GA4 nie zgadza się z Google Ads. Google Ads nie zgadza z CRM. I wszyscy kupują kolejne narzędzie.
Przez 16 lat widziałem jak firmy reagują na rozbieżność danych identycznie: kupują kolejne narzędzie. Narzędzie nie jest problemem. Te same trzy błędy wracają w kółko.
GA4 nie zgadza się z Google Ads. Google Ads nie zgadza się z CRM. CRM nie zgadza się z ERP.
Znam ten widok. I wiem, co to kosztuje — w czasie i złych decyzjach. Przez 16 lat obserwowałem, jak firmy reagują na tę sytuację identycznie: kupują kolejne narzędzie.
Narzędzie nie jest problemem.
Trzy błędy, które widzę cały czas
Te same błędy wracają niezależnie od branży, budżetu i wielkości firmy. Zmieniają się tylko nazwy systemów — Power BI zamiast Tableau, BigQuery zamiast Redshift, GA4 zamiast UA. Błędy zostają.
Błąd #1: Dashboard dump. Piękny raport, którego nikt nie otwiera. Trzy miesiące pracy analityka, wizualizacje robione na zamówienie prezesa, połączone źródła danych — i efekt: plik, który żyje w zakładce przeglądarki otwieranej raz na kwartał.
Dashboard dump ma jeden wspólny mechanizm: raport był projektowany pod "co możemy pokazać" zamiast pod "co ktoś musi wiedzieć, żeby podjąć decyzję". Różnica jest ogromna. Pierwsza odpowiedź prowadzi do kompletnych raportów. Druga — do użytecznych.
Błąd #2: Wdrożenie bez pilota. Rok pracy, integracje między systemami, szkolenia, wdrożenie produkcyjne — i efekt po sześciu miesiącach: "jakoś nie używamy". Nie dlatego, że system nie działa. Dlatego, że nikt nie sprawdził, czy sposób, w jaki ludzie faktycznie pracują, pokrywa się z tym, jak system zakłada że będą pracować.
Wdrożenie bez pilota oznacza, że problemy wychodzą po tym, jak budżet jest wydany. Pilot — prototyp po 4-5 tygodniach, testowany przez prawdziwych użytkowników w prawdziwych warunkach — wyłapuje te problemy zanim staną się kosztowne.
Błąd #3: Brak właściciela danych. Wszyscy odpowiedzialni = nikt odpowiedzialny. GA4 zarządza IT. Google Ads monitoruje agencja. CRM to dział sprzedaży. ERP to finanse. Kiedy dane się nie zgadzają — każdy wskazuje na kogoś innego.
Bez jednego właściciela, który odpowiada za spójność danych między systemami, rozbieżności nie są problemem technicznym. Są problemem organizacyjnym — i żadne narzędzie go nie rozwiąże.
Technologia bez adopcji to koszt, nie inwestycja
To zdanie brzmi banalnie. W praktyce jest ignorowane przy każdym wdrożeniu.
Firmy oceniają projekty analityczne przez pryzmat funkcjonalności: ile dashboardów, ile integracji, ile źródeł danych. Rzadko przez pryzmat adopcji: ile osób używa systemu codziennie, jakie decyzje podejmują szybciej, ile czasu oszczędzają.
Moje projekty są projektowane od drugiego pytania, nie pierwszego. Dlatego efekty są mierzalne: raportowanie z 8 godzin tygodniowo do 15 minut dziennie. Jakość danych konwersji z 70% do 99% (CAPI server-side + weryfikacja z CRM). Payback 13 dni.
To nie są wyjątkowe wyniki. To wyniki wdrożeń, które miały właściciela danych, pilota i raport zaprojektowany pod decyzję — nie pod prezentację.
Które narzędzie jest właściwe?
To zależy od problemu. Nie od tego, co jest trendy.
Wybieram najprostsze rozwiązanie, które działa. Czasem Power BI. Czasem Looker Studio. Czasem dobrze skonstruowany arkusz Google Sheets z automatycznym zasilaniem. Czasem Python + BigQuery. Zależy od danych, od użytkowników, od częstotliwości raportowania i od tego, kto będzie to utrzymywał za rok.
Złożoność narzędzia i złożoność problemu powinny być proporcjonalne. Jeśli masz prosty problem analityczny i wdrażasz enterprise BI — przepłaciłeś za narzędzie i niedostarczyłeś adopcji. Jeśli masz złożony problem i obsługujesz go arkuszem bez walidacji — siedzisz na bombie z opóźnionym zapłonem.
Co zrobić kiedy dane się nie zgadzają
Nie kupować nowego narzędzia.
Zacząć od pytania: które źródło jest źródłem prawdy? Dla transakcji e-commerce — to zazwyczaj ERP lub CRM, nie GA4. GA4 mierzy sesje i zdarzenia, nie zamówienia. Google Ads mierzy konwersje przypisane do kliknięcia w reklamę, nie zamówienia. Jeśli nie wiesz, które źródło traktujesz jako referencyjne — nie możesz ocenić, które inne się "nie zgadza".
Następnie: zidentyfikuj największą rozbieżność i zbadaj jej przyczynę. Zazwyczaj jest jedna dominująca — różna definicja konwersji, różne okno atrybucji, brakujące parametry UTM, powielone zdarzenia. Naprawienie jednej rzeczy eliminuje 70% problemu.
Potem: wyznacz właściciela danych i zdefiniuj proces aktualizacji. Bez tego nawet poprawny system zdezaktualizuje się w ciągu kwartału.
Dane się nie zgadzają i masz budżet, żeby to naprawić? To jest właściwy punkt wyjścia.
#FutureIsNow #DragonsDontLie #Analytics #DataAnalytics #BI