Společnost

Retenční techniky: retargeting a remarketing v e-commerce

Ján Gašparík 0

Úloha analytiky ve výkonnosti e-shopů

Analytika výkonnosti e-shopu je systematický proces sběru, modelování a interpretace dat s cílem maximalizovat růst tržeb, marži a spokojenost zákazníků při kontrolovaných nákladech. Spojuje marketingové, produktové, logistické a finanční signály do jednotného pohledu, ve kterém jsou rozhodnutí testovatelná a opakovatelná. Klíčová je disciplína: explicitní definice metrik, konzistentní eventový model, experimentální rámec a governance.

Měřící plán: od byznys cílů k metrikám

  1. Byznys cíle: růst tržeb, příspěvková marže, snížení vrácení, růst LTV, rychlost obratu zásob.
  2. Hypotézy: např. „Zlepšení vyhledávání zvýší konverzi z interního searchu o 0,5 p. b.“
  3. Metriky: hlavní (North Star), podpůrné (leading indicators) a strážné (guardrails: stížnosti, odhlášení).
  4. Eventová schéma: definujte entity (session, user, product, order) a události (view_item, add_to_cart, begin_checkout, purchase).
  5. Experimenty: rámec A/B testů s MDE, vzorkou a pravidly zastavení.

Semantická vrstva a definice klíčových metrik

Metrika Definice Interpretace Poznámky
Sessions / Users návštěvy / unikátní uživatelé velikost publika a frekvence zohledněte filtrování botů a MPP efekty
CR (Conversion Rate) objednávky / sessions účinnost celého trychtýře segmentujte podle kanálu, zařízení, vstupní stránky
AOV tržba / objednávka hodnota košíku ovlivňují slevy, balíčky, upsell
RPV tržba / návštěva spojuje CR a AOV užitečné pro porovnání kanálů
CTR kliknutí / impresí atraktivita nabídky platí pro listingy, bannery, kampaně
CAC marketingové náklady / počet nových zákazníků náklad na akvizici oddělte paid vs. organic
ROAS / POAS tržba / ad spend; profit / ad spend efektivita výdajů POAS je robustnější při různých maržích
LTV součet diskontovaných marží z budoucích nákupů dlouhodobá hodnota zákazníka porovnávejte s CAC (LTV:CAC > 3)
Return Rate vrácené položky / prodané položky kvalita fitu a očekávání segmentujte podle kategorie a kampaně
Contribution Margin tržby − COGS − promo slevy − variabilní logistika základ pro POAS, profitabilitu nezapomeňte na náklady na platby

Architektura dat a nástrojový stack

  • Sběr: server-side tagging, eventové SDK, konektory (ads, marketplace, platby, dopravci).
  • Úložiště: DWH/lakehouse s oddělením výpočtu a úložiště; historizace (SCD) pro katalog a ceny.
  • Modelování: semantická vrstva (jednotné dimenze: datum, kanál, kampaň, zařízení, kategorie), testy kvality a data contracts.
  • Aktivace: reverse ETL do CRM/CDP, publikování segmentů, feedy pro bidding systémy.
  • Observabilita: monitor čerstvosti, úplnosti, distribucí (drift) a SLA ingestu.

Eventová schéma e-commerce (minimum viable)

  • view_item_list (list_id, sort, filters, impressions)
  • select_item (product_id, position)
  • view_item (product_id, price, availability)
  • add_to_cart (product_id, qty, price, coupon)
  • begin_checkout (cart_value, shipping_option)
  • add_payment_info (method, 3DS)
  • purchase (order_id, revenue, tax, shipping, discount, items[])
  • refund (order_id, amount, reason, items[])
  • user (signup, login, consent_status, marketing_opt_in)
  • search (query, results_count, zero_results)

Trychtýř a mikro-konverze

Rozložte celkovou konverzi na řetězec přechodů: Landing → Product view → Add to cart → Checkout start → Purchase. Pro každý krok sledujte míru přechodu, průměrný čas a hlavní důvody odchodu (např. cena dopravy, dostupnost, rychlost stránky). Mikro-konverze (klik na variantu, filtrace, uložení do wishlistu) signalizují záměr a slouží k časnému hodnocení změn.

Merchandising a produktová analytika

  • Listing performance: impresí, CTR, add-to-cart rate z listingů, vliv řazení a filtrů.
  • PDP performance: scroll depth, interakce s galerií, dostupnost velikostí, kontextová cena vs. konkurence.
  • Search: zero-results rate, reformulace dotazu, konverze po searchi; kvalita synonym a boost pravidel.
  • Sortiment: share of stock v top poptávce, „long tail“ příspěvek, elasticita ceny a promo citlivost.

Rychlost webu a technické faktory

  • Core Web Vitals: LCP, CLS, INP – korelují s CR a SEO.
  • Time to Interact: rychlé načtení PDP a košíku výrazně ovlivňuje add-to-cart.
  • Reliabilita: chybovost API (platby, sklad, dopravci), fallbacky a retrysy.

Atribuce a rozpočtování

  • Rule-based atribuce: last non-direct, position-based nebo time-decay pro operativní rozhodnutí.
  • Experimentální atribuce: geo-split, user-level holdout, PSA testy – zlatý standard inkrementality.
  • MMM/MTA: kombinujte marketing mix model s eventovými daty; MMM poskytuje strategický pohled napříč kanály a sezónami.
  • Bidování na profit: optimalizujte na POAS / margin-based cíle, nikoliv jen ROAS.

Retence, LTV a kohorty

  • Kohortní analýza: skupiny podle měsíce akvizice, kanálu, první kategorie; sledujte opakované nákupy a marži.
  • RFM: recency, frequency, monetary – segmentace pro CRM a personalizaci.
  • LTV modely: BG/NBD, Gamma-Gamma nebo ML přístupy; validujte kalibraci a drift.
  • Payback: dny do pokrytí CAC příspěvkovou marží; kritické při škálování výkonné reklamy.

Ekonomika objednávky a ziskovost

Analyzujte příspěvkovou marži na úrovni objednávky: CM = Tržby − COGS − Slevy − Logistika − Platby − Balení. Sledujte práh „free shipping“, dopad promokódů, slevové kauzy a coupon leakage. Zavedení minimální hodnoty košíku a dynamických nákladů dopravy může zásadně zlepšit CM bez ztráty CR, pokud je správně komunikováno.

Logistika a operace

  • Service level: SLA expedice (T+1, T+2), „click-to-ship“ a „ship-to-deliver“ časy.
  • OOS a backorder: míra nedostupnosti, dopad na ztracené tržby, predikce poptávky.
  • Return handling: důvody vrácení, cykly výměn, sekundární prodej; zpětná vazba do výběru sortimentu.

CRM, e-mail, SMS a push analytika

  • Lifecycle automatizace: welcome, onboarding, replenishment, winback – vyhodnocujte IRPR a inkrementální zisk.
  • Frekvenční cap: hlídejte odhlášení a stížnosti; optimalizujte kadenci pomocí banditů.
  • Personalizace: doporučení, dynamické ceny v rámci guardrails; sledujte heterogenitu efektů podle segmentů.

Marketplace a omnichannel

  • Marketplace performance: share of buy box, fulfillment score, ratingy, cenový index vs. konkurence.
  • ROPO a O2O: vliv online na offline prodeje; používejte geo-split nebo panelová data.

Dashboardy, alerty a rituály rozhodování

  • Denně: RPV, CR, incidenty kvality dat, výpadky platebních a dopravních integrací.
  • Týdně: kanálové POAS, promo analýzy, výkonnost kategorií, rychlost webu a NPS/CSAT po doručení.
  • Měsíčně: LTV kohorty, retence, maržovost, zásoby a cash-to-cash cyklus.
  • Rituály: Experiment Review (roll/iterate/stop), KPI Forum (změna definic), Post-mortem bez viny.

Statistika a experimenty bez p-hackingu

  • MDE a velikost vzorky: definujte minimální detekovatelný efekt podle ekonomického dopadu.
  • Stopping rules: sekvenční testy nebo bayesovské přístupy minimalizují peeking bias.
  • Heterogenita: reportujte hlavní efekt a pre-registered segmenty; vyhněte se explorativnímu p-hackingu.

Governance, soukromí a soulad

  • Consent a preference: transparentní zpracování, granularita souhlasů, jednoduché zrušení.
  • Minimalizace dat: sbírejte jen potřebné PII a definujte retenční lhůty.
  • Data lineage a audit: katalog tabulek, vlastníci, verzování metrik a experimentů.

Praktický checklist pro e-shop analytiku

  • Máme jednotný slovník metrik a dokumentovaný měřící plán?
  • Jsou eventy e-commerce implementovány konzistentně (včetně refundů)?
  • Běží monitor kvality dat (čerstvost, duplicity, distribuce)?
  • Rozhodujeme o kampaních na základě POAS a inkrementality?
  • Máme trvalé holdouty pro CRM a alespoň měsíční geo-split v placených kanálech?
  • Existuje decision log a retrospektivy experimentů?

Ilustrativní příklad: optimalizace interního vyhledávání

  1. Hypotéza: „Auto-suggest se synonymy sníží zero-results rate o 20 % a zvýší CR ze searchu o 0,4 p. b.“
  2. Design: A/B test na 50/50, okno 14 dní, guardrails: rychlost (INP) a stížnosti.
  3. Metriky: zero-results rate, CTR na návrh, add-to-cart po search, CR a RPV ze searchu.
  4. Výsledek: zero-results −23 %, CR +0,5 p. b., RPV +7 %; POAS v kanálech driving search se zlepšil o 9 %.
  5. Rozhodnutí: rollout + škálování do mobilní aplikace; vytvořit feed pro synonymický slovník z logů.

Roadmapa zavádění (0–120 dní)

  1. 0–30 dní: audit eventů a metrik, zavedení POAS reportu, základní dashboardy trychtýře.
  2. 31–60 dní: server-side tagging pro klíčové eventy, trvalý holdout pro CRM, experiment handbook.
  3. 61–90 dní: profit-based bidování v placených kanálech, optimalizace checkoutu (platby, doprava), NPS po doručení.
  4. 91–120 dní: LTV model pro alokaci rozpočtu, pilot MMM, automatizované alerty na CR/stock incidenty.

Analytika výkonnosti e-shopů je kombinací přesných definic, důsledného sběru dat, experimentální disciplíny a ekonomického pohledu. E-shopy, které přejdou od ROAS k POAS, od korelace k inkrementalitě a od ad-hoc reportů k rituálům rozhodování, dokáží škálovat ziskově a udržitelně. Klíčem je propojení marketingu, produktu, logistiky a financí v jednotné datové kultuře.

Ján Gašparík

Website:

Related Story