Wdrożenie podejścia DataOps – jak ograniczyć wydatki?
Z czego wynikają koszty Google BigQuery?
Dlaczego raporty z domyślnego eksportu GA4 są drogie?
Jak obniżyć koszty analizy danych?
Efekty wdrożenia optymalizacji
Podsumowanie

Wdrożenie podejścia DataOps – jak ograniczyć wydatki?

Istnieje jednak skuteczne rozwiązanie. Wdrożenie podejścia DataOps oraz dedykowanego modelu danych pozwala znacząco ograniczyć te wydatki – nawet kilkusetkrotnie. Koszt korzystania z Google BigQuery to jedna z kluczowych kwestii, które warto uwzględnić podczas planowania infrastruktury analitycznej. Eksport danych z GA4 oraz obsługa raportów GA4 za pośrednictwem Google BigQuery mogą znacząco wpłynąć na wysokość wydatków związanych z analizą danych. W tym wpisie opisuję, z czego wynika koszt Google BigQuery, dlaczego eksport danych z GA4 i tworzenie raportów przez BigQuery potrafi generować wysokie koszty oraz jak skutecznie je obniżyć.

Z perspektywy biznesowej zrozumienie struktury kosztów Google BigQuery pozwala lepiej zarządzać wydatkami na utrzymanie infrastruktury analitycznej. W pierwszej części artykułu wyjaśniam, jakie czynniki mają wpływ na wysokość kosztów. W drugiej części przedstawiam praktyczne wskazówki, które pozwalają zoptymalizować wydatki związane z obsługą raportów w Google BigQuery.

Z czego wynikają koszty Google BigQuery?

Koszt Google BigQuery wynika przede wszystkim z ilości danych przetwarzanych podczas zapytań oraz przechowywania danych. Szczegółowe omówienie tych aspektów znajduje się poniżej. Koszty korzystania z Google BigQuery składają się z dwóch elementów: opłat za przechowywanie danych oraz opłat za wykonywanie obliczeń na tych danych. Na stronie z cennikiem można znaleźć informacje o dostępnych bezpłatnych limitach, jednak są one niewielkie. Wysokość opłat zależy od regionu, w którym dane są przechowywane, a także od ilości i zakresu przetwarzanych danych. Zazwyczaj koszt korzystania z BigQuery jest niski.

Dlaczego raporty z domyślnego eksportu GA4 są drogie?

Pojawia się jednak pytanie, dlaczego mimo niskich kosztów BigQuery, rachunki za wykorzystanie danych z Google Analytics 4 w raportach Looker Studio mogą być wysokie, zwłaszcza gdy Looker Studio jest połączone z Google BigQuery. Wynika to ze sposobu, w jaki zbudowane jest Google BigQuery. Dane są zorganizowane w strukturze zagnieżdżonych wartości, które trafiają do BigQuery na podstawie tzw. schematów danych. Struktury JSON różnią się od relacyjnych baz danych tym, że wszystkie informacje zapisane są w jednym wierszu, często w postaci zagnieżdżonej. W relacyjnych bazach danych dane są podzielone na oddzielne tabele, na przykład: zdarzenia, sesje, transakcje, produkty. Łączenie tych informacji następuje dopiero podczas tworzenia zapytania, gdzie dane z różnych tabel są łączone na podstawie relacji między nimi. Klucze umożliwiają powiązanie tabel, przykładowo: tabela z użytkownikami pozwala powiązać konkretnego użytkownika z transakcjami i sprawdzić, co kupił w danej transakcji. W kontekście analizy produktów, tablica z użytkownikami posiada klucz ID transakcji. Transakcje zawierają klucze ID produktów, dzięki czemu można pobierać szczegóły dotyczące tych produktów. W Google BigQuery wszystkie dane znajdują się w jednym wierszu. Szukając konkretnej informacji, należy przejść przez wszystkie kolumny danego wiersza, a nie tylko wybraną kolumnę.

 
Korzystając z domyślnego eksportu Google Analytics 4 do BigQuery, każdą kolumnę pliku JSON trzeba przeszukać, aby znaleźć konkretną informację, na przykład Page Location lub Transaction ID. Taka nieustrukturyzowana tabela, po podłączeniu narzędzi wizualizacyjnych czy narzędzi klasy BI, takich jak Looker Studio czy Power BI, wymaga każdorazowego rozpakowania dużego wiersza podczas zmiany zakresu dat, segmentacji czy filtrowania. Narzędzie musi za każdym razem przetworzyć tysiące rekordów, aby dotrzeć do szczegółowych informacji. Wraz ze wzrostem liczby użytkowników korzystających z tych narzędzi każda zmiana, segmentacja czy analiza raportu powoduje ponowne przetwarzanie i przerzucanie tysięcy danych.

Jak obniżyć koszty analizy danych?

Jak obniżyć koszty analizy danych? Poniżej przedstawiamy, jak podchodzimy do tego w Conversion na podstawie naszego modelu danych.

Nasz model danych został szczegółowo opisany na stronie, a poniżej opisujemy najważniejsze kroki, które pozwalają efektywnie obniżać koszty analiz.

Wypłaszczanie tabel

Pierwszym etapem jest wypłaszczanie tabel, czyli tworzenie dedykowanych tabel według określonego schematu. Powstają między innymi tabela sesyjna, transakcyjna, produktowa oraz z użytkownikami.

Tworzenie tabel w sposób inkrementalny

Drugim krokiem jest tworzenie tych tabel w sposób inkrementalny. Zamiast codziennie przeliczać i generować tabele od nowa, dodajemy jedynie wartości inkrementalne, czyli dane przyrostowe. Zamiast przetwarzać całą historię danych od 2023 roku, przetwarzamy tylko dane z poprzedniego dnia i dopisujemy je do gotowej, wypłaszczonej tabeli.

Partycjonowanie i klasteryzacja

Kolejnym elementem jest partycjonowanie i klasteryzacja. W naszym przypadku partycją jest data, a klastrem – nazwa eventów. Dzięki takiej organizacji tabel, podczas wyszukiwania wyników z Black Friday, Google BigQuery nie analizuje wszystkich danych, na przykład z lipca, tylko od razu sięga do odpowiedniego segmentu, w którym znajdują się potrzebne dane.

Unified ID i system DataOps

Czwarty element wykorzystywany w naszym modelu danych to Unified ID. Unified ID umożliwia łączenie różnych urządzeń przypisanych do jednego użytkownika w jeden wiersz danych, jeśli użytkownik został rozpoznany. Dzięki temu, podczas analizy danych, nie trzeba płacić za każdy rekord dotyczący trzech czy czterech urządzeń tego samego użytkownika. W praktyce Google BigQuery, korzystając z funkcji lub algorytmu Unified ID, traktuje różne urządzenia jako jednego użytkownika przypisanego do jednego Unified ID. Mniejsza liczba wierszy do przetworzenia oznacza niższy koszt analizy danych. DataOps stanowi kluczowy element strategii konwersyjnej, której Conversion przestrzega od półtora roku. W tej koncepcji analityka przypomina fabrykę. System analityczny działa jak linia produkcyjna, której celem jest generowanie wartościowych insightów biznesowych. Kluczowa staje się wydajność – nie ma potrzeby każdorazowej pracy z nieustrukturyzowanymi danymi.

Efekty wdrożenia optymalizacji

Efekty wdrożenia DataOps są znaczące. Koszty analizy danych można obniżyć nawet 300-krotnie. Na poniższym przykładzie raportu widać rezultaty, jakie osiągnęliśmy dla klienta po wdrożeniu nowego modelu danych. Poniżej znajdują się założenia raportu. Analizując przypadek klienta, sprawdziliśmy dzienny oraz roczny wolumen danych eksportowanych z GA4 i wyliczyliśmy koszt ich przechowywania. Przeprowadziliśmy symulację dwóch podejść. Pozostając przy surowych danych z GA4, do analizy potrzebowaliśmy 3,17 GB. Natomiast w przypadku tabeli raportowej, wykorzystywanej do kluczowych raportów biznesowych, było to jedynie 11 MB.

Dla wybranych zakresów danych, przy symulacji pięciu zapytań dziennie, roczny koszt analizy surowych danych wyniósł 74 dolary. Z kolei przy analizie opartej na tabelach stworzonych według naszego modelu danych, koszt spadł do 0,25 dolara. Koszty utrzymania Google BigQuery przy rocznej symulacji okazały się ponad 300 razy niższe przy zastosowaniu zoptymalizowanego modelu danych. To jedna z kluczowych korzyści wynikających z wdrożenia naszego modelu danych. Model danych optymalizuje koszty Google BigQuery oraz naprawia dane pod względem atrybucji i źródeł ruchu. W GA4 występują błędy dotyczące tych zagadnień, dlatego agregacja wszystkich danych w jednym miejscu tworzy jedno, wiarygodne źródło prawdy. Model ten optymalizuje również koszt utrzymania systemu raportowania opartego na Google BigQuery. Dodatkowo, monitoruje dane, a w przypadku wykrycia nieprawidłowości w danych serwisu, automatycznie informuje o tym, na przykład za pomocą wiadomości na Slacku.

Model danych zawiera data-produkty, czyli produkty analityczne prezentujące wpływ działań na konkretne KPI oraz dostarczające insajtów dotyczących ich poprawy.

Podsumowanie

Częstym błędem w firmach jest podłączanie Looker Studio bezpośrednio do surowych danych z eksportu GA4 do Google BigQuery. Gdy coraz więcej osób zaczyna korzystać z tych raportów, koszty Google BigQuery gwałtownie rosną. Można tego uniknąć, wypłaszczając tabele, tworząc je w sposób inkrementalny, stosując klastrowanie i partycjonowanie, a także korzystając z Unified ID. Wszystkie opisane kroki można wykonać samodzielnie lub skorzystać z naszego modelu danych. W przypadku pytań zachęcam do kontaktu.

The post Jak obniżyć koszt BigQuery? Wszystko przez eksport GA4! first appeared on Conversion.

Dlaczego dane są kluczowe w Business Intelligence?
Czym jest Business Intelligence?
Narzędzia do wizualizacji vs. pełnoprawne BI
Popularne narzędzia BI i ich cechy
Kryteria wyboru i porównanie narzędzi
Jak sztuczna inteligencja i ML zmieniają narzędzia BI w marketingu w 2025/2026?
Rekomendacje dla różnych firm
Podsumowanie

Dlaczego dane są kluczowe w Business Intelligence?

Zanim jednak przejdziemy do konkretów technicznych, warto zastanowić się, dlaczego dane są tak istotne w prowadzeniu biznesu. Dane pozwalają nie tylko mierzyć efektywność działań, ale przede wszystkim podejmować lepsze decyzje. Dzięki nim możemy zrozumieć zachowania użytkowników, optymalizować procesy zakupowe, zwiększać konwersję i skuteczniej realizować cele biznesowe.

W kolejnych akapitach opisuję, jak firmy wykorzystują narzędzia BI do analizy danych online, jakie funkcje są najistotniejsze oraz jak wybrać rozwiązanie dopasowane do konkretnych potrzeb organizacji. W podejściu opartym na danych kluczowe jest, aby dane prowadziły do konkretnych działań. Nie dzieje się to jednak automatycznie. Pomiędzy gromadzeniem danych a wdrażaniem działań znajduje się cały proces analizy, który stosujemy u naszych klientów.

Proces ten rozpoczyna się od zebrania danych. Następnie następuje ich analiza, na podstawie której formułowane są wnioski i rekomendacje. Dopiero na ich podstawie podejmowane są konkretne decyzje biznesowe.

Business Intelligence wspiera ten proces, umożliwiając przejście od danych surowych do działań opartych na analizie. Jego główną rolą jest dostarczenie narzędzi i metod, które pozwalają przekształcić dane w realną wartość biznesową.

Czym jest Business Intelligence?

Business Intelligence (BI), zgodnie z definicją, to proces przekształcania danych w informacje, a informacji w wiedzę, która może być wykorzystywana w celu zwiększenia konkurencyjności przedsiębiorstwa. Business Intelligence, jak sama nazwa wskazuje, to obszar zajmujący się przekształcaniem danych w wiedzę wspierającą decyzje biznesowe. Dobrze oddaje to porównanie do agencji wywiadu – tak jak służby wywiadowcze mają zapobiegać konfliktom w czasie pokoju, tak Business Intelligence powinien pomagać firmom unikać kryzysów, przewidując je z wyprzedzeniem dzięki analizie danych.

Warto rozróżnić pojęcie Business Intelligence od wizualizacji danych. Choć oba pojęcia często funkcjonują razem, nie są tożsame. Narzędzia do wizualizacji danych, takie jak wykresy, tabele czy dashboardy, są jedynie częścią ekosystemu Business Intelligence. Wizualizacja ułatwia interpretację danych, ale nie obejmuje całego procesu transformacji danych w wiedzę.

Business Intelligence to znacznie szersze podejście. Obejmuje zbieranie, porządkowanie, przetwarzanie i analizę danych w celu wyciągania wniosków, które pomagają w podejmowaniu decyzji biznesowych. Dopiero na tej podstawie powstają rekomendacje, które wspierają rozwój organizacji i minimalizują ryzyko przyszłych problemów. Wizualizacja danych stanowi integralną część Business Intelligence. Jednym z najczęściej wykorzystywanych narzędzi w tym obszarze – zarówno przez nas, jak i naszych klientów – jest Looker Studio.

Narzędzia do wizualizacji vs. pełnoprawne BI

Warto jednak zaznaczyć, że Looker Studio to przede wszystkim narzędzie do wizualizacji danych. Choć umożliwia podłączenie różnych źródeł danych, a także oferuje opcje tworzenia własnych pól czy tzw. blendowania (łączenia różnych zestawów danych), to w praktyce nie sprawdza się najlepiej jako narzędzie do transformacji danych. Operacje takie jak czyszczenie, łączenie czy integracja danych zazwyczaj odbywają się poza samym Looker Studio – w innych narzędziach, które są do tego lepiej przystosowane.

Mimo pewnych ograniczeń, Looker Studio pozostaje najczęściej wybieranym narzędziem do wizualizacji danych przez naszych klientów. Jego popularność wynika przede wszystkim z łatwości użycia oraz integracji z innymi produktami Google.

Narzędzia klasy Business Intelligence oferują znacznie szersze możliwości analityczne niż standardowe rozwiązania do raportowania. Jednym z najczęściej wybieranych przez naszych klientów jest Power BI. To rozbudowane narzędzie, które poza wizualizacjami danych oferuje również funkcje znane z silników ETL (Extract, Transform, Load). Przykładem może być Power Query, umożliwiający transformację danych, oraz język DAX, służący do tworzenia zaawansowanych formuł i obliczeń.

Popularne narzędzia BI i ich cechy

Wśród najczęściej wykorzystywanych narzędzi Business Intelligence nasi klienci wskazują Power BI oraz Tableau. Według danych z TrustRadius, Power BI posiada 36% udziału w rynku, Tableau – 20%, a Qlik Sense – 11%. Choć Qlik Sense także znajduje zastosowanie u niektórych naszych klientów, jest wykorzystywany zdecydowanie rzadziej niż Power BI i Tableau.

Najczęściej wykorzystywanym narzędziem przez naszych klientów pozostaje Looker Studio — ze względu na prostotę obsługi oraz fakt, że jest bezpłatne. Warto zaznaczyć, że na rynku funkcjonują dwa narzędzia: Looker oraz Looker Studio. To drugie jest najczęściej stosowane zarówno przez nasz zespół, jak i przez naszych klientów w ramach platform do wizualizacji danych.

Wśród klientów Conversion dużą popularnością cieszy się również Power BI. Jest szczególnie chętnie wybierany w firmach korzystających z ekosystemu Microsoft – obejmującego Azure jako bazę danych, systemy operacyjne Windows, pakiet Microsoft 365 (w tym Excel, Office) oraz Teams. Power BI naturalnie integruje się z tym środowiskiem, co czyni go wygodnym rozwiązaniem dla organizacji opartych na technologiach Microsoftu.

Trzecim narzędziem wartym uwagi jest Tableau. Przez długi czas było jednym z najczęściej wybieranych rozwiązań do analizy danych, jednak obecnie coraz częściej obserwujemy przesunięcie w kierunku Power BI.

Kryteria wyboru i porównanie narzędzi

W analizie porównawczej uwzględniliśmy również wielkość i aktywność społeczności użytkowników. Im większa społeczność, tym łatwiej znaleźć rozwiązania problemów, wsparcie techniczne czy inspiracje do własnej pracy. W tym aspekcie Power BI zdecydowanie wyróżnia się na tle innych narzędzi, oferując szerokie zaplecze użytkowników i ekspertów.

Kolejnym kryterium była możliwość manipulowania danymi, co pozwala na elastyczne przygotowywanie raportów i analiz zgodnych z indywidualnymi potrzebami biznesowymi.

Pełne zestawienie porównania narzędzi zostanie podlinkowane na końcu wpisu. Większość narzędzi BI, poza Looker Studio, oferuje funkcje umożliwiające realizację procesów ETL (Extract, Transform, Load) oraz przygotowywanie wizualizacji danych. Narzędzia te często posiadają składnię zbliżoną do SQL, co pozwala na przeprowadzanie transformacji danych bezpośrednio w ich środowisku.

Z praktycznego punktu widzenia, mimo że takie możliwości istnieją, w wielu przypadkach są one mało wydajne. Przykładowo, procesy ETL dostępne w Power BI działają wolno, co sprawia, że osoby na wyższych stanowiskach rzadko z nich korzystają. W efekcie większość organizacji wykorzystuje Power BI głównie do wizualizacji danych, podobnie jak Looker Studio.

Jak sztuczna inteligencja i ML zmieniają narzędzia BI w marketingu w 2025/2026?

W 2026 roku kluczowym trendem w narzędziach BI jest integracja sztucznej inteligencji i uczenia maszynowego (ML), która nie tylko przyspiesza analizę danych, ale też otwiera nowe możliwości predykcji i automatyzacji. Dzięki AI narzędzia BI potrafią dziś nie tylko wizualizować dane, ale także prognozować zachowania klientów, automatycznie wykrywać anomalie czy rekomendować działania marketingowe. Organizacje, które łączą BI z ML, zyskują przewagę w szybko zmieniającym się środowisku rynkowym, zwłaszcza w obszarach personalizacji kampanii i optymalizacji budżetu reklamowego.

Predykcyjne analizy i automatyzacja decyzji marketingowych w praktyce

Wdrożenie predykcyjnej analityki w narzędziach BI pozwala marketerom przewidywać przyszłe trendy i zachowania odbiorców na podstawie historii danych. To już nie tylko dashboardy i raporty – zaawansowane algorytmy analizują wzorce, wskazują potencjalne punkty odchylenia i podpowiadają, które działania przyniosą największy zwrot z inwestycji. Zastosowanie takiej analityki w kampaniach online poprawia trafność targetowania, skraca czas reakcji na zmiany rynkowe i wspiera decyzje oparte na rzeczywistych danych, a nie intuicji.

Rekomendacje dla różnych firm

Podsumowując porównanie narzędzi (do pobrania z linku na dole strony), można wskazać dwie główne ścieżki wyboru, w zależności od wielkości firmy.

Dla małych i średnich przedsiębiorstw dobrym punktem wyjścia jest Looker Studio. Choć nie jest to narzędzie klasy Business Intelligence, jego największą zaletą jest bezpłatny dostęp oraz szerokie możliwości wizualizacji danych. Kluczowe jest jednak zadbanie o odpowiednie podstawy — integrację danych z Google BigQuery. Taka konfiguracja ułatwi dalszą pracę z danymi i pozwoli na rozwój bardziej zaawansowanych procesów analitycznych oraz działań marketingowych w przyszłości.

W przypadku większych firm, posiadających już rozwinięty stack analityczny czy hurtownię danych — szczególnie w obszarze marketingu lub analiz biznesowych — najczęściej wybieranym rozwiązaniem jest Power BI. Gdy infrastruktura oparta jest na technologiach Microsoftu, wybór tego narzędzia jest naturalny. Alternatywą, która również cieszy się dużą popularnością, jest Tableau.

Kluczową wartością w analizie danych nie jest samo narzędzie, ale to, co się za nim kryje — struktura i jakość danych. Im lepiej przygotowane są dane na etapie podstawowym, tym łatwiej później tworzyć ich wizualizacje. Zamiast szukać narzędzi, które jednocześnie wizualizują dane i realizują procesy ETL, lepiej skupić się na dobrze zaprojektowanej strukturze danych. Pozwala to na większą elastyczność i prostotę przy wyborze narzędzia do wizualizacji.

Podsumowanie

Warto pamiętać, że w procesie analitycznym nie należy pomijać etapu wizualizacji. Zamiast przechodzić od razu od danych do działań, lepiej zatrzymać się na chwilę, przeanalizować dane, wyciągnąć wnioski i dopiero wtedy podejmować decyzje. Wizualizacja to nie tylko estetyka — to krok, który pomaga zrozumieć dane i formułować trafne rekomendacje.

Jeśli działania podejmowane na podstawie dostępnych danych są nietrafne lub informacji jest zbyt mało, dopiero wtedy warto rozważyć inwestycję w bardziej zaawansowane i kosztowne narzędzia. Brak funkcjonalności na obecnym poziomie to naturalny moment, by przejść na wyższy etap rozwoju analityki.

Mam nadzieję, że to porównanie narzędzi klasy Business Intelligence pomoże w podjęciu odpowiedniej decyzji. Warto pobrać zestawienie, aby lepiej ocenić dostępne opcje. Najważniejsze jednak to zacząć działać na podstawie danych.

The post Porównanie narzędzi BI dla marketingu first appeared on Conversion.

Dashboardy managerskie – czym są?
Dashboardy managerskie – narzędzia do wizualizacji danych
Dashboardy managerskie – jak je tworzyć?
Dashboardy managerskie – korzyści
Podsumowanie

Dashboardy managerskie – czym są?

Dashboardy managerskie to narzędzia, które pomagają firmom lepiej rozumieć i wykorzystywać dane online. Wspierają proces podejmowania decyzji, dostarczając kluczowych informacji w przystępnej formie wizualnej. Pozwalają na bieżące monitorowanie wyników oraz szybkie reagowanie na zmieniające się warunki rynkowe. Dzięki nim można zidentyfikować obszary wymagające poprawy oraz śledzić postępy w realizacji strategii biznesowej. 

Dashboardy managerskie to interaktywna forma wizualizacji danych biznesowych, dostępna zazwyczaj online. Użytkownicy mogą logować się z poziomu przeglądarki i uzyskiwać dostęp do najważniejszych informacji i danych. W większości przypadków dane te są dostępne w czasie rzeczywistym. 

W 99% przypadków, które realizujemy dla naszych klientów, dashboardy są podłączone do źródeł danych zbierających informacje na żywo z różnych obszarów działalności firmy. Przy pracy z narzędziami analitycznymi czasem potrzeba nieco więcej wysiłku, aby do tego doprowadzić. 

Jednym z najpopularniejszych narzędzi, które wykorzystujemy, jest Looker Studio. Domyślnie odświeża dane co 12 godzin, ale istnieje możliwość zmiany tej częstotliwości, a także stworzenia dashboardów w czasie rzeczywistym. Dashboardy te nie tylko wizualizują dane biznesowe, ale również wspierają podstawowe analizy, takie jak zmiana zakresu dat, aby ocenić, jak dana metryka kształtuje się w krótszym lub dłuższym okresie. Umożliwiają także porównanie różnych okresów oraz przeprowadzenie podstawowego filtrowania. 

Przyglądając się Twojemu dashboardowi przez pryzmat konkretnej grupy produktów lub dokonując podstawowej segmentacji, można zauważyć, że wizualizacje danych biznesowych są dostępne w różnych formach. Obejmują one wykresy, linie trendu, konkretne liczby, różnego rodzaju grafy, mapy ciepła oraz lejki. 

Dashboardy managerskie – narzędzia do wizualizacji danych

Na rynku istnieje wiele narzędzi do tworzenia dashboardów analitycznych i menedżerskich. Wybór narzędzi zależy od tego, jakie rozwiązania są wykorzystywane w danej firmie, co wpływa na złożoność stosowanego stacku analitycznego. Na przykład, jeśli firma korzysta z rozwiązań Microsoftu, prawdopodobnie używa Power BI. Inne firmy mogą preferować różne narzędzia zależnie od swoich potrzeb i infrastruktury. Rozwiązania typu Tableau często są zastępowane przez Looker Studio, które najczęściej stosujemy u naszych klientów. 

Jest to bezpłatne narzędzie odGoogle, będące częścią Google Cloud Platform. W podstawowym zakresie korzystania, bezpłatna wersja Looker Studio jest zdecydowanie wystarczająca. Istnieje także płatna wersja, tzw. Looker Pro, jednak w 95% przypadków nasi klienci korzystają z darmowego Looker Studio. 

Dawniej znane jako Google Data Studio (obecnie Looker Studio), to narzędzie, które często wykorzystujemy w pracy z naszymi klientami. Looker Studio jest darmowym rozwiązaniem, a w sieci można znaleźć wiele różnych raportów, które mogą stanowić inspirację. W galerii dashboardów można obejrzeć przykładowe panele i zobaczyć, jakie możliwości oferuje to narzędzie. 

Mamy również doświadczenia z klientami, którzy korzystają z Excela lub Google Spreadsheets do wizualizacji danych. Choć są to mniej interaktywne formy wizualizacji, pozwalają większej grupie ludzi na bieżący dostęp do kluczowych informacji.

Dashboardy managerskie – jak je tworzyć?

Jak stworzyć dashboardy managerskie? Warto rozgraniczyć różne typy dashboardów. Dwa główne rodzaje to dashboardy operacyjne, które specjaliści wykorzystują, aby mieć wszystkie potrzebne dane w jednym miejscu, bez konieczności ciągłego sprawdzania różnych narzędzi. Drugi rodzaj to dashboardy zarządcze, czyli analityczne narzędzia, które prezentują najważniejsze  z perspektywy firmy informacje. Służą one osobom na wyższych szczeblach jako swego rodzaju deska rozdzielcza w samochodzie. Gdy pojawiają się niepokojące sygnały, menedżerowie kierują pytania do specjalistów, aby rozwiązać dany problem.

Punktem wyjścia w tworzeniu dashboardów menedżerskich i analitycznych są KPI, czyli Key Performance Indicators, które definiują miary i metryki wskazujące, jak rozwija się biznes. KPI powinny wynikać ze strategii firmy; cele strategiczne są rozpisywane na cele operacyjne, a KPI mierzą postępy w krótkim okresie, zgodnie z celami operacyjnymi.

Podczas współpracy z firmami skupiamy się często na automatyzacji przepływu danych pochodzących z różnych źródeł. Elementy, które znajdują się w różnych miejscach, takie jak dane z różnych narzędzi, muszą być zintegrowane. Rozmawiając z klientami, zwracamy uwagę na to, co jest dla nich istotne w danych, czego oczekują i w jaki sposób chcą wchodzić z danymi w interakcję. Na koniec opracowujemy strukturę tego, jakie informacje powinien prezentować dashboard, aby spełniał oczekiwania użytkowników. 

Po potwierdzeniu wyznaczonych KPI warto zastanowić się nad metrykami wspomagającymi te wskaźniki. Przykładowo, współczynnik konwersji zależy od ruchu na stronie oraz liczby transakcji, zwłaszcza w e-commerce. Wyświetlanie samego współczynnika konwersji bez kontekstu, czyli bez informacji o ruchu, może być mylące i niewystarczające.

Po ustaleniu najważniejszych elementów biznesowych przechodzimy do zbierania danych, integrując informacje z różnych źródeł. Zaufanie do danych jest kluczowe, zwłaszcza gdy w firmie funkcjonują już dashboardy, ale nie budzą one zaufania użytkowników. Warto zrozumieć, co oznaczają dobre dane, i uświadomić osoby, dla których tworzymy dashboardy, na temat ich jakości. W przypadku wątpliwości dotyczących danych proces tworzenia dashboardów może się wydłużyć, ponieważ kluczowe jest zapewnienie, że dane wejściowe są wartościowe i rzetelne. Zasada „garbage in, garbage out” podkreśla, że jakość danych bezpośrednio wpływa na jakość dashboardów.

Kiedy mamy pewność co do danych i są one zgromadzone w jednym miejscu, często przy użyciu Google BigQuery, przechodzimy do opracowania makiet dashboardów. Nawet proste szkice na kartce mogą pomóc w wizualizacji danych, formy prezentacji i dostępnej segmentacji. Takie makiety przedstawiamy przyszłym użytkownikom dashboardów, aby zebrać od nich informację zwrotną. Gdy ustalimy finalną formę, przechodzimy do tworzenia właściwych dashboardów i dalszej dyskusji.

W procesie tworzenia dashboardów analitycznych warto pamiętać, że najpierw należy skupić się na treści, a dopiero potem na formie. Nie warto tracić zbyt wiele czasu na dopieszczanie wizualnych detali na początku. Należy przedstawić dane w surowej formie, bez zbędnych ozdobników, aby skoncentrować się na ich interaktywności. 

Praca nad dashboardem często okazuje się procesem ciągłym lub przynajmniej długotrwałym. Korzystanie z niego wpływa na jego ostateczny kształt, gdyż z czasem może okazać się, że czegoś brakuje lub jest zbyt dużo. Regularne aktualizacje i dostosowania są nieodzowne, aby spełniać potrzeby użytkowników. Dobrą praktyką w tworzeniu dashboardów analitycznych jest rozpoczęcie od ograniczonej ilości informacji. Podejście „less is more” pozwala na stopniowe zbieranie opinii użytkowników i rozwijanie dashboardu w oparciu o ich potrzeby. 

Po zakończeniu prac nad dashboardem, warto przeprowadzać regularne weryfikacje. Należy sprawdzić, czy zespół korzysta z stworzonego narzędzia i czy jest ono dla nich użyteczne. Warto również zapytać, jakie decyzje biznesowe zostały podjęte na podstawie danych z dashboardu oraz jakie analizy przeprowadzono.

Podczas rocznych podsumowań firmy, często związanych z przeglądem finansowym, warto zastanowić się, czy dashboardy spełniają nasze potrzeby. Używając modelu PDCA (Plan-Do-Check-Act), można zauważyć, że choć dashboardy pokazują pozytywne wskaźniki, ostateczny wynik finansowy może odbiegać od oczekiwań. Może to świadczyć o problemach z danymi lub o niewłaściwym wyborze analizowanych danych, które faktycznie wpływają na biznes. Najlepiej zacząć od prostszych, mniej złożonych dashboardów i rozwijać je w trakcie pracy, aby lepiej służyły celom biznesowym. 

Dashboardy managerskie – korzyści

Regularne korzystanie z dashboardów menedżerskich niesie szereg korzyści. Po pierwsze, umożliwia szybszą reakcję na potencjalne problemy dzięki dostępowi do danych na żywo. Podobnie jak kontrolka „check engine” w samochodzie, dashboard menedżerski pełni rolę „check business”. Gdy wystąpią nieoczekiwane zdarzenia, możemy szybko zareagować. 

Drugim istotnym aspektem, który można zauważyć, jest rosnąca ciekawość w organizacji. Udostępnianie dashboardów szerszemu gronu osób prowadzi do pojawienia się pytań: dlaczego coś się zmienia, dlaczego pewne wskaźniki rosną, co to oznacza. Dział analiz często otrzymuje pytania dotyczące spadków czy wzrostów, a analitycy są proszeni o wyjaśnienia. 

Mamy przykład klienta, który umieścił taki dashboard na open space w czasach, gdy praca z biura była normą. Wyświetlanie dashboardu w widocznym miejscu wzbudzało ciekawość różnych działów, nie tylko związanych z digital marketingiem. Pojawiały się pytania o przyczyny zmian, co sprzyjało lepszemu wykorzystaniu danych.

Jeśli więcej osób ma dostęp do danych i zaczyna je rozumieć, zyskujemy trzecią wartość z dashboardów menedżerskich: lepsze zrozumienie w organizacji. To prowadzi do lepszej komunikacji, ponieważ wszyscy posługują się tym samym językiem, patrząc na te same dane. 

Czwartą, najważniejszą zaletą regularnego korzystania z dashboardów menedżerskich, jest zwiększona efektywność. Posiadanie danych prowadzi do pytań, które z kolei generują analizy, skierowane do działu analiz. Rezultatem są rozwiązania, zgodne z modelem PDCA (Plan, Do, Check, Act). Model ten polega na planowaniu działań, ich realizacji, weryfikacji wyników oraz na wyciąganiu wniosków i wprowadzaniu zmian. Taki cykl zapewnia większą efektywność w porównaniu do działania bez refleksji i kontekstu.

Jeśli chodzi o rozpoczęcie pracy z dashboardami, kluczowe jest zdobycie zaufania do danych. Często spotykamy się z różnymi wartościami danych w różnych systemach, np. Google Ads, Facebook Ads, Google Analytics czy systemy transakcyjne. Pierwszym krokiem jest zatem wypracowanie zaufania do danych w organizacji.

Podsumowanie

Przy tworzeniu dashboardów warto zacząć od małych kroków. Wybierz dwa do pięciu kluczowych wskaźników i przedstaw je w formie wizualizacji. Może to być Excel czy Google Spreadsheets. Następnie, korzystając z narzędzi takich jak Looker Studio, które jest bezpłatne i nieskomplikowane, można przejść do bardziej interaktywnych wizualizacji. Gdy wszyscy mają dostęp do odpowiednich danych w odpowiednim czasie, dashboardy stają się bardziej użyteczne.

Ważne jest, aby pojawiła się osoba odpowiedzialna za regularną weryfikację danych. Pamiętajmy, że wartość wniosków zależy od jakości danych (zasada Garbage In, Garbage Out).

Podsumowując, dashboardy menedżerskie są niezbędne dla każdej organizacji, która pragnie efektywnego rozwoju. Brak dostępu do wysokiej jakości danych na żywo można porównać do jazdy samochodem bez deski rozdzielczej. Poruszamy się w dobrym kierunku, ale nie mamy pewności, czy pojazd nagle się nie zatrzyma ani czy jedziemy z odpowiednią prędkością. Bez takich informacji ryzykujemy, że zostaniemy ukarani mandatem. Dlatego, jeśli w Twojej organizacji brakuje jeszcze dashboardów managerskich, warto podjąć kroki, aby je wdrożyć.

The post Dashboardy managerskie – jak je tworzyć? first appeared on Conversion.

Analiza danych online odgrywa kluczową rolę w procesie podejmowania decyzji biznesowych. W dzisiejszym świecie, w którym informacja jest na wagę złota, narzędzia takie jak Looker Studio stają się nieodzownym elementem w arsenale każdego menedżera. W tym artykule przyjrzymy się, jak Looker Studio może służyć jako dashboard menedżerski, wspierając codzienne działania firmy.

Dane w analityce internetowej
Czym jest Looker studio?
Dlaczego warto korzystać z dashboardów w Looker studio?
Looker studio a integracja danych
Looker studio a kultura analityczna w organizacji
Dashboardy w Looker Studio – dobre praktyki
Podsumowanie

Dane w analityce internetowej

W kontekście analityki internetowej, dane służą przede wszystkim jako wsparcie dla firm i zespołów w podejmowaniu decyzji dotyczących inwestycji online. Dane mogą być wykorzystywane na dwa główne sposoby. Po pierwsze, przez analizę danych – proces ten może obejmować optymalizację kampanii marketingowych, współczynnika konwersji lub analizy “ad hoc”. Analityk, korzystając z surowych danych, przeprowadza różne operacje takie jak filtrowanie czy segmentacja, aby na ich podstawie wyciągnąć wnioski i zarekomendować dalsze działania. Po drugie, dane mogą pełnić funkcję raportów w formie dashboardów managerskich, które często przyrównuje się do tablicy wskaźników w samochodzie. Gdy na desce rozdzielczej zapala się ostrzeżenie „check engine”, oznacza to, że pojazd wymaga szczegółowej diagnostyki. Podobnie w analityce online: pewne sygnały na dashboardzie mogą wskazywać na konieczność głębszej analizy, aby uniknąć przykrych niespodzianek..

Na przykład, za pomocą formatowania warunkowego w Looker Studio, można ustawić zmianę koloru wskaźnika, gdy wartość metryki przekroczy określony zakres. To prosty sposób na szybką identyfikację obszarów wymagających uwagi, będących zarazem wspomnianymi wcześniej “kontrolkami” w biznesie.

Czym jest Looker studio?

Looker Studio, znane również jako Data Studio, jest nowoczesnym narzędziem do analizy i wizualizacji danych, umożliwiającym tworzenie interaktywnych dashboardów i raportów. Dzięki funkcjom tego narzędzia, możliwe jest szybkie i efektywne przekształcanie surowych danych w klarowne informacje, które będą pomocne w podejmowaniu lepszych decyzji biznesowych. 

Dashboardy menadżerskie w Looker Studio służą głównie do monitorowania ogólnego stanu ważnych dla biznesu metryk i wyłapywania najbardziej oczywistych problemów. Dla bardziej szczegółowych analiz warto skorzystać z sekcji eksploracji w Looker Studio, która już oferuje szersze możliwości badawcze. 

Dlaczego warto korzystać z dashboardów w Looker studio?

Jednym z głównych atutów Looker Studio jest jego łatwość obsługi, dzięki intuicyjnemu interfejsowi z funkcją „drag and drop”, umożliwiającej szybkie tworzenie raportów poprzez manipulację obiektami oraz tworzenie niestandardowych paneli. To znaczne ułatwienie, które przyspiesza proces generowania raportów.

Inną istotną funkcją jest biblioteka szablonów raportów, która upraszcza wizualizację danych, umożliwiając dopasowanie widoku raportu do konkretnych potrzeb. Źródła danych działają jako potoki, łącząc raporty w Looker Studio z danymi źródłowymi. Każde źródło jest wyposażone w unikalny, predefiniowany konektor danych, ułatwiający dostęp do informacji.

Ważnym elementem jest także integracja, umożliwiona dzięki interfejsowi Looker Studio API. Dla użytkowników korzystających z Google Workspace lub Cloud Identity, możliwe jest automatyczne zarządzanie i migracja zasobów Looker Studio.

Ponadto, Looker Studio oferuje możliwość udostępniania raportów poprzez osadzanie ich na stronach internetowych oraz w intranetach, ułatwiając dostęp do aktualnych danych i dzielenie się nimi z innymi użytkownikami.

Looker studio a integracja danych

Mimo to, najbardziej kompleksowe analizy często prowadzone są w narzędziach takich jak Google BigQuery, w tym artykule tym skupimy się na najlepszych praktykach związanych z tworzeniem dashboardów oraz na integracji różnych źródeł danych w narzędziach analitycznych, takich jak Looker Studio. 

Projektowanie czytelnych raportów

Przy projektowaniu dashboardów kluczowe jest, aby były one skonstruowane w sposób umożliwiający szybkie i efektywne przyswajanie informacji. Idealnym rozwiązaniem jest stworzenie dashboardu, który można wydrukować na jednej stronie formatu A4. Taki dashboard powinien zawierać wyłącznie najważniejsze metryki, które składają się na zrozumiały na pierwszy rzut oka obraz stanu serwisu. To pozwala jego użytkownikom na szybką ocenę, czy wszystkie aspekty serwisu działają prawidłowo.

Wyzwania integracji i optymalizacja kosztów

Poruszając kwestię integracji różnych źródeł danych, Looker Studio sam w sobie nie jest optymalnym narzędziem do tego celu, jeśli planujemy na jednym dashboardzie wykorzystać dane z wielu źródeł. Głównym powodem jest czas ładowania tak skomplikowanego dashboardu właśnie w tym narzędziu. Integracja danych odgrywa jednak kluczową rolę, zaraz obok kompleksowego wykorzystania źródeł danych. Jednym z takich narzędzi, które umożliwia zaawansowaną analizę, jest połączenie BigQuery z Looker Studio. BigQuery współpracuje z BA Engine, co jest szczególnie istotne z punktu widzenia kosztów. BA Engine tworzy cache danych, dzięki czemu koszty związane z odpytywaniem BigQuery są znacznie niższe, a transfer danych między narzędziami łatwiejszy.

Looker studio a kultura analityczna w organizacji

Wprowadzenie do organizacji narzędzia takiego jak Looker Studio może przyczynić się do rozwoju kultury analitycznej. W przeszłości, przed pandemią COVID-19, niektóre firmy umieszczały monitory z bieżącymi danymi z Looker Studio (dawniej Google Data Studio) w widocznych miejscach. Taka praktyka zachęcała pracowników do zadawania pytań i zwiększała zainteresowanie danymi w organizacji.

Dashboardy w Looker Studio – dobre praktyki

Looker Studio udostępnia wiele szablonów użytecznych dashboardów w “report gallery”, z którego możemy czerpać inspiracje jak w odpowiedni sposób wizualizować dane. Znajdziemy tam wzory raportów, które pozwalają obserwować trendy, cechy użytkowników wchodzących do naszego serwisu.

Interaktywność i wizualizacja

Kluczowym elementem analizy w dashboardzie jest możliwość wyboru zakresu dat. Dzięki temu możemy dokładnie przeanalizować, jak zmieniały się poszczególne wskaźniki w wybranym okresie. Ponadto, wykresy kołowe prezentują udział poszczególnych segmentów, co jest przydatne, szczególnie w kontekście wizualizacji danych. Choć wykresy kołowe to tylko jedna z wielu (i często nie najlepsza z form) prezentacji danych, w niektórych przypadkach mogą być one skutecznym narzędziem do ilustracji proporcji. 

W dzisiejszych czasach, w świecie pełnym danych, kluczowe jest nie tylko ich posiadanie, ale przede wszystkim systematyczna analiza i odpowiednia reakcja na zmiany. Narzędzia takie jak Looker Studio umożliwiają skuteczną analizę danych, co jest fundamentem efektywności działań w każdej firmie. 

Analiza słów kluczowych i filtrowanie

W Looker Studio, użytkownicy mają do dyspozycji różnorodne opcje prezentacji danych, w tym tabele, które pozwalają na głęboką analizę słów kluczowych (keyword analysis). Dzięki temu można obserwować, jak poszczególne elementy funkcjonują w praktyce. Co więcej, Looker Studio oferuje możliwość filtrowania danych, na przykład poprzez wybranie analizy z perspektywy konkretnego kraju. Takie funkcje ułatwiają szybką i celową analizę.

Podsumowanie

Podstawą efektywności nie jest samo posiadanie danych, ale przede wszystkim systematyczna analiza i reagowanie na zmiany. Wiele firm, niestety, analizuje dane tylko reaktywnie. W takim przypadku zostaje nam tylko opcja gaszenia pożaru, zamiast jego zapobiegania.

The post Looker Studio – jak korzystać z dashboardów? first appeared on Conversion.

Skoro czytasz ten artykuł i chcesz pogłębiać wiedzę z zakresu analityki, to pewnie wiesz, jak istotnym elementem całego analitycznego procesu są źródła, a mówiąc konkretnie – zbieranie danych, które zostaną wykorzystane w dalszych etapach pracy. Musisz również zdawać sobie sprawę z tego, że nie tylko same dane są ważnym czynnikiem całej tej układanki. Wiele również zależy bowiem od sposobów ich wyświetlania i wizualizacji, które mogą mieć kluczowy wpływ na to, czy to, co z nich wynika, będzie widoczne na “pierwszy rzut oka” oraz będzie powodowało w odbiorcy podjęcie konkretnych działań.
Sądzę, że duża część osób korzystających z dobrodziejstw analityki internetowej (i nie tylko), już nie raz zetknęła się z potrzebą wyświetlenia lub zestawienia danych pochodzących z Google Analytics w inny sposób, niż ten prezentowany bezpośrednio w standardowym interfejsie. Właśnie z taką myślą powstało Google Data Studio, które w ostatnim czasie przeszło mały rebranding. Dzięki niemu obecnie znane jest pod nazwą Looker Studio.

Jeżeli zdarzyło Ci się korzystać z tego narzędzia wcześniej (np. podczas używania GA3), a obecnie zastanawiasz się, czy możesz już zacząć proces przenoszenia swoich danych, które agregujesz w nowym Google Analytics 4 – prawdopodobnie wszystkie odpowiedzi znajdziesz w poniższej treści. Większy rozmiar hita, dane surowe w Big Query dostępne dla wszystkich (nie tylko użytkowników wersji płatnej), lepsze łączenie userów za pomocą Google Signals, czy wreszcie – modelowanie danych (w przypadku Consent Mode). To wszystko z pewnością brzmi ciekawie i zdaje się bardzo atrakcyjne – zarówno z perspektywy analityki, jak i całego biznesu. Musisz jednak pamiętać, że jak to z nowościami bywa – rozwój takiego rozwiązania musi zająć trochę czasu, mogą pojawić się pewne niedociągnięcia, a na nadejście niektórych funkcji trzeba “uzbroić” się w cierpliwość.

Co możemy już z powodzeniem wizualizować w Looker Studio, a na co przyjdzie nam jeszcze chwile poczekać. Te oraz wiele więcej informacji znajdziesz w właśnie w tym wpisie! Jednak zanim przejdę do tego – pozwól, że zacznę od podstaw, czyli przytoczenia krótkiej definicji tego, o czym będziemy dzisiaj rozmawiać (pisać ).

Co znajdziesz w tym artykule?
Czym jest Looker Studio (dawniej Google Data Studio)?
Jakimi danymi dysponuje connector GA4 do Looker Studio?
Źródła informacji w Looker Studio. Skąd pochodzą takie dane?
Na jakie elementy należy uważać podczas tworzenia dashboardów w Looker Studio?
Czy warto przenosić dane GA4 do Looker Studio? Podsumowanie.

Czym jest Looker Studio (dawniej Google Data Studio)?

Looker Studio to stosunkowo nowe narzędzie wykorzystywane do analityki biznesowej, które umożliwia przystępną eksplorację danych pochodzących z różnych źródeł (między innymi oczywiście z Google Analytics 4). Rozwiązanie stanowi część platformy Looker, czyli technologii korzystającej ze sztucznej inteligencji, uczenia maszynowego, modelowania oraz wielu innych obszarów – w celu zaopatrywania biznesu w wartościowe dane.

Sam Looker występuje w dwóch wersjach: bezpłatnej (z pewnymi ograniczeniami w funkcjonalnościach) oraz oczywiście płatnej (Looker Studio Pro), która zapewnia jeszcze bardziej rozbudowane wsparcie dla firm i analityków.

Skoro nieco dłuższy wstęp mamy już za sobą – najwyższa pora przejść do właściwego tematu i omówić sobie proces tworzenia dashboardów Google Analytics 4 za pomocą Looker Studio, a dokładniej – na co uważać podczas tych czynności.

Jakimi danymi dysponuje connector GA4 do Looker Studio?

Dane, które są wyświetlane w Loker Studio, mogą zostać zaprezentowane w wybranych konfiguracjach, dzięki zastosowaniu tzw. connectorów. To one umożliwiają podłączenie narzędzia służącego do wizualizacji, z bazą danych. Warto jednak pamiętać, że tak, jak całe Google Analytics 4, ta opcja też znajduje się nadal w fazie intensywnego rozwoju (czytaj: jeszcze nie wszystko działa tak, jak powinno ).

Źródła informacji w Looker Studio. Skąd pochodzą takie dane?

Przy użyciu Looker Studio można wizualizować pola, które są dostępne w Google Analytics Data API (GA4). Zaliczamy do nich między innymi: różne identyfikatory, formaty, źródła oraz jednostki reklamowe, dane na temat kampanii, przeglądarek, lokalizacji i wielu, naprawdę wielu innych. Pełną listę danych, które można wykorzystać do takiej wizualizacji, znajdziesz pod tym adresem.

Jak pewnie udało Ci się zauważyć – niestety, na ten moment nie wszystkie wskazane standardowe wymiary są dostępne w GDS (o czym więcej napiszę poniżej).

Kolejne istotne kwestie, które należy brać pod uwagę, są związane stricte z konfiguracją interfejsu. Otóż, dane GA4, które możesz zaprezentować w Google Data Studio, to informacje, które są dostępne w standardowych raportach interfejsu. To oznacza, że jeżeli:

• Nie dodasz w zakładce Konfiguracja dodatkowych wymiarów, nie będziesz w stanie ich wyświetlić, aby w ten sposób różnicować np. skuteczność poszczególnych opcji zdarzeń.

Warto o tym pamiętać, ponieważ Universal Analytics przyzwyczaiło nas do tego, że mamy aż 3 “szufladki” na dane: Kategoria, Akcja, Etykieta. Te 3 wymiary są zawsze widoczne w interfejsie, a dopiero wymiary lub metryki dodatkowe (custom dimensions / metrics) należy skonfigurować w interfejsie. Różnica wynika więc z nowego modelu danych, gdzie wszystko jest zdarzeniem definiowanym przez konkretne parametry. Dlatego też bez dodatkowych zmian na poziomie usługi, zobaczysz tylko nazwę zdarzenia.

• Niektóre z Twoich parametrów “wpadły” pod kardynalność danych. Mogło Ci przyjść do głowy, że może da się to jakoś “obejść” i po połączeniu GA4 do GDS problem (other) po prostu zniknie. Niestety – nic z tych rzeczy. Nie dasz rady ominąć go przy wykorzystaniu danych przetworzonych w interfejsie.

Jeśli temat (other) oraz kardynalizacji jest dla Ciebie interesujący i chcesz dowiedzieć się więcej – koniecznie zapoznaj się z wpisem Michała. Znajdziesz go w tym miejscu.

Podsumowując: jeśli chcesz “wycisnąć” z nich więcej – musisz zaprzyjaźnić się z BigQuery, które daje ogromne możliwości w kontekście analiz. Jeden z przykładów jego wykorzystania, a co za tym idzie – “ominięcia” aktualnych ograniczeń connectora GDS w Google Analytics 4 – znajdziesz na końcu tego artykułu.

Na jakie elementy należy uważać podczas tworzenia dashboardów w Looker Studio?

W tym obszarze możemy wyróżnić cztery zasadnicze czynniki, które dokładnie omówiłam i scharakteryzowałam w poniższych punktach. Do tego rodzaju aspektów, które warto wziąć pod uwagę, zaliczamy zatem:

Po pierwsze: segmenty

To właśnie one są jedną z kluczowych rzeczy, która nie jest jeszcze skonfigurowania analogicznie do poprzedniej wersji Analyticsa. Segmenty na danych z Universal Analytics mogliśmy ustawić na poziomie ustawień danych wykresu – tak, jak na poniższej grafice.

Segmenty w Looker Studio.

Natomiast, jeśli mowa o danych z “czwórki” (czytaj: Google Analytics w wersji 4), do dyspozycji pozostaje nam jedynie obszar Audiences, czyli po prostu – grupy Odbiorców.

Pomimo faktu, że zarówno jedna, jak i druga funkcjonalność korzysta z dobrodziejstw segmentacji – to występują pomiędzy nimi spore różnice. W przypadku naszych raportów istotne będzie to, że Odbiorcy nie działają “wstecz”, co oznacza, że gromadzenie danych jest możliwe dopiero po ich utworzeniu. Dobrą praktyką jest zatem jak najszybsze utworzenie – jak największej liczby grup odbiorców. Jaka wartość będzie właściwa? Najlepiej taka, którą uznasz za przydatną w swoich analizach.

Wspomniane grupy odbiorców łatwo ustawisz w tej samej sekcji, co definicje niestandardowe, czyli w Konfiguracji. Jeżeli nie dodasz tam nic “od siebie” – z poziomu wymiarów w Data Studio otrzymasz dostęp tylko do wszystkich użytkowników oraz kupujących (jeżeli Twoja usługa to e-commerce).

Po drugie: raportowanie pozyskania ruchu

Raportowanie wyników pozyskania ruchu za pomocą Google Analytics 4 przeszło na zupełnie inny i całkiem nowy poziom. Oprócz wymiarów prezentowanych poprzez sesje (które w “czwórce” liczone są nieco inaczej, niż miało to miejsce w przypadku Universal Analytics*), mamy dostęp do danych pozyskania zarówno na poziomie użytkownika, sesji jak i konwersji.
* W GA4 nie dochodzi do “sztucznego” tworzenia się nowych sesji, które wynikają np. ze zmiany parametrów źródła ruchu. Klasycznym tego przykładem może być, chociażby powrót z bramki płatności w e-commerce.

Przyjrzyjmy się zatem wymiarowi campaign oraz dostępnym jego konfiguracjom, które obecnie możemy użyć w Data Studio:

• Session campaign to nazwa kampanii marketingowej danej sesji. Obejmuje kampanie Google Ads, kampanie ręczne oraz inne.
• User campaign to w dokumentacji First – Nazwa kampanii marketingowej, dzięki której udało się pozyskać użytkownika. Również dotyczy kampanii Google Ads, ręcznych, jak i innych.

Jak widać, dzięki takiemu rozróżnieniu działania marketingowe mogą być analizowane oraz oceniane na znacznie bardziej szczegółowym poziomie, niż miało to miejsce, chociażby w Universal Analytics.

Warto pamiętać, że do naszej dyspozycji pozostaje również ogólny wymiar Kampania, który możemy podzielić na:

• Campaign (Kampania), czyli nazwa kampanii marketingowej, która jest widoczna tylko w przypadku zdarzeń konwersji. Obejmuje kampanie Google Ads, ręczne i inne.
• Campaign ID, czyli identyfikator kampanii marketingowej, który także jest widoczna wyłącznie wówczas, gdy pojawią się zdarzenia konwersji i również obejmuje kampanie Google Ads, ręczne oraz pozostałe.

A jak to wygląda w praktyce? Najlepszej odpowiedzi na to pytanie udzielą Ci dwie poniższe tabele. Jedna zawierająca wymiar Session campaign, natomiast druga – prezentująca samo Campaign.

Tabele pokazujące wymiar Session campaign oraz Campaign.

Jak łatwo dostrzec – na pierwszej z nich zobaczysz tylko sesje, w których pojawiła się konwersja. Natomiast w drugim znajdziesz wszystkie sesje z danym parametrem campaign.

Zastanawiasz się, dlaczego pomiędzy metrykami występują pewne różnice w konwersji? Już odpowiadam! Odpowiedź jest prosta i wynika bezpośrednio z atrybucji. Mianowicie, Google Analytics 4 stosuje domyślny model atrybucji w formie cross channel data driven attribution. To dzięki takiemu podejściu liczba konwersji dla danego źródła nie będzie taka sama w obu tabelach.

Oczywiście, liczba konwersji pozostaje taka sama (bo jest to zdarzenie, które wykonał użytkownik), jednak zmienia się sposób, w jaki są one przypisywane do konkretnych kampanii.

A co z pozostałymi parametrami, które można wykorzystać do wizualizacji w Looker Studio?

Jeszcze do niedawna (dokładnie do lipca 2022 roku), parametry utm_term i utm_content nie były dostępne z poziomu interfejsu Google Analytics 4. Niestety, pomimo obecności tych wymiarów na wcześniej wspomnianej liście, na ten moment nie znajdziemy ich jeszcze w wymiarach oferowanych przez Looker Studio.

Po trzecie: frazy użyte w wyszukiwarce

W obecnej formie Google Analytics 4 – na próżno szukać rozbudowanych i wszechstronnych raportów uwzględniających zapytania pochodzące z wyszukiwarki. Oczywiście, w zależności od rodzaju oraz rozmiaru biznesu – dostępne rozwiązania mogą prezentować mniejszą lub większą wartość.

Raporty uwzględniające zapytania pochodzące z wyszukiwarki.

Mogłoby się zatem wydawać, że konfiguracja fraz w ustawieniach usługi załatwiają sprawę, zgadza się? No nie do końca. Jeżeli chcesz wizualizować je za pomocą Looker Studio, to dodatkowo musisz udać się do zakładki Konfiguracja, a następnie w niej dodać wybraną frazę kluczową (jako nowy wymiar).

Dlaczego może być warto? Na poziomie interfejsu funkcje filtrowania i agregowania danych są ograniczone. Jeżeli chcesz mieć możliwość tworzenia bardziej spersonalizowanych wykresów oraz tabel dotyczących wyszukiwarki (np. wyszukiwane hasła chciałbyś podzielić na grupy, np. grupa 1 – frazy produktowe, grupa 2 – frazy związane z FAQ, itp) to najpierw musisz mieć do nich dostęp na poziomie narzędzia do wizualizacji.

Po czwarte: strona lądowania

Chociaż model danych GA4 kieruje nas w stronę użytkownika oraz zdarzeń, często w prowadzonych analizach nadal korzystamy z konceptu samej wizyty i chcemy brać pod uwagę m.in. stronę, od której użytkownik zaczął przygodę z naszym serwisem.

Z perspektywy domyślnych raportów, z którymi możemy się spotkać bez konieczności przeprowadzania dodatkowej konfiguracji w interfejsie usługi Google Analytics, na próżno szukać raportu zawierającego strony startowe (bo takowego po prostu nie ma). Oczywiście, można go zorganizować własnoręcznie – za pomocą stworzenia nowej kolekcji. Więcej na ten temat znajdziesz w materiałach od Google.

A jak ta sprawa przedstawia się w Looker Studio?

Skoro na próżno szukać wymiaru Landing Page w Looker Studio, to czy w ogóle jesteśmy w stanie wyświetlić te dane w jakiś inny sposób? Odpowiedź brzmi: tak! Wystarczy, że usługa Google Analytics 4 zostanie podłączona do BigQuery.

Pewnie teraz w Twojej głowie rodzi się pytanie dotyczące zasadności takiego podejścia. W końcu korzystanie z BigQuery jest nie tylko dodatkowo płatne, ale przede wszystkim wymaga posiadania wiedzy oraz umiejętności związanych z SQL. Odpowiedź nie może być inna niż – “to zależy”.

Jeżeli masz w planach bardziej zaawansowane analizy z danych pochodzących z GA4, a nawet ich ewentualne łączenie z innymi danymi (np. z CRM), a także chcesz posiadać dostęp do “surowych” informacji – jako analityk prędzej czy później zetkniesz się z koniecznością stworzenia odpowiedniego zapytania.

Jeżeli temat BigQuery zainteresował Cię na tyle, że chcesz go dalej eksplorować – gorąco zachęcam Cię do zapoznania się z artykułem Mariusza, który również czeka na Ciebie na naszym blogu, o tutaj: BigQuery i Google Analytics 4 – jak wykorzystać ich potencjał?

Czy warto przenosić dane GA4 do Looker Studio? Podsumowanie.

Odpowiadając krótko i zwięźle na pytanie zawarte w powyższym śródtytule – tak, ale z rozwagą.

Dane z usług Universal Analytics przestaną być zbierane już za mniej niż rok, więc jeżeli aktualnie posiadasz rozbudowane raporty to nie zostawiaj tego na ostatnią chwilę! Cały proces przenoszenia danych zajmie trochę czasu, do tego warto go poprzedzić odpowiednimi przygotowaniami. Planując, w jaki sposób chcesz wyświetlać dane z Twojej nowej usługi, możesz poszerzyć swoją wiedzę na temat samego narzędzia, a także być świadomym zmian czy aktualnych ograniczeń.

Uważasz, że to zbyt skomplikowane lub zwyczajnie nie masz na to czasu? Postaw na wsparcie, które wyręczy Cię w tworzeniu dashboardów GA4 w Looker Studio!

Mam nadzieje, że dzięki temu artykułowi część migracyjnych zagwozdek będziesz mieć już za sobą. Jeżeli zastanawiasz się jak wykorzystać te narzędzia w Twojej organizacji i wznieść analitykę na jeszcze wyższy poziom to pogadajmy!

Jeśli wolisz zrobić to osobiście – koniecznie sprawdź wpis na naszym blogu mówiący o tym jakich błędów unikać w Google Analytics.

The post Tworzenie dashboardów GA4 w Looker Studio: o czym pamiętać? first appeared on Conversion.