E-shop měl v GA4 spoustu dat, ale málo odpovědí. Jak jsme to zlepšili.

Situace

Klient měl v GA4 kompletní data o chování zákazníků (imprese produktů, kliky, přidání do košíku, nákupy). Data byla, měření fungovalo. Ale produktová analytika na bázi kategorií a brandů vždy znamenala složité a časově náročné cvičení.

‍

Důvod nebyl v analytice, ale v architektuře webu. Web tahal informace o produktech z různých systémů podle toho, v jaké fázi nákupu se zákazník nacházel. Jedna databáze obsluhovala katalog, jiná vyhledávání, jiná košík. Každá z nich měla vlastní verzi pravdy o tom, jak se produkt jmenuje a do jaké kategorie patří.

‍

Problém

Rozdíly byly na první pohled kosmetické. V praxi ale rozbíjely celý funnel.

‍

Jeden produkt vystupoval v datech jako dva nebo tři různé. Verze z katalogu nasbírala imprese a zobrazení, verze z košíku nasbírala nákupy, informace se ale nikde nespojily. Konverzní poměr produktu tak nešlo spočítat: jmenovatel a čitatel patřily formálně různým produktům.

‍

U kategorií byly podobné komplikace. Content týmy v čase upravovaly kategorizaci produktů, jeden a ten samý produkt se v lednu prodával pod kategorií “Nachlazení”, zatímco v dubnu po opravě listingu již správně v kategorii “Čaje”. Nešlo tedy spolehlivě odpovědět ani na základní otázky: která kategorie táhne obrat, kde se lidé zastavují, co má smysl podpořit v kampaních. 

Nešlo o kosmetický rozdíl. Rozpory se týkaly prakticky celé produktové a kategoriální analytiky a nedaly se opravit ručně v reportech, protože se nedalo poznat, které záznamy k sobě patří.

Řešení

Klíčové bylo přestat opravovat data až v reportech a zavést jeden zdroj pravdy pro celou analytiku.

‍

Tím se stal produktový systém e‑shopu, kde jsou názvy, kategorie a značky vedené korektně. GA4 umí produktová data pravidelně přebírat z externího souboru, takže stačilo zajistit, aby se ta data do GA4 dostávala automaticky, ve správném formátu a spolehlivě.

‍

Postavili jsme tedy datový tok:

• klient denně exportuje produktová data z každého trhu do zabezpečeného úložiště, které pro tento účel provozujeme v cloudu,
• náš skript soubory ze všech pěti trhů zpracuje, sjednotí do jedné struktury a připraví do podoby, kterou GA4 očekává,
• GA4 si výsledek automaticky vyzvedne a přepíše jím roztříštěné názvy a kategorie ve všech přehledech — retroaktivně i pro budoucí data.

Celý cyklus se opakuje každý den, takže změny v sortimentu jako jsou například nové produkty, přesuny mezi kategoriemi nebo přejmenování, se v analytice objeví bez jakéhokoliv zásahu.

‍

Součástí řešení jsou kontroly, které rozhodují o tom, jestli se data vůbec pustí dál: zpracování ověřuje, že soubory obsahují všechny potřebné sloupce, a hlídá, jestli se objem dat oproti poslednímu úspěšnému běhu nezměnil neobvykle výrazně. Každý zpracovaný export se zároveň zálohuje a pokud jeden trh v daném běhu selže, systém použije poslední známou dobrou verzi místo toho, aby produktová data v GA4 zůstala nekompletní. Na nestandardní situace jsme nastavili upozornění, takže o problému víme včas.

Přínosy

1. ‍Produktová analytika, která byla dříve neúplná a roztříštěná. Sjednocení se týkalo desítek procent záznamů. Celý funnel po produktech a kategoriích, od impresí po nákup, je poprvé použitelný.
2. ‍Jeden zdroj pravdy napříč trhy. Pět zemí, jedna struktura kategorií, srovnatelná data. Reporting už není potřeba pro každý trh ohýbat jinak.
3. ‍Nulová provozní zátěž. Tok běží každý den automaticky a od nasazení ani jednou nespadl. Nikdo mu nemusí věnovat čas. Údržba znamená jen občasné změnové požadavky, když se mění datová struktura na straně klienta.
4. ‍Rozhodování na správných datech. Všichni uživatelé Google analytics pracují se stejnými, konzistentními čísly. 

Kam se dá jít dál

Automatizace je tak silná jako svůj zdroj dat. Dokud jsou data ve zdrojovém systému v pořádku, běží vše samo. Pokud v exportu ze zdroje pravdy něco vypadne, třeba přestanou chodit kategorie u části produktů, datový tok to zachytí a ohlásí, ale sám doplnit chybějící informaci nemůže.

‍

Proto řešení navrhujeme rozšiřovat o hybridní obohacování: chybějící údaje se dopočítají z jiných dostupných zdrojů, například z historických dat v GA4 nebo z jiných systémů klienta. Zdroj pravdy zůstává hlavní autoritou, ale výpadek na jeho straně už neznamená výpadek v analytice.

‍

Je to typický příklad toho, jak se datové toky vyvíjejí. První fáze zajistí, že data jsou konzistentní. Druhá zajistí, že jsou konzistentní i tehdy, když něco nefunguje podle plánu.

Co si z toho odnést

Automatizace datových toků nezní jako projekt, který mění byznys, ale v tomto případě šlo o nezbytné řešení, které přineslo možnost dělat datově podložená rozhodnutí, která ten byznys měnit mohou.

‍

Problém navíc nebyl vidět. V GA4 byla data, přehledy se načítaly, čísla vypadala důvěryhodně. Teprve pohled na to, jak data vznikají, ukázal, že celá produktová část reportingu ukazuje na neexistující produkty.

‍

Pokud vaše data pocházejí z více systémů, stojí za to se ptát nejen „Máme čísla?", ale „Ukazují všechna na totéž?".