GA4 to jedno źródło prawdy? Rola data science i data engineer w marketingu - Adam Wiatkowski

GA4 przestało być „jednym źródłem prawdy" — dziś domodelowuje nawet 30–40% danych przez AI i jest w praktyce tylko nakładką na hurtownię. Prawdziwa analityka zaczyna się od surowych danych, hipotez biznesowych i przyczynowości, nie od raportowania wskaźników „na zielono".

W tym odcinku „I To Się Liczy" (#16) rozmawiam z Adamem Wiatkowskim — człowiekiem gdzieś pomiędzy data science a analityką digital — o tym, dlaczego mamy coraz więcej technologii i coraz mniej danych, kiedy warto (a kiedy NIE warto) budować hurtownię i jak realnie mierzyć, które źródło ruchu naprawdę sprzedaje. Zostań do końca — puenta o pracy bez kontekstu zmienia sposób patrzenia na analitykę.

Najważniejsze wnioski:
→ GA4 przestało być „jednym źródłem prawdy" — domodelowuje 30–40% użytkowników przez AI i jest tylko nakładką na hurtownię danych.
→ Prawdziwa analityka zaczyna się od surowych danych i hipotez biznesowych, nie od raportowania metryk „na zielono" (data reported ≠ data driven).
→ Przyczynowość bije raportowanie: ghost ads, testy A/B i metoda 11 modeli pokazują, które źródło ruchu faktycznie generuje sprzedaż.
→ Uwaga na paradoks Simpsona — konwersja bywa ujemnie skorelowana ze sprzedażą i jest słabym miernikiem.
→ Hurtownia nie jest dla każdego: mniejszej firmie często wystarczy data mart, a AI bez kontekstu i higieny danych tylko utrwala błędy.

Kontekst jest wszystkim — bo, jak mówi Adam, praca bez kontekstu to strzelanie na oślep do kaczek.

👉 A Ty pracujesz data-driven czy data-reported? Napisz w komentarzu.
🔔 Subskrybuj „I To Się Liczy" i podaj odcinek dalej komuś, kto wciąż traktuje GA4 jak źródło prawdy objawionej.

🎁 Do wygrania: książka „Data Driven Marketing" — szczegóły w przypiętym komentarzu.

Rozdziały:

00:00 – Analityk GA4: zawód z przyszłością czy bez?

00:40 – Gość: Adam Wiatkowski (data science + analityka)

02:00 – Od web analityki do data science

04:00 – Paradoks: więcej technologii, mniej danych

06:53 – Masz GA4 ≠ robisz analitykę

07:15 – GA4 jako nakładka na hurtownię danych

08:46 – Dlaczego hurtownia powinna być przed GA

09:45 – GA4 domodelowuje 30–40% danych przez AI

10:00 – Co daje hurtownia, data lake i Databricks

12:00 – Masz wszystkie dane o klientach — i co dalej?

13:40 – Kiedy NIE warto budować hurtowni

15:24 – Data reported zamiast data driven

16:37 – Atrybucja behawioralna i przyczynowość

18:00 – 11 modeli: które źródło ruchu naprawdę sprzedaje

24:00 – Ghost ads i MMM: ML kontra statystyka lat 40.

36:00 – Ścieżka użytkownika jako zdanie: session2vec i UMAP

44:00 – Testy A/B, incremental i modele przyczynowe

48:00 – Bez hipotez i kontekstu AI nie pomoże

58:00 – Paradoks Simpsona: konwersja rośnie, sprzedaż spada

64:00 – Trend radar i Quickfire: Python, BigQuery, statystyka vs ML

72:00 – Rekomendacje i myśl na koniec

Adam Wiatkowski — https://www.linkedin.com/in/adam-wiatkowski-43294463/
Społeczność (Skool): https://www.skool.com/i-to-sie-liczy-2492
Sponsor główny: Fly on the Cloud (FOTC) — https://fotc.com/
Paczka prezentowa: e-naturalnie.pl — https://enaturalnie.pl/

#ITosieLiczy 
Powered by #FOTC 

#GA4 #analitykamarketingowa #datascience #hurtowniadanych #BigQuery #datadriven #atrybucja #paradoksSimpsona #MMM #marketingmixmodeling #ghostads #GoogleAnalytics #ecommerce #marketingb2b

Sponsoring / współpraca: jeśli chcesz reklamę swojej firmy w podcaście — napisz do mnie, podeślę ofertę.
Usługi, które mogę dla Ciebie wykonać: hurtownia danych („jedno źródło prawdy”), szkolenia, warsztaty, GA4, server-side, Oferuję również kompleksowy audyt marketingowy.

Transcript

SPEAKER_02 0:00

A licenie konwersji bez znajomości paradoksu Simpsona to znaczy, że jesteśmy albo bardzo niedoedukowani, albo w po prostu bardzo szaleni.

SPEAKER_00 0:09

Za 3 lata. Analityk GA4. Zawód z przyszłością czy bez. Tak.

SPEAKER_02 0:14

To jest trochę tak jak z jedzeniem, jak idziesz do McDonalda i jeszcze coś nie zdrowego, to cię cię tego pogłębia choroba, a musisz zmienić troszeczkę nawyków, takich bienadanych, traci, poprawi, tego nie zrobi dla nas szczuszna inteligencja. Tam u organizacji, gdzie napisano dwa-trzy doktoraty wdrażają cómniej uczenie maszynowe. Opróczna inteligencja policzy wszystko, ale nie policzy tego, że właśnie przy Twoim sklepie otworzyła się konkurencja.

SPEAKER_00 0:36

Praca bez kontekstu to strzelanie na oślepaczek. Witam was serdecznie w kolejnym odcinku podcastu i to się liczy. I to się liczy to podcast o marketingu, danych i technologii. Od mojego gościa, jak również od tematu, który poruszamy, staram się wydobyć jak najwięcej kontekstu, który jest ważny w naszej codziennej pracy. A dzisiaj moim i Państwa gościem jest Adam Wjatkowski. Cześć Adam.

SPEAKER_02 1:04

Cześć, miło mi się poznać i pozdrawiam wszystkich słuchaczy.

SPEAKER_00 1:07

Powiedz nam, czym się zajmujesz i jak znalazłeś się w tym miejscu swojej kariery, w którym aktualnie jesteś.

SPEAKER_02 1:16

To jest bardzo trudne pytanie z mojej perspektywy, szczególnie, że w tej chwili zajmuję się czymś pomiędzy Data Science a analityką Digital, chociaż zaczynałem jako web analityk wiele lat temu po stronie agencyjnej, m.in. w agencji, w której ty pracowałeś, po stronie korporacyjnej. Później poszedłem w Data Science, później zawróciłem i teraz jestem w dużej korporacji ubezpieczeniowej, gdzie trochę jako architekt danych, trochę jako analityk, trochę jako Data Science spróbuję adoptować różnego rodzaju rozwiązania na potrzeby łeb analityki i mam nadzieję, że właśnie o tym dzisiaj porozmawiamy.

SPEAKER_00 1:50

Jak ta twoja ścieżka przycięła się z tym Data Science? To było zainteresowanie? Wynikało to z potrzeb biznesowych?

SPEAKER_02 1:57

To wynikało z tego, że w pewnym momencie, to był chyba 2013 rok, uświadomiłem sobie, że łeb analityka nie odpowiada na wiele pytań, klientów, ponieważ klienci chcieli wiedzieć, no dobrze, mamy spadek ruchu, spadek sprzedaży, dlaczego. Tak i łeb analitycy mieli troszeczkę problemu, żeby to uzasadnić. Natomiast był wielki hype na data science. Ja stwierdziłem, że wchodzę w to, zobaczymy, z czym to się je i zacząłem się edukować już bardziej pod kątem analizy eksploracyjnej, statystyki, machine learningu, ponieważ chciałem wyciągnąć właśnie ten maszynel, learning, tę sztuczną inteligencję, która może pomóc w sprzedaży. Okazało się, że to nie jest takie proste. Nie jest takie łatwe, jakby się wydawało, jak mi się wtedy wydawało. Natomiast nie spocząłem na laurach i mimo wszystko szedłem w tym kierunku. W pewnym momencie chyterzy mnie zgarnęli i ustawili w kolejce rekrutacji do dużej korporacji energetycznej. Można to tak nazwać, i się mi to udało tam dostać jako od razu Senior Data Scientist. I tam stwierdziłem, że to jednak nie jest ta droga za wracą do digitalu, ale będę próbował troszeczkę inaczej podchodzić do analityki, bardziej jako statystyk data mining, wykorzystywać data mining i tego typu elementy, żeby zrobić coś więcej niż tylko raportowanie.

SPEAKER_00 3:21

W dobie tego hypu, który był na tego typu specjalistów, pojawiła się geła czwórka, i Google wyszedł do nas taką propozycją demokratyzacji tych nowych technologii i tych rozkwytywanych zawodów, i pojawiło się w geła czwórce kilka takich ciekawych myślę rozwiązań, jak właśnie eksplorację danych, które możemy przyprowadzić de facto ręcznie, czy bezpłatny konektor do BigQuery? Można by powiedzieć, że dzisiaj w tym środowisku Googlowym mamy dość dużo takich zaawansowanych rozwiązań, a z drugiej strony spada nam jakość danych i mamy coraz więcej wyzwań z wykorzystaniem ich w praktyce. Jak ty postrzegasz dzisiejszy ten stag technologiczny i możliwości, które on oferuje?

SPEAKER_02 4:08

I to jest właśnie największy paradoks, z którym się zmagam od lat, i często słyszę też na konferencjach i od innych specjalistów, że ta technologia się rozwija, mamy coraz mniej danych. I to wynika z tego. Na przykład w 2013 roku, kiedy w ogóle GTM wchodził, nie było nic. Ale biznes zakładał, że wszystko jest w Google Analytics i nawet nie trzeba nic tam robić, bo tam są na pewno wszystkie dane.

SPEAKER_00 4:31

Google Analytics był kiedyś takim jednym źródłem prawdy.

SPEAKER_02 4:34

Jednym źródłem prawdy powiedzmy, że dokładność 98% wszystkich danych. I teraz mamy tak, rozwój ochrony danych osobowych, rozwój tysięcy narzędzi, wszystko idzie koszty w górę. I czasami mam wrażenie, że ta sztuczna inteligencja i rozwój technologii to jest tylko proteza do tego, żeby uzyskać chociaż część tego wszystkiego, co było kiedyś za darmo.

SPEAKER_00 4:55

A czy to jest możliwe? Czy możemy uzyskać to, co było dawniej?

SPEAKER_02 4:59

Nie, ponieważ ścieżki użytkownika się zmieniły narzędzia, urządzenia, okna konwersji, zwiększa konkurencja. No wydaje mi się, że to wynika z tego, że kiedyś internet nie był tak popularny dzisiaj. Nie było rozwiniętych tak social mediów, nie było YouTube'a, użytkownicy racze korzystali z dyskopu.

SPEAKER_00 5:16

Było też mniej social mediów, mniej wyszukiwarek.

SPEAKER_02 5:18

Było mniej wszystkiego i też oczy reklamodawców były zwrócone raczej na offline niż na online, a jak zaczęły zawraca, znaczy zaczęły przechodzić na online, i rozwinęła się ta, jakby to powiedzieć, analityka pomiarowa, no to automatycznie rozwinęła się chęć bezpieczeństwa wszystkich klientów, więc siło rzeczy, jak Unia powie, że to ma być bezpieczne, no to tak naprawdę przycina jakość danych, więc wchodzimy troszeczkę obecnie w nową erę śledzenia użytkownika. Będziemy zmagać się niedługo z innymi trudnościami i właśnie tak naprawdę jak podejść do statystyki, żeby wyłapać jakikolwiek ruch, może tak być, jeżeli nie zadbamy sobie o analitykę.

SPEAKER_00 5:59

Czyli bardziej w kierunku badań, a nie takiego trackingu.

SPEAKER_02 6:02

Nie powiedziałbym, że tracking zniknie, bo bez trackingu nie ma żadnej próbki statystycznej, która może powiedzieć, czy ten ruch jest wartościowy. Zawsze będzie jakiś ruch, taki baseline, który będzie można mierzyć, ale nie jestem w stanie powiedzieć, ile tego ruchu zostanie za na przykład 10 lat. Może w ogóle się analityka zmieni i będzie się trzeba do tego przystosować. I to nie jest wygodne dla wielu osób, które mają doświadczenie z takimi narzędziami jak Google Analytics, bo moim zdaniem to w ciągu już paru lat takie osoby trochę będą na uboczył, będą musiały się edukować dosyć mocno.

SPEAKER_00 6:36

Postawię taką tezę. Wszyscy mają ga czwórkę. 80% z tych osób myśli, że wykorzystuje analitykę w swojej pracy, a tak naprawdę ma tylko zbiór różnych metryk. Czym Twoim zdaniem charakteryzuje się firma, która faktycznie korzysta z tych danych do podejmowania lepszych decyzji, do automatyzacji, optymalizacji kampanii czy też stronowania. Mówisz tylko o Google Analytics. Tak, w kontekście Google Analytics.

SPEAKER_02 7:04

Czy w kontekście Google Analytics możemy w ogóle zapomnieć jakiejkolwiek analityce, dlatego, że wyznacznikiem analiz danych i tak jest hurtownia, a Google Analytics jest tylko nakładką z wieloma ograniczeniami. Więc jeżeli mamy firmę, która traktuje Google Analytics jako to źródło prawdy objawione i tam jest wszystko i wszyscy chcą mieć jak najlepiej, żeby te dane były super jakościowe, no to niestety mam tutaj bardzo złości dla tego typu firm, ponieważ nie unikniemy teraz sytuacji, gdzie będziemy mogli robić analitykę na gotowym w budowanym narzędziu, gdzie mam mnóstwo blackboxów, czyli mamy niby jakiś model atrybucji, ale nie wiemy w ogóle, ką działa. Nawet nie wiemy, czy przypisuje sobie bardziej zasługi tylko dlatego, że to jest Google.

SPEAKER_00 7:47

To jest bardzo prawdopodobne.

SPEAKER_02 7:49

Bardzo prawdopodobne i zresztą, jeżeli ktoś agreguje sobie dane w CREM-ie i porównuje dane z CRM o własną atrybucję, na przykład bardzo prostą logikę, to widzi, ile jest, jakie są rozjazdy, że atakujmy. Nawet 20-30% potrafią być na poziomie konwersji. Na śmieszne jest to, że ostatnio zrobiliśmy sobie taki test, żeby sprawdzić, czy Google Analytics w wersji darmowej lepiej zbiera dane niż w wersji Premium, i okazało się, że ta wersja darmowa jest bardziej dokładna niż ta wersja Premium.

SPEAKER_00 8:18

To wiesz, co ja miałem podobne testy z serwersite i taki goły serversight zbiera mniej danych od zwykłego GTM. Taka ciekawostka, kilka procent, to potwierdziłem też ze znajomymi z firmy Bacona. Ale wracając do Giaczwórki, czyli uważasz, że jeśli ktoś chce tak na poważnie podejść do pracy na danych, powinien po zainstalowaniu GA4 połączyć się z hurtownią danych i zacząć tam agregować dane.

SPEAKER_02 8:41

Nawet nie wiem, czy po zainstalowaniu GA czwórki, bo moim zdaniem hurtownia powinna być przed Google Analyticsem. Powiedzmy mamy takie instytucje jak banki, ubezpieczyciele, to one zbierają już tylko logi. Mają struminkawki, sobie gdzieś tam ustawione i zbierają wszystkie tas pointy i nawet nie używają Google Analytica, bo one mogą, bo compliance im nie pozwoli na przykład, aby Google Analytica zainstalować na kliencie, więc instalowanie tego tylko na frontendzie w niektórych instytucjach, a miejsca dla zalogowanych nie ma, no to rodzi już komplikacje pomiarowe, więc czasami w ogóle lepiej do tego odejść i zbudować własną hurtownię, szczególnie, że jak się ma dużo osób na pokładzie i bardzo dużo pieniędzy, no to się bardziej opłaca niż sama nakładka Google Analytics 4. Bo trzeba pamiętać, że to jest nakładka tylko i wyłącznie na dane, które są w hurtowni de facto? I może być taka sytuacja, że mamy włączony w Google Analytics ten taki pomiar na poziomie sztucznej inteligencji i to jest domodelowanych 30-40% użytkowników my tak naprawdę nie wiemy nic o tym, co tam się dzieje, ale wierzymy, że to jest prawda, no bo nie mam trochę innego wyjścia.

SPEAKER_00 9:50

Jakie korzyści biznesowe może mieć ze sobą posiadanie hurtowni danych?

SPEAKER_02 9:56

Ja bym nawet nie powiedział o hurtowni danych. Dzisiaj mamy tej talejki szeroko pojęte w ogóle nowoczesne hurtownie w murze, które są czymś więcej niż hurtowniu danych, ale hurtownia danych w dzisiejszych czasach staje się takim środowiskiem już pełnej analityki, może nie opłaca się jeszcze wszystkich danych tam transferować, ale przede wszystkim na poziomie takiego bezpieczeństwa i administracji bardzo dużo nam odpada i dostajemy, dajmy na to mamy taki Data Bricks, takie narzędzie, które możemy sobie zainstalować w jakiejkolwiek hurtowni. I ono robi nam wszystko: DTL-ów, po data storage, pukonektory, pod nam Pythona do analizy tych danych, więc tam jest takie źródło, jakby to powiedzieć, że to jest procesor dzisiejszych, jakby tam. Tak, to jest ogólnie hurtownia, a to jest naszym takim procesorem, gdzie całe życie danych się dzieje, tam wszystko spinamy, szczególnie jak mamy wiele systemów. Natomiast w przypadku mniejszych firm należy się zastanowić, czy to jest opłacane, czy nie lepiej na zwykłej bazie, albo ze zwykłej bazy stworzyć sobie taką małą hurtownię bądź data marty, czyli takie małe, wyspecjalizowane hurtownie pod konkretne problemy tematyczne. Gdzie sobie agrujemy widoki i te widoki podpinamy pod raporty, aby nie generować dużych kosztów. Tak to się ogólnie robi w dużych firmach. Tylko że my zaczęliśmy. Właśnie, zaczęliśmy od złej strony, tak naprawdę, bo my od razu mówię w ogóle, Anitiks, hurtownia, a to nie jest kluczowe. Kluczowe jest to, czy my mamy hipotezy biznesowe. Czy w ogóle wiemy, w jaki sposób potencjalną hipotezę biznesową przenieść na biznes w ten sposób, żeby ten nasz biznes rósł. I uwierz mi, to jest piekielnie trudne. Możesz mieć wszystkie dane, możesz mieć wszystkie hipotezy. Jestem w stanie się założyć, że do połowy naszych firm w naszym kraju, gdyby ktoś przyszedł i powiedział, ja wam powiem wszystko o naszych użytkownikach, o waszych. Wszystkie kombinacje, źródła, ścieżki, powiem wam, kim oni są. To firma powie, no dobrze, ale co my mam teraz z tym zrobić?

SPEAKER_00 11:58

Jak to wykorzystać.

SPEAKER_02 11:59

Jak to realnie wykorzystać, bo w marketingu powiedzą tak, dobra, to cena. Bo każdy chce mieć niską cenę, właściciel powie, no ale już tak niską cenę, to nie, to co dalej? No to może kampanie reklamowne, ale już my tyle pieniędzy wydajemy na kampanię reklamową, co też to można zrobić? No to możecie coś na stronie zmienić. Ale ostatnio zmienialiśmy całą stronę, nie będziemy teraz zmieniać nowej strony. I tak naprawdę, jeśli chodzi o te narzędzia, to nie masz tyle możliwości, jeśli chodzi o taki czysty marketing, bo to się zawsze wiąże z personalizacją w e-commerce. Zawsze. Cokolwiek byśmy nie wymyślili, na samym końcu chcemy dostosować komunikat do klienta.

SPEAKER_00 12:34

No ale z drugiej strony mogę mieć narzędzia do personalizacji rzucam. Na przykład syneriz, narzędzie do marketing, automation i personalizacji, i tą witrynę już mi to narzędzie spersonalizuje. Nie muszę mieć hurtowni danych nawet de facto. Te narzędzie zbierze dane, przetworzy. I ja.

SPEAKER_02 12:49

To prawda, a cały czas mówię o personalizacji i że to jest ten jedyny taki główny pomysł na to, co można z tym zrobić. Pamiętajmy, że taki synerze też stoi na swojej hurtowni, tylko że nasza hurtownia jest przechwytywana przez ich hurtownię i to należy się wtedy zastanowić kosztowo, bo czasami oczywiście to nie jest tak, że trzeba już to hurtownie budować, ale trzeba mieć świadomość, że jakiekolwiek narzędzie weźmiemy pod uwagę, to ono na tej hurtowni stoi. Albo będziemy mócować na jakimś open soursie i ktoś powie, no ale my płacimy za to mało, więc okej. I wtedy w takim biznesie to jest okej, ale biznes musi być świadomy, z czego rezygnuje i w którym kierunku idzie. A znam firmy, które się rzucają od razu, zróbmy wielkie data scienze, zróbmy hurtowę i potrafią przez dwa-trzy lata przepalać koszty.

SPEAKER_00 13:33

No koszty mogą być duże, to mogło być setki tysięcy złotych.

SPEAKER_02 13:36

Znam organizacje, gdzie napisano dwa-trzy doktoraty, wdrażając ogólnie uczenie maszynowe, ale firma spłaca kredyty w tamtym czasie przez dwa-trzy lata można spłacać kredyty. Żeby to się w ogóle opłaciło, bo nikt nie pomyślał, że może nie warto. Czasami trzeba się zadać pytanie, czy w ogóle warto, a może jest to jakaś inna droga.

SPEAKER_00 13:58

Zaczęliśmy naszą rozmowę od data science w marketingu internetowym. Zatrzymajmy się nad tym przez chwilę, czyli zastanówmy się, jakie rozwiązania data Science może biznes wprowadzić, pracując na takich surowych danych, właśnie weźmy pod uwagę jakąkolwiek infrastrukturę taką hurtownię danych, czy data lake, nie? Czyli mamy te dane w jednym miejscu i jakiego typu analizy można przeprowadzić, czy może, bo przeprowadzić można wiele, to może doprecyzuje pytanie. Jako pierwszą analizę byś przeprowadził w takiej firmie? Czy potrzebujesz hipotezy, czy już ci przychodzi jakaś na przykład taka ogólna, którą można wszędzie?

SPEAKER_02 14:36

Ale analiza pod kątem zastosowań?

SPEAKER_00 14:39

Na przykład we podzielmy to na takie obszary, jak kiedyś w Universal Analyticsie, czyli źródła ruchu i na przykład zachowania witrynie. Źródła ruchu, może zatrzymajmy się nad tym. To jest taki temat, myślę teraz gorący u nas w branży, który kanał jest dla mnie najbardziej opłacalny? W co warto inwestować i w co nie warto?

SPEAKER_02 14:58

I teraz mamy pewien dylemat, powiedzmy, spotkał się z jakiś prezes, jakiejś firmy z takim tematem, i no dobrze, to raportujemy. Bo tak naprawdę w naszym.

SPEAKER_00 15:08

Tylko co raportujemy, nie?

SPEAKER_02 15:09

Tak, to w naszym środowisku trzeba sobie powiedzieć szczerze, my nie mamy Data Driven, tylko Data Reporter. Co jest to, co się u nas pielęgnuje, co wynika z tego, że my mamy coś takiego, jak wskaźniki zarządu, wskaźniki mają być na zielono, jeżeli te 3-4 główne wskaźniki kosztów, marży, przychodów i zysków są na właściwym poziomie, to są wszyscy zadowoleni i nie trzeba wchodzić głębiej.

SPEAKER_00 15:31

A jak niezadowolenie, to dociskamy koniec miesiąca.

SPEAKER_02 15:34

I dopiero wtedy, kiedy firma jest niezadowolona, na przykład mieliśmy takie zjawisko, jak pandemia w naszym kraju, która pozamykała bardzo wiele firm, jeśli chodzi o obsługę klienta offline, i dopiero wtedy zaczęto inwestować w analitykę takiego customer 360, że tak, to trzeba to zrobić, no bo i na czy nam się biznes posypie, tak? Czyli dopiero jak Tytanik to nie, to wyjmujemy szalupy ratunkowe i zobaczymy, jak się z tego uratujemy. Natomiast wracając do Twojego pytania, i to jest właśnie ta klue, którym ja się zajmuję, ponieważ jeśli chodzi o samo źródło ruchu, to normalnie patrzymy tylko i wyłącznie na albo na Laclika, albo na Firsklika, prosta atrybucja. Ale na przykład istnieje coś takiego jak atrybucja behawioralna.

SPEAKER_00 16:19

O, to czym jest atrybucja behawioralna?

SPEAKER_02 16:22

I to jest bardzo ciekawe podejście, bo ktoś na przykład czytał książkę Marketing Algorithmic z Kacowa. Jest taka chyba Biblia wszystkich algorytmów marketingowych z przed 10 lat, gdzie można sobie pewne rzeczy zobaczyć, jak on to widział, to on mówi wprost: nie ma sensu analizować punktów styku, wejścia na stronę, bo to jest tylko ścieżka, ale powinniśmy patrzeć na intencję danego klienta i przypisać tę intencję do właściwego źródła. Czyli jeżeli mamy użytkownika, który mówi, o, ja chcę kupić, i dane mówią, on chce właśnie kupić, to szukamy źródła, które będzie odpowiadało za tę intencję.

SPEAKER_00 16:59

El Pael też o tym fajnie mówi w kontekście SEO, że nie patrzmy na słowa kluczowe, tylko na intencję, jaką.

SPEAKER_02 17:05

Dokładnie. I to można zrobić na bardzo prostej zasadzie. To jest jeden z tych kejsów, który warto sobie przetestować, ponieważ można użyć do tego Kasual ML, czyli jakby to powiedzieć, analityki przyczynowości.

SPEAKER_00 17:18

Kasual ML to jest jakaś biblioteka?

SPEAKER_02 17:22

Tak, to jest biblioteka Pythonowa, ale ogólnie mówimy tutaj o analityce przyczynowości, a nie tylko analityce deskryptywnej, czy takim badaniem ręcznym segmentacji. Jest to bardzo szeroki temat. Bardzo mało firm w ogóle wchodzi w takie badanie inkrementalu, bo różnica między taką zwykłą analizą a analityką przyczynowości polega na tym, albo w ogóle maszynle leingiem, że my mamy interwencję. Czyli mówimy, co by się stało, gdybyśmy tym ludziom nie pokazali jakiejś kampani, bo.

SPEAKER_00 17:51

Czyli tak by doszło do sprzedaży, czy nie.

SPEAKER_02 17:53

Tak. I to jest właśnie ten złoty gral każdego biznesu, który mówi, no dobrze, mamy dużą kampanię, ale czy ci ludzie by kupili, gdybyśmy tej kampanii nie mieli. I to jest to klue, na który stara się odpowiedzieć, szeroko pamięta w ogóle analiza przyczynowości. Warto się tym tematem zainteresować, bo można sobie na przykład zrobić bardzo prosty myk, żeby ocenić źródło ruchu. Powiedzmy, mamy 10 źródeł, które prowadzę do naszego serwisu, to robi się to technicznie tak, że trenuje się 11 modeli. Dużo, ale generalnie to działa tak, że jeden model jest wytrenowany na wszystkich źródłach ruchu i każdy następny model jest wytrenowany na tych wszystkich źródłach minus jedno kluczowe. I to jednokluczowe jest właśnie tym elementem, które powie nam, że jeżeli model nie jest w stanie określić przy użytkownika, czy powie, że ten użytkownik będzie miał zero konwersji, powiedzmy, no ty dlatego, że na przykład na Facebooku się nie nauczył. I technicznie odliczamy sobie później ten lift między tym modelem, gdzie się wszystkie źródła nauczyły, i każdym po kolei, i tam, gdzie jest ten największy uzysk, to mówimy, tak, w tym właśnie momencie widzimy, że jest duża intencja zakupowa, bo wszystkie źródła na tym milczą, bo jak się odejmie wagi niskie od tego głównego modelu, to będzie niskie. Ale tam jest ten model, który się nauczył na danych z Facebooka, to znaczy, że Facebook za to wszystko odpowiada. I wtedy wysyłamy te dane do BigQuery w konkretnych momentach, na przykład w punktach styku i mamy w BigQuery analizę takich właśnie fal. Wtedy widzimy przy każdym źródle, jak się te fary rozkładają, bo my rzeczywiście później sprawdzamy, czy ten użytkownik rzeczywiście w przyszłości kupił, bo nie znaczy, że on teraz kupi, on wykazuje taką intencję zakupowania.

SPEAKER_00 19:40

Ale to powtarzasz te treningi, czy tak jak mówisz, on się dzieje w czasie rzeczywistym.

SPEAKER_02 19:44

To się dzieje w czasie rzeczywistym, bo to jest tak, że jak na przykład użytkownik wykona 10 akcji na stronie, to odpalamy 10 zmiennych w GTM-ie dla każdego modelu, żeby policzyć ten lift między tym głównym modelem a pozostałymi modelami.

SPEAKER_00 19:57

I wartości z tego GTM-u dajesz jako do hurtowni, czy dajesz też jakąś zmienną do G4 na przykład?

SPEAKER_02 20:03

Czy generalnie ten model później jest liczony na regresje logistyczne, gdzie każde źródło, każdy element ma swoją wagę i każda zmienna w GTM-ie odpowiada za jedną wagę. Jest to trochę zabawy, ale jeżeli mamy 10 zmiennych, to zostawiamy 10 zmiennych w GTM-ie, ustawiamy tam bardzo proste przeliczenie pod algorytm, żeby to policzyć. I później mamy bardzo prosty przelicznik wysyłania takich danych do Big Query.

SPEAKER_00 20:29

Teoretycznie można by to później z BigQuery dosłać gdzieś do Google'a czy mety.

SPEAKER_02 20:33

Tak, i teraz jesteś to ważna rzecz, bo jeżeli na przykład mamy intencję zakupową, o ten klient jest właśnie z Facebooka, i on ma wysoką intencję zakupowych, wysyłamy event od razu też do Google, czy do Facebooka w tym przypadku. Pod remarketing, albo sygnał, że to jest właśnie klient, którego szukałem po drugiego ślukalajka. W czasie rzeczywistym, a nie w. Albo event jakiś nowy z dwa czy trzeba. Dokładnie, żeby później móc sobie też tagować tych użytkowników w odpowiednie grupy. I to się też testuje, bo czasami te algorytmy zawodzą, że to jednak się okaże, że jest jakiś sposób zachowań użytkowników.

SPEAKER_00 21:09

A latam, zawodzi to mniej od liczenia atrybucji przez metę czy Google. Przecie tam wiemy, jak to jest liczone, nie będę tego streszczał. Natomiast każdy do swojej bramki chce jak najwięcej tego udziału przyciągnąć.

SPEAKER_02 21:24

Nie dość udziału, to jest te dane, które tam są, są troszeczkę, jak to mówię, skrzywione w statystyce. Jaki zbajaz, że im bardziej idziemy w Google, tym mamy bardziej skrzywione dane, bo już ludzie kupują z Google, więc inwestujemy więcej w Google, tak i tak dalej, więc to nawet moim zdaniem w pewnym momencie przestaje być istotny statystycznie. Bo trochę tak jak jest z reklamą. Kupcie nasz proszek, bo on jest lepszy. A tamtych nie, jak wolno, źle dla Biedronko, tak? Gdzie jest stanie? I to trochę tak jak meta z Google troszeczkę walczy.

SPEAKER_00 21:56

Ale walczy też w taki sposób, tak jak od siebie podał? Widać, że jest link z końcówką Geclite, a jest przypisany do Direk Nona. Co się musi dziać w samym interfejs G4 to tak?

SPEAKER_02 22:08

Tak, dlatego na przykład u nas jest tak, że my zrezygnowaliśmy z Google Analyticsa, jeśli chodzi o to źródłomiarowe, i stworzyliśmy raczej na poziomie konsoli, przeglądarki, wyciągamy te wszystkie kluczowe dla nas informacje, które są, i przesyłamy od razu, na przykład z Lidem albo sprzedażą bezpośrednio do CRM.

SPEAKER_00 22:29

Czyli co, po pół TMAch tak samo macie także.

SPEAKER_02 22:31

Tak, i mamy pewien skryptik, który to wyciąga i my mamy logikę, kiedy co wyciągnąć, bo raczej rozliczamy się w dużej mierze zalaz klika, pewną atrybucję możemy sobie później dobudować już na własnej hurtowni z całkowitym pominięciem Google.

SPEAKER_00 22:44

Na przykład behawioralną, o której mówiłeś, tak?

SPEAKER_02 22:46

Tak, na przykład w ten sposób to działa, ale też jest ważne, aby rozliczać partnerów, których mamy, i tutaj jest największy problem. Afiliacja. Afiliacja, ale partnerów, na przykład rankomat albo tacy dużnerzy, którzy dostarczają lidi dla ubezpieczycieli, bo ten ruch przechodzi przez wiele źródeł i tak naprawdę finalnie jest problem ze zidentyfikowaniem tego kluczowego źródła? Więc raczej rozliczamy się polac kliku takim najprostszą drogą, ale niektóre elementy mogą być zaniedbywane. No ale jeśli chodzi o takie metody, no to jak już w innych odcinkach podcasta wspomniałeś, marketing mix modeling, to też jest coś, na co warto zwrócić uwagę, szczególnie, że to jest regresja liniowa.

SPEAKER_00 23:31

Jaka różnica jest między atrybucją behawioralną, o której powiedziałeś, a MMM.

SPEAKER_02 23:37

MMM robi tylko i wyłącznie rozkład podanych, które mamy. On nie powie, czy jakbyśmy wyjęli jakiś element, to on był tym kluczowym elementem w naszym podbiorze, bo właśnie na tym polega przyczyna, że tworzymy dwa światy, tak jak w testach HB, w jednym użytkownicy coś widzieli, w drugim nie, i wtedy możemy policzyć te różnice ogólnie. To jest najsensowniejszy sposób liczenia, czy dana reklama miała na coś wpływ. Natomiast w MMMie mamy tylko i wyłącznie rozkład po kanałach z dodatkowymi informacjami, co mogło na to wpłynąć, jak sezonowość albo na przykład makroekonomia. Bo tutaj generalnie MM jest o tyle fajny, że to pokazuje, jaka jest różnica między uczeniem maszynowym a takim podejściem statystycznym, bo mówi się, że większość algorytmów uczenia maszynowego przygrywa ze statystyką lat 40. Ja miałem to jest statystyka lat 40. Tak, bo to jest nowoczy regresion, ale kluczowa jest transformacja zmiennych. Ponieważ jeżeli nie potrafimy transformować zmiennych nieliniowych do liniowych, to nam nic nie wyjdzie. I tutaj jest takie właśnie. To jest ten element, który analityk powinien zrozumieć, dlaczego pewne zmienne transformujemy, dlaczego pewne zmienne bierzemy do modelowania? Bo sztuczna inteligencja za nas tego nie zrobi. Ona super przeliczy, ale ona nawet nie rozumie, co liczy.

SPEAKER_00 24:56

Adam, przychodzi do ciebie dyrektor handlowy, pracujesz w e-commerce, i mówi, Adam, w co mam inwestować? W Facebooka, w TikToka, w Google Adcy mam pół miliona do inwestycji. W co warto dzisiaj zainwestować? I ty podchodzisz do analizy atrybucji behawioralnej, robisz MMM, czy jeszcze inne działania podejmujesz, żeby ocenić, w który kanał warto by było zainwestować. Patrzysz na przykład, który dzisiaj najwięcej dowodzi, tak, powiedzmy, że w każdym jest potencjał, nie? Bo to też trzeba brać pod uwagę, w każdym jest potencjał na wydanie ekstra pół miliona, a my musimy wybrać jeden z nich.

SPEAKER_02 25:30

Wiesz to, pierwsza rzecz, którą bym zrobił, to sprawdziłbym, bo teraz tak, testy przyczynowe są fajne, ale to się wiąże z ryzykiem, że możemy wyłączyć jakiś kanał, żeby zobaczyć, jak ten kanał performuje. Natomiast w przypadku MMMu będziemy mieli bardzo fajny rozkład opłacalności, ale jeżeli firma jest brandowa, to ten brand bardzo dużo pochłania, to jest ten baseline ogólnie rzecz biorąc. I jeżeli mamy dane, typu prowadzimy raz kampanię, raz nie, mam takie skoki, a nie taka jedna ciągła linia, to MMM nam fajnie wychwyci. Pierwsza hipoteza. Ja mimo tego może była nawet zaczął. Bo ktoś powie, okej, to według MMM, Facebook daje nam 50% przychodu i może to sobie dotestować, doregulować, zobaczyć, czy to jest w ogóle prawda. No bo najpierw mamy wiedzę ogólnie, ale jaka jest realna sprzedaż, to się dowiadujemy bardzo często dopiero po wyłączeniu kanału. Albo jest taka strategia, że dobra, targotujemy na jedno miasto, a na drugie nie. Taka wersja, aby w ramach miast, tak duże sieci handlowe ogólnie robią. I wtedy możemy sobie policzyć ten inkremental. Natomiast analityka behawioralna już jest dosyć taką bardziej zaawansowaną szkołą jazdy. Mało w ogóle nie wiem, czy ktoś to stosuje tak, na produkcji, bo MMM jest jakby tym szczytem możliwości, ale tak, zacząłbym od MMM-u i zweryfikował to na remarketingu. Bo tutaj jest najłatwiej do testowania.

SPEAKER_00 26:54

Jak zweryfikował na remarketingu?

SPEAKER_02 26:56

Podejście jest bardzo proste. Bo pytanie zawsze jest takie: okej, mamy ten remarketing, ale czy ci ludzie tak kupią? Bo sytuacja jest bardzo prosta. Mamy remarketing i to jest idealne miejsce do testowania przyczynowości, ponieważ bardzo łatwo wydzielić grupę, która coś zobaczy, które nie. Zresztą ludzie wchodzą na naszą stronę internetową, i to jest taka hipoteza. Dobrze, ale oni i tak kupią. Po co ten remarketing? Zostawiamy sobie taką hipotezę.

SPEAKER_00 27:22

Czyli tylko na nowych kierujemy. Powiedzmy.

SPEAKER_02 27:25

Powiedzmy, ale po co wydawać pieniądze na remarketing, jeśli oni kupią? Ale nie wiemy tego, czy oni kupią, dopóki tego nie sprawdzimy. Najprostsza metoda jest taka: 95% ludzi trafia na te listy remarketingowe, ale 5% to jest w ramach takiego Ghost Us, czyli niby nie pokazujemy remarketingu, ale czekamy i zobaczymy, co oni zrobią bez tej kampanii remarketingowej. I później porównujemy dwie grupy. Patrzymy, ile osób z remarketingu faktycznie kupiło, a ile osób z tych ghost ads, czyli nie dostali reklamy, oni by tylko tagowani, kupiło bez tej kampanii remarketingowej. Ta różnica pokazuje, jaką siłę ma remarketing, ale też jaką siłą ma dany kanał, który analizujem. Bo to można zrobić bezkosztowo, bez większych takich problemów na zasadzie, no nie możemy włączyć kampanii, bo nam sprzedaż padnie, ale na remarketingu możemy zacząć testować pewne rozwiązanie i na Facebooku i na Google Adie.

SPEAKER_00 28:21

Czyli możemy testować lokalizację, remarketing, to są takie najbezpieczniejsze metody.

SPEAKER_02 28:25

Lokalizacja, remarketing, jeżeli nie chcemy wyłączać na siłę reklamy, chyba że akurat nam się kampania jakaś kończy, to mówimy teraz o kontekście, musimy wiedzieć, co dokładnie, w którym miejscu się wydarzyło, ale marketing mix modeling to policzę. On później jest w stanie poskładać nam pewne ogólne wartości i powiedzieć, że dobra, inkremental tej reklamy jest dwukrotnie większy niż inne albo organika. I to jest punkt wyjścia. Później można zacząć grzebać, że tak to ujmę, trochę głębi na konkretnych segmentach.

SPEAKER_00 28:54

Okej, a co byśmy doradzili MŚP, które nie ma hurtowni danych, gra czwórka jako tak o zbiera dane. I jak możemy ocenić na przykład wpływ tych kanałów najtrudniejszych w mierzeniu na last cliku, czyli na przykład Mety i TikToka? Co myślisz, że na przykład o takiej metodzie, że liczymy mer i do tego meru dokładamy sobie udział tego Facebooka i patrzymy, jak wpływają poszczególne fale emisji Facebooka na sprzedaż w totalu.

SPEAKER_02 29:23

Znaczy to jest dobra metoda ogólnie rzecz biorąc. Natomiast pytanie czy teraz średni biznes zrozumie, co to jest mer, rzecz biorąc. No ja bym się jednak trzymał MMMu, szczególnie, że jest biblioteka, czy to Propet na AERZ i jest bardzo fajna. Na Pythonie, która ma 95% mocy tego, co Propet oferuje. I bardzo łatwo jest to zbadać, jeżeli trzymamy te wydatki marketingowe. I ja bym od tego zaczął, ponieważ wdrożenie tego na Pythonie, tak mówiąc szczerze, jeżeli mamy dane, to zajmie je parę godzin. To jest kwestia tylko destrojenia tych modeli, a dalej można sobie już jakby dalej wchodzić w statystykę i odszukiwać pewnych metod analitycznych, które są dostępne na rynku. No i jeszcze trzymam raczej przyczynowości i MMM, i być może.

SPEAKER_00 30:16

A analityka behawioralna. Mówisz, że implementujesz wagi z poziomu GTM-a. Tak. Czyli jeśli masz gotowe skrypty, to czy ona jest taka trudna do wdrożenia?

SPEAKER_02 30:26

Jeste pierwsze skrypty napisał mi Gminę AI, więc nie jest to trudne do wdrożenia. Mówiąc szczerze, później ja zacząłem to rozbudowywać.

SPEAKER_00 30:33

Czy to nie jest prostsze na przykład od MMM-a? Tak na start, żeby od czegoś zacząć.

SPEAKER_02 30:37

Na start jest zdecydowanie prostsze, natomiast pytanie o skuteczność tego, ponieważ tutaj już mówimy o maszynle. Masin learning ma trochę inne podejście niż MMM, ponieważ w MMM, uwaga, my mamy coś takiego, jak nasycenie, jak opadająca reklama, czyli dobudowujemy informacje, jak ta reklama realnie oddziaływała. To są rzeczy, których nie ma ogólnie w takim typowym maszynle, więc myślę, że MMM na poziomie predykcyjnym będzie skuteczniejsze, ale będzie mniej wyjaśniał niż taki dobrze zrobiony model uczenia maszynego. Tam jest regresja logistyczna, tak? Więc ona wszystkie źródła traktuje tak samo, patrzy tylko na wagi, a w MMM- możemy dostosować ten kanał jest ważniejszy od tego. Bo na testach przyczynowych możemy zobaczyć, że wyłączyliśmy reklamę, nic nie spadło, więc MMM-dostosujemy. Dobra, to tutaj te wagi są małe, bo tam się ustawia pewne wagi. My wiemy, że organik, jak jest włączony, to nadal tyle samo sprzedaje, więc nie szukaj dla organika jakichś wyższych wag. Tak można sobie w MMM nie poustawiać. I to dostajanie jest piekielnie ważne.

SPEAKER_00 31:48

Żeby pracować nad analityką behawioralną i MMM powinna być jakaś forma hurtowni danych, tak? Czy możemy obejść potrzebę robienia hurtowni danych?

SPEAKER_02 31:58

To zależnie jak zdefiniujemy hurtowni danych. Ja raczej bym wolał określenie danych surowych, czy ktoś będzie to trzymał w Excelu, po Zgressie, czy w hurtowni, hurtownia jest raczej takim miejscem zagregowanych już danych już finalnych, na pewno dzejk, ma te wszystkie dane surowe, ale te dane surowe powinniśmy mieć, bo to są dane najbardziej granularne, po to, aby dokonać jakichś obliczeń. Jeżeli mamy już kostkę taką wysokowymiarową, jak we Google Analytics, to my nie jesteśmy w stanie rozbić jej na jakieś poszczególne transakcje pojedyncze, żeby to zobaczyć. Mamy ten eksplorator danych, tak na początku mówiłeś, tylko co my możemy z tym zrobić poza takim oglądaniem, jak slady. Co tam się dzieje, ale nie mamy dostępu do tych danych surowych.

SPEAKER_00 32:41

Jakaś namiastka eksploracji danych, którą znamy z Pythona, to można jakby ręcznie trochę.

SPEAKER_02 32:50

Mamy 100 tysięcy użytkowników, to 100 tysięcy użytkowników ręcznie wyciągać z tej eksploracji.

SPEAKER_00 32:56

Znaczy nie mówię, że zrobimy to samo, nie? Ale w jakiś sposób ja tak założyłem taki kierunek Google, sama nazwa, też eksploracja danych. Że oni tak jakby chcieli trochę tego data Scientista wrzucić tą giaczwórkę, może nie całego, ale jakieś tam dać na miastkę.

SPEAKER_02 33:11

To jest zaciągnięte za dobę Analytics, bo oni tam mieli tego Workbencha, gdzie możemy sobie rakendropem wrzucać wymiary. I to jest jedyna rzecz, które w ogóle korzystam w Google Analytics. Ale jeżeli ja chcę to sobie na przykład importować, no to muszę maksymalnie tam jest chyba 500 wierszy do importu do Google Docksów, czy do Excela, i to się robi, bo. Do eksportu? Tak, do eksportu. I nie, no tak się nie robi, tak się nie robi analityki. Chyba, że mam bardzo mało danych i zależy tylko nam na jakichś 300 wierszach.

SPEAKER_00 33:45

Luka Studio chyba ma 50 tysięcy, o ile limitu do API nie wykorzystasz. Tak, tylko pamiętajmy, że. To jest takie sztukowanie cały czas, nie sztukuje to gdzieś w Excelach.

SPEAKER_02 33:54

Tak, ale nie zapominajmy, że w Google Analytics to trash holdy, i Google Analytics nam blokuje widok na małych grupach, i czasami te małe grupy są istotnie statystyczne, jeśli chodzi o sprzedaż, a my tak naprawdę mamy tylko i wyłącznie estymacje. Więc no w siłą rzeczy Google Analytics, jak ma 30% danych, odszyfrowanych na poziomie swojej sztucznej inteligencji, no to co to są za dane teraz? Prawda? Kluczowych danych, kluczowe dane i tak musimy trzymać gdzieś w naszej bazie, albo w CRM, albo w hurtowni, moim zdaniem, no chyba, że mamy sklep internetowy i jest tego bardzo dużo, no to i tak się podpina wtedy hurtownię, a Google Analytics jest nakładką dla bardzo wysokopoziomowego biznesu, żeby sprawdzać bardziej trafik, bardziej trendy niż takie rzetelne informacje, które są w sprzedaży.

SPEAKER_00 34:45

Teraz rozmawialiśmy o źródłach ruchu i jakby tym obszarze, w jaki sposób możemy tu modelować dane, wykorzystać hurtownie danych, tak w cudzysłowiu, tak, tu jakieś dane surowe, czy właśnie zasoby modelowania data scientistowego, a powiedz mi, w jaki sposób moglibyśmy podejść do analizy zachowań użytkowników witrynie? Powiedzmy, że interesuje mnie to, czy powiedzmy, pisanie blok postów wnosi mi coś więcej, jak tylko ruch SEO, czy może faktycznie jest duży przepływ przez te blokposty i to wpływa na intencję zakupową.

SPEAKER_02 35:18

I to jest właśnie bardzo dobre pytanie, bo moim zdaniem przepływ użytkowników, czy sekwencji zdarzeń, o których mówisz na stronie, to jest to, co się najbardziej daw wyciągnąć z uczenia maszynowego, jeśli chodzi o podejście analityczne.

SPEAKER_00 35:33

Jakbyś mógł to rozwinąć.

SPEAKER_02 35:34

O co chodzi? Mamy takie algorytmy, jak NLP. Algorytmy typu BARET, który jest podstawą w ogóle dla czata GPT, ale już nawet takiej słabszej jakości, jak starsze LDA, one zostały zaprogramowane, żeby analizować tekst.

SPEAKER_00 35:50

I to są algorytmy maszyn learningowe, które się dzwonią.

SPEAKER_02 35:55

I rozumieją kontekst zdania, dlatego tak fajnie się z nami komunikują, można stworzyć robota, który zna nasz kontekst, wie, że Rzym to nie tylko miasto, ale też karczma. W zależności od kontekstu. I o co teraz chodzi? Chodzi o to, że jeżeli mamy sekwencje zdarzeń na stronie internetowej, typu ktoś wchodzi z ruchu organicznego, wchodzi na stronę główną, kategoria, produkt X, widzi cenę, dodać do koszyka, to jak sobie to rozpiszę, to mamy zdanie. Mamy słowa, naszych touch pointów i zdanie.

SPEAKER_00 36:25

Jeżeli cały touch point podróży użytkownika po mojej witrynie, to jest zdanie.

SPEAKER_02 36:30

Tak. I każda sesja to są zdania tych użytkowników. I teraz najciekawsze jest to, że jeżeli wrzucimy na przykład w taki algorytm, jak sesją dówek, to jest pierwszy algorytm, którego używałem w ogóle do silników rekomendacyjnych.

SPEAKER_00 36:46

To jest algorytm maszyn learningowy.

SPEAKER_02 36:48

Tak, to jest algorytm maszyn lewingowy, ale troszeczkę o innym podejściu, ponieważ on właśnie bierze tekst. I złapie wszystkie intencje, jakie są w tym tekście, tworzy z tego wektory na takiej przestrzeni, gdzie jedno słowo to jest jeden wektor w jakiejś przestrzeni i bliżej jeden wektor drugiego wektora. To znaczy, że na przykład koszyk zakupowy versus exit Page, jeżeli blisko siebie, to są bardzo mocno ze sobą obowiązane.

SPEAKER_00 37:15

To i szuka korelacji między poszczególnymi.

SPEAKER_02 37:17

Nie powiedziałbym, że to korelacja, bo on oblicza odległości na wszystkich punktach, więc nazwijmy to korelacja, zależność, ale to jest na podstawie całej sekwencji wszystkich zdarzeń, kombinacji. To tak jak my chodzimy sobie troszeczkę po YouTube i YouTube wie, że właśnie chce obejrzeć dany film, o którym teraz myślę, to wynika z jakby moich przyzwyczajeń, z moich sekwencji zdarzeń, które ma.

SPEAKER_00 37:42

Ale jest podsuchu na telefonie.

SPEAKER_02 37:44

Nie wierzę, że w podsuchu na telefonie, bo może też brać te informacje jako kontekst ogólnie rzecz biorąc, że chce to obejrzeć, ale chodzi o to, że jest jednak model, który mówi noso pewne wzorce zachowań.

SPEAKER_00 37:58

I obliczamy prawdopodobieństwo, celujemy w matematykę.

SPEAKER_02 38:01

Tak. Ale teraz pytanie: no dobra, ale możemy mieć 100 tysięcy kombinacji sekwencji, o co w tym chodzi? Tutaj jest największe wyzwanie dla analityka, żeby badać kontekst touch pointu, bo jakbyś poszedł do firmy i się zapytał, no dobrze, macie sobie ścieżki dotarcia do sprzedaży, ale które touch pointy w jakim stopniu wpływają na to, że jak człowiek na przykład wejdzie na kalkulator cen, to czy to jest dobra wiadomość, czy to jest zła wiadomość? I w jakim stopniu ten człowiek ma. I w jakiej sekwencji to jest dobra czy zła. Ale też, jeżeli na przykład mam tak, jeżeli użytkownik wejdzie na kalkulator, to czy mu scoring rośnie, czy nie w tym czasie, prawdopodobieństwo zakupu. Raczej właściciele firm czy menażerowie powiedzieli, ale panie, o co panu chodzi? To jest już chyba za bardzo zaawansowane, a ja uważam, że analityk właśnie będzie tym się różnił od AJA, że on złapie ten kontekst. On będzie musiał wyciągnąć od biznesu te realne potrzeby i określić mapę tych touch pointów. Dlaczego o tym mówię? Ponieważ jeżeli sobie wrzucimy tylko bardzo proste touch pointy do takiego algorytmu, to on nam znajdzie powiązanie między tymi touch pointami. Ale na przykład chcielibyśmy wiedzieć, jak użytkownik szedł do koszyka zakupowego, to zobaczył cenę X. I taki case mam. Była kampania reklamowa robiona na darmową dostawę od 200 zł. I użytkownicy wchodzili w tę reklamę, chodzili sobie po stronie, dodawali elementy do koszyka, i nagle było bardzo dużo wyjść tego koszyka z tej reklamy. Wcześniej ta reklama miała inny przekaz i nikt nie wiedział tak naprawdę dlaczego. I dopiero zrobienie z tego wektoryzacji, czyli złączenia tych wszystkich eventów, pokazało, że wszystkie też pointy można było zmapować na taką umap. To jest taka mapa redukcji wymiarów, który ze 10 tysięcy wymiarów może zrobić tą 2D. Na tej mapie nakładane są wszystkie punkty, im bliżej siebie, każdy punkt to znaczy, że on jest w większej relacji. Można wtedy zobaczyć, OK. Był koszyk zakupowy, była cena 200 zł, był kalkulator i był egzit. I co się okazało? Okazało się, że ta reklama mówiła coś, czego później użytkownik w koszyku zakupowym nie znalazł, bo zamiast zobaczyć, że jest darmowa dostawa od 200 zł, cały czas widniał koszt dostawy. I oni się cofali wtedy do kalkulatora, sprawdzali, czy rzeczywiście tak będzie i rezygnowali z zamówienia. Ale to można było wyłapać dlatego, że był koszyk zakupowy, Exit Page, ta reklama w jednej galaktyce. Można później było wyciągnąć segment i zobaczyć, jakie są najczęstsze sekwencje w tym segmencie, i jakie jest prawdopodobieństwo, że jak taka sekwencja się zdarzy, to będzie Exit Page albo inny element. I wtedy analityk musi wiedzieć, co to jest za kontekst. Bo on musi wiedzieć, że była taka reklama, ona coś tam obiecywała, tutaj coś się zadziało w tym koszyku, że nagle sekwenc jest taka, że jest koszyk i wszyscy idą do kalkulatora. Ale wtedy jeszcze nie było tak, że wyświetlała się cena w tym strumieniu.

SPEAKER_00 41:03

Tak, w myśl in managementu to jest niwelowanie wąskich gardeł takich.

SPEAKER_02 41:07

Tak, i ten kontekst, który wiemy, że jeżeli biznes sobie określił, okej, co się musi zadziać na stronie, że użytkownik wyjdzie i taką sobie ścieżkę zrobimy ze sztuczną inteligencją, i prompty, które pchają użytkownika do przodu. Na to wszystko możemy pójść nałożyć algorytm, jakiejś metody szableja, które nam rozrysuje fajnie każdą zmienną, która ma na to wpływ. Mamy wtedy te główne sekwencje i nie musimy tego szukać w nieskończonej ilości.

SPEAKER_00 41:34

Jak w eksploracjach G4.

SPEAKER_02 41:36

Tak, na zawsze lubię mówić okej, kiedy mamy silnie 52, czyli mamy 52 touch pointy, to jest więcej kombinacji niż atomów we wszechświecie. Tego się nie da policzyć, ogólnie rzecz biorąc. A tutaj mamy taki pierwszy rzut, który mówi nam okej, jest taka ścieżka, w której coś się wydarzyło, bo teraz możemy sobie porównywać taką mapę dla kupujących, niekupujących, jaki jest rozkład tych kulek, albo zrobić przed kampanią IPO i zobaczyć, gdzie te korelacje się zmieniły ogólnie, bo może być nowa sekwencja. I wydaje mi się, że to jest ten element, który jakby szczególnie pod UX można na przykład to wykorzystać.

SPEAKER_00 42:12

I właśnie mam pytanie pod właśnie UX. Są błędy, czyli jakieś załóżmy wzorce w zachowaniach, które wychwycisz, które należy poprawić i tego nie testujemy. Ale jakie są obszary do testów AB i jakie zagrożenia niosą też w ogóle same test AB. Tak jakbyśmy może tutaj tak płynnie przeszli.

SPEAKER_02 42:34

No właśnie i to jest właśnie dobre pytanie, ponieważ to, o czym teraz mówię, stawia bardzo dużo hipotez i w stanie wyeliminować pewne problemy na stronie w zrobienia testów AB.

SPEAKER_00 42:46

No bo jeśli jest błąd oczywisty, to co tutaj będzie.

SPEAKER_02 42:48

A jeżeli widzimy, oczywiście, test AB pokaże nam, co jest lepsze, zielony kolor, czy czerwony kolor, jeszcze zaraz powiem, dlaczego.

SPEAKER_00 42:55

Ale czy istotnie, statystycznie, to też nie?

SPEAKER_02 42:57

Istotnie statystycznie, ale nie jesteśmy w stanie wszystkiego przetestować. Poza tym nie zapominajmy, że testy AB trochę niż tą stronę, bo jeżeli użytkownik jest skonfundowany, raz widzi taką wersję, raz taką, nie wie, o co chodzi, to troszeczkę może zaszkodzić biznesowi. A właśnie testy inkrementalne, ogólnie przyczynowe, czy na przykład właśnie tego typu NLP jest w stanie nam bardzo dużo pokazać bez testowania, bo wtedy wiemy, ludzie wychodzili z koszyka, bo im się to nie podobało, wchodzili do kalkulatora, więc łatwo się wtedy domyślić, dlaczego. To tak jakbyśmy nagrali sesję i jeden do jednego objęli to algorytmem i widzimy.

SPEAKER_00 43:32

Wszystkie sesje.

SPEAKER_02 43:33

Wszystkie sesje. Wiadomo, im więcej sesji tych też pointów, to trudniej to później analizować, więc trzeba zaplanować tego typu rzeczy. Natomiast z tymi AB jest jeszcze jedna fajna rzecz, która w ogóle umyka firmom, bo jak już robią testy AB, to się kończy. Dobra. Liczymy Piwaliu, jest policzone statystycznie zgodne. Tutaj więcej ludzi klika i fajnie. Ale to jest idealny motyw do tego, żeby sobie policzyć inkremental. Bo wtedy bierzemy sobie. Użytkowników z wersji A, surowe z hurtowni i z wersji B. I budujemy na tym model. I wtedy, jak nowy użytkownik wchodzi, wyłczony na takim modelu, to my wiemy, czy pokazywać mu wersję A czy B, bo ten model powie, no dobra, jeżeli mu nie pokażesz wersji B, to i tak kupi, bo tak się zachowywali ludzie, którzy nie widzieli tej wersji. No właśnie to jest idealny motyw, żeby budować te modele przyczynowe, ale praktycznie nikt tego nie robi.

SPEAKER_00 44:30

To też widzę zastosowanie do narzędzi typu na przykład, właśnie już wcześniej wspomniany Senrise, który personalizuje ci witrynę w czasie rzeczywistym, podokreślone cechy behawioralne użytkownika de facto.

SPEAKER_02 44:44

Tak, to są bardzo fajne rozwiązania, tylko że ja zawsze wychodzę z założenia, że.

SPEAKER_00 44:48

To wtedy nie test, tylko personalizacja już.

SPEAKER_02 44:51

Personalizacja.

SPEAKER_00 44:53

Albo personalizacja połączona z testami.

SPEAKER_02 44:55

Zakładam, że Syneriz wie, że ten użytkownik nie kupi. Tylko właśnie my zakładamy. Tak, my nie wiemy. Nie masz takiej zabawki do analizy, że możesz sobie zrobić inną kostkę. A może na poziomie lida, jak to wygląda? A może my znajdziemy coś w danych, bo Syneriz tego typu rozwiązania maksymalizują funkcję kosztu, mówią, temu sprzedamy, bo on wykazuje wzorce zachowań. A może ci się nie chce sprzedawać, a może chcę wysłać lida albo zaproszenie na jakąś imprezę i znaleźć inne wzorce niż to, co robić.

SPEAKER_00 45:28

Dobrze mówisz, czyli to jest dobry kierunek do optymalizacji. Teraz tak mi się pojawiła taka myśl, że jeśli jestem wzorzec, że z dużym prawdopodobieństwem ta osoba nie kupi, chociażby przez te algorytmy, o których wcześniej mówisz, behawioralne, czy też właśnie NLP wiem, że z dużym prawdobowieństwem nie kupi, no to może wykona inną akcję, jakieś mikrokonwersje.

SPEAKER_02 45:48

Zapisze się na newsletter, na przykład, albo zostawi nam lida, albo w teorii synera jest też powinien to wiedzieć i zaproponować mu tego lida, tylko nawet jeżeli to wie, to.

SPEAKER_00 45:58

Czy to trzeba wyklikać, nie?

SPEAKER_02 46:00

To trzeba wyklikać, ale on tobie nie powie na podstawie czego to ustalił.

SPEAKER_00 46:04

Ale to ty jako właśnie ten specjalista musisz mieć koncepcję na przykład. Tak jak teraz.

SPEAKER_02 46:08

Dokładnie, ale jeżeli masz dane, jeżeli ktoś ci powie, że dobra, jeżeli ta kampania z tym koszykiem zakupowym to jest 80% pewności sprzedaży, a z innym 30%, i to wie Syneriz, ale to jest Blackbox. Nie masz do tego dostępu. Tylko nawet jeżeli masz taką wiedzę powiązań między elementami, jak my to wykorzystamy w praktyce, bo możemy zrobić i redesign naszego serwisu, bo się okaże, że są miejsca na stronie internetowe, które są kompletnie nieoptymalne i nie warto w nie inwestować, bo tam użytkownicy wchodzą i generalnie nic się nie dzieje za bardzo. A nie będziemy mieli tego świadomo, po prostu scenaris wspominie te strony, ale my cały czas będziemy w niej inwestować w jakieś nowe kampanie, bo wierzymy, że tak fajnie jest tak, jest fajna strona, nowa powstała, nowy portal albo jakieś landing page i na pewno na pewno on się do czegoś przyczynia. A my musimy chyba raczej optymalizować to, co jest nieopłacalne i zostawiać to, co jest opłacalne dla klienta.

SPEAKER_00 47:04

Weźmy pod uwagę realia dzisiejszego biznesu. Mamy taki myślę paradoks inflacji efektywności, gdzie z jednej strony mamy masę narzędzi, mamy masę danych. Te narzędzia są coraz bardziej zaawansowane? AI, możliwość pisania skryptów w Pythonie bez znajomości na de facto Pythona. Z drugiej strony masa konkurencji i ja się tu zastanawiam, w jaki sposób my, jako analitycy czy data scientisti w marketingu, możemy zbudować klientowi taką przewagę, która pozwoli mu skutecznie konkurować. W jaki sposób możemy wykorzystać dane i data science w marketingu online?

SPEAKER_02 47:46

No to też trochę tematów ogólnie poruszyliśmy. Natomiast z mojej perspektywy, przede wszystkim kluczowe jest zrozumienie biznesu. Jeżeli nie masz tych hipotez, to nie wiesz, w którym kierunku ten pociąg jedzie. Dostaniesz sztuczną inteligencję. Bo na tym co się teraz wszystko opiera, idziemy w sztuczną inteligencję, będziemy w to inwestować, ale jest taki fajny paradoks właśnie, który mówi, że jeżeli mamy bardzo zaśmiecone dane i wrzucimy w to Aj, to on się nauczy na tych zaśmonych danych, i jeżeli wykryje wzorzec, że ludzie kupują, bo dostają kupony, no to on będzie się pod to uczył. I będzie wszystkim innym rozdawał kupony. Co nie? Więc bez świadomości statystycznej i analitycznej, nie da się w dzisiejszym czasie funkcjonować. Chyba, że chcemy powiedzieć wszystko sztuczne inteligencji, niech robi, niech wycina raportowania ludzi, którzy to raportują, bo to będzie potrafiło doskonale zrobić, ale będzie się uczyło na tym, co nie działało, i pogłębiało te problemy ogólnie. To będzie taka jak fasodowa analityka. Więc to jest trochę tak, jak z jedzeniem, jak idziesz do McDonalda i jeszcze coś niezdrowego, to ci się tylko pogłębia choroba, a musisz zmienić troszeczkę nawyków tak, higienia danych, tracking, poprawnych, tego nie zrobi dla nas sztuczna inteligencja. Więc ja nie chcę wchodzić w to w sztuczną inteligencję tak daleko, co wykracza poza automatyzację, a skupić się na podstawach statystyki, analizy, wnioskowania. Na przykład, można o sztuczna inteligencja policzy wszystko, ale nie policzy tego, że właśnie przy Twoim sklepie utworzyła się konkurencja.

SPEAKER_00 49:25

Ma to kontekst, który można de facto dostarczyć, ale tych wszystkich kontekstów, ja tak uważam, w makro, w mikro otoczeniu przedsiębiorstwa nie da się tego wszystkiego dowieść do.

SPEAKER_02 49:36

No to bardziej szósta inteligencja tego nie będzie wiedziała, tak? Ale ty musisz mieć świadomość, czego jeszcze nie masz. I może być tak, że to jest trochę tak, jak mówi się, z mózg nie wykorzystuje całego swojego potencjału, co nie sprawda. On wykorzystuje w zależności od sposobu naszej komunikacji, tego, co robimy. I tak samo jest z danymi. My nie musimy mieć wszystkich danych na raz, ale w razie kontekstu coś się wydarzy, my musimy mieć ten strumień informacji, który właśnie teraz jest potrzebny, a nie wszystkie inne po kolei. Bo generalnie firmy robią tak, masa danych, wszystko zbierajmy, ale do czego to doprowadzi ogólnie rzecz biorąc.

SPEAKER_00 50:11

Znaczy ja uważam, że w takim układzie budowania przewagi dzięki technologii, z wykorzystaniem data scientista do marketingu internetowego, czyli powiedzmy takiej osobie, jaką ty jesteś, potrzebny jest ogarnięty dyrektor, powiedzmy handlowy, który ma ogarniętego specjalistę od Facebook Adców, siadają razem z tobą, i Facebook, adcy, mówią, jakie mają technologię, albo ty już je rozumiesz, czyli, że są piksele mety, że możesz wysyłać sygnały z przetworzonych danych z hurtowni do mety. Tłumaczysz tej osobie odmety, jak ona może optymalizować kampanię załóżmy, nie pod Oaz, tylko pod na przykład revenu, pod roi. Czy możesz jej dostarczyć dodatkowe sygnały, na przykład z atrybucji behawioralnej, czy z MMM-u. Dać jej jakiś insight, żeby on wiedział, że faktycznie to dowozi, albo faktycznie nie dowozi, nie. Ale wydaje mi się, że trening, zastępując z data scientista AI-ość iteracji, jakie trzeba było dawać temu AJowi, by był tak olbrzymi.

SPEAKER_02 51:13

Ale kto będzie to dawał, jak nie wywozi na przykład analityka. Wiesz to, może dojść do nawet kolejnego paradoksu, że będziemy mieli AI, na którym nikt nie ma kontroli, nikt nie wie, jak to działa. Powiedzmy, jest jeden człowiek, który musi to kontrolować i jego zabraknie w organizacji. A AI ma kontrolę nad całą firmą. No i co dalej? Nie ma dokumentacji. Nie ma dokumentacji, bo oczywiście to jest ostatnia rzecz, którą się wykonuje. No i co dalej zrobimy? Tak musi być jakaś. Oczywiście, sztuczna inteligencja, chcesz, napisze ci skrypt. Super. Ale to ty jesteś tym mózgiem operacyjnym, wiesz, do czego to wykorzystać. Bo jeżeli nie masz pomysłu na biznes, to żadna sztuczna inteligencja nas nie uratuje przed niczym.

SPEAKER_00 51:54

Świetne pytanie, Adam, zadałeś ostatnio na grupie School i zapraszam tutaj was do dołączenia. Jeśli chcecie w takim środowisku geków porozmawiać jeszcze nawet bardziej technicznie, to tam jest taka przestrzeń na lajwach. I właśnie Adam zadał takie fajne pytanie ostatnio na ostatnim live. Okej, ale czym to się różni, co wy teraz produkujecie od napisania po prostu skryptów w Pythonie? No więc stwierdziliśmy, że niczym. Tylko nie każdy umie pisać skrypty w Pythonie. Że to jest właśnie ta różnica. I ja uważam, że czasami ten AI może przyspieszyć, czy właśnie ja to nazywam taką demokratyzacją zawodów. No bo nie ukrywajmy data scientistów, inżynierów danych, tych osób mocno technicznych brakuje na rynku. I tutaj ci agenci, czy w ogóle AI, tak to nazwijmy, może nam pomóc w wyprodukowaniu kodu. Nawet jeśli on nie będzie dokładny, ale w jakimś stopniu realizuje nam cele, to jest jakaś wartość. Natomiast jeśli jest w zespole Data Scientist, no to on prawdopodobnie zrobi to samo. Albo nawet jeszcze lepiej.

SPEAKER_02 52:53

I demokratyzacja jest fajna, ale to mi się teraz przypomina pewna historia z XIX-wiecznego remontyzmu, co tak mówimy, kiedy polscy poeci buntowali się przeciwko temu, żeby literatura była masowa. Bo oni doskonale wiedzieli, że jeżeli literatura będzie masowa, to spadnie jakość tej literatury, bo masy lubią wiadomo, kłasy i tak dalej. I trochę się obawiam i to przed tym trzeba przede wszystkim przestrzegać właścicieli firm, żeby ta demokratyzacja nie poszła ze spadkiem jakości, bo im coś się sprostsze, to tak naprawdę daje słabszą jakość, jeżeli tego nie rozumiesz. No bo okej, można tworzyć tekst za pomocą słowa, znaczy tekst, kod w Pythonie, tylko jeżeli dostanie człowiek, który nie ma pojęcia analityce, co ma robić, to wygeneruje ten kod i będzie starał się tak uprościć analitykę, żeby bardzo zaawansowane kwestie techniczne były zrobione, ale on nie rozumie analizy danych, więc dobra, policzmy sobie dwa słupki i wygeneruje bardzo duży program do wygenerowania prostego raportu. Tak to się może skończyć, bo tak się będzie kończyła demokratyzacja na zasadzie to już wiedza nam nie jest do niczego potrzebna, tylko sztuczna inteligencja wszystko zrobi. Tak, sztuczna inteligencja nam coś zrobi, ale my nie mamy pomysłu, jak to dalej wykorzystać. I przed tym trzeba przestrzegać ludzi ogólnie, że wiedza. Zresztą ostatnio widziałem badania nawet na LinkedInie, które mówiły, że to nie jest tak, że programiści mają mniej pracy dzięki sztucznej inteligencji, tylko więcej, ponieważ więcej obowiązków biorą na siebie, ta przestrzeń eksploracji się powiększa, i dzięki temu są w stanie realizować więcej rzeczy. To jest tak, jakby ilość roboczyło godzin masz nie przesunąłeś trzy kartony, teraz jesteś w stanie stać. Więc to nie jest tak, że będzie mniej pracy. Tylko skala tej pracy się zmieni i jakby zagospodarowanie większej ilości elementów, więc nie chce mi się wierzyć, że tak, że będzie tylko biznes, który będzie sobie pisał jakieś teksty. No bo tak nie będzie. Pewnie jakaś grupa analityków poleci, bo jak ktoś był klopaczy, że tak to używa raportów, klikaczu, tak zwany. To polecą bardzo szybko właśnie ich sztuczna inteligencja zastąpi, ale nie zastąpi firm, gdzie jest know-how, wiedzy biznesowej i ten kontekst jest zbierany i umiejętność budowania modeli i wykorzystywania tego w praktyce.

SPEAKER_00 55:15

Czy tacy specjaliści T-shape? Którzy mają szersze spojrzenie.

SPEAKER_02 55:20

Zdecydowanie. To ja bym powiedział, na przykład u nas jest tak, że każdy staje się jakby produkt ownerem swojego obszaru i ma do dyspozycji pomoc z grupy, sztuczną inteligencję, wiele różnych narzędzi, ale te kompetenc się rozszerzają dzięki temu, znaczy powiększają. I obowiązki.

SPEAKER_00 55:40

Ja uważam, że cały czas ten kontekst jest ważny, też o nim często mówisz. Mam do ciebie takie jeszcze pytanie przed samą przerwą reklamową naszego sponsora Flow on the Cloud. Dokończ zdanie. Praca bez kontekstu to strzelanie na oślep do kaczek. Dzięki i zapraszam Was na krótką przerwę reklamową.

SPEAKER_01 56:01

Testuj Gemini w firmie przez 30 dni za darmo. Rozmawiaj z chatbotem. Rozwiązuj problemy twórz treści i analizuj dane. Generuj zdjęcia i dowolnie edytuj ich styl. Generuj filmy i grafiki z wybranych elementów. Napisz do nas i zacznij korzystać już dziś.

SPEAKER_00 56:20

Witam was po bloku reklamowym. Jeśli jesteście zainteresowani usługami kloud, bardziej zaawansowanymi strukturami, data, hurtowniami, właśnie AI-em, czy też infrastrukturą Google Workspace. To odsyłam Was do Flyklo lub możecie również skontaktować się w tej sprawie ze mną, a my wracamy do gościa podcastu do Adama. Przejdźmy teraz do takich bloków stałych tego podcastu. Jednym z tych bloków stałych jest mit versus Hit. I powiedz, co Twoim zdaniem jest taką największą ściemą, takim hypem, który teraz toczy się u nas w branży.

SPEAKER_02 57:01

Ja bym powiedział dosyć może kontrowersyjnie, że liczenie konwersji.

SPEAKER_00 57:05

Że liczenie konwersji. Przecież każdy z nas liczy konwersję na wiele różnych sposobów.

SPEAKER_02 57:09

Każdy z nas liczy konwersję, ale bardzo mało osób rozumie, że istnieje coś takiego jak paradoks Simpsona. A liczenie konwersji, bez znajomości paradoksu Simpsona to znaczy, że jesteśmy albo bardzo niededukowani, albo bardzo szaleni.

SPEAKER_00 57:27

Tak byś mógł wytłumaczyć, czym jest paradoks Simpsona.

SPEAKER_02 57:30

I generalnie to jest jedna z największych pułapek, na którą się trafia przy dzieleniu konwersji ogólnie procentowym, bo wyobraźcie sobie taki case, liczymy sobie poszczególne miesiące konwersja dla przychodu w poszczególnych miesiącach. Porównujemy lata. Powiedzmy 2024-2025. Okazuje się, że każdy miesiąc w 2025 ma wyższą konwersję niż każdy miesiąc w 2024 roku, ale cały 2025 rok ma gorszą konwersję niż 2024. I to jest niestety coś, na co trzeba bardzo uważać, umieć dzielić dane, budować segmentację.

SPEAKER_00 58:11

A skąd się bierze taki paradoks? No, skoro każdy miesiąc był lepszy, to jak to możliwe, że cały rok jest gorszy.

SPEAKER_02 58:17

To jest właśnie paradoks. Polega głównie na tym, że jeżeli jeden ze zbiorów danych pokazuje nam bardzo duży ruch, ale niską konwersję, to za chwilę może się okazać, że na skumulowanych tych segmentach, znaczy w zasadzie tych wymiarach, będzie pokazywał bardzo dziwne rzeczy, ponieważ konwersja ma tę tendencję do tego, że może konwersja rosnąć, a sprzedaż będzie spadać, więc potrafi być ujemnie skorolowana ze sprzedażą, co czyni to bardzo słabym miernikiem. Są replacementy, że to tak powiem, do tego szeroki pojęty quality indeks, który liczy współwystępowanie, udział procentowy na sprzedaży i ruchu danego źródła i to jest to, czym można jakby operować, ale przy paradoksie z tym są trzeba zdawać sobie sprawy z takich pułapek statystycznych, że jest coś takiego, jak właśnie wariancja, jest skrzywienie w statystyce, jest. Mówi się nawet tak, że jeżeli mamy mamy grupę, która ma jest pięciokrotnie większa od grupy konkurencyjnej, czy na przykład źródło ruchu, organik daje nam pięć razy więcej ruchu niż direkt, no to powinniśmy unikać w ogóle mnożenia, znaczy udziałów procentowych. W takich elementach powinniśmy troszeczkę inaczej podejść do liczenia konwersji.

SPEAKER_00 59:31

Ciekawe, co mówisz o paradoksie, bo faktycznie mogły być jakieś miesiące skrajne na tym konkretnym przykładzie, które zaburzą cały wynik roczne, prawda?

SPEAKER_02 59:39

Tak, bardzo dużo jest sytuacji, kiedy napompujemy ruch kampaniami, które nie są konwertujące, albo zaczniemy wysyłać znowu newslettery do bazy, znowu mamy baz, bo mamy pewną bazę, która zawsze dostarcza nam ruch, więc więcej tam jeszcze pchamy troszeczkę tego trafiku, więc bardzo dużo użytkowników wejdzie, bardzo mało kupi i generalnie nam zaburzy całą sekwencję. Konwersja nie lubi takich skoków, ona lubi stałe jednorodne wartości. Oczywiście warto sobie porównywać, ale wtedy wchodzimy w segmentację, dzielimy pewne źródła na jeszcze mniejsze części, żeby zobaczyć, co tam się kryje, bo może się okazać tak, że mamy super wysoką konwersję, ale ona jest tylko na nowych użytkownikach, którzy są wciśnięci w ten wymiar.

SPEAKER_00 1:00:25

Częsty przypadek.

SPEAKER_02 1:00:26

Tak, a użytkownicy powracający, którzy są naszym kluczowym elementem, tę konwersję mają słabszą, ale że akurat w tym miesiącu mamy dużo nowych, to nam konwersja skoczyła, a generalnie w środku środku dzieje się coś niezrego.

SPEAKER_00 1:00:40

W ogóle segmentowanie na nowych powracających często otwiera biznesowi oczy, że ten biznes wygląda zupełnie inaczej przez taką właśnie perspektywę. A co jest Twoim zdaniem hitem? Największym albo nadchodzącym.

SPEAKER_02 1:00:55

Powiedziałbym hurtownie danych. Ogólnie day talejki i szeroko pojęte podejście do procesowania danych surowych, to będzie to jest.

SPEAKER_00 1:01:05

Ale tej talejki rozumiesz też przez taki pryzmatskany, faktur, obrazy, zdjęcia, wszystko.

SPEAKER_02 1:01:10

Ja się skupię tylko na danych ustrukturyzowanych, bo jak wchodzimy na tego typu skany, też mówimy o big data, to jest trochę inny rodzaj analizy, no ale jak ktoś ma pomóc, jak to wykorzystać już na takiej czystej hurtowni. To tak. No ja się jako rodzajmuję bardziej marketingim klientem i relacjami z produktem tego raczej nie ruszę.

SPEAKER_00 1:01:32

A mówisz na początku o pracy w obszarach machine learningu, tam dość obszernie tutaj się wypowiedziałeś. Pracujesz na Vertex AI? Jakiś tego typu rozwiązania? Czy pracujesz w infrastrukturze Google w ogóle?

SPEAKER_02 1:01:46

Powiedzmy, że na poziomie eksperymentów pewne rzeczy robię na Wertse Aj, ale znowu to jest Blackbox. Ja podchodzę raczej jako statystyk, analityk, do tego, żeby wyciągnąć pewne wnioski, ale jak to mówią, nie dotykam się już finalnej wersji samego algorytmu, który działa albo nie działa. Raczej rozbieram go trochę jak mechanik, samochód na części pierwszej sprawdzą to, co tam jest pod maską.

SPEAKER_00 1:02:10

Bo tam są modele częściowo wytrenowane.

SPEAKER_02 1:02:13

To są blackboxy, wytrenowane, to są Auto MLE, gdzie generalnie wrzucamy sobie dane i to jakoś działa. No to nie jest moja branża, moja branża lubi wyjaśnienia. Ogólnie czy branża finansowa ubezpieczona, działa na zupełnie innych setach danych. Tam jest coś takiego point of table. Mało kto w ogóle wie, że coś takiego istnieje, że bierzemy tylko moment życia użytkownika w danym punkcie czasowym, to trzeba wyliczyć. Jest takie pojęcie jak WOF w bankowości, gdzie dzielimy na segmenty pewne dane, takie biny, że spada nam jakość wtedy.

SPEAKER_00 1:02:45

Ale tu wiedzę też z bankowością myślę spokojnie można przerzucić na e-commerce.

SPEAKER_02 1:02:49

Tak, zdecydowanie. Tylko wtedy trzeba mieć świadomość na to, że banki patrzą mocno na statystykę wyjaśnialną, nawet kosztem jakości modelu, ponieważ ta wyjaśnialność jest kluczowa pod KNF i pod wszystkie regulacje, żeby powiedzieć, dlaczego ten klient kupił, ale to za to są proste algorytmy bardzo często, jakieś XGBS, boostingi, szeroko pojęte czy regresja logistyczna. Ona jest dosyć łatwa do zrozumienia nawet dla biznesu, bo dostajemy wagi. Te właśnie wagi możemy w GTM wrzucić, a deep learning to jest już.

SPEAKER_00 1:03:19

Bardzo mi się podoba, jak coś można w GTM wrzucić, to ja już to kupuję.

SPEAKER_02 1:03:23

Można i to nawet nie jest jakiś spowalnia, czy warto sobie. Uważam, że warto sobie pewne rzeczy przestować, zanim zdecydujemy się na coś większego. W ogóle zobaczymy, czy to działa, czy to będzie tylko hype na takiej zasadzie, coś nas namówił.

SPEAKER_00 1:03:38

Jak widzisz trendy na nadchodzące miesiące, lata, powiedzmy, na najbliższe dwa lata, co będzie nam trendowało w branży data scienze w marketingu.

SPEAKER_02 1:03:48

Znaczy trudno powiedzieć, co będzie trendowało, bo wszyscy skupiali się racze na blackboxach jajowych. No moim zdaniem sukces nie będzie widowiskowy. Że ci, co są w stanie, dosyć siermieżny, nudny sposób gromadzić dane, poprawiać jakość, to oni finalnie wygrają nad tymi, którzy powiedzą, to my nic nie będziemy robili, bo sztuczna inteligencja za nas rozwiąże.

SPEAKER_00 1:04:14

Sztuczna inteligencja w Google i Facebooka się to już w ogóle.

SPEAKER_02 1:04:17

No tak, i to są dwie ścieżki moim zdaniem. One teraz robią start, tak jak w tej bajce żółw i zając, i zobaczymy, czy sumienny zając wygra, czy szybki. Czy sumienny żół wygra, czy szybki zając, bo to jest wyścig jednej ideologii z drugą. Statystyki bardziej z machine learningiem. Ja jestem za statystyką, zobaczymy, co zostanie z moich koncepcji.

SPEAKER_00 1:04:42

Przejdźmy do Quick Fire. Szybkie pytanie, szybka odpowiedź. Python czy R? Python G4 czy Bigquery jako punkt wyjścia.

SPEAKER_02 1:04:50

Bigquery jako punkt wyjścia.

SPEAKER_00 1:04:53

Model gotowy, SAS czy własne? Testy AB prowadzić, czy zrezygnować?

SPEAKER_02 1:04:58

Chce zdecydowanie prowadzić.

SPEAKER_00 1:04:59

Analityk z G4 czy Data Scientist bez znajomości marketingu. Kogo zatrudnisz?

SPEAKER_02 1:05:05

Ale do jakiego problemu marketingowego?

SPEAKER_00 1:05:07

Do problemu marketingowego.

SPEAKER_02 1:05:08

Zaryzykałby na Data Scientista, mimo wszystko.

SPEAKER_00 1:05:11

Paradoks Simpsona: jak często trafia się w prawdziwej firmie? Raz na rok, raz na tydzień.

SPEAKER_02 1:05:17

Zawsze.

SPEAKER_00 1:05:18

Za trzy lata. Analityk G4. Zawód z przyszłością czy bez? Bez. O, a bym się zaczynło na chwilę. Dlaczego? Może ja zmienię branżę.

SPEAKER_02 1:05:28

Nie, nie. Ja to pytanie rozumiem na zasadzie wiemy tylko, że istnieje GA4 i nic innego. No to taki analityk będzie bez przyszłości, a jest bardzo wielu łeb analityków, którzy całą swoją duszę powierzyli Google. Tylko innego nie potrafią.

SPEAKER_00 1:05:43

Dokładnie. To też to obserwuje.

SPEAKER_02 1:05:45

Oczywiście GA4 jako narzędzie jest wartościowe, ale to będzie jeden z wielu klocków do układania, a nie sam komplementarny element egzystencji w nie to Ale GA4 już z hurtownią danych znowu otwiera przestrzeń na nowe.

SPEAKER_00 1:06:00

Takie kompetencje jak data science czy engiering danych, no bo same Bikery.

SPEAKER_02 1:06:04

To jest sobie sprawy, ile wtedy trzeba umieć, bo to jest SQL, to jest ET, LT.

SPEAKER_00 1:06:09

Tak, i ja właśnie rozmawialiśmy o tym przed podcastem. Ja mam takie doświadczenie, że mnie osobiście takie klepanie w kodzie męczy. Mocno. W sensie nie czuję się jakby powołany do pisania tego, mimo że z drugiej strony mam taką potrzebę jakby wyciągania tych wniosków. Natomiast ostatnio dochodzę do takiego etapu, gdzie to oddelegowuję, i osobiście mam duży problem ze znalezieniem ogarniętych inżynierów danych, którzy by mi pomagali w tych projektach. Spotykam wielu bardzo dobrych inżynierów danych, wybitnych, ale średnio potrzebują kwartał, żeby ogarnąć marketing, czyli specyfikę pracy na danych marketingach.

SPEAKER_02 1:06:47

Tak, ja uważam, że to trend pójdzie w tym kierunku, że jeżeli od etykijemy swoje dane i zrobimy jakieś słowniki na zasadzie, że LLMy będą wiedziały, co się znajduje w jakich konkretnych kolumnach, to SQL będzie najłatwiej zastąpić, bo najtrudniej podać kontekst sztucznej inteligencji. Ona musi wiedzieć dokładnie, co idzie, w jakiej kolumnie się znajduje i jak to funkcjonuje. I wydaje mi się, że łatwiej to będzie opisać na poziomie dokumentacji, żeby się sztuczna inteligencja tego nauczyła i później generowała gotowe skrypty. No bo to jednak SQL jest bardzo schematyczny, tak? Jest chyba najprostszym językiem do zastąpienia z tego wszystkiego.

SPEAKER_00 1:07:25

Ale znowu to jest to, co mówisz, dobra, kontekst, czyli kontekst w postaci dokumentacji skonektorów, co dokładnie oznaczają metryki, jaka jest logika działania. Teraz na tym pracuję nad takimi asystentami, którzy mają mi w tej pracy pomóc. Ale tak czy inaczej, ja zauważam, że dużo lepiej wychodzi sztucznej inteligencji i pisanie w Pythonie czy w Java skrypcie. Na przykład po GTM-a, bardzo szybko mi to produkuje jakby gotowe skrypty i one działają, a znowu w SQL-u często muszę się nieźle nagięć.

SPEAKER_02 1:07:54

Tak, bo nie ma tego kontekstu odnośnie, co z czym, a Python ma bardzo dobre dokumentacje. Tylko teraz można się zastanowić, czy lepiej mieć analityka, który będzie tworzył ten kontekst czy raporty?

SPEAKER_00 1:08:04

Ale to jaż w ogóle. Raporty ja uważam, że niedługo. Właśnie ostatnio o tym rozmawialiśmy też na sklu z Kamilem, bo ja uważam, że ten paradygmat takiej potrzeby posiadania raportów, że na każde spotkanie zarządu musi być raport. Uważam, że może być tak, niekoniecznie, że będziemy o tego odchodzili, że ważniejsze będą wnioski, jakieś insighty, aż ta potrzeba robienia slajdów i raportów trochę.

SPEAKER_02 1:08:27

Ale raport za rząd czy zawsze będzie musiał istnieć, bo to musi być podsumowanie nawet nie, na akcjonariuszy czy coś w tym stylu. Jakieś podstawowych nie da się bez raportów funkcjonować, no bo jednak raport jest dashboardem, który pokazuje, że coś się dzieje i można później zacząć jakby dość.

SPEAKER_00 1:08:42

To może doprecyzuje, ale wiesz, będzie ich mniej, bo czasami wiesz, ile jest z raportów w organizacji.

SPEAKER_02 1:08:46

W tej chwili to jest tak, że się na raportach zaczyna i wszystko się na raportach kończy, czyli na pierwszej klasie szkoły podstawowej. Tak jak z językiem angielskim. Zaczynam od A1 i te 8 lat robimy te A1, bo zawsze tego zaczynamy i kończymy. No tak niektórzy mają z tym językiem angielskim i trochę tak jest z analityką. Raport to jest ten poziom A1.

SPEAKER_00 1:09:05

Skąd czerpiesz wiedzę? Gdzie zdobywasz informacje o newsach, tego, co się dzieje w branży?

SPEAKER_02 1:09:12

Wiesz co, ja już w tej chwili w zasadzie przeważnie romansuję ze sztuczną inteligencją, chociaż może niektórzy powiedzą, on halucynuje. Po co? Ale eksperci też halucynują. Jednak najszybciej można dojść do tego, żeby wziąć sobie jakąś książkę, jakąkolwiek, wrzucić to sobie w AI i później zacząć uczyć się o tej książce jak z nauczycielem. Od WLM, albo nawet gmini AI w darmowej wersji zdecydowanie wystarczy. Bo to jest lepsze niż kursy, to jest zdecydowanie lepsze niż nawet edukacja na studiach podyplomowych. Mamy od razu skondensyfikowaną wiedzę, bo jeżeli dobrze nakarmi sztuczna inteligencja, nam odpowie na każde pytanie z każdym kontekstem i nie ma tak, że nauczyciel czegoś nie wie, a sztuczna inteligencja i jeszcze się cieszy, że im to pytanie zadajemy. Więc jest to bardzo motywujące. Ja na przykład zauważyłem, że mój poziom w ostatnim roku bardzo mocno wzrósł, odkąd jest sztuczna inteligencja. W ogóle nawet nie chodzi o poziom kodowania, bo on może mi zacząć pewne rzeczy robić, ale zacząłem łączyć zupełnie nowe fakty, na które wcześniej bym nie wpadł.

SPEAKER_00 1:10:18

A wykorzystujesz AI do kodowania?

SPEAKER_02 1:10:20

50% skryptów mam stworzony przez AJ, później ewentualnie sobie dopracowuję jakieś schematy, albo coś mi nie wychodzi, to mówię, dobra, to mi napisz. No niestety to jest tak, że jeżeli ja wiem, jak coś napisać, ale to samo mi AI napiszę w dwie sekundy, a mi to zajmie 15 minut, a będzie to samo, no to pytanie, po co mam na to czas poświęć.

SPEAKER_00 1:10:42

Jak znajdziesz jakiś problem, nie będziesz musiał chodzić po forach, tak? Tylko od razu można zostać.

SPEAKER_02 1:10:47

Albo wrzucę forum, tam próbowali rozwiązać teraz powiedz mi o co chodzi. I tak moim zdaniem 80% kejsów, które robiłem, to było strzał w dziesiątka, jeśli chodzi o takie kodowanie, a czasami największym problemem jest na przykład nie ta wersja biblioteki, to od razu się poprawia. Ale dzięki temu, jak widzę już kod napis stworzony przez Jaję, to już wiem, jak do tego podejść. Ale mówię, jak wiem, że on mi to zrobi w dwie sekundy, to czasami lepiej poświęcić się na analizowaniu albo przemyśleni jakichś tam elementów analitycznych niż na klepanie tych kodów. Chociaż nie warto odchodzić od tego, bo sieci neuronowe na wózgu zaraz zaginą, jak wszystko rzucimy na jaj.

SPEAKER_00 1:11:26

Czy miałbyś do polecenia jakiś kanał, książkę?

SPEAKER_02 1:11:30

Jest to kejsykazyw. Warto go śledzić. To jest były szef Data Science w Google. On bardzo trudne tematy w bardzo przystępny sposób rozwiązuje. To z tych takich osób, które warto śledzić. Plus ogólnie Twitter. Znaleźć sobie taką grupę ludzi. Wiesz, każdy pracuje w innej branży, więc trudno teraz, jak jakby jednego geeka, który sprawia.

SPEAKER_00 1:11:51

Ale Twitter, nie LinkedIn.

SPEAKER_02 1:11:53

Czy stary Twitter, czyli X. Na Linkedinie to chyba już jest więcej reklam niż jakichś takich filozofii życiowych, jak na Facebooku. Nie wiem, z czego to się bierze. Poli, a na X-ie chyba jeszcze tak nie ma. No ale literatura podstawowa, grona, słuszna inteligencja, a w ogóle ktoś maszyniem chce się zająć, rozumieć, to to jest taka fundamentalna Biblia, którą też warto polecić z literatury.

SPEAKER_00 1:12:18

Dzięki, Adam, za dzisiejsze spotkanie. Jeszcze jedna myśl na koniec dla naszych widzów, słuchaczy, z czym byśmy ich zostawili po tym podcaście.

SPEAKER_02 1:12:27

Rozwijajcie się bardzo szeroko w każdym kierunku i łączcie swoją wiedzę z kontekstem biznesowym, bo inaczej analityka straci sens.

SPEAKER_00 1:12:36

Dzięki wielkie. Mam dla ciebie jeszcze taki mały prezent, niespodziankę od sponsora właśnie prezentów, to jest firma ENaturalnie. Jeśli szukacie zakupów ekologicznych, kosmetyków, suplementów diety, to zapraszam Was do sklepu naaturalnie.pl Jeśli szukacie rozwiązań cloudowych, AI, Google Workspace, to odsyłam was do sponsora tego podcastu firmy Flyande Cloud. Oczywiście zachęcam Was do subskrypcji mojego kanału na YouTubie i o dołączenie do grupy na school, jeśli chcecie uczestniczyć w naszych livech, czy teraz też wprowadziliśmy, za czym jak długo to się utrzyma, ale póki co wprowadziliśmy taką kawkę z rana, gdzie wymieniamy się różnymi przemyśleniami na temat marketingu, technologii, danych. Forma jest nieuregulowana, także o wszystkim możecie tam porozmawiać z nami. Jeśli macie jakiś bieżący problem, może pracujecie nad jakimś projektem. Jak chcecie podzielić się przemyśleniami, to jest przestrzeń na takiej grupie. Dzięki Adam dzięki miło! Świetny podcast. Mam nadzieję, że Wam również się podobało. Do usłyszenia. Cześć.