Najwięcej zmienił u mnie jeden plik: historia zmian. Ale po kolei. Materiały dzielę według ich roli.
Pierwszym plikiem jest kontekst klienta. Zapisuję w nim ofertę, priorytetowe produkty, marżę, wartość koszyka, grupy klientów, rolę kanałów i ograniczenia biznesowe. Ten dokument zmienia się rzadziej i pomaga zrozumieć, co dany wynik oznacza dla firmy.
Drugą warstwą są aktualne dane. To eksporty z Google Ads, Meta Ads i GA4 z jasno opisanym okresem. Służą do odpowiedzi na konkretne pytanie, na przykład dlaczego wzrósł koszt zakupu albo na którym etapie ścieżki spadła konwersja.
Trzecim elementem, tym brakującym, jest historia zmian. Zapisuję, co zostało wdrożone, kiedy rozpoczął się test i po jakim czasie wolno ocenić wynik. Dzięki temu model nie rekomenduje ponownie działania, które już trwa, i nie porównuje pełnego tygodnia z dniem, w którym zmiana została wdrożona w połowie emisji.
Co się nie sprawdziło?
- poleganie wyłącznie na historii czatu,
- wrzucanie plików bez daty i informacji o źródle,
- mieszanie raportów historycznych z aktualnym eksportem,
- ogólne polecenie „przeanalizuj wszystko”,
- proszenie o rekomendację bez informacji o marży, celu i roli kampanii.
Dzisiaj zaczynam od pytania decyzyjnego, a później dobieram potrzebne źródła. W poleceniu podaję okres, zakres i oczekiwany format. Proszę też o oddzielenie faktów, obserwacji, interpretacji oraz hipotez.
Przykład: „Na podstawie eksportu Google Ads i GA4 z ostatnich 30 dni znajdź możliwe przyczyny wzrostu CPA. Przy każdym wniosku podaj źródło danych, poziom pewności i informację, czego nadal nie możemy potwierdzić”.
AI przyspiesza analizę dużej liczby materiałów, jeśli każdy plik ma jasne zadanie. Sam dostęp do dokumentów nie tworzy jeszcze dobrego kontekstu. Trzeba rozdzielić wiedzę o biznesie, aktualne dane i historię decyzji.
#AIwMarketingu #PerformanceMarketing #Analityka #Ecommerce