Zaawansowane raporty w Google Analytics 4 dla e-commerce: co śledzić, żeby rosnąć zyskiem

Dlaczego same „wejścia na stronę” nie wystarczą w e-commerce

Ruch a zysk – dwie różne metryki sukcesu

Sklep internetowy może rosnąć w liczbie użytkowników i jednocześnie stać w miejscu lub wręcz tracić na zysku. Ruch jest kosztem (media, czas, tworzenie treści), a zysk pojawia się dopiero wtedy, gdy ten ruch zamienia się w opłacone i dochodowe zamówienia. Google Analytics 4 pozwala rozdzielić te dwa światy – „kto przyszedł” i „kto faktycznie zostawił pieniądze” – pod warunkiem, że analityka jest skonfigurowana pod e-commerce, a nie ogólny serwis contentowy.

W praktyce oznacza to konieczność wyjścia poza klasyczne wskaźniki typu liczba użytkowników, sesje czy odsłony stron. Dla sklepu internetowego ważniejsze są: przychód, marża, średnia wartość zamówienia, konwersja, retencja oraz LTV (Lifetime Value). Te parametry mówią, czy kampanie reklamowe i działania marketingowe faktycznie pracują na wynik finansowy, czy jedynie generują koszty.

Kiedy rosnący ruch nie przekłada się na wynik finansowy

Dobrym kontrastem jest porównanie dwóch typów sklepów: z modą i z elektroniką. Sklep z ubraniami może mieć ogromny ruch z social mediów, mnóstwo odsłon kart produktowych, ale niską konwersję i duży odsetek zwrotów. Koszt pozyskania klienta jest relatywnie niski, lecz marże też bywają niewielkie, a część produktów wraca do magazynu. Sklep z elektroniką zwykle notuje mniejszy ruch, wyższy koszt kliknięcia w kampaniach, ale również wyższe wartości zamówień i często stabilniejszą marżę.

Jeśli oba sklepy spojrzą wyłącznie na liczbę sesji i liczbę transakcji, mogą dojść do bardzo różnych i niekoniecznie trafnych wniosków. Dopiero połączenie danych o przychodach z danymi o kosztach kampanii, marży na produkcie i zachowaniach posprzedażowych (zwroty, reklamacje, ponowne zakupy) pokazuje, które kanały faktycznie są opłacalne. GA4 wspiera ten sposób myślenia dzięki integracji danych e-commerce z danymi o ścieżkach użytkowników i możliwością budowania segmentów klientów.

Podstawowa analityka vs analityka zorientowana na zysk

Różnicę między „analityką podstawową” a „analityką zyskowną” dobrze pokazuje proste zestawienie:

Google Analytics 4 nie mierzy marży ani kosztów mediów „z pudełka”, ale dzięki parametrom niestandardowym, integracjom oraz raportom eksploracji widać znacznie więcej niż w klasycznym Universal Analytics. Klucz polega na świadomym zaplanowaniu, jakie dane mają docelowo służyć decyzjom biznesowym – i dopiero pod te potrzeby konfigurować pomiar.

Jak zmieniło się podejście do pomiaru po przejściu z UA na GA4

Universal Analytics stawiał w centrum sesję i wizytę na stronie. Składanie z tego pełnej historii klienta wymagało rozbudowanych konfiguracji i często było ograniczone. GA4 odwraca perspektywę: wszystkie interakcje są zdarzeniami przypisanymi użytkownikowi, a nie tylko do sesji. Dzięki temu:

• łatwiej analizować całą ścieżkę klienta – od pierwszego kontaktu, przez dodanie do koszyka, po kolejne zakupy,
• można lepiej łączyć dane z aplikacji mobilnej i strony WWW,
• segmenty użytkowników (np. kupujący z wysoką marżą, lojalni klienci, osoby często zwracające produkty) stają się realnym narzędziem dla marketingu.

Zmienia się jednak także odpowiedzialność zespołu: bez przemyślanego modelu zdarzeń GA4 staje się tylko nieco inną wersją starego raportowania. Dopiero po powiązaniu zdarzeń z koszykiem, transakcjami, zwrotami i marżą powstaje system analityczny, który realnie wspiera rozwój zysku, a nie jedynie mierzy ruch.

Jak GA4 różni się od Universal Analytics z perspektywy sklepu internetowego

Model zdarzeniowy vs model sesyjny w kontekście koszyka i transakcji

Universal Analytics opierał się na sesjach i odsłonach, a zdarzenia były dodatkiem. W GA4 wszystko jest zdarzeniem: odsłona, kliknięcie w baner, przejście do koszyka, rozpoczęcie płatności, finalizacja zakupu. Dla e-commerce oznacza to kilka kluczowych zmian:

• Większa elastyczność – można mierzyć niemal dowolny krok w procesie zakupowym bez sztuczek z kategoriami i etykietami zdarzeń.
• Lepsze odwzorowanie rzeczywistości – użytkownik może mieć wiele sesji, ale w GA4 łatwiej połączyć je w jedną historię zakupową.
• Precyzyjne lejki – każdy etap (view_item, add_to_cart, begin_checkout, add_payment_info, purchase) to oddzielne zdarzenie, które można zestawić w lejku eksploracji.

Różnica staje się szczególnie widoczna przy analizie porzuceń koszyka. W modelu sesyjnym trudno było uchwycić wszystkie wzorce; w modelu zdarzeniowym można zbudować raport pokazujący, ile osób zatrzymuje się np. na etapie wyboru dostawy albo czy określona metoda płatności jest częściej porzucana.

„User-centric” zamiast „session-centric”: szersze spojrzenie i nowe pułapki

GA4 mocno stawia na perspektywę użytkownika. Dane są organizowane wokół identyfikatorów użytkownika (user_id, device_id), a nie tylko wokół wizyt na stronie. To pozwala:

• śledzić długofalową wartość klienta (LTV),
• segmentować użytkowników wg częstotliwości, wartości zakupów, typów produktów,
• lepiej przypisywać przychody do kanałów pozyskania na przestrzeni czasu.

Pojawiają się jednak też pułapki interpretacyjne. Jeżeli sklep nie ma spójnego user_id (logowanie, identyfikator klienta) i polega tylko na ciasteczkach przeglądarki, część użytkowników będzie liczona wielokrotnie – jako różne osoby na różnych urządzeniach. Do tego dochodzą zmiany związane z prywatnością (np. brak zgody na cookies), które zmniejszają precyzję atrybucji.

Dlatego analiza w GA4 wymaga ostrożności: liczby są przybliżeniem, a najważniejsze są proporcje, trendy i różnice między segmentami. Zamiast pytać „ile dokładnie było transakcji z tego kanału?”, lepiej porównywać, który kanał daje trwalsze relacje i wyższy LTV.

Domyślne raporty e-commerce: co się zmieniło względem UA

Universal Analytics miał wyspecjalizowane raporty e-commerce (np. „Skuteczność produktu”, „Skuteczność list produktów”, „Czas do zakupu”), które wiele osób traktowało jako standard. GA4 podchodzi do tego inaczej:

• Raporty e-commerce są zgrupowane głównie w sekcji Monetyzacja,
• nie ma tylu „gotowych” tabel – więcej informacji trzeba zbudować samodzielnie w zakładce Eksploracje,
• niektóre funkcje UA nie mają wprost odpowiednika, ale można je odtworzyć przez zdarzenia i raporty niestandardowe.

Dla części sklepów oznacza to poczucie „ubóstwa” raportów standardowych. Jednocześnie GA4 daje znacznie większą swobodę – można tworzyć własne raporty dokładnie pod konkretne pytania biznesowe, zamiast przyjmować jedną, narzuconą strukturę.

Plusy i minusy GA4 dla małego, średniego i dużego sklepu

W zależności od skali biznesu GA4 będzie postrzegane inaczej.

Mały sklep:

• Plusy: bezpłatność, automatyczne pomiary podstawowych zdarzeń, łatwa integracja z popularnymi platformami e-commerce.
• Minusy: wyższa krzywa nauki niż w UA, ryzyko „przeklikania się” i braku praktycznych wniosków, brak czasu i zasobów na zaawansowane eksploracje.

Średni sklep:

• Plusy: możliwość łączenia danych z różnych źródeł (np. reklama, CRM), wbudowane raporty retencji, segmentacja klientów, eksploracje lejków.
• Minusy: konieczność inwestycji w solidne wdrożenie (programista, konsultant analityczny), potrzeba przeszkolenia zespołu.

Duży sklep / sieć sklepów:

• Plusy: eksport danych surowych do BigQuery, zaawansowane modelowanie ścieżek wielokanałowych, integracje z innymi systemami, personalizacja.
• Minusy: pełne wykorzystanie wymaga dedykowanego zespołu analitycznego, odpowiedniej architektury danych i stałego utrzymania konfiguracji.

Kiedy inwestować w zaawansowaną konfigurację GA4, a kiedy wystarczy prosty setup

Nie każdy sklep potrzebuje od razu rozbudowanego modelu danych. Da się wyróżnić kilka progów.

• Prosty setup (tylko podstawowe zdarzenia e-commerce): wystarczy, gdy sklep dopiero startuje, wolumen zamówień jest niski, a najważniejszym celem jest weryfikacja, czy oferta ma sens. Priorytetem jest poprawne mierzenie transakcji i podstawowych kanałów ruchu.
• Konfiguracja średniozaawansowana (pełne e-commerce, segmenty, podstawowe eksploracje): ma sens, gdy sklep regularnie inwestuje w kampanie płatne i chce podejmować decyzje o budżecie na podstawie danych (np. ograniczanie nieopłacalnych słów kluczowych, testy kreacji, porównanie źródeł ruchu).
• Zaawansowana konfiguracja (custom events, marża, integracje z CRM i systemem magazynowym): opłaca się przy większej skali obrotu lub złożonym modelu biznesowym (wielu dostawców, szeroki asortyment, różne poziomy marży, sprzedaż B2B i B2C). Tu celem jest maksymalizacja zysku w ujęciu całego cyklu życia klienta.

Kryterium graniczne można sprowadzić do pytania: czy brak tej wiedzy kosztuje rocznie więcej niż inwestycja w analitykę? Jeśli budżet reklamowy i możliwe usprawnienia liczone są w dziesiątkach tysięcy złotych lub więcej, rozbudowa GA4 przestaje być „kosztem technicznym”, a staje się dźwignią zysku.

Konfiguracja fundamentów: poprawne śledzenie e-commerce w GA4

Enhanced Measurement vs pełne e-commerce – dwa poziomy pomiaru

GA4 oferuje tzw. Enhanced Measurement – automatyczne śledzenie niektórych typów zdarzeń (scroll, kliknięcia w linki wychodzące, wyszukiwanie w witrynie, interakcje z wideo). To wygodny start, ale w kontekście e-commerce nie zastępuje pełnego wdrożenia pomiaru sprzedaży.

Pełne e-commerce w GA4 oznacza wysyłanie zdarzeń takich jak view_item, add_to_cart, begin_checkout, purchase wraz z bogatym zestawem parametrów (produkt, kategoria, wartość itd.). Dzięki temu można analizować cały lejek zakupowy, skuteczność poszczególnych produktów i wpływ promocji.

W skrócie:

• Enhanced Measurement: dobre do monitorowania zaangażowania treściowego (blog, landing page, proste strony produktowe),
• Pełne e-commerce: konieczne, jeśli decyzje biznesowe mają opierać się na danych o przychodzie, koszyku i transakcjach.

Kluczowe zdarzenia e-commerce w Google Analytics 4

Dla sklepu internetowego fundamentem są standardowe zdarzenia e-commerce. Ich poprawne wdrożenie warunkuje sensowność późniejszych raportów:

• view_item – wyświetlenie konkretnego produktu; podstawa do analizy popularności oferty, CTR z list do kart produktowych, efektywności rekomendacji.
• add_to_cart – dodanie produktu do koszyka; kluczowe dla oceny atrakcyjności oferty i barier cenowych.
• begin_checkout – rozpoczęcie procesu zakupu; pierwszy krok lejka transakcyjnego.
• add_shipping_info / add_payment_info – podanie danych dostawy / wybór metody płatności; pozwala zidentyfikować wąskie gardła na dalszych etapach koszyka.
• purchase – finalizacja płatnej transakcji; główny punkt odniesienia przy analizie przychodu.
• refund – zwrot płatności; umożliwia korektę przychodu i analizę przyczyn utraty zysku.

Dobrą praktyką jest upewnienie się, że każdy z tych kroków jest odzwierciedlony w kodzie sklepu i wysyła kompletne dane do GA4. Brak któregoś zdarzenia zniekształca lejek i utrudnia znalezienie miejsca, w którym klienci się „wysypują”.

Parametry produktów i transakcji, których zwykle brakuje (a są krytyczne dla zysku)

Standardowa implementacja e-commerce w GA4 kończy się zwykle na nazwie produktu, cenie i ID. Z punktu widzenia zysku to za mało. W praktyce różnicę robią dodatkowe parametry przesyłane wraz ze zdarzeniami.

Najczęściej pomijane, a bardzo użyteczne są:

• brand – marka produktu; pozwala szybko sprawdzić, na których brandach zarabiasz, a które tylko „zapychają” ofertę.
• item_category (i kolejne poziomy: item_category2–5) – kategorie; potrzebne, gdy decyzje zakupowe i marże różnią się między segmentami asortymentu.
• coupon / discount – rabaty na poziomie produktu; umożliwiają analizę, czy kupony faktycznie zwiększają sprzedaż, czy tylko obniżają marżę.
• item_variant – wariant (rozmiar, kolor, pojemność); dzięki temu widać, które warianty „ciągną” linię produktową.
• shipping_tier – typ dostawy; przydatne przy analizie porzuceń koszyka i progów darmowej wysyłki.
• payment_type – rodzaj płatności; wskaże kombinacje „produkt + płatność”, które najczęściej odpadają.

Konfigurując wdrożenie, dobrze jest zadać sobie pytanie: jakie cięcia danych o produktach i transakcjach faktycznie będą używane w decyzjach o budżecie, ofercie czy polityce rabatowej? Właśnie te wymiary powinny znaleźć się w przesyłanych parametrach.

Śledzenie marży i kosztów – kiedy GA4 ma wiedzieć o zysku, a kiedy wystarczy obrót

Wiele sklepów kończy konfigurację na przychodzie brutto. To wygodne i proste, ale przy zróżnicowanych marżach prowadzi do błędnych wniosków: kampania może „sprzedawać” świetnie, a jednocześnie zjadać zysk.

Są dwa główne podejścia do tematu:

• GA4 jako narzędzie przychodowe – do GA4 trafia wyłącznie wartość transakcji; analiza marży odbywa się w innym systemie (np. BI, arkusze, raporty z ERP). Rozwiązanie prostsze, wystarczające przy w miarę zbliżonych marżach.
• GA4 z informacją o koszcie/marży – oprócz przychodu wysyłany jest dodatkowy parametr, np. profit lub cost_of_goods_sold. Dzięki temu w raportach można budować wskaźniki oparte na zysku, a nie na obrocie.

Drugie podejście jest bardziej wymagające technicznie (potrzebne są źródła danych o kosztach), ale przy dużym wolumenie sprzedaży i mocno zróżnicowanej rentowności produktów pozwala podejmować sensowniejsze decyzje reklamowe. Trzeba tylko rozstrzygnąć kwestię wrażliwości danych – część firm woli przenosić szczegółowe dane kosztowe bezpośrednio do hurtowni (np. BigQuery), a w interfejsie GA4 trzymać wyłącznie wskaźniki zagregowane.

Najczęstsze błędy przy wdrożeniu e-commerce w GA4

Praktyka pokazuje kilka powtarzalnych problemów, które później całkowicie wypaczają raporty.

• Podwójne wysyłanie zdarzeń purchase – brak zabezpieczenia, by transakcja nie była raportowana ponownie przy odświeżeniu strony z podziękowaniem. W efekcie przychód w GA4 jest wyższy niż w systemie sklepu.
• Niespójne ID produktu – inne item_id dla tego samego produktu w różnych miejscach (lista, karta produktu, koszyk). Raporty rozdzielają dane, przez co analiza „od listy do zakupu” przestaje być wiarygodna.
• Brak waluty lub różne waluty bez konwersji – przy sklepach wielowalutowych, jeśli wdrożenie nie przekazuje currency albo nie agreguje poprawnie, raporty finansowe stają się chaotyczne.
• Wysyłanie zdarzeń bez obowiązkowych parametrów – np. add_to_cart bez item_id. Formalnie zdarzenie się zapisze, ale nie powiążesz go z konkretnym produktem.
• Brak mapowania podatków, kosztu dostawy i rabatów – suma na poziomie GA4 nie zgadza się z „kasą” w systemie sklepu, co utrudnia uzgadnianie danych i budzi nieufność do analityki.

Przy wdrożeniu opłaca się poświęcić kilka godzin na dokładne porównanie kilku przykładowych zamówień: kwoty z systemu sklepu vs dane z GA4, rozbicie na produkty, rabaty i koszty dostawy. Lepiej odkryć niespójności na etapie testów niż po kilku miesiącach raportowania.

Testowanie implementacji: DebugView, podgląd Tag Managera i środowiska testowe

Po stronie narzędzi do weryfikacji dominują trzy rozwiązania – każde ma nieco inny zakres zastosowań.

• DebugView w GA4 – pokazuje w czasie zbliżonym do rzeczywistego zdarzenia z oznaczonego urządzenia. Dobre do sprawdzenia sekwencji: view_item → add_to_cart → begin_checkout → purchase wraz z przesyłanymi parametrami.
• Podgląd w Google Tag Manager – ułatwia diagnostykę logiki wywoływania tagów: czy odpowiedni tag odpalany jest na właściwej stronie, czy nie duplikuje zdarzeń, czy korzysta z prawidłowych zmiennych.
• Środowiska testowe/staging – przy rozbudowanych sklepach bezpieczniejsze jest najpierw wdrożenie do osobnej usługi GA4 lub osobnego strumienia danych, aby nie „zaśmiecać” produkcyjnych raportów testami.

Różnica w stosunku do UA polega na tym, że w GA4 większa część logiki przeniosła się na poziom zdarzeń i parametrów. Testowanie wymaga więc nie tylko sprawdzenia, czy „coś się wysyła”, ale też czy każde zdarzenie ma poprawną strukturę i powtarzalną logikę nazw.

Kluczowe raporty standardowe GA4, które realnie pomagają zarabiać

Monetyzacja > Zakupy e-commerce: szybka kontrola „zdrowia” sprzedaży

Raport Zakupy e-commerce w sekcji Monetyzacja to punkt startowy do oceny, czy sklep „dowodzi” sprzedaż przy danym ruchu.

Przy analizie przydatne są szczególnie:

• Przychód według grup użytkowników – segmentacja po źródle/medium, kampanii, kraju; na tej podstawie można szybko zobaczyć, które kanały i regiony utrzymują sprzedaż, a które generują tylko koszt ruchu.
• Przychód według produktu – lista produktów posortowana po przychodzie, liczbie zakupów i wskaźniku konwersji. Dobrze zestawić ją z liczbą view_item, aby wychwycić produkty, które są często oglądane, ale rzadko kupowane.
• Przychód według kategorii – umożliwia porównanie całych segmentów asortymentu zamiast pojedynczych SKU. Przy decyzjach zakupowych czy magazynowych często ma to większe znaczenie niż pojedyncze bestsellery.

Różnica w porównaniu z UA polega na większej elastyczności wymiarów. Zamiast trzymać się z góry narzuconego układu („Skuteczność produktu”), można w obrębie raportu zmieniać wymiar podstawowy i porządkować produkty według różnych kryteriów – np. według źródła ruchu czy typu urządzenia.

Raport „Pozyskanie” vs „Monetyzacja”: kiedy patrzeć na kliknięcia, a kiedy na przychód

GA4 wyraźniej rozdziela dwa światy: pozyskanie ruchu i monetyzację. Raporty w sekcji „Pozyskanie” dobrze nadają się do oceny jakości ruchu (zaangażowanie, liczba sesji, współczynnik konwersji), a „Monetyzacja” – do analizy przychodu i koszyka.

Przy optymalizacji budżetów reklamowych użyteczne jest połączenie obu perspektyw:

• w „Pozyskaniu” identyfikujesz kampanie z wysoką liczbą użytkowników, ale niskim zaangażowaniem,
• w „Monetyzacji” sprawdzasz, czy te kampanie generują realne transakcje lub przynajmniej głębokie wejścia w lejek (np. begin_checkout),
• decyzję o cięciach budżetu podejmujesz na poziomie przychodu / zysku, a nie na samym CTR czy koszcie kliknięcia.

Przykład z praktyki: kampania Brandowa w Google Ads często ma świetne wskaźniki kliknięć i wysoki współczynnik konwersji. Dopiero po zestawieniu z innymi kanałami pod kątem przychodu na użytkownika oraz liczby nowych klientów bywa widać, że część budżetu spokojnie można przesunąć na kampanie pozyskujące, nie tracąc przy tym sprzedaży z brandu.

Raporty retencji: czy klienci wracają i z jakich źródeł

E-commerce żyje nie tylko pierwszym zakupem. Sekcja Retencja w GA4 pomaga porównać, jak zachowują się klienci po pierwszym kontakcie z marką.

Szczególnie przydatne są:

• Zachowanie użytkowników po pierwszej dacie wizyty – pozwala określić, jak długo utrzymuje się aktywność użytkowników (wejścia, zdarzenia, zakupy) od momentu pozyskania.
• Przychód według kohort – analiza użytkowników pozyskanych w danym tygodniu lub miesiącu. W połączeniu z filtrami po źródle ruchu można porównać, które kanały przynoszą więcej powracających, kupujących ponownie klientów.

W praktyce dobrze jest zestawić retencję pozyskaną z GA4 z kosztami kampanii w czasie. Pozwala to ocenić, czy droższe w kliknięciu kanały (np. reklamy w social media) nie zwracają się po prostu dłużej, ale z wyższym LTV.

Segmentacja klientów według zachowań zakupowych

W standardowych raportach można tworzyć segmenty użytkowników i porównywać ich zachowania między sobą. Z perspektywy e-commerce szczególnie użyteczne są segmenty:

• Nowi vs powracający kupujący – różnice w ścieżkach konwersji, koszyku, źródłach ruchu.
• Użytkownicy z porzuconym koszykiem – osoby, które wykonały add_to_cart lub begin_checkout, ale bez purchase; można przeanalizować, z jakich kanałów pochodzą i na jakich urządzeniach porzucają.
• Najbardziej wartościowi klienci (top X% po przychodzie lub liczbie transakcji) – źródła pozyskania, preferowane produkty, urządzenia; taki segment jest dobrą bazą do inspiracji pod kampanie lookalike w systemach reklamowych.

Różnica w stosunku do UA jest taka, że segmenty w GA4 są bardziej „user-centric” i lepiej odzwierciedlają zachowanie klienta w długim okresie, a nie tylko w ramach jednej sesji. To zmienia optykę z optymalizacji pojedynczych wizyt na budowanie relacji.

Raporty dotyczące ścieżek: Path to purchase w wersji uproszczonej

Chociaż pełne modelowanie ścieżek wielokanałowych najlepiej robić w eksploracjach, standardowe raporty ścieżek w GA4 nadal są użyteczne do orientacyjnej oceny, jak użytkownicy docierają do zakupu.

Do prostych diagnoz sprawdzają się:

• Ścieżki użytkowników – widok kolejnych ekranów lub stron odwiedzanych przez użytkownika przed kluczowym zdarzeniem (np. purchase); ułatwia wychwycenie „dziur”, z których użytkownicy często zawracają.
• Raporty atrybucji – umożliwiają porównanie różnych modeli atrybucji (dane-driven, last click itp.) na poziomie kanałów. Przydatne, gdy trzeba zdecydować, czy np. inwestycja w wideo czy content ma sens mimo niskiej konwersji last click.

Dla małego sklepu taki poziom szczegółowości zwykle wystarczy. Przy większej skali, gdy ścieżki są dłuższe i bardziej złożone, sensowniej jest przenieść analizę do eksploracji ścieżek, gdzie można budować widoki ściśle pod własny lejek.

Raporty eksploracji (Explore) – jak budować własne widoki dla e-commerce

Kiedy standardowe raporty przestają wystarczać

Standardowe raporty GA4 są wygodne do codziennej kontroli i prostych porównań. Schody zaczynają się, gdy pojawiają się pytania typu:

• „Jak wygląda konwersja użytkowników z konkretnej kampanii na poszczególnych etapach koszyka?”
• „Które kombinacje: kategoria produktu × typ urządzenia × źródło ruchu generują najwyższy przychód na użytkownika?”
• „Jak często po porzuceniu koszyka użytkownik wraca w ciągu 7 dni i jaki kanał domyka sprzedaż?”

W takich sytuacjach potrzebne są Eksploracje. To elastyczne raporty, które można konfigurować praktycznie od zera, wykorzystując dostępne wymiary i dane o zdarzeniach.

Eksploracja typu „Lejek” – praktyczny widok procesu zakupowego

Eksploracja Lejek pozwala zdefiniować własne etapy procesu i prześledzić, ilu użytkowników przechodzi z jednego kroku do kolejnego. Dla e-commerce typowy lejek może wyglądać tak:

1. view_item – wyświetlenie karty produktu,
2. add_to_cart,
3. begin_checkout,
4. add_shipping_info,
5. add_payment_info,
6. purchase.

Po zbudowaniu takiego lejka można:

Analiza porzuceń na poszczególnych etapach

Sam wykres lejka pokazuje ogólny „spadek” użytkowników, ale dopiero rozbicie porzuceń na konkretne kroki ujawnia realne problemy UX lub oferty.

W eksploracji lejka można:

• porównać współczynnik przejścia między view_item a add_to_cart dla różnych kategorii produktów – przy niskim przejściu problem bywa w cenie lub w samej karcie produktu,
• sprawdzić, czy duży odpływ następuje między begin_checkout a add_shipping_info – wtedy zwykle „boli” koszt dostawy lub brak pożądanych metod wysyłki,
• zobaczyć, jak zmienia się przepływ po dodaniu nowej formy płatności czy uproszczeniu formularza.

Porównanie dwóch okresów (np. przed i po zmianie UX) w tym samym lejku daje bardziej wiarygodny obraz niż gołe współczynniki konwersji z całej sesji. Widać dokładnie, czy poprawiły się konkretne przejścia, czy tylko zmieniła się struktura ruchu.

Wymiarowanie lejka: źródła ruchu, urządzenia, lokalizacje

Lejek nabiera sensu, gdy dodaje się do niego wymiary. Najczęściej analizowane są:

• Źródło / medium – pozwala ocenić, czy np. ruch z social jest głębiej zaangażowany w koszyk niż performance w wyszukiwarce, czy jedynie generuje „puste” wejścia.
• Urządzenie (mobile vs desktop) – w wielu sklepach koszyk mobilny ma istotnie niższe przejście na etap płatności. Różnica kilku punktów procentowych przy dużej skali to często setki zamówień miesięcznie.
• Kraj / miasto – szczególnie przy ekspansji zagranicznej; ten sam lejek może mieć inne wyniki w krajach, gdzie metoda płatności jest mniej popularna lub regulamin budzi nieufność.

Praktyczne podejście to zbudowanie jednego „wzorcowego” lejka i zapisanie kilku jego kopii z innymi wymiarami domyślnymi. Zamiast klikać filtry za każdym razem, można przełączyć się między widokiem „Źródła”, „Urządzenia” czy „Kraje” jak między zakładkami.

Eksploracja typu „Ścieżki” – prawdziwy obraz zachowania użytkownika

Lejek odpowiada na pytanie „ile osób przeszło dalej”. Eksploracja Ścieżki podpowiada „jak dokładnie tam dotarli”. To szczególnie przydatne, gdy klienci nie kupują liniowo, tylko wracają do listy kategorii, filtrują, zapisują produkty.

W trybie „od zdarzenia początkowego” da się prześledzić drogę od np. session_start albo first_visit do zakupów. W trybie „od zdarzenia końcowego” – od tyłu, czyli od purchase w stronę wcześniejszych kroków.

Dwa typowe zastosowania:

• wykrycie częstych „pętli” – np. powtarzające się sekwencje: karta produktu → lista kategorii → filtr → karta produktu; bywa, że filtr działa nieintuicyjnie i użytkownik krąży po stronie bez efektu,
• identyfikacja ekranów lub podstron, które najczęściej poprzedzają porzucenie – np. regulamin, cennik dostawy, brak dostępności produktu.

W odróżnieniu od klasycznych raportów nawigacji w UA, eksploracje ścieżek w GA4 łączą dane ze strony i aplikacji, a także wszystkie zdarzenia (nie tylko odsłony). To pozwala wykryć, że np. użycie konkretnego filtra albo kliknięcie w banner skutecznie „psuje” ścieżkę.

Eksploracja typu „Tablica przestawna” – własny „raport skuteczności produktu”

Dla wielu sklepów brakuje w GA4 „starego” raportu Skuteczność produktu z UA. Tablica przestawna w eksploracjach pozwala stworzyć jego lepszą wersję, dopasowaną do własnych realiów.

Przykładowa konstrukcja:

• W wierszach: item_name lub item_id.
• W kolumnach: source / medium, device category lub item_category.
• W metrykach: liczba view_item, add_to_cart, purchase, przychód, marża (jeśli wprowadzona jako niestandardowa metryka).

Tak zbudowana tabela pokazuje od razu, które produkty „ciągną” sprzedaż z SEO, które ze świadczeń afiliacyjnych, a które wymagają wsparcia płatnymi kampaniami. Różnica wobec UA jest wyraźna: zamiast jednego „sztywnego” widoku można swobodnie zmieniać wymiary i porównywać produkty wg dowolnej logiki, np. sezonowości lub typów kolekcji.

Eksploracja typu „Segmentacja” – porównania, których brakuje w standardowych raportach

Segmentację w standardowych raportach da się wykorzystać, ale tryb Segmentacja (Segment overlap) w eksploracjach pozwala wejść poziom głębiej. Dobrze sprawdza się przy prostych, ale kluczowych pytaniach:

• ile jest wspólnego między użytkownikami, którzy kupują kategorię A i kategorię B,
• czy klienci pozyskani z newslettera i z remarketingu display’owego pokrywają się, czy to dwie różne grupy,
• jaki procent kupujących na mobile powtarza zakupy na desktopie.

Segmenty można budować zarówno na podstawie zdarzeń (np. co najmniej 2 zakupy), jak i atrybutów użytkownika (np. kraj, język przeglądarki). Zestawienie nakładających się segmentów pozwala zdecydować, czy np. kampania „reaktywacja koszyków” trafia do nowej grupy, czy do tych samych klientów, których już „goni” remarketing dynamiczny.

Eksploracje kohort – spojrzenie na LTV i powtórne zakupy

Kohorty w eksploracjach pozwalają wyjść poza statyczne spojrzenie „tu i teraz” i spojrzeć na to, jak rośnie wartość klienta w czasie. Dobrze działają w połączeniu z informacjami o źródle pierwszego pozyskania.

Typowa konfiguracja dla e-commerce:

• Definicja kohorty: użytkownicy, którzy wykonali first_visit lub pierwszy purchase w danym tygodniu.
• Podział kohort po wymiarze: first user source / medium lub typ kampanii.
• Metryka: przychód na użytkownika w kolejnych tygodniach / miesiącach, liczba kolejnych transakcji.

Dla porównania dwóch kanałów – np. Facebook Ads i Google Ads – same koszty pozyskania często sugerują, że jeden jest droższy. Kohorty pokazują, czy użytkownicy z droższego w kliknięciu kanału nie kupują po prostu częściej w kolejnych miesiącach.

Lejek zakupowy w GA4: od odsłony produktu do opłaconego zamówienia

Doprecyzowanie etapów lejka pod konkretny model biznesowy

Uniwersalny lejek (odsłona produktu → koszyk → checkout → zakup) jest dobrym punktem wyjścia, ale w praktyce różne typy sklepów wymagają innych definicji etapów.

Przykładowe różnice:

• Sklepy z konfiguratorami (meble, komputery): między view_item a add_to_cart pojawia się etap konfiguracji, który warto śledzić jako osobne zdarzenie (np. configure_product) i etap zapisania konfiguracji.
• Subskrypcje i boxy: zamiast klasycznego koszyka sensowniejsze są etapy: wybór planu → wybór cyklu rozliczeń → podanie danych płatniczych → aktywacja planu.
• Sklepy B2B: często istotnym krokiem jest wygenerowanie oferty PDF lub zapytania ofertowego. Wtedy lejek obejmuje także zdarzenia typu generate_quote czy send_inquiry, a nie tylko zakup online.

Konstrukcja lejka w GA4 powinna odzwierciedlać realny proces decyzyjny klienta, a nie tylko techniczne kliknięcia na stronie. Im bliżej jest do faktycznych kroków biznesowych, tym trafniejsze wnioski przy optymalizacji.

Porównanie skuteczności etapów lejka między kanałami

Ten sam lejek można wykorzystać do zestawienia, jak różne kanały ruchu „radzą sobie” na poszczególnych etapach. Porównanie wygląda wtedy inaczej niż klasyczne „jaki jest współczynnik konwersji z kanału X”.

Przykładowe wnioski, które da się wyciągnąć:

• kanał A świetnie dowozi ruch na karty produktów (view_item), ale ma niski wskaźnik add_to_cart – komunikacja reklam często nie odpowiada realnej ofercie; produkty są klikane „z ciekawości”, a nie z intencją zakupu,
• kanał B ma mało wejść, ale za to wysoki udział begin_checkout wśród tych, którzy coś dodali do koszyka – kandydat do zwiększenia budżetu, nawet jeśli na papierze ma wyższy koszt pozyskania,
• kanał C domyka sprzedaż, ale większość użytkowników pojawiła się wcześniej z innego źródła – analiza atrybucji w połączeniu z lejkiem pozwala zdecydować, ile realnie przypisać mu zasług.

Różnica względem UA jest tu dość wyraźna: GA4 pozwala w lejku od razu używać wymiarów użytkownika i źródła pozyskania, więc nie trzeba budować osobnych raportów dla każdej kombinacji kanału i produktu.

Wersje lejka: użytkownicy vs sesje

W GA4 lejek można zbudować w dwóch głównych wariantach: oparty o użytkowników (user-based) lub o sesje (session-based). W e-commerce zwykle bardziej miarodajny jest lejek użytkownika, ale bywają wyjątki.

Porównanie podejść:

• Lejek użytkownika: pokazuje, jaki odsetek użytkowników przechodzi kolejne etapy niezależnie od liczby wizyt. Lepszy do analizy zachowań lojalnościowych, długich ścieżek oraz skuteczności kampanii nastawionych na relację w czasie.
• Lejek sesyjny: skupia się na tym, co stało się w ramach pojedynczej wizyty. Przydatny przy optymalizacji UX konkretnej sesji (np. poprawek w koszyku czy na stronie produktu) lub przy kampaniach, które mają domykać sprzedaż „od razu”.

W praktyce dobrze sprawdzają się dwa osobne lejki: user-based do strategicznych decyzji o kanałach i ofertach, a session-based do technicznej optymalizacji procesu zakupowego.

Łączenie lejka z analizą produktów i kategorii

Sam lejek opisuje przepływ, ale nie odpowiada na pytanie, dla jakich produktów ten przepływ jest najlepszy. Połączenie lejka z wymiarami produktowymi pozwala przejść z poziomu „ogólnie konwertuje” do „konwertuje szczególnie dobrze na tych kategoriach”.

Kilka użytecznych konfiguracji:

• filtr lejka po item_category – porównanie, czy np. obuwie ma taki sam rozkład spadków jak odzież; różnice zwykle wynikają z innych oczekiwań co do zdjęć, rozmiarówki, polityki zwrotów,
• lejek zawężony do produktów promocyjnych (np. parametr promotion_id ustawiony) – sprawdzenie, czy promocja faktycznie zwiększa przejście z karty produktu do koszyka, czy tylko „przekleja” sprzedaż z produktów niespromowanych,
• analiza konkretnych bestsellerów vs „long tail” – osobne lejki dla topowych SKU i dla reszty asortymentu; przy dużych sklepach często okazuje się, że większość optymalizacji wykonywana jest pod kilka%, które i tak „same się sprzedadzą”.

GA4, dzięki parametrom produktowym, umożliwia wprowadzenie dodatkowych atrybutów, np. sezonowość lub typ kolekcji. Ich użycie jako filtrów w lejku pokazuje, jak zachowują się użytkownicy wobec nowości vs stałej oferty.

Wykorzystanie lejka do remarketingu i automatyzacji

Etapy lejka nie służą tylko do analizy. To gotowa baza do tworzenia odbiorców (audiences), którzy mogą być wykorzystani w Google Ads, kampaniach e-mail czy systemach marketing automation.

Najczęściej budowane grupy na podstawie lejka to:

• użytkownicy, którzy osiągnęli add_to_cart, ale nie wykonali begin_checkout – miękki remarketing z akcentem na korzyści oferty,
• użytkownicy, którzy dotarli do add_payment_info, ale nie kupili – tu częściej działa komunikacja związana z bezpieczeństwem transakcji, przypomnieniem o rezerwacji produktu czy wsparciem obsługi,
• osoby, które przeszły cały lejek i kupiły produkt z konkretnej kategorii – baza pod cross-sell (produkty komplementarne) lub up-sell (droższe warianty przy kolejnym zakupie).

W porównaniu z UA, GA4 ma bardziej ścisłą integrację odbiorców z ekosystemem Google Ads i lepiej radzi sobie z ich aktualizacją w czasie rzeczywistym. Przy dobrze opisanym lejku oznacza to, że zmiana produktu w koszyku czy wejście na etap płatności może niemal natychmiast zmienić przynależność użytkownika do listy remarketingowej.

Porównywanie lejków między wersjami strony lub aplikacji

Przy redesignie sklepu lub wdrożeniu nowej aplikacji mobilnej jedna z ważniejszych decyzji dotyczy tego, jak ocenić wpływ zmian na realne zakupy, a nie tylko na wizualne „odświeżenie”.

W GA4 można przygotować dwa warianty lejka:

• z filtrem na wersję strony / aplikacji (np. parametr page_version lub app_version),
• z filtrem na grupę testową vs kontrolną, jeśli używany jest system do A/B testów (np. parametry z Google Optimize, Optimizely itp.).

Kluczowe Wnioski

• Wzrost ruchu w sklepie internetowym nie oznacza automatycznie wzrostu zysku – kluczowe jest przejście z myślenia „ile osób weszło” na „ile osób zostawiło opłacalne pieniądze”.
• Analityka nastawiona na zysk skupia się na przychodzie, marży, konwersji, średniej wartości zamówienia, retencji i LTV, zamiast na samych sesjach, odsłonach i współczynniku odrzuceń.
• Porównanie sklepów z modą i z elektroniką pokazuje, że ten sam poziom ruchu i liczby transakcji może oznaczać zupełnie inny wynik finansowy – dopiero powiązanie danych o przychodach, kosztach kampanii, marży i zwrotach ujawnia realnie opłacalne kanały.
• Trzy poziomy analityki – podstawowa, skoncentrowana na przychodzie i „zyskowna” – odpowiadają różnym decyzjom: od prostego mierzenia zasięgu po strategiczne decyzje o strukturze oferty, kanałach i polityce rabatowej.
• GA4, w odróżnieniu od Universal Analytics, opiera się w pełni na modelu zdarzeniowym, co umożliwia dokładne mierzenie każdego kroku w lejku zakupowym (np. add_to_cart, begin_checkout, purchase) i precyzyjną analizę porzuceń koszyka.
• Przejście z podejścia „session-centric” na „user-centric” ułatwia śledzenie pełnej historii klienta, liczenie LTV i budowanie segmentów (np. klienci wysokomarżowi, lojalni, często zwracający produkty), ale wymaga przemyślanego modelu zdarzeń.