Branża: Porównywarka cenowa
Klient: Ringier Axel Springer Polska sp. z o.o. (Warszawa, Polska)
Strona: www.skapiec.pl

Punkt wyjścia

Skąpiec.pl to jedna z największych porównywarek cenowych na polskim rynku. Serwis prezentuje miliony ofert i produktów, a miesięcznie odwiedza go blisko 4 miliony użytkowników. Przy takiej skali działania jakość danych oraz sprawność wdrażania nowych kodów śledzących miały bezpośredni wpływ na efektywność działań marketingowych i analitycznych.

Przed rozpoczęciem współpracy każda zmiana w kodzie strony wymagała zaangażowania działu IT. Nawet proste wdrożenia, takie jak śledzenie kliknięcia w przycisk, uruchomienie ankiety czy dodanie nowego kodu remarketingowego, trafiały do kolejki ticketów i mogły czekać na realizację tygodniami.

Celem współpracy było zwiększenie efektywności zbierania i analizy danych poprzez wdrożenie Google Tag Managera oraz uporządkowanie całego procesu zarządzania tagami.

Wyzwania

Najważniejszym wyzwaniem było odciążenie działu IT i umożliwienie szybszego wdrażania zmian analitycznych oraz marketingowych. Dotychczasowy model pracy powodował opóźnienia, a zespoły marketingowe i analityczne były w dużej mierze zależne od dostępności webmasterów.

Projekt był dodatkowo złożony ze względu na skalę serwisu. Skąpiec.pl posiadał już zaawansowaną konfigurację Google Analytics, rozbudowany system śledzenia oraz dużą liczbę kont i profili GA. Konieczne było więc nie tylko przeniesienie istniejących skryptów do Google Tag Managera, ale także uporządkowanie całego procesu zbierania danych.

Kluczowe wyzwania obejmowały:

• migrację rozbudowanej instalacji Google Analytics do Google Tag Managera,
• stworzenie skalowalnej warstwy danych (DataLayer),
• uporządkowanie wielu kont, profili i śledzonych elementów,
• zapewnienie wysokiej jakości i kompletności danych,
• ograniczenie zależności marketingu i analityki od działu IT,
• zachowanie ciągłości pomiaru w trakcie migracji.

Istotne było również zaprojektowanie rozwiązania przyszłościowego — takiego, które pozwoli w dowolnym momencie rozwijać śledzenie o nowe zdarzenia, skrypty i potrzeby biznesowe.

Nasze podejście

Prace rozpoczęliśmy od szczegółowego mapowania dotychczasowej konfiguracji Google Analytics. Zespół Conversion przeanalizował konta, profile oraz wszystkie elementy śledzone na stronie. Celem nie było samo przeniesienie istniejących kodów, ale ocena, które dane są naprawdę potrzebne i jak można wykorzystać je do tworzenia użytecznych analiz oraz rekomendacji.

Następnie przygotowaliśmy specyfikację DataLayer, czyli warstwy danych stanowiącej podstawę poprawnego wdrożenia Google Tag Managera. Gotowa specyfikacja została przekazana do zespołu IT Skąpiec.pl, który wdrożył ją w kodzie strony.

Kolejnym krokiem było stworzenie mechanizmów DataLayer.push, czyli sygnałów informujących GTM, że na stronie wydarzyła się konkretna akcja — np. kliknięcie przycisku lub przewinięcie strony. Dzięki wykorzystaniu zaawansowanych kodów JavaScript większość tych zmian została wdrożona bez angażowania IT po stronie Skąpiec.pl.

Aby ograniczyć ryzyko błędów, wdrożenie przeprowadzono etapowo. Conversion uruchomiło bliźniaczą instalację Google Analytics przez Google Tag Managera, opartą na osobnych kontach. Pozwoliło to porównać dane zbierane przez stare kody z danymi zbieranymi przez nową konfigurację GTM. Dzięki temu udało się zidentyfikować i poprawić błędy jeszcze przed finalnym przepięciem.

Ostateczne wdrożenie polegało na jednoczesnym wyłączeniu starych kodów przez IT i uruchomieniu nowych przez analityków Conversion. Proces był monitorowany w czasie rzeczywistym i trwał jeden dzień.

Efekty

Wdrożenie Google Tag Managera przyniosło Skąpiec.pl konkretne efekty organizacyjne, techniczne i analityczne:

• proces wdrożenia i migracji kodów trwał 6 tygodni,
• zaimplementowano 118 tagów, 96 makr i 38 reguł,
• przeniesiono m.in. skrypty Google Analytics, tagi Gemius Audience, remarketingowe AdWords oraz ankiety Qualaroo,
• odciążono dział IT,
• usprawniono pracę działu marketingu,
• przyspieszono wdrażanie nowych kodów i skryptów,
• poprawiono szybkość działania serwisu dzięki asynchronicznemu ładowaniu tagów,
• zapewniono wysoką jakość i kompletność danych,
• otwarto nowe możliwości analiz.

Szczególnie istotny był efekt praktyczny po szkoleniu zespołu. Już tydzień po wdrożeniu zespół Skąpiec.pl, przy niewielkim wsparciu Conversion, samodzielnie wdrożył kody remarketingowe nowej sieci reklamowej. Zmiana została uruchomiona następnego dnia od zgłoszenia z marketingu — podczas gdy wcześniej podobny proces przez IT trwałby ponad tydzień.

Opinia firmy Skąpiec.pl o zespole Conversion

Podsumowanie

Projekt dla serwisu Skąpiec.pl pokazuje, jak wdrożenie Google Tag Managera może uporządkować proces zbierania danych, odciążyć dział IT i zwiększyć efektywność działań marketingowych. Dzięki dobrze zaprojektowanemu DataLayerowi oraz skalowalnej konfiguracji GTM organizacja zyskała większą niezależność, szybsze wdrożenia i nowe możliwości analityczne.

The post Skąpiec.pl – Jak Skąpiec.pl usprawnił zbieranie danych dzięki Google Tag Managerowi? first appeared on Conversion.

W świecie, gdzie dane stanowią podstawę decyzji biznesowych, kluczowe jest zrozumienie, jak efektywnie wykorzystać w nim analitykę internetową. Jednym z podstawowych pytań, które przedsiębiorcy zadają sobie przy podejmowaniu decyzji o zatrudnieniu analityka internetowego, jest kwestia kosztów związanych z jego pracą. W tym artykule przyjrzymy się bliżej, ile kosztuje zatrudnienie analityka internetowego.

Znaczenie roli analityka internetowego w firmie
Kompetencje analityka internetowego
Rynek pracy analityków internetowych
Wynagrodzenie analityka internetowego
Aktualne widełki wynagrodzeń analityków internetowych i produktów pokrewnych w 2026
Pozostałe koszty zatrudnienia analityka internetowego
Podsumowanie

Znaczenie roli analityka internetowego w firmie

Analityka internetowa jest nieocenionym źródłem informacji, które mogą przyczynić się do wzrostu efektywności działań marketingowych i zwiększenia współczynnika konwersji. Wdrażanie narzędzi takich jak Google Analytics, Google Tag Manager czy Google BigQuery pozwala na gromadzenie danych w sposób zorganizowany i przystępny, co umożliwia ich skuteczną analizę i wykorzystanie w strategii firmy.

Zatrudnienie doświadczonego analityka internetowego może być inwestycją, która przyniesie wymierne korzyści. Specjalista ten nie tylko zaimplementuje odpowiednie narzędzia i zapewni ich poprawne działanie, ale również pomoże w interpretacji zebranych danych, wyciągnięciu z nich wartościowych wniosków oraz w formułowaniu rekomendacji, które będą podstawą do optymalizacji działań marketingowych i podejmowania decyzji biznesowych.

Koszty związane z zatrudnieniem analityka internetowego mogą być różne i zależą od wielu czynników, takich jak doświadczenie specjalisty, zakres jego obowiązków czy wielkość i specyfika przedsiębiorstwa. Istotne jest, aby podczas wyboru analityka kierować się nie tylko ceną, ale przede wszystkim kompetencjami i doświadczeniem, które pozwolą na osiągnięcie oczekiwanych rezultatów.

Inwestycja w analitykę internetową i zatrudnienie specjalisty może przynieść firmie znaczące korzyści. Dzięki profesjonalnej analizie danych możliwe jest nie tylko optymalizowanie istniejących kampanii marketingowych, ale również projektowanie skuteczniejszych strategii na przyszłość, co w efekcie przekłada się na lepsze wyniki finansowe przedsiębiorstwa. W dzisiejszym świecie biznesu, wykorzystanie danych online stało się kluczowe dla podejmowania świadomych decyzji strategicznych. Odpowiednia analiza tych danych może znacząco wpłynąć na sukces firmy. Dlatego rola analityka internetowego jest tak ważna i coraz bardziej pożądana na rynku pracy.

Kompetencje analityka internetowego

Koszt zatrudnienia analityka internetowego jest zależny od wielu czynników. Najważniejszym z nich jest zakres obowiązków, jakie ma spełniać osoba na tym stanowisku. Różnorodność ról w analizie danych online jest ogromna, a każde stanowisko może wymagać specyficznych, często unikalnych kompetencji.

Analityk internetowy powinien posiadać trzy kluczowe kompetencje.

1. Pierwszą z nich jest kompetencja stricte analityczna – zdolność do syntezy danych, wyciągania wniosków i przechodzenia od ogółu do szczegółu za pomocą różnych technik analizy. 
2. Drugą jest kompetencja technologiczna – zrozumienie narzędzi i technologii, na których pracuje analityk, co jest niezbędne do stawiania trafnych rekomendacji i samodzielnego pozyskiwania danych, często z wykorzystaniem narzędzi takich jak np. Google Tag Manager. 
3. Ostatnią, ale równie istotną, jest kompetencja komunikacyjna – umiejętność przekazywania wyników analiz w zrozumiały sposób dla innych członków zespołu i decydentów.

Rola analityka internetowego może być porównana do roli superbohatera, który łączy pozornie rozłączne umiejętności w jednym stanowisku. To osoba, która musi nie tylko analizować dane, ale również wdrażać rozwiązania i modelować scenariusze, aby przedsiębiorstwo mogło efektywnie wykorzystywać zgromadzone informacje w celu poprawy swojej działalności.

Warto zatem przy rekrutacji analityka internetowego zwrócić uwagę nie tylko na jego doświadczenie i umiejętności techniczne, ale również na zdolności analityczne i komunikacyjne. Tylko wtedy możemy mieć pewność, że zatrudniona osoba przyczyni się do wzrostu efektywności i konkurencyjności naszej firmy na rynku. W dzisiejszym świecie, gdzie komunikacja jest kluczowa w każdej branży, w analityce online nabiera ona szczególnego znaczenia. Analitycy online pełnią rolę mediatorów między biznesem a technologią, tłumacząc potrzeby biznesowe na język techniczny, aby następnie, na podstawie zebranych danych, formułować wnioski i rekomendacje. Zajmują się oni przecież analizowaniem danych w różnych obszarach, takich jak marketing, sprzedaż czy finanse.  Znalezienie osoby łączącej te wszystkie cechy jest wyzwaniem.

Rynek pracy analityków internetowych

Szybka analiza rynku pracy dla analityków internetowych w Polsce pokazuje, że liczba specjalistów w tej dziedzinie jest niewystarczająca w stosunku do zapotrzebowania. Przykładowo, w momencie tworzenia tego materiału w Polsce zarejestrowanych było 665 osób na stanowiskach takich jak analityk internetowy, web analyst czy analityk e-commerce. Tymczasem, według polskiej klasyfikacji gospodarczej, w 2022 roku istniało około 57 900 firm, które mogłyby potrzebować takich analiz. Nawet jeśli podwoimy liczbę analityków zakładając, że nie wszyscy są obecni na platformach takich jak LinkedIn, to i tak mamy do czynienia z dysproporcją – około 1200 analityków wobec prawie 60 tysięcy firm.

Popyt na analityków internetowych jest znacznie większy, gdy uwzględnimy wszystkie firmy działające online. Problem z niedoborem specjalistów wynika częściowo z faktu, że analityka internetowa jest stosunkowo nową dziedziną, która nie ma jeszcze ugruntowanej ścieżki edukacyjnej. Istnieją co prawda studia podyplomowe związane z analizą danych, jednak nie ma porównania między kierunkiem analityka finansowego a analityka internetowego, dla którego ścieżka kształcenia wciąż się jest w fazie tworzenia.

Rola analityka online jest kluczowa dla współczesnego biznesu, a rosnące zapotrzebowanie na tę profesję wskazuje na konieczność rozwoju odpowiednich programów edukacyjnych, które przygotują specjalistów do pracy w tej dynamicznej i ciągle ewoluującej branży. W dzisiejszym świecie e-commerce i digital marketingu, analityka online odgrywa kluczową rolę. Choć obszary takie jak analiza danych finansowych mają swoje ugruntowane miejsce w akademickich programach nauczania, to pełnowymiarowe studia magisterskie skoncentrowane wyłącznie na analityce internetowej nie są jeszcze tak rozpowszechnione. Z tego powodu przedsiębiorstwa stają przed wyzwaniem określenia kosztów związanych z zatrudnieniem analityka online.

Wynagrodzenie analityka internetowego

Podstawowym elementem, który należy wziąć pod uwagę przy obliczaniu kosztów zatrudnienia analityka są widełki płacowe. Oparte na danych z różnych raportów i ogłoszeń o pracę wynagrodzenia dla analityków internetowych prezentują się następująco:

• Junior analityk internetowy: ok. 6 000 do 10 000 złotych netto na umowę B2B.
• Specjalista (mid-level): ok. 8 000 do 14 000 złotych netto na umowę B2B.
• Senior analityk internetowy: od ok. 10 000 złotych netto miesięcznie na umowę B2B, do kwot sięgających nawet dwukrotności.

Zatrudniając analityka internetowego, firmy muszą być przygotowane na to, że wynagrodzenie stanowi jedynie część całkowitych kosztów związanych z takim stanowiskiem. Analityka online jest kluczowym elementem strategii biznesowej wielu firm. Zatrudnienie wykwalifikowanego analityka internetowego to inwestycja, która wiąże się z określonymi kosztami. Przyjmując, że analityk internetowy zarabia 10 tysięcy netto miesięcznie, roczny koszt jego zatrudnienia na umowę B2B wynosi 120 tysięcy netto. Jednak to tylko jedna ze składowych całkowitego kosztu.

Aktualne widełki wynagrodzeń analityków internetowych i produktów pokrewnych w 2026

Nowe dane płacowe pokazują, że wynagrodzenia analityków internetowych w Polsce w 2026 roku są już wyraźnie wyższe niż jeszcze rok temu. Według statystyk portalu Jooble średnie zarobki analityka internetowego to ponad 10 300 zł miesięcznie, a w największych miastach jak Warszawa nawet ok. 12 000 zł brutto miesięcznie, z dużym rozrzutem zależnym od doświadczenia i firmy. To oznacza, że obecne widełki mogą być bardziej konkurencyjne niż te podawane w starszych analizach.

Mediana płac i różnice stanowiskowe: analityk ruchu vs. analityk IT

Pozostałe koszty zatrudnienia analityka internetowego

Wynagrodzenie to oczywiście nie jedyny koszt związany z zatrudnieniem analityka. Z naszego ponad 13-letniego doświadczenia w rekrutacji na te stanowiska wynika, że istnieją cztery podstawowe elementy składające się na całkowity roczny koszt zatrudnienia analityka internetowego:

1. Koszt poszukiwania kandydata – dotyczy działań związanych z ogłoszeniem informacji na rynku o poszukiwaniu osób o pożądanych kompetencjach.
2. Koszt rekrutacji – obejmuje procesy aplikacyjne, rozmowy kwalifikacyjne i ewentualne testy kompetencji.
3. Koszt onboardingu – jest to czas, w którym nowy pracownik wdraża się w obowiązki, co zazwyczaj trwa około trzech miesięcy.
4. Koszt zatrudnienia – wszystkie wydatki związane z pracownikiem od zakończenia okresu próbnego do końca pierwszego roku pracy.

Koszt poszukiwania kandydata

Koszt pozyskiwania analityka internetowego to nie tylko wydatki bezpośrednie, ale również czas poświęcony na docieranie do potencjalnych kandydatów, obejmujący publikację ogłoszeń na portalach pracy oraz inne działania rekrutacyjne. Warto pamiętać, że każdy z tych etapów wymaga odpowiedniego przygotowania i strategii, aby efektywnie wykorzystać zasoby firmy i przyciągnąć najlepszych specjalistów w swojej dziedzinie. Przyjmijmy, że miesięczny koszt ogłoszenia rekrutacyjnego wynosi około 1500 złotych. Do tego dochodzi czas potrzebny na zarządzanie ogłoszeniami, ocenianie aplikacji i przeprowadzanie rozmów kwalifikacyjnych. 

Rozważając koszty pośrednie, takie jak obsługa portali rekrutacyjnych, pisanie ogłoszeń, monitorowanie napływu aplikacji oraz selekcjonowanie nieodpowiednich kandydatów, musimy także uwzględnić czas poświęcony na bezpośrednie poszukiwania na platformach zawodowych, takich jak LinkedIn. Załóżmy, że na poszukiwanie kandydata przeznaczamy 16 godzin miesięcznie. Z naszych obserwacji wynika, że średnio potrzeba przeprowadzić 26 wstępnych rozmów rekrutacyjnych, aby znaleźć jednego analityka internetowego.

Firmy o ugruntowanej pozycji na rynku, które są rozpoznawalne i cieszą się renomą, mogą przyciągać kandydatów szybciej niż mniej znane przedsiębiorstwa. W przypadku tych drugich, średnia liczba potrzebnych rozmów może być wyższa.

Koszt rekrutacji analityka internetowego

Poszukiwanie analityka internetowego może trwać około 6 miesięcy i generować koszt rzędu 15 tysięcy złotych. Jest to suma kosztów bezpośrednich, takich jak opłaty za ogłoszenia, oraz kosztów alternatywnych, czyli czasu poświęconego przez osoby odpowiedzialne za rekrutację oraz bezpośrednie poszukiwanie potencjalnych pracowników. Na wstępnym etapie rozważa się koszty związane z samym procesem rekrutacyjnym, które są często drugim, po kosztach zatrudnienia, największym obciążeniem dla firmy. Wymaga to nie tylko zaangażowania czasu pracownika HR, ale również specjalisty zdolnego do oceny kompetencji kandydata.

Z naszych obserwacji wynika, że większość firm, które postanawiają zatrudnić analityka internetowego, nie posiada jeszcze wypracowanej struktury analitycznej. Rzadko spotyka się zespoły analityczne liczące więcej niż pięć osób. W związku z tym, często osoba rekrutowana na stanowisko analityka jest pierwszą taką pozycją w danej organizacji.

W takich okolicznościach, by proces rekrutacji był przeprowadzony rzetelnie, firmy mogą potrzebować wsparcia zewnętrznego. Pomoc ta jest niezbędna do weryfikacji kompetencji kandydatów, szczególnie gdy w firmie nie ma wiedzy specjalistycznej w obszarze analityki online. Weryfikacja doświadczenia i wiedzy kandydatów staje się kluczowa, aby upewnić się, że informacje przez nich podawane są zgodne z rzeczywistością. W procesie rekrutacji, oprócz zarządzania średnio dwudziestoma sześcioma procedurami rekrutacyjnymi, istotne jest uwzględnienie czasu i kosztów pracy specjalisty. Koszt ten może być traktowany jako koszt alternatywny, jeśli firma już zatrudnia taką osobę, lub jako koszt zakupu usług zewnętrznych, jeżeli specjalisty brakuje. Załóżmy, że stawka za godzinę pracy specjalisty wynosi 300 zł.

Analizując koszty procesu rekrutacyjnego, średnio na jednego kandydata przypada około 5 godzin pracy dla działu HR i trzy godziny specjalisty. Podczas rekrutacji analityka online, proces selekcji kandydatów jest kluczowy. W trakcie spotkań z kandydatami zadawane są pytania, które pozwalają ocenić ich sposób myślenia i podejście do rozwiązywania problemów. Zaangażowanie specjalisty w proces rekrutacyjny to inwestycja czasu, którą szacuje się na około trzy godziny. Sumując wszystkie koszty związane z zatrudnieniem analityka, w tym czas poświęcony na selekcję i negocjacje, całkowity wydatek może wynieść około 35 tysięcy złotych. Oczywiście, są to koszty alternatywne, związane z czasem poświęconym na cały proces. Zatem zanim nowa osoba dołączy do zespołu, firma ponosi już wydatki rzędu 45 tysięcy złotych. To nie mało, biorąc pod uwagę, że analityk nie przekroczył jeszcze drzwi firmy!

Koszt onboardingu analityka

Następnie pojawia się koszt wdrożenia nowego pracownika. Po podpisaniu umowy i przybyciu do firmy, rozpoczyna się proces onboardingu. Proces ten może różnić się w zależności od organizacji, jednak jego celem jest zawsze jak najszybsze i najbardziej efektywne wdrożenie nowego członka zespołu w obowiązki. W procesie wdrażania nowego pracownika do firmy istotne jest uwzględnienie różnorodnych kosztów związanych z nim związanych, takich jak trzymiesięczny okres próbny. Kluczowym elementem jest wynagrodzenie, które dla celów przykładu przyjmiemy na poziomie 10 tysięcy miesięcznie, co daje 30 tysięcy złotych za cały okres próbny.

Oprócz wynagrodzenia, konieczne jest zapewnienie odpowiedniego sprzętu i akcesoriów niezbędnych do pracy, takich jak komputer, monitor, myszka, słuchawki. Koszty te muszą być uwzględnione w budżecie na wdrożenie nowego pracownika.

Istotnym aspektem jest również czas poświęcony przez dział HR na wsparcie nowego pracownika w procesie adaptacji do nowego środowiska pracy. To zadanie obejmuje pomoc w zaaklimatyzowaniu się w firmie i zrozumieniu jej kultury.

Następnie, należy uwzględnić czas specjalisty, który będzie odpowiedzialny za szkolenie nowego analityka internetowego. W tym przypadku, czas ten jest znacznie większy niż czas poświęcony na etap rekrutacji. Na podstawie naszych obliczeń, specjalista poświęci na wdrożenie nowego pracownika około trzydziestu do czterdziestu godzin pracy.

Podsumowując, całkowity koszt wdrożenia nowego analityka internetowego w okresie próbnym, uwzględniając zarówno wynagrodzenie, sprzęt, jak i czas poświęcony przez HR oraz specjalistów wynosi około 40 tysięcy złotych. Jest to inwestycja, która może przynieść znaczące korzyści dla firmy w dłuższej perspektywie, pod warunkiem skutecznego i efektywnego procesu wdrożeniowego. 

Koszt zatrudnienia analityka internetowego

Analityka internetowa to dziedzina, która nieustannie się rozwija i wymaga od profesjonalistów ciągłego dokształcania się. Zatrudnienie analityka internetowego wiąże się nie tylko z jego wynagrodzeniem, ale również z dodatkowymi kosztami, które mogą znacząco wpłynąć na budżet firmy. Przyjmując, że miesięczne wynagrodzenie analityka wynosi 10 000 zł, trzymiesięczny koszt jego pracy to nie tylko 30 000 zł, ale również dodatkowe 65 000 zł, które pokrywają koszty pośrednie.

Warto zwrócić uwagę, że sukces zatrudnienia zależy od wielu czynników, w tym od tego, czy nowy pracownik przetrwa okres próbny i czy będzie pasował do zespołu. Jeżeli współpraca okaże się nieskuteczna, firma będzie musiała ponownie ponieść koszty rekrutacji i wdrożenia nowego pracownika.

Ponadto, oprócz wynagrodzenia, do kosztów zatrudnienia należy doliczyć overheady, benefity oraz budżet szkoleniowy. W Conversion przyjmujemy, że budżet szkoleniowy stanowi 3% całkowitych kosztów. Szkolenia są niezbędne, aby pracownicy mogli śledzić najnowsze trendy i technologie pojawiające się w branży. Koszty pozapłacowe obejmują także integracje i inne aktywności zespołowe.

Nie można zapominać o koszcie nieobecności pracownika, który może być wynikiem urlopu czy choroby. Na umowach B2B, choć nie są regulowane przez prawo pracy, w naszej firmie praktykujemy przekładanie warunków z umowy o pracę, włączając w to 26 dni urlopu. Wszystkie te elementy składają się na całkowity koszt zatrudnienia analityka internetowego i są istotne przy planowaniu budżetu na ten dział. Analityka internetowa stanowi kluczowy element strategii wielu przedsiębiorstw, jednak zatrudnienie specjalisty w tej dziedzinie wiąże się z szeregiem kosztów, które przekraczają samą pensję. Analizując całkowity koszt zatrudnienia analityka internetowego, warto zwrócić uwagę nie tylko na wynagrodzenie, które może wynosić około 10 tysięcy netto na umowie B2B miesięcznie, ale również na dodatkowe wydatki. Te dodatkowe koszty mogą obejmować proces rekrutacji, wdrożenia oraz inne związane z zatrudnieniem, takie jak sprzęt czy szkolenia. Według szacunków, po uwzględnieniu wszystkich tych czynników, roczny koszt utrzymania analityka internetowego może przekroczyć 200 tysięcy złotych.

Podsumowanie

Przy podejmowaniu decyzji o zatrudnieniu specjalisty należy mieć na uwadze, że analitycy internetowi są stosunkowo rzadkością na rynku pracy, co może komplikować proces rekrutacyjny i wydłużać czas poszukiwania odpowiedniego kandydata. Dodatkowo, analityk internetowy to relatywnie nowy zawód, który nie jest jeszcze szeroko reprezentowany w programach edukacyjnych, co przekłada się na ograniczoną liczbę kandydatów z odpowiednimi kompetencjami.

Warto pamiętać, że zestaw umiejętności wymaganych od analityka internetowego jest bardzo specyficzny, co sprawia, że tylko nieliczni profesjonaliści posiadają niezbędne kwalifikacje. To wszystko wpływa na długość i trudność procesu rekrutacyjnego, a co za tym idzie – na koszty związane z zatrudnieniem. 

Podsumowując, przed zatrudnieniem analityka internetowego konieczne jest dokładne rozważenie wszystkich aspektów finansowych, które wykraczają poza samo wynagrodzenie. W analizie kosztów zatrudnienia analityka identytowego na umowie B2B, przy założeniu wynagrodzenia netto 10 000 miesięcznie, należy uwzględnić nie tylko roczny dochód, który wynosi 120 000 zł netto. Istotne są również bezpośrednie koszty takie jak wydatki na ogłoszenia rekrutacyjne czy wynajęcie eksperta do oceny kompetencji kandydatów. Kluczowym aspektem są także koszty pośrednie, w tym czas poświęcony na proces rekrutacji oraz wdrażanie nowego pracownika, co wiąże się z utratą innych możliwości biznesowych, czyli kosztem alternatywnym. 

Ten artykuł ma na celu zwrócenie uwagi na fakt, że całkowity koszt zatrudnienia specjalisty od analityki online nie ogranicza się wyłącznie do jego pensji. Często koszty dodatkowe są znacznie wyższe i mogą mieć znaczący wpływ na budżet firmy. Warto mieć to na uwadze, podejmując decyzję o rekrutacji na takie stanowisko. 

The post Ile kosztuje zatrudnienie analityka internetowego? first appeared on Conversion.

Branża: E-commerce
Klient: Kratki.pl Marek Bal (Polska)
Strona: www.kratki.com

Punkt wyjścia

Kratki.com rozwijało swój sklep internetowy w oparciu o Magento 2.0, z frontendem opartym o technologię PWA (Progressive Web App). W momencie wdrożenia nowego rozwiązania firma potrzebowała poprawnie skonfigurowanej analityki Google Analytics, która pozwoliłaby mierzyć pełną ścieżkę zakupową oraz skuteczność działań marketingowych.

Problem polegał na tym, że w wyniku błędu we wtyczce do Google Tag Managera oraz specyfiki PWA firma traciła dane o co najmniej 10% użytkowników (a w niektórych przypadkach nawet do 70%). Zgodność danych po pierwszej implementacji wynosiła zaledwie około 30%.

Analityka opierała się głównie na Google Ads i Google Analytics, a wykorzystywane metryki ograniczały się przede wszystkim do liczby sesji i nowych użytkowników. Takie podejście było niewystarczające do świadomego zarządzania budżetami SEO i PPC, szczególnie przy ruchu pochodzącym z ponad 12 źródeł oraz sprzedaży prowadzonej na 21 rynkach.

Wyzwania

Najważniejsze wyzwania obejmowały:

• utratę części danych użytkowników w wyniku implementacji PWA,
• brak poprawnie skonfigurowanego śledzenia pełnej ścieżki zakupowej,
• konieczność rozdzielenia ruchu B2B i B2C,
• potrzebę zachowania spójności danych sprzedażowych (waluty, wersje językowe, lokalizacja),
• wybór odpowiedniego modelu atrybucji przy ruchu z wielu źródeł.

Dodatkowym wyzwaniem była migracja do Magento 2.0 oraz integracja analityki z ERP, który stanowił centralne źródło informacji o produktach.

Nasze podejście

Współpracę rozpoczęliśmy od warsztatu biznesowego z udziałem wszystkich kluczowych interesariuszy. Celem było zrozumienie procesów, potrzeb oraz celów biznesowych, a także określenie, jakie dane powinny być dostępne w docelowym ekosystemie analitycznym.

Kolejnym krokiem był szczegółowy audyt dotychczasowej konfiguracji Google Analytics oraz przygotowanie kompleksowego planu tagowania. Dokumentacja obejmowała instrukcje wdrożeniowe, uzgodnienia projektowe oraz przyszłościowe potrzeby raportowe.

Wdrożenie zostało podzielone na sprinty i realizowane etapami według trzystopniowej skali priorytetów. Takie podejście pozwoliło szybko uzyskać pierwsze dane oraz równolegle identyfikować i rozwiązywać problemy związane z technologią PWA.

Oprócz implementacji GA zoptymalizowaliśmy również inne kluczowe kody śledzące, m.in. Google Ads, Ceneo, Hotjar, Piksel Facebook, Pinterest oraz TikTok, aby zapewnić pełniejszy obraz zachowań użytkowników.

Efekty

Wdrożenie nowej architektury analitycznej pozwoliło:

• uszczelnić śledzenie w środowisku PWA i znacząco ograniczyć utratę danych,
• osiągnąć realną zgodność danych użytkowników,
• poprawnie mierzyć pełną ścieżkę zakupową,
• rozdzielić ruch B2B i B2C,
• uzyskać dedykowane widoki dla wszystkich wersji językowych sklepu,
• podejmować decyzje budżetowe w oparciu o wiarygodne dane sprzedażowe i behawioralne.

Dzięki uporządkowanej analityce Kratki.com zyskało przejrzysty wgląd w skuteczność działań marketingowych oraz możliwość świadomego skalowania sprzedaży na kolejnych rynkach.

Opinia Kratki.com na temat przeprowadzonego projektu

Zdaniem Kratki.com współpraca dała im pewność wchodzenia na nowe rynki oraz umożliwiła podejmowanie decyzji w oparciu o rzetelne, rzeczywiste dane.

Podsumowanie

Case study Kratki.com pokazuje, jak duży wpływ na jakość danych ma technologia PWA oraz sposób implementacji narzędzi analitycznych.

Kompleksowy audyt, przemyślany plan tagowania oraz iteracyjne wdrożenie pozwoliły odzyskać kontrolę nad danymi i oprzeć rozwój e-commerce na wiarygodnej analityce.

The post Kratki.com – Uszczelnienie śledzenia w PWA i odzyskanie nawet 70% utraconych danych first appeared on Conversion.

Ten artykuł jest naprawdę długi (ale jednocześnie warty przeczytania). Dlatego pozwól, że tym razem pominę wstęp i od razu przejdę do konkretów (a jest ich całkiem sporo!)

Poznaj definicję zdarzeń w Google Analytics. Dowiedz się, co i w jaki sposób warto śledzić, a także poznaj kluczowe zagadnienia związane z ich konfiguracją.

P.S. Na końcu czeka na Ciebie kilka konkretnych PRO TIPÓW, które znacznie ułatwią Ci event tracking w Twojej organizacji.

Co znajdziesz w tym artykule?
Czym są i do czego służą zdarzenia w Google Analytics?
Jakie zdarzenia warto śledzić za pomocą narzędzia od Google?
Jak prezentowała się struktura zdarzeń w UA, a jak obecnie wygląda w przypadku GA4? Opis zmian i różnic.
Zaawansowane podejścia do śledzenia zdarzeń GA4: najlepsze praktyki i trend server-side w 2025/2026
Na co warto zwrócić uwagę podczas definiowania zdarzeń w GA4?
Do wyboru, do koloru. Jakie rodzaje zdarzeń znajdziesz w Google Analytics 4?
Co zrobić, jeśli nie udało Ci się znaleźć odpowiedniego zdarzenia?
Event tracking a GA4. W jaki sposób z niego korzystać?
Jak zaimplementować zdarzenia w Google Analytics 4?
Jak jeszcze możesz przeprowadzić proces implementacji zdarzeń w GA4?
Gdzie w GA4 znaleźć już skonfigurowane zdarzenia?
Testy wykonane i co dalej?
Event tracking w Google Analytics 4 – podsumowanie i zakończenie

Czym są i do czego służą zdarzenia w Google Analytics?

Zanim dasz się porwać technologicznemu wirowi, dotyczącemu zdarzeń w Google Analytics, zacznijmy od nieco luźniejszego wstępu. Co sprawia, że uznajemy dany dzień za udany? Myślę, że gdybyśmy zebrali wszystkie potencjalne odpowiedzi, to z pewnością łączyłby je jeden wspólny mianownik, czyli: “coś się działo” czyt. wystąpiło jedno lub pojawiło się więcej zdarzeń, które nas “pochłonęły” lub sprawiły, że po prostu dobrze się bawiliśmy.

I wiesz co? Nie inaczej jest w przypadku Google Analytics. Abyśmy mogli dobrze się “bawić” podczas analizowania ruchu na naszej stronie internetowej – potrzebujemy do tego zdarzeń. No, chyba że lubisz, gdy w Twoich raportach widnieją same zera. Wówczas wystarczy, że utworzysz usługę GA i tak już ją zostawisz. Kończąc to odrobinę swobodniejsze wprowadzenie – pozwól, że przejdę do konkretów.

O ile, w przypadku Universal Analytics mieliśmy do wyboru, czy chcemy urozmaicać nasze raporty, poprzez śledzenie zdarzeń (jeden z kilku rodzajów hitów), o tyle w przypadku GA4 można powiedzieć, że zostaliśmy postawieni pod analityczną ścianą. Wszystko przez fakt, że każda interakcja podjęta przez użytkownika w Google Analytics automatycznie otrzymuje miano “zdarzenia”.

Właśnie dlatego na pytanie “po co śledzić zdarzenia w Google Analytics?” możemy odpowiedzieć pół żartem, pół serio: “tak”. Tak, ponieważ to właśnie dzięki dobrze zdefiniowanym oraz prawidłowo skonfigurowanym zdarzeniom zyskasz szczegółowe informacje na temat tego, jakie interakcje są podejmowane na Twojej stronie – w jakiej ilości oraz z jaką częstotliwością.

Jakie zdarzenia warto śledzić za pomocą narzędzia od Google?

To naturalne, że z poziomu artykułu nie jestem w stanie zaproponować Ci gotowej listy zdarzeń, która będzie idealnie dopasowana do charakteru Twojego serwisu, specyfiki biznesu, aż wreszcie – Twoich potrzeb. W związku z tym poniżej znajdziesz kilka przykładowych interakcji, które z pewnością warto rozpatrzyć jako potencjalne zdarzenie:

• śledzenie transakcji e-commerce (opcja dla sklepów internetowych, choć z powodzeniem możesz ją wykorzystać także w bardziej niestandardowy sposób – np. na stronie blogowej)
• śledzenie kroków ścieżki zakupowej (m.in. wyświetlenie produktu, dodanie produktu do koszyka, czy rozpoczęcie realizacji zamówienia)
• wysłanie formularza
• zapis do newslettera
• kliknięcie lub wyświetlenie jakiegoś elementu
• zalogowanie lub zarejestrowanie się
• błędy 404 na stronie
• “wskoczenie” użytkownika do grupy odbiorców (ciekawa opcja w interfejsie GA4)

Jak prezentowała się struktura zdarzeń w UA, a jak obecnie wygląda w przypadku GA4? Opis zmian i różnic.

Jeżeli korzystasz z obu tych narzędzi jednocześnie (stosując tzw. dual-tagging) – z całą pewnością udało Ci się dostrzec pewne różnice w strukturze występujących tam zdarzeń.

W Universal Analytics masz do wykorzystania 3 podstawowe wymiary rozróżniające, a także metrykę, która określa wartość zdarzenia. Oczywiście, możesz również definiować wymiary oraz metryki niestandardowe, jednak w tym miejscu mam na myśli strukturę, która występuje domyślnie.

Jeżeli chodzi o wspomniane wymiary – w ich zakres wchodzą: kategoria, akcja oraz etykieta. Dodatkowo możesz określić tzw. “nie-interakcyjność” danego zdarzenia, której ustawienie na “0” sprawi, że w przypadku wywołania takiego zdarzenia sesja użytkownika nie będzie uznana jako odrzucenie.

A jak to wszystko wygląda w Google Analytics 4? W tym miejscu narzędzie pozostawia Ci sporo swobody. W nowej wersji Analyticsa nie ma standardowych wymiarów zdarzeń (czyli “kategorii”, “akcji” i “etykiety”). W zamian masz do wykorzystania aż do 25 parametrów – i to na poziomie przesyłanego zdarzenia. Niektóre z nich są przesyłane w sposób automatyczny (np. page_location, czy page_referrer), co sprawia, że nie musisz ich dodatkowo definiować.

Aczkolwiek, jeżeli zależy Ci na wzbogaceniu poszczególnych zdarzeń, a rekomendowane parametry przez Google nie spełniają w pełni Twoich oczekiwań – pamiętaj, że zawsze możesz zdefiniować własne parametry (maksymalna ilość znaków nazwy to 40). Informacje o pozostałych limitach odnoszących się do omawianych zdarzeń znajdziesz bezpośrednio na stronie Google – w tym miejscu.

Zaawansowane podejścia do śledzenia zdarzeń GA4: najlepsze praktyki i trend server-side w 2025/2026

Poza klasycznym śledzeniem zdarzeń w GA4, w 2025–2026 coraz większe znaczenie zyskują praktyki, które poprawiają jakość danych i odporność pomiaru na ograniczenia prywatności – np. server-side tracking oraz odpowiednie filtrowanie ruchu wewnętrznego. Specjaliści zalecają konfigurację odpowiednich okresów retencji danych, wykluczanie ruchu testowego oraz stosowanie dedykowanych zmiennych i modeli machine learning, by unikać „szumu” i uzyskiwać bardziej wiarygodne wskaźniki zaangażowania i konwersji.

Server-side tracking i Integracja z Google Tag Manager – jak zwiększyć dokładność eventów GA4

Na co warto zwrócić uwagę podczas definiowania zdarzeń w GA4?

Podczas mojej pracy bardzo często spotykam się z problemem, w którym zauważam, że spora część osób nie chce odchodzić od struktury opisywania zdarzeń i dalej używa parametrów takich jak np.: event_category, czy event_label. Takie podejście wynika głównie z przyzwyczajenia do Universal Analytics.

Oczywiście, w GA4 można przepisać te zdarzenia z UA dosłownie “jeden do jednego” (poza nie-interakcyjnością – ta funkcjonalność zniknęła wraz ze zmianą podejścia do zaangażowania użytkowników w Google Analytics 4).

Aczkolwiek, zamiast kurczowo trzymać się starych rozwiązań – uważam, że warto wykorzystać proces migracji do przemyślenia obecnej struktury zdarzeń i dostosowania jej do nowych standardów. To trochę tak, jakbyśmy po zakupie nowego samochodu przekładali silnik z poprzedniego, ponieważ “stary silnik dobrze się sprawdzał”.

Do wyboru, do koloru. Jakie rodzaje zdarzeń znajdziesz w Google Analytics 4?

Słysząc, że więcej zdarzeń oznacza także więcej danych do analizy – z pewnością możesz stwierdzić, że w takim razie chcesz śledzić… WSZYSTKO! Pomijając już fakt, że takie podejście nie jest najlepszym rozwiązaniem – na początku warto sprawdzić, jakie możliwości daje Google na “dzień dobry”.

Pierwszą kategorią zdarzeń, które warto wyróżnić, są zdarzenia automatyczne. Wraz z zaimplementowaniem Google Analytics (np. poprzez gtag, GTM-a, czy SDK Google Analytics pod Firebase) niektóre eventy same będą się “odkładać”. Przykładem takiego zdarzenia jest, chociażby session_start, który samoistnie jest wywoływany (“doklejany”) przed pierwszą interakcją na stronie w ramach danej sesji.

W obrębie automatycznych możemy wyodrębnić całkiem sporą grupę zdarzeń, które wchodzącą w zakres tzw. Enhanced Measurement (pełną listę znajdziesz tutaj). Ich plusem jest to, że możemy je w łatwy sposób wyłączyć z poziomu ustawień streama (Administracja w interfejsie). A tak już całkiem poważnie – to oczywiście nie jest to ich jedyna zaleta.

Mianowicie, ten wbudowany moduł pozwala śledzić kilka ciekawych interakcji, takich jak page_view, scroll (po przewinięciu 90% strony), czy click (w linki wychodzące). Jest to z pewnością bardzo ciekawe rozwiązanie dla biznesów wchodzących w świat analityki internetowej, ale również kilka z tych opcji z pewnością można wykorzystywać przy bardziej zaawansowanych wdrożeniach.

Przy tym wszystkim należy pamiętać o weryfikacji poszczególnych zdarzeń np. przy pomocy DebugView. Szczególnie nie warto ufać automatycznym zdarzeniom, które dotyczą formularzy lub video. Kto konfigurował śledzenie formularzy z poziomu GTM-a przy użyciu domyślnego listenera – ten doskonale wie, o co chodzi.

Co zrobić, jeśli nie udało Ci się znaleźć odpowiedniego zdarzenia?

Jeżeli zdarzenie, które Cię interesuje, nie znajduje się na liście wszystkich automatycznych zdarzeń lub też wybrane zdarzenie nie spełnia Twoich oczekiwań (np. pod kątem przekazywanych parametrów) – musisz wziąć pod uwagę drugą kategorię zdarzeń. Są nimi wszelkie eventy, które wymagają implementacji.

Google przygotował specjalną listę rekomendowanych zdarzeń, które zostały dopasowane do konkretnych branż (np. szeroko pojętej sprzedaży online), aby w ten sposób ułatwić swoim użytkownikom pracę. Pełna lista rekomendowanych zdarzeń jest dostępna pod tym adresem.

Event tracking a GA4. W jaki sposób z niego korzystać?

Jeśli klikniesz w konkretne zdarzenie – Twoim oczom ukaże się szczegółowa specyfikacja, w której znajdziesz strukturę potencjalnego zdarzenia oraz zalecane lub wymagane parametry.

Ze wspomnianej listy warto korzystać np. w momencie, gdy chcesz rozszerzać śledzenie. Nic nie stoi na przeszkodzie, aby zdefiniować całkowicie nową nazwę zdarzenia. Z własnego doświadczenia jednak wiem, że zdecydowanie lepiej podejść do tego “z głową”. Tak, aby szerokie możliwości i spora dowolność nie okazały się Twoim największym wrogiem.

P.S. Pamiętaj o limicie 500 unikalnych nazw zdarzeń dla aplikacji. Początkowo ten limit dotyczył również stron webowych, ale na szczęście został zniesiony.

Jak zaimplementować zdarzenia w Google Analytics 4?

Jeśli po dotarciu do tej części artykułu w Twojej głowie zrodził się pomysł: “Chcę zostać bohaterem w Google Analytics i zaimplementować go własnoręcznie” – poniżej czeka na Ciebie gotowa instrukcja.

Jednym z najwygodniejszych i najszybszych sposobów jest… powierzenie tego zadania specjalistom od Conversion. Wówczas wystarczy, że skontaktujesz się z nami, przekażesz niezbędne informacje, a my zajmiemy się całą resztą. Nieskromnie dodam, że akurat to rozwiązanie jest unikalne i z pewnością nie znajdziesz go w specyfikacji. Właśnie dlatego postanowiłem od niego zacząć!

A teraz żarty na bok… (chociaż moje zaproszenie do współpracy z Conversion jest jak najbardziej na serio!). W końcu jesteśmy pierwszą w Polsce firmą – specjalizującą się w analityce internetowej oraz optymalizacji konwersji. Więc jeśli korzystać z usług, to z najlepszych!

Jak jeszcze możesz przeprowadzić proces implementacji zdarzeń w GA4?

Musisz wiedzieć, że możliwości implementowania takich zdarzeń jest co najmniej kilka. Najważniejsze z nich zawarłem w poniższych punktach.

#1 Google Tag Manager

Ulubionym (dla każdego analityka internetowego) jest wdrażanie zdarzeń przy użyciu GTM-a. W jego interfejsie znajdziesz gotowy template pod tag zdarzenia, w którym możesz m.in. wpisać wybraną nazwę zdarzenia, ustawić parametry oraz podpiąć regułę wywołującą dane zdarzenie. W tym wszystkim nie zapomnij, aby odnieść się do tagu konfiguracyjnego.

Oczywiście, każde zdarzenie rządzi się swoimi prawami i wymaga odpowiedniego podejścia. Jednak temat konfigurowania zdarzeń to materiał na dedykowany wpis, a nawet cały tutorial. Dlatego w tym miejscu jedynie o nim wspomniałem.

#2 Kod strony

Możesz również wykorzystać do tego celu tag Google (gtag.js), który umieścisz bezpośrednio w kodzie strony. W tym przypadku należy przygotować dedykowane kody zdarzeń (zgodnie ze specyfikacją), a następnie dodać je od razu na stronie.

W większości przypadków (jeśli nie korzystasz z popularnych CMSów typu WordPress), proces ten będzie wymagał wsparcia specjalistów od IT. No, chyba że znasz się na rzeczy i masz odpowiednie dostępy do strony.

Jeżeli nie, a Twoi deweloperzy są dość mocno obłożeni – takie rozwiązanie może okazać się dość problematyczne. Zwłaszcza jeśli weźmiesz pod uwagę ewentualne zmiany i konieczność aktualizowania kodu w przyszłości, chociażby po to, aby wzbogacać śledzenie).

#3 Measurement Protocol

To z kolei nieco alternatywne rozwiązanie, które nie wymaga implementacji GA4 w środowisku, z którego pochodzą dane. Polega na przesyłaniu tzw. requestów HTTP o ustalonej strukturze (oto przykład jak zbudować potencjalny request).

Tego rodzaju podejście stosuje się zazwyczaj w specyficznych scenariuszach, do których możemy zaliczyć: przesyłanie konwersji ze sklepu offline oraz interakcje server-to-server. Stanowi również “jakieś” wyjście w przypadku ograniczeń technicznych przy osadzaniu kodów śledzących.

Oprócz wspomnianych powyżej rozwiązań, w przypadku aplikacji warto korzystać z Analytics SDK dla Firebase.

Gdzie w GA4 znaleźć już skonfigurowane zdarzenia?

Nie samą konfiguracją człowiek żyje. Gdy już uda Ci się przebrnąć przez cały proces konfiguracji – wreszcie przyjdzie wyczekiwany moment, w którym zobaczysz owoce swojej ciężkiej pracy. W tym miejscu małe wtrącenie:

• Jeżeli korzystasz z GTM-a – zanim opublikujesz śledzenie zdarzeń rozważ włączenie opcji Preview Mode oraz zweryfikuj, jak te zdarzenia spływają do GA4 przy użyciu DebugView (znajdziesz to w sekcji Administracja).
• Jeżeli korzystasz z innego rozwiązania wdrożeniowego – również możesz wyodrębnić swój ruch np. poprzez włączenie wtyczki Google Analytics Debugger podczas chodzenia po stronie. Po jej włączeniu zobaczysz swoje interakcje we wspomnianym już DebugView.

Oczywiście, do dyspozycji masz również znane i lubiane – raporty w czasie rzeczywistym. Jednak na potrzeby testowania, DebugView jest zdecydowanie lepszym miejscem.

Testy wykonane i co dalej?

Gdy stwierdzisz, że Twoje śledzenia działa zgodnie z planem, to z pewnością zechcesz zobaczyć inne raporty związane ze zdarzeniami. Domyślny raport znajdziesz w sekcji Raporty -> Zaangażowanie -> Zdarzenia.

Do dyspozycji masz również Eksploracje, w których możesz przygotować raporty “szyte na miarę” – odwzorować standardowy raport lub stworzyć zupełnie nowy.

Event tracking w Google Analytics 4 – podsumowanie i zakończenie

Jeżeli udało Ci się dotrwać do końca tego artykułu – nie mam innego wyjścia, jak tylko Ci pogratulować oraz… wręczyć nagrodę! Na zakończenie mojego długiego i merytorycznego (mam nadzieję!) wywodu o event trackingu w GA4 przygotowałem kilka prawdziwych PRO TIPÓW, które znacznie ułatwią Ci korzystanie ze zdarzeń w GA4. Zapoznaj się z nimi i korzystaj do woli!

• Nie zapominaj o dodaniu parametru “currency”, jeśli definiujesz parametr “value”

Jeżeli tego nie zrobisz, to przychody (np. w raportach “Generowanie przychodu”) będą wyzerowane. Łatwo się na to naciąć, jeśli wykorzystujesz warstwy danych pod standard Universal Analytics

• Zdarzenia w GA4 są batchowane oraz mogą spływać nawet do 72 godzin od wystąpienia zdarzenia

Takie opóźnienie może wystąpić na przykład w przypadku przerwania połączenia z Internetem. Batchowanie oznacza, że zdarzenia są grupowane i wysyłane paczkami do GA4. Jednak mamy kilka wyjątków np. nie dotyczy konwersji, które są wysyłane natychmiast po wystąpieniu.

• Konfigurujesz zdarzenie, które będzie wywoływane z ograniczoną częstotliwością lub Twoja strona opiera się na małej ilości ruchu? Istnieje spore ryzyko, że nie zobaczysz takich zdarzeń w raportach zawierających metryki z liczbą użytkowników.

Wynika to z progowania (“thresholding”), które pojawia się w przypadku włączonej identyfikacji użytkowników opartej o Google Signals. Domyślnie ustawiona “Tożsamość na potrzeby raportowania” to “Mieszana”, w której skład wchodzi również identyfikacja na podstawie Google Signals.

Jeżeli jest to w Twoim przypadku problematyczne, a dodatkowo nie dostrzegasz wartości dodanej w takim trybie identyfikacji – możesz rozważyć przełączenie się na (dobrze Ci znaną z Universal Analytics), identyfikację opartą na urządzeniu (client_id).

Aby to zrobić, należy wejść do sekcji Administracja -> Tożsamość na potrzeby raportowania i wybrać opcję Zależne od urządzenia. Zmiana jest retroaktywna i w każdej chwili możesz powrócić do wcześniejszych ustawień – bez trwałego oddziaływania na dane.

• Problem z kardynalnością (mocą zbioru) jest dość powszechny w GA4

Zwłaszcza jeżeli przesyłasz wymiary cechujące się dużą unikalnością wartości. Według Google za takie wymiary należy uznać parametry, które przekazują powyżej 500 niepowtarzalnych wartości na dzień.

Pewnie zastanawiasz się, w jaki sposób możesz zidentyfikować ten problem? Jeżeli w raporcie na poziomie wymiaru zauważysz (other) to wiedz, że “coś się dzieje”. Nie będę wchodzić w dalsze szczegóły, ponieważ jest to dość rozbudowany temat. Jednak zachęcam, aby o tym pamiętać i zanim coś zdefiniujesz jako parametr – zastanów się, czy nam jest potrzebny lub czy nie warto pogrupować jego wartości.

• Przesyłasz dodatkowe parametry i chcesz mieć do nich swobodny dostęp z poziomu raportów, eksploracji, czy w Looker Studio? Zdefiniuj je jako wymiar niestandardowy.

Co ciekawe, warto to zrobić również w przypadku parametrów przesyłanych w ramach zdarzeń Enhanced Measurement (np. search_term). Bez tego działania nie otrzymasz do niego dostępu z poziomu Looker Studio (domyślny connector) oraz np. w podsumowaniu raportu standardowego (w sekcji “Eksploracje” ta grupa parametrów jest dostępna bez dodatkowych modyfikacji).

Mam nadzieję, że udało mi się przekonać Cię do przetestowania tego rozwiązania! Jeśli wiedzę zawartą w tym artykule uważasz za wartościową to koniecznie sprawdź wpis na naszym blogu mówiący o tym dlaczego warto wdrożyć Google Tag Managera!

The post Event tracking bez tajemnic. Jak śledzić zdarzenia w Google Analytics? first appeared on Conversion.

Jeżeli po zapoznaniu się z tytułem tego wpisu w Twojej głowie pojawiło się pytanie “Ale o co w ogóle chodzi?!” – uspokajam, z pewnością nie jesteś jedyną taką osobą. Sam muszę przyznać, że w pewnym momencie nawet ja miałem problemy z poruszaniem się w gąszczu przepisów, ustaleń i komunikatów, które w wielu miejsca potrafiły się wykluczać czy po prostu sobie zaprzeczać. Właśnie dlatego, z myślą o osobach takich, jak Ty (a po części takich, jak ja), postanowiłem napisać artykuł, który to wszystko objaśni.

Chcesz poznać definicję, specyfikę, początki oraz przyszłość tzw. DPF? W tym artykule znajdziesz wszystko, co potrzebne, aby rozeznać się w tym temacie oraz dowiedzieć się, do czego służy zawiązane pomiędzy Unią Europejską i Stanami Zjednoczonymi – porozumienie Data Privacy Framework.

Co znajdziesz w tym artykule?
Co to jest Data Privacy Framework?
Aktualne wyzwania i linie sporu wokół EU-US Data Privacy Framework w 2025–2026
Jaka jest geneza Data Privacy Framework?
Decyzja o adekwatności – co to takiego?
Jak wyglądała przeszłość poprzednika Data Privacy Framework?
Jak kwestia DPF prezentowała się w 2022 roku?
Przyszłość Data Privacy Framework. Czego możemy spodziewać się w 2023 roku?
Założenia DPF, czyli co tak naprawdę oznacza wdrożenie tych zapisów?
EU-US Data Privacy Framework – podsumowanie
Jaki jest znaczenie DPF dla Twojego biznesu?

Co to jest Data Privacy Framework?

Data Privacy Framework (w skrócie DPF) dotyczy swego rodzaju porozumienia pomiędzy USA i UE, które ma na celu określenie zasad związanych z przekazywaniem oraz przetwarzaniem danych osobowych obywateli Unii Europejskiej. Można powiedzieć, że stanowi odpowiedź na dwa poprzednie programy – “Safe Harbour” oraz “Privacy Shield”, które decyzją TSUE, zostały uznane za nieważne.

Aktualne wyzwania i linie sporu wokół EU-US Data Privacy Framework w 2025–2026

Debata wokół EU-US Data Privacy Framework (DPF) trwa nadal – choć ramy te zostały formalnie uznane za „odpowiednie” przez Generalny Sądu UE we wrześniu 2025 r., to nadal pojawiają się poważne zastrzeżenia ze strony organizacji pozarządowych i ekspertów. Trybunał oddalił próbę unieważnienia porozumienia (Latombe v. Komisja), co na razie daje firmom pewność transferów danych, ale prawnicy wskazują, że sprawa może trafić do Trybunału Sprawiedliwości UE i nowe wyzwania nadal są możliwe.

Co oznacza orzecznictwo dla przedsiębiorstw i jak przygotować się na możliwe zmiany prawa

Jaka jest geneza Data Privacy Framework?

W dużym skrócie można powiedzieć, że stanowi on bezpośrednią kontynuację innego, pochodzącego z marca 2022 roku, porozumienia tzw. Trans – Atlantic Data Privacy Framework, które zostało zawarte na linii Stany Zjednoczone – Unia Europejska.

Jak łatwo się domyślić – jego treść dotyczyła ochrony prywatności. A mówiąc konkretniej – władze USA zobowiązały się do ustrukturyzowania pracy swoich służ wywiadowczych (dotyczącej dostępu, przetwarzania oraz wykorzystywania danych na temat obywateli UE).

Następstwem takiego porozumienia było, wydane przez prezydenta USA – Joe Bidena, specjalne polecenie (tzw. Executive Order) mające na celu wdrożenie odpowiednich zmian w amerykańskim prawie. Takie kroki prawne ze strony USA pozwoliły również na podjęcie odpowiednich kroków w UE, a dokładniej tzw. decyzji o adekwatności.

Decyzja o adekwatności – co to takiego?

Wspomniana już decyzja o adekwatności to nic innego, jak pewnego rodzaju “pozwolenie”, dzięki któremu państwo nienależące do Unii Europejskiej, może przetwarzać dane osobowe jej obywateli. Praktycznie tak, jakby samo również było jej członkiem.

Warunek stanowi przestrzeganie surowych standardów, których doskonały przykład stanowi, chociażby RODO. Oczywiście, w przypadku podmiotów z USA (Facebooka, Google’a i kilku innych) – nie muszą być one do końca identyczne. Ważne, aby w zbliżony sposób chroniły wszelkich kluczowych i wrażliwych informacji.

Taki zabieg sprawia, że wybrane amerykańskie podmioty* mogą swobodnie zbierać, przetwarzać, a nawet przesyłać dane. I to bez konieczności przeprowadzania badań czy dodatkowych procedur sprawdzających.

* Warto wspomnieć, że treść porozumienia uwzględnia wyłącznie firmy, które wchodzą w skład dedykowanego programu.

Jak wyglądała przeszłość poprzednika Data Privacy Framework?

W tym miejscu muszę zaznaczyć, że pierwsze poważne postanowienia w tej materii miały miejsce jeszcze w 2016 roku. Początkowo takim dokumentem była wspomniana wyżej tarcza “Privacy Shield”, której zapisy przyjęto dokładnie 12 lipca 2016 r. Blisko 4 lata później, bo w 16 lipca 2020 roku Trybunał Sprawiedliwości Unii Europejskiej postanowił, że uchwalone wcześniej przepisy nie zapewniają właściwego poziomu ochrony danych mieszkańców UE. Co za tym idzie – zdecydował o uchyleniu wcześniejszej decyzji, a kwestia przesyłu i przetwarzania danych pomiędzy UE i USA ponownie nie była objęta żadnym mechanizmem.

Treść tzw. Tarczy Prywatności unieważniono z dwóch zasadniczych powodów.

• Po pierwsze – w USA brakowało przepisów, które umożliwiałyby obywatelom UE realne dochodzenie swoich roszczeń z tytułu naruszenia ich prywatności.
• Po drugie – zdaniem przedstawicieli Unii Europejskiej, amerykańskie służby posiadały zbyt szerokie uprawnienia, które umożliwiały im “obchodzenie” zapisów tarczy.

Jak kwestia DPF prezentowała się w 2022 roku?

W kwestii negocjacji regulacji prawnych dotyczących Data Privacy Framework, do jakich doszło pomiędzy przedstawicielami Unii Europejskiej oraz władzami Stanów Zjednoczonych, to właśnie rok 2022 był prawdziwym “game-changerem”.

Trwające ponad rok negocjacje na linii przewodnicząca UE Ursula von der Leyen oraz prezydent USA Joe Biden, zaowocowały następnymi krokami:

• 25 marca 2022 roku – przedstawiciele obu stron wspólnie ogłosili osiągniecie zasadniczego porozumienia dotyczącego ram nowej umowy między UE i USA. Następnie dedykowane zespoły z Ameryki oraz Europy przez długie miesiące pracowały nad szczegółami wszystkich zapisów, a także adaptowały je do konkretnych przepisów oraz warunków prawnych.
• 7 października 2022 roku – prezydent Stanów Zjednoczonych Ameryki Północnej złożył swój podpis na tzw. dekrecie wykonawczym. W szerszej perspektywie miał na celu ograniczenie uprawnień służb, usprawnienie ochrony czy sposobu dochodzenia praw, a co za tym idzie – dostosowanie się do wymagań stawianych przez TSUE.
• 12 grudnia 2022 roku – Komisja Europejska przystąpiła do procesu, którego celem było potwierdzenie należytego poziomu ochrony danych osobowych, które są przetwarzane na linii UE – USA. Ten krok w dalszej perspektywie pozwolił na ponowne działanie (zbieranie, wysyłanie i agregowanie przez nich danych) amerykańskich podmiotów – biorących udział w specjalnym programie.

* Bądź jak kto woli – „delikatnego” nieporozumienia.

Przyszłość Data Privacy Framework. Czego możemy spodziewać się w 2023 roku?

Oczywiście, potwierdzenie właściwego stopnia ochrony wcale nie jest równoznaczne z podjęciem odpowiednich kroków prawnych. Kolejnymi niezbędnymi działaniami, które zostaną podjęte prawdopodobnie w 2023 roku, będą: projekt decyzji stwierdzającej odpowiedni stopień ochrony, a tuż po niej – rozpoczęcie samej procedury jej przyjęcia.

Ta ostatnia wiąże się z koniecznością przeprowadzenia dodatkowych etapów, w tym:

• Wypracowania opinii Europejskiej Rady Ochrony Danych (EROD).
• Uzyskania zgody od komitetu złożonego z przedstawicieli państw członkowskich.
• Kontroli decyzji – przeprowadzonej przez Parlament Europejski.

Po wykonaniu tych działań Komisja Europejska będzie mogła podjąć finalną decyzję.

Założenia DPF, czyli co tak naprawdę oznacza wdrożenie tych zapisów?

Kluczowe wnioski płynące z tego rodzaju porozumienia możemy podzielić na dwie zasadnicze grupy.

Nr 1 to kwestia odpowiedzialności poszczególnych stron

Możliwości przetwarzania danych dotyczą wyłącznie certyfikowanych podmiotów, które należą do specjalnego programu. Podobnie, jak w przypadku europejskich standardów – będą musiały one informować o fakcie przetwarzania tego typu danych.

Amerykańskie podmioty uprawnione do przetwarzania danych są zobowiązane do przestrzegania zasad opisywanych przez RODO. Dotyczy to zarówno administratorów, jak również jednostek działających na terenie Stanów Zjednoczonych.

Decyzja przyjęcia do programu Date Privacy Framework będzie poprzedzona procesem certyfikacji, za który odpowiada Departamentu Handlu USA. Certyfikat ma rok ważności, po którym można ubiegać się o jego przedłużenie.

Nr 2 to kwestia skarg i dochodzenia swoich praw

W myśl przepisów zmianie ulegnie również podejście do osób oraz podmiotów, których dotyczy przetwarzanie danych. DPF umożliwi im składanie skarg, które mogą kierować zarówno do jednostek przetwarzających dane, jak i instytucji związanych administracji państwa (bezpośrednio w USA). Dodatkowo tego rodzaju roszczenia bądź skargi będą mogły być kierowane również do podmiotów Unii Europejskiej.

EU-US Data Privacy Framework – podsumowanie

Mogę śmiało stwierdzić, że wdrożenie Data Privacy Framework należy rozpatrywać jako pozytywny krok w stronę usystematyzowania przepisów, a co za tym idzie – przede wszystkim wyjście z “prawnego klinczu”, w jakim do tej pory znajdowało się wiele jednostek.

DPF w jasny sposób określa granice “kto” i “co” może robić z danymi należącymi do obywateli Unii Europejskiej. Jednocześnie dbając o transparentność ich przetwarzania, jak znacząco podnoszą poziom ochrony.

Jaki jest znaczenie DPF dla Twojego biznesu?

Jeśli jeszcze nie do końca udało Ci się zrozumieć ideę oraz złożoność tych wszystkich procesów, a mimo wszystko chcesz wiedzieć “czy” oraz w jaki sposób mogą one wpływać na Twoją firmę (zwłaszcza na dane, które pozyskujesz i przetwarzasz, chociażby za pomocą narzędzi należących do Google bądź Facebooka) – mamy dla Ciebie gotowe rozwiązanie.

Skorzystaj ze wsparcia fachowców Conversion, którzy – nie bójmy się tych słów – praktycznie “zjedli zęby” na tego typu tematyce. Jeżeli chcesz uzyskać fachową pomoc – pogadajmy.

Więcej artykułów w tematyce prywatności już niebawem!

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

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

The post EU-US Data Privacy Framework – czym jest? Podsumowanie 2022 i plany na 2023. first appeared on Conversion.

Branża: Platforma medyczna
Klient: House-Med S.A. (Kraków, Polska)
Strona: www.upacjenta.pl

Punkt wyjścia

uPacjenta to platforma medyczna umożliwiająca zamawianie badań diagnostycznych. W ramach współpracy w modelu opieki analitycznej klient rozwijał analitykę i raportowanie, przechodząc od podstawowych danych do bardziej zaawansowanych analiz ścieżek użytkownika.

W trakcie analizy danych zespół zauważył istotny problem na końcowym etapie ścieżki zakupowej, który bezpośrednio wpływał na poziom konwersji.

Wyzwania

Kluczowym wyzwaniem było zidentyfikowanie przyczyny utraty użytkowników na ostatnim etapie procesu zakupowego.

Analiza wykazała, że aż 25% sesji zatrzymywało się na etapie wyboru terminu wykonania usługi, czyli tuż przed przejściem do płatności. Mimo że był to ostatni krok w procesie, znaczna część użytkowników nie finalizowała zamówienia.

Brakowało jednak danych, które pozwoliłyby dokładnie zrozumieć przyczyny tego zjawiska oraz wskazać konkretne obszary wymagające optymalizacji.

Nasze podejście

W ramach współpracy uzupełniliśmy śledzenie o dodatkowe informacje, takie jak dostępność terminów wykonania usługi czy typ pacjenta.

Następnie przygotowaliśmy dedykowany dashboard managerski, który umożliwiał analizę procesu wyboru terminu w różnych przekrojach, m.in.:

• miasta,
• dnia tygodnia,
• typu pacjenta,
• liczby dostępnych terminów.

Dzięki temu możliwe było precyzyjne zidentyfikowanie miejsc, w których użytkownicy napotykają problemy i rezygnują z dalszego procesu.

Działania były możliwe dzięki modelowi opieki analitycznej, który zakłada:

• bieżące rozumienie biznesu i reagowanie na pojawiające się wyzwania,
• regularną współpracę i wymianę wiedzy,
• rozwój kompetencji zespołu klienta w zakresie analityki.

Efekty

Wdrożenie dashboardu managerskiego pozwoliło:

• uzyskać pełny kontekst konwersji na etapie wyboru terminu,
• zidentyfikować obszary o ograniczonej dostępności terminów,
• zaplanować działania operacyjne, w tym rozszerzenie zakresu usług i rekrutację w konkretnych regionach,
• podejmować decyzje biznesowe w oparciu o dane.

Efektem było lepsze dopasowanie oferty do potrzeb użytkowników oraz zwiększenie dostępności terminów, co bezpośrednio wpływa na poprawę konwersji.

Opinia uPacjenta.pl na temat przeprowadzonego projektu

Według zespołu uPacjenta.pl współpraca z Conversion pozwoliła rozwinąć analitykę z poziomu podstawowego do w pełni zaawansowanego.

Podsumowanie

Case study uPacjenta pokazuje, jak odpowiednio zaprojektowane dashboardy managerskie mogą ujawnić krytyczne problemy w procesie zakupowym.

Dzięki rozszerzeniu śledzenia i pracy na danych możliwe było zidentyfikowanie wąskiego gardła oraz wdrożenie działań operacyjnych, które poprawiają dostępność usług i wspierają wzrost konwersji.

The post uPacjenta.pl – Identyfikacja wąskich gardeł dzięki dashboardom managerskim: aż 25% porzuceń na etapie płatności first appeared on Conversion.

Co znajdziesz w tym artykule?
Jak analizować kampanie displayowe?
Struktura DoubleClick Manager
Czy użytkownik na pewno widział reklamę?
Czy reklama jest w dobrym miejscu?
Nowe standardy i praktyki poprawy widoczności reklam (viewability) w 2026
Podsumowanie

Jak analizować kampanie displayowe?

Poprawne zbieranie danych jest podstawą skutecznych działań w zakresie analityki internetowej. Odpowiednie otagowanie kampanii displayowych pokaże nam, którzy użytkownicy kliknęli w baner przed wejściem na naszą stronę.

Reklama display, oprócz bezpośredniego generowania ruchu, pełni jednak również inną bardzo ważną rolę. Reklamy graficzne budują wizerunek i świadomość marki lub produktu. Jak pokazują przeprowadzane przez nas analizy ścieżek wielokanałowych medium display jest bardzo często pierwszym krokiem prowadzącym do konwersji.

Wszyscy wiemy jak analizować kampanie i ich efektywność w Google Analytics. Wiemy, które wizyty prowadzą do konwersji i które źródła ruchu oraz kampanie przynoszą nam największe efekty. Jeżeli jednak intensywnie korzystamy z reklamy displayowej umyka nam bardzo duża część informacji, ponieważ nie optymalizujemy tego jak wyświetlają się nasze reklamy.

Dlatego też analizując kampanie displayowe powinniśmy również mieć możliwość odpowiedzi na pytania:

Czy użytkownik faktycznie zobaczył moja reklamę?

Czy może baner wyświetlił się w dolnej części strony do której użytkownik nie zescrollował, jak np. tutaj, na samym dole strony Onet.pl

Czy moje reklamy wyświetlają się w odpowiednim miejscu?

Chyba, żaden producent samochodów nie chciałby, żeby jego reklama wyświetlała się na stronie Fatal Car Accidents.

Rozwiązanie

W tym poście omówię dwie z funkcjonalności narzędzia DoubleClick Campaign Manager (DCM), wchodzącego w skład platformy DoubleClick Digital Marketing (DDM).

Dzięki zastosowaniu narzędzia będziemy mogli sprawdzić czy użytkownik faktycznie zobaczył naszą reklamę (funkcjonalność Active View) oraz czy reklamy wyświetlają się tam gdzie powinny (funkcjonalność Content Verification).

W skład platformy DoubleClick Digital Marketing, wchodzą również inne narzędzia umożliwiające zarządzaniem kampaniami reklamowymi jak np. DoubleClick Bid Manager (DBM), DoubleClick Search (DS.), DoubleClick AdExchange czy DoubleClick Rich Media.

W tym poście omówię dwie funkcjonalności DoubleClick Manager, które pozwalają zweryfikować efektywność, poszczególnych kampanii reklamowych.

Struktura DoubleClick Manager

DoubleClick Manager pozwala na zarządzanie kampaniami displayowymi w Internecie. W ramach Konta tworzymy Reklamodawcę. Dla Reklamodawcy tworzymy Kampanię, w ramach której tworzymy Reklamy oraz Kreacje. Część platformy DDM Raportowanie pozwala przeglądać dane o reklamach traffickowych w DoubleClick Manager.

W części Raportowanie znajduje się karta Weryfikacja, dzięki której możemy przeanalizować poprawność emitowanych kampanii reklamowych. Dwie funkcjonalności, które pomogą nam odpowiedzieć na pytania zaprezentowane we wstępie to Active View oraz Content.

Czy użytkownik na pewno widział reklamę?

Dzięki funkcjonalności Active View, sprawdzimy jaka część reklam display (raportowanych jako wyświetlone) była faktycznie widziana przez użytkowników.

Narzędzie uzna reklamę jako widoczną jeśli co najmniej 50% reklamy było widoczne w części strony widzianej przez użytkownika, przez co najmniej 1 sekundę.

Dzięki temu możemy zidentyfikować i wyeliminować reklamy umieszczane w miejscach, do których większość użytkowników nie dociera i tym samym nie widzi naszych kreacji.

Jeśli rozliczamy się z wydawcami w modelu CPM (koszt za tysiąc wyświetleń), płacąc za każde wyświetlenie to warto, żeby użytkownicy faktycznie mogli zobaczyć umieszczone przez nas reklamy, dzięki czemu zwiększymy efektywność i skuteczności kampanii display.

Czy reklama jest w dobrym miejscu?

Za pomocą funkcjonalności Content Verification, DoubleClick Manager monitoruje zawartość strony internetowej, na której reklama została wyemitowana. Dzięki temu możemy upewnić się, że reklamy nie są wyświetlane na stronach z nieodpowiednimi treściami, jak hazard, przemoc czy treści dla dorosłych.

Istnieją standardowe klasyfikatory (już skonfigurowane w ramach narzędzia), za pomocą których można weryfikować strony na których pojawiły się nasze reklamy, oraz niestandardowe, które możemy sami skonfigurować i dostosować je do swoich potrzeb. Standardowe klasyfikatory oznaczają m.in. następujące tematy: pornografia, wulgaryzmy, alkohol, tytoń, narkotyki, broń, hazard, przemoc, polityka, religia, wypadki transportowe, wymiana plików, tragedia czy hacking.

Klasyfikatory niestandardowe są przydatne, jeśli chcemy wyszczególnić inną kategorię, przy której nie chcemy emitować naszych reklam. Przykładowo producent samochodów może stworzyć klasyfikator „awarie w samochodach”, aby uniknąć pokazywania reklam samochodów przy tego typu artykułach, czy też klasyfikator, który monitoruje, czy reklamy są wyświetlane na stronach, w których wspomniano konkurenta lub prezentująca daną markę w negatywnym świetle.

Można utworzyć dowolną liczbę niestandardowych klasyfikatorów, a następnie zastosować je do całego konta lub do poszczególnych kampanii.

Dzięki możliwości weryfikacji unikniemy sytuacji, że nasza reklama będzie się wyświetlała w nieodpowiednim miejscu jak w przykładzie (trochę przerysowanym ) poniżej:

Nowe standardy i praktyki poprawy widoczności reklam (viewability) w 2026

W 2026 roku viewability nadal pozostaje kluczowym wskaźnikiem dla efektywności kampanii display i video, ale samo spełnienie minimum (50% pikseli widocznych przez 1 sekundę) to często za mało, by realnie ocenić wpływ reklamy na odbiorcę. Średnia widoczność reklam display wynosi ok. 65 %, a wyższe wskaźniki silnie korelują z lepszym rozpoznawaniem marki i skuteczniejszymi konwersjami, szczególnie w kampaniach programatycznych. Dobre praktyki obejmują strategiczne umieszczanie kreacji, optymalizację pod kątem urządzeń mobilnych oraz współpracę z wydawcami, którzy osiągają wyższe standardy viewability – to nie tylko spełnia branżowe normy, ale realnie podnosi efektywność kampanii.

Metody poprawy viewability i zaangażowania użytkownika w kampaniach display

Aby poprawić wskaźnik viewability i zaangażowanie użytkowników, reklamodawcy coraz częściej sięgają po technologie i formaty, które wydłużają czas „in view” oraz aktywizują uwagę. Do skutecznych rozwiązań należą reklamy interaktywne, większe formaty natywne i rewarded ads w aplikacjach, które użytkownicy oglądają dobrowolnie w zamian za bonusy, co przekłada się na wyższe zaangażowanie i viewability.

Równolegle narzędzia analityczne mierzące „time in view” oraz głębokość interakcji (engagement depth) pomagają zrozumieć nie tylko czy reklama była widoczna, ale jak długo przyciągała uwagę odbiorców – a to kluczowe w optymalizacji kampanii pod kątem realnych rezultatów.

Podsumowanie

Jak już ponad 100 lat temu zauważyli pionierzy reklamy Jonhn Wanamaker oraz Lord Leverhulme: „Połowa środków jakie wydaje się na reklamę zostaje zmarnowana. Problem w tym, że nigdy nie wiadomo, która to połowa”.

Dzięki funkcjonalnościom DoubleClick Campaign Managera można przynajmniej częściowo zniwelować te straty, szczegółowo badając czy użytkownik widział reklamę za którą płacimy oraz czy wyświetlają się tam gdzie powinny. Przy wydatkach na reklamę display w wysokości ponad 1 mld zł rocznie, eliminacja naszych banerów z miejsc gdzie większość użytkowników nie będzie miała okazji ich zobaczyć oraz ze stron, treści których mogą przynieść naszej marce więcej szkód niż pożytku, przyniesie znaczące oszczędności.

Jest to pierwszy artykuł z serii w którym przedstawiłem dwie z wielu funkcjonalności DoubleClick Manager. Wkrótce pojawią się kolejne, które pokażą jak analitycy mogą wykorzystać to narzędzie do analizy kampanii.

The post DoubleClick 101: Czy użytkownicy widzieli reklamę, za którą płacisz? first appeared on Conversion.

Czym jest analiza kohortowa?
Dlaczego warto przeprowadzić analizę kohortową?
Nowe możliwości dzięki zaawansowanemu modelowaniu kohort – predykcja LTV i retencji
Kohorty w Google Analytics 4
Jak przeprowadzić analizę kohortową?
Podsumowanie

Czym jest analiza kohortowa?

Zanim zaczniemy mówić o samej analizie kohortowej warto wytłumaczyć samo pojęcie kohorty. W języku polskim może kojarzyć się z pejoratywnym określeniem na agresywnie zachowującą się grupę osób. Historycznie określano tak też jednostkę Legionu Rzymskiego. W naszym przypadku będzie to jednak coś bardziej optymistycznego i oznaczającego grupę osób, którą łączy zdarzenie przeżyte w tym samym lub podobnym momencie (np. użytkownicy, którzy danego dnia dokonali na naszym sklepie zakupu dowolnego produktu po raz pierwszy).

I tutaj możemy przejść do znaczenia analizy kohortowej, czyli najprościej mówiąc analizy danej kohorty. Ma ona za zadanie badać jak dana grupa osób zachowywała się w czasie. Najłatwiej będzie zrozumieć to na konkretnych przykładach. Dzięki analizie kohortowej możemy zbadać przykładowo:

• po jakim czasie od interakcji z daną kampanią użytkownicy decydowali się na zakup w sklepie?
• jaką wartość sprzedaży przynoszą użytkownicy pozyskani poprzez różne źródła ruchu po jednym, dwóch czy trzech miesiącach?

Możemy wyróżnić dwa najczęściej wykorzystywane rodzaje kohort:

• Kohorty pozyskiwania (Acquisition cohorts) – w tym przypadku możemy podzielić użytkowników na podstawie momentu ich pozyskania
• Kohorty behawioralne (Behavioral cohorts) – tutaj dzielimy użytkowników według interakcji ze stroną (np. po ilu dniach dokonano zakupu po dodaniu produktu do koszyka)

Dlaczego warto przeprowadzić analizę kohortową w Google Analytics 4?

Liczbę zastosowań analizy kohortowej ogranicza tylko nasza wyobraźnia. Oczywiście musimy być tutaj ostrożni i stawiać odpowiednie pytania, na których odpowiedź pozwoli nam skutecznie realizować cele biznesowe. Sprawny analityk może dostarczyć nam wielu ciekawych wniosków, które potem możemy przełożyć na konkretne decyzje.
Analiza kohortowa pozwala nam otrzymać konkretne informacje dotyczące LTV czy przeprowadzonych kampanii. Wzbogaci ona analizę poprzez dostarczenie informacji, których nie zobaczymy przy przeglądaniu podstawowych metryk i wskaźników jak liczba zamówień, bounce rate czy liczba użytkowników. Nie jest to oczywiście rodzaj analizy, od którego organizacja powinna zaczynać swoje wykorzystanie analityki do podejmowania decyzji (na początku należy zająć się podstawami), ale wraz ze wzrostem dojrzałości analitycznej warto umieścić jej wykorzystanie na swojej roadmapie i sprawdzić, czego możemy się z niej dowiedzieć o swoim użytkowniku.

Nowe możliwości dzięki zaawansowanemu modelowaniu kohort – predykcja LTV i retencji

Coraz więcej firm w 2025 roku wykorzystuje nowoczesne techniki statystyczne i ML do analizy kohort. Na przykład badanie opublikowane w 2025 r. przedstawia metodę bayesowską, która pozwala modelować retencję i przychód w kohortach z uwzględnieniem zmiennych dodatkowych – i prognozować przyszłą wartość klienta z określeniem niepewności.

Dlaczego prognozowanie LTV na podstawie kohort to kolejny krok w analizie danych

Dzięki prognozowaniu LTV (Customer Lifetime Value) na poziomie kohort możesz przewidzieć, jak wartościowe będą grupy klientów pozyskane w danym miesiącu – jeszcze zanim zrobią drugi zakup. To pozwala lepiej planować budżet marketingowy, onboarding, kampanie retencyjne oraz segmentację – nie po fakcie, a proaktywnie.

Kohorty w Google Analytics 4

Google Analytics 4 pozwala nam na wykorzystanie analizy kohortowej. Możemy się do niej dostać w sekcji Eksploracje wybierając “eksplorację kohortową”. Jest ona dość rozbudowana i spełni wymagania większości osób zaczynających pracę z analizami kohortowymi. Wśród możliwości dostosowania analizy kohortowej do Twoich potrzeb w Google Analytics 4 znajdują się:

• Okres czasowy, który przyjmujemy do analizy
• Warunek inicjujący (Cohort inclusion), dzięki któremu definiujemy cechę konkretnej kohorty (np. pierwsze zetknięcie użytkownika ze stroną)
• Kryterium powrotu (Return criteria) – dzięki któremu policzymy ilu (lub jaki %) użytkowników dokonało danej akcji w kolejnych okresach czasowych (np. dowolna interakcja ze stroną w kolejnym miesiącu)
• Granuralność kohorty (Cohort granuality), dzięki której ustalimy okres czasowy, w którym chcemy przeprowadzać analizę (cykle dniowe, tygodniowe, miesięczne)
• Metoda kalkulacji (Calculation) – Określa, w jaki sposób aktywność użytkownika w okresie eksploracji przyczynia się do obliczeń metryki
• Podział (Breakdown) – określa po jakim wymiarze nastąpi podział użytkowników
• Wiersze na wymiar (Rows per dimension) -, czyli metryka, która określa wykorzystywane wymiar. (W przypadku zbyt dużej liczby wymiarów może pojawić się ograniczenie w postaci “kardynalności danych”. Więcej o limitach pisaliśmy tutaj.
• Wartości (Values), czyli metryka, która dostarcza dane numeryczne w analizie
• Typ metryki (Metric type), czyli sposób przedstawienia danych numerycznych (np. suma, procent)
• Porównanie segmentów (Segment comparisons), dzięki czemu zobaczysz podobieństwa i różnice między różnymi segmentami wewnątrz jednej kohorty

Po wyborze ustawień dla każdej z funkcjonalności naszym oczom ukaże się odpowiednia wizualizacja, która na przestrzeni czasu pokaże nam liczbę/udział użytkowników przypisanej do każdej grupy. 

Przykładowo pokazany raport pokazuje nam., że użytkownicy pozyskani dzięki Referralom we wrześniu mieli najlepszą powracalność w kolejnych dwóch miesiącach w stosunku do pozostałych źródeł. 

Ciekawe, prawda?

Przykładowa eksploracja kohortowa

Jak przeprowadzić analizę kohortową?

Analiza kohortowa najczęściej dzieli daną kohortę na poszczególne segmenty (np. osoby, które dokonały transakcji danego dnia podzielone na źródła ruchu, z których zostały pozyskane). Każdy taki segment powinien mieć istotną statystycznie liczbę osób (zalecałbym przynajmniej 100). Jeśli mamy problem z zebraniem tak dużej liczby osób do segmentu to możemy albo ograniczyć liczbę segmentów (np. część ich wykluczyć z analizy lub połączyć je w większe segmenty) albo zmienić okresy czasowe, które badamy (np. nie w odstępach tygodniowych, a w miesięcznych).

Pierwszym krokiem w analizie jest zawsze wyznaczenie sobie jej celu: odpowiedzenie na konkretne pytanie. Pozwala nam to na trzymanie się odpowiednich założeń i nie odbieganie analizy od postawionego pytania. Kolejnym krokiem jest wyznaczenie wszystkich możliwości ustawień (przykładowo w GA4 okres czasowy, warunek inicjujący itd.). Dzięki temu uzyskamy gotową wizualizację.

Następnie możemy przejść do analizy. Możemy zaobserwować wyróżniające się pozytywnie i negatywnie wartości, zebrać wnioski i zakończyć to odpowiednimi rekomendacjami/działaniami, które pozwolą nam dzięki wykonanej analizie zyskać konkretną wartość.

Podsumowanie – analiza kohortowa

Analiza kohortowa pozwala dowiedzieć się  więcej o powracalności użytkowników na stronę, co pozwoli zwiększyć ich LTV. Lojalny klient jest kluczową wartością dla przedsiębiorstwa, bo raz pozyskany konwertuje w kolejnych okresach. Jest również swego rodzaju ambsadorem marki wśród bliskich mu osób. Jego wkład w rozwój jest nieoceniony. Dlatego tak ważne jest znalezienie sposobu na jego utrzymanie.

The post Analiza kohortowa w Google Analytics 4 – czym jest i jak ją przeprowadzić? first appeared on Conversion.

• Pliki cookies to małe pliki tekstowe zapisywane na urządzeniu użytkownika – w narzędziu Google Analytics wykorzystuje się je do śledzenia zachowań na stronie. 
• Google Analytics używa pięciu głównych ciasteczek: _utma, _utmb, _utmc, _utmz i _utmv – cztery z nich to ciasteczka trwałe (mogą pozostać przez lata), jedna to tymczasowe (wygasa po zamknięciu przeglądarki). 
• Ciasteczko _utma identyfikuje unikalnego użytkownika (przeglądarkę), jego żywotność wynosi dwa lata i jeśli zostanie usunięte, po ponownym odwiedzeniu witryny będzie traktowany jako „nowy użytkownik”. 
• Ciasteczka _utmb i _utmc współpracują w celu określenia początku oraz trwania wizyty (session) – _utmb zbiera dane o liczbie stron w wizycie, _utmc wspiera decyzję czy rozpocząć nową wizytę. 
• Ciasteczko _utmz zawiera informacje o źródle i medium ruchu (np. kampania, social, wyszukiwarka) i jego żywotność wynosi sześć miesięcy, natomiast _utmv służy do zmiennych niestandardowych przy ich użyciu. 
• Analytics korzysta z ciasteczek pierwszej kategorii (first-party cookies), co oznacza, że dane są przekazywane tylko w obrębie danej witryny – blokowanie ciasteczek przez użytkownika może zaburzyć pomiar (np. wg badania dotyczyło to ok. 2,5 % użytkowników).

Co znajdziesz w tym artykule?
Rola śledzenia po stronie serwera i first-party cookies w epoce prywatności?
Ciasteczka a Google Analytics
Rodzaje ciasteczek w Google Analytics
Więcej ciastek…?

Rola śledzenia po stronie serwera i first-party cookies w epoce prywatności

W 2025 roku coraz częściej rekomendowane jest przejście na śledzenie po stronie serwera (server-side tagging) oraz wykorzystywanie danych z first-party cookies – dzięki temu ograniczamy zależność od przeglądarkowych blokad i utrzymujemy jakość analityki, mimo rosnących wymagań prywatności.

Jak zaprojektować geometrię danych first-party i server-side dla Google Analytics 4, aby minimalizować ryzyko utraty cookies

Dobrym podejściem jest: najpierw identyfikacja istotnych zdarzeń na stronie (np. kliknięcia, formularze), potem skonfigurowanie gtag.js tak by wysyłał dane zarówno klient-side, jak i via server-side endpoint, a następnie ustawienie trwałości first-party cookie (_ga) zgodnie z regulacjami. Warto uwzględnić zarówno Consent Mode, jak i fallback-modelowanie danych, by przy spadku liczby cookies nadal mieć użyteczne dane analityczne.

Ciasteczka a Google Analytics

Google Analytics działa na podstawie odczytywania, modyfikacji (tworzenia, jeżeli na witrynie jesteśmy po raz pierwszy) oraz nadpisywania ciasteczek. Proces ten opisaliśmy w artykule poświęconym zasadzie działania Google Analytics.

Ciasteczko to bardzo mały plik tekstowy wysyłany przez serwer www i zapisywany na dysku twardym komputera, z którego odwiedzamy stronę internetową. To właśnie ciasteczka gromadzą informacje o naszych zachowaniach w ramach strony internetowej.

W związku z tym, że część osób blokuje obsługę ciasteczek na poziomie przeglądarki, to nasze Google Analytics nie są w stanie śledzić takich użytkowników. Według badań Gemiusa w Polsce tacy użytkownicy stanowią ok 2,5% wszystkich Internautów (luty 2012).

Rodzaje ciasteczek w Google Analytics

Ogólnie rzecz ujmując Google Analytics posługuje się 5 ciasteczekami: _utma, _utmb, _utmc, _utmz, oraz _utmv. Możemy się o tym przekazać wchodząc do ustawień zaawansowanych naszej przeglądarki (lub korzystając z odpowiednich wtyczek) dla witryny, w której zainstalowany jest kod śledzący Google Analytics.

Cztery ciasteczka (_utma, _utmb, _utmz i _utmv) to ciasteczka trwałe. Oznacza to, że ich żywotność nie kończy się wraz z zamknięciem przeglądarki. Mogą więc one pozostać zapisane na naszych komputerach nawet kilka lat (chyba, że wcześniej sami je usuniemy). Ciasteczko _utmc jest ciasteczkiem tymczasowym i jego żywotność ustaje wraz z zamknięciem okna przeglądarki.

Czytając o ciastkach możecie też często spotkać się z podziałem na ciasteczka pierwszej i trzeciej kategorii. Jest to bardzo ważna kwestia, zwłaszcza z perspektywy bezpieczeństwa naszych danych. Ciasteczka pierwszej kategorii mogą być tworzone, a informacje z nich przekazywane tylko do aplikacji odpowiedzialnej za zbieranie danych z tej konkretnej witryny. Ciasteczka trzeciej kategorii umożliwiają przekazywanie danych z konkretnej witryny podmiotom trzecim, przez co uznawane są za znacznie mniej bezpieczne. Google Analytics korzysta tylko z ciasteczek pierwszej kategorii.

_utma – (unikalny) użytkownik

Jest to ciasteczko zapisywane na naszych komputerach przy pierwszych odwiedzinach danej witryny. Ciasteczko to zawiera unikalny numer identyfikacyjny, dzięki któremu narzędzie potrafi określić unikalnego użytkownika i nowego użytkownika. Jeżeli usuniemy z naszego komputera to ciasteczko, to przy kolejnych odwiedzinach tej samej witryny zostanie nam utworzone ciasteczko o nowym numerze identyfikacyjnym. Żywotność tego ciasteczka wynosi dwa lata. Jeżeli więc przez 2 lata nie odwiedzaliśmy danej witryny, to przy kolejnych jej odwiedzinach zostaniemy zidentyfikowani jako nowi użytkownicy (stare ciasteczko wygasa i nagrywane jest dla nas nowe z nowym numerem identyfikacyjnym).

Musimy również pamiętać o tym, że tak naprawdę ciasteczko zapisywane jest w przeglądarce. Implikacja z tego jest taka, że mówiąc o unikalnym użytkowniku mamy na myśli pojedynczą przeglądarkę – stąd w analityce internetowej posługujemy się pojęciem użytkownika, a nie osoby. W końcu z jednej przeglądarki na tym samym komputerze może korzystać kilka różnych osób. Pamiętajmy o tym, ponieważ w Google Analytics część raportów jest błędnie przetłumaczona:)

Pamiętajmy również o tym, że % nowych użytkowników w Google Analtics to po prostu % nowych ciasteczek __umta. Według różnych badań ok 30-40% użytkowników kasuje swoje ciasteczka. Poza tym korzystamy z różnych przeglądarek i różnych komputerów, przez to metryka ta jest najczęściej w naszych raportach zawyżona.

Weźmy dla przykładu ciasteczko, które nagrało się na moim komputerze po odwiedzeniu strony www.conversion.pl:

268932707.1844624451.1334655749.1334655749.1334656399.2

Jego poszczególne elementy przekazują nam następujące informacje:

• 268932707: jest to unikalny identyfikator domeny (czasami nazywany haszem), który (jak sama nazwa wskazuje) jest unikalny dla każdej witryny. Nawet jeżeli skasujemy ciasteczko i ponownie odwiedzimy daną witrynę to numer ten pozostanie bez zmian, ponieważ jest on stały dla danej witryny. Czasami może się zdarzyć, że numer ten jest określony jako „1”. Mówimy wówczas, że ciasteczko zostało „zhaszowane” – dzieje się to po zastosowaniu zmodyfikowanego kodu śledzącego. Ciasteczka haszujemy, aby śledzić użytkownika jednym kontem pomiędzy różnymi domenami. Jednak jest to temat na oddzielny artykuł, który jest już na naszej liście wydawniczej.
• 1844624451: identyfikator, który służy to rozpoznawania unikalnych użytkowników. Pewną ciekawostką będzie informacja, że ten ciąg liczb jest kombinacją czasu utworzenia oraz losowej liczby (jestem naprawdę ciekawy jak dokładnie to się odbywa—jeżeli macie informacje na ten temat to zachęcam do umieszczania komentarzy pod artykułem :]).
• 1334655749: czas naszej pierwszej odwiedziny danej strony (tutaj mam dla Was ciekawostkę, mianowicie ten ciąg liczb reprezentuje nic innego jak liczbę sekund, które upłynęły od daty 1 stycznia 1970. Jeżeli ktoś zastanawia się, dlaczego została wybrana akurat ta data, to zachęcam do poszukania informacji na temat Czasu Uniksowego :]).
• 1334655749: czas poprzedniej wizyty (akurat w naszym wypadku liczba ta jest identyczna jak wcześniejsza. Oznacza to tyle, że poprzednia wizyta była naszymi pierwszymi odwiedzinami danej witryny).
• 1334656399: czas rozpoczęcia naszej obecnej odwiedziny.
• 2: liczba rozpoczętych odwiedzin na danej stronie.

Jeżeli jesteście bardziej zainteresowani w jaki sposób można dokładnie obliczać czasy na podstawie tych „magicznych” ciągów liczb to… no cóż musicie poczytać trochę więcej o Czasie Uniksowym Zachęcam również do małego ćwiczenia – z Excelem – bardzo szybko można sprawdzić czy data utworzenia ciasteczka zgadza się z jego prezentacją „uniksową”.

_utmb i _utmc – śledzenie odwiedzin

Ciasteczko _utmb jest odpowiedzialne za przechowywanie informacji na temat danej odwiedziny, natomiast ciasteczko _utmc współpracuje z _utmb i jego zadaniem jest ustalenie, czy należy rozpocząć śledzenie nowej odwiedziny, czy też zbierane dane powinny zostać zaliczone do starej. Przypominamy, że w zeszłym roku zmieniła się definicja wizyty/odwiedzin w Google Analytics.

Tym razem znowu posłużę się przykładem ciasteczka _utmb z naszej witryny:

268932707.8.9.1334657598624

Ciasteczko zdecydowanie różni się od poprzedniego i jego poszczególne elementy oznaczają inne rzeczy niż w przypadku ciastka _utma:

• 268932707: to akurat jest znany element—unikalny identyfikator witryny. Dzięki, któremu wiemy z jakiej witryny ciastko to zbiera dane.
• 8: liczba stron obejrzanych w ramach obecnej odwiedziny.
• 9: miernik ten zaczyna się od 10 i zmniejsza się o 1 po każdym kliknięciu w dowolny link wychodzący (po kliknięciu, w który opuszczamy daną witrynę).
• 1334657598624: czas rozpoczęcia naszej obecnej odwiedziny (zaprezentowany w przedstawionej już wcześniej formie upływu czasu od 1 stycznia 1970).

Ciasteczko _utmc zawiera tylko informację o unikalnym identyfikatorze witryny i wygasa po zamknięciu okna przeglądarki (jest to ciasteczko tymczasowe). Tak jak pisałem wcześnie służy więc ono do identyfikacji tego, czy zbierane dane powinny być liczone na poczet obecnej odwiedziny czy też powinna zostać rozpoczęta nowa odwiedzina.

_utmz – źródła odwiedzin

To jest naprawdę ważne ciastko, ponieważ zawiera ono informację na temat źródeł odwiedzin. Dzięki niemu możliwe jest policzenie odwiedzin z wyszukiwarek oraz danych z kampanii marketingowych. Ciasteczko to jest uaktualniane po obejrzeniu każdej strony i jego żywotność wynosi 6 miesięcy.

Weźmy zawartość przykładowego ciastka ze znanej już (naszej) witryny:

268932707.1334660925.2.2.utmcsr=facebook.com|utmccn=8%20sposobów%20na%20poprawę%20formularzy%20rejestracyjnych%20(sign-up)|utmcmd=social

Jest ono trochę bardziej rozbudowane, ale już wyjaśniam co wchodzi w jego skład:

• 268932707: tutaj Was nie zaskoczę, jest to unikalny identyfikator witryny (cały czas ten sam:P).
• 1334660925: czas kiedy ciasteczko pojawiło się na naszym komputerze.
• 2: numer odwiedziny.
• 2: numer kampanii.
• utmcsr= facebook.com: źródło kampanii (w naszym przypadku źródłem jest akurat facebook.com).
• utmccn=8%20sposobów%20na%20poprawę%20formularzy%20rejestracyjnych%20(sign-up): nazwa kampanii (tutaj ktoś nazwał kampanię tytułem artykułu na blogu).
• utmcmd=social: medium kampanii.

_utmv – zmienne niestandardowe

To ciasteczko nie jest powszechnie stosowane. Pojawia się ono tylko wtedy kiedy na witrynie zastosujemy śledzenie niestandardowych zmiennych poprzez wykorzystanie metody _setCustomVar (index, nazwa, wartość, zakres) lub _setVar. Dla porządku napiszę, że jego żywotność to 2 lata.

Przykładowe ciastko może wyglądać następująco:

268932707.|3=User%20ID=1134146168.1334660318=1

Rozłożone na czynniki pierwsze przedstawia się w taki sposób:

• 268932707: jak zawsze jest to unikalny identyfikator witryny.
• 3: w tym miejscu może być dowolna liczba od 1 do 5, która identyfikuje slot naszej zmiennej niestandardowej.
• User%20ID: nazwa zmiennej niestandardowej.
• 1134146168.1334660318: wartość danej zmiennej niestandardowej.
• 1: poziom interakcji (tutaj możemy mieć trzy różne wartości: 1 – poziom użytkownika, 2 – poziom sesji, 3 – poziom odsłony)

Więcej ciastek…?

Wcześniej wspominałem, że Google Analytics korzysta z 5 różnych rodzajów ciasteczek. Przydałoby się wyjaśnić niejasności związane z tajemniczym ciastkiem _utmx, które czasami będziecie spotykać. Ciastko to jest wykorzystywane przez Google Website Optimizer i jest tworzone tylko jeżeli na witrynie znajduje się kod śledzący właśnie tej aplikacji. W skrócie nie jest to ciastko tworzone przez Google Analytics.

Jeżeli macie dodatkowe pytania o tematyce „ciasteczkowej” to zadawajcie je w postaci komentarzy. Jeżeli chcielibyście w łatwy sposób podejrzeć ciasteczka przesyłane przez daną witrynę to polecam plug-in „Edit This Cookie” (znajdziecie ją tutaj).

Gdyby tego jeszcze Wam było mało na temat ciasteczek, to poniżej dodatkowe zasoby, które mogą Was zainteresować:

• • 1. Przezentacja z Conversion University na temat ciasteczek,
    2. Dokumentacja na temat ciasteczek Google Analytics,
    3. Skrypt do czytania ciasteczek – przyda się Wam np. do połączenia Waszego Google Analytics z systemem CRM.

The post Powrót do podstaw: Ciasteczka (cookies) w Google Analytics first appeared on Conversion.

To właśnie parametr „(not set)” w Google Analytics 4 jest jednym z najpowszechniejszych oznak niedostatecznej jakości danych w GA4. Na szczęście, choć nie ma jednej określonej przyczyny, to zwykle jesteśmy w stanie istotnie ograniczyć występowanie tej wartości. Zacznijmy jednak od odpowiedzi na pytanie, czym jest parametr „(not set”) w Google Analytics.

Co oznacza wartość not-set w Google Analytics 4?
Przyczyny występowania wartości not-set w Google Analytics
Wpływ trybu zgody i śledzenia serwerowego na wartość „(not set)” w Google Analytics 4
Dlaczego eliminowanie braków danych jest takie istotne?
Jak ograniczyć rozbieżności w danych za pomocą zmian w rejestrowaniu transakcji
Podsumowanie

Co oznacza wartość not-set w Google Analytics 4?

Zacznijmy od definicji, którą dostarcza nam oficjalna dokumentacja Google:

Wartość (not set) to nazwa symbolu zastępczego, który Google Analytics stosuje, gdy nie otrzyma z jakiegoś wymiaru (dimension) żadnych danych.

Wartość „(not set)” jest więc swego rodzaju „zaślepką” dla tych wyników, przy których z jakiegoś powodu brakuje wartości wymiaru. W wyjątkowych przypadkach jest to pożądana sytuacja.Nie musimy przecież stosować wszystkich 5 kategorii produktu dla e-commerce, więc te niewykorzystane będą prezentować właśnie wartość „(not set)”.

Przykład raportu w Google Analytics – wolumen kupionych produktów

Są jednak takie wymiary (dimensions), w których nie spodziewamy się braku wartości, a wręcz przeciwnie – oczekujemy dokładnych informacji, które będziemy mogli wykorzystać do analizy. Przykładowo, spójrzmy na źródło/medium sesji oraz przypisaną domyślną nazwę kanału.

Przykładowy raport źródło/medium w Google Analytics

Wartość „(not set)” została przypisane do kanału „Unassigned” („nieprzypisane”). Jak pokazuje ten przypadek, 10% użytkowników odwiedziło stronę ze źródeł, którym GA4 nie był w stanie przypisać żadnej wartości.

Warto zauważyć, że „(not set)” to nie to samo, co „(direct) / (none)” w wymiarach źródło/medium. W uproszczeniu, ta pierwsza oznacza brak wartości, a druga pustą wartość – i choć może się wydawać, że to to samo, w praktyce (i od strony technicznej) to dwie różne rzeczy. I dobrze – bo również z poziomu analizy inaczej interpretujemy obie wartości. 

Jak zostało wspomniane wcześniej, „(not set)” nie dotyczy wyłącznie źródeł ruchu. Możemy zauważyć jego występowanie w wymiarach niestandardowych, ale np. również w wymiarze „Strona docelowa” (Landing Page). Jest spora szansa, że również w Twoim serwisie część stron startowych nie została rozpoznana. Co więcej, na liście możesz znaleźć również… pusty wiersz:

Przykładowy raport stron docelowych w Google Analytics

Pusty wiersz oznacza dane, których Google Analytics 4 nie zdążył przetworzyć – tutaj sprawa jest więc prosta: wystarczy zmienić zakres dat tak, by obejmował najświeższe zebrane dane. Zwykle wystarczy wykluczyć dzień “dzisiejszy” i “wczorajszy”, a wyniki dla tego okresu sprawdzić za kilka dni, gdy dane zostaną już przypisane przez narzędzie. Inaczej sytuacja wygląda dla użytkowników Google Analytics 360 – mają oni gwarancję przetwarzania danych do 4 godzin.

Przyczyny występowania wartości not-set w Google Analytics

Przyczyny brakujących wartości możemy podzielić na kilka kategorii:

Nieodpowiednia konfiguracja narzędzi Google

Brakujące wartości w wymiarach Google Ads można często naprawić, integrując GA4 z kontem Google Ads oraz włączając automatyczne tagowanie. W takim przypadku warto sprawdzić poprawność tej konfiguracji w obu narzędziach.

Błędy wdrożenia

Jeśli spodziewasz się wartości innej niż „(not set)” w danym wymiarze (np. niestandardowym wymiarze „method” dla zdarzenia „login”), to możliwe, że coś poszło nie tak na poziomie wdrożenia. Przyczyną może być nieprawidłowe ustawienie tagów w Google Tag Managerze albo zmiana w kodzie strony, po której konfiguracja GA4 nie została zaktualizowana.

Jeśli więc problem dotyczy wymiaru niestandardowego (Custom Dimension) albo określonego zdarzenia, konfigurowanego np. w GTM – warto przyjrzeć się konfiguracji tagów.

Measurement Protocol

Measurement Protocol (MP) to zaawansowany sposób przesyłania danych do GA4. Zwykle jest wykorzystywany do wzbogacania danych zbieranych na stronie lub w aplikacji o wartości, których brakuje przy standardowym śledzeniu. Jednak ze względu na sposób, w jaki działa Measurement Protocol – w oderwaniu od standardowego pomiaru – niepoprawnie wdrożony może sprawić, że (not set) pojawi się nawet w tak podstawowych wymiarach jak ścieżka strony. Dużo łatwiej jest również o nieprawidłowości wdrożenia, które wpływają na jakość danych. Jeśli korzystasz z MP, zdecydowanie warto upewnić się, czy to jego stosowanie nie wywołuje braków w danych.

Niedoskonałość pomiaru

Twój klient otwiera Twoją stronę. Następnie odchodzi od komputera lub telefonu, bądź przełącza się między innymi zakładkami i wraca po godzinie, by kliknąć w jeden z produktów. Dla niego to wciąż ta sama wizyta w serwisie, dla Analyticsa to już dwie sesje – druga rozpoczęła się wraz powrotem użytkownika i dokonaniem akcji. Tego typu scenariusze nie są rzadkie i to one mogą częściowo odpowiadać za braki w danych.

Inną przyczyną mogą być wtyczki do przeglądarek, które w celu anonimizacji użytkownika, mogą edytować przesyłane dane dotyczące przeglądarki, systemu czy urządzenia.

Niektóre z nich możemy ograniczyć np. dzięki wydłużeniu czasu trwania sesji. Według niektórych ekspertów, pomóc może także uszczelnienie tagowania UTM linków z zewnętrznych stron. W innych przypadkach… pozostaje pogodzić się z tym, że nie na wszystko jesteśmy w stanie cokolwiek poradzić.

Czas

Czas leczy rany. Oraz dane w Google Analytics 4.

Google Analytics 4 nie zawsze jest w stanie poprawnie przetworzyć dane z ostatnich 24 godzin. To oznacza, że dane z poniedziałku mogą być bardziej precyzyjne w środę niż we wtorek. Innymi słowy, jeśli widzisz „(not set)” w raportach – spróbuj wykluczyć poprzedni dzień, a końcową datę zakresu ustawić maksymalnie “na przedwczoraj”. Inaczej jednak sytuacja przedstawia się w przypadku Google Analytics 360. Jego SLA gwarantuje świeżość danych wynoszącą 4 godziny.

Wpływ trybu zgody i śledzenia serwerowego na wartość „(not set)” w Google Analytics 4

Wraz z rosnącym znaczeniem prywatności i wdrożeniem śledzenia po stronie serwera, obserwujemy wzrost udziału wartości „(not set)” w raportach GA4. Źródła wskazują, że niewłaściwe ustawienie Google Consent Mode lub filtrowanie danych po stronie serwera może uniemożliwić przypisanie źródła ruchu, co skutkuje linii „(not set)”. Warto więc przyjrzeć się konfiguracji trybu zgody i logice serwera, by ograniczyć „(not set)” nie tylko na poziomie UTMs, ale również infrastruktury.

Jak monitoring współczynnika „(not set)” pomaga w audycie wdrożenia GA4

Dlaczego eliminowanie braków danych jest takie istotne?

Zaufanie do danych stanowi fundament każdej analizy. Dane zbierane w sposób nieprawidłowy zaburzają obraz. Dane niepełne są niewystarczające, żeby odpowiedzieć na postawione pytania i hipotezy biznesowe. 

Wyobraźmy sobie sytuację, w której przygotowujemy zestawienie efektywności kanałów reklamowych. Na tej podstawie ma zapaść decyzja, które z nich przetrwają cięcia budżetowe, a które zostaną ucięte. Przegląd raportów e-commerce w Google Analytics 4 prowadzi nas do wniosku, że reklamy emitowane na uwielbianym przez prezesa medium społecznościowym nie przynoszą rezultatów. Jak go przekonasz, że 30% sesji, które są oznaczone jako „(not set)” i wygenerowały sprzedaż, to nie jest wynik tego źródła, w które tak głęboko wierzy? Co więcej – jaką masz pewność, że nie ma racji?

Im mniej wartości „not set” pojawi się w naszych danych, tym większa pewność, że nic nam nie umyka. A im szybciej uporamy się z przyczynami, tym lepiej – luk w danych nie da się sztucznie zapełnić!

Podsumowanie

Jak widać, „(not set)” jest powodem wielu „chorób” systemu analitycznego. Niektóre uleczysz dość łatwo, z innymi należy nauczyć się żyć. Całkowita eliminacja zjawiska nie jest możliwa. Naszym celem powinno być doprowadzenie do sytuacji, w której braki są na tyle małe, by cały zbiór danych był nie do podważenia. 10-15% wyników z „(not set)” zwykle jest akceptowalne, a wyniki powyżej 25-30% powinny być impulsem do podjęcia próby obniżenia ich udziału.

Nie ma jednej skutecznej rady na wyeliminowanie wartości „(not set)”. Dlatego poprawa jakości danych jest procesem ciągłym i długofalowym, a jego skuteczność zależy od naszej determinacji i wiedzy. Nagrodą za wysiłek są dane, które można bez zawahania przekuć w informacje, a te – we wnioski i konkretne decyzje biznesowe.

The post Źródło ruchu not-set – jak sobie z tym poradzić? first appeared on Conversion.

Tym bardziej miło jest mi o tym pisać, że skończyłem studia ukierunkowane bardzo mocno na statystykę, więc teoria, o której będzie poniżej jest mi dobrze znana. Dla mniej zainteresowanych stroną techniczną funkcjonowania Google Analytics wpis będzie stanowił na pewno swoistą ciekawostkę:)

Co znajdziesz w tym artykule?
Rozkład normalny, wartość oczekiwana i odchylenie standardowe?
Krzywa Gaussa?
Reguła 3 sigm?
Wykorzystanie adaptacyjnych progów – kiedy reguła 3 sigm przestaje wystarczać
Jakie to ma odniesienie do alertów w Google Analytics??

Rozkład normalny, wartość oczekiwana i odchylenie standardowe

Rozkład ten jest najczęściej spotykanym w przyrodzie rozkładem empirycznym różnych zjawisk np. wzrostu ludzi w danej populacji. Należy od niego wyjść chcąc omówić regułę 3 sigm, na której bazują alerty w Google Analytics.

Rozkład normalny charakteryzują dwie wartości:

• wartość oczekiwana = wartość średnia oznaczaną grecką literą μ (mi),
• odchylenie standardowe najczęściej oznaczane jako σ (sigma).

Pierwsza z nich jest powszechnie znaną i rozumianą średnią tj. przeciętną wartością dla danej populacji. Natomiast odchylenie standardowe mówi nam, jak średnio różnią się wszystkie elementy danej populacji od wartości średniej dla całej populacji. Dla przykładu weźmy wzrost mężczyzn w Polsce.

Załóżmy, że przeciętny Polak ma 180 cm wzrostu. Jest to wartość średnia obliczona jako suma wzrostu wszystkich mężczyzn i podzielona przez ich liczbę – jedni mają więcej, inni mniej, ale przeciętnie wychodzi 180 cm. Stąd myśląc o wzroście przeciętnego Polaka będziemy wyobrażali go sobie jako 180 cm mężczyznę. W przypadku rozkładu normalnego średnia w populacji jest jednoznaczna wartości oczekiwanej tego rozkładu.

Załóżmy dalej, że odchylenie standardowe wzrostu wśród mężczyzn w Polsce wynosi 9 cm. Oznacza to, że wszyscy Polacy różnią się przeciętnie od „standardowej” osoby o daną wartość, czyli o +/- 9 cm. W związku z tym, nie trudno się domyśleć, że najwięcej mężczyzn w Polsce ma wzrost w przedziale 171 cm – 189 cm. W rzeczywistości jest to 68,2% wszystkich Polaków, ale o tym za chwilę…

Krzywa Gaussa

Rozkład normalny można przedstawić za pomocą krzywej Gaussa, która nazywana jest również krzywą dzwonową (w j. angielskim krzywa Gaussa określana jest jako bell-shape curve ze względu na swój kształt przypominający dzwon). Wartość średnia (oczekiwana) charakteryzuje położenie wartości najbardziej charakterystycznej (prawdopodobnej) dla danej populacji.

Odwołując się do poniższego obrazu – na osi pionowej odłożone jest prawdopodobieństwo spotkania Polaka o danym wzroście (który to znajduje się na osi poziomej). W związku z tym najbardziej prawdopodobne w Polsce jest spotkanie mężczyzny, który mierzy 180 cm – przeciętnego Polaka:)

W zależności od wartości odchylenia standardowego krzywa Gaussa jest wysmukła (dla małego odchylenia standardowego) lub szeroka (dla dużych wartości odchylenia standardowego. (Na rysunku poniżej sigma do kwadratu oznacza wariancję, która jest de facto odchyleniem standardowym podniesionym do kwadratu).

Źródło: http://pl.wikipedia.org/wiki/Rozk%C5%82ad_normalny

Jak widzimy, rozkład normalny jest rozkładem symetrycznym. Oznacza to, że dokładnie tyle samo jednostek ma wartość mniejszą oraz większą od wartości przeciętnej dla danej populacji.

Reguła 3 sigm

Statystycy udowodnili (korzystając z rachunku prawdopodobieństwa dowód ten nie jest aż taki trudny), że w odległości jednego odchylenia standardowego od wartości średniej w rozkładzie normalnym znajduje się lekko ponad 68% całej populacji – stąd w Polsce 68% mężczyzn ma wzrost w przedziale 171 cm – 189 cm:)

Co więcej, okazuje się, że jeżeli weźmiemy obserwacje, które znajdują się w odległości 2 sigm (nie są mniejsze ani większe o więcej niż 2 sigmy) od wartości przeciętnej dla populacji, to takie jednostki stanowią ok. 95% całej populacji.

Reguła 3 sigm mówi o tym, że 99,7% populacji znajduje się, w odległości nie dalszej niż 3 odchylenia standardowe od średniej dla całej populacji.

Dlatego na mocy omawianej teorii i przyjmując za prawdziwe wcześniejsze założenia możemy twierdzić, że w Polsce (przy założeniu 38 mln mieszkańców, w tym 19 mln płci męskiej) jest ok. 28.500 mężczyzn, którzy mierzą więcej niż 207 cm wzrostu. Raczej nieprawdopodobne, ale to jest kwestia założeń:)

Źródło: http://www.3sigma.com/whats-so-special-about-3-sigma

Wykorzystanie adaptacyjnych progów – kiedy reguła 3 sigm przestaje wystarczać

W praktyce analitycznej okazuje się, że prosta reguła 3 sigm (±3σ od średniej) może być niewystarczająca – zwłaszcza gdy mamy do czynienia z sezonowością, trendem lub skokami w danych. Nowsze badania pokazują, że warto rozważyć adaptacyjne progi – np. uwzględniające zmienność danych w czasie oraz ich auto-korelację, co pozwala ograniczyć fałszywe alarmy i lepiej wykrywać rzeczywiste anomalie.

Praktyczne podejście do automatyzacji alertów na podstawie adaptacyjnych progów w Google Analytics 4

Jakie to ma odniesienie do alertów w Google Analytics?

W artykule o wykorzystaniu alertów w Google Analytics pisałem, że narzędzie to na podstawie danych historycznych estymuje wartość danej metryki na przyszłość. Dokładniej mówiąc, na podstawie danych historycznych obliczana jest wartość średnia oraz odchylenie standardowe.

Na podstawie tak obliczonych parametrów Google Analytics przyjmuje przedział wartości metryki, poza którym będzie wyzwolony alert. Czułość alertu określa szerokość tego przedziału. Jest ona oparta o liczbę odchyleń standardowych, o które krańce przedziału mogą różnic się od wartości środkowej (średniej).

Im czułość większa, tym przedział dopuszczalnych wahań węższy, a liczba sigm mniejsza, a więc łatwiej żeby wartość rzeczywista zaobserwowanej w danym czasie metryki w wyniku wahań wyszła poza przyjęty przedział.

Z drugiej strony, zmniejszając czułość alertu, zwiększamy przedział wartości metryki w ramach którego realizacja jej rzeczywistych wartości będzie uznawana przez narzędzie za normalne. Dlatego też dopiero bardzo duże zaburzenie ruchu spowoduje wyzwolenie alertu.

Mam nadzieję, że w przystępny sposób udało mi się przedstawić tą teorię. Jeżeli macie pytania, to zostawcie je proszę 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 Reguła 3 sigm – podstawa funkcjonowania alertów w Google Analytics first appeared on Conversion.

Wyrażenia regularne są językiem, dzięki któremu za pomocą odpowiednich operatorów możemy dopasować dowolny ciąg znaków spełniający konkretne założenia. W Google Analytics dają wielką elastyczność, dzięki której można je wykorzystać m.in. w filtrach widoku danych, celach, segmentach, odbiorcach, grupach treści, a nawet grupowaniu kanałów. Z kolei w przypadku Google Analytics 4 znajomość wyrażeń regularnych najczęściej przydaje się w takich obszarach, jak: narzędzie Eksploracja, tworzenie segmentów wykluczenia witryn odsyłających.

Muszę przyznać, że ostatnio coraz bardziej przekonuję do wyrażeń regularny (ang. regular expressions, regex), do tego stopnia, że stosuję je zawsze, kiedy jest to tylko możliwe. Ciebie również będę chciał do nich przekonać i mam nadzieję, że dzięki temu artykułowi oraz zawartym w nim przykładom – zobaczysz, że naprawdę nie taki wilk straszny, jak go malują, a popularne regexy na stale zagoszczą w Twoim “arsenale”.

O konkretnych przykładach zastosowania wyrażeń regularnych opowiem Ci w kolejnych paragrafach. Jednak pozwól, że najpierw przybliżę Ci tematykę związaną z podstawowym znaczeniem znaków wykorzystywanych w regexach.

Co znajdziesz w tym artykule?
Znaki używane w wyrażeniach regularnych. Jakie wyróżniamy?
Jak testować wyrażenia regularne?
Testowanie wyrażeń regularnych w Google Analytics – omówienie regexów
Gdzie w Google Analytics możesz stosować wyrażenia regularne?
Google Analytics 4 a wyrażenia regularne
Regex w Google Analytics 4 (GA4) – nowe ograniczenia i najlepsze praktyki
Wyrażenia regularne w Google Analytics – podsumowanie

Znaki używane w wyrażeniach regularnych. Jakie wyróżniamy?

W wyrażeniach regularnych najczęściej (przynajmniej w mojej codziennej pracy analityka internetowego) wykorzystuję następujące znaki. Poniżej, wraz z definicjami, znajdziesz również proste przykłady ich zastosowania. W następnym paragrafie artykułu będzie natomiast więcej informacji o ich bardziej “życiowym” wykorzystaniu:

• ^ (daszek) – rozpoczyna się od – ten znak dopasowuje wszystkie wyrażenia, które zaczynają się od danego wzoru. Np. ‚^sto’ dopasuje takie słowa, jak: sto, stonoga, stokrotka, stomatolog. Jednak nie dopasuje już takich, jak: miasto, ciasto itd.
• $ (dolar) – kończy się na – odwrotnie, znak ten dopasowuje wszystkie wyrażenia, które kończą się na daną frazę. Wracając do powyższego przykładu dla ‚sto$’ dopasowane zostanie: sto, miasto i ciasto, ale nie: stonoga, stomatolog czy stokrotka.

Na pewno udało Ci się dostrzec, że stosując kombinację ^ oraz $ otrzymasz coś w stylu dopasowania ścisłego (np. dla wyrażenia ‚^miarka$’ dopasuje nam tylko i wyłącznie słowo miarka).

• | (rurka, ang. pipe) – lub – w logice ładnie nazywa się to alternatywą. Dzięki temu znakowi dopasowanie będzie dotyczyło wartości, które stoją po obu stronach. Np. dla ‚^miarka$|^siarka$’ – dopasowane zostanie wyłącznie jedno z dwóch słów: miarka lub siarka.
• . (kropka) – zastępuje jeden dowolny znak w wyrażeniu (większa liczba kropek oznacza większa dowolną liczbę znaków) – dzięki wyrażeniu postaci ‚^..aza$’ dopasujesz słowo takie jak: zmaza czy skaza (dwie kropki zastępują w tym przypadku dwie litery „zm” lub „sk”). Jeżeli wyrażenie zostanie napisane z dodatkową kropką na początku tj. ‚^…aza$’ – to możesz dopasować np.: zaraza, ale wcześniejsze słowa (zmaza i skaza) nie zostaną już dopasowane. Kropki można mnożyć w nieskończoność, ale do tego typu operacji zdecydowanie lepsza jest gwiazdka (o czym przeczytasz już za moment).
• * (gwiazdka) – zastępuje nieskończoną liczbę znaków, po których następuje – najczęściej wykorzystuję ją w połączeniu z kropką. Dzięki takiemu połączeniu można osiągnąć dowolny ciąg znaków np. ‚^m(.*)a$’ dopasuje słowa: mantra, manna, mazda, Marianna itp., czyli każdą frazę, która zaczyna się na „m” i kończy na „a”.
• + (plus) – oznacza powtórzenie przynajmniej raz poprzedniego znaku, czyli dla wyrażenia ‚^arka+’ zostaną dopasowane: arka, arkaa, arkaa itd.
• ? (znak zapytania) – oznacza brak wystąpienia lub powtórzenie jeden raz poprzedzającego znaku – dla wyrażenia ‚arka?’ dopasowane zostaną zatem jedynie: arka lub ark.
• [] (nawiasy kwadratowe) – oznaczają dopasowanie dowolnego pojedynczego znaku w ich ramach – dzięki wyrażeniu regularnemu ‚[ck]on[vw]ersion’ dopasowane zostaną następujące frazy: conversion, konversion, conwersion oraz konwersion. Nawiasy kwadratowe w połączeniu z daszkiem w środku dopasują dowolny znak, który NIE znajduje się w sprawdzanej frazie. Np. dla wyrażenia ‚[^abc]’ dopasuje każdy znak, poza trzema pierwszymi literami z alfabetu.
• – (myślnik) – oznacza zakres wyrażeń – najczęściej wykorzystuję go w połączeniu z nawiasem kwadratowym. Np. wyrażenie regularne ‚ar[b-c|k-m]a’ dopasuje następujące frazy: arba, arca, arka, arla, arma. Możemy również wykorzystać cyfry tj. ‚aria[1-9]’, dzięki czemu dopasuje nam: aria1, aria2, aria3 itd.
• (ukośnik tylny) – przywraca standardowe znaczenie znaków wykorzystywanych w wyrażeniach regularnych – jak już z pewnością udało Ci się zauważyć – wyrażenia regularne wykorzystują znaki, które są często używane w kodzie źródłowym strony internetowej. Najlepszym przykładem jest kropka. W wyrażeniach regularnych oznacza dowolny znak, natomiast normalnie jest separatorem np. w adresie internetowym. Jeżeli wpiszemy wyrażenie ‚^www.wp.pl$’, to dopasowane zostaną m.in. następujące frazy: www1wpepl, wwwwwppl itp. W celu dopasowania konkretnego adresu internetowego należy wpisać następujące wyrażenie regularne: ‚^www.wp.pl$’.

Więcej przykładów tego, w jaki sposób możesz wykorzystać poniższe znaki znajdziesz pod tym adresem. Dowiedz się m.in. jak sprawdzają się one w filtrach, segmentach niestandardowych, a nawet celach.

Jak testować wyrażenia regularne?

Mimo że wyrażenia regularne nie zaliczają się do bardzo skomplikowanych obszarów, to podobnie, jak w przypadku każdego innego języka programowania – przed jego implementacją warto przeprowadzić testy sprawdzające.
Osobiście, do testowania moich wyrażeń regularnych, najchętniej wykorzystuję następujące rozwiązania: filtry w raportach treści w Google Analytics Universal (jak to zrobić przeczytasz w tym miejscu), karty eksploracji w Google Analytics 4, a także dedykowane serwisy takie, jak: regex101.com bądź regexr.com.

Testowanie wyrażeń regularnych w Google Analytics – omówienie regexów

Pierwszy sposób ma szczególne znaczenie w Google Analytics Universal przy konfiguracji celów z wykorzystaniem wyrażeń regularnych. Jak zapewne pamiętasz – w Google Analytics możesz skonfigurować 4 typy celów:

• docelowy adres URL,
• czas spędzony w witrynie,
• strony/odwiedziny,
• zdarzenie.

Przy czym warto zwrócić uwagę, że wyrażenia regularne w Google Analytics Universal w praktyce najczęściej znajdują zastosowanie w pierwszym rodzaju celu, czyli celach opartych na adresach URL.

Zastosowanie wyrażeń regularnych w Google Analytics.

Jeżeli zdecydujesz się na dopasowanie wyrażenia URL, to musisz zastanowić się, jakie wyrażenie regularne dopasuje URL, który będzie dla oznaczał konwersję użytkownika. Wszystkie adresy URL, które odsłonili użytkownicy, dostępne są w raportach sekcji: Zachowanie / Zawartość witryny / Wszystkie strony.
Tam również (tuż nad tabelą dostępny jest filtr, który pomoże Ci zdecydować, czy wyrażenie regularne wykorzystane w konfiguracji celu rzeczywiście dopasowuje adres URL, na którym Ci zależy. Jeżeli tak – śmiało możesz wykorzystać to wyrażenie regularne w konfiguracji celu.

Wyrażenie regularne wykorzystane w konfiguracji celu.

Drugim rozwiązaniem, które osobiście stosuję przede wszystkim do testowania wyrażeń regularnych na potrzeby filtrów oraz segmentów, stanowi serwis regex101.com.
Działanie serwisu jest bardzo intuicyjne. Wystarczy, że w polu “REGULAR EXPRESSION” wpiszesz swoje wyrażenie regularne, a w polu “TEST STRING” – frazy, które chcesz poddać weryfikacji. Proste

Źródłó: Własne – regex101.com

Gdzie w Google Analytics możesz stosować wyrażenia regularne?

W praktyce, jak już wspominałem, istnieje co najmniej kilka zasadniczych elementów, w których można wykorzystać wyrażenia regularne.
Jednak zdecydowanie najczęściej wykorzystuje się je w filtrach oraz konfiguracji celów.

Wykorzystanie wyrażeń regularnych w filtrach w interfejsie raportowania

Z filtrami w Google Analytics mamy do czynienia w co najmniej dwóch miejscach – filtrach w ramach widoków danych oraz filtrach w widoku raportów. Te drugie (filtry w ramach raportów), są znacznie częściej wykorzystywane – zwłaszcza, jeżeli chcemy przyjrzeć się wybranym słowom kluczowym.

Aby lepiej Ci to zobrazować – pozwól, że posłużę się przykładem. W poniższej operacji moim celem było wyszukanie wszystkich słów kluczowych zaczynających się od “żel” lub “krem”. Dodatkowo, słowa kluczowe dla “żel” mogły pojawić się również bez polskich znaków.
Oczywiście mogłem wypisać wszystkie możliwe odmiany tych słów. Ale powiedzmy sobie szczerze – czy jest sens, aby tracić czas i energię, jeśli wszystko można zastąpić jednym i zdecydowanie krótszym wyrażeniem?
W tej sytuacji wystarczyło bowiem zastosować taki krótki regex:

Zastosowanie regexu.

A oto efekty, jakie wygenerowało wyrażenie:

Efekt zastosowanego wyrażenia.

Wykorzystanie wyrażeń regularnych w filtrach (w widoku danych)

Inny przykład rozwiązania stosowanego w ramach widoku danych stanowi filtr włączający ruch z danej sekcji serwisu. W tym wypadku jest to opcja włączająca ruch z jedynie dla “Studiów II stopnia”.
W związku z tym, że URL na tej stronie skonstruowane są w ten sposób, że każdy należący do tej sekcji zaczyna się od ‚/studia-ii-stopnia’ lub ‚/studia_ii_stopnia’, to wyrażeniem regularnym będzie tutaj:

Sam filtr z kolei filtr wówczas przyjmie następującą postać:

Wzorzec filtra.

Kolejnym przykładem filtru, w ramach którego możesz wykorzystać możliwości wyrażeń regularnych, stanowi ten wykluczający ruch z podanego zakresu adresów IP.

Kolejny wzorzec filtra.

Przykład? Dla zakresu adresów “178.42.219.143-200” – odpowiednie wyrażenie regularne będzie miało postać:

Wykorzystanie wyrażeń regularnych w celach

Przy konfiguracji celów w Google Analytics musisz pamiętać o tym, że wybierając dany rodzaj dopasowania adresu URL, determinujesz go również dla konfiguracji ścieżki do celu.
Każda aktywność użytkownika może zostać przeliczona na konkretne wartości pieniężne. Kilka przydatnych porad, jak podchodzić do kwestii ich obliczania, znajdziesz pod tym adresem. Z kolei mój przykład takiego celu prezentuję poniżej.

Wykorzystanie wyrażeń regularnych w celach.

Aby przekonać się, czy dane wyrażenie regularne zadziała prawidłowo, możesz zweryfikować je w raporcie Zachowanie / Zawartość witryny / Wszystkie strony. W tym celu warto odnieść się do sekcji testowania wyrażeń regularnych.

Wykorzystanie wyrażeń regularnych w segmentach

Musisz wiedzieć, że regexy znajdują swoje zastosowanie również w obszarze związanym z określaniem segmentów użytkowników. Na ich podstawie możesz definiować, chociażby ich pochodzenie (na poniższym przykładzie pokazałem Ci, jak to zrobić w odniesieniu do płatnych źródeł ruchu z social mediów).

Wykorzystanie wyrażeń regularnych w segmentach.

Grupowanie treści za pomocą wyrażeń regularnych

Do kolejnych zastosowań zaliczamy grupowanie, które znajduje szczególne zastosowanie – zwłaszcza, gdy Twoja strona internetowa posiada strukturę adresów URL, która pozwala na pogrupowanie adresów w określone kategorie.
Poniżej prezentuję Ci przykład takiego grupowania treści, w którym jako grupę – Blog / Twarz chcę przypisać wszystkie artykuły zawierające w adresie /blog/twarz.

Grupowanie treści za pomocą wyrażeń regularnych.

Grupowanie kanałów przy pomocy wyrażeń regularnych

Do niestandardowego grupowania kanałów również można wykorzystać wyrażenia regularne. Na poniższej grafice znajdziesz praktyczny przykład. A jeśli chcesz dowiedzieć się nieco więcej o opcji grupowania kanałów – zapoznaj się z tą lekturą od Google.

Grupowanie kanałów przy pomocy wyrażeń regularnych.

Google Analytics 4 a wyrażenia regularne

Do tej pory opowiedziałem Ci wiele o zastosowaniu regexów w odniesieniu do Google Analytics w wersji Universal. Mając na względzie, że czas tej usługi powoli dobiega końca i już niedługo zastąpi ją Google Analytics 4 – muszę napisać również “co nieco” o wyrażeniach regularnych właśnie w kontekście GA4. Aby nie przedłużać, pozwól, że od razu przejdę do konkretów.

Wykorzystanie regexów w narzędziu eksploracja

Tzw. Eksploracje to narzędzie Google Analytics 4, w którym znajdziesz cały zestaw zaawansowanych metod, dzięki którym będziesz w stanie otrzymać wiele dokładnych informacji na temat aktywności klientów. Znajdziesz tam m.in. ścieżki, kohorty, pokrywanie się segmentów i wiele, wiele więcej.

Jednak w mojej ocenie, najczęstszym wykorzystaniem wyrażeń regularnych w narzędziu eksploracja w GA4, będą filtry (grafika poniżej).

Wykorzystanie regexów w narzędziu eksploracja – filtry.

Na screenie możesz dostrzec wszystkie zdarzenia dla danej usługi. Ale co zrobić, jeśli chcesz zobaczyć tylko te związane z działaniami Ecommerce? Do tego posłuży Ci filtr z wykorzystaniem wyrażeń regularnych:

view_item|add_to_cart|view_cart|begin_checkout|purchase

Wykorzystanie regexów w narzędziu eksploracja – filtry związane tylko z działaniami ecommerce.

Poniżej efekt, jaki udało się uzyskać właśnie dzięki zastosowaniu naszego filtra z wyrażeniem regularnym:

Efekt po zastosowaniu filtra z wyrażeniem regularnym.

Wykorzystanie regexów w segmentach

Podobnie jak w Google Analytics Universal – wyrażenia regularne w Google Analytics 4 sprawdzają się wyśmienicie również w przypadku tworzenia mniej lub bardziej zaawansowanych segmentów.

Wykluczenia witryn odsyłających za pomocą wyrażeń regularnych

W tym miejscu możemy mówić o pewnej nowince. Otóż, w przypadku konfiguracji tego elementu istnieje możliwość zastosowania wyrażeń regularnych do definicji wykluczeń witryn odsyłających. W klasycznym Universal Analyticsie nie było to możliwe.

Co więcej – można skonfigurować maksymalnie 50 warunków, a co za tym idzie – wykorzystanie wyrażeń regularnych w tym miejscu często jest wręcz koniecznością.

Zastosowanie wyrażeń regularnych do definicji wykluczeń witryn odsyłających.

Przykład zastosowania? Załóżmy, że chciałbym wykluczyć bramkę płatności PayU, które może występować pod 3 różnymi adresami URL: secure.payu.pl, payu.pl oraz payu.com.

Zamiast wpisywać każdą domenę do osobnego warunku, wystarczy zastosować takie wyrażenie regularne:

Przykładowe zastosowanie wyrażeń regularnych do definicji wykluczeń witryn odsyłających.

Regex w Google Analytics 4 (GA4) – nowe ograniczenia i najlepsze praktyki

Wdrożenie GA4 zmienia zasady gry dla wyrażeń regularnych – m.in. domyślny tryb „matches regex” wymaga pełnego dopasowania łańcucha, a nie tylko zawierania wzorca. Warto więc przeanalizować: jakie wzorce działają poprawnie, jakie ograniczenia niesie za sobą składnia RE2 (np. brak lookahead / lookbehind), oraz jak uniknąć typowych błędów.

Limity RE2 w GA4 – co oznaczają dla analityka i jak je obejść

Wyrażenia regularne w Google Analytics – podsumowanie

Mam nadzieję, że zapoznanie się z tym wpisem przekonało Cię, że stosowanie wyrażeń regularnych jest po prostu opłacalne – w końcu pozwala oszczędzić naprawdę masę czasu i energii!
Jak widzisz, wyrażenia regularne zapewniają elastyczność i dają naprawdę niesamowite możliwości. Na pewno udało Ci się również zauważyć, że nawet przy ich podstawowej znajomości, można znacznie szybciej i łatwiej konstruować zaawansowane filtry.
Jedyne, o czym musisz pamiętać, to fakt, iż w filtrach można stosować wyrażenia regularne o maksymalnej długości 255 znaków. Choć od tej “bolączki” wolne są już segmenty zaawansowane.

Jeśli wyrażenia regularne zainteresowały Cię to mam nadzieję, że temat segmentacji jak i filtrów również przypadnie Ci do gustu i uzupełni zdobytą dzisiaj wiedzę!

The post Wyrażenia regularne – czym są i jak wykorzystać regex w Google Analytics? 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.

Dane, ich zbieranie i właściwa analiza stały się jednym z priorytetów biznesowych większości przedsiębiorstw – szczególnie jeśli prowadzą działalność e-commerce. Świadomość tego, jak klienci do nas trafiają, jak się poruszają po stronie i jak dokonują decyzji o zakupie, pomaga nam w dopasowaniu naszych działań. Dzięki temu oferujemy klientom lepsze doświadczenie i więcej wartości, a oni chętniej u nas kupują.

Z drugiej strony łatwo jest popełnić błąd i naruszyć któreś z praw dotyczących ochrony danych i prywatności użytkownika. Internauci też są coraz bardziej świadomi i chcą móc decydować o tym, kto i jak korzysta z ich danych.

Jak sobie poradzić z tym wyzwaniem dzięki Google Signals? W tym artykule wyjaśnimy bliżej, jak Google Signals rozszerza możliwości analizy ruchu. Znajdziesz tu to, co musisz wiedzieć, żeby zgodnie z prawem zbierać dane użytkowników, oraz jak aktywować Google Signals.

Co znajdziesz w tym artykule?
Google Analytics – jeden użytkownik, kilka ciasteczek
Co to są Google Signals?
Google Signals – korzystanie z kilku urządzeń przestaje być problemem
Google Signals a prywatność i ochrona danych
Do czego przyda Ci się Google Signals?
Jak włączyć Google Signals?
Wolisz oddać ustawienie analityki w ręce specjalistów?
Zaczynajmy!

Google Analytics – jeden użytkownik, kilka ciasteczek

Kiedy myślimy o analityce internetowej, najważniejszym narzędziem jest bez wątpienia Google Analytics. Przez wiele lat było wystarczające do zbierania wyczerpujących danych i prowadzenia analiz. Teraz jednak, wraz ze wzrostem mobile e-commerce i korzystania z kilku urządzeń przez jednego użytkownika, dane zbierane przez Google Analytics często nie oddają pełnej rzeczywistości.

Problem leży w sposobie zbierania danych przez Google Analytics. Program bazuje na plikach cookies, które są zapisywane w przeglądarce. Z tego względu, jeśli użytkownik wchodził na tę samą stronę nawet z jednego urządzenia, ale korzystając z kilku przeglądarek, nie był traktowany jako jedna osoba. Google Analytics rozpoczynał osobną sesję przy każdej zmianie przeglądarki lub urządzenia i zliczał kilka aktywnych plików cookie (czyli użytkowników).

Jaki jest efekt tych przeszkód? Google Analytics nie był w stanie określić rzeczywistej ścieżki zakupowej, przedstawiając zaburzony obraz. Raporty cross-device były w najlepszym wypadku przybliżone, często jednak nie odpowiadały rzeczywistym działaniom użytkownika. W momencie kiedy zbierane dane nie odwzorowywały rzeczywistych trendów, stawały się bezużyteczne.

Co to są Google Signals?

Google Signals to funkcja w Google Analytics 4, która zbiera dane sesyjne od użytkowników zalogowanych na konto Google i zezwalających na personalizację reklam. Dzięki niej możliwe jest śledzenie zachowań tych samych osób na różnych urządzeniach, co ułatwia analizę ścieżek zakupowych i remarketing.

Definicja i znaczenie Google Signals

Google definiuje Signals jako „dane sesyjne z witryn i aplikacji kojarzone z użytkownikami zalogowanymi na konta Google i mającymi włączoną personalizację reklam”. Dzięki nim GA4 może generować raporty dotyczące demografii i zainteresowań oraz wspierać remarketing między urządzeniami – ale tylko jeśli użytkownik wyraził na to zgodę.

Google Signals – korzystanie z kilku urządzeń przestaje być problemem

W lipcu 2018 Google zaproponowało nowe rozwiązanie, ułatwiające marketerom analizowanie ruchu i akcji użytkownika, który wykorzystuje różne urządzenia. W dzisiejszym świecie, w którym na co dzień swobodnie przełączamy się między komórką, tabletem i komputerem, taka analiza to konieczność.

Diagramy pokazują względny rozmiar dla każdego z urządzeń oraz to, czy nakładają się na siebie. (Źródło)

Google Signals, podobnie jak Google Analytics 4, odchodzi od traktowania sesji jako podstawowego punktu odniesienia w pomiarach. Skupia się na użytkowniku, pokazując takie informacje jak ścieżka zakupowa czy konwersja. Aby móc zbierać takie dane, użytkownik musi wyrazić zgodę w ustawieniach personalizacji reklam w swoim koncie Google.

W przeciwieństwie do Google Analytics 4, Google Signals nie jest osobnym rozwiązaniem. Po włączeniu tej opcji raporty, które generuje Google Analytics, zostają poszerzone o dane zebrane przez Google Signals.

Dowiedz się więcej o Google Analytics 4 z naszego przewodnika.

Jak działa Google Signals?

Mechanizm stojący za Google Signals porównuje dane zebrane przez stronę z tymi, które zbiera Google dzięki włączonym ustawieniom o personalizacji reklam. Są to takie informacje jak lokalizacja, przeglądarka, urządzenie czy historia wyszukiwań. Jeśli zachowanie użytkownika według danych ze strony pokrywa się z danymi Google, jest on identyfikowany jako ta sama osoba i odpowiednio uwzględniany w raportach.

Google Signals a prywatność i ochrona danych

Prywatność użytkowników i zgodność z obowiązującymi regulacjami prawnymi leży na sercu każdego marketera. Chcemy pracować na danych i znać jak najwięcej szczegółów, jednak nie wchodząc w konflikt z kwestiami prywatności. Mocno powiązane z tym jest też poczucie zaufania do naszego biznesu, które chcemy wzbudzić u naszych klientów.

Biorąc te czynniki pod uwagę, nic dziwnego, że pojawia się pytanie o to, jak Google Signals chroni prywatność użytkownika. Jest to bardzo ważne zagadnienie – przyjrzyjmy się mu bliżej.

Po pierwsze, zbierane dane są anonimizowane i agregowane. Oznacza to, że Google zacznie pokazywać Ci raporty dopiero po zebraniu wystarczającej ilości danych, tak, aby użytkownicy nie mogli być rozpoznani. Z tego względu nie wchodzą w konflikt z RODO.

Google ogranicza też sposoby w jakie możemy wykorzystać dane zbierane dzięki Google Signals — nie możemy ich np. wyeksportować do BigQuery czy wykorzystać w raportach niestandardowych.

Warto też wspomnieć o przechowywaniu danych. Domyślnie Google Signals ma ustawioną najwyższą wartość, czyli 26 miesięcy. Jeśli jednak chcesz przechowywać dane o użytkownikach przez krótszy czas, zawsze możesz to zmienić.

O czym Twoi użytkownicy muszą wiedzieć, jeśli korzystasz z Google Signals?

Kiedy wdrażasz Google Signals, w zasadzie nie musisz wprowadzać większych zmian – wystarczy dodać tę usługę do Twojej polityki prywatności.

Jeżeli Twój odbiorca nie wyraził zgody na personalizację reklam, Google nie będzie zbierał o nim danych. Z tego względu dane zbierane przez Twoją stronę nie znajdą swojego odpowiednika, a zachowanie tego użytkownika nie będzie uwzględnione w raportach Google Signals.

W takiej sytuacji nie tracisz wszystkich danych: pojawią się w Google Analytics w takiej formie, jak dotąd. Użytkownik musiałby się nie zgodzić na wykorzystywanie cookies, aby zupełnie nie pojawić się w Twoich raportach.

Do czego przyda Ci się Google Signals?

Porozmawiajmy teraz konkretnie o tym, w czym pomoże Ci Google Signals i jakie ma przełożenie na Twoje działania biznesowe.

Precyzyjnie zmierzona konwersja

Google Signals udostępnia Ci bardziej precyzyjne dane. Rozpoznając użytkowników i dokładnie śledząc ich ścieżkę zakupową, pozwala Ci na zrozumienie ich zachowania. Dzięki temu lepiej określisz, które kanały przynoszą Ci zyski, oraz czego potrzebują Twoi klienci, aby móc podjąć decyzję o zakupie. Możesz stworzyć model atrybucji i pracować w bardziej efektywny sposób.

Informacje o ścieżkach urządzeń (Źródło)

Określisz tak, które obszary w Twoim e-commerce potrzebują uwagi. Jeśli uzupełnisz dane zbierane przez Google Analytics o ten obszar, otrzymasz pełniejszy obraz ruchu na Twojej stronie. Jeśli chcesz sprawdzić, jak użytkownicy poruszają się między Twoją stroną a aplikacją mobilną, z pewnością zainteresuje Cię Google Analytics 4.

Kampanie remarketingowe

Jeśli w swojej strategii płatnych reklam korzystasz z Google Ads, z pewnością ucieszy Cię możliwość wykorzystania Google Signals w remarketingu. Pozwala na przekroczenie bariery związanej z urządzeniami: reklamy remarketingowe będą wyświetlane na wszystkich urządzeniach, z których korzysta dany użytkownik.

Mierzenie wizyt w sklepach stacjonarnych

O ile ta funkcja nie jest dostępna dla wszystkich biznesów, to warto przyjrzeć się jej bliżej. Mogą z niej skorzystać sklepy mające wystarczającą liczbę sklepów stacjonarnych oraz danych o użytkownikach, którzy je odwiedzają. Po włączeniu takiej opcji możesz powiązać odwiedziny w witrynie z zakupami w sklepie stacjonarnym. Dowiesz się, ilu użytkowników pojawiło się w Twoim sklepie w ciągu 30 dni od odwiedzenia strony internetowej.

Z raportów dowiesz się między innymi, jakie kanały najbardziej zachęciły do wizyty w sklepie stacjonarnym, jaki był wpływ kampanii reklamowych, oraz czy procent zakupów online i offline różni się między regionami.

Zoptymalizowanie ścieżki klienta

Raporty wykorzystujące informacje zebrane przez Google Signals świetnie obrazują ścieżki, jakie najczęściej wybierają klienci. Dzięki temu możesz sprawdzić, jak Twoje założenia pokrywają się z rzeczywistością, oraz oceniać skuteczność wprowadzanych optymalizacji.

Zdefiniowanie najbardziej obiecującej grupy klientów

Google Signals pomaga Ci dokładnie zmierzyć zachowania użytkowników. Pozwoli Ci to określić, na jakiej grupie warto skupić swoje działania. Dzięki temu lepiej wykorzystasz dostępne zasoby.

Warto też spojrzeć w drugą stronę. Sprawdź, czy masz dużą grupę odwiedzających, która nie dokonuje zakupu lub innych oczekiwanych przez Ciebie akcji. Jeśli tak, możesz przeanalizować, czy komunikujesz swoją wartość w odpowiedni sposób. Pozwoli Ci to uniknąć marnowania zasobów.

Za pomocą raportu urządzenie pozyskiwania możesz łatwo zoptymalizować wydatki kampanii na różne urządzenia. (Źródła)

Jak włączyć Google Signals?

Włączenie usługi Google Signals w Twoim Google Analytics jest bardzo proste: wymaga tylko kilku kroków.

1. Przejdź do Administracji i wybranej usługi, w której chcesz włączyć Google Signals
2. Pod Usługa kliknij najpierw Informacje o śledzeniu, a potem Zbieranie danych.
3. Kliknij Rozpocznij i postępuj zgodnie z instrukcjami.
4. Wybierz, dla których usług chcesz włączyć Google Signals.
5. Możesz aktywować Google Signals od razu, klikając Aktywuj, lub zrobić to później – wtedy kliknij Zdecyduj później.

Aktywuj Google Signals

Google Signals zbiera dane od momentu aktywacji – analizowanie wcześniejszych danych nie jest możliwe.

Wolisz oddać ustawienie analityki w ręce specjalistów?

Jesteśmy tu dla Ciebie.

W Conversion od ponad 10 lat zajmujemy się wspieraniem klientów w zakresie poprawnego skonfigurowania Google Analytics, raportowania i zaawansowanej analizy danych. Mamy doświadczenie – partnerstwo z Google i ponad 500 projektów wdrożeń na koncie pomaga nam w znalezieniu najlepszego rozwiązania dla Twojego biznesu.

Dzięki temu możemy wspólnie ustalić, które z usług analitycznych Google będą najskuteczniejsze w Twoim biznesie. Zaprojektujemy odpowiednią analitykę, a później będziemy czuwać nad takimi kwestiami, jak wdrożenie tagów na stronę. Zapewnimy także onboarding, tak, żeby Twój zespół od razu mógł działać na nowym projekcie.

Skontaktuj się z nami, opowiedz nam o swoim biznesie, a my powiemy jak możemy Ci pomóc.

The post Google Signals, prywatność danych i ciasteczka – jak to ugryźć? first appeared on Conversion.

Powolne, aczkolwiek sukcesywne eliminowanie ciasteczek z wiodących przeglądarek internetowych (m.in. Safari, Firefox, czy nieco mniej popularnej – Brave). Do tego ciągle zmieniające się (a raczej stale zaostrzane) przepisy oraz regulacje prawne związane z ochroną prywatności samych użytkowników sieci. Czy to wszystko oznacza, że czas popularnych cookies przemija i już wkrótce firmy, instytucje oraz agencje reklamowe będą musiały nauczyć się żyć bez nich?

Dowiedz się, co oraz w jaki sposób robią zarówno właściciele przeglądarek, jak i regulatorzy, aby już teraz ograniczać powszechne użycie cookiesów. Poznaj główne powody takich działań, a przede wszystkim – zobacz, jak przygotować się na ciasteczkową rewolucję, która jest coraz bliżej i nieuchronnie pozbawi nas dostępu do użytecznych informacji.

Co znajdziesz w tym artykule?
Czołowe przeglądarki internetowe bez cookies?
Cookieless 2025: hybrydowe podejście po decyzji Google o pozostawieniu third-party cookies
A co z rozwiązaniem, z którego korzysta zdecydowana większość internautów z całego świata?
Dlaczego regulatorzy nie lubią ciasteczek? Powody eliminowania cookies z powszechnego użytku.
Brak cookies a marketing. Co na to wszystko branża reklamowa?
Podsumowanie, czyli jak przygotować się na cookieless future, czyli przyszłość pozbawioną ciasteczek?

Czołowe przeglądarki internetowe bez cookies?

Jak wspomniałem na samym początku tego wpisu – rezygnacja z wykorzystywania tzw. 3rd party cookies dzieje się już na naszych oczach. Procesy te, choć na ten moment dotyczące maksymalnie kilkunastu procent użytkowników sieci, można zaobserwować w działaniach wybranych przeglądarek:

• Safari, która wdrożyła tzw. Intelligent Tracking Prevention, czyli rozwiązanie, którego zadaniem jest blokowanie śledzenia użytkowników pomiędzy witrynami oraz minimalizowanie ilości gromadzonych i przekazywanych danych (m.in. na temat ich lokalizacji czy wyszukiwanych informacji). A to wszystko przy jednoczesnym zachowaniu normalnego funkcjonowania stron internetowych.
• Firefox, która uruchomiła funkcjonalność o nazwie Enhanced Tracking Protection. Jej działanie polega na blokowaniu tzw. trackerów, ochronę użytkowników sieci przed szkodliwymi skryptami oraz złośliwym oprogramowaniem. Oczywiście podobnie, jak w przypadku Safari – zachowując wszelkie funkcjonalności – pozwalające na swobodne korzystanie z wybranych witryn www.
• Brave, która oferuje Shields, czyli rozwiązanie również blokujące przekazywanie cookies pomiędzy witrynami, chroniące przed wyłudzeniami i ograniczające pozostawianie tzw. fingerprints.

Cookieless 2025: hybrydowe podejście po decyzji Google o pozostawieniu third-party cookies

Po lipcowej decyzji Google marketerzy muszą działać hybrydowo: korzystać z cookies tam, gdzie to zgodne z prawem, i równolegle wdrażać Privacy Sandbox (Topics, Protected Audience) oraz rozwijać dane 1st-party. Postępy nadzoruje brytyjskie CMA, a Google publikuje kwartalne raporty.

Privacy Sandbox i zgodność w UE: wpływ „pay-or-okay” na zgody i pomiar

A co z rozwiązaniem, z którego korzysta zdecydowana większość internautów z całego świata?

Takie same lub zbliżone działania planuje również jedna z najpopularniejszych przeglądarek internetowych, czyli należąca do giganta technologicznego z USA – Google Chrome. Pierwotnie zmiany odnośnie ciasteczek miały zostać przez nią wdrożone już w 2021 roku, aby następnie przełożyć je na rok 2023. Jednak już teraz dochodzą nas słuchy, że może się to nie udać, a sama data również zostanie przesunięta. W związku z tym, finalne “rozprawienie się” z ciasteczkami przez popularnego chroma nastąpi prawdopodobnie w roku 2024.

Aczkolwiek, bez względu na to, czy zostało nam jeszcze kilkanaście miesięcy, czy też kilka lat – biorąc pod uwagę, jak duży udział* posiada Google Chrome – warto się do tego przygotować już teraz.

* Tylko w Europie z Google Chrome korzysta blisko 60% wszystkich użytkowników sieci! W Północnej Ameryce jest to ponad 52%, w Oceanii prawie 56%, a z kolei Afryce oraz Azji odpowiednio – 70% i aż 74%.

Źródło: Opracowanie własne

Dlaczego regulatorzy nie lubią ciasteczek? Powody eliminowania cookies z powszechnego użytku.

Powiedziałem już sporo na temat nadchodzących zmian, ale nie wspomniałem o jednej jakże ważnej kwestii, czyli powodach, dla których w przyszłości cookiesy mają zniknąć z powszechnego użytku.

Jeżeli uważasz, że działania firm technologicznych są kierowane głównie dbałością o interes oraz bezpieczeństwo danych samych użytkowników – mogę tylko pogratulować i pozazdrościć takiego optymizmu . Niestety, w praktyce głównym czynnikiem, dla którego wyżej wspomniane przeglądarki zdecydowały się na takie kroki, są oczywiście zmiany szykowane przez same instytucje rządowe.

Z pewnością udało Ci się spotkać z tak “gorącym” pojęciem, jak GDPR (w Polsce znanym bardziej jako RODO), a także jego amerykańskim odpowiednikiem, czyli CCPA. W międzyczasie “wszedł w życie” również dokument o nazwie ePR (ePrivacy Regulation), którego zadaniem było doprecyzowanie oraz rozszerzenie niektórych wymogów.

Tematyka związana z tymi przepisami to materiał na jeden, a nawet kilka osobnych artykuł. Dlatego pozwól, że dzisiaj daruję Ci taką lekturę i tylko w skrócie wspomnę, jakie mają zadanie.

Mianowicie, w teorii celem zarówno europejskich, jak i amerykańskich przepisów, jest zapewnienie skutecznej ochrony użytkowników sieci. Ochronę tę można rozumieć jako zagwarantowanie większej poufności i prywatności, a przede wszystkim – przeciwdziałanie gromadzeniu informacji pozwalających na identyfikowanie konkretnych osób (w tym danych osobowych, tych związanych z ich zachowaniem w Internecie itp.).

Brak cookies a marketing. Co na to wszystko branża reklamowa?

Nie ma co ukrywać – ciasteczka 3rd party stanowią jeden z solidnych fundamentów szeroko pojętej branży reklamowej, które pozwalają na dostarczanie dopasowanych i dobrze spersonalizowanych komunikatów marketingowych. W końcu z ich możliwości korzystają wszystkie największe firmy technologiczne, na czele z takimi markami, jak: Google, Facebook oraz Microsoft.

Gdy przyszłość bez cookies stanie się faktem, a co za tym idzie – nastąpi usunięcie personalizacji dostępnej z poziomu ciasteczek – powstanie swego rodzaju “lawina”, która podzieli użytkowników sieci na dwie grupy:

• Pierwszą z nich będą tworzyć osoby zalogowane w danej usłudze (poczcie e-mail, platformie społecznościowej itp.). Z uwagi na dostęp do kluczowych danych oraz posiadanie niezbędnych zgód na ich przetwarzanie, właściciele takich serwisów będą w stanie bardzo dokładnie personalizować wszelkie przekazy marketingowe (a także dawać taką możliwość, płacącym za to reklamodawcom). Niestety, taka aktywność wzmocni także wspomniane wcześniej zjawisko – walled garden.
• Druga grupa będzie składa się z userów pozostających poza systemem wybranych usług (czytaj: niezalogowanych). W tym przypadku wielu reklamodawców będzie musiało wrócić oraz ponownie “pogodzić się” z opcją tzw. targetowania kontekstowego, które nie pozwala na tak precyzyjną komunikację, jaka ma miejsce w przypadku personalizacji i dostępu do bardziej szczegółowych danych na temat użytkowników sieci.

Regulacje prawne oraz techniczne blokowanie ciasteczek stanowią również doskonały pretekst dla firm technologicznych, aby te wdrażały i udostępniały nowe usługi pozwalające na przekazywanie danych o użytkownikach. W tej materii mam na myśli głównie te, które nie tylko gromadzą dane przeznaczone pod segmentację, ale przede wszystkim – przerzucają obowiązek uzyskania zgody bezpośrednio na reklamodawcę.

Modelowymi przykładami takich praktyk są, chociażby opcje: Enhanced Conversions od Google’a oraz Offline Conversions oferowane przez Facebooka.

Zgody na politykę cookies – Facebook

Podsumowanie, czyli jak przygotować się na cookieless future, czyli przyszłość pozbawioną ciasteczek?

Jedno jest pewne. Nawet jeśli termin ostatecznego “rozprawienia” się z cookiesami przez przeglądarki, systemy reklamowe aż wreszcie – samych regulatorów, jest stale przesuwany w czasie – świat bez ciasteczek 3rd party z pewnością kiedyś nadejdzie. Jestem przekonany, że jeśli nie spowodują tego same przepisy prawa, swoistym “gwoździem do trumny” okażą się interesy samych firm reklamowych, które będą dążyły do budowy tzw. walled gardens.

W związku z tym, aby nie zacząć działać, gdy de facto będzie już za późno – już teraz warto się pochylić nad tą kwestią i zacząć budować rozwiązania technologiczne oparte o własne zasoby, integrując się dopiero z poszczególnymi systemami mediowymi.

Szukasz wsparcia, które pomoże Ci przygotować się na nadchodzące zmiany i odnaleźć się w przyszłości bez cookiesów?

Weź pod uwagę, że całkowita rezygnacja z 3rd cookies może być ciosem, po którym Twoja firma już nigdy się nie podniesie. Jednak z drugiej strony pamiętaj, że przygotowanie się do tego stanowi niebywałą szansę na jej przyspieszony rozwój, zajęcie czołowego miejsca, a co za tym idzie – uzyskanie sporej przewagi nad konkurentami, którzy postanowią zbagatelizować nadchodzącą rewolucję.

Jeżeli chcesz zyskać “palmę pierwszeństwa” albo przynajmniej zminimalizować ryzyko niepowodzenia – nie zwlekaj. Nasi eksperci z przyjemnością pokażą Ci jak w Twoim przypadku zaplanować, a następnie wdrożyć rozwiązania, które pozwolą Ci na skuteczne działanie oraz sukcesywny rozwój Twojej firmy. I to nawet wówczas, gdy z Twojego arsenału znikną tradycyjne ciasteczka!
Skontaktuj się z nami już teraz, aby dowiedzieć się więcej, porozmawiać o potencjalnej współpracy, a także poznać szerokie możliwości, z których możesz skorzystać – Ty, jak i Twój biznes.

A jeśli chcesz przygotować się na wszystkie nadchodzące zmiany w świecie analityki internetowej, to koniecznie sprawdź wpis na naszym blogu mówiący o tym jak zaimplementować Google Analytics 4 w 3 prostych krokach!

The post Cookieless future: przygotuj się na nadchodzące zmiany first appeared on Conversion.