Zbudowaliśmy dla siebie hub analityczny, bo mieliśmy dokładnie ten problem, który widzimy u klientów. Dane z Meta Ads w jednym panelu, ruch z GA4 w drugim, wyniki wyszukiwarki w Search Console, sprzedaż w CRM. Żeby odpowiedzieć na pytanie „czy w tym tygodniu było lepiej", trzeba było otworzyć cztery zakładki i przepisać liczby do arkusza. Nikt tego nie robił regularnie, więc decyzje zapadały na wyczucie.
Rozwiązaniem nie okazał się kolejny dashboard. Backend cyklicznie zaciąga dane z GA4, Meta Ads i Search Console do jednej bazy, a model AI pisze na tej podstawie analizę i wysyła ją mailem. Nie tabelę liczb, tylko trzy rzeczy: co spadło, dlaczego prawdopodobnie i co z tym zrobić. Ten sam mechanizm wdrażamy dziś u klientów, którzy mają te same cztery zakładki i tę samą ciszę na zarządzie.
TL;DR: Dashboardy umierają, bo nikt do nich nie zagląda. Jeden mail tygodniowo z wnioskami działa lepiej niż panel z dwudziestoma wykresami. Prosta wersja to cron w n8n, który odpytuje API GA4 i Meta Ads i wysyła szablon. Wersja z AI dokłada model streszczający dane do decyzji. Pod analizą zawsze załączaj surowe liczby.
Dlaczego dashboardy umierają
Typowa historia: firma zamawia dashboard, ktoś spina Looker Studio z GA4 i Meta Ads, powstaje panel z kilkunastoma wykresami. Przez tydzień zaglądają tam wszyscy. Po miesiącu jedna osoba. Po kwartale link krąży w mailu, którego nikt nie otwiera.
Powód nie ma nic wspólnego z jakością wykresów. Dashboard wymaga inicjatywy: pamiętać, wejść, wybrać zakres dat, spojrzeć, zinterpretować. Pięć kroków, z których każdy jest okazją do rezygnacji. Mail przychodzi sam i wymaga jednego: przeczytania.
Druga sprawa to interpretacja. Panel pokaże, że koszt pozyskania leada wzrósł, ale nie powie, czy to problem, czy szum, ani że w tym samym tygodniu wyłączyliście najlepszy zestaw reklam. Ktoś musi te dwie informacje zestawić i tego dashboardy nie zrobią za nikogo.
Stąd zasada, według której projektujemy raporty: raport ma prowadzić do decyzji, a nie być tapetą z wykresami. Jeśli po przeczytaniu nikt nie wie, co zrobić inaczej niż tydzień temu, raport nie zadziałał.
Prosta wersja: cron, API, szablon, mail
Zanim wejdzie AI, zbuduj wersję bez niej. Bywa, że wystarczy.
- Wyzwalacz czasowy. Scenariusz w n8n odpala się w poniedziałek rano. Zwykły cron, jedna linijka konfiguracji.
- Pobranie danych. Scenariusz odpytuje API kolejnych źródeł: GA4 (sesje, konwersje, kanały), Meta Ads (wydatek, kliknięcia, wyniki kampanii), Search Console (kliknięcia, wyświetlenia, pozycje) i CRM po nowe szanse oraz wygrane. Każde z tych narzędzi ma publiczne API, więc nic nie trzeba przeklejać ręcznie.
- Szablon. Dane wpadają w gotowy układ: ruch, reklamy, sprzedaż. Przy każdej liczbie wartość z poprzedniego okresu i zmiana procentowa, bo nikt nie pamięta, ile było tydzień temu.
- Dystrybucja. Mail do zarządu, równolegle wiadomość na kanał zespołowy w Slacku albo Teams. Ta sama treść w dwóch miejscach, bo część osób nie czyta maili, a część nie zagląda na czat.
Taki scenariusz da się zbudować w kilka godzin, o ile dostępy do API są już w firmie. Jeśli ich nie ma, to właśnie ich zdobycie zajmie najwięcej czasu. Zlecony na zewnątrz mieści się w widełkach pojedynczej automatyzacji, o których piszemy przy okazji automatyzacji marketingu, leadów i raportów: zwykle 3–10 tys. zł.
Ograniczenie też jest oczywiste: dostajesz uporządkowane liczby, ale interpretacja nadal leży po stronie czytelnika. Dla osoby, która żyje tymi danymi, to komfort. Dla zarządu, który patrzy na nie raz w tygodniu, to zadanie domowe.
Wersja z AI: dane wchodzą, analiza wychodzi
Nasz hub idzie krok dalej. Backend zaciąga dane cyklicznie do wspólnej bazy (u nas Postgres), a model dostaje z niej komplet liczb i pisze analizę w markdown. Efektem nie jest tabela, tylko tekst: co spadło, dlaczego prawdopodobnie, co z tym zrobić. Raport idzie mailem i na kanał zespołowy, cyklicznie przez cron w n8n albo na żądanie, gdy ktoś chce sprawdzić sytuację w środku tygodnia.
Różnica jest jedna, ale poważna: model widzi wszystkie źródła naraz. Dashboard pokazuje spadek konwersji w GA4 i wzrost kosztu kliknięcia w Meta Ads jako dwa osobne wykresy w dwóch sekcjach. Model dostaje jedno i drugie w tym samym zapytaniu, więc może zauważyć, że to ta sama historia. Nie zawsze ma rację, ale stawia hipotezę, którą człowiek potwierdzi albo odrzuci w minutę.
Baza pośrodku nie jest ozdobnikiem. Daje historię dłuższą niż okna retencji poszczególnych narzędzi, spójne definicje okresów między źródłami i możliwość zapytania „a jak to wyglądało w kwietniu" bez odpytywania czterech API od nowa.
| Raport bez AI | Raport z AI | |
|---|---|---|
| Co dostaje odbiorca | tabela liczb i zmian procentowych | tekst z wnioskami plus liczby pod spodem |
| Kto interpretuje | czytelnik | model stawia hipotezę, człowiek weryfikuje |
| Widzi zależności między źródłami | nie | tak, jeśli dostanie komplet danych |
| Czas budowy | godziny do kilku dni | kilka dni do kilku tygodni |
| Koszt bieżący | serwer, kilkadziesiąt zł/mies. | serwer plus wywołania modelu |
| Ryzyko | nikt nie przeczyta tabeli | model dopisze wniosek, którego nie ma w danych |
| Dla kogo | zespół, który zna swoje liczby | zarząd i właściciel patrzący raz w tygodniu |
Podział ról jest tu prosty: automatyzacja pobiera i porządkuje dane, AI odpowiada za interpretację. Mylenie tych dwóch rzeczy kończy się rozczarowaniem, o czym piszemy przy różnicy między automatyzacją, AI i agentem AI.
Jakie metryki do zarządu, a jakie do zespołu
Najczęstszy błąd to jeden raport dla wszystkich: zarząd dostaje szczegóły, które go nie interesują, a zespół ogólniki, z których nic nie wynika. Dwa szablony z tej samej bazy rozwiązują problem niemal bez kosztu.
| Warstwa | Co pokazujesz | Częstotliwość |
|---|---|---|
| Zarząd | wydatek marketingowy łącznie, liczba leadów, koszt leada, zamknięte transakcje, przychód, trend kwartalny | tygodniowo lub miesięcznie |
| Zespół | wyniki pojedynczych kampanii i zestawów reklam, CTR, częstotliwość, konwersja per landing page, frazy non-brand, źródła ruchu | tygodniowo, czasem codziennie |
Reguła dla warstwy zarządu: pokazuj to, na co zarząd może zareagować decyzją budżetową albo kadrową. Liczba wyświetleń kreacji taką metryką nie jest. Koszt pozyskanego klienta zestawiony z jego wartością już tak, bo prowadzi wprost do pytania, czy dokładać do kampanii, czy ją wyłączyć.
Do tego każda liczba z porównaniem do poprzedniego okresu i, jeśli się da, do tego samego okresu rok wcześniej. Sezonowość potrafi wyglądać jak katastrofa albo jak sukces, a jest po prostu sierpniem. Przy efektach samych wdrożeń przyda się spójna metoda liczenia, opisana w tekście o ROI automatyzacji.
Brand kontra non-brand, czyli po co rozdzielać frazy
Lekcja z naszej praktyki, która zmieniła sposób raportowania SEO. Patrzyliśmy w Search Console na frazy, po których wchodzą ludzie, i wyglądało to nieźle: rosnące wyświetlenia, wysokie średnie pozycje. Tyle że dominowały tam zapytania o nazwę firmy, a te rosły, bo równolegle chodziły reklamy. Content mógł nie pracować wcale, a wykres i tak szedł w górę.
Doszła do tego druga rzecz: pozycja pierwsza z zerem kliknięć. Jeśli fraza ma świetną pozycję i przyzwoite wyświetlenia, a kliknięć nie ma, zwykle znaczy to, że odpowiedź zjada AI Overview albo inny element wyników wyszukiwania. Wykres pozycji tego nie pokaże. Widać to dopiero, gdy zestawisz pozycję z kliknięciami na tej samej frazie.
Dlatego w naszych raportach frazy brandowe i non-brand są rozdzielone i liczone jak dwie różne metryki. Brand mówi o rozpoznawalności i o tym, czy reklamy robią swoje. Non-brand mówi, czy content faktycznie pracuje.
„Widzieliśmy frazy z pierwszą pozycją i zerem kliknięć. Przez chwilę wyglądało to jak błąd w danych, a to była po prostu odpowiedź wyświetlona bezpośrednio w wynikach. Odkąd rozdzieliliśmy brand od non-brand, raport SEO przestał być pocieszający i zaczął być użyteczny." — Mikołaj Brunka, założyciel NoCodeWork
Jak napisać prompt, żeby AI nie lało wody
Tu psuje się większość wdrożeń. Model dostaje polecenie w stylu „przeanalizuj dane marketingowe" i odsyła cztery akapity uprzejmych ogólników: ruch pozostaje stabilny, rekomendujemy dalszą optymalizację. Zero wartości. Cztery rzeczy, które to naprawiają:
Dostarcz komplet liczb. Model nie ma dostępu do Twojego konta reklamowego. Wszystko, czym dysponuje, musi znaleźć się w zapytaniu, najlepiej jako uporządkowana tabela albo JSON, a nie opis słowny.
Dołóż poprzedni okres. Bez punktu odniesienia model nie stwierdzi, że coś spadło, więc zaczyna opisywać zamiast analizować. Podaj bieżący tydzień i poprzedni, a przy metrykach sezonowych także ten sam tydzień rok wcześniej.
Każ wskazać konkretną liczbę decyzji. Polecenie „wskaż dokładnie trzy decyzje do podjęcia w tym tygodniu, od najpilniejszej" działa nieporównanie lepiej niż „przedstaw rekomendacje". Limit wymusza priorytetyzację zamiast wypisywania wszystkiego, co modelowi przyjdzie do głowy.
Daj mu prawo powiedzieć, że nie wie. Bez tego wymyśli przyczynę spadku, bo jego domyślny odruch to odpowiedzieć. Zdanie „jeśli dane nie pozwalają wskazać przyczyny, napisz wprost, że jej nie widać, i zaproponuj, co sprawdzić" ratuje raport przed fikcją.
Do tego kontekst biznesowy: czym firma się zajmuje, jaki jest cykl sprzedaży, co uznajecie za dobry wynik, co się właśnie wydarzyło. Bez tego model analizuje liczby w próżni. Ta sama zasada co przy kontekście dla AI: o jakości odpowiedzi decyduje kontekst, nie dobór modelu.
Układ raportu, który się u nas sprawdza: jedno zdanie podsumowania tygodnia, potem co się zmieniło z prawdopodobną przyczyną, potem trzy decyzje, na końcu surowe liczby w tabeli.
Pułapki: halucynacje, dostępy, limity
Model dopisze wniosek, którego nie ma w danych. Najpoważniejsze ryzyko, a lekarstwo jedno: pod analizą zawsze załączaj surowe liczby. Kilkanaście sekund wystarczy, żeby sprawdzić, czy zdanie „koszt leada wzrósł o jedną trzecią" ma pokrycie w tabeli. Raportu bez tej sekcji nie da się zweryfikować, a analizy na wiarę nie chcesz w materiałach dla zarządu.
Model myli okresy i jednostki. Zdarza się, że porówna siedem dni z trzydziestoma albo potraktuje wydatek w euro jak złotówki. Rozwiązanie leży po stronie danych: jawne zakresy dat i waluty przy każdej liczbie, zamiast liczenia na domysł modelu.
Dostępy do API to zwykle najdłuższy etap. GA4 wymaga konta serwisowego z uprawnieniami do usługi. Meta Ads wymaga aplikacji, tokena i weryfikacji biznesowej, a tokeny krótkiej ważności trzeba wymienić na długoterminowe, inaczej raport padnie po kilku tygodniach. Tam, gdzie konta zakładał kiedyś zewnętrzny wykonawca, samo ustalenie właściciela potrafi zająć więcej czasu niż budowa scenariusza.
Limity API i koszt modelu. Każde źródło ma limity zapytań, więc odpytywanie go co pięć minut przy raporcie tygodniowym nie ma sensu. Pobieraj dane raz dziennie, trzymaj we własnej bazie i buduj raporty z niej. Koszt wywołań modelu przy jednym raporcie tygodniowo jest marginalny wobec budżetu reklamowego, ale przy raportach dziennych dla kilkunastu klientów już się liczy.
Dane osobowe. Raport zbiorczy operuje na liczbach zagregowanych i danych osobowych nie potrzebuje. Dokładając listę leadów z CRM, wchodzisz w inny reżim i trzeba to przemyśleć, a nie wysyłać modelowi nazwiska i telefony bez potrzeby.
Od czego zacząć w małej firmie
Nie zaczynaj od bazy danych i modelu. Zacznij od pytania, na które nikt dziś nie umie szybko odpowiedzieć.
Wypisz pięć liczb, które naprawdę wpływają na decyzje w Twojej firmie. Zwykle: ile wydaliśmy, ile leadów przyszło, ile kosztował lead, ile umów podpisaliśmy, jaki był przychód. Jeśli któraś nie zmienia żadnej decyzji, wykreśl ją.
Zbieraj je ręcznie przez dwa tygodnie. Kwadrans w poniedziałek, arkusz, pięć liczb. Brzmi nieefektywnie, ale rozstrzyga pytanie, którego nie rozstrzygnie żadne narzędzie: czy ktokolwiek te liczby czyta. Jeśli po dwóch tygodniach nikt nie zapytał o raport, automatyzacja tego nie naprawi.
Zautomatyzuj pobieranie. Cron, API, szablon, mail. Nadal bez AI. Znika kwadrans przeklejania i ryzyko, że ktoś zapomni.
Dołóż warstwę interpretacji. Dopiero gdy dane płyną same i mają historię kilku tygodni, model ma z czym pracować. Wcześniej analizuje szum.
Zaleta tej kolejności: na każdym kroku możesz się zatrzymać i to nadal ma sens. Wiele firm kończy na trzecim i to jest w porządku. Jak takie raportowanie wpina się w resztę procesów działu, opisujemy w tekście o automatyzacji działu marketingu.
Kiedy to zły pomysł
- Nie macie ustawionego pomiaru. Jeśli konwersje w GA4 nie działają albo piksel nie zbiera zdarzeń, automatyczny raport rozniesie błędne dane szybciej niż człowiek. Najpierw pomiar.
- Jedna osoba i jedna kampania. Przy jednym kanale i budżecie rzędu kilkuset złotych miesięcznie wejście do panelu raz w tygodniu jest tańsze od jakiegokolwiek wdrożenia.
- Raport ma zastąpić rozmowę. Jeśli zarząd nie omawia wyników, mail z analizą dołoży tylko kolejną nieprzeczytaną wiadomość.
- Oczekiwanie, że AI podejmie decyzje. Model stawia hipotezy i porządkuje obraz. Decyzja o wyłączeniu kampanii czy przesunięciu budżetu zostaje po stronie człowieka i tak to projektujemy. Więcej o granicach tego podejścia w tekście o najlepszych zastosowaniach AI w firmie.
- Dane w systemie bez API. Jeśli sprzedaż siedzi w programie, który nie oddaje danych na zewnątrz, część raportu zostanie ręczna. Trzeba o tym wiedzieć przed startem, a nie w połowie projektu.
FAQ
Czy automatyczny raport zastąpi dashboard?
W warstwie zarządczej zwykle tak. Dashboard wymaga, żeby ktoś sam do niego wszedł, a raport przychodzi mailem i wystarczy go przeczytać. Panel zachowuje przewagę tam, gdzie trzeba drążyć dane na żądanie, czyli w codziennej pracy zespołu. Najlepiej działa układ, w którym raport odpowiada na pytanie „co się stało", a panel służy do sprawdzenia szczegółów.
Czy AI nie zmyśli wniosków w raporcie?
Może, jeśli dostanie niekompletne dane albo zbyt ogólne polecenie. Zabezpieczenie jest proste: pod analizą załącz surowe liczby, na których model pracował, i wprost pozwól mu napisać, że przyczyny nie widać. Wtedy każde zdanie da się zweryfikować w kilkanaście sekund, a hipoteza oznaczona jako hipoteza nikogo nie wprowadzi w błąd.
Ile kosztuje wdrożenie automatycznego raportu?
Prosty scenariusz pobierający dane z GA4 i Meta Ads i wysyłający je mailem mieści się w widełkach pojedynczej automatyzacji, czyli zwykle 3–10 tys. zł przy zleceniu na zewnątrz, plus kilkadziesiąt złotych miesięcznie za serwer. Wersja z własną bazą, historią i warstwą AI kosztuje więcej, bo to już mały system.
Skąd wziąć dane o sprzedaży, jeśli firma nie ma CRM?
Z tego, co jest: arkusza z podpisanymi umowami albo systemu do fakturowania, o ile udostępnia API. Raport zniesie też ręczne uzupełnianie jednej liczby tygodniowo, choć wtedy nie jest w pełni automatyczny. Jeśli sprzedaż nigdzie nie jest zapisywana w powtarzalny sposób, rozwiąż to przed raportowaniem, nie przy jego okazji.
Jak często wysyłać raport do zarządu?
Tygodniowo w firmach z bieżącymi kampaniami, miesięcznie tam, gdzie cykl sprzedaży jest długi i tydzień to za mało danych na wnioski. Codzienne raporty do zarządu są kontrproduktywne: dzienne wahania to głównie szum, a odbiorca po tygodniu przestaje otwierać wiadomość.
Podsumowanie
Automatyczny raport to mniej projekt analityczny, a bardziej komunikacyjny. Wygrywa ten, który ktoś przeczyta i po którym zapadnie decyzja. Dlatego jeden mail tygodniowo z czterema akapitami i tabelą pod spodem bije panel z dwudziestoma wykresami.
Kolejność też ma znaczenie: najpierw pięć liczb zbieranych ręcznie, potem automatyczne pobieranie z API i szablon, a dopiero na końcu warstwa AI. Przeskoczenie pierwszych dwóch kroków kończy się ładnym systemem raportującym rzeczy, które nikogo nie obchodzą. I jedna zasada, której nie odpuszczamy: pod analizą lądują surowe liczby. Model czasem się myli, a raportu, którego nie da się sprawdzić w kilkanaście sekund, lepiej nie wysyłać.
Jeśli chcesz zobaczyć, jak taki raport wyglądałby na Twoich danych, umów bezpłatną konsultację. Przejdziemy przez to, co już mierzycie, i powiemy wprost, jeśli w Waszej sytuacji wystarczy wchodzić raz w tygodniu do panelu.
