Najważniejsze raporty w Google Analytics 4 dla sklepu internetowego to zestaw widoków pozwalających ocenić realną rentowność biznesu, a nie tylko ruch. Fundamentem skutecznej analityki e-commerce są: Raport generowania przychodu (do oceny produktów), Eksploracja ścieżki zakupowej (do wykrywania porzuceń koszyka) oraz Raport pozyskiwania ruchu z filtrem na sprzedaż. Tylko te dane pozwalają na optymalizację wskaźników efektywności (KPI).
Czy wiesz, że patrzenie na ogólną liczbę użytkowników to prosta droga do przepalania budżetu? W WSK Growth nazywamy to „ślepotą analityczną”. Większość metryk w domyślnym panelu GA4 to tzw. vanity metrics (metryki próżności) – łechcą ego, ale nie budują portfela. Czas przestać zgadywać i zacząć podejmować decyzje oparte na twardych danych. Oto 4 raporty, które wreszcie pokażą Ci, co naprawdę działa, a co tylko marnuje Twój budżet.
Jak interfejs GA4 ukrywa prawdę o Twojej sprzedaży i co zrobić, żeby ją wydobyć?
Żeby interfejs GA4 pokazywał dane, które realnie wspierają decyzje biznesowe, potrzebujesz świadomie uporządkować to, co widzisz. Standardowe widoki opierają się na ogólnych metrykach i zliczaniu sesji, co w e-commerce ma ograniczoną wartość.
Dopiero personalizacja raportów i koncentracja na kluczowych zdarzeniach pozwalają wyeliminować szum i zobaczyć fakty. Zdarzenia takie jak view_item, add_to_cart, begin_checkout i purchase powinny stanowić podstawę analizy, bo pokazują rzeczywiste zachowania zakupowe.
Dokładniejsze wnioski uzyskasz w sekcji Eksplorowanie, gdzie możesz zestawiać, filtrować i oczyszczać dane, a pełny dostęp do potrzebnych informacji zapewni dodanie właściwych metryk i wymiarów w panelu Definicje niestandardowe.
Po uporządkowaniu danych pora zidentyfikować kanały, które faktycznie zarabiają.
Skąd przychodzą Twoi najlepsi klienci? Raport Pozyskiwanie ruchu (Traffic Acquisition)
W analizie e-commerce najważniejsze jest to, skąd pochodzi sesja, która rzeczywiście doprowadziła do zakupu. Informacja o tym, skąd przyszedł pierwszy użytkownik (First User), ma ograniczoną wartość. W praktyce liczy się źródło i medium sesji, która wygenerowała przychód. Dlatego raport Pozyskiwanie ruchu jest jednym z najważniejszych narzędzi do oceny skuteczności kanałów sprzedaży.
W praktyce najważniejszym elementem tego raportu jest wymiar źródło/medium sesji, która doprowadziła do zakupu. Dzięki niemu widzisz, które kanały realnie generują konwersje, a które dostarczają jedynie ruch bez wartości biznesowej.
W ocenie jakości ruchu kluczową rolę odgrywają następujące metryki:
Współczynnik konwersji sesji, który pozwala ocenić skuteczność konkretnego źródła ruchu,
Całkowity przychód, który pokazuje, ile pieniędzy przyniosła dana kombinacja źródło/medium.
Na podstawie tej analizy możesz zweryfikować, czy płatne kampanie (Paid Search) rzeczywiście dają lepszy zwrot niż organiczne wyniki wyszukiwania, ale to tylko początek. Ten raport pozwala porównać skuteczność wszystkich kanałów sprzedaży od afiliacji po poszczególne platformy reklamowe, takie jak Google, Meta, TikTok czy Pinterest. Dzięki temu widzisz, które źródła generują wartościowe sesje, a które nie dostarczają wyników, i możesz świadomie przenieść budżet tam, gdzie realnie powstaje sprzedaż.
Gdy już wiesz, skąd przychodzą pieniądze, czas sprawdzić, które produkty faktycznie konwertują, a które jedynie zajmują miejsce w magazynie.
Jak rozpoznać bestseller w GA4? Raport Zakupy E-commerce (E-commerce purchases)
Raport Zakupy E-commerce w sekcji Generowanie przychodu to centralny punkt analizy asortymentu. Pokazuje, które produkty faktycznie generują przychody. Dzięki temu możesz łatwo zidentyfikować bestsellery w swojej ofercie. Nie mniej ważne jest przyjrzenie się temu, jak użytkownicy reagują na poszczególne produkty.
Jak analizować dane?
Podstawowym wymiarem w tym raporcie jest Item name czyli nazwa produktu. To on pozwala przejść z poziomu ogólnych wskaźników do oceny konkretnych pozycji w katalogu. Warto zacząć od analizy lejka produktowego. GA4 udostępnia współczynnik koszykowy (Add-to-cart rate), który pokazuje, jak często po wyświetleniu produktu (view_item) asortyment trafia do koszyka. Zestawienie view_item z dodaniami do koszyka (add_to_cart) pozwala szybko ocenić, które produkty przyciągają uwagę, ale nie przechodzą do kolejnego etapu ścieżki zakupowej.
„Współczynnik koszykowy odsłania prawdę o asortymencie. Widać w nim, co klienci chcą kupić, a co tylko oglądają.”
Jeśli produkt generuje dużo wyświetleń produktu, a jednocześnie ma niski poziom dodania do koszyka, to sygnał, że wymaga szczegółowego przeglądu. Taka sytuacja często wskazuje na problemy z ceną, prezentacją, opisem, zdjęciami lub brakiem recenzji. To są elementy, które mogą blokować konwersję nawet w przypadku potencjalnych bestsellerów.
Jeżeli potrzebujesz głębszej analizy, warto przejść do sekcji Eksplorowanie i stworzyć raport typu Eksploracja swobodna. Możesz tam połączyć wymiar Item name z metrykami takimi jak Event count, Conversions czy Total Revenue. To podejście pozwala szybko odróżnić produkty, które rzeczywiście generują sprzedaż, od tych, które mają ruch, ale nie dostarczają wartości biznesowej.
Teraz, gdy wiesz już, co sprzedaje się najlepiej, pora sprawdzić, gdzie znika reszta potencjału sprzedażowego.
Gdzie tracisz klientów? Raport Eksplorowanie ścieżki (Funnel Exploration)
Gotowy raport Ścieżka do zakupu w sekcji Generowanie przychodu pokazuje ogólną ścieżkę zakupu, ale nie pozwala na precyzyjną diagnozę tego, co blokuje konwersję. Jeśli chcesz dokładnie zrozumieć porzucenia koszyka i zobaczyć, na którym etapie lejek sprzedażowy traci użytkowników, musisz pracować w Eksploracji ścieżki w sekcji Eksplorowanie.
Dlaczego warto korzystać z Eksplorowania
Standardowe raporty są sztywne. Nie pozwalają zmieniać kroków ścieżki, analizować szczegółowego drop-off rate ani budować lejków dostosowanych do procesu zakupowego konkretnego sklepu. Eksplorowanie ścieżki daje pełną kontrolę nad analizą i umożliwia identyfikację problemów, których „gotowe” raporty po prostu nie pokażą.
Budowanie lejka sprzedażowego
Aby ocenić, na którym etapie ścieżki pojawiają się problemy, budujemy lejek sprzedażowy oparty na zdarzeniach e-commerce:
view_item -> add_to_cart -> begin_checkout -> purchase
Dzięki temu widzisz, ilu użytkowników przechodzi między krokami ścieżki, a ilu rezygnuje po drodze.
Jak interpretować drop-off rate
Najważniejszą wartością raportu Eksploracji ścieżki jest możliwość wskazania miejsc, w których użytkownicy rezygnują z zakupu. Zobaczysz w nim nie tylko skalę porzucenia koszyka, ale przede wszystkim konkretny krok ścieżki, na którym dochodzi do rezygnacji. Jeżeli widzisz wysoki drop-off rate między krokami, to jest sygnał, że coś w procesie przestaje działać.
Co może oznaczać wysoki drop-off między krokami:
Wysoki drop-off między view_item a add_to_cart:
strona produktu nie przekonuje lub nie odpowiada na kluczowe pytania użytkownika
cena jest postrzegana jako zbyt wysoka w stosunku do wartości
opis produktu jest niepełny lub mało konkretny
zdjęcia są słabe jakościowo albo nie pokazują szczegółów
brak wiarygodności: mało recenzji, brak opinii, brak informacji o dostępności
długi czas dostawy lub ograniczony wybór metod wysyłki widoczny już na etapie produktu
parametry techniczne lub warianty są niejasne (np. rozmiary, kolory)
Wysoki drop-off między add_to_cart a begin_checkout:
nieoczekiwane koszty pojawiające się w koszyku, np. wysoka cena dostawy
brak jasnej informacji o zwrotach lub gwarancji
zbyt wiele elementów rozpraszających w koszyku (upselle, bannery, pop-upy)
użytkownik chce porównać ofertę, bo nie widzi przewagi nad konkurencją
obowiązkowe zakładanie konta zniechęca do przejścia dalej
błędy walidacji, problemy z dostępnością produktów lub wariantów
Wysoki drop-off na etapie checkoutu:
słaba optymalizacja checkoutu, zbyt dużo pól do wypełnienia
niedopasowane metody płatności (brak BLIK, Google Pay, Apple Pay)
ograniczone opcje dostawy lub nieatrakcyjne czasy doręczeń
użytkownik musi przechodzić przez wiele kroków, co wydłuża proces
problemy z UX na mobilnych urządzeniach
komunikaty błędów, które nie wyjaśniają, co trzeba poprawi
Wysoki drop-off między begin_checkout a purchase:
problemy techniczne po stronie bramki płatności
użytkownik rezygnuje po zobaczeniu finalnego kosztu zamówienia
nie działa kod rabatowy lub zniżka jest niejasna
brak zaufania do sklepu na ostatnim etapie: brak logo płatności, brak certyfikatów, słaba komunikacja bezpieczeństwa
użytkownik musi podać dane, które nie są niezbędne do zakupu (np. data urodzenia
Ocena lejka zakupowego przez pryzmat segmentów użytkowników
Kiedy wiesz już, na których etapach pojawiają się największe spadki, kolejny krok to sprawdzenie, kogo dokładnie dotyczą te problemy. Segmentowanie danych pozwala porównać zachowania użytkowników według wybranego wymiaru, na przykład kategorii urządzenia. Dzięki temu możesz szybko ocenić, czy drop-offy wynikają z ogólnego problemu w ścieżce zakupowej, czy są charakterystyczne dla konkretnego segmentu, np. użytkowników mobilnych.
Krytyczne punkty ścieżki masz już wychwycone. Czas ustalić, komu faktycznie należy się premia za sprzedaż.
Kto wypracował premię, a kto tylko udaje gwiazdę? Raport Ścieżki konwersji i Atrybucja
W e-commerce rzadko kiedy klient dokonuje zakupu po pierwszym kontakcie z marką. Najczęściej przechodzi przez serię punktów styku: reklamy, wyszukiwarkę, social media, newsletter, remarketing. Jeśli chcesz rzetelnie ocenić efektywność działań marketingowych, musisz zobaczyć całą ścieżkę, a nie tylko ostatnie kliknięcie.
W GA4 zrobisz to w sekcji Reklamy, następnie Atrybucja i Ścieżki atrybucji. Ten raport pokazuje, jak poszczególne kanały, takie jak Google Ads, działania SEO czy Social Media Marketing, wpływają na decyzję o zakupie.
Model atrybucji oparty na danych (Data-Driven Attribution)
GA4 domyślnie stosuje model atrybucji oparty na danych (Data-Driven Attribution). W przeciwieństwie do modelu Last Click, który przypisuje całą wartość konwersji jedynemu, ostatniemu punktowi styku, DDA analizuje pełną sekwencję interakcji użytkownika. Uwzględnia czas do konwersji, rolę poszczególnych kanałów oraz typ każdego kontaktu z marką. Dzięki temu możesz zobaczyć, jak Google Ads, działania SEO czy Social Media Marketing współpracują na różnych etapach ścieżki zakupowej i jaki jest ich faktyczny udział we wspomaganiu sprzedaży, a nie tylko w finalnym domknięciu transakcji.
Zrozumienie roli wspomagania sprzedaży
Model Last Click pomija działania, które budują popyt i przygotowują użytkownika do zakupu. Analiza wspomagania sprzedaży pokazuje, na których etapach poszczególne kanały mają największe znaczenie. Pozwala to ocenić, które działania przyciągają uwagę, które wspierają proces decyzyjny i jak kanały współpracują ze sobą, nawet jeśli nie odpowiadają za finalne kliknięcie.
“Ostatnie kliknięcie nie mówi prawdy o efektywności marketingu. Dopiero analiza całej ścieżki konwersji pokazuje, kto faktycznie pracuje na sprzedaż.”
Wnioski dla strategii i budżetu
Analiza ścieżek konwersji powinna być kluczowym etapem decyzji o alokacji budżetów. Dzięki DDA możesz lepiej uzasadniać inwestycje w działania długoterminowe, ocenić rzeczywistą rolę Google Ads w całej ścieżce zakupowej oraz wskazać kanały, które realnie wspierają sprzedaż na różnych etapach.
To podejście ułatwia identyfikację działań, które są kosztowne i nie wnoszą wartości do ścieżki, co pozwala je ograniczyć lub całkowicie wyeliminować. Pomaga też uniknąć optymalizacji pod wyłącznie ostatnie kliknięcie, która poprawia wyniki krótkoterminowe, ale hamuje rozwój sklepu w dłuższej perspektywie.
Z solidnym fundamentem analitycznym możesz przejść na profesjonalny poziom. Tu liczy się już nie tylko interpretacja raportów, ale precyzyjne sterowanie całym ekosystemem danych.
Moduł ekspercki: GTM i Data Layer jako silnik Twojej analityki
Google Analytics 4 jest tylko odbiornikiem danych. Źródłem danych jest Twój sklep. Nie powinno więc nikogo dziwić, że między jednym a drugim musi działać niezawodny system ich przekazywania. Jeśli warstwa techniczna kuleje, raporty będą nieprecyzyjne, a wnioski nietrafione. Dlatego skuteczne wdrożenie Google Analytics 4 zaczyna się od poprawnej konfiguracji tagów i solidnie przygotowanej warstwy danych.
Rola Google Tag Managera i warstwy danych
Najbardziej efektywnym sposobem instalacji GA4 jest Google Tag Manager (GTM), który pozwala wdrażać i modyfikować tagi bez każdorazowego angażowania programisty. Jednak GTM sam w sobie nie wystarczy – potrzebuje źródła prawdziwych danych o zachowaniach użytkowników. Tym źródłem jest warstwa danych (Data Layer).
Czym jest Data Layer?
Warstwa danych to przestrzeń na stronie, w której gromadzone są wszystkie kluczowe informacje o zachowaniach użytkownika i zdarzeniach e-commerce. Trafiają tam takie dane jak nazwa produktu, ID transakcji czy wartość koszyka. Dopiero z tej warstwy Google Tag Manager pobiera informacje i przekazuje je dalej do GA4, dzięki czemu dane trafiają do raportów w pełnej i uporządkowanej formie.
Bez poprawnie wdrożonej Data Layer GA4 nie otrzyma kluczowych parametrów, takich jak product_sku podczas add_to_cart czy transaction_id podczas purchase. To prowadzi do braków w raportach, zaniżonego przychodu lub całkowitej utraty danych transakcyjnych.
Konsekwencje błędnego wdrożenia
Nieprawidłowa konfiguracja Data Layer i GTM może powodować braki danych w raportach Generowanie przychodów, szczególnie przychodów i liczby zamówień, duplikację zdarzeń, np. wielokrotne wysłanie purchase, co sztucznie zawyża sprzedaż, oraz wartości not set, gdy GA4 nie otrzymuje wymaganych parametrów. W e-commerce błędy tego typu mają realny wpływ na decyzje o budżecie, marży i optymalizacji kampanii.
Rejestracja zdarzeń niestandardowych i debugowanie
Samo wysyłanie zdarzeń do GA4 nie wystarczy. Parametry przekazywane z GTM trzeba zarejestrować jako wymiary lub dane niestandardowe, aby były dostępne w raportach. To krok, który wiele zespołów pomija – w efekcie dane „istnieją”, ale są niewidoczne.
Przed publikacją jakichkolwiek zmian w GTM konieczne jest debugowanie.
Widok DebugView pokazuje w czasie rzeczywistym, które zdarzenia trafiają do GA4 i z jakimi parametrami. To najszybszy sposób, aby wykryć błędy jeszcze przed wdrożeniem na produkcji.
Fundamenty masz już pod kontrolą. Zanim zamkniesz ten artykuł, przejdź przez odpowiedzi na pytania, które regularnie padają na konsultacjach i porządkują całą układankę.
FAQ – Najczęściej zadawane pytania
Dlaczego GA4 pokazuje inną sprzedaż niż sklep?
Różnice w raportowanej sprzedaży między GA4 a sklepem wynikają z tego, że oba systemy opierają się na innych zasadach zbierania i przetwarzania danych. W praktyce prowadzi to do rozbieżności w danych, które zwykle nie są błędem, lecz naturalnym efektem różnic metodologicznych i ograniczeń technicznych. Najważniejsze przyczyny:
Polityka cookies i brak zgody użytkownika
Jeśli użytkownik nie wyraża zgody na śledzenie, GA4 nie może go uwzględnić w raportach. Transakcja zostanie zarejestrowana w sklepie, ale nie w GA4. To naturalne źródło rozbieżności w danych, nawet jeśli system wykorzystuje modelowanie do uzupełnienia braków.
AdBlock oraz inne narzędzia ochrony prywatności mogą całkowicie uniemożliwić działanie skryptów GA4. Sklep przetworzy transakcję, natomiast GA4 nie otrzyma żadnych informacji, co ponownie prowadzi do rozbieżności.
Problemy z przetwarzaniem danych po stronie implementacji
Najczęstsze błędy to niepoprawnie wdrożone zdarzenie purchase, zdublowane wywołania zdarzeń w Google Tag Manager oraz brak parametru waluty, co blokuje raportowanie przychodów.
Wszystkie te elementy wpływają na finalną jakość danych. Dlatego poprawna implementacja, testy i regularne debugowanie są konieczne, aby GA4 prezentował dane możliwie zbliżone do systemu sklepu.
Co to jest próg danych (thresholding) w GA4?
Próg danych, czyli thresholding, to mechanizm stosowany w GA4 w celu wzmocnienia ochrony prywatności użytkowników. Najczęściej uruchamia się wtedy, gdy włączone są Google Signals i system wykrywa, że prezentowane informacje mogą nie być w pełni anonimowe.
Taka sytuacja pojawia się na przykład wtedy, gdy w raporcie znajdują się dane wrażliwe, takie jak demografia, analizowany segment obejmuje małą liczbę użytkowników lub istnieje ryzyko, że na podstawie dostępnych danych można zidentyfikować zachowanie konkretnej osoby.
W odpowiedzi GA4 ukrywa lub ogranicza część danych, aby zapewnić pełną anonimizację. W praktyce możesz zaobserwować brakujące wartości, niepełne wiersze w tabelach lub zaniżone liczby. Thresholding nie oznacza jednak błędu w raportowaniu. Jak mówi znane powiedzenie: It’s not a bug, it’s a feature! W tym przypadku mechanizm thresholdingu został zaprojektowany po to, by zapewnić zgodność z zasadami ochrony prywatności i uniemożliwić identyfikację użytkowników na podstawie zbyt szczegółowych danych.
Jeżeli chcesz, żeby analityka e-commerce była precyzyjnym procesem, a nie zbiorem przypadkowych wykresów:
Skontaktuj się z WSK Growth. Wdrożymy u Ciebie analitykę, która mówi prawdę i realnie wspiera wzrost sprzedaży.
