AI weszła do codziennej pracy zespołów e-commerce: analiza danych, opisy produktów, segmentacja, planowanie kampanii, raportowanie, obsługa klienta. W większości przypadków używa się jej jednak jak szybszego generatora tekstu albo jak narzędzia, które „samo zrobi analizę". To podejście pomija rzecz najważniejszą: w e-commerce decyzje są liczbowe, a model językowy nie wie, które liczby są prawdziwe.
Wartość AI nie bierze się z tego, że szybciej napisze opis kategorii. Bierze się z tego, że skraca drogę od pytania do hipotezy - pod warunkiem, że pytanie jest dobrze postawione, a dane, na których pracuje, są warte zaufania. Trzy poniższe zasady dotyczą właśnie tego: jak używać AI tak, żeby przyspieszała trafne decyzje, a nie produkowała przekonujących, lecz błędnych wniosków.
1. Zacznij od decyzji i hipotezy, nie od promptu
Najczęstszy punkt wyjścia to pytanie "co mogę zrobić z AI?". Prowadzi ono do przypadkowych zastosowań: model napisze opis produktu, zaproponuje kampanię, wygeneruje plan newslettera. Każdy z tych efektów wygląda produktywnie, ale rzadko da się powiedzieć, jaką decyzję realnie wsparł.
Punktem wyjścia powinna być decyzja, a zaraz po niej - hipoteza, którą da się obalić. Zamiast prosić o wynik, opisz problem i to, czego potrzebujesz, żeby go zweryfikować:
Pomóż mi ocenić, dlaczego ta kategoria ma wysoki ruch i niski współczynnik konwersji. Weź pod uwagę źródła ruchu, typ urządzenia, ceny, dostępność produktów, jakość listingów i koszty dostawy. Na końcu wskaż trzy najbardziej prawdopodobne hipotezy, dane potrzebne do ich weryfikacji oraz rekomendowane następne kroki.
Kluczowa różnica jest jednak głębsza niż konstrukcja promptu. Model językowy generuje wyjaśnienia - nie weryfikuje ich. Potrafi zbudować spójną, logiczną narrację dla niemal każdego zestawu liczb, także dla zestawu błędnego. Dlatego rola specjalisty nie przesuwa się w stronę pisania lepszych promptów, lecz w stronę dwóch decyzji, których AI nie podejmie za niego: które dane są źródłem prawdy oraz jaki dowód potwierdziłby lub obaliłby hipotezę. AI przyspiesza generowanie kandydatów na wyjaśnienie; rozstrzyganie, który z nich jest prawdziwy, pozostaje po stronie człowieka i danych.
Zasada praktyczna: zanim użyjesz AI, nazwij decyzję i hipotezę. Jeśli nie potrafisz wskazać, jaki wynik analizy zmieniłby Twoją decyzję, model najpewniej zwróci dobrze brzmiące wyjaśnienie bez wartości weryfikacyjnej.
2. Zanim zaufasz rekomendacji, opisz modelowi stan danych
W e-commerce łatwo docenić, że AI analizuje raporty, podsumowuje wyniki i proponuje rekomendacje. Pomija się jednak prostą zależność: model nie naprawia danych - szybciej i bardziej przekonująco wyciąga z nich wnioski. Jeśli dane wejściowe są niespójne, wnioski są niespójne, tylko lepiej opisane.
Problem jest jednak bardziej szczegółowy niż klasyczne garbage in, garbage out. Model nie odróżnia danych obserwowanych od modelowanych i nie zna konfiguracji pomiaru. Raport z GA4 traktuje jako pomiar gruntowy, nawet jeśli znaczna jego część jest oszacowaniem. Kilka przykładów, w których to prowadzi na manowce:
- Consent Mode. W trybie podstawowym (Basic) tagi nie uruchamiają się przed wyrażeniem zgody, więc część sesji i pierwszych odsłon nie zostaje zmierzona - landing page bywa raportowany jako
(not set), a brakujące dane są modelowane. Model językowy odczyta to jako realny wzorzec zachowań i zaproponuje optymalizację strony, której „problem" leży w pomiarze, a nie w UX. - Konwersje modelowane. GA4 raportuje obok siebie konwersje obserwowane i modelowane. Bez wyraźnej informacji model potraktuje jedne i drugie jak twarde liczby.
- Model atrybucji. Zmiana z last-click na data-driven po cichu przesuwa udział kanałów. AI uszereguje kanały według tego, co dostanie, nie sygnalizując, jaki model atrybucji stoi za rankingiem.
- Przychód bez zwrotów, rabatów i marży. Ranking „najlepszych" produktów zacznie mylić obrót z rentownością.
W każdym z tych przypadków AI nie jest przewagą - jest wzmacniaczem błędnych założeń, tym groźniejszym, że jego rekomendacje brzmią wiarygodnie.
Rozwiązanie nie polega na ograniczeniu AI, lecz na opisaniu jej stanu danych przed analizą. W praktyce warto dołączyć do zapytania krótki „kontrakt danych": źródło prawdy, zakres czasu, definicje KPI, model atrybucji i konfigurację zgód, znane anomalie oraz to, co model ma pominąć. Przykład takiego bloku:
Kontekst danych
- Źródło prawdy: BigQuery, eksport GA4 (
events_*), zakres 2025-01-01 – 2025-03-31.- Konwersja = zdarzenie
purchase; przychód = netto, po zwrotach i rabatach.- Model atrybucji: data-driven (GA4). Nie zestawiaj z last-click.
- Consent Mode: tryb zaawansowany; dane dla braku zgody są modelowane - traktuj je jako szacunek, nie pomiar.
- Znane anomalie: 14–18 lutego awaria
dataLayerna checkoucie (zaniżoneadd_payment_info); 1–7 marca promocja −20% na kategorię X.- Pomiń ruch wewnętrzny i zamówienia testowe.
Zadanie: [pytanie analityczne]
Im więcej takiego kontekstu, tym trudniej modelowi zbudować spójną narrację na niespójnym fundamencie. Dotyczy to również pracy na surowych zdarzeniach w BigQuery: dane na poziomie eventów dają AI nieporównanie więcej niż zagregowany raport z interfejsu GA4, ale właśnie dlatego tym bardziej wymagają opisu, co w nich jest wiarygodne.
Zasada praktyczna: zanim poprosisz o rekomendacje, opisz, co w danych jest pomiarem, co szacunkiem, a co artefaktem konfiguracji. Rekomendacja jest warta tyle, ile dane, na których powstała.
3. Używaj AI do łączenia danych, nie tylko do generowania treści
Najprostsze zastosowanie AI to produkcja treści: opisy produktów i kategorii, newslettery, reklamy, FAQ. Jest przydatne, ale szybko przestaje dawać przewagę - gdy wszyscy generują podobne opisy, rynek wypełnia się treścią poprawną i nierozróżnialną.
Większa wartość pojawia się tam, gdzie AI strukturyzuje dane nieustrukturyzowane i łączy je z danymi ilościowymi, żeby wskazać miejsce, w którym proces sprzedaży rozmija się z oczekiwaniem klienta. Operacją, która tworzy tu wartość, jest połączenie źródeł - nie samo wygenerowanie tekstu.
Przykład: rosnące zwroty w jednej kategorii
Załóżmy, że w jednej kategorii rośnie liczba zwrotów. Pierwsza hipoteza zwykle dotyczy jakości produktu, a typowa reakcja to rozmowa z dostawcą lub ograniczenie promocji. Zanim jednak podejmie się tę decyzję, warto zestawić powody zwrotów ze zgłoszeniami do obsługi, danymi karty produktu (PDP), tabelą rozmiarów, informacjami o wariantach i analityką zachowań na stronie.
Z takiego połączenia może wyłonić się inny wzorzec: klienci nie zwracają produktu dlatego, że jest słaby, lecz dlatego, że tabela rozmiarów jest nieprecyzyjna, zdjęcia oddają kolor inaczej niż w rzeczywistości, a kluczowa informacja o materiale znajduje się zbyt nisko na stronie. W tej sytuacji problemem nie jest produkt, tylko jego komunikacja - a właściwa decyzja to korekta PDP, tabeli rozmiarów i sekcji FAQ, nie wycofanie kategorii. Skutkiem bywa mniej zwrotów, mniejsze obciążenie obsługi i wyższa konwersja.
To jest przewaga operacyjna: nie ładniejszy opis, lecz szybsze zlokalizowanie rozbieżności między procesem sprzedaży a oczekiwaniem klienta.
Ten sam schemat w innych miejscach
W analizie porzuconych koszyków zamiast kolejnej wersji maila „dokończ zakup" warto najpierw zestawić etap porzucenia, urządzenie, metodę dostawy, wartość koszyka i dostępne płatności, a dopiero potem poprosić o hipotezy dotyczące realnej bariery - kosztu dostawy, braku preferowanej płatności, czasu realizacji czy zbyt późno pokazanych kosztów dodatkowych. W segmentacji większą wartość niż „podziel klientów na segmenty" daje polecenie oparte na historii i częstotliwości zakupów, wartości koszyka, kategoriach i reakcji na kampanie, zakończone opisem potrzeby, ryzyka utraty i rekomendowanego następnego kroku dla każdego segmentu.
W każdym z tych przypadków wartość zależy od tego, czy dane z różnych systemów - analityki, CRM, platformy sklepowej, reklam i obsługi - dają się ze sobą zestawić. To zamyka klamrę z zasadą drugą: bez wiarygodnych, łączalnych danych łączenie źródeł tylko mnoży ryzyko błędnego wniosku.
Zasada praktyczna: nie pytaj wyłącznie, co AI może wygenerować. Pytaj, jakie źródła danych może połączyć i jaki proces dzięki temu przyspieszyć lub uporządkować.
Podsumowanie
AI nie podnosi jakości decyzji w e-commerce sama z siebie. Podnosi tempo, w jakim dochodzi się do wniosków - trafnych, jeśli pytanie i dane są dobre, oraz błędnych, jeśli nie są. Różnicy nie robi liczba znanych promptów, lecz trzy rzeczy: czy potrafisz nazwać decyzję i hipotezę, czy wiesz, które dane są wiarygodne i jak są mierzone, oraz czy używasz modelu do łączenia informacji, a nie tylko do ich wytwarzania.
To także granica między specjalistą, który wykonuje zadania, a takim, który rozumie dane, pomiar i decyzje stojące za sprzedażą online. AI tę granicę jedynie uwidacznia - i robi to szybciej niż jakiekolwiek narzędzie wcześniej.
Najczęściej zadawane pytania (FAQ)
Czy AI zastępuje specjalistę e-commerce? Nie. AI przyspiesza generowanie hipotez i porządkowanie danych, ale nie weryfikuje, które z nich są prawdziwe. Decyzja o tym, które dane są źródłem prawdy i jaki dowód potwierdza hipotezę, pozostaje po stronie analityka.
Dlaczego AI wyciąga błędne wnioski z danych GA4? Najczęściej dlatego, że traktuje dane modelowane jak obserwowane i nie zna konfiguracji pomiaru. Model potrafi zbudować spójną narrację także dla danych zniekształconych przez Consent Mode, wybór modelu atrybucji albo brak korekty o zwroty i marżę.
Czym jest „kontrakt danych" w pracy z AI? To krótki blok kontekstu dołączany do zapytania: źródło prawdy, zakres czasu, definicje KPI, model atrybucji, konfiguracja zgód, znane anomalie i dane do pominięcia. Ogranicza ryzyko, że model zbuduje przekonujące wyjaśnienie na niespójnych danych.
Jak Consent Mode wpływa na analizy prowadzone przez AI? W trybie podstawowym tagi nie uruchamiają się przed wyrażeniem zgody, więc część odsłon trafia do (not set), a brakujące dane są modelowane. AI może odczytać to jako realny wzorzec zachowań i zarekomendować zmiany na stronie, choć źródłem problemu jest pomiar.
Do czego używać AI w e-commerce poza generowaniem treści? Do strukturyzowania danych nieustrukturyzowanych - opinii, reklamacji, powodów zwrotów, zgłoszeń do obsługi - i łączenia ich z danymi ilościowymi, aby zlokalizować miejsce, w którym proces sprzedaży rozmija się z oczekiwaniem klienta.
Od czego zacząć pracę z AI w e-commerce? Od nazwania decyzji i postawienia hipotezy, którą da się obalić - nie od promptu. Dobrze postawione pytanie i wiarygodne dane przesądzają o wartości odpowiedzi bardziej niż znajomość samych promptów.