Pułapki danych w GA4 — 7 najczęstszych błędów interpretacyjnych w raportach e-commerce

W marcu 2024 na Ecommerce.pl Event mówiłem o "e-commerce w pułapce danych" — i rok później widzę, że pułapek nie ubyło, a tylko zmieniły kształt. GA4 jest dziś standardem w polskim e-commerce, ale standardem trudniejszym do prawidłowego czytania niż Universal Analytics. Sklepy podejmują decyzje budżetowe na podstawie raportów, które po przekątnej kłamią — nie dlatego, że narzędzie jest zepsute, tylko dlatego, że ma kilka domyślnych zachowań, o których trzeba wiedzieć.

W DrTusz codziennie analizujemy dane z tysięcy transakcji i wiem, jak łatwo jest wyciągnąć błędne wnioski. Poniżej siedem pułapek, które najczęściej widzę w audytach kont GA4 — z konkretem, gdzie w interfejsie sprawdzić problem.

1. Agregat to nie detal — pułapka "średniej w szpitalu"

Pierwszy odruch po wejściu w raport: patrzysz na konwersję ogólną i mówisz "3,2%, w porządku". Problem polega na tym, że ta liczba mówi mniej niż prognoza pogody na cały kraj.

W jednym ze sklepów z naszego portfolio średni współczynnik konwersji wynosił 2,4%. Po rozbiciu na kanał ruchu okazało się, że paid search miał 5,1%, organic 3,2%, a kampania display ściągała ludzi z CR 0,3%. Średnia ukrywała fakt, że jeden z kanałów wręcz pogarsza wynik.

Co robić: w "Reports" wymuś rozbicie na dimension (źródło, urządzenie, landing page) zanim zaczniesz wyciągać wnioski. W "Explorations" buduj swoje widoki — to nie luksus, to higiena pracy z danymi.

2. Sampling — kiedy GA4 pokazuje ci próbkę, a ty myślisz, że całość

To pułapka, której Universal Analytics nauczył nas się bać, ale w GA4 sampling działa inaczej i wielu ją odpuszcza. W darmowej wersji GA4 raport oparty na danych zdarzeń (Explorations) jest próbkowany, gdy zapytanie przekracza 10 milionów zdarzeń w wybranym zakresie dat. W standardowych raportach próbkowania w teorii nie ma — ale jest cardinality limit, który robi mniej więcej to samo, tylko inaczej.

Praktycznie: jeśli analizujesz długi okres (np. rok wstecz) lub bawisz się dużą liczbą wymiarów naraz, sprawdź ikonę nad raportem. Zielona tarcza to "100% dostępnych danych". Żółta oznacza, że patrzysz na przybliżenie. Decyzje budżetowe podejmuj na zielonej.

3. Data thresholding — znikające wiersze, których nikt nie zauważył

Jeśli korzystasz z Google Signals (a większość kont ma to włączone domyślnie), GA4 automatycznie usuwa z raportów wiersze, w których liczba użytkowników jest na tyle mała, że mogłaby pozwolić na identyfikację osoby. Po polsku: część twoich danych po prostu znika.

W jednym z audytów widziałem konto, gdzie 18% sesji z kampanii niszowej nie pokazywało się w breakdown na demographics. Marketer obstawiał, że kampania nie działa. Działała — po prostu raport ją wyciął.

Co sprawdzić: w "Admin → Data Collection and Modification → Data Collection" wyłącz Google Signals, jeśli nie wykorzystujesz go do remarketingu. Albo trzymaj się raportów event-based bez wymiarów user-level. W "Reports → Settings" możesz zmienić Reporting identity na "Device-based", co też redukuje thresholding.

4. Modele atrybucji — czemu dwie różne liczby są obie prawdziwe

Pytanie: "ile konwersji przyniosła kampania Meta Ads?" ma w GA4 minimum trzy odpowiedzi w zależności od modelu atrybucji. Data-driven attribution (domyślny od 2023) inaczej rozdzieli zasługi niż last-click, a inaczej first-click. To nie błąd — to design.

Pułapka pojawia się, gdy porównujesz wynik z GA4 (data-driven) z wynikiem z Meta Ads Manager (in-platform attribution, zwykle 7-day click + 1-day view). Te liczby NIGDY się nie zgodzą i nie powinny się zgadzać. Spory o "która platforma kłamie" są stratą czasu — każda mierzy co innego.

Co robić: wybierz jeden model jako "źródło prawdy" do decyzji budżetowych i trzymaj się go. W "Advertising → Attribution settings" możesz przełączać modele i widzieć, jak zmienia się rozkład. To bardzo otrzeźwiająca lekcja.

5. Porównywanie okresów — najprostszy błąd, najczęściej popełniany

Klikasz "porównaj z poprzednim okresem" i widzisz, że sprzedaż spadła o 12%. Panika. Co się stało, dlaczego, gdzie wyciek?

W połowie przypadków odpowiedź brzmi: porównałeś wtorek-wtorek z czterotygodniowego okresu kończącego się w weekend z czterotygodniowym okresem kończącym się w środku tygodnia. Albo porównałeś okres z Black Week z okresem bez. Albo nałożyłeś okres, w którym była migracja tagów i część eventów nie leciała.

W DrTusz nauczyliśmy się porównywać "Day of Week" do "Day of Week" — okres 28-dniowy do 28-dniowego, zaczynający się tym samym dniem tygodnia. To jedyny sensowny porównywalny przekrój dla e-commerce z silną sezonowością tygodnia.

Co sprawdzić w GA4: zawsze patrz na "Date range comparison" w prawym górnym rogu i wybieraj "Preceding period (match day of week)", a nie "Preceding period". Ta jedna opcja oszczędza godziny dyskusji.

6. Consent Mode i luki w danych — mierzysz mniej, niż myślisz

Od 2024 polski e-commerce musiał wdrożyć Consent Mode v2, jeśli chciał dalej korzystać z remarketingu Google. Efekt uboczny: część ruchu nie zostawia żadnych danych, a część zostawia tylko zdarzenia anonimowe (cookieless ping).

GA4 częściowo to nadrabia "behavioural modeling" i "conversion modeling", czyli statystycznym dopowiadaniem brakujących sesji. Modelowanie wymaga progu danych (zwykle 1000 zdarzeń dziennie z każdej zgody) i jest niewidzialne — patrzysz na raport i nie wiesz, ile w nim modelowania, a ile rzeczywistości.

Co zrobić: w "Admin → Account Settings → Identity space" zobacz, ile masz "Modeled" vs "Observed". W jednym z naszych klientów modelowanie dorzucało 14% konwersji. To nie znaczy, że są fałszywe — ale dobrze wiedzieć, że tyle "domyśliła sobie" maszyna.

7. Boty i ruch wewnętrzny — śmieci, które wyglądają jak klienci

GA4 ma własny filtr ruchu botów, ale działa on tylko na znane boty z listy IAB. Bot, którego nie ma na liście — w tym wiele narzędzi monitoringu, scraperów, twojego własnego Pingdom czy Hotjara w wersji rec — wpada do raportów jako ruch.

Drugi grzech: ruch wewnętrzny. Twój zespół testuje checkout dziesięć razy dziennie, ty obrabiasz dziewięć produktów na produkcji, agencja przegląda landing page. To wszystko siedzi w danych.

Co zrobić: w "Admin → Data Streams → Configure tag settings → Define internal traffic" dodaj swój zakres IP i IP agencji. Potem w "Data Filters" włącz filtr na "Internal Traffic" w stanie Active (nie testowym). Drugi krok: w "Data Settings → Data Filters" dodaj filtr na konkretne adresy e-mail klientów (np. testowych) i utm_source równe testowi.

Co z tego wynika

Żadna z tych pułapek nie jest błędem GA4. Wszystkie są domyślnym zachowaniem, które ma sens dla średniego użytkownika i robi się problemem, gdy stawiasz na danych biznes wart kilka milionów rocznie. Klucz to wiedzieć, czego dokładnie nie wiesz — i mieć w głowie mapę miejsc, w których dane zostały "uczesane" przez narzędzie.

Mam zwyczaj, że raz na kwartał siadam i przechodzę przez konto GA4 DrTusza punkt po punkcie — sprawdzam thresholding, sampling, listę filtrów, atrybucję, ustawienia consent mode. Polecam ten sam rytm każdemu właścicielowi sklepu. Po roku takich przeglądów zauważysz, że twoje decyzje budżetowe są nie tylko trafniejsze, ale też szybsze, bo masz pewność, że bazujesz na czystych danych.

Jeśli twoje raporty GA4 wyglądają podejrzanie i nie wiesz, gdzie zaczyna się błąd a gdzie rzeczywistość, porozmawiaj z nami o swoim sklepie. W Pro1 robimy audyty analityczne, w których zaczynamy właśnie od tych siedmiu pułapek. Lepiej spędzić tydzień nad oczyszczaniem danych niż rok podejmować decyzje na podstawie raportu z żółtą tarczą.