Czego dowiesz się z tego wywiadu:

Czym jest strategia danych i po co jej potrzebujemy?

Sygnały ostrzegawcze: kiedy firma potrzebuje strategii?

Dlaczego same dashboardy nie rozwiązują problemów?

Drzewo KPI i walka z silosowością organizacji

Od danych do decyzji: 3 kroki do wdrożenia

Czym jest strategia danych i po co jej potrzebujemy?

Sens zbierania informacji w dobie nadmiaru danych

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych i vice versa. Dzisiaj moim i Twoim gościem jest Daniel, który w Conversion zajmuje się strategią danych dla naszych klientów. Czyli co to znaczy, czym się zajmujesz, co robisz na co dzień?

Daniel Połeć: Cześć Mariusz. Strategia danych jest o osiąganiu celów biznesowych i o rozwiązywaniu problemów, a konkretnie o tym, w jaki sposób dane online mogą nam pomóc. Czyli w tym, żeby ten nasz cel osiągnąć, zmierzyć się z problemem lub go rozwiązać.

Mariusz Michalczuk: Tych danych jest tak dużo, że pojawia się pytanie: po co jeszcze do tego strategia? Mamy tak dużo informacji, że wydaje się wręcz niemożliwe, by nie pomagały w rozwiązywaniu problemów fizycznych.

Daniel Połeć: Już nie ma gdzie dolać, bo ta szklanka jest pełna, prawda? Strategia danych to jest ta szklanka. Właśnie dlatego, że tych danych jest tak dużo, w tym morzu można utonąć. Jeżeli my nie wiemy, DO CZEGO te dane będą nam potrzebne, do czego chcemy ich użyć, jaką rolę pełnią w podejmowaniu decyzji, skazujemy się na skrajności. Albo te dane totalnie zignorujemy i w ogóle ich nie będziemy mieli, albo pójdziemy w drugą stronę: będziemy mieli tak duży chaos i szum informacyjny, że nie będziemy w stanie z nich skorzystać. Ta pierwsza sytuacja jest rzadsza. Natomiast ta druga, gdzie toniemy w danych i nie wiemy, co jest ważne, więc nie patrzymy na nic, jest bardzo częsta – od małych po duże organizacje.

Wspólny język i definicje jako fundament

Mariusz Michalczuk: Czyli można powiedzieć, że wszyscy mają dane, ale mało kto wie, jak z nich korzystać?

Daniel Połeć: Wiedzą ci, którzy mają jakąś strategię. Może być spisana, oficjalna lub tylko z tyłu głowy – to jest okej, jeżeli działa. Jeżeli jej w ogóle nie mamy, nie jesteśmy w stanie z tych danych skorzystać. Co z tego, że mamy super samochód na podjeździe, skoro nie potrafimy nim jeździć.

Mariusz Michalczuk: Strategia to szumne słowo. Odmienia się je przez przypadki w całej organizacji, od zarządu przez marketing. Jak opowiedziałbyś bardziej namacalnie, czym ta strategia w kontekście danych jest? Co w niej się znajduje i jak jest widoczna w organizacji?

Daniel Połeć: Poza tym, że bywa odmieniana przez wszystkie przypadki, wydaje się wielkim i mądrym pojęciem. Zwykło się uważać, że trzeba mieć ogromny segregator ze strategią danych. Zupełnie nie. Wszystko zależy od etapu rozwoju organizacji. Na najprostszym poziomie: bardzo ważnym elementem strategii danych są definicje. Jak rozumiemy konkretną metrykę jako organizacja. Spotkaliśmy się kiedyś z metryką „udział w rynku”. Brzmi mądrze, prawda? Tylko okazało się, że u klienta nikt do końca nie wiedział, skąd te dane się biorą i jak ten udział jest liczony. Ktoś to wyliczał na podstawie starych zasad, ale nikt na to nie patrzył. Niewiele to dawało.

Musimy ustalić definicję metryk. Czym innym jest zakup dla marketingu (złożenie zamówienia), czym innym dla logistyki, a czym innym dla zarządu, który patrzy na zysk i koryguje wynik o zwroty. Nie istnieje jedna idealna definicja. Mamy trzy różne metryki i patrząc na raport, musimy wiedzieć, na którą z nich patrzymy, ponieważ to poprowadzi nas do konkretnych decyzji. Jeżeli rozmawiamy ze sobą przez pryzmat raportów, musimy rozumieć się nawzajem. To jak obietnica „fajnych wakacji” – dla każdego oznacza to co innego. Drugim bardzo ważnym elementem strategii jest odpowiedź na pytanie: do czego te dane nam w ogóle służą? To najważniejsza rzecz z naszej rozmowy. W tej układance nie chodzi o dane, chodzi o decyzje.

Sygnały ostrzegawcze: kiedy firma potrzebuje strategii?

Rozjazdy w systemach i utrata zaufania do liczb

Mariusz Michalczuk: Chciałbym Cię zapytać, bo wymieniłeś te elementy: definicje i cel gromadzenia danych. W jakich przypadkach klienci do nas przychodzą? Co jest impulsem, że zaczynamy rozmawiać o strategii danych?

Daniel Połeć: Warto rozróżnić motywacje świadome i nieświadome. Częstą świadomą motywacją jest to, że klienci obserwują rozjazdy w danych i po prostu przestają im ufać.

Mariusz Michalczuk: W ogóle przestają patrzeć na te dane.

Daniel Połeć: Na przykład. To częsta sytuacja: w reklamach Meta mają przychodu milion złotych, a w Google Analytics dla źródła Meta system pokazuje siedemset tysięcy. Na co mają patrzeć? Różnica to trzysta tysięcy, trzydzieści procent.

Mariusz Michalczuk: A na końcu okazuje się, że w CRM masz dwa razy mniej niż suma wszystkich systemów reklamowych.

Daniel text: Zdecydowanie tak. Wtedy pojawia się frustracja. Skoro w CRM są realne pieniądze najbliższe stanowi konta, to po co patrzeć na resztę? Klienci przychodzą, chcąc ujednolicić te źródła, aby móc podejmować decyzje. Niestety, ujednolicenia do jednej idealnej liczby zrobić się nie da. Obecny stan przypomina sytuację z zegarkami: jak masz jeden zegarek, wiesz, która godzina. Jak masz dwa – przestajesz być pewny.

\

Dlaczego same dashboardy nie rozwiązują problemów?

Nie chodzi o to, by liczby się zgadzały, ale by wspierały decyzje

Mariusz Michalczuk: Klienci nie wiedzą, komu ufać. Każdy system reklamowy gra do swojej bramki, by pokazywać jak najwięcej przypisanej wartości. To oczywiste.

Daniel Połeć: Klienci proszą o „czary-mary”, żeby liczby się zgadzały. Oczywiście poprawne wdrożenie i pokrycie danych między analityką a CRM to podstawa. Zawsze najpierw dbamy o jakość danych. Nie dążmy jednak do tego, by liczby z różnych platform zawsze były identyczne. Zastanówmy się, w jakiej sytuacji skorzystamy z liczby raportowanej przez Metę, a w jakiej z Google Analytics. To jest nieświadoma motywacja – przychodzą po ujednolicenie, a my musimy dać im strategię używania tych danych z różnych perspektyw.

Mariusz Michalczuk: Rozbieżności były, są i będą. Załóżmy jednak firmę świadomą. Czy takie organizacje od razu przychodzą po strategię danych?

Daniel Połeć: Jest mało sytuacji, gdzie ktoś przychodzi bezpośrednio po strategię danych. Najczęściej zgłaszają objawy braku strategii. Czasami to firmy pragnące rozwoju. Mówią: chcielibyśmy podejmować lepsze decyzje, być bardziej data-driven. Nie dajemy im od razu paczki pięciu raportów do wdrożenia. Zaczynamy skupiać się na ich celach i problemach, układając proces wokół biznesu.

Raport jako narzędzie bez kontekstu biznesowego

Mariusz Michalczuk: Powiedzmy, że mamy definicje, wszystko jest zwizualizowane. Czy to już jak za dotknięciem czarodziejskiej różdżki wszystko rozwiązuje? Mam raport, więc jestem data-driven?

Daniel Połeć: Nie wystarczy. Raport czy dashboard to rodzaj produktu, który sam w sobie niczego nie rozwiązuje. Jak kupujesz młotek, to nie znaczy, że obrazy same zawisną na ścianach. Musisz go użyć. Łączymy się w bólu z analitykami: często tworzą dashboardy, z których później w firmie nikt nie korzysta lub robi to niewłaściwie. Powód? Raport nie prowadzi bezpośrednio do celu. Czy jeżeli kupię podnośnik samochodowy, to stanę się mechanikiem?

Mariusz Michalczuk: Dlaczego te raporty nie pomagają? Czego brakuje?

Daniel Połeć: Clue sytuacji tkwi w biznesie. Robiąc wywiad z klientem, pytamy o model biznesowy, konkurentów, wartości firmy. Klienci bywają zdziwieni, bo przecież „przyszli po dane”. Pytamy o cele na dany kwartał i wyzwania. Tylko dzięki temu potrafimy dopasować rozwiązanie. Dashboard nieosadzony w kontekście biznesowym i niewspierający konkretnej decyzji – sam z siebie nic nie zrobi.

Drzewo KPI i walka z silosowością organizacji

Zrozumienie dekompozycji wskaźników

Mariusz Michalczuk: Wydaje się, że wszystko musi zaczynać się od poziomu zarządczego. Lider ma ogromne zadanie: doprowadzić do powstania raportów i zatroszczyć się o proces decyzyjny.

Daniel Połeć: Cały czas mówimy o dashboardach, a przecież narzędziem do podjęcia decyzji może być alert. Są metryki jak ciśnienie w oponach – nie sprawdzasz tego codziennie. Jeśli wartość spadnie poniżej pewnego progu, dostajesz powiadomienie i musisz zareagować. To zdejmuje problem z głowy i pozwala skupić się na jeździe. W niektórych procesach automatyczny alert jest znacznie lepszym rozwiązaniem niż kolejny wykres.

Mariusz Michalczuk: Mamy stałe raportowanie, mamy alerty. Czasami też zlecamy analizę naszemu analitykowi. Moje obserwacje są takie: te analizy często kończą się suchym raportem, w którym brakuje rekomendacji i wyciągnięcia wniosków. Z czego to wynika?

Daniel Połeć: Jak myślisz, dlaczego brakuje tam rekomendacji?

Mariusz Michalczuk: Myślę, że problemem jest czas. Na 100 jednostek czasu, analityk spędza 85 na gromadzeniu, integracji i wyjaśnianiu rozbieżności. Na samą kwintesencję, czyli wyciągnięcie wniosków, zostaje 15 procent czasu.

Daniel Połeć: Zgadzam się, ten proces bywa czasochłonny. Jednak większym problemem jest brak kontekstu biznesowego. Gdybyś dał mi dostęp do Google Analytics i poprosił o ciekawe wnioski bez znajomości modelu biznesowego naszej firmy, nie wiedziałbym, do czego przypiąć te dane. Zauważyłbym wzrosty i spadki, ale nie umiałbym postawić celnej rekomendacji. Kontekst musimy ustalić na samym początku analizy. To jak prośba do żony o zaplanowanie „fajnych wakacji” bez podania kryteriów. Przyniesie oferty nad morzem, a ty wolałeś góry.

Pytanie nie brzmi: co powinniśmy mierzyć? Pytanie brzmi: co jako organizacja chcemy osiągnąć? Dopiero mając cel, dobieramy dane, które nam w tym pomogą. To kolosalna różnica w podejściu i klamra spinająca to, dlaczego zawsze zaczynamy od biznesu.

Metodologia działania „step down”

Mariusz Michalczuk: Zdarza się, że raport pokazuje świetne wyniki, a na końcu CFO mówi, że pieniądze na koncie się nie zgadzają. Dlaczego firmy patrzą na liczby, ale nie wiedzą, co faktycznie działa?

Daniel Połeć: Opisałeś idealny objaw silosowości. W naszym dziale wszystko świeci na zielono, a w ujęciu finansowym firma traci. Dochodzi do tego dlatego, że nie mamy drzewa KPI (KPI tree). Zaczynamy od dochodu (przychód minus koszty). Schodzimy w dół analizując, jak liczba kliknięć reklam wpływa na kolejne szczeble, aż po sam dochód. Jeśli wyłączymy opłacalne reklamy, w krótkiej perspektywie zaoszczędzimy koszty, ale z czasem zabraknie ruchu i przychodów. Widząc te powiązania na mapie metryk, skutecznie burzymy silosy.

Mariusz Michalczuk: To przypomina mapę biznesu opartą na tablicy rozdzielczej w samochodzie.

Daniel Połeć: Świetne porównanie. Gdy zapali się kontrolka check engine, wiemy, że musimy zareagować, podpiąć komputer i sprawdzić detale. Nie musimy wrzucać wszystkich najdrobniejszych wskaźników na główny ekran, bo powstanie szum. Wybieramy metryki priorytetowe. Co ważne, inicjatywa musi wyjść z góry – od zarządu, przez dyrektorów, do specjalistów. Nawet jeśli obecnie brakuje nam danych do wyliczenia idealnej metryki korygującej zwroty w marketingu, zaplanujmy ją, ale pracujmy na tym, co już mamy.

Od danych do decyzji: 3 kroki do wdrożenia

Jak pracować z dashboardami na co dzień?

Mariusz Michalczuk: Tablica rozdzielcza w aucie sugeruje wizytę u mechanika, ale dashboard nie mówi „skręć w lewo”. Jakie pytania powinniśmy zadawać do danych, żeby prowadziły do działania?

Daniel Połeć: Należy zadawać pytanie „dlaczego?”. O czym świadczy dany wzrost lub spadek? Odpowiedź znajdziemy dzięki drzewu KPI. Obserwujemy powiązania. Content manager piszący artykuły na bloga widzi, jak ilość i tematyka tekstów wpływają na jakość ruchu i konwersję w całej firmie. Dashboard główny pokaże mu, że dowieziono mniej ruchu. Wtedy ten specjalista otwiera swój lokalny kokpit, przeprowadza dekompozycję i analizuje wskaźniki szczebel niżej w Google Search Console.

Mariusz Michalczuk: Trochę jak pilot samolotu – ma checklistę i kolejne kroki w przypadku awarii.

Daniel Połeć: Pilot wie, co robić, bazując na doświadczeniu. Content manager z dobrym frameworkiem analizy również wie, czy musi zmienić tematykę tekstów, czy publikować częściej. Narzędzie daje sygnał (trigger) do działania. To dlatego każde stanowisko potrzebuje nieco innych danych. Nie ma rozwiązań uniwersalnych dla wszystkich.

Podsumowanie: Analityka przyspieszająca decyzje

Mariusz Michalczuk: Słowo „decyzja” przewija się tu stale. Zatem dobra analityka powinna prowadzić do decyzji, a nie zatrzymywać się na informacji z dashboardu?

Daniel Połeć: Analityka to fundament procesu decyzyjnego. Zabezpiecza przed chaosem i zgadywaniem. W zeszłym roku, gdy weszły powiadomienia AI w Google, wielu firmom spadł ruch. Przez brak dekompozycji i panikę ratowano się zwiększaniem budżetów w płatnych reklamach. Ruch wrócił, ale kosztem przepalonego budżetu, bo problem leżał gdzie indziej. Dane pozwalają robić właściwe kroki w odpowiednim czasie. Inaczej nie jesteśmy data-driven, lecz dashboard-driven.

Mariusz Michalczuk: Jakie są konkretne kroki dla słuchaczy, żeby faktycznie przejść od danych do decyzji?

Daniel Połeć: Krok pierwszy: Zdefiniowanie celów i problemów. Co nas blokuje w pracy z danymi? Czasami barierą jest czas tracony na ręczne eksportowanie Exceli. Zdiagnozujmy to.
Krok drugi: Ustalenie definicji metryk na poziomie całej firmy. Zbudowanie wspólnego słownika i przypisanie ownerów do konkretnych wskaźników (kogoś, kto odpowiada za daną decyzję).
Krok trzeci: Powiązanie tych metryk w drzewo KPI (KPI tree). Adaptacja tej zmiany uodporni organizację na podejmowanie chaotycznych ruchów.

Mariusz Michalczuk: Potwierdzeniem sukcesu będzie moment, w którym wyprzedzimy dział finansowy i będziemy dokładnie wiedzieli o ewentualnym spadku, zanim zapisze się on w bilansie bankowym. Stajemy się wywiadem biznesowym.

Daniel Połeć: Dokładnie. Poprzez działające drzewo KPI burzymy silosy i widzimy pełen obraz sytuacji na bieżąco.

Mariusz Michalczuk: Mega dzięki. Turbo inspirujące i bardzo konkretne. Do zobaczenia.

Daniel Połeć: Było mi bardzo miło. Do zobaczenia.

The post Czym jest strategia danych – Daniel Połeć – Date with Data Talks first appeared on Conversion.

Dlaczego w takim razie tak niewiele firm odnosi sukces dzięki analityce internetowej? Wynika to w dużej mierze ze złego rozumienia pojęcia analizy i mylenia go z gromadzeniem i raportowaniem danych, a co za tym idzie nieefektywnej alokacji pieniędzy i zasobów.

Co znajdziesz w tym artykule?
Nieefektywna alokacja zasobów
Analiza danych w raportowaniu
Definicje
Raportujesz czy analizujesz?
Nieefektywna alokacja zasobów

Nieefektywna alokacja zasobów

Aktualnie obserwujemy w firmach silne skupienie wokół gromadzenia i raportowania dużych ilości danych, podczas gdy główne korzyści, które osiągamy z analityki internetowej płyną z przeprowadzanych później analiz. W mojej opinii sytuacja ta wynika z przestarzałego przekonania, że „kto ma dane ma przewagę”. Biorąc pod uwagę łatwość dostępu oraz bardzo szeroki zakres danych płynących z kanału online, w porównaniu do specyfiki prowadzonych w przeszłości biznesów, samo ich posiadanie nie stawia nas w uprzywilejowanej pozycji względem konkurencji. Dopiero odpowiednia analiza, wyciągnięcie wniosków, przygotowanie rekomendacji, a w końcu wprowadzanie i ocena zmian na podstawie danych pozwala na ciągłe poprawianie efektywności prowadzonych działań i osiąganie celów biznesowych. To właśnie za to chcą płacić managerowie – za lepsze wyniki przekładające się na wzrost zysku, czy to poprzez wzrost przychodów, czy przez ograniczenie kosztów. Nie zaś za dodatkową tabelę ze statystykami.

Niekorzystna sytuacja, kiedy bardziej pracochłonne raportowanie zajmuje większość zasobów, przez co niemożliwe jest osiąganie wymiernych korzyści płynących z analizy.

Analiza danych w raportowaniu

Analiza danych w kontekście raportów to znacznie więcej niż zestawienie liczb – to nadanie im sensu, wskazanie wzorców i rekomendacji. Dzięki dobrze dobranym analizom raport staje się narzędziem wspierającym decyzje, pokazując, co działa, co wymaga korekty, oraz gdzie warto skierować zasoby w przyszłości.

Znaczenie analizy danych w raportach

Bez analizy dane są surowe i trudne do interpretacji. To dzięki niej wyniki stają się zrozumiałe – możemy zidentyfikować trendy, anomalie i relacje między wskaźnikami. Dobry raport mówi: „to tutaj warto działać”, a nie „oto liczby”. Analiza dodaje wartość i kierunek działaniom.

Techniki analizy danych

Do analizy raportowej stosuje się różne techniki – od statystyki opisowej (średnie, odchylenia) i eksploracji danych (EDA), po analizy regresji, segmentację (klastry) czy prognozowanie (analiza szeregów czasowych). W praktyce łączy się je według potrzeby, by wyciągać wiarygodne i użyteczne wnioski.

Definicje

Aby być w stanie odróżnić raportowanie od analizy, a następnie odpowiednio rozdysponować pomiędzy nie posiadane zasoby niezbędne jest ustalenie co tak naprawdę rozumiemy pod omawianymi pojęciami. Podejmując próbę tłumaczenia opisów zawartych przez Brenta Dykesa w książce „Web Analytics Action Hero” (której to lekturę podczas letnich wyjazdów każdemu szczerze polecam) możemy przyjąć następujące definicje:

• Raportowanie – proces organizowania danych w informacyjne raporty w celu monitorowania efektywności różnych obszarów biznesu.
• Analiza – proces eksplorowania danych i raportów w celu wyciągnięcia wartościowych wniosków, które mogą być użyte do lepszego zrozumienia biznesu i poprawy jego efektywności.

Dla lepszego zrozumienia różnic pomiędzy analizą i raportowaniem, a także umożliwienia oceny Twojej organizacji/pracy wydzielić można pięć kluczowych obszarów, które różnicują te dwie czynności.

I. Cel

Technicznie rzecz ujmując raportowanie przetwarza surowe dane w łatwiej przyswajalne zestawy informacji. Dzięki regularnym raportom, tworzonym ze wspomnianych zestawów, pozwala na monitorowanie sytuacji oraz alarmowanie, kiedy dane zaczynają zachowywać się niestandardowo. Raportowanie odpowiada więc na pytanie „co?” (np. co wydarzyło się w segmencie ruchu płatnego w ostatnim miesiącu?).

Cel raportowania to odpowiedź na pytanie „co?”

Z drugiej strony, analiza ma na celu odpowiedź na pytanie „dlaczego?” (np. dlaczego użytkownicy coraz szybciej opuszczają nasz serwis?) . Realizowane jest to poprzez zagłębienie się w dostarczane informacje, ich dokładną interpretację i wypracowanie rekomendacji, na podstawie których można podjąć konkretne działania mające na celu poprawę sytuacji.

Cel analizy to odpowiedź na pytanie „dlaczego?”

Współpracując z firmami podczas projektów wdrożenia analityki internetowej zauważamy regularnie, że im bardziej organizacja rozwija się w tym zakresie, tym większe zapotrzebowanie istnieje właśnie na odpowiedź na pytania związane z tym dlaczego pewne zachowania użytkowników, zmiany w danych występują. Wynika to w dużej mierze z osiąganych realnych efektów, które tak jak wspominałem wcześniej płyną głownie z etapu analizy danych.

II. Realizowane zadania

Jeżeli praca, którą wykonują osoby pracujące z danymi obejmuje czynności takie jak: konfigurowanie, organizowanie, formatowanie, podsumowywanie, możesz być pewny, że jest to raportowanie. Elementy te można (a nawet należy) zautomatyzować, aby więcej czasu przeznaczyć na zadania, które przynoszą firmie większe korzyści. Są one jak zapewne się domyślasz związane z analizą i obejmują: stawianie pytań biznesowych, badanie, interpretowanie, porównywanie, potwierdzanie lub odrzucanie hipotez.

W wielu przypadkach realizowanie zadań związanych z raportowaniem jest po prostu mniej wymagające, dlatego też znacznie łatwiej znaleźć na rynku osoby, które będą dobrze je realizowały. Prawdziwy analityk internetowy powinien mieć doświadczenie zarówno w zakresie zaawansowanej analizy różnych rodzajów danych, znać specyfikę branży e-commerce, lecz także motywować całą organizację do wykorzystania danych i rekomendacji przez niego wytwarzanych. Pozyskanie lub wykształcenie takich kompetencji w zespole wymaga więc dużej pracy i jest jednym z kluczowych etapów, które przechodzimy z naszymi klientami wdrażając u nich analitykę internetową. W tym samym czasie, samo raportowanie jest odpowiednio automatyzowane (m.in. za pomocą kokpitów menedżerskich) aby móc przesunąć zasoby ludzkie do generującej większe korzyści analizy.

III. Rezultat

Nawiązując do automatyzacji o której pisałem we wcześniejszym punkcie, generowanie i wykorzystanie raportów zazwyczaj nie wiąże się z aktywnym podejściem osób związanych z biznesem. Dostarczane regularnie zbiory danych, które są wynikiem procesu raportowania, można więc podzielić na:

a) standardowe raporty generowane przez narzędzie analityczne – zawierają standardowy zestaw metryk, które są okresowo monitorowane przez odbiorców,
b) dashboardy (kokpity menedżerskie) – raporty dostosowane do indywidualnych potrzeb odbiorców, zawierające Kluczowe Wskaźniki Sukcesu (KPI) pochodzące często z różnych źródeł,
d) alerty (ostrzeżenia) – warunkowe raporty, które wysyłane są do odbiorców w momencie wystąpienia określonych kryteriów.

Przykład alertów skonfigurowanych w Google Analytics.

Z drugiej strony, analiza oparta jest na aktywnym wykorzystaniu osób biznesowych. To od nich wychodzą pytania, na które analitycy starają się znaleźć odpowiedź. Następnie wypracowane rekomendacje wracają do pytającego, który na ich podstawie może podjąć odpowiednie decyzje wpływające na poprawę efektywności prowadzonych działań. Rezultatem analizy mogą być więc:

• bieżące odpowiedzi na zapytania – tego rodzaju zadania są najczęściej związane z krótkim terminem wykonania, dlatego też przeprowadzane analizy nie są dogłębne, a ich wynikiem jest zwięzłe podsumowanie zawierające jedynie wskazówki odnośnie możliwych działań,
• prezentacje analityczne – dotyczą pytań biznesowych, które wymagają szerszego omówienia i przeprowadzenia dodatkowych badań. Dzięki możliwości głębszego zagłębienia się w dane rezultatem są konkretne rekomendacje, odpowiednio poparte wnioskami z analiz.

U jednego z naszych klientów wdrożyliśmy w związku z tym aspektem m.in. proces regularnych spotkań poszczególnych działów i analityków. Osoby biznesowe na podstawie automatycznych dashboardów (rozwiązanie kwestii dużej ilości bieżących zapytań o dane) przygotowują zestawy pytań, aby następnie po dokładnym ich przeanalizowaniu przez analityków zaprezentować na regularnym spotkaniu wyniki (prezentacja analityczna) i na ich podstawie podjąć odpowiednie decyzje odnośnie poprawy aktualnej sytuacji.

Głównymi czynnikami odróżniającymi analizę od raportowania w tym wymiarze są więc: kontekst (analiza oparta jest na pytaniach, które aktualnie nurtują dany dział) oraz wypracowywane rekomendacje, na podstawie których podejmowane są decyzje.

IV. Dostarczenie rezultatu

Z racji, że raportowanie jest zadaniem realizowanym głównie za pośrednictwem różnego rodzaju zautomatyzowanych narzędzi, również forma dostarczania raportów jest od nich zależna. Obejmuje ona wiele rozwiązań od arkuszy Excel, przez dostęp do systemu za pośrednictwem serwisu www, po powiadomienia mailowe czy SMS. Szczególnie efektywną formą dostarczania danych są spersonalizowane kokpity menedżerskie (dashboardy), o których wspominałem już kilkukrotnie w tym wpisie i które wykorzystujemy współpracując z klientami.

Analiza jest jednak domeną ludzi, więc sama forma dostarczania rekomendacji ma również bardziej ludzki wymiar. Znacznie efektywniej wyniki analiz prezentuje się na bezpośrednich spotkaniach, na których zainteresowane osoby mają również możliwość zadania dodatkowych pytań, a analitycy szansę na ostateczne przekonanie strony biznesowej, dzięki czemu ostatecznie podejmowane są decyzje bazujące na rzetelnych danych.

V. Wartość

Zarówno analiza, jak i raportowanie bezsprzecznie wypracowują znaczącą wartość dla firmy. Znajdują się one jednak na innych etapach tworzenia owej wartości i są niejako zależne od siebie.

Obróbka surowych danych i raportowanie informacji dla kluczowych osób jest podstawą do rozpoczęcia kreowania wartości. Na tym etapie szczególnie zadbać należy o rzetelność gromadzonych danych – nawet najlepsze analizy przeprowadzone na niepoprawnych danych nie pozwolą na wystawienie dobrych rekomendacji, a co za tym idzie na poprawienie efektywności biznesu. Zmiany zauważane w raportach powinny być światłem ostrzegawczym, bodźcem do postawienia pytań, a następnie przejścia do analizy w celu znalezienia na nie odpowiedzi. Do ostatecznej korzyści dla organizacji potrzebne są już wtedy jedynie dwa kroki, które wspierane są przez rzetelną analizę: podjęcie decyzji i wdrożenie wypracowanych rekomendacji.

Schemat tworzenia wartości dzięki analityce internetowej.

Raportujesz czy analizujesz?

Jak widać pojęcia raportowania i analizy nie są tożsame i na pewno nie powinny być ze sobą mieszane. Zapomnienie zarówno o jednym jak i o drugim uniemożliwia organizacji czerpanie korzyści z analityki internetowej, natomiast należy być świadomym, iż to właśnie w procesie analizy drzemie największy potencjał i jemu powinna być poświęcana szczególna uwaga i zasoby (odwrotnie niż jest to w dużej liczbie firm). Pamiętajcie także o unikaniu najważniejszych błędów w zbieraniu i analizie danych!

A jak sytuacja wygląda w Twoim przypadku? Czy Twoja firma skupia się na raportowaniu, czy może dużą wagę przykłada do procesu analizy? Daj znać w komentarzach .

The post Czym różni się raportowanie od analizy? first appeared on Conversion.

Raportowanie marketingowe – dlaczego poruszamy ten temat?
Raportowanie marketingowe – jakie dane wykorzystujemy?
Raportowanie marketingowe – cel
Raportowanie marketingowe – najczęstsze błędy agencji
Podsumowanie

Raportowanie marketingowe – dlaczego poruszamy ten temat?

Dzięki praktycznej wiedzy z zakresu analityki internetowej można uniknąć wielu pułapek i lepiej wykorzystać potencjał danych dla osiągnięcia celów marketingowych. Od 15 lat specjalizujemy się dziedzinie analityki internetowej, a w ostatnich latach staliśmy się prawą ręką firm w tłumaczeniu danych online. Pomagamy w ich codziennym wykorzystaniu. Jednym z głównych obszarów naszej działalności jest optymalizacja marketingu. Wspieramy firmy w zapewnieniu, utrzymaniu, aktywacji danych oraz w budowie know-how, szczególnie w kontekście kampanii marketingowych.

Ze względu na charakter naszej współpracy, często pełnimy rolę mediatora między agencjami marketingowymi a klientami, dla których prowadzone są kampanie. Nasze doświadczenie zebrane przez 15 lat pozwoliło nam zaobserwować wiele różnorodnych sytuacji w kontekście raportowania. Specjalizując się w wykorzystaniu danych, często pełnimy rolę tłumacza między agencją marketingową a klientem. 

Zauważamy pięć podstawowych błędów, które agencje popełniają. Nie chodzi jednak o ich wytykanie, lecz o zwrócenie uwagi na to, co powinno się zmienić, zarówno po stronie agencji marketingowej, jak i klienta. Problem nie leży wyłącznie po jednej stronie – znajduje się gdzieś pośrodku.

Raportowanie marketingowe – jakie dane wykorzystujemy?

Zanim przejdziemy do szczegółów, warto zrozumieć, jakie dane wykorzystujemy w marketingu. Istnieją dwa główne rodzaje danych. Dane off-site obejmują wszystko, co dzieje się poza naszym produktem cyfrowym. To przede wszystkim platformy reklamowe, gdzie analizujemy koszty i zasięgi reklam, media społecznościowe oraz zachowania offline, szczególnie w przypadku e-commerce działającego w modelu multi-omni-channel. 

Z drugiej strony mamy dane on-site, czyli wszystko, co dzieje się w naszym produkcie cyfrowym, szczególnie na stronie internetowej lub w aplikacji mobilnej. Dotyczą one bezpośrednio tego, jak użytkownik porusza się w naszym ekosystemie. Patrząc na dwa rodzaje danych w kontekście branży martech, czyli marketing technology, zauważamy, że liczba narzędzi, zwłaszcza w dobie AI, przekraczała w 2024 roku 11 tysięcy, a większość z nich zbiera jakieś dane – to naprawde dużo.

W kontekście danych generowanych przez te narzędzia, napotykamy dwa główne wyzwania. Pierwsze to rozproszenie, czyli mnogość narzędzi, które często dotyczą tego samego aspektu, ale są zgromadzone w tzw. silosach. Łączenie różnych źródeł danych mogłoby przynieść korzyści, jednak ich rozproszenie w różnych miejscach sprawia, że stają się mniej użyteczne. 

Kolejnym wyzwaniem, przed którym stają firmy zajmujące się danymi, są różnice między systemami. Jeden użytkownik, który przechodzi przez marketing, sprzedaż i produkt, a ostatecznie trafia do CRM jako klient, jest opisywany różnie przez każde z narzędzi, jeśli nie mamy hurtowni danych w marketingu. 

Agencje marketingowe często odpowiadają za prowadzenie kampanii marketingowych, z raportowaniem jako jednym z kluczowych elementów. Najczęściej korzystają z platform reklamowych takich jak Google Ads, LinkedIn, TikTok, Pinterest, Amazon, YouTube czy Spotify. Na to wszystko nakładany jest często Google Analytics, który analizuje działania w produkcie cyfrowym.

Z moich obserwacji wynika, że agencje nie zawsze dysponują zasobami, by objąć kompleksowość tych działań. Sam Analytics nie wystarczy, potrzebna jest integracja danych. Silosy i różnice w danych prowadzą do błędów w raportowaniu, zwłaszcza gdy agencja odpowiada tylko za część procesu marketingowego, jak realizacja kampanii.

W firmach, gdzie jesteśmy odpowiedzialni za zadania związane z danymi, również napotykamy na wyzwania związane z zrozumieniem całej tej złożoności i sprowadzeniem wszystkiego do jednego mianownika. To samo dotyczy raportowania kampanii marketingowych, gdzie często powtarza się pięć głównych błędów. 

Raportowanie marketingowe – cel

Raportowanie marketingowe ma na celu wspieranie procesu podejmowania lepszych decyzji dzięki danym. Raportowanie jest podsumowaniem działań, jednak nawet jeśli kampania marketingowa nie jest bezpośrednio sprzedażowa, nadal powinniśmy analizować, jakie aktywności marketingowe wpływają na konwersje. Warto pamiętać, że agencje nie zawsze odpowiadają za całość marketingu, zwłaszcza gdy mówimy o wielokanałowości, w której użytkownicy podejmują decyzje w nieliniowy sposób. 

Raportowanie marketingowe – najczęstsze błędy agencji

Błędy, które się pojawiają, mogą nie być adekwatne do wszystkich sytuacji, zarówno jeśli jesteś przedstawicielem agencji marketingowej, jak i jej klientem. Zebraliśmy kilka błędów, które obserwowaliśmy na przestrzeni lat. 

#1 Niepoprawne dane w zakresie konfiguracji śledzenia kampanii

Pierwszy na naszej liście błąd to niepoprawne dane wynikające z konfiguracji śledzenia kampanii. Problem pojawia się, gdy dane w raportach są niewłaściwie zabezpieczone. W kontekście kompleksowości danych, niewiele agencji jest w stanie być ekspertami we wszystkim. Istnieje powiedzenie, że coś, co jest do wszystkiego, jest do niczego. Dlatego, jeśli agencja zajmuje się zarówno konfiguracją, jak i śledzeniem, może to rodzić konflikt interesów. 

Warto zastanowić się, czy firma, która odpowiada za jakiś element, powinna jednocześnie oceniać własne działania. Często poruszam temat, czym są dobre dane. Jakość danych często zaczyna się od samego wdrożenia. W kontekście kampanii marketingowych, śledzenie w Google Tag Managerze (GTM) oraz różne piksele do śledzenia odgrywają kluczową rolę. Obecnie coraz częściej pojawia się problem, gdy agencje instalują GTM server-side równolegle z istniejącym już GTM client side. Skutkuje to tym, że klienci zgłaszają się do nas z błędami w śledzeniu, gdzie te same dane są wysyłane podwójnie: raz z kontenera client side i drugi raz z kontenera serwerowego. 

Ważnym aspektem, który warto podkreślić, jest brak schematu tagowania UTM w niektórych agencjach marketingowych. Schemat ten określa, które aktywności w sieci będą widoczne w naszych danych, co ma kluczowe znaczenie dla analizy. Zrozumienie, dlaczego klienci rzadko posiadają schematy tagowania, bywa trudne. Jeśli agencja nie ma własnego schematu lub nie stosuje go regularnie we wszystkich kampaniach, staje przed dużym wyzwaniem. Źródłem problemu bywa presja czasu i nacisk na wyniki, co prowadzi do błędów, które omawiam poniżej.

W kontekście tego pierwszego błędu, przytoczę krótką anegdotę z życia. Dotyczy ona sytuacji, w której agencja marketingowa odpowiadała za redesign strony. W jednej z firm, z którą współpracowaliśmy, doszło do sytuacji po przeprowadzeniu redesignu strony internetowej. Po wprowadzeniu zmian zauważono gwałtowny spadek współczynnika odrzuceń w całym serwisie. Szczególnie na stronie karty produktu współczynnik ten spadł do zera. 

Okazało się, że agencja odpowiedzialna za redesign niepoprawnie wdrożyła śledzenie Google Analytics na tej stronie, co spowodowało zafałszowanie danych. W praktyce karta produktu wykazywała zerowy współczynnik odrzuceń, co nie było zgodne z rzeczywistością. Zauważyliśmy ten problem i zwróciliśmy na niego uwagę, jednak redesign został już przedstawiony jako case study w innych oddziałach firmy, co utrudniło wprowadzenie korekt. 

#2 Raportowanie marketingowe a cele biznesu

Błąd numer dwa to niewłaściwe dane od strony raportowania w zestawieniu z celem biznesowym. Główny cel marketingu polega na przyciąganiu użytkowników do serwisu, aby wykonali kluczową akcję zgodnie z celem kampanii. W większości przypadków, zwłaszcza w kampaniach performance, celem jest sprzedaż. Z naszych obserwacji wynika, że agencje marketingowe często nie komunikują się z biznesem i nie ustalają wspólnie KPI. 

Oczywiście, KPI dla kampanii marketingowej są określone, najczęściej jest to sprzedaż, jednak brakuje zrozumienia szerszego kontekstu i tego, na czym zależy biznesowi. Jednym z problemów w analizie danych jest brak dostępu do pełnego obrazu biznesu, co prowadzi do ograniczonego spojrzenia na jego funkcjonowanie. Często agencje marketingowe skupiają się jedynie na raportowaniu danych mediowych, ignorując zachowania użytkowników. 

Często spotykamy się również z sytuacjami, w których agencje marketingowe raportują jedynie zasięgi, nie analizując, jakie korzyści przynoszą one dla samego biznesu. Takie podejście można określić jako raportowanie tak zwanych „vanity metrics”, czyli wskaźników, które na pierwszy rzut oka wyglądają imponująco, ale mają niewielkie przełożenie na rzeczywiste wyniki biznesowe.

Raportowanie odsłon i zasięgów zamiast rzeczywistych efektów jest powszechnym zjawiskiem. W raportach, które nasi klienci otrzymują od agencji marketingowych, często widzimy dane dotyczące zasięgu i liczby odsłon, jednak brakuje informacji o tym, jakie efekty takie kampanie przynoszą dla biznesu. Nawet jeśli są to kampanie nastawione na rozpoznawalność, brakuje analizy ich wpływu na biznes.

#3 Raportowanie marketingowe a niezrozumienie danych

Błędem numer trzy jest niezrozumienie danych, które występuje zarówno po stronie klienta, jak i agencji. Pojawia się pytanie o odpowiedzialność za zapewnienie, że firma rzeczywiście rozumie, co wskazują dane. Zarówno agencje, jak i klienci powinni dążyć do głębszego zrozumienia analizowanych danych, aby podejmować bardziej świadome decyzje biznesowe. Odpowiedzialność za wyjaśnianie, co dane oznaczają dla biznesu, spoczywa na osobie raportującej. 

Częstym problemem jest brak zrozumienia atrybucji w marketingu. Warto zaznaczyć, że nieporozumienia dotyczą także celu danego źródła/medium, co jest związane z atrybucją. Często zdarza się, że klienci oczekują, iż kampania displayowa będzie generować sprzedaż, mimo że nie zawsze odpowiada za użytkowników gotowych do zakupu.

Należy również zrozumieć, że metryki mogą się zmieniać w czasie, jak w przypadku współczynnika odrzucenia, którego definicja została zmieniona. Ważne jest, aby rozmawiać z klientami i tłumaczyć, jaki wpływ ma zmiana oraz co konkretna metryka oznacza dla biznesu. Każdy interpretuje dane na swój sposób, dlatego warto sprowadzać je do wspólnego mianownika. 

Czasami spotykamy się z sytuacjami, które doskonale obrazują niezrozumienie istoty analityki internetowej. Przykładem może być nasz dawny klient, który naciskał agencję marketingową, aby współczynnik CTR wynosił 100%. Po pierwszym spotkaniu udało się to wyjaśnić, jednak pojawiła się również inna sytuacja. Osoba odpowiedzialna za raporty po stronie klienta prosiła, aby nie uwzględniać konwersji w raportach, ponieważ jej przełożeni nie byli świadomi, że kampanie nie generują konwersji. Obawiała się o tym powiedzieć. Było to szczególnie dziwne, ponieważ kampanie dotyczyły reklam displayowych, które z założenia mają inne cele niż bezpośrednie konwersje, co pokazuje brak zrozumienia danych.

#4 Raportowanie marketingowe… i tylko raportowanie

Jednym z kluczowych błędów w analityce internetowej jest ograniczenie się wyłącznie do raportowania. Analityka powinna prowadzić do konkretnych zmian i poprawy w biznesie, jednak często kończy się jedynie na sporządzaniu raportów. W żargonie analityki funkcjonuje określenie „reporting squirrel”, które porównuje takie bezrefleksyjne raportowanie do świstaka zawijającego czekoladki w papierki, znanego z reklamy. Raporty są wysyłane, często automatycznie, bez analizy i kontekstu, co prowadzi do ich bezużyteczności.

Raporty powinny dostarczać wniosków i rekomendacji dotyczących zmian w kampaniach marketingowych. Choć wiele zależy od samego klienta, to naszym zadaniem jest tłumaczenie i wyjaśnianie kontekstu. 

Przykładem może być sytuacja, gdy agencja marketingowa raportowała ROAS na poziomie 1000% z konkretnej kampanii reklamowej. Sukces był mocno promowany, jednak okazało się, że kampania ta stanowiła jedynie niewielki procent całego ruchu. W efekcie, choć ROAS wyglądał imponująco, jego wpływ na całkowity biznes był znikomy. To pokazuje, jak ważne jest przetwarzanie danych w odpowiednim kontekście i ich właściwa interpretacja. 

#5 Niepoprawne wnioskowanie w raportowaniu

Piątym błędem, który często obserwujemy w analityce marketingowej, jest niepoprawne wnioskowanie. Nawet jeśli raporty marketingowe zawierają dobre i pełne dane, uwzględniające kontekst biznesowy, a także odpowiadające na potrzeby rynku, mogą pojawić się błędy podczas analizy i formułowania rekomendacji. Jednym z typowych błędów jest brak wykluczenia ruchu brandowego z kampanii marketingowych. Ruch brandowy pochodzi od klientów, którzy są już zdecydowani, dlatego nie powinien być łączony z kampaniami performance’owymi, które są nastawione na osiąganie określonych efektów. Często jednak nie jest to uwzględniane.

Dodatkowe błędy mogą pojawić się na etapie analizy danych i agregacji, na przykład w zapytaniach SQL. W marketingu coraz częściej używa się Google BigQuery, którego nieprawidłowe wykorzystanie może całkowicie zniekształcić wnioski.

Po przeanalizowaniu danych, zanim wyciągnie się z nich wnioski, często dochodzi do wizualizacji danych. To etap, który wymaga szczególnej uwagi, aby uniknąć błędów i zapewnić, że wnioski będą trafne i użyteczne. W analityce wizualizacje danych pełnią kluczową rolę w przekazywaniu informacji i rekomendacji. Często jednak błędy w doborze wykresów mogą prowadzić do niepoprawnych wniosków. Jednym z problemów jest użycie niewłaściwych wizualizacji, które nie potrafią przekonać klienta do przyjęcia danej rekomendacji. Przykładem mogą być wykresy zawierające zbyt wiele danych lub takie, gdzie skala jest źle dobrana.

Przykładem mogą być wykresy przedstawiające miesięczną wypłatę emerytury oraz średniomiesięczne wynagrodzenie. W takich przypadkach skala nie zaczyna się od zera, co sprawia, że zmiany wyglądają na większe, niż są w rzeczywistości. Innym przykładem mogą być składki z udziału dla przedsiębiorców, gdzie również nieprawidłowo dobrana skala może wprowadzać w błąd. 

Warto zwrócić uwagę na te aspekty, aby wizualizacje były czytelne i adekwatnie przedstawiały rzeczywistość. Dobry dobór skali i prostota wykresu mogą znacząco zwiększyć skuteczność komunikacji analitycznej. Wzrost jest znaczący, jednak nie zaczyna się od zera. To kolejny problem związany z wizualizacją danych. Często wybierane są niewłaściwe formy prezentacji. 

Przykładowo, wykresy kołowe są często używane w branży. Nie są one złe, jeśli prezentują małą liczbę serii. Jednak gdy serii jest wiele, wykresy kołowe mogą być trudne do interpretacji, co potwierdzają badania naukowe. 

Podsumowanie

Niech pierwszy rzuci Excelem, kto nigdy nie popełnił jednego z tych pięciu błędów. W agencjach marketingowych często panuje napięta atmosfera. Jest cel do osiągnięcia, a wszystkie ręce na pokładzie. Warto jednak pamiętać o znaczeniu komunikacji z klientami. Raportowanie kampanii marketingowych to nie tylko miły dodatek. Stanowi ono podstawę do udoskonalania kampanii w przyszłości.

Warto zaznaczyć, że skuteczna analiza danych wymaga nie tylko umiejętności technicznych, ale także strategicznego podejścia do interpretacji wyników. Dzięki temu możliwe jest formułowanie rekomendacji, które pomogą w optymalizacji działań marketingowych i sprzedażowych.

Podsumowując, analityka internetowa to nie tylko zbieranie danych, ale przede wszystkim ich umiejętne wykorzystanie w celu osiągnięcia lepszych wyników biznesowych. Współpraca z doświadczonym zespołem analityków może znacząco przyspieszyć ten proces, zapewniając firmom przewagę konkurencyjną.

The post Raportowanie marketingowe – 5 błędów agencji first appeared on Conversion.