Klaudia Górawska

Meta Ads vs. Google Analytics 4: na czym opierać skuteczność kampanii?

Przeglądając social media trafiasz na reklamę, która przyciąga Twoją uwagę. Dostrzegasz jej przekaz, ale z jakiegoś powodu nie dokonujesz interakcji i kontynuujesz scrollowanie. Mimo wszystko reklama utkwiła Ci w pamięci. Kolejnego dnia pojawia się potrzeba i decydujesz się na zakup produktu, którego reklama wzbudziła Twoje zainteresowanie. Choć bezpośrednio nie doszło do interakcji z reklamą, bezsprzecznie zainicjowała ona Twoją ścieżkę zakupową.

Materiał partnerski stworzony przez Get Noticed Agency.

Wstęp

Analiza efektywności kampanii reklamowych nie zawsze jest oczywista. Im bardziej staramy się być precyzyjni, tym pojawia się więcej znaków zapytania na naszej drodze. Doskonale obrazuje to sytuacja, w której chcielibyśmy pokusić się o zsumowanie wartości przychodów raportowanych przez poszczególne panele reklamowe. Szybko okaże się, że otrzymamy wartość, którą chcielibyśmy widzieć, aniżeli tą, którą w rzeczywistości mamy „w portfelu”.

Atrybucyjna bitwa o skuteczność

Z czego wynika cały ten analityczny chaos, który spędza sen z powiek nie tylko marketerom, ale także, a może – przede wszystkim – właścicielom biznesów, którzy podejmują decyzję o inwestycji w konkretne kanały reklamowe? Za całym tym galimatiasem stoi atrybucja i sposoby pomiaru danych.

W marketingowym słowniku atrybucja odpowiada za metodykę klasyfikacji danych. Ma ona kluczowe znaczenie w kontekście tych dotyczących konwersji.

W tym miejscu dochodzimy do sedna problematyki oceny działań reklamowych — czy konwersja powinna być zaklasyfikowana do kanału, który był pierwszym punktem interakcji klienta na ścieżce zakupowej, czy może jednak kluczową wagę miał ten, który był ostatnim przed właściwą konwersją? A może jeszcze inny? Odpowiedź na to pytanie poniekąd determinuje wnioski dotyczące skuteczności poszczególnych ekosystemów reklamowych.

Kontrowersje wokół konwersji Meta Ads

Jednym z najpopularniejszych kanałów reklamowych, który rodzi kontrowersje, jest ekosystem Meta Ads. Wszystko to za sprawą własnego systemu raportowania, który przypisuje konwersję niezależnie od etapu, na którym wystąpi interakcja z reklamą. Nie ma zatem znaczenia, na jakim etapie ścieżki konwersji pojawił się punkt styku użytkownika z reklamą.

Kolejną kością niezgody jest fakt, iż Meta poszerza definicję własnej skuteczności, wskazując, że już samo wyświetlenie reklamy wpływa na decyzje zakupowe, nawet jeśli nie dochodzi do kliknięcia. Ta metoda atrybucji, znana jako konwersja „po wyświetleniu”, zakłada, że już sama ekspozycja na reklamę wpływa na świadomość marki i może prowadzić do konwersji.

Krytycy wspomnianego modelu argumentują, że przypisywanie konwersji do wyświetleń może prowadzić do zawyżenia efektywności kampanii, ponieważ trudno jest jednoznacznie określić, czy to właśnie wyświetlenie reklamy miało decydujący wpływ na decyzję konsumenta. Zwolennicy — przeciwnie, uważają, że pomijanie konwersji „po wyświetleniu” w analizach to zbyt wąskie podejście, które nie uwzględnia roli, jaką odgrywa świadomość marki w procesie zakupowym.

Co nie może pozostać obojętne – dane o konwersjach „po wyświetleniu” są cenne także z perspektywy algorytmów. Kampanie, które w swojej optymalizacji wykorzystują dane atrybucji łączącej tak kliknięcia, jak i wyświetlenia, często osiągają lepsze rezultaty, co wynika z możliwości agregacji większej ilości danych i tworzenia w oparciu o nie dokładniejszego profilu konsumenta z większym prawdopodobieństwem konwersji.

Google Analytics i ewolucja podejścia – marketingowa recepta?

Chcąc w pewien sposób ujednolicić analizę danych, możemy odwołać się do narzędzi, które są w stanie agregować dane z wielu kanałów. Należy do nich m.in. Google Analytics. Jednak i w tym wypadku podejście do atrybucji nie jest jednoznaczne.

Universal Analytics, który swego żywota dokonał w 2023 r., domyślnie opierał się na modelu ostatniego kliknięcia niebezpośredniego (konwersja zostaje przypisana do ostatniego kanału, który nie jest wejściem bezpośrednim).

Jego następca, Google Analytics 4, oprócz nowej metodologii gromadzenia danych wniósł także świeże spojrzenie na  atrybucję – bazuje głównie na modelu opartym na danych (data-driven). Wspominany wykorzystuje algorytmy uczenia maszynowego do analizy wszystkich odnotowanych interakcji konsumenta z kanałami marketingowymi i cząstkowego (niekoniecznie liniowego) przypisywania udziału w konwersji dla poszczególnych kanałów, które pojawiły się na ścieżce zakupowej.

Przykład:

Wyobraź sobie, że prowadzisz sklep internetowy i korzystasz z trzech kanałów marketingowych: Meta Ads, e-mail marketingu oraz Google Ads. Klient kliknął reklamę na Facebooku, otrzymał wiadomość e-mail z automatyzacji remarketingowej, skorzystał z zawartego tam odnośnika i ponownie wszedł na Twoją stronę, ale dopiero kolejnego dnia podjął decyzję o zakupie. Wyszukał interesujący go produkt w wyszukiwarce Google, kliknął reklamę i sfinalizował transakcję.

Tradycyjne modele atrybucji mogą przypisać całą wartość sprzedaży ostatniemu kanałowi – w tym przypadku Google Ads. Model oparty na danych spojrzy na całą ścieżkę klienta, dzieląc wartość sprzedaży pomiędzy te kanały w stosunku np. 30% dla Facebooka, 30% dla e-maila i 40% dla Google.

Dla innego klienta może tę samą ścieżkę rozłożyć w stosunku 20%, 10% i 70%, jeśli dane na jego temat wskazywałyby na takie preferencje.

Pozwala to na  bardziej precyzyjną ocenę wkładu poszczególnych kanałów w proces decyzyjny. Czy zatem takie podejście jest realnie bardziej wartościowe od tego reprezentowanego przez ekosystem Meta Ads?

Argumentacja Meta zyskuje z czasem

Zachowania konsumentów zmieniają się w czasie. Szczególnie jaskrawy obraz zmian pojawia się wśród młodszych pokoleń. Większa świadomość, lepsze zrozumienie cyfrowego świata czy skala przyswajanych treści powodują, że ścieżki zakupowe ulegają wydłużeniu. Tym samym determinuje to wniosek, iż tradycyjne metody atrybucji, takie jak modelowanie oparte na ostatnim kliknięciu, mogą nie odzwierciedlać rzeczywistej efektywności działań marketingowych.

Jedno z ostatnich badań przeprowadzonych przez Meta (Event „Meta Agency Measurement Accelerator”, 17.07.2024) wśród 91  reklamodawców detalicznych w Stanach Zjednoczonych ukazało, że pokolenie Z generuje znacznie więcej konwersji po wyświetleniu niż po ich kliknięciu. Nie byłoby w tym nic dziwnego, gdyby nie wyraźna rozbieżność stosunku konwersji „po wyświetleniu” do tych „po kliknięciu”. Ratio (stosunek) dla generacji Z wykazało 12,7x większą ilość konwersji „po wyświetleniu”, podczas gdy kohorta (zbiór danych) dla innych grup wiekowych wykazała ratio wynoszące 5,3x.

Przytoczone wyniki, oparte na logice atrybucji stosowanej przez Meta, rzucają nowe światło na znaczenie rozszerzania perspektywy pomiaru efektywności kampanii reklamowych. Ilustruje to również, jak inne metody, np. Google Analytics, mogą zaniżać wkład niektórych kanałów – szczególnie tych, które generują znaczną ilość konwersji „po wyświetleniu”.

Powyższy wykres jasno obrazuje, jak młodsze grupy wiekowe (zwłaszcza 18–24 lata) wykazują wyraźnie wyższe ratio w porównaniu do starszych konsumentów. Podkreśla to potrzebę dostosowywania strategii marketingowych i metod atrybucji, aby lepiej odzwierciedlać wpływ reklam na młodsze demografie.

W kontekście rosnącego znaczenia świadomości marki i zaangażowania w wielokanałowe ścieżki konwersji powinniśmy analizować wyniki wielopłaszczyznowo, uwzględniając zróżnicowane modele – również te, które dają szersze spojrzenie na interakcje niebezpośrednie. Takie podejście może znacząco wpłynąć na strategie marketingowe – szczególnie w sektorach, gdzie główną grupą docelową są osoby młodsze.

Wpływ danych „po wyświetleniu” na wyniki marketingowe – instrukcja

Chcąc poruszać się sprawniej w sporze słuszności danych z panelu Meta oraz Google Analytics, ważne jest zrozumienie, że nie wszystkie wpływy reklam można zmierzyć bezpośrednio.

Wiele działań konsumentów, takich jak wyszukiwania w Google wywołane jedynie poprzez ekspozycję na reklamę na Facebooku lub Instagramie bez bezpośredniej interakcji, pozostają niewidoczne w tradycyjnych raportach atrybucji. Można jednak postarać się uchwycić te „niewidoczne” efekty, które nie są bezpośrednio mierzalne, ale mają wpływ na ogólne wyniki marketingowe, poprzez uwzględnienie w raportach konwersji niestandardowych. Poniżej krótka instrukcja konfiguracji takowych.

Krok 1: Utwórz niestandardową konwersję do segmentacji ruchu płatnego oraz organicznego z Google

1. Przejdź do Menedżera zdarzeń w panelu Meta, a następnie do sekcji „Niestandardowe konwersje” i kliknij „Utwórz”.

2. Utwórz konwersję niestandardową dla ruchu płatnego z Google.

  1. W polu „Zdarzenie” wybierz opcję „Cały ruch URL”. Spowoduje to uruchomienie niestandardowej konwersji dla dowolnego adresu URL w witrynie.
  2. W sekcji „Reguły” wybierz opcję „Referring Domain”, aby filtrować cały ruch URL według domeny odsyłającej. By odnieść się bezpośrednio do płatnych wyników wyszukiwania Google Ads, uwzględnij zawężenie o URL, który zawiera parametr gclid, gad_source lub utm.
  3. Kliknij „Utwórz”.

3. Powtórz krok proces tworzenia konwersji niestandardowej dla ruchu organicznego z Google.

  1. Powtórz kroki 1 i 2, uwzględniając zmianę w pkt.2.3 – uwzględnij zawężenie o URL, który nie zawiera parametru gclid,gad_source lub utm.
niestandardowe konwersje

Krok 2: Uwzględnij utworzone konwersje niestandardowe do raportowania w Meta Ads Manager

1. Na koncie reklamowym wybierz sekcję „Kolumny” i kolejno opcję „Dostosuj kolumny”.

konwersje meta ads

2. Wyszukaj i zaznacz utworzone niestandardowe konwersje „Google Paid Traffic” oraz „Google Organic Traffic”.

atrybucja

3. Zapisz ustawienia, aby zobaczyć nową kolumnę w tabeli raportów.

Krok 3: Przeanalizuj wyniki w kontekście 1-dniowego okna atrybucji dla wyświetleń

1. W Ads Manager wybierz ponownie sekcje „Kolumny” i kolejno opcję „Porównaj ustawienia atrybucji”.

sposoby pomiaru danych

2. Wybierz „1-dniowe wyświetlenie” i zastosuj ustawienia.

atrybucja

Po wykonaniu instrukcji uzyskasz dostęp do raportu wzbogaconego o niestandardowe metryki, który wykażą, ile razy osoby, które nie dokonały bezpośredniej interakcji z reklamą, weszły na Twoją stronę z wyszukiwarki Google w ciągu jednego dnia od wyświetlenia reklamy w Meta. 

Podsumowanie

Elastyczność i otwarty umysł to kluczowe kompetencje, które powinny kierować podejściem do analizy danych marketingowych. Choć kolejne narzędzia analityczne dostarczają nam coraz bardziej zaawansowane metody pomiaru, pierwiastek ludzki nadal pozostaje niedoścignioną zmienną, która mogłaby być mierzalna jedynie w rzeczywistości sci-fi z uwzględnieniem analizy neuronowej. Scenariusz ten w dobie wszechobecnego AI może nie wydaje się już tak odległy jak 5 lat temu, jednak zapewne niewielu z nas zgodziłoby się na pełną integrację umysłu z narzędziami analitycznymi.

Wracając na ziemię… Nie patrzmy wyłącznie na wartości bezwzględne. Spójrzmy na dane poprzez pryzmat społecznych trendów konsumenckich, wzbogaćmy obserwację o uwarunkowania rynkowe i branżowe. Dopiero wtedy analiza będzie w stanie ewoluować we właściwym kierunku.

O autorze

Klaudia Górawska

Team Leaderka działu Social Ads & Social Organic w Get Noticed Agency z 5-letnim stażem w zakresie digital marketingu. Zainteresowanie ludzkim u...

zobacz więcej artykułów >>

Zostaw komentarz

  1. Redakcja

    Przypominamy, że wielkimi krokami zbliża się konferencja I ♥ Marketing & Technology, która odbędzie się już 8–10 kwietnia 2025 roku.

    Zapoznaj się także z ofertą organizowanych przez nas szkoleń z zakresu marketingu.

     

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *

Wpisz imię
Napisz komentarz