Analiza e-commerce – na co warto zwrócić uwagę

Analiza platformy e-commerce to złożone zagadnienie — współczynniki odrzuceń, średnia wartość zamówienia, przepływ transakcji, konwersje, wpływ SEO. To przydatne informacje pod kątem wydajności, ale z perspektywy strategicznej to tylko fragment większej układanki.

Prawdziwa analityka e-commerce zaczyna się tam, gdzie kończą się standardowe raporty. Chodzi o zrozumienie, dlaczego klienci zachowują się w określony sposób, jakie bariery napotykają i co skłania ich do zakupu lub rezygnacji. Dopiero połączenie danych ilościowych z jakościowymi daje pełny obraz sytuacji.

Konfiguracja GA4 dla e-commerce

Google Analytics 4 zastąpił Universal Analytics i wprowadził fundamentalnie inny model zbierania danych — oparty na zdarzeniach zamiast sesji. Dla sklepów internetowych kluczowe jest poprawne wdrożenie Enhanced E-commerce, które śledzi pełną ścieżkę zakupową od wyświetlenia produktu po finalizację zamówienia.

Kluczowe zdarzenia e-commerce w GA4

1. 1view_item_list — wyświetlenie listy produktów (kategoria, wyniki wyszukiwania)
2. 2view_item — wyświetlenie karty produktu
3. 3add_to_cart — dodanie do koszyka
4. 4begin_checkout — rozpoczęcie procesu zakupowego
5. 5add_payment_info — wprowadzenie danych płatności
6. 6purchase — finalizacja zamówienia z wartością transakcji
7. 7refund — zwrot zamówienia (częściowy lub pełny)

Poprawne wdrożenie wymaga współpracy z zespołem technicznym. Najczęstsze błędy to brak parametrów wartości transakcji, duplikacja zdarzeń purchase przy odświeżeniu strony potwierdzenia i niespójne nazewnictwo kategorii produktów.

Pytania, na które warto szukać odpowiedzi

• Dlaczego odwiedzający odwiedzają stronę? Co ich tu sprowadziło?
• Dlaczego nie klikają CTA na stronie produktu?
• Czego szukają? Jak możemy pomóc im to znaleźć?
• Dlaczego tak wiele osób porzuca koszyki?
• Które produkty generują najwięcej zwrotów i dlaczego?
• Jak wygląda ścieżka zakupowa powracających klientów vs nowych?

Kluczowe metryki e-commerce — głębokie zanurzenie

Nie wszystkie metryki są równie ważne. Najlepsze zespoły e-commerce skupiają się na kilku kluczowych wskaźnikach, które bezpośrednio wpływają na rentowność biznesu. Oto najważniejsze z nich:

CAC — Customer Acquisition Cost

Koszt pozyskania klienta to suma wszystkich wydatków marketingowych i sprzedażowych podzielona przez liczbę pozyskanych klientów w danym okresie. Zdrowy CAC powinien być 3-5x niższy niż LTV klienta. Monitoruj CAC osobno dla każdego kanału — pozwoli to optymalizować alokację budżetu.

LTV — Customer Lifetime Value

Wartość klienta w czasie to prognozowany przychód generowany przez klienta przez cały okres współpracy. Dla e-commerce oblicza się go jako: średnia wartość zamówienia × średnia częstotliwość zakupów × średni czas retencji. LTV jest najpotężniejszą metryką, bo pozwala podejmować decyzje o dopuszczalnym koszcie pozyskania klienta.

AOV — Average Order Value

Średnia wartość zamówienia to łączny przychód podzielony przez liczbę zamówień. Zwiększenie AOV o 10% przy stałym ruchu przekłada się bezpośrednio na 10% wzrost przychodu. Strategie podnoszenia AOV to cross-selling, upselling, progi darmowej dostawy i zestawy produktowe.

ROAS — Return on Ad Spend

Zwrot z wydatków reklamowych mierzy, ile przychodu generuje każda złotówka wydana na reklamę. ROAS 400% oznacza, że każda wydana złotówka generuje 4 zł przychodu. Minimalny akceptowalny ROAS zależy od marżowości produktów — przy 50% marży brutto ROAS 200% oznacza break-even.

Modelowanie atrybucji

Modelowanie atrybucji odpowiada na pytanie: który kanał marketingowy jest odpowiedzialny za konwersję? W świecie, gdzie klient kontaktuje się z marką 7-12 razy przed zakupem, przypisanie całego kredytu ostatniemu kliknięciu jest nieadekwatne.

• Last click — prosty, ale faworyzuje kanały z dolnej części lejka
• First click — przypisuje wartość kanałom discovery, ale ignoruje nurturing
• Liniowy — równy podział między wszystkimi touchpointami
• Data-driven (GA4) — algorytmiczny model oparty na rzeczywistych danych konwersji
• Marketing Mix Modeling — zaawansowana analiza ekonometryczna dla dużych budżetów

GA4 domyślnie używa modelu data-driven attribution, który analizuje rzeczywiste ścieżki konwersji i przypisuje kredyt na podstawie statystycznej analizy wpływu każdego touchpointu. To znaczący krok naprzód w porównaniu z uproszczonymi modelami Universal Analytics.

Analiza kohortowa

Analiza kohortowa grupuje klientów na podstawie wspólnej cechy (np. miesiąca pierwszego zakupu) i śledzi ich zachowanie w czasie. To kluczowe narzędzie do zrozumienia retencji, sezonowości i długoterminowej wartości różnych segmentów klientów.

Przykład: kohorta klientów pozyskanych w grudniu (Black Friday) może mieć zupełnie inny profil niż kohorta z marca. Analiza kohortowa pokażę, czy klienci „okazyjni" wracają po regularnych cenach, czy ich LTV jest znacząco niższe od średniej.

Podejście zorientowane na użytkownika

Tradycyjna analiza tylko częściowo pomaga zmierzyć się z pytaniami „dlaczego". Potrzebne jest podejście zorientowane na użytkownika, które pozwala dowiedzieć się, jak klienci wylądowali, przeszli i opuścili platformę — czyli pełny customer journey.

Wizualizacja lejka konwersji

Lejek konwersji w e-commerce pokazuje, na którym etapie tracisz najwięcej klientów. GA4 oferuje raporty Funnel Exploration, które pozwalają budować niestandardowe lejki i segmentować je według różnych wymiarów (urządzenie, źródło ruchu, kategoria produktu).

1. 1Strona kategorii → karta produktu (typowy drop-off: 60-70%)
2. 2Karta produktu → dodanie do koszyka (typowy drop-off: 85-90%)
3. 3Koszyk → rozpoczęcie checkout (typowy drop-off: 30-40%)
4. 4Checkout → płatność (typowy drop-off: 15-25%)
5. 5Płatność → potwierdzenie zamówienia (typowy drop-off: 5-10%)

Narzędzia uzupełniające

• Heat mapy — wizualizacja interakcji na stronie (Hotjar, Microsoft Clarity)
• Nagrania sesji — podgląd podróży użytkownika w czasie rzeczywistym
• Ankiety — poznanie oczekiwań klientów i śledzenie wskaźników CX
• Widżety opinii — natychmiastowa informacja zwrotna na konkretnej stronie
• A/B testing — Optimizely, VWO, Google Optimize do testowania hipotez

Dashboardy w czasie rzeczywistym

Najlepsze zespoły e-commerce budują dashboardy, które prezentują kluczowe metryki w czasie rzeczywistym. Narzędzia takie jak Looker Studio (dawniej Google Data Studio), Tableau czy Metabase pozwalają łączyć dane z GA4, CRM, systemu zamówień i platform reklamowych w jednym widoku.

• Dashboard operacyjny — zamówienia, przychód, konwersja (odświeżany co godzinę)
• Dashboard marketingowy — ROAS, CAC, performance kanałów (dzienny)
• Dashboard strategiczny — LTV, kohorty, rentowność kategorii (tygodniowy/miesięczny)

Analityka predykcyjna

GA4 wprowadził wbudowane modele predykcyjne, które prognozują prawdopodobieństwo zakupu i odejścia klienta. Te dane można wykorzystać do tworzenia segmentów remarketingowych — np. targetowanie użytkowników z wysokim prawdopodobieństwem zakupu wyższymi budżetami reklamowymi.

Zaawansowane zespoły idą dalej, budując własne modele predykcyjne: prognozowanie popytu na produkty, optymalne ceny, prawdopodobieństwo zwrotu i segmentacja RFM (Recency, Frequency, Monetary). Te modele wymagają zintegrowanego data warehouse i kompetencji data science.

Śledzenie zgodne z prywatnością

RODO, ePrivacy i zmiany w przeglądarkach (blokowanie third-party cookies) fundamentalnie zmieniają analitykę e-commerce. Firmy muszą przejść na model oparty na first-party data i server-side tracking, aby zachować dokładność pomiarów.

• Consent Mode v2 — wymagany przez Google od marca 2024
• Server-side tagging — GTM Server Container dla dokładniejszego śledzenia
• First-party data — budowanie strategii opartej na danych własnych
• Enhanced Conversions — przesyłanie zahashowanych danych użytkowników do Google Ads
• Conversion API — bezpośrednia integracja z Meta Ads (Facebook)

Dane mogą mierzyć wydajność witryny ilościowo, ale to nie wiedza, która pozwoli zrozumieć problemy na poziomie UX i CX. Łącz dane ilościowe z jakościowymi, aby podejmować trafne decyzje biznesowe.