Sklep może mieć dobry frontend, sprawne kampanie i ładne dashboardy, a i tak podejmować błędne decyzje, jeśli nie panuje nad identyfikatorami produktu. GA4 widzi item_id, sklep operuje na SKU, ERP na własnym indeksie, dostawca na EAN, a marketplace na jeszcze innym numerze. Każdy z tych identyfikatorów jest potrzebny i każdy opisuje produkt z innej perspektywy. Bez mapy, która je łączy, raport produktowy staje się zgadywaniem, tyle że zgadywaniem z ładnym wykresem.
Nie chodzi o to, żeby mieć jeden identyfikator wszędzie. Chodzi o to, żeby wiedzieć, jak przejść między SKU, EAN, item_id, indeksem ERP i ID feedu oraz kto odpowiada za tę mapę.
Dlaczego to nie jest temat techniczny
Identyfikatory produktu brzmią jak sprawa dla działu IT, ale ich konsekwencje są finansowe. Błędne mapowanie psuje ocenę kampanii, bo nie wiadomo, które produkty faktycznie sprzedaje Google Ads czy Meta. Psuje analizę marży, bo bestseller według GA4 może w ERP mieć zupełnie inną rentowność albo dotyczyć wariantu, którego wcale nie chcesz promować. Psuje zatowarowanie, gdy marketing pompuje ruch na produkt, którego magazyn nie traktuje priorytetowo. I psuje rekomendacje, bo silniki personalizacji uczą się na zduplikowanych albo źle połączonych rekordach.
To jest klasyczny obszar zarządzania danymi. Dane produktowe muszą mieć właściciela, źródło prawdy, reguły mapowania i jakąś formę kontroli jakości. Nie dlatego, że tak wypada, tylko dlatego, że bez tego każdy raport produktowy jest dyskusyjny.
Warstwy identyfikatorów, które się mieszają
W typowym sklepie współistnieje kilka warstw ID:
- SKU sklepu - używane przez platformę i merchandising.
- SKU wariantu - konkretny rozmiar, kolor albo konfiguracja.
- Produkt nadrzędny - model lub rodzina produktu, przydatna w analizie kategorii.
- EAN / GTIN - identyfikator handlowy dla dostawców, marketplace i porównywarek.
- Indeks ERP - stany magazynowe, cena zakupu, faktury i marża.
- item_id w GA4 - identyfikator wysyłany w eventach view_item, add_to_cart i purchase.
- ID feedu - Merchant Center, reklamy produktowe i marketplace.
Kłopot nie polega na tym, że tych identyfikatorów jest dużo, bo tak po prostu wygląda dojrzały e-commerce. Polega na tym, że często nikt nie wie, który z nich jest używany w którym raporcie i jak przejść z jednego na drugi.
Przykład: jeden but, cztery systemy
Sprzedajesz model butów w trzech rozmiarach. Platforma ma jeden produkt nadrzędny i trzy warianty. ERP ma osobny indeks dla każdego rozmiaru. GA4 dostaje item_id wariantu, ale kampanie produktowe ciągną ID z feedu, które czasem odpowiada produktowi nadrzędnemu. W BI ktoś agreguje to wszystko po nazwie.
Na pierwszy rzut oka działa: sprzedaż się rejestruje, kampanie mają ROAS, magazyn widzi stany. Aż pada pytanie, który wariant promować, i okazuje się, że GA4 pokazuje sprzedaż wariantu, ale bez marży z ERP, ERP zna marżę, ale nie koszt kampanii na wariant, feed reklamowy ma inny podział kategorii niż sklep, a BI łączy po nazwie produkty, które biznes chciał rozdzielić. Zamiast jednego raportu masz kilka półprawd, których nie da się ze sobą pogodzić.
Golden record bez systemu MDM
Pojęcie golden record kojarzy się z dużym wdrożeniem MDM, ale w mniejszej firmie sprowadza się do jednej, zatwierdzonej tabeli mapowania. Powinna mówić:
- jaki jest produkt nadrzędny,
- jakie warianty do niego należą,
- jak SKU sklepu przekłada się na indeks ERP,
- jaki EAN ma wariant,
- jaki item_id powinien trafiać do GA4,
- jakie ID idzie do feedu reklamowego,
- kto zatwierdza zmianę mapowania.
Ta tabela może mieszkać w PIM, w ERP, w BigQuery albo nawet w arkuszu. Forma jest drugorzędna. Liczy się to, że jest traktowana jako kontrolowany zasób firmy, a nie roboczy plik jednej osoby, który znika razem z jej urlopem.
GA4: co ustalić przed analizą produktów
- czy view_item, add_to_cart, begin_checkout i purchase używają tego samego item_id,
- czy item_id oznacza wariant czy produkt nadrzędny,
- czy raporty nie opierają się wyłącznie na item_name,
- czy item_category odpowiada logice biznesowej, a nie przypadkowej strukturze menu,
- czy transaction_id można połączyć z zamówieniem w systemie,
- czy zamówienia testowe są konsekwentnie wykluczane.
Bez tych ustaleń dashboard produktowy będzie wyglądał poprawnie i jednocześnie będzie słabym narzędziem decyzyjnym, co jest gorsze niż brak dashboardu, bo daje fałszywą pewność.
Plan na pierwszy kwartał
- Miesiąc 1: mapa identyfikatorów - top 100 produktów albo 20 procent asortymentu odpowiadającego za większość przychodu. Mapujemy SKU, wariant, EAN, indeks ERP, item_id z GA4 i ID feedu.
- Miesiąc 2: reguły i kontrola jakości - które ID jedzie do GA4 i dlaczego, walidacja eventów w GTM, zasady dla wariantów, zestawów i marketplace.
- Miesiąc 3: raport decyzyjny - dashboard kategorii i produktów oparty na zatwierdzonej mapie, wzbogacony o marżę, koszt kampanii i dostępność.
To również materiał, który warto pokazywać zarządowi zamiast surowych eksportów z GA4. Domyka go comiesięczny przegląd jakości danych produktowych.
Plan jest celowo nudny, bo dane produktowe nagradzają konsekwencję, nie kreatywność.
Błędy, które kosztują najwięcej
- Raportowanie po nazwie produktu - nazwy się zmieniają, bywają tłumaczone i rzadko są unikalne.
- Brak rozróżnienia wariantu i produktu nadrzędnego - decyzje marketingowe i magazynowe potrzebują różnych poziomów agregacji.
- Brak właściciela mapy ID - jeśli każdy może poprawić arkusz, nikt nie odpowiada za wynik.
- GA4 jako jedyne źródło prawdy - GA4 opisuje zachowanie i kampanie, ale nie rozstrzyga marży, stanów ani zwrotów.
- BI bez governance - dashboard tylko szybciej pokazuje ten sam bałagan.
Dane produktowe a rekomendacje i AI
Coraz więcej sklepów wpina silniki rekomendacji, automatyczne kampanie produktowe i asystentów opartych o modele językowe. Wszystkie one dziedziczą jakość mapy identyfikatorów. Jeśli ten sam fizyczny produkt występuje w danych jako trzy osobne rekordy, rekomendacja będzie go traktować jak trzy różne rzeczy, a kampania produktowa potrafi licytować sama ze sobą. Model nie naprawi tego, czego człowiek nie uporządkował; powieli błąd, tylko szybciej i na większą skalę.
Najczęstszy scenariusz, który widzę, to firma chcąca wdrożyć AI do rekomendacji, zanim ma pewność, że item_id z GA4 odpowiada temu samemu produktowi co indeks w ERP. To jak budowanie pierwszego piętra przed fundamentem. Mapa identyfikatorów jest nudna, ale to ona decyduje, czy automatyzacja produktowa będzie zarabiać, czy generować trudne do wykrycia straty.
Sygnały, że dane produktowe wymagają interwencji
Jest kilka objawów, które praktycznie zawsze oznaczają problem z mapą identyfikatorów:
- raport top produktów wygląda inaczej w GA4 i w ERP,
- ten sam bestseller ma dwie różne marże w zależności od zestawienia,
- kampanie produktowe promują pozycje, których nie ma na stanie,
- kampanie pomijają produkty, na których realnie zarabiasz,
- zespół co miesiąc ręcznie łączy eksporty z kilku systemów,
- pojawiają się produkty, których nikt nie potrafi jednoznacznie przypisać do kategorii.
Jeśli rozpoznajesz u siebie dwa lub trzy z tych objawów, problem nie jest kosmetyczny i nie rozwiąże go zmiana narzędzia BI. To sygnał, że warstwa danych produktowych potrzebuje właściciela i reguł, zanim dołożysz do niej kolejne raporty albo automatyzacje.
Jak wygląda, gdy to działa
Kiedy mapa identyfikatorów jest na miejscu, codzienna praca robi się cicha w dobrym sensie. Osoba zarządzająca e-commerce otwiera jeden raport, w którym sprzedaż wariantu z GA4 stoi obok marży z ERP i kosztu kampanii z systemu reklamowego, i nie musi niczego sklejać ręcznie. Pytanie, który wariant promować, ma odpowiedź w minutę, a nie po dniu uzgadniania arkuszy. Nowy produkt wchodzi do sprzedaży z kompletem identyfikatorów, więc od pierwszego dnia jest poprawnie raportowany.
To rzadko robi wrażenie na prezentacji, bo nie ma tu spektakularnego dashboardu. Wartość polega na tym, czego nie widać: zniknięciu cotygodniowych dyskusji o tym, czyja liczba jest prawdziwa, i decyzjach podejmowanych szybciej, bo dane przestały być przedmiotem sporu.
Od czego zacząć
Nie trzeba kupować systemu MDM, żeby ruszyć z miejsca. Wystarczy mała, kontrolowana mapa najważniejszych produktów, a do niej reguły dla nowych pozycji i QA eventów GA4. Efekt biznesowy jest szybki: mniej ręcznego sklejania arkuszy, trafniejsza ocena kampanii i większa pewność przy decyzjach o asortymencie. Pomocne będą słownik identyfikatorów, planer taksonomii GA4 i audytor GA4, a całość spina hub Data Governance. Gdy dane produktowe wpływają na budżet reklamowy, marżę i zatowarowanie, warto rozważyć diagnozę Data Governance.