[{"data":1,"prerenderedAt":1659},["ShallowReactive",2],{"{\"version\":\"published\",\"language\":\"pl\"}layout":3,"{\"version\":\"published\",\"language\":\"pl\"}content/":209,"content-list-content-list-framework-1-pl-framework":264,"oTIm7UCOR3":521,"2iFwuBNQF7":536,"wpePv2JzW4":546,"oFe34nsZqc":556,"oJGO2lMO1u":566,"GTGbUJPoO6":576,"fT0VXIUKbh":586,"2NbdD3kAR0":596,"UK1HJUYb4G":606,"g6U1E3tdbp":616,"heERjoDb3n":626,"aX0ZQHRhKY":636,"hb70yRvA56":646,"ORvlxKagfM":656,"content-list-content-list-index-1-pl-case-studies,webinars,knowledge":666,"pSrH6BtrUU":1238,"Z0O12YTBgK":1248,"CX9fd6Pg7p":1258,"KumWgpvSkD":1284,"1VnMUAh1eN":1305,"l9ew68eriZ":1323,"kMAuSzI1p5":1353,"owGh5s78M5":1363,"k8qObw3Jzo":1392,"j7p6LAseSw":1402,"l8afVUcHfS":1429,"cQHVEwDMb0":1439,"wj4Tg9yOX6":1455,"JKQxBZvNIn":1465,"5kLM6h0MfY":1475,"I5NaZgTXx5":1485,"Hg7Rv7iz21":1495,"JLd49a3p0F":1505,"2sqDvczwAS":1515,"lhgetrshT5":1525,"06eybJ9BD9":1535,"DOipbzttRu":1545,"WZ7DwMaWVY":1574,"q57Ltjei6w":1594,"2IlvloL7O9":1604,"CcvT3iGHYr":1621,"r0kIKqBPYZ":1639,"mXOLJxcClK":1649},{"data":4,"headers":188},{"story":5,"cv":185,"rels":186,"links":187},{"name":6,"created_at":7,"published_at":8,"updated_at":9,"id":10,"uuid":11,"content":12,"slug":175,"full_slug":176,"sort_by_date":177,"position":178,"tag_list":179,"is_startpage":32,"parent_id":177,"meta_data":177,"group_id":181,"first_published_at":182,"release_id":177,"lang":183,"path":177,"alternates":184,"default_full_slug":177,"translated_slugs":177},"Layout & Menu Settings","2024-07-09T11:23:15.417Z","2026-08-21T07:00:43.091Z","2026-08-21T07:00:43.104Z",520580076,"d0565ccd-50f8-4a35-9583-813fff54f59a",{"_uid":13,"menu":14,"banner":133,"footer":143,"component":173,"promotion":174},"9245e14a-f18f-4a6c-8060-61e8beb3d9f1",[15],{"_uid":16,"logo":17,"component":22,"rightSide":23,"navigation":40},"fd2f2bd7-3ebb-4923-8327-febceaf9131b",{"id":18,"alt":19,"filename":20,"fieldtype":21},16613298,"","https://a.storyblok.com/f/296300/2078x457/3b34c3fe19/witbee-logo-new.png","asset","mega-menu",[24,34],{"_uid":25,"href":26,"size":27,"text":28,"target":29,"rounded":30,"variant":31,"disabled":32,"component":33,"showArrow":32},"839bb546-784b-4ba0-871b-263f3c901b86","/pl/contact-free-consultation","md","Bezpłatna konsultacja","_self","none","primary",false,"button-blok",{"_uid":35,"href":36,"size":27,"text":37,"target":29,"rounded":30,"variant":38,"disabled":32,"component":33,"showArrow":39},"32d63a94-8cbd-474c-9ce1-457cfa576ccf","https://cloud.witbee.com","Zaloguj się","secondary",true,[41,50,88,127],{"_uid":42,"link":43,"name":47,"subItems":48,"component":49},"3f3dab6a-9cd6-4ea1-9fdd-645b62d9cb49",{"id":19,"url":44,"linktype":45,"fieldtype":46,"cached_url":44},"/pl/services","url","multilink","Usługi",[],"mega-menu-item",{"_uid":51,"link":52,"name":53,"subItems":54,"component":49},"6951d7b0-368d-4db6-85fa-80af9088e8e0",{"id":19,"url":44,"linktype":45,"fieldtype":46,"cached_url":44},"Platforma WitCloud",[55],{"_uid":56,"links":57,"title":86,"component":87},"9e0dbc8d-3b23-474c-ab56-2eba6486c651",[58,65,72,79],{"_uid":59,"icon":60,"link":61,"component":63,"lowerText":64,"upperText":53},"2144a1bf-1bdf-4a82-9f59-b5e7d7f73f47","InformationCircleIcon",{"id":19,"url":62,"linktype":45,"fieldtype":46,"cached_url":62},"/pl/witcloud","mega-menu-subitem-link","Dowiedz się czym jest WitCloud",{"_uid":66,"icon":67,"link":68,"component":63,"lowerText":70,"upperText":71},"a6f22621-aa4f-4b0c-be09-11b4140d7dea","UsersIcon",{"id":19,"url":69,"linktype":45,"fieldtype":46,"cached_url":69},"/pl/witcloud/integrations","Systemy reklamowe, platformy e-commerce i więcej","Lista dostępnych integracji",{"_uid":73,"icon":74,"link":75,"component":63,"lowerText":77,"upperText":78},"42267fc4-06a8-465a-a3cf-56a311ff7022","NewspaperIcon",{"id":19,"url":76,"linktype":45,"fieldtype":46,"cached_url":76},"/pl/witcloud/pricing","Sprawdź szczegóły dotyczące subskrypcji","Cennik",{"_uid":80,"icon":81,"link":82,"component":63,"lowerText":84,"upperText":85},"6333bd24-c3b2-46ba-8dc2-93770459a0bc","BriefcaseIcon",{"id":19,"url":83,"linktype":45,"fieldtype":46,"cached_url":83},"/pl/witcloud/docs/","Sprawdź jak korzystać z platformy","Dokumentacja","WitCloud","mega-menu-subitem",{"_uid":89,"link":90,"name":92,"subItems":93,"component":49},"0182c7f6-b9d7-4e01-81bd-97635c68d72f",{"id":19,"url":91,"linktype":45,"fieldtype":46,"cached_url":91},"/pl/content","Materiały",[94],{"_uid":95,"links":96,"title":92,"component":87},"0f09839c-f7ce-48b8-8dc4-9269791644c0",[97,102,108,115,121],{"_uid":98,"icon":74,"link":99,"component":63,"lowerText":100,"upperText":101},"dd3ac1b6-d987-496d-bb75-e0db7459a79f",{"id":19,"url":91,"linktype":45,"fieldtype":46,"cached_url":91},"Wszystkie nasze materiały w jednym miejscu","Wszystkie materiały",{"_uid":103,"icon":60,"link":104,"component":63,"lowerText":106,"upperText":107},"5a1e2f7a-1111-4a00-9101-aa0000000101",{"id":19,"url":105,"linktype":45,"fieldtype":46,"cached_url":105},"/pl/content/framework","Nasz framework analityczny krok po kroku","Framework",{"_uid":109,"icon":110,"link":111,"component":63,"lowerText":113,"upperText":114},"5a1e2f7a-2222-4a00-9102-aa0000000102","VideoCameraIcon",{"id":19,"url":112,"linktype":45,"fieldtype":46,"cached_url":112},"/pl/content/webinars","Nagrania naszych szkoleń online","Webinary",{"_uid":116,"icon":81,"link":117,"component":63,"lowerText":119,"upperText":120},"5a1e2f7a-3333-4a00-9103-aa0000000103",{"id":19,"url":118,"linktype":45,"fieldtype":46,"cached_url":118},"/pl/content/case-studies","Efekty naszej pracy u klientów","Case studies",{"_uid":122,"icon":74,"link":123,"component":63,"lowerText":125,"upperText":126},"5a1e2f7a-4444-4a00-9104-aa0000000104",{"id":19,"url":124,"linktype":45,"fieldtype":46,"cached_url":124},"/pl/content/knowledge","Poradniki o GA4, BigQuery i nie tylko","Baza wiedzy",{"_uid":128,"link":129,"name":131,"subItems":132,"component":49},"eaef6de5-12a1-40f0-8bcf-3e00472ef87e",{"id":19,"url":130,"linktype":45,"fieldtype":46,"cached_url":130},"/pl/contact","Kontakt",[],[134],{"_uid":135,"link":136,"boldText":140,"component":141,"normalText":142},"d23b7c9c-c50d-4704-a330-c5d89f673a95",{"id":137,"url":19,"linktype":138,"fieldtype":46,"cached_url":139,"prep":39},"78736e51-560e-41cc-99bc-47d81c3321ec","story","/pl/content/webinars/webinar-ltv-retencja-akwizycja","Webinar Live: Analiza Klienta 3.0","banner-blok","Zapisz się na webinar",[144],{"_uid":145,"logo":146,"columns":147,"socials":169,"footnote":170,"component":171,"newsletter":172},"6bbe2605-0003-4e0f-9c83-f57387d6b9dc",{"id":18,"alt":19,"filename":20,"fieldtype":21},[148],{"_uid":149,"links":150,"title":167,"component":168},"bb943e00-cbd9-44d3-9ca8-e287f92f9a4c",[151,157,162],{"_uid":152,"link":153,"name":155,"component":156},"fa11f2ce-87a4-40b7-8c26-2248948ecdab",{"id":19,"url":154,"linktype":45,"fieldtype":46,"cached_url":154},"/pl/legal/privacy-policy","Polityka prywatności","website-footer-link",{"_uid":158,"link":159,"name":161,"component":156},"29ce4cf1-4ae3-4c03-a924-1b7283a52cea",{"id":19,"url":160,"linktype":45,"fieldtype":46,"cached_url":160},"/pl/legal/witcloud-terms-of-use","WitCloud - Regulamin",{"_uid":163,"link":164,"name":166,"component":156},"7b2b71ce-9047-493a-ae9a-24f33d13b228",{"id":19,"url":165,"linktype":45,"fieldtype":46,"cached_url":165},"/pl/legal/witcloud-privacy-policy","WitCloud - Polityka prywatności","Dział prawny","website-footer-column",[],"©2025 Witbee sp. z o o. Wszelkie prawa zastrzeżone.","website-footer",[],"layout-blok",[],"layout","pl/layout",null,30,[180],"Global","961eba08-4135-4b80-aba4-032c02789c49","2024-07-12T13:10:50.158Z","pl",[],1788963673,[],[],{"cache-control":189,"connection":190,"content-encoding":191,"content-type":192,"date":193,"etag":194,"referrer-policy":195,"sb-be-version":196,"server":197,"transfer-encoding":198,"vary":199,"via":200,"x-amz-cf-id":201,"x-amz-cf-pop":202,"x-cache":203,"x-content-type-options":204,"x-frame-options":205,"x-permitted-cross-domain-policies":30,"x-request-id":206,"x-runtime":207,"x-xss-protection":208},"max-age=0, public, s-maxage=604800, stale-if-error=3600","keep-alive","gzip","application/json; charset=utf-8","Wed, 09 Sep 2026 14:24:49 GMT","W/\"9ef810ab6bf8c35b5a82e4e7cb0dee01\"","strict-origin-when-cross-origin","5.959.0","nginx/1.29.1","chunked","Origin,Accept-Encoding","1.1 bb472df49b0bfc8b76d1b317bd737146.cloudfront.net (CloudFront)","Wh1xr67sB48Ht2ORnn6GPfqrvBFGLFZ2wCsqFLjm1RS5RmmcqrUarg==","WAW51-P2","Miss from cloudfront","nosniff","SAMEORIGIN","3b91d0e2-5611-4eed-b103-f6a7569450f7","0.056638","0",{"data":210,"headers":258},{"story":211,"cv":185,"rels":256,"links":257},{"name":212,"created_at":213,"published_at":214,"updated_at":215,"id":216,"uuid":217,"content":218,"slug":248,"full_slug":249,"sort_by_date":177,"position":250,"tag_list":251,"is_startpage":39,"parent_id":252,"meta_data":177,"group_id":253,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":255,"default_full_slug":177,"translated_slugs":177},"Content","2026-06-22T14:02:18.900Z","2026-08-21T07:33:54.366Z","2026-08-21T07:33:54.380Z",190248300155031,"8ba44529-a969-4a12-b7e8-17bb66368cdd",{"_uid":219,"body":220,"component":240,"meta_tags":241,"meta_title":247},"e5674c8f-71f1-471e-a60e-c618b0563649",[221,231],{"_uid":222,"sort":19,"limit":19,"header":126,"source":223,"eyebrow":19,"component":227,"showFilter":39,"description":228,"displayMode":229,"moduleBackground":230},"content-list-index-1",[224,225,226],"case-studies","webinars","knowledge","content-list-blok","Artykuły, poradniki i case studies.","grid","white",{"_uid":232,"sort":233,"limit":19,"header":234,"source":235,"eyebrow":237,"component":227,"description":238,"displayMode":239,"moduleBackground":230},"content-list-framework-1","priority","Witbee Framework",[236],"framework","Methodology","A structured approach to building a data-driven organization — from a single source of truth to AI-ready analytics.","list","landing-page",[242],{"_uid":243,"name":244,"content":245,"component":246},"content-index-meta-description","description","Artykuły, poradniki, case studies i webinary o analityce e-commerce — BigQuery, GA4 i automatyzacja raportowania.","meta-tag","Baza wiedzy — poradniki, case studies i webinary | Witbee","content","pl/content/",-290,[],190219846675586,"4bf1ea92-03e9-4a22-b066-28320ec84f8c","2026-08-21T07:00:41.845Z",[],[],[],{"cache-control":189,"connection":190,"content-encoding":191,"content-type":192,"date":259,"etag":260,"referrer-policy":195,"sb-be-version":196,"server":197,"transfer-encoding":198,"vary":199,"via":200,"x-amz-cf-id":261,"x-amz-cf-pop":202,"x-cache":203,"x-content-type-options":204,"x-frame-options":205,"x-permitted-cross-domain-policies":30,"x-request-id":262,"x-runtime":263,"x-xss-protection":208},"Wed, 09 Sep 2026 14:24:50 GMT","W/\"ceb743ff49e26b89444d13e006f07eb3\"","3QQmq6HRrwVK2tw_Z8QsLFrJFlwXlltj6QIm66nC1b87mqjdrxoCzQ==","e1641cfa-bbd0-41d8-b105-48d9528a4c9e","0.036007",[265,315,356,397,437,476],{"name":266,"created_at":267,"published_at":268,"updated_at":269,"id":270,"uuid":271,"content":272,"slug":308,"full_slug":309,"sort_by_date":177,"position":310,"tag_list":311,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":313,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":314,"default_full_slug":177,"translated_slugs":177},"AI Assistant in Business","2026-06-25T07:32:56.459Z","2026-08-30T18:38:05.253Z","2026-08-30T18:38:05.272Z",191214290814892,"7ca93d10-0cda-498b-adae-b95b32c15503",{"_uid":273,"title":274,"content":275,"eyebrow":107,"showTOC":39,"category":19,"priority":276,"readTime":277,"subtitle":278,"component":279,"eventDate":19,"heroImage":280,"meta_tags":284,"meta_title":304,"eventFormat":19,"heroButtons":305,"updatedDate":306,"bottomBlocks":307},"b28c4bcc-cb27-42e1-bd04-d85e3805d44e","Asystent AI w biznesie","Wyobraź sobie, że o swoje dane pytasz tak, jak pytasz współpracownika. „Dlaczego ROAS na PL spadł w zeszłym tygodniu?”, „Ile realnie zarobiliśmy na Black Friday po zwrotach?”, „Czy klienci z tej promocji wracają?”. I dostajesz odpowiedź w trakcie spotkania — a nie w zgłoszeniu do analityka z terminem na pojutrze.\n\nTechnicznie jest to dziś możliwe i nazywa się MCP: standard, który pozwala podłączyć model AI, którego Twój zespół już używa — ChatGPT, Claude albo Gemini — do zewnętrznych źródeł danych. Brzmi jak rozwiązanie całego problemu i dokładnie dlatego warto od razu powiedzieć, gdzie jest haczyk. Podłączyć AI do danych to nie to samo, co dać mu je zrozumieć. Ten artykuł jest o tej różnicy — i o tym, co trzeba dołożyć, żeby z podłączenia wyszło coś, na czym można oprzeć decyzję.\n\nJedno zastrzeżenie na start, żeby nie było nieporozumienia: nie mówimy o kolejnym czacie przyklejonym do dashboardu. Mówimy o modelu, którego już używasz, podłączonym do Twojej hurtowni przez warstwę, która wie, co znaczą Twoje liczby.\n\n# Podłączyć AI do danych to nie to samo, co dać mu je zrozumieć [Podłączyć vs zrozumieć]\n\nFirmy, które próbują dziś analizować dane z AI, robią to zwykle na jeden z trzech sposobów. Warto przejść je po kolei, bo każdy wykłada się w innym miejscu.\n\n- **Zrzut ekranu albo eksport danych do czatu.** Model policzy dokładnie to, co dostał — czyli wycinek, bez możliwości sprawdzenia czegokolwiek głębiej. Każde kolejne pytanie to kolejny eksport, a każde „a rozbij to jeszcze po rynkach” oznacza powrót do panelu. Działa na jedno pytanie, nie działa jako sposób pracy.\n- **AI podłączone wprost do systemów źródłowych — GA4, Meta, sklepu.** Dane są tam surowe i rozproszone, więc model odpytuje sześć źródeł, wciąga do kontekstu tysiące wierszy o produktach i transakcjach, myli spend z cost, a przy większych zbiorach po prostu się dławi. Na demo wygląda świetnie. Na realnym wolumenie odpowiada wolno, drogo i niestabilnie. Rozpisaliśmy to szerzej w tekście o [jednym źródle prawdy](/pl/content/framework/single-source-of-truth) — tam widać też, ile z tej pracy da się wykonać raz, zamiast przy każdym pytaniu od nowa.\n- **AI na własnej hurtowni, ale bez dokumentacji.** Ten sposób wygląda najpoważniej i dlatego jest najbardziej podstępny. Dane są już w jednym miejscu, model ma dostęp do tabel — tylko nikt mu nie powiedział, co te tabele znaczą. A kolumna ze statusem zamówienia ma u Ciebie siedem wartości, z których dwie znaczą zwrot, jedna „za pobraniem, jeszcze nieopłacone”, a jedna została po migracji sklepu i nie znaczy już nic. Model tego nie wie i nie ma jak się dowiedzieć, więc policzy przychód ze wszystkiego i odda liczbę, która brzmi wiarygodnie. Bo AI wypełnia luki w dokumentacji najbardziej prawdopodobnym zgadywaniem — a „prawdopodobne” i „prawdziwe” to w analityce dwie różne rzeczy.\n\n![Ta sama AI w dwóch układach — bez dokumentacji zgaduje na surowych tabelach, z dokumentacją pyta o gotowy zestaw i wie, które statusy znaczą zwrot](https://a.storyblok.com/f/296300/18265e824a/ai-assistant-01-zgadywanie-vs-dokumentacja.gif)\n*Po lewej model sam wybiera surowe tabele i liczy przychód ze wszystkich statusów zamówienia. Po prawej czyta najpierw dokumentację i wie, które z nich znaczą zwrot — ta sama AI, dwie różne liczby.*\n\n> Model nie ma problemu z liczeniem. Ma problem z tym, że nikt mu nie powiedział, co znaczą Twoje liczby. A ten, który zgaduje, brzmi dokładnie tak samo pewnie jak ten, który wie.\n\nTo jest cała różnica między „podłączyliśmy AI do danych” a „mamy asystenta, na którym można oprzeć decyzję”.\n\n# Czym jest asystent AI w WitCloud [Co to jest]\n\nAsystent AI to nasz moduł oparty o WitCloud MCP — warstwę, która stoi między modelem, którego używasz, a Twoimi danymi w Twoim BigQuery. Nie zabieramy Cię do kolejnego panelu z czatem: podłączasz swojego asystenta do swoich danych i pracujesz tam, gdzie i tak już w dużej mierze pracujesz.\n\nTa warstwa robi trzy rzeczy — i to one odpowiadają za różnicę opisaną wyżej.\n\n- **Kieruje model tylko do gotowych zbiorów.** Asystent pracuje na tabelach All In One i na tabelach naszych rozwiązań — LTV i segmentacji klientów, drzewa KPI, monitoringu, analizy produktu — nigdy na surowych danych. Najcięższa robota, czyli łączenie, czyszczenie i agregacja milionów wierszy, jest wykonana wcześniej, w hurtowni, na mocy obliczeniowej Google Cloud. Model nie mieli surowych tabel: pyta o gotowy, lekki zestaw i od razu dostaje odpowiedź.\n- **Najpierw dokumentacja, potem zapytanie.** Każdy projekt nosi własną dokumentację: co zawiera, co znaczy każda kolumna, jakim zapytaniem liczy się dana analiza. Asystent czyta ją, zanim cokolwiek policzy — i korzysta z reguł opisanych w dokumentacji, zamiast składać własne zapytania od zera. To jest ta jedna zasada, której brak zamienia poprzedni scenariusz w generator wiarygodnie brzmiących bzdur.\n- **Zaczyna od ustalenia, na czym pracujecie.** Wybierasz projekt, asystent zaciąga jego zawartość — źródła danych, konteksty biznesowe, grupowania kanałów i rynków — i pyta o dwie rzeczy: co chcesz przeanalizować i w jakiej formie chcesz odpowiedź: tabela, podsumowanie, dane gotowe pod wykres, albo jedno z drugim. Dopiero potem schodzi do danych i trzyma się ustalonego formatu do końca sesji.\n\n![Jak zaczyna się każda sesja: wybór projektu, przeczytanie dokumentacji, ustalenie pytania i formatu odpowiedzi, i tylko na końcu zapytanie do gotowego zbioru](https://a.storyblok.com/f/296300/222ebb95db/ai-assistant-02-najpierw-dokumentacja.gif)\n*Cztery kroki w tej kolejności, przy każdej sesji. Odwrotna kolejność daje odpowiedzi, których nie da się obronić.*\n\nA jeśli projekt nie ma jeszcze czego analizować — bo Google Cloud nie jest podłączony albo pierwszy konektor nie dowiózł danych — asystent to rozpozna i poprowadzi Cię przez to, czego brakuje, zamiast szukać danych, których nie ma.\n\n# Trzy rzeczy, które zamieniają poprawną odpowiedź w użyteczną [Trzy rzeczy]\n\nPoprawna odpowiedź to taka, w której liczby się zgadzają. Użyteczna to taka, którą można wziąć na spotkanie i podjąć na jej podstawie decyzję. Między jedną a drugą stoją trzy rzeczy, które opisujesz raz, a asystent czyta przy każdej analizie.\n\n![Trzy rzeczy, które opisujesz raz, a asystent czyta przy każdej analizie: kontekst biznesowy, log zdarzeń i grupowanie kanałów — dzięki nim wzrost ruchu ma przyczynę, a nie sezonowość](https://a.storyblok.com/f/296300/e598b6d73b/ai-assistant-03-trzy-wejscia-kontekstu.gif)\n*Opisujesz je raz, asystent czyta przy każdej analizie. Dzięki nim „+40% ruchu” dostaje przyczynę — kampanię z 12-go — a nie sezonowość.*\n\n**Kontekst biznesowy — czym w ogóle jest Twoja firma**\n\nTwój własny opis: co sprzedajesz i komu, na jakich rynkach działasz, jak zachowuje się Twoja branża, co u Ciebie znaczy „nowy klient”, gdzie masz marżę, a gdzie tylko obrót. Trzymasz go jako tekst w WitCloud albo we własnym Google Docs, który WitCloud odczytuje przy każdej analizie — więc aktualizujesz go tam, gdzie i tak pracujesz.\n\nProjekt może mieć kilka kontekstów: osobny na markę, osobny na rynek. Analiza jest zawsze czytana przeciw temu, który wskażesz — asystent nie wybiera go za Ciebie. To celowe: automatyczny wybór „pierwszego z listy” to najprostszy sposób na trafną odpowiedź o niewłaściwym biznesie.\n\n**Log zdarzeń — dlaczego liczby zrobiły to, co zrobiły**\n\nKalendarz tego, co się u Ciebie działo: promocja, zmiana progu darmowej dostawy, wyczerpany magazyn, migracja sklepu, wejście na nowy rynek, rebranding. Prosty arkusz — data, kategoria, opis.\n\nTo on zamienia „ruch wzrósł o 40%” w „ruch wzrósł o 40%, bo 12-go startowała kampania”, i chroni przed najczęstszą wymówką w analityce, czyli tłumaczeniem sezonowością wszystkiego, czego nie umiemy wytłumaczyć inaczej. Asystent czyta ten log przy analizie i może do niego dopisywać: mówisz mu w rozmowie, że w zeszłym tygodniu wypadła dostawa, on dodaje wpis. Za miesiąc nikt nie będzie się zastanawiał, co tam się stało.\n\n**Grupowanie kanałów i rynków — żeby jedno i drugie nazywało się tak, jak w Twojej firmie**\n\nRuch i koszty przychodzą oznaczone bałaganem: google / cpc, newsletter_2024, fb-ig, dwadzieścia wariantów UTM-ów. Grupowanie kanałów to Twoje reguły, które sprowadzają to do kanałów, którymi Twój zespół mówi na spotkaniu.\n\nTen sam moduł układa drugi wymiar, o którym mówi się rzadziej, a przy kilku rynkach decyduje o wszystkim: grupowanie rynków. Bo rynek też przychodzi w kilku wersjach naraz — GA4 mówi o kraju sesji, sklep o kraju dostawy, konto reklamowe o targetowaniu, a jedna kampania potrafi obsługiwać trzy kraje jednocześnie. Do tego „rynek” w Twojej firmie rzadko znaczy dokładnie „kraj”: DACH bywa jednym rynkiem, reszta UE jednym workiem, a marketplace osobnym bytem, nawet jeśli sprzedaje w tym samym kraju co sklep. Grupowanie rynków to te same reguły, tylko na tym wymiarze — sprowadzają wszystkie warianty do podziału, którym faktycznie zarządzasz.\n\nI to jest wymiar, na którym najłatwiej się przewrócić, bo błąd nie wygląda na błąd. „Czy DE zachowuje się dziś tak, jak PL rok temu?” albo „na którym rynku tracimy na dostawie” to pytania, w których cała trudność siedzi nie w liczeniu, a w tym, czy DE po obu stronach porównania znaczy to samo. Ścieżka, którą schodzi się przy diagnozie — rynek → kanał → kampania — zaczyna się właśnie od tego wymiaru: jeśli pierwszy krok jest rozjechany, reszta drilldownu prowadzi w złe miejsce, tylko bardzo szczegółowo.\n\nJakość obu grupowań decyduje o wiarygodności każdego raportu kanałowego i każdego porównania między rynkami, więc warto je przejrzeć — i to jest zadanie w sam raz dla asystenta. Policzy na Twoich danych, ile kosztów i ruchu ląduje w „pozostałych”, które reguły nie łapią już niczego, jakie są największe nieprzypisane źródła i gdzie rynki rozjeżdżają się między systemami. Zaproponuje poprawki. A jeśli nowe reguły mają objąć też historię, najpierw pokaże wycenę — przeliczenie historii to jedyna operacja w tym module, która realnie kosztuje, i nic nie startuje bez Twojej wyraźnej zgody.\n\n> Liczby mówią, co się stało. Kontekst mówi, dlaczego — i dopiero on decyduje, czy odpowiedź nadaje się do decyzji.\n\n# Cztery rzeczy, które robi się z asystentem najczęściej [Cztery zastosowania]\n\n1. **Cotygodniowy przegląd kondycji.** Zamiast otwierać pięć raportów: „przejdź całe drzewo KPI, każdą metrykę w jej własnym oknie porównania, i powiedz, co wymaga mojej uwagi”. Jeśli drzewo jest zdefiniowane w WitCloud — z powiązanymi metrykami i właściwym oknem przy każdej gałęzi — asystent ma po czym schodzić i wraca z jednym spójnym przeglądem: od góry drzewa aż po dźwignie, po które i tak schodziłbyś ręcznie. Bez drzewa też odpowie, tylko na węższe pytanie: o konkretną metrykę, nie o całą kondycję.\n2. **Diagnoza, kiedy coś odbiega od normy.** Alert mówi, że ROAS na PL spadł o 22%. Pytasz wprost „dlaczego”, a asystent idzie tą samą ścieżką, którą przeszedłbyś w raporcie: rynek → kanał → kampania, a potem rozbiera samą metrykę — koszt czy przychód, CPC czy liczba kliknięć. Tylko robi to głębiej i nie męczy się przy dziesiątej gałęzi w środku dnia.\n3. **Pytania o klienta.** Ile jest wart klient z Google Ads w porównaniu z klientem z newslettera. Po ilu miesiącach zwraca się koszt pozyskania w kohorcie z marca. Które kanały przynoszą wartościowych klientów, a które tylko tanich. Które produkty pozyskują, a które budują lojalność. Jak przesuwają się segmenty z miesiąca na miesiąc.\n4. **Pytania o produkt.** Co się sprzedaje, a co zarabia. Gdzie warianty erodują i które kampanie już to czują. Co dowiozła nowość z ostatniego okna testowego. Którym produktom kończy się stan przy wciąż włączonym budżecie.\n\nDo tego dochodzi kategoria, której się nie planuje: pytania jednorazowe. „Czy klienci z tej promocji wracają?”, „Ile realnie zarobiliśmy na Black Friday po zwrotach?”, „Czy DE zachowuje się dziś tak, jak PL rok temu?”. Wcześniej każde z nich było zgłoszeniem, które wchodziło do kolejki. Teraz jest pytaniem zadanym w trakcie rozmowy — i to jest ta zmiana, którą czuje się najbardziej.\n\n![Cztery powtarzalne zadania asystenta: cotygodniowy przegląd całego drzewa KPI, diagnoza odchylenia od rynku przez kanał do kampanii, pytania o klienta i pytania o produkt](https://a.storyblok.com/f/296300/83d50e6e15/ai-assistant-04-cztery-zastosowania.gif)\n*Każde z tych zastosowań stoi na module, który masz już w WitCloud — asystent tylko otwiera go dla całego zespołu.*\n\n# Działa w narzędziu, którego Twój zespół już używa [Twoje narzędzie]\n\nNie budujemy własnego czata, bo Twój zespół już ma swój. Podłączasz WitCloud do ChatGPT, Claude albo Gemini — dla każdego z nich mamy instrukcję krok po kroku. Logujesz się swoim kontem WitCloud, e-mailem i hasłem albo przez Google, a dostęp jest per użytkownik, nie jeden wspólny klucz na całą firmę.\n\nDane nie wychodzą z Twojego Google Cloud. Model dostaje wynik zapytania — tyle, ile potrzebuje na odpowiedź — a nie kopię hurtowni. Wszystko, co asystent czyta, jest tylko do czytania; zmienia wyłącznie te trzy rzeczy, o które go wprost poprosisz: kontekst biznesowy, log zdarzeń oraz grupowanie kanałów i rynków.\n\nSam asystent niczego nie przestawia w Twoich kampaniach — i to jest wybór, nie brak. Ale MCP to standard, więc nasz nie musi być jedynym w czacie: obok niego podpinasz MCP Google Ads i masz jedno i drugie w tej samej rozmowie. Nasz dostarcza wiedzy — co się dzieje, na którym rynku i dlaczego — a tamten to wykonuje, na własnych uprawnieniach, które nadajesz osobno. Niech sobie porozmawiają. Decyzja nadal jest Twoja, tylko nie musisz jej już przeklikiwać w trzech panelach.\n\nNie trzeba znać SQL-a i nie trzeba wiedzieć, jak nazywają się tabele. Trzeba wiedzieć, o co się pyta — a to jest kompetencja, którą Twój zespół już ma. Analityk przy tym nie znika: przestaje sklejać raporty na pytania, na które da się odpowiedzieć z gotowego zbioru, i zajmuje się tymi, które naprawdę wymagają analityka.\n\nRozliczenie idzie za aktywnego użytkownika w miesiącu i jest progresywne: płacisz tylko za osoby, które w danym miesiącu faktycznie o coś zapytały, a im więcej ich jest, tym niższa stawka na kolejnych progach. Aktualne progi znajdziesz w dokumentacji modułu.\n\n# Im więcej masz ułożone, tym więcej asystent z tego wyciągnie [Efekt kuli śnieżnej]\n\nAsystent działa od pierwszego dnia — wystarczy hurtownia, do której spływają dane, i kontekst biznesowy na jedną kartkę. Ale nie tworzy analiz z powietrza: sięga po to, co masz już policzone. Dlatego każdy kolejny moduł, który włączysz, nie dodaje mu nowej funkcji — dodaje mu nowe pytania, na które umie odpowiedzieć. I to jest chyba najprzyjemniejsza część tej układanki, bo działa bez żadnej dodatkowej pracy z Twojej strony.\n\n- **All In One** daje wspólny język: spend i cost przestają być dwiema różnymi rzeczami, a asystent umie odpowiedzieć o sprzedaż, koszty, kanały i ROI w jednej liczbie, nie w pięciu.\n- **Audyt jakości danych** decyduje o tym, czy tej liczbie można ufać. Asystent policzy dokładnie to, co dostanie — więc im mniej dziur u źródła, tym mniej pewnych głosem pomyłek.\n- **Drzewo KPI z monitoringiem** zamienia „jak idzie?” w konkretną ścieżkę. Asystent nie musi zgadywać, na co patrzeć: ma zdefiniowane metryki, okna porównania i gałęzie, po których schodzi.\n- **LTV i segmentacja klientów** otwierają cały blok pytań o klienta — kohorty, zwrot z akwizycji, wartość klienta per kanał — bez liczenia tego od zera przy każdym pytaniu.\n- **Analiza produktu** robi to samo dla asortymentu: marża, rotacja, stan magazynowy i erozja wariantów są już policzone, więc pytanie „co zarabia, a co tylko się sprzedaje” dostaje odpowiedź, a nie kolejne zapytanie.\n\n![Sześć części frameworku — jedno źródło prawdy, audyt, drzewo KPI, perspektywa klienta, perspektywa produktu — a asystent AI jako szósty element, który nie dokłada danych, tylko otwiera je dla całej firmy](https://a.storyblok.com/f/296300/89d14566d5/ai-assistant-05-framework-szesc-czesci.gif)\n*Asystent nie dokłada do frameworku nowych danych — otwiera te, które już masz, dla całej firmy.*\n\nI to działa w obie strony. Asystent jest też najszybszym sposobem, żeby te moduły przejrzeć i utrzymać: sprawdzi grupowanie kanałów i rynków, wskaże reguły, które nie łapią już niczego, dopisze do logu zdarzeń to, co powiesz mu w rozmowie. Im więcej masz ułożone, tym więcej z niego wyciągniesz — a im częściej z niego korzystasz, tym lepiej ułożone zostaje to, co masz.\n\nNie musisz mieć wszystkiego, żeby zacząć. Warto tylko wiedzieć, że nie ma tu ślepej uliczki: każdy element, który dołożysz, po prostu poszerza zakres pytań, na które dostaniesz sensowną odpowiedź.\n\n# Czego asystent nie zrobi [Czego nie zrobi]\n\nUczciwie o ograniczeniach, bo one decydują o tym, czy to się u Ciebie sprawdzi.\n\n- **Nie naprawi jakości danych.** Jeśli połowa transakcji nie dochodzi do analityki, bo tag purchase nie strzela po powrocie z bramki płatniczej, asystent policzy dokładnie to, co jest — i zrobi to pewnym głosem. Dlatego chodzi po pilnowanym źródle, a nie po surowych systemach. Jeśli chcesz wiedzieć, co konkretnie potrafi się psuć po drodze i jak to wyłapać, rozpisaliśmy to w [audycie danych marketingowych](/pl/content/framework/data-quality).\n- **Nie zastąpi raportu.** Część zespołów po prostu woli kliknąć i przejrzeć gotowy raport All In One — i to jest w porządku. Jedno i drugie stoi na tym samym źródle, więc obie drogi prowadzą do tej samej liczby.\n- **Nie zna Twojego biznesu z powietrza.** Bez kontekstu i bez logu zdarzeń będzie tłumaczył sezonowością to, co było promocją. Te dwie rzeczy to jedyna „praca domowa” w tym module — i zajmuje kartkę, nie księgę.\n- **Nie odpowie na pytanie o dane, których nie zbierasz.** Brakująca integracja nie zamieni się w odpowiedź. Zamieni się w informację, czego brakuje — co też jest przydatne, ale to inna odpowiedź niż ta, na którą liczysz.\n- **Świeże dane są nadal świeże.** Wczorajszy dzień jest zwykle domknięty, dzisiejszy nie, a konwersje dochodzą jeszcze przez kolejne dni. Asystent to uwzględnia, ale nie unieważnia.\n\n# Jak zacząć [Jak zacząć]\n\nPo stronie danych minimum jest krótsze, niż się wydaje: działające All In One, do którego spływają dane, przejrzane grupowanie kanałów i rynków oraz kontekst biznesowy na jedną stronę. Tyle wystarczy, żeby zadać pierwsze sensowne pytania — reszta dochodzi po drodze, w tempie, które sam ustalasz.\n\nPo stronie zespołu: jedna osoba, która zaczyna, i jeden rytm. Najlepiej działa cotygodniowe spotkanie z pięcioma stałymi pytaniami — co się zmieniło, co odbiega od normy, gdzie tracimy, co dowiozło, co robimy dalej — na którym nie przygotowuje się materiałów, bo odpowiedzi pobiera się w trakcie. Gdy ten rytm się utrzyma, rozszerzasz dostęp na resztę zespołu.\n\n::content-cta\n---\neyebrow: Bezpłatny okres próbny\nheading: Zapytaj o swoje dane po polsku — jeszcze w bezpłatnym okresie próbnym\ndescription: \"Spotkajmy się: podłączymy asystenta do Twoich danych i przejdziemy przez pierwsze pytania na Twoim projekcie.\"\nbuttonText: Umów rozmowę\nbuttonHref: /pl/contact\n---\n::\n\n# Uporządkowane dane wreszcie zaczynają na siebie zarabiać [Podsumowanie]\n\nŻadne MCP nie zdejmie z firmy obowiązku uporządkowania danych i nikt uczciwie nie powinien tego obiecywać. Robi za to coś, co widać od pierwszego tygodnia: ten porządek zaczyna się zwracać codziennie, a nie raz na kwartał, kiedy ktoś w końcu zdąży zbudować na nim raport.\n\nAI podłączone do bałaganu przyspiesza dokładnie jedno: tempo, w jakim podejmiesz złą decyzję. Podłączone do uporządkowanego, udokumentowanego źródła, z Twoim kontekstem biznesowym pod ręką, skraca drogę od pytania do działania z dni do minut — i robi to dla całego zespołu, nie tylko dla osoby, która zna SQL-a.\n\nDlatego asystenta warto włączyć na końcu, choć z całej listy wygląda najbardziej efektownie. Hurtownia, audyt, drzewo KPI, segmentacja — cała ta robota dopiero z nim przestaje leżeć w panelach, do których zagląda się raz w miesiącu.\n\nZamiast pytać o dane raz w miesiącu — rozmawiaj z nimi codziennie.\n\n::content-cta\n---\neyebrow: Asystent AI\nheading: Zobacz asystenta na swoich danych\ndescription: \"Pokażemy, jak podłączyć WitCloud MCP do narzędzia, którego już używasz — i o co warto zapytać w pierwszym tygodniu.\"\nbuttonText: Umów rozmowę\nbuttonHref: /pl/contact\n---\n::\n","6","15 minut czytania","Wykorzystaj AI do pracy na Twoich danych — automatyzuj analizy, odkrywaj wnioski i działaj szybciej.","content-page",{"id":281,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":282,"copyright":19,"fieldtype":21,"meta_data":283,"is_external_url":32},211422661063029,"https://a.storyblok.com/f/296300/1920x1080/ed3be32940/18-ai-assistant-thumbnail.png",{},[285,288,292,296,300],{"_uid":286,"name":244,"content":287,"component":246},"b1a30001-0000-4000-8000-000000000001","Podłączyć AI do danych to nie to samo, co dać mu je zrozumieć. Zobacz, co dokłada WitCloud MCP — i dlaczego odpowiedź obroni się na spotkaniu.",{"_uid":289,"name":290,"content":291,"component":246},"b1a30001-0000-4000-8000-000000000002","og:title","Zapytaj o swoje dane po polsku, nie w zgłoszeniu do analityka",{"_uid":293,"name":294,"content":295,"component":246},"b1a30001-0000-4000-8000-000000000003","og:description","ChatGPT, Claude albo Gemini na Twoim BigQuery - czytając najpierw dokumentację, kontekst biznesowy i grupowanie rynków. Odpowiedź w trakcie spotkania, nie po dwóch dniach.",{"_uid":297,"name":298,"content":299,"component":246},"b1a30001-0000-4000-8000-000000000004","og:image","https://a.storyblok.com/f/296300/900x600/63c278d1b3/18-ai-assistant-dark.png",{"_uid":301,"name":302,"content":303,"component":246},"b1a30001-0000-4000-8000-000000000005","twitter:card","summary_large_image","Zapytaj o swoje dane po polsku - asystent AI WitCloud",[],"2026-08-24 00:00",[],"ai-assistant-in-business","pl/content/framework/ai-assistant-in-business",-110,[],191214118803361,"e542adf0-91f1-4bab-87ae-0551d93d8942",[],{"name":316,"created_at":317,"published_at":318,"updated_at":319,"id":320,"uuid":321,"content":322,"slug":350,"full_slug":351,"sort_by_date":177,"position":352,"tag_list":353,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":354,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":355,"default_full_slug":177,"translated_slugs":177},"Product Perspective","2026-06-25T07:32:53.996Z","2026-08-30T18:38:23.366Z","2026-08-30T18:38:23.391Z",191214280722347,"7371a7d3-6a01-4fb1-a591-79dfa4bc3d28",{"_uid":323,"title":324,"content":325,"eyebrow":107,"showTOC":39,"category":19,"priority":326,"readTime":327,"subtitle":328,"component":279,"eventDate":19,"heroImage":329,"meta_tags":333,"meta_title":346,"eventFormat":19,"heroButtons":347,"updatedDate":348,"bottomBlocks":349},"0a259426-0bb2-4a0c-a483-6e3a7187289e","Praca na produkcie","# Zostały ci dwie dźwignie: budżet i segmentacja. Obie działają na danych, których nie ma w feedzie [Budżet i segmentacja]\n\nPrzez ostatnie kilka lat systemy reklamowe po kolei zabierały marketerowi kontrolę. Performance Max — kampania, w której Google sam rozdziela budżet między wyszukiwarkę, YouTube, Gmail i sieć reklamową — decyduje, gdzie się wyświetlić, komu pokazać reklamę i jaką stawkę zapłacić. Advantage+ po stronie Mety działa na tej samej zasadzie. Zniknęły ręczne stawki, ręczne podziały na sieci, w dużej mierze także ręczne wskazywanie odbiorców i składanie kreacji.\n\nTo nie jest zła zmiana. Algorytm licytuje szybciej i konsekwentniej, niż zrobiłby to człowiek, a większość ręcznych optymalizacji sprzed pięciu lat dziś po prostu przeszkadza.\n\nAlgorytm rozdziela pieniądze sam: sam decyduje, ile wydać na który produkt, w którym miejscu i o której godzinie. Ogranicza go tylko dwoje — **ile w sumie może wydać** i **na czym ma pracować**. Pierwsze ustawiasz w kampanii. Drugie zależy od tego, co mu o swoim asortymencie powiesz, a tu większość sklepów nie mówi mu prawie nic.\n\n# Wyzwanie opisane w skrócie [Wyzwanie w skrócie]\n\nCała rzecz w pięciu zdaniach, zanim wejdziemy w szczegóły.\n\n- Feed, który wysyłasz do Google i Mety, opisuje twoje produkty dokładnie tak samo, jak opisuje je konkurencja. Nie ma w nim marży, stanów magazynowych, rotacji ani sprzedaży spoza sklepu.\n- Te dane już masz, tylko leżą w systemach, które ze sobą nie rozmawiają. Wystarczy policzyć je razem i dołożyć do feeda jako plik uzupełniający, nie ruszając oryginału.\n- Wynik zapisujesz w etykietach: rentowność, sytuacja magazynowa, rola produktu, status wyprzedażowy. To one dzielą katalog na kampanie, a więc decydują, gdzie płyną pieniądze.\n- Etykiety muszą być stabilne. Bez tego produkty wędrują między kampaniami co kilka dni i algorytm nie ma się na czym uczyć.\n- Dalej to już rytm: w stałym terminie sprawdzasz, co się zmieniło, co grozi wyczerpaniem i gdzie przesunąć budżet.\n\nReszta artykułu jest rozwinięciem tych pięciu punktów.\n\n# Jak to wygląda dziś w prawie każdym sklepie [Jak to wygląda dziś]\n\nŚcieżka jest w zasadzie wszędzie taka sama. Sklep stoi na jakiejś platformie — Shopify, Magento, PrestaShop, WooCommerce. Wtyczka albo prosty eksport generuje z niego **feed produktowy**: plik z listą wszystkich produktów, przygotowany zgodnie ze specyfikacją Google. W środku identyfikator, nazwa, cena, dostępność, kategoria, marka i zdjęcie. Plik trafia do **Merchant Center**, czyli katalogu produktowego po stronie Google, i z niego karmione są kampanie. Ten sam plik, zwykle bez żadnych zmian, idzie równolegle do Mety.\n\nI wszystko działa. Feed przechodzi walidację, produkty się wyświetlają, kampanie zbierają sprzedaż. Nikt nie ma poczucia, że czegoś brakuje, bo nic się nie psuje.\n\nRzecz w tym, że ten plik opisuje twoje produkty dokładnie tak, jak opisałby je każdy inny sklep w twojej kategorii. Nazwa, cena, dostępność, zdjęcie — twoja konkurencja wysyła do Google plik zbudowany według tej samej specyfikacji, z tych samych pól. Nie ma w nim ani jednej informacji o tym, na czym faktycznie zarabiasz, co ci się właśnie kończy, co przyciąga klientów, którzy potem wracają, ani co sprzedaje ci się świetnie poza sklepem.\n\nDruga wersja tej samej ścieżki wygląda tak: bierzesz dokładnie ten sam feed i po drodze dokładasz do niego drugą warstwę. Nie kupujesz do tego nowych danych — składasz je z tych, które już masz, tyle że rozrzuconych po systemach, które ze sobą nie rozmawiają. Policzone razem i dograne jako plik uzupełniający zmieniają tylko jedno: ile algorytm o twoich produktach wie. Oryginalny feed zostaje nietknięty.\n\n![Dwie ścieżki tego samego feeda produktowego](https://a.storyblok.com/f/296300/1d7245c14f/product-perspective-01-dwie-sciezki-feeda.png)\n*Dwie ścieżki tego samego feeda produktowego*\n\nCały ten artykuł jest o tej drugiej warstwie: skąd się bierze, co konkretnie w niej umieścić i jak z niej korzystać na co dzień.\n\n# Feed stał się sterowaniem, a nie tylko katalogiem [Feed jako sterowanie]\n\nW kampaniach produktowych nie licytujesz na słowa kluczowe — nie ma czego ustawiać. Rolę, którą kiedyś pełniła struktura kampanii, przejmuje więc podział katalogu. To feed decyduje, co algorytm w ogóle może zgrupować, a tym samym czym możesz sterować budżetowo. **Tu wracają twoje dwie dźwignie: pieniądze i asortyment.** Jedna bez drugiej nie działa — budżet bez podziału katalogu to jedna wielka kupka, z której system bierze, co chce.\n\nGoogle pozwala dzielić katalog wewnątrz kampanii po kategorii, typie produktu, identyfikatorze, marce, stanie i kanale. Każdy inny podział — czyli każdy wynikający z twojego biznesu, a nie z opisu produktu — wymaga **etykiet niestandardowych**. To po prostu dodatkowe kolumny w feedzie, w które wpisujesz własną wartość: „wysoka marża\", „wyprzedaż\", „nowość\". Potem w kampanii możesz na ich podstawie zbudować osobną grupę produktów albo osobną kampanię z własnym budżetem. Masz pięć takich kolumn, wpisujesz w nie co chcesz, widać je wyłącznie w twoim koncie reklamowym i możesz je zmieniać, kiedy chcesz.\n\nPięć pól. W większości sklepów wypełnione są dwa, statycznie, i od dwóch lat nikt ich nie ruszał — zwykle „sezon\" i „wyprzedaż\".\n\nTo jest cały twój panel sterowania w świecie, w którym reszta dzieje się automatycznie.\n\n# Co system reklamowy wie, a czego nie policzy [Czego nie wie system]\n\nKrąży o tym uproszczenie, że platformy „nic nie wiedzą o produktach\". Nie jest prawdziwe. Wiedzą sporo: wyświetlenia, kliknięcia, sprzedaż i koszt na poziomie pojedynczego produktu, a często nawet pojedynczego wariantu — konkretnego modelu w konkretnym rozmiarze i kolorze. W tym są dobre.\n\nCzego nie wiedzą, to twojego biznesu:\n\n| System widzi | Twój biznes wie |\n| --- | --- |\n| dostępny | zostały 3 sztuki, przy obecnym tempie na 6 dni |\n| dostępny, konwersje się zgadzają | zostały wyłącznie rozmiary XS i XXL — klient klika, nie znajduje swojego i kupuje coś innego |\n| cena 349 zł | marża po rabacie i zwrotach wynosi 11% |\n| konwersje rosną | ale ten produkt kupuje się raz i klient nie wraca |\n| konwersje niskie | ale po tym produkcie klienci najczęściej robią drugi zakup |\n| konwersje słabe | ten sam produkt jest bestsellerem na marketplace |\n| brak danych — produkt nigdy nie dostał budżetu | od pół roku schodzi na Allegro, a w reklamie nie był ani razu |\n| brak sygnału | 20% przychodu całego biznesu — sklepu, marketplace'ów i sprzedaży stacjonarnej razem — stoi na tym jednym SKU |\n\nPrawej kolumny nie da się zobaczyć. Trzeba ją policzyć — łącząc dane, które dziś leżą w kilku różnych miejscach — a potem oddać mediom w jedynej formie, którą przyjmą: w etykiecie.\n\nOsobno warto zatrzymać się przy sprzedaży spoza sklepu. Google i Meta widzą wyłącznie to, co dzieje się na twojej stronie internetowej, więc dokładają budżet do produktów, które już tam konwertują. Nie mają jak się dowiedzieć, że pozycja schodząca u ciebie przeciętnie jest bestsellerem na Allegro czy Amazonie — a to zwykle najmocniejszy sygnał, jaki w ogóle masz, że produkt warto w reklamie przetestować. Bez tej informacji automat konsekwentnie skaluje to, co już działa, i nigdy nie sięgnie po asortyment, o którym twój biznes od dawna wie, że się sprzedaje.\n\nNajgorsze jest to, że ten sam mechanizm działa po twojej stronie. Produkt nie trafia na listę tych, które warto wyeksponować w kampanii, bo nigdy nie pokazał w niej dobrych wyników — a nie pokazał ich, bo nigdy nie dostał budżetu. Tymczasem gdzie indziej sprzedaje się od pół roku. Wyjście z tej pętli nie przyjdzie z konta reklamowego, bo w koncie reklamowym tego produktu praktycznie nie ma.\n\n![Sprzedaż w sklepie i na marketplace zestawiona z wydatkami reklamowymi](https://a.storyblok.com/f/296300/265bb086d7/product-perspective-02-sprzedaz-sklep-marketplace.png)\n*Sprzedaż w sklepie i na marketplace zestawiona z wydatkami reklamowymi*\n\nSkoro tych informacji nie ma ani w feedzie, ani w koncie reklamowym, zostaje pytanie, skąd system ma je wziąć. Oto pełna lista źródeł — żadne z nich samo z siebie nie wyśle niczego do Google.\n\n**Skąd biorą się te dane**\n\n- **CRM lub ERP**, czyli system, w którym trzymasz zamówienia, stany i ceny zakupu — stany magazynowe i warianty, atrybuty własne, marże, sprzedaż ze sklepu i z pozostałych kanałów, w tym marketplace'ów i sprzedaży stacjonarnej.\n- **GA4**, czyli Google Analytics — ruch na kartę produktu, zachowanie użytkownika, skuteczność sprzedaży, przychód w podziale na kanały.\n- **Google Ads** — wyświetlenia, kliknięcia, koszt i sprzedaż na poziomie pojedynczego produktu.\n- **Meta Ads** — to samo w ujęciu produktowym.\n- **Merchant Center**, czyli katalog produktowy po stronie Google — widoczność bezpłatna, odrzucenia produktów i pozycja cenowa. To ostatnie jest niedocenianym źródłem: jeśli twój produkt ma kod EAN lub GTIN, którym posługują się też inni sprzedawcy, Google potrafi porównać twoją cenę z rynkową i powiedzieć, czy jesteś wyraźnie tańszy, porównywalny, czy wyraźnie droższy. Codzienny odczyt tej informacji zamienia ją z ciekawostki w sygnał.\n\nJedna decyzja metodyczna jest tu ważniejsza niż wszystkie integracje razem: **przychód trzeba liczyć z jednego źródła.** Google raportuje własną wartość sprzedaży, Meta własną, każda liczy po swojemu i każda przypisuje sobie te same zamówienia. Po zsumowaniu wychodzi liczba, której nie ma w twoim rachunku wyników — a dopóki każdy kanał ocenia się jego własną miarą, porównywanie ich ze sobą nie ma sensu.\n\n# Pięć wymiarów oceny produktu [Pięć wymiarów oceny]\n\nOcena wymaga spojrzenia z pięciu stron naraz:\n\n- **Performance** — ruch, konwersja i ROAS, czyli przychód na każdą złotówkę wydaną na reklamę tego produktu, liczony na tle własnej kategorii, a nie całego katalogu.\n- **Stan magazynowy** — nie „dostępny\", tylko ile sztuk, w jakich wariantach i na ile dni.\n- **Rotacja** — jak szybko schodzi, czy przyspiesza, czy zwalnia, i jak długo już leży.\n- **Wpływ na biznes** — marża, udział w przychodzie, to jak bardzo wynik całości zależy od tego jednego SKU.\n- **Istotność biznesowa** — czy to produkt wejściowy, sezonowy, wizerunkowy, czy taki, który sam sprzedaje się przeciętnie, ale wyciąga za sobą cały koszyk.\n\nOstatni wymiar jest najczęściej pomijany, a bywa najdroższy w skutkach — dlatego dostał osobną sekcję zaraz poniżej.\n\n![Pięć wymiarów oceny produktu, zapisanych jako pytania](https://a.storyblok.com/f/296300/f7d3d2777c/product-perspective-03-piec-wymiarow-oceny.png)\n*Pięć wymiarów oceny produktu, zapisanych jako pytania*\n\n# Produkty, których wartość leży poza ich własnym wynikiem [Wartość poza wynikiem]\n\nSystem reklamowy rozlicza produkt jego własną sprzedażą. To wygodne i w większości przypadków wystarcza — ale są trzy sytuacje, w których taka ocena systematycznie zaniża wartość, i to zwykle akurat tych produktów, na których zależy ci najbardziej.\n\n**Produkt, który wyciąga koszyk.** Sam sprzedaje się przeciętnie, generuje sporo ruchu i słabo konwertuje — ale zamówienia, w których się pojawia, są wyraźnie większe od średniej. Klient wchodzi na jego kartę, ostatecznie kupuje coś innego, a konwersja zapisuje się temu, co faktycznie wylądowało w koszyku. W raporcie kampanii ten produkt wygląda na kandydata do wyłączenia.\n\n**Produkt-brama, czyli taki, po którym klient wraca.** Pierwszy zakup ma przeciętną wartość, ale osoby, które zaczęły właśnie od niego, wracają po drugie zamówienie znacznie częściej niż reszta. Tego nie widać w żadnym oknie atrybucji, bo drugi zakup przychodzi po tygodniach, często z innego kanału i bez żadnego związku z pierwotną kampanią. Ta informacja powstaje po stronie analizy klienta i dopiero stamtąd może wrócić do katalogu jako etykieta. Więcej o tym w osobnym artykule o pracy z bazą klientów.\n\n**Produkt akwizycyjny kontra produkt na drugi zakup.** To rozróżnienie bywa jeszcze bardziej praktyczne, bo prowadzi wprost do podziału kampanii. Część asortymentu świetnie nadaje się do przyciągania kogoś, kto nie zna marki: niska bariera wejścia, prosty wybór, cena, przy której decyzja jest łatwa. Zupełnie inna pula sprawdza się wtedy, gdy chcesz namówić na drugie albo trzecie zamówienie kogoś, kto już u ciebie kupił — bo tu działa wiedza o marce, a nie zachęta cenowa.\n\nJeśli obie pule siedzą w jednej kampanii, rozliczasz je wspólnym progiem, choć mają zupełnie inne zadania. Produkt akwizycyjny może mieć niższy zwrot i nadal być najlepszą inwestycją w katalogu, o ile przyprowadza klientów, którzy zostają. Produkt na drugi zakup nie ma sensu w kampanii zasięgowej, bo trafia do ludzi, którzy nie mają jeszcze powodu, żeby go chcieć.\n\nWniosek jest ten sam we wszystkich trzech przypadkach: **produkt trzeba oceniać przez rolę, jaką pełni, a nie tylko przez jego własny wynik.** Rola to kolejny wymiar, który da się policzyć i wyprowadzić do mediów jako etykieta — a bez niej algorytm konsekwentnie tnie budżet tam, gdzie powinien go zwiększać.\n\n![Własna sprzedaż produktu i sprzedaż, którą pociąga za sobą](https://a.storyblok.com/f/296300/add42187ef/product-perspective-04-wlasna-sprzedaz-koszyk.png)\n*Własna sprzedaż produktu i sprzedaż, którą pociąga za sobą*\n\n# KROK 1: zbuduj warstwę etykiet [Krok 1: etykiety]\n\nMasz pięć kolumn na własne etykiety i pełną swobodę w tym, co w nie wpiszesz; Meta buduje z tych samych pól zestawy produktów.\n\nPięć kolumn brzmi jak niewiele, jeśli myśleć o nich jak o miejscu, w którym ma się zmieścić cała wiedza o katalogu. I tak właśnie nie należy o nich myśleć. **Po stronie analizy wymiarów jest tyle, ile potrzebujesz** — ocena efektywności, sytuacja magazynowa, struktura kanałów, status wyprzedażowy, rola produktu w koszyku, a do tego flagi operacyjne w rodzaju „nowość w fazie testu\" czy „produkt zablokowany decyzją managera\". Pięć pól w feedzie to nie ten zbiór, tylko okno, przez które wybrane wnioski wychodzą do mediów.\n\nDo mediów wychodzi z tego tyle, ile się mieści i ile faktycznie potrzebujesz do sterowania budżetem. Reszta zostaje po stronie analizy i służy do podejmowania decyzji, nie do targetowania.\n\nPrzykładowy podział tego, co warto wyprowadzić na zewnątrz:\n\n| Wymiar | Po co | Przykładowe wartości |\n| --- | --- | --- |\n| Efektywność | główny podział budżetowy | filar wyniku, do skalowania, w teście, do obserwacji, wstrzymany |\n| Sytuacja magazynowa | ochrona przed wydawaniem na towar, którego zabraknie | zapas na długo, zapas na kilkanaście dni, zapas na kilka dni, brak stanu |\n| Struktura kanałów | gdzie produkt naprawdę się sprzedaje | dominacja płatnych, dominacja organicznych, dominacja marketplace, rozłożony |\n| Status wyprzedażowy | oddzielenie normalnej sprzedaży od upłynniania | normalny, do obserwacji, wyprzedaż |\n| Sezon lub akcja | pole do ręcznego nadpisywania przez zespół | zależnie od kalendarza |\n\nPierwsze cztery wypełniają się automatycznie i zmieniają razem z danymi. Ostatnie zostaje wolne dla zespołu — na sezony, święta i akcje, których żaden algorytm nie przewidzi.\n\nTo punkt wyjścia, nie kanon. Zależnie od katalogu inne wymiary bywają ważniejsze i warto rozważyć oddanie im jednego z pięciu pól:\n\n- **Przedział cenowy** — klasyk, który sprawdza się prawie wszędzie. Produkt za 49 zł i produkt za 900 zł mają inną ścieżkę zakupową, inny czas decyzji i inny sensowny koszt pozyskania, a wrzucone do jednej kampanii rozliczają się wspólnym progiem, który dla żadnego z nich nie jest właściwy.\n- **Pozycja cenowa względem konkurencji** — czy jesteś na tym produkcie wyraźnie tańszy, porównywalny, czy wyraźnie droższy od rynku. Tam, gdzie jesteś tańszy, warto naciskać mocniej, bo przewaga i tak zadziała. Tam, gdzie jesteś wyraźnie droższy, słaby wynik kampanii nie jest problemem kampanii i dokładanie budżetu go nie naprawi.\n- **Rola produktu** — czy sprzedaje głównie sam siebie, wyciąga za sobą koszyk, czy jest bramą, po której klient wraca. To także miejsce, w którym rozdzielasz produkty akwizycyjne od tych na drugi zakup — a takie rozdzielenie prawie zawsze kończy się dwiema osobnymi kampaniami z osobnymi progami.\n- **Dostawca lub marka własna** — jeśli marże między dostawcami różnią się na tyle, że uzasadniają osobne budżety.\n\n![Udział w wydatkach reklamowych według pozycji cenowej, ze średnim ROAS](https://a.storyblok.com/f/296300/62cd321cdc/product-perspective-05-udzial-wydatkow-roas.png)\n*Udział w wydatkach reklamowych według pozycji cenowej, ze średnim ROAS*\n\n**To nie jest ustawienie jednorazowe.** Etykiety projektuje się, obserwuje i poprawia: analizujesz, jak zachowują się produkty w każdej grupie, sprawdzasz, czy podział faktycznie rozdziela to, co miał rozdzielać, i przesuwasz progi. Katalog po roku wygląda inaczej niż na starcie, więc definicje muszą za nim nadążyć.\n\nNa tym etapie najbardziej pomaga możliwość zadania pytania wprost: gdzie w tym katalogu przebiega sensowna granica marży, ile produktów wpadnie po jednej i po drugiej stronie progu i jak to zmieni rozkład budżetu. Zamiast klikać kilkanaście widoków, zadajesz pytanie i dostajesz odpowiedź razem z uzasadnieniem.\n\n**Progi są twoje, nie nasze.** Od jakiej marży produkt jest rentowny, ile dni pokrycia to zagrożenie, co znaczy „wolna rotacja\" — w modzie sezonowej te granice wyglądają inaczej niż w chemii gospodarczej czy elektronice. Pierwsze ustawienie robi się pod twój katalog i cykl dostaw, a potem koryguje na podstawie tego, co faktycznie się dzieje.\n\nJedna rzecz warta zapamiętania na starcie, bo ma bezpośrednie skutki budżetowe. Kiedyś każdej grupie produktów można było ustawić własną stawkę za kliknięcie. Przy strategiach automatycznych — czyli takich, w których podajesz systemowi cel, a on sam licytuje — stawek już nie ma, więc podział na grupy wewnątrz jednej kampanii daje ci co najwyżej ładniejszy raport. Jeśli chcesz naprawdę sterować pieniędzmi, poszczególne grupy muszą trafić do **osobnych kampanii z osobnymi budżetami**.\n\n![Warstwa analityczna i pięć pól etykiet w feedzie](https://a.storyblok.com/f/296300/21b23cc8f8/product-perspective-06-warstwa-analityczna-etykiety.png)\n*Warstwa analityczna i pięć pól etykiet w feedzie*\n\n# KROK 2: patrz na zmiany, nie tylko na stany [Krok 2: zmiany]\n\nSam podział katalogu to zdjęcie z jednego dnia. Wartość zaczyna się tam, gdzie widzisz **ruch między grupami** — dokładnie tak, jak w analizie klientów patrzy się na przejścia z nowego na wracającego, a nie tylko na to, ilu masz dziś nowych.\n\nWygląda to tak. Produkt, który przez ostatnie tygodnie był dopiero testowany, zaczyna dowozić sprzedaż i powinien dostać większy budżet. Inny, do tej pory jeden z filarów wyniku, słabnie i przestaje zasługiwać na priorytet. Trzeci w ogóle znika z reklam, bo skończył się stan magazynowy.\n\nKażda taka zmiana ma swój powód i swój moment, i warto mieć zapisane jedno i drugie — razem z liczbami, które w tej chwili obowiązywały. Wtedy pytanie „dlaczego ten produkt jest teraz w tej kampanii\" ma odpowiedź, a nie domysł.\n\nTo zmienia charakter porannego przeglądu. Zamiast czytać cały katalog od nowa, patrzysz na listę zmian z ostatniego tygodnia: co awansowało, co spadło, co zniknęło i dlaczego. Albo po prostu o to pytasz, jednym zdaniem, i dostajesz podsumowanie zamiast tabeli do przejrzenia. Na kilku tysiącach SKU to różnica między raportem, który się przegląda, a raportem, który się faktycznie czyta.\n\n![Zmiany grup produktowych w ostatnim miesiącu i sprzedaż, która za nimi stoi](https://a.storyblok.com/f/296300/6a263912ff/product-perspective-07-zmiany-grup-produktowych.png)\n*Zmiany grup produktowych w ostatnim miesiącu i sprzedaż, która za nimi stoi*\n\n**Etykieta nie może skakać**\n\nJest w tym pułapka, o którą łatwo się potknąć przy pierwszym wdrożeniu. Jeśli etykieta przelicza się codziennie i codziennie może się zmienić, produkt zacznie wędrować między kampaniami z dnia na dzień — dziś w bestsellerach, jutro w obserwowanych, pojutrze z powrotem. Dla ciebie to bałagan. Dla algorytmu, który potrzebuje ciągłości danych, żeby się czegokolwiek nauczyć, to sabotaż.\n\nDlatego zmiana etykiety nie może następować od razu. Warunek musi się utrzymać przez określony czas, inny dla awansu i inny dla spadku — łatwiej wejść wyżej niż z tego spaść, bo pojedynczy słaby tydzień nie powinien kasować dobrego kwartału. Wyjątkiem jest brak stanu magazynowego, który działa natychmiast, bo tu nie ma czego obserwować.\n\nDruga zasada dotyczy ludzi. Kiedy manager świadomie podejmie decyzję wbrew automatowi, ta decyzja musi być chroniona przez jakiś czas — inaczej następnego dnia przeliczenie ją nadpisze i nikt nie zrozumie, dlaczego. Automatyka wraca dopiero po tym okresie.\n\nTe dwie zasady wyglądają na detal techniczny, a decydują o tym, czy wdrożenie w ogóle się utrzyma. Bez nich pierwszy miesiąc wygląda dobrze, a trzeci kończy się zdaniem „to i tak skacze, wróćmy do ręcznego\".\n\n![Ta sama etykieta przeliczana codziennie i z wymaganym okresem potwierdzenia](https://a.storyblok.com/f/296300/6c9210bf68/product-perspective-08-etykieta-okres-potwierdzenia.png)\n*Ta sama etykieta przeliczana codziennie i z wymaganym okresem potwierdzenia*\n\n# KROK 3: steruj rentownością, nie przychodem [Krok 3: rentowność]\n\nAutomat rozlicza się z przychodu, bo to jedyna wartość, którą mu przekazujesz. Efekt bywa taki:\n\n- Produkt A: ROAS 8, marża 12%. Ze 100 zł przychodu zostaje 12 zł marży przy koszcie mediów 12,50 zł. Wynik: strata.\n- Produkt B: ROAS 3, marża 55%. Ze 100 zł przychodu zostaje 55 zł marży przy koszcie mediów 33 zł. Wynik: 22 zł zysku.\n\nW raporcie kampanii pierwszy produkt wygląda prawie trzy razy lepiej. W rachunku wyników jest jedynym, który dokłada.\n\n**Nie wysyłasz marży do Google.** Ta obawa zatrzymuje wiele wdrożeń, zanim się zaczną, więc rozstrzygnijmy ją od razu. Do feeda trafia kubełek, nie liczba: „wysoka\", „średnia\", „niska\". Konkretne wartości, ceny zakupu i umowy z dostawcami zostają po twojej stronie, w twoim własnym Google Cloud. System reklamowy dostaje tylko informację, że tej grupy produktów opłaca ci się bronić mocniej niż tamtej — bez wglądu w to, dlaczego.\n\nWarto przy okazji sprawdzić jeszcze jedną rzecz, która potrafi przesunąć cały rachunek. Sklep zwykle raportuje sprzedaż w kwotach brutto, a koszty mediów są netto. Zanim więc w ogóle policzysz marżę, zwroty i koszt logistyki, zwrot raportowany w panelu jest zawyżony o wysokość podatku. Przy stawce dwudziestotrzyprocentowej ROAS 5,0 z panelu to w rzeczywistości nieco ponad 4,0 na kwotach porównywalnych — a to często różnica między kampanią, która się broni, a taką, która nie.\n\nKiedy informacja o marży siedzi w etykiecie, przestaje to być problemem teoretycznym. Produkty o wysokiej marży trafiają do kampanii z większym budżetem i łagodniejszym wymaganiem co do zwrotu — stać cię na to, żeby zapłacić za nie więcej. Produkty, na których dokładasz, trafiają do kampanii z wymaganiem tak ostrym, że system sam ograniczy na nie wydatki, albo znikają z reklamy do czasu zmiany ceny.\n\n**10% produktów odpowiada u ciebie prawdopodobnie za większość przychodu — ale już nie za tyle samo marży.** Im bardziej te dwa rankingi się rozjeżdżają, tym więcej budżetu automat kieruje tam, gdzie wygląda to na sukces w raporcie, a nie jest nim w rachunku wyników.\n\nUstawienie progów rentowności to zresztą klasyczne pytanie, na które lepiej odpowiada rozmowa z danymi niż arkusz: ile stracisz, jeśli wytniesz wszystko poniżej pewnej marży, i czy przypadkiem nie wycinasz przy okazji produktów, które wyciągają koszyk.\n\nWarto przy tym porównywać każdy produkt do średniej jego własnej kategorii, a nie do średniej całego katalogu. Zwrot na poziomie 4 przy sprzęcie elektronicznym, gdzie marże są niskie, a ceny wysokie, znaczy coś zupełnie innego niż ten sam zwrot przy akcesoriach. Wspólny próg dla obu kategorii przesuwa budżet w złą stronę i wygląda przy tym na decyzję opartą na danych.\n\n![Te same produkty uszeregowane po przychodzie i po zysku](https://a.storyblok.com/f/296300/196a29b0f3/product-perspective-09-produkty-przychod-zysk.png)\n*Te same produkty uszeregowane po przychodzie i po zysku*\n\n# KROK 4: traktuj stan magazynowy jak sygnał [Krok 4: magazyn]\n\nScenariusz, który zna każdy, kto prowadzi kampanie produktowe. W poniedziałek ROAS jest zgodny z założeniem, przychód rośnie, wszystko wygląda dobrze. We wtorek ROAS się załamuje, przychód spada i zaczyna się szukanie przyczyny w kampaniach, w aukcji, w sezonowości. Przyczyna jest w magazynie: skończył się produkt, który odpowiadał za dużą część sprzedaży.\n\nTego dnia nie dało się już nic zrobić. Ale dało się to zobaczyć dwa tygodnie wcześniej.\n\nFeed zna dwa stany: dostępny i niedostępny. Do zarządzania budżetem potrzebujesz czterech odpowiedzi.\n\n**Ile zostało i na jak długo.** Nie „dostępny\", tylko pokrycie w dniach przy obecnym tempie sprzedaży. Produkt, który dziś ma zapas na osiem dni, a jednocześnie zbiera rosnący budżet, jest sytuacją do decyzji — przyhamować, przyspieszyć dostawę albo świadomie wyprzedać zapas.\n\n**Ile ten produkt znaczy dla wyniku.** Pokrycie samo w sobie nic nie mówi, dopóki nie wiesz, ile pieniędzy przez ten produkt przechodzi: ile na niego wydajesz, ile na nim zarabiasz i jaki ma udział w przychodzie. Dopiero razem powstaje odpowiedź na pytanie, o które naprawdę chodzi — **co się stanie z wynikiem, kiedy go zabraknie.** Świadomość tego z dwutygodniowym wyprzedzeniem zmienia rozmowę z tłumaczenia się z wyników na planowanie. Pytanie „co się stanie z wynikiem, jeśli te trzy produkty skończą się w przyszłym tygodniu\" jest zresztą dokładnie tym rodzajem pytania, na które szybciej dostaniesz odpowiedź w rozmowie z danymi niż szukając jej w raporcie.\n\n**Że produkt wypadł z feeda.** Skończył się stan, pozycja zniknęła z reklam i nikt nie zauważył przez tydzień, bo nic się nie zepsuło — po prostu przestało być.\n\n**Że produkt jest dostępny tylko formalnie.** Najbardziej podstępny przypadek, bo nie wygląda na awarię. Model wciąż ma status „dostępny\", ale zostały wyłącznie rozmiary o najniższej sprzedaży. System widzi dostępność i promuje go dalej — reklama nadal zbiera kliknięcia, a część klikających i tak coś kupuje, tylko że inny produkt. Konwersja zostaje przypisana temu, w co kliknęli, więc w raporcie nic nie miga na czerwono. Płacisz za ruch na pozycję, której nie możesz sprzedać, a algorytm nie ma się z czego nauczyć, że coś jest nie tak. Nazywamy to erozją wariantów i w sklepach z rozmiarami jest to jedna z częstszych ukrytych przyczyn spadku wyników.\n\nWażne, czego etykieta magazynowa **nie** powinna robić: automatycznie wycinać produktu z kampanii. Niskie pokrycie to informacja dla człowieka, nie wyrok — czasem właśnie chcesz wyprzedać ostatnie sztuki, a czasem dostawa przyjedzie w piątek. Automatycznie wypada z reklamy tylko to, czego fizycznie nie ma. Reszta to alert i decyzja.\n\n![Wydatki reklamowe i pozostały zapas dla czterech produktów](https://a.storyblok.com/f/296300/7b992b53e2/product-perspective-10-wydatki-zapas-cztery-produkty.png)\n*Wydatki reklamowe i pozostały zapas dla czterech produktów*\n\n![Znikające rozmiary jednego produktu przy niezmienionym budżecie](https://a.storyblok.com/f/296300/dc13bf11f5/product-perspective-11-znikajace-rozmiary.png)\n*Znikające rozmiary jednego produktu przy niezmienionym budżecie*\n\n# KROK 5: daj nowościom osobny budżet [Krok 5: nowości]\n\nProdukt bez historii nie daje się ocenić żadnym z pięciu wymiarów. Wrzucony do wspólnej kampanii przegrywa z pozycjami, które mają dane — automat ma z czego wybierać i wybiera to, co już działa. Nowa kolekcja startuje więc z gorszego miejsca za każdym razem.\n\nTo jest dokładnie ten przypadek, w którym twoje jedyne realne sterowanie, czyli budżet, musi zostać użyte świadomie. Nowość potrzebuje osobnej kampanii, własnej puli pieniędzy i okna, w którym normalne reguły oceny są zawieszone — bo ocenianie produktu bez danych zwykłymi progami kończy się wyłączeniem go, zanim cokolwiek pokaże. Potrzebny jest też próg wyjścia ustalony z góry: po jakim czasie i po jakim wyniku produkt dostaje etykietę docelową.\n\nDo tej samej szuflady należą produkty, które nie są nowe w twoim biznesie, tylko nowe w reklamie: schodzą na marketplace'ach albo w sklepie stacjonarnym, a w kampaniach nigdy nie dostały budżetu. Mają historię sprzedaży, tyle że zapisaną w miejscu, do którego system reklamowy nie zagląda. Z perspektywy testowania to najlepsi kandydaci w całym katalogu, bo ryzyko jest mniejsze niż przy prawdziwej nowości — ktoś już udowodnił, że ten produkt się kupuje.\n\n![Okno testowe nowego produktu i trzy możliwe wyjścia](https://a.storyblok.com/f/296300/b06c667ee5/product-perspective-12-okno-testowe-nowosci.png)\n*Okno testowe nowego produktu i trzy możliwe wyjścia*\n\n# Druga dźwignia: segmentacja odbiorców [Segmentacja odbiorców]\n\nTen sam mechanizm działa po stronie ludzi. Automat sam zdecyduje, komu pokazać reklamę, ale tylko w obrębie tego, co mu dasz — a listy odbiorców budujesz ty.\n\nTu obie analizy się spotykają. To, po których produktach klienci wracają po drugi zakup, wychodzi z analizy cyklu życia klienta i wraca do katalogu jako etykieta. W drugą stronę: segmenty klientów zasilają listy wykluczeń i grupy podobnych odbiorców. Katalog i baza klientów to dwie strony tej samej segmentacji, a nie dwa osobne projekty.\n\nWięcej o tym w osobnym artykule o pracy z bazą klientów.\n\n# Z czego to się składa [Z czego się składa]\n\nWszystko powyżej to sposób pracy — ale ktoś musi utrzymywać go w ruchu. Robi to WitCloud: platforma, którą wdrażamy na twoich danych. Dane z CRM, GA4, Google Ads, Meta Ads i Merchant Center trafiają do jednego zestawu tabel produktowych, który przelicza się codziennie. Nie musisz tego budować ani spinać samodzielnie.\n\nZ tego samego fundamentu korzystają trzy rzeczy:\n\n- **Raporty i analizy** odpowiadają na pytanie, co się dzieje i dlaczego. Rentowność, rotacja, pokrycie stanu, erozja wariantów, przepływy między grupami, wyniki nowości.\n- **Eksport etykiet** odpowiada na pytanie, jak to uruchomić. Wnioski wracają jako pliki suplementacyjne — dodatkowe arkusze, które dokładają kolumny do twojego istniejącego feeda, nie ruszając jego oryginalnej wersji. Zasilają etykiety niestandardowe w Google i zestawy produktów w Mecie.\n- **MCP WitCloud** to warstwa rozmowy nad danymi. Pytasz w naturalnym języku, dostajesz wnioski i rekomendacje w kontekście swojej branży.\n\n**Kluczowa konsekwencja: etykietę definiujesz raz.** „Produkt zagrożony brakiem\" znaczy to samo w raporcie, w Google i w Mecie. Nie ma trzech definicji bestsellera w trzech narzędziach ani ręcznie ustawionych etykiet, które starzeją się w tydzień.\n\nModuł działa też wtedy, gdy nie masz kompletu źródeł. Bez CRM nie policzysz marży ani pokrycia stanu, ale ocena efektywności i podział budżetowy działają normalnie — brakujące dane oznaczają węższy zakres etykiet, nie brak wdrożenia.\n\n![Od pytania na czacie do etykiet w systemach reklamowych](https://a.storyblok.com/f/296300/b71b13935d/product-perspective-13-od-pytania-do-etykiet.png)\n*Od pytania na czacie do etykiet w systemach reklamowych*\n\n# Czym to się różni od reguł w Merchant Center [Reguły Merchant Center]\n\nNajbardziej oczywisty zarzut brzmi: przecież mam reguły i etykiety niestandardowe. Cztery różnice:\n\n**Reguły widzą tylko to, co jest w feedzie.** Nie policzą marży, kosztu mediów, sprzedaży na marketplace ani powracalności klienta, bo tych danych w feedzie nie ma i nie będzie.\n\n**Ręczna etykieta starzeje się w tydzień.** Produkt oznaczony w poniedziałek jako bestseller za dziesięć dni bywa produktem bez stanu magazynowego. Etykieta zostaje.\n\n**Reguła nie ma pamięci.** Nie wie, że produkt był w tej grupie od trzech dni i wypada z niej po jednym słabym weekendzie. Nie odróżnia trwałej zmiany od wahnięcia.\n\n**Nikt tego nie mierzy po wdrożeniu.** Podział na etykiety powstaje raz, przy okazji jakiegoś projektu, i nigdy nie wraca się do pytania, czy cokolwiek zmienił.\n\n![Reguły w Merchant Center a etykiety liczone z danych](https://a.storyblok.com/f/296300/ddf1d2e7bf/product-perspective-14-reguly-merchant-center.png)\n*Reguły w Merchant Center a etykiety liczone z danych*\n\n# To proces, nie jednorazowy projekt [Proces, nie projekt]\n\nKatalog żyje szybciej niż baza klientów. Stany zmieniają się codziennie, sezon przestawia rotację w kilka tygodni, a nowa kolekcja potrafi przewrócić cały ranking. Ocena produktu zrobiona raz jest aktualna najkrócej ze wszystkiego, co liczysz w firmie.\n\nPraca dzieli się na trzy warstwy i tylko pierwsza dzieje się bez twojego udziału.\n\n![Podział pracy między system, zespół marketingu i twoje decyzje](https://a.storyblok.com/f/296300/99f73cd334/product-perspective-15-podzial-pracy.png)\n*Podział pracy między system, zespół marketingu i twoje decyzje*\n\n1. Dane i etykiety — robi system\n\nSprzedaż, stany, warianty, marże i koszty mediów spływają codziennie i same się ze sobą łączą. Etykiety przeliczają się od nowa, ale zmieniają dopiero wtedy, gdy zmiana jest trwała. Każda zmiana zostaje zapisana z powodem i z liczbami z tamtego momentu. Pliki suplementacyjne są gotowe w aktualnej wersji, bez ręcznego składania arkuszy.\n\n2. Kampanie — robi zespół marketingu\n\nEtykieta sama nic nie sprzedaje. Ktoś musi zbudować na niej strukturę:\n\n- **W Google Ads i Meta Ads:** podział na kampanie według etykiet i przypisanie im osobnych budżetów, różne cele efektywnościowe dla różnych progów rentowności, osobne kampanie dla wyprzedaży i dla nowości.\n- **W kreacji i na kartach produktu:** inny przekaz przy wyprzedaży zalegającego zapasu, inny przy nowości bez historii, inny przy produkcie, którego zadaniem jest wyciągnąć koszyk, a nie zmaksymalizować własną sprzedaż.\n\nTo realna praca i najcięższa jest na starcie: pierwsze tygodnie to przebudowa struktury kampanii pod etykiety. Później dochodzą korekty, a nie budowanie od zera.\n\nNie potrzebujesz do tego nowego działu, ale potrzebujesz jasno przypisanej odpowiedzialności — te kampanie muszą być czyimś zakresem, a nie zadaniem robionym przy okazji. Kto to będzie, zależy od tego, jak masz ułożony marketing: własny zespół albo agencja, która już prowadzi twoje kampanie.\n\n3. Decyzje — należą do ciebie\n\nOd jakiej marży produkt jest wart budżetu, kiedy przecenić zalegający zapas zamiast go reklamować, czy przyhamować kampanię przy niskim pokryciu, ile pieniędzy przeznaczyć na testowanie nowości, gdzie przesunąć progi po pierwszym kwartale. To decyzje biznesowe, nie obliczenia.\n\nMCP doprowadza cię tu najdalej, jak może: podaje liczby, wskazuje, co z nich wynika, i formułuje rekomendacje w kontekście twojej branży. Ostatni krok zostaje po twojej stronie. Jeśli chcesz mieć z kim to przegadać, wchodzimy jako doradcy.\n\n**Rytm: stały punkt w kalendarzu**\n\nPotrzebny jest jeden stały termin, przy którym siadają trzy osoby: ktoś od kampanii produktowych, ktoś od zakupów lub zarządzania asortymentem i ktoś, kto decyduje o cenach i przecenach. Jak często — zależy od tempa rotacji katalogu; przy szybkiej rotacji i sezonowości sensowniej częściej. Ważniejsze od częstotliwości jest to, żeby termin był stały.\n\nPięć pytań na każdy status:\n\n1. Co się zmieniło od ostatniego razu — co awansowało, co spadło, co zniknęło?\n2. Które produkty są zagrożone wyczerpaniem i jaki będzie wpływ na wynik, jeśli ich zabraknie?\n3. Gdzie erodują warianty i które kampanie to już odczuwają?\n4. Jak wypadły nowości z ostatniego okna testowego?\n5. Które progi wymagają korekty i czy budżety nadal stoją tam, gdzie powinny?\n\nMateriałów nie trzeba przygotowywać, bo raporty są gotowe, a odpowiedzi wyciągacie z MCP w trakcie samego spotkania.\n\n**W tym procesie jesteśmy waszym doradcą, nie wykonawcą.** Pracujemy przy trzech rzeczach: ustawieniu etykiet i progów pod twój katalog, analizie tego, co z liczb wynika, i prowadzeniu rytmu, w którym mierzysz efekty i wybierasz następny krok. Kampanie zostają u ciebie — my odpowiadamy za to, żeby wiedziały, co promują i dlaczego.\n\n![Widok produktowy, do którego wracasz co tydzień](https://a.storyblok.com/f/296300/64a4fb5924/product-perspective-16-widok-produktowy.png)\n*Widok produktowy, do którego wracasz co tydzień*\n\n# Od czego zacząć [Od czego zacząć]\n\nPotrzebne są dane o ruchu z GA4 oraz dane kosztowe z Google Ads i Meta Ads — to minimum, które wystarcza do oceny efektywności i podziału budżetowego. Dane o stanach, wariantach i marżach z CRM lub ERP otwierają całą warstwę magazynową i rentownościową. Reszta to konfiguracja progów pod twój katalog i cykl dostaw.\n\nPo stronie zespołu: jasno przypisana odpowiedzialność za kampanie produktowe i jeden regularny status.\n\n# Podsumowanie [Podsumowanie]\n\nIm więcej systemy reklamowe robią same, tym większe znaczenie ma to, czym je karmisz. Licytacja, targetowanie i dobór kreacji są już poza twoją kontrolą — zostały budżet i segmentacja.\n\nFeed odpowiada na pytanie, co sprzedajesz. Warstwa etykiet odpowiada na pytanie, co opłaca się sprzedawać, komu i jak długo jeszcze możesz to robić — a potem przenosi tę odpowiedź tam, gdzie wydajesz pieniądze.\n\n::content-cta\n---\neyebrow: Bezpłatny okres próbny\nheading: Zobacz swój katalog jako panel sterowania budżetem — jeszcze w bezpłatnym okresie próbnym.\ndescription: \"Spotkajmy się: pokażemy działający moduł WitCloud na Twoich danych — z etykietami, priorytetami i progami rentowności ułożonymi pod Twój katalog.\"\nbuttonText: Umów rozmowę\nbuttonHref: /pl/contact\n---\n::\n","5","30 minut czytania","Sprawdź jak działają Twoje produkty — które napędzają wzrost, a które go hamują.",{"id":330,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":331,"copyright":19,"fieldtype":21,"meta_data":332,"is_external_url":32},191285268971115,"https://a.storyblok.com/f/296300/900x600/0a227d486d/17-product-perspective-dark.png",{},[334,337,340,342,344],{"_uid":335,"name":244,"content":336,"component":246},"b2c10001-0000-4000-8000-000000000001","Zamień feed produktowy w panel sterowania budżetem — sprawdź, jak rentowność, stan magazynowy i rola produktu powinny decydować o wydatkach reklamowych.",{"_uid":338,"name":290,"content":339,"component":246},"b2c10001-0000-4000-8000-000000000002","Analiza i aktywizacja produktu — WitCloud",{"_uid":341,"name":294,"content":336,"component":246},"b2c10001-0000-4000-8000-000000000003",{"_uid":343,"name":298,"content":331,"component":246},"b2c10001-0000-4000-8000-000000000004",{"_uid":345,"name":302,"content":303,"component":246},"b2c10001-0000-4000-8000-000000000005","Analiza i aktywizacja produktu - WitCloud",[],"2026-08-20 00:00",[],"product-perspective","pl/content/framework/product-perspective",-90,[],"af59a5e0-7ba8-4c82-b164-b9569a233ab6",[],{"name":357,"created_at":358,"published_at":359,"updated_at":360,"id":361,"uuid":362,"content":363,"slug":391,"full_slug":392,"sort_by_date":177,"position":393,"tag_list":394,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":395,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":396,"default_full_slug":177,"translated_slugs":177},"Customer Perspective","2026-06-25T07:32:49.223Z","2026-08-30T18:38:38.092Z","2026-08-30T18:38:38.110Z",191214261176233,"059f461a-adc2-48ae-915e-63a609a937fc",{"_uid":364,"title":365,"content":366,"eyebrow":107,"showTOC":39,"category":19,"priority":367,"readTime":368,"subtitle":369,"component":279,"eventDate":19,"heroImage":370,"meta_tags":374,"meta_title":387,"eventFormat":19,"heroButtons":388,"updatedDate":389,"bottomBlocks":390},"940a2169-98e0-4e6c-b473-32687b00eac8","Praca na kliencie","Reklama jest coraz droższa. Ten sam budżet co rok temu przyprowadza dziś mniej klientów, a każdy kolejny kosztuje więcej niż poprzedni. Naturalne odruchy są dwa i oba zawodzą. Można dolać do budżetu — ale aukcje się zagęszczają, więc podwojenie wydatków nie podwaja sprzedaży. Można przykręcić wydatki i skupić się na obecnych klientach — tylko wtedy baza przestaje rosnąć i ten sam problem wraca za kilka miesięcy, już z mniejszą liczbą klientów. Wyjście jest w miejscu, w które większość sklepów nie patrzy: w tym, co dzieje się z klientem po pierwszym zakupie. To ta wiedza mówi, ile nowy klient jest realnie wart — a więc ile możesz za niego zapłacić, żeby akwizycja znów się spinała.\n\nPokazujemy, jak przeanalizować zachowania kupujących i przełożyć tę wiedzę na działania, które podniosą przychody z obecnych klientów oraz sprawią, że pozyskiwanie nowych znów stanie się opłacalne.\n\n![Udział w liczbie klientów i udział w przychodzie, według liczby złożonych zamówień](https://a.storyblok.com/f/296300/fddcd57b3c/customer-perspective-01-liczba-zamowien-przychod.png)\n*Udział w liczbie klientów i udział w przychodzie, według liczby złożonych zamówień*\n\nW sklepie, na którym to liczyliśmy, 61% klientów kupiło dokładnie raz i razem odpowiadają za 22% przychodu. Tymczasem 8% klientów z pięcioma zamówieniami i więcej przynosi 44% przychodu, czyli prawie połowę. U ciebie proporcje będą inne, ale kształt zwykle się powtarza: najliczniejsza grupa wnosi najmniej, a najmniejsza robi wynik.\n\n# Dwie dźwignie, które trzeba ruszyć razem [Dwie dźwignie]\n\nPraca na bazie klientów nie polega na rezygnacji z reklamy. Polega na tym, że efekt daje dopiero połączenie dwóch rzeczy:\n\n- **Retencja.** Precyzyjnie identyfikujesz, którzy klienci potrzebują uwagi i jak im pomóc, aby kupowali więcej i częściej.\n- **Akwizycja.** Łączysz dane o zachowaniach klientów z informacjami o ruchu i kosztach reklamowych. Dzięki temu wiesz, jakich klientów warto pozyskiwać i na jakie produkty ich przyciągać, by od pierwszego dnia budować ich wysokie LTV.\n\n# Punkt wyjścia: dostrzeż klienta, nie tylko transakcję [Punkt wyjścia]\n\nWiększość raportów odpowiada wyłącznie na pytanie: ile dzisiaj sprzedaliśmy? Praca z bazą wymaga pytań głębszych: kto u nas kupuje, co dzieje się z nim po pierwszym zamówieniu i ile jest dla nas warty w czasie?\n\nAby to zmierzyć, budujemy mapę cyklu życia klienta na podstawie trzech sygnałów: jak dawno klient kupował, ile razy kupił i ile jest wart na tle własnej średniej wartości zamówienia. Powstaje z tego kilkanaście precyzyjnych segmentów, które grupują się w pięć czytelnych etapów:\n\n- Nowy\n- Powracający\n- Lojalny (z rozbiciem na standardowy i najcenniejszy)\n- Zagrożony odejściem\n- Utracony / odzyskany\n\nProgi są twoje, nie nasze. Ile dni bez zakupu oznacza, że klient jest zagrożony? Ile, że jest stracony? Od jakiej wartości klient jest tym najcenniejszym? W modzie te granice wyglądają zupełnie inaczej niż w suplementach czy kosmetykach. Wszystkie ustawiasz pod swój realny cykl zakupowy — i to jest różnica między segmentacją, która opisuje twój biznes, a taką, która narzuca mu cudzy schemat.\n\n**Dwa przejścia, które ważą najwięcej**\n\nKlienci stale przechodzą między etapami, ale nie każde przejście jest równie ważne:\n\n- **Od pierwszego do drugiego zakupu.** Jednorazowy zakup bywa przypadkiem. Dopiero drugi zamienia kupującego w klienta. Klienci, którzy nigdy nie wrócili, to zwykle największa i najbardziej niedoceniana grupa w bazie.\n- **Od wracającego do lojalnego.** Tu rozstrzyga się, czy klient zostanie z tobą na lata.\n\nKażdy taki ruch ma nazwę i wielkość od klienta, który awansował do grona najcenniejszych, przez ostrzeżenie o rosnącym ryzyku odejścia, po potwierdzone odejście. Zamiast pytać, czy tracimy klientów, widzisz ilu, z którego segmentu i w którą stronę.\n\n![Co stało się z każdą grupą klientów w ciągu dwunastu miesięcy, jako udział grupy wyjściowej](https://a.storyblok.com/f/296300/a719b942f2/customer-perspective-02-przeplywy-segmentow.png)\n*Co stało się z każdą grupą klientów w ciągu dwunastu miesięcy, jako udział grupy wyjściowej*\n\nZwróć uwagę na wiersz „Nowy”: 21% odeszło w jednym okresie porównania. To tuż powyżej poziomu, który nasza analiza oznacza jako krytyczny i dokładnie dlatego pierwsze przejście zasługuje na najwięcej uwagi.\n\nGdy analizujesz te ruchy, zaczynasz dostrzegać realne problemy biznesowe. Jeśli po zakupie droższego produktu klienci masowo odchodzą, powodem może być marne opakowanie albo brak wsparcia po zakupie. Stawiasz hipotezę, zmieniasz doświadczenie klienta i sprawdzasz na żywo, czy powracalność wzrosła.\n\n# KROK 1: pracuj z klientem, którego już masz [Krok 1: obecni klienci]\n\nKiedy wiesz, o których klientów zadbać, przekładasz to na zautomatyzowane działania w mailingu i reklamie:\n\n- **Nowy, który jeszcze nie wrócił** — zwykle najliczniejsza grupa w bazie, więc i największa dźwignia. Pytanie nie brzmi, czy się do niego odezwać, ale kiedy i z czym. Z danych wiesz, po ilu dniach klienci w twoim sklepie zwykle składają drugie zamówienie — sekwencję ustawiasz przed tym momentem, a nie w oderwaniu od niego.\n- **Powracający** — jest w połowie drogi do lojalności i to najlepszy moment, żeby sprawdzić, co odróżnia tych, którzy poszli dalej, od tych, którzy się zatrzymali. Zwykle sporo mówi kategoria drugiego i trzeciego zakupu.\n- **Lojalny** — najcenniejsza grupa, a jednocześnie ta, na której najłatwiej przepalić budżet, płacąc za sprzedaż, która nastąpiłaby i tak. Wykluczanie lojalnych z szerokich kampanii zasięgowych to test wart przeprowadzenia, nie dogmat. Systemy reklamowe uczą się na konwersjach, więc efekt bywa różny w różnych kontach. Mniej sporne zastosowanie tej samej listy: materiał na grupy podobnych odbiorców.\n- **Zagrożony odejściem** — reagujesz, zanim trafi do raportu jako stracony. Liczy się nie tylko to, że klient milczy od kilku miesięcy, ale ile był wart.\n\nWarto zatrzymać się przy punkcie o lojalnych, bo jest kontrintuicyjny. Wśród kanałów, które w raportach wyglądają na najbardziej rentowne, część przychodu pochodzi od klientów, którzy kupiliby i bez reklamy. Samo rozdzielenie tych dwóch strumieni jeszcze niczego nie oszczędza, ale pokazuje, gdzie w ogóle warto szukać, i zamienia dyskusję o cięciu budżetu w rozmowę o liczbach.\n\nWażne: listy odbiorców muszą przeliczać się automatycznie. Statyczny plik wgrany do menedżera reklam po dwóch tygodniach przestaje mówić prawdę, część osób z listy „zagrożonych” już kupiła, a nowe weszły na jej miejsce. Warto też pamiętać o realiach platform: segment poniżej ok. 100 osób zwykle nie utworzy działającej grupy odbiorców, a grupa podobnych odbiorców potrzebuje tysiąca i więcej.\n\n![Od pytania na czacie do listy odbiorców, która odświeża się codziennie](https://a.storyblok.com/f/296300/c41e90b456/customer-perspective-03-czat-do-listy-odbiorcow.png)\n*Od pytania na czacie do listy odbiorców, która odświeża się codziennie*\n\nPodział pracy jest tu wyraźny: rozmowa daje ci wniosek i liczbę, a moduł eksportu utrzymuje listę aktualną w systemach reklamowych. Segment konfigurujesz raz, potem odświeża się sam.\n\n# KROK 2: pozyskuj lepszych klientów w oparciu o dane z bazy [Krok 2: akwizycja]\n\nGdy połączysz dane o wartości klientów z danymi o kosztach i źródłach ruchu, przestajesz przepalać budżety na jednorazowych łowców promocji. Pozyskujesz tych, którzy po pierwszej transakcji naturalnie przejdą na ścieżkę powracalności.\n\n**Horyzont oceny: policz cały cykl, nie pierwszy zakup**\n\nWeź wszystkich klientów, których pozyskałeś w jednym miesiącu, i sprawdź, ile wydali u ciebie od tamtej pory. Część przychodu przyszła z pierwszego zamówienia, część z kolejnych — i ta druga część rośnie z każdym kolejnym miesiącem.\n\n![Przychód grupy klientów pozyskanych w danym miesiącu, w podziale na pierwsze zamówienie i zamówienia kolejne](https://a.storyblok.com/f/296300/8d6fdc78ba/customer-perspective-04-przychod-kohorta-miesieczna.png)\n*Przychód grupy klientów pozyskanych w danym miesiącu, w podziale na pierwsze zamówienie i zamówienia kolejne*\n\nW grupach pozyskanych wcześniej, które miały czas dojrzeć, około 35% przychodu pojawia się po pierwszym zamówieniu. Grupy z czerwca i lipca mają ten udział niższy tylko dlatego, że są młodsze. Wniosek jest prosty: kampania rozliczana wyłącznie na pierwszym zakupie ukrywa jedną trzecią swojego wyniku.\n\n**Asortyment: produkty, które przyciągają właściwych ludzi**\n\nBestseller z ładnym ROAS-em przy pierwszym zakupie to rzadko ten sam produkt, po którym klient wraca. Patrząc na bazę, zaczynasz rozróżniać cztery zupełnie różne role w katalogu:\n\n- **produkty wolumenowe** — przyciągają wielu klientów, którzy potem nie wracają,\n- **produkty-bramy** — przyciągają mniej klientów, ale takich, którzy zostają z marką na dłużej,\n- **produkty franczyzowe** — są jednocześnie w czołówce pierwszych i powtórnych zamówień; pozyskują i utrzymują,\n- **produkty głębokiej lojalności** — kupowane dopiero po wielu zamówieniach, znak rozpoznawczy twoich najlepszych klientów.\n\nBudżety akwizycyjne opłaca się pompować w drugie i trzecie. Czwarte to materiał na program lojalnościowy, nie na kampanię zasięgową.\n\n![Udział w pierwszych zamówieniach a udział w pozyskanych klientach lojalnych, według produktu](https://a.storyblok.com/f/296300/552c2e0625/customer-perspective-05-produkty-udzial-lojalni.png)\n*Udział w pierwszych zamówieniach a udział w pozyskanych klientach lojalnych, według produktu*\n\nGdy niebieski słupek jest wyższy od szarego, produkt przyciąga klientów, którzy zostają. Produkt A ma największy wolumen i najsłabszy profil, produkt E odwrotnie. Pamiętaj przy tym o skali. Produkt odpowiadający za 5% pierwszych zamówień może być po prostu za mały, żeby oprzeć na nim kampanię, choćby miał najlepszy profil lojalnościowy.\n\n**Kanały: to nie jedno pytanie, a dwa**\n\nTu popełnia się najczęstszy błąd. „Który kanał jest skuteczny?” to w rzeczywistości dwa różne pytania, na które odpowiedź bywa zupełnie inna:\n\n- **Który kanał pozyskuje najlepszych klientów?** Liczy się koszt pozyskania i to, jaki odsetek pozyskanych klientów faktycznie pozostał lojalny. Kanał o niskim wolumenie i wysokiej jakości bywa systematycznie niedoinwestowany.\n- **Który kanał generuje bieżący przychód?** Tutaj duża część wyniku to zakupy klientów, których ten kanał wcale nie pozyskał, po prostu zebrał ich powtórne zamówienie.\n\nMieszanie tych dwóch pytań prowadzi do skalowania kanału, który tylko zbiera plony, i ucinania tego, który realnie przyprowadza ludzi. Do tego dochodzi kwestia modelu atrybucji: kanał, który w rozliczeniu last-click wygląda słabo, często inicjuje ścieżki zakupowe domykane przez innych.\n\n![Udział pozyskanych klientów, którzy zostali lojalni, z kosztem pozyskania klienta](https://a.storyblok.com/f/296300/ef18cc37e9/customer-perspective-06-kanaly-koszt-lojalnosc.png)\n*Udział pozyskanych klientów, którzy zostali lojalni, z kosztem pozyskania klienta*\n\nNajtańszy kanał to Paid social: 96 zł za nowego klienta. Najdroższy to Affiliate: 620 zł, czyli ponad sześć razy tyle. Ale sam koszt nie wystarcza do oceny. W Paid search lojalnym klientem zostaje co czwarty pozyskany, a w Affiliate mniej niż co dziesiąty. Affiliate jest więc jednocześnie najdroższy i najsłabszy jakościowo — czyli najprostszy kandydat do cięcia w budżecie akwizycyjnym.\n\nRóżnica powyżej trzykrotności to poziom, przy którym warto przesuwać budżet. Kanały bezpłatne pominięto, przy koszcie zero nie mają się gdzie znaleźć na tej osi.\n\n**Rabaty: sprawdź, kogo naprawdę kupujesz**\n\nKohorty klientów pozyskanych na kod rabatowy da się porównać z kohortami pozyskanymi bez niego, nie po pierwszym zamówieniu, a po tym, ile wydały w kolejnych miesiącach. To najprostszy sposób, by sprawdzić, czy promocja przyprowadza klientów, czy tylko przyspiesza sprzedaż, którą i tak byś zrobił.\n\n![Skumulowany przychód na klienta w kolejnych miesiącach — klienci pozyskani z kodem rabatowym i bez niego](https://a.storyblok.com/f/296300/8cbce6a9cb/customer-perspective-07-rabat-kohorty.png)\n*Skumulowany przychód na klienta w kolejnych miesiącach — klienci pozyskani z kodem rabatowym i bez niego*\n\n# Z czego to się składa [Z czego się składa]\n\nWszystko powyżej to sposób pracy, ale ktoś musi utrzymywać go w ruchu. Robi to WitCloud: platforma, którą wdrażamy na twoich danych. Zamówienia, klienci i koszty reklamowe trafiają do jednego fundamentu, z którego liczone są segmenty, przepływy między nimi, kohorty i listy odbiorców. Nie musisz tego budować ani spinać samodzielnie.\n\nZ tego samego fundamentu korzystają trzy rzeczy:\n\n- **Raporty i analizy** odpowiadają na pytanie, co się dzieje i dlaczego. Żywe dashboardy plus gotowe analizy pod konkretne pytania biznesowe: struktura bazy, jakość kohort, produkty, kanały.\n- **Eksport list** odpowiada na pytanie, jak to uruchomić. Segmenty wychodzą jako żywe listy odbiorców do Google Ads, Meta Ads, TikTok Ads i systemów e-mail marketingu.\n- **MCP WitCloud** to warstwa rozmowy nad danymi. Pytasz w naturalnym języku i dostajesz wnioski wraz z rekomendacjami, bez zamawiania raportu u analityka.\n\n**Kluczowa konsekwencja: segment definiujesz raz.** Ten sam „klient zagrożony odejściem o wysokim LTV” jest identyczny w raporcie, który oglądasz, w liście wgranej do Meta i w odpowiedzi, którą dostajesz na czacie. Nie ma trzech definicji tego samego klienta w trzech narzędziach, które po pół roku przestają się zgadzać, a to jest domyślny stan w większości firm, które robią to na eksportach i arkuszach.\n\n# Czym to się różni od raportu, który już możliwe, że masz [Czym się różni]\n\nTrzy rzeczy, które w praktyce decydują:\n\n**Analizy wiedzą, co znaczą liczby.** Nie dostajesz tabeli do samodzielnej interpretacji. Dostajesz wniosek: gdzie skoncentrowana jest wartość, jaka część bazy jest już nieaktywna, który przepływ klientów jest sygnałem krytycznym, a który mieści się w normie.\n\n**MCP zna twój biznes, nie tylko twoje dane.** Zanim policzy cokolwiek, wczytuje kontekst twojej firmy, branżę, markę, rynek, sezonowość. Dlatego jego rekomendacje brzmią jak od kogoś, kto rozumie, czym handlujesz, a nie jak wynik zapytania do bazy.\n\n**Wnioski kończą się działaniem.** Eksport list to pełnoprawna część systemu, nie plik do ręcznego wgrania. Segmenty przeliczają się automatycznie i w tej samej postaci trafiają do Google Ads, Meta Ads, TikTok Ads i systemów e-mail marketingu.\n\nCałość działa w twoim własnym Google Cloud — dane pozostają w 100% twoją własnością.\n\n# To proces, nie jednorazowy projekt [Proces, nie projekt]\n\nAnaliza bazy klientów zrobiona raz ma krótki termin ważności. Baza żyje: klienci codziennie przechodzą między etapami, a ci, których miesiąc temu oznaczyłeś jako zagrożonych, dziś albo już kupili, albo są straceni. Wartość nie bierze się z jednego raportu, tylko z tego, że patrzysz na te ruchy regularnie i regularnie na nie reagujesz.\n\nPowiedzmy to jasno: nie kupujesz tu subskrypcji raportu. Uruchamiasz nową linię kampanii, która obsługuje twoich obecnych klientów — obok tej, która pozyskuje nowych. Praca dzieli się na trzy warstwy i tylko pierwsza dzieje się bez twojego udziału.\n\n1. Dane i listy — robi system\n\nZamówienia ze sklepu, koszty z systemów reklamowych i dane o ruchu z GA4 spływają codziennie i same się ze sobą łączą. Przy każdym odświeżeniu segmenty przeliczają się od nowa: klient, który właśnie złożył drugie zamówienie, przechodzi z „nowego” na „wracającego” bez niczyjej ingerencji, a ten, kto przekroczył twój próg nieaktywności, sam wpada do zagrożonych.\n\nTo samo dotyczy list odbiorców. Segment raz podłączony do Google Ads, Meta Ads, TikToka czy systemu e-mail synchronizuje się codziennie — kto kupił, wypada z listy zagrożonych jeszcze przed kolejnym wysłaniem, a kto przestał kupować, dochodzi na jego miejsce. Nie ma eksportów CSV, ręcznego wgrywania plików ani pilnowania, kiedy lista się zestarzała.\n\nUstawiasz to raz: progi nieaktywności, próg wartości dla najlepszych klientów i mapowanie sklepu na źródła danych. Potem nie musisz tego utrzymywać ani pilnować.\n\n2. Kampanie — robi zespół marketingu\n\nSegment sam nic nie sprzedaje. Ktoś musi zbudować na nim kampanię — i to po obu stronach: w reklamie płatnej i w mailingu.\n\n- **W Google Ads, Meta Ads i TikTok Ads:** kampanie remarketingowe do zagrożonych odejściem i straconych, z wyższą stawką dla tych o najwyższym LTV; wykluczenie lojalnych z kampanii zasięgowych, żeby nie płacić za sprzedaż, która nastąpi i tak; grupy podobnych odbiorców budowane na twoich najlepszych klientach; przesunięcie budżetu na produkty, które przyciągają powracających, a nie na sam bestseller. Można również dodać segment najbardziej lojalnych klientów, np. jako sygnał w kampaniach PMAX Google, aby najbardziej kluczowe kampanie zasilać danymi o najlepszych klientach.\n- **W mailingu i CRM:** aktywizacja do drugiego zakupu dla nowych, którzy nie wrócili, komunikat do zagrożonych odejściem, osobna komunikacja dla lojalnych i dla odzyskiwanych.\n\nDo tego kreacje, bo inny przekaz trafia do kogoś, kto kupił raz i zniknął, a inny do klienta, którego chcesz utrzymać przy piątym zamówieniu. To realna praca i najcięższa jest na starcie: pierwsze tygodnie to ustawianie kampanii i list w systemach reklamowych oraz przygotowanie kreacji i komunikacji pod segmenty. Później dochodzą korekty i testy, a nie budowanie od zera.\n\nWarto to zaplanować jak wprowadzenie nowego typu kampanii, bo tym właśnie to jest. Nie potrzebujesz nowego działu ani analityka na etat, ale potrzebujesz jasno przypisanej odpowiedzialności: te kampanie muszą być czyimś zakresem, a nie zadaniem robionym przy okazji, bo wtedy po dwóch miesiącach zostają same listy bez komunikacji. Kto to będzie, zależy od tego, jak masz ułożony marketing: własny zespół albo agencja, która już prowadzi twoje kampanie.\n\nSamego wykonania nie bierzemy na siebie: komunikację i kreacje robi twój zespół albo agencja. Nasza część to wszystko, co jest przed nimi i po nich: do których segmentów warto się odezwać, w jakiej kolejności, w którym momencie cyklu zakupowego i z jaką intencją, a potem czy efekt wyszedł taki, jak zakładaliście.\n\n3. Decyzje — należą do ciebie\n\nKtóre produkty promować na wejściu, czy rabat przyciąga klientów, czy tylko przyspiesza sprzedaż, jaką ofertę dać zagrożonym, jak rozłożyć budżet między kanałami. To decyzje biznesowe, nie obliczenia. System ma ci je przygotować, nie podjąć za ciebie.\n\nMCP doprowadza cię tu najdalej, jak może: podaje liczby, wskazuje, co z nich wynika, i formułuje rekomendacje w kontekście twojej branży i marki. Ostatni krok, czy i jak to zrobić u siebie, zostaje po twojej stronie. Jeśli chcesz mieć z kim to przegadać, wchodzimy jako doradcy: pomagamy ułożyć strategię asortymentową i rabatową na tych liczbach, ustalić priorytety i zdecydować, gdzie przesunąć budżet.\n\n**Rytm: stały punkt w kalendarzu**\n\nŻeby to nie rozeszło się po kościach, potrzebny jest jeden stały punkt w kalendarzu: krótki status, na którym siadają trzy osoby: ktoś od kampanii płatnych, ktoś od e-mail marketingu lub CRM i ktoś, kto decyduje o asortymencie i promocjach. Jak często, zależy od skali: przy mniejszym wolumenie zwykle wystarcza raz w miesiącu, przy większym sensowniej co dwa tygodnie. Ważniejsze od częstotliwości jest to, żeby termin był stały. Przechodzicie przez pięć pytań:\n\n1. Jak zmieniła się kondycja bazy od ostatniego razu?\n2. Które przepływy między segmentami wyglądają niepokojąco?\n3. Który kanał przyprowadził klientów, którzy zostają, a który tylko wolumen?\n4. Co z działań uruchomionych od ostatniego razu zadziałało?\n5. Jaką jedną rzecz zmieniamy do następnego statusu?\n\nKanały wchodzą do tego samego rytmu, bo ich ocena zmienia się w czasie. Koszt pozyskania rośnie sezonowo, udział lojalnych wśród pozyskanych zmienia się razem z kreacjami i targetowaniem, a kanał, który w rozliczeniu last-click wygląda słabo, może przyprowadzać klientów o najwyższej powracalności. Patrząc na bazę i kanały przy jednym stole, przesuwasz budżet w trakcie kwartału, a nie po jego zamknięciu.\n\nMateriałów nie trzeba przygotowywać, bo raporty są gotowe, a odpowiedzi wyciągacie z MCP w trakcie samego spotkania po prostu pytając. Ten status jest miejscem, w którym mierzycie efekty poprzedniego okresu i wybieracie jedną zmianę na następny. Bez niego kampanie ruszą, ale po kwartale nikt nie będzie wiedział, czy działają.\n\n**W tym procesie jesteśmy waszym doradcą, nie wykonawcą.** Pracujemy przy trzech rzeczach, które najbardziej przesądzają o wyniku: ustawiamy segmentację pod twój realny cykl zakupowy, analizujemy, co z liczb wynika i jakie hipotezy warto sprawdzić, i prowadzimy ten rytm, w którym mierzysz efekty i wybierasz następny krok. Kampanie zostają u ciebie, a my odpowiadamy za to, żeby wiedziały, do kogo i po co jadą.\n\nNajczęściej brakuje bowiem nie danych i nie rąk do wysyłki, a kogoś, kto regularnie dopilnuje, żeby z tych liczb coś wynikło.\n\n# Od czego zacząć [Od czego zacząć]\n\nDo pierwszej pełnej analizy potrzebujesz trzech rzeczy, które najprawdopodobniej już masz: historii zamówień ze sklepu, kosztów mediowych z systemów reklamowych i danych o ruchu z GA4. Reszta to konfiguracja progów pod twój cykl zakupowy.\n\nPo stronie zespołu: jasno przypisana odpowiedzialność za te kampanie i jeden regularny status. Pierwsze sekwencje i kreacje to kilka tygodni pracy rozłożonej normalnie, nie osobny projekt z własnym budżetem i zespołem.\n\n# Podsumowanie [Podsumowanie]\n\nPraca na bazie klientów nie polega na rezygnacji z wydatków na reklamę. Polega na zrozumieniu, jak pomóc obecnym klientom kupować więcej — i jak wykorzystać tę wiedzę do pozyskiwania nowych kupujących o najwyższym potencjale.\n\nNie jest to też akcja, którą się odhacza. To rytm: baza się zmienia, listy się odświeżają, a ty regularnie podejmujesz kilka decyzji na podstawie tego, co się faktycznie stało, a nie tego, co wydaje się prawdopodobne.\n\n::content-cta\n---\neyebrow: Bezpłatny okres próbny\nheading: Zobacz swoich klientów jako segmenty, które same się aktualizują — jeszcze w bezpłatnym okresie próbnym.\ndescription: \"Spotkajmy się: pokażemy na Twoich danych, jak wyglądają Twoje segmenty, przetestujemy MCP i ustalimy, od czego najlepiej zacząć.\"\nbuttonText: Umów rozmowę\nbuttonHref: /pl/contact\n---\n::\n","4","15 mnut czytania","Zrozum swoich klientów dogłębnie — od pozyskania po wartość lifetime.",{"id":371,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":372,"copyright":19,"fieldtype":21,"meta_data":373,"is_external_url":32},191285268971114,"https://a.storyblok.com/f/296300/900x600/772cb9cd8d/16-customer-perspective-dark.png",{},[375,378,381,383,385],{"_uid":376,"name":244,"content":377,"component":246},"c3d20001-0000-4000-8000-000000000001","Zamień bazę klientów w silnik wzrostu — sprawdź, jak dane o retencji i akwizycji powinny kształtować Twoje segmenty, kampanie i wydatki reklamowe.",{"_uid":379,"name":290,"content":380,"component":246},"c3d20001-0000-4000-8000-000000000002","Analiza i aktywizacja klienta — WitCloud",{"_uid":382,"name":294,"content":377,"component":246},"c3d20001-0000-4000-8000-000000000003",{"_uid":384,"name":298,"content":372,"component":246},"c3d20001-0000-4000-8000-000000000004",{"_uid":386,"name":302,"content":303,"component":246},"c3d20001-0000-4000-8000-000000000005","Analiza i aktywizacja klienta - WitCloud",[],"2026-08-17 00:00",[],"customer-perspective","pl/content/framework/customer-perspective",-70,[],"3caf753e-943c-43f7-b9d9-13dc2d2cba1d",[],{"name":398,"created_at":399,"published_at":400,"updated_at":401,"id":402,"uuid":403,"content":404,"slug":431,"full_slug":432,"sort_by_date":177,"position":433,"tag_list":434,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":435,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":436,"default_full_slug":177,"translated_slugs":177},"Marketing and Business Control","2026-06-25T07:32:46.158Z","2026-08-30T18:38:55.359Z","2026-08-30T18:38:55.382Z",191214248626088,"0649e4e2-cd54-4919-b384-9c11f5987990",{"_uid":405,"title":406,"content":407,"eyebrow":107,"showTOC":39,"category":19,"priority":408,"readTime":277,"subtitle":409,"component":279,"eventDate":19,"heroImage":410,"meta_tags":414,"meta_title":427,"eventFormat":19,"heroButtons":428,"updatedDate":429,"bottomBlocks":430},"36f48a38-1915-4aa0-aebc-a1f92cd6809d","Marketing pod kontrolą — od KPI do diagnozy","Masz już jedno źródło prawdy — dane ze sklepu, reklam, analityki i marketplace'ów zebrane w jednym miejscu i sprowadzone do wspólnego języka. To fundament. Ale sam uporządkowany zbiór danych nie mówi jeszcze, czy biznes idzie w dobrą stronę. Do tego potrzebujesz dwóch rzeczy: celów ułożonych w logiczną strukturę — drzewo KPI — i mechanizmu, który pilnuje tych celów za Ciebie i daje znać, gdy coś odbiega od normy. A gdy już da znać, zamiast zgadywać, schodzisz w dół po tym samym drzewie aż do przyczyny. Od KPI, przez alert, do diagnozy.\n\n# Lista metryk to nie to samo, co drzewo KPI [Lista vs. drzewo]\n\nWiększość firm ma dużo metryk. Dashboard, na którym obok siebie leżą przychód, ROAS, liczba sesji, koszt reklam, współczynnik konwersji i jeszcze dziesięć innych liczb. Problem w tym, że to jest lista, nie struktura. Kiedy przychód spada, taka lista nie mówi Ci, gdzie szukać — pokazuje dwadzieścia liczb naraz i zostawia Cię z pytaniem „no dobrze, ale dlaczego?”.\n\nDrzewo KPI odwraca tę logikę. Zamiast płaskiej listy budujesz hierarchię: na górze jeden nadrzędny cel, a pod nim metryki, które go tworzą — i tak coraz głębiej, aż do dźwigni, na które faktycznie możesz wpłynąć. Każdy poziom odpowiada na pytanie „z czego składa się poziom nad nim”.\n\n![Drzewo KPI: na górze cel nadrzędny, niżej metryki, które go składają, na samym dole dźwignie, którymi realnie sterujesz. Ruch na górze zawsze da się wytłumaczyć ruchem na którejś gałęzi niżej.](https://a.storyblok.com/f/296300/e333674391/marketing-control-01-drzewo-kpi.png)\n*Drzewo KPI: na górze cel nadrzędny, niżej metryki, które go składają, na samym dole dźwignie, którymi realnie sterujesz. Ruch na górze zawsze da się wytłumaczyć ruchem na którejś gałęzi niżej.*\n\nW e-commerce najprostsze, a zarazem najważniejsze drzewo wychodzi od przychodu. Przychód z ruchu to nie jedna liczba — to iloczyn trzech: liczby sesji, współczynnika konwersji i średniej wartości zamówienia (AOV). Jeśli przychód spadł, spadła jedna z tych trzech gałęzi — i już wiesz, gdzie patrzeć dalej.\n\nA każda z tych gałęzi rozkłada się jeszcze niżej. Współczynnik konwersji to przecież nie stała — to efekt całego lejka: z sesji część produkt do koszyka (add to cart rate), z tego część przechodzi do checkoutu (checkout rate), a z tego część finalizuje zakup (purchase rate). Kiedy konwersja spada, nie pytasz „dlaczego konwersja spadła” — pytasz „na którym kroku lejka tracę ruch”. Bo spadek na etapie koszyka to inny problem (cena, koszt dostawy) niż spadek na etapie płatności (bramka, ostatni krok checkoutu).\n\n![Lejek to gałąź drzewa KPI rozpisana krok po kroku. Spadek konwersji zawsze siedzi na konkretnym etapie — a każdy etap ma inną, konkretną przyczynę.](https://a.storyblok.com/f/296300/c5d57896d8/marketing-control-02-lejek-konwersji.png)\n*Lejek to gałąź drzewa KPI rozpisana krok po kroku. Spadek konwersji zawsze siedzi na konkretnym etapie — a każdy etap ma inną, konkretną przyczynę.*\n\nTa sama logika działa po stronie reklam. ROAS to przychód podzielony przez koszt — więc gdy ROAS spada, albo wzrósł koszt, albo spadł przychód z reklam. Jeśli wzrósł koszt, to dlatego, że wzrosła stawka za kliknięcie (CPC) albo za wyświetlenie (CPM), albo po prostu dokupiłeś ruchu. Każde z tych „albo” to inna gałąź i inne działanie.\n\n> Drzewo KPI to nie ładniejszy dashboard. To mapa, która z góry mówi Ci, którędy schodzić w dół, gdy coś się psuje — zamiast zostawiać Cię z listą liczb i intuicją.\n\nW WitCloud to drzewo nie zostaje schematem na kartce — budujesz je jako konkretną definicję. Wybierasz z danych All In One metryki, które są dla Ciebie kluczowe, i do każdej przypisujesz trzy rzeczy. Po pierwsze — metryki powiązane, czyli te gałęzie niżej, które tłumaczą jej ruch: do ROAS podpinasz koszt, przychód, CPC i CPM; do współczynnika konwersji — kolejne kroki lejka. Po drugie — zakresy porównania, które dla tej metryki mają sens: jedne rzeczy ogląda się tydzień do tygodnia, inne miesiąc do miesiąca, a przy metrykach mocno sezonowych dopiero rok do roku pokazuje prawdziwy obraz. Po trzecie — czy chcesz dostawać notyfikacje, gdy ta metryka odbiegnie od normy.\n\n![Każdy węzeł drzewa to definicja: sama metryka, przypisane do niej metryki powiązane, właściwe okna porównania i flaga monitoringu. Raz ułożone drzewo jest jednocześnie mapą diagnozy, zestawem porównań i listą tego, co warto pilnować.](https://a.storyblok.com/f/296300/58f9407c5a/marketing-control-03-definicja-metryki.png)\n*Każdy węzeł drzewa to definicja: sama metryka, przypisane do niej metryki powiązane, właściwe okna porównania i flaga monitoringu. Raz ułożone drzewo jest jednocześnie mapą diagnozy, zestawem porównań i listą tego, co warto pilnować.*\n\nDzięki temu jedna definicja obsługuje wszystko, co dalej: to po niej schodzisz przy diagnozie, to jej okna porównań używa monitoring, i to ją — przez nasz konektor — odpytuje AI. Nie utrzymujesz trzech osobnych konfiguracji ani nie przeklejasz niczego do modelu: masz jedno drzewo w WitCloud, z którego korzystają wszystkie trzy funkcje.\n\nI tu wraca fundament z poprzednich artykułów. Takie drzewo ma sens tylko wtedy, gdy wszystkie jego gałęzie liczą się z jednego, spójnego źródła. Jeśli przychód bierzesz z jednego systemu, koszt z drugiego, a sesje z trzeciego — a każdy liczy po swojemu i każdy mówi innym językiem — drzewo się rozjeżdża, zanim je zbudujesz. All In One daje mu wspólny grunt: jeden model danych, w którym spend i cost to już jedna metryka, a przychód z CRM i przychód z GA4 wiesz, który na jakie pytanie odpowiada.\n\n# Nie da się patrzeć na wszystko naraz [Monitoring]\n\nDrzewo KPI masz. Tylko że żywe drzewo dla realnego sklepu to nie pięć metryk — to dziesiątki gałęzi na kilku rynkach, w kilku kanałach, dla setek kampanii. Nikt tego nie ogląda ręcznie codziennie rano. A jeśli ogląda, to i tak wyłapie tylko duże, oczywiste zmiany — te subtelne, które dopiero się rozpędzają, giną w szumie.\n\nDlatego drugi element to proaktywny monitoring. Zamiast Ty codziennie wchodzić do raportów i sprawdzać, czy coś się nie zmieniło, robi to za Ciebie system — a Ty dowiadujesz się tylko wtedy, gdy faktycznie jest o czym.\n\nDziała to prosto. Definiujesz, które metryki są dla Ciebie krytyczne i jaki ruch uznajesz za niepokojący — na przykład „daj znać, gdy ROAS z systemów reklamowych spadnie o więcej niż 20% tydzień do tygodnia”, „gdy koszt reklam wzrośnie o więcej niż 25%”, „gdy liczba zamówień spadnie o więcej niż 20%” albo „gdy współczynnik konwersji spadnie o więcej niż 15%”. Monitoring korzysta wprost z tego, co ustawiłeś w drzewie. Raz w ciągu doby system bierze każdą metrykę oznaczoną do śledzenia i porównuje ją w tym oknie, które dla niej zdefiniowałeś — dzień do dnia, tydzień do tygodnia, a przy sezonowych rok do roku — sprawdzając, czy ruch nie przekroczył progu. Jeśli któraś metryka go przekroczy, dostajesz powiadomienie na maila. Jeśli nic nie przekroczyło — cisza, i to jest dobra wiadomość.\n\nCała sztuka jest w dobraniu progów. Dane marketingowe naturalnie się wahają z dnia na dzień — jeśli ustawisz próg zbyt czuło, dostaniesz alert przy każdym drobnym odchyleniu i po tygodniu przestaniesz je czytać. Próg ma leżeć powyżej normalnego szumu, tak żeby powiadomienie oznaczało realną zmianę, a nie zwykłą fluktuację. Dlatego progi dobiera się pod konkretny biznes: inny będzie sensowny dla sklepu robiącego 50 zamówień dziennie, a inny dla takiego z 5 000 — bo przy mniejszym wolumenie każda liczba skacze mocniej. Dobrze ustawiony monitoring milczy przez większość dni i odzywa się tylko wtedy, gdy naprawdę warto spojrzeć.\n\n![Ty ustawiasz progi na krytycznych metrykach. System pilnuje ich codziennie i odzywa się tylko wtedy, gdy któryś próg zostanie przekroczony — na właściwym rynku, we właściwym kanale.](https://a.storyblok.com/f/296300/c2f2169e82/marketing-control-04-progi-monitoringu.png)\n*Ty ustawiasz progi na krytycznych metrykach. System pilnuje ich codziennie i odzywa się tylko wtedy, gdy któryś próg zostanie przekroczony — na właściwym rynku, we właściwym kanale.*\n\nKluczowa różnica jest w kierunku uwagi. Bez monitoringu to Ty musisz pamiętać, żeby sprawdzić dane — i najczęściej robisz to za rzadko albo dopiero, gdy ktoś zauważy problem po fakcie. Z monitoringiem to dane odzywają się do Ciebie. Anomalia zgłasza się sama, w dniu, w którym się pojawia, a nie na koniec miesiąca, gdy jest już za późno, żeby na nią zareagować.\n\nI znów — to działa tylko dlatego, że pod spodem jest jedno źródło prawdy. Monitoring liczy metryki dokładnie z tych samych, uporządkowanych tabel, z których czytasz raporty. Nie ma sytuacji, w której alert mówi jedno, a raport pokazuje drugie, bo oba biorą liczby z tego samego miejsca i tej samej definicji.\n\n::content-cta\n---\neyebrow: Monitoring KPI\nheading: Chcesz wiedzieć o spadku ROAS w dniu, w którym się dzieje — nie na koniec miesiąca?\ndescription: \"Pokażemy, jak ustawić proaktywny monitoring na Twoich krytycznych metrykach.\"\nbuttonText: Umów rozmowę\nbuttonHref: /pl/contact\n---\n::\n\n# Alert się odpalił — nie zgaduj, diagnozuj [Alert i diagnoza]\n\nDostajesz powiadomienie: ROAS na rynku PL spadł o 22%. I tu zaczyna się moment, w którym większość zespołów zgaduje. „Pewnie sezon”, „chyba coś z kampanią brandową”, „może konkurencja podbiła stawki”. Zgadywanie kosztuje — bo albo tniesz budżet tam, gdzie nie trzeba, albo czekasz z reakcją, aż problem urośnie.\n\nZamiast zgadywać, schodzisz w dół po drzewie KPI. To jest dokładnie ta struktura, którą zbudowałeś na początku — teraz służy jako ścieżka diagnozy. Zasada jest jedna: od ogółu do szczegółu.\n\nNajpierw pytasz gdzie. Skoro alert dotyczy ROAS, rozbijasz go po rynkach — który rynek odpowiada za spadek? Załóżmy, że to PL, a DE i CZ są stabilne. Schodzisz więc na PL i rozbijasz po kanałach — który kanał ciągnie ROAS w dół? Google Ads. Schodzisz na Google Ads i rozbijasz po kampaniach — i widzisz, że wyróżnia się jedna, w której koszt wystrzelił, a przychód nie nadążył.\n\n![Drilldown to schodzenie po drzewie w dół: rynek → kanał → kampania. Na każdym poziomie pytasz „która gałąź odpowiada za zmianę na górze” i idziesz tylko w tę jedną.](https://a.storyblok.com/f/296300/4fb7cf462a/marketing-control-05-drilldown.png)\n*Drilldown to schodzenie po drzewie w dół: rynek → kanał → kampania. Na każdym poziomie pytasz „która gałąź odpowiada za zmianę na górze” i idziesz tylko w tę jedną.*\n\nPotem pytasz dlaczego. I tu dekomponujesz samą metrykę. ROAS spadł — bo koszt wzrósł, czy bo przychód spadł? Okazuje się, że koszt. To dlaczego koszt wzrósł — bo dokupiłeś kliknięć, czy bo każde kliknięcie zdrożało? Okazuje się, że CPC wzrósł o połowę przy tej samej liczbie kliknięć. To już nie jest „coś się dzieje z ROAS”. To jest konkretne zdanie: na kampanii X w Google Ads na rynku PL wzrósł CPC o około 50%, prawdopodobnie przez zmianę w aukcji, i to on zjadł ROAS. Z takim zdaniem wiesz, co sprawdzić i co zrobić.\n\nI tu dochodzimy do ważnego wyboru: jak tę diagnozę przeprowadzić. Są dwie drogi — i obie prowadzą po tym samym drzewie, po tym samym źródle prawdy.\n\nPierwsza to samodzielna eksploracja w raporcie. WitCloud daje gotowy szablon — raport All In One — w którym Twoje dane są już ułożone pod realne pytania: rynki, kanały, kampanie, lejek. Klikasz się przez kolejne poziomy sam: filtrujesz po rynku, schodzisz na kanał, rozkładasz kampanię, patrzysz na dźwignie pod spodem. Część zespołów po prostu lubi ten tryb — czują dane pod palcami, mają je poukładane tam, gdzie się ich spodziewają, i wolą przejrzeć raport, niż o cokolwiek pytać. To zupełnie w porządku i tego nie zabieramy.\n\nDruga to eksploracja z AI. Zamiast klikać, pytasz wprost: „dlaczego ROAS na PL spadł?”. I tu jest sedno: drzewo KPI, które raz ułożyłeś w WitCloud, jest od razu dostępne dla AI. Pytanie trafia przez nasz konektor MCP prosto do tego samego drzewa, a odpowiedź wraca w kilka sekund. Niczego nie przeklejasz, nie budujesz konfiguracji drugi raz, nie eksportujesz danych do modelu — definicja siedzi w WitCloud, a AI po prostu ją odpytuje. Model przechodzi wtedy tę samą ścieżkę co Ty w raporcie — rozbija metrykę po rynkach, schodzi na kanał, potem na kampanię, sprawdza dźwignie pod spodem: CPC, CPM, liczbę konwersji, wartość zamówienia — tylko robi to głębiej, a na końcu podaje najbardziej prawdopodobną przyczynę wraz z konkretną rekomendacją. Nie halucynuje po surowych, sprzecznych tabelach, tylko eksploruje ten sam spójny zbiór, z którego czytasz raporty.\n\n![Konfigurujesz drzewo KPI raz w WitCloud. AI sięga po tę samą definicję przez konektor MCP i wraca z gotową odpowiedzią — bez eksportu danych i przeklejania konfiguracji do modelu.](https://a.storyblok.com/f/296300/1db8dffd11/marketing-control-06-ai-mcp.png)\n*Konfigurujesz drzewo KPI raz w WitCloud. AI sięga po tę samą definicję przez konektor MCP i wraca z gotową odpowiedzią — bez eksportu danych i przeklejania konfiguracji do modelu.*\n\nDo AI zachęcamy najmocniej — bo schodzi po drzewie szybciej i głębiej, niż zrobisz to ręcznie, i nie męczy się przy dziesiątej gałęzi w środku dnia. Ale raport zostaje, świadomie: nie każdy chce rozmawiać z modelem, a dobry, uporządkowany raport bywa najszybszą drogą do odpowiedzi, gdy dokładnie wiesz, czego szukasz. Najważniejsze jest to, że jedno i drugie stoi na tym samym źródle prawdy — więc niezależnie od tego, którą drogą pójdziesz, dojdziesz do tej samej liczby i tej samej przyczyny.\n\nI jeszcze jedno, co AI daje ponad ręczny drilldown: nie musi ograniczać się do jednego alertu. Skoro całe drzewo masz już zdefiniowane w WitCloud — z metrykami powiązanymi i właściwym oknem porównania przy każdej gałęzi — model potrafi przejść je w całości przez ten sam konektor. Bierze każdą metrykę, sprawdza ją w jej własnym oknie, schodzi tam, gdzie coś odstaje, i oddaje jeden spójny przegląd kondycji całego marketingu naraz — od góry drzewa aż po dźwignie, po które i tak schodziłbyś ręcznie. To już nie reakcja na pojedynczy sygnał, tylko pełna diagnoza na żądanie: „przejdź całe drzewo i powiedz, co wymaga mojej uwagi”.\n\n> Diagnoza to nie kolejne narzędzie — to schodzenie po drzewie, które już masz. Alert mówi co i gdzie. Drilldown mówi dlaczego. AI robi to samo, tylko głębiej i szybciej.\n\nWarto dodać jedną zasadę, która chroni przed błędnym wnioskiem: diagnoza nie miesza źródeł. Jeśli alert dotyczy metryki z systemów reklamowych, cała analiza schodzi w dół po danych reklamowych. Jeśli dotyczy lejka z GA4 — schodzisz po lejku GA4. Nie łączysz przychodu z jednego systemu z kosztem z drugiego w połowie drilldownu, bo wtedy wracasz dokładnie do problemu rozjeżdżających się liczb z artykułu o jakości danych. Każda ścieżka diagnozy zostaje w obrębie jednego źródła prawdy.\n\n# Od celu do przyczyny — bez zgadywania [Podsumowanie]\n\nPoskładajmy to w całość. Jedno źródło prawdy daje spójne dane. Drzewo KPI nadaje im strukturę — i definiujesz je raz, przypisując każdej metryce jej gałęzie, właściwe okna porównania i to, czy chcesz ją monitorować. Na tej jednej definicji stoją trzy rzeczy: monitoring, który pilnuje jej za Ciebie i odzywa się w dniu, w którym coś odbiega od normy; samodzielna eksploracja w raporcie All In One; oraz AI, które zejdzie po pojedynczym alercie albo przejdzie całe drzewo naraz i powie, co wymaga Twojej uwagi.\n\n![Pełen obieg: jedno źródło prawdy → drzewo KPI → monitoring → alert → diagnoza → działanie. Każdy element opiera się o ten sam, uporządkowany zbiór danych.](https://a.storyblok.com/f/296300/9faceadf93/marketing-control-07-pelny-obieg.png)\n*Pełen obieg: jedno źródło prawdy → drzewo KPI → monitoring → alert → diagnoza → działanie. Każdy element opiera się o ten sam, uporządkowany zbiór danych.*\n\nEfekt jest taki, że droga od „coś jest nie tak” do „wiem co i dlaczego” skraca się z dni do minut. Nie musisz codziennie wpatrywać się w dashboardy ani zgadywać, gdzie szukać, gdy wynik odbiega od planu. Cele masz ułożone, system je pilnuje, a gdy trzeba zejść w dane — masz gotową ścieżkę i jedno źródło, po którym idziesz.\n\nNajlepszy moment, żeby to poukładać, jest wtedy, gdy fundament — jedno źródło prawdy — już stoi. A jeśli jeszcze nie stoi, to jest to pierwszy krok, od którego zaczynamy. Zamiast gonić za wynikami po fakcie — trzymaj marketing pod kontrolą, od KPI do diagnozy.\n\n::content-cta\n---\neyebrow: Bezpłatny okres próbny\nheading: Zobacz swoje KPI ułożone w drzewo — z monitoringiem i diagnozą na Twoich danych.\ndescription: \"Spotkajmy się: pokażemy monitoring i drilldown na Twoim własnym źródle prawdy.\"\nbuttonText: Umów rozmowę\nbuttonHref: /pl/contact\n---\n::\n","3","Pełna widoczność nad wydatkami marketingowymi, ROI i wynikami biznesu.",{"id":411,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":412,"copyright":19,"fieldtype":21,"meta_data":413,"is_external_url":32},191285268971113,"https://a.storyblok.com/f/296300/900x600/96c4a0c41f/15-marketing-control-dark.png",{},[415,418,421,423,425],{"_uid":416,"name":244,"content":417,"component":246},"a4c30001-0000-4000-8000-000000000001","Sprawdź, jak drzewo KPI, proaktywny monitoring i diagnoza z AI zamieniają alert marketingowy w jasną przyczynę — bez zgadywania.",{"_uid":419,"name":290,"content":420,"component":246},"a4c30001-0000-4000-8000-000000000002","Marketing pod kontrolą — WitCloud",{"_uid":422,"name":294,"content":417,"component":246},"a4c30001-0000-4000-8000-000000000003",{"_uid":424,"name":298,"content":412,"component":246},"a4c30001-0000-4000-8000-000000000004",{"_uid":426,"name":302,"content":303,"component":246},"a4c30001-0000-4000-8000-000000000005","Marketing pod kontrolą - WitCloud",[],"2026-08-10 00:00",[],"marketing-and-business-control","pl/content/framework/marketing-and-business-control",-50,[],"9e63050e-5c01-4bc1-90c4-e9c9e224a4da",[],{"name":438,"created_at":439,"published_at":440,"updated_at":441,"id":442,"uuid":443,"content":444,"slug":470,"full_slug":471,"sort_by_date":177,"position":472,"tag_list":473,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":474,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":475,"default_full_slug":177,"translated_slugs":177},"Data Quality","2026-06-25T07:32:42.796Z","2026-08-24T10:42:19.738Z","2026-08-24T10:42:19.754Z",191214234867622,"6b02343d-c062-4616-97d0-798ee62bac8d",{"_uid":445,"title":446,"content":447,"eyebrow":107,"showTOC":39,"category":19,"priority":448,"readTime":449,"subtitle":450,"component":279,"heroImage":451,"meta_tags":455,"meta_title":461,"heroButtons":467,"updatedDate":468,"bottomBlocks":469},"9d78dfb6-4b8a-4f74-8dc2-8f99b60d05b4","Audyt danych marketingowych","## Wszyscy chcą automatyzować. Najpierw trzeba mieć co. [Zacznij od danych]\n\nTeraz panuje moda na to, że przecież wszystko da się zautomatyzować. Owszem, da się — ale automat jest tak dobry, jak dane, które dostaje. A z danymi w e-commerce jest tak, że najgroźniejsze błędy nie świecą na czerwono. System pokazuje zielone światło, dane spływają — a mimo to bywają niekompletne albo nieprawdziwe, i nie dowiesz się o tym, dopóki ktoś tego nie sprawdzi: ręcznie albo odpowiednio zbudowaną, automatyczną procedurą kontrolną.\n\nDwa przykłady, żeby było namacalnie. Pierwszy — na wejściu, w momencie zbierania danych. Klient płaci przez zewnętrzną bramkę: PayU, Przelewy24, PayPal. Po opłaceniu nie wraca na stronę potwierdzenia albo wraca przez adres, na którym tag `purchase` nie strzela. Transakcja jest zrealizowana i opłacona — ale w analityce jej nie ma. Nic nie świeci na czerwono, bo z punktu widzenia systemu nic się nie stało. Po prostu realny przychód i ROAS kampanii są zaniżone, a nikt tego nie widzi.\n\n![](https://a.storyblok.com/f/296300/2448x960/d501dcd871/g1_purchase_v2.png)\n\nDrugi — na wyjściu, gdy dane już spływają do raportów. Integracja, która ściąga dane z systemu reklamowego, działa bez zarzutu przez rok. Aż pewnego dnia platforma wycofuje starą wersję API — i połączenie zaczyna oddawać mniej danych. Nie zgłasza błędu, nie pokazuje ostrzeżenia. Raport dalej się generuje, bo pozostałe źródła działają normalnie — tyle że to jedno przestało zwracać komplet danych. A skoro w hurtowni brakuje części kosztów z jednego kanału, to suma kosztów i przychodów przestaje się zgadzać, i każdy wskaźnik policzony na jej podstawie — ROAS, marża, koszt pozyskania — jest po prostu nieprawdziwy. Dowiadujesz się o tym dopiero wtedy, gdy ktoś zauważy, że przychód z tego kanału „jakoś spadł\". Zielone światło świeciło przez cały ten czas — bo raport działał. Tylko liczby w nim nie były prawdziwe.\n\n![](https://a.storyblok.com/f/296300/2448x960/1a639c4655/g2_integration_v2.png)\n\nTo dwa różne błędy w dwóch różnych miejscach — ale łączy je jedno: interfejs pokazywał, że wszystko gra.\n\nUżywamy AI na co dzień w pracy z danymi. I właśnie dlatego znamy jego ograniczenie z pierwszej ręki. Jeśli po prostu każesz AI spojrzeć na dane i ocenić, czy są w porządku — zobaczy zielone światło i zwróci status „wszystko w porządku\". Tyle że to „w porządku\" nie zawsze jest prawdziwe, a decyzję podejmuje się wtedy na podstawie sygnału, którego tak naprawdę nie ma.\n\nPowód jest strukturalny. Analityka e-commerce to dziesiątki niestandardowych połączeń, które nigdzie nie zostały porządnie udokumentowane: własne statusy zamówień, nietypowe integracje, wyjątki w logice płatności, lokalne specyfiki rynków. AI z natury wypełnia luki w dokumentacji najbardziej prawdopodobnym zgadywaniem — a w analityce „prawdopodobne\" i „prawdziwe\" to dwie różne rzeczy. Dlatego ryzyko halucynacji jest tu ogromne.\n\nNie znaczy to, że automatyzacja się nie sprawdza — znaczy tylko, że nie każda. Dobra automatyzacja tu nie polega na tym, że AI „patrzy i akceptuje\". Polega na konkretnych, zaprojektowanych regułach kontrolnych, które sprawdzają dokładnie te miejsca, gdzie dane lubią się psuć — plus ręcznej weryfikacji tam, gdzie liczy się kontekst. Nie dlatego, że nie ufamy automatyzacji, tylko dlatego, że wiemy, gdzie się ona wykłada.\n\nDlatego na jakość danych warto patrzeć przez pryzmat dwóch miejsc: tego, jak dane **trafiają do** poszczególnych systemów, i tego, jak **spływają z nich** do jednej hurtowni. To dwa różne źródła błędów i dwa różne sposoby pracy. Ale jedno spina je od początku: najłatwiej cokolwiek zweryfikować, gdy dane ze wszystkich systemów leżą obok siebie w jednym miejscu.\n\n![](https://a.storyblok.com/f/296300/2448x894/9431c24220/20-audyt-dwie-warstwy-dark.png)\n\n\n> **Warstwa pierwsza** decyduje, czy dane w ogóle są prawdziwe. **Warstwa druga** — czy pozostają spójne, gdy wszystko dookoła się zmienia.\n\n---\n\n## Warstwa pierwsza — dane trafiające do systemów [Warstwa 1]\n\nWszystko, co dzieje się zanim dane znajdą się w GA4, Meta Ads, systemie reklamowym czy CRM: strona, aplikacja, warstwa danych, tagi, eventy, Consent Mode, server-side. Najgroźniejsze błędy na tej warstwie mają jedną wspólną cechę — **z poziomu interfejsu wszystko wygląda poprawnie**.\n\n### Consent Mode, który tylko wygląda na poprawny\n\nUżytkownik odrzuca zgody marketingowe — i przy okazji, przez błąd w konfiguracji, odrzucają się też analityczne. Komunikat o odrzuceniu wygląda prawidłowo. GA4 raportuje, że wszystko działa zgodnie z trybem zgód. A Ty po prostu masz mniej danych, niż powinieneś — systematycznie, na każdym kanale naraz, bez żadnego sygnału, że coś jest nie tak.\n\n![](https://a.storyblok.com/f/296300/2448x834/c0bb21c93d/21-audyt-consent-mode-dark.png)\n\n> W EU to najczęściej największa pojedyncza, **niewidoczna** dziura w danych. Dlatego audyt sprawdza nie deklarację systemu, tylko realne requesty i parametry zgód (**GCS**, **GCD**, **NPA**) przed akceptacją, po odrzuceniu i po zgodzie.\n\n### Niezliczone zdarzenia **purchase**\n\nWracamy do przykładu z bramek płatniczych — bo to jedna z najczęstszych i najbardziej kosztownych dziur na tej warstwie. PayU, Przelewy24, PayPal, InPost Pay: klient płaci, ale nie wraca na stronę potwierdzenia, albo wraca przez adres, na którym tag **purchase** nie strzela. Transakcja jest zrealizowana i opłacona, ale w analityce jej nie ma.\n\n![](https://a.storyblok.com/f/296300/2448x654/68e7978441/22-audyt-purchase-gap-dark.png)\n\n\n> Im więcej płatności przez zewnętrzne bramki i portfele, tym większa luka — i tym bardziej **zaniżony realny przychód oraz ROAS** każdej kampanii, która tę transakcję wygenerowała.\n\n### Bałagan w identyfikatorach i walucie\n\nKażdy system zbiera dane po swojemu: **item_id** w warstwie danych nie zgadza się z ID w feedzie produktowym, transakcja przychodzi bez przekazanej wartości albo w złej walucie przy sprzedaży na kilku rynkach. Zdarzenie technicznie się policzyło, więc nic nie świeci na czerwono — ale dane nie matchują się między sobą, a ROAS liczony z takich wartości jest po prostu błędny.\n\n### Feed produktowy: niekompletny i bez sygnałów sterujących\n\nFeed to nie tylko lista produktów — to dane, na których kampanie maszynowe Google i Meta podejmują decyzje za Ciebie. A feedy najczęściej mają dwa problemy naraz. Pierwszy to zwykłe błędy i braki: niespójne **item_id**, brakujące atrybuty, nieaktualne ceny i dostępność. Drugi, poważniejszy, to brak danych, które nadają kampaniom kierunek.\n\n![](https://a.storyblok.com/f/296300/2448x894/0d98f2a0ca/23-audyt-feed-sygnaly-dark.png)\n\n\n> Custom labels zamieniają feed z **biernej listy** w **narzędzie sterowania kampanią** — niosąc to, czego algorytm sam nie wie: marżę, rotację, stan magazynu, status wyprzedaży.\n\n### User ID, który w ogóle nie jest wysyłany\n\nNie chodzi o subtelność typu „wysyłany tylko przy logowaniu\". W praktyce często okazuje się, że **user_id** nie trafia do GA4 wcale — mimo że klient jest pewny, że jest wdrożony. Bez tego nie połączysz sesji jednego użytkownika między urządzeniami ani między stroną a aplikacją. Każda osoba rozsypuje się na kilku „nowych\" użytkowników, a cała analiza retencji, cross-device i ścieżki zakupowej jest zbudowana na fikcji.\n\nSkutek błędów na tej warstwie jest zawsze ten sam: dane są nieprawidłowe od źródła, a interfejs tego nie pokazuje. Wszystko dalej — raporty, optymalizacja kampanii, rekomendacje AI — dziedziczy ten błąd, nie mając jak go wykryć.\n\nDlatego audyt trackingu to nie odczyt z dashboardu — łączymy automatyczne testy z ręczną weryfikacją tam, gdzie liczy się kontekst. Przechodzimy całą ścieżkę od kliknięcia w reklamę do opłaconej transakcji i weryfikujemy: zdarzenia w warstwie danych (**purchase**, **add_to_cart**, **begin_checkout**), faktyczne zachowanie Consent Mode i CMP, integralność wartości i identyfikatorów, implementację User ID, kompletność i sygnały sterujące w feedzie oraz spójność między stroną a aplikacją. Wynik to dokument ze statusem każdego elementu i action plan dla IT. Automaty i AI robią pierwsze, szerokie przejście po danych; nietypowe połączenia, wyjątki i „zbyt ładne\" wyniki potwierdzamy ręcznie — żeby żadna cicha dziura nie przeszła jako „OK\".\n\n::content-cta\n---\neyebrow: Audyt jakości danych\nheading: Sprawdź, czy Twoje dane mówią prawdę.\ndescription: \"Przejdziemy całą ścieżkę — od kliknięcia do opłaconej transakcji — i oddamy raport ze statusem każdego elementu oraz planem naprawy dla IT.\"\nbuttonText: Zrób audyt jakości danych\nbuttonHref: /pl/contact\n---\n::\n\n---\n\n## Warstwa druga — utrzymanie danych w czasie [Warstwa 2]\n\nTu zmienia się charakter problemu. Pierwszą warstwę można naprawić raz. Drugiej nie da się naprawić nigdy na stałe — bo dane marketingowe nie są stanem, tylko procesem, który zmienia się bez Twojej zgody.\n\nI tu pojawia się pokusa, żeby po prostu zbudować własną hurtownię i mieć spokój. Problem w tym, że najtrudniejsza nie jest budowa — tylko utrzymanie.\n\n### Świeże dane są zawsze niekompletne\n\nKonwersje przypisują się do daty kliknięcia, ale spływają przez kolejne dni i tygodnie, a część dochodzi jako modelowane. Dlatego wczorajszy i zeszłotygodniowy wynik zawsze wygląda gorzej, niż jest — i sam się „poprawi\" w kolejnych dniach. To nie błąd, to dojrzewanie danych. Ale jeśli ktoś czyta świeży okres jako finalny, tnie budżet tam, gdzie kampania faktycznie działa.\n\n![](https://a.storyblok.com/f/296300/2448x924/34faede8c1/24-audyt-dojrzewanie-dark.png)\n\n\n> Czytasz świeży tydzień jako wynik finalny — i tniesz budżet tam, gdzie kampania **faktycznie działa**. Reszta konwersji jest jeszcze w drodze.\n\n### Integracje psują się po cichu\n\nTo był drugi przykład ze wstępu — i wraca tu nie bez powodu, bo to jeden z najbardziej podstępnych błędów tej warstwy. API platform są wersjonowane i deprecjonowane. Integracja, która działała rok, potrafi przestać zwracać część danych bez żadnego błędu — po prostu zaczyna oddawać mniej. Tracking może być przy tym idealny: zdarzenia zbierane bez zarzutu, a hurtownia i tak ma trzytygodniową dziurę, bo zerwał się transfer z jednego źródła. I wystarczy jedno takie źródło, żeby zafałszować każdy zagregowany wskaźnik liczony z tych danych.\n\n### Klucze i struktury się zmieniają, a raporty sypią się po cichu\n\nTo codzienna, najbardziej żmudna część pracy z danymi. Sklep zmienia format **item_id** po migracji — i nagle dane z CRM nie matchują się z feedem ani z GA4, bo łączą się po identyfikatorze, którego już nie ma. Ktoś przemianuje kampanię i psuje regułę mapowania na kanał, więc koszty lądują w „pozostałe\". Platforma marketplace zmienia nazwy kolumn w eksporcie. Żadna z tych zmian nie zgłasza błędu — raport się generuje, liczby się pokazują, tylko są niespójne albo niepełne.\n\n### Ręcznie sklejona hurtownia trzyma się na jednej osobie\n\nNajczęstsza alternatywa wygląda tak: ktoś napisał skrypty ściągające dane z Meta, Google Ads i CRM, dołożył parę ręcznych poprawek na nietypowe przypadki, połączył to w BigQuery i zbudował na tym raporty. Działa — dopóki działa.\n\n![](https://a.storyblok.com/f/296300/2448x834/f72e716b81/25-audyt-pipeline-dark.png)\n\n\n> Im więcej źródeł i ręcznych wyjątków, tym kruchsza całość. Hurtownia danych **nie powinna być prywatnym dziełem** jednego specjalisty, które przestaje działać, gdy on przestaje je pilnować.\n\n### Definicje się rozjeżdżają. Historia ma szwy.\n\nKażdy system liczy inaczej: inne okno atrybucji, inna definicja konwersji, inna obsługa zgód, inna strefa czasowa. Dlatego GA4 i CRM z zasady pokażą różne liczby konwersji — i to jest normalne, tego się nie „naprawia\". Problem zaczyna się gdzie indziej: gdy te liczby rozjeżdżają się bardziej, niż wynika z samych definicji, albo gdy różnica nagle zmienia się w czasie bez powodu. Wtedy to już nie jest naturalna rozbieżność metodologii, tylko sygnał, że coś się zepsuło. A zmiana platformy analitycznej czy migracja sklepu to osobny moment ryzyka — dane się urywają lub zmieniają metodologię, więc porównanie rok do roku staje się bezwartościowe, chyba że ktoś świadomie ujednolici dane wstecz.\n\nTu jest różnica między ręcznie sklejoną hurtownią a utrzymywaną platformą. To nie projekt, który się kończy — to praca operacyjna: monitorowanie kompletności źródeł, wykrywanie anomalii, aktualizacja konektorów po zmianach API i — przede wszystkim — ciągłe ujednolicanie danych do jednego spójnego modelu. **WitCloud robi to automatycznie i niezależnie od tego, kto akurat pracuje w zespole**: mapuje dane z każdego systemu na wspólną strukturę i pilnuje, żeby zmiana formatu **item_id** czy nazwy kampanii nie wysadziła raportowania. Gdy transfer się zrywa lub dane odstają od normy, pojawia się alert — zanim dziura zafałszuje decyzję. Dane zostają w Twoim projekcie Google Cloud i są Twoje, ale ich utrzymanie i spójność nie zależą już od pamięci jednej osoby.\n\n---\n\n## Hurtownia nie czeka, aż dane będą idealne — pomaga je naprawić [Hurtownia]\n\nŁatwo z tego wszystkiego wyciągnąć błędny wniosek: „najpierw muszę pół roku doprowadzić dane do porządku, a dopiero potem wdrożyć hurtownię\". To nieprawda — i odwraca kolejność.\n\nDopóki dane siedzą w pięciu osobnych systemach, nikt nie widzi, jak się mają do siebie. Że GA4 i CRM pokażą inne liczby — to naturalne. Ale czy różnica mieści się w tym, co tłumaczą atrybucja i consent, czy jest już za duża i rośnie w czasie — tego nie ocenisz, gdy każdą liczbę oglądasz w innym panelu, w inny dzień. Widać to dopiero wtedy, gdy wszystkie stoją obok siebie.\n\n![](https://a.storyblok.com/f/296300/2448x894/c905c40b16/26-audyt-jedna-hurtownia-dark.png)\n\n\n> Zlanie danych do jednej hurtowni to **najszybszy sposób, żeby problemy w ogóle zobaczyć** — luki w **purchase**, zerwane integracje, feed bez etykiet.\n\nDlatego u nas to działa równolegle, nie po kolei. Bardzo często to właśnie dane w WitCloud dają pierwszy sygnał, że coś jest nie tak — liczby, które nagle przestają się spinać, kanał, który zniknął, przychód, który nie zgadza się z CRM. Hurtownia pokazuje, że problem istnieje. Audyt mówi, skąd się bierze i jak go usunąć. Jedno napędza drugie.\n\n> Nie musisz mieć idealnych danych, żeby zacząć. Musisz je widzieć w jednym miejscu — bo dopiero wtedy wiadomo, co naprawić w pierwszej kolejności, a co może zaczekać.\n\nA nad tym wszystkim AI ma wreszcie czego się trzymać: nie surowych, sprzecznych systemów, tylko jednego, pilnowanego źródła — które samo sygnalizuje, kiedy przestaje być wiarygodne.\n\n---\n\n## Najpierw prawda, potem spokój [Podsumowanie]\n\nJakość danych rozgrywa się na dwóch warstwach i wymaga dwóch różnych ruchów. Pierwsza — czy dane w ogóle są prawdziwe u źródła — to robota do wykonania raz: audyt, który wyłapuje niewidoczne dziury w trackingu i mówi wprost, co naprawić. Druga — czy dane pozostają spójne, gdy wszystko dookoła się zmienia — to robota ciągła, której nie da się „odhaczyć\". Właśnie dlatego samodzielne zbudowanie hurtowni rzadko się broni: nie na budowie się potykasz, tylko na utrzymaniu. To robi za Ciebie WitCloud — trzyma jedno, pilnowane źródło w Twoim projekcie Google Cloud i sam sygnalizuje, kiedy coś przestaje się zgadzać.\n\nAudyt naprawia dane u źródła. WitCloud pilnuje, żeby nie zepsuły się znowu. Nie potrzebujesz idealnych danych, żeby zacząć — potrzebujesz zobaczyć je w jednym miejscu i wiedzieć, którym liczbom możesz ufać.\n\n::content-cta\n---\neyebrow: WitCloud\nheading: Porozmawiajmy o Twoich danych.\ndescription: \"Pokażemy, jak WitCloud utrzymuje jakość danych za Ciebie — i od czego najlepiej zacząć w Twoim przypadku.\"\nbuttonText: Porozmawiajmy o WitCloud\nbuttonHref: /pl/contact\n---\n::\n","2","10 minut czytania","Kochamy pracować z AI — ale nieraz widzieliśmy, gdzie się wykłada: na danych, które wyglądają na poprawne, a nie są. Dlatego na jakość danych patrzymy z dwóch stron: audyt, który wyłapuje i pomaga naprawić błędy u źródła, oraz WitCloud, który utrzymuje tę jakość w czasie.",{"id":452,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":453,"copyright":19,"fieldtype":21,"meta_data":454,"is_external_url":32},191752415560470,"https://a.storyblok.com/f/296300/2448x1044/910a31042b/19-audyt-trzy-systemy-dark.png",{},[456,459,462,464],{"_uid":457,"name":244,"content":458,"component":246},"mt-desc-001","Dowiedz się, dlaczego rzetelne dane marketingowe są fundamentem decyzji AI — i jak przeprowadzić audyt GA4, systemów reklamowych i CRM pod kątem niewidocznych błędów.",{"_uid":460,"name":290,"content":461,"component":246},"mt-ogt-001","Audyt danych marketingowych | Witbee",{"_uid":463,"name":294,"content":458,"component":246},"mt-ogd-001",{"_uid":465,"name":298,"content":466,"component":246},"mt-ogi-001","https://a.storyblok.com/f/296300/900x600/675e5dffc3/14-data-quality-dark.png",[],"2026-08-03 00:00",[],"data-quality","pl/content/framework/data-quality",-30,[],"a558aba1-4b52-410d-a930-e01155d5ed08",[],{"name":477,"created_at":478,"published_at":479,"updated_at":480,"id":481,"uuid":482,"content":483,"slug":515,"full_slug":516,"sort_by_date":177,"position":517,"tag_list":518,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":519,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":520,"default_full_slug":177,"translated_slugs":177},"Single Source of Truth","2026-06-25T07:32:39.182Z","2026-08-30T18:37:49.162Z","2026-08-30T18:37:49.179Z",191214220044196,"0f19eb25-d201-46bd-bd36-9bc2fe2ca0e9",{"_uid":484,"title":485,"content":486,"eyebrow":487,"showTOC":39,"category":19,"priority":488,"readTime":489,"subtitle":490,"component":279,"eventDate":19,"heroImage":491,"meta_tags":495,"meta_title":501,"eventFormat":19,"heroButtons":508,"updatedDate":513,"bottomBlocks":514},"019bbd02-c3d2-4bf0-b0ee-4ad4dcd7cac0","Jedno źródło prawdy","All In One to nasz moduł w platformie WitCloud. W jednym miejscu zbiera wszystkie Twoje dane — ze sklepu, systemów reklamowych, analityki i marketplace'ów — i porządkuje je w gotowe do użycia zestawy, z których wprost czytasz odpowiedzi. Brzmi prosto, ale to właśnie ten porządek decyduje, czy z danych podejmujesz decyzje w minuty, czy w tygodnie. Zacznijmy od problemu, który All In One rozwiązuje.\n\n# Dane masz wszędzie — odpowiedzi nigdzie [Problem z danymi]\n\n„Jaki był nasz realny ROI w zeszłym kwartale?” — pozornie proste pytanie, na które mało kto potrafi odpowiedzieć od ręki. Dane przecież są: w GA4, Google Ads, Meta, w systemie sklepowym, na Allegro. A jednak, żeby policzyć jedną liczbę, ktoś musi wyciągnąć je z każdego systemu osobno, posklejać, uzgodnić nazwy i oczyścić.\n\nCzęść firm robi to po staremu — analityk klei raport w arkuszu przez tydzień, albo wszyscy czekają do końca miesiąca, aż „spłyną wyniki”, i dopiero wtedy podejmują decyzje. Część, w 2026, robi to nowocześniej: podłącza AI bezpośrednio do swoich systemów — GA4, Meta, sklepu — na przykład przez MCP, i prosi model, żeby sam posklejał raport. I to działa — do pewnego momentu.\n\n![](https://a.storyblok.com/f/296300/6b3bf68be1/aio_01_wyspy_systemow.png)\n\n*Każdy system trzyma swój kawałek prawdy — i swoje nazwy. Dopóki leżą osobno, prosta liczba wymaga ręcznego sklejania za każdym razem od nowa.*\n\nBo problem nie znika przez podłączenie AI — on się tylko przenosi. Surowe, rozproszone dane są dla modelu tak samo trudne jak dla człowieka: żeby cokolwiek policzyć, AI odpytuje sześć źródeł, wciąga do kontekstu tysiące surowych wierszy o produktach i transakcjach, robi kolejne i kolejne zapytania — i przy większych zbiorach po prostu się dławi. Odpowiada wolno, drogo i niestabilnie.\n\nProblem nie leży więc ani w braku danych, ani w braku narzędzi. Leży w tym, że dane są rozproszone i każde źródło mówi własnym językiem. Zebranie ich w jednym miejscu to dopiero połowa drogi.\n\n**Zebranie danych to połowa drogi. Uporządkowanie ich tak, żeby dało się z nich wprost czytać odpowiedzi — to druga połowa, i ważniejsza.**\n\n---\n\n# Najpierw wszystko w jedno miejsce — i to Twoje [Jedno miejsce]\n\nPierwszy krok jest prozaiczny, ale wszystko się od niego zaczyna: All In One spina wszystkie źródła — sklep, reklamy, analitykę, marketplace — w jednym miejscu i odświeża je automatycznie. Koniec ręcznych eksportów i koniec „danych na wczoraj”.\n\n![](https://a.storyblok.com/f/296300/9bdb4f254b/aio_02_jedno_miejsce.png)\n\n*Hurtownia stoi na Twoim projekcie Google Cloud, nie na naszych serwerach. Dane są i zostają Twoje — z pełną kontrolą i własnością.*\n\nWażne jest, gdzie to miejsce się znajduje. Hurtownia stoi na Twoim własnym projekcie Google Cloud — nie na naszych serwerach. Dane są i zostają Twoje: masz nad nimi pełną kontrolę, pełną własność i pewność, że nie są zamknięte u zewnętrznego dostawcy, od którego trudno się potem odpiąć.\n\nA skoro leżą na Twoim BigQuery, otwierasz je czym tylko chcesz — Looker Studio, Power BI, Tableau, Google Sheets (Connected Sheets), własny SQL albo narzędzia AI. Bez przepinania, bez eksportów, bez czekania na nas. To nie jest detal prawny — to znaczy, że budujesz własny zasób, który zostaje z Tobą niezależnie od tego, z kim współpracujesz, i którego nikt Ci nie wyłączy.\n\n::content-cta\n---\neyebrow: Audyt danych\nheading: Nie wiesz, gdzie dziś naprawdę leżą Twoje dane?\ndescription: \"Zróbmy audyt źródeł — pokażemy, co i jak szybko da się podłączyć.\"\nbuttonText: Umów bezpłatny audyt\nbuttonHref: /pl/contact\n---\n::\n\n---\n\n# Z surowych tabel w gotowe odpowiedzi [Gotowe odpowiedzi]\n\nZebranie danych w jednym miejscu nie znaczy jeszcze, że są gotowe. Surowy eksport z API to nie odpowiedź na pytanie — to materiał, z którego dopiero trzeba ją wyliczyć. A materiał z każdego systemu wygląda inaczej.\n\nNajprostszy przykład: Facebook nazywa wydane pieniądze **spend**, Google nazywa to **cost**. To dokładnie ta sama rzecz — koszt reklamy — ale dopóki ktoś tego nie sprowadzi do wspólnego słowa, dwa systemy nie chcą się dodać. All In One robi to automatycznie: jedno i drugie staje się jedną metryką — **ad_system_cost**. A takich rozjazdów są setki: inne nazwy, inne formaty dat, inne waluty, inne definicje konwersji.\n\n![](https://a.storyblok.com/f/296300/92a2d1e9d6/image_3.png)\n\n*Koszt reklamy to koszt reklamy — niezależnie od tego, czy system nazywa go **spend**, czy **cost**. Unifikacja sprowadza setki takich rozjazdów do jednego, spójnego modelu.*\n\nNa tym właśnie polega cała robota All In One: sprowadza wszystkie źródła do jednego, wspólnego języka, a potem buduje z nich gotowe zestawy danych (datamarty), ułożone pod realne pytania biznesowe. Zamiast dziesiątek surowych tabel, które trzeba dopiero łączyć, dostajesz gotowe widoki:\n\n- **ad_systems** — wszystkie koszty, kliknięcia, wyświetlenia i konwersje z reklam w jednym, spójnym widoku.\n- **orders** — twarda sprzedaż ze sklepu połączona z kosztami marketingu; tu liczysz ERS, ROI, nowych vs. powracających klientów.\n- **orders_products** — sprzedaż na poziomie pojedynczego produktu: co się sprzedaje, co zarabia, jak zmienia się w czasie.\n- **ga_sessions** — ruch i zachowanie z GA4 połączone z kosztami reklam, czyli blended ROAS dla każdego kanału.\n- **ga_orders, ga_attribution_paths, ga_attribution_summary** — sprzedaż i wielokanałowe ścieżki konwersji do analizy atrybucji i alokacji budżetu.\n\n![](https://a.storyblok.com/f/296300/cb2421366e/image_4.png)\n\n*Różnica jest jak między magazynem pełnym części a gotowym samochodem. Jedno i drugie „zawiera” to samo — ale tylko jednym da się od razu pojechać.*\n\nA wszystko to spięte z jednego miejsca, niezależnie od tego, ilu narzędzi używasz dziś do reklam i sprzedaży:\n\n![](https://a.storyblok.com/f/296300/e80687159a/aio_04_integracje.png)\n\nPytanie „jaki był realny ROI w zeszłym kwartale” przestaje być wtedy projektem na tydzień. Staje się czymś, co po prostu odczytujesz.\n\n---\n\n# I dopiero teraz AI ma z czym pracować [AI ma dane]\n\nWróćmy do AI, bo tu wszystko się spina. To, co męczy analityka przy sklejaniu danych, męczy też model — z tą różnicą, że model tego nie powie. Rzucony na surowe, rozproszone tabele robi dokładnie to, co opisaliśmy na początku: mnoży zapytania, wciąga do kontekstu ogromne, nieuporządkowane zbiory, myli **spend** z **cost**, liczy wolno, drogo i bez gwarancji, że trafnie.\n\n![](https://a.storyblok.com/f/296300/1b559fc9be/image_5.png)\n\n*Po lewej AI na surowych danych: dużo zapytań, przeciążony kontekst, niestabilne wyniki. Po prawej na gotowych zestawach z All In One: jedno pytanie, czysty kontekst, trafna odpowiedź.*\n\nPo uporządkowaniu układ się odwraca. Najcięższą pracę — łączenie, czyszczenie i agregację milionów wierszy — All In One wykonuje wcześniej, w hurtowni, na mocy obliczeniowej Google Cloud. Dzięki temu AI nie musi mielić surowych tabel: pyta o gotowy, lekki zestaw i od razu dostaje odpowiedź. Kontekst zostaje czysty, zapytania tanie, a model robi to, w czym jest naprawdę dobry — analizuje i podpowiada działanie, zamiast walczyć z formatem danych.\n\n---\n\n# Połóż fundament i uporządkuj swoje dane — odezwij się do nas [Fundament platformy]\n\nJedno źródło prawdy to nie jest wygoda dla raportujących. To warunek wstępny wszystkiego, co dalej. All In One układa dane raz, a porządną, czystą podstawę dostaje cała platforma WitCloud — i kolejne moduły, które na niej odpalisz: monitorowanie KPI, segmentacja klientów, analiza produktów, asystent AI.\n\n![](https://a.storyblok.com/f/296300/764135b48c/aio_05_moduly_platformy.png)\n\n*All In One układa dane raz — a gotową, czystą podstawę dostają wszystkie kolejne moduły platformy.*\n\nI tu dochodzimy do sedna. Dobrze zaprojektowany, uporządkowany zbiór danych pozwala szybko przejść od pytań do działania: posegmentować klientów, przeanalizować rentowność produktów, zapytać o wynik wprost Asystenta AI — bez tygodnia sklejania raportów i bez zgadywania, czy liczby się zgadzają. All In One bierze na siebie najtrudniejszą część: zebranie danych w jednym miejscu i sprowadzenie ich do wspólnego języka. To, co zostaje po Twojej stronie, to już tylko decyzje.\n\nNajlepszy moment, żeby położyć ten fundament, jest teraz — a najprościej zacząć od krótkiej rozmowy z nami. **Zamiast walczyć z danymi — zarządzaj nimi.**\n\n::content-cta\n---\neyebrow: Bezpłatny okres próbny\nheading: Zobacz swoje dane uporządkowane — jeszcze w bezpłatnym okresie próbnym.\ndescription: \"Spotkajmy się: pokażemy All In One na Twoich źródłach, ułożonych w gotowe datamarty.\"\nbuttonText: Umów rozmowę\nbuttonHref: /pl/contact\n---\n::","PLATFORMA WITCLOUD · MODUŁ ALL IN ONE","1","5 min","All In One — moduł platformy WitCloud, który zbiera dane ze sklepu, reklam, GA4 i marketplace'ów w jedno uporządkowane źródło, gotowe do raportów, decyzji i AI.",{"id":492,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":493,"copyright":19,"fieldtype":21,"meta_data":494,"is_external_url":32},191285268958824,"https://a.storyblok.com/f/296300/900x600/80fd4fadf9/13-ssot-dark.png",{},[496,499,502,504,506],{"_uid":497,"name":244,"content":498,"component":246},"f1a00001-0000-4000-8000-000000000001","All In One zbiera wszystkie źródła danych w jednej hurtowni na Twoim Google Cloud — ujednolicone i ułożone w gotowe datamarty, tak że i ludzie, i AI czytają z nich odpowiedzi wprost.",{"_uid":500,"name":290,"content":501,"component":246},"f1a00001-0000-4000-8000-000000000002","Jedno źródło prawdy - WitCloud All In One",{"_uid":503,"name":294,"content":498,"component":246},"f1a00001-0000-4000-8000-000000000003",{"_uid":505,"name":298,"content":493,"component":246},"f1a00001-0000-4000-8000-000000000004",{"_uid":507,"name":302,"content":303,"component":246},"f1a00001-0000-4000-8000-000000000005",[509],{"_uid":510,"href":130,"size":511,"text":512,"target":29,"rounded":511,"variant":31,"disabled":32,"component":33,"showArrow":39},"799e4e2a-4575-4f9f-89b9-30846035fd89","lg","Umów rozmowę","2026-06-30 00:00",[],"single-source-of-truth","pl/content/framework/single-source-of-truth",-10,[],"d206dc5d-43ec-4f6b-bbca-a34e6d8f691f",[],{"data":522,"body":523,"excerpt":-1,"toc":533},{"title":19,"description":234},{"type":524,"children":525},"root",[526],{"type":527,"tag":528,"props":529,"children":530},"element","p",{},[531],{"type":532,"value":234},"text",{"title":19,"searchDepth":534,"depth":534,"links":535},2,[],{"data":537,"body":538,"excerpt":-1,"toc":544},{"title":19,"description":238},{"type":524,"children":539},[540],{"type":527,"tag":528,"props":541,"children":542},{},[543],{"type":532,"value":238},{"title":19,"searchDepth":534,"depth":534,"links":545},[],{"data":547,"body":548,"excerpt":-1,"toc":554},{"title":19,"description":485},{"type":524,"children":549},[550],{"type":527,"tag":528,"props":551,"children":552},{},[553],{"type":532,"value":485},{"title":19,"searchDepth":534,"depth":534,"links":555},[],{"data":557,"body":558,"excerpt":-1,"toc":564},{"title":19,"description":490},{"type":524,"children":559},[560],{"type":527,"tag":528,"props":561,"children":562},{},[563],{"type":532,"value":490},{"title":19,"searchDepth":534,"depth":534,"links":565},[],{"data":567,"body":568,"excerpt":-1,"toc":574},{"title":19,"description":446},{"type":524,"children":569},[570],{"type":527,"tag":528,"props":571,"children":572},{},[573],{"type":532,"value":446},{"title":19,"searchDepth":534,"depth":534,"links":575},[],{"data":577,"body":578,"excerpt":-1,"toc":584},{"title":19,"description":450},{"type":524,"children":579},[580],{"type":527,"tag":528,"props":581,"children":582},{},[583],{"type":532,"value":450},{"title":19,"searchDepth":534,"depth":534,"links":585},[],{"data":587,"body":588,"excerpt":-1,"toc":594},{"title":19,"description":406},{"type":524,"children":589},[590],{"type":527,"tag":528,"props":591,"children":592},{},[593],{"type":532,"value":406},{"title":19,"searchDepth":534,"depth":534,"links":595},[],{"data":597,"body":598,"excerpt":-1,"toc":604},{"title":19,"description":409},{"type":524,"children":599},[600],{"type":527,"tag":528,"props":601,"children":602},{},[603],{"type":532,"value":409},{"title":19,"searchDepth":534,"depth":534,"links":605},[],{"data":607,"body":608,"excerpt":-1,"toc":614},{"title":19,"description":365},{"type":524,"children":609},[610],{"type":527,"tag":528,"props":611,"children":612},{},[613],{"type":532,"value":365},{"title":19,"searchDepth":534,"depth":534,"links":615},[],{"data":617,"body":618,"excerpt":-1,"toc":624},{"title":19,"description":369},{"type":524,"children":619},[620],{"type":527,"tag":528,"props":621,"children":622},{},[623],{"type":532,"value":369},{"title":19,"searchDepth":534,"depth":534,"links":625},[],{"data":627,"body":628,"excerpt":-1,"toc":634},{"title":19,"description":324},{"type":524,"children":629},[630],{"type":527,"tag":528,"props":631,"children":632},{},[633],{"type":532,"value":324},{"title":19,"searchDepth":534,"depth":534,"links":635},[],{"data":637,"body":638,"excerpt":-1,"toc":644},{"title":19,"description":328},{"type":524,"children":639},[640],{"type":527,"tag":528,"props":641,"children":642},{},[643],{"type":532,"value":328},{"title":19,"searchDepth":534,"depth":534,"links":645},[],{"data":647,"body":648,"excerpt":-1,"toc":654},{"title":19,"description":274},{"type":524,"children":649},[650],{"type":527,"tag":528,"props":651,"children":652},{},[653],{"type":532,"value":274},{"title":19,"searchDepth":534,"depth":534,"links":655},[],{"data":657,"body":658,"excerpt":-1,"toc":664},{"title":19,"description":278},{"type":524,"children":659},[660],{"type":527,"tag":528,"props":661,"children":662},{},[663],{"type":532,"value":278},{"title":19,"searchDepth":534,"depth":534,"links":665},[],[667,681,695,709,723,736,815,830,856,908,938,963,1009,1034,1083,1112,1161,1187,1212],{"name":266,"created_at":267,"published_at":268,"updated_at":269,"id":270,"uuid":271,"content":668,"slug":308,"full_slug":309,"sort_by_date":177,"position":310,"tag_list":679,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":313,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":680,"default_full_slug":177,"translated_slugs":177},{"_uid":273,"title":274,"content":275,"eyebrow":107,"showTOC":39,"category":19,"priority":276,"readTime":277,"subtitle":278,"component":279,"eventDate":19,"heroImage":669,"meta_tags":671,"meta_title":304,"eventFormat":19,"heroButtons":677,"updatedDate":306,"bottomBlocks":678},{"id":281,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":282,"copyright":19,"fieldtype":21,"meta_data":670,"is_external_url":32},{},[672,673,674,675,676],{"_uid":286,"name":244,"content":287,"component":246},{"_uid":289,"name":290,"content":291,"component":246},{"_uid":293,"name":294,"content":295,"component":246},{"_uid":297,"name":298,"content":299,"component":246},{"_uid":301,"name":302,"content":303,"component":246},[],[],[],[],{"name":316,"created_at":317,"published_at":318,"updated_at":319,"id":320,"uuid":321,"content":682,"slug":350,"full_slug":351,"sort_by_date":177,"position":352,"tag_list":693,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":354,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":694,"default_full_slug":177,"translated_slugs":177},{"_uid":323,"title":324,"content":325,"eyebrow":107,"showTOC":39,"category":19,"priority":326,"readTime":327,"subtitle":328,"component":279,"eventDate":19,"heroImage":683,"meta_tags":685,"meta_title":346,"eventFormat":19,"heroButtons":691,"updatedDate":348,"bottomBlocks":692},{"id":330,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":331,"copyright":19,"fieldtype":21,"meta_data":684,"is_external_url":32},{},[686,687,688,689,690],{"_uid":335,"name":244,"content":336,"component":246},{"_uid":338,"name":290,"content":339,"component":246},{"_uid":341,"name":294,"content":336,"component":246},{"_uid":343,"name":298,"content":331,"component":246},{"_uid":345,"name":302,"content":303,"component":246},[],[],[],[],{"name":357,"created_at":358,"published_at":359,"updated_at":360,"id":361,"uuid":362,"content":696,"slug":391,"full_slug":392,"sort_by_date":177,"position":393,"tag_list":707,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":395,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":708,"default_full_slug":177,"translated_slugs":177},{"_uid":364,"title":365,"content":366,"eyebrow":107,"showTOC":39,"category":19,"priority":367,"readTime":368,"subtitle":369,"component":279,"eventDate":19,"heroImage":697,"meta_tags":699,"meta_title":387,"eventFormat":19,"heroButtons":705,"updatedDate":389,"bottomBlocks":706},{"id":371,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":372,"copyright":19,"fieldtype":21,"meta_data":698,"is_external_url":32},{},[700,701,702,703,704],{"_uid":376,"name":244,"content":377,"component":246},{"_uid":379,"name":290,"content":380,"component":246},{"_uid":382,"name":294,"content":377,"component":246},{"_uid":384,"name":298,"content":372,"component":246},{"_uid":386,"name":302,"content":303,"component":246},[],[],[],[],{"name":398,"created_at":399,"published_at":400,"updated_at":401,"id":402,"uuid":403,"content":710,"slug":431,"full_slug":432,"sort_by_date":177,"position":433,"tag_list":721,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":435,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":722,"default_full_slug":177,"translated_slugs":177},{"_uid":405,"title":406,"content":407,"eyebrow":107,"showTOC":39,"category":19,"priority":408,"readTime":277,"subtitle":409,"component":279,"eventDate":19,"heroImage":711,"meta_tags":713,"meta_title":427,"eventFormat":19,"heroButtons":719,"updatedDate":429,"bottomBlocks":720},{"id":411,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":412,"copyright":19,"fieldtype":21,"meta_data":712,"is_external_url":32},{},[714,715,716,717,718],{"_uid":416,"name":244,"content":417,"component":246},{"_uid":419,"name":290,"content":420,"component":246},{"_uid":422,"name":294,"content":417,"component":246},{"_uid":424,"name":298,"content":412,"component":246},{"_uid":426,"name":302,"content":303,"component":246},[],[],[],[],{"name":438,"created_at":439,"published_at":440,"updated_at":441,"id":442,"uuid":443,"content":724,"slug":470,"full_slug":471,"sort_by_date":177,"position":472,"tag_list":734,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":474,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":735,"default_full_slug":177,"translated_slugs":177},{"_uid":445,"title":446,"content":447,"eyebrow":107,"showTOC":39,"category":19,"priority":448,"readTime":449,"subtitle":450,"component":279,"heroImage":725,"meta_tags":727,"meta_title":461,"heroButtons":732,"updatedDate":468,"bottomBlocks":733},{"id":452,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":453,"copyright":19,"fieldtype":21,"meta_data":726,"is_external_url":32},{},[728,729,730,731],{"_uid":457,"name":244,"content":458,"component":246},{"_uid":460,"name":290,"content":461,"component":246},{"_uid":463,"name":294,"content":458,"component":246},{"_uid":465,"name":298,"content":466,"component":246},[],[],[],[],{"name":737,"created_at":738,"published_at":739,"updated_at":740,"id":741,"uuid":137,"content":742,"slug":808,"full_slug":809,"sort_by_date":177,"position":810,"tag_list":811,"is_startpage":32,"parent_id":812,"meta_data":177,"group_id":813,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":814,"default_full_slug":177,"translated_slugs":177},"Przestań przepalać budżet na jednorazowych klientów — LTV i retencja","2026-08-20T07:19:39.613Z","2026-09-02T10:59:11.738Z","2026-09-02T10:59:11.752Z",211029113342153,{"_uid":743,"title":744,"content":745,"eyebrow":746,"showTOC":39,"category":747,"priority":19,"readTime":19,"subtitle":748,"component":279,"eventDate":749,"heroImage":750,"meta_tags":752,"meta_title":753,"eventFormat":754,"heroButtons":755,"updatedDate":760,"bottomBlocks":761},"webinar-ltv-retencja-content-page","Analiza klienta 3.0\u003Cbr> *z wykorzystaniem AI*.","## Kim naprawdę jest Twój klient? [Kim jest Twój klient?]\n\nTo jest Stefan. Stefan jest Twoim klientem i właśnie zrobił zakupy w Twoim sklepie online. Zarobiłeś na tym pieniądze — super. Ale czy wiesz o nim to, co naprawdę decyduje o Twojej marży?\n\n\u003Cdiv style=\"text-align: center; margin: 24px auto; max-width: 420px;\">\u003Cimg src=\"https://a.storyblok.com/f/296300/1226x1086/a712ff52c1/zrzut-ekranu-2026-08-08-204226.png\" alt=\"Poznaj lepiej swoich klientów\" style=\"width: 80%; height: auto; border-radius: 12px;\" />\u003C/div>\n\n- **To jego pierwszy czy piąty zakup?** Od tego zależy, czy powinieneś płacić za jego kolejną wizytę — czy przyszedłby i tak.\n- **Ile kosztowało jego pozyskanie i ile zostawi przez rok?** Jeśli patrzysz tylko na pierwszy koszyk, nie wiesz, ile realnie możesz zapłacić za następnego takiego klienta.\n- **Wróci po drugi zakup — czy odejdzie po cichu?** Jednorazowi to zwykle największa i najbardziej niedoceniana grupa w Twojej bazie.\n\nNa każde z tych pytań jest odpowiedź — w Twoich własnych danych, nie w domysłach. Na webinarze pokazujemy, jak ją wyciągnąć.\n\n## Nie musisz wybierać między utrzymaniem a pozyskiwaniem [Retencja i akwizycja]\n\nTo fałszywy wybór, który kosztuje Cię marżę. Zobacz, jak połączenie wiedzy z bazy klientów z kosztami reklamowymi pozwala znacznie podnieść zyski na obu frontach naraz — przy wsparciu dedykowanego AI, które na bieżąco analizuje Twój e-commerce i dostarcza gotowe rekomendacje biznesowe, bez czekania na raporty od analityka.\n\n### Krok 1: Pracuj z klientem, którego już masz\n\nZobacz, którzy klienci generują prawdziwy zysk, a którzy właśnie wpadają do segmentu „zagrożonych odejściem”. Zbuduj precyzyjną mapę cyklu życia opartą na danych z Twojego sklepu. Zamiast wysyłać masowe zniżki do całej bazy, automatycznie aktywizuj tych, którzy potrzebują impulsu do drugiego zakupu, i chroń marżę, wykluczając lojalnych klientów z szerokich kampanii płatnych.\n\n### Krok 2: Pozyskuj klientów w oparciu o dane z bazy\n\nPrzestań przepalać budżet na łowców promocji i przestań oceniać kampanie wyłącznie przez pryzmat pierwszego zakupu. Zidentyfikuj kanały i „produkty-bramy”, które przyciągają klientów o najwyższym LTV. Wykorzystaj segmenty swoich najcenniejszych odbiorców, by zasilać algorytmy reklamowe w Meta i Google Ads (np. PMax), ściągając do sklepu ruch, który naturalnie będzie konwertował na lata.\n\n## Co konkretnie wyniesiesz z tego webinaru? [Program]\n\nPodczas tego webinaru nie będziemy lać wody. Pokażemy Ci konkretne raporty, analizy oraz strategie marketingowe, które od razu będziesz mógł/a wykorzystać w swoim sklepie e-commerce.\n\n1. **Które 8% klientów robi Ci połowę wyniku** — Przestaniesz patrzeć na bazę jak na jedną masę. Zobaczysz, na kim realnie stoi Twoja marża — i komu przestać płacić za sprzedaż, która nastąpiłaby i tak.\n2. **Ilu nowych klientów nie wraca** — Z danych odczytasz, po ilu dniach klienci w Twoim sklepie zwykle składają drugie zamówienie. Sekwencję aktywizującą ustawisz przed tym momentem, a nie na oślep.\n3. **Czy jakość klientów rośnie, czy spada** — Zamiast patrzeć na „średnią sprzedaż”, zobaczysz analizę kohortową: czarno na białym, czy klienci z ostatnich kampanii realnie się zwracają.\n4. **Ile możesz zapłacić za klienta** — Zrozumiesz, dlaczego koszt pozyskania (CAC) może spokojnie przewyższać pierwszy koszyk — jeśli potrafisz policzyć, ile ten klient zostawi przez rok.\n5. **Który kanał przyprowadza klientów** — Nauczysz się zadawać dwa różne pytania zamiast jednego. Zobaczysz, dlaczego last-click krzywdzi kanały, które inicjują ścieżki zakupowe.\n6. **Jak uruchomić to bez działu IT** — Zobaczysz, jak segment zdefiniowany raz trafia jednocześnie do raportu, na listę reklamową i na czat — i jak całość działa w Twoim własnym Google Cloud, z danymi, które zostają w 100% Twoje.\n\n::content-cta\n---\neyebrow: \"WEBINAR NA ŻYWO\"\nheading: \"Nie wiesz, gdzie dziś naprawdę leży Twoja marża?\"\ndescription: \"Zapisz się i zobacz na twardych danych, gdzie realnie stoi Twój wynik.\"\nbuttonText: \"Zapisz się za darmo\"\nbuttonHref: \"#lead-form\"\n---\n::\n\n## Poznaj prelegenta [Prelegent]\n\n::content-speaker\n---\nname: \"Krzysiek Modrzewski\"\nsubtitle: \"Współtwórca Witbee & WitCloud · 15+ lat w analityce\"\nphotoLabel: \"Zdjęcie\"\nimage: \"https://a.storyblok.com/f/296300/1030x1186/d65624e682/krzysiek4.png\"\nimageAlt: \"Krzysiek Modrzewski\"\nintro: \"Praktyk, nie teoretyk — na co dzień pomaga firmom e-commerce zamieniać chaos w danych w realne decyzje budżetowe. Sam przeszedł drogę od „paraliżu decyzyjnego” do zautomatyzowanej segmentacji i na webinarze pokaże gotowe raporty, które od razu wykorzystasz u siebie.\"\n---\n::\n\n## Czy ten warsztat jest dla Ciebie? [Dla kogo?]\n\nStworzyliśmy tę sesję dla konkretnej grupy liderów e-commerce.\n\n::content-qualifier\n---\nyesTitle: \"TAK, jeśli...\"\nyesItems:\n  - \"Jesteś dyrektorem e-commerce, CMO lub właścicielem i masz dość decyzji „na czuja” w oparciu o niepełne dane GA4.\"\n  - \"Jesteś szefem analityki lub liderem zespołu data i chcesz jednej, spójnej definicji klienta w raportach, reklamie i mailingu.\"\n  - \"Chcesz na bieżąco znać realną kondycję bazy i wiedzieć, na kim skupić budżet.\"\n  - \"Chcesz precyzyjnie planować akwizycję i docierać do właściwych klientów, zamiast po prostu kupować kliknięcia.\"\n  - \"Chcesz poznać realne LTV swoich klientów i wpleść tę wiedzę w strategię rozwoju.\"\nnoTitle: \"Raczej nie, jeśli...\"\nnoItems:\n  - \"Dopiero startujesz w e-commerce i nie masz jeszcze wystarczająco danych ani budżetu, żeby te rozwiązania miały sens.\"\n  - \"Szukasz podstawowego kursu obsługi GA4 czy Looker Studio — to webinar o decyzjach na danych, nie o klikaniu w interfejsie.\"\n  - \"Wolisz raz zrobić analizę i odhaczyć — tu chodzi o rytm, nie o jednorazowy projekt.\"\n---\n::\n\n## Doświadczenie, któremu możesz zaufać [Doświadczenie]\n\nZrealizowaliśmy kilkadziesiąt projektów analitycznych Web&App dla firm różnej skali, w tym innowacyjnych liderów rynkowych — m.in. Media Expert, Superbet, eObuwie, eMAG, Neonet, Orange, Empik, Frisco, JD Sports i Allegro.\n\n## Masz wybór: rosnące koszty akwizycji lub kontrola nad marżą [Twój wybór]\n\nMożesz dalej godzić się na to, że każdy kolejny klient kosztuje więcej niż poprzedni. Możesz skupiać się wyłącznie na pierwszej transakcji, ignorując to, że najliczniejsza grupa kupujących prawdopodobnie nigdy do Ciebie nie wróci.\n\n**Albo** możesz poświęcić 60 minut, aby na twardych danych zobaczyć:\n\n✅ Jak zidentyfikować **„produkty-bramy”**, które przyciągają klientów zostających z marką na dłużej, i przestać przepalać budżet na asortyment generujący tylko jednorazowy wolumen. \u003Cbr>\n✅ Dlaczego ocena kampanii wyłącznie po pierwszym zakupie ukrywa ok. 35% jej prawdziwego wyniku i jak poprawnie liczyć **rentowność kanałów**. \u003Cbr>\n✅ Jak podzielić bazę na precyzyjne segmenty (m.in. powracający, lojalni, zagrożeni odejściem) i **zautomatyzować odświeżanie list odbiorców** w Meta i Google Ads.\n\nPrzestań dotować systemy reklamowe. Zbuduj system, w którym pozyskiwanie nowych i aktywizacja obecnych klientów napędzają się wzajemnie.","Webinar","webinar","Bezpłatny webinar live dla menedżerów, dyrektorów i właścicieli e-commerce.\n\u003Cbr>\u003Cb>Reklama jest coraz droższa, a podwajanie budżetu nie podwaja sprzedaży — pokażemy, jak połączyć rentowną retencję ze skuteczną akwizycją na Twoich własnych danych o LTV.\u003C/b>","2026-09-10 14:00",{"id":371,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":372,"copyright":19,"fieldtype":21,"meta_data":751,"is_external_url":32},{},[],"Przestań przepalać budżet na jednorazowych klientów | Bezpłatny webinar","Na żywo online",[756],{"_uid":757,"href":758,"size":511,"text":759,"target":29,"variant":31,"component":33,"showArrow":39},"webinar-ltv-cta-1","#lead-form","Zarejestruj się na webinar","2026-09-10 00:00",[762],{"_uid":763,"image":764,"steps":766,"formId":789,"header":790,"systems":791,"anchorId":797,"formName":798,"component":799,"buttonText":800,"description":801,"errorMessage":19,"progressStyle":30,"nextButtonText":19,"prevButtonText":19,"successMessage":19,"brainWebinarSlug":19,"moduleBackground":19,"privacyPolicyLink":802,"privacyPolicyText":804,"clickMeetingRoomId":805,"getResponseCampaignId":806,"privacyPolicyLinkText":807},"2187087b-d2a8-4a6c-98e6-ebf66884b328",{"id":177,"alt":177,"name":19,"focus":177,"title":177,"source":177,"filename":19,"copyright":177,"fieldtype":21,"meta_data":765},{},[767],{"_uid":768,"title":769,"fields":770,"component":788},"56cd946a-a8df-4c8f-a422-d64cd66458fa","Register",[771,776,780,784],{"_uid":772,"name":773,"type":532,"label":774,"required":39,"component":775,"fullWidth":32},"656fd222-d9fc-4b67-b8dd-170549efc64b","firstName","Imię","multi-step-form-field",{"_uid":777,"name":778,"type":532,"label":779,"required":39,"component":775,"fullWidth":32},"2c4dd55a-2021-42dd-b730-8ec3374d8f3a","lastName","Nazwisko",{"_uid":781,"name":782,"type":532,"label":783,"required":32,"component":775,"fullWidth":39},"40e3c1a6-208f-4abe-ab73-d62b589a2811","company","Nazwa firmy",{"_uid":785,"name":786,"type":786,"label":787,"required":39,"component":775,"fullWidth":39,"businessOnly":39},"39663d31-628d-4bfb-bcb5-ee2a0ac5e4d3","email","Adres email","multi-step-form-step","webinar-customer-3-0","Zarezerwuj swoje miejsce na webinarze",[792,793,794,795,796],"getresponse","mail","firestore","witcrm","clickmeeting","lead-form","Webinar o analizie klienta — rejestracja na żywo","multi-step-form","Tak, chcę zapisać się na webinar","Wypełnij formularz, a link do spotkania wyślemy Ci mailem.\n\u003Cbr>\u003Cbr>\n\u003Cb>Czwartek, 10 września o 14:00",{"id":803,"url":19,"linktype":138,"fieldtype":46,"cached_url":154,"prep":39},"9557bcaa-747f-4659-b71b-3163c15b79f4","Akceptuję","10147824","LRLFr","regulamin i politykę prywatności","webinar-ltv-retencja-akwizycja","pl/content/webinars/webinar-ltv-retencja-akwizycja",-20,[],191214107633568,"21120530-10b9-4626-b030-1bc0d42c3d6c",[],{"name":477,"created_at":478,"published_at":479,"updated_at":480,"id":481,"uuid":482,"content":816,"slug":515,"full_slug":516,"sort_by_date":177,"position":517,"tag_list":828,"is_startpage":32,"parent_id":312,"meta_data":177,"group_id":519,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":829,"default_full_slug":177,"translated_slugs":177},{"_uid":484,"title":485,"content":486,"eyebrow":487,"showTOC":39,"category":19,"priority":488,"readTime":489,"subtitle":490,"component":279,"eventDate":19,"heroImage":817,"meta_tags":819,"meta_title":501,"eventFormat":19,"heroButtons":825,"updatedDate":513,"bottomBlocks":827},{"id":492,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":493,"copyright":19,"fieldtype":21,"meta_data":818,"is_external_url":32},{},[820,821,822,823,824],{"_uid":497,"name":244,"content":498,"component":246},{"_uid":500,"name":290,"content":501,"component":246},{"_uid":503,"name":294,"content":498,"component":246},{"_uid":505,"name":298,"content":493,"component":246},{"_uid":507,"name":302,"content":303,"component":246},[826],{"_uid":510,"href":130,"size":511,"text":512,"target":29,"rounded":511,"variant":31,"disabled":32,"component":33,"showArrow":39},[],[],[],{"name":831,"created_at":832,"published_at":254,"updated_at":833,"id":834,"uuid":835,"content":836,"slug":849,"full_slug":850,"sort_by_date":177,"position":851,"tag_list":852,"is_startpage":32,"parent_id":853,"meta_data":177,"group_id":854,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":855,"default_full_slug":177,"translated_slugs":177},"Google Analytics 4 [GA4] BigQuery - traffic sources, sessions, attribution, marketing costs and ready data for analysis","2026-06-23T08:28:42.839Z","2026-08-21T07:00:43.295Z",190520208788172,"4a92d87b-04d7-4610-87e4-83ec85851626",{"_uid":837,"title":838,"content":839,"eyebrow":19,"showTOC":39,"category":226,"readTime":19,"subtitle":840,"component":279,"heroImage":841,"meta_tags":845,"meta_title":838,"heroButtons":846,"updatedDate":847,"bottomBlocks":848},"70c651b3-e211-4834-ade3-941e7ce294fd","Google Analytics 4 [GA4] BigQuery - źródła ruchu, sesje, atrybucja, koszty marketingowe i gotowe dane do analiz","## Kontynuacja serii wpisów o danych Google Analytics 4 [GA4] w BigQuery [Seria artykułów]\n\n\n\nArtykuł ten jest elementem z serii wpisów o Google Analytics 4 i eksporcie danych do Google BigQuery, składającym się z następujących pozycji:\n\n\n\n- [#1 Google Analytics 4 BigQuery - dlaczego warto korzystać ?](https://witbee.com/pl/blog/google-analytics-4-bigquery-dlaczego-warto-korzystac)  \n- [#2 Google Analytics 4 BigQuery - 9 wyzwań, które Cię zaskoczy podczas analizy danych](https://witbee.com/pl/blog/google-analytics-4-bigquery-9-wyzwan-ktore-cie-zaskoczy-podczas-analizy-danych ) \n- [#3 Google Analytics 4 BigQuery - źródła ruchu, sesje, atrybucja, koszty marketingowe i gotowe dane do analiz](https://witbee.com/pl/blog/google-analytics-4-bigquery-zrodla-ruchu-sesje-atrybucja-koszty-marketingowe-i-gotowe-dane-do-analiz) (obecnie go czytasz)\n\n\n\nOstatni wpis dotyczył wyzwań analitycznych związanych z analizą danych w Google BigQuery. Firmy oraz pracujący w nich analitycy jak i specjaliści powinny skupiać się głównie na podejmowaniu decyzji w oparciu o dane, a nie na mozolnym i kosztownym przygotowywaniu i obrabianiu danych do ich analizy. \n\n\n\nW odpowiedzi na to wyzwanie, w naszej platformie [WitCloud](https://witbee.com/pl/witcloud) postanowiliśmy stworzyć moduł analityczny, który w oparciu o wyeksportowane dane Google Analytics 4 do Google BigQuery, rozwiąże problemy z ich obróbką i przygotuje te dane w takiej formie, aby były gotowe do wykorzystania w firmie do rozmaitych analiz lub integracji z innymi systemami.\n\n\n\nW tym artykule, krok po kroku omówimy jakie modyfikacje wprowadziliśmy do danych i w jaki sposób podeszliśmy do zaprojektowania struktury danych w Google BigQuery. \n\n\n\n![Google Analytics 4 BigQuery - WitCloud - Sessions, Attributions](https://a.storyblok.com/f/46798/868x362/c5426a763d/google-analytics-4-bigquery-witcloud-events-to-sessions.png)\n\n## Wzbogacenie tabeli events o źródła ruchu [Wzbogacenie o źródła ruchu]\n\n### Problem ubogich danych o źródłach ruchu w Google BigQuery\n\n\n\nW artykule [#2 Google Analytics 4 BigQuery - 9 wyzwań, które Cię zaskoczy podczas analizy danych](https://witbee.com/pl/blog/google-analytics-4-bigquery-9-wyzwan-ktore-cie-zaskoczy-podczas-analizy-danych ), poruszyliśmy problem związany z brakiem obliczonych źródeł ruchu dla konkretnych sesji oraz ubogi dostęp do danych Google Ads. W domyślnie wyeksportowanej tabeli “events_” mamy dostępne tylko pola tj. traffic_source.source, traffic_source.medium, traffic_source.name (nazwa kampanii). \n\n\n\nNawiązując do naszego poprzedniego artykułu problem polega jednak na tym, że są to pola informujące nas o tym jakie źródło wystąpiło w pierwszej kampanii czasu pozyskania tego użytkownika, a nie o źródle, które wystąpiło w danej sesji, tak jak możemy to przeglądać w raportach i wymiarze “Session source/medium” w panelu Google Analytics 4. Oznacza to, że w panelu Google dostarcza nam obrobione dane, a korzystając z surowych danych w BigQuery musimy zrobić to sami.\n\n\n\n![Google Analytics 4 BigQuery traffic_source field description](https://a.storyblok.com/f/46798/986x327/0de56d0a96/google-analytics-4-bigquery-traffic-source-field-desc.png)\n\n\n\nKorzystając z tych pól w tabeli osiągniemy więc inny obraz niż w przypadku wymiaru “Session source / medium” w panelu.\n\n\n\n![Google Analytics 4 BigQuery traffic_source field path example](https://a.storyblok.com/f/46798/790x164/1ae9c65264/google-analytics-4-bigquery-traffic-source-field-behaviour.png)\n\n\n\nDodatkowo w tabeli brakuje nam bardziej szczegółowych informacji na temat kampanii Google Ads, tak jak miało to miejsce w eksporcie danych Google Analytics Universal 360 (wersja premium)\n\n\n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/713x578/acc36d50a3/google-analytics-4-bigquery-missing-google-ads-fields.png\">\n\u003C/div>\n\n\n\n### Rozwiązaniem problemu jest wzbogacenie tabeli events o źródła ruchu sesji w modelu Google Analytics 4 i Universal Analytics\n\n\n\nW odpowiedzi na to wyzwanie postanowiliśmy wzbogacić tabelę “events_” o dodatkowe grupy pól, które zwracają informację na temat źródeł ruchu występujących w danej sesji oraz dodatkowe informacje na temat kampanii Google Ads. \n\n\n\nDane zostały wzbogacone w modelu Google Analytics 4, który nie tworzy nowej sesji przy zmianie źródła kampanii w trakcie trwania sesji oraz w modelu Google Universal Analytics, który tworzy nową sesję za każdym razem jak pojawi się nowe źródło ruchu. \n\n\n\n![Google Analytics 4 BigQuery Vs WitCloud Tables](https://a.storyblok.com/f/46798/861x629/cfb22d8638/google-analytics-4-bigquery-witcloud-vs-events.png)\n\n\n\n#### Możliwość śledzenia użytkownika pomiędzy urządzeniami\n\n\n\nZanim omówimy sposób działania poszczególnych modeli na przypadkach, musimy wspomnieć o kluczowym elemencie jaki musieliśmy wziąć pod uwagę przy tworzeniu modułu czyli śledzeniu użytkowników pomiędzy urządzeniami takimi jak komputery, smartfony i tablety (cross-device). \n\n\n\nGoogle Analytics 4 posiada do tego odpowiednie funkcjonalności, które potrafią połączyć zdarzenia na ścieżce użytkownika na podstawie 3 wymiarów tj.:\n\n\n\n- **Device ID**, czyli ciasteczko przeglądarki lub identyfikator w aplikacji\n- **User ID**, czyli możliwy do implementacji identyfikator użytkownika z naszej bazy danych np. po rejestracji/zalogowaniu na naszej stronie/aplikacji\n- **Google ID (Google Signals)**, czyli identyfikator połączony z zalogowanym użytkownikiem w Google (wymaga dodatkowej aktywacji w ustawieniach administracyjnych usługi)\n\n\n\nDomyślnie Google Analytics śledzi użytkownika tylko na podstawie Device ID, czyli ciasteczka lub identyfikatora aplikacji. Oznacza to, że jeżeli wejdziemy na wybraną stronę z urządzenia mobilnego, a następnie z komputera stacjonarnego, to Google Analytics raportuje nam informacje o 2 różnych użytkownikach pozyskanych z 2 różnych kanałów. Na tej podstawie nie jest więc możliwe śledzenie użytkowników pomiędzy urządzeniami, gdyż każde urządzenie oraz każda przeglądarka będą miały inny identyfikator użytkownika.\n\n\n\nJeżeli jednak zdecydujemy się na przesłanie w implementacji własnego identyfikatora użytkownika np. po zalogowaniu/rejestracji lub na aktywację opcji Google Signals, to system Google przeprowadzi na wszystkich zebranych danych deduplikację użytkowników, czyli znajdzie połączenie pomiędzy urządzeniami i przedstawi nam w raportach dokładniejsze dane na temat użytkowników i ich zachowań. \n\n\n\nW panelu Google Analytics 4 sami możemy decydować czy chcemy widzieć dane z deduplikacją lub bez na podstawie ustawień “Reporting Identity” (tłumaczone w dokumentacji w j. polskim jako “Tożsamość raportowania”).\n\n\n\n![Google Analytics 4 Reporting Identity](https://a.storyblok.com/f/46798/834x549/d25537595b/google-analytics-4-bigquery-reporting-identity.png)\n\n\n\nW Google BigQuery deduplikację użytkowników możemy wykonać jedynie na podstawie 2 wymiarów tj. Device ID oraz User ID, gdyż ze względu na aspekty prawne, dane Google Signals nie są udostępniane w eksporcie danych Google Analytics 4.\n\n\n\n![Google Analytics 4 BigQuery Device Id, User Id and No Google Singals ID](https://a.storyblok.com/f/46798/771x454/dda30cd467/google-analytics-4-bigquery-identity-user.png)\n\n\n\n#### Podejście do źródeł ruchu - Google Analytics 4 vs Google Analytics Universal\nPoniższy schemat pozwoli nam lepiej odpowiedzieć na 2 kluczowe i powiązane ze sobą pytania:\n\n\n\n\u003Col>\n  \u003Cli>Jak wpływa na atrybucję źródeł ruchu, deduplikacja użytkowników z wykorzystaniem parametru user_id?\n  \u003Cli>W jaki sposób zmieniła się logika liczenia sesji w Google Analytics 4 vs Google Analytics Universal?\u003C/li>\n\u003C/ol>\n\n\n\n![Google Analytics 4 BigQuery - Cross Device Sessions](https://a.storyblok.com/f/46798/1145x533/8f22588d1f/google-analytics-4-bigquery-diagram-cross-device-sessions.png)\n\n\n\nKrótki opis schematu:\n\n\n\n- Użytkownik wszedł na stronę internetową z urządzenia mobilnego po odesłaniu z Facebooka, co spowodowało utworzenie nowej sesji \n- W trakcie trwania sesji wygenerowanej przez Facebooka(przed upływem 30 minut od braku interakcji), użytkownik przeklikał się na stronę jeszcze raz przez reklamę Google\n- Po jakimś czasie użytkownik postanowił wejść na stronę ponownie, tym razem z komputera stacjonarnego bez żadnego przekierowania (wejście bezpośrednie)\n- Zarówno na urządzeniu mobilnym jak i stacjonarnym użytkownik był zalogowany i został wysłany parametr “user_id”\n\n\n\nSpójrzmy teraz, w jaki sposób zachowa się atrybucja źródeł ruchu i kalkulacja sesji dla poszczególnych modeli.\n\n\n\n**Google Analytics 4 - Cross Device Model**\n\n\n\n![Google Analytics 4 BigQuyer - GA4 Cross Device Model](https://a.storyblok.com/f/46798/689x138/63d1b8837b/google-analytics-4-bigquery-ga4-cross-device-model.png)\n\n\n\nW modelu Google Analytics 4 - Cross Device, po wejściu użytkownika z urządzenia mobilnego i odesłania z Facebooka, zostanie utworzona nowa sesja. W chwili, gdy użytkownik przeklika się przez reklamę Google z tego samego urządzenia w trakcie trwania sesji, nie zostanie utworzona nowa sesja, gdyż Google Analytics 4 nie tworzy nowej sesji w chwili, gdy zmienia się źródło kampanii w trakcie trwania poprzedniej sesji. \nW chwili, gdy użytkownik wejdzie z urządzenia stacjonarnego i będzie to wejście bezpośrednie (ruch typu “Direct”), źródło to zostanie nadpisane ostatnim źródłem ruchu, które wystąpiło w poprzedniej sesji - nie będzie to Facebook, tylko Google, który wcześniej nie spowodował utworzenia nowej sesji na urządzeniu mobilnym.\n\n\n\n**Google Analytics 4 - Device Model**\n\n\n\n![Google Analytics 4 BigQuery - Device Model](https://a.storyblok.com/f/46798/689x157/c7f291706b/google-analytics-4-bigquery-ga4-device-model.png)\n\n\n\nW modelu Google Analytics 4 opartym na Device ID (w przypadku strony internetowej będzie to ciasteczko), każda przeglądarka będzie miała wygenerowany nowy identyfikator użytkownika. W takiej sytuacji sesja pierwsza będzie miała przypisane źródło Facebook, a sesja druga, która odbyła się na innym urządzeniu będzie miała źródło “Direct”. Kampanie Google będzie w tym przypadku zignorowana, gdyż logika Google Analytics 4 nie uwzględnia tworzenia nowej sesji przy zmianie źródła ruchu. Druga sesja (wejście bezpośrednie) nie odziedziczy źródła ruchu, gdyż nie jest w żaden sposób powiązana z poprzednim urządzeniem (brak deduplikacji i wykorzystania user_id). Zostanie więc direct.\n\n\n\n**Universal Analytics - Device Model**\n\n\n\n![Google Analytics 4 BigQuery Device Model](https://a.storyblok.com/f/46798/687x182/6c23c8306d/google-analytics-4-bigquery-ua-device-model.png)\n\n\n\nW modelu Universal Analytics opartym na Device ID (obecnie i historycznie wykorzystywany w Google Analytics Universal), w pierwszej sesji zostanie przypisane źródło facebook. Następnie zostanie utworzona nowa sesja, dla źródła Google, gdyż Universal Analytics tworzy nową sesję za każdym razem kiedy źródło kampanii zostanie zmienione w trakcie sesji. Po bezpośrednim wejściu z urządzenia stacjonarnego zostanie utworzona trzecia sesja, która nie zostanie nadpisana wartością Google, gdyż nie jest w żaden sposób powiązana z poprzednim urządzeniem (brak deduplikacji i wykorzystania user_id). Zostanie więc direct. \n\n\n\n**Universal Analytics - Cross-Device Model**\n\n\n\n![Google Analytics 4 BigQuery Cross Device Model](https://a.storyblok.com/f/46798/683x189/995cdfb460/google-analytics-4-bigquery-ua-cross-device-model.png)\n\n\n\nModel Universal Analytics oparty na cross-device to nowość, którą postanowiliśmy odtworzyć na podstawie dedykowanego podejścia związanego z deduplikacją użytkowników w Google Analytics 4, ale z zachowaniem starego podejścia, które zakłada tworzenie nowej sesji kiedy źródło kampanii ulegnie zmianie w trakcie sesji. W ten sposób, pierwsza sesja będzie miała wartość ‘facebook’, następnie zostanie utworzona nowa sesja, dla źródła Google, gdyż Universal Analytics tworzy nową sesję za każdym razem kiedy źródło kampanii zostanie zmienione w trakcie sesji. Po bezpośrednim wejściu z urządzenia stacjonarnego zostanie utworzona trzecia sesja, która zostanie nadpisana wartością Google, gdyż jesteśmy w stanie połączyć ze sobą użytkowników na podstawie deduplikacji z wykorzystaniem user_id.\n\n\n\n#### Dlaczego przygotowaliśmy 3 modele danych?\n\n\n\nDecyzje o raportowaniu wybranym modelu Google Analytics mogą zależeć od preferencji danej organizacji, w związku z tym zależało nam na tym, aby każda firma mogła samodzielnie podjąć decyzje na temat tego wyboru lub mieć możliwość porównania danych w różnych modelach. \n\n\n\nZ tego względu przygotowaliśmy dane w 3 modelach tj.:\n\n\n\n- Google Analytics 4 Cross Device z uwzględnieniem deduplikacji\n- Google Analytics Universal Cross Device z uwzględnieniem deduplikacji\n- Google Analytics Universal Device bez deduplikacji (znane i lubiane z Google Analytics Universal)\n\n\n\n## Grupowanie eventów w sesje, czyli tabele sesji dla danych Google Analytics 4 [Grupowanie w sesje]\n\n\n\n### Tabela zdarzeń vs tabela sesji\n\n\n\nTabela zdarzeń, to taka tabela, w której każdy wiersz odpowiada jednemu zdarzeniu ze wszystkimi atrybutami zebranymi na podstawie implementacji na stronie lub w aplikacji. W ten sposób zrzucane są dane Google Analytics 4, w chwili gdy uruchomimy funkcję ich eksportu do Google BigQuery. Pozwala ona bardzo szczegółowo przeglądać wszystkie parametry zdarzeń.\n\n\n\n![Google Analytics 4 BigQuery Screen Events Table](https://a.storyblok.com/f/46798/901x472/bc104a0435/google-analytics-4-bigquery-events-table.png)\n\n\n\nTabela sesji, to taka tabela, w której każdy wiersz odpowiada jednej sesji - znajdują się tam pogrupowane i obliczone informacje w oparciu o wszystkie zdarzenia, które wystąpiły w tabeli events.\n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/697x230/acfeb88331/google-analytics-4-bigquery-sessions-table.png\">\n\u003C/div>\n\n\n\n### Dlaczego zdecydowaliśmy się na utworzenie tabeli sesji?\n\n\n\nKluczową sprawą było dostarczenie stosunkowo lekkiej tabeli do narzędzi odpowiedzialnych za wizualizację danych. Tabela sesji, ze względu na to, że posiada zagregowane i przeliczone wartości, zajmuje znacznie mniej miejsca w porównaniu do tabeli events.\n\n\n\n\nDla przykładu tabela events, która miała w sobie 850 000 zdarzeń, miała wagę 1.5 GB.\nTabela sesji, która została utworzona na podstawie tych zdarzeń miała raptem 52 000 wierszy i jej waga wynosiła 83 MB. \n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/627x203/392bc8ddec/google-analytics-4-bigquery-events-vs-sessions-table.png\">\n\u003C/div>\n\n\n\nWszystkie narzędzia do wizualizacji zintegrowane z Google BigQuery wykonują zapytanie SQL, o czym pisaliśmy w naszym pierwszym artykule tutaj. Odpytując mniejszą tabelę, \u003Cb>wizualizacje działają znacznie szybciej i taniej.\u003C/b>\n\n\n\nPrzygotowując tabelę sesji pomyśleliśmy o obliczeniu najbardziej popularnych metryk wykorzystywanych przy różnych raportach oraz o dodaniu informacji o źródłach kampanii, gelokalizacji, urządzeniach czy też wszystkich informacjach dotyczących transakcji. W związku z tym zyskujemy znacznie lżejszą tabelę, z wciąż bardzo bogatymi informacjami, bez konieczności pisania dodatkowych zapytań SQL odnoszących się do tabeli events. \n\n\n\n![Google Analytics 4 BigQuery - WitCloud Sessions Table](https://a.storyblok.com/f/46798/1030x643/d16245bda9/google-analytics-4-witcloud-sessions-table.png)\n\n\n\n### Moduł dostarcza 3 tabele sesji w modelach tj. Google Analytics 4, Universal Analytics Cross-Device oraz Universal Analytics Device\n\n\n\nNa podstawie wyżej opisanych przykładów w sekcji dotyczącej tabeli “events”, wiemy już, że każdy model tj. Google Analytics 4, Universal Analytics Cross-Device oraz Universal Analytics Device, będzie mógł mieć różną liczbę sesji oraz różne źródła ruchu. Dlatego też postanowiliśmy stworzyć 3 tabele dla poszczególnych modeli, które mają taki sam schemat pól (metryk i wymiarów).\n\n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/442x339/12294d8207/google-analytics-4-bigquery-sessions-witcloud-3-models.png\">\n\u003C/div>\n\n\n\n### Tabele sesji uwzględniają konwersje walut dla sklepów sprzedających na wielu rynkach\n\n\n\nJeżeli na naszej stronie lub w aplikacji użytkownicy mogą dokonywać zakupów w różnych walutach, musimy zadbać o przekonwertowanie wartości do waluty, która została ustawiona w ustawieniach danej usługi. Wymaga to pobierania kursu waluty z danego dnia poprzez API i utworzenia dodatkowych pól obliczeniowych. Postanowiliśmy więc ułatwić to zadanie i automatycznie przekonwertować wartości dla transakcji i produktów w naszej tabeli sesji, zgodnie z ustaloną walutą w ustawieniach administracyjnych Google Analytics 4.\n![Google Analytics 4 BigQUery - Convert Currency Automatically](https://a.storyblok.com/f/46798/1043x207/9d890497d2/google-analytics-4-bigquery-atomation-currency-conversion.png)\n\n\n\n![Google Analytics 4 BigQuery Currency Converted Fields](https://a.storyblok.com/f/46798/756x475/b685923dbf/google-analytics-4-bigquery-currency-converted-fields.png)\n\n## Google Analytics 4 BigQuery - atrybucja konwersji [Atrybucja konwersji]\n\n\n\n### Atrybucja źródeł ruchu w Google BigQuery\n\n\n\nPosiadając dane Google Analytics 4 w BigQuery, które zostały wzbogacone o źródła ruchu w różnych modelach, nie mogliśmy się powstrzymać od przygotowania dodatkowych tabel zawierających atrybucję kanałów marketingowych. Tak jak w przypadku tabeli sesji, uwzględniliśmy tutaj tabele w 3 modelach tj. Google Analytics 4 Cross Device, Google Analytics Universal Cross Device i Google Analytics Universal Device. \n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/338x259/d0cf856eaa/google-analytics-4-bigquery-attribution.png\">\n\u003C/div>\n\n\n\nAtrybucja jest wykonywana dla wszystkich zdarzeń, które zostały oznaczone jako konwersja w panelu Google Analytics. \n\n\n\n![Google Analytics 4 Conversions Events](https://a.storyblok.com/f/46798/1125x264/7156f7749f/google-analytics-4-conversions.png)\n\n\n\n### Co zawierają tabele atrybucji?\n\n\n\nTabele atrybucji zawierają w sobie informacje na temat ścieżek konwersji w 5 modelach atrybucji tj. last click non direct, first click, linear, position based oraz timedecay. \n\n\n\n![Google Analytics 4 BigQuery - Attribution Calculation Table Schema](https://a.storyblok.com/f/46798/998x617/a92fa0d1a5/google-analytics-4-bigquery-attribution-table-schema-desc.png)\n\n\n\nDane pozwalają na szczegółową analizę wszystkich ścieżek użytkowników prowadzących do konwersji. Posiadając obliczoną punktację dla każdego modelu możemy pomnożyć wagę (attribution_score) przez wartość konwersji i uzyskać dokładny wynik w celach raportowych.\n\n\n\n![Google Analytics 4 BigQuery - Attribution Conversion Paths Example](https://a.storyblok.com/f/46798/903x149/2867ea71dc/google-analytics-4-bigquery-attribution-conversion-paths-example.png)\n\n\n\nJeżeli naszą konwersją jest zdarzenie “purchase”, w tabeli odnajdziemy również wszystkie informacje o transakcjach i sprzedawanych produktach. Daje to wiele dodatkowych możliwości np. możemy połączyć na podstawie identyfikatora transakcji oraz produktu, dane z CRM na temat zysku i sprawdzić, które kanały marketingowe wspierają konkretne grupy produktów na ścieżce zakupowej. \n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/649x353/edebcd629f/google-analytics-4-bigquery-attribution-products.png\">\n\u003C/div>\n\n\n\n## Moduł Google Analytics 4 BigQuery w WitCloud - zacznij swoją przygodę analityczną w 30 minut [Moduł WitCloud]\n\n\n\n### Konfiguracja eksportu danych w Google BigQuery i utworzenie konta w platformie WitCloud\n\n\n\nPrzygodę z wyżej opisanymi danymi można rozpocząć w mniej niż 30 minut. Potrzebny jest do tego projekt na Google Cloud Platform oraz uruchomiony eksport danych Google Analytics 4 do BigQuery.\nJeżeli zakładamy konto rozliczeniowe w Google Cloud Platform po raz pierwszy, na start dostaniemy 300$ do wykorzystania przez pierwsze 90 dni. \n\n\n\n[Instrukcja założenia projektu na Google Cloud Platform](https://witbee.com/pl/docs/start/how-to-start/#za%C5%82ozenie-projektu-google-cloud-platform)\n[Instrukcja uruchomienia eksportu danych Google Analytics 4 do BigQuery](https://support.google.com/analytics/answer/9823238?hl=en&ref_topic=9359001#step3&zippy=%2Cin-this-article)\n\n\n\nKolejnym krokiem jest założenie konta i projektu w platformie WitCloud. Oferujemy okres próbny, który trwa 14 dni. Biorąc więc pod uwagę 300$ na start od Google oraz nasz okres próbny, analizę danych można rozpocząć za darmo. \n\n\n\n[Instrukcja założenia projektu na platformie WitCloud](https://witbee.com/pl/docs/start/how-to-start/#za%C5%82ozenie-konta-i-utworzenie-projektu-w-witcloud-platform)\n\n\n\n\n\u003Cimg alt='Google Cloud Free Trial & WitCloud Free Trial' src='https://a.storyblok.com/f/46798/358x307/3102ae6e2f/google-cloud-witcloud.png' style='margin-left:auto;margin-right:auto;width:60%;display:block' \\>\n\n\n\n### Uruchomienie modułu Google Analytics 4 i innych integracji\n\nPlatforma WitCloud potrafi automatycznie pobierać i procesować dane w BigQuery nie tylko dla systemu Google Analytics 4, ale również dla popularnych systemów reklamowych, platform e-commerce, danych search console oraz arkuszy Google. \n\n\n\nW pierwszej kolejności rekomendujemy uruchomienie modułów:\n\n\n\n- [Google Ads](https://witbee.com/pl/docs/collect/google-ads-to-bigquery/) - w celu późniejszego połączenia danych o kampaniach Google Ads z modułem GA4\n- [Google Analytics 4 BigQuery](https://witbee.com/pl/docs/collect/google-analytics-4-bigquery/) - w celu uzyskania tabel omawianych w artykule\n\n\n\nW następnym etapie sugerujemy skonfigurować pozostałe źródła marketingowe:\n\n\n\n- [Systemy marketingowe](https://witbee.com/pl/witcloud/integracje?cat=Ad%2520System)\n- [Platformy e-commerce](https://witbee.com/pl/witcloud/integracje?cat=Ecommerce)\n\n\n\n![WitCloud Platform - All Marketing Data in Google BigQuery ](https://a.storyblok.com/f/46798/926x403/765588f1d0/witcloud-all-integration.png)\n\n\n\nJeżeli zdecydujesz się spróbować i pojawią się jakiekolwiek trudności podczas aktywacji integracji nie wahaj się zadać nam pytania poprzez chat znajdujący się w prawym dolnym rogu na stronie.\n\n\n","Prosta i szybka analiza danych z Google Analytics 4 w BigQuery dzięki platformie WitCloud. Tabele sesji, atrybucja kanałów marketingowych i więcej.",{"id":842,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":843,"copyright":19,"fieldtype":21,"meta_data":844,"is_external_url":32},190527407462478,"https://a.storyblok.com/f/296300/900x600/abccb0f082/10-ga4-bigquery-ready-data.png",{},[],[],"2025-02-25 00:00",[],"google-analytics-4-bigquery-traffic-sources-sessions-attribution-marketing-costs-and-ready-data-for-analysis","pl/content/knowledge/google-analytics-4-bigquery-traffic-sources-sessions-attribution-marketing-costs-and-ready-data-for-analysis",0,[],191213970958235,"c4d63873-b48c-4c11-8717-9675a264ef31",[],{"name":857,"created_at":858,"published_at":254,"updated_at":859,"id":860,"uuid":861,"content":862,"slug":903,"full_slug":904,"sort_by_date":177,"position":851,"tag_list":905,"is_startpage":32,"parent_id":812,"meta_data":177,"group_id":906,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":907,"default_full_slug":177,"translated_slugs":177},"Jak wdrożyć automatyzację raportowania w e-commerce","2026-06-22T18:55:18.386Z","2026-08-21T07:00:42.881Z",190320305753351,"6401d6f9-942a-43c3-89c9-dded10560db9",{"_uid":863,"title":864,"content":865,"eyebrow":746,"showTOC":39,"category":747,"readTime":19,"subtitle":866,"component":279,"heroImage":867,"meta_tags":871,"meta_title":872,"heroButtons":873,"updatedDate":877,"bottomBlocks":878},"raportowanie-content-page","Koniec z czekaniem. Jak wdróżyć automatyzację raportowania w e-commerce","## Dlaczego warto to zobaczyć? [Dlaczego warto?]\n\nBez sprawnego systemu raportowania:\n\n- Czekasz tydzień na raport o „prawdziwym ROAS” — zamiast podejmować decyzje w 10 minut\n- Marketing, Finanse i Sprzedaż kłócą się, czyje dane są „bardziej prawdziwe” — Syndrom Wielu Prawd\n- Twój biznes uderzył w „szklany sufit” analityczny — każdy nowy rynek lub kanał reklamowy to nowy chaos w Excelach\n- Nie możesz wdrożyć AI, bo fundamenty danych są zbyt chaotyczne\n\nNa tym webinarze pokażemy Ci sprawdzony system, który to zmienia.\n\n## Czego się nauczysz? [Program]\n\nPodczas tego webinaru nie będziemy lać wody. Pokażemy Ci konkretną metodologię i system, który pozwoli Ci zbudować jedno, centralne źródło prawdy.\n\n1. **Hurtownia Danych bez Tajemnic** — Zrozumiesz, o co w tym wszystkim chodzi. Pokażemy Ci, dlaczego hurtownia danych to nie „drogi projekt IT”, ale niezbędny, strategiczny fundament do skalowania e-commerce i wdrożenia AI.\n2. **Koniec z „Charnymi Skrzynkami”** — Udowodnimy, dlaczego „wynajmowanie” danych od narzędzi SaaS (jak GA4, Ads, CRM) to strategiczny błąd. Zrozumiesz, dlaczego własność danych to jedyna droga do pełnej kontroli i elastyczności.\n3. **Raportowanie Wielorynkowe (Case Study)** — Zobaczysz, jak nasz klient dzięki tej metodzie skaluje raportowanie na 12+ rynków. Dowiesz się, jak uniknąć „mnożenia chaosu” przy dodawaniu kolejnych walut i krajów.\n4. **3 Kluczowe Poziomy Danych** — Poznasz 3 poziomy danych: surowe (dane źródłowe), przetworzone (Datamart) i zwizualizowane (Looker). Zrozumiesz, dlaczego ten środkowy poziom (Datamart) to serce całego systemu.\n5. **Bezpieczeństwo i Pełna Kontrola** — Przejmując kontrolę nad danymi (np. na własnym projekcie Google Cloud), to Ty zarządzasz dostępem i bezpieczeństwem. Pokażemy Ci, jak to zrobić mądrze i zgodnie z regulacjami.\n6. **Plan na Jedno Źródło Prawdy** — Pokażemy Ci architekturę i kroki, które pozwolą Ci zbudować centralne źródło prawdy – łączące dane ze wszystkich Twoich systemów (GA4, Ads, CRM) w jednym, spójnym miejscu.\n\n## Prelegent [Prelegent]\n\n**Krzysiek Modrzewski** — Czołowy polski ekspert analityki i strategii marketingowej z ponad 15-letnim doświadczeniem. Współtwórca Marketing Masters oraz Witbee.\n\n- **Praktyk, nie teoretyk:** Pomaga firmom przekształcać chaos w danych w realne zyski (podcast „Od Danych Do Zysku”) i współtworzył projekty edukacyjne, które przyciągnęły ponad 100 000 uczestników.\n- **Zna Twój ból:** Sam przeszedł drogę od „poraliżu decyzyjnego” do automatyzacji.\n- **Ma gotowe rozwiązanie:** Na tym webinarze podzielił się systemem, który sam musiał zbudować, aby wyjść z „pieka analitycznego”.\n\n## Czy ten webinar jest dla Ciebie? [Dla kogo?]\n\n**✅ TAK, to jest dla Ciebie, jeśli:**\n- Jesteś Dyrektorem E-commerce, CMO lub Właścicielem i masz dość podejmowania decyzji „na czuja”, bo na twarde dane o „prawdziwym ROAS” czekasz tydzień\n- Jesteś Szefem Analityki lub Liderem Zespołu Data i widzisz, jak Twój zespół utknął w byciu „fabryką raportów”, zamiast zajmować się strategiczną analizą\n- Czujesz, że Twój biznes uderzył w „szklany sufit” analityczny – dodanie nowego rynku lub kanału reklamowego powoduje wykładniczy wzrost chaosu w Excelach\n- Masz dość „Syndromu Wielu Prawd” (Marketing, Finanse i Sprzedaż pokazują inne liczby) i chcesz zbudować jedno, centralne źródło prawdy\n- Chcesz realnie przygotować firmę na wdrożenie AI, a nie tylko o tym rozmawiać, i rozumiesz, że musisz najpierw posprzątać dane\n\n**❌ NIE, to NIE jest dla Ciebie, jeśli:**\n- Dopiero zaczynasz przygódę z e-commerce i masz jeden sklep, jeden rynek i jeden kanał reklamowy (Twój problem nie jest jeszcze wystarczająco duży)\n- Szukasz podstawowego szkolenia z „jak zainstalować GA4” lub „jak działa Looker Studio” (mówimy o strategii i architekturze, nie o klikaniu w interfejsie)\n- Oczekujesz „magicznego przycisku”, który rozwiąże wszystko w 5 minut bez żadnego wysiłku i zmiany w podejściu do danych\n\n## Masz wybór: Chaos lub Kontrola [Twój wybór]\n\nMożesz dalej tkwić w „Piekle Analitycznym”, co tydzień czekać na raport o „prawdziwym ROAS” i podejmować strategiczne decyzje „na czuja”, bo kluczowy analityk jest na urlopie.\n\n**Albo** możesz poświęcić 60 minut, aby zobaczyć sprawdzony system, który:\n\n- ✅ **Daje Ci jedno, centralne źródło prawdy**\n- ✅ **Odblokowuje skalowanie na nowe rynki** bez chaosu\n- ✅ **Realnie przygotowuje Twoją firmę na wdrożenie AI**\n\nZobacz, jak wyjść z chaosu danych i odzyskać czas na analizę.","Bezpłatny webinar dla menedżerów, dyrektorów i właścicieli e-commerce.\n\u003Cbr>\u003Cb>Pokażemy, jak zautomatyzować raportowanie, by podejmować decyzje w 10 minut – a nie czekać na dane tydzień.\u003C/b>\nObejrzyj nagranie w dowolnym czasie.\u003Cbr>\n\u003Cb>Dla menedżerów, dyrektorów, właścicieli i C-level e-commerce\u003C/b>",{"id":868,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":869,"copyright":19,"fieldtype":21,"meta_data":870,"is_external_url":32},190524925466467,"https://a.storyblok.com/f/296300/900x600/584f3959ea/08-automate-reporting.png",{},[],"Automatyzacja raportowania w e-commerce — Hurtownia Danych i prawdziwy ROAS",[874],{"_uid":875,"href":758,"size":511,"text":876,"target":29,"variant":31,"component":33,"showArrow":39},"raportowanie-cta-1","Obejrzyj webinar teraz","2025-12-11 00:00",[879],{"_uid":880,"steps":881,"header":897,"systems":898,"anchorId":797,"component":799,"buttonText":899,"description":900,"progressStyle":30,"privacyPolicyLink":901,"privacyPolicyText":804,"getResponseCampaignId":902,"privacyPolicyLinkText":807},"2bdbb7ef-2f44-49d5-abcb-a95c9ed1a61e",[882],{"_uid":883,"title":769,"fields":884,"component":788},"bd6b9560-59b2-47ec-bf65-5617007505c8",[885,887,889,891,895],{"_uid":886,"name":773,"type":532,"label":774,"required":39,"component":775,"fullWidth":32},"d022263a-4745-4adc-937e-2726736e307c",{"_uid":888,"name":778,"type":532,"label":779,"required":39,"component":775,"fullWidth":32},"7cfed848-ba87-4b24-9486-e33d31f6ad60",{"_uid":890,"name":782,"type":532,"label":783,"required":39,"component":775,"fullWidth":39},"b4028e08-a5c0-4f32-bcea-adb3d250d356",{"_uid":892,"name":893,"type":532,"label":894,"required":32,"component":775,"fullWidth":39},"877e17c4-0efb-4aab-b6e0-b7bfeb3c509e","website","Strona internetowa",{"_uid":896,"name":786,"type":786,"label":787,"required":39,"component":775,"fullWidth":39,"businessOnly":39},"af0b3f23-b957-4c06-9c44-958ad7ad84d0","Obejrzyj nagranie webinaru",[792,793,794],"Zarejestruj się, aby obejrzeć webinar","Wypełnij formularz, a link do nagrania dostaniesz od nas mailem. Wyjść z „pieka analitycznego” i skutecznie zautomatyzuj raportowanie w Twojej firmie.\n\u003Cbr>\u003Cbr>\n\u003Cb>Dostępne na żądanie — obejrzyj pełną sesję w dowolnym czasie",{"id":803,"url":19,"linktype":138,"fieldtype":46,"cached_url":154,"prep":39},"iNpAF","jak-wdrozyc-automatyzacje-raportowania-w-e-commerce","pl/content/webinars/jak-wdrozyc-automatyzacje-raportowania-w-e-commerce",[],"9d12baf0-d76b-4563-bf79-3ee35b17a219",[],{"name":909,"created_at":910,"published_at":254,"updated_at":911,"id":912,"uuid":913,"content":914,"slug":932,"full_slug":933,"sort_by_date":177,"position":851,"tag_list":934,"is_startpage":32,"parent_id":935,"meta_data":177,"group_id":936,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":937,"default_full_slug":177,"translated_slugs":177},"Case Study: Unitrailer x WitCloud","2026-06-22T13:52:15.776Z","2026-08-21T07:00:42.243Z",190245829793290,"1aaab420-9db3-4222-b644-d7ca2987c5c2",{"_uid":915,"title":916,"content":917,"eyebrow":909,"showTOC":39,"category":918,"readTime":19,"subtitle":919,"component":279,"heroImage":920,"meta_tags":924,"meta_title":916,"heroButtons":929,"updatedDate":930,"bottomBlocks":931},"dd37c425-203a-498b-bf7c-87696943c328","25 rynków, blisko 100 źródeł danych: Jak Unitrailer zamienił chaos danych w paliwo do rozwoju","## O kliencie\n\n![](https://a.storyblok.com/f/296300/1999x265/5f88a993bc/logo_unitrailer.png)\n\n\n[**Unitrailer**](https://unitrailer.pl/) to europejski lider w sprzedaży przyczep samochodowych oraz części i akcesoriów. Firma działa w modelu e-commerce i obsługuje wiele rynków jednocześnie, prowadząc kampanie reklamowe oraz analitykę na kilkudziesięciu różnych kontach i platformach.\n\nRosnąca skala działalności sprawiła, że istniejący model przetwarzania danych wymagał automatyzacji procesów.\n\n---\n\n## Wyzwanie\n\nDynamiczna ekspansja Unitrailer na **25 rynków** europejskich wygenerowała gigantyczną złożoność danych.\n\nFirma musiała zarządzać wielowymiarową matrycą danych marketingowych, analitycznych i sprzedażowych. Obejmowało to:\n\n* **- Systemy analityczne i reklamowe:** Konta Google Analytics 4, Google Ads, Meta Ads, TikTok Ads, Bing Ads, Criteo oraz Google Search Console.  \n* **- Systemy e-commerce i CRM:** Platforma IdoSell, zawierająca dane o sprzedaży i produktach ze wszystkich rynków oraz innych platform marketplace.  \n* **- Dane z Marketplace:** Szczegółowe dane z Allegro, w tym informacje o kosztach aukcji i sprzedaży w nich generowanych.\n\nW sumie dało to blisko **100 różnych źródeł danych**.\n\n**Biznesowym wąskim gardłem był analityczny chaos, czyli ręczna praca:** \n\nZespół spędzał ogromną ilość czasu na ręcznym łączeniu danych z różnych systemów , aby stworzyć choćby proste raporty (np. podsumowanie wydatków marketingowych).\n\n\u003Cbr>\n\u003Cdiv style=\"border-radius: 25px; overflow: hidden; width: fit-content; margin: 0 auto;\">\n    \u003Cimg src=\"https://a.storyblok.com/f/296300/1024x718/77dc329b1f/unitrailer_example_mess.webp\" style=\"display: block; width: 100%; height: auto; margin: 0; padding: 0; border: none;\"/>\n\u003C/div>\n\n\n\n\n## 💡 Rozwiązanie: Automatyczna Platforma Danych WitCloud\n\nUnitrailer potrzebował zredukować ilość czasu potrzebną na przygotowywanie danych do podejmowania decyzji. W tym celu zdecydowano się na wdrożenie WitCloud jako centralnego systemu do automatycznej integracji, przetwarzania i modelowania danych.\n\n1. **Automatyzacja 100 źródeł bez kodowania:** WitCloud automatycznie połączył wszystkie 100 źródeł danych. Całość odbyła się **bez pisania kodu**, dzięki gotowym konektorom.  \n2. **Automatyczne transformacja chaosu w gotowe dane:** WitCloud nie tylko zrzuca 800 surowych tabel do jednego miejsca jakim jest BigQuery, w następnych krokach automatycznie przetwarza dane, unifikuje je i buduje z nich **lekkie,  małe i zagregowane** tabele (datamarty) tak aby odpowiadały one na potrzeby biznesowe i były możliwe do użycia w wizualizacjach. Takie podejście znacząco obniża również koszty odpytywania danych z bazy danych.   \n3. **Jeden, Spójny Raport:** Całość została udostępniona w jednym, spójnym raporcie znajdującym się w Looker Studio, dając pełen obraz biznesu.  \n4. **Infrastruktura \"na autopilocie\":** Cały proces działa w pełni automatycznie, 24/7, od pobrania danych, przez monitorowanie błędów, po utrzymanie infrastruktury.\n\n![](https://a.storyblok.com/f/296300/1666x707/a357a36d79/multicountry_reporting.png)\n\n\n## Rezultaty\n\n#### \n\n#### 1\\. Redukcja kosztów analityki i decyzje biznesowe w sekundy, a nie dni\n\nRaporty, które wcześniej wymagały **wielogodzinnego** **i** **ręcznego łączenia arkuszy xls** (np. podsumowanie wydatków marketingowych, danych Google Analytics 4 czy sprzedaży z CRM dla wszystkich rynków), teraz wykonują się w kilka sekund. Dane są zawsze gotowe \"pod ręką\", dla wszystkich rynków.\n\n#### 2\\. Pełna Analiza Produktowa Między Rynkami\n\nFirma zyskała błyskawiczną możliwość analizy **całej oferty produktowej i sprzedaży** (z IdoSell, Allegro i innych systemów) w jednym miejscu. Pozwala to na strategiczne decyzje dotyczące asortymentu na poszczególnych rynkach.\n\n#### 3\\. Zespół Skupiony na Wzroście, nie na \"Gaszeniu Pożarów\"\n\nGdy firma przestaje marnować czas na pytanie \"Ile było?\", a zaczyna dyskutować \"Co robimy dalej?\" – to znak, że przeszła od chaosu do strategii. Specjaliści i analitycy przestają być \"bramkarzami\" danych, a stają się strategicznymi partnerami dla biznesu. \n\n#### 4\\. Fundament pod AI gotowy od zaraz\n\nZamiast ciężkich tabel, powstały **lekkie, zoptymalizowane i uporządkowane zestawy danych**, które są gotowe do wykorzystania przez modele AI. \n\n## Opinia klienta\n\n\n\u003Cdiv style=\"font-family: system-ui, -apple-system, sans-serif; padding: 60px 20px; text-align: center; background: linear-gradient(115deg, #ffffff 50%, #eff6ff 50.1%); color: #111827; width: 900px; max-width: 100%; margin: 30px 0;\">\n \u003Cdiv style=\"display: inline-flex; align-items: center; margin-bottom: 40px; color: #4f46e5; max-width: 300px;\">\n\u003Cimg src=\"https://a.storyblok.com/f/296300/1999x265/5f88a993bc/logo_unitrailer.png\">\n\n  \u003C/div>\n\n  \u003Cp style=\"font-weight: 600; font-size: 22px; color: #111827; line-height: 1.5; max-width: 800px; margin: 0 auto 40px auto;\">\n    “Bez tych danych żyć się nie da”\n  \u003C/p>\n\n  \u003Cdiv style=\"font-size: 16px;\">\n    \u003Cspan style=\"font-weight: 700; color: #111827;\">Bartosz Nawrocki\u003C/span>\n    \u003Cspan style=\"color: #9ca3af; margin: 0 8px;\">•\u003C/span>\n    \u003Cspan style=\"color: #6b7280;\">Menadżer e-commerce w Unitrailer\u003C/span>\n  \u003C/div>\n\n\u003C/div>\n\n## Podsumowanie\n\nDzięki WitCloud firma Unitrailer przeszła z rozproszonego, kosztownego i trudnego w utrzymaniu ekosystemu danych do nowoczesnej infrastruktury:\n\n* **- w pełni zautomatyzowane raporty dostępne na żądanie, a nie na zamówienie**\n\n* **- procesy zoptymalizowane kosztowo**,\n\n* **- dane gotowe pod promptowanie z modelami AI**\n\nTo nie jest zwykłe „raportowanie” — to **data platform** wspierająca ekspansję i szybkie decyzje biznesowe.\n\n\n\n\u003Cdiv style=\"\n    background-color: #f9fafb; \n    border-radius: 16px; \n    padding: 32px 0; \n    font-family: system-ui, -apple-system, sans-serif;\n    display: flex; \n    flex-wrap: wrap; \n    align-items: center; \n    justify-content: center;\n    width: 100%;\nmargin-top: 40px;\n\">\n\n  \u003Cdiv style=\"flex: 1; min-width: 150px; text-align: center; border-right: 1px solid #e5e7eb; padding: 10px;\">\n    \u003Cdiv style=\"font-size: 24px; font-weight: 700; color: #111827; margin-bottom: 4px;\">25 \u003C/div>\n    \u003Cdiv style=\"font-size: 14px; font-weight: 500; color: #6b7280;\">rynków\u003C/div>\n  \u003C/div>\n\n  \u003Cdiv style=\"flex: 1; min-width: 150px; text-align: center; border-right: 1px solid #e5e7eb; padding: 10px;\">\n    \u003Cdiv style=\"font-size: 24px; font-weight: 700; color: #111827; margin-bottom: 4px;\">100\u003C/div>\n    \u003Cdiv style=\"font-size: 14px; font-weight: 500; color: #6b7280;\">różnych źródeł danych\u003C/div>\n  \u003C/div>\n\n  \u003Cdiv style=\"flex: 1; min-width: 150px; text-align: center; border-right: 1px solid #e5e7eb; padding: 10px;\">\n    \u003Cdiv style=\"font-size: 24px; font-weight: 700; color: #111827; margin-bottom: 4px;\">800\u003C/div>\n    \u003Cdiv style=\"font-size: 14px; font-weight: 500; color: #6b7280;\">surowych tabel\u003C/div>\n  \u003C/div>\n\n  \u003Cdiv style=\"flex: 1; min-width: 150px; text-align: center; padding: 10px;\">\n    \u003Cdiv style=\"font-size: 24px; font-weight: 700; color: #111827; margin-bottom: 4px;\">1\u003C/div>\n    \u003Cdiv style=\"font-size: 14px; font-weight: 500; color: #6b7280;\">zautomatyzowany raport\u003C/div>\n  \u003C/div>\n\n\u003C/div>\n\n\u003Ca href=\"https://unitrailer.pl/\" target=\"_blank\">Zapraszamy do zapoznania się ze stroną Unitrailer\u003C/a>","case-study","Biznesowym wąskim gardłem był analityczny chaos, czyli ręczna praca: Zespół spędzał ogromną ilość czasu na ręcznym łączeniu danych z różnych systemów , aby stworzyć choćby proste raporty (np. podsumowanie wydatków marketingowych).",{"id":921,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":922,"copyright":19,"fieldtype":21,"meta_data":923,"is_external_url":32},190524925491044,"https://a.storyblok.com/f/296300/900x600/aa3fffa6ba/05-unitrailer-case-study.png",{},[925],{"_uid":926,"name":927,"content":928,"component":246},"f34609f1-8fcd-404a-aa30-9063d2f22e22","Meta Og Image","https://a.storyblok.com/f/296300/1200x628/1cc35d5e85/head_en.png",[],"2025-11-25 00:00",[],"case-study-unitrailer-x-witcloud","pl/content/case-studies/case-study-unitrailer-x-witcloud",[],191214038452126,"a0fb85b3-7295-42e0-b7e8-37adf5dfc33d",[],{"name":939,"created_at":940,"published_at":254,"updated_at":941,"id":942,"uuid":943,"content":944,"slug":957,"full_slug":958,"sort_by_date":177,"position":959,"tag_list":960,"is_startpage":32,"parent_id":853,"meta_data":177,"group_id":961,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":962,"default_full_slug":177,"translated_slugs":177},"Google Analytics 4 [GA4] BigQuery - 9 challenges to surprise you in data analysis","2026-06-23T08:28:33.008Z","2026-08-21T07:00:43.184Z",190520168536775,"cbd46d2c-d585-4da6-91ea-754c8fc8b69b",{"_uid":945,"title":946,"content":947,"eyebrow":19,"showTOC":39,"category":226,"readTime":19,"subtitle":948,"component":279,"heroImage":949,"meta_tags":953,"meta_title":954,"heroButtons":955,"updatedDate":847,"bottomBlocks":956},"b6f75232-4b82-49d2-845a-284ebf9d3c5d","Google Analytics 4 [GA4] BigQuery - 9 wyzwań, które Cię zaskoczy podczas analizy danych","## Kontynuacja serii wpisów o danych Google Analytics 4 [GA4] w BigQuery [Seria artykułów]\n\nArtykuł ten jest elementem z serii wpisów o Google Analytics 4 i eksporcie danych do Google BigQuery, składającym się z następujących pozycji:\n\n\n\n- [#1 Google Analytics 4 BigQuery - dlaczego warto korzystać ?](https://witbee.com/pl/blog/google-analytics-4-bigquery-dlaczego-warto-korzystac)  \n- [#2 Google Analytics 4 BigQuery - 9 wyzwań, które Cię zaskoczy podczas analizy danych](https://witbee.com/pl/blog/google-analytics-4-bigquery-9-wyzwan-ktore-cie-zaskoczy-podczas-analizy-danych )  (obecnie go czytasz)\n- [#3 Google Analytics 4 BigQuery - źródła ruchu, sesje, atrybucja, koszty marketingowe i gotowe dane do analiz](https://witbee.com/pl/blog/google-analytics-4-bigquery-zrodla-ruchu-sesje-atrybucja-koszty-marketingowe-i-gotowe-dane-do-analiz)\n\n\n\nW poprzednim wpisie [Google Analytics 4 BigQuery - dlaczego warto korzystać ?](https://witbee.com/pl/blog/google-analytics-4-bigquery-dlaczego-warto-korzystac) omówiliśmy szereg argumentów mówiących o tym dlaczego warto korzystać z eksportu danych Google Analytics 4 w BigQuery. \nPodczas interakcji z danymi możemy jednak napotkać na różne trudności o których warto wiedzieć wcześniej, zanim spędzimy wiele godzin nad detektywistyczną próbą ich pokonania. Postanowiliśmy więc napisać artykuł informacyjny o tych problemach - jest to zbiór naszych doświadczeń z projektów bazujących na eksporcie danych z Google Analytics 4. \n\n\n\n## Dane raportowane w Google BigQuery będą inne niż te, które widać w panelu Google Analytics 4 [GA4] [Dane inne niż w panelu]\n\nPierwszym zadaniem jakie sobie postawiliśmy podczas pracy z eksportem danych Google Analytics 4 w BigQuery było odtworzenie logiki raportów, które możemy znaleźć w interfejsie. W ten sposób możemy bardzo dużo się nauczyć i zrozumieć dokładnie jak dane metryki i wymiary są liczone oraz zwalidować poprawność naszych zapytań. \n\n\n\nTutaj zadanie okazało się utrudnione, gdyż zgodnie [z dokumentacją Google Analytics 4](https://support.google.com/analytics/answer/9191807?hl=pl) dane w panelu mogą się różnić od tych, które będziemy obliczać w BigQuery.\n\n\n\nNawet jak dane w panelu Google Analytics 4 pokazują, że nie są próbkowane, to liczba sesji i tak jest estymacją na podstawie liczby unikalnych identyfikatorów sesji. Więcej o tym można poczytać w tym miejscu: [Unique count approximation in Google Analytics](https://developers.google.com/analytics/blog/2022/hll)\n\n\n\n![How Google Analytics 4 Calculate Sessions](https://a.storyblok.com/f/46798/671x92/65aa7fa106/google-analytics-4-bigquery-number-of-sessions.png)\n\n\n\nW BigQuery najczęściej nie korzystamy z funkcji estymacji, w związku z tym możemy zauważyć różnice np. w liczbie sesji w porównaniu z wynikami podawanymi w raportach standardowych i eksploracyjnych czy też w Looker Studio. \n\n\n\nDostajemy więc poniższe rekomendacje od Google:\n\n\n\n- Jeżeli chcemy uzyskać dokładniejsze wyniki na podstawie nieprzetworzonych danych, powinniśmy użyć do tego eksportu danych w Google BigQuery\n- Jeżeli zależy nam na szybkim otrzymaniu wyników uwzględniając margines błędu, najlepiej sprawdzać je w raportach w panelu  \n\n\n\n![Google Analytics 4 BigQuery Data Precision](https://a.storyblok.com/f/46798/904x264/f30627a14d/google-analytics-4-bigquery-data-precision.png)\n\n## Informacje o źródłach kampanii - w BigQuery mamy obliczone tylko pierwsze źródło pozyskania użytkownika [Tylko pierwsze źródło]\n\nNajpopularniejszym raportem w Google Analytics Universal był niewątpliwie raport przedstawiający źródło/medium. Taki raport został również odtworzony w Google Analytics 4. Możemy go znaleźć w domyślnej sekcji Acquisition -> Traffic Acquisition. \n\n\n\n\n![Google Analytics 4 - Source/Medium Report](https://a.storyblok.com/f/46798/1780x780/a49616841d/google-analytics-4-source-medium-report.png)\n\n\n\nW tym raporcie wykorzystywany jest wymiar o nazwie “Session source/medium”, który informuje nas o źródle pochodzenia danej sesji. \n\n\n\nPrzeglądając dane wyeksportowane do Google BigQuery dla  GA4 napotykamy pola nazwane traffic_source.source, traffic_source.medium, traffic_source.name (nazwa kampanii), które bardzo często są błędnie wykorzystywane do odtworzenia powyższego raportu. \n\n\n\n![Google Analytics 4 BigQuery traffic_source field example](https://a.storyblok.com/f/46798/752x63/4647884f9c/google-analytics-4-bigquery-traffic-source-example.png)\n\n\n\nProblem polega jednak na tym, że są to pola informujące nas o tym co wystąpiło w pierwszej kampanii od czasu pozyskania tego użytkownika, a nie o źródle, które wystąpiło w danej sesji, tak jak możemy to przeglądać w raportach i wymiarze “Session source/medium”.\n\n\n\n![Google Analytics 4 BigQuery traffic_source field description](https://a.storyblok.com/f/46798/986x327/0de56d0a96/google-analytics-4-bigquery-traffic-source-field-desc.png)\n\n\n\nKorzystając z tych pól w tabeli osiągniemy więc inny obraz niż w przypadku wymiaru “Session source / medium” w panelu.\n\n\n\n![Google Analytics 4 BigQuery traffic_source field path example](https://a.storyblok.com/f/46798/790x164/1ae9c65264/google-analytics-4-bigquery-traffic-source-field-behaviour.png)\n\n\n\n\u003Cspan style='color:red'>AKTUALIZACJA - poniższe parametry są aktualnie dostępne na poziomie parametrów zdarzeń oraz w kolumnach znajdujących się w grupie collected_traffic_source. Należy jednak pamiętać, że nie są to dane obliczone zgodnie z logikę wymiarów tj. Session source/medium/campaign\u003C/span>\n\n\n\nAby odtworzyć ten wymiar musimy wyciągnąć parametry kampanii z poziomu eventów, a następnie samemu obliczyć te dane zgodnie z logiką opisaną w dokumentacji dla wszystkich sesji: [[GA4] Scopes of traffic-source dimensions - Analytics Help ](https://support.google.com/analytics/answer/11080067?hl=en&ref_topic=11151952#zippy=%2Cin-this-article)\n\n\n\n![Google Analytics 4 BigQuery Campaign Parameters ](https://a.storyblok.com/f/46798/913x374/f97bc5ec82/google-analytics-4-bigquery-campaign-info.png)\n\n\n\n## Google Analytics 4 [GA4] wykonuje deduplikację na użytkownikach pomiędzy urządzeniami [Deduplikacja między urządzeniami]\n\n\n\nDużą rewolucją w Google Analytics 4 w porównaniu do Google Analytics Universal jest możliwość połączenia danych pomiędzy platformami/urządzeniami. Implementując usługę Google Analytics 4 na naszej stronie internetowej oraz w aplikacji mobilnej jesteśmy w stanie uzyskać jedno przejrzyste źródło analiz dla tych platform. \n\n\n\nDomyślnie Google Analytics dla każdego urządzenia/przeglądarki generuje “user_pseudo_id”, czyli nowe ciasteczko (strona internetowa) lub identyfikator (aplikacja mobilna). Na podstawie tego identyfikatora wykonywane są obliczenia niezbędne do przedstawienia wszystkich metryk i wymiarów w panelu. \nJeden użytkownik może odwiedzić naszą stronę lub aplikację z różnych urządzeń. Jeżeli odwiedzi nas na stronie internetowej na komputerze, następnie na stronie internetowej na urządzeniu mobilnym, a na końcu w aplikacji mobilnej to będzie identyfikowany jako 3 różnych użytkowników. \n\n\n\nJeżeli zdecydujemy się na włączenie usługi [Google Signals](https://support.google.com/analytics/answer/9445345?hl=pl&ref_topic=9303474#zippy=%2Ctematy-w-tym-artykule) lub implementację [funkcji User ID](https://support.google.com/analytics/answer/9213390?hl=pl) (np. własny identyfikator z bazy danych podczas logowania lub zakupu), Google Analytics przeprowadzi na Twoich danych deduplikację (na ile jest to możliwe w przypadku opcji Google Signals) , co wpłynie na liczbę użytkowników oraz atrybucję kanałów marketingowych. Dane możemy przeglądać na różnym poziomie (po deduplikacji lub bez deduplikacji) w zależności od naszych ustawień tożsamości w usłudze Google Analytics 4 - więcej o tym znajduje się tutaj: [[GA4] Tożsamość raportowania - Analytics - Pomoc ](https://support.google.com/analytics/answer/10976610?hl=pl)\n\n\n\n![Google Analytics 4 User Identity](https://a.storyblok.com/f/46798/1036x468/248ad8555a/google-analytics-4-user-identity.png)\n\n\n\nWarto jednak pamiętać, że dane Google Signals to dane, które Google potrafi połączyć z użytkownikami, którzy zalogowali się na swoje konta Google i mają włączoną personalizację reklam. Powiązanie tych danych z zalogowanymi użytkownikami umożliwia przedstawienie dokładniejszej liczby użytkowników w raportach. Ze względu na politykę prywatności użytkowników, firma Google nie może nam tych danych udostępnić, co wpływa również na rozbieżności w danych pomiędzy interfejsem, a raportach w Google BigQuery. Więcej o tym można poczytać tutaj: [[GA4] Aktywacja Google Signals w usługach Google Analytics 4](https://support.google.com/analytics/answer/9445345?hl=pl&ref_topic=9303474#zippy=%2Ctematy-w-tym-artykule)\n\n\n\n![Google Analytics 4 BigQuery Show More Users ](https://a.storyblok.com/f/46798/981x169/ee1df82f28/google-analytics-4-bigquery-export-show-more-users.png)\n\n\n\nWarto pamiętać - jeżeli mamy zaimplementowany parametr user_id na swojej witrynie lub aplikacji, wciąż możemy starać się odtworzyć deduplikację użytkowników w BigQuery - tylko w ten sposób osiągniemy poprawną liczbę użytkowników oraz prawidłową atrybucję źródeł ruchu do sesji zgodnie z logikę “Cross-Device”. \n\n\n\nZ problemem deduplikacji oraz potencjalnym rozwiązaniem można zapoznać się w artykule [Complex Deduplication in BigQuery | by Benjamin Campbell ](https://benjaminsky.medium.com/complex-deduplication-in-bigquery-a3c5e78dec2b)\n\n\n\n## Jeden identyfikator sesji (ga_session_id) może zostać przypisany do 2 różnych użytkowników [Jedno ID sesji, 2 użytkowników]\n\n\n\nW programowaniu intensywnie wykorzystuje się znaczniki czasu, czyli tzw. timestamp. \nDana ta pozwala określić moment, w którym zaszło określone zdarzenie.\nWartość takiego znacznika definiowana jest na podstawie “Unix Time”, czyli systemie reprezentacji czasu mierzącego liczbę sekund od początku 1970 roku.\n\n\n\nDla przykładu Timestamp 1672481243 reprezentuje datę i godzinę: 2022-12-31 10:07:23\nJest to więc 1672481243 sekund od początku 1970 roku. \n\n\n\nPrzeglądając dane Google Analytics 4 w BigQuery również mamy dużo kontaktu ze znacznikami czasu np. pole o nazwie event_timestamp zawiera liczbę mikrosekund od roku 1970.\n\n\n\nKiedy przyjrzymy się identyfikatorowi o nazwie “ga_session_id” zobaczymy, że jest to przybliżony czas pierwszego zdarzenia rozpoczynającego sesje.\n\n\n\n![Google Analytics 4 GA Session ID Duplication](https://a.storyblok.com/f/46798/739x124/c1db345336/google-analytics-4-bigquery-ga_session_id.png)\n\n\n\n\nW związku z tym, że kilku użytkowników może rozpocząć sesje w tym samym czasie (dokładnie w tej samej sekundzie), sam parametr tj. ga_session_id nie daje unikalnego identyfikatora sesji. W tym celu musimy połączyć user_pseudo_id czyli identyfikator użytkownika oraz ga_session_id, aby otrzymać unikalny identyfikator sesji do naszych obliczeń. Możemy to zrobić dzięki funkcji CONCAT.\n\u003Ccode >\nSELECT \n   CONCAT(user_pseudo_id, ga_session_id) as session_id\nFROM\n   your_google_analytics_4_events\n\u003C/code>\n\n\n\n\nPowstanie nam wtedy unikalny ciąg znaków oznaczający identyfikator danej sesji:\n\n\n\n\u003Cp style='text-align:center'>\u003Cspan style='color:green'>1020668977.1672354709\u003C/span>\u003Cspan style='color:red'>1672354709\u003C/span>\u003Cp>\n\n\n\nCiekawostka - jeżeli przyjrzymy się wartości user_pseudo_id i zobaczymy z czego jest ona złożona, również zauważymy w nim timestamp oznaczający datę utworzenia danego użytkownika. \n\n\n\n\u003Cp style='text-align:center'>\n1020668977.\u003Cspan style='color:red'>1672354709\u003C/span> = {{random number}} + “.” + {{user created timestamp}}\n\u003C/p>\n\n\n\n## Jeden identyfikator sesji może wystąpić w 2 różnych dniach [Jedno ID sesji, 2 dni]\n\n\n\nGoogle Analytics Universal tworzył nową sesję za każdym razem, gdy:\n\n\n\n- nie było interakcji przez więcej niż 30 min (na podstawie domyślnych ustawień) \n- w chwili, gdy zmieniały się parametry kampanii ( tj. utm, gclid, referral)\n- **w chwili, gdy sesja odbywała pomiędzy jednym a drugim dniem**\n\n\n\nPrzykładowo, jeżeli mieliśmy sytuację, w której użytkownik rozpoczął sesję o godz. 23:58, a zakupu dokonał nie odchodząc od komputera o godz. 00:05 następnego dnia, to Google Analytics Universal tworzył w takim przypadku 2 różne identyfikatory sesji - pierwsza trwała od 23:58 do 00:00 a druga od 00:00 do 00:05(zakładając, że zamknął przeglądarkę zaraz po zakupie).\n\n\n\nW przypadku Google Analytics 4 identyfikator sesji pozostanie ten sam pomiędzy jednym a drugim dniem. W związku z tym jeżeli będzie nam zależeć na policzeniu dokładnych metryk dla danej sesji, musimy pamiętać, aby w trakcie analiz brać pod uwagę również dane z dnia poprzedniego np. w celu sprawdzenia strony wejścia/docelowej dla danej sesji. Wpływa to na wielkość procesowanych danych i konieczność stosowania dodatkowych modyfikacji w zapytaniach SQL. \n\n\n\n## Adres url strony (page_location) może mieć maksymalnie 1000 znaków [URL do 1000 znaków]\n\n\n\n\u003Cspan style='color:red'>AKTUALIZACJA - ograniczenia limitu znaków dla parametru page_location zostały zmienione z 420 na 1000 znaków\u003C/span>\n\n\n\n\nJeżeli masz długie adresy url, wykorzystujące wiele parametrów to analiza tych danych w BigQuery może Cię zaskoczyć. Podczas jednego z projektów klient poprosił nas o analizę filtrów wybieranych przez użytkownika na podstawie parametrów znajdujących się w adresach url. Z optymizmem usiedliśmy do zadania, pisząc wyrażenia regularne pozwalające na ekstraktowanie parametrów z adresów url.\nPo krótkiej analizie, zauważyliśmy, że części parametrów nie ma lub często są ucinane w adresach url. Postanowiliśmy więc sprawdzić maksymalną długość adresów url i okazało się, że spora część ma zawsze 420 znaków - wszystkie te adresy miały ucięte parametry ze względu na długość. \n\n\n\n![Google Analytics 4 page_location max 420 characters](https://a.storyblok.com/f/46798/1020x110/421b49949a/google-analytics-4-page-location-max-420-characters.png)\n\n\n\nNasza rekomendacja: jeżeli wiemy, że dane parametry url będą dla nas bardzo istotne podczas analizy danych, powinniśmy je wtedy przekazać jako parametry zdarzenia. Pamiętajmy jednak, że page_location to parametr systemowy, który może mieć \u003Cs>420\u003C/s> 1000 znaków. W przypadku niestandardowych parametrów limit znaków wynosi 100. Więcej o limitach można przeczytaj tutaj: [[GA4] Event collection limits - Analytics Help](https://support.google.com/analytics/answer/9267744?hl=en)\n\n\n\n## Dane bez zgody analitycznej nie zawierają informacji o user_pseudo_id i ga_session_id [Dane bez zgody]\n\n\n\n\nJeżeli mamy poprawnie zaimplementowaną funkcję consent mode od Google, dane mogą trafiać do Google Analytics w różnej postaci. Jeżeli użytkownik nie wyraził zgody na jego identyfikację poprzez cookie, jego zdarzenia będą wysyłane do Google BigQuery, ale parametry tj. user_pseudo_id oraz session_id będą miały wartość null. Jeżeli planujemy więc podczas analiz wykorzystywać te dane do łączenia lub innych obliczeń warto o tym pamiętać, gdyż wiele danych może nam się zgrupować do jednego nieistniejącego użytkownika lub do jednej nieistniejącej sesji.\n\n\n\n![Google Analytics 4 BigQuery Consent Mode Data](https://a.storyblok.com/f/46798/861x675/3ffd4a1a5a/google-analytics-4-bigquery-consent-mode.png)\n\n\n\n## W chwili, gdy nasze transakcje trafiają do Google Analytics w różnych walutach, musimy zadbać o ich przeliczenie [Różne waluty]\n\n\n\nJeżeli na naszej stronie lub w aplikacji użytkownicy mogą dokonywać zakupów w różnych walutach, musimy zadbać o przekonwertowanie wartości do waluty, która została ustawiona w ustawieniach danej usługi.\nW przypadku przesyłania w implementacji parametru zdarzenia “currency”, Google Analytics 4 udostępnia nam dodatkowe pola, w których znajdują się automatycznie przekonwertowane dane do waluty USD. Niestety nie możemy nigdzie zdefiniować waluty, w której chcielibyśmy zrzucać dane do Google BigQuery. W związku z tym jeżeli mamy w swoich ustawieniach usługi wybraną walutę np. PLN, to w takim przypadku będziemy musieli ściągnąć do Google BigQuery informacje o kursie z danego dnia i samodzielnie przekonwertować te informację, aby móc odwzorować to co widzimy w panelu. \n\n\n\n\n![Google Analytics 4 BigQuery - Currency Conversion Value](https://a.storyblok.com/f/46798/952x188/e9b7084fe5/google-analytics-4-bigquer-currency-conversion.png)\n\n\n\n## Brak pełnych informacji o pełnych danych Google Ads oraz podatność na zmiany nazw kampanii [Ograniczenia danych Google Ads]\n\n\n\nW eksporcie danych Google Analytics Universal do BigQuery byliśmy przyzwyczajeni do bogatych informacji na temat kampanii Google Ads. \n\n\n\n![Google Analytics 4 BigQuery Missing Google Ads Data](https://a.storyblok.com/f/46798/718x575/99b5b1dfe4/google-analytics-4-bigquery-missing-google-ads-data.png)\n\n\n\nTak jak wcześniej wspomnieliśmy, w przypadku danych Google BigQuery mamy obliczone tylko 3 pola tj. traffic_source.source, traffic_source.medium oraz traffic_source.name i są to pola, które mówią o pozyskaniu użytkownika, a nie o źródłach danej sesji. \nW przypadku chęci wzbogacenia danych Google Analytics 4 o dodatkowe informacje z Google Ads między innymi identyfikator konta reklamowego, identyfikator kampanii, typ kampanii, musimy zadbać o zaciągnięcie tabel Google Ads do Google BigQuery, a dopiero w następnym kroku o połączenie ich za pomocą dodatkowych instrukcji SQL. Proces ten potrafi dosyć mocno rozbudowywać logikę zapytań, w związku z tym jest to kolejne utrudnienie, na które musimy być gotowi podczas eksploracji danych.\n\n\n\n## Podsumowanie\n\nGoogle Analytics 4 i możliwość eksportu danych do Google BigQuery to świetne rozwiązanie, dla wszystkich firm, które chcą podejmować sprawne decyzje na podstawie danych. Jeżeli chcemy jednak w pełni wykorzystać ich potencjał i działać zgodnie z najnowszymi praktykami związanymi z mierzeniem ruchu pomiędzy urządzeniami musimy poświęcić sporo czasu na przeprocesowanie tych danych (deduplikacja użytkowników, atrybucja źródeł ruchu, łączenie danych Google Ads). Musimy być również gotowi na rozbieżności danych pomiędzy panelem Google Analytics 4, a tym co dostaniemy jako wynik w Google BigQUery. \n\nNa szczęście większość problemów związanych z procesowaniem danych da się zautomatyzować - o tym jak do tego podeszliśmy napisaliśmy kolejny artykuł [“Google Analytics 4 BigQuery - sesje, atrybucja i gotowe dane do analiz”](https://witbee.com/pl/blog/google-analytics-4-bigquery-zrodla-ruchu-sesje-atrybucja-koszty-marketingowe-i-gotowe-dane-do-analiz). ","Podczas interakcji z danymi Google Analytics 4 [GA4] w BigQuery możemy napotkać różne trudności o których warto wiedzieć wcześniej, zanim spędzimy wiele godzin nad detektywistyczną próbą ich pokonania.",{"id":950,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":951,"copyright":19,"fieldtype":21,"meta_data":952,"is_external_url":32},190527407499343,"https://a.storyblok.com/f/296300/900x600/07a6ad8a1c/11-ga4-bigquery-9-challenges.png",{},[],"Google Analytics 4 [GA4] BigQuery - 9 wyzwań, które Cę zaskoczy podczas analizy danych",[],[],"google-analytics-4-bigquery-9-challenges-to-surprise-you-in-data-analysis","pl/content/knowledge/google-analytics-4-bigquery-9-challenges-to-surprise-you-in-data-analysis",10,[],"4f75bf07-79d3-4f9f-8ceb-37bdb2ff7e9c",[],{"name":964,"created_at":965,"published_at":254,"updated_at":966,"id":967,"uuid":968,"content":969,"slug":1004,"full_slug":1005,"sort_by_date":177,"position":959,"tag_list":1006,"is_startpage":32,"parent_id":812,"meta_data":177,"group_id":1007,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":1008,"default_full_slug":177,"translated_slugs":177},"Kontroluj cykl życia klienta — LTV, CAC, Atrybucja i AI","2026-06-22T18:50:43.201Z","2026-08-21T07:00:42.784Z",190319178599487,"e90ff14a-2c6f-4567-ade6-ee3a8046d10d",{"_uid":970,"title":964,"content":971,"eyebrow":746,"showTOC":39,"category":747,"readTime":19,"subtitle":972,"component":279,"heroImage":973,"meta_tags":977,"meta_title":978,"heroButtons":979,"updatedDate":982,"bottomBlocks":983},"webinar-klient-content-page","## Kim naprawdę jest Twój klient? [Kim jest Twój klient?]\n\nWyobraź sobie, że właśnie masz zamówienie od Stefana. Zarabiłeś na tym pieniądze — super. Ale...\n\n- Czy to jego pierwsze zamówienie, czy może piąte? Jest przypadkowym kupującym czy Twoim lojalnym „Złotym Klientem”?\n- Jaka jest jego historia? Kupuje regularnie, czy może właśnie udało Ci się go odzyskać po 2 latach nieobecności?\n- Skąd Stefan do Ciebie trafił i ile dokładnie kosztowało Cię pozyskanie tego konkretnego klienta?\n- I najważniejsze: Co musisz teraz zrobić, aby przekonać Stefana do kolejnego zakupu?\n\nPrzestań zgadywać. Podczas tego webinaru przeprowadzimy Cię przez biznesową analizę Twoich klientów i wskażemy konkretne strategie do wykorzystania.\n\n## 4-etapowy framework analizy klientów [Framework]\n\n### 1. Poznaj strukturę swoich klientów\n\n![Struktura klientów](https://a.storyblok.com/f/296300/1253x501/b895ff3318/diagram-klient-1-1.png)\n\nOdkryj rzeczywistą strukturę swojej bazy i dowiedz się, które grupy generują najwyższą wartość życiową (LTV) dla Twojego biznesu. Zidentyfikuj precyzyjnie, kim są Twoi odbiorcy – od jednorazowych nabywców po „złotych” klientów – aby wiedzieć, na kim skupić swoje zasoby.\n\n### 2. Poznaj przepływ swoich klientów\n\n![Przepływ klientów](https://a.storyblok.com/f/296300/1253x501/e18dc5fafe/diagram-klient-2.png)\n\nZrozum dynamikę swojej bazy i zobacz, jak Twoje decyzje marketingowe wpływają na migrację klientów między segmentami. Sprawdź, czy Twoje działania skutecznie zmieniają jednorazowych kupujących w lojalnych partnerów.\n\n### 3. Zidentyfikuj działania, które wpływają na Twoich klientów\n\n![Atrybucja i CRM](https://a.storyblok.com/f/296300/1253x501/32c97ec017/diagram-klient-3.png)\n\nPołącz dane atrybucyjne (np. z Google Ads) ze swoim CRM, aby odkryć, które kanały przyciągają najbardziej wartościowych użytkowników. Dowiedz się nie tylko skąd przychodzi ruch, ale czy Twoje kampanie pozyskują klientów „złotych” i lojalnych, czy tylko jednorazowych.\n\n### 4. Wykorzystaj AI do opracowania strategii\n\n![AI Strategia](https://a.storyblok.com/f/296300/1253x501/0a58df94e7/diagram-klient-4.png)\n\nPrzekształć surowe dane w konkretny plan działania wykorzystując sztuczną inteligencję do budowania strategii dla poszczególnych grup. Otrzymuj gotowe rekomendacje, aby precyzyjnie docierać do właściwych segmentów z najlepiej spersonalizowaną ofertą.\n\n## Czego się nauczysz? [Program]\n\nPodczas tego webinaru nie będziemy lać wody. Pokażemy Ci konkretne raporty, analizy oraz strategie marketingowe, które od razu będziesz mógł/a wykorzystać w swoim sklepie.\n\n1. **Różnić Użytkownika od Klienta** — Fundamentalna różnica między ulotnymi „sesjami” w Google Analytics a trwałymi rekordami w Twoim CRM. Dlaczego skupianie się na klientach to jedyna droga do stabilnego zysku.\n2. **Stosować segmentację RFM 2.0** — Nowoczesna metodologia dzielenia bazy: automatyczne grupowanie na podstawie recency, frequency i monetary value.\n3. **Analizować biznes przez kohorty** — Przestań patrzeć na „średną sprzedaż”. Analiza kohortowa pokaże Ci czarno na białym, czy jakość Twoich klientów rośnie, czy spada z miesiąca na miesiąc.\n4. **Liczyć prawdziwe LTV (Lifetime Value)** — Zrozumiesz, dlaczego CAC może być wyższy niż wartość pierwszego koszyka, o ile potrafisz policzyć i przewidzieć LTV.\n5. **Optymalizować cele kampanii** — Mając wiedzę o tym, jakich klientów pozyskujesz, lepiej dopasuj działania marketingowe do swoich celów biznesowych.\n6. **Wdrażać analitykę bez działu IT** — Zaawansowana segmentacja i łączenie danych bez armii programistów — system możliwy do wdrożenia w „ki lka kliknięć”.\n\n## Czy ten webinar jest dla Ciebie? [Dla kogo?]\n\n**✅ TAK, to jest dla Ciebie, jeśli:**\n- Jesteś Dyrektorem E-commerce, CMO lub Właścicielem i masz dość podejmowania decyzji „na czuja” lub w oparciu o niepełne dane GA4\n- Jesteś Szefem Analityki lub Liderem Zespołu Data i chciałbyś/ałabyś mieć dostęp do rzetelnych danych o swoich klientach i ich zachowaniach zakupowych\n- Chcesz znać prawdziwą kondycję swojego biznesu i na bieżąco analizować strukturę swoich klientów\n- Chcesz precyzyjnie planować działania marketingowe i docierać do klientów zamiast po prostu kupować kliknięcia\n- Chcesz poznać prawdziwą życiową wartość swoich klientów (LTV) i wykorzystać te informacje w swojej strategii rozwoju\n\n**❌ NIE, to NIE jest dla Ciebie, jeśli:**\n- Zaczynasz przygódę z e-commerce i dopiero zdobywasz pierwszych klientów — na tym etapie nie masz jeszcze wystarczająco dużo danych i budżetów, żeby wykorzystać proponowane rozwiązania\n\n## Prelegent [Prelegent]\n\n**Krzysiek Modrzewski** — Czołowy polski ekspert analityki i strategii marketingowej z ponad 15-letnim doświadczeniem. Współtwórca Witbee, Marketing Masters oraz projektu Umiejętności Jutra. Prowadzący podcast „Od Danych Do Zysku”.\n\n- **Praktyk, nie teoretyk:** Pomaga firmom przekształcać chaos w danych w realne zyski. Współtworzył projekty edukacyjne, które przyciągnęły ponad 100 000 uczestników.\n- **Zna Twój ból:** Sam przeszedł drogę od „poraliżu decyzyjnego” do automatyzacji.\n- **Ma gotowe rozwiązanie:** Dzieli się raportami i strategiami, które od razu możesz wykorzystać w swojej firmie.\n\n## Masz wybór: Chaos lub Kontrola [Twój wybór]\n\nMożesz dalej opierać swoje decyzje o niepełne i niedokładne dane Google Analytics 4 lub ograniczone analizy w systemach CRM.\n\n**Albo** możesz poświęcić 60 minut, aby zobaczyć:\n\n- ✅ **Jak wykorzystać wiedzę o klientach do optymalizacji działań marketingowych**\n- ✅ **Jak analizować prawdziwe LTV i CAC** w Twoim e-commerce\n- ✅ **Jak segmenty Twoich klientów zmieniają się w czasie**\n\nWykorzystaj swoje dane First Party do zdobycia przewagi konkurencyjnej już teraz.","Bezpłatny webinar dla menedżerów, dyrektorów i właścicieli e-commerce.\n\u003Cbr>\u003Cb>Analiza klientów: LTV, CAC, RFM, kohorty i AI w jednym frameworku.\u003C/b>\nObejrzyj nagranie w dowolnym czasie.\u003Cbr>\n\u003Cb>Dla menedżerów, dyrektorów, właścicieli i C-level e-commerce\u003C/b>",{"id":974,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":975,"copyright":19,"fieldtype":21,"meta_data":976,"is_external_url":32},190524925515622,"https://a.storyblok.com/f/296300/900x600/5afe69a615/07-customer-lifecycle.png",{},[],"Skaluj e-commerce z LTV, CAC i AI — Webinar o analizie klienta",[980],{"_uid":981,"href":758,"size":511,"text":876,"target":29,"variant":31,"component":33,"showArrow":39},"klient-cta-1","2026-01-22 00:00",[984],{"_uid":985,"steps":986,"header":897,"systems":1000,"anchorId":797,"component":799,"buttonText":899,"description":1001,"progressStyle":30,"privacyPolicyLink":1002,"privacyPolicyText":804,"getResponseCampaignId":1003,"privacyPolicyLinkText":807},"e15541d9-c912-4062-b7bf-85f872dd995d",[987],{"_uid":988,"title":769,"fields":989,"component":788},"31c884b4-4fc2-459d-9e37-8634bdefe7d0",[990,992,994,996,998],{"_uid":991,"name":773,"type":532,"label":774,"required":39,"component":775,"fullWidth":32},"bfdb7920-7d8d-40df-80bf-f5f85b9d8552",{"_uid":993,"name":778,"type":532,"label":779,"required":39,"component":775,"fullWidth":32},"685cb5d2-eef2-4b8e-9d93-53f0cd4c800e",{"_uid":995,"name":782,"type":532,"label":783,"required":39,"component":775,"fullWidth":39},"821d6623-6b0a-4b0c-a207-08e239f210fa",{"_uid":997,"name":893,"type":532,"label":894,"required":32,"component":775,"fullWidth":39},"dacd9055-6cb7-40aa-8cb2-3742ef9166ce",{"_uid":999,"name":786,"type":786,"label":787,"required":39,"component":775,"fullWidth":39,"businessOnly":39},"fd7bfd93-abf2-4458-a750-fec9a015542d",[792,793,794],"Wypełnij formularz, a link do nagrania dostaniesz od nas mailem. Wyjść z „poraliżu decyzyjnego” i skutecznie zautomatyzuj analitykę w Twojej firmie.\n\u003Cbr>\u003Cbr>\n\u003Cb>Dostępne na żądanie — obejrzyj pełną sesję w dowolnym czasie",{"id":803,"url":19,"linktype":138,"fieldtype":46,"cached_url":154,"prep":39},"iEDsN","webinar-o-analizie-klienta","pl/content/webinars/webinar-o-analizie-klienta",[],"e15a3be6-23e3-468e-8b0d-b5f014640202",[],{"name":1010,"created_at":1011,"published_at":254,"updated_at":1012,"id":1013,"uuid":1014,"content":1015,"slug":1028,"full_slug":1029,"sort_by_date":177,"position":1030,"tag_list":1031,"is_startpage":32,"parent_id":853,"meta_data":177,"group_id":1032,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":1033,"default_full_slug":177,"translated_slugs":177},"Google Analytics 4 [GA4] BigQuery - why you should use it?","2026-06-23T08:28:24.874Z","2026-08-21T07:00:43.097Z",190520135199428,"286c6655-c086-4815-b927-99038aa3e83f",{"_uid":1016,"title":1017,"content":1018,"eyebrow":19,"showTOC":39,"category":226,"readTime":19,"subtitle":1019,"component":279,"heroImage":1020,"meta_tags":1024,"meta_title":1025,"heroButtons":1026,"updatedDate":847,"bottomBlocks":1027},"dc82dc8e-104a-488d-9f00-4dc382a4b37c","Google Analytics 4 BigQuery - dlaczego warto korzystać?","## Seria artykułów o danych Google Analytics 4 [GA4] w BigQuery [Seria artykułów]\n\n\n\n\nArtykuł ten jest elementem z serii wpisów o Google Analytics 4 i eksporcie danych do Google BigQuery, składającym się z następujących pozycji:\n\n\n\n- [#1 Google Analytics 4 BigQuery - dlaczego warto korzystać ?](https://witbee.com/pl/blog/google-analytics-4-bigquery-dlaczego-warto-korzystac)  (obecnie go czytasz)\n- [#2 Google Analytics 4 BigQuery - 9 wyzwań, które Cię zaskoczy podczas analizy danych](https://witbee.com/pl/blog/google-analytics-4-bigquery-9-wyzwan-ktore-cie-zaskoczy-podczas-analizy-danych ) \n- [#3 Google Analytics 4 BigQuery - źródła ruchu, sesje, atrybucja, koszty marketingowe i gotowe dane do analiz](https://witbee.com/pl/blog/google-analytics-4-bigquery-zrodla-ruchu-sesje-atrybucja-koszty-marketingowe-i-gotowe-dane-do-analiz)\n\n\n\n## Wprowadzenie - Google Analytics 4 [GA4] i Google BigQuery [Wprowadzenie]\n\n\n\n\n### Dlaczego interfejs Google Analytics to za mało?\nW chwili gdy zaimplementujemy narzędzie Google Analytics 4 na stronie lub w aplikacji, zaczynamy wysyłać informacje o zdarzeniach użytkowników do bazy danych Google. Na podstawie tych danych, w interfejsie Google Analytics 4 wyświetlane są nam różnego rodzaju raporty. \n\n\n\nPrzeglądanie danych w interfejsie Google Analytics 4 potrafi być przyjemne.\nCzasem jednak możemy napotkać na różnego rodzaju ograniczenia podczas analiz np.: \n\n\n\n- dane są próbkowane, co oznacza że wyniki przedstawiane są na podstawie próbki danych, a nie wszystkich zebranych informacji\n- niektórych metryk i wymiarów nie możemy ze sobą połączyć, gdyż system na to nie pozwala\n- danych jest za dużo w związku z tym nagle wiele pozycji np. adresów url czy nazw produktów skrywa się pod nazwą (other) \n\n\n\nCzęsto chcemy dane z Google Analytics wyciągnąć poza system i wykonać dodatkowe zadania np.:\n\n\n\n- zbudować dashboard zawierający dane Google Analytics i wszystkie koszty marketingowe, aby móc obliczyć wskaźnik ROAS czy ERS dla poszczególnych kanałów\n- połączyć dane Google Analytics z danymi CRM np. informacji o statusie zamówienia\n- obliczyć atrybucję dla kampanii marketingowych na danych uwzględniających marżę produktów\n\n\n\nWtedy również napotykamy różne ograniczenia np.:\n\n\n\n- zaskakują nas limity eksportowanych wierszy z Google Analytics i liczby możliwych zapytań wykonanych do API\n- nie możemy wyciągnąć części informacji na odpowiednim poziomie np. identyfikatora użytkownika czy transakcji, jedynie zagregowane obliczone wartości, których nie możemy w żaden sposób modyfikować\n\n\n\n### Eksport danych Google Analytics do Google BigQuery\n\n\n\nPrzykładów i ograniczeń dla różnych projektów moglibyśmy wymienić jeszcze wiele. W odpowiedzi na wszystkie powyższe problemy i wyzwania, Google udostępniło usługę eksportu surowych danych z Google Analytics 4 do BigQuery (dlaczego akurat do tego narzędzia wyjaśnimy w dalszej części wpisu), czyli danych których używa do przygotowania wszystkich raportów w panelu. Zawierają one bardzo szczegółowe informacje o każdym zdarzeniu wysyłanym przez użytkownika ze wszystkimi atrybutami między innymi tj.: identyfikator urządzenia, dokładny czas zdarzenia, nazwa zdarzenia i jego parametry, informację o geolokalizacji, czy też wszystkie dane zbierane poprzez moduł e-commerce.\n\n\n\n![Google Analytics 4 BigQuery Events](https://a.storyblok.com/f/46798/901x472/6713400cd2/google-analytics-4-bigquery-export-table.png)\n\n\n\nZałożenie jest proste - jeżeli chcesz zachować dane, które dla Ciebie zbieramy na dłużej i wykorzystać je do swoich analiz i celów biznesowych, teraz masz taką możliwość. \n\n### Szansę do działania mają nie tylko duzi, ale również mali i średni przedsiębiorcy!\n\nW przeszłości, przy narzędziu Google Analytics Universal, na eksport surowych danych mogli pozwolić sobie tylko najwięksi gracze, a konkretnie firmy, które były w stanie płacić minimum kilkadziesiąt tysięcy $ rocznie za usługę Google Analytics 360 (wersja premium). Teraz ta opcja jest dostępna za darmo dla wszystkich firm korzystających z Google Analytics 4. \nJest to więc szansa, z której mogą skorzystać nie tylko duże firmy i korporacje ale również mali i średni przedsiębiorcy, którzy chcą wykorzystać dane Google Analytics 4 do podejmowania lepszych decyzji biznesowych. \n\n\n\n### Dlaczego dane Google Analytics 4 [GA4] są eksportowane do Google BigQuery, a nie do spreadsheet’u czy excela?\n\n\n\n#### Struktura przesyłanych zdarzeń\nSam schemat tabeli danych zawiera w sobie ponad 100 kolumn z różnymi wartościami i w różnej strukturze. Zdarzenia zawierają w sobie często wiele dodatkowych informacji np. klika parametrów czy kilka zakupionych produktów. Przeglądanie tego typu danych w arkuszach kalkulacyjnych przed wykonaniem odpowiedniej selekcji byłoby utrudnione.\n\n#### Wielkość danych\nNa potrzeby artykułu sprawdziliśmy mały sklep internetowy, odwiedzony danego dnia przez 2200 użytkowników - taki sklep wygenerował 50 MB danych w jeden dzień. Zakładając, że chcielibyśmy przeanalizować wszystkie dane tego sklepu np. z całego roku, plik z tabelą musiałby ważyć ok. 18 GB - takiej wielkości pliku nie jest w stanie płynnie przyjąć żaden arkusz kalkulacyjny. Nie mówiąc już o wykonywaniu na nich dodatkowych operacji jak obliczenia, sortowanie czy filtrowanie. \nDla odniesienia duże firmy potrafią zebrać w jeden dzień do Google Analytics od kilkudziesięciu do nawet kilkuset GB informacji. Do przechowywania tak dużych zbiorów danych i ich analizy musiały więc powstać specjalne narzędzia.\n\n#### Google BigQuery - czyli nowoczesna hurtownia danych w chmurze\n\nFirma Google, której misją jest „uporządkowanie światowych zasobów informacji tak, by stały się powszechnie dostępne i użyteczne dla każdego” potrzebowała na swoje potrzeby analizować bardzo duże zbiory danych ze wszystkich usług tj. Google Search, YouTube, Google Maps i innych. W tym celu powstała technologia nazwana Google BigQuery, która potrafi przechowywać i analizować dane o olbrzymich rozmiarach. Często spotykana komunikacja o Google BigQuery brzmi “Petabyte Scale Data Warehouse”, czyli hurtownia danych skalująca się do rozmiarów Petabajtów.\n\n\n\n\u003Cp style='text-align:center'>1 PETABAJT = 1 TYS. TERABAJTÓW = 1 MLN GB\u003C/p>\nRozwiązanie sprawdziło się do wewnętrznych analiz w Google, w związku z tym w 2017 roku Google BigQuery zostało udostępnione jako produkt do przechowywania i analizowania zbiorów danych na rozwijającej się platformie chmurowej Google Cloud. \n\n\n\nMając 2 produkty jakimi są Google Analytics i Google BigQuery oraz klientów o różnej skali firma Google postanowiła je ze sobą zintegrować. Dzięki temu po wykonaniu kilku kliknięć można było uruchomić automatyczny eksport danych Google Analytics do Google BigQuery. Tak jak wcześniej wspomnieliśmy, usługa ta była dostępna w Google Analytics Universal tylko dla klientów wersji premium. Teraz każdy kto posiada Google Analytics może taką integrację wykonać wchodząc w ustawienia administracyjne. Szczegóły opisane są w dokumentacji pod tym linkiem: [Konfigurowanie Google Analytics 4 BigQuery Export](https://support.google.com/analytics/answer/9823238?hl=pl&ref_topic=9359001#zippy=%2Cin-this-article%2Ctematy-w-tym-artykule)\n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/604x560/4ffbae8fcf/google-analytics-4-bigquery-export-configuration.png\">\n\u003C/div>\n\n\n\n#### Eksploracja danych Google Analytics 4 [GA4] w BigQuery\n\nPo eksporcie danych przychodzi czas na eksplorację danych w interfejsie Google BigQuery.\nInterfejs Google BigQuery jest dosyć prosty i intuicyjny. \nPo lewej stronie znajduje się lista naszych zbiorów danych i tabel, które możemy analizować. Pozostała i największą część interfejsu zajmuje pole, w którym musimy napisać i uruchomić zapytanie SQL. \n\n![Img](https://a.storyblok.com/f/46798/1210x702/cde5023e6b/google-analytics-4-bigquery-export-exploration.png)\n\n\n\nNo właśnie, w celu analizowania danych w Google BigQuery musimy poznać bazodanowy język SQL (Structured Query Language), gdyż Google BigQuery na chwilę obecną nie wspiera języka polskiego czy angielskiego :).\n\n![Google Analytics 4 SQL](https://a.storyblok.com/f/46798/940x788/b4a71b9b83/google-analytics-4-bigquery-sql.gif)\n\nKrótko wyjaśniając, SQL to język zapytań wykorzystywany do zarządzania bazą danych. Dzięki niemu możemy między innymi zapisywać, odczytywać, modyfikować i usuwać dane w tabelach. Pisząc zapytanie używamy różnych poleceń i instrukcji tj. SELECT, FROM, WHERE, GROUP BY, ORDER BY. \n\n \n\n![SQL Structure Description](https://a.storyblok.com/f/46798/775x461/8083834207/sql-structure-description.png)\n\n\n\nPo uruchomieniu zapytania otrzymujemy informację zwrotną w postaci tabeli, którą możemy potem zapisać lub wyeksportować do innych narzędzi np. Looker Studio, Google Sheets czy Excel poprzez plik CSV. \nPoniżej znajduje się przykładowe zapytanie zwracające TOP 10 produktów dodanych do koszyka na podstawie danych z Google Analytics 4.\n\n \n\n![Img](https://a.storyblok.com/f/46798/1356x716/23ebcf7137/google-analytics-4-bigquery-example-query.png)\n\n\n\nMając w planach wykorzystać eksport Google Analytics 4 do BigQuery, warto rozpocząć swoją przygodę z nauką SQL, gdzie bariera wejścia jest znacznie niższa niż wejście w świat programowania. \n\n\n\n Poniżej znajduje się kilka przydatnych źródeł wiedzy w tym zakresie:\n\n- [w3schools - SQL Tutorial ](https://www.w3schools.com/sql/)  \n- [Przykłady podstawowych zapytań SQL na danych Google Analytics 4](https://developers.google.com/analytics/bigquery/basic-queries)\n- [Książka Google BigQuery: The Definitive Guide: Data Warehousing, Analytics, and Machine Learning at Scale](https://www.amazon.pl/Google-BigQuery-Definitive-Warehousing-Analytics/dp/1492044466/ref=asc_df_1492044466/?tag=plshogostdde-21&linkCode=df0&hvadid=504212245098&hvpos=&hvnetw=g&hvrand=1543218266178473463&hvpone=&hvptwo=&hvqmt=&hvdev=c&hvdvcmdl=&hvlocint=&hvlocphy=20859&hvtargid=pla-864415395724&psc=1)\n- [Simo Ahava - #BIGQUERYTIPS: QUERY GUIDE TO GOOGLE ANALYTICS: APP + WEB](https://www.simoahava.com/analytics/bigquery-query-guide-google-analytics-app-web/)\n- [Dokumentacja Google BigQuery](https://cloud.google.com/bigquery/docs/reference/standard-sql/introduction#sql)\n\n## Kilka powodów dlaczego warto zacząć działać z eksportem Google Analytics 4 [GA4] w BigQuery już teraz [Powody, by zacząć]\n\nOmówiliśmy podstawowe kwestie związane z eksportem danych do Google Analytics 4, teraz czas poznać kilka ważnych powodów, które powinny skłonić każdą firmę do rozpoczęcia wykonywania swoich analiz w Google BigQuery. \n\n\n\n### Jeżeli nie włączysz opcji eksportu danych do Google BigQuery, stracisz swoje dane historyczne\n\nW przypadku Google Analytics Universal mieliśmy możliwość ustawienia automatycznego usuwania danych po 14, 26, 38, 50 miesiącach. Mogliśmy też zrezygnować z tej opcji, co oznaczało, że dane do analizy w Google Analytics były dostępne nawet sprzed 50 miesięcy.\n \n\n\n**Google Analytics Universal - ustawienia retencji danych**\n\n![Google Analtyics 4 BigQuery Data Retention](https://a.storyblok.com/f/46798/894x350/b1555a6489/google-analytics-4-bigquery-export-data-retention.png)\n\n\n\nW Google Analytics 4, domyślny czas retencji twoich danych jest ustawiony na 2 miesiące - jeżeli masz tą opcję niezmienioną, warto to zrobić wchodząc w Administracja -> Ustawienia Usługi -> Retencja danych. W wersji darmowej możemy maksymalnie rozszerzyć ten zakres do 14 miesięcy. W wersji płatnej Google Analytics 4 Premium jest możliwość rozszerzenia retencji do 26, 38 i 50 miesięcy, ale brakuje już opcji przetrzymywania danych bezterminowo.\n\n\n\n**Google Analytics 4 - ustawienia retencji danych**\n\n![Img](https://a.storyblok.com/f/46798/894x417/ad34084be4/google-analytics-4-bigquery-export-data-retention-settings.png)\n\n\n\nDane w BigQuery możemy przechowywać bezterminowo - haczyk polega na tym, że dane w BigQuery pojawiają się dopiero od momentu ich konfiguracji, w związku z tym jeżeli zależy nam na dostępie do danych historycznych, powinniśmy włączyć eksport danych do Google BigQuery jak najszybciej. \n\n\n### Wizualizacje danych Google Analytics 4 w Looker Studio - BigQuery to brak limitów w stosunku do API\n\nPopularnym rozwiązaniem do wizualizacji danych poza panelem Google Analytics 4 jest Looker Studio wcześniej znane jako Google Data Studio. Google Analytics 4 jest z tym narzędziem zintegrowane programistycznie poprzez API (Application Programming Interface), co pozwala na szybkie i proste tworzenie własnych wizualizacji w postaci tabel i wykresów. \nW listopadzie 2022 roku wiele firm, które posiadało dashboardy analityczne w Looker Studio, zamiast tabel i wykresów zobaczyło komunikat informujący o przekroczeniu limitów dotyczących pobierania danych przez wcześniej wspomniane API. \nRaporty wyglądały więc w następujący sposób. \n\n \n\n![Google Analytics 4 Looker Studio Limits Error](https://a.storyblok.com/f/46798/1205x784/8f7d251957/google-analytics-4-looker-studio-limits-error.png)\n\n\n\nW dokumentacji Looker Studio pojawił się w tej sprawie oficjalny komunikat, który mówił o nałożonych limitach w Google Analytics Data API. \nLink do opublikowanego komunikatu znajduje się [tutaj](https://support.google.com/looker-studio/answer/11521624?hl=en#nov-10-2022).\n\n \n\n![Google Analytics 4 Looker Studio Data Limits](https://a.storyblok.com/f/46798/1046x408/ab1b2cd337/google-analytics-4-looker-studio-release-notes.png)\n\n \n\nGoogle wprowadziło nawet narzędzie do monitorowania liczby zapytań z tego konektora, aby można było lepiej oszacować przekroczenie limitów pobieranych danych przez nasze dashboardy. \nRekomendowaną opcją w przypadku przekroczenia takich limitów jest między innymi ograniczenie liczby wizualizacji oraz dostępu do raportu w organizacji lub wykorzystanie eksportu danych Google Analytics 4 do Google BigQuery.\n\n![Google Analytics 4 Looker Studio Data Limits Steps To Resolve](https://a.storyblok.com/f/46798/772x437/4a54ca47ea/google-analytics-4-looker-studio-data-limits-resolve.png)\n\n\n\nW chwili gdy jesteśmy połączeni poprzez konektor Google BigQuery, zapytania wysyłane są do Google BigQuery, a nie do Google Analytics Data API, w związku z tym unikamy limitów zapytań dla danych historycznych. Wizualizacja danych na podstawie tabel z Google BigQuery jest więc tutaj kolejną korzyścią jeżeli chcemy mieć zapewniony stały dostęp do raportowania bez obaw o wszystkie limity. \n\n\n\n### Próbkowanie danych w interfejsie - dla BigQuery to żaden problem\n\nW panelu Google Analytics 4 w sekcji eksploracji widnieje wiele opcji dotyczących wizualizacji i raportowania zebranych danych. Część z nich w zależności od wybranych metryk i wymiarów wymaga dużych obliczeń, co finalnie może skutkować próbkowaniem danych. Gdy w ramach danego zapytania konieczne będzie przetworzenie większej liczby zdarzeń, Google Analytics użyje próbki dostępnych danych. W przypadku darmowej wersji Google Analytics limit wynosi 10 mln zdarzeń, dla wersji płatnej premium, będzie to 1 miliard zdarzeń. \n\n\n\nNa poniższym zrzucie ekranu widać uruchomiony rekomendowany raport kohortowy znajdujący się w galerii szablonów. Nie modyfikując żadnych parametrów wyświetlany jest wykrzyknik, który informuje nas o dużym próbkowaniu danych - raport ten został sporządzony raptem na podstawie 6.91% wszystkich informacji, które Google Analytics posiadał, w związku z tym najprawdobniej charakteryzuje się dużą niedokładnością.\nOdnosząc się do tego przykładu podczas analizy innych danych możemy napotkać wiele takich przypadków, które znacząco mogą utrudnić podejmowanie decyzji. \n\n\n\n![Google Analytics 4 Reports Sampling](https://a.storyblok.com/f/46798/1283x577/c2f853202d/google-analytics-4-report-sampling.png)\n\n \n\nPrzygotowując raporty w Google BigQuery mamy dostęp do wszystkich zebranych danych i możemy przygotować taki raport jak i wiele innych bez próbkowania. W interfejsie będzie to w tym przypadku niemożliwe. \n\n\n\n### Kardynalność danych - w BigQuery sami decydujemy o poziomie agregacji danych\n\nKardynalność danych występuje, gdy analizowany wymiar wykorzystany w raporcie zawiera zbyt wiele wierszy. Może to być np. adres url, identyfikator produktu, identyfikator użytkownika lub wiele kombinacji źródeł ruchu. Przez kardynalność danych możemy napotkać różne wartości w raportach standardowych i raportach eksploracji przy użyciu tych samych wymiarów i metryk. Kardynalność danych w panelu Google Analytics 4 wprowadza również pozycją w wierszu o nazwie “(other)” za każdym razem jak osiągnie limit wierszy. \nW Google BigQuery nie będzie takiej sytuacji, gdyż sami decydujemy o poziomie agregacji danych, na których chcemy pracować. \n\n![Google Analytics 4 Data Cardinality](https://a.storyblok.com/f/46798/1358x720/928b1624f0/google-analytics-4-data-cardinality.png)\n\n\n\n### Możliwość łączenia danych z różnymi systemami\n\nDo Google BigQuery można zrzucić wiele danych biznesowych innych niż Google Analytics. Mogą to być informacje o kosztach reklamowych, statusach z systemów CRM, dane z Google Merchant Center i wiele innych. \nWszystko to możemy ze sobą połączyć i przygotować jedną tabelkę czyli tzw. “Data Mart”. Taką tabelkę możemy potem zwizualizować na dashboardzie np. w Looker Studio i cieszyć się stałą kontrolą wyników marketingowych w naszym biznesie. \nTakie rzeczy są możliwe do osiągnięcia bez kodowania, dzięki gotowym [rozwiązaniom](https://witbee.com/pl/witcloud), które automatyzują zbieranie i raportowanie danych.\n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/404x243/c59cb25af6/google-analytics-4-bigquery-data-cost-integration.png\">\n\u003C/div>\n\n\n\n![Google Analytics 4 & Data Integration Report](https://a.storyblok.com/f/46798/999x222/68fc1b50c6/google-analytics-4-bigquery-data-integration-report.png)\n\n\n\n### Walidacja i stały monitoring dla implementacji na podstawie danych w Google BigQuery\n\nDane GA4 w BigQuery ułatwiają weryfikację raportów i implementacji zdarzeń. Mając do dyspozycji wszystkie szczegółowe informacje włącznie z identyfikatorem użytkownika i znacznikiem czasu każdego zdarzenia (timestamp) jesteśmy w stanie precyzyjnie przeanalizować wartości wysyłane do Google Analytics podczas kontaktu użytkownika ze stroną. Przy pomocy odpowiednich zapytań SQL możemy wykryć anomalie w danych czy też sprawdzić nieprawidłowości związane z sekwencją wysyłanych zdarzeń bez omijania trudności w systemie jakimi są próbkowanie czy też kardynalność danych. Jeżeli biznes wprowadza wiele zmian w stronie lub aplikacji, stałe monitorowanie wartości przesyłanych do Google Analytics pozwala szybko reagować na zmiany np. o błędnie przesyłanym parametrze. \n\n\n\n### Możliwość wykorzystania danych do prognoz i predykcji dzięki rozwiązaniom BigQuery ML\n\nWykorzystanie uczenia maszynowego w marketingu staje się już standardem. Posiadając dane w Google BigQuery możemy dotrzymać kroku tym trendom i wykorzystać je do zbudowania predykcji lub prognoz na podstawie naszych danych bez konieczności pisania kodu w językach typu Python, Java. [Moduł BigQuery ML](https://cloud.google.com/bigquery-ml/docs/introduction) pozwala tworzyć modele, prognozy i predykacje w oparciu o język SQL, co znacząco zmniejsza barierę wejścia w ten obszar i otwiera nowe możliwości między innymi prognozę ruchu i sprzedaży z poszczególnych kanałów marketingowych, wykrywanie anomalii w danych, budowanie zaawansowanej segmentacji dla użytkowników czy też tworzenie niestandardowym modeli atrybucji. \n\n\n\n![Google Analytics 4 & BigQuery ML](https://a.storyblok.com/f/46798/906x427/6549ac28cc/google-analytics-4-bigquery-and-machine-learning.png)\n\n\n\nJeżeli uważasz więc, że odpowiedzi na poniższe pytania byłyby przydatne, BigQuery ML jest rozwiązaniem, które może Ci pomóc:\n\n\n\n- Ile przychodu mój biznes \u003Cs>wygenerował\u003C/s> / \u003Cspan style='color: green' >wygeneruje\u003Cspan> ?\n- Ile \u003Cs>wydaliśmy\u003C/s> / \u003Cspan style='color: green'>wydamy\u003C/span> na media?\n- Które produkty \u003Cspan style='color: green'>będą się sprzedawać\u003C/span> i ile \u003Cspan style='color: green'>będzie nas to kosztować\u003C/span>?\n- Ile na tym wszystkim \u003Cs>zarobiliśmy\u003C/s> / \u003Cspan style='color: green'>zarobimy\u003C/span> ?\n\n\n\n\u003Cdiv style=\"text-align:center\">\n\u003Cimg src=\"https://a.storyblok.com/f/46798/706x197/7ad081983a/google-analytics-4-bigquery-and-ml-report-example.png\">\n\u003C/div>\n\n\n\n## Surowe i niepróbkowane dane prawie “za darmo” - przyjrzyjmy się kosztom [Koszty]\n\nTak jak wspomnieliśmy na początku artykułu przy Google Analytics Universal sprawa była prosta - jeżeli chcieliśmy mieć niepróbkowane dane Google Analytics w BigQuery musieliśmy być posiadaczem **Google Analytics Premium za 10-tki tysięcy dolarów rocznie.** Teraz mamy możliwość włączenia tej usługi za darmo. \n\n\n\nSamo Google BigQuery jest płatną usługą należącą do rodziny produktów Google Cloud Platform. Jeżeli zakładamy konto rozliczeniowe w Google Cloud Platform po raz pierwszy, na start dostaniemy 300$ do wykorzystania przez pierwsze 90 dni. W związku z tym analizę danych można rozpocząć za darmo. \n\n\n\nDodatkowo warto przypomnieć, że BigQuery powstało z myślą o analizie bardzo dużych zbiorów danych.  W związku z tym cennik tego narzędzia został dostosowany do dużych gracz, co oznacza szansę wykorzystania świetnej technologii w bardzo niskiej cenie przez małe, średnie a czasem nawet i duże przedsiębiorstwa.\n\n\n\nNa miesięczne rozliczenie produktu Google BigQuery wpływają 3 elementy:\n\n\n\n- 0.02$ miesięcznie za każdy przechowywany GB w Google BigQuery, przy czym pierwsze 10 GB jest za darmo\n- 5$ za każdy przetworzony TB podczas uruchamiania zapytań SQL na danych, przy czym 1 TB w miesiącu jest za darmo\n- 0.05$ za każdy przesłany GB w streamie danych w czasie rzeczywistym(jeżeli mamy uruchomioną taką opcję)\n\n\n\nZgodnie z informacjami zawartymi w dokumentacji 1 GB danych to ok. 600 000 zdarzeń Google Analytics. W celu odniesienia do tej liczby sprawdziliśmy sklep internetowy, który w miesiącu odwiedziło 260 tys. użytkowników. Taki sklep wygenerował 6 mln zdarzeń, co daje średnio 200 tys. zdarzeń dziennie.\n\n\n\nPoniżej znajduje się więc przykładowa estymacja dla biznesu generującego 600 000 zdarzeń dziennie aby uprościć kalkulacje.\n\n\n\n**Przesyłanie zdarzeń w czasie rzeczywistym**\n\n\n\n30 dni x 1GB x 0.05$ = **1.5$ za przesłanie 18 MLN** zdarzeń do Google BigQuery w miesiącu\n\n\n\n**Przechowywanie danych**\n\n\n\nDane będą narastać każdego dnia, w związku z tym koszt za przechowywanie również będzie rósł każdego miesiąca. W celu zobrazowania kosztów przedstawiamy to już na pełnych nominałach.  \n\n\n\nMiesiąc 1: (30 GB - 10 GB darmowych) * 0.02$ = 20 GB * 0.02$ = 0.4$ \nMiesiąc 2: (60 GB - 10 GB darmowych) * 0.02$ = 50 GB * 0.02$ = 1$\nMiesiąc 3: (90 GB - 10 GB darmowych) * 0.02$ = 80 GB * 0.02$ = 1.6$\n…\nMiesiąc 12: (360 GB - 10 GB darmowych) * 0.02$ = 7$\n\n\n\n**Wykonywanie zapytań SQL na danych**\n\n\n\nWykonując zapytanie SQL na danych, wybieramy tylko te informacje, które nas interesują. W związku z tym nie procesują one wszystkich informacji jakie posiadamy.\nDla przykładu sprawdziliśmy biznes mający ok. 1 GB danych i 3 dosyć rozbudowane raporty w Looker Studio odświeżane co godzinę. Taki biznes przeprocesował 1.5 TB danych w skali miesiąca.\n\n\n\n(1.5 TB - 1 TB za darmo) * 5$ = 0.5 TB za 5$ = 2.5$ \n\n\n\nKoszty wykonywania zapytań są zależne są od wielu kwestii, w związku z tym mogą one się różnić dla poszczególnych biznesów. Kilka czynników, które mogą na nie wpływać znajduje się poniżej:\n\n\n\n- wielkość danych wsadowych do raportu\n- liczba raportów\n- jakość napisanych zapytań(można często uzyskać ten sam efekt wielokrotnie taniej, unikając błędów w składni języka SQL)\n- ruch na raportach podpiętych np. pod Looker Studio. Każdy wykres czy tabelka wykonuje zapytanie SQL do BigQuery, które powoduje naliczenie dodatkowych MB\n\n\n\n**Łączny miesięczny koszt dla biznesu generującego 600 000 zdarzeń dziennie**\n\n\n\nPrzy założeniu, że mamy już komplet danych z jednego roku, zapłacimy więc 11$: \n\n\n\n7$ za przechowywanie danych + 1.5$ za streamowanie danych + 2.5$ za odpytywanie danych = 11$\n\n\n\n\nDla sklepów, które generują znacznie mniej zdarzeń niż 600 000 miesięcznie, usługa ta może być praktycznie darmowa. \n\n\n\n## Podsumowanie\n\n\n\nEksport danych Google Analytics 4 do Google BigQuery pozwala uchronić nas przed utratą danych oraz ominąć wiele limitów i ograniczeń czekających na nas w panelu czy też połączeniu z API. Dodatkowo jest dobrym punktem do rozpoczęcia budowy własnej hurtowni danych, w której zbierzemy więcej informacji między innymi informacji o kosztach reklamowych czy też statusów z systemów CRM. Narzędzie to było budowane z myślą o dużych graczach, w związku z tym nie ma dużej bariery wejścia jeżeli chodzi o cenę tego rozwiązania. Jeżeli zaczniemy częściej korzystać z tej technologii możemy w stosunkowo prosty sposób przeskoczyć do świata uczenia maszynowego i zacząć lepiej prognozować to co się wydarzy. \nFirmy, które zaczną sprawnie wykorzystywać tą technologię w biznesie uzyskają zdecydowaną przewagę konkurencyjną na rynku. ","Eksport danych Google Analytics 4 do Google BigQuery pozwala uchronić nas przed utratą danych oraz ominąć wiele limitów i ograniczeń czekających na nas w panelu czy też połączeniu z API.",{"id":1021,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":1022,"copyright":19,"fieldtype":21,"meta_data":1023,"is_external_url":32},190527407441997,"https://a.storyblok.com/f/296300/900x600/4023fad189/12-ga4-bigquery-why-use-it.png",{},[],"Google Analytics 4 [GA4] BigQuery – dlaczego warto z tego korzystać?",[],[],"google-analytics-4-bigquery-why-you-should-use-it","pl/content/knowledge/google-analytics-4-bigquery-why-you-should-use-it",20,[],"822d7ee2-57d3-4e13-94da-dc3109939f73",[],{"name":1035,"created_at":1036,"published_at":1037,"updated_at":1038,"id":1039,"uuid":1040,"content":1041,"slug":1078,"full_slug":1079,"sort_by_date":177,"position":1030,"tag_list":1080,"is_startpage":32,"parent_id":812,"meta_data":177,"group_id":1081,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":1082,"default_full_slug":177,"translated_slugs":177},"Analiza Danych z AI — Wielki Pojedynek","2026-06-22T18:39:31.198Z","2026-08-31T13:49:29.103Z","2026-08-31T13:49:29.121Z",190316426065069,"5c249458-bca6-4d06-8b56-4c08404ea8d5",{"_uid":1042,"title":1043,"content":1044,"eyebrow":746,"showTOC":39,"category":747,"priority":19,"readTime":19,"subtitle":1045,"component":279,"eventDate":19,"heroImage":1046,"meta_tags":1050,"meta_title":1051,"eventFormat":19,"heroButtons":1052,"updatedDate":1055,"bottomBlocks":1056},"analiza-danych-ai-content-page","Analiza Danych z AI - *Wielki Pojedynek*.","## Przestań zgadywać. Poznaj AI, które zna Twoje dane. [Wyzwanie]\n\nNajwiększe firmy e-commerce już połączyły swoje dane w jednej, zunifikowanej hurtowni — jednym źródle prawdy — i podpięły je bezpośrednio do silników AI. Ale nie zatrzymujemy się na teorii. Podczas webinaru przeprowadziliśmy test bojowy: sprawdziliśmy, jak z analizą realnych danych e-commerce radzą sobie Gemini, Claude i ChatGPT. Zobaczysz, który z nich najlepiej rozumie specyfikę e-commerce i dostarcza najtrafniejsze wnioski biznesowe.\n\n## Dlaczego „gołe” AI gubi się w Twoich danych [Dlaczego AI błądzi]\n\nWiele osób twierdzi, że AI w analityce to tylko gadżet. Udowodnimy, że się mylą — ale tylko pod warunkiem, że dostarczysz modelowi odpowiedni kontekst.\n\nGłówny problem to **Fact Gap**: AI ma wiedzę z internetu, ale zerową wiedzę o Twojej firmie. Bez Twoich historycznych danych, definicji metryk i kontekstu biznesowego, nawet najnowszy model gubi się w domysłach.\n\nPokażemy Ci:\n- Różnicę między **Analityką Raportową** (sam szukasz odpowiedzi) a **Analityką Konwersacyjną** (AI znajduje je za Ciebie)\n- Dlaczego wrzucenie tabeli do AI to za mało — bez definicji metryk, przykładów analiz i struktury odpowiedzi, nawet najnowszy model wymysla\n- Jak Fact Gap wpływa na jakość odpowiedzi AI w praktyce\n\n## Agenda eksperymentu: Jak AI radzi sobie z Twoim biznesem? [Agenda]\n\n1. **Raporty vs Rozmowa** — Statyczna Analityka Raportowa vs Analityka Konwersacyjna. Różnica między widzeniem danych a rozumieniem przyczyn.\n2. **Dlaczego „gołe” AI błądzi** — Bez definicji metryk i kontekstu biznesowego, nawet najlepszy model zgaduje. Udowadniamy to na żywo.\n3. **Fact Gap (Luka w Wiedzy)** — Główny problem eksperymentu: AI zna internet, ale nic o Twojej firmie. Dane historyczne i kontekst zmieniają wszystko.\n4. **Conversational Analytics w Looker Studio** — Czy warto korzystać z narzędzia dostępnego w Looker Studio Pro lub BigQuery? Testujemy na prawdziwych przykładach.\n5. **Wielki Pojedynek Modeli** — To samo zapytanie biznesowe wysłane przez WitCloud MCP do Claude, ChatGPT i Gemini. Zobaczysz na żywo, jak różnie interpretują te same dane — i kto wygrywa w precyzji.\n6. **Zastosowanie i Koszty** — Gotowe scenariusze (np. analiza spadku marży), realne koszty i na co uważać przy wdrożeniu, by eksperyment w Twojej firmie był bezpieczny.\n\n## Prelegent [Prelegent]\n\n**Krzysiek Modrzewski** — Czołowy polski ekspert analityki i strategii marketingowej z ponad 15-letnim doświadczeniem. Współtwórca Witbee i Marketing Masters. Prowadzący podcast „Od Danych Do Zysku”.\n\n- **Praktyk, nie teoretyk:** Pomaga firmom przekształcać chaos w danych w realne zyski i współtworzył projekty edukacyjne, które przyciągnęły ponad 100 000 uczestników.\n- **Zna Twój ból:** Sam przeszedł drogę od „poraliżu decyzyjnego” do pełnej automatyzacji.\n- **Ma gotowe rozwiązanie:** Dzieli się systemem, który sam musiał zbudować, aby wyjść z „piekła analitycznego”.\n\n## Masz wybór: Chaos lub Kontrola [Twój wybór]\n\nMożesz dalej opierać swoje decyzje o niepełne dane z raportów, tracić godziny na ręczne łączenie Excela i irytować się, gdy AI znowu wymysli nieprawdziwe liczby.\n\n**Albo** możesz poświęcić 60 minut, aby zobaczyć:\n\n- ✅ **Jak bezpiecznie „nakarmiać” AI kontekstem Twojej firmy** — eliminując halucynacje i błędy Fact Gap\n- ✅ **Który model wygrywa w starciu na żywo** (Claude, ChatGPT czy Gemini) analizując Twoje dane e-commerce\n- ✅ **Jak w 15 sekund uzyskać gotowy plan naprawczy dla spadającego ROAS** — zamiast przeklikywać dziesiątki raportów\n\nWykorzystaj potęgę Analityki Konwersacyjnej do zdobycia przewagi konkurencyjnej już teraz.","Bojowy test analizy danych z AI.\n\u003Cbr>\u003Cb>ChatGPT, Claude, Gemini — testujemy je wszystkie na realnych danych e-commerce.\u003C/b>\nObejrzyj nagranie w dowolnym czasie.\u003Cbr>\n\u003Cb>Webinar dla menedżerów, dyrektorów, właścicieli i C-level e-commerce\u003C/b>",{"id":1047,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":1048,"copyright":19,"fieldtype":21,"meta_data":1049,"is_external_url":32},190524925450082,"https://a.storyblok.com/f/296300/900x600/b2096381d8/06-ai-model-showdown.png",{},[],"Analiza danych z AI: ChatGPT vs Claude vs Gemini — Wielki Pojedynek na żywo | Webinar",[1053],{"_uid":1054,"href":758,"size":511,"text":876,"target":29,"rounded":19,"variant":31,"component":33,"showArrow":39},"analiza-cta-1","2026-03-05 00:00",[1057],{"_uid":1058,"steps":1059,"header":897,"systems":1073,"anchorId":797,"component":799,"buttonText":1074,"description":1075,"progressStyle":30,"privacyPolicyLink":1076,"privacyPolicyText":804,"getResponseCampaignId":1077,"privacyPolicyLinkText":807},"09912bd0-3ef4-4bc8-860f-1e492e5d8cb7",[1060],{"_uid":1061,"title":769,"fields":1062,"component":788},"48921754-1fea-4388-a41e-6d8e032c7eb4",[1063,1065,1067,1069,1071],{"_uid":1064,"name":773,"type":532,"label":774,"required":39,"component":775,"fullWidth":32},"6eb355df-9714-4bef-a2d7-7859e009f074",{"_uid":1066,"name":778,"type":532,"label":779,"required":39,"component":775,"fullWidth":32},"da2d52bb-63f6-4fcd-9ea4-00d2462e39fc",{"_uid":1068,"name":782,"type":532,"label":783,"required":39,"component":775,"fullWidth":39},"8f9bf2d3-ed55-4f63-adee-421af779355f",{"_uid":1070,"name":893,"type":532,"label":894,"required":32,"component":775,"fullWidth":39},"91fe66af-3bd7-4a08-9ee2-c376603f9b56",{"_uid":1072,"name":786,"type":786,"label":787,"required":39,"component":775,"fullWidth":39,"businessOnly":39},"c57d5484-218c-458a-ae6a-2655a6a51aea",[792,793,794],"Zarejestruj się, aby otrzymać link do nagrania","Wypełnij formularz rejestracyjny, a prześlemy Ci link do nagrania mailem. Obejrzyj w dowolnym czasie.\n\u003Cbr>\u003Cbr>\n\u003Cb>Dostępne na żądanie — obejrzyj pełną 60-minutową sesję",{"id":803,"url":19,"linktype":138,"fieldtype":46,"cached_url":154,"prep":39},"LBl1a","analiza-danych-z-ai","pl/content/webinars/analiza-danych-z-ai",[],"cb8d52cb-fd54-4510-b4dc-b4d08d7ee751",[],{"name":1084,"created_at":1085,"published_at":254,"updated_at":1086,"id":1087,"uuid":1088,"content":1089,"slug":1107,"full_slug":1108,"sort_by_date":177,"position":178,"tag_list":1109,"is_startpage":32,"parent_id":853,"meta_data":177,"group_id":1110,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":1111,"default_full_slug":177,"translated_slugs":177},"Raport \"na wczoraj\", który dostaniesz za tydzień","2026-06-22T19:22:58.176Z","2026-08-21T07:00:42.990Z",190327104256848,"63e297e4-7adc-4c36-a29f-dfc985044211",{"_uid":1090,"title":1091,"content":1092,"eyebrow":1093,"showTOC":39,"category":226,"readTime":19,"subtitle":1094,"component":279,"heroImage":1095,"meta_tags":1099,"meta_title":1103,"heroButtons":1104,"updatedDate":1105,"bottomBlocks":1106},"raport-content-page","Raport „na wczoraj”, który dostaniesz za tydzień. Jak chaos w danych paraliżuje Twój e-commerce.","## Anatomia Paraliżu [Paraliż]\n\n![](https://a.storyblok.com/f/296300/669x310/cefb804300/image1.png)\n\nJest wtorek, 10:00 rano. Właśnie zakończył się gwałtowny pik sprzedażowy po weekendowej promocji. Wpadasz na spotkanie zespołu marketingu z jednym, prostym pytaniem: „Jaki był wczorajszy *realny* ROAS? Musimy wiedzieć, czy kontynuować inwestycję, czy wygasć budżet”.\n\nCisza.\n\nW końcu ktoś z zespołu marketingu odzywa się niepewnie: „Wiesz, to skomplikowane. Sprawdziłem panel Google Ads, pokazuje ROAS 4.0. Panel Facebooka pokazuje 3.5. Ale obaj wiemy, że to są ‘optymistyczne’ liczby z paneli… mogą raportować te same transakcje, nie uwzględniają porannych anulacji ani nie potwierdzają, czy wszystkie transakcje to na pewno opłacone zamówienia. W GA4 liczby wyglądają jeszcze inaczej…”\n\nPo chwili dodaje: „żeby poznać *prawdziwy* przychód, musimy poczekać na Grześka. Tylko on ma skrypt, który łączy te koszty reklamowe z naszym systemem e-commerce (Magento) i filtruje zamówienia po statusie ‘opłacone’. Dane z naszego CRM są po prostu pełniejsze. Wysłałem prośbę… ale Grzesiek jest na urlopie. Realnie, takie podsumowanie będziemy mieć… może w piątek”.\n\nBrzmi znajomo?\n\nDecyzja, którą trzeba było podjąć w 10 minut – oparta o dane kosztowe z **Google i Facebooka** oraz o *wiarygodne* dane przychodowe z **Twojego sklepu** – właśnie została odroczona o tydzień. W tym czasie budżet marketingowy albo „przepala się” na nieskuteczną kampanię, albo, co gorsza, kampania-samograj została wstrzymana, bo nikt nie potrafił na czas potwierdzić jej *realnej* skuteczności.\n\nTo nie jest problem braku danych. To paraliż decyzyjny spowodowany chaosem w *dostępie* do nich.\n\n## Problem głębszy niż „złe raporty” [Problem]\n\n![](https://a.storyblok.com/f/296300/1024x490/9facf8b220/image2.png)\n\nW rozmowach z setkami menedżerów e-commerce zauważylimy pewien schemat. Największym bólem jest to, że dane są *niedostępne* tu i teraz, w jednym miejscu.\n\nProblem, który zdiagnozowaliśmy, ma trzy oblicza:\n\n1. **Silosy ludzkie:** Dane są zamknięte w głowach lub na dyskach twardych konkretnych osób. „Tylko Grzesiek” wie, jak połączyć te dwa Excele. „Tylko Ania” ma dostęp do tego konkretnego widoku w systemie. Gdy kluczowa osoba choruje lub wyjeżdża na urlop – cały proces analityczny staje.\n2. **Silosy techniczne:** Dane z Facebook Ads żyją w swoim „optymistycznym” świecie. Dane z Google Ads w swoim. Dane z Twojego Magento, Shopera czy PrestaShop to „źródło prawdy” o realnym przychodzie. Bez automatycznego połączenia, te dwa światy się nie spotykają.\n3. **Kultura „zamawiania raportów”:** Ponieważ dane są w silosach, dostęp do nich staje się przywilejem, a nie standardem. Zespoły „zamawiają” raporty u specjalistów/analityków, stając w wirtualnej kolejce i czekając na swoją odpowiedź.\n\n**A teraz „mnożnik chaosu”: Skala.**\n\n![](https://a.storyblok.com/f/296300/660x278/218caf653e/image3.png)\n\nCo, jeśli działasz nie na jednym, ale na **pięciu rynkach** (w PLN, EUR, CZK)? Co, jeśli zamiast 3 kanałów marketingowych, masz ich **15**, wliczając w to sieci afiliacyjne, Ceneo, TikToka i dziesiątki partnerów? Co jeśli dane pobierane do Excela raportowane są w różnych walutach?\n\nTen chaos rośnie wykładniczo. Każdy nowy rynek i każdy nowy kanał to kolejny „silos ludzki” i „silos techniczny”. W tym momencie manualne łączenie danych staje się już nie tylko *trudne*. Staje się fizycznie *niemożliwe*.\n\n## Prawdziwy koszt „szybkiego pytania” [Koszt]\n\nZastanówmy się, ile kosztuje ten model. „Szybkie pytanie”, które blokuje specjalistę/analityka na pół dnia, to nie tylko koszt jego pensji. To przede wszystkim:\n\n- **Koszt alternatywny (Opportunity Cost):** Stracone szanse sprzedażowe, bo kampania nie została zoptymalizowana na czas.\n- **Koszt błędnych decyzji:** Decyzje podjęte „na czuja” lub na podstawie niekompletnych danych (np. tylko z „optymistycznego” panelu reklamowego), bo „nie było czasu czekać” na pełny obraz z CRM.\n- **Koszt frustracji zespołu:** Najlepsi specjaliści/analitycy nie chcą być „fabryką raportów”. Chcą być „motorami wzrostu”. Gdy 80% ich czasu zajmuje ręczne kopiowanie i wklejanie danych, ich potencjał jest marnowany. Zespół marketingu jest sfrustrowany, bo nie dostaje odpowiedzi na czas.\n\nChaos w przepływie danych to chaos w przepływie komunikacji. A chaos komunikacyjny to prosta droga do przegranej na konkurencyjnym rynku e-commerce.\n\n## Uwolnienie danych: od „czekania” do „działania” [Rozwiązanie]\n\n![](https://a.storyblok.com/f/296300/1251x420/7ab00428dc/image4.png)\n\nRozwiązaniem tego paraliżu nie jest zatrudnienie kolejnego „Grześka” ani kupno kolejnego narzędzia do „ładnych wykresów”. Rozwiązaniem jest fundamentalna zmiana w filozofii dostępu do danych: **automatyzacja i centralizacja.**\n\nZamiast ręcznie *prosić* o dane, technologia powinna je dla nas *przygotowywać* – automatycznie, każdej nocy. W WitBee wierzymy (zgodnie z naszą misją demokratyzacji dostępu do analityki), że dane powinny być zasobem dostępnym „na żądanie”, a nie „na zamówienie”.\n\nJak w praktyce powinien wyglądać taki ideałny, zautomatyzowany proces?\n\n1. **Automatyczne łączenie:** System musi być **zbudowany do obsługi skali**. Powinien automatycznie, każdej nocy, łączyć się ze *wszystkimi* Twoimi źródłami – nieważne, czy to 3 systemy reklamowe, czy 15, czy to jeden rynek w PLN, czy pięć w różnych walutach.\n2. **Unifikacja „prawdy”:** System musi automatycznie pobierać koszty z każdego kanału, ale co ważniejsze, łączyć je z *twardymi danymi* z Twojej platformy e-commerce — pobierając realny przychód i status zamówień.\n3. **Gotowość do analizy:** Dane muszą być oczyszczone i ujednolicone. Taki system pozwala raportować na podstawie *realnego, opłaconego przychodu*, odfiltrując anulacje.\n\nRano, gdy przychodzisz do pracy, nie musisz *prosić* o raport. Otwierasz swój dashboard (np. w Looker Studio), który jest zasilany przez gotowe, połączone i aktualne dane ze *wszystkich* rynków.\n\n## Jak zmienia się firma, gdy dane płyną swobodnie? [Scenariusz PO]\n\n![](https://a.storyblok.com/f/296300/1237x504/1d6757c2e7/image5.png)\n\nWróćmy do scenariusza z wtorku o 10:00 rano.\n\n**Scenariusz „PO”:**\n\nHead of E-commerce przychodzi na spotkanie. Wszyscy patrzą na ten sam, aktualny dashboard. Pytanie nie brzmi: „Jaki był ROAS?”. Pytanie brzmi: „Widzę, że nasz globalny, oparty na CRM ROAS wyniósł wczoraj 4.5, ale na rynku czeskim kampania Google Ads X ma ROAS 8. Zespół marketingu – jak myślicie, dlaczego ta kampania zadziałała tam tak dobrze i jak możemy to natychmiast przeskalować na Niemcy?”\n\nTo jest fundamentalna zmiana.\n\nGdy firma przestaje marnować czas na pytanie „Ile było?”, a zaczyna dyskutować „Co robimy dalej?” – to znak, że przeszła od chaosu do strategii. Specjaliści/analitycy przestają być „bramkarzami” danych, a stają się strategicznymi partnerami dla biznesu.\n\n## Podsumowanie [Podsumowanie]\n\n![](https://a.storyblok.com/f/296300/1024x585/eae5e3f679/image6.png)\n\n„Raport na wczasach” to symptom choroby, jaką jest manualne zarządzanie danymi. Jeśli Twój zespół zbyt często słyszy „musimy poczekać na dane”, „Grzesiek jest na urlopie” albo „sprawdzę to na jutro” – to znak ostrzegawczy.\n\nTo nie jest problem techniczny. To strategiczne „wąskie gardło”, które paraliżuje rozwój Twojego e-commerce.\n\n**Zastanów się: ile decyzji w tym kwartale podjąłeś w oparciu o przeczucie, bo na twarde, połączone dane ze wszystkich Twoich rynków po prostu nie było czasu?**\n\n## Obejrzyj webinar o automatyzacji raportowania [Webinar]\n\nJeśli ten problem rezonuje z Tobą, a chaos komunikacyjny związany z raportowaniem brzmi znajomo, mamy coś dla Ciebie.\n\nZapraszamy na bezpłatny webinar: [**„Koniec z czekaniem. Jak wdrożyć automatyzację raportowania w e-commerce”**](/content/jak-wdrozyc-automatyzacje-raportowania-w-e-commerce)\n\nPodczas sesji pokażemy krok po kroku:\n\n- Jak wygląda architektura nowoczesnego, zautomatyzowanego raportowania.\n- Jak w praktyce połączyć dane z wielu systemów reklamowych (Google, Meta, TikTok) z „twardymi” danymi z Twojego CRM/e-commerce.\n- Jak przejść od chaosu w Excelach do jednego, spójnego dashboardu, który aktualizuje się sam i mówi prawdę.\n\nTo nie będzie prezentacja sprzedażowa. To będzie warsztat pokazujący *metodologię*, która uwalnia zespoły od powtarzalnej pracy.","Artykuł","Czekasz tydzień na kluczowy raport ROAS? Ten artykuł analizuje, jak chaos w danych, ludzkie silosy i ręczne raportowanie paraliżują firmy e-commerce — i jak wygląda automatyzacja w praktyce.",{"id":1096,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":1097,"copyright":19,"fieldtype":21,"meta_data":1098,"is_external_url":32},190524925519719,"https://a.storyblok.com/f/296300/900x600/c215f0d3b8/04-report-for-yesterday.png",{},[1100],{"_uid":1101,"name":927,"content":1102,"component":246},"raport-og-image","https://a.storyblok.com/f/296300/1200x628/68af5e29c3/blog_report_yesterday.png","Raport „na wczoraj”, który dostaniesz za tydzień | WitBee",[],"2025-11-13 00:00",[],"raport-na-wczoraj-ktory-dostaniesz-za-tydzien","pl/content/knowledge/raport-na-wczoraj-ktory-dostaniesz-za-tydzien",[],"b08db62d-51c3-41f6-86ec-33f17bd525c3",[],{"name":1113,"created_at":1114,"published_at":1115,"updated_at":1116,"id":1117,"uuid":1118,"content":1119,"slug":1155,"full_slug":1156,"sort_by_date":177,"position":1157,"tag_list":1158,"is_startpage":32,"parent_id":812,"meta_data":177,"group_id":1159,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":1160,"default_full_slug":177,"translated_slugs":177},"Webinar — E-commerce AI-Ready Data Framework","2026-06-22T14:49:15.952Z","2026-08-23T09:56:12.191Z","2026-08-23T09:56:12.206Z",190259838826986,"23c87417-b5aa-41eb-9a2b-7791b4f5c659",{"_uid":1120,"title":1121,"content":1122,"eyebrow":746,"showTOC":39,"category":747,"priority":19,"readTime":19,"subtitle":1123,"component":279,"heroImage":1124,"meta_tags":1128,"meta_title":1129,"heroButtons":1130,"updatedDate":1133,"bottomBlocks":1134},"719982fb-1233-4669-872c-61aebf3f444c","E-commerce AI-Ready Data Framework","## Liderzy e-commerce w Polsce i Europie. Co ich łączy? Już to wdrożyli. [Liderzy e-commerce]\n\nNajwiększe firmy e-commerce w Polsce i Europie od lat operują na jednym, zunifikowanym źródle danych. Sprzedają na wielu rynkach jednocześnie – i w każdej chwili wiedzą, który z nich zarabia, a który wymaga korekty. Pełny wgląd w każdą złotówkę wydana na marketing, każdy kanał sprzedaży, każdego klienta – w jednym miejscu, w czasie rzeczywistym.\n\nTo nie jest żadna magia. To konkretna architektura danych – zbudowana na Google BigQuery, automatycznie zasilana ze wszystkich systemów reklamowych i sprzedażowych, gotowa do działania z AI. Niezależnie od tego, czy sprzedajesz w Polsce, Niemczech, Czechach czy Rumunii.\n\nDo niedawna był to przywilej firm z dużymi działami inżynierii danych i budżetami na poziomie enterprise. Dziś – dzięki **E-commerce AI-Ready Data Framework** – ten sam standard jest dostępny dla każdej średniej firmy e-commerce działającej cross-border.\n\nPytanie nie brzmi już: „czy warto to wdrożyć\". Pytanie brzmi: „czy możesz sobie pozwolić, żeby tego nie mieć – zwłaszcza kiedy Twoja konkurencja już to ma?\"\n\n![Matrix AI Framework](https://a.storyblok.com/f/296300/2668x1568/a82e58ddc9/matrix-ai-framework.jpg)\n\n## Rynek nie czeka. Sprawdź, po której stronie tej granicy stoi Twoja firma. [Po której stronie jesteś?]\n\n### Bez frameworku\n\n- **Sprzeczne liczby z każdej platformy** — Google Ads mówi ROAS = 8, Facebook twierdzi 6, CRM pokazuje coś innego. Kto ma rację? Nie wiesz.\n- **Decyzje na danych sprzed miesiąca** — raport za poprzedni miesiąc jest gotowy w połowie bieżącego. Optymalizujesz przeszłość, nie teraźniejszość.\n- **Dane u dostawcy, nie u Ciebie** — zmieniasz agencję albo narzędzie i tracisz historię.\n- **AI, które Cię nie zna** — działa na tym, co znajdzie w internecie. O Twojej firmie nie wie nic.\n- **Nie wiesz, co naprawdę zarabia** — który kanał generuje zysk? Który produkt przepala budżet?\n- **Nie wiesz, który rynek Ci zarabia** — dane masz osobno dla każdego rynku, porównujesz w Excelu.\n\n### Z AI-Ready Data Framework\n\n- **Jedno źródło prawdy** — wszystkie systemy mówią jednym językiem. Jeden ekran zamiast dziesięciu.\n- **Dane aktualizowane dziś, nie miesiąc temu** — decyzje podejmujesz na tym, co wydarzyło się dzisiaj.\n- **Pełna suwerenność danych** — dane leżą na Twojej infrastrukturze Google Cloud.\n- **AI, które zna Twój biznes** — zna Twoją historię sprzedaży, klientów i metryki. Odpowiada w sekundy.\n- **Rentowność widoczna do poziomu SKU** — wiesz, który produkt i kanał naprawdę zarabia.\n- **Wszystkie rynki w jednym widoku** — PL, DE, CZ, RO – jeden dashboard, jedno źródło prawdy.\n\n> Liderzy e-commerce działający na 3, 5, 10 rynkach jednocześnie już operują na tym standardzie. Pytanie nie brzmi „czy warto\". Brzmi: czy możesz sobie pozwolić, żeby Twoja konkurencja miała to przed Tobą?\n\n## Ten webinar to nie tutorial. To strategiczna sesja dla osób, które podejmują decyzje. [Co zobaczymy]\n\nPokazałem Ci – na żywo, na realnym środowisku – jak wygląda e-commerce zbudowany na Frameworku. Co widzi dyrektor zarządzający sprzedażą na kilku rynkach, który ma pełny obraz biznesu.\n\nNa webinarze odpowiedzielimy m.in. na pytania, które nurtują każdego dyrektora e-commerce:\n\n1. Dlaczego moje dane z Google Ads, Facebooka i Allegro pokazują różne liczby – i co z tym zrobić?\n2. Jak wygląda infrastruktura danych liderów rynku i co sprawia, że mogę to mieć bez zatrudniania działu data science?\n3. Ile naprawdę kosztuje taka hurtownia danych – i dlaczego większość firm boi się pytać?\n4. Co konkretnie muszę zrobić, żeby AI działało na moich danych – nie na danych z internetu?\n5. Jak mierzyć rentowność klientów, produktów i kanałów w jednym miejscu – bez tygodniowego czekania na raport?\n6. Sprzedaję w Polsce, Niemczech i Czechach – jak w jednym miejscu porównać rentowność każdego rynku i wiedzieć, gdzie skalować budżet?\n7. Kiedy jest za wcześnie, a kiedy za późno na tę transformację?\n\n## Masz wybór. Tylko że okno decyzji się zamknkęło. [Masz wybór]\n\nRynek nie czeka. Liderzy e-commerce – ci działający na jednym rynku i ci, którzy już sprzedają w kilku krajach – już operują na zunifikowanych danych. Już zadają pytania w języku naturalnym i dostają odpowiedzi w sekundy. Już wiedzą, co dzieje się w ich biznesie, zanim pojawi się problem.\n\nKażdy miesiąc bez pełnego obrazu danych to decyzje podejmowane po ciemku: budżety reklamowe optymalizowane na złych liczbach, rynki zagraniczne, które pożerają budżet (a Ty nie wiesz które), klienci, których nie potrafisz utrzymać, bo nie wiesz, że odchodzą.\n\n- ✅ **Poświęć 60 minut.** Obejrzyj nagranie i oceń, gdzie jesteś.\n- ✅ Zobacz, jak wygląda e-commerce zbudowany na Frameworku.\n- ✅ Zdecyduj, czy chcesz grać w tej lidze – w Polsce i za granicą.","Nowy standard danych dla sklepów e-commerce działających na wielu rynkach.\n\u003Cbr>\u003Cb>PL, DE, CZ, RO – jeden framework, pełny obraz biznesu.\u003C/b>\nObejrzyj nagranie w dowolnym czasie.\u003Cbr>\n\u003Cb>Dedykowany webinar dla menedżerów, dyrektorów, właścicieli i C-level\u003C/b>",{"id":1125,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":1126,"copyright":19,"fieldtype":21,"meta_data":1127,"is_external_url":32},190524925548392,"https://a.storyblok.com/f/296300/900x600/dce9bec989/09-ai-ready-framework.png",{},[],"E-commerce AI-Ready Data Framework | Nagranie webinaru",[1131],{"_uid":1132,"href":758,"size":511,"text":876,"target":29,"variant":31,"component":33,"showArrow":39},"webinar-cta-1","2025-04-23 00:00",[1135],{"_uid":1136,"steps":1137,"header":897,"systems":1151,"anchorId":797,"component":799,"buttonText":899,"description":1152,"progressStyle":30,"privacyPolicyLink":1153,"privacyPolicyText":804,"getResponseCampaignId":1154,"privacyPolicyLinkText":807},"e35686a7-508e-49f4-9bbb-ed9de3599ad1",[1138],{"_uid":1139,"title":769,"fields":1140,"component":788},"9a446dd0-0042-41e9-a702-86e58be57cbc",[1141,1143,1145,1147,1149],{"_uid":1142,"name":773,"type":532,"label":774,"required":39,"component":775,"fullWidth":32},"a6bd7b30-fc7c-4cbd-9561-8fe783897812",{"_uid":1144,"name":778,"type":532,"label":779,"required":39,"component":775,"fullWidth":32},"f649ce57-f013-485e-93ca-1f448d1ffb70",{"_uid":1146,"name":782,"type":532,"label":783,"required":39,"component":775,"fullWidth":39},"8e69a472-be07-4ede-9b86-5c89714ad187",{"_uid":1148,"name":893,"type":532,"label":894,"required":32,"component":775,"fullWidth":39},"9ef26aa8-7f3d-4de4-a6d3-5ffeff68c697",{"_uid":1150,"name":786,"type":786,"label":787,"required":39,"component":775,"fullWidth":39,"businessOnly":39},"2393f5ea-68c8-4b66-aba6-d9427b1a0e4a",[792,793,794],"Wypełnij formularz, a link do nagrania dostaniesz od nas mailem. Obejrzyj pełną sesję o E-commerce AI-Ready Data Framework w dowolnym czasie.\n\u003Cbr>\u003Cbr>\n\u003Cb>Dostępne na żądanie — obejrzyj pełną sesję w dowolnym czasie",{"id":803,"url":19,"linktype":138,"fieldtype":46,"cached_url":154,"prep":39},"LPTUV","webinar-data-ai-framework","pl/content/webinars/webinar-data-ai-framework",40,[],"032b9a55-a7dc-4efb-8e16-aec0aff33f19",[],{"name":1162,"created_at":1163,"published_at":254,"updated_at":1164,"id":1165,"uuid":1166,"content":1167,"slug":1181,"full_slug":1182,"sort_by_date":177,"position":1183,"tag_list":1184,"is_startpage":32,"parent_id":853,"meta_data":177,"group_id":1185,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":1186,"default_full_slug":177,"translated_slugs":177},"BigQuery Pricing for E-commerce: A Non-Technical Guide","2026-06-22T13:57:28.322Z","2026-08-21T07:00:42.398Z",190247109968418,"96f672cc-96be-4743-8494-b79f95734fd2",{"_uid":1168,"title":1169,"content":1170,"eyebrow":19,"showTOC":39,"category":226,"readTime":19,"subtitle":1171,"component":279,"heroImage":1172,"meta_tags":1176,"meta_title":1169,"heroButtons":1179,"updatedDate":930,"bottomBlocks":1180},"8c37b8a8-35d4-4a37-a686-485ce2660d88","Ile naprawdę kosztuje BigQuery w e-commerce? Przewodnik bez inżynierskiego bełkotu","Kiedy słyszysz hasło \"Hurtownia Danych\" lub \"BigQuery\", w Twojej głowie pewnie pojawiają się dwie myśli. Pierwsza: \"To technologia, której potrzebuję, żeby łączyć dane i skalować biznes\". Druga: \"To brzmi jak faktura od Google, nad którą nie będę miał kontroli\".\n\nCennik chmury oraz wiele poradników odnosi się do skomplikowanych pojęć dla osoby nietechnicznej. Pełno tam terminów takich jak _active storage_, _slot time_ czy _streaming inserts_. A wielu właścicieli sklepów zadaje sobie proste pytanie: \"Czy to mnie nie zrujnuje?\".\n\nOdpowiedź brzmi: **Nie, jeśli architektura danych jest poprawna.**\n\nBigQuery jest jak potężna maszyna przemysłowa. Jest tania w utrzymaniu, o ile używasz jej mądrze. W tym poradniku przejdziemy przez wszystkie etapy kosztów i pokażemy, gdzie leży granica między \"zabawą dla analityków\" a realnym raportowaniem dla biznesu.\n\n---\n\n**Ważne zastrzeżenie:** Najprościej byłoby napisać jak to bywa w różnych poradnikach \"To zależy...\".  \nKoszty w chmurze są płynne. Mimo wszystko poniższe wyliczenia to realne estymacje dla średniego/dużego e-commerce, mające na celu pokazanie skali kosztów i różnic między podejściem \"surowym\" a zoptymalizowanym.\n\n---\n\n## Część 1: Magazyn (Storage) - Tu jesteśmy bezpieczni\n\nZacznijmy od podstaw. BigQuery to w uproszczeniu gigantyczny Excel w chmurze. Pierwszym kosztem jest przechowywanie danych (np. z GA4, CRM, reklam).  \nPłacisz za to, ile miejsca na dyskach Google zajmują Twoje dane.\n\n### Przykład: Sklep generujący 10 mln zdarzeń miesięcznie w GA4\n\n![](https://a.storyblok.com/f/296300/964x316/1ba15af773/image7.png)\n\n\nZałóżmy, że Twój e-commerce generuje 10 milionów akcji miesięcznie (wyświetlenia, kliknięcia, zakupy).\n\n- **GA4:** 10 mln. zdarzeń to ok. 10 GB miesięcznie (uśredniamy, że jedno zdarzenie to ok. 0.5 - 1 KB danych)\n- **Dodatkowo baza zamówień/produktów z CRM oraz dane o kampaniach z systemu reklamowego:** ok. 5-8 GB miesięcznie.\n- **Łącznie:** Przybywa Ci ok. 15-18 GB danych co miesiąc.\n\nSzacunkowy koszt:  \nGoogle oferuje pierwsze 10 GB miesięcznie za darmo. Każdy kolejny gigabajt to koszt rzędu $0.02 (ok. 8 groszy).  \nNawet jeśli zgromadzisz historię z 3 lat (ok. 500 GB), miesięczny koszt utrzymania tego archiwum zamknie się w okolicach $10 miesięcznie.  \n**Wniosek:** Samo _trzymanie_ danych jest bardzo tanie.\n\n---\n\n## Część 2: Dostawa danych - w paczkach czy natychmiastowo\n\nMasz dwie opcje przesyłania danych do BigQuery.\n\nSpójrzmy na przykład eksportu danych z Google Analytics 4:\n\n1. **Export Dzienny (Daily):** Raz dziennie, rano, Google pakuje dane z wczoraj i wrzuca je do Twojego magazynu. **Koszt: 0 zł.**\n2. **Streaming (Na żywo):** Dane wpadają do bazy minuty po zdarzeniu. **Koszt: ok. $0.05 za GB.**\n\n**Wniosek:** BigQuery nie pobiera opłat w tym przypadku za sam proces zapisywania danych w formie paczek (tzw. batch). W przypadku streamingu (przesyłanie danych na żywo), również nie masz się czym martwić jeżeli Twoja skala nie jest bardzo duża (10 GB \\* $0.05 \\= $0.50 miesięcznie).\n\n![](https://a.storyblok.com/f/296300/1024x751/39962a04d1/image8.png)\n\n\n---\n\n## Część 3: Przetwarzanie (Query) - Dwa Światy Kosztów\n\nTutaj dochodzimy do sedna. BigQuery zarabia na **czytaniu** danych ($6.25 za 1 TB). Ale kto te dane czyta? Tutaj musimy rozróżnić dwa scenariusze, bo to one decydują o Twojej fakturze.\n\n### Świat 1: Analityk w konsoli (Czynnik Ludzki)\n\nTo sytuacja, gdy Twój analityk wchodzi bezpośrednio do BigQuery i pisze kod SQL, żeby odpowiedzieć na pytanie \"ad hoc\", np. _\"Sprawdź mi, dlaczego w zeszły wtorek spadła konwersja z iPhone'ów\"_.\n\nTutaj koszt zależy w 100% od **umiejętności człowieka**.\n\n- **Junior Analityk:** Może napisać zapytanie SELECT \\*, które bezmyślnie przeczyta całą bazę (terabajty danych), żeby znaleźć 5 wierszy. Koszt jednego zapytania: **$5**.\n- **Senior Analityk:** Użyje partycji, wybierze tylko potrzebne kolumny i ograniczy skanowanie. To samo zapytanie wykona za **$0.05**.\n\nTo jest \"laboratorium\". Tu koszty są jednorazowe i zależą od skilla. Ale biznes rzadko siedzi w konsoli. Biznes siedzi w raportach.\n\n![](https://a.storyblok.com/f/296300/1024x565/363eb64c01/image3.png)\n\n\n### Świat 2: Biznes w Looker Studio (Automat)\n\nTo jest Twoja codzienność. Masz dashboard w Looker Studio. Nie piszesz tam kodu SQL - klikasz w filtry, zmieniasz daty.  \nAle Looker Studio w tle musi wysłać zapytanie SQL do BigQuery, żeby narysować wykres.  \nI tu pojawia się problem: Automat (Looker Studio) nie jest tak sprytny jak Senior Analityk. Jeśli podłączysz go do surowych danych, będzie generował ciężkie, drogie zapytania przy każdym Twoim kliknięciu.\n\n![](https://a.storyblok.com/f/296300/1024x559/ef88e496c9/image5.png)\n\n\nNiejednokrotnie pracowaliśmy przy projektach, w których optymalizowaliśmy koszty nieoptymalnych zapytań wykorzystywanych w raportach. Spójrzmy na poniższy przykład - każdego dnia raport generował coraz to większe koszty dochodząc do kwoty 53$ dziennie. Wprowadzając niewielkie zmiany w zapytaniach SQL (skill), raport działał dalej tak samo, ale koszty spadły niemal do 0\\. Najlepiej będzie to jednak przedstawić na przykładowym case study.\n\n![](https://a.storyblok.com/f/296300/1480x529/da9271ddeb/image4.png)\n\n\n## Część 4: Case Study - Ile kosztuje Raport Kwartalny?\n\nZałóżmy, że masz dashboard sprzedażowy z ostatnich 90 dni. Korzysta z niego **5 osób** (zarząd, marketing).\n\n### Scenariusz A: Droga \"Na żywca\" (Looker Studio -\\> Surowe Dane)\n\nPodpinasz raport bezpośrednio do tabel z surowymi zdarzeniami GA4.  \nJeden dzień surowych danych waży 1 GB. Raport z 90 dni musi więc \"dotknąć\" 90 GB danych.\n\n1. **Pułapka interakcji:** Looker Studio jest \"rozrzutne\". Aby wyświetlić dashboard z 10 elementami (wykresy, liczniki), potrafi wysłać 10 osobnych zapytań.\n2. **Brak Cache:** BigQuery ma pamięć podręczną, ale działa ona tylko, jeśli nic nie zmieniasz.\n   - Manager wchodzi na raport.\n   - Klika filtr \"Kampania Black Friday\".\n   - Cache przestaje działać. BigQuery musi od nowa przesiać **90 GB**, żeby wyciąć tylko tę kampanię.\n   - Manager zmienia sortowanie tabeli. Znów 90 GB.\n\nEfekt:  \n5 osób × 10 zmian filtrów dziennie × gigabajty danych.  \nFaktura staje się nieprzewidywalna. Może to być $50, a może $300, jeśli zespół będzie bardzo aktywny. Płacisz za każdym razem, gdy ktoś dotknie raportu.\n\n### Scenariusz B: Podejście \"Data Mart\" (WitCloud)\n\nTo podejście opiera się na zasadzie: **Przygotujmy dane raz, a porządnie.**\n\nProces wygląda tak:\n\n1. **Zadanie automatyczne (Job):** Codziennie rano system pobiera dane **tylko z wczorajszego dnia** (1 GB surowych danych).\n2. **Agregacja:** System wyciąga to, co ważne i zapisuje w **Data Marcie**. Wynikowa \"cegiełka\" z jednego dnia waży np. 20 MB (a nie 1000 MB).\n3. **Dokładanie cegiełki:** Ta mała porcja danych jest dołączana do tabeli głównej jako nowa partycja.\n\nCo się dzieje w raporcie?  \nGdy Manager zmienia daty, filtruje i sortuje, Looker Studio odpytuje Data Mart.  \nZamiast skanować 90 GB, skanuje 90 małych \"cegiełek\" (łącznie 1.8 GB).  \n**Szacunkowy koszt miesięczny:**\n\n1. **Codzienne przetwarzanie:** Płacisz rano za przeliczenie _tylko jednego dnia_ surowych danych. To koszt stały, ok. **$15 - $25 miesięcznie**.\n2. **Raportowanie:** Ponieważ pracujesz na lekkich danych, setki kliknięć Twoich managerów generują koszt rzędu **$2 - $5 miesięcznie**.\n\n**Razem:** **$20 - $30 miesięcznie**. Stała kwota, niezależna od tego, jak często sprawdzacie wyniki.\n\n![](https://a.storyblok.com/f/296300/1024x559/926a3bc7f0/image6.png)\n\n\n---\n\n## Część 5: Dlaczego to działa? Dwa filary oszczędności\n\nSekret niskich kosztów w podejściu Data Mart opiera się na dwóch mechanizmach technicznych. Partycjonowanie to tylko połowa sukcesu. Drugą połową jest **Agregacja (Zmniejszanie szczegółowości)**.\n\nAby to zrozumieć, wyobraź sobie działanie wielkiego supermarketu.\n\n### Filar 1: Agregacja (Zamiast miliona paragonów - podsumowanie)\n\n- **Surowe Dane (Raw):** To wielki wór, w którym trzymasz **wszystkie paragony** ze wszystkich kas. Każdy paragon ma listę produktów, godzinę, kasjera. Jeśli masz 10 tysięcy klientów dziennie, masz 10 tysięcy długich paragonów (wierszy w bazie).\n  - Gdy pytasz BigQuery o przychód, baza musi wziąć każdy paragon do ręki i zsumować kwoty. To trwa i kosztuje, bo baza \"mieli\" ogromną ilość informacji.\n- **Data Mart (Agregacja):** To sytuacja, w której księgowa raz dziennie bierze te 10 tysięcy paragonów, liczy to co ważne i zapisuje na jednej kartce: _\"Dzień: Wtorek. Sprzedaż łącznie: 50 000 zł. Ilość transakcji: 10 000\"_.\n  - Tę jedną kartkę (wynik agregacji) wkładamy do Data Martu.\n  - **Efekt:** Zamiast trzymać miliony wierszy o każdym kliknięciu, trzymamy kilkanaście wierszy z podsumowaniem dnia. Tabela staje się 1000x lżejsza.\n\n![](https://a.storyblok.com/f/296300/1024x559/43e4ca93c0/image1.png)\n\n\n### Filar 2: Partycjonowanie (Porządek w segregatorze)\n\nSkoro mamy już te lekkie \"kartki z podsumowaniem dnia\", musimy je dobrze ułożyć.\n\n- **Bez Partycji:** Kartki z podsumowaniami leżą na jednej stercie. Żeby znaleźć \"Lipiec\", musisz przerzucić wszystko.\n- **Z Partycjami:** Kartki są wpięte do segregatora, gdzie każda koszulka jest opisana datą.\n\n![](https://a.storyblok.com/f/296300/1024x559/e9ff619d89/image2.png)\n\n\n### Jak to działa razem?\n\nGdy Twój Manager otwiera Dashboard w Looker Studio i prosi o wyniki z ostatniego kwartału:\n\n1. Dzięki **Partycjonowaniu**, BigQuery otwiera tylko 90 konkretnych koszulek w segregatorze (nie dotyka reszty roku).\n2. Dzięki **Agregacji**, w każdej koszulce znajduje nie tysiące paragonów, ale jedną kartkę z podsumowaniem.\n\nDlatego raport ładuje się w ułamku sekundy i kosztuje ułamki grosza. BigQuery nie musi już niczego liczyć (bo policzyliśmy to rano) - ono tylko **odczytuje** gotowy wynik.\n\n---\n\n## Podsumowanie: Ile to w końcu kosztuje?\n\nDla typowego e-commerce z 10 mln zdarzeń miesięcznie, realny rachunek za BigQuery przy dobrze zaprojektowanej architekturze wygląda następująco:\n\n| Rodzaj kosztu               | Opis                                                           | Szacunkowa kwota                    |\n| :-------------------------- | :------------------------------------------------------------- | :---------------------------------- |\n| **Magazynowanie (Storage)** | Utrzymanie danych z kilku lat (GA4, Ads, CRM).                 | **$5 - $15** (zależnie od historii) |\n| **Przetwarzanie (ETL)**     | Codzienne przeliczanie _tylko nowych_ danych do Data Martów.   | **$15 - $25**                       |\n| **Raportowanie (Query)**    | Korzystanie z dashboardów w Looker Studio (na lekkich danych). | **$1 - $5**                         |\n| **RAZEM**                   |                                                                | **$25 - $45 / miesięcznie**         |\n\nBigQuery nie jest drogie - droga jest niewiedza. Ryzykowne jest dawanie surowych danych w ręce (i narzędzia) osób, które nie optymalizują zapytań. Wdrożenie warstwy pośredniej (Data Martów) - czy to ręcznie, czy przez platformy typu **WitCloud** - zamienia nieprzewidywalną fakturę na niski, stały abonament.","Kiedy słyszysz hasło \"Hurtownia Danych\" lub \"BigQuery\", w Twojej głowie pewnie pojawiają się dwie myśli. Pierwsza: \"To technologia, której potrzebuję, żeby łączyć dane i skalować biznes\". Druga: \"To brzmi jak faktura od Google, nad którą nie będę miał kontroli\".",{"id":1173,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":1174,"copyright":19,"fieldtype":21,"meta_data":1175,"is_external_url":32},190524925572970,"https://a.storyblok.com/f/296300/900x600/af11b1a8b3/02-bigquery-pricing.png",{},[1177],{"_uid":926,"name":927,"content":1178,"component":246},"https://a.storyblok.com/f/296300/1200x628/b1e5c63eae/bigquery_pricing_eng.png",[],[],"bigquery-pricing-for-e-commerce-a-non-technical-guide","pl/content/knowledge/bigquery-pricing-for-e-commerce-a-non-technical-guide",50,[],"fa6065ad-9fb4-4ee4-ba50-114a75d184ec",[],{"name":1188,"created_at":1189,"published_at":254,"updated_at":1190,"id":1191,"uuid":1192,"content":1193,"slug":1206,"full_slug":1207,"sort_by_date":177,"position":1208,"tag_list":1209,"is_startpage":32,"parent_id":853,"meta_data":177,"group_id":1210,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":1211,"default_full_slug":177,"translated_slugs":177},"Dlaczego Twoja analityka przestanie działać za 6 miesięcy? ","2026-06-22T13:54:43.098Z","2026-08-21T07:00:42.320Z",190246433222209,"206bc95d-0a1f-4346-a0b2-b29f8658bcae",{"_uid":1194,"title":1195,"content":1196,"eyebrow":19,"showTOC":39,"category":226,"readTime":19,"subtitle":1197,"component":279,"heroImage":1198,"meta_tags":1202,"meta_title":1195,"heroButtons":1204,"updatedDate":930,"bottomBlocks":1205},"cc1f6ce3-33f2-4bfa-9dcf-0a690bf791ef","Dlaczego Twoja analityka przestanie działać za 6 miesięcy? O trzech drogach budowania analityki e-commerce","## Dlaczego Twoja analityka przestanie działać za 6 miesięcy?\n\nHistoria każdego e-commerce zaczyna się niewinnie. Na początku jest **jeden sklep internetowy**. Wystarcza Ci panel zamówień w systemie typu Magento, Shoper czy Idosell. Wszystko jest jasne – masz dostęp do podstawowych informacji o przychodach, klientach i produktach.\n\nAle potem zaczynasz rosnąć.\n\nPodpinasz **Google Analytics 4**, żeby zrozumieć zachowanie użytkownika. Uruchamiasz kampanie w **Google Ads, Meta Ads, TikTok Ads i Criteo**, żeby ściągnąć ruch. Wchodzisz na **Allegro** (Marketplace), żeby zwiększyć zasięg. Zaczynasz współpracę z porównywarkami cen (**Ceneo**) i sieciami afiliacyjnymi.\n\nAż w końcu podejmujesz decyzję: \"Wchodzimy na rynki zagraniczne\". Otwierasz sprzedaż w Czechach, Niemczech czy Rumunii.\n\nI w tym momencie skala problemu eksploduje. Masz teraz osobne konta reklamowe dla każdego kraju, raporty w różnych walutach (PLN, EUR, CZK, RON) i oddzielne feedy produktowe. Budzisz się w świecie, gdzie dane są w trzydziestu różnych miejscach. Panel Facebooka pokazuje inne konwersje niż GA4, CRM sklepu nie widzi kosztów z Rumunii, a przeliczenie marży zajmuje dwa dni w Excelu.\n\nZamiast jasności, masz chaos.\n\n![](https://a.storyblok.com/f/296300/1228x528/bf2239917e/proces_wzrostu_ecommerce.png)\n\nStoisz wtedy przed wyborem: jak \"zbudować dom\" dla swoich danych, by nad tym zapanować? W świecie analityki masz trzy drogi. Dwie z nich to pułapki, które wyglądają kusząco na start, ale sypią się jak domek z kart, gdy Twoja firma zaczyna się skalować.\n\nOto historia o dojrzałości analitycznej – oparta na starej bajce o trzech świnkach, ale z bardzo nowoczesnym (i bolesnym) morałem.\n\n## Droga 1: Pułapka \"Czarnej Skrzynki\" (Domek ze słomy)\n\nPierwsza droga jest wybierana przez pragmatyków, którzy chcą wyników \"na już\". Wybierasz gotowe, zamknięte systemy raportowe (tzw. czarne skrzynki).\n\n* **Jak to wygląda?** Podpinasz konto, płacisz abonament i widzisz ładne wykresy. Jest szybko i bezboleśnie.\n* **Gdzie jest problem?** To rozwiązanie działa, dopóki nie zadasz trudnego pytania. Widzisz wskaźniki (np. ROAS), ale nie masz pojęcia, jak zostały policzone. Nie masz dostępu do surowych danych, które pod tym wynikiem leżą.\n\n![](https://a.storyblok.com/f/296300/2816x1536/748797e31d/analityczna_czarna_skrzynka.png)\n\n\n**Co się dzieje, gdy przychodzą Rosnące Wymagania (Wilk)?**\n\nPewnego dnia Twoja firma rośnie, a Ty potrzebujesz zrobić z danymi coś więcej niż tylko na nie patrzeć. Wtedy zaczynasz odbijać się od ściany za ścianą:\n\n1. **Ściana \"Główny Raport\":** Zarząd korzysta z Power BI lub Tableau. Chcesz tam dorzucić koszty marketingu z Twojej \"czarnej skrzynki\", by widzieć pełny rachunek biznesu. **Rzeczywistość:** Nie da się. Jesteś w zamkniętym ekosystemie. Pozostaje ręczne wklejanie CSV do Excela co poniedziałek.\n2. **Ściana \"Automatyzacja CRM\":** Twój zespół sprzedaży chce widzieć w CRM, w jakie reklamy klikał lead. **Rzeczywistość:** Twoja \"czarna skrzynka\" nie ma API lub jest ono bardzo ograniczone. Nie możesz \"karmić\" działu handlowego wiedzą marketingową.\n3. **Ściana \"Partnerzy AI\":** Zatrudniasz agencję od AI, która prosi o historyczne dane transakcyjne, by nauczyć swoje algorytmy. **Rzeczywistość:** Nie ma jak bezpiecznie udostępnić wycinka danych.\n\n**Finał:** Zatrudniasz świetnego analityka. On chce budować własny model atrybucji na surowych danych. Dostawca \"czarnej skrzynki\" mówi: *\"Oczywiście, udostępniamy surowe dane w planie Enterprise, który kosztuje 5 razy więcej\"*. Twoje dane stały się zakładnikiem.\n\n## Droga 2: Iluzja kontroli, czyli \"Zrób to sam\" (Domek z patyków)\n\nDruga droga jest dla sprytnych. Myślisz: *\"Nie dam się zamknąć w pudełku! Zrobimy to sami in-house. Mamy darmowe konektory i Grześka w IT\"*. To podejście DIY, które zazwyczaj kończy się chaosem w dwóch aktach:\n\n**Akt I: Konektorowy Frankenstein w Looker Studio**\nPodłączasz bezpośrednio do Looker Studio osobne wtyczki: Facebook Ads, Google Ads, GA4, CRM.\n\n* **Problem:** To są silosy. Aby zobaczyć całościowy obraz (np. zysk vs. wydatki), musisz łączyć te źródła \"na siłę\" w narzędziu wizualizacyjnym (Blended Data).\n* **Ryzyko:** Logika biznesowa jest \"zaszyta\" w kruchych filtrach raportu, a nie w bazie danych. Wystarczy jeden błąd w nazewnictwie kampanii, by cały raport przestał działać.\n\n![](https://a.storyblok.com/f/296300/1000x600/7a3fcce98f/problem_polaczonych_danych.png)\n\n\n**Akt II: Bagno Surowych Danych (ETL bez planu)**\nIdziesz krok dalej. Zrzucasz dane do własnego BigQuery za pomocą prostych narzędzi ETL.\n\n* **Problem:** Masz dostęp do danych, ale jest to tzw. \"Data Swamp\". Masz 800 tabel: osobno zamówienia, osobno produkty, osobno kampanie. Nic do siebie nie pasuje.\n* **Ryzyko:** Aby z tego skorzystać, ktoś musi napisać i utrzymać skomplikowaną logikę SQL.\n\n**Co się dzieje, gdy odchodzi \"Grzesiek\"?**\nCała ta konstrukcja trzyma się tylko dzięki jednej osobie, która to zbudowała. Gdy \"Grzesiek\" odchodzi z firmy, zabiera wiedzę ze sobą. Zostajesz z infrastrukturą, której nikt nie rozumie. Nowy analityk zamiast szukać wniosków, traci miesiące na inżynierię wsteczną, próbując zrozumieć, dlaczego liczby się nie spinają.\n\n## Droga 3: Fundament WitCloud (Domek z cegły)\n\nTrzecia droga jest dla tych, którzy rozumieją, że analityka to inwestycja w aktywa firmy. Wybierasz **WitCloud (All In One)**.\n\n![](https://a.storyblok.com/f/296300/1000x600/717006a639/schemat_dzialania_witcloud.png)\n\n\nDlaczego to jest domek z cegły? Bo łączy zalety obu światów, eliminując ich wady.\n\n**Po pierwsze: Automatyzacja \"Brudnej Roboty\"**\nWitCloud to platforma, która wykonuje najcięższą pracę inżynieryjną za Ciebie. Nasz moduł automatycznie pobiera, czyści i unifikuje dane z kilkunastu systemów (Ads, GA4, CRM, Marketplace). Ty nie martwisz się o zmiany w API Facebooka czy TikToka – my dbamy o utrzymanie tej infrastruktury. Twój zespół techniczny śpi spokojnie.\n\n**Po drugie: Wizualizacja na start + Otwartość na rozwój**\nNie zostawiamy Cię z samą bazą danych. Otrzymujesz zestaw bazowych raportów w Looker Studio. Dla wielu firm to wystarcza, by podejmować decyzje \"tu i teraz\". Ale co, jeśli apetyt rośnie? Ponieważ dane są **Twoją własnością** i leżą na Twoim Google Cloud, masz pełną swobodę:\n\n* Możesz rozwijać raporty samodzielnie.\n* Możesz zlecić nam budowę dedykowanych dashboardów.\n* Możesz współpracować z dowolną agencją, która zna SQL/BigQuery. Nikt nie musi uczyć się \"naszego systemu\" – pracują na standardach Google.\n\n**Po trzecie: Raj dla Analityka**\nGdy zatrudnisz analityka, nie dajesz mu \"czarnej skrzynki\" ani \"bagna 800 tabel\". Dajesz mu dostęp do gotowych, udokumentowanych datamartów (np. do analizy marżowości czy własnych modeli atrybucji). Analityk może pisać własne zapytania SQL lub wpinać dane do narzędzi AI. Płacisz ekspertowi za **wnioski** (wysoka wartość), a nie za \"sprzątanie danych\" (niska wartość).\n\n## Morał: Od walki z narzędziami do korzystania z danych\n\nDojrzałość analityczna to moment, w którym przestajesz walczyć z narzędziami, a zaczynasz korzystać z danych.\n\nNie buduj ze słomy (bo ograniczy Cię brak dostępu lub koszty Enterprise). Nie buduj z patyków (bo utoniesz w długu technologicznym, gdy Twój \"Grzesiek\" odejdzie, a Ty wejdziesz na kolejny rynek).\n\nPostaw fundament z WitCloud. Dzięki temu, niezależnie od tego, czy masz dziś jednego marketera, czy za rok będziesz mieć międzynarodowy dział Business Intelligence – Twoje środowisko analityczne będzie gotowe, bezpieczne i skalowalne. A Ty będziesz właścicielem prawdy o swoim biznesie.","Twoja analityka to domek ze słomy, patyków czy cegły? Artykuł wykorzystuje metaforę trzech świnek, by pokazać błędy w budowaniu danych e-commerce. Dowiedz się, dlaczego zamknięte systemy i wtyczki do Looker Studio zawiodą przy skalowaniu biznesu i jak WitCloud pozwala zbudować trwały fundament na Google Cloud.",{"id":1199,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":1200,"copyright":19,"fieldtype":21,"meta_data":1201,"is_external_url":32},190524925515621,"https://a.storyblok.com/f/296300/900x600/429a949a9c/01-analytics-will-fail.png",{},[1203],{"_uid":926,"name":927,"content":1102,"component":246},[],[],"dlaczego-twoja-analityka-przestanie-dzialac-za-6-miesiecy","pl/content/knowledge/dlaczego-twoja-analityka-przestanie-dzialac-za-6-miesiecy",60,[],"a802a9ba-4d8f-4b74-87e5-254578633e1c",[],{"name":1213,"created_at":1214,"published_at":254,"updated_at":1215,"id":1216,"uuid":1217,"content":1218,"slug":1232,"full_slug":1233,"sort_by_date":177,"position":1234,"tag_list":1235,"is_startpage":32,"parent_id":853,"meta_data":177,"group_id":1236,"first_published_at":254,"release_id":177,"lang":183,"path":177,"alternates":1237,"default_full_slug":177,"translated_slugs":177},"Automatyzacja raportowania w Idosell","2026-06-22T13:50:14.896Z","2026-08-21T08:06:51.629Z",190245334650087,"89e37058-b2cf-4176-abb3-aea13eb27f7e",{"_uid":1219,"title":1220,"content":1221,"eyebrow":19,"showTOC":39,"category":226,"readTime":19,"subtitle":1222,"component":279,"heroImage":1223,"meta_tags":1227,"meta_title":1195,"heroButtons":1229,"updatedDate":1230,"bottomBlocks":1231},"dcd6133f-6e3f-4e5a-8954-c8c8d001bb22","Masz sklep na platformie Idosell? To musisz to przeczytać","## Drogi menadżerze, dyrektorze, właścicielu, albo po prostu pracowniku sklepu działającego na IdoSell.\n\nDziałasz w sklepie internetowym i prawdopodobnie jak większość sklepów internetowych borykasz się z dość dużym problemem, którego możesz nawet nie być świadomym. Ale dzięki temu, że korzystasz z platformy Idosell, poradzenie sobie z tym może być prostsze niż kiedykolwiek wcześniej.\n\n\u003Cbr>\n\u003Cdiv style=\"border-radius: 25px; overflow: hidden; width: fit-content; margin: 0 auto;\">\n    \u003Cimg src=\"https://a.storyblok.com/f/296300/1024x718/77dc329b1f/unitrailer_example_mess.webp\" style=\"display: block; width: 100%; height: auto; margin: 0; padding: 0; border: none;\"/>\n\u003C/div>\n\n\nZacznijmy jednak od początku, jaki problem w ogóle mam na myśli. \n\nDobra.\n\nTo nie do końca takie proste do wyjaśnienia, dlatego wiele osób nie uznaje tego za problem. A jednak tak jest.\n\nTo problem z analityką. Nie z danymi. \nDane masz i to prawdopodobnie więcej niż potrzebujesz. Chodzi o wykorzystanie tych danych. Chodzi o problem na trzech poziomach.\n\n\n## Pierwszy to sposób, w jakim podejmujesz decyzje w oparciu o swoje dane. \n\nMogę założyć, że jak naprawdę potrzebujesz raport to albo wysyłasz do kogoś prośbę, żeby taki raport stworzył, albo samemu siadasz i składasz coś, co, masz nadzieję, że Ci pomoże. W końcu część danych masz w swoim panelu Idosell, np. dane sprzedażowe, magazynowe czy dane o klientach. Z kolei dane o skuteczności działań marketingowych, w które inwestujesz i dane o ruchu na stronie masz w panelu Google Analytics 4. A dane o reklamach i wydatkach możesz znaleźć w konkretnych panelach reklamowych, np. Google Ads, Meta Ads, Ceneo itp. Do tego dochodzi jeszcze sprzedaż przez marketplace czy Allegro. \n\nA może działasz na więcej niż jednym rynku, sprzedajesz też w Niemczech, Rumuni, Czechach? Czy przypadkiem każdy taki rynek to nie jest oddzielne konto Google Analytics, oddzielne konto Google Ads, a nawet oddzielne panele sklepu, inne raporty sprzedażowe?\n\nJeżeli chciałbyś, chciałabyś zobaczyć pełen obraz swojego biznesu, jego kondycję, wszystkie wydatki marketingowe, prawdziwe informacje o sprzedaży to wymaga to pobrania i połączenia informacji z tych wszystkich narzędzi, jakie wymieniliśmy. \n\nAlbo patrzysz tylko na mały fragment rzeczywistości i jakoś to działa.\n\n## Drugi poziom tego problemu to systemy reklamowe. \n\nSpecjaliści od marketingu mają coraz mniej możliwości ustawiania tego, jak i gdzie twoje reklamy się wyświetlają. O tym decyduje już w większości algorytm. I ten algorytm potrzebuje jak najlepszych danych do działania. Przestań już z wymówką, że połowa pieniędzy i tak jest wyrzucana w błoto. Jeżeli system dostaje prawidłowe informacje o zachowaniu użytkownika, to poradzi sobie z optymalizacją kampanii, a Ty zaczniesz na tym zarabiać. Warto w tym miejscu pamiętać, że jednak to człowiek decyduje o podziale kampanii i tym pod jakie reguły ustawi działanie systemu. Im dokładniejsze dane, np. o popularności i skuteczności produktów, tym lepiej możemy zarządzać ustawieniami stawek ROAS.\n\n## Trzeci problem to AI, które jest odmieniane przez wszystkie przypadki. \n\nKażdy chce teraz korzystać z AI. Ale praktycznie na każdej prezentacji pojawia się też slajd garbage in garbage out. AI działa na danych, jakimi go zasilimy. Ale te dane muszą być odpowiednio ułożone i opisane. Przygotowane tak, żeby AI mógł na nich pracować. Bez tego nie spodziewajmy się spektakularnych albo nawet jakichkolwiek rezultatów. \n\nPrzyznam, że pisząc ten tekst, mam ochotę wymieniać dalej, problem czwarty, piąty, szósty, ale nie ma to sensu. Jeżeli zarządzasz sklepem internetowym to rozumiesz, o czym piszę. \n\nPotrzebujesz nie danych, potrzebujesz mieć jedno miejsce, gdzie twoje dane będą przechowywane, poukładane, na bieżąco aktualizowane i dostępne zarówno dla Ciebie, jak i dla narzędzi, z których korzystasz. \n\n## W skrócie potrzebujesz Hurtownię Danych albo po angielsku Data Warehouse. \n\nJeszcze do niedawna, projekt skomplikowany, bardzo czasochłonny, wymagający zespołu specjalistów. Trzeba postawić serwer chmurowy, zaprogramować połączenia między systemami, uporządkować dane, dbać o stabilność całej infrastruktury. Dużo pracy, duże budżety. Opcja niedostępna dla większości sklepów.\n\n## Ale przecież masz sklep na Idosell. A to dużo zmienia.\n\nMasz możliwość zbierania danych sklepowych, danych Google Analytics 4, danych marketingowych i danych z marketplaców (czyli praktycznie wszystko co potrzebujesz) w jednym miejscu, w swoim bezpiecznym projekcie chmurowym. Dane mogą być aktualizowane na bieżąco i możesz mieć dostęp do jednego, pełnego raportu zawierającego wszystkie informacje o każdej porze dnia i nocy.\n\n\u003Cbr>\n\u003Cdiv style=\"border-radius: 25px; overflow: hidden; width: fit-content; margin: 0 auto;\">\n    \u003Cimg src=\"https://a.storyblok.com/f/296300/2816x1536/653d6f7015/idosell.png\" style=\"display: block; width: 100%; height: auto; margin: 0; padding: 0; border: none;\"/>\n\u003C/div>\n\nTe dane mogą zasilać systemy marketingowe. Na tych danych mogą działać twoi agenci AI.\n\nBez działu IT, bez wielomiesięcznych projektów, bez wielkich kosztów. \n\nWiem, brzmi nierealnie, brzmi marketingowo, gdzieś musi być haczyk i to pewnie nie jeden.\n\nCzy na pewno?\n\nA może po prostu to sprawdź -> [zapisz się na webinar, na temat automatyzacji raportowania w e-commerce. ](/pl/webinars/jak-wdrozyc-automatyzacje-raportowania-w-e-commerce)\n\nNie musisz korzystać z możliwości, o jakich się dowiesz. Może akurat Ty tego nie potrzebujesz. Może te problemy tak mocno Cię nie dotykają.\n\nAle jako osoba zarządzająca czy pracująca w e-commerce powinieneś, powinnaś wiedzieć, jakie są dostępne rozwiązania. Bo najgorsza jest niewiedza. \n\nA może właśnie znajdziesz coś, co pozwoli Ci strategicznie zwiększyć przychody i zmniejszyć koszty, zaoszczędzisz wiele godzin tygodniowo. Może znajdziesz sposób na to, aby AI przyniósł wreszcie realną wartość w firmie? \n\nJa wiem jedno, warto samemu się przekonać. \n\n\u003Cbr>\n\u003Cdiv style=\"border-radius: 25px; overflow: hidden; width: fit-content; margin: 0 auto;\">\n    \u003Cimg src=\"https://a.storyblok.com/f/296300/960x540/50a7835314/webinar.jpg\" style=\"display: block; width: 100%; height: auto; margin: 0; padding: 0; border: none;\"/>\n\u003C/div>\n\n[Wejdź w link, wypełnij formularz i przyjdź na webinar. ](/pl/webinars/jak-wdrozyc-automatyzacje-raportowania-w-e-commerce)\n\nW najgorszym przypadku, dowiesz się co to znaczy automatyzacja raportowania i tego jak działa hurtownia danych. W najlepszych, odmienisz swój sklep internetowy.\n\nTo co?\n\nDo zobaczenia!\n","Drogi menadżerze, dyrektorze, właścicielu, albo po prostu pracowniku sklepu działającego na IdoSell.\n\nDziałasz w sklepie internetowym i prawdopodobnie jak większość sklepów internetowych borykasz się z dość dużym problemem, którego możesz nawet nie być świadomym. Ale dzięki temu, że korzystasz z platformy Idosell, poradzenie sobie z tym może być prostsze niż kiedykolwiek wcześniej.",{"id":1224,"alt":19,"name":19,"focus":19,"title":19,"source":19,"filename":1225,"copyright":19,"fieldtype":21,"meta_data":1226,"is_external_url":32},190524925556585,"https://a.storyblok.com/f/296300/900x600/5c3e06aa43/03-analytics-3-ways.png",{},[1228],{"_uid":926,"name":927,"content":1102,"component":246},[],"2025-12-09 00:00",[],"automatyzacja-raportowania-w-idosell","pl/content/knowledge/automatyzacja-raportowania-w-idosell",70,[],"77cdbe23-acb0-44d8-a782-ff13da58a8f6",[],{"data":1239,"body":1240,"excerpt":-1,"toc":1246},{"title":19,"description":126},{"type":524,"children":1241},[1242],{"type":527,"tag":528,"props":1243,"children":1244},{},[1245],{"type":532,"value":126},{"title":19,"searchDepth":534,"depth":534,"links":1247},[],{"data":1249,"body":1250,"excerpt":-1,"toc":1256},{"title":19,"description":228},{"type":524,"children":1251},[1252],{"type":527,"tag":528,"props":1253,"children":1254},{},[1255],{"type":532,"value":228},{"title":19,"searchDepth":534,"depth":534,"links":1257},[],{"data":1259,"body":1261,"excerpt":-1,"toc":1282},{"title":19,"description":1260},"Analiza klienta 3.0 z wykorzystaniem AI.",{"type":524,"children":1262},[1263],{"type":527,"tag":528,"props":1264,"children":1265},{},[1266,1268,1272,1274,1280],{"type":532,"value":1267},"Analiza klienta 3.0",{"type":527,"tag":1269,"props":1270,"children":1271},"br",{},[],{"type":532,"value":1273}," ",{"type":527,"tag":1275,"props":1276,"children":1277},"em",{},[1278],{"type":532,"value":1279},"z wykorzystaniem AI",{"type":532,"value":1281},".",{"title":19,"searchDepth":534,"depth":534,"links":1283},[],{"data":1285,"body":1287,"excerpt":-1,"toc":1303},{"title":19,"description":1286},"Bezpłatny webinar live dla menedżerów, dyrektorów i właścicieli e-commerce.\nReklama jest coraz droższa, a podwajanie budżetu nie podwaja sprzedaży — pokażemy, jak połączyć rentowną retencję ze skuteczną akwizycją na Twoich własnych danych o LTV.",{"type":524,"children":1288},[1289],{"type":527,"tag":528,"props":1290,"children":1291},{},[1292,1294,1297],{"type":532,"value":1293},"Bezpłatny webinar live dla menedżerów, dyrektorów i właścicieli e-commerce.\n",{"type":527,"tag":1269,"props":1295,"children":1296},{},[],{"type":527,"tag":1298,"props":1299,"children":1300},"b",{},[1301],{"type":532,"value":1302},"Reklama jest coraz droższa, a podwajanie budżetu nie podwaja sprzedaży — pokażemy, jak połączyć rentowną retencję ze skuteczną akwizycją na Twoich własnych danych o LTV.",{"title":19,"searchDepth":534,"depth":534,"links":1304},[],{"data":1306,"body":1308,"excerpt":-1,"toc":1321},{"title":19,"description":1307},"Analiza Danych z AI - Wielki Pojedynek.",{"type":524,"children":1309},[1310],{"type":527,"tag":528,"props":1311,"children":1312},{},[1313,1315,1320],{"type":532,"value":1314},"Analiza Danych z AI - ",{"type":527,"tag":1275,"props":1316,"children":1317},{},[1318],{"type":532,"value":1319},"Wielki Pojedynek",{"type":532,"value":1281},{"title":19,"searchDepth":534,"depth":534,"links":1322},[],{"data":1324,"body":1326,"excerpt":-1,"toc":1351},{"title":19,"description":1325},"Bojowy test analizy danych z AI.\nChatGPT, Claude, Gemini — testujemy je wszystkie na realnych danych e-commerce.\nObejrzyj nagranie w dowolnym czasie.Webinar dla menedżerów, dyrektorów, właścicieli i C-level e-commerce",{"type":524,"children":1327},[1328],{"type":527,"tag":528,"props":1329,"children":1330},{},[1331,1333,1336,1341,1343,1346],{"type":532,"value":1332},"Bojowy test analizy danych z AI.\n",{"type":527,"tag":1269,"props":1334,"children":1335},{},[],{"type":527,"tag":1298,"props":1337,"children":1338},{},[1339],{"type":532,"value":1340},"ChatGPT, Claude, Gemini — testujemy je wszystkie na realnych danych e-commerce.",{"type":532,"value":1342},"\nObejrzyj nagranie w dowolnym czasie.",{"type":527,"tag":1269,"props":1344,"children":1345},{},[],{"type":527,"tag":1298,"props":1347,"children":1348},{},[1349],{"type":532,"value":1350},"Webinar dla menedżerów, dyrektorów, właścicieli i C-level e-commerce",{"title":19,"searchDepth":534,"depth":534,"links":1352},[],{"data":1354,"body":1355,"excerpt":-1,"toc":1361},{"title":19,"description":964},{"type":524,"children":1356},[1357],{"type":527,"tag":528,"props":1358,"children":1359},{},[1360],{"type":532,"value":964},{"title":19,"searchDepth":534,"depth":534,"links":1362},[],{"data":1364,"body":1366,"excerpt":-1,"toc":1390},{"title":19,"description":1365},"Bezpłatny webinar dla menedżerów, dyrektorów i właścicieli e-commerce.\nAnaliza klientów: LTV, CAC, RFM, kohorty i AI w jednym frameworku.\nObejrzyj nagranie w dowolnym czasie.Dla menedżerów, dyrektorów, właścicieli i C-level e-commerce",{"type":524,"children":1367},[1368],{"type":527,"tag":528,"props":1369,"children":1370},{},[1371,1373,1376,1381,1382,1385],{"type":532,"value":1372},"Bezpłatny webinar dla menedżerów, dyrektorów i właścicieli e-commerce.\n",{"type":527,"tag":1269,"props":1374,"children":1375},{},[],{"type":527,"tag":1298,"props":1377,"children":1378},{},[1379],{"type":532,"value":1380},"Analiza klientów: LTV, CAC, RFM, kohorty i AI w jednym frameworku.",{"type":532,"value":1342},{"type":527,"tag":1269,"props":1383,"children":1384},{},[],{"type":527,"tag":1298,"props":1386,"children":1387},{},[1388],{"type":532,"value":1389},"Dla menedżerów, dyrektorów, właścicieli i C-level e-commerce",{"title":19,"searchDepth":534,"depth":534,"links":1391},[],{"data":1393,"body":1394,"excerpt":-1,"toc":1400},{"title":19,"description":864},{"type":524,"children":1395},[1396],{"type":527,"tag":528,"props":1397,"children":1398},{},[1399],{"type":532,"value":864},{"title":19,"searchDepth":534,"depth":534,"links":1401},[],{"data":1403,"body":1405,"excerpt":-1,"toc":1427},{"title":19,"description":1404},"Bezpłatny webinar dla menedżerów, dyrektorów i właścicieli e-commerce.\nPokażemy, jak zautomatyzować raportowanie, by podejmować decyzje w 10 minut – a nie czekać na dane tydzień.\nObejrzyj nagranie w dowolnym czasie.Dla menedżerów, dyrektorów, właścicieli i C-level e-commerce",{"type":524,"children":1406},[1407],{"type":527,"tag":528,"props":1408,"children":1409},{},[1410,1411,1414,1419,1420,1423],{"type":532,"value":1372},{"type":527,"tag":1269,"props":1412,"children":1413},{},[],{"type":527,"tag":1298,"props":1415,"children":1416},{},[1417],{"type":532,"value":1418},"Pokażemy, jak zautomatyzować raportowanie, by podejmować decyzje w 10 minut – a nie czekać na dane tydzień.",{"type":532,"value":1342},{"type":527,"tag":1269,"props":1421,"children":1422},{},[],{"type":527,"tag":1298,"props":1424,"children":1425},{},[1426],{"type":532,"value":1389},{"title":19,"searchDepth":534,"depth":534,"links":1428},[],{"data":1430,"body":1431,"excerpt":-1,"toc":1437},{"title":19,"description":1220},{"type":524,"children":1432},[1433],{"type":527,"tag":528,"props":1434,"children":1435},{},[1436],{"type":532,"value":1220},{"title":19,"searchDepth":534,"depth":534,"links":1438},[],{"data":1440,"body":1442,"excerpt":-1,"toc":1453},{"title":19,"description":1441},"Drogi menadżerze, dyrektorze, właścicielu, albo po prostu pracowniku sklepu działającego na IdoSell.",{"type":524,"children":1443},[1444,1448],{"type":527,"tag":528,"props":1445,"children":1446},{},[1447],{"type":532,"value":1441},{"type":527,"tag":528,"props":1449,"children":1450},{},[1451],{"type":532,"value":1452},"Działasz w sklepie internetowym i prawdopodobnie jak większość sklepów internetowych borykasz się z dość dużym problemem, którego możesz nawet nie być świadomym. Ale dzięki temu, że korzystasz z platformy Idosell, poradzenie sobie z tym może być prostsze niż kiedykolwiek wcześniej.",{"title":19,"searchDepth":534,"depth":534,"links":1454},[],{"data":1456,"body":1457,"excerpt":-1,"toc":1463},{"title":19,"description":916},{"type":524,"children":1458},[1459],{"type":527,"tag":528,"props":1460,"children":1461},{},[1462],{"type":532,"value":916},{"title":19,"searchDepth":534,"depth":534,"links":1464},[],{"data":1466,"body":1467,"excerpt":-1,"toc":1473},{"title":19,"description":919},{"type":524,"children":1468},[1469],{"type":527,"tag":528,"props":1470,"children":1471},{},[1472],{"type":532,"value":919},{"title":19,"searchDepth":534,"depth":534,"links":1474},[],{"data":1476,"body":1477,"excerpt":-1,"toc":1483},{"title":19,"description":1169},{"type":524,"children":1478},[1479],{"type":527,"tag":528,"props":1480,"children":1481},{},[1482],{"type":532,"value":1169},{"title":19,"searchDepth":534,"depth":534,"links":1484},[],{"data":1486,"body":1487,"excerpt":-1,"toc":1493},{"title":19,"description":1171},{"type":524,"children":1488},[1489],{"type":527,"tag":528,"props":1490,"children":1491},{},[1492],{"type":532,"value":1171},{"title":19,"searchDepth":534,"depth":534,"links":1494},[],{"data":1496,"body":1497,"excerpt":-1,"toc":1503},{"title":19,"description":1195},{"type":524,"children":1498},[1499],{"type":527,"tag":528,"props":1500,"children":1501},{},[1502],{"type":532,"value":1195},{"title":19,"searchDepth":534,"depth":534,"links":1504},[],{"data":1506,"body":1507,"excerpt":-1,"toc":1513},{"title":19,"description":1197},{"type":524,"children":1508},[1509],{"type":527,"tag":528,"props":1510,"children":1511},{},[1512],{"type":532,"value":1197},{"title":19,"searchDepth":534,"depth":534,"links":1514},[],{"data":1516,"body":1517,"excerpt":-1,"toc":1523},{"title":19,"description":1091},{"type":524,"children":1518},[1519],{"type":527,"tag":528,"props":1520,"children":1521},{},[1522],{"type":532,"value":1091},{"title":19,"searchDepth":534,"depth":534,"links":1524},[],{"data":1526,"body":1527,"excerpt":-1,"toc":1533},{"title":19,"description":1094},{"type":524,"children":1528},[1529],{"type":527,"tag":528,"props":1530,"children":1531},{},[1532],{"type":532,"value":1094},{"title":19,"searchDepth":534,"depth":534,"links":1534},[],{"data":1536,"body":1537,"excerpt":-1,"toc":1543},{"title":19,"description":1121},{"type":524,"children":1538},[1539],{"type":527,"tag":528,"props":1540,"children":1541},{},[1542],{"type":532,"value":1121},{"title":19,"searchDepth":534,"depth":534,"links":1544},[],{"data":1546,"body":1548,"excerpt":-1,"toc":1572},{"title":19,"description":1547},"Nowy standard danych dla sklepów e-commerce działających na wielu rynkach.\nPL, DE, CZ, RO – jeden framework, pełny obraz biznesu.\nObejrzyj nagranie w dowolnym czasie.Dedykowany webinar dla menedżerów, dyrektorów, właścicieli i C-level",{"type":524,"children":1549},[1550],{"type":527,"tag":528,"props":1551,"children":1552},{},[1553,1555,1558,1563,1564,1567],{"type":532,"value":1554},"Nowy standard danych dla sklepów e-commerce działających na wielu rynkach.\n",{"type":527,"tag":1269,"props":1556,"children":1557},{},[],{"type":527,"tag":1298,"props":1559,"children":1560},{},[1561],{"type":532,"value":1562},"PL, DE, CZ, RO – jeden framework, pełny obraz biznesu.",{"type":532,"value":1342},{"type":527,"tag":1269,"props":1565,"children":1566},{},[],{"type":527,"tag":1298,"props":1568,"children":1569},{},[1570],{"type":532,"value":1571},"Dedykowany webinar dla menedżerów, dyrektorów, właścicieli i C-level",{"title":19,"searchDepth":534,"depth":534,"links":1573},[],{"data":1575,"body":1577,"excerpt":-1,"toc":1592},{"title":19,"description":1576},"Google Analytics 4 GA4 BigQuery - źródła ruchu, sesje, atrybucja, koszty marketingowe i gotowe dane do analiz",{"type":524,"children":1578},[1579],{"type":527,"tag":528,"props":1580,"children":1581},{},[1582,1584,1590],{"type":532,"value":1583},"Google Analytics 4 ",{"type":527,"tag":1585,"props":1586,"children":1587},"span",{},[1588],{"type":532,"value":1589},"GA4",{"type":532,"value":1591}," BigQuery - źródła ruchu, sesje, atrybucja, koszty marketingowe i gotowe dane do analiz",{"title":19,"searchDepth":534,"depth":534,"links":1593},[],{"data":1595,"body":1596,"excerpt":-1,"toc":1602},{"title":19,"description":840},{"type":524,"children":1597},[1598],{"type":527,"tag":528,"props":1599,"children":1600},{},[1601],{"type":532,"value":840},{"title":19,"searchDepth":534,"depth":534,"links":1603},[],{"data":1605,"body":1607,"excerpt":-1,"toc":1619},{"title":19,"description":1606},"Google Analytics 4 GA4 BigQuery - 9 wyzwań, które Cię zaskoczy podczas analizy danych",{"type":524,"children":1608},[1609],{"type":527,"tag":528,"props":1610,"children":1611},{},[1612,1613,1617],{"type":532,"value":1583},{"type":527,"tag":1585,"props":1614,"children":1615},{},[1616],{"type":532,"value":1589},{"type":532,"value":1618}," BigQuery - 9 wyzwań, które Cię zaskoczy podczas analizy danych",{"title":19,"searchDepth":534,"depth":534,"links":1620},[],{"data":1622,"body":1624,"excerpt":-1,"toc":1637},{"title":19,"description":1623},"Podczas interakcji z danymi Google Analytics 4 GA4 w BigQuery możemy napotkać różne trudności o których warto wiedzieć wcześniej, zanim spędzimy wiele godzin nad detektywistyczną próbą ich pokonania.",{"type":524,"children":1625},[1626],{"type":527,"tag":528,"props":1627,"children":1628},{},[1629,1631,1635],{"type":532,"value":1630},"Podczas interakcji z danymi Google Analytics 4 ",{"type":527,"tag":1585,"props":1632,"children":1633},{},[1634],{"type":532,"value":1589},{"type":532,"value":1636}," w BigQuery możemy napotkać różne trudności o których warto wiedzieć wcześniej, zanim spędzimy wiele godzin nad detektywistyczną próbą ich pokonania.",{"title":19,"searchDepth":534,"depth":534,"links":1638},[],{"data":1640,"body":1641,"excerpt":-1,"toc":1647},{"title":19,"description":1017},{"type":524,"children":1642},[1643],{"type":527,"tag":528,"props":1644,"children":1645},{},[1646],{"type":532,"value":1017},{"title":19,"searchDepth":534,"depth":534,"links":1648},[],{"data":1650,"body":1651,"excerpt":-1,"toc":1657},{"title":19,"description":1019},{"type":524,"children":1652},[1653],{"type":527,"tag":528,"props":1654,"children":1655},{},[1656],{"type":532,"value":1019},{"title":19,"searchDepth":534,"depth":534,"links":1658},[],1788963889847]