AI w Google Analytics – przegląd funkcji

Funkcje AI dostępne w interfejsie Google Analytics

Dane prognozowane (Predictive metrics)

Dane prognozowane (Predictive metrics) to metryki predykcyjne, które pomagają przewidywać przyszłe działania użytkowników, przy pomocy systemów uczenia maszynowego Google. Dzięki nim mamy możliwość sprawdzenia prognoz dotyczących zachowań użytkowników, a nawet podejmowania konkretnych działań marketingowych z wyprzedzeniem.

W Google Analytics obecnie są dostępne cztery metryki predykcyjne:

• Prawdopodobieństwo zakupu – określa szansę, z jaką użytkownik, który był aktywny w ciągu ostatnich 28 dni, dokona zakupu w ciągu najbliższych 7 dni.

• Prawdopodobieństwo rezygnacji – pokazuje, jakie jest prawdopodobieństwo, że aktywny użytkownik przestanie korzystać z witryny lub aplikacji w ciągu najbliższych 7 dni.

• Prognozowane przychody – przewiduje łączne przychody ze zdarzeń zakupu, które w ciągu najbliższych 28 dni wygeneruje użytkownik aktywny w ostatnich 28 dniach.

• Prawdopodobieństwo zakupu w aplikacji – przewiduje szansę, że użytkownik, który był aktywny w ciągu ostatnich 28 dni, dokona zakupu w aplikacji w nadchodzącym okresie.

Z danych prognozowanych możemy korzystać w Eksploracjach, dodając je z listy “wybierz dane” → Prognozy.

Aby dane prognozowane były dostępne w usłudze GA, muszą zostać spełnione konkretne warunki, które pozwalają tworzyć algorytmom dokładne modele:

• Minimum 1000 aktywnych użytkowników, którzy spełnili warunek (np. dokonali zakupu) i 1000, którzy go nie spełnili, w ciągu 7 kolejnych dni (w ostatnich 28 dniach).

• Zbieranie zdarzenia purchase lub in_app_purchase, a także przekazywanie parametrów value i currency.

• Modele prognozujące muszą utrzymywać odpowiednią jakość. Żeby zwiększyć na to szanse, warto włączyć w ustawieniach udostępniania danych opcję Wkład w modelowanie i statystyki biznesowe.

Odbiorcy prognozowani (Predictive audiences)

Odbiorcy prognozowani (Predictive audiences) to listy użytkowników tworzone na podstawie danych predykcyjnych (Predictive metrics), takich jak prawdopodobieństwo zakupu czy rezygnacji. Dzięki wykorzystaniu uczenia maszynowego, Google Analytics identyfikuje użytkowników najbardziej skłonnych do konwersji lub przeciwnie – zagrożonych odejściem.

Listy tego typu można utworzyć w Administracja → Odbiorcy:

Możemy również wybrać Utwórz niestandardową listę odbiorców i stworzyć własną definicję z wykorzystaniem metryk predykcyjnych:

Listy odbiorców prognozowanych można wykorzystać w kampaniach reklamowych Google Ads na różne sposoby, np.:

• Remarketing do użytkowników bliskich zakupu – przypomnienie o produktach w koszyku, kod rabatowy.

• Kampanie reaktywacyjne – kierowane do użytkowników, którzy mogą wkrótce przestać korzystać z witryny lub aplikacji.

Analiza automatyczna i wykrywanie anomalii

Google Analytics wykorzystuje AI nie tylko do prognozowania, ale także do automatycznego wykrywania zmian, trendów i nietypowych wzorców w zebranych danych. Funkcja analizy automatycznej na bieżąco monitoruje Twoją usługę, dostarczając statystyki i wnioski oraz wykrywając anomalie w danych.

Mechanizm wykrywania anomalii opiera się na modelach statystycznych analizujących dane historyczne i identyfikuje wartości, które odbiegają od prognozowanych trendów. Dzięki temu GA4 może automatycznie zauważyć, gdy coś istotnego zaczyna się dziać – bez konieczności ręcznego przeglądania raportów.

Funkcję analizy automatycznej możemy podzielić na dwie części:

Statystyki zautomatyzowane (automated insights) – GA automatycznie wykrywa nietypowe zmiany (np. nagły spadek liczby użytkowników) lub trendy (np. wzrost sprzedaży konkretnego produktu) i wyświetla je w specjalnym panelu Trendy. Do panelu możemy przejść z kilku miejsc m.in. ze Strony Głównej, klikając w ikonkę Trendy: 

Analiza automatyczna jest także dostępna pasku wyszukiwania, gdzie oprócz sugerowanych pytań, możemy wpisywać swoje własne.

W zakładce Trendy możemy wybierać z wielu pytań z różnych kategorii:

Analiza automatyczna wyświetla również podpowiedzi/trendy (generated insights) na stronach raportów szczegółowych. Pojawiają się na górze raportu i często zawierają przycisk akcji, który pozwala na modyfikację raportu na podstawie danej statystyki. Na przykład, jeśli wzrosła liczba zdarzeń purchase w konkretnych dniach, sztuczna inteligencja przeanalizuje dane i postara się wyjaśnić, z czego mógł wynikać ten wzrost. Dzięki temu możesz szybko zrozumieć, co wpłynęło na wyniki, bez konieczności ręcznego przeszukiwania danych.

Statystyki niestandardowe (custom insights) – pozwalają na samodzielne definiowanie warunków do generowania powiadomień. Dzięki temu GA będzie wykrywać zmiany na podstawie Twoich warunków, a następnie statystyki będą wyświetlane w panelu Trendy.

Jak to zrobić? Będąc na stronie głównej w panelu GA, zjeżdżamy na dół do sekcji Statystyki i rekomendacje i klikamy Wyświetl wszystkie statystyki. Zostaniemy przeniesieni do sekcji Insights.

Kolejno klikamy w przycisk Utwórz.

W tym miejscu możemy dodać własne warunki oraz zdefiniować okres porównawczy.

Dodatkowo możemy ustawić otrzymywanie powiadomień mailowych na konkretne, zdefiniowane przez nas adresy e-mail. To świetny sposób na kontrolowanie KPI, czy szybkie wykrywanie problemów np. tych związanych ze zbieraniem danych.

Atrybucja oparta na danych (data-driven attribution)

Jednym z kluczowych zastosowań AI w Google Analytics jest modelowanie atrybucji. Tradycyjne modele atrybucji (takie jak last-click) zazwyczaj nie biorą pod uwagę złożonej ścieżki, jaką pokonuje użytkownik, wchodząc w interakcję z wieloma kanałami marketingowymi.

Dlatego Google Analytics domyślnie korzysta z modelu data-driven, który wykorzystuje uczenie maszynowe. Zamiast sztywnych reguł, model ten bazuje na danych historycznych z Twojego konta i ocenia rzeczywisty wpływ każdego punktu styku na konwersję. Analizując zarówno ścieżki zakończone, jak i niezakończone konwersją, algorytmy uczą się, które kanały i interakcje faktycznie przyczyniają się do konwersji i rozdziela zasługi dla poszczególnych punktów styku.

Dzięki atrybucji opartej na danych możesz dostrzec prawdziwą wartość kanałów, które mogły być niedoszacowane lub przeszacowane przez inne modele. Pozwala to na bardziej efektywne alokowanie budżetów marketingowych i lepsze zrozumienie, jak poszczególne działania wpływają na wyniki biznesowe.

Modelowanie behawioralne

Konieczność implementacji banerów zgody na pliki cookie spowodowała, że część danych analitycznych stała się „niewidoczna”. Modelowanie behawioralne to rozwiązanie Google Analytics, które wykorzystuje uczenie maszynowe do wypełnienia luk w danych powstałych w wyniku odmowy zgody na śledzenie.

Aby modelowanie behawioralne mogło działać, Twoja usługa Google Analytics musi spełnić kryteria, które zapewniają wysoką jakość danych modelowanych:

1. Consent mode powinien być aktywny na wszystkich stronach serwisu.

2. Consent mode powinien być wdrożony w wersji advanced. Konfiguracja musi umożliwiać załadowanie tagów Google już przed pojawieniem się okna zgody, a tagi powinny ładować się niezależnie od tego, czy użytkownik wyraził zgodę, czy nie (tzw. implementacja zaawansowana, w której w przypadku odmowy, GA wykorzystuje cookieless pings).

3. Usługa musi rejestrować co najmniej 1000 zdarzeń dziennie zawierających parametr analytics_storage=’denied’ przez minimum 7 dni.

4. Usługa musi rejestrować co najmniej 1000 użytkowników wysyłających zdarzenia z parametrem analytics_storage=’granted’ przez co najmniej 7 dni w ciągu ostatnich 28 dni.

Funkcje AI dostępne poza interfejsem Google Analytics

BigQuery i Google Cloud

Google Analytics pozwala na automatyczny eksport surowych danych do BigQuery, co umożliwia tworzenie zaawansowanych analiz poza interfejsem GA. Po przeniesieniu danych do BigQuery otwierają się przed nami ogromne możliwości – nie tylko w kontekście analizy danych, ale również wykorzystania sztucznej inteligencji i uczenia maszynowego na platformie Google Cloud. Np.

BigQuery ML – umożliwia tworzenie i uruchamianie modeli uczenia maszynowego przy użyciu zapytań SQL. Pozwala to na prowadzenie zaawansowanych analiz, prognoz czy segmentacji.

Vertex AI – dane z BigQuery mogą być także przetwarzane i trenowane w środowisku Vertex AI – kompleksowej platformie do tworzenia, testowania i wdrażania modeli AI na dużą skalę. Umożliwia to pełną kontrolę nad procesem uczenia maszynowego i możliwość korzystania z najnowszych algorytmów Google.

Google Analytics MCP

Google Analytics MCP (Model Context Protocol) umożliwia modelom językowym (LLM), takim jak Gemini, bezpośrednią interakcję z danymi Google Analytics. Pozwala na zadawanie pytań o dane GA za pomocą języka naturalnego. Zamiast ręcznie tworzyć raporty i filtry, możesz po prostu zapytać asystenta AI, np.: „Jaka była liczba użytkowników w ostatnich 7 dniach?” lub „Które produkty mają najwyższą sprzedaż w ostatnim miesiącu?”. Protokół MCP zapewnia dwukierunkową komunikację, umożliwiając modelowi językowemu nie tylko pobieranie danych, ale także ich analizowanie, identyfikowanie trendów, a nawet sugerowanie rekomendacji.

Więcej na temat Google Analytics MCP i jego konfiguracji można przeczytać tutaj. A tak wygląda Google Analytics MCP uruchomiony w konsoli PowerShell.

Kilka przykładów wykorzystania MCP w oparciu o dane z testowej usługi Google Analytics:

• Jak wielu użytkowników odwiedziło stronę od początku roku do dzisiaj?

Odpowiedź:

• Które produkty sprzedawały się najlepiej, biorąc pod uwagę pełną historię konta?

Odpowiedź:

Na tym możliwości Google Analytics MCP się nie kończą. Dane możemy promptować właściwie w dowolny sposób, pytając chociażby o propozycje strategii marketingowych czy rekomendacje dotyczące alokacji budżetu.