Dlaczego Twoja firma nie jest data driven, choć myślisz, że jest

Adrian Andrzejczyk zajmuje się analityką w marketingu internetowym, a najwęziej hurtowniami danych - i w tej rozmowie nie zostawia złudzeń: większość polskich firm jest zacofana technologicznie, wszyscy mają GA4, a prawie nikt nie umie z niego korzystać. Pokazuje, dlaczego firmy, które chcą być AI driven, najpierw muszą być data driven, jak last click po cichu faworyzuje Google i dlaczego analitycy w korporacjach całymi etatami kopiują dane do Excela zamiast wyciągać wnioski. Tłumaczy, czym różni się data driven od data inspired, jak w dzień roboczy postawić hurtownię danych, gdzie czyhają największe pułapki BigQuery i jak ustawiać kampanie pod realny zysk, a nie pozorny ROAS. To odcinek dla founderów i marketerów, którzy chcą podejmować decyzje na danych, a nie na przeczuciach.

1.Stan data driven marketingu w Polsce

Adrian Andrzejczyk stawia mocną tezę: większość polskich biznesów jest zacofana technologicznie, jeśli chodzi o wykorzystanie technologii poprawiających jakość i zbieranie danych. Większość firm nie wykorzystuje danych w pełni albo nie wykorzystuje ich wcale - kluczowe decyzje zapadają na intuicji i przeczuciach, często skutecznie, bo wiele firm odnosi sukces bez mocnego oparcia w danych.

Wiele firm dzisiaj widzę chce być AI drivenem, ale dopóki nie będą data driven, to tego AI nie zrobią.

Zdaniem Adriana Andrzejczyka jednym z powodów tego stanu była zmiana z Universal Analytics na GA4 - dzieli ona rynek na starą i nową erę marketingu. Paradoksalnie nastąpiła demokratyzacja dostępu do technologii: wraz z GA4 Google otwiera drzwi do BigQuery i hurtowni danych, czyli rozwiązań kiedyś zarezerwowanych dla enterprise. Mimo to tempo adopcji jest powolne, a przepaść między liderami a resztą rynku tylko się pogłębia.

2.Analitycy, którzy klepią dane zamiast je analizować

W dużych korporacjach Adrian Andrzejczyk spotyka analityków, których jedynym obowiązkiem jest klikanie i kopiowanie danych. Świeży przykład z ostatniego roku: dwóch analityków na pełnym etacie kopiowało ręcznie dane z Allegro, GA4, Google Ads, ERP i CRM do Excela i codziennie je aktualizowało.

Taka praca odbiera czas i przestrzeń na realną analizę oraz wnioskowanie, a dodatkowo generuje błąd ludzki - źle zaznaczony tekst, wklejenie do złej komórki. Dziś wszystkie te procesy można zautomatyzować, uwalniając czas specjalistów na zadania przynoszące większe benefity.

Adrian Andrzejczyk podkreśla, że praca na danych powinna zaczynać się od celu - od pytania "po co". Czy chcę wprowadzić nowy asortyment, sprawdzić pricing, ocenić ROAS, czy wejść na rynki zagraniczne. Dopiero nazwane pytanie pozwala dobrać właściwe technologie i metody.

3.Data driven, data inspired i AI driven

Adrian Andrzejczyk rozróżnia trzy podejścia. Data driven to koncepcja surowa i rygorystyczna: jeśli dane coś mówią, słuchamy ich - 1 plus 1 to 2, nie dyskutujemy. To także kultura organizacji z jednym źródłem prawdy, standardami raportowania i KPI rozliczanymi na danych.

Data inspired to lżejsze podejście, częstsze w branżach kreatywnych - dane nas inspirują, ale ostateczna decyzja zostaje przy ekspercie. Adrian Andrzejczyk przytacza opinię Karola Dziedzica, że data inspired bywa romantyzmem: chcielibyśmy, by intuicja podpowiadała dobre decyzje, a prawda jest brutalna - to uporządkowane dane wciąż dowożą wyniki.

Trzeci obszar to zupełne ignorowanie danych i oparcie się na intuicji. Adrian Andrzejczyk zauważa jednak, że im wyżej w hierarchii korporacyjnej, tym więcej decyzji jest inspirowanych danymi, bo biznesu nie da się opomiarować zero-jedynkowo. Na poziomie operacyjnym i eksperckim optuje jednak za data driven - co zmierzone, to zrobione.

4.Last click, atrybucja i badania incrementalne

Ścieżka klienta jest dziś długa i ma wiele punktów styku - użytkownik szuka w Google, ale też na TikToku, YouTube i w social mediach, korzystając z różnych urządzeń. Jeśli analizę opieramy tylko na last clicku, automatycznie faworyzujemy wyszukiwarki, czyli Google, a wcześniejsze kanały znikają z obrazu.

Adrian Andrzejczyk podaje przykład klientki, która przez tydzień nie miała kampanii Google Ads i nie zauważyła spadku sprzedaży o złotówkę - cały ruch szedł na frazy brandowe przechwycone przez organik. U innego klienta padnięcie Google Ads położyło cały biznes. Dlatego warto porównywać konwersje z Meta i GA4: mała różnica oznacza krótką ścieżkę domykaną przez Meta, duża - sygnał, by zrobić badania incrementalne.

Badania incrementalne sprawdzają, czy dany kanał realnie wpływa na sprzedaż - w wersji radykalnej przez wyłączenie kanału, w praktyce przez próbę kontrolną i badawczą. Problem w tym, że GA4 mimo data driven attribution działa dziś praktycznie jak last click, dopóki nie ma jakościowych danych o użytkowniku (User ID, fingerprinty).

5.Hurtownia danych krok po kroku

Wbrew poważnemu brzmieniu hurtownię danych można wdrożyć w jeden dzień roboczy. Odpalenie i konfiguracja Google Cloud Platform to godzina, podpięcie GA4 zajmuje od 15 do 30 minut, a transfery Google Ads w BigQuery są szybkie. Największym problemem jest Meta - darmowy konektor jest niestabilny i rozłącza się średnio raz w miesiącu.

Adrian Andrzejczyk poleca darmowy konektor Google Sheets do BigQuery, w którym można trzymać KPI, koszty kanałów i pracowników, by liczyć wskaźnik CAC. Wspomina anegdotę z dużej agencji, gdzie zespół inżynierów danych przez praktycznie miesiąc pisał własny konektor Sheets do BigQuery, podczas gdy wystarczyło użyć gotowego, bezpłatnego rozwiązania.

Jeśli macie problemy w GA4 teraz, które was irytują, to w BigQuery będzie 10-krotnie więcej. Jeśli macie śmieci na wejściu, to one będą również na wyjściu.

Przykład typowej pułapki: Meta dopisuje do adresu fragment "fbclid", który GA4 przypisuje do Direct lub notset zamiast do Facebooka - dane na poziomie source/medium są zanieczyszczone i trzeba je czyścić ręcznie. Adrian Andrzejczyk testował wszystkie topowe narzędzia i frameworki na rynku i każdy miał jakiś błąd; rozwiązanie tych problemów jest dziś USP jego oferty.

6.Pomiar siły brandu na danych

Silny brand triggeruje sprzedaż: podnosi współczynnik konwersji, CTR i widoczność w wyszukiwarkach (SEO rozumianym jako search everywhere optimization). Adrian Andrzejczyk stosuje własny wskaźnik siły marki - jeśli marka jest wyszukiwana częściej niż fraza generyczna, jest silna i to firma kształtuje rynek.

Siłę brandu można mierzyć w Google Trends (jeśli marki tam nie ma, to można powiedzieć, że marki nie ma) oraz narzędziami do web scrapingu wzmianek, jak Brand 24 z podpięciem po API do hurtowni. Pod to można wyznaczać KPI, na przykład dla działań afiliacyjnych nastawionych na rozpoznawalność.

Dla największych firm dostępne jest też marketing mix modeling - drogie badanie, które pozwala ocenić, czy ekspozycja w telewizji i mass mediach przełożyła się na sprzedaż online i offline. Wymaga jednak dużej ilości danych i jest zarezerwowane dla największych graczy.

7.Omnichannel, server side i ustawianie kampanii pod ROI

Offline jest trudniejszy do zmierzenia - na półce w retailu (np. w Rossmannach) widać tylko dane sellout. Tam, gdzie firma ma własne punkty, dane zbiera się przez program lojalnościowy zintegrowany z webem, aplikacją i POS. Adrian Andrzejczyk jako partner Synerise opisuje case rekomendacji w czasie rzeczywistym dla obsługi punktów sprzedaży - to mechanika, na której kiedyś wygrał Amazon dzięki silnikom rekomendacji.

Adrian Andrzejczyk badał technologię server side na około 20 projektach enterprise i wykazał, że to właśnie najwięksi mają najgorszej jakości dane w GA4 - największy ubytek dotyczy kanałów display u góry lejka. Po ich wycięciu próba bywa na granicy reprezentatywności. Rekomendowany framework to: server side tracking, hurtownia danych, a na końcu raporty.

Mocny tip: zamiast ustawiać kampanie pod ROAS, można z hurtowni wysyłać do Meta i Google dane o transakcji z policzonym zyskiem i ustawić algorytmy pod ROI. Wtedy systemy przestają promować tanie produkty-wabiki i zaczynają grać do tej samej bramki co biznes. Adrian Andrzejczyk przewiduje też analitykę konwersacyjną z AI - Copilot w Power BI i Gemini w BigQuery działają jeszcze średnio, a ChatGPT w trybie Deep Thinking daje sensowne 3 z 10 rekomendacji, ale to już duża pomoc.