Proč řešit marketingové dashboardy a KPI
Marketingové týmy pracují s velkým objemem dat ze zdrojů jako reklamní systémy, analytika webu a aplikací, CRM, e-commerce či sociální sítě. Klíčem k řízení výkonu je propojení těchto dat do vizualizací a KPI stromů, které jsou spolehlivé, čitelné a akční. Mezi nejpoužívanější nástroje patří Power BI (Microsoft), Looker Studio (dříve Google Data Studio) a Looker (modelování nad datovým skladem). Tento článek vysvětluje, kdy který nástroj použít, jak navrhnout robustní marketingový dashboard, jaké jsou rozdíly v modelování a nákladech, a jak nastavit governance, výkon a kvalitu.
Terminologie a pozice nástrojů v ekosystému
- Looker Studio (dříve Google Data Studio): vizualizační vrstva s množstvím konektorů, vhodná pro rychlé dashboardy nad online zdroji (GA4, Google Ads, BigQuery, Sheets). Neobsahuje samostatný semantický model.
- Power BI: end-to-end BI platforma se semantickým modelem (tabulkový engine VertiPaq), jazykem DAX a Power Query/M, desktopovým vývojem a cloudovým publikováním.
- Looker (LookML): modelovací vrstva nad datovým skladem (BigQuery, Snowflake, Redshift), kde se definují metriky, dimenze, vztahy a přístupová práva; obsahuje vlastní vizualizace a explorace.
Pojmenování „Google Data Studio“ je historické; v praxi je dnes používáno Looker Studio. Pro marketing však stále zůstává logické porovnávání s Power BI a (pokud je k dispozici DWH) i s Lookerem.
Architektonické vzory pro marketingová data
- Přímé konektory: dashboard čte přímo ze SaaS API (Google Ads, Meta, LinkedIn). Rychlé, ale křehké; omezené historické data a kvóty API.
- Datové mezivrstvy: pravidelné ingestování do datového skladu (BigQuery, Snowflake) přes ELT/ETL (Airbyte, Fivetran, Stitch). Stabilní, škálovatelné, levnější při velkých objemech.
- Semantická vrstva: jednotná definice metrik (např. „Cost“, „ROAS“, „Attributed Revenue“) – v Power BI (datový model, measures), v Looker (LookML, explores), u Looker Studia doporučená externí vrstva (dbt, SQL views).
Konektory a zdroje dat pro marketing
| Zdroj | Looker Studio | Power BI | Poznámka |
|---|---|---|---|
| Google Analytics 4 | Nativní konektor + BigQuery export | OData/REST, BigQuery konektor | Při větších objemech preferujte BigQuery export GA4 |
| Google Ads, SA360 | Nativní/partnerské konektory | Oficiální konektory/partnerské konektory | API kvóty, potřeba normalizace metrik |
| Meta Ads, LinkedIn, TikTok | Partnerské konektory | Partnerské konektory | Doporučený staging v DWH |
| CRM/Automation (HubSpot, SFMC) | Partnerské konektory, Sheets | Nativní/partnerské konektory | Deduplikace kontaktů a atribuce |
| E-commerce (ERP, objednávky) | CSV/Sheets/BigQuery | SQL konektory, Gateway | Nutná integrace offline výnosů |
Modelování metrik: DAX vs. LookML vs. SQL
- Power BI (DAX): silné v definici sémantiky (measure, relationship, role playing dimenze, Time Intelligence). Výhoda při složitých KPI (rolling windows, cohorty) a row-level security.
- Looker (LookML): centrální definice metrik a dimenzí jako kód (version control, reuse). Ideální pro organizace s DWH a požadavkem jednotné pravdy napříč týmy.
- Looker Studio: kalkulace na úrovni vizuálu/datasource (základní formule, community vizualizace). Pro konzistenci doporučený model v DWH (dbt) a publikování pohledů (views).
Výkon a škálování dashboardů
- Materializace: agregované tabulky (daily_campaign, weekly_channel) pro rychlé čtení; snížení počtu JOIN a filtrů v čase načítání.
- Cache a extrakty: Power BI Import modely s kompresí (VertiPaq) vs. DirectQuery; v Looker Studiu využít Extract data nebo BigQuery BI Engine.
- Optimalizace dotazů: minimalizovat blending přes vizuál, raději připravit denormalizované pohledy; omezit počet grafů na stránce; paginace.
- Guardrails: limity časových rozsahů (default 90 dní), předdefinované filtry a povinná segmentace (brand/non-brand, země).
Bezpečnost, správa přístupů a publikování
- Power BI: pracovní prostory, Row-Level Security, App balíčky pro distribuci, On-premises gateway pro interní zdroje.
- Looker Studio: sdílení přes Google identity, viewer’s credentials vs. owner’s credentials; doporučené přehledy publikovat jako Reports s pevnou datasource.
- Looker: model access, data groups, access filters; audit přístupů a content validation.
Cost model: přímé a nepřímé náklady
- Licence: Power BI Pro/PPU/Premium; Looker licencovaný podle uživatelů a modulů; Looker Studio převážně zdarma, ale s placenými konektory/kvótami.
- Provoz datového skladu: náklady na BigQuery/Snowflake/SQL Server; optimalizace dotazů a materializací výrazně ovlivňuje cenu.
- Integrace: ELT nástroje (Fivetran/Hevo/Airbyte) – často podle objemu řádků/zdrojů.
- Práce lidí: modelování, governance, testování, UI/UX dashboardů.
UX zásady pro marketingové dashboardy
- Hierarchie informací: stránka 1 = KPI (výnosy, marže, ROAS, CAC, pipeline); následující stránky = diagnostika podle kanálu/kampaně/segmentu.
- Konzistentní definice: slovník metrik přímo v dashboardu (tooltipy, info panely) – co je „Revenue“, „Attributed Revenue“, „Gross Margin“, „Sessions“.
- Interaktivita s mírou: povinné filtry (datum, země, kanál), ale omezit kaskády, které vedou k pomalému načítání.
- Příběhovost: KPI karty, trendové grafy s anotacemi (kampaně, release), rozpad do stromu dopadů (např. ROAS → Revenue a Cost).
- Přístupnost: kontrast, čitelné osy, jednotky (tis., mil.), bez redundantních barev; používat tabulky s možností exportu.
Nejčastější marketingové KPI a jejich výpočet
| KPI | Vzorec | Poznámka |
|---|---|---|
| ROAS | Revenue / Ad Spend | Rozlišit atribuci (last-click, data-driven, MTA) |
| CAC | Marketing & Sales Cost / #New Customers | Zahrnout fixní náklady, pokud jde o celkový CAC |
| CLV | ARPU × Marže × Retenční horizont | Pokud je DWH, preferovat survival model |
| Conversion Rate | Conversions / Sessions | Doladit zdroje konverzí (online/offline merge) |
| Share of Voice | Impressions brand / Impressions total | Nutné standardizovat brand/non-brand |
Porovnání Power BI, Looker Studio a Looker pro marketing
| Oblast | Power BI | Looker Studio | Looker |
|---|---|---|---|
| Rychlý prototyp | Dobré (Power Query) | Výborné (konektory, jednoduchost) | Dobré, pokud existuje DWH |
| Jednotná definice metrik | Silná (model + DAX) | Omezená (bez centrální sémantiky) | Výborná (LookML) |
| Výkonnost při velkých datech | Silná (Import, agregace) | Závislé na zdroji, BI Engine | Výborná (push-down do DWH) |
| Governance a bezpečnost | Podnikové funkce | Základní (Google sharing) | Podnikové (model-based access) |
| Náklady | Licence + správa | Nízké, ale konektory/DWH mohou stát | Vyšší licence + DWH |
Praktické vzory dashboardů pro marketing
- Výkon kampaní: ROAS, Cost, Revenue, Impressions, Clicks, CTR, CPC; rozpad podle kanálu, kampaně, kreativy; graf trendu s anotacemi.
- Funnel a atribuce: Sessions → Leads → SQL → Opportunities → Deals; multi-touch pohled, porovnání modelů atribuce.
- SEO a obsah: organické kliky, pozice, indexace; propojení s konverzemi a revenue; monitor kvality vstupních stránek.
- CRM a retence: kohorty, LTV, repurchase rate, e-mail engagement; segmentace podle akvizičního kanálu.
Implementační postup krok za krokem
- Inventarizace KPI: definovat obchodní otázky, slovník metrik a jednotky.
- Zdrojová mapa: identifikovat systémy, přístupová práva, API limity, osazení identifikátorů (gclid, fbclid, user_id).
- Integrace: zvolit ELT a staging do DWH; připravit normalizované tabulky fact/dimension.
- Sémantika: Power BI model nebo LookML; u Looker Studio SQL/DBT vrstva.
- Vizualizace: návrh stránek, filtry, výkonové optimalizace, testování s reálnými uživateli.
- Governance: přístupové role, audity, verzování, incident management.
- Adopce: školení, data stories, alerty a pravidelné revize KPI.
Kvalita dat a testování
- Validace metrik: porovnání s původními systémy (tolerance rozdílů např. ±2 %).
- Kontroly konzistence: součty detailů = agregáty; kontrola duplicit klíčů; časová pásma.
- Monitorování pipeline: SLA načítání, alerty při anomáliích, testy schémat.
- Reprodukovatelnost: definované seed datasety pro regresní testy dashboardů.
Častá úskalí a jak se jim vyhnout
- Nejasné definice: bez slovníku KPI vznikají spory o „pravdu“ – zaveďte centrální sémantiku.
- Blending ve vizuálu: zpomaluje a zkresluje; raději joiny v DWH.
- Ignorování atribuce: ROAS bez modelu atribuce zavádí; vždy uvádějte model.
- Bezpečnostní díry: sdílení na „Anyone with the link“ u citlivých výnosů – zakázat, používat role.
- Nadměrné detaily: 30 grafů na jedné stránce snižuje použitelnost i výkon.
Rozhodovací strom: který nástroj kdy zvolit
- Potřebuji rychlý marketingový přehled z Google stacku → Looker Studio nad GA4/Ads/BigQuery.
- Mám mnoho heterogenních zdrojů a potřebuji silné modelování → Power BI s Import modelem a DAX.
- Mám cloudový DWH a požaduji „jednu pravdu“ napříč firmou → Looker (LookML) + případně lehké prezentační vrstvy.
- Hybrid: Looker jako sémantika + Looker Studio na jednoduché reporty + Power BI pro pokročilé analytiky.
Checklist pro produkční marketingový dashboard
- Slovník KPI a jasná atribuce konverzí.
- Datové toky s monitoringem a alerty.
- Materializované agregace pro rychlost.
- Role-based access a audit logy.
- UX: hierarchie stránek, povinné filtry, legenda jednotek.
- Výkonový test: načtení < 3 s při běžném rozsahu.
- Dokumentace: zdroje, transformace, omezení.
Mini případová studie: výkon placeného vyhledávání
Středně velký e-shop konsolidoval Google Ads, SA360, Meta a objednávky do BigQuery. V Looker modelu definovali jednotné metriky Spend, Revenue, Gross Margin, ROAS. Power BI použili na detailní diagnostiku klíčových slov (DAX cohorty a seasonality), Looker Studio na denní manažerský
