Proč jsme postavili Dance (a co všechno už dnes umí)
Když před pár lety Google Analytics 4 přinesly export do BigQuery i pro neplacené účty, byli jsme z toho nadšení. Exporty přes API našim klientům už dávno nestačily a 360 licence byly příliš drahé.
Už na několika prvních projektech se ale ukázalo, že stavět každému klientovi datový model na míru nedává smysl ekonomicky ani prakticky.
Řešili jsme v podstatě podobný problém jen z jiného konce. Jak správně zpracovat GA4 data? Jak je propojit s objednávkami? Jak z toho udělat něco, čemu bude klient opravdu rozumět?
Řekli jsme si, že to musí jít líp. A tak vznikl Dance.
Co je Dance
Dance je naše vlastní datová platforma, v jejím jádru zpracovává surová GA4 data v BigQuery a mění je v čistou, konzistentní analytickou vrstvu, která je odladěná na datech stovek webů.
Má tři úrovně:
- L1 čistí, sjednocuje a transformuje raw data,
- L2 přidává byznysovou logiku,
- L3 staví hotové analytické pohledy pro konkrétní use casy.
Důležité je, že Dance není jednorázový projekt. Je to produkt, který nasazujeme napříč klienty. Každý e-shop dostane stejný základ, ale může mít vlastní rozšíření.
Nejen GA4, ale i moduly, které propojují celý business
GA4 data jsou základ, ale samy o sobě nestačí. E-shop potřebuje vědět nejen co se dělo na webu, ale taky co se reálně prodalo, za kolik a kolik ho to stálo. Proto jsme Dance postupně rozšiřovali o moduly, které do analytické vrstvy vtahují data z dalších zdrojů.
Máme moduly pro napojení na e-shopové platformy, ať už klient běží na Shoptetu, Shopify nebo má vlastní databázi, dokážeme objednávková a produktová data napojit do stejné struktury.
Dál jsme do Dance zaintegrovali Google Ads a vybudovali obecný modul na marketingové náklady, který umí pojmout data z libovolného reklamního kanálu. To je podstatné, protože teprve když víte, kolik jste do kampaně investovali, můžete seriózně vyhodnocovat, co vám přinesla.
Tyhle moduly jsou stavební bloky, které dohromady vytváří kompletní obrázek a právě na něm stojí všechno, co přichází dál.
Atribuce bez černé skříňky
Jednou z věcí, která nás hodně trápila, byla marketingová atribuce. GA4 sice přinesly data-driven model, ale ten je v podstatě black box. Naši klienti chtěli něco transparentního.
Proto jsme postavili vlastní atribuční systém a modelování anonymních objednávek, které umí přiřadit konverze i tam, kde GA4 ztrácí stopu kvůli souhlasu a consent banneru. A protože máme v Dance napojené reálné náklady z Google Ads i dalších kanálů, umíme atribuci rovnou propojit s investicemi.
Výsledek? Klient vidí nejen kolik konverzí kampaň přinesla, ale i jaká byla její skutečná návratnost, a může se podle toho každý den rozhodovat.
Od reportů k predikci a AI agentům
Spolehlivý reporting je dobrý základ. Data mají ale daleko větší hodnotu, když vám dokážou říct, co se stane, a ne jen to, co už se stalo. Proto jsme na Dance postupně nabalili další vrstvy a to nám ukázalo, jak důležité je mít kompletní a propojená data z GA4, e-shopové platformy i marketingových nákladů:
Predikce poptávky – Predikční ML modely pomáhají nákupčím plánovat zásoby, neminout sezónu a předejít drahým výprodejům.
Detekce anomálií – AI agent, který pravidelně prochází klíčové metriky napříč všemi shopy, najde statisticky významné výkyvy a pošle do Slacku přehledný report. Žádné ruční procházení dashboardů v pondělí ráno.
AI datový analytik – chatové rozhraní, kde se klient může svých dat přímo zeptat přirozeným jazykem: „Jaké kampaně mají nejlepší výkonnost v data-driven modelu v porovnání s last_clickem?" – a dostane odpověď s kontextem, bez nutnosti otevírat BI nástroj.
Co z toho mají naši klienti
Upřímně – nejlepší datový model nad GA4 exportem, který jsme zatím viděli. Každý měsíc je o něco chytřejší a přesnější. Většina klientů do Dance přináší nové nápady, které můžeme vytvořit za zlomek nákladů a dodávat do všech projektů najednou.
Jsme malý datový tým a rádi řešíme reálné problémy e-shopů. Díky Dance nemusíme dělat věci dvakrát a projekty našich klientů rostou rychleji. Pokud vás zajímá, jak to u nás funguje pod kapotou, sledujte tenhle blog. Budeme tady postupně sdílet, co jsme se z praxe naučili.
Přečtěte si více
Datové inženýrství v AI době: zajímavá práce nikdy nebyla jen v transformacích
AI dnes dokáže napsat dbt nebo Dataform model rychleji, než si většina datových inženýrů stihne uvařit kafe v kuchyňce.
A píše ho čím dál tím lépe. Ne vždy dokonale, ne vždy produkčně, ale dost dobře na to, aby bylo jasné, že se práce dataře mění. Pokud byla hlavní hodnota datového inženýra v tom, že uměl rychle napsat SQL transformaci, tak se tahle výhoda bude už jen zmenšovat.
To ale neznamená, že datové inženýrství mizí. Spíš se konečně ukazuje, kde byla jeho největší hodnota celou dobu. Ne v samotném přesouvání dat z bodu A do bodu B. Ne v tom, že někdo umí napsat další LEFT JOIN. Ne v tom, že vytvoří další Gold tabulku. Ale v tom, že někdo rozumí, co ta data znamenají.
Proč jsme postavili AI datového analytika (a jak ho dnes používají naši klienti)
Když klientům dodáme Dance, čistá data v BigQuery a hotové reporty, většinou máme pocit, že je hotovo. A z pohledu datové infrastruktury vlastně je. Data tečou, metriky sedí, dashboardy fungují. Jenže pak přijde úplně běžný dotaz z marketingu:
„Hele, můžeš se prosím podívat, jaký jsme měli minulý týden konverzní poměr na mobilech napříč trhy?"
Na první pohled nic složitého. Jenže odpověď stejně zabere klidně dvě hodiny. Někdo musí otevřít BI nástroj, najít správný report, případně dopsat SQL, zkontrolovat výsledek, exportovat ho a poslat odpověď zpátky.
A přesně takových dotazů chodí každý týden desítky. Tak vznikl Signals AI Analytik.
