Google Analytics 4 – Część 3 – Eksport surowych danych

Eksport danych surowych z GA4 – czemu to tak istotna zmiana?

Google Analytics 4 wprowadza możliwość eksportu surowych danych do BigQuery, szybkiej hurtowni danych dostępnej na platformie chmurowej Google. Jest to rewolucyjna zmiana dotychczas niedostępna dla większości użytkowników Google Analytics. Czemu eksport surowych danych jest tak istotny? Jak wykorzystać jego potencjał? O tym w poniższym artykule.

Dlaczego taka zmiana?

Firmy, które do tej pory chciały w bardziej zaawansowany sposób wykorzystywać dane zbierane przez Universal Analytics, poprzednika GA4, miały spory dylemat. Musiały one wykonać upgrade do wersji premium za $150 000 rocznie albo bazować na próbkowanych danych dostępnych we własnych raportach panelu GA. Dodatkowo problemem była ograniczona liczba własnych metryk i wymiarów, dzięki którym można byłoby przekształcać i rozbudowywać prowadzone analizy.

Skąd zatem tak drastyczna zmiana polityki po stronie Google? 

Po pierwsze, dane stają się coraz cenniejszym aktywem w dyspozycji firm. Umiejętność wykorzystania danych do podejmowania decyzji biznesowych w krótkim czasie to źródło przewagi konkurencyjnej na rynku. Kto w krótszym czasie lepiej identyfikuje sygnały rynkowe na podstawie posiadanych danych, ten wygrywa wojnę o klienta.

Jednocześnie, systematycznie spada średni koszt przechowywania i przetwarzania danych. Modele Pay-As-You-Go, dostępne na platformach chmurowych gigantów technologicznych, demokratyzują dostęp do przetwarzania dużych zbiorów danych.

Wraz z wprowadzeniem GA4 i opcją eksportu danych do BigQuery, Google zachęca zatem dotychczasowych użytkowników usługi GA do przesiadki na swoje produkty chmurowe oferowane w ramach Google Cloud Platform.

Jak wykorzystać surowe dane zbierane w GA4?

Jakie są zatem możliwości, które oferuje własna analiza danych surowych z GA4? Poniżej nasza lista 5 przykładów, jak dostęp do surowych danych wspomaga podejmowanie strategicznych decyzji w firmach, które prowadzą swoją sprzedaż online.

1. Walidacja transakcji zebranych w GA4

Typowa konfiguracja Google Analytics uwzględnia rejestrację transakcji, które odbywają się na stronie sklepu internetowego. W efekcie posiadamy informację o liczbie transakcji, przychodzie czy sprzedanych produktach i możemy je pogrupować ze względu na źródło pozyskania użytkownika. Jest to niezwykle cenna analiza, pozwalająca ocenić skuteczność prowadzonych działań marketingowych czy wydawanych budżetów.

Rzadko kiedy jednak taka analiza uwzględnia statusy zarejestrowanych transakcji. Czy faktycznie zostały one potwierdzone, opłacone i czy w kolejnych dniach klient jednak nie wycofał się z transakcji np. dokonując zwrotu? Dodatkowo czy Google Analytics faktycznie rejestruje wszystkie dokonane transakcje? Co w przypadku osób, które po opłaceniu zamówienia nie wróciły bezpośrednio z systemu płatności na stronę sklepu (według naszych obserwacji to około 15-20% użytkowników)? W efekcie dane dotyczące transakcji w GA mogą być nieprecyzyjne i mogą prowadzić do niewłaściwych decyzji.

Opis: Tabela z transakcjami z GA4 i ich walidacja w oparciu o dane z platformy e-commerce

Eksport danych o transakcjach do hurtowni pozwala nam na dokonanie dodatkowej walidacji. Wykorzystując dane z systemu e-commerce, możemy zidentyfikować tylko faktycznie zrealizowane transakcje, uzupełniać dane o brakujące transakcje (niewidoczne dla GA) i na ich podstawie prowadzić rzetelne analizy skuteczności prowadzonych kampanii.

2. Połączenie danych o przychodach i kosztach marketingowych

Mając dane o faktycznych przychodach przypisanych do poszczególnych źródeł ruchu, możemy pójść krok dalej i zestawić je dodatkowo z kosztami marketingowymi poniesionymi na ich wygenerowanie

Większość platform reklamowych (Facebook, Google Ads czy TikTok) udostępnia bez opłat dostęp do API raportowego, które pozwala na pobranie i załadowanie do hurtowni danych o poniesionych kosztach na poszczególne kampanie.

Opis: Zestawienie przychodów i kosztów reklamowych na poziomie kampanii reklamowej

Dzięki wykorzystaniu odpowiedniego oznaczania reklam możemy te dane zestawić z danymi o ruchu pochodzącymi z GA4. Pozwoli nam to obliczyć wskaźniki faktycznego zwrotu z inwestycji w kanały i kampanie marketingowe. Co istotne, taka analiza pozwoli uniknąć duplikacji zliczonych zamówień, która występuje zawsze, kiedy takiej analizy dokonujemy, sumując dane z paneli reklamowych.  Przykładowo użytkownik przechodzący na stronę z kampanii Facebook, a następnie Google Ads i dokonujący zamówienia zostanie zaliczony w obu tych panelach jako kupujący. Każdy z paneli posiada tylko wiedzę na temat ruchu ograniczoną do swojego ekosystemu reklamowego.

3. Patrzenie na klienta a nie zamówienie

W biznesach, które bazują na powtarzalnej sprzedaży do klientów (np. w formie subskrypcji), dużo istotniejszym wydarzeniem od pozyskania zamówienia jest pozyskanie nowego klienta (a najlepiej subskrybenta). Analizując historię zakupową dotychczasowych klientów i subskrybentów, możemy prognozować wartość klienta (tzw. Lifetime Value) i z dużym prawdopodobieństwem przewidywać ich przyszłe zamówienia.

Z tego powodu ocena kanałów marketingowych z perspektywy kosztu pozyskania nowego klienta/subskrybenta jest dużo bardziej precyzyjna niż popularne ROI czy też ROAS (mierzone jako stosunek przychodu z wygenerowanych bezpośrednio transakcji do poniesionego kosztu marketingowego).

Opis: Liczba pozyskanych klientów oraz subskrybentów w podziale na kampanię marketingową

Przetwarzając dane surowe z GA4, możemy łatwo przeprowadzić taką analizę i zweryfikować, które źródła i kampanie dostarczają głównie jednorazowe transakcje, a które przyprowadzają lojalnych i wartościowych klientów.

4. Własny model atrybucji

GA4 wprowadza możliwość wyboru z wielu wbudowanych modeli atrybucji, w tym model data-driven oparty na algorytmach sztucznej inteligencji. Przy wszystkich zaletach tego rozwiązania, a przede wszystkim łatwości korzystania, pozostaje ono czarną skrzynką, której musimy zaufać i nad którą mamy ograniczoną kontrolę.

Opis: Porównanie przychodów z kampanii FB dla 6 własnych modeli atrybucji i trzech okien konwersji

Te firmy, które potrzebują większej kontroli i możliwości ingerencji w modele atrybucji, dzięki eksportowi surowych danych z GA4, mogą samodzielnie budować ścieżki konwersji i tworzyć modele dostosowane do własnych potrzeb. Wykluczanie z atrybucji słów brandowych, zamówień z kodem influencera czy oznaczanie zamówień subskrypcyjnych to tylko kilka przykładów tego, w jaki sposób można ją dostosować do celów i specyfiki danego biznesu.

5. Modelowanie LTV i CAC na poziomie źródeł marketingowych

Problemem w wielu organizacjach są silosy danych i prowadzone wyłącznie w ich obrębie analizy. Dane dostępne dla jednego zespołu nie są dostępne dla innego, a wyniki analiz mogą prowadzić do przeciwstawnych wniosków. Przy wykorzystaniu danych surowych możliwe jest wreszcie rozwiązanie tego problemu i rozbicie istniejących silosów.

Łącząc dane z powyższych źródeł, w hurtowni możemy zbudować system, który pozwala na zestawienie wartości (Lifetime Value) poszczególnych segmentów klientów z kosztem ich akwizycji (CAC). Pozwala to na szybkie i skuteczne testy wielu hipotezy dotyczących m.in. źródeł ruchu, kampanii klientów, produktów czy pomysłów kreatywnych. 

Przykłady możliwości poniżej:

Opis: Zestawienie LTV/CAC wg źródła pozyskania

Opis: Zestawienie LTV/CAC wg zamówionego produktu w pierwszym zamówieniu

Opis: Zestawienie LTV/CAC wg statusu subskrypcji klienta

Opis: Zestawienie LTV/CAC wg adresu zamieszkania klienta

Co jest potrzebne, aby zacząć analizować dane surowe?

Aby móc prowadzić analizy w oparciu o dane surowe, potrzebne jest podjęcie poniższych kroków:

  1. Poprawne skonfigurowanie GA4 wraz z warstwą danych (Data Layer) 
  2. Skonfigurowanie konta w BigQuery wraz z konfiguracją płatności
  3. Włączenie eksportu danych GA4 do BigQuery
  4. Podłączenie dodatkowych źródeł danych do BigQuery (np. Facebook Ads, Platforma E-commerce)*
  5. Przetworzenie danych w BigQuery (np. DBT, Dataform)
  6. Podłączenie narzędzia do wizualizacji danych (Google Data Studio, Tableau/PowerBi, Apache Superset)
  7. Zbudowanie metryk i wizualizacji

*krok opcjonalny

W kolejnym artykule przedstawimy sposób łączenia danych z aplikacji mobilnych w GA4.

Jeśli masz pytania dotyczące poruszanych zagadnień, skontaktuj się z nami poprzez załączony formularz lub zostaw komentarz!

Leave a Reply