Modelowane listy odbiorców nie zawierają konkretnych osób, tylko prawdopodobieństwa. Wyjaśniam, jak powstają, gdzie ich szukać w panelu i jak czytać ich raporty.
Jednym z częstszych żalów po Universal Analytics jest zniknięcie raportów ścieżek wielokanałowych — tych, w których dało się zobaczyć, przez jakie kanały przechodził użytkownik przed konwersją i ile konwersji było wspomaganych.
Dobra wiadomość: ta funkcjonalność w GA4 istnieje, tylko nazywa się inaczej i leży w innym miejscu. Zła: nie jest to prosty odpowiednik jeden do jednego, a niektóre metryki liczone są inaczej, więc porównywanie liczb ze starymi raportami prowadzi do błędnych wniosków.
Skoro Universal Analytics przestało zbierać dane w lipcu, przestawienie się na nowe raporty przestało być opcją. Chcę więc pokazać, gdzie szukać, jak to czytać i o czym pamiętać przy interpretacji.
Trzy miejsca, każde odpowiada na inne pytanie.
Raporty reklamowe, sekcja atrybucji — to najbliższy odpowiednik dawnych ścieżek wielokanałowych. Znajdziesz tam ścieżki konwersji z podziałem na punkty styku oraz porównanie modeli atrybucji.
Eksploracja ścieżki — narzędzie pokazujące, jak użytkownicy przechodzą między zdarzeniami i stronami. Bardziej elastyczne niż stary raport, ale wymaga samodzielnego zbudowania widoku.
Eksploracja segmentów nakładających się — przydatna do sprawdzenia, ilu użytkowników miało kontakt z więcej niż jednym kanałem.
Pierwsze miejsce jest tym, od którego zaczynam. Dwa pozostałe służą do zadawania konkretniejszych pytań, gdy raport atrybucji pokaże coś nieoczekiwanego.
Tu trzeba uważać, bo różnice są istotne i łatwo o mylny wniosek.
Domyślny model atrybucji. W raportach GA4 obowiązuje na dziś model oparty na ostatnim kliknięciu w ujęciu międzykanałowym. To znaczy, że domyślny widok przypisuje konwersję ostatniemu niebezpośredniemu punktowi styku — podobnie jak dawny raport standardowy, ale niekoniecznie tak samo jak raporty ścieżek wielokanałowych, do których byłeś przyzwyczajony.
Warto przy tym wiedzieć, że w porównaniu modeli część opcji znanych z poprzedniej wersji Analytics jest wycofywana, a Google przesuwa się w stronę modelu opartego na danych. Kierunek jest zapowiedziany, więc warto sprawdzać, co dokładnie jest ustawione w Twojej usłudze, zamiast zakładać, że jest tak jak rok temu.
Okna konwersji są konfigurowalne i mają swoje ustawienie w sekcji atrybucji. Domyślne wartości niekoniecznie odpowiadają cyklowi zakupowemu Twojej firmy — przy długim procesie decyzyjnym warto to sprawdzić w pierwszej kolejności.
Definicja sesji i użytkownika różni się od poprzedniej wersji Analytics, o czym pisałem osobno. Skutek dla tej analizy jest taki, że liczba ścieżek i ich długość nie są porównywalne ze starymi raportami.
Modelowanie. Część danych w tych raportach opiera się na modelowaniu, zwłaszcza gdy zgody użytkowników ograniczają pomiar. Traktuj liczby jako rząd wielkości, nie jako zliczenie co do sztuki.
Nie przeglądam tych raportów „dla porządku”. Otwieram je z konkretnym pytaniem.
Najczęstszy błąd w pracy z atrybucją to zmiana modelu i przepisanie na nowo całego raportowania. Efekt jest zwykle taki, że nikt już nie wie, które liczby są prawdziwe.
Mój sposób jest ostrożniejszy. Utrzymuję jeden model jako podstawę raportowania — ten, którego używam konsekwentnie od miesięcy — a porównanie modeli traktuję jako narzędzie diagnostyczne, nie jako źródło liczb do prezentacji.
Diagnostycznie wygląda to tak: jeśli kanał w modelu opartym na pierwszym kontakcie wypada znacznie lepiej niż w ostatnim kliknięciu, to sygnał, że pełni rolę wprowadzającą. Nie zmieniam z tego powodu raportowania, ale zmieniam sposób oceny tego kanału i nie wyłączam go tylko dlatego, że w domyślnym widoku wygląda słabo.
Druga praktyczna decyzja dotyczy okna konwersji. Jeśli typowa ścieżka trwa trzy tygodnie, a okno jest krótsze, systematycznie tracisz część konwersji. To poprawka jednorazowa i często znacząca.
Uczciwie o tym, czego te raporty nie powiedzą.
Nie zobaczysz ścieżek między urządzeniami w pełnym zakresie, jeśli nie masz mechanizmu rozpoznawania użytkownika po zalogowaniu. Osoba, która wieczorem szukała na telefonie, a kupiła następnego dnia na komputerze, w danych rozpadnie się na dwie historie.
Nie zobaczysz punktów styku poza siecią. Reklama w prasie, rozmowa telefoniczna, polecenie znajomego nie istnieją w tych raportach. To ograniczenie oczywiste, a mimo to bywa pomijane przy wyciąganiu wniosków o skuteczności kanałów.
Zgody ograniczają obraz. Część użytkowników nie jest mierzona, a nadchodzące zmiany w wymogach dotyczących zgód mogą ten obraz jeszcze zawęzić. Warto uwzględniać to w interpretacji, zwłaszcza przy porównaniach rok do roku.
Dane potrzebują czasu. Raporty atrybucji dojrzewają — konwersje przypisywane wcześniejszym punktom styku pojawiają się z opóźnieniem, więc ocena ostatnich dni zawsze będzie niepełna.
Na koniec rada, która oszczędza najwięcej nieporozumień: zanim zbudujesz raport atrybucji dla zarządu, sprawdź, ile ścieżek jest wielokrokowych. W wielu firmach odpowiedź brzmi „niewiele” i wtedy najbardziej uczciwym raportem jest ten prosty, a cała rozmowa o modelach atrybucji jest rozmową o kilku procentach konwersji.
Warto też ustalić raz, którego modelu używasz w raportowaniu, i zapisać tę decyzję w dokumentacji pomiaru. Przy zapowiadanych zmianach w dostępnych modelach atrybucji łatwo obudzić się z raportem, który liczy inaczej niż miesiąc temu — i bez zapisanej decyzji nikt nie będzie pamiętał, jaki był stan wyjściowy.
Używamy plików cookies, aby ułatwić Ci nawigację oraz wykonywanie określonych funkcji. Szczegółowe informacje o wszystkich plikach cookies znajdziesz w każdej kategorii zgody poniżej.
Pliki cookies oznaczone jako "Niezbędne" są przechowywane w Twojej przeglądarce, ponieważ są one kluczowe dla zapewnienia podstawowych funkcji strony.
Używamy również plików cookies firm trzecich, które pomagają nam analizować, w jaki sposób korzystasz z tej strony, zapamiętują Twoje preferencje oraz dostarczają treści i reklamy odpowiednie dla Ciebie. Te pliki cookies będą przechowywane w Twojej przeglądarce tylko za Twoją uprzednią zgodą.
Możesz zdecydować, czy chcesz włączyć lub wyłączyć niektóre bądź wszystkie te pliki cookies, jednak wyłączenie niektórych z nich może wpłynąć na Twoje doświadczenia podczas przeglądania strony.
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| __cf_bm | 13 minutes | Cloudflare bot management — distinguishes humans from bots. |
| rc::* | Persistent | Google reCAPTCHA — localStorage holding anti-bot challenge state. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| wpEmojiSettingsSupports | Session | WordPress — sessionStorage flag caching whether the browser can render emoji (feature detection). |
| ytidb* | Persistent | YouTube — IndexedDB storing playback/search state for embedded videos. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| _ga_* | 400 days | Google Analytics 4 — persists session state per property. |
| _ga | 400 days | Google Analytics — distinguishes unique users via a client id. |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| NID | 183 days | Google — stores preferences for personalized ads. |
| fr | 90 days | Meta — encrypted Facebook id and browser id for ads. |
| _gcl_au | 90 days | Google AdSense/Ads — experiments with advertising efficiency (conversion linker). |
| Cookie | Czas przechowywania | Opis |
|---|---|---|
| __Secure-YNID | 180 days | |
| YSC | Session | |
| __Secure-ROLLOUT_TOKEN | 180 days | |
| VISITOR_INFO1_LIVE | 180 days | |
| VISITOR_PRIVACY_METADATA | 180 days | |
| datr | 400 days | |
| sb | 400 days | |
| wd | 7 days |