Mateusz Muryjas, Krzysztof Modrzewski i Artur Pajkert – wywiad po panelu dyskusyjnym na semWAW

Ja się na co dzień zajmuję się robieniem audytów z analityki webowej i zarówno audytów, analityki, aplikacji dla firm nie tylko w Polsce, ale też w całej Europie. Tak naprawdę widzę bardzo dużo różnych problemów, bardzo dużo różnych niespójności tych danych, jakichś brakujących danych i tak dalej. W związku z tym, że wasza strona i wasza aplikacja mobilna cały czas żyją, zmieniają się, są nowe wersje, powstają nowe podstrony, zmienia się wersja aplikacji, jest coś zmieniane, to taki audyt powinien być regularnie robiony. Myślę, że raz na rok to jest najrzadziej. Może być raz na pół roku. Jeżeli macie kogoś, kto dba o implementację u was w firmie, w sensie dba o to, że jak są robione jakieś zmiany, to sprawdza tą implementację, no to wtedy takie audyty robicie sobie na bieżąco, wtedy nie potrzebujecie takich audytów generalnie.

Jeżeli jednak nie macie kogoś, kto dba o tą implementację, dba o spójność danych, kogoś, kto regularnie przechodzi i weryfikuje to u was w firmie, to myślę, że raz na pół roku, no może raz na rok, powinniście takie coś sobie sprawdzać, czy nic się na pewno nie popsuło, nie wysypało.

Kryterium przychodowe i wolumen danych są ważne, ale nie będą kluczowym czynnikiem decydującym o zatrudnieniu. To prawda, musimy posiadać trakcję (rozumiana jako ilość transakcji, wielkość przychodu, budżet) i dane, na których taka osoba będzie mogła pracować, ale dużo ważniejsze będzie określenie miejsca, w którym taka osoba może wnieść wartość. Zatrudnienie osoby na stanowisko analityka powinno wynikać z konkretnej potrzeby:
* chcemy zbierać lepsze dane, dlatego potrzebujemy kogoś, kto zweryfikuje naszą konfigurację,
* mamy problem X, do którego potrzebujemy danych - potrzebujemy kogoś, kto zaimplementuje śledzenie i przygotuje raporty
* zauważyliśmy rozbieżność w przychodach między CRM, a GA4 na poziomie 40% - chcemy zbadać z czego wynika.

Jeśli nie jesteśmy w stanie samodzielnie odpowiedzieć na te pytania, to dobry moment, aby skorzystać z usług zewnętrznego konsultanta. Należy też pamiętać, że z pustego i Salomon nie naleje - jeśli nie będziemy zbierać poprawnych danych lub będziemy ograniczeni technologicznie, to zatrudnienie człowieka nie rozwiąże wyzwań, z którymi się mierzymy. Musimy być gotowi na zmiany i otwarci na rekomendacje płynące z takiej współpracy.

Na problem zatrudnienia możemy też spojrzeć z perspektywy kosztów. Jeśli nasz budżet marketingowy (Google Ads, Facebook Ads, wynagrodzenie specjalistów lub agencji) wynosi kwotę X, to w momencie, w którym 5% kwoty X pozwala nam na wynajęcie specjalisty na 5 do 8 godzin w miesiącu rozsądnym byłoby przeznaczenie zainwestowanie jej w taką usługę. Analiza prowadzonych działań z zewnątrz, poprawa jakości zbieranych danych, automatyzacja i wsparcie raportowania, rekomendacje i hipotezy związane z prowadzonymi kampaniami - wachlarz działań w jakich może pomóc analityk jest naprawdę szeroki i często jedna trafna hipoteza lub rekomendacja może przełożyć się na zdecydowane większe (i trwałe) ROI niż zainwestowany kapitał.

GTM to ocean możliwości, ale jednocześnie narzędzie, którego trzeba się nauczyć. W wielu organizacjach, na początku drogi, rozwiązujemy mnóstwo problemów innych i niekoniecznie mamy czas na naukę akurat tego narzędzia. Jeśli trudno nam wyasygnować budżet na pomoc specjalisty, to wdrożenie Google Analytics poprzez np. wtyczkę do WordPress jest na pewno lepsze, niż nie wdrażanie jej wcale.

Poprzez wtyczkę trudno nam natomiast będzie choćby budować np. własne zdarzenia, albo osadzać kolejne tagi lub fragmenty skryptów - po prostu wtyczka załatwi nam odpalenie samej analityki, nic więcej. Jak będziemy potrzebować kolejnych narzędzi, np. mouseflow, facebooka, innych skryptów - doprowadzi to do niezbyt eleganckiego mnożenia wtyczek.

Wyzwaniem pozostaje także zbieranie zgód w odpowiedni sposób - jeśli wszystkie marketingowe skrypty uruchamiasz osobnymi wtyczkami, to zadbanie o prawidłową obsługę zgód użytkownika może okazać się bardzo trudne.

Mimo wszystkich wad stosowania wtyczki, albo - bo tak też przecież można - hardokodowania skryptu w stronie (tu jeszcze więcej wad) - wciąż są to lepsze podejścia, niż nieposiadanie analityki w ogóle.

Uwaga, odpowiadam: nigdy. Nigdy, nigdy, nigdy. Dlaczego? Bo po pierwsze... Wtyczki są generalnie robione jako coś generycznego, dostępnego dla wszystkich, a każda strona jest trochę inna. Każda strona ma trochę inne metody płatności, może inne metody dostawy, może korzysta z innych narzędzi, bo są różne inne wtyczki na przykład do płatności i może się okazać, że na przykład ta wtyczka nie obsługuje, nie współpracuje z waszą inną i wtedy już tych danych nie zbieracie, jest problem, danych nie ma i jest stała zabawa, więc nie.

Po pierwsze: to nie będzie kompatybilne z Waszą stroną internetową. Po drugie, żadna wtyczka nie pozwoli Wam dbać o Consent Management i Consent Mode. Tylko przez GTM-a możecie to robić. No okej, może nie tylko, ale najłatwiejsze jest to przez GTM-a. Jeżeli korzystacie z wtyczek, to nie macie nad tym kontroli, a Consent Management jest wymagany zarówno przez prawo, jak i przez Google’a, więc trzeba o to zadbać, więc nie nigdy tylko robimy implementację przez Google Tag Managera i w ogóle nie myślcie o innych opcjach.

Cross network - jeżeli mówimy o tym samym - czyli mówimy o tym, żeby porównać sobie model data driven z last clickowym w atrybucji, to tam mamy bardzo ciekawą informację. Tam mamy dane na temat źródła tak jak to widział Google Analytics 3, czyli Universal Analytics, ponieważ w zwykłym GA4 w raportach mamy coś takiego jak źródło/medium pozyskania pierwszego użytkownika i źródło/medium sesji.

I uwaga, to są zupełnie różne rzeczy, zupełnie inaczej liczone, a źródło medium jeszcze na poziomie atrybucji, też jest zupełnie inaczej liczony. Czyli mamy trzy różne źródła/medium różnie obliczane i powinniście wiedzieć, jak te źródła są liczone, co one oznaczają i jakie wnioski z nich nie wyciągać, bo czasami różnice mogą być ogromne.

Są firmy, gdzie niewielkie są różnice pomiędzy tymi różnymi źródłami ruchu, a są firmy, gdzie naprawdę te trzy raporty potrafią pokazywać zupełnie trzy różne rzeczy. I to jest bardzo istotne, żeby zrozumieć, na który raport patrzeć. Ja najbardziej lubię patrzeć na raport właśnie atrybucji, bo on pokazuje mi dane takie najbardziej zbliżone do tego, co widziałem w Universalu i do czego jestem przyzwyczajony i co najlepiej rozumiem. Więc warto być tego świadomy.

Analizując performance danej LP sugeruję skupić się na tym, co tkwi w LP oraz na związku między źródłami ruchu i LP. Może się okazać, że dane LP pod kątem copy czy grafiki będzie odpowiednie względem danego źródła ruchu - i to w bardzo wąskim rozumieniu.

Co do samego LP skupiłbym się na:
* udziale sesji z zaangażowaniem (lub odwrotności: na odrzuceniach),
* czasie spędzonym na stronie,
* współczynniku konwersji rozumianych jako wykonanie kluczowej akcji na LP,
* jeśli LP zawiera formularz - na interakcjach z formularzem (np. błędy walidacji).

Warto jednak analizować to przez pryzmat ruchu i to do poziomu grupy docelowej oraz przekazu reklamowego. Przykładowo: mamy landing z poradnikiem dla fotografów i dla architektów. Na obu jest ruch z wielu źródeł, w tym ruch z mediów społecznościowych. Sama analiza czy “social” konwertuje to za mało. W ekosystemie META możesz mieć DWIE kampanie, jedną kierowaną do fotografów, drugą do architektów. Dopiero sprawdzenie która kampania odpowiada za dany ruch pozwala na trafną ocenę sytuacji.

Landing Page rzadko jest jak pomidorowa, która będzie każdemu smakować. Landingi aby były skuteczne, powinny być zbudowane pod konkretny przekaz reklamowy kierowany do określonej grupy, na określonym etapie zakupowym, powinny stanowić jedną logiczną całość z kampanią - i w takim kontekście powinno się oceniać ich działanie.

Jeżeli chodzi o budowanie LP pod pozyskiwanie leadów, no to przede wszystkim mierzenie konwersji, mierzenie zbierania tych leadów. Najlepiej później jeszcze zbieranie tego e-maila albo numeru telefonu jako zahaszowanego oczywiście, jako parametr w tym leadzie, w tej konwersji i później łączenie tego z następnymi naszymi danymi, żeby sprawdzić czy pozyskany lead później skonwertował i przyniósł nam przychody, a jeżeli tak to ile. Taka powinna być ta ścieżka, gdzie mierzymy użytkowników, którzy trafili na stronę, mierzymy tych, którzy spełnili lead jako konwersje, najlepiej zbieramy te dane, takie powiedzmy user ID od razu tego użytkownika, najlepiej właśnie adres e-mail albo numer telefonu, żeby to sobie zahaszować, bo nie możemy personalnych danych do analyticsa wysyłać. Wszystko to w celu sprawdzenia czy ten użytkownik później skonwertował.To jest taka właśnie wielopoziomowość. Ja to tak rozumiem. Mam nadzieję, że może odpowiedziałem na to pytanie.

W pierwszej kolejności zwróciłbym uwagę na:
* koszt pozyskania klienta (CAC),
* średnią wartość zamówienia (koszyka),
* współczynnik konwersji na stronie.

Koszt pozyskania klienta (CAC - Customer Acquisition Cost) pozwoli nam znaleźć odpowiedź na pytanie: "Ile pieniędzy muszę zapłacić, aby pozyskać nowego klienta?". Analizę CAC możemy prowadzić na bardziej ogólnym poziomie (łączne wydatki na pozyskanie klienta / liczba nowych klientów) lub w podziale na poszczególne źródła ruchu i kampanie - to pozwoli nam ocenić i porównać jakość ruchu pochodzącego z różnych źródeł.

Średnia wartość zamówienia (AOV - Average Order Value) informuje nas o tym, ile średnio pieniędzy zostawi u nas klient podczas jednej transakcji. Zestawiając CAC i AOV szybko sprawdzimy, czy klienci zostawiają u nas więcej pieniędzy, niż musimy wydać na ich pozyskanie. Wraz z rozwojem i większą ilością danych możemy patrzeć nie tylko na wartość koszyka, ale też na zysk (uwzględniając marżę czy inne koszty) oraz analizować dane w podziale na nowych i powracających klientów, sukcesywnie przechodząc z analizy AOV do analizy LTV (Customer Lifetime Value), uwzględniającej retencję i lojalność klienta.

Współczynnik konwersji będzie metryką, dzięki której dowiemy się jak konwertuje nasza strona - dzięki niej dowiemy się jaki % odwiedzających stronę decyduje się dokonać zakupu. Współczynnik konwersji możemy analizować w podziale na źródła ruchu i kampanie marketingowe, a także urządzenia czy dane geograficzne. Kolejno, możemy dołożyć do naszych analiz współczynniki mikrokonwersji, które pomogą w analizie ścieżki zakupowej i pozwolą nam sprawdzić, na którym etapie zakupowym (wyświetlenie produktu, dodanie produktu do koszyka, checkout) odwiedzający witrynę postanawiają porzucić proces.

Reklama, reklama i reklama. Tutaj mówimy o reklamie i analityce. Przede wszystkim, jeżeli chcemy rozwijać startup, to musimy się reklamować. Nikt nas nie znajdzie bez reklamy. Więc oczywiście, tu form reklamowych może być dużo, cały model POEM i tak dalej. Reklama Google Ads chyba będzie tutaj najistotniejsza, czy reklama na systemie Facebooka, jako najbardziej performance’owe dwa źródła ruchu. Dodatkowo oczywiście trzeba mieć dobrą analitykę, żeby wiedzieć gdzie nasze inwestycje się sprzedają, czyli Google Analytics 4, no od tego bym zaczął. To nam powinno pomóc rozwinąć startup.

To jakby zapytać, czy ptak do lotu potrzebuje lewego czy prawego skrzydła i od którego ma zacząć?

Oba badania są niezbędne i najczęściej dobrze, kiedy są realizowane w harmonii. To znaczy: Umiem sobie wyobrazić, że ktoś zaczyna od GA4 poprzez hardokowanie jej w kodzie strony, potem poprzez wtyczkę, potem poprzez GTM, zaczyna budować plan analityki, ma setki własnych zdarzeń, spina to wszystko z adsami, codziennie zadaje sobie pytania o atrybucję konwersji itd… a jednocześnie nic nie robi z danymi jakościowymi.

To tak, jakby ptak miał jedno skrzydło bardzo rozwinięte, a drugie takie wiesz, że przez lupę je trzeba oglądać. Dbajmy o to, żeby oba obszary rozwijać harmonijnie, bo one się wzajemnie nie zastępują, potrzebujesz obu. Samochód może mieć super silnik, ale jak zawieszenie do kitu i opony łyse, to i tak będzie się nim źle jechało.

No to przede wszystkim musimy mierzyć konwersje, bo to jest najistotniejsze i musimy wiedzieć, że mamy dobrze zaimplementowane Google Analytics 4 no i te kilka najważniejszych eventów, ale bez przesady. Sprawdźmy, co jest dla nas najważniejsze. Jeśli to jest sklep internetowy, no to tak jak już wcześniej wspomniałem: view item, add to cart, purchase. Na samym początku wystarczy, byle by to było dobrze mierzone. W przypadku innych biznesów: zbieranie leadów, user ID. Dobre zbieranie user ID, bo to jest niezwykle istotne dla Google Analytics 4. Od tego bym zaczął analitykę, jeżeli chodzi o tą kwestię techniczną. A jeżeli chodzi o analitykę w startupie, to budowanie kultury analitycznej, tłumaczenie ludziom, jak mają korzystać z danych w codziennej pracy i tworzeniem raportów w Looker Studio. To jest ważne, bo to, że mamy, zbieramy dane, to jeszcze nie znaczy, że dzięki temu na analityce będziemy zarabiać więcej pieniędzy.

Trzy, które przychodzą na myśl jako pierwsze:
* Samo Google Analytics
* Narzędzia klasy marketing automation (np. user.com)
* Narzędzia nagrywania zachowań i mapowania ciepła (cux.io, mouseflow, hotjar itp.).

Zaproszenie do badania polegającego na wykonaniu określonego zadania i nagrywaniu takiej sesji (można offline, kamera + narzędzie do nagrywania pulpitu, np. OBS Studio), można rozmawiać z użytkownikiem w trakcie takiego badania - z tym, że to czasochłonne, pozyskanie chętnych kandydatów jest wyzwaniem (lub wymaga zapłacenia za czas użytkownika).

Podstawą analizy zachowań będzie wykorzystanie standardowych raportów bazujących na zdarzeniach. Punktem startowym będzie raport zdarzeń w sekcji "Zaangażowanie", które pozwolą nam dowiedzieć się więcej o aktywności użytkowników na stronie. To tutaj, o ile wcześniej skonfigurowaliśmy i przesłaliśmy zdarzenia do Google Analytics 4, dowiemy się ile osób widziało produkt na stronie, zalogowało się do aplikacji, kliknęło w promocję czy dokonało transakcji lub rozpoczęło subskrypcję.

Po zaznajomieniu się z raportami standardowymi wykorzystajmy moduł Eksploracji - eksploracja ścieżki czy analiza sekwencji ścieżki pozwalają na podgląd tego, co działo się na stronie, w jakiej kolejności i ilu użytkowników, którzy wykonali zdarzenie A przeszło do kolejnego kroku B, którego od nich oczekiwaliśmy. Analiza sekwencji i ścieżek to podstawa do zrozumienia, w którym miejscu nasza ścieżka "przecieka" i gdzie tracimy potencjalnych klientów.

Korzystając z eksploracji możemy też analizować segmenty (użytkowników, sesji, zdarzeń) i ich overlap czyli nakładanie się na siebie. Jeśli chcemy sprawdzić, ilu użytkowników pozyskanych z kampanii Google Ads odwiedziło naszą stronę ponownie, trafiając na stronę bezpośrednio lub organicznie, możemy wyznaczyć różne segmenty i sprawdzić ich część wspólną.

Nie zapominajmy o raportach Odbiorców - wyznaczmy grupy użytkowników, którzy odwiedzają naszą stronę i obserwujemy jak zachowują się podczas sesji. Odbiorcy mogą obejmować proste ustawienia (np. użytkownicy pozyskani z kampanii X) lub bardziej złożone sekwencje (np. użytkownicy, którzy wykonali zdarzenie Y dwa razy, a potem dokonali transakcji).

Google Analytics 4 to narzędzie do analizy ilościowej - pamiętajmy o tym w momencie, w którym będziemy chcieli szczegółowo analizować zachowanie pojedynczych użytkowników w postaci nagrań sesji czy większych grup użytkowników generujących mapy ciepła (heatmapy). Wtedy warto dodać do naszego stacku narzędziowego inne narzędzia, które uzupełniają funkcjonalność Google Analytics 4 o raporty i techniki analizy jakościowej i badań.

Błędne dane. Zbieranie błędnych danych i później wysyłanie tych błędnych danych do narzędzi marketingowych. Google Ads opiera się na danych, gdzie mamy automatyczne kampanie, np. PerformanceMax. Opiera się na danych z analyticsa, które tam wysyłamy, jeżeli mamy błędne dane, to ten system będzie błędnie działał, więc to jest duży problem.

Kolejny błąd to sytuacja, gdzie firma w ogóle nie wie jak korzystać z danych, nie ma raportów, nie wie o co chodzi w analityce, jak ta analityka ma pomagać na co dzień w pracy, jak dzięki analityce zarabiać więcej pieniędzy, więc to jest to budowanie kultury analitycznej. To są takie dwie rzeczy w startupie, o które powinniśmy zadbać.

Nie “warto”, tylko trzeba, bo przcież marketing to “proces ROZPOZNAWANIA i zaspokajania potrzeb klientów z zyskiem dla przedsiębiorstwa” (Kotler). Narzędzie jest mniejszym wyzwaniem, kluczowe jest zadanie właściwych pytań. Właściwe najczęściej oznacza: otwarte. Przykładowe i nie zawsze oczywiste pytania, które moim zdaniem warto rozważyć:
* jaki był główny czynnik decyzyjny przy wyborze naszej marki?
* jak chętnie poleciłbyś naszą markę znajomemu (0-10) i dlaczego?
* dlaczego w ogóle potrzebujesz ?
* co w Twoim życiu / pracy zmieni się kiedy wdrożysz
* jakiego mierzalnego efektu oczekujesz od ?
* kto poza Tobą będzie oceniał efekt używania/wdrożenia ?
* dlaczego wcześniej nie zacząłeś/aś korzystać z ?
* co wydaje Ci się najtrudniejsze podczas wyboru ?
* czy korzystasz z po raz pierwszy, czy może przechodzisz z rozwiązania konkurencji? Dlaczego zmieniasz dostawcę?
* w jakim stopniu zgadzasz się z twierdzeniem, że …. skala 1 (wcale)-5(w pełni się zgadzam.

Poza tym oczywiście pytania zamknięte. Takie pytania możesz zadawać np.:
* popupem na stronie,
* własną aplikacją lub pluginem jeśli tworzysz oprogramowanie,
* systemami badawczymi typu webankieta.pl poprzez Google Forms + spięcie z Google Sheets + przeglądanie wyników w Looker Studio.

Organizacje, które rozwijają się w oparciu o dane jako najważniejsze czynniki sukcesu wskazują:
* posiadanie kompetencji analitycznych wewnątrz zespołu,
* korzystanie z narzędzi, w których dane są zbierane poprawnie i mogą stanowić źródło prawdy,
* aktywacja danych i korzystanie z insightów w codziennym rozwoju.

Bez wątpienia jednym z fundamentów będą umiejętności i kompetencje w obszarze analityki - zarówno te techniczne, związane z konfiguracją narzędzi, jak i te miękkie, obejmujące rozumienie potrzeb organizacji w zakresie raportowania, wizualizacji i wykorzystania danych. Ważne jest, aby te umiejętności były budowane wewnątrz firmy (w przypadku korzystania z zewnętrznych konsultantów) oraz pozwalały na jak najszerszy dostęp do danych dla każdego, kto będzie zainteresowany.

Drugim kluczowym czynnikiem jest stack technologiczny, czyli narzędzia z których korzystamy. Podstawą jest poprawna konfiguracja oraz wyciśnięcie z narzędzi maksimum wartości, które oferują. Coraz częściej organizacje jako fundament uznają tzw. source of truth, czyli jedno źródło prawdy - narzędzie (raport, dashboard), które stanowi kompas dla całej firmy. Rozwiązuje ono problem wielu narzędzi raportujacych w różny sposób, często te same dane, które wprowadzają bałagan informacyjny i niejednoznaczność.

Finalnie, analityka nie powinna być kosztem, tylko inwestycją. Do tego potrzebujemy wykorzystania danych do budowania hipotez, optymalizacji kampanii, reorganizacji procesów czy tworzenia automatyzacji. Najbardziej wartościowe dane to te dane, które wykorzystamy - nie tylko do przechowywania, ale do podejmowania decyzji.