Analityka w praktyce: Jak dzięki infrastrukturze danych zwiększyliśmy przychody o 16.4%

Pokazujemy krok po kroku, jak server-side tracking, odzyskiwanie ciasteczek, własny model atrybucji i analiza danych w BigQuery przełożyły się na realne wyniki sklepu e-commerce.

+16,4%

Wzrost przychodów (r/r)

+20%

Odzyskane dane

+15%

Wzrost z email marketingu

~30%

Odzyskany błędnie przypisany ruch

Wszystko osiągnięte dzięki infrastrukturze analitycznej — bez dodatkowych wydatków na reklamy.

Przychody miesiąc po miesiącu: 2024-25 vs 2025-26

Konsekwentny wzrost napędzany lepszymi danymi, nie większymi budżetami. Wszystkie kwoty zanonimizowane. Działania rozpoczęły się we wrześniu.

Miesiąc	2025-26	2024-25	Zmiana
Wrz	578 678 zł	786 602 zł	-26.4%
Paź	674 652 zł	711 176 zł	-5.1%
Lis	1 230 002 zł	1 211 728 zł	+1.5%
Gru	713 422 zł	511 468 zł	+39.5%
Sty	918 480 zł	557 774 zł	+64.7%
Lut	772 800 zł	420 000 zł	+84.0%
TOTAL	4 888 034 zł	4 198 748 zł	+16.4%

Silnik danych napędzający wzrost

Pięć połączonych systemów współpracujących przy zbieraniu, atrybucji i aktywacji danych.

Server-Side GTM i zaawansowane śledzenie

Wdrożyliśmy server-side Google Tag Manager z custom loaderami, które omijają ad blockery. Efekt? +20% więcej danych trafia do analityki i systemów reklamowych. Żadnych ślepych pól.

Atrybucja oparta na webhookach

Stworzyliśmy system atrybucji oparty na webhookach, zintegrowany ze wszystkimi platformami reklamowymi oraz GA4. Dzięki Stape Store odzyskujemy ciasteczka i łączymy je z cart_id — co pozwala przypisać każdą konwersję, nawet jeśli użytkownik wraca po kilku sesjach

Klaviyo — więcej danych, lepsze maile

Rozszerzyliśmy integrację z Klaviyo o zapisywanie danych użytkowników w ciasteczkach i wysyłkę custom eventów behawioralnych. Rezultat? +15% wzrostu przychodów z e-mail marketingu dzięki trafniejszej segmentacji i precyzyjnemu targetowaniu

Zaawansowana identyfikacja użytkowników

Stworzyliśmy własny system rozpoznawania użytkowników na bazie IP, User-Agent i dodatkowych parametrów. Dzięki temu działamy na 3 identyfikatorach jednocześnie (user_pseudo_id, user_id, custom identifier) — co znacząco poprawia łączenie użytkowników między urządzeniami i sesjami.

BigQuery + własny model atrybucji

Wyeksportowaliśmy dane eventów do BigQuery i zbudowaliśmy pipeline analityczny w SQL i Pythonie. Na tej podstawie stworzyliśmy graf połączeń, który pokazał, że ~30% konwersji było błędnie przypisanych do kampanii brandowych lub direct/none. Przypisaliśmy je do rzeczywistych źródeł.

Atrybucja: Przed vs. Po

Prawie 30% konwersji było błędnie przypisanych do branded search i direct/none. Odzyskaliśmy je.

Standardowa atrybucja

Branded Search: 38%

Bezpośredni/Brak: 22%

Paid Social: 18%

Paid Search (nie-brand): 12%

Email: 7%

Inne: 3%

Niestandardowy model atrybucji

Branded Search: 21%

Bezpośredni/Brak: 9%

Paid Social: 28%

Paid Search (nie-brand): 22%

Email: 12%

Inne: 8%

Kluczowy wniosek: Dzięki grafowi połączeń i analizie ścieżek użytkowników w BigQuery odkryliśmy rzeczywiste źródła konwersji. Efekt? Trafniejsza alokacja budżetu i +9,5% wzrostu przychodów.

Nasz Mar Tech

Google Tag Manager

Stape.io

Google Analytics 4

BigQuery

Klaviyo

Python

SQL

Chcesz odzyskać utracone dane?

Większość sklepów e-commerce traci 20–40% danych o konwersjach. Pora to zmienić.

Najczęściej zadawane pytania

Odpowiedzi na pytania, które najczęściej słyszymy od naszych klientów.

Jak długo trwa wdrożenie infrastruktury analitycznej

Standardowe wdrożenie sGTM, webhooków i atrybucji zajmuje 2–4 tygodnie. Pełny setup z BigQuery, grafem połączeń i custom modelem atrybucji — do 6–8 tygodni. Wszystko wdrażamy etapami, więc pierwsze efekty widzisz już po kilku dniach.

Czy muszę zmieniać platformę e-commerce?

Nie. Działamy na każdej platformie — Shopify, WooCommerce, PrestaShop, Magento i inne. Nasz stack integruje się z istniejącą infrastrukturą bez potrzeby migracji.

Ile danych faktycznie tracę przez ad blockery?

Średnio 15–30% użytkowników korzysta z ad blockerów, w zależności od branży i grupy docelowej. To oznacza, że tyle samo konwersji może nie trafiać do Twoich systemów reklamowych i analityki. Server-side tracking eliminuje ten problem.

Co to jest graf połączeń i jak pomaga w atrybucji?

Graf połączeń to model, który budujemy w BigQuery na bazie ścieżek użytkowników. Łączy sesje, urządzenia i identyfikatory w jedną historię. Dzięki temu widzimy, że konwersja przypisana do 'direct/none' tak naprawdę zaczęła się od reklamy na Facebooku 3 dni wcześniej.

Jak szybko zobaczę efekty po wdrożeniu?

Pierwsze rezultaty — lepsze dane w GA4 i systemach reklamowych — widać od razu po uruchomieniu sGTM. Pełny obraz z custom atrybucją i analizą BigQuery pojawia się zwykle po 4–6 tygodniach zbierania danych.

Jak wygląda współpraca po wdrożeniu?

Po wdrożeniu nie zostawiamy Cię samego. Monitorujemy jakość danych, aktualizujemy tracking przy zmianach na stronie i dostarczamy cykliczne raporty z rekomendacjami. Możesz też korzystać z nas jako wsparcie marketingowe na stałe.