Model atrybucji Data-Driven w GA4:
dlaczego last-click
zabija Twój remarketing

Dlaczego last-click to zły domyślny wybór

Model last-click przypisuje 100% zasługi za konwersję ostatniemu kliknięciu przed nią. Brzmi prosto i intuicyjnie — dlatego przez lata był domyślnym modelem w Google Ads i Universal Analytics. Problem w tym, że ścieżka klienta rzadko wygląda tak prosto.

Typowa ścieżka w e-commerce: użytkownik widzi reklamę display z nowym produktem, nie klika. Kilka dni później widzi reklamę remarketingową, znowu nie klika, ale zapamiętuje markę. Tydzień później wpisuje nazwę marki w wyszukiwarkę i kupuje przez kampanię brandową. W modelu last-click cała zasługa trafia do kampanii brandowej — mimo że bez display i remarketingu klient być może nigdy by o marce nie pomyślał.

Efekt w praktyce: kampanie display i remarketingowe wyglądają na nieefektywne, bo rzadko są "ostatnim kliknięciem". Marketerzy tną tam budżety, żeby dołożyć do kampanii brandowej, która i tak by skonwertowała — bo klient już wiedział, czego szuka. To błędne koło, które systematycznie zaniża wartość górnej i środkowej części lejka.

Ten sam problem dotyczy porównań między Google Ads a innymi kanałami, jeśli firma korzysta z kilku platform reklamowych jednocześnie. Jeśli kampania w mediach społecznościowych generuje pierwszy kontakt z marką, a użytkownik wraca później przez wyszukiwanie Google, model last-click w narzędziu do raportowania każdego kanału z osobna przypisze sobie tę samą konwersję — i żadne z narzędzi nie pokaże prawdziwego obrazu tego, co faktycznie doprowadziło do sprzedaży.

Jak działa model Data-Driven w GA4

Model Data-Driven (DDA) w GA4 rozdziela zasługę za konwersję pomiędzy wszystkie punkty styku na ścieżce, na podstawie algorytmu uczącego się na Twoich własnych danych. Zamiast sztywnej reguły ("ostatnie kliknięcie bierze wszystko" albo "każdy punkt styku po równo"), model porównuje ścieżki, które zakończyły się konwersją, ze ścieżkami, które konwersją się nie zakończyły, i szacuje, jak bardzo obecność danego kanału zwiększała prawdopodobieństwo zakupu.

W praktyce oznacza to, że jeśli display systematycznie pojawia się na ścieżkach kończących się konwersją częściej niż na ścieżkach bez konwersji, model przypisze mu realny udział — nawet jeśli nigdy nie był ostatnim kliknięciem. Od 2023 roku Data-Driven jest domyślnym modelem atrybucji w GA4 dla wszystkich kont i nie wymaga osobnego włączania — ale warto rozumieć, co się pod nim kryje, żeby poprawnie czytać raporty.

Czego model potrzebuje, żeby działać dobrze

Data-Driven Attribution to model statystyczny — potrzebuje odpowiedniej liczby danych, żeby wyciągać sensowne wnioski. Google wymaga minimum konwersji w oknie 30 dni, żeby model mógł działać na poziomie zdarzenia konwersji; przy zbyt małym wolumenie GA4 automatycznie przełącza się na uproszczony model, dopóki dane się nie zbiorą. Dla małych kont z kilkoma konwersjami miesięcznie oznacza to, że model może działać na granicy swoich możliwości — warto to mieć z tyłu głowy przy interpretacji wyników.

W praktyce oznacza to też, że model DDA działa osobno dla każdego zdarzenia konwersji, a nie dla całej właściwości GA4 naraz. Jeśli sklep śledzi osobno "zakup" i "zapis do newslettera" jako zdarzenia konwersji, każde z nich może mieć wystarczająco danych do pełnego modelu Data-Driven albo nie — trzeba to sprawdzać osobno, nie zakładać, że skoro jedno zdarzenie ma dobre dane, to drugie też.

Last-click kontra Data-Driven — konkretne różnice

Jak poprawnie ocenić zwrot z każdego kanału po zmianie modelu

Samo przełączenie na Data-Driven nie wystarczy — trzeba też zmienić sposób, w jaki czytasz raporty i podejmujesz decyzje budżetowe. W praktyce stosuję następujące kroki przy przechodzeniu klienta na raportowanie oparte na DDA:

Najczęstsze błędy przy interpretacji Data-Driven

• Porównywanie liczb między modelami bez kontekstu — spadek konwersji przypisanych kampanii brandowej po zmianie modelu to nie spadek sprzedaży, tylko inny sposób liczenia
• Ignorowanie raportu ścieżek konwersji — sam wynik atrybucji bez zrozumienia, skąd się wziął, prowadzi do błędnych decyzji budżetowych
• Ocenianie kampanii górnego lejka po ROAS bezpośrednim — te kampanie z założenia rzadko są ostatnim kliknięciem, więc ten wskaźnik zawsze będzie je zaniżał
• Brak spójności między GA4 a raportowaniem wewnętrznym firmy — jeśli dział finansowy liczy przychód inną metodą, warto to uzgodnić zanim zaczniecie porównywać liczby

Przykład z praktyki: jak zmieniał się obraz kampanii

W jednym z kont e-commerce, które prowadzę, kampania remarketingowa w modelu last-click wykazywała ROAS na poziomie 1,8 — wynik na granicy opłacalności, biorąc pod uwagę marżę produktów. Ten sam okres w modelu Data-Driven pokazał ROAS na poziomie 4,2 dla tej samej kampanii, bo model uwzględnił jej realny udział w ścieżkach kończących się zakupem, nawet gdy nie była ostatnim kliknięciem.

Klient przed zmianą sposobu raportowania planował wyłączyć tę kampanię jako nieefektywną. Po zmianie modelu i dodatkowej analizie ścieżek konwersji zostawiliśmy ją, zwiększając nawet budżet — a łączna sprzedaż w kolejnym kwartale wzrosła, mimo że część konwersji "przesunęła się" statystycznie z kampanii brandowej do remarketingowej. Nic w rzeczywistości się nie zmieniło poza sposobem liczenia — ale to wystarczyło, żeby podjąć zupełnie inną decyzję budżetową.

Checklist — atrybucja w GA4

1. Czy wiesz, jaki model atrybucji jest obecnie ustawiony w Twojej właściwości GA4?
2. Czy porównywałeś wyniki last-click i Data-Driven dla swoich głównych kanałów, żeby zobaczyć skalę różnicy?
3. Czy oceniasz kampanie display i remarketingowe innym zestawem KPI niż kampanie brandowe i wyszukiwania?
4. Czy sprawdziłeś raport ścieżek konwersji, żeby zrozumieć naturalną rolę każdego kanału w lejku?
5. Czy Consent Mode v2 jest poprawnie wdrożony, żeby ograniczyć ilość modelowanych danych?
6. Czy dział finansowy i marketing liczą przychód i konwersje tą samą metodą?