Atrybucja oparta na danych to domyślny model w Google Analytics 4 i jednocześnie ten, który najczęściej wywołuje pytania na spotkaniach z klientem. Skąd w raporcie 0,37 konwersji? Dlaczego Google Ads pokazuje inną liczbę niż GA4? I czy przy kilkudziesięciu zakupach miesięcznie ten model w ogóle coś mówi? Poniżej wyjaśniamy, jak go czytać, gdzie leżą jego granice i jak o nim opowiadać, żeby nikt nie poczuł się wprowadzony w błąd.
Jak model dzieli konwersję między punkty styku
Model ostatniego kliknięcia oddaje całą zasługę jednemu kanałowi. Atrybucja oparta na danych (ang. data-driven attribution, DDA) robi coś innego: porównuje ścieżki, które zakończyły się konwersją, ze ścieżkami, które się nią nie zakończyły, i szacuje, o ile obecność danego punktu styku zwiększa prawdopodobieństwo konwersji. Każdy kanał dostaje taki udział, jaki wynika z tego przyrostu.
Google opisuje to jako analizę kontrfaktyczną: model sprawdza, jak zmieniłoby się prawdopodobieństwo konwersji, gdyby dany kontakt z użytkownikiem nie wystąpił. Matematycznie podejście jest bliskie wartości Shapleya z teorii gier, czyli sprawiedliwego podziału wygranej między graczy koalicji. W praktyce ważne są trzy rzeczy:
- model bierze pod uwagę kolejność kontaktów, czas od interakcji do konwersji i typ urządzenia,
- uczy się na danych konkretnej usługi GA4, a nie na uśrednionym benchmarku,
- wejścia bezpośrednie (direct) dostają zasługę tylko wtedy, gdy na ścieżce nie ma żadnego innego kanału.
Ten ostatni punkt łatwo przeoczyć. Jeśli klient wszedł z wyszukiwarki, a tydzień później wpisał adres ręcznie i kupił, cała zasługa trafi do ruchu organicznego. To samo dotyczy wizyt z asystentów AI, które często lądują w direct; jak je wyłuskać, opisujemy w tekście o ruchu z ChatGPT w GA4.
Skąd biorą się ułamkowe wartości w raportach
Skoro jedna konwersja jest dzielona między kilka kanałów, każdy z nich dostaje jej część. Stąd w raporcie pozyskania wartości typu 12,48 konwersji dla Google Ads i 7,52 dla e-maila. Suma dla całego okresu zgadza się z liczbą zdarzeń kluczowych, ale pojedynczy wiersz rzadko jest liczbą całkowitą.
Ułamki nie są błędem, tylko informacją. Kanał z wynikiem 0,3 przy jednej transakcji mówi: „byłem na ścieżce, ale nie byłem decydujący”. Problem pojawia się wtedy, gdy ktoś eksportuje dane do arkusza i zaokrągla każdy wiersz osobno, a potem suma przestaje się zgadzać z panelem. Zaokrąglaj dopiero wynik końcowy.
Minimalny wolumen, przy którym model ma sens
Google nie publikuje dziś twardego progu dla GA4. Dawniej Google Ads wymagał co najmniej 3000 interakcji z reklamami i 300 konwersji w ciągu 30 dni, zanim udostępnił model oparty na danych. Ograniczenie zniesiono, ale statystyka się nie zmieniła: model potrzebuje wielu porównywalnych ścieżek, żeby odróżnić wpływ kanału od przypadku.
Liczy się też różnorodność ścieżek. Sklep, w którym 90% klientów kupuje podczas pierwszej wizyty z jednej kampanii, ma niewiele do podzielenia: model nie zobaczy wtedy wielu kombinacji kanałów i jego wynik będzie bardzo podobny do ostatniego kliknięcia. Wartość DDA rośnie razem z długością i zróżnicowaniem ścieżek, a nie tylko z liczbą transakcji.
Przy małym ruchu algorytm ma za mało przykładów i jego wyniki zbliżają się do prostych reguł, a z miesiąca na miesiąc potrafią skakać bez realnej zmiany w marketingu. Robocza zasada, którą stosujemy w audytach:
| Konwersje miesięcznie | Jak czytać DDA |
|---|---|
| poniżej 50 | tylko orientacyjnie, raczej trend kwartalny niż miesięczny |
| 50–300 | porównania kanałów sensowne, ale bez wniosków z różnic kilku procent |
| powyżej 300 | model stabilny, można na nim opierać decyzje budżetowe |
Młode serwisy zwykle mieszczą się w pierwszym wierszu. W naszym case study młodej domeny przez pierwsze miesiące ścieżek było tak mało, że jedyną uczciwą miarą była liczba zapytań z formularza, a nie ich podział na kanały.
Okno konwersji i jego wpływ na wynik
Okno ruchu wstecz określa, jak daleko w przeszłość model sięga po punkty styku. W ustawieniach atrybucji GA4 są dwa osobne okna: dla zdarzeń pozyskania (first_open, first_visit) do wyboru 7 lub 30 dni, a dla pozostałych zdarzeń kluczowych 30, 60 lub 90 dni (domyślnie 90).
Skrócenie okna faworyzuje kanały domykające sprzedaż, czyli wyszukiwanie płatne i brandowe. Wydłużenie premiuje kanały otwierające ścieżkę: treści blogowe, social, newsletter. Zmiana okna działa tylko na dane od momentu zmiany, więc porównując okresy przed i po, porównujesz w rzeczywistości dwa różne modele. Zapisz datę zmiany w notatkach do raportu.
Porównanie z modelem ostatniego kliknięcia
Po uproszczeniu modeli w 2023 roku GA4 oferuje już tylko dwa podejścia: oparte na danych oraz ostatnie kliknięcie (w wariantach „płatne i bezpłatne” oraz „płatne kanały Google”). Najwięcej mówi zestawienie obu w raporcie porównania modeli w sekcji Reklamy.
Jeśli kanał w DDA ma wyraźnie więcej konwersji niż w ostatnim kliknięciu, zwykle pracuje na początku lub w środku ścieżki. Wyłączenie go nie musi od razu obniżyć sprzedaży, ale po kilku tygodniach zabraknie osób, które wracają z innych źródeł. Odwrotna sytuacja oznacza kanał domykający, który chętnie przypisuje sobie efekt cudzej pracy. Przy złożonych ścieżkach między urządzeniami warto zajrzeć też do tekstu o atrybucji cross-device i cross-channel.
Kiedy różnica między GA4 a Google Ads jest normalna
Rozbieżność między panelami to nie usterka, tylko skutek różnych definicji. Najczęstsze przyczyny:
- Data przypisania. Google Ads księguje konwersję w dniu kliknięcia w reklamę, GA4 w dniu samej konwersji.
- Zakres kanałów. Google Ads widzi głównie własne interakcje (w tym wyświetlenia wideo), GA4 dzieli zasługę ze wszystkimi źródłami ruchu.
- Zgody. Brak zgody na cookies zmienia to, co GA4 może powiązać, a modelowanie konwersji w obu narzędziach działa inaczej; szczegóły w artykule o Consent Mode v2 i modelowaniu konwersji.
- Opóźnienie danych. GA4 dopisuje atrybucję nawet kilka dni po fakcie, więc świeże okresy są niekompletne.
Różnica rzędu 10–20% jest typowa. Jeśli rozjazd przekracza kilkadziesiąt procent, sprawdź połączenie kont, import konwersji i to, czy oba narzędzia liczą to samo zdarzenie. Dobrze też zweryfikować, czy na stronie nie działają równolegle eksperymenty z przekierowaniami, które gubią parametry; zasady bezpiecznego testowania opisuje tekst o testach A/B a SEO.
Jak raportować atrybucję klientowi bez nieporozumień
Najwięcej konfliktów rodzi pokazanie liczby bez kontekstu. Kilka zasad, które sprawdzają się w praktyce:
- Na pierwszym slajdzie podaj, z jakiego modelu i okna pochodzą dane. Jedno zdanie oszczędza godzinę dyskusji.
- Nie zestawiaj w jednej tabeli konwersji z GA4 i Google Ads bez podpisu, skąd jest każda kolumna.
- Pokazuj udział kanału w procentach i trend z co najmniej trzech miesięcy, a nie pojedyncze ułamki.
- Przy małym wolumenie powiedz to wprost: model jest orientacyjny, decyzje budżetowe opieramy na testach przyrostowych.
- Gdy klient pyta, „który kanał działa”, odpowiedz parą liczb: DDA i ostatnie kliknięcie. Różnica między nimi jest odpowiedzią.
Oficjalny opis modeli i raportów znajdziesz w pomocy Google Analytics o atrybucji. Warto go podesłać klientowi, który chce zrozumieć mechanikę bez pośrednika.
FAQ
Czym jest atrybucja oparta na danych w GA4?
To model, który dzieli zasługę za konwersję między wszystkie punkty styku na ścieżce użytkownika, na podstawie porównania ścieżek zakończonych konwersją i niezakończonych. Jest domyślnym modelem w GA4.
Dlaczego w GA4 widzę ułamkowe konwersje?
Bo jedna konwersja jest rozdzielana między kilka kanałów. Każdy dostaje część odpowiadającą jego szacowanemu wpływowi, a suma dla wszystkich kanałów zgadza się z liczbą zdarzeń kluczowych.
Czy model oparty na danych działa przy małym ruchu?
Działa, ale jego wyniki są mniej stabilne. Przy kilkudziesięciu konwersjach miesięcznie traktuj go orientacyjnie i patrz na trendy kwartalne, a nie zmiany z miesiąca na miesiąc.
Dlaczego GA4 i Google Ads pokazują różne liczby konwersji?
Narzędzia przypisują konwersje do innej daty, widzą inny zakres kanałów i różnie modelują brak zgód. Różnica 10–20% jest normalna; większa wymaga sprawdzenia konfiguracji.
Czy zmiana okna konwersji zmienia dane historyczne?
Nie. Nowe ustawienie dotyczy danych od momentu zmiany, dlatego porównanie okresów przed i po zmianie trzeba opisać w raporcie.