Blog

Pułapka próżnych metryk w digital marketingu: Dlaczego klikalność nie oznacza konwersji? (Data Storytelling w Power BI)

W projektowaniu architektury raportowej Power BI jednym z największych wyzwań nie jest samo połączenie źródeł danych, ale właściwy dobór wskaźników efektywności (KPI). Zbyt często w dashboardach zarządczych eksponowane są tzw. vanity metrics – metryki próżności, które dają złudne poczucie sukcesu, nie przekładając się na realny wynik finansowy.

Aby przyjrzeć się temu zjawisku w praktyce, przeanalizujemy zbiór danych e-commerce pochodzący z platformy Kaggle: „📈 Predict Conversion in Digital Marketing Dataset” (autor: Rabie El Kharoua, identyfikator: rabieelkharoua/predict-conversion-in-digital-marketing-dataset). Zestaw ten obejmuje dane z kampanii digital marketingowych i pozwala zbadać, jak budżety reklamowe oraz zachowania użytkowników na etapie pierwszego kontaktu wpływają na końcową konwersję klientów.

Metryka Operacyjna Wartość w Zbiorze
Pochodzenie Danych / Źródło Kaggle (rabieelkharoua/predict-conversion-in-digital-marketing-dataset)
Nazwa Zestawu Danych 📈 Predict Conversion in Digital Marketing Dataset
Łączna liczba rekordów 8,000
Liczba zmiennych (kolumn) 20
Kontekst Biznesowy Analiza skuteczności wielokanałowych działań marketingowych (PPC, Email, Social Media) oraz optymalizacja wydatków reklamowych (AdSpend) i zaangażowania użytkowników na stronie pod kątem generowania konwersji.

Równomierne budżety: Kontekst nakładów reklamowych

Rozpoczynając analizę architektury danych w kampaniach, w pierwszej kolejności spoglądamy na alokację budżetu (zmienna AdSpend) w rozbiciu na poszczególne kanały (zmienna CampaignChannel).

W badanej próbie średnie nakłady na reklamę we wszystkich kanałach utrzymują się na niezwykle zbliżonym poziomie. Liderem pod względem średniego budżetu jest kanał Email ze średnim nakładem wynoszącym 5 055,60. Na drugim końcu zestawienia znajduje się kanał PPC ze średnią wartością 4 954,22. Pozostałe kanały plasują się tuż pomiędzy nimi: Referral (5 034,00), SEO (4 994,10) oraz Social Media (4 965,30).

Rozkład Kontekstowy Danych
Wykres: Rozkład Kontekstowy Danych

Taki rozkład budżetu sugeruje, że organizacja alokuje środki w sposób symetryczny, zakładając zbliżony potencjał każdego z kanałów. Czy jednak równomierne finansowanie przekłada się na liniową efektywność na dalszych etapach lejka konwersji?

Reality Check: Mit zależności między CTR a wskaźnikiem konwersji

Wielu projektantów raportów bezrefleksyjnie zakłada, że wyższy wskaźnik klikalności (ClickThroughRate) automatycznie prowadzi do wyższego wskaźnika konwersji (ConversionRate). W metodologii Data Storytellingu kluczowe jest jednak testowanie hipotez przed wdrożeniem ich na produkcyjnym dashboardzie.

Przeanalizujmy wykres rozproszenia prezentujący relację między ClickThroughRate a ConversionRate na próbie n = 2000 obserwacji.

Analiza Zależności Metryk
Wykres: Analiza Zależności Metryk

Wynik analizy jest jednoznaczny: liniowy współczynnik korelacji wynosi r = -0.01.

Współczynnik r = -0.01 oznacza całkowity brak korelacji liniowej pomiędzy wskaźnikiem klikalności a wskaźnikiem konwersji. Chmura punktów danych jest rozłożona całkowicie losowo w całym zakresie wartości (CTR od 0.01 do 0.30 oraz ConversionRate od 0.01 do 0.20), a linia trendu jest absolutnie płaska.

Ryzyko biznesowe błędnych założeń w Power BI

Gdybyśmy w Power BI zbudowali model sugerujący, że wzrost CTR o X% przyniesie wzrost konwersji, wprowadzilibyśmy kierownictwo w błąd. Mamy do czynienia z klasyczną pułapką: użytkownicy mogą chętnie klikać w reklamy (np. ze względu na chwytliwy nagłówek), ale po przejściu na stronę docelową nie dokonują zakupu. Uzależnienie oceny efektywności kanału wyłącznie od metryki CTR niesie ze sobą ryzyko przepalania budżetu na ruch o niskiej jakości.

Pro-Tip Power BI & DAX: Dynamiczne wyznaczanie korelacji Pearsona

Aby zapobiec wyciąganiu błędnych wniosków przez użytkowników końcowych, warto wdrożyć w modelu Power BI miarę DAX, która dynamicznie oblicza współczynnik korelacji r Pearsona dla filtrowanego kontekstu. Dzięki temu raport sam ostrzeże odbiorcę, gdy dwie metryki nie wykazują związku statystycznego.

Korelacja CTR vs ConversionRate = 
VAR N = COUNTROWS('MarketingData')
VAR SumX = SUM('MarketingData'[ClickThroughRate])
VAR SumY = SUM('MarketingData'[ConversionRate])
VAR SumXY = SUMX('MarketingData', 'MarketingData'[ClickThroughRate] * 'MarketingData'[ConversionRate])
VAR SumX2 = SUMX('MarketingData', 'MarketingData'[ClickThroughRate] ^ 2)
VAR SumY2 = SUMX('MarketingData', 'MarketingData'[ConversionRate] ^ 2)

VAR Numerator = (N * SumXY) - (SumX * SumY)
VAR Denominator = SQRT((N * SumX2 - (SumX ^ 2)) * (N * SumY2 - (SumY ^ 2)))

RETURN
    DIVIDE(Numerator, Denominator, BLANK())

Wskazówka architektoniczna: Otrzymany wynik (w naszym przypadku -0.01) można wykorzystać w sformatowanej warunkowo karcie KPI lub w nagłówku wizualizacji, wyświetlając komunikat: „Brak istotnej korelacji (r = -0.01)”, co natychmiast mityguje ryzyko nadinterpretacji danych.

Rekomendacje Strategiczne i Executive Summary

  • Odejście od metryk próżności: Miernik ClickThroughRate powinien być traktowany wyłącznie jako wskaźnik atrakcyjności samej kreacji reklamowej, a nie wskaźnik efektywności biznesowej.
  • Weryfikacja alokacji budżetu: Skoro średni AdSpend jest niemal identyczny w każdym kanale (od 4 954,22 w PPC do 5 055,60 w Email), należy przebudować model alokacji środków w oparciu o twarde metryki konwersji i kosztu pozyskania (CPA), a nie generowany wolumen kliknięć.
  • Przebudowa architektury raportów: Na głównych pulpicie nawigacyjnym Power BI należy unikać zestawiania CTR i ConversionRate na osiach skojarzonych bez wyraźnego zaznaczenia braku zależności statystycznej.

#PowerBI #DAX #DataStorytelling #BusinessIntelligence #Analytics

Dodaj komentarz