poprawę (formowanie hipotez)

Gdy podejmiesz już decyzję, które elementy serwisu nie działają poprawnie, powinieneś przeprowadzić burzę mózgów i stworzyć hipotezy.

Zadaj pytanie: „Jakie zmiany mogą zaowocować lepszymi wynikami stron i dlaczego?”

Hipoteza polega na ocenie, dlaczego strona lub element nie działają tak dobrze, jak mogą i w jaki sposób można to poprawić. Test A/B to zasadniczo weryfikacja tak postawionej hipotezy.

Można na przykład stwierdzić, że obecne CTA karty produktu nie wyróżnia się wystarczająco, a odwiedzający mogą mieć problem z jego odnalezieniem. Sposobem rozwiązania tego problemu mogłoby być użycie bardziej jaskrawego koloru przycisku CTA.

Najlepszym sposobem formułowania hipotez jest użycie następującego, prostego szablonu:
Jeśli…, to…, ponieważ….

Zerknijmy na przykład:

Jeśli informacje o niskim stanie zapasów zostaną dodane do kart produktów obok CTA, to wskaźnik konwersji do koszyka (ang. add-to-cart rate) (a tym samym współczynnik konwersji) wzrośnie, ponieważ elementy budowania pilnej potrzeby skłaniają użytkowników do podjęcia działań.

3. Prototypowanie i design

Po sformułowaniu hipotez wiele osób od razu zabiera się za organizację testów. Ważne jest jednak, aby prawidłowo przeprowadzić burzę mózgów i zweryfikować różne opcje designu, upewniając się, że zaangażowany został cały zespół, a każdy pomysł wzięto pod uwagę.

Najlepiej rozpocząć od stworzenia luźnych ram proponowanych zmian, starając się wykreować tak wiele propozycji, jak to możliwe. Po rozstrzygnięciu, które z nich wydają się najbardziej obiecujące, możesz utworzyć ostateczne prototypy do celów wdrożeniowych.

4. Kodowanie i test

Zacznij od obliczenia wielkości próby. „Wielkość próby” to liczba wejść na stronę, który musisz wygenerować, aby móc jednoznacznie stwierdzić, że różnice pomiędzy wynikami nie są przypadkowe. Omówimy ten temat bardziej szczegółowo w następnym podpunkcie. Jeżeli na ten moment na określoną stronę spływa dosyć niewielki ruch lub jest ona dopiero w fazie rozwoju, zawsze możesz sprowadzić więcej ruchu.

Następnie, mając przyszykowane niezbędne podstawy, możesz wybrać odpowiedni zestaw narzędzi i rozpocząć testy. Narzędzia powinny zostać dopasowane do potrzeb. Do testowania pojedynczych elementów strony zazwyczaj wystarczy prosty edytor WWW. W przypadku bardziej złożonych testów A/B, jak na przykład przy porównaniu zupełnie różnych ścieżek sprzedaży, potrzebne mogą okazać się bardziej zaawansowane narzędzia. Istnieje także specjalne oprogramowanie do e-mail marketingu i przeprowadzania kampanii reklamowych, które umożliwiają prowadzenie testów A/B.

Jeżeli dysponujesz zespołem programistów do implementacji kodu na stronie, projekty stworzone w poprzednim kroku okażą się w tym momencie nieocenione.

5. Wyniki

Po zakończeniu testu możesz ocenić wyniki i sformułować nowe hipotezy dla następnych testów A/B. Analiza wyników ma dwa główne cele: poznanie zwycięskiej opcji oraz wygenerowanie nowych pomysłów na testy. Czasem wyniki mogą okazać się niejednoznaczne i prowadzić do zmiany czy nawet porzucenia oryginalnych hipotez. Zdarzają się też jednak wyniki na tyle znaczące, że w ich rezultacie zdecydujesz się przeprowadzić podobne testy także na innych, powiązanych stronach, lub wypróbujesz jeszcze bardziej zaawansowane zmiany w oparciu o pierwotny projekt.

Testy A/B warto traktować jako element strategii długoterminowej. Najlepiej dążyć do wprowadzenia licznych drobnych zmian w przeciągu wielu tygodni czy nawet miesięcy. Zapewni to nieustanny i znaczący wzrost ogólnego współczynnika konwersji.

Jak obliczyć wielkość próby dla testu A/B?

Obliczenie minimalnej wielkości próby będzie stosunkowo łatwe, kiedy zrozumiesz podstawowe pojęcia.

Oto kilka terminów, które musisz znać:

• Bazowy współczynnik konwersji (ang. baseline conversion) – współczynnik konwersji dla oryginalnej wersji strony.
• Minimalny wykrywalny efekt – jest to innymi słowy minimalna procentowa zmiana współczynnika konwersji w stosunku do stanu wyjściowego, która Cię satysfakcjonuje: może to być 2%, 3%, 5% czy 10%. Przy projektowaniu testów A/B nie powinno się raczej przekraczać 15%. Oczywiście niższe wyniki są łatwiejsze do osiągnięcia, ale także trudniejsze do udowodnienia, wymagają bowiem większej badanej próby. Z drugiej strony wyższe efekty łatwiej jest udowodnić przy mniejszej wielkości ruchu na stronie, ale po pierwsze trudno jest wpaść na pomysł, który mógłby przynieść tak znaczący efekt, a po drugie zazwyczaj te wysokie wzrosty nie przekładają się 1:1 w długim okresie.
• Poziom ufności – to stopień, w jakim możesz być „pewien” co do wyników. W e-commerce poziom unfości powinien wynosić między 80% a 95%.
• Poziom istotności – Poziom istotności jest odwrotnością poziomu ufności. Na przykład poziom istotności wynoszący 5% oznacza, że ​​istnieje 5% szansa, że ​​wyniki są efektem przypadku. Poziom istotności od 5% do 20% uznawany jest za normalny.
• Moc statystyczna – często pomijana przez osoby korzystające na co dzień z testów A/B „moc statystyczna” to procent opisujący prawdopodobieństwo, że test znajdzie minimalny wykrywalny efekt, zakładając, że taki istnieje. Załóżmy na przykład, że Twój minimalny wykrywalny wzrost, którego poszukujesz to 5%, moc statystyczna jest równa 80%, a testowany przez Ciebie wariant alternatywny poniesie porażkę. Masz wówczas 80% pewności, że przegrana wersja nie jest lepsza o 5% lub więcej.

Aby obliczyć minimalną wielkość próby możesz skorzystać z kalkulatora od Evan Miller. Ważne, abyś test prowadził tak długo, aż minimalna wielkość próby zostanie osiągnięta (nawet jeśli narzędzie do przeprowadzania testów, które używasz pokazuje istotność statystyczną przy mniejszej próbie).

Które elementy karty produktu warto przetestować?

Karty produktów to świetny materiał do przeprowadzania testów. To jedne z najważniejszych stron całego sklepu internetowego, które zwykle odznaczają się jednocześnie największym natężeniem ruchu w całej witrynie. A do tego ich testowanie jest naprawdę proste.

Oto niektóre elementy karty produktu, które mogą mieć największy wpływ na konwersje:

• Tytuł – tytuł jest pierwszym, co klienci widzą, lądując na stronie produktu. Definiuje obiekt i odróżnia go od innych produktów. Możesz eksperymentować, włączając (lub wykluczając) nazwy marek, kluczowe funkcje i USP, i testując różne wersje oryginalnej nazwy produktu.
• Obrazy – zdjęcia produktów mogą znacząco wpływać na konwersje. W szczególności główne zdjęcie produktu – to, które klienci widzą jako pierwsze po wejściu na stronę – ma kluczowe znaczenie. Przetestuj różne wersje tego obrazu, aby dowiedzieć się, który z nich okaże się najbardziej atrakcyjny.
• Opis – przekonujące opisy zachęcają klientów do kliknięcia głównego CTA. Eksperymentowanie z opisami poprzez dodawanie w tekście elementów perswazyjnych może przynieść interesujące wyniki. Rozważ powołanie się na zdobyte nagrody i wyróżnienia, wzmianki w mediach, rekomendacje celebrytów, najlepsze recenzje etc.
• Cena – praktycznie każdy odwiedzający stronę sprawdzi cenę produktu. Możesz przetestować wiele jej parametrów, takich jak kolor, rozmiar, lokalizacja i wszelkie informacje zawarte bezpośrednio obok ceny – takie jak przekreślona pierwotna cena produktu (przed zniżkami) czy termin zakończenia aktualnej promocji.
• Dostępne warianty produktu – odwiedzający często muszą określić przed zakupem dokładne cechy przedmiotu, takie jak kolor czy rozmiar. Niejasne opisy dostępnych opcji czy trudności z zaznaczeniem swojego wyboru mogą zniechęcić potencjalnych zainteresowanych. Nieczytelne oznaczenie poziomu zapasów w magazynie również powoduje niepożądaną niepewność kupujących.
• Warunki dostawy – czas oczekiwania oraz koszt wysyłki to kolejny ważny czynnik w procesie podejmowania decyzji. Możesz wyeliminować wątpliwości klientów, informując w przejrzysty sposób o warunkach dostawy, a nawet zwiększyć chęć zakupu, reklamując w widocznym miejscu bezpłatną i/lub szybką dostawę.
• CTA – ten element jest szczególnie istotny. Najważniejsze są trzy główne cechy CTA: kształt, rozmiar i kolor. CTA powinny wyróżniać się spośród innych elementów na stronie i być łatwe do kliknięcia, w szczególności na urządzeniach mobilnych.
• Ocena produktu (liczba „gwiazdek”) – robiący zakupy w sieci uwielbiają recenzje. Rozważ przetestowanie różnych wariantów oceny gwiazdkowej wyświetlanej pod nagłówkiem i ułatwienie klientom poruszania się w sekcji recenzji na kartach produktów.
• Elementy budujące pilną potrzebę (ang. urgency) – takie jak zegary odliczające czas do zakończenia promocji, ograniczona czasowo bezpłatna dostawa, specjalne zniżki etc. – mogą znacznie zwiększyć liczbę konwersji na stronie.

11 najczęstszych błędów przy testach A/B

Niepoprawnie przeprowadzone testy A/B mogą okazać się ogromną stratą czasu i pieniędzy.

Unikaj zatem następujących błędów:

1. Testowanie stron, które nie wpływają na konwersje – nie ma sensu testować stron, które nie mają znaczącego wpływu na konwersje. Przy ograniczonym czasie i zasobach kluczowe znaczenie ma zidentyfikowanie najlepszych „kandydatów” do testów i nadanie im priorytetu.
2. Testowanie kilku elementów naraz – przeprowadzając testy wielu elementów jednocześnie, nie masz pojęcia, które zmiany są odpowiedzialne za pozytywne wyniki. Wpływa to negatywnie na przyszłą zdolność do formułowania hipotez. Niestety czasem nie ma przed tym ucieczki.
3. Zbyt mała wielkość próby – Jeśli nie przestrzegasz podstawowych zasad solidnej analizy danych – obliczając wielkość próby przy istotności statystycznej pomiędzy 80% a 95% – wyniki Twoich testów będą niemiarodajne. W dłuższej perspektywie jest więcej niż prawdopodobne, że nie przybliży Cię to do osiągnięcia upragnionych celów.
4. Zbyt częste „pożyczanie” pomysłów od konkurencji – Badanie konkurencji i wykorzystywanie studiów przypadków przy formułowaniu własnych hipotez to świetna praktyka. Błędem jest jednak traktowanie ich jako jedynego źródła pomysłów na testy. Najlepsze fakty zazwyczaj osiąga się dzięki testom, jakich nie przeprowadzili dotychczas konkurenci.
5. Przeprowadzanie testów jedynie „od święta” – zgodnie ze starym powiedzeniem: testy A/B robi się przez całe życie, a nie tylko od święta. Przeprowadzanie ich na bieżąco w sposób zrównoważony pozwala nie tylko uzyskać największy wzrost konwersji, ale również strategię odporną na ciągłe zmiany w zachowaniach konsumentów.
6. Brak rozróżnienia pomiędzy procesami projektowania a rozwoju – Należy postawić wyraźną kreskę pomiędzy poszukiwaniem pomysłów (projektowaniem) a ich wdrażaniem (rozwojem i kodowaniem). Właściciele biznesów e-commerce często mylą te role, co powoduje albo nie efektywną burzę mózgów, albo słabą implementację. Nawet w sytuacji, gdy ta sama osoba odpowiedzialna jest za obie części, konieczne jest upewnienie się, że dysponuje ona zestawem niezbędnych umiejętności.
7. Opieranie hipotez na przeczuciach i założeniach – każdy zespół zajmujący się testami A/B posiada pewne założenia odnośnie czynników świadczących, że pomysł jest dobry. Ważne jest jednak, aby zachować jak najbardziej otwarty umysł i potrafić tworzyć hipotezy, które mogłyby wydawać się sprzeczne z intuicją. Istotą testów A/B jest przecież możliwość identyfikacji najlepszych i oryginalnych zmian. Procesy powinny w jak największym stopniu podważać podstawowe założenia i zachęcać projektantów do myślenia w niekonwencjonalny sposób (tzw. outside the box).
8. Niepowodzenie w tworzeniu właściwych hipotez – ważne, aby znać przyczyny swoich pozytywnych rezultatów. Generowanie kolejnych pomysłów bez przemyślenia poprzednich sukcesów działa na Twoją niekorzyść. Zrozumienie, co stoi za pozytywnymi wynikami pozwala lepiej zrozumieć zachowania klientów na przestrzeni czasu oraz, w oparciu o tę wiedzę, generować solidniejsze hipotezy w przyszłości.
9. Nieodpowiednia analiza wyników – tak więc CTA „B” daje konwersję wielkości 10%, podczas gdy CTA „A” jedynie 5%… i na tym koniec, no nie? No nie! Dane testowe zawierają ogrom przydatnych informacji o klientach, np. które segmenty cechują się najwyższym wskaźnikiem konwersji, które momenty szczególnie sprzyjają konwersji, jakie istnieją przeszkody na stronie itp. Wykorzystując platformy analityczne, jak np. Google Analytics, możesz wyciągnąć dużo więcej z wyników przeprowadzonych już testów.
10. Niezauważanie drobnych korzyści – internetowi sprzedawcy często ignorują zmiany o 2% czy 3%, spodziewając się dużo większej poprawy. W pewnym sensie jest to zrozumiałe. W Internecie czytamy głównie studia tych najbardziej udanych przypadków, co w efekcie skłania nas do podejmowania prób uzyskania równie znaczących wyników. To błąd. Nawet niewielki wzrost będzie przy dużej istotności statystycznej równie ważny jak wyższe wyniki. Testy o dużej mocy statystycznej mogą wykryć drobny efekt i okazać się równie przydatne.
11. Przedwczesne „podglądanie” wyników – Przedwczesnemu kończeniu testów A/B (przed osiągnięciem pożądanej liczby przetestowanych użytkowników) mówimy stanowcze NIE. Testerom często zdarza się osądzić zwycięstwo któregoś wariantu w oparciu o wynik w połowie testu. Takie działania świadczą jednak o ignorowaniu znacznych rozbieżności rezultatów, jakie występują w okresie trwania testu.

Przegląd najlepszych narzędzi wspomagających testy A/B w e-commerce

Testy A/B powinny towarzyszyć większości aspektów działań marketingowych i sprzedażowych Twojej firmy. Nie powinno ograniczać się ich jedynie do witryny. Większość dedykowanych aplikacji, takich jak aplikacje do e-mail marketingu, reklamy na Facebooku czy media społecznościowe zapewniają własne narzędzia do przeprowadzania testów A/B.

Ta lista zawiera najlepsze narzędzia do przeprowadzania testów A/B w e-commerce. Co więcej, nie istnieje wszechstronne, „najlepsze” narzędzie do testów A/B. Różne rozwiązania są przeznaczone dla różnych typów sklepów internetowych. Najlepszy wybór w zakresie oprogramowania zależy od wielu czynników, w tym wielkości sklepu, branży, preferowanych metod marketingowych etc.

Oto nasze zestawienie pięciu najlepszych narzędzi do przeprowadzania testów A/B w e-commerce:

• VWO – VWO to jedno z najpopularniejszych narzędzi e-commerce do przeprowadzania analiz, opracowywania nowych pomysłów i przeprowadzania testów w sieci. Platforma oferuje wszystkie niezbędne do prowadzenia kampanii optymalizacyjnych funkcje i jest naprawdę wszechstronna – dysponuje szeroką gamą możliwości zarówno dla dużych przedsiębiorstw, jak i mniejszych firm (i dla wszystkich pomiędzy). Do ich klientów należy m. in. eBay.
• Optimizely – Kolejna ważna nazwa w świecie e-commerce. Optimizely jest ulubionym narzędziem największych graczy wśród sprzedawców internetowych. Oprogramowanie zawiera potężny pakiet funkcji do przeprowadzania testów A/B, umożliwiający segmentację prób, prognozowanie, targetowanie i analizę. Idealnie sprawdza się zarówno do użytku na urządzeniach mobilnych, jak i na komputerze.
• Google Optimize – Do największych zalet Google Optimize należy przede wszystkim bezproblemowa integracja narzędzia z Google Analytics, trudno to jednak nazwać ich USP (ang. Unique Selling Point), ponieważ samo narzędzie jest bezpłatne. Optimize jest platformą służącą do testów A/B, która posiada własny edytor wizualny. Najchętniej korzystają z niej mniejsze firmy, co jest zrozumiałe, brakuje jej bowiem niestety wielu funkcji przeznaczonych dla dużych przedsiębiorstw, którymi mogą pochwalić się jej główni konkurenci. Użytkownicy mogą także zdecydować się na jej rozszerzoną, płatną wersję: Optimize 360.
• AB Tasty – AB Tasty zaprojektowane zostało z myślą o większych przedsiębiorstwach, dlatego wyposażone zostało w pełny zestaw narzędzi testujących, w tym w wielofunkcyjną platformę analityczną, edytor wizualny i zautomatyzowaną funkcjonalność wdrożeniową do przeprowadzania testów.
• Swiftswap – ta lista nie byłaby oczywiście kompletna bez aplikacji Swiftswap naszej firmy. Wyjątkowość ​​Swiftswap zapewnia wykorzystanie sztucznej inteligencji do kształtowania i usprawniania procesu testowania. Zaprojektowany został specjalnie tak, aby umożliwiać wprowadzanie szybkich i spójnych zmian optymalizacyjnych w sklepach internetowych. Istnieje również możliwość integracji tego narzędzia ze wszystkimi platformami e-commerce. Swiftswap dostępny jest w ramach outsourcowanego pakietu optymalizacyjnego naszej firmy — Growcode.

Testy A/B w e-commerce – studia przypadków (case studies)

Jak zatem wyglądają testy A/B w praktyce?

Oto trzy przykłady na podstawie przypadków, z jakimi zmagaliśmy się w Conversion:

1. Budapester

Budapester to duży sklep internetowy, który sprzedaje designerskie torby, obuwie i akcesoria. Firma chciała wdrożyć efektywny kosztowo długoterminowy plan testów. Analiza wykazała, że ​​największy potencjał poprawy wykazują karty produktów oraz koszyk zakupowy.

Wynik: współczynnik konwersji wzrósł o 12,5%.

Sformułowano i przetestowano następujące hipotezy:E

Hipoteza pierwsza: wyraźniejsza komunikacja USP na wszystkich kartach zwiększyłaby konwersje.

Przed: USP obejmujący bezpłatną wysyłkę i natychmiastową dostępność produktu nie był pokazywany na kartach produktów.

Po: USP został umieszczony pod opisem produktu oraz w nagłówku.

Hipoteza druga: nagłówek zajmował zbyt dużo miejsca i rozpraszał odwiedzających niepotrzebnymi linkami i informacjami.

Przed: nagłówek był nieczytelny, z dużą ilością małych przycisków i niepotrzebnymi linkami.

Po: Nagłówek został uproszczony, a główne przyciski stały się wyraźniejsze.

Hipoteza trzecia: uproszczony wygląd koszyka zakupowego zmniejszy częstotliwość porzucania koszyka przez klientów.

Przed: Na stronie potwierdzenia zakupu nie wyświetlała się informacja o bezpłatnej dostawie, a obniżka ceny nie została wyraźnie podkreślona.

Po: Darmowa dostawa, dostępność i rabaty zostały przedstawione jasnym kolorem, tak aby rzucały się w oczy.

2. Reserved

Reserved to największy sklep z branży mody w regionie Europy Środkowo-Wschodniej. Ich sklep internetowy uruchomiony został w 2013 roku.

Wynik: wzrost współczynnika konwersji o 4,6%.

Kliknij tutaj, aby przeczytać pełne case study.

Sformułowano i przetestowano następujące hipotezy:

Hipoteza pierwsza: dodanie USP do najważniejszych stron – strony głównej, kart produktów i stron kategorii – pomogłoby przekonać odwiedzających o wyjątkowych korzyściach płynących z zakupów w Reserved.

Przed: Brak wyraźnych USP na stronie głównej.

Po: USP wyświetlane są na stronie głównej tuż pod nagłówkiem.

Hipoteza druga: eksponowanie USP na stronie koszyka zakupowego ograniczyłoby częstotliwość porzucenia koszyka przez klientów.

Przed: niektóre USP były pokazywane, ale przedstawione zostały niejasno. Informacje o bezpłatnej dostawie oraz bezpłatnej dostawie kurierskiej przy zakupach powyżej 50 $ nie zostały pokazane.

Po: Sekcja wyświetlająca informacje o USP została umieszczona po prawej stronie.

3. 4F

4F sprzedaje odzież sportową i akcesoria sportowe. Firma cieszy się reputacją produktów o dobrej jakości – dzięki połączeniu tradycyjnych procesów produkcyjnych z nowoczesnymi wzorami.

Wynik: wzrost globalnego współczynnika konwersji o 8%.

Kliknij tutaj, aby przeczytać pełne case study.

Sformułowano i przetestowano następujące hipotezy:

Hipoteza pierwsza: szczegółowe opisy na kartach produktów złagodzą wątpliwości klientów i zachęcą więcej odwiedzających do dodawania produktów do koszyka.

Przed: Informacje o produkcie były rozproszone, trudne do przeskanowania wzrokiem i umieszczone w dużej odległości od CTA.

Po: Szczegółowe informacje o produkcie, w tym informacje o dostawie, zostały napisane tak, aby łatwo było przeskanować je wzrokiem, i umieszczone obok CTA.

Hipoteza druga: wyświetlanie procentowej wartości rabatów spowoduje, że więcej klientów doda produkty do koszyka.

Przed: obniżona cena została przekreślona i wyświetlona obok bieżącej ceny, bez dalszych informacji.

 

Po: liczba przedstawiająca obniżoną cenę w procentach została uwzględniona obok bieżącej ceny.

Hipoteza trzecia: wyświetlanie informacji o dostawach do sklepów zwiększyłoby konwersję, ponieważ jest to bardzo istotna dla klientów informacja, a 4F dysponuje rozległą siecią sklepów stacjonarnych.

Przed: Informacje o możliwej dostawie do sklepu znajdowały się dość daleko na stronie.

 

Po: Szczegółowe warunki zarówno bezpośredniej wysyłki jak i odbioru w sklepie stacjonarnym wyświetlone są obok siebie nad CTA.

 

Jak widać, większość przetestowanych elementów strony to dość ogólne przykłady testów A/B. Choć wydają się dosyć „bezpieczne”, nadal mogą znacznie zwiększyć współczynniki konwersji.

Wnioski

Dzięki informacjom przedstawionym w tym artykule możesz zacząć przeprowadzać testy, które przyniosą realne wyniki i przybliżą Cię do upragnionych wartości współczynnika konwersji oraz wielkości przychodów.

Należy jednak pamiętać o ważnej kwestii.

Nie zapominaj, jak istotna przy przeprowadzaniu testów A/B jest ich ciągłość oraz spójność.

Wdrożenie kampanii optymalizacyjnej polegającej na wprowadzaniu wielu drobnych zmian z biegiem czasu pozwoli Ci znacznie prześcignąć konkurencję. Z tej strategii korzystają wielcy gracze tacy jak Amazon, co pozwala im osiągnąć współczynniki konwersji znacznie wyższe od średniej w branży.

A może skontaktuj się z Conversion?

Jeśli chcesz, aby doświadczony zespół przygotował za Ciebie strategię optymalizacji, skontaktuj się z Conversion. Mamy wieloletnie doświadczenie w przeprowadzaniu testów A/B i możemy wdrożyć długoterminową strategię za ułamek kosztów, jakie poniósłbyś przy samodzielnych próbach. Do tego zyskujesz gwarancję dowiezienia wyników. Jeśli nie uda nam się ich dostarczyć, oferujemy pełny zwrot pieniędzy. Przeczytaj więcej o optymalizacji konwersji w ecommerce.

The post Przewodnik po Testach A/B w E-commerce: Strategie, Taktyki, Narzędzia, Analiza Danych i Case Studies first appeared on Conversion.

Niedawno opublikowaliśmy darmowy raport na temat trendów e-commerce w roku 2017 i opinii ekspertów z branży na ich temat.

Rok 2017 zbliża się wielkimi krokami. Jakie zmiany przyniesie w branży e-commerce? Dokładnie to pytanie zadaliśmy 10 ekspertom z branży, a następnie dołożyliśmy do puli wypowiedzi swoją cegiełkę i przekuliśmy całość w raport, dzięki któremu lepiej przygotujesz swój sklep internetowy na nadchodzące wyzwania.

Przeczytaj artykuł i dowiedz się, co mają do powiedzenia eksperci na temat najważniejszych trendów na rynku e-commerce w 2017 roku. Możesz również już teraz pobrać za darmo pełną wersję raportu.

Coraz mniejsza zależność działów e-commerce od IT

Działy e-commerce są coraz bardziej samodzielne za sprawą rozwoju narzędzi różnego rodzaju. Jednym z najbardziej popularnych jest bezpłatny Google Tag Manager, który służy do zarządzania skryptami na stronie internetowej.

Ponadto, na rynku pojawiają się pierwsze narzędzia, które umożliwiają zmienianie wyglądy witryny w dowolny sposób bez ingerencji działu IT. Dzięki takim narzędziom wdrażanie mniej i bardziej skomplikowanych poprawek do wyglądu sklepu internetowego zajmuje kilka dni, a nie tygodni. Przyczynia się do tego również wzrost popularności otwartych oprogramowań sklepów internetowych, które pozwalają na większą elastyczność witryny.

Dyrektorzy e-commerce w roku 2017 będą prawdopodobnie odchodzić od olbrzymich projektów redesignów, które są zarówno koszto- jak i czasochłonne, a jednocześnie obarczone dużym ryzykiem niepowodzenia. Zamiast tego lepiej jest wdrażać mniejsze zmiany, których wpływ na współczynnik konwersji łatwo jest zbadać.

Połączenie danych online i offline

Ogromnym wyzwaniem dla każdego sklepu działającego zarówno online jak i offline jest identyfikacja customer journey map i jego pomiaru (w uproszczeniu chodzi o zilustrowanie doświadczenia klienta, który korzysta z danej usługi lub produktu).

Klienci stają się coraz bardziej wymagający, dlatego ich podróż od zainteresowania produktem do zakupu powinna przebiegać bez żadnych przeszkód. Mapowanie podróży klienta (customer journey) porządkuje i systematyzuje działania, a także daje impuls do zmiany. Nie ma nic cenniejszego od zadowolonych klientów, którzy powracają i polecają firmę innym. Trzeba jednak pamiętać, że budowanie pozytywnych doświadczeń klienta nie oznacza zaplanowania jednorazowej akcji promocyjnej, potrzebna jest kompleksowa strategia. Często to proces długotrwały i czasochłonny, który opiera się nawet na zmianach w kulturze organizacyjnej firmy. Jednak naprawdę warto podjąć ten wysiłek.

Magdalena Zasuń, Digital Strategy Specialist, Bluerank

W erze omnichannel proste przypisanie całej zasługi za sprzedaż tylko ostatniemu kanałowi, z którego pochodzi konwersja, nie ma najmniejszego sensu. W ten sposób przypisujemy konkretnemu kanałowi 100% zasługi, mimo tego, że użytkownik najprawdopodobniej wchodził w interakcję z marką na kilku płaszczyznach, z których każda przyczyniła się do konwersji.

W najbliższych latach rzeczywistości online i offline będą się coraz bardziej przenikały. Znaczy to, że osoby zarządzające biznesami e-commerce muszą znaleźć sposób na zbieranie rzetelnych danych o zachowaniu użytkownika w obu rzeczywistościach.

Omnichannel

Rok 2017 będzie okresem dalszego rozwoju omnichannel. Duże brandy, które weszły w e-commerce będą optymalizować działania w tym obszarze, co wynika z konieczności zapewnienia użytkownikom spójności w kontakcie z marką w każdym kanale. Pojawią się dodatkowe usługi pozwalające na łączenie zakupów na styku online i offline oraz rozwiną się modele typu click & collect, dające realne korzyści dla klientów.

Paweł Paszkowski, Dyrektor E-commere, Bdsklep.pl

Na rynku e-commerce już od dawna jest niezwykle głośno o pojęciu „omnichannel”. Wygląda jednak na to, że dyrektorzy e-commerce w końcu przejdą od słów do czynów.

Coraz więcej biznesów e-commerce otwiera placówki stacjonarne i odwrotnie – prawie nie ma sklepów operujących jedynie w „realu”. Wyzwaniem jest sprawne przeprowadzenie firmy przez okres transformacji infrastruktury, zespołu i procesów w taki sposób, aby zapewnić sobie spójność obsługi niezależnie od formy kontaktu klienta z organizacją. Dużo mówi się o „omnichannel”, jednakże na razie są to raczej pojedyncze próby wdrożenia poszczególnych narzędzi powodujące raczej wypieki na twarzach młodych adeptów branży niż realną korzyść wyrażoną w pieniądzu. Bo instalacja np. „inteligentnych” przymierzalni opartych na silniku rekomendacji z ecommerce jest spektakularna, jednak na razie zauważalnego przychodu z tego nie ma. Myślę, że trend ten będzie zyskiwać na sile – wygrają Ci, którzy z poszczególnych narzędzi będą w stanie zbudować wydajny i spójny ekosystem.

Łukasz Grajewski, Dyrektor E-commerce, Sportowysklep.pl

Wszyscy są zgodni co do tego, że najbardziej istotna z punktu widzenia konsumenta jest ciągłość doświadczenia. Dokładnie z tego powodu sklep internetowy nie może być traktowany jako zupełnie odrębny od handlu stacjonarnego kanał sprzedaży. Rodzi to jednak wyzwania związane ze stworzeniem odpowiedniej struktury działu e-commerce, umieszczeniem go w strukturze firmy czy wyborem technologii, która zapewni użytkownikom jednakowe doświadczenie we wszystkich kanałach.

Zdecydowanie firmy więcej o personalizacji mówią a za mało egzekwują w swoich codziennych działaniach. Dostosowanie portalu, komunikacji i oferty dla potrzeb indywidualnego klienta powinno być priorytetem w roku 2017.

Jakub Gierszyński, Dyrektor E-commerce, Decathlon

Udało nam się przygotować infografikę na jego podstawie. Mamy nadzieję, że Wam się spodoba!

The post Darmowy poradnik: Trendy e-commerce 2017 first appeared on Conversion.

Jest to obrazek skrajnie przerysowany, ale pozwala zrobić dobry wstęp do tematu, który chciałbym dzisiaj poruszyć. Mam na myśli problem jakości danych na których opieramy swoje decyzje. Wszystkie analizy, wszystkie raporty, wszystkie wnioski i wszystkie rekomendacje możemy wyrzucić do kosza jeżeli nie jesteśmy pewni danych na jakich je oparliśmy.

Dlaczego? Bazując na danych złej jakości (czyli takich, które słabo opisują rzeczywistość), przeprowadzamy bezwartościowe analizy z których wyciągamy kiepskie wnioski i tak dalej i tak dalej – problem z każdym kolejnym krokiem tylko się potęguje.

Jak więc zapewnić sobie dane, którym będziemy mogli zaufać? Kluczową rolę w całym procesie ciągłego utrzymania wysokiej jakości danych pełni poprawna instalacja i konfiguracja Twojego narzędzia analitycznego.

Pracując wielokrotnie nad wdrożeniami nowych instalacji, oraz modyfikując zastane konfiguracje narzędzi analitycznych, nasz zespół wypracował sobie coś w rodzaju listy kontrolnej, której wypełnienie daje dużą szansę na to, że będziemy zbierali dane najwyższej możliwej jakości. Przedstawię kilka najważniejszych zagadnień, których rozpatrzenie zagwarantuje to że do twojego Google Analytics będą spływały dane, które dobrze odwzorowują rzeczywistość.

Poniżej zebrałem, w formie krótkiej listy, elementy na które warto zwrócić uwagę aby zapewnić sobie dane dobrej jakości. W większości z tych punktów znajdą się informacje, które były już poruszane na naszym blogu, więc jeżeli chcecie dowiedzieć się na dany temat więcej to zachęcam do skorzystania z naszej wyszukiwarki.

#1 First things first

Sprawdź czy w swojej strukturze konta Google Analytics posiadasz przynajmniej trzy podstawowe widoki:

• Główny, czyli podstawowy widok, który służy Ci do przeprowadzania analiz.

• Bez filtrów, czyli widok, w którym gromadzisz niefiltrowane dane. To taka polisa ubezpieczeniowa na wypadek, gdyby stało się coś co w pozostałych widokach wpłynęłoby znacząco na jakość raportowanych danych.

• Testowy, czyli poligon, na którym można bez obaw bawić się filtrami, o których inni nie śnili nawet w najbardziej odważnych snach. Zanim wprowadzisz jakiś filtr do widoku „głównego”, przetestuj go najpierw na widoku „testowym”, bo danych utraconych w wyniku działania filtra nie da się już odzyskać.

Taka konfiguracja „minimum” zapewni Ci przejrzystość, oraz kontrolę nad tym co dzieje się w Twoim Analytics’ie. Jeżeli nie masz uzasadnionej potrzeby posiadania większej liczby widoków – zrezygnuj z nich.

#2 Podstawowe błędy

Google Analytics nie jest oprogramowaniem, które dostarczane jest w eleganckim pudełku wraz załączoną instrukcją instalacji i obsługi. Podyktowane jest to faktem, że praktycznie każda nowa instalacja jest unikalna i wyjątkowa. Tyle ile witryn w internecie, tyle różnych potrzeb na ich śledzenie. Proces instalacyjny musi być złożony, aby dać użytkownikowi pełną swobodę w sposobie konfiguracji swojego narzędzia.

Ze względu na to, że występuje tu czynnik ludzki istnieje też ryzyko popełnienia szeregu błędów już na etapie jego instalacji i konfiguracji. Można wyróżnić kilka typowych błędów, które łatwo popełnić, a które mogą negatywnie wpłynąć na jakość naszych danych. Do najczęstszych należą m. in.:

• Stosowanie parametrów UTM do tagowania wewnętrznych kampanii marketingowych w ramach serwisu. Jak już pisaliśmy na naszym blogu wielokrotnie: Wewnętrznych kampanii nie tagujemy parametrami UTM. Zmieniają one źródło i medium dla danego użytkownika, przez co tracimy cenną informację w jaki sposób go pozyskaliśmy.

• Zdarzenia na przeładowanie strony. Często próbujemy wysłać zdarzenie po kliknięciu w element, który jest hiperłączem do innej strony. Efekt może być taki, że owo zdarzenie nie zdąży się wysłać, przez co stracimy cenną informację. Warto stosować tzw. hitCallback – o czym też już pisaliśmy.

• Zdarzenia non-interaction, a właściwie brak wykorzystania opcji „non-interaction”. Kolejna pułapka na osoby korzystające ze zdarzeń. Czasem od razu po wejściu na daną stronę pojawia się pop-up, którego wyświetlenie jest rejestrowane w Google Analytics za pomocą zdarzenia. W takim scenariuszu współczynnik odrzuceń poleci na łeb, na szyję i będzie to efekt sztuczny, bo użytkownik nie wykonał przecież żadnej akcji, a Google Analytics „pomyśli”, że tak się właśnie stało.

#3 Bezpieczniki

W jednym z moich poprzednich wpisów poruszyłem już ten temat. Bezpieczniki – czyli automatyczne funkcjonalności, które mogą zwolnic nas z nieustannego „manualnego” monitorowania naszych danych. Jednym z takich bezpieczników są tzw. alerty. Alert działa jak czujka przeciwpożarowa, uruchamia się gdy wykryje anomalię w spływających do Analytics’a danych. Sami możemy ustalić na zmiany wartości jakich metryk ma reagować nasz alert i jak czuły powinien być. Polecam samodzielne skonfigurowanie grupy alertów, przynajmniej tych reagujących na zmiany w kluczowych dla nas metrykach.

Kolejnym z narzędzi, które wspomaga nas w monitorowaniu poprawności zbieranych danych są dashboardy, czyli modyfikowalne karty na których możemy umieszczać rozmaite informacje. W jednym widoku możemy widzieć demografię naszych użytkowników, liczbę odsłon z podziałem na grupy stron itd. Zarówno dashboardy jak i alerty mogą być wysyłane na naszą skrzynkę e-mailową, co dodatkowo ułatwia ich doglądanie.

#4 Śledzenie wszystkiego

Im więcej elementów na naszej stronie będziemy śledzili, tym uzyskamy pełniejszy obraz zachowania się użytkowników w jej obrębie. Dlatego warto zapoznać się z wirtualnymi odsłonami i zdarzeniami.

Współczesne strony internetowe mało mają już wspólnego z rozbudowanymi folderami zawierającymi dziesiątki, lub setki plików z rozszerzeniem *.html. Zamiast tego mamy strony, których zawartość zmienia się dynamicznie, osadzane są na nich całe aplikacje, a wzrok przykuwają efektowne elementy wizualne.

Aby zapewnić sobie pełne śledzenie naszej witryny i wycisnąć maksimum informacji o zachowaniu użytkowników w jej obrębie warto zainteresować się wykorzystaniem wirtualnych odsłon i zdarzeń. Zastosowań tych elementów jest naprawdę dużo, od raportowania wyświetleń toplayerów po czas w którym użytkownik zatrzymał odtwarzanie osadzonego filmu z Youtube.

#5 Rozszerzony e-commerce

Już od dłuższego czasu Google Analytics umożliwia wykorzystanie modułu rozszerzonego e-commerce. Do tej pory, stosunkowo niewiele firm zdecydowało się wykorzystać pełen potencjał tej funkcjonalności – a szkoda, bo możliwości jakie stwarza są ogromne. Dzięki skonfigurowaniu tzw. „enhanced e-commerce” możemy mierzyć liczbę wyświetleń poszczególnych produktów np. na stronach kategorii, wraz z nazwą listy na której produkt był prezentowany, oraz z numerem pozycji na której się znalazł. Dodatkowo w raportach pojawiają się informacje o kliknięciach w poszczególne produkty i wiele, wiele innych. Więc jeżeli chcesz mieć maksymalnie pełne dane o sposobie w jaki użytkownicy dokonują zakupów na Twojej stronie, to wdrożenie rozszerzonego e-commerce powinno stać się Twoim priorytetem.

To tylko kilka z dłuższej listy elementów, na które warto zwrócić uwagę jeżeli chcecie mieć dobrą instalację Google Analytics. Jeżeli macie jakieś przemyślenia, o które moglibyśmy rozbudować nasza listę to nie mogę się doczekać aby przeczytać o nich w komentarzach.

Jeśli potrzebujesz audytu konfiguracji narzędzi analitycznych (Google Analytics, AT Internet, Adobe Analytics czy Webtrends) lub chcesz rozwijać analitykę internetową wewnątrz organizacji skontaktuj się z Conversion by poznać nasze podejście. Więcej o analityce internetowej dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post 5 rzeczy, które musisz sprawdzić aby zbierać dobre dane w Twoim Google Analytics first appeared on Conversion.

Przeprowadzając audyty Google Analytics u naszych Klientów, często zauważamy, że skupiają się oni głównie na rozbudowywaniu instalacji i wykorzystywaniu nowych funkcjonalności. Zdarza się, że dbanie o poprawność gromadzonych danych schodzi na drugi plan.

To duży błąd: pełne i rzetelne dane są podstawą dobrych analiz. Mówiąc bez ogródek: jeżeli masz robić analizy na postawie niepoprawnych danych, lepiej nie rób ich w ogóle.

Najczęściej popełniane błędy

W raporcie Conversion przeanalizowaliśmy kilkanaście błędów w instalacji narzędzi analitycznych. Pod lupę wzięliśmy tylko te błędy, które można sprawdzić, analizując kod źródłowy strony i żądania, które były przetwarzane na każdej stronie.

Z tego artykułu dowiecie się jak identyfikować, poprawiać i jak unikach najczęstszych błędów w instalacji Google Analytics.

Podwójne zapytanie do Google Analytics, które obniża współczynnik odrzuceń

Jeżeli zauważysz, że współczynnik odrzuceń na Twojej witrynie jest wyjątkowo niski, powinieneś nabrać podejrzeń.

Być może Twoja witryna faktycznie tak angażuje użytkowników, że masowo przechodzą oni na kolejne strony. Jednak gdy współczynnik odrzuceń w Twoim serwisie jest niższy niż 20% o wiele bardziej prawdopodobne jest, że dane zbierane są niepoprawnie.

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

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

Jeżeli stroną wejścia jest karta produktu z zakładką, event o tym, że użytkownik jest w danej zakładce może zostać automatycznie wysłany do Google Analytics zaraz po wejściu na stronę. Wówczas współczynnik odrzuceń nie zlicza się, nawet jeżeli użytkownik spędził na stronie 5 sekund i natychmiast ją opuścił.

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

W rezultacie analitycy i Zarząd zachwycają się niskim współczynnikiem odrzuceń na podstawie raportów, które mają niewiele wspólnego z rzeczywistością.

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

_gaq.push(['category', 'action', 'label', value, true]);

W przypadku śledzenia zdarzeń za pomocą Google Tag Managera sprawa jest jeszcze prostsza: ustawiając zdarzenie wybieramy Prawda dla opcji Niewymagające interakcji.

Aż 20% serwisów popełnia ten błąd i niepoprawnie zlicza współczynnik odrzuceń.

Zdarzenia na przeładowanie

To częsty błąd; wg raportu aż 18% serwisów niepoprawnie śledzi niektóre zdarzenia.

Z tym błędem mamy do czynienia, jeżeli ustawimy zdarzenie na element, który przenosi nas na kolejną stronę. Na przykład, jeżeli dzięki zdarzeniom chcemy dowiedzieć się w jaki sposób użytkownicy opuszczają naszą stronę i śledzimy linki wychodzące.

Jednak jeżeli za pomocą zdarzeń śledzimy akcje powodujące przejście do kolejnej strony, nie możemy być pewni poprawności zbieranych danych.

Wysyłanie zdarzenia tuż przed załadowaniem innej strony rodzi bardzo duże zagrożenie, że hit z informacjami do Google Analytics po prostu nie dotrze, ponieważ kolejna strona wczyta się szybciej, zanim przeglądarka odbierze potwierdzenie odebrania przez Google Analytics wysłanego żądania.

W takiej sytuacji możemy wykorzystać funkcję hitCallback. To rozwiązanie dla zaawansowanych użytkowników. Jak wykorzystać hitCallback przeczytacie w poście Mariusza.

W przypadku, gdy śledzimy przejścia na inne strony w obrębie naszego serwisu, sytuacja jest o tyle prostsza, że możemy ustawić zdarzenie na kolejnej stronie. Na przykład, gdy chcemy sprawdzić który link użytkownicy klikają najczęściej.

Ustawienie takich zdarzeń również nie należy do najłatwiejszych. W tym przypadku można także skorzystać z funkcji hitCallback. Nie jest to jednak idealne rozwiązanie (szczególnie gdy chcielibyśmy oprzeć o to całą nawigację). HitCallBack „czeka” bowiem aż Google Analytics prześle informacje, co może spowolnić ładowanie się strony.

Obie metody są dosyć skomplikowane. Dlatego w ostateczności możemy wykorzystywać błędny sposób ze świadomością, że dane są nierzetelne – jednak obarczone takim samym błędem. Na ich podstawie nie możemy wygenerować dokładnych raportów ilu użytkowników kliknęło w dany element. Ale możemy porównać skuteczność poszczególnych elementów (jaki procent użytkowników klika częściej w jeden albo drugi element).

Błędy w ustawieniach domen dla ciasteczek

Jeżeli posiadamy subdomeny w obrębie jednego serwisu ten błąd może skutkować utratą ciągłości śledzenia. Automatyczne ustawienia Google Analytics nie pozwalają narzędziu na rozpoznawanie subdomen. To oznacza, że dla każdej subdomeny będzie tworzony osobny pakiet ciasteczek.

Załóżmy, że posiadasz sklep internetowy ze sprzętem fotograficznym. Dodatkowo prowadzisz bloga, na którym udzielasz porad dotyczących wyboru sprzętu i robienia zdjęć. Twój sklep ma adres sklep.fotografia.pl, a blog: blog.fotografia.pl. Na pewno chciałbyś śledzić zachowanie użytkowników nie tylko w obrębie tych dwóch subdomen, ale także to jak przechodzą pomiędzy tymi stronami – np. jak dużo ruchu do sklepu sprowadzają kampanie na blogu.

Każda z dwóch subdomen nada użytkownikom nowy zestaw ciasteczek. I tak w przypadku, gdy użytkownik trafi do Twojego serwisu z bloga, na koncie sklepu będzie traktowany jak każdy inny użytkownik z serwisów zewnętrznych, takich jak wp.pl.

Aby uniknąć takiej sytuacji powinnyśmy zmienić ustawienia Google Analytics. Wykorzystujemy do tego metodę _setDomainName(), w której ustawiamy domenę, która jest właścicielem ciasteczek. W ten sposób w Google Analytics przepływ użytkownika pomiędzy domenami zobaczymy w jednym raporcie jako jednego i tego samego użytkownika.

Podobny problem może stworzyć posiadanie dwóch kodów śledzących w obrębie jednego serwisu. Wówczas ciasteczka tworzone przez jedno konto mogą nadpisywać drugie. Tutaj konieczne jest ustawienie _setDomainName:

var _gaq = _gaq || [];
_gaq.push(['_setAccount','UA-xxxxxxxx-a']);
_gaq.push(['_setDomainName','xyz.pl']);
_gaq.push(['_trackPageview'];
_gaq.push(['zbiorcze._setAccount','UA-yyyyyyy-1']);
_gaq.push(['zbiorcze._setDomainName','xyz.pl']);
_gaq.push(['zbiorcze._trackPageview'];

W najnowszej wersji kodu śledzącego, Universal Analytics, śledzenie subdomen jest ułatwione i wystarczy ustawić śledzenie automatyczne dla domen.

UTM w kampaniach wewnętrznych

Częstym błędem jest wykorzystywanie parametrów UTM w kampaniach wewnętrznych. To błąd, który wpływa negatywnie na rzetelność gromadzonych danych.

Parametry UTM (źródło, medium, nazwa kampanii, słowo kluczowe i zawartość) służą do oznaczania tylko kampanii zewnętrznych – dzięki nim dane zebrane w Google Analytics są łatwe do analizy i możemy skutecznie porównywać je w czasie.

Dlaczego nie powinniśmy oznaczać parametrami UTM kampanii wewnętrznych?

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

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

Google Analytics domyślnie przypisuje konwersję do ostatniego źródła. W przypadku nadpisania źródła parametrami UTM nie uzyskujemy informacji z jakich płatnych kampanii zewnętrznych trafił do nas użytkownik. A tym samym nie wiemy tego co dla nas najważniejsze – jak efektywnie działają nasze płatne kampanie.

Wśród serwisów e-commerce 7,5% niepoprawnie śledzi swoje kampanie. Najgorzej wypada sekcja serwisów leadowych – 15% serwisów używa parametrów UTM do śledzenia kampanii wewnętrznych.

Jak poprawnie tagować kampanie wewnętrzne?

Jest kilka możliwości. Można wykorzystać parametry miejsce i nazwa kampanii lub modelu wyszukiwania w witrynie.

Serwis Frisco.pl odpowiednio śledzi kampanie wewnętrzne wykorzystując parametry miejsce (serwis-1-1) oraz nazwa kampanii.

Kolejnym rozwiązaniem jest wykorzystanie śledzenia zdarzeń (kliknięcie w kampanie odnotowujemy jako zdarzenie. Tutaj trzeba uważać na poprzedni błąd – zdarzenia na przeładowanie, i ustawić wywołanie eventu po przejściu użytkownika na kolejną stronę.

Monitorowanie kampanii wewnętrznych umożliwia także moduł ulepszony e-commerce.

Niepoprawne śledzenie transakcji

Aż 45% przebadanych serwisów e-commerce popełnia co najmniej jeden błąd w śledzeniu transakcji. To bardzo częsty problem.

W 20% serwisy rejestrują transakcje po jej opłaceniu na stronie podziękowania.

Zanim rozpoczniemy pracę z Klientem przeprowadzamy audyt i porównujemy dane dotyczące transakcji z danymi z CRM. Jeżeli rozbieżność to 10%-15% zakładamy, że dane zbierają się prawidłowo.

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

Zwykle okazuje się, że często użytkownicy po przeniesieniu do zewnętrznego systemu płatności nie wracają na stronę podziękowania, na której umieszczony jest kod transakcji. Takie zakupy w ogóle nie są rejestrowane.

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

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

Z kolei ci, którzy dokonali płatności, bardzo często nie wracają już do sklepu (znikomy procent użytkowników powraca na stronę podziękowania). Dane zebrane w ten sposób są nierzetelne.

Kolejną przyczyną rozbieżności w danych transakcyjnych między Google Analytics a CRM jest podwójne wywoływanie kodu transakcji na stronie podziękowania. Może to się zdarzyć w kilku przypadkach: gdy użytkownik powróci na stronę podziękowania, odświeży ją albo przejdzie z linku w e-mailu, który otrzyma po zakończeniu transakcji.

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

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

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

Rozwiązaniem jest zapewnienie, że kod wywołuje się tylko raz dla danej transakcji. Możemy to ustawić po stronie serwera lub stworzyć ciasteczko u użytkownika.
Rzetelne dane to podstawa dobrych analiz. Mam nadzieję, że sprawdzając krok po kroku swoją konfigurację Google Analytics zidentyfikujecie obszary, w których dane gromadzone są niepoprawnie, i uda Wam się je naprawić.

Nie traćcie czasu – pora na audyt Waszej instalacji Google Analytics.

Aby dowiedzieć się jeszcze więcej pobierzcie bezpłatnie swoją kopię Raportu Conversion Wykorzystanie narzędzi analityki internetowej w Polsce.

Jeśli potrzebujesz audytu konfiguracji narzędzi analitycznych (Google Analytics, AT Internet, Adobe Analytics czy Webtrends) lub chcesz rozwijać analitykę internetową wewnątrz organizacji skontaktuj się z Conversion by poznać nasze podejście. Więcej o analityce internetowej dowiesz się pobierając przygotowane przez nas bezpłatne poradniki, raporty oraz case studies.

The post Zadbaj o poprawne dane. 5 błędów w instalacji Google Analytics. first appeared on Conversion.

Wyzwanie to szczególnie dotyka właścicieli sklepów internetowych z zewnętrznymi płatnościami. Użytkownik często nie wraca już na stronę podziękowania za transakcję, na której rejestrowana jest konwersja złożenia zamówienia. Najczęściej w takiej sytuacji stosuje się wirtualne odsłony, wraz z którymi wysyłany jest kod transakcji e-commerce.

Czy jeżeli chcemy śledzić akcje, które powodują przekierowanie nas do innej witryny (załadowanie nowej treści w tym samym oknie przeglądarki), możemy być pewni, że każde kliknięcie zostanie odnotowane przez Google Analytics? Odpowiedź wbrew pozorom nie jest taka oczywista. W obu powyższych przypadkach standardowe wysłanie zdarzenia (hitu) Google Analytics to błąd, który może skutkować niekompletnym śledzeniem przez nas zdarzeń, wirtualnych odsłon, transakcji itp.

Na czym polega wyzwanie?

Otóż wysłanie zdarzenia tuż przed załadowaniem innej strony rodzi bardzo duże zagrożenie, że hit z informacjami do Google Analytics po prostu nie dotrze, ponieważ szybciej wczyta się kolejna strona, aniżeli przeglądarka odbierze potwierdzenie odebrania przez Google Analytics wysłanego żądania. Jeżeli spojrzymy na kod przy debuggowaniu będzie to wyglądało w sposób następujący:

Korzystając z dodatku HttpFox dla Firefox widać, że żądanie zdarzenia wywołane tuż przed przejściem do witryny zewnętrznej ma status „(Aborted)”, co oznacza, że przeglądarka nie otrzymała odpowiedzi od Google Analytics, że narzędzie prawidłowo odebrało wysłane zdarzenie. Nie oznacza to, że to zdarzenie nie zostało zarejestrowane, ale niestety nie mamy również pewności, że wszystko jest ok.

Oczywiście nie jest powiedziane, że w rzeczywistości on nie dotarł, ale jest bardzo dużo prawdopodobieństwo, że przy części takich żądań nie zostaną one po prostu zarejestrowane w naszych statystykach.

Jakie jest rozwiązanie tego problem?

Najlepszym rozwiązaniem w przypadku zewnętrznych płatności jest zastosowanie statycznej strony przejściowej, w treści której wczytywane będą wszystkie niezbędne do zarejestrowania transakcji kody. Bardzo fajnie robi to np. portal Twoje Soczewki.

Na www.twojesoczewki.com przed przejściem do zewnętrznej płatności użytkownik na stronie przejściowej (tzw. splash page) informowany jest, że za chwilę będzie przeniesiony do zewnętrznej płatności. Dzięki kilku sekundowemu załadowaniu takiej strony mamy pewność, że kody śledzące prawidłowo się załadowały, a przy okazji nie traci na tym znacząco user experience.

Kiedy jednak nie mamy możliwości wdrożenia strony przejściowej alternatywą może być wykorzystanie funkcji hitcallback. Jej specyfikację może znaleźć na stronie pomocy Google Analytics. Prezentujemy i omawiamy ją również poniżej:

Idea funkcji polega na tym, że pozwala ona wykonać inną funkcję (w przykładzie powyżej jest to po prostu wyświetlenie okna alertu z tekstem „analytics.js done sending data”) dopiero w momencie, kiedy wszystkie wcześniejsze żądania zostały poprawnie wysłane i odebrane przez Google Analytics.

Co prawda funkcja ta została stworzona dla kodu Universal Analytics, to nie trzeba było długo czekać, aby została przystosowana dla standardowego kodu śledzącego Google Analytics. Poniżej prezentowaną postać funkcji zaczerpnęliśmy od Joel Peterson’a.

Prezentowany fragment jest dodatkowo wyposażony w „bezpiecznik”, który sprawdza czy serwisie istnieje w ogóle kod śledzący Google Analytics. Gdyby go nie było, to mogłoby dojść do sytuacji, w której hitcallback nie pozwoli wykonać żadnej funkcji (przekierowania), ponieważ Google Analytics nie daje w ogóle znaku życia.

Powyższe rozwiązanie działa w ten sposób, że przekierowuje użytkownika we wskazane miejsce someOtherPage.html pod dwoma warunkami:

1. jeżeli istnieje obiekt _gat tzn. prawidłowo wczytany jest Google Analytics
2. oraz Google Analytics odberało wszystkie wysłane żądania (w przykładzie jest to zdarzenie o paramaterach Category, Action, Label)

Jeżeli natomiast na stronie nieprawidłowo został wczytany obiekt _gat (np. Google Analytics nie działa lub został zablokowany przez przeglądarkę), to tak czy inaczej nastąpi przekierowanie do strony someOtherPage.html.

O czym pamiętać przy stosowanie hitcallback?

Często w serwisach mamy wiele elementów, które nie wywołują załadowania, a które chcielibyśmy śledzić. Ba, nawet dla ułatwienia sobie analizy oznaczamy elementy, które tak naprawdę powodują przeładowanie strony, ale dla ułatwienia analizy, osadzamy na takich akcjach zdarzenia. Pamiętajmy tylko o tym, aby nie przesadzić przy stosowaniu funkcji hitcallback. W razie jakiegoś problemu z Google Analytics (co jest raczej bardzo mało prawdopodobne) możemy zatrzymać serwis np. jeżeli zaczniemy śledzić zdarzeniami jego nawigację, to użytkownicy nie będą mogli z niej skorzystać, ponieważ Google Analytics nie odbierze zdarzeń osadzonych na korzystaniu z niej.

The post Jak poprawnie śledzić zdarzenia Google Analytics z wykorzystaniem funkcji hitcallback? first appeared on Conversion.