VIEW SPEECH SUMMARY
Wprowadzenie i kontekst prezentacji
- Maciek Lewiński z Poznania przedstawia się jako specjalista w analizie danych marketingowych, głównie w Google Analytics.
- Porównuje marketing i analitykę do survivalu, gdzie kluczowe jest umiejętne łączenie ograniczonych zasobów (budżetu) z danymi (ekwipunek).
- Podkreśla rosnące znaczenie AI w marketingu i analityce, ale zaznacza, że AI nie zastąpi ludzkich decyzji strategicznych.
Trzy lekcje z doświadczenia marketingowego
1. **Kontekst danych**
- Dane marketingowe bez kontekstu są bezużyteczne.
- Kontekst pochodzi z Google Analytics (czas, źródło, urządzenia) oraz zewnętrzny (branża, zmiany strony, polityka cenowa).
- Sugeruje zbudowanie jednego źródła wiedzy o firmie przy użyciu BigQuery, integrującego wszystkie dane kontekstowe.
2. Plus jeden – różne interpretacje danych
- Dane można interpretować na różne sposoby, np. trend może zmienić się po segmentacji.
- AI bazuje na uśrednionych danych, nie dostarczy niuansów bez ludzkiego wglądu.
- Przykład: spadek średniego czasu ładowania strony może być mylący, jeśli nie patrzymy na segmenty (desktop vs. mobile).
3. Ludzie – emocje i percepcja
- Wyniki analiz trzeba interpretować uwzględniając ludzkie emocje i zachowania.
- Nie można traktować użytkowników jako liczby czy średniej arytmetycznej.
- AI może dać tylko uśrednione odpowiedzi, ludzie muszą dodawać sens i podejmować decyzje.
Miara kosinusowa jako narzędzie marketingowe
- Miara kosinusowa pomaga sprawdzić, czy marketing trafia we właściwe cele biznesowe, porównując kierunek działań (budżet) z celem (mapa).
- Praktyczne użycie: analiza zakupów w sklepie internetowym przez BigQuery, by rekomendować klientom uzupełniające produkty (np. kask do roweru).
- Takie podejście pomaga precyzyjniej targetować kampanie, zwiększyć średnią wartość koszyka i wartości na kliknięcie, a także poprawić retencję klientów.
- Koszty pozyskania klienta wzrosły ponad dwukrotnie, więc precyzyjny marketing jest konieczny.
- Realizacja: dane z Google Analytics trafiają do BigQuery, tam następuje analiza i rekomendacje wracają do Google Analytics, skąd uruchamiane są kampanie reklamowe.
Dalsze możliwości wykorzystania danych i machine learning
- Propozycje praktycznych zastosowań:
- Segmentacja klientów na podstawie ich realnych zachowań.
- Predykcja wartości długoterminowej klienta.
- Prognozowanie popytu dla wsparcia działu zakupów.
- Wykrywanie anomalii – monitoring jakości danych.
- Automatyczne tagowanie produktów.
- Zaawansowane personalizowanie treści reklam
- Maciek Lewiński z Poznania przedstawia się jako specjalista w analizie danych marketingowych, głównie w Google Analytics.
- Porównuje marketing i analitykę do survivalu, gdzie kluczowe jest umiejętne łączenie ograniczonych zasobów (budżetu) z danymi (ekwipunek).
- Podkreśla rosnące znaczenie AI w marketingu i analityce, ale zaznacza, że AI nie zastąpi ludzkich decyzji strategicznych.
Trzy lekcje z doświadczenia marketingowego
1. **Kontekst danych**
- Dane marketingowe bez kontekstu są bezużyteczne.
- Kontekst pochodzi z Google Analytics (czas, źródło, urządzenia) oraz zewnętrzny (branża, zmiany strony, polityka cenowa).
- Sugeruje zbudowanie jednego źródła wiedzy o firmie przy użyciu BigQuery, integrującego wszystkie dane kontekstowe.
2. Plus jeden – różne interpretacje danych
- Dane można interpretować na różne sposoby, np. trend może zmienić się po segmentacji.
- AI bazuje na uśrednionych danych, nie dostarczy niuansów bez ludzkiego wglądu.
- Przykład: spadek średniego czasu ładowania strony może być mylący, jeśli nie patrzymy na segmenty (desktop vs. mobile).
3. Ludzie – emocje i percepcja
- Wyniki analiz trzeba interpretować uwzględniając ludzkie emocje i zachowania.
- Nie można traktować użytkowników jako liczby czy średniej arytmetycznej.
- AI może dać tylko uśrednione odpowiedzi, ludzie muszą dodawać sens i podejmować decyzje.
Miara kosinusowa jako narzędzie marketingowe
- Miara kosinusowa pomaga sprawdzić, czy marketing trafia we właściwe cele biznesowe, porównując kierunek działań (budżet) z celem (mapa).
- Praktyczne użycie: analiza zakupów w sklepie internetowym przez BigQuery, by rekomendować klientom uzupełniające produkty (np. kask do roweru).
- Takie podejście pomaga precyzyjniej targetować kampanie, zwiększyć średnią wartość koszyka i wartości na kliknięcie, a także poprawić retencję klientów.
- Koszty pozyskania klienta wzrosły ponad dwukrotnie, więc precyzyjny marketing jest konieczny.
- Realizacja: dane z Google Analytics trafiają do BigQuery, tam następuje analiza i rekomendacje wracają do Google Analytics, skąd uruchamiane są kampanie reklamowe.
Dalsze możliwości wykorzystania danych i machine learning
- Propozycje praktycznych zastosowań:
- Segmentacja klientów na podstawie ich realnych zachowań.
- Predykcja wartości długoterminowej klienta.
- Prognozowanie popytu dla wsparcia działu zakupów.
- Wykrywanie anomalii – monitoring jakości danych.
- Automatyczne tagowanie produktów.
- Zaawansowane personalizowanie treści reklam
Oj, ajajaj Google Analytics
12:05 - 12:25, 28th of May (Wednesday) 2025 / MARKETING STAGE
Google Analytics od lat pozwala firmom zrozumieć, co dzieje się na ich stronach internetowych, ale czy wykorzystujesz pełny potencjał zwłaszcza w świecie zdominowanym przez AI, by wyciągnąć z tych danych maksymalną wartość? Jeśli chcesz dowiedzieć się, jak zamienić dane w konkretne decyzje biznesowe, zrób sobie kawę i bądź na tej prezentacji. Nie obiecuję, że będzie krótko, ale obiecuję, że będzie konkretnie!
LEVEL:
Basic
Advanced
Expert
TRACK:
Business Strategy
Marketing Strategy
TOPICS:
Analysis
Reporting
Storytelling