Czego dowiesz się z tego wywiadu:

Ewolucja technologiczna: od korporacji do zwinnych środowisk

Wyzwania logistyczne w e-commerce a rozwój marketingu

Dlaczego projekty technologiczne upadają i czym jest efekt „kalafiora”

Zastosowanie agentów AI w zwinnym rozwoju produktu

Podsumowanie: Główne wnioski z rozmowy

Ewolucja technologiczna: od korporacji do zwinnych środowisk

Początki kariery z twardą technologią i pierwsze kroki w e-commerce

Mariusz Michalczuk: Cześć, witam Cię w kolejnym odcinku podcastu z serii Date with Data Talks, czyli podcastu od praktyków danych do praktyków wykorzystania danych. Dzisiaj moim gościem jest Daniel Kierdal. Dzisiaj będziemy więcej mówili o stronie danych internetowych i technologii. Masz ogromne doświadczenie we wdrażaniu narzędzi. Pracowałeś w dużych firmach, a obecnie rozwijasz swój startup. Opowiedz o swoim doświadczeniu i o tym, jak technologia zmieniała się na przestrzeni lat, zwłaszcza w ujęciu biznesowym.

Daniel Kierdal: Cześć. Zajmowałem się technologią od początku kariery. Na starcie to była twarda technologia. Zaczynałem w niewielkiej firmie Optimus, a potem trafiłem do IBM, gdzie zajmowałem się hardwarem, serwerami napędzającymi centra danych. Wtedy to były jeszcze silosowe, potężne systemy skalowane pionowo. Następnie poszedłem w kierunku oprogramowania, pozostając w warstwie niskopoziomowej technologii. Z IBM przeszedłem do Adobe. To był moment, w którym uznałem, że odchodzę od czystej technologii na rzecz marketingu i biznesu. Zmiana i rewolucja w sposobie zbierania i wykorzystywania danych online były niezwykle odkrywcze. Potem trafiłem do SAP, do działu martechowego, a ostatecznie poszedłem na swoje. Odpalam już trzeci startup i wszystkie w jakiś sposób krążą wokół danych, ponieważ to one są prawdziwym paliwem.

Mariusz Michalczuk: Nasze ścieżki po raz pierwszy przecięły się właśnie w Adobe, przy rozwiązaniu Adobe Analytics, które było jednym z pierwszych enterprise’owych narzędzi do analizy danych. Powiedz, jak zmieniało się samo podejście do wdrożeń na przestrzeni tych lat? Jak to wyglądało kiedyś, gdy dane trzymało się na serwerach, a nie w chmurze?

Daniel Kierdal: Rewolucja była kosmiczna. Gdy zajmowałem się serwerami z DB2, były to czasy projektów wyłącznie dla firm enterprise, bo tylko one inwestowały w taki sprzęt. Hurtownie danych budowano wtedy przez 2-3 lata do pierwszego uruchomienia. Planowano cały model danych, źródła, transformacje – wszystko metodyką waterfall od A do Z. Dopiero po trzech latach pojawiał się pierwszy raport. W dzisiejszych czasach to nieakceptowalne, nie tylko ze względu na czas. Świat zmienia się na tyle szybko, że po pół roku zaplanowane dane są już często niepotrzebne albo stanowią tylko ułamek tego, czego biznes naprawdę wymaga do podejmowania decyzji.

Przejście do zwinnego zarządzania projektami

Mariusz Michalczuk: Zakładam, że firmy decydujące się na wdrożenie musiały być niesamowicie cierpliwe i gotowe na długie oczekiwanie. Dziś, szczególnie w świecie startupów, oczekuje się namacalnych efektów już po pierwszych iteracjach.

Daniel Kierdal: Zgadza się. Zmieniło się to na iterowanie i zwinne metodyki wytwarzania. Po drodze wiele projektów waterfallowych upadło, ponieważ świat zmieniał się za szybko. Wymagały ciągłych zmian i modyfikacji, na które brakowało czasu. Istnieją spektakularne przykłady na rynku, gdzie duży detalista po kilku latach i wyrzuceniu w błoto pół miliarda euro, zrezygnował z wdrożenia systemu. Zmieniło się też pokolenie. Nawet w korporacjach ludzie nie chcą już czekać. Wszyscy oczekują efektów „tu i teraz”. Mamy kawałek kodu, testujemy go, sprawdzamy, co możemy wyciągnąć, a następnie dokładamy kolejne źródło danych i budujemy kolejny krok. To jedyne słuszne podejście.

Wyzwania logistyczne w e-commerce a rozwój marketingu

Budowa systemu OMS na styku e-commerce i magazynu

Mariusz Michalczuk: Bardzo ciekawe jest to połączenie, w którym szybkie pochłanianie informacji przez użytkowników wpływa bezpośrednio na funkcjonowanie biznesu. Przejdźmy do Twojej drogi. Pracowałeś w ogromnych organizacjach, a nagle wpadłeś na pomysł zbudowania systemu AMS i wszedłeś w świat zwinnych startupów. Skąd ten pomysł? Wyjście ze strefy komfortu korporacji do startupu to duży krok.

Daniel Kierdal: To była inna strefa komfortu, a właściwie jej brak. Często mówi się o genialnych pomysłach, które rodzą się w głowie za jednym zamachem, ale u mnie zadziałał przypadek i obserwacja. Dojrzewałem do pójścia na swoje. Rozmawiałem z wieloletnim kolegą o stworzeniu czegoś własnego i nagle pojawił się znajomy klient, który poprosił o zintegrowanie systemu WMS z platformą e-commerce. Wcześniej zajmowałem się digital marketingiem i widziałem, jak ogromnym problemem dla biznesów online jest proces logistyczny.

Sprzedaż online to składanie obietnicy. Sklep robi reklamę, opisuje historię produktu, pokazuje piękne zdjęcia i wciąga klientów do lejka. Ale moment konwersji to czas, gdy ktoś mówi „sprawdzam”. Fulfillment, czyli zrealizowanie zamówienia, to spełnienie tej obietnicy. To absolutnie kluczowe, bo od pierwszego doświadczenia zaczynasz budować lojalność. W online zwrot z inwestycji w pozyskanie klienta pojawia się najczęściej dopiero przy jego trzecim zamówieniu.

Mariusz Michalczuk: Zgadzam się. Koszty mediów i pozyskania klienta rosną. Coraz częściej trzeba dopłacić do pierwszej transakcji, by później zacząć na kliencie zarabiać.

Daniel Kierdal: Średnio zaczynamy zarabiać dopiero przy około 2.5 koszyka. Jeśli kończymy relację na pierwszym zakupie, dopłacamy do biznesu. Firmy inwestowały ogromne środki w narzędzia marketingowe wspierające pozyskiwanie klienta, ale technologia do fulfillmentu była sto lat z tyłu. E-commerce rósł, a stare systemy zarządzania magazynem (WMS), projektowane dekady temu do obsługi palet, nie dawały rady z wysyłką pojedynczych skarpetek czy smartfonów, z doborem kuriera, kodami rabatowymi czy formularzami zwrotu.

Rozwiązywanie powtarzalnych problemów branży

Mariusz Michalczuk: Problemem był fakt, że logistyka blokowała działania biznesowe i marketingowe? Do kogo kierowałeś swoje rozwiązanie – bardziej do logistyki, czy do marketingu?

Daniel Kierdal: Główne rozwiązanie adresowaliśmy do logistyki, a dokładnie do firm 3PL. To było świetne podejście, bo zadowalało obie strony. Operatorowi logistycznemu dawaliśmy spójny proces i niższe koszty obsługi błędów. Z kolei operator mógł pójść do swoich klientów i zaoferować im natychmiastowe podłączenie nowych kanałów sprzedaży. System łączył te światy, godząc ludzi, którzy wcześniej stali po dwóch stronach barykady.

Dlaczego projekty technologiczne upadają i czym jest efekt „kalafiora”

Znaczenie spójnej architektury i umiejętności mówienia „nie”

Mariusz Michalczuk: Wspominałeś o gigantycznych projektach, które po prostu upadają. Czy można wskazać punkt wspólny, przez który projekty technologiczne tak często ponoszą porażkę?

Daniel Kierdal: Bardzo często umierają dlatego, że firmy nie słuchają klientów w sposób usystematyzowany. Zdarza się też, że roadmapą rządzi jeden, największy klient. Jeśli dostosujesz cały produkt do jednego dużego gracza, to przestanie on pasować do reszty rynku, a ty zamiast tworzyć skalowalny produkt, staniesz się wykonawcą jednostkowego projektu. Drugim problemem jest uleganie tym, którzy najgłośniej krzyczą, z pominięciem dbałości o architekturę systemu.

Miałem klienta, który przyznał się, że jego wielki system powstał bez zarządzania architekturą 20 lat temu. Budowali tzw. monolit. Z biegiem lat dorabiali kolejne funkcje. Taki system przyjmuje „architekturę kalafiora”. Chcesz zmienić jeden mały komponent w środku, a okazuje się, że musisz rozgrzebać wszystko. Odmawiałem im wdrażania kolejnych nakładek, jeśli wymagało to budowania obejść. Tłumaczyłem, że za 10 lat obudzą się w tym samym punkcie. Spojrzenie długoterminowe i budowa fundamentów są kluczowe.

Mariusz Michalczuk: Umiejętność spojrzenia kilka kroków do przodu i odmawiania funkcji, które zaburzą architekturę, brzmi jak absolutnie krytyczna kompetencja w IT.

Daniel Kierdal: To połączenie twardego doświadczenia i umiejętności miękkich. Wymaga zrozumienia technologii oraz empatii, by wejść w buty klienta i wyobrazić sobie, z jakimi problemami zderzy się za rok czy dwa. Sam tego obecnie uczę innych.

Zastosowanie agentów AI w zwinnym rozwoju produktu

Problem taniego kodu i pułapki w szybkim projektowaniu

Mariusz Michalczuk: Dotknijmy tematu AI. Opowiadałeś mi o wdrożeniach i doradzaniu przy sztucznej inteligencji. Jak aktualnie z nią pracujesz? Świat idzie w stronę automatyzacji, ale widzę, że ty podchodzisz do tego niesamowicie praktycznie.

Daniel Kierdal: Teraz sztuczną inteligencją zajmują się prawie wszyscy. Podczas przeglądania projektów widzę, że hasło „AI” jest na każdym slajdzie. Uważam wręcz, że wstawianie AI na siłę staje się powoli minusem w oczach inwestorów. Narzędzie ma rozwiązywać konkretny problem procesu, a to, że wspiera je sztuczna inteligencja, to tylko narzędzie do celu.

Wraz z zespołem stworzyliśmy platformę AgenticForce. Nasz founder słusznie zauważył, że tworzenie oprogramowania stało się tak tanie, że zniknął naturalny „kaganiec” finansowy, który powstrzymywał nas przed produkcją zbędnych funkcjonalności. W firmach pojawiło się zjawisko „CEO Driven Development” – szef w weekend koduje prowizoryczną funkcję przy wsparciu narzędzi generatywnych i nakazuje zespołowi wdrożenie jej na produkcję. Ponieważ kod jest tani, funkcje tworzy się masowo. Problem w tym, że każda nowa funkcja wymaga utrzymania, integracji i zasobów, a system powoli znów zamienia się we wspomnianego „kalafiora”.

Wingman jako wsparcie Product Managera

Mariusz Michalczuk: Umiejętność mówienia „nie” przy rozwoju oprogramowania staje się więc ważniejsza niż mówienie „tak”.

Daniel Kierdal: Dokładnie. Dzisiaj Product Manager otrzymuje informacje z dziesiątek źródeł: systemów zgłoszeń, formularzy, social mediów i czatów. Próba znalezienia priorytetów w tym szumie jest trudna. Dlatego zbudowaliśmy Jacka Wingmana – agenta AI, który staje się asystentem zarządzającego produktem. Analizuje ogromne zbiory nieustrukturyzowanych danych, układa wątki i priorytetyzuje zadania tak, by menedżer miał twarde argumenty, by odrzucić spontaniczne pomysły CEO na rzecz faktycznie rentownych zmian.

Co więcej, Wingman zamyka pętlę komunikacyjną. Jeśli system na podstawie zgłoszeń 1200 użytkowników stworzy i dowiezie funkcjonalność, potrafi automatycznie wrócić do tych osób z informacją zwrotną. Pokazujemy im, że ich głos ma znaczenie i realnie wpłynął na produkt. Platforma od początku jest zaprojektowana wokół sztucznej inteligencji, dzięki czemu agenci mogą się między sobą komunikować i uzupełniać swoje role – mamy agentów od produktu, marketingu, a nawet operacji, którzy współpracują na specjalnych kanałach.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla menedżerów i specjalistów e-commerce

Rozmowa z Danielem Kierdalem uwidacznia, jak bardzo przyspieszyły cykle tworzenia technologii internetowych. To, co kiedyś planowano w wieloletnich projektach wodospadowych (waterfall), dzisiaj weryfikuje się w szybkich, zwinnych iteracjach. Szczególnie wyraźnie widać to na styku e-commerce i logistyki, gdzie doskonały marketing często trafiał w barierę niewydolnych, przestarzałych systemów magazynowych, obniżając szansę na opłacalność biznesu i budowę bazy lojalnych klientów.

Dzisiejszy rozwój technologii oparty o sztuczną inteligencję i tanie metody wytwarzania oprogramowania niesie jednak nowe zagrożenia. W obliczu masowego przypływu innowacji i „vibekodowania”, kluczową kompetencją organizacji staje się asertywność oraz zarządzanie twardymi danymi. Implementacja nowych funkcji bez kontroli architektury prowadzi do długu technologicznego, niszcząc elastyczność systemu na lata.

Rozwiązaniem tych problemów są wyspecjalizowani asystenci cyfrowi i agenci AI. Dzięki analizie nieustrukturyzowanych informacji od klientów oraz łączeniu ich z danymi o zachowaniach użytkowników w produkcie, menedżerowie mogą podejmować decyzje w oparciu o konkrety. Rozmowa dobitnie pokazuje, że oswajanie nowinek technologicznych, przy zachowaniu zdroworozsądkowego filtra analitycznego, stanowi obecnie jedyną drogę do osiągnięcia stabilnej przewagi konkurencyjnej na rynku.

The post Jak wdrażać technologię w e-commerce – Daniel Kierdal – Date with Data Talks first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Rola architekta rozwiązań reklamowych w Google

Dlaczego fundamenty danych są kluczowe dla algorytmów

Wyzwania technologiczne i prawne przy bidowaniu do wartości

Data Governance i utrzymanie jakości danych

Przyszłość analityki w erze sztucznej inteligencji

Rola architekta rozwiązań reklamowych w Google

Współpraca z największymi reklamodawcami i wyzwania technologiczne

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 Karolina Wrzask. Cześć Karolina.

Karolina Wrzask: Cześć, dziękuję za zaproszenie.

Mariusz Michalczuk: Bardzo miło, że dołączyłaś. Chciałbym zacząć od tego, żebyś opowiedziała o swojej pracy. Pracujesz jako Advertising Solution Architect Google, bardzo skomplikowana nazwa. Powiedz mi, czym się zajmujesz, jakie problemy mają klienci, którzy do ciebie się zgłaszają i z jakimi firmami pracujesz.

Karolina Wrzask: Zgadza się, jestem architektem rozwiązań reklamowych. Gdybym miała przetłumaczyć na język polski to stanowisko, to jestem po prostu technicznym konsultantem, czyli zajmuję się doradztwem w zakresie wdrożeń narzędzi Google, ponieważ reprezentuję tego dostawcę. Pracuję z klientami w obszarze wdrożenia tych narzędzi, integracji, pozyskiwania danych i aktywacji danych. Tak najprościej bym to ujęła.

Mariusz Michalczuk: Czyli wszystko, co trzeba zrobić najpierw, żeby z tych danych korzystać. Z jakimi wyzwaniami zgłaszają się klienci? Robisz to z ramienia Google, do którego przychodzą pewnie największe firmy. Ciekawe, z jakimi wyzwaniami takie organizacje przychodzą.

Karolina Wrzask: Zacznę od kontekstu. Pracuję obecnie z największymi reklamodawcami w obszarze środkowo-wschodniej Europy, co sprawia, że moja perspektywa może być trochę wypaczona dużymi firmami i dużymi zespołami. Na szczęście współpracujemy też z firmami, które bardzo dynamicznie rosną, szybko pojawiają się na horyzoncie dużych reklamodawców, ale są jeszcze młodzi, dynamiczni i nieobciążeni historią, tym długiem technologicznym.

Mariusz Michalczuk: I pewnie przez to też bardziej zwinni, jak startupy.

Karolina Wrzask: Tak. Tam czasami są luki fundamentalne, które na szczęście daje się szybko zasypać. Pracuję z dużymi reklamodawcami, ale często to my wychodzimy z inicjatywą do nich. Środowisko techniczne i narzędzia zmieniają się bardzo szybko. Sam Google dostarcza coraz to nowe rozwiązania i musimy przyspieszyć adopcję, żeby umożliwić reklamodawcom pełne korzystanie z tych funkcjonalności.

Dlaczego fundamenty danych są kluczowe dla algorytmów

Adopcja nowych rozwiązań a jakość danych

Mariusz Michalczuk: Po to, żeby wydatki reklamowe były bardziej efektywne i docierały szybciej do właściwych użytkowników.

Karolina Wrzask: Podam Ci przykład adopcji kampanii typu Demand Gen. To obszar, którym się nie zajmuję, więc błagam, nie pytaj mnie o więcej, ale wiem, że żeby nasz zespół mógł skutecznie pracować z reklamodawcą, musimy z nim odrobić pracę w zakresie Data Strength, czyli fundamentów tagowania i integracji danych.

Mariusz Michalczuk: Żeby algorytmy mogły działać, trzeba zapewnić dobre dane. Jakiego rodzaju to są algorytmy i co dzięki nim się dzieje, żeby trafić do odpowiednich użytkowników?

Karolina Wrzask: Zdecydowanie. Dane, na których opiera się Demand Gen, to te fundamentalne: poprawna konwersja, jej atrybucja do źródła kampanii, ale też dane użytkowników. Mamy dane, które zaobserwujesz bezpośrednio – kliknięcie w reklamę, wejście na stronę, konwersja. Są takie konwersje czy zdarzenia, których nie możemy bezpośrednio połączyć z interakcją użytkownika z reklamą. Tam wchodzą rozwiązania łączące te interakcje na podstawie danych, które dostarcza użytkownik, jak adres e-mail czy numer telefonu.

Mamy też dane modelowane, gdzie nie mamy identyfikatora, ale posiadamy informacje o zdarzeniu oraz szereg metadanych zebranych tagami. Pozwalają one odtworzyć i zaraportować wizyty oraz konwersje użytkowników najbardziej trafnie, jak to możliwe na podstawie dostępnych sygnałów.

Wyzwania technologiczne i prawne przy bidowaniu do wartości

Bariery w przekazywaniu danych o marży i zyskach

Mariusz Michalczuk: W pracy z klientami często przekazujemy dane nie tylko z frontendu. To rzeczy bardziej wewnątrzfirmowe, np. marże na produktach. Rozumiem, że w waszym zakresie jest wsparcie tego, żeby wnieść kampanię na wyższy poziom, by bidować na podstawie wartości biznesowej.

Karolina Wrzask: Zastanawiam się, ile żargonu używać, muszę znaleźć złoty środek.

Mariusz Michalczuk: Trudno go znaleźć.

Karolina Wrzask: Niektórych rzeczy nie da się uniknąć. Jeśli mówimy o bidowaniu do wartości biznesowej, to dotknąłeś tematu, w którym adopcja mocno przyspieszyła. Rozmawialiśmy o bidowaniu do wartości lata temu, ale dopiero teraz to wszystko zaczyna się dziać. Zastanawiałam się nad tym i to efekt wielu czynników. Po pierwsze, pojawiło się dużo nowych formatów reklamowych wykorzystujących algorytmy bardziej niż precyzyjne ustawienia specjalistów. Już nie celujemy w konkretne słowo kluczowe, tylko w zestawy słów, intencje użytkownika i wartości biznesowe.

Reklamodawcy byli wcześniej sceptyczni, ufali swoim zdolnościom manualnym. Wraz z formatami pojawiły się jednak nowe sposoby ich walidacji: eksperymenty, testy inkrementalności, które udowodniły wartość kampanii i oszczędność pracy. Klienci zaczęli migrować i poświęcać uwagę fundamentom. Przez lata edukowaliśmy rynek, że jakość danych jest kluczowa. Teraz widzimy, że reklamodawcy to adoptują.

Mariusz Michalczuk: Rynek musi do wszystkiego dorosnąć, ale zmieniają się też okoliczności.

Karolina Wrzask: W zeszłym roku, pomijając wymogi zarządzania ciasteczkami, pojawił się Digital Market Act, który wpłynął na to, jak zbieramy i przetwarzamy dane. Popchnęło to falę wdrożeń Consent Mode. Świadomość klientów się zwiększa. Skoro mamy część ruchu, którego nie widzimy, musimy zasypać tę dziurę sygnałami do modelowania. Zwiększa się akceptacja na wykorzystanie danych modelowanych, co rodzi otwartość na tagowanie serwerowe. Chcemy lepszych danych biznesowych o marży czy wartości klienta, ale nikt nie chce ich udostępniać w samej przeglądarce.

\

Mariusz Michalczuk: Mamy wyzwanie w przekazywaniu danych o kosztach i marży, bo lepiej bidować na zysk niż na przychód. U Was jest trochę łatwiej, bo przychodzicie jako Google i rozmawiacie z właścicielami biznesowymi. Często mamy problem, żeby te dane uzyskać od controllingu. Jak to robicie?

Karolina Wrzask: To zależy. Branża e-commerce zaczęła bidować do wartości transakcji lata temu. Tam jest wysoki próg wejścia do wartości biznesowej, np. marży. Inne branże, np. finansowa czy tradingowa, czasem nie chcą ujawniać informacji lub przekazywać ich platformom partnerskim. Rozmowy bywają trudne. Wynika to z pozyskania danych – musimy ustalić technicznie, gdzie informacje są dostępne i czy są w czasie rzeczywistym. Druga bariera to dział prawny. Dyskusje potrafią trwać latami, żeby uzyskać zgodę na przetwarzanie.

Mariusz Michalczuk: Mieliśmy klientów, u których takie dyskusje trwały dosłownie cztery lata. Wrócili po tym czasie.

Karolina Wrzask: My jesteśmy aktywni i konsekwentni. Naciskamy na produkty, takie jak Enhanced Conversions, które bezpośrednio wpływają na wolumen konwersji. Mamy narzędzia zachęcające do testów i odpowiednie struktury, by rozmawiać na szczeblu C-level. Jeśli dotrzesz do odpowiednich stakeholderów, temat daje się rozwikłać. Zespół prawny musi zrozumieć mechanizmy, dlatego pomagają nam nasze zespoły prawne i handlowe zaopatrzone w odpowiednią dokumentację.

Mariusz Michalczuk: Wspomniałaś, że przekazywanie danych przez serwer musi dziać się w czasie rzeczywistym. Są branże, jak RTV, gdzie trudno policzyć ostateczną marżę natychmiast ze względu na zachęty od producentów. Są mechanizmy, by po czasie doładować tę wartość biznesową reklamy?

Karolina Wrzask: Przekażę bardzo ważną rzecz. Jeśli chcemy wysyłać dane do platformy reklamowej przez kontener serwerowy (sGTM), to powinno się to dziać w czasie rzeczywistym. Mamy tag w przeglądarce, trafia do serwera i tam dane uzupełniamy, zaciągając je z bazy (np. Firestore) lub z modelu. Klienci czasem błędnie używali Measurement Protocol do zasilania tagów z przeglądarki. Nie jest to oficjalnie wspierane, utrudnia debugowanie i psuje modelowanie.

Data Governance i utrzymanie jakości danych

Od zbierania wszystkiego do świadomego zarządzania informacją

Mariusz Michalczuk: Cokolwiek robimy z wewnętrznymi danymi, zapominamy o Measurement Protocol?

Karolina Wrzask: Trzeba zdawać sobie sprawę, że Measurement Protocol to narzędzie do wysyłania offline’owych zdarzeń do serwera Analyticsa. Nie służy do odpalania tagów przeznaczonych dla frontendu. Jego konstrukcja jest zbyt uboga. Mamy teraz narzędzie w otwartej becie, czyli Conversions with Multiple Data Sources. To hybryda dla Google Ads. Możesz mierzyć konwersję z przeglądarki, a po czasie uzupełnić i zaktualizować jej wartość z danych offline.

Mariusz Michalczuk: Takie uczenie ze wzmocnieniem?

Karolina Wrzask: Tak. Możesz dosłać też dodatkowe dane użytkowników. Architektura stała się złożona. Klienci przychodzą, bo potrzebują wsparcia w nawigowaniu po nowych betach i modyfikacji starych setupów. To jest właśnie moja rola.

Mariusz Michalczuk: Ty jesteś mentorem z ramienia Google, ale ciekawi mnie, kto jest po drugiej stronie u dużego klienta. Kto steruje przepływem pracy i operacjami technologicznymi? Opiekun martechu?

Karolina Wrzask: Zwykle jest. To zależy od wieku i dojrzałości organizacji. Reprezentując dostawcę rozwiązań reklamowych, współpracuję najczęściej z zespołami performance’owymi. Dawniej analityka operowała głównie w obrębie Google Analytics. Teraz z jednej strony architektura pozwala na zaawansowane modelowanie, co odejmuje pracę manualną, a z drugiej drzewo decyzyjne i integracje rozrosły się niesamowicie.

Mariusz Michalczuk: Wymusza to współpracę między działami: performance, IT, produkt.

Karolina Wrzask: Dokładnie. Zespoły performance włączają IT i działy analityczne (inżynieria danych). Wyłaniają wspólną delegację, która współpracuje ze mną w celu prawidłowego zasilenia platformy.

Mariusz Michalczuk: Performance bardzo zbliżył się do technologii.

Karolina Wrzask: Niesamowicie. Specjaliści performance zajmują się dziś tagowaniem, serwerami, Google Tag Gateway i integracją z IT. Kiedyś musieliśmy marketerów błagać o inwestycję w dane, a teraz sami inicjują te procesy wewnątrz organizacji. Narzędzia wręcz wymagają poprawnych danych wejściowych, aby skutecznie działać.

Mariusz Michalczuk: Mam refleksję, że analityka internetowa – to małe zbieranie danych – została zauważona przez „wielką analitykę” firmową (CRM, BI). Zrozumiano, że są to wzajemnie uzupełniające się ekosystemy, dające przewagę algorytmom sztucznej inteligencji, do których wszyscy mamy taki sam dostęp.

Karolina Wrzask: Zgadzam się. Rzeczy, o których latami mówiliśmy na konferencjach i ewangelizowaliśmy rynek, dzieją się właśnie dzisiaj.

Mariusz Michalczuk: Jak to wygląda w regionie CEE pod względem dojrzałości technologicznej? Mamy się w Polsce czego wstydzić w porównaniu do innych rynków?

Karolina Wrzask: Absolutnie nie. Mamy wspaniałych specjalistów wyznaczających standardy. Dojrzałość zależy od branży. Świetnie radzi sobie branża tradingowa, bo dane to ich podstawowy biznes. E-commerce z kolei szybko zaadoptował podstawowe rozwiązania lata temu, ale potem wpadł w stagnację skupiając się na raportowaniu. Inne branże nadrobiły braki, a teraz e-commerce musi zrobić kolejny przeskok technologiczny, by odzyskać przewagę konkurencyjną. Zatrudniają ekspertów i testują nowe rozwiązania, chociaż często hamuje ich bezwładność organizacyjna.

Mariusz Michalczuk: Słyszałem stwierdzenie, że e-commerce to dziś biznes bardziej technologiczny niż handlowy.

Karolina Wrzask: Chciałabym to tak widzieć, ale chyba jeszcze nie do końca. Moje obserwacje dotyczą konkretnego obszaru. Widzę jednak ogromny rozwój chociażby środowisk cloudowych wśród tych firm, więc zdecydowanie jest w tym stwierdzeniu sporo prawdy.

Mariusz Michalczuk: Chciałbym dopytać o jakość. Tych danych zbieramy mnóstwo, trzeba je jakoś utrzymać. Gdzie w tym wszystkim jest Data Governance?

Karolina Wrzask: Ciepło mi się na serduszku zrobiło, jak to powiedziałeś. W tym roku będę zawodowo pełnoletnia i pierwszy raz w ciągu ostatniego półrocza klienci dwukrotnie poprosili mnie o konsultację z zakresu Data Governance w marketingu. Zawsze o tym marzyliśmy jako analitycy. Miałam przypadek klienta, który miał w Analyticsie mnóstwo danych produkujących chaos. Nikt z tego nie korzystał. Zaangażowaliśmy liderów, IT, marketing i analityków. Proces trwał tygodniami, przygotowałam im odpowiednią dokumentację utrzymania jakości. Zaczynamy patrzeć na to odpowiedzialnie.

Mariusz Michalczuk: Marketerzy często mają podejście „zbierajmy wszystko, co się da”. Znalazłem twoją prezentację z Super Weeka z hasłem „We don’t need all your data”. Jak to obecnie wygląda w praktyce?

Karolina Wrzask: Teraz ciężko byłoby mi to obronić, bo przecież prosimy o zaszyfrowane dane użytkowników czy dane sesyjne do modelowania. Z jednej strony są uwarunkowania prawne – musimy wiedzieć, po co zbieramy konkretną daną, na co mamy zgodę. Z drugiej strony, posiadanie ogromnych baz w BigQuery kosztuje, chociaż tabele z GA4 można odpowiednio spłaszczać, by zoptymalizować procesy i ograniczyć rachunki. Kluczem jest wyznaczenie właściciela danych w organizacji (Data Ownera). To on decyduje, jakie dane są potrzebne, na jak długo i jak nimi zarządzać.

Mariusz Michalczuk: Słyszałem, że w jednej z firm zatrudniono Data Stewarda.

Karolina Wrzask: Data Steward to standardowa rola we frameworku Data Governance. Jeśli firma ma osobę decyzyjną odpowiedzialną za te zasoby, to już jest połowa sukcesu.

Przyszłość analityki w erze sztucznej inteligencji

Jak AI zmieni pracę analityków i marketerów

Mariusz Michalczuk: Na koniec muszę zapytać o sztuczną inteligencję. Z mojej perspektywy AI w 95% zastąpi człowieka w samej analizie, jeśli dane będą dobrze przygotowane. Natomiast dużo trudniej będzie zastąpić kogoś w samym procesie zbierania, wdrażania i rozmów w organizacji o potrzebach biznesowych. Czy ta myśl idzie w złym kierunku? Jak to widzicie w Google?

Karolina Wrzask: Wykorzystanie AI dynamicznie rośnie. Doszłam do wniosku, że jeśli za dwa lata moja obecna rola techniczna będzie nadal potrzebna w tym samym kształcie, to coś poszło nie tak. Ja wkraczam na wczesnym etapie adopcji rozwiązań (np. przy Google Tag Gateway), gdzie boty często halucynują lub mieszają pojęcia techniczne, i trzeba rozwikłać wątpliwości klienta. Tam, gdzie na razie nie ma wystarczającej dokumentacji, pomoc ekspercka zostaje. Jeśli technologia jest dojrzała, nie ma sensu tego robić manualnie.

Mariusz Michalczuk: Wiedza jest już dostępna, a asystenci AI skutecznie ją przekazują.

Karolina Wrzask: Tak. Korzystam z agentów z dostępem do wewnętrznej dokumentacji, co przyspiesza moją pracę niesamowicie. Narzędzia są wdrażane kilkoma kliknięciami z poziomu interfejsu. Automaty zrobią wiele rzeczy szybciej. Jednak wiedza domenowa wciąż będzie krytyczna – trzeba umieć napisać dobry prompt, sprawdzić odpowiedź i połączyć kropki. AI nas nie zastąpi, ale zmieni specyfikę naszej pracy. Pamiętajmy, że kiedyś praca juniorska polegała na przepisywaniu dokumentów na maszynie, dziś ta sama zasada dotyczy ręcznego wpisywania słów kluczowych czy wstawiania skryptów.

Mariusz Michalczuk: Nie bójmy się słowa dinozaur.

Karolina Wrzask: Jak zaczynałam, pisałam słowa kluczowe do kampanii ręcznie. Teraz technologia pędzi. Skłoniło mnie to do zajęcia się obszarem Data Governance. Jeśli boty skonfigurują kampanie i tagi, człowiek przyda się tam, gdzie potrzeba komunikacji z innymi ludźmi, budowania zaufania, rozwiązywania relacji i strategicznego myślenia. Będziesz potrzebował dziesięciu agentów AI, ale nadal potrzebujesz jednego człowieka, który ma nad tym pieczę.

Mariusz Michalczuk: Co byś poradziła osobom pracującym w digital marketingu i analityce, aby rozwijały swoje kompetencje?

Karolina Wrzask: Umiejętności miękkie są świetne, ale by zbudować relację i autorytet, musisz mieć kompetencje techniczne. Rozumienie technologii, inżynierii danych, funkcjonowania algorytmów na poziomie matematycznym jest bazą do wyciągania wniosków i kwestionowania wyników. Ważna jest też ostrożność względem informacji. Kiedyś dostałam z czata piękną instrukcję konfiguracji z polem, które nie istnieje w platformie reklamowej. Zostaje z nami ciekawość oraz umiejętność łączenia kropek.

Mariusz Michalczuk: To czyni ten świat bardzo interesującym.

Karolina Wrzask: Bardzo. Mówiło się, że wynalazki AGD dadzą ludziom więcej czasu na odpoczynek. Wyszło tak, że pierzemy częściej, pracujemy tyle samo, a nadwyżki inwestujemy w wychowanie, rozwój i powiększanie zamożności. Tak samo będzie ze sztuczną inteligencją. Zaoszczędzimy czas na klikaniu, a wymyślimy nowe wartościowe usługi i poszerzymy nasze pole manewru.

Mariusz Michalczuk: Cenna myśl na sam koniec. Życzę nam wszystkim refleksji i krytycznego myślenia. Dzięki wielkie, Karolina.

Karolina Wrzask: Wzajemnie. Dziękuję bardzo za rozmowę.

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla analityków i marketerów

Rozmowa z Karoliną Wrzask uświadamia, w jakim tempie rozwija się technologiczne zaplecze nowoczesnego marketingu cyfrowego. Klienci, nawet najwięksi, mierzą się dziś z implementacją rozwiązań bazujących na zaawansowanym modelowaniu, do czego niezbędne są perfekcyjnie skonstruowane fundamenty. Dbanie o właściwą jakość przekazywanych sygnałów oraz atrybucji to obecnie warunek konieczny dla działania nowoczesnych systemów takich jak Google Ads.

Kluczowym wnioskiem jest również obserwowany renesans podejścia do Data Governance. Firmy coraz częściej zdają sobie sprawę, że samo zbieranie każdego możliwego punktu danych generuje chaos informacyjny oraz generuje koszty. Wyznaczenie odpowiedniego Data Ownera (oraz ról wspierających takich jak Data Steward) staje się naturalnym krokiem w procesie panowania nad danymi i wykorzystywania ich w sposób zgodny z prawem oraz oczekiwaniami biznesowymi.

Zwieńczeniem dyskusji było spojrzenie w przyszłość ukształtowaną przez sztuczną inteligencję. Wbrew pesymistycznym prognozom, automatyzacja takich procesów jak tagowanie czy wprowadzanie kampanii nie eliminuje potrzeby posiadania specjalistów. Odciąża ona jednak analityków z powtarzalnych zadań operacyjnych, wymagając w zamian mocnych umiejętności krytycznego myślenia, głębokiej weryfikacji otrzymywanych sugestii systemowych oraz wiedzy umożliwiającej budowanie przewag konkurencyjnych na znacznie wyższym szczeblu decyzyjnym.

The post Perfromance marketing nie może istnieć bez technologii – Karolina Wrzask – Date with Data Talks first appeared on Conversion.

Branża: Odzież sportowa
Klient: 4F (OTCF S.A)
Strona: www.4f.com.pl

Punkt wyjścia

4F to marka odzieży sportowej należąca do OTCF, działająca na wielu rynkach i rozwijająca sprzedaż online. Wraz z rozwojem sklepu internetowego pojawiła się potrzeba systematycznej optymalizacji konwersji oraz szybkiego testowania zmian wpływających na wyniki biznesowe.

Problemem okazały się ograniczone zasoby deweloperskie oraz duża liczba równoległych projektów, które utrudniały sprawne wdrażanie i testowanie nowych rozwiązań. W efekcie wiele pomysłów na rozwój sklepu nie mogło być realizowanych w oczekiwanym tempie.

Wyzwania

Najważniejsze wyzwania obejmowały:

• ograniczone możliwości szybkiego wdrażania zmian ze względu na obciążenie zespołu IT,
• brak możliwości sprawnego testowania hipotez optymalizacyjnych,
• konieczność poprawy współczynnika konwersji bez zwiększania budżetów marketingowych,
• potrzeba wsparcia eksperckiego w zakresie optymalizacji UX i decyzji zakupowych,
• konieczność działania w środowisku dużej organizacji, gdzie procesy są bardziej złożone.

Dodatkowym wyzwaniem było znalezienie obszaru o największym potencjale wzrostu – wbrew typowym przypadkom nie była to ścieżka zakupowa, lecz karta produktu.

Nasze podejście

Współpracę oparto na procesie, który umożliwia szybkie testowanie i wdrażanie zmian bez angażowania IT.

Każdy sprint optymalizacyjny obejmował:

• analizy ilościowe i jakościowe,
• przygotowanie rekomendacji i hipotez,
• projektowanie makiet i grafik,
• kodowanie zmian,
• testy A/B,
• analizę wyników.

Cały proces zamykał się w cyklu około 5 tygodni.

Wszystko zaczyna się od danych

Pierwszym etapem były analizy ilościowe i jakościowe, które pozwoliły zrozumieć zachowania użytkowników oraz zidentyfikować kluczowe problemy w procesie zakupowym. Wbrew typowym scenariuszom okazało się, że użytkownicy dobrze radzą sobie na etapie finalizacji zamówienia.

Problem pojawiał się wcześniej, zbyt mały odsetek użytkowników dodawał produkty do koszyka, co wskazywało na potencjał optymalizacji na poziomie karty produktu.

Hipotezy i testy

Na podstawie analiz przygotowano zestaw hipotez, które zostały przetestowane w ramach pierwszego sprintu.

Hipoteza główna

Zwiększenie przejrzystości karty produktu miało zwiększyć liczbę użytkowników przechodzących do koszyka. W wersji wyjściowej kluczowe informacje (cena, wybór rozmiaru, CTA) były rozproszone i trudne do przetworzenia. W wersji testowej zostały one uporządkowane i wizualnie wyróżnione, co poprawiło czytelność strony.

Hipotezy poboczne

Aby lepiej zrozumieć wpływ poszczególnych elementów, przygotowano również zestaw hipotez szczegółowych:

• Opinie o produkcie – sprawdzono, czy ich obecność i umiejscowienie wpływa na decyzje zakupowe użytkowników,
• Komunikacja promocji – testowano, czy pokazanie procentowej obniżki ceny zwiększy konwersję,
• Informacje o dostępności i dostawie – analizowano wpływ dodatkowych komunikatów (np. infoboksy, dostawa do sklepu),
• Elementy informacyjne na karcie produktu – weryfikowano, czy uproszczenie widoku (np. usunięcie zbędnych informacji) poprawi przejrzystość i konwersję.

Zmiany były wdrażane w różnych wariantach i testowane w ramach eksperymentów A/B, co pozwoliło precyzyjnie ocenić wpływ każdego elementu na zachowanie użytkowników.

Dzięki wykorzystaniu technologii Swiftswap cały proces kodowania trwał zaledwie kilka dni i nie wymagał angażowania zespołu IT po stronie klienta.

Efekty

Wdrożone działania przyniosły wymierne rezultaty:

• 8% wzrost współczynnika konwersji w jednym sprincie,
• skrócenie czasu wdrożeń do około 5 tygodni (od analizy do wyników),
• brak konieczności angażowania zespołu IT po stronie klienta,
• możliwość szybkiego testowania i iteracji kolejnych hipotez.

Dodatkowo uzyskano wiedzę na temat wpływu poszczególnych elementów UX na decyzje użytkowników – część hipotez została odrzucona, co pozwoliło uniknąć błędnych wdrożeń w przyszłości.

Podsumowanie

Case study 4F pokazuje, że optymalizacja konwersji w dużych organizacjach nie musi być blokowana przez ograniczenia IT. Dzięki pracy na danych, szybkim sprintom i odpowiedniej technologii możliwe jest systematyczne zwiększanie konwersji oraz przychodów bez zwiększania budżetów marketingowych.

The post 4F – 8% wzrost współczynnika konwersji w 5 tygodni first appeared on Conversion.

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

Punkt wyjścia

W dojrzałym marketingu dane nie mogą być „w przybliżeniu poprawne”. Muszą być wystarczająco precyzyjne, by dało się na nich oprzeć decyzje dotyczące budżetu, efektywności kanałów i wzrostu.

Właśnie z takim wyzwaniem zmierzył się upacjenta.pl – dynamicznie rozwijający się serwis z obszaru medycznego i e-commerce, działający w środowisku, w którym kluczowe znaczenie mają zarówno jakość pomiaru, jak i kontrola nad prywatnością danych.

Dotychczasowy model śledzenia opierał się na klasycznym podejściu client-side. W praktyce oznaczało to rosnącą podatność na blokowanie przez przeglądarki, adblocki i mechanizmy ochrony prywatności.

Efekt był prosty: część danych nie docierała do narzędzi analitycznych, a część traciła swoją wartość przez błędy atrybucji i niespójność sesji.

Dlatego celem projektu nie było wyłącznie wdrożenie nowej technologii, ale przede wszystkim przywrócenie wiarygodności danych i zbudowanie pomiaru gotowego na współczesne realia digitalu.

Wyzwania

Przed wdrożeniem zidentyfikowaliśmy kilka problemów, które bezpośrednio wpływały na jakość analityki i skuteczność działań marketingowych.

Znacząca część zdarzeń była blokowana po stronie przeglądarki, co ograniczało widoczność konwersji w GA4. Jednocześnie aż 22% sesji trafiało do kategorii (not set), co istotnie utrudniało ocenę, które kanały marketingowe realnie generują wartość.

Dodatkowym problemem było zrywanie sesji i zaburzone łączenie ścieżek użytkownika – m.in. na styku zgód CMP, architektury SPA oraz działania zewnętrznych narzędzi. W efekcie raportowanie nie zawsze odzwierciedlało rzeczywiste zachowanie użytkowników.

W środowisku medycznym równie ważny był aspekt compliance. Klient potrzebował większej kontroli nad tym, jakie dane opuszczają jego ekosystem i w jakiej formie trafiają do zewnętrznych platform.

Nasze podejście

Zaprojektowaliśmy i wdrożyliśmy architekturę server-side Google Tag Manager, która przejęła kluczowe elementy pomiaru, atrybucji i kontroli danych.

Zakres prac objął:

• migrację tagów Google Ads do kontenera serwerowego,
• uruchomienie modelu hybrydowego dla Meta i TikToka: pixel + Conversion API z pełną deduplikacją zdarzeń,
• przygotowanie infrastruktury pod przyszłą optymalizację kampanii w oparciu o marżę, a nie wyłącznie przychód.

To podejście pozwoliło nie tylko uszczelnić pomiar, ale też zbudować architekturę, która daje klientowi większą niezależność od ograniczeń przeglądarek i platform.

Projekt był realizowany w elastycznym modelu współpracy, dopasowanym do organizacji i potrzeb klienta. Część działań była realizowana po naszej stronie, a część po stronie upacjenta.pl.

To pokazuje, że potrafimy prowadzić wdrożenia zarówno kompleksowo, jak i w modelu partnerskim, ściśle współpracując z zespołem klienta.

Efekty

Analiza danych z okresu testowego pokazała wyraźną poprawę jakości pomiaru i atrybucji.

Odzyskane transakcje

W modelu server-side raportowanie transakcji było wyższe o od 1% do 14% dziennie względem wcześniejszego modelu client-side.

Naprawiona atrybucja

Udział ruchu Google / organic wzrósł z 46% do 61%, co pokazało, że wcześniejszy model nie odzwierciedlał w pełni rzeczywistego źródła wizyt.

Stabilniejsze sesje

Liczba raportowanych sesji spadła o 2–4%, co było pozytywnym sygnałem – oznaczało lepsze łączenie hitów w ramach jednej wizyty i eliminację sztucznych resetów sesji.

Czystszy model pomiarowy

Odsetek sesji bez zdarzenia session_start spadł do 0,2–0,5%, co potwierdziło poprawę w obszarze session stitching i spójności danych.

Co ten projekt zmienił biznesowo?

Największą wartością tego wdrożenia nie była sama zmiana technologii. Kluczowe było to, że upacjenta.pl odzyskało większą kontrolę, większą precyzję i większe zaufanie do danych.

Dzięki temu:

• raportowanie sprzedaży lepiej odzwierciedla rzeczywistość,
• atrybucja daje solidniejszą podstawę do decyzji mediowych,
• systemy reklamowe mogą uczyć się na pełniejszych danych konwersyjnych,
• klient ma większą kontrolę nad prywatnością i zakresem przekazywanych informacji,
• architektura analityczna jest gotowa na dalszy rozwój.

W praktyce oznacza to nie tylko lepszy pomiar „tu i teraz”, ale również gotowość do bardziej zaawansowanych scenariuszy optymalizacji i aktywacji danych.

Fundament pod kolejne etapy rozwoju

Wdrożenie server-side GTM stworzyło bazę pod dalsze inicjatywy z obszaru data-driven growth.

Ta architektura otwiera drogę do:

• optymalizacji kampanii w oparciu o marżę,
• personalizacji doświadczenia użytkownika w czasie rzeczywistym,
• budowy modeli predykcyjnych, takich jak pLTV.

To właśnie dlatego patrzymy na server-side tracking nie jak na pojedyncze wdrożenie techniczne, ale jak na element infrastruktury wzrostu.

Podsumowanie

Ten projekt pokazał, że problemy z jakością danych bardzo często nie wynikają z braku ruchu czy słabszych kampanii, ale z ograniczeń samego modelu pomiarowego.

W przypadku upacjenta.pl przejście na server-side GTM pozwoliło odzyskać część utraconych danych sprzedażowych, uporządkować atrybucję i zbudować znacznie bardziej odporną architekturę analityczną.

Bo kiedy dane stają się dokładniejsze, marketing może działać pewniej. A kiedy pomiar zaczyna nadążać za biznesem, łatwiej skalować to, co naprawdę działa.

The post uPacjenta.pl – Jak uPacjenta.pl odzyskało utracone dane sprzedażowe dzięki Server-side GTM? first appeared on Conversion.

Wprowadzenie do DataOps
Praca na surowych danych a czas i koszty analizy
Złożoność danych online i etapy ich przetwarzania
Model danych jako sprawdzone rozwiązanie
Podsumowanie

Wprowadzenie do DataOps

W tym wpisie opisuję, jak działa DataOps w praktyce. Przedstawiam różnice pomiędzy analizami opartymi na danych przygotowanych według zasad DataOps i sprawdzonych pod względem jakości, a analizami wykonywanymi na surowych danych pobieranych bezpośrednio z narzędzi analitycznych. W artykule zostaną omówione kluczowe aspekty złożoności danych online, które są dostępne w codziennej pracy analityków. Przedstawione zostaną różnice między pracą na danych surowych a przetworzonych, na przykładzie naszego modelu danych. Zostanie również pokazane, do czego może prowadzić bagatelizowanie problemu nieustrukturyzowanych danych.

Praca na surowych danych a czas i koszty analizy

Wyobraźmy sobie sytuację, w której analityk otrzymuje proste z pozoru zadanie: ile ruchu pochodziło w marcu z poszczególnych źródeł? Jeśli korzysta z hurtowni danych, takiej jak Google BigQuery, musi sięgnąć do ogromnych, nieprzetworzonych zbiorów. Praca na takich danych, bez wcześniejszego uporządkowania i przetworzenia, może wymagać nawet 179 linii kodu, aby uzyskać odpowiedź na tak podstawowe pytanie.

Złożoność danych online sprawia, że brak odpowiedniej ich struktury i przetwarzania nie tylko utrudnia codzienną pracę, ale także prowadzi do błędów i nieefektywności. Bagatelizowanie tego problemu może przekładać się na czasochłonne analizy oraz opóźnienia w podejmowaniu decyzji biznesowych.

Odpowiednie zarządzanie danymi, ich ustrukturyzowanie i przetwarzanie są kluczowe, aby sprawnie odpowiadać na pytania biznesowe i efektywnie wykorzystywać potencjał dostępnych narzędzi analitycznych. Poniżej przykład typowego zapytania, które pozwala odpowiedzieć na konkretne pytanie analityczne. Składa się ono ze 179 linii kodu. Wynik działania tego zapytania pojawia się po jego uruchomieniu.

Takie zapytanie można jednak przetworzyć w znacznie prostszy sposób, wykorzystując wcześniej przeprocesowane dane. Wystarczy wtedy dwanaście lub dziewięć linii kodu. Po odtworzeniu tego procesu widać, że odpowiedź pojawia się znacznie szybciej. Dodatkowo, liczba przetwarzanych danych jest dużo niższa: dwadzieścia megabajtów zamiast sześciu gigabajtów w pierwszym przypadku. Oprócz szybkości działania, przetwarzana jest znacznie mniejsza ilość danych, co wpływa na koszt analizy. Wyniki pozostają takie same, jednak czas ich uzyskania jest znacznie dłuższy. Zapytanie zostało wcześniej przygotowane, jednak w praktyce za każdym razem konieczne będzie jego wykonanie. Kluczowym problemem nie są kompetencje analityka ani to, czy potrafi napisać 179 linii kodu. Główne wyzwania to czas potrzebny na przygotowanie zapytania SQL, ryzyko popełnienia błędów oraz koszt analizy w Google BigQuery.

Złożoność danych online i etapy ich przetwarzania

W przypadku analizy danych surowych, szczególnie z GA4 w Google BigQuery, dane są zorganizowane w zagnieżdżonej strukturze JSON. Po otwarciu konkretnej tabeli w BigQuery okazuje się, że pojedynczy wiersz, oznaczony np. ID eventu, zawiera kilkanaście lub kilkadziesiąt zagnieżdżonych wartości, które za każdym razem wymagają rozpakowania. Warto zwrócić uwagę, jak złożona jest analiza takich danych online. W pierwszych 179 linijkach kodu SQL uwzględnionych jest co najmniej sześć czynników, które należy wziąć pod uwagę, analizując surowy eksport danych z GA4 do Google BigQuery. Pierwszym krokiem jest zbudowanie sesji na podstawie eventów. W pliku zagnieżdżonym widoczny jest pojedynczy event, jednak aby przedstawić ruch, konieczne jest odtworzenie sesji z tych eventów. Przykładowe zapytanie pokazuje, ile eventów składa się na jedną sesję – na przykład dla jednego Session ID może być to nawet 1643 eventy. Taki zbiór danych trzeba odpowiednio przetworzyć, rozpakowując informacje na potrzeby dalszej analizy. Przed przygotowaniem podziału źródeł ruchu na poszczególne kanały, należy przekształcić tabelę z eventowej na sesyjną. Dane z miesiąca w Google BigQuery przetwarzamy na podstawie kilku milionów rekordów. Analiza obejmująca cały rok, w zależności od sezonowości, zwykle oznacza proporcjonalnie większą liczbę danych. To kolejny powód, by korzystać z wstępnie przetworzonych danych, które pozwalają znacząco obniżyć koszty pracy z Google BigQuery. Szczegółowo opisałem ten temat w osobnym wpisie, do którego link znajduje się w opisie.

Pierwszym krokiem jest więc wypłaszczenie danych. Kolejnym elementem jest naprawa ruchu direct. GA4 często klasyfikuje sesje jako direct, nawet jeśli w linku występują inne parametry, takie jak UTM czy GetSleet. Na przygotowanym przykładzie zapytania widać, że w url-u pojawia się „get-lead”, co oznacza ruch z kampanii ads. Jednak po wyciągnięciu source i medium, te pola pozostają puste. Kolejnym krokiem jest naprawa tych danych, które trafiają do systemu. Zarówno interfejs GA4, jak i surowe dane w Google BigQuery, często nie są poprawnie przetworzone.

Trzecim elementem jest wykluczenie bramek płatności. Użytkownik wracający z bramki płatności do serwisu nie powinien mieć tego ruchu przypisanego do bramki płatności. W takiej sytuacji odpowiednia logika powinna pobrać źródło ruchu z poprzedniego eventu, który miał miejsce przed przekierowaniem do zewnętrznej bramki.

Piątym krokiem jest grupowanie kanałów, a ostatnim – prezentacja wyników analizy. W przypadku każdego serwisu mogą pojawić się dodatkowe, specyficzne warunki brzegowe. W tym przykładzie sześć kroków i 179 linii kodu pokazuje, jak złożony potrafi być ten proces. Analizując dane w Google Analytics 4 i BigQuery, należy zwrócić uwagę na warunki brzegowe związane z integracją tych narzędzi. Różnice między danymi w interfejsie GA4 a surowymi danymi w BigQuery często wynikają z błędów w przypisywaniu źródeł ruchu. Przykładem jest nieprawidłowe przepisywanie ruchu z Google do Direct, co prowadzi do zaniżenia metryk, takich jak ROAS z Google Ads.

Błędy w przypisywaniu parametrów i atrybucji

Podobny problem dotyczy nieprawidłowego przypisywania parametrów, na przykład FBC Lead. Jeśli ruch z Facebooka zostanie potraktowany jako Direct, ROAS oraz META-AC również będą zaniżone. Problemy pojawiają się także przy nieprawidłowym tagowaniu kampanii UTM. Brak poprawnego przypisania źródła i medium sprawia, że ruch z danej kampanii nie pojawia się w raportach.

Warto pamiętać o tych aspektach podczas analizy danych, aby uzyskiwać wiarygodne wyniki i lepiej oceniać skuteczność prowadzonych działań marketingowych. Jednym z istotnych elementów jest bramka płatności. Transakcje są często przypisywane do bramek płatności po powrocie użytkownika z zewnętrznej strony płatności. W takim przypadku kampanie marketingowe generujące ten ruch tracą na znaczeniu w raportach. Istnieje wiele podobnych przypadków, jednak to jedne z najczęściej obserwowanych sytuacji.

Model danych jako sprawdzone rozwiązanie

Różnica między analizą surowych danych a korzystaniem z ustalonego modelu danych polega na tym, że nie trzeba każdorazowo pamiętać o wszystkich niestandardowych przypadkach. W naszym modelu danych rozwijamy i aktualizujemy te rozwiązania na bieżąco. Model powstał na bazie półtorarocznych prac i obejmuje około 95% przypadków. Przekłada się to bezpośrednio na analizę – czas odpowiedzi na proste biznesowe pytanie to 179 linii kodu w klasycznym podejściu, podczas gdy przy wykorzystaniu naszego modelu danych wystarczy jedynie 9 linii. Ryzyko popełnienia błędu jest wysokie, gdy za każdym razem kod trzeba pisać od nowa. Przy zastosowaniu modelu danych ryzyko to spada. Logika modelu została wypracowana i przetestowana na około 30 klientach, dzięki czemu jest centralizowana i sprawdzona w praktyce. W danych surowych źródła ruchu wymagają ręcznego poprawiania i uwzględniania różnych edge case’ów. Model danych natomiast narzuca gotowe, skorygowane standardy. Przy samodzielnym grupowaniu ruchu do kanałów konieczne jest tworzenie wielu dodatkowych reguł, na przykład z użyciem instrukcji if then lub case, w zależności od źródła ruchu. Model danych zapewnia jedno źródło prawdy, które można rozszerzać, gdy pojawiają się nowe źródła ruchu.

Atrybucję w danych surowych trzeba konfigurować ręcznie, dostępny jest tam tylko jeden model. W modelu danych dostępne są co najmniej trzy gotowe modele atrybucji, które można od razu wykorzystać lub dostosować do własnych potrzeb.

Identyfikacja użytkownika w danych surowych opiera się głównie na ciasteczkach przeglądarki. Model danych umożliwia unifikację użytkownika pomiędzy różnymi urządzeniami z wykorzystaniem algorytmu Unified ID. Koszt analizy surowych danych, jak w przypadku 6 GB danych miesięcznie, jest bardzo wysoki w porównaniu do minimalnych kosztów analizy 20 MB danych po wstępnym przetworzeniu. Model danych zapewnia efektywność kosztową, co jest kluczowe w podejściu DataOps.

Nasz model danych nie tylko naprawia źródła ruchu i atrybucje, ale także agreguje dane do jednego Single Source of Truth. Optymalizujemy dane pod kątem późniejszego wykorzystania, aby nie przekroczyć budżetu w Google BigQuery. System monitoruje i alarmuje w przypadku nieprawidłowości, co odzwierciedla koncepcję DataOps.

O modelu danych i DataOps można przeczytać więcej w osobnych wpisach na naszym blogu. Wkrótce pojawi się również artykuł poświęcony koncepcji GDock. Punkt szósty to analiza z wykorzystaniem różnych data produktów. Przykładem takiego rozwiązania jest AI Overview, który został omówiony w jednym z wcześniejszych wpisów na blogu. Warto zapoznać się z pełnym opisem modelu danych, gdzie szczegółowo przedstawiono tę koncepcję. Nie trzeba koniecznie korzystać z naszego modelu danych, choć oczywiście go rekomendujemy.

Podsumowanie

Podsumowując, DataOps, którego kwintesencją jest nasz model danych, stanowi sposób na efektywną analitykę. Zamiast poświęcać czas na zbieranie i porządkowanie danych, można skupić się na analizie, wyciąganiu wniosków i formułowaniu rekomendacji – czyli na tych elementach analityki, które mają największą wartość dla biznesu. Wartość analityki pojawia się na etapie wyciągania wniosków i formułowania rekomendacji. Automatyzacja zbierania danych pozwala uniknąć konieczności każdorazowego pozyskiwania surowych danych, co zmniejsza ryzyko dla biznesu. Automatyczne gromadzenie danych zwiększa bezpieczeństwo i efektywność procesów analitycznych.

The post Jedna analiza w BigQuery: 179 vs. 9 linii kodu. Różnica? DataOps. first appeared on Conversion.

Zrozumienie danych z Google Search Console
DataOps i automatyzacja pobierania danych
Analiza nożyc AI Overviews i scoring ryzyka
Rekomendacje i działania naprawcze
Podsumowanie

Zrozumienie danych z Google Search Console

Pierwszym krokiem w analizie danych dotyczących AI Overviews jest zrozumienie, jakie informacje są dostępne. Dane te pochodzą z Google Search Console. W Google Search Console kluczowe informacje znajdują się w zakładce „wyniki wyszukiwania”. Opierają się one na zapytaniach, w których pojawiamy się w wynikach wyszukiwania, liczbie kliknięć oraz liczbie wyświetleń. Na tej podstawie można przeprowadzić analizę.

Dane można wyeksportować z Google Search Console, a następnie, korzystając z Google Spreadsheets i narzędzi takich jak LLM (np. Gemini), przeprowadzić szczegółową analizę. Ograniczeniem jest dostępność jedynie 1000 wierszy do eksportu oraz fakt, że dane dostępne są tylko dla wybranego zakresu czasowego. Nie ma możliwości analizowania linii trendu dla dłuższych okresów. Aby ułatwić analizę, warto wyeksportować plik CSV i wgrać go do Google BigQuery. Analiza prowadzona dla klientów opiera się na autorskim modelu danych, który automatycznie importuje wszystkie dane do centralnej hurtowni w Google BigQuery. Więcej informacji o modelu danych znajduje się w opisie.

Pierwszym krokiem analizy jest zebranie wszystkich danych w jednym miejscu. Dostępny jest eksport z Google Search Console, który można następnie analizować w Google Spreadsheet lub zaimportować do BigQuery.

DataOps i automatyzacja pobierania danych

W Conversion od około półtora roku stosujemy w strategii podejście DataOps, zakładające maksymalną automatyzację danych i minimalizację czasu poświęcanego na ich zbieranie. Więcej o DataOps można przeczytać w dedykowanym wpisie na ten temat. W przypadku naszego rozwiązania i modelu danych konektor jest już skonfigurowany, ale można go również ustawić samodzielnie. Funkcjonalność ta nosi nazwę bulk data export, czyli masowy eksport danych. Jedną z największych zalet tego eksportu jest dostęp do pełnej listy wszystkich zapytań, na które pojawiamy się w wynikach wyszukiwania Google. Dane są dostępne w ciągu 48 godzin od konfiguracji, a eksport obejmuje dane dzienne. Funkcja ta jest darmowa, a jedynym kosztem pozostaje utrzymanie Google BigQuery.

Jeśli koszty utrzymania Google BigQuery są wysokie i stanowią barierę przed przekazywaniem kolejnych danych, warto zapoznać się z naszym poradnikiem dotyczącym optymalizacji kosztów w Google BigQuery. W przypadku naszego modelu danych możliwe jest nawet trzystukrotne zmniejszenie kosztów, co potwierdzają nasze realizacje. Po skonfigurowaniu eksportu z Google Search Console do Google BigQuery dane są wysyłane od momentu uruchomienia integracji, czyli od dnia konfiguracji. Aby uzyskać pełny zakres danych, należy pobrać dane historyczne za pomocą API. Warto zrobić to jak najszybciej, szczególnie w kontekście analizy AI Overviews, ponieważ API umożliwia dostęp do danych maksymalnie z ostatnich 16 miesięcy.

Proces pobierania danych warto zautomatyzować, na przykład przy użyciu Pythona, który codziennie pobierze dane przez API i połączy je z danymi już pobranymi przez eksport. Dzięki temu wszystkie dane, zarówno bieżące, jak i historyczne, będą dostępne do analizy trendów.

Analiza nożyc AI Overviews i scoring ryzyka

Ostatnim krokiem w gromadzeniu danych w hurtowni danych jest podłączenie Gemini, języka LLM, za pośrednictwem Vertex AI. Pozwala to na wykorzystanie możliwości Google BigQuery w kompleksowej analizie danych. Po zgromadzeniu wszystkich danych można przejść do pierwszej analizy i identyfikacji kluczowych elementów. Analiza nożyc AI Overviews polega na zestawieniu zagregowanych danych. W jednym wierszu przedstawiane są wyświetlenia, a w drugim – click-through rate (CTR). Analizujemy dane zarówno sprzed, jak i po wprowadzeniu AI Overviews. Różnica w CTR przed i po wdrożeniu określa wielkość tzw. nożyc AI Overviews.

Na przykładzie jednej z naszych analiz dane prezentowane są w formie tabelarycznej. Pokazujemy, jak zmieniły się wyświetlenia, kliknięcia i CTR po wprowadzeniu AI Overviews. Obliczone nożyce AI Overviews wskazują, że utraconych zostało niemal 800 tysięcy wizyt. Ta estymacja powstała na podstawie różnicy w CTR-ach przed i po wdrożeniu AI Overviews, pomnożonej przez aktualną liczbę wyświetleń w tej sekcji.

Nożyce w naszym frameworku są liczone tylko dla słów kluczowych o wysokim lub średnim poziomie ryzyka związanego z AI Overviews.

W analizie słów kluczowych może pojawić się także tzw. paradoks CTR. Polega on na tym, że zapytania znajdujące się na wysokich pozycjach mają niższy CTR. Wynika to z faktu, że pierwsze pozycje są przysłaniane przez sekcję AI Overview podsumowującą odpowiedź w wyszukiwarce. Identyfikacja tego paradoksu jest istotna, ponieważ wykorzystuje się go w scoringu do oceny zagrożenia ze strony AI Overviews. Drugim krokiem analizy było wstępne policzenie na dużych liczbach nożyc AI Overviews.

Intencja i kategorie zapytań

Trzeci krok polega na określeniu dla poszczególnych zapytań, wyeksportowanych z Google Search Console, dwóch wymiarów. Pierwszym z nich jest intencja, oznaczona jako No Simple, No Do, Website Visiting Person Query. Te wartości oznaczają, że jeśli pojawiamy się w wynikach wyszukiwania Google na dane zapytanie, No Simple dotyczy sytuacji, gdy użytkownik szuka bardzo konkretnej odpowiedzi, na przykład: „ile lat ma prezydent”. No to zapytanie wymagające bardziej rozbudowanej odpowiedzi, jak na przykład: „jak działa silnik hybrydowy”. Du odnosi się do sytuacji, gdy użytkownik chce wykonać jakąś akcję. Przykładowym zapytaniem może być kalkulator rat kredytu hipotecznego. Użytkownik, który chce dostać się na konkretną podstronę, wpisuje frazy takie jak „mBank Logowanie”, aby przejść bezpośrednio do strony logowania. Visiting Person Query to zapytania odnoszące się do lokalizacji w świecie rzeczywistym, na przykład „bankomat Ursynów”.

To pierwszy wymiar, któremu za pomocą Gemini lub innego LLM-a nadajemy kontekst zapytań pojawiających się w serwisie. Warto dodać, że intencja użytkownika pochodzi z raportu wykorzystywanego przez quality raterów – to 160-stronicowy podręcznik z wytycznymi. Dokument zawiera wytyczne dla osób oceniających jakość propozycji wyświetlanych przez algorytmy Google w odpowiedzi na zapytania. Jest to swoisty przewodnik, który pokazuje, jak Google rozumie intencje wpisywanych fraz. Intencje te mają charakter uniwersalny, ale można je dostosować do specyfiki własnego biznesu. Przykładowo, portal informacyjny będzie odpowiadał głównie na zapytania typu informational, serwis e-commerce na transactional, a lokalny biznes na zapytania związane z wizytą w fizycznej lokalizacji (in person query). To pierwszy wymiar analizy zapytań, które można zaimportować z Google Search Console i skategoryzować według odpowiadającej im intencji. Drugi wymiar to kategoria tematyczna, czyli określenie, czego dotyczy dane słowo kluczowe. Segmentacja według kategorii tematycznych pozwala zredukować setki tysięcy zapytań do maksymalnie kilkunastu kluczowych grup. Każdy serwis wymaga indywidualnego podejścia do tej segmentacji. Przykładowo, dla sklepu z elektroniką, RTV i AGD, kategorie zapytań mogą obejmować: specyfikację i parametry (np. iPhone 15 pojemność baterii), poradniki zakupowe (np. jaki telewizor do PS5), rankingi i porównania, opinie i recenzje, instrukcje obsługi, ceny, promocje i inne.

Narzędzia, takie jak Gemini, pomagają przypisać wszystkie zapytania do odpowiednich kategorii na podstawie wyników wyszukiwania. Po zakończeniu tego etapu kolejnym krokiem analizy jest ocena scoringu ryzyka związanego z AI Overviews.

Scoring ryzyka

Dla każdego słowa kluczowego wyeksportowanego z Google Search Console algorytm przypisuje odpowiedni scoring ryzyka. Scoring opiera się na czterech parametrach. Pierwszym z nich jest intencja, która ma wagę czterdziestu procent. Najwyższy scoring otrzymuje No Simple, co oznacza największe zagrożenie, oraz No i kolejne, w zależności od poziomu narażenia. Kolejnym parametrem jest aktualny CTR. Im niższy CTR w danym okresie, tym większe ryzyko obecności w IA Overview. W takich przypadkach pojawiają się tzw. zero klik wizyty, czyli sytuacje, w których użytkownicy otrzymują odpowiedź jeszcze przed kliknięciem w wynik wyszukiwania. Scoring uwzględnia paradoks pozycji i ma wartość dwudziestoprocentową. Następnie analizowane jest, jak bardzo trend załamał się przed pojawieniem się AI Overviews i po jego wprowadzeniu. Na tej podstawie każde słowo, które następnie agregowane jest do kategorii, otrzymuje scoring określający ryzyko spadku ruchu w związku z AOW. Wynik powyżej 7 oznacza wysokie ryzyko, między 4 a 6 i 9 – średnie ryzyko, natomiast poniżej 4 – niskie ryzyko.

Nożyce A Overfuse są liczone tylko dla słów kluczowych zakwalifikowanych jako medium i high. W ten sposób można pokazać, jaki wolumen ruchu jest tracony w związku z obecnością AOV. Po przejściu przez cztery poprzednie kroki – centralizacji danych, obliczeniu współczynników na zagregowanych danych, przypisaniu intencji i kategorii – cały proces zostaje zakończony. Do każdego zapytania dodaliśmy scoring ryzyka EA Overviews. Następnie przechodzimy do analizy tych danych. Na ekranie można zobaczyć, jaki procent wszystkich zapytań, na które się pojawiamy, rzeczywiście znajduje się w kategorii dużego, średniego lub małego ryzyka.

Rekomendacje i działania naprawcze

W przedstawionym przykładzie ponad 60% całego ruchu jest zagrożone przez AI Overviews w kategoriach Medium i High. Oznacza to 788 tysięcy kliknięć, czyli potencjalnych wizyt w serwisie, które tracimy właśnie z powodu AI Overviews.

Analizując dane, schodzimy do poziomu konkretnych kategorii słów kluczowych, aby sprawdzić, w których obszarach jesteśmy najbardziej narażeni. Możemy również przeprowadzić szczegółową analizę na poziomie poszczególnych zapytań, aby zobaczyć, jak sytuacja wygląda w naszym przypadku. Na podstawie tych danych można przygotować rekomendacje wynikające z przeprowadzonej analizy. Aby chronić skuteczne słowa kluczowe i sprawdzić możliwość odzyskania innych, szczególnie narażonych na ryzyko związane z AI Overview, warto rozważyć działania niezwiązane z wynikami wyszukiwania. Gdy targetujemy obszary, w których AI Overviews ukrywa nasze wyniki wyszukiwania, można przetestować alternatywne rozwiązania poza wynikami organicznymi. Przykładem jest stworzenie dedykowanego newslettera związanego z określonym aspektem biznesu, który dotychczas był pochłaniany przez AI Overviews.

Warto również rozważyć działania, które mogą zastąpić ruch z SEO generowany do tej pory przez Overviews. Kluczowe jest mierzenie każdej hipotezy, strategii oraz każdej zmiany w treściach i pozycjonowaniu SEO. Dzięki temu, że dane zostaną zebrane i odpowiednio policzone, można wyciągać wnioski i optymalizować działania.

Automatyzacja jest kolejnym krokiem w procesie DataOps. Zamiast jednorazowego pobierania i analizy danych, warto wdrożyć zautomatyzowane rozwiązania. Przykładem są alerty, które informują o istotnych zmianach w danych. Gdy dana kategoria słów kluczowych nagle traci na znaczeniu, na przykład w związku z AI Overview lub innymi czynnikami, analiza danych pozwala szybko zidentyfikować zmianę. Automatyzacja jest niezbędna do obserwowania trendów, zwłaszcza podczas testowania hipotez w ramach strategii contentowej lub SEO. Wszystkie wyniki można zwizualizować w Lookerze, aby osoby odpowiedzialne za content i SEO miały stały podgląd na zmiany.

W Conversion realizujemy te procesy w ramach modelu danych. Jest to jeden z naszych data produktów. Model danych naprawia dane, co ma szczególne znaczenie w przypadku GA4, gdzie często pojawiają się problemy z poprawną atrybucją i jakością informacji. Model danych agreguje wszystkie informacje w jednym miejscu, tworząc single source of truth. Optymalizuje dane, szczególnie z GA4 w kontekście Google BigQuery. W jednym z wcześniejszych wpisów pokazaliśmy, jak o 288 razy zmniejszyliśmy koszt obsługi raportów GA4 za pośrednictwem Lookera, wykorzystując eksport surowych danych z GA4.

Model monitoruje dane i w razie potrzeby wysyła alerty. Analizuje również dane za pomocą data produktów, takich jak analiza nożyc AI Overviews.

Podsumowanie

Proces analizy, o którym mowa, na początku wymaga zebrania wszystkich danych, jednak po wdrożeniu warto go zautomatyzować i na bieżąco śledzić wyniki. Pozwala to obserwować dane dotyczące wyników w organicznych wyszukiwaniach Google, wizualizować je na dashboardzie i ustawiać alerty na najważniejsze słowa kluczowe. Dzięki temu raportowanie efektów testów związanych z SEO lub strategią kontentową staje się prostsze.

Cały proces można zautomatyzować, konfigurując eksport z Google Search Console do Google BigQuery. Warto też skorzystać z naszego modelu danych, który już od pierwszego dnia wdrożenia umożliwia automatyczne i poprawne gromadzenie wszystkich potrzebnych informacji. W przypadku pytań dotyczących analizy lub modelu danych, zapraszamy do kontaktu.

The post Jak AI Overviews wpływa na ruch organiczny z SEO? Konkretna analiza. first appeared on Conversion.

Branża: E-commerce
Klient: Limango Polska (Wrocław, Polska)
Strona: www.limango.pl

Punkt wyjścia

Limango to internetowy klub zakupowy oraz outlet dla kobiet i młodych rodzin, oferujący produkty renomowanych marek nawet do 80% taniej. Dynamiczny rozwój biznesu oraz rosnąca liczba źródeł danych sprawiły, że kluczowe stało się uporządkowanie analityki i dostosowanie jej do potrzeb organizacji.

Celem współpracy była budowa analityki internetowej poprzez rozwój w trzech obszarach: narzędzi, procesów oraz kompetencji zespołu, tak aby dane mogły realnie wspierać decyzje biznesowe.

Wyzwania

Budowa analityki w Limango obejmowała pięć kluczowych obszarów, które bezpośrednio wpływały na jakość danych, tempo wdrożeń oraz zdolność organizacji do podejmowania decyzji w oparciu o dane.

1. Poprawność danych

 
Podstawą analiz są poprawne dane – bez nich nie jest możliwe wyciąganie trafnych wniosków. W Limango konieczne było przeprowadzenie kompleksowego audytu danych obejmującego cały proces zakupowy – od logowania, przez złożenie zamówienia, aż po jego realizację i dane finansowe.

Wymagało to współpracy wielu działów (IT, marketing, sourcing, logistyka, księgowość) oraz rewizji rozwiązań technologicznych i definicji danych. Już na tym etapie identyfikowano problemy, które później stały się impulsem do optymalizacji konwersji.

2. Niezależność analityki od IT

 
Każda zmiana w obszarze analityki wymagała zaangażowania działu IT. Nawet drobne wdrożenia trafiały do kolejki developmentu, co powodowało opóźnienia i brak elastyczności.

IT stawało się wąskim gardłem procesu, a utrzymanie kodów trackingowych w dynamicznym środowisku było coraz trudniejsze. Konieczne było uniezależnienie analityki od IT i przeniesienie części odpowiedzialności do zespołu analitycznego.

3. Usprawnienie procesu wdrożeń

 
Szybki rozwój firmy wymagał uporządkowania procesu wdrażania zmian. Projekty trafiające do IT nie zawsze były odpowiednio zdefiniowane i priorytetyzowane.

Wprowadzono rolę analityka biznesowego jako „filtra” pomysłów – osoby odpowiedzialnej za ocenę wpływu projektów na KPI oraz ich złożoności. Celem było zapewnienie, że każdy projekt jest zgodny z podejściem SMART i posiada jasno określone mierniki sukcesu.

4. Mierzenie efektów działań

 
Organizacja potrzebowała sposobu na rzetelne mierzenie efektów działań marketingowych i produktowych. Wyzwanie polegało na dostarczeniu danych w sposób użyteczny dla różnych interesariuszy – od zarządu po zespoły operacyjne – bez przeciążania ich nadmiarem informacji.

Konieczne było połączenie danych z Google Analytics z danymi sprzedażowymi oraz stworzenie dashboardów umożliwiających samodzielną analizę.

5. Spójność danych w środowisku wielodomenowym

 
Rozwój biznesu (m.in. uruchomienie outlet.limango.pl) wprowadził dodatkową złożoność analityczną. Brak śledzenia między domenami powodował utratę ciągłości danych oraz błędną atrybucję źródeł ruchu.

Konieczne było wdrożenie rozwiązań pozwalających analizować cały biznes jako jeden ekosystem, przy jednoczesnym zachowaniu możliwości analizy poszczególnych części.

Nasze podejście

Współpracę rozpoczęto od audytu obecnego stanu analityki oraz oceny dojrzałości organizacji przy użyciu modelu WAMM. Następnie przeprowadzono warsztaty KPI, które pozwoliły zdefiniować kluczowe wskaźniki biznesowe oraz przypisać odpowiedzialności w organizacji.

Równolegle wdrożono działania w trzech obszarach:

• narzędzia: audyt i konfiguracja Google Analytics oraz wdrożenie Google Tag Managera wraz z DataLayer,
• procesy: zaprojektowanie procesu ciągłej analizy danych (zbieranie danych → hipotezy → rekomendacje → wdrożenia),
• ludzie: wsparcie w budowie zespołu analitycznego oraz rozwój kompetencji w organizacji.

Dodatkowo wdrożono rozwiązania takie jak dashboardy managerskie, integracja danych z CRM oraz śledzenie międzydomenowe, które pozwoliły mierzyć biznes jako całość.

Efekty

Wdrożone działania przyniosły wymierne rezultaty:

• nawet 50% wzrost współczynnika konwersji w wybranych obszarach (np. dzięki optymalizacji porzuconych zamówień),
• zapewnienie wysokiej jakości, poprawności i kompletności danych,
• stworzenie samodzielnego działu analityki w organizacji,
• uniezależnienie analityki od działu IT dzięki wdrożeniu Google Tag Managera,
• usprawnienie procesów wdrożeniowych i generowanie oszczędności,
• uruchomienie ciągłego procesu mierzenia sukcesu dzięki dashboardom i integracji danych,
• możliwość reagowania na zmiany w biznesie dzięki pełnemu śledzeniu między domenami.

Opinia Limango na temat przeprowadzonego projektu

CEO Limango, Martin Solarski, podkreśla, że współpraca z Conversion nie tylko rozwinęła analitykę internetową, ale też zapoczątkowała zmiany w trzech kluczowych obszarach: narzędziach, procesach i ludziach.

Podsumowanie

Case study Limango pokazuje, że skuteczna analityka internetowa to połączenie narzędzi, procesów i kompetencji zespołu.

Dzięki uporządkowaniu danych, wdrożeniu odpowiednich rozwiązań oraz budowie kultury analitycznej organizacja może podejmować decyzje biznesowe w oparciu o wiarygodne dane i systematycznie zwiększać wyniki.

The post Limango – 50% wzrost współczynnika konwersji dzięki pracy na danych first appeared on Conversion.

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.

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.

Co znajdziesz w tym artykule?
Co to jest Big Data?
Jakie cechy definiują wielkie zbiory danych? Model 5V
Jakie rodzaje danych składają się na Big Data?
Jakie technologie i narzędzia służą do przetwarzania Big Data?
Gdzie znajduje zastosowanie analityka Big Data?
Jakie korzyści przynosi firmom wykorzystanie Big Data?
Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?
Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Co to jest Big Data?

Big Data to termin opisujący duże zbiory danych. A właściwie tak duże, tak zróżnicowane i tak szybko zmieniające się, że tradycyjne narzędzia przestają wystarczać. Bywają też przez to określane jako wielkie zbiory danych lub po prostu gigadane. Ich skala i złożoność (complexity) przekraczają możliwości arkuszy kalkulacyjnych czy klasycznych baz danych.

W praktyce chodzi jednak nie tylko o sam rozmiar. Big Data to również sposób, w jaki odbywa się przetwarzanie informacji, ich porządkowanie i analiza danych – po to, by wykrywać wzorce, przewidywać zjawiska i podejmować trafniejsze decyzje. To właśnie dlatego temat stał się tak ważny dla biznesu, technologii i innych obszarów, w których liczy się szybka reakcja na zmiany.

Co ważne, dane napływają z wielu różnych źródeł jednocześnie. Mogą pochodzić z mediów społecznościowych, urządzeń Internetu Rzeczy (IoT), aplikacji mobilnych, systemów sprzedażowych czy z innych zasobów, takich jak np. logi systemowe. W efekcie Big Data jest dziś jednym z fundamentów tego, co nazywamy transformacją cyfrową – ponieważ pozwala przekładać ogromne strumienie danych na wiedzę, a następnie na konkretne działania.

Jakie cechy definiują wielkie zbiory danych? Model 5V

Najczęściej wielkie zbiory danych opisuje się współcześnie przez model 5V, który rozwinął wcześniejszy model 3V (skupiający się głównie na skali, szybkości i różnorodności danych – volume, velocity, variety). W niektórych opracowaniach można spotkać model 4V, który do klasycznego 3V dodaje veracity, czyli wiarygodność/jakość danych.

Czasem pojawia się też pojęcie zmienności (variability), które opisuje niestabilność danych i zmieniający się kontekst ich interpretacji. To jednak model 5V pozostaje dziś najczęściej używanym sposobem porządkowania tematu. Obejmuje on pięć kluczowych cech Big Data:

Volume (wolumen)

Inaczej: ilość danych. W praktyce nie mówimy już o megabajtach czy gigabajtach, ale o zasobach liczonych w terabajtach, petabajtach, a czasem nawet w eksabajtach i zettabajtach. To właśnie wolumen danych w Big Data sprawia, że tradycyjne narzędzia szybko przestają być wystarczające.

Velocity (prędkość)

Tempo, w jakim dane są generowane, przesyłane i analizowane. Prędkość ma ogromne znaczenie w Big Data, bo wiele informacji napływa niemal w czasie rzeczywistym – z aplikacji, systemów transakcyjnych, czujników czy platform cyfrowych. W takich warunkach liczy się nie tylko sam dostęp do danych, ale też zdolność do szybkiej reakcji.

Variety (różnorodność)

Big Data to nie jeden format i nie jeden typ informacji. Różnorodność oznacza, że w jednym środowisku mogą pojawiać się jednocześnie liczby, tekst, obrazy, nagrania wideo, logi, dane lokalizacyjne czy dane sensoryczne. Ta “mieszanka” mocno zwiększa stopień trudności analizy.

Veracity (wiarygodność)

Dane muszą być sensowne. Wiarygodność odnosi się do jakości, rzetelności i spójności przetwarzanych informacji. Jeśli dane są błędne, niepełne albo przypadkowe, nawet najlepsza analiza może prowadzić do złych wniosków. Dlatego tak ważna jest ich weryfikacja.

Value (wartość)

Ostatecznie najbardziej liczy się to, czy dane da się przełożyć na decyzje, oszczędności, lepsze prognozy albo przewagę konkurencyjną. Wartość pokazuje, że Big Data nie jest sztuką dla sztuki. Dane mają sens dopiero wtedy, gdy wspierają konkretne cele biznesowe lub operacyjne.

Jakie rodzaje danych składają się na Big Data?

Od formy danych zależy zarówno sposób ich przechowywania, jak i późniejsze przetwarzanie oraz analiza. Big Data obejmuje trzy główne typy informacji:

Dane ustrukturyzowane

Nazywane też danymi strukturalnymi. Mają uporządkowaną formę. Łatwo zapisać je w tabelach, kolumnach i rekordach, dlatego dobrze pasują do relacyjnych baz SQL czy nawet do Excela. Przykładem mogą być dane transakcyjne, listy klientów, stany magazynowe albo wyniki sprzedaży.

Dane nieustrukturyzowane

Znacznie większym wyzwaniem są dane nieustrukturyzowane (niestrukturalne). Nie mają one sztywnego schematu, więc trudniej je zamknąć w klasycznej tabeli. To między innymi teksty, obrazy, nagrania audio, wideo, wiadomości e-mail, posty z mediów społecznościowych czy logi systemowe. Często przyjmuje się, że właśnie ten typ stanowi większość zasobów Big Data – nawet około 80%. Również z tego powodu tak duże znaczenie mają obecnie analiza tekstu i analiza wideo.

Dane częściowo ustrukturyzowane

Pomiędzy nimi znajdują się dane częściowo ustrukturyzowane (półstrukturalne). Mają pewną wewnętrzną organizację, ale nie na tyle sztywną, by traktować je jak klasyczne dane tabelaryczne. Dobrym przykładem są pliki JSON, XML, logi aplikacyjne czy dane z formularzy online.

Dane strumieniowe i sensoryczne

We współczesnych systemach coraz większą rolę odgrywają też dane strumieniowe i dane sensoryczne. To właśnie one sprawiają, że Big Data jest dziś tak dynamiczne i tak mocno związane z analizą zdarzeń “tu i teraz”.

• Dane strumieniowe napływają w sposób ciągły, często w czasie rzeczywistym, np. z aplikacji, platform płatniczych czy systemów monitoringu.
• Dane sensoryczne natomiast pochodzą z czujników, urządzeń IoT, maszyn przemysłowych albo urządzeń wearable.

Jakie technologie i narzędzia służą do przetwarzania Big Data?

Samo zgromadzenie danych to dopiero początek. Żeby Big Data miało wartość, potrzebne są jeszcze odpowiednie technologie, które poradzą sobie z dużą skalą, różnorodnością formatów i szybkim napływem informacji. W praktyce oznacza to przetwarzanie rozproszone, elastyczne magazynowanie danych i narzędzia, które pozwalają analizować je szybciej niż klasyczne systemy.

Apache Hadoop i Apache Spark

Jednym z fundamentów Big Data pozostaje ekosystem Apache Hadoop. To zestaw narzędzi zaprojektowanych do pracy na dużych zbiorach danych w wielu maszynach jednocześnie. Ważną rolę odgrywa HDFS (Hadoop Distributed File System), czyli system plików rozkładający dane pomiędzy różne węzły klastra, oraz MapReduce, model obliczeń, który dzieli zadania na mniejsze części i przetwarza je równolegle.

Obok Hadoop bardzo ważny jest dziś również Apache Spark. W przeciwieństwie do klasycznego MapReduce stawia on mocniej na przetwarzanie w pamięci (in-memory), dzięki czemu wiele operacji wykonuje się szybciej. To szczególnie istotne w projektach, gdzie liczy się analiza interaktywna, praca na strumieniach danych albo uczenie modeli analitycznych.

NoSQL i obsługa danych nieustrukturyzowanych

Niestety, nie wszystko da się wygodnie zapisać w tabelach. Z pomocą przychodzi tutaj NoSQL, czyli podejście inne niż klasyczne relacyjne bazy danych. Bazy danych NoSQL dobrze radzą sobie z danymi nieustrukturyzowanymi i półstrukturalnymi, a także z bardzo dużą skalą zapisu i odczytu.

Do najczęściej przywoływanych przykładów należą MongoDB i Cassandra. MongoDB jest popularny przy pracy z dokumentami i elastycznym schematem danych, a Cassandra sprawdza się tam, gdzie liczy się wysoka dostępność i rozproszenie danych pomiędzy wieloma serwerami. Klasyczny SQL wciąż pozostaje ważny, ale w Big Data często działa obok narzędzi NoSQL, a nie zamiast nich.

Jeziora danych i hurtownie danych

W kontekście przechowywania danych często pojawiają się dwa pojęcia: jezioro danych (data lake) oraz hurtownia danych.

Hurtownia danych to ustrukturyzowane repozytorium, w którym dane są najpierw oczyszczane, transformowane i organizowane według z góry określonego schematu, a dopiero potem trafiają do systemu. Dobrze sprawdzają się w sytuacjach, gdzie pytania analityczne są z grubsza znane z góry (np. raporty sprzedażowe, finansowe, operacyjne). Dane są gotowe do użycia od razu po załadowaniu, ale elastyczność jest ograniczona.

Jezioro danych działa odwrotnie. Dane trafiają do systemu w surowej postaci – ustrukturyzowane, częściowo ustrukturyzowane i nieustrukturyzowane – bez narzuconego z góry schematu. Nakłada się go dopiero w momencie odczytu, zależnie od tego, do czego dane mają służyć. To zapewnia dużą elastyczność, ale wymaga większej dojrzałości analitycznej po stronie użytkownika. Co to znaczy? Bez dobrego zarządzania jezioro danych szybko zamienia się w tzw. bagno danych – zbiór plików, z którego nie da się już wydobyć niczego sensownego.

Chmura, integracja i automatyzacja analizy, machine learning

Coraz więcej środowisk Big Data działa dziś w modelu chmury obliczeniowej (cloud computing). Zapewnia ona skalowalność, której firmy potrzebują dziś tak bardzo przy rosnących wolumenach danych. Nie trzeba też od razu budować własnej infrastruktury – można dowolnie zwiększać moc obliczeniową i przestrzeń dysku.

Duże znaczenie mają wreszcie narzędzia do przesyłania i przygotowywania danych. Kafka jest często wykorzystywana do obsługi strumieni danych, a procesy ETL i ELT pomagają przenosić, porządkować i przekształcać dane pomiędzy systemami.

W warstwie analitycznej nadal królują Python i SQL, bo pozwalają zarówno przygotowywać dane, jak i budować modele analityczne. Coraz częściej dochodzi do tego także sztuczna inteligencja i uczenie maszynowe, które automatyzują wykrywanie wzorców i przyspieszają analizę.

Gdzie znajduje zastosowanie analityka Big Data?

Analityka Big Data znajduje zastosowanie wszędzie tam, gdzie dane napływają szybko, w dużej skali i z wielu źródeł jednocześnie. Dotyczy to dzisiaj już nie tylko biznesu cyfrowego.

Medycyna i ochrona zdrowia

W sektorze zdrowia Big Data wspiera diagnostykę medyczną, analizę wyników badań i ocenę ryzyka chorób. Duże znaczenie ma też analiza genomu, która pozwala lepiej rozumieć zależności genetyczne i dobierać bardziej precyzyjne terapie. Do tego dochodzą wearables, czyli urządzenia monitorujące aktywność, tętno czy sen, które dostarczają danych niemal w czasie rzeczywistym.

Finanse i bankowość

W finansach analityka danych pomaga w wykrywaniu oszustw, ocenie ryzyka i monitorowaniu nietypowych zachowań transakcyjnych. Jest też wykorzystywana w obszarach takich jak HFT (High-Frequency Trading), gdzie liczy się błyskawiczne przetwarzanie informacji i reakcja na zmiany rynkowe.

Logistyka, inteligentne miasta i fabryki

W transporcie Big Data wspiera planowanie dostaw, zarządzanie flotą i optymalizację procesów operacyjnych.

Na tej samej zasadzie działa koncepcja Smart City, w której dane z kamer, czujników, sygnalizacji i systemów miejskich pomagają lepiej zarządzać ruchem, energią czy bezpieczeństwem w miastach.

W tzw. obszarze Przemysłu 4.0 analityka Big Data wspiera automatyzację i nadzór nad produkcją. W praktyce oznacza to inteligentne fabryki, w których maszyny, sensory i systemy raportują dane bez przerwy, dzięki czemu możliwa jest konserwacja predykcyjna (przewidywanie awarii, zanim faktycznie do nich dojdzie).

Marketing i e-commerce

W marketingu i handlu internetowym Big Data napędza personalizację oferty, rekomendacje produktów i segmentację klientów. To właśnie na tej logice działają systemy rekomendacji znane z takich platform jak Netflix czy Spotify.

Jakie korzyści przynosi firmom wykorzystanie Big Data?

Najważniejsza korzyść z Big Data polega na tym, że firmy mogą podejmować decyzje na podstawie faktów i twardych danych, a nie intuicji (podejście data-driven). Zapewniają to narzędzia z obszaru Business Intelligence, a także czytelna wizualizacja danych i dashboardy, które porządkują najważniejsze wskaźniki. To przekłada się na szybsze reakcje, lepsze planowanie i większą kontrolę nad kosztami, a więc także na realną oszczędność czasu.

Równie ważne jest lepsze zrozumienie klientów. Analiza behawioralna pozwala sprawdzać, jak użytkownicy podejmują decyzje, a analiza churn pomaga wychwycić sygnały odejścia. Łatwiej stworzyć spersonalizowane oferty i produkty. Z kolei analiza predykcyjna, modele predykcyjne, analiza trendów i prognozowanie trendów wspierają planowanie przyszłości – od sprzedaży po zarządzanie ryzykiem.

Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?

W Big Data wyzwaniem nie jest tylko ilość informacji, ale też ich legalne, bezpieczne i etyczne wykorzystanie. Dokładniej rzecz biorąc:

Rosną wymagania związane z RODO (GDPR). Unia Europejska nakłada ścisłe zasady dotyczące tego, jak firmy zbierają, przechowują i wykorzystują dane użytkowników. Chodzi tu nie tylko o ochronę danych osobowych, ale też o prywatność danych, zgodność celu przetwarzania i przejrzystość wobec osób, których dane dotyczą.

Co do zasady, im większy zbiór danych, tym mniejsza jego odporność na incydenty z obszaru cyberbezpieczeństwa, więc zapewnienie odpowiedniego poziomu zabezpieczeń stanowi osobne wyzwanie.

Istotna pozostaje kwestia jakości danych i ich wiarygodności, bo błędne lub niepełne informacje prowadzą do błędnych analiz i złych decyzji.

Dochodzi do tego wreszcie etyka: nawet jeśli dane można przetwarzać formalnie zgodnie z prawem, to czy sposób, w jaki je wykorzystujemy, jest uczciwy i proporcjonalny wobec użytkownika?

Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Data Scientist to zawód, który łączy statystykę, programowanie i rozumienie biznesu, żeby zamieniać dane w użyteczne wnioski. Taka osoba zajmuje się m.in. eksploracją danych (data mining), szukaniem zależności, budowaniem modeli opartych o uczenie maszynowe (machine learning) oraz wykorzystywaniem rozwiązań z obszaru sztucznej inteligencji (AI). W praktyce właśnie na tym polega nauka o danych (data science): nie tylko na zbieraniu informacji, ale też na ich interpretacji, modelowaniu i przekładaniu wyników na decyzje.

W codziennej pracy Data Scientist korzysta z narzędzi takich jak Python, język R i SQL, a wyniki prezentuje często przez Tableau lub Power BI. Jego zadaniem jest zrozumieć dany problem i zaproponować model, który pomoże przewidywać zjawiska albo lepiej wspierać biznes.

Warto odróżnić tę rolę od innych specjalizacji z dziedziny danych. Analityk danych (data analyst) zwykle skupia się bardziej na raportowaniu, dashboardach i interpretacji bieżących wyników, a inżynier danych (data engineer) odpowiada przede wszystkim za infrastrukturę, przepływ danych i przygotowanie środowiska do analizy. Data Scientist stoi trochę pomiędzy nimi. Korzysta z gotowych danych, ale idzie też o krok dalej – buduje modele i szuka odpowiedzi na bardziej złożone pytania.

The post Big Data – co to jest i dlaczego ma dziś tak duże znaczenie? first appeared on Conversion.

Co znajdziesz w tym artykule?
Czym jest Customer Experience (CX) i czym różni się od obsługi klienta?
Dlaczego dbanie o doświadczenia klienta buduje przewagę konkurencyjną?
Jakie elementy tworzą mapę podróży klienta (Customer Journey Map)?
Na czym polega skuteczne zarządzanie doświadczeniem klienta (CXM)?
Jak mierzyć poziom satysfakcji i lojalności klienta (NPS, CSAT, CES)?
Jaki wpływ na jakość CX mają personalizacja i podejście omnichannel?
Jak Employee Experience (EX) wpływa na relacje z klientami?
Jakie błędy najczęściej obniżają jakość doświadczeń klienta?

Czym jest Customer Experience (CX) i czym różni się od obsługi klienta?

Doświadczenie klienta (Customer Experience, CX) to termin, który określa całość wrażeń, ocen i odczuć, jakie powstają podczas wszystkich interakcji klienta z marką. CX obejmuje nie tylko to, co klient robi, ale też to, co myśli i czuje. Na percepcję klienta składają się jednocześnie emocje, aspekt poznawczy (czyli sposób, w jaki klient ocenia markę, ofertę i komunikację) oraz aspekt behawioralny – widoczny w jego decyzjach, reakcjach i skłonności do powrotu. Innymi słowy: CX dotyczy całej relacji, a nie pojedynczego kontaktu i należy traktować je w kategoriach procesu. Nie kończy się na zakupie ani na jednej rozmowie z konsultantem.

Doświadczenie klienta bywa niekiedy mylone z innymi pojęciami. Na przykład z obsługą klienta (Customer Service, CS), która jest w rzeczywistości tylko jednym z elementów całego doświadczenia i dotyczy zwykle tylko konkretnych sytuacji (np. gdy marka odpowiada na pytania, rozwiązuje problem albo pomaga po zakupie). Z kolei doświadczenie użytkownika (User Experience, UX) odnosi się przede wszystkim do korzystania z produktu cyfrowego, na przykład strony internetowej czy aplikacji. CX jest pojęciem szerszym: obejmuje marketing, sprzedaż, kontakt z obsługą, korzystanie z produktu i wszystkie inne etapy budowania relacji z klientem.

 
Inaczej: CX to całość doświadczeń, myśli i emocji klienta w kontakcie z marką, podczas gdy obsługa klienta jest tylko jednym z elementów tej relacji, a UX dotyczy głównie korzystania z produktu cyfrowego.

Dlaczego dbanie o doświadczenia klienta buduje przewagę konkurencyjną?

Customer Experience jest obecnie jednym z najmocniejszych czynników, które budują przewagę konkurencyjną. To właśnie sposób, w jaki marka traktuje odbiorcę, decyduje dziś często bardziej niż cena czy sam produkt. Liczy się całe doświadczenie – od pierwszego kontaktu z komunikacją, przez zakup, aż po obsługę po sprzedaży. Jeśli firma jest spójna, wygodna i przewidywalna, rosną nie tylko jej przychody, ale też zaufanie i gotowość klientów do ponownych zakupów.

To znaczy, że lepsze doświadczenia oznaczają wyższą retencję i większą lojalność klienta. W praktyce przekładają się także na wyższą wartość życiową klienta (Customer Lifetime Value, CLV), bo zadowolony klient częściej wraca, kupuje więcej i rzadziej odpływa do konkurencji.

W ten sposób wzmacnia się “przy okazji” wizerunek marki i (szerzej rozumiana) reputacja firmy, co z czasem poprawia także zwrot z inwestycji (Return On Investment, ROI) z działań marketingowych i sprzedażowych, a nawet ściśle obsługowych.

Jakie elementy tworzą mapę podróży klienta (Customer Journey Map)?

Mapa podróży klienta (Customer Journey Map, CJM) to narzędzie, które wizualizuje i porządkuje całą przygodę klienta z marką – krok po kroku, od pierwszego kontaktu, aż po zakup i działania po sprzedaży. Jej celem jest uporządkowanie tego, jak wygląda proces zakupowy z perspektywy odbiorcy, a nie firmy. Pokazuje, co klient robi, czego szuka, gdzie się waha i w którym momencie coś zaczyna go irytować.

Podstawą każdej mapy są punkty styku (Touchpoints), czyli wszystkie miejsca, w których klient spotyka się z marką. To mogą być reklamy, wyniki wyszukiwania, strona internetowa, formularz kontaktowy, rozmowa z handlowcem, koszyk zakupowy, e-mail po zamówieniu czy kontakt z działem wsparcia. Cała ścieżka zakupowa składa się z takich interakcji, które da się rozpisać i ocenić. Właśnie temu służy analiza punktów styku (Touchpoint Analysis).

Drugim ważnym elementem są momenty prawdy (Moments of Truth). To te chwile, w których klient wyrabia sobie opinię o marce albo podejmuje decyzję, czy iść dalej. Szczególnym etapem jest Zero Moment of Truth (ZMOT), czyli chwila poprzedzająca zakup, gdy klient samodzielnie szuka informacji, porównuje oferty i decyduje, czy marka budzi jego zaufanie.

Trzeci składnik to punkty bólu (Pain points). Miejsca, w których pojawia się “tarcie”. Za długi formularz kontaktowy, niejasna oferta, brak szybkiej odpowiedzi, niespójna komunikacja między kanałami albo skomplikowane zasady zwrotów. Każdy taki problem obniża jakość doświadczenia i zwiększa ryzyko rezygnacji klienta.

Żeby mapa miała sens, trzeba jeszcze oprzeć ją na konkretnej personie klienta (Buyer Persona). Persona porządkuje kontekst: kim jest odbiorca, czego potrzebuje, co go motywuje, jakie ma obawy i jak podejmuje decyzje. Dzięki temu mapa podróży klienta (CJM) nie opisuje abstrakcyjnego procesu, tylko realną drogę konkretnego typu klienta.

Na czym polega skuteczne zarządzanie doświadczeniem klienta (CXM)?

Zarządzanie doświadczeniem klienta (Customer Experience Management, CXM) to całościowa strategia, która spina całą organizację wokół jednego celu: ułatwić klientowi kontakt z marką na każdym etapie relacji. Nie da się tego “zamknąć” w dziale obsługi, bo o jakości doświadczenia współdecydują też marketing, sprzedaż, logistyka, produkt, IT i finanse. Klient nie widzi struktury firmy. Widzi tylko to, czy wszystko działa.

Właśnie dlatego skuteczne CXM wymaga klientocentryczności (customer-centricity). To model myślenia, w którym firma projektuje procesy pod realne potrzeby odbiorcy, a nie np. własną wygodę. Dlatego CXM korzysta często z metod takich jak projektowanie usług (Service Design) i Design Thinking. Obie pomagają spojrzeć na usługę, produkt lub obsługę z perspektywy klienta, wykryć zbędne tarcia i przełożyć obserwacje na lepsze rozwiązania: prostszy język, krótszą ścieżkę zakupu, lepszą komunikację i sprawniejsze rozwiązywanie problemów.

Inną, ale niemniej ważną dla CXM rolę odgrywa zarządzanie relacjami z klientem (Customer Relationship Management, CRM). Technologia porządkuje dane o kontaktach, zakupach, zgłoszeniach i preferencjach, dzięki czemu firma może reagować szybciej i bardziej adekwatnie. CRM ma jednak sens jedynie wtedy, gdy wspiera dobrą strategię, a nie ją zastępuje.

Jak mierzyć poziom satysfakcji i lojalności klienta (NPS, CSAT, CES)?

Poziom doświadczeń klienta da się mierzyć, ale trzeba rozdzielić trzy różne kwestie: ogólną skłonność do polecania marki, ocenę konkretnej interakcji i wysiłek, jaki klient musiał włożyć w załatwienie sprawy.

Punktem wyjścia jest tu metodologia Głosu Klienta (Voice of Customer, VoC), czyli systemowe zbieranie opinii, ocen i sygnałów z różnych miejsc styku z marką. Dopiero tak zebrany feedback ma wartość operacyjną, bo można go połączyć z wynikami sprzedaży, retencją, reklamacjami czy zachowaniem użytkowników. Analiza tych danych pozwala oddzielić przypadkowe opinie od powtarzalnych problemów i podejmować decyzje oparte na faktach, a nie na przeczuciu.

Właśnie temu służą kluczowe wskaźniki efektywności (Key Performance Indicators, KPI), takie jak:

NPS

Wskaźnik Rekomendacji Netto (Net Promoter Score, NPS) mierzy, na ile klient jest skłonny polecić markę innym. Najczęściej opiera się na jednym pytaniu: “Jak bardzo prawdopodobne jest, że polecisz naszą firmę?” Odpowiedzi zbiera się na skali od 0 do 10, a następnie dzieli respondentów na trzy grupy: promotorów, pasywnych i krytyków. Sam wynik powstaje przez odjęcie odsetka krytyków od odsetka promotorów.

Ten wskaźnik nie opisuje pojedynczej interakcji, tylko ogólną ocenę relacji z marką, dlatego dobrze nadaje się do mierzenia lojalności i siły przywiązania klienta.

CSAT

Wskaźnik satysfakcji klienta (Customer Satisfaction Score, CSAT) pokazuje, jak klient ocenia konkretną interakcję, usługę albo etap procesu. Zwykle przyjmuje formę krótkiego pytania po kontakcie z firmą, na przykład po rozmowie z konsultantem, zakupie albo zgłoszeniu reklamacyjnym. Klient wskazuje poziom zadowolenia na prostej skali, najczęściej liczbowej lub gwiazdkowej. CSAT dobrze wychwytuje bieżącą jakość obsługi i pozwala szybko sprawdzić, czy firma spełniła oczekiwania w danym momencie. To wskaźnik bardzo praktyczny, bo łatwo powiązać go z konkretnym kanałem, zespołem albo etapem ścieżki klienta.

CES

Wskaźnik wysiłku klienta (Customer Effort Score, CES) mierzy, ile trudu klient musiał włożyć, żeby osiągnąć swój cel (może np. chodzić o rozwiązanie problemu, znalezienie informacji, złożenie zamówienia albo kontakt z pomocą techniczną). Pytanie zwykle dotyczy prostoty całego procesu, a nie zadowolenia z samego efektu. Dzięki temu CES pomaga wykryć miejsca, w których firma niepotrzebnie komplikuje klientowi życie.

Jaki wpływ na jakość CX mają personalizacja i podejście omnichannel?

Wielokanałowość (Omnichannel) odpowiada za spójność komunikacji marki pomiędzy punktami styku. Klient może np. zacząć swoją podróż od reklamy w social mediach, przejść na stronę, dopytać na czacie, a potem sfinalizować zakup w aplikacji lub sklepie stacjonarnym. Jeśli w każdym z tych miejsc dostaje ten sam ton komunikacji, aktualną ofertę i logiczny ciąg dalszy wydarzeń, jego doświadczenie jest płynne. Jeśli musi zaczynać od zera w każdym kanale, jakość CX wyraźnie spada.

Odpowiednia personalizacja sprawia natomiast, że komunikacja nie jest tylko spójna, ale też adekwatna. Marka może ściśle dopasować treść, ofertę, rekomendacje produktowe albo moment kontaktu do zachowań, preferencji i wcześniejszych decyzji klienta – a to zwiększa poczucie, że dobrze rozumie potrzeby odbiorcy.

Coraz większą rolę w tym procesie odgrywa dziś sztuczna inteligencja (AI). To ona pomaga analizować dane, przewidywać intencje zakupowe i dobierać komunikaty w czasie zbliżonym do rzeczywistego. Firma może szybciej reagować na sygnały i lepiej zarządzać cyfrowym doświadczeniem klienta (Digital Customer Experience, DCX). AI wspiera też automatyzację marketingu, np. poprzez automatyczne dostosowanie oferty, segmentację odbiorców i rekomendacje. Każde z tych rozwiązań poprawia CX jednak tylko wtedy, gdy działa w odpowiednim momencie i w odpowiednim kontekście – więc należy opierać się na danych.

Idealne nadaje się do tego celu Big Data – bo pozwala łączyć informacje z wielu różnych źródeł. Platforma danych o klientach (CDP, Customer Data Platform) może uporządkować je wszystkie w jeden profil klienta, dzięki czemu marka nie działa po omacku.

Podsumowując: omnichannel porządkuje całość kontaktu, a personalizacja nadaje mu sens z perspektywy klienta. Dopiero połączenie obu podejść sprawia, że CX staje się jednocześnie spójne i dopasowane.

Jak Employee Experience (EX) wpływa na relacje z klientami?

Doświadczenie pracownika (Employee Experience, EX) wpływa na relacje z klientami bardzo bezpośrednio: zadowolony, dobrze wdrożony i wspierany pracownik zwykle gwarantuje dobre wrażenie i doświadczenie klienta. Związek między EX i CX jest dobrze opisany w badaniach.

Jest tak, ponieważ w praktyce pracownicy są ambasadorami marki. To oni nadają ton kontaktowi, wyjaśniają zasady, przejmują napięcie klienta i często ratują sytuację wtedy, gdy coś nie zadziałało tak jak powinno. Dotyczy to zarówno sprzedaży, jak i takich obszarów jak wsparcie techniczne czy obsługa posprzedażowa, gdzie klient szczególnie szybko wyczuwa, czy ma kontakt z kimś zaangażowanym.

Dobrym przykładem jest tutaj IKEA, która w swojej komunikacji pracodawcy podkreśla wspólnotowość, rozwój i przyjazne środowisko pracy, a w ogłoszeniach na stanowiska związane z obsługą regularnie akcentuje dbałość o jak najlepsze doświadczenie klienta, współpracę między działami i spokojne działanie w trudnych sytuacjach.

Jakie błędy najczęściej obniżają jakość doświadczeń klienta?

Błędy w CX zwykle nie wynikają z jednego dużego zaniedbania, tylko z kilku powtarzalnych problemów, które z czasem zaczynają psuć relację z klientem. Gdy firma ich nie zauważa albo reaguje zbyt późno, spada satysfakcja, rośnie frustracja i zwiększa się ryzyko odejścia do konkurencji. Najczęstsze problemy to:

Wysoki Churn Rate

Jednym z najbardziej kosztownych błędów, jakie można popełnić w obszarze CX jest lekceważenie sygnałów, że klient zaczyna się wycofywać. Wysoki wskaźnik rezygnacji (Churn rate) zwykle nie bierze się z jednego incydentu, tylko z serii drobnych rozczarowań: niespełnionych obietnic, powolnych reakcji, niejasnych zasad albo kontaktu, który wymaga po prostu zbyt dużo wysiłku. Każda taka sytuacja osłabia relację, a z czasem odbiera marce nie tylko przychód, lecz także szansę na rekomendacje.

Ignorowanie feedbacku

Innym, częstym problemem jest ignorowanie opinii klientów. Sama ankieta niczego nie poprawia, jeśli firma nie wyciąga z niej wniosków. Brak reakcji na feedback prowadzi do ciągłego powtarzania tych samych błędów, a to szybko przekłada się na negatywne komentarze, słabszy marketing i większą podatność klientów na oferty konkurencji.

Brak spójności

Jakość CX mocno obniża też brak spójności między kanałami. Jeśli klient dostaje inną informację na stronie, inną na infolinii, a jeszcze inną w sklepie lub w aplikacji, to firma wygląda (co najmniej!) na chaotyczną. Brak ciągłości wydłuża proces, powoduje frustrację i zwiększa ryzyko porzucenia tematu. Problem staje się jeszcze większy wtedy, gdy klient musi kilka razy tłumaczyć to samo albo sam szukać odpowiedzi, bo marka nie zapewnia sensownej samoobsługi.

Pasywne podejście

Żeby skutecznie ograniczać negatywne opinie, trzeba działać proaktywnie – wychwytywać sygnały ostrzegawcze, zanim klient zacznie publicznie mówić o swojej frustracji. Social Listening, czyli monitorowanie wzmianek, komentarzy i nastrojów wokół marki to narzędzie, które bardzo wyraźnie i wcześnie wskazuje bolączki klientów. Szybka, aktywna reakcja i poprawa procesu pozwala w takich sytuacjach zatrzymać niezadowolenie, zanim przerodzi się w trwały problem wizerunkowy.

The post Customer Experience (CX): czym jest i jak wpływa na relacje z klientami? first appeared on Conversion.

Czego dowiesz się z tego wywiadu:

Ewolucja podejścia do danych w polskim e-commerce

Testowanie hipotez i optymalizacja ścieżki zakupowej

Badania z użytkownikami i UX na światowym poziomie

Sztuczna inteligencja w analityce i biznesie internetowym

Podsumowanie: Główne wnioski z rozmowy

Ewolucja podejścia do danych w polskim e-commerce

Od decyzji opartych na intuicji do pełnej analityki

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

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

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

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

Przełamywanie barier w organizacjach

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

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

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

Testowanie hipotez i optymalizacja ścieżki zakupowej

Znaczenie weryfikacji pomysłów

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

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

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

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

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

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

Zakupy jako gość a długofalowa strategia

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

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

\

Badania z użytkownikami i UX na światowym poziomie

Znaczenie pytania klientów o zdanie

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

Optymalizacja listingu produktowego

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

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

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

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

Sztuczna inteligencja w analityce i biznesie internetowym

Szanse i pułapki wdrożeń AI

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

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

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

AI jako wirtualny asystent analityka

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

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

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

Podsumowanie: Główne wnioski z rozmowy

Najważniejsze lekcje dla branży e-commerce

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

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

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

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

Czego dowiesz się z tego wywiadu:

Czym tak naprawdę jest Retail Media?

Skąd bierzemy dane analityczne w świecie fizycznym?

Mierzalność działań i wyliczanie ROAS w sklepach stacjonarnych

Zastosowanie Retail Media dla sklepów e-commerce i punktów offline

Prywatność i bezpieczeństwo danych użytkowników

Podsumowanie: Główne wnioski z rozmowy

Czym tak naprawdę jest Retail Media?

Omnichannelowe podejście do komunikacji

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 Piotr Zagórski. Miło mi Ciebie gościć, Piotrku. Będziemy rozmawiali o Retail Media. Czy mógłbyś na wstępie opowiedzieć, dlaczego jesteś jedną z lepszych osób w Polsce, by rozmawiać o tym temacie i czym właściwie to Retail Media jest?

Piotr Zagórski: Cześć. Bardzo dziękuję za zaproszenie. Cieszę się, że mamy okazję o tym porozmawiać. Faktycznie, Retail Media to obecnie gorący temat. Czy jestem jedną z lepszych osób, by o tym mówić – nie mnie oceniać, natomiast tematem zajmuję się już wiele lat. Mamy teraz okres, kiedy zyskuje to niesamowitą popularność w Polsce i na rynkach zagranicznych. I nie dzieje się to bez powodu.

Retail Media to pojęcie, które odnosi się do komunikacji kierowanej przede wszystkim do klientów sieci handlowych w ujęciu omnichannelowym. Sieci handlowe jako punkty sprzedaży są traktowane zarówno offline’owo, czyli to może być Rossmann, Biedronka czy Walmart, jak i online’owo, czyli dowolny marketplace typu Allegro czy eBay, a także standardowy sklep e-commerce. Chodzi o to, by skupiać się na komunikacji do klientów, którzy mają dostęp do półki sklepowej. Z tej perspektywy komunikacja zawsze będzie się stosunkowo lepiej przekładać na konwersje sprzedażowe.

Jeżeli zainteresujemy odbiorcę komunikatem, wiedząc, że ma dostęp do półki i jest klientem danego sklepu, ma on realną szansę kupić dany produkt. Jeżeli prowadzimy taką komunikację szeroko, bez uwzględnienia kryterium dostępu do produktu w targetowaniu, część osób po prostu nie będzie w stanie go nabyć. Ta część inwestycji w komunikację nie ma szans konwertować na zakup, co znacznie obniża efektywność działań. Stąd wielka popularność Retail Mediów. Mówimy o komunikacji do klientów, którzy często są już w zaawansowanym procesie decyzji zakupowej – dotyczy to zarówno produktów FMCG na półce, jak i zakupu samochodu.

Mariusz Michalczuk: Czyli z tego, co rozumiem, choć dzisiaj większość mówi o Retail Media w internecie, Ty zwracasz uwagę, że to całościowy sposób dotarcia do użytkowników. Żyjemy w świecie fizycznym i styczność z produktem jest niezwykle istotna. Retail Media to nie tylko marketplace’y czy e-commerce, ale w dużej mierze sklepy stacjonarne.

Piotr Zagórski: Zgadza się. Absolutna większość sprzedaży na rynku to cały czas sklepy stacjonarne, odgrywają one niezwykle silną rolę. Z drugiej strony, w digitalu konsument jest celem pod kątem targetowania komunikacji. Liczy się to, czy może on kupić produkt i czy chce to zrobić. Jeżeli ktoś interesuje się daną kategorią, szuka informacji w internecie lub odwiedza sklepy, to wysłanie mu ciekawej oferty sprzedażowej z rabatem znacznie zwiększy szansę na zakup w porównaniu do osoby, która w ogóle nie jest zainteresowana, mimo fizycznego dostępu do sklepu.

Skąd bierzemy dane analityczne w świecie fizycznym?

Aplikacje mobilne i geolokalizacja w targetowaniu

Mariusz Michalczuk: Od razu pojawia mi się pytanie – skąd my to wiemy? W internecie lepiej lub gorzej rozpoznajemy zainteresowania, ale jak to się dzieje w świecie fizycznym? Skąd wiemy, że ktoś przebywa w danym Rossmannie i jest zainteresowany konkretnymi produktami?

Piotr Zagórski: To bardzo dobre pytanie. Myślę, że warto opisać rzeczywistość marketingową na kilku poziomach. Pierwszy poziom to konsumenci – żywe osoby, do których chcemy dotrzeć. Fajnie, jeśli mamy możliwość selekcji pod kątem zainteresowań i dostępu do produktów. Tu pojawia się drugi poziom, czyli dane. Mamy szeroki wachlarz dostępnych informacji i musimy wiedzieć, które z nich pozwolą precyzyjnie określić docelowe osoby.

W komunikacji digitalowej najpopularniejsze były cookiesy. Pozwalały targetować osoby odwiedzające konkretne strony, np. motoryzacyjne. My w naszej firmie, zajmując się komunikacją w modelu Retail Media, korzystamy z innego źródła. Są to dane z telefonów komórkowych, a dokładniej z aplikacji mobilnych. Nie mówią one o tym, jakie strony były odwiedzane, ale pokazują, jakie fizyczne lokalizacje dany użytkownik odwiedzał.

Mariusz Michalczuk: Przez osobę, która ten telefon posiada?

Piotr Zagórski: Dokładnie. Aplikacje, aby dostarczać swoją funkcjonalność, zbierają sporo informacji. Choćby Google Maps musi wiedzieć, gdzie jesteśmy, by wytyczyć trasę. Wykorzystuje do tego sygnał GPS z precyzją od 3 do 5 metrów. Tworząc system do zarządzania wykorzystaniem tych danych w sposób zanonimizowany – co jest niezwykle istotne pod kątem RODO – jesteśmy w stanie targetować osoby odwiedzające konkretne miejsca.

Wybieramy kilka tysięcy lokalizacji, w których znajdują się sklepy stacjonarne. Chcemy dotrzeć do osób wchodzących do tych miejsc, bo wiemy, że są to klienci danej sieci. Następnie możemy korzystać z dodatkowych warstw analitycznych.

Mariusz Michalczuk: Spróbuję to sparafrazować. Wiemy, że ktoś wchodzi do Rossmanna, więc zakładamy, że interesuje się tematami kosmetycznymi. Dobrze to rozumiem?

Piotr Zagórski: Ważniejsze jest to, że to po prostu klient Rossmanna. Dla producenta oferującego tam swoje produkty, kluczowe jest inwestowanie w komunikację docierającą bezpośrednio do tych klientów, zamiast przepłacać za ludzi robiących zakupy w konkurencyjnej sieci. Inne dane pozwalają nam dodatkowo zawężać tę grupę.

Jeżeli reklamujemy pieluszki dla dzieci i targetujemy klientów Biedronki, nie chcemy kierować przekazu do wszystkich. Skupiamy się na grupie parentingowej. Wykorzystujemy demografię oraz aplikacje, z jakich ktoś korzysta. Możemy targetować osoby odwiedzające Rossmanna, które jednocześnie mają zainstalowane aplikacje dla rodziców. Mamy pewność, że posiadają małe dzieci. Konwersja z tak dopasowanej komunikacji jest w oczywisty sposób o wiele wyższa w porównaniu do klasycznego bazowania na plikach cookies.

Mariusz Michalczuk: Rozumiem, że wy nie znacie konkretnego użytkownika, tylko warunki i kryteria, które go charakteryzują?

Piotr Zagórski: Tak, dlatego to wszystko jest zgodne z RODO i bazuje na dobrowolnych zgodach marketingowych użytkowników. Jest to w stu procentach bezpieczne.

\

Mierzalność działań i wyliczanie ROAS w sklepach stacjonarnych

Od wyświetlenia kreacji reklamowej do zakupu offline

Mariusz Michalczuk: Mógłbyś opisać proces prowadzenia takich działań? Jak klient do Ciebie trafia, z jaką potrzebą, i jak po kolei wygląda proces prowadzący do ostatecznych efektów?

Piotr Zagórski: Potrzeby są różne i dostosowane do specyfiki marki, jej celów marketingowych, jednak zawsze przewija się element dostępu do punktu sprzedaży. Świat Retail Media dzieli się na „in-store media”, czyli punkty styku na terenie sklepu – banery e-commerce, ekrany przy kasach, naklejki na podłodze – oraz „out-of-store media”. Te drugie dotyczą komunikacji do klientów sklepu realizowanej, zanim jeszcze do niego wejdą.

Mamy wtedy więcej czasu na zainteresowanie ofertą i zbudowanie wysokiej częstotliwości kontaktu. Wpływa to na świadomość wspomaganą, ponieważ decyzje w supermarkecie są często automatyczne – rozpoznajemy produkt i po niego sięgamy. Lubimy to, co znamy. Działania przed wejściem do sklepu przygotowują klienta do zakupu, by produkt odpowiednio wyeksponowany przy półce tylko domknął ten proces transakcyjny.

Mariusz Michalczuk: Najciekawsze w tym wszystkim jest to, że zbliżacie się do precyzyjnego policzenia zwrotu z inwestycji, co w przypadku fizycznych wizyt w sklepie wydawało się bardzo trudne. W jaki sposób mierzycie, jak reklama w telefonie wpływa na sprzedaż w stacjonarnym oddziale?

Piotr Zagórski: Tak to dokładnie robimy. Celem kampanii jest wsparcie sprzedaży. Jeżeli klient oczekuje wzrostu w konkretnych punktach, najpierw szacujemy potencjał grup docelowych np. w promieniu 500 metrów od lokalizacji. Weryfikujemy, jak kampania wpłynęła na przyrost unikalnych klientów w punktach sprzedaży w czasie jej trwania. Szacujemy dokładny, procentowy wzrost liczby osób wygenerowany dzięki reklamie.

Mając z drugiej strony dostęp do danych sprzedażowych, zarówno ilościowych, jak i wartościowych, zestawiamy to z wygenerowanym ruchem. W ten sposób dokładnie liczymy ROAS z kampanii fizycznej, czyli sprawdzamy, jak inwestycja przełożyła się na dodatkową sprzedaż, a często dochodzimy z analizą aż do poziomu wskaźnika ROI.

Mariusz Michalczuk: Wyobrażam sobie, że producent napojów, inwestując w taką kampanię, generuje korzyść również dla samej sieci handlowej, bo sprowadza do sklepu klienta, który przy okazji kupi też inne rzeczy.

Piotr Zagórski: Dokładnie tak. Zachęcamy naszych klientów do łączenia budżetów na poziomie sieci handlowej i samego producenta. Łącząc zasoby budujemy silniejszą komunikację. Realizowane są cele obu podmiotów, a próg wejścia w taką inwestycję rozkłada się proporcjonalnie, zwiększając zasięg działań.

Zastosowanie Retail Media dla sklepów e-commerce i punktów offline

Wykorzystanie przestrzeni reklamowej i skali

Mariusz Michalczuk: Jak to wygląda ze skalą Waszej bazy odbiorców? Żeby docieranie do klientów w promieniu chociażby 500 metrów miało sens, ta baza użytkowników na pewno musi być ogromna.

Piotr Zagórski: W Polsce nasz zasięg wynosi około 80% użytkowników smartfonów, co pozwala na wpływanie na biznes klienta w naprawdę dużej skali. Globalnie mamy z kolei dostęp do ponad 3,1 miliarda klientów, dzięki czemu najwięksi marketerzy mogą prowadzić kampanie z użyciem tego samego standardu na całym świecie, traktując nas jako jeden punkt dostępu bez względu na to, czy to Polska, Australia, czy Stany Zjednoczone.

Mariusz Michalczuk: Czy realizujecie działania również dla firm w 100% e-commerce’owych? Wyobrażam sobie, że jako sklep internetowy mógłbym chcieć dotrzeć do klientów fizycznych sklepów mojej konkurencji i sprowadzić ich do mojego online’u.

Piotr Zagórski: Jak najbardziej. Realizujemy takie kampanie na przykład dla branży fashion. Klient posiadający wyłącznie e-commerce targetuje osoby, które poszły do fizycznych salonów konkurencyjnych marek odzieżowych. Z perspektywy konsumenta nie ma sztywnego podziału na online i offline – są konkretne potrzeby zakupowe. Emitujemy odpowiednie reklamy w używanych przez nich aplikacjach, generując zainteresowanie ofertą i przenosząc ten fizyczny ruch bezpośrednio do aplikacji lub sklepu online.

Podobnie funkcjonuje to w biznesach wyłącznie offline’owych. Targetujemy użytkowników odwiedzających konkurencję w zdefiniowanym przez nas zasięgu kilometra. Mierzymy, ile z tych osób zainteresowało się reklamą i po jej obejrzeniu przyszło ostatecznie do salonu naszego klienta.

Prywatność i bezpieczeństwo danych użytkowników

Kwestia RODO i radzenia sobie w gąszczu analitycznym

Mariusz Michalczuk: Brzmi to jak performance marketing w świecie offline. Mamy w dzisiejszych czasach sporo wyzwań z plikami cookies, ochroną prywatności i RODO. Mówiłeś, że opieracie się na anonimowych grupach, ale z perspektywy firmy zarządzającej takimi informacjami – jak zaadresować ewentualne obawy?

Piotr Zagórski: Prywatność to element absolutnie kluczowy. Dane przetwarzane przez system są w pełni zanonimizowane. Nigdy nie mamy dostępu do danych osobowych czy informacji określających, kim dany użytkownik jest. Aby dodatkowo wykluczyć ryzyko wejścia w obszar identyfikacji, nie schodzimy w naszych działaniach z targetowaniem poniżej grupy liczącej 10 tysięcy osób. Działania te służą generowaniu dużych wolumenów i docieraniu do masowego odbiorcy, zatem zbyt wąskie grupy nie miałyby zresztą żadnego sensu biznesowego.

Mariusz Michalczuk: Na koniec chciałbym zapytać Cię o radę. Przedsiębiorcy prowadzący e-commerce mają mnóstwo danych online. Teraz, dzięki rozwiązaniom Retail Media, dochodzą im dane napływające ze świata fizycznego. Jak właściciele biznesów mają się w tym wszystkim nie pogubić? Od czego zacząć analizę?

Piotr Zagórski: Narzędzi do analityki i działań marketingowych są na rynku tysiące. Do tego wchodzi dynamicznie obszar AI, przez co można poczuć spore zagubienie. Moja główna rada brzmi: zacznij od przemyślenia realnych potrzeb i głównego celu jako marketera. Jeżeli Twoim nadrzędnym celem jest sprzedaż – online czy offline – szukaj w pierwszej kolejności danych pozwalających zweryfikować, czy poszczególne działania tę sprzedaż podnoszą.

Najgorsze podejście to prowadzenie działań bez możliwości rzetelnej weryfikacji ich skuteczności. Analityka musi być ściśle powiązana z celami biznesowymi. Unikaj dorzucania w analityce celów dodatkowych, które stoją w sprzeczności z główną strategią optymalizacji. Precyzyjne zdefiniowanie jednego konkretnego obszaru do weryfikacji to punkt startowy każdej dobrej strategii długoterminowej.

Mariusz Michalczuk: Mega. Dzięki ogromne za dawkę inspiracji, za podzielenie się wiedzą i trzymam mocno kciuki za dalszą ekspansję, bo technologia zdejmuje dotychczasowe ograniczenia.

Piotr Zagórski: Bardzo dziękuję za zaproszenie. Temat faktycznie jest fascynujący. Wielkie dzięki!

Podsumowanie: Główne wnioski z rozmowy

Kierunki rozwoju na styku e-commerce i stacjonarnego handlu

Wywiad z Piotrem Zagórskim doskonale pokazuje, że nadeszła era integracji metod analitycznych wykorzystywanych w internecie ze światem fizycznych zakupów. Koncepcja Retail Media przenosi skuteczność performance marketingu bezpośrednio w przestrzeń sklepów stacjonarnych i offline’owej konkurencji, otwierając zupełnie nowe możliwości przed marketerami.

Bazuje ona na zaawansowanym i jednocześnie całkowicie zanonimizowanym i bezpiecznym z punktu widzenia RODO wykorzystaniu geolokalizacji dostarczanej z poziomu aplikacji mobilnych. Pozwala to na emitowanie dedykowanego przekazu tylko do osób, które faktycznie przebywały w obrębie danego sklepu, zamiast emitować komunikaty do zbyt ogólnych i niedopasowanych targetów.

Rozmowa podkreśla kluczową rolę rzetelnej mierzalności w tego typu działaniach. Wykorzystanie platform Retail Media umożliwia marketerom to, co długo było piętą achillesową działań offline – dokładne zestawienie wydatków mediowych ze strumieniem realnych odwiedzin w salonie lub wygenerowaniem konkretnych paragonów (ROAS). Aby te systemy odniosły w danej organizacji sukces, niezbędne jest jednak uproszczenie wskaźników mierzalności do najważniejszych celów biznesowych bez generowania chaosu analitycznego na poboczne i nieistotne metryki.

The post Czym jest Retail Media? – Piotr Zagórski – Date with Data Talks first appeared on Conversion.

Często trzeba było “żonglować” kilkoma kampaniami jednocześnie, ręcznie alokować budżety i nieustannie testować stawki. Performance Max jednak fundamentalnie zmienił reguły tej gry. Co powinieneś wiedzieć o tym typie kampanii?

Co znajdziesz w tym artykule?
Co to jest kampania Performance Max w Google Ads?
Gdzie wyświetlają się reklamy w ramach Performance Max?
Grupy zasobów, materiały kreatywne – jak je tworzyć?
Jak działają sygnały o odbiorcach i sztuczna inteligencja w PMax?
Jaką strategię ustalania stawek i cele konwersji wybrać?
Jak wykorzystać Performance Max w e-commerce i generowaniu leadów?
Jak optymalizować kampanię i analizować raporty?
Wady i zalety automatyzacji w Performance Max

Co to jest kampania Performance Max w Google Ads?

Performance Max to zautomatyzowany typ kampanii w Google Ads, który łączy wszystkie miejsca emisji reklam w jedną, zintegrowaną kampanię. Zamiast osobno ustawiać działania pod wyszukiwarkę, YouTube czy Display, konfigurujesz jeden format, a system dobiera, gdzie i komu pokazać reklamy, tak, żeby jak najlepiej zrealizować Twoje cele biznesowe.

PMax działa w systemie aukcyjnym Google: reklamy konkurują o wyświetlenia i kliknięcia, a wynik zależy m.in. od stawki, przewidywanej skuteczności i jakości. Tyle że tutaj sporą część pracy przejmuje Automatyzacja oparta o Sztuczną inteligencję. AI w czasie rzeczywistym zarządza licytowaniem i optymalizacją budżetu, korzystając z uczenia maszynowego oraz sygnałów z konta (np. takich jak dane o konwersjach i zachowaniach użytkowników). Ty jedynie wskazujesz kierunek (np. sprzedaż, leady, wizyty), a system szuka najkrótszej drogi do celu.

Performance Max jest uznawany za następcę rozwiązań takich jak Smart Shopping oraz kampanie lokalne. W porównaniu do innych typów kampanii zapewnia zwykle trzy potencjalne profity: wzrost liczby i wartości konwersji, szeroki zasięg w całym ekosystemie Google oraz sporą oszczędność czasu.

Warto jednak pamiętać, że PMax potrzebuje około 6 do 8 tygodni na zebranie danych i ustabilizowanie wyników.

Gdzie wyświetlają się reklamy w ramach Performance Max?

Jedną z najciekawszych cech kampanii Performance Max jest to, że konfigurujemy ją tylko raz, a będzie działać w ramach całego ekosystemu reklamowego Google. System łączy i obsługuje różne miejsca wyświetlania reklam w tym samym zestawie ustawień. Następnie algorytm dynamicznie dobiera placementy (czyli konkretne powierzchnie emisji) – w zależności od tego, gdzie dany użytkownik ma największy potencjał konwersji.

W praktyce reklamy mogą pojawiać się w następujących kanałach:

• Sieć wyszukiwania (Search),
• YouTube (w tym również reklamy wideo),
• Sieć reklamowa Google (GDN),
• Google Maps,
• Gmail,
• Google Discover.

Dzięki integracji tak wielu kanałów rośnie tzw. reach, czyli liczba realnych okazji, by dotrzeć do użytkowników w różnych momentach ich ścieżki zakupowej.

W sieci wyszukiwania Performance Max zwykle uzupełnia standardowe kampanie oparte o słowa kluczowe, zamiast je wprost zastępować. Oznacza to, że obok tradycyjnych reklam tekstowych z kampanii Search, PMax może przejmować część emisji tam, gdzie widzi dodatkową szansę na pożądany wynik (rzecz jasna przy zachowaniu logiki aukcji i dopasowania do intencji użytkownika).

Poza siecią wyszukiwania Performance Max pracuje w sposób zależny od kontekstu i przewidywanego wyniku.

Na YouTube oznacza to najczęściej działania na górze lejka sprzedażowego: budowanie świadomości marki i prowadzenie użytkownika do kolejnych kroków – przy pomocy wideo. Tym samym jest to kanał szczególnie wrażliwy na jakość materiałów.

W sieciach reklamowych dominują reklamy graficzne. Algorytm wybiera placementy w witrynach i aplikacjach tak, by w jak największym stopniu wykorzystać szeroki zasięg witryny.

Mapy (Google Maps) są naturalnym uzupełnieniem procesu, gdy liczy się intencja lokalna: system dopasowuje emisję do sytuacji, w której użytkownik jest blisko decyzji i prawdopodobieństwo jego działania jest wysokie.

W Gmailu reklamy pojawiają się w środowisku skrzynki odbiorczej, co gwarantuje inny typ uwagi, a z kolei emisja w Google Discover opiera się na dopasowaniu do zainteresowań i zachowań użytkownika, a nie do zapytania.

Niezależnie od kanału, logika zawsze pozostaje ta sama: w ramach jednej konfiguracji system dynamicznie wybiera placementy i formaty, kierując się tym, gdzie może uzyskać najlepszy efekt konwersyjny.

Grupy zasobów, materiały kreatywne – jak je tworzyć?

Podstawą kampanii PMax są Grupy zasobów. To zestawy, w których zbierasz Zasoby (Assets), czyli gotowe materiały kreatywne, np.:

• Nagłówki,
• długie nagłówki,
• opisy,
• teksty reklamowe,
• obrazy,
• wideo
• logo.

Można przyjąć, że jedna grupa zasobów = jeden spójny temat (np. konkretna kategoria produktów, usługa albo oferta sezonowa), z którego system złoży różne kombinacje reklam (np. inne zestawy nagłówków i obrazów) a następnie dobierze je do miejsca emisji, urządzenia i intencji użytkownika.

Po uzupełnieniu Grupy zasobów, algorytm zaczyna budować dynamiczne kombinacje reklam. Siła reklamy to sygnał, czy zasobów jest wystarczająco dużo i czy mają sensowną różnorodność (co przekłada się na to, ile wariantów system w ogóle może przetestować).

 
Jeśli nie posiadasz filmów, Performance Max potrafi uruchomić automatyczne generowanie zasobów wideo (z obrazów, logo i tekstów), ale własne wideo zwykle gwarantuje znacznie lepszą jakość komunikacji (a na pewno jej większą przewidywalność!).

Warto od razu zaplanować całość tekstów na potrzeby kampanii. Krótsze nagłówki, jeden–dwa długie oraz kilka różnych opisów. Dobrze, jeśli pojawią się tu konkretne informacje (oferta, przewaga, kategoria) i jasne wezwanie do działania (CTA). System może je zestawiać na różne sposoby, zależnie od tego, czy dany kontekst wymaga informacji, czy impulsu do kliknięcia.

Warto jeszcze pamiętać o dodatkowych elementach, które realnie podnoszą skuteczność, choć nie są stricte zasobami. Tzw. komponenty reklamowe, takie jak linki do podstron czy dodatkowe objaśnienia, potrafią znacznie zwiększyć widoczność i klikalność – bo reklama zajmuje więcej miejsca i szybciej prowadzi użytkownika do właściwej sekcji oferty. Dodatkowo pomagają systemowi lepiej zrozumieć strukturę strony i intencję kampanii.

Jak działają sygnały o odbiorcach i sztuczna inteligencja w PMax?

Sygnały o odbiorcach w ramach kampanii Performance Max działają inaczej niż klasyczne, sztywne targetowanie. To raczej zestaw wskazówek, dzięki którym algorytmy szybciej rozumieją, jacy użytkownicy mają największą szansę wykonać pożądane działanie. Innymi słowy: sygnały podpowiadają kierunek, ale nie “zamykają” kampanii. System wciąż może szukać konwersji szerzej, jeśli dane pokażą, że warto.

Widać to szczególnie na starcie kampanii. Dobrze dobrane sygnały o odbiorcach skracają fazę uczenia się i usprawniają proces, bo model od razu dowiaduje się gdzie pojawiają się wartościowe konwersje i jakie są intencje użytkowników, które prowadzą do pożądanego wyniku. Pozwala to szybciej zidentyfikować osoby bliskie decyzji, z wysokim prawdopodobieństwem zakupu lub kontaktu.

Co wykorzystuje się jako sygnały?

• listy remarketingowe (np. osoby, które były na stronie lub dodały produkt do koszyka),
• bazy klientów (np. listy klientów lub leadów, o ile są zgodne z politykami Google),
• niestandardowe segmenty oraz niestandardowe listy odbiorców (np. osoby powiązane z konkretnymi zachowaniami lub tematami),
• dane demograficzne (wiek, płeć, lokalizacja – o ile ma to sens),
• kategorie odbiorców – takie jak odbiorcy na rynku i podobne zainteresowania (kiedy zależy nam na dotarciu do osób z określonym profilem).

Dodatkowym narzędziem nakierowania są tematy wyszukiwań. To sposób, by wskazać z jakimi zapytaniami lub obszarami intencji kampania ma się łączyć. Nie zastępuje to słów kluczowych z klasycznej kampanii w wyszukiwarce, ale pomaga systemowi lepiej i szybciej dopasować emisję do właściwych intencji i kontekstów.

Jaką strategię ustalania stawek i cele konwersji wybrać?

Licytacje w kampaniach Performance Max są oparte o Smart Bidding – automatyczne strategie ustalania stawek, które w czasie aukcji optymalizują stawki pod wskazane cele konwersji. Żeby algorytm działał konieczne jest więc poprawne śledzenie konwersji. Pomocna bywa atrybucja oparta na danych, ponieważ porządkuje przypisywanie efektów.

W praktyce najczęściej wybiera się jedną z dwóch strategii:

1. Maksymalizacja liczby konwersji
To dobra opcja, gdy priorytetem jest wolumen działań – leady, zapytania, rejestracje. System dąży do tego, by zagwarantować jak najwięcej konwersji w ramach budżetu.

Jeśli chcesz utrzymać koszty w ryzach, możesz dodać Docelowy CPA (koszt za akcję).

2. Maksymalizacja wartości konwersji
Ten wariant ma najwięcej sensu, gdy liczy się nie tylko liczba, ale też wartość konwersji (np. przychód w e-commerce). Wtedy kampania będzie preferować tych użytkowników, którzy statystycznie dokonują większych zakupów albo częściej wracają.

Kontrolę rentowności zapewnia w tym przypadku Docelowy ROAS (zwrot z nakładów na reklamę).

Dobór strategii powinien wynikać z celów biznesowych: sprzedaż zwykle lepiej opierać na kampaniach z wartością konwersji i ROAS, a te nastawione na leady: z liczbą konwersji i CPA.

Na działanie algorytmów mocno wpływa też budżet dzienny. Im bardziej jest on stabilny i adekwatny do skali celu, tym łatwiej Smart Bidding utrzymuje przewidywalne wyniki.

Jak wykorzystać Performance Max w e-commerce i generowaniu leadów?

Kampanie PMax są powszechnie (i z dużą skutecznością) stosowane zarówno do napędzania sprzedaży w e-commerce, jak i generowania leadów dla firm zajmujących się usługami.

W przypadku e-commerce bardzo ważna jest integracja z Google Merchant Center, bo to właśnie tam znajdują się dane produktowe z Twojego sklepu. Performance Max wykorzystuje je w oparciu o feed produktowy: listę produktów z nazwami, cenami, dostępnością, atrybutami i strukturą, która obejmuje m.in. kategorie produktów. Im bardziej uporządkowany i aktualny feed, tym lepiej system dopasowuje reklamy do intencji zakupowych. W praktyce oznacza to też, że kampania może promować konkretne produkty, np. priorytetowo pokazywać bestsellery, wybrane kategorie albo asortyment sezonowy – bez budowania osobnych zestawów pod każdy kanał.

W modelu generowania leadów ciężar przenosi się z danych produktowych na jakość danych o konwersji i doświadczenie użytkownika po kliknięciu. Większe znaczenie ma dopracowanie ścieżki: jasna oferta, szybki kontakt, sensowne pola w formularzu kontaktowym i spójne mierzenie jakości leadów (żeby kampania uczyła się na właściwych sygnałach). Performance Max może naturalnie wspierać również wizyty w punkcie stacjonarnym – dzięki emisji reklam w Google Maps. Upewnij się, że kampania promuje właściwe punkty i kieruje użytkownika do najwygodniejszej lokalizacji.

Niezależnie od modelu biznesowego, w PMax można łatwo uruchomić pozyskiwanie nowych klientów – poprzez Tryb New Customer Acquisition (NCA). To ustawienie pomaga ukierunkować system na wyszukiwanie takich osób, które z dużym prawdopodobieństwem nie miały jeszcze żadnego kontaktu z marką.

Jak optymalizować kampanię i analizować raporty?

Optymalizacja w PMax opiera się głównie na danych i zasobach.

Na poziomie podstawowym warto regularnie kontrolować statystyki kampanii i kluczowe metryki: kliknięcia, CTR oraz wskaźniki konwersji – to jasne sygnały świadczące o jakości kampanii, tym czy działa, czy raczej stoi w miejscu.

Najważniejszym raportem w samym Google Ads jest raport zasobów. Pokazuje on skuteczność kreacji i ułatwia decyzję, co wymienić lub dodać. W e-commerce dobrze jest równolegle sprawdzać wyniki produktowe, bo spadki wyników często wynikają z tego, które produkty system promuje najmocniej, a nie tylko z jakości kreacji. Zwróć też uwagę na ustawienie “rozszerzanie końcowego adresu URL”. Może zwiększać zasięg i liczbę dopasowań, bo system kieruje użytkownika na bardziej trafne podstrony, ale wymaga kontroli.

Analiza Search Terms (wyszukiwanych haseł) pozwala z kolei wychwycić nowe tematy i dopasować do nich komunikaty lub ofertę. Zmiany najlepiej wprowadzać etapami, w formie testów A/B (np. warianty nagłówków lub grafik), żeby wiedzieć, co realnie wpłynęło na wynik.

Wreszcie, zalecamy korzystanie z Google Analytics 4 – przy jego pomocy łatwo można przeanalizować ścieżki użytkowników i ocenić, czy ruch z kampanii trafia na właściwe strony, czy rozchodzi się na etapie koszyka, formularza lub landing page’a.

Wady i zalety automatyzacji w Performance Max

Automatyzacja w Performance Max jest wygodna, ale wymaga jeszcze kontroli ze strony człowieka. Jakie są jej najważniejsze zalety i wady?

Mocne strony automatyzacji w PMax:

• Skalowalność – łatwiej zwiększać budżet i zasięg bez budowania wielu kampanii ręcznie;
• Oszczędność czasu – mniej pracy przy stawkach, podziale ruchu i ręcznych korektach;
• Ciągłe czuwanie i zaawansowana optymalizacja – system na bieżąco szuka lepszego zwrotu z inwestycji (ROI) i ROAS, bo ocenia aukcje w czasie rzeczywistym i szybciej niż człowiek reaguje na zmiany popytu.

Wyzwania i wady automatyzacji w PMax:

• Mniej kontroli nad placementami;
• Ograniczone raportowanie – utrudnia szybkie reakcje i diagnozy problemów;
• Ryzyko kanibalizacji ruchu brandowego – kampania może przejmować ruch, który wynika z innych działań (ma pierwszeństwo przed kampaniami Search, gdy trafi na to samo zapytanie);
• Spalacze budżetu – część emisji może mieć słabą jakość.

Jak odzyskać kontrolę?

• Wykluczenia marek – pozwalają ograniczyć emisję na zapytania brandowe (tam, gdzie ma to uzasadnienie);
• Wykluczenia adresów URL – blokują kierowanie na podstrony, które nie powinny dostawać ruchu (np. regulaminy, puste kategorie);
• Wykluczające słowa kluczowe – pozwalają odciąć nietrafne intencje, które mogą spalać budżet i nie dawać żadnych efektów.

Uruchamiając kampanię warto zawsze na uwadze mieć bezpieczeństwo marki (Brand Safety). PMax w szczególności ma szeroki zasięg, działa w wielu miejscach naraz, a wgląd w część emisji bywa ograniczony (raportowaniem). To zwiększa ryzyko, że reklama pojawi się w niepożądanym kontekście (kontrowersyjne treści, clickbait, aplikacje o niskiej jakości itd., itp.).

The post Kampanie Google Performance Max (PMax) – co to jest, jak je skonfigurować i optymalizować? first appeared on Conversion.

Wprowadzenie do algorytmu Unified ID
Problem z łączeniem użytkowników
Rozwiązanie i korzyści z Unified ID
Jak działa Unified ID i kiedy je wdrożyć?
Ograniczenia z biznesowego punktu widzenia
Techniczne aspekty modelu danych
Podsumowanie

Wprowadzenie do algorytmu Unified ID

W tym wpisie opisuję algorytm Unified ID, który pozwala uratować marketingowe KPI. Wyjaśniam, jak działa łączenie użytkowników między różnymi urządzeniami w Google Analytics 4, jakie wyzwania pojawiają się podczas łączenia tych danych w Google BigQuery, czym jest mechanizm algorytmu Unified ID oraz jak wdrożyć Unified ID w kontekście modelu danych.

Tekst ma charakter techniczny, jednak ta wiedza jest niezbędna, aby lepiej rozumieć, jakie mechanizmy stoją za raportami marketingowymi i jakie ograniczenia mogą wpływać na ich interpretację. W tym wpisie zostanie przedstawione biznesowe podejście do analizy danych oraz opisane konkretne rozwiązanie techniczne z wykorzystaniem autorskiego modelu danych. W części biznesowej omówione zostaną statystyki dotyczące wpływu niewykorzystywania mechanizmu Unified ID na metryki marketingowe. Brak wdrożenia tego rozwiązania może negatywnie wpływać na jakość danych i skuteczność prowadzonych działań marketingowych.

Problem z łączeniem użytkowników

Problem polega na tym, że GA4 umożliwia łączenie użytkowników pomiędzy różnymi urządzeniami. Połączenia te można zobaczyć w raporcie nakładania się segmentów dostępnych w sekcji eksploracje. Aby Google Analytics 4 mógł rozpoznawać użytkowników między różnymi urządzeniami, niezbędna jest odpowiednia konfiguracja. Kluczowe znaczenie ma sekcja „tożsamość raportowania” w ustawieniach administracyjnych.

W przypadku Google BigQuery domyślnie nie następuje łączenie użytkowników korzystających z różnych urządzeń, nawet jeśli w GA4 skonfigurowano rozpoznawanie tożsamości. Przykładowo, jeśli użytkownik najpierw odwiedza stronę z telefonu podczas podróży komunikacją miejską, a następnie wraca do domu i dokonuje zakupu na komputerze, BigQuery zarejestruje te wizyty jako dwóch różnych użytkowników.

Takie rozbieżności mają istotny wpływ na metryki marketingowe wykorzystywane do analizy skuteczności działań. W BigQuery pojawia się zawyżona liczba unikalnych użytkowników w porównaniu do raportów z GA4. Nasze szacunki wskazują, że jest to średnio o 30–40% więcej unikalnych użytkowników w BigQuery niż w Google Analytics 4. Zawyżony ruch direct wynika z uciętych ścieżek konwersji, które stają się niepewne, gdy użytkownik zmienia urządzenie. W takiej sytuacji historia jego działań nie jest widoczna. Kanały odpowiadające za pozyskanie użytkowników na wcześniejszych etapach procesu zakupowego są niedoszacowane.

Rozwiązanie i korzyści z Unified ID

Rozwiązaniem tego problemu jest algorytm Unified ID. Pozwala on łączyć użytkowników korzystających z różnych urządzeń w jedno ID użytkownika, podobnie jak GA4 poprzez funkcję user ID. Działanie polega na tworzeniu grafu zależności – jeśli jedno ID (np. ciasteczko) zostanie rozpoznane na różnych urządzeniach przez logowanie, użytkownik zostaje połączony w jedno zunifikowane ID (Unified ID). Algorytm identyfikuje wspólne elementy w różnych cookie ID i łączy je w jedno ID.

Lepsze mierzenie unikalnych użytkowników

W praktyce Unified ID pozwala na dokładne mierzenie metryk pozyskiwania, szczególnie liczby unikalnych użytkowników. Poniżej znajduje się tabela przedstawiająca Merge Rate, czyli procent użytkowników połączonych między sobą, w zależności od rodzaju systemu i witryny. Dane pochodzą z rzeczywistych wdrożeń u naszych klientów. Szczególnie wysoki Merge Rate obserwujemy tam, gdzie użytkownicy często się logują, zwłaszcza w e-commerce z branży fashion. W takich przypadkach Merge Rate może osiągać nawet 30%.

Poprawa atrybucji źródeł ruchu

To pierwsza wartość płynąca z wykorzystania Unified ID. Kolejną korzyścią jest poprawa atrybucji źródeł ruchu. Dzięki Unified ID ścieżki użytkowników nie są fragmentaryczne, co umożliwia połączenie wizyt jednego użytkownika nawet wtedy, gdy korzysta z różnych urządzeń. Efektem jest bardziej precyzyjne przypisanie sesji i konwersji do właściwych źródeł ruchu.

Bez Unified ID, gdy użytkownik przerywa swoją ścieżkę i wraca z innego urządzenia, jego wizyta oraz ewentualna konwersja zostają przypisane do wejścia bezpośredniego. Wejście bezpośrednie często stanowi dużą niewiadomą w analizie ruchu. Wdrożenie Unified ID pozwala właściwie przypisać konwersje do faktycznych źródeł ruchu, które sprowadziły użytkownika na stronę. Warto podkreślić, że liczba konwersji nie wzrasta – poprawia się jedynie trafność ich przypisania. Drugą wartością jest poprawa jakości danych. Trzecią zaletą, wynikającą z poprzednich korzyści, jest to, że dzięki mniejszej liczbie użytkowników (czyli połączonym użytkownikom rozpoznanym między urządzeniami) oraz lepszej atrybucji sesji i konwersji, metryki zostają policzone dokładniej. Dotyczy to zwłaszcza metryk marketingowych, takich jak ROAS, ale także wskaźników bazujących na życiowej wartości klienta, w szczególności LTV. To właśnie takie wartości daje wdrożenie Unified ID.

Jak działa Unified ID i kiedy je wdrożyć?

Unified ID działa w ten sposób, że rozpoznanie użytkownika między urządzeniami następuje w momencie logowania i autoryzacji w produkcie na różnych urządzeniach. Gdy ten sam użytkownik zostanie zidentyfikowany, jego ciasteczka są łączone między urządzeniami. W Google BigQuery można to zrealizować także wstecz.

Unified ID warto wdrożyć w każdym serwisie, a szczególnie w przypadku, gdy użytkownicy logują się do serwisu lub gdy występuje długi cykl zakupowy. Jest to szczególnie istotne w e-commerce, gdzie od pierwszej wizyty do konwersji często mija dużo czasu. Kolejnym istotnym aspektem jest multi-device audience, czyli użytkownicy korzystający z różnych urządzeń. Wśród naszych klientów, szczególnie w branży fashion oraz na marketplace’ach, multi-device audience odgrywa dużą rolę.

Kolejny warunek, który warto uwzględnić podczas rozważania wdrożenia Unified ID, to posiadanie budżetu mediowego na poziomie co najmniej 50 tysięcy złotych miesięcznie. Dzięki takim nakładom można oczekiwać realnego zwrotu z wdrożenia Unified ID. W praktyce pozwala to na lepszą ocenę efektywności prowadzonych kampanii i mierzalne zwiększenie ich skuteczności. Kwota 50 tysięcy jest wartością orientacyjną, jednak większość naszych klientów dysponuje takim budżetem, co potwierdza zasadność wdrażania Unified ID.

Ograniczenia z biznesowego punktu widzenia

Warto pamiętać również o ograniczeniach Unified ID z biznesowego punktu widzenia. Najważniejszym z nich jest konieczność autoryzacji, czyli ujawnienia tożsamości przez użytkownika. Bez tego nie można połączyć aktywności jednego użytkownika między różnymi urządzeniami. Istnieje też ryzyko pojawienia się fałszywych połączeń, na które należy zwrócić uwagę podczas analizy danych. Na przykład, gdy dwie osoby korzystają z tego samego urządzenia, nie ma możliwości połączenia ich jako tego samego użytkownika między różnymi urządzeniami. W przypadku zastosowania consent mode, gdy użytkownik nie wyrazi zgody na obsługę ciasteczek analitycznych, wartość ciasteczka w Google BigQuery pozostaje pusta. Takiej pustej wartości nie można połączyć z innymi danymi.

Z biznesowego punktu widzenia oznacza to ograniczenie w analizie zachowań użytkowników. Poniżej przedstawiam bardziej techniczne zagadnienia na podstawie modelu danych wykorzystywanego w Conversion. Szczegółowy opis modelu danych można znaleźć w linku umieszczonym w opisie – zawiera on informacje, czym jest ten model i jak działa. W naszym modelu danych Unified ID jest domyślnie zaszyte, co umożliwia budowanie modeli atrybucji. Bez Unified ID realne modelowanie atrybucji nie byłoby możliwe. Na przykładzie prezentowanego modelu widać, jak istotna jest druga wartość: przypisujemy ruch Direct, który często stanowi niewiadomą, oraz Google Ads w analizowanym projekcie. W tym przypadku Google Ads zyskał 10% udziału w sesjach i konwersjach po zastosowaniu Unified ID.

Techniczne aspekty modelu danych

UserPseudoID a UserID

W części technicznej warto zwrócić uwagę, że identyfikatorem użytkownika lub ciasteczka w Google BigQuery jest user pseudo ID, czyli unikalny identyfikator przypisany do przeglądarki lub urządzenia. Na bazie UserPseudoID, gdy użytkownik się zaloguje, w BigQuery pojawia się również pole UserID. Nawet jeśli pole UserID jest uzupełnione, nie łączy ono automatycznie różnych UserPseudoID przypisanych do tej samej osoby. Pomimo przesłania UserID do BigQuery, raporty nie połączą tych danych bez dodatkowych działań.

Algorytm Union Find

Aby skutecznie powiązać UserPseudoID z UserID, należy wdrożyć algorytm Union Find. W Conversion korzystamy w tym celu z notebooka Pythonowego. Na grafie prezentującym powiązania użytkowników szukamy grup identyfikatorów należących do jednej osoby. Dzięki temu, na podstawie logowania użytkownika (UserID), można połączyć różne UserPseudoID pochodzące z różnych urządzeń i ciasteczek. Na tej podstawie powstaje unified ID. Kolejnym krokiem jest tworzenie tabeli wynikowej, która w modelu służy do rozrysowywania ścieżek atrybucji użytkowników, pokazując, z jakich źródeł po kolei wchodzą. Unified ID stanowi bazę dla tabel atrybucyjnych, które umożliwiają wyznaczanie różnych modeli atrybucji za pomocą modelu danych. Takie podejście pozwala uzyskać pełną ścieżkę konwersji, co ma kluczowe znaczenie w modelowaniu atrybucji. Unified ID pozwala rozwiązać kilka kluczowych problemów analityki internetowej. Pozwala ograniczyć zawyżoną liczbę użytkowników w raportach oraz zawyżony udział ruchu direct, poprawiając jednocześnie przypisanie konwersji do właściwych źródeł ruchu. Dzięki Unified ID możliwe staje się pełniejsze odwzorowanie ścieżek konwersji, co jest kluczowe dla prawidłowego modelowania atrybucji.

Wdrożenie Unified ID w modelu danych sprawia, że kanały z górnej części lejka (Upper Funnel), które pozyskują użytkowników na wczesnych etapach procesu zakupowego, nie są pomijane w analizie. Standardowe wdrożenie tej funkcji umożliwia poprawne łączenie użytkowników między różnymi urządzeniami oraz naprawia przypisywanie źródeł ruchu. Unified ID agreguje dane z różnych źródeł marketingowych, szczególnie z platform reklamowych, co przekłada się na lepszą optymalizację kosztów w Google BigQuery. Model danych nie tylko monitoruje dane, ale również alarmuje, gdy pojawiają się nieoczekiwane zmiany. Zintegrowane analizy są dostępne od pierwszego dnia wdrożenia, co pozwala natychmiast aktywować dane w biznesie. W opisie pod filmem znajduje się szczegółowy opis elementów naszego modelu danych.

Podsumowanie

Unified ID nie generuje nowych danych, konwersji ani sesji. Funkcja ta ujawnia istniejące konwersje, przypisując je do właściwych źródeł ruchu. Ma to kluczowe znaczenie dla oceny skuteczności kampanii marketingowych, zwłaszcza że domyślnie BigQuery nie oferuje takiej funkcjonalności. GA4 posiada tę możliwość, jednak zaawansowani użytkownicy zwykle korzystają z surowych danych przesyłanych do BigQuery. Korzystanie z raportowania opartego na Google BigQuery wymaga wdrożenia Unified ID. Bez tej funkcji, w dobie wielokanałowości i korzystania przez użytkowników z różnych urządzeń, obraz użytkownika staje się coraz mniej precyzyjny. Warto wdrożyć Unified ID w raportowaniu w Google BigQuery lub rozważyć skorzystanie z naszego modelu danych.

The post Łączenie danych pomiędzy urządzeniami (cross device) w BigQuery z wykorzystaniem Unified ID? first appeared on Conversion.