Skalowanie e-commerce w oparciu o LTV, CAC, atrybucję i AI

Poznajcie Marka — menadżera średniej wielkości e-commerce'u. Marek jest postacią zbiorczą opartą na realnych osobach, ale wszystkie dane pokazywane na webinarze pochodzą z jego prawdziwego sklepu.

Marek ma cele na pierwszy kwartał: więcej przychodu, więcej zysku. Problem w tym, że koszty kliknięć rosną, konkurencji jest coraz więcej, a budżetów podnosić nie może. Performance Max, search, brand, social i newsletter do wszystkich zapisanych działały latami — teraz przestają wystarczać.

Marek zauważył, że liderzy rynku mają dwie przewagi: własne działy analityczne i wdrożone AI zasilane tymi danymi. Zatrudnienie analityka to kilka miesięcy i koszt, na który go nie stać. Ten webinar jest o tym, jak zdobyć tę przewagę bez działu analitycznego.

Część 1: Framework analizy klienta

Kto jest klientem. Klient to ktoś, kto dokonał u nas transakcji i od kogo oczekujemy kolejnych zakupów. I — co istotne — klient to nie użytkownik. Analiza tego, jak ktoś zachowuje się na stronie i skąd przyszedł, to analiza użytkownika w GA4. Analiza klienta dzieje się na twardych danych z CRM, nieobarczonych consentem, wyłączonymi ciasteczkami czy nieliczoną formą płatności.

Krok 1 — zebranie danych. Z bazy sklepu (PrestaShop, IdoSell, WooCommerce, Magento, custom): adres e-mail, wszystkie zamówienia z datami, data i wartość pierwszego oraz ostatniego zamówienia, suma i liczba wszystkich zamówień.

Krok 2 — segmenty: RFM 2.0. Klasyczne RFM (recency, frequency, monetary) jest metodologicznie dobre, ale podział na decyle i kilkadziesiąt segmentów jest tak skomplikowany, że nie opowiada żadnej historii — przez lata widziałem, jak niewiele firm faktycznie z takiej analizy skorzystało. Dlatego te same wymiary układamy w segmenty, które opowiadają cykl życia klienta:

• Nowi — pierwsze zamówienie
• Powracający — drugie zamówienie
• Lojalni — trzecie i kolejne
• Złoci (Gold) — lojalni, którzy przekroczyli progową wartość (np. 3–5× średnia wartość zamówienia)
• Potencjalnie straceni — zbliżają się do granicy braku aktywności
• Straceni (Lost) — brak zamówienia od roku
• Winback — odzyskani spośród straconych

Krok 3 — trzy analizy. Snapshot pokazuje stan na dziś: liczba klientów, przychód, udział, średnie LTV i AOV per segment. U Marka grupa Loyal Gold to 21,5 tys. klientów, ale odpowiada za 40% przychodów — przy 95 tys. samych nowych. Widać też 76 tys. straconych i garść potencjalnie straconych złotych klientów. Zmiana w czasie (30/60 dni) pokazuje dynamikę — np. skok o 60% w segmencie straconych rok po dużej akcji promocyjnej. Przepływ (flow) pokazuje, gdzie klienci faktycznie przeszli: ilu nowych wróciło po drugie zamówienie, a ilu poszło prosto na cmentarz.

Krok 4 — plan działania per segment. Dla nowych celem jest drugie zamówienie: dedykowany mail z rabatem, dopasowany do tego, co kupili. Przy 95 tys. nowych i 5% konwersji to blisko 5 tys. zamówień — około pół miliona przychodu, przy jednoczesnej oszczędności ~70 tys. zł, których nie wydajemy na CPA w mediach. Dla straconych: custom audience z ich adresami w Meta Ads.

Krok 5 — monitorowanie. Raport dzień po dniu pokazujący, z jakiego segmentu byli klienci składający zamówienia. Reagujemy na bieżąco, nie po miesiącu.

AI zamiast ręcznej pracy. Cały ten proces to normalnie wiele godzin, jak nie dni pracy. AI zasilone tymi danymi generuje co miesiąc podsumowanie kluczowych wniosków, analizę stanu bazy, analizę przepływu, ocenę wpływu finansowego i konkretne rekomendacje działań dzień po dniu.

Atrybucja per segment. Połączenie danych CRM z GA4 w hurtowni pozwala zobaczyć, jaki segment pozyskuje które źródło. Nagle widać, że Google Ads przynosi głównie nowych, a z direct wracają lojalni i złoci — za których zapłaciliśmy raz i już nie płacimy. To odwraca do góry nogami ocenę kampanii. Do tego porównanie modeli atrybucji, np. last click vs linear.

Część 2: Analiza pozyskiwania klientów

Kupowanie transakcji vs kupowanie klienta. 99% e-commerce'ów kupuje transakcje: konwersja kosztuje 15–25 zł, przynosi 150 zł, liczymy ROAS. Znając LTV wiemy, że ten klient przyniesie nie 150, a 450 zł — a więc możemy przebidować konkurencję na klientach, o których wiemy, że wrócą, bez podnoszenia budżetów.

Wskaźniki. Liczba nowych klientów, średni CAC, średnie LTV, wartość pierwszych i kolejnych zamówień. Stosunek LTV do CAC: 3:1 to zdrowy, stabilny wskaźnik; 1:1 jest niepokojące; powyżej 5:1 oznacza, że inwestujemy zbyt ostrożnie i warto zagrać agresywniej. Do tego ERS (effective revenue share, odwrotność ROAS) w wariancie short i long — czy klient rośnie w czasie.

Raport kohortowy. Ilu klientów pozyskanych w danym miesiącu, ile wydali w miesiącu pozyskania i ile w kolejnych. Kluczowy dla biznesów nastawionych na powracalność — diety pudełkowe, odzież, sezonowość. Czegoś takiego GA4 realnie nie daje, bo nie działa na danych CRM.

Wisienka: opłacalność kuponów powitalnych. Czy klient, który skorzystał z rabatu na pierwsze zamówienie, faktycznie wrócił? U Marka okazało się, że kuponów prawie nikt nie wykorzystuje, a ci, którzy je wykorzystali, szukają najniższej ceny i nie zostają klientami — czyli obniżanie marży kuponami może się w tej grupie nie opłacać. W innym biznesie było odwrotnie: klient z kuponem wracał i składał znacznie większe zamówienie.

Dla kogo

Dla osób zarządzających e-commerce'ami, które chcą realizować cele bez podnoszenia budżetów, oraz dla agencji chcących robić lepszą robotę na danych swoich klientów. Webinar odwołuje się do poprzedniego odcinka o budowie hurtowni danych — warto obejrzeć go wcześniej.