AI w analityce marketingowej: Jak zamienić dane w decyzje - Framework D.A.T.A. i 12 gotowych promptów

87% marketerów zbiera dane. 35% je analizuje. Tylko 8% podejmuje na ich podstawie strategiczne decyzje (Gartner).

Przeczytaj to jeszcze raz. Osiem procent.

Mamy epidemię “data rich, insight poor”. Twój GA4 ma 47 raportów. Meta Ads Manager generuje ponad 200 metryk. Google Ads dorzuca kolejne 150. CRM, e-mail, social media - dane lecą ze wszystkich stron. A Ty i tak spędzasz 4 godziny na raporcie, który szef przegląda 2 minuty. Znam to. Robiłem to.

Ten artykuł to koniec tego szaleństwa.

Pokażę Ci autorski framework D.A.T.A., 12 gotowych promptów do skopiowania i porównanie, które AI najlepiej analizuje Twoje dane marketingowe. Wszystko przetestowane na realnych kampaniach, nie na slajdach z konferencji.

Wariant B - dla tych, którzy śledzą bloga:

Przez ostatnie miesiące pokazywałem Ci, CO robić w marketingu z AI - kanały, narzędzia, platformy. JAK to robić - frameworki CRISP, AIMS, JTBD. I DLACZEGO - strategia, System Operacyjny Marketera. Brakowało jednego artykułu. Tego, który odpowiada na pytanie: skąd wiem, że to działa?

Dziś zamykamy tę pętlę.

Czym jest analityka marketingowa z AI

Zanim przejdziemy do frameworka i promptów, ustalmy definicję. Bo “analityka z AI” dla jednych oznacza dashboard w Looker Studio, a dla innych - wrzucenie screenshota do ChatGPT z pytaniem “co tu widzisz?”. Żadne z tych podejść nie jest tym, o czym mówię.

Analityka marketingowa z AI to proces wykorzystania sztucznej inteligencji do automatycznego zbierania, przetwarzania, interpretowania i wizualizowania danych marketingowych - przekształcając surowe metryki w strategiczne insighty i rekomendacje działania, które człowiek może wdrożyć natychmiast.

Kluczowe słowa: strategiczne insighty i rekomendacje działania. Nie kolejny wykres. Nie kolejna tabela z CTR. Odpowiedź na pytanie: co mam zrobić jutro rano?

Stara analityka vs nowa analityka

Wymiar	Tradycyjna analityka	Analityka z AI
Czas raportu	4-8 godzin	15-30 minut
Głębokość	Metryki powierzchowne (CTR, CPC)	Wielowarstwowe insighty + korelacje
Częstotliwość	Tygodniowo/miesięcznie	Real-time / dziennie
Perspektywa	Co się stało (przeszłość)	Co się stanie i co zrobić (przyszłość)
Wymagane umiejętności	SQL, Excel, data viz	Prompt engineering + myślenie strategiczne
Skalowanie	Liniowe (więcej danych = więcej czasu)	Sublinearne (10x danych ≠ 10x czasu)

Przeczytaj ostatni wiersz jeszcze raz. To jest fundamentalna zmiana. W tradycyjnej analityce podwojenie danych oznacza podwojenie pracy. W analityce z AI - oznacza lepsze wnioski przy podobnym nakładzie czasu.

A mimo to? Tylko 6% marketerów w pełni wdrożyło AI w swoje procesy analityczne (Supermetrics, 2026). 80% czuje presję na adopcję. 50% używa AI głównie do contentu, bo to łatwiejsze. Zaledwie 35% używa AI do reportingu. Data & analytics to luka kompetencyjna numer jeden wśród marketerów - drugi rok z rzędu (Marketing Week + AMA).

Ten artykuł ma zamknąć tę lukę.

4 poziomy analityki z AI

Nie każda analiza jest taka sama. Istnieją 4 poziomy analityki - od prostego raportowania po rekomendacje strategiczne. Większość marketerów utknęła na poziomie 1. Framework D.A.T.A., który za chwilę poznasz, prowadzi Cię przez wszystkie cztery.

Poziom	Nazwa	Pytanie	Przykład marketingowy	Najlepsze narzędzie
1	Deskryptywna	”Co się stało?”	Raport kampanii, dashboard KPI	Claude Sonnet + CSV
2	Diagnostyczna	”Dlaczego się stało?”	Analiza spadku konwersji, root cause	Claude Opus (CoT)
3	Predykcyjna	”Co się stanie?”	Prognoza ROAS, churn prediction	GA4 Predictive / Gemini
4	Preskrypcyjna	”Co powinienem zrobić?”	Rekomendacja alokacji budżetu	Claude Opus + pełny kontekst

Gdzie jest większość marketerów? Na poziomie 1. Generują raporty. Wklejają dane do PowerPointa. Dodają strzałki w górę (zielone) i w dół (czerwone). Szef kiwa głową. Nikt nic z tym nie robi.

Gdzie jest prawdziwa wartość? Na poziomach 3 i 4. Predykcja i preskrypcja. I tu AI robi największą różnicę.

Ciekawy fakt: Meta Advantage+ to jeden z niewielu w pełni preskrypcyjnych systemów AI w marketingu. Sam analizuje dane, prognozuje wyniki i rekomenduje (a nawet wdraża) zmiany. Efekt? 22% wyższy ROAS vs kampanie manualne. Pisałem o tym szczegółowo w artykule o AI w performance marketingu.

Framework D.A.T.A. - Twój system analizy danych z AI

Po miesiącach testowania różnych podejść do analizy danych z AI wypracowałem framework, który nazywam D.A.T.A. To akronim od czterech faz: Detect, Analyze, Transform, Act. Framework jest sekwencyjny - każda faza buduje na poprzedniej. Pominięcie kroku oznacza słabsze wyniki.

  SUROWE DANE ──► [D]etect ──► [A]nalyze ──► [T]ransform ──► [A]ct
                   │              │               │              │
              Anomalie        Przyczyny      Rekomendacje    Wdrożenie
              Wzorce          Root cause     Priorytety      Pomiar
              Trendy          Hipotezy       Impact/Effort   Iteracja
                                                                │
                   ◄────────────── FEEDBACK LOOP ───────────────┘

Zauważ pętlę zwrotną. To nie jest proces liniowy - to cykl. Wyniki z fazy Act wracają jako nowe dane do fazy Detect. I tak w kółko. Ciągłe doskonalenie.

D - Detect (Wykryj)

Cel: AI skanuje surowe dane i identyfikuje to, czego ludzkie oko nie zauważy - anomalie, wzorce, korelacje, trendy.

To jest faza, w której AI błyszczy najbardziej. Człowiek patrzy na tabelę z 500 wierszami i widzi… tabelę. AI widzi, że konwersje z mobile spadły o 23% w czwartki po godzinie 18:00, a CPC na frazach brandowych wzrosło o 40% w porównaniu do zeszłego miesiąca.

Gotowy prompt - D.A.T.A. Detect:

KONTEKST:
Jestem marketerem odpowiedzialnym za kampanie [typ: e-commerce/lead gen/SaaS]
w branży [branża]. Załączam dane z ostatnich [okres: 7/14/30/90 dni]
z [źródło: GA4/Meta Ads/Google Ads/CRM].

ROLA:
Działaj jako Senior Data Analyst specjalizujący się w marketingu cyfrowym.
Twoja siła to identyfikacja wzorców i anomalii, które umykają ludzkiemu oku.

INSTRUKCJE:
Przeskanuj załączone dane i zidentyfikuj:
1. ANOMALIE - metryki z odchyleniem >15% od średniej
2. WZORCE - powtarzające się trendy (dzień tygodnia, pora dnia, urządzenie)
3. KORELACJE - związki między metrykami (np. wzrost CPC = spadek konwersji)
4. TRENDY - kierunki zmian w czasie (rosnące, malejące, cykliczne)

Dla każdego znaleziska podaj:
- Co dokładnie wykryłeś (liczby, procenty)
- Skala odchylenia od normy
- Ocena priorytetu: KRYTYCZNY / WAŻNY / DO OBSERWACJI

SZCZEGÓŁY:
- Nie interpretuj jeszcze przyczyn - to następny krok
- Skup się na faktach i liczbach
- Sortuj wg priorytetu (najważniejsze pierwsze)

FORMAT:
Tabela z kolumnami: Znalezisko | Dane | Odchylenie | Priorytet

Kiedy używać: Na początku każdej analizy. Tygodniowo jako rutyna. Natychmiast po zauważeniu spadku wyników.

A - Analyze (Diagnozuj)

Cel: Dla każdej anomalii i wzorca z fazy Detect - znajdź przyczynę. Root cause analysis. Nie “co”, ale “dlaczego”.

Tu wchodzi Chain-of-Thought prompting. Wymuszasz na AI myślenie krok po kroku, co dramatycznie podnosi jakość diagnozy. Bez CoT AI przeskakuje do generycznych odpowiedzi typu “popraw targetowanie”. Z CoT - analizuje każdą hipotezę systematycznie.

Gotowy prompt - D.A.T.A. Analyze:

KONTEKST:
Na podstawie analizy danych (faza Detect) zidentyfikowałem następujące
anomalie i wzorce:

[WKLEJ WYNIKI Z FAZY DETECT]

Dodatkowy kontekst biznesowy:
- Sezon/okres: [np. post-świąteczny, back to school, wyprzedaże]
- Ostatnie zmiany w kampaniach: [co zmieniałeś w ostatnich 14 dniach]
- Zmiany na rynku: [np. nowy konkurent, zmiana algorytmu]
- Zmiany produktowe: [np. nowy produkt, zmiana cen]

ROLA:
Działaj jako Marketing Diagnostician. Myśl jak lekarz - nie lecz
objawów, znajdź przyczynę choroby.

INSTRUKCJE:
Dla KAŻDEJ anomalii z fazy Detect przeprowadź analizę root cause
KROK PO KROKU:

1. Sformułuj 3 hipotezy wyjaśniające anomalię
2. Dla każdej hipotezy oceń prawdopodobieństwo (niskie/średnie/wysokie)
   i podaj uzasadnienie
3. Wskaż, jakie dodatkowe dane potwierdziłyby lub obaliły każdą hipotezę
4. Wybierz najbardziej prawdopodobną przyczynę i uzasadnij wybór

SZCZEGÓŁY:
- Myśl krok po kroku (Chain-of-Thought)
- Uwzględnij kontekst biznesowy i sezonowość
- Szukaj powiązań między anomaliami (jedna przyczyna, wiele objawów)
- Odróżniaj korelację od przyczynowości

FORMAT:
Dla każdej anomalii: Anomalia → Hipotezy (3) → Analiza → Diagnoza

T - Transform (Przekształć)

Cel: Zamienić diagnozy w konkretne, priorytetyzowane rekomendacje. Nie “co robić”, ale “co robić NAJPIERW”.

To faza, której brakuje w 90% raportów marketingowych. Masz diagnozę. Masz listę problemów. Ale bez priorytetyzacji - robisz wszystko naraz, czyli nic porządnie.

Framework D.A.T.A. używa macierzy Impact/Effort: wysoki wpływ + niski wysiłek = rób natychmiast.

Gotowy prompt - D.A.T.A. Transform:

KONTEKST:
Na podstawie analizy root cause (faza Analyze) zdiagnozowałem
następujące przyczyny problemów:

[WKLEJ WYNIKI Z FAZY ANALYZE]

Moje zasoby:
- Budżet na zmiany: [ile]
- Zespół: [ile osób, jakie kompetencje]
- Czas na wdrożenie: [ile mam czasu]

ROLA:
Działaj jako Marketing Strategy Consultant. Twoje rekomendacje muszą
być konkretne, mierzalne i priorytetyzowane.

INSTRUKCJE:
1. Dla każdej zdiagnozowanej przyczyny zaproponuj 1-2 konkretne działania
   naprawcze
2. Każde działanie oceń w macierzy Impact/Effort:
   - Impact: niski (1) / średni (2) / wysoki (3)
   - Effort: niski (1) / średni (2) / wysoki (3)
3. Posortuj rekomendacje: najpierw wysoki impact + niski effort
4. Dla top 3 rekomendacji dodaj:
   - Konkretne kroki wdrożenia (max 5 kroków)
   - Metrykę sukcesu (co mierzysz, jaki target)
   - Timeline (kiedy spodziewać się wyników)

SZCZEGÓŁY:
- Rekomendacje MUSZĄ być konkretne (nie "popraw kreacje", ale
  "stwórz 5 wariantów nagłówków z social proof, testuj przez 7 dni")
- Uwzględnij moje zasoby i ograniczenia
- Każda rekomendacja powinna mieć jednego "właściciela"

FORMAT:
Macierz priorytetyzacji (tabela) + Top 3 action plans

A - Act (Wdróż)

Cel: Zamknięcie pętli. Plan wdrożenia z konkretnymi metrykami sukcesu i mechanizmem pomiaru. Bez tej fazy - rekomendacje zbierają kurz.

Gotowy prompt - D.A.T.A. Act:

KONTEKST:
Na podstawie fazy Transform mam następujące priorytetowe rekomendacje
do wdrożenia:

[WKLEJ TOP 3 REKOMENDACJE Z FAZY TRANSFORM]

ROLA:
Działaj jako Marketing Operations Manager. Tworzysz plany wdrożenia,
które są jasne, mierzalne i pilnują terminów.

INSTRUKCJE:
Dla każdej z top 3 rekomendacji stwórz plan wdrożenia:

1. DZIAŁANIE: Co dokładnie zrobić (krok po kroku)
2. KTO: Kto jest odpowiedzialny
3. KIEDY: Deadline wdrożenia
4. JAK MIERZYĆ: Konkretna metryka + target + narzędzie pomiaru
5. CHECKPOINT: Kiedy oceniamy wyniki (data)
6. PLAN B: Co robimy, jeśli nie zadziała

Dodatkowo:
7. Tracking plan - jakie eventy/UTM-y/tagi dodać do pomiaru
8. Test A/B - jeśli to możliwe, zaproponuj strukturę testu
9. Raport kontrolny - co powinien zawierać, kiedy go generować

FORMAT:
3 karty projektowe (po jednej na rekomendację)
+ Tracking plan
+ Harmonogram checkpointów

Pełen cykl D.A.T.A. na jednym zestawie danych zajmuje 15-30 minut. Ręcznie? Minimum 4-8 godzin. I wynik jest lepszy, bo AI nie pomija danych i nie ma confirmation bias.

Które AI najlepiej analizuje dane? ChatGPT vs Claude vs Gemini

Trzy główne modele AI. Trzy różne siły. Wybór zależy od tego, co analizujesz i czego potrzebujesz. Oto moje porównanie po miesiącach testów na realnych danych marketingowych.

Pełne porównanie tych trzech narzędzi (nie tylko do analityki) znajdziesz w moim dedykowanym artykule: ChatGPT vs Claude vs Gemini dla marketerów. Tu skupiam się stricte na analizie danych.

Kryterium	ChatGPT (GPT-5.2)	Claude (Opus 4.5)	Gemini 3 Pro
Analiza CSV/Excel	9/10 (Code Interpreter, Python)	8/10 (Analysis Tool)	8/10 (Sheets natywny)
Wizualizacja danych	9/10 (wykresy interaktywne)	6/10 (Artifacts, statyczne)	8/10 (natywne w Sheets)
Okno kontekstu	128K tokenów	200K-1M tokenów	~1M tokenów
Halucynacje w danych	~6%	~3% (najniższe!)	~6%
Rozumowanie CoT	8/10	10/10 (Extended Thinking)	8/10
Koszt (plan Pro)	$20/mies.	$20/mies.	$19.99/mies.
Najlepsze zastosowanie	Obliczenia, wykresy, analiza numeryczna	Głębokie analizy, raporty, niska halucynacja	Ekosystem Google, Sheets, BigQuery

Kluczowe różnice w praktyce:

ChatGPT - król wizualizacji. Code Interpreter uruchamia Python w tle, rysuje wykresy, liczy statystyki. Jeśli potrzebujesz ładnych wykresów do prezentacji - tu.

Claude - król rozumowania. Extended Thinking w Claude Opus to coś, czego pozostałe modele nie mają na tym poziomie. Najniższy wskaźnik halucynacji (~3%) oznacza, że możesz bardziej ufać liczbom. Idealne do fazy Analyze w D.A.T.A. Jeśli chcesz zrozumieć, jak działa CoT w praktyce, przeczytaj mój artykuł o Chain-of-Thought prompting.

Gemini - król ekosystemu Google. Natywna integracja z Sheets, GA4, BigQuery. Jeśli Twoje dane żyją w Google - to jest Twoje narzędzie.

Decision tree - które AI wybrać?

Dane z Google (GA4, BigQuery, Sheets)?
  ├─ TAK ──────────────────────── Gemini 3 Pro
  └─ NIE → Potrzebujesz wykresów?
              ├─ TAK ──────────── ChatGPT (Code Interpreter)
              └─ NIE → Głębokość analizy?
                         ├─ STRATEGICZNA ── Claude Opus 4.5
                         └─ OPERACYJNA ──── Claude Sonnet 4

Moja rekomendacja? Dla frameworka D.A.T.A. używam:

Detect - Claude Sonnet (szybki, tani, wystarczająco dokładny)
Analyze - Claude Opus (Extended Thinking, głęboka diagnoza)
Transform - Claude Opus (rekomendacje strategiczne)
Act - Claude Sonnet (plan wdrożenia, formatowanie)

Dlaczego głównie Claude? Bo przy analizie danych marketingowych halucynacje są nie do zaakceptowania. Wolę model, który mówi “nie mam wystarczających danych, żeby to ocenić”, niż model, który wymyśla liczby. A 47% użytkowników AI podjęło już decyzję biznesową na podstawie halucynacji (Deloitte). Nie chcę być w tej grupie. I Ty też nie chcesz.

Workflow - raport kampanii w 15 minut

Dość teorii. Oto dokładny, krok po kroku workflow, który stosuję do generowania raportów kampanii. 15 minut od surowych danych do gotowego raportu z rekomendacjami.

Krok	Czas	Działanie	Narzędzie
1	2 min	Eksport danych z GA4 / Meta Ads / Google Ads	Platformy reklamowe
2	1 min	Upload CSV + prompt Detect	Claude Sonnet
3	3 min	Analiza anomalii + root cause (Analyze)	Claude Opus
4	3 min	Rekomendacje + priorytetyzacja (Transform)	Claude Opus
5	3 min	Plan wdrożenia + metryki sukcesu (Act)	Claude Opus
6	3 min	Formatowanie raportu + executive summary	Claude Sonnet
TOTAL	15 min	Pełen raport D.A.T.A.

Porównaj to z tradycyjnym workflow: eksport danych (30 min), ręczna analiza w Excelu (2h), tworzenie prezentacji (1h), pisanie wniosków (1h). 6-8x szybciej. AI oszczędza marketerom średnio 5+ godzin tygodniowo - to ponad 260 godzin rocznie. Przy stawce 150 PLN/h to 39 000 PLN wartości odzyskanego czasu.

5 błędów AI analytics - czego NIE robić

Zanim zaczniesz, przestroga. Te błędy widzę najczęściej:

1. Wrzucanie danych bez kontekstu biznesowego. AI nie wie, że miałeś awarię serwera we wtorek. Nie wie, że za 2 tygodnie lansujesz nowy produkt. Nie wie, że Twoja branża ma sezonowość. Zawsze dodawaj kontekst.

2. Ufanie liczbom bez weryfikacji. AI może policzyć 2+2=5. Serio. Sprawdzaj kluczowe obliczenia. Szczególnie wartości procentowe i średnie ważone.

3. Pomijanie etapu Act. 90% raportów kończy się na “rekomendacjach”. Nikt ich nie wdraża. Framework D.A.T.A. wymusza zamknięcie pętli.

4. Porównywanie różnych przedziałów czasowych. Porównujesz luty (28 dni) ze styczniem (31 dni) i dziwisz się, że “wyniki spadły”. AI tego nie wyłapie, jeśli mu nie powiesz.

5. Automatyzowanie decyzji strategicznych. AI rekomenduje. Ty decydujesz. Nie automatyzuj budżetów strategicznych na podstawie jednej analizy AI. To narzędzie wspomagające, nie autopilot. Więcej o roli człowieka w pętli AI znajdziesz w artykule o AI Power User.

12 gotowych promptów do analityki marketingowej

To jest sekcja, dla której warto bookmarkować ten artykuł. 12 promptów gotowych do skopiowania, pogrupowanych tematycznie. Każdy zbudowany w formacie CRISP.

Prompty raportowe (poziom 1-2)

Prompt 1: Dashboard KPI - podsumowanie tygodniowe Narzędzie: Claude Sonnet

KONTEKST:
Jestem marketing managerem odpowiedzialnym za [kanały]. Załączam dane
z ostatniego tygodnia [daty]. Poprzedni tydzień do porównania: [daty].
Cele miesięczne: [wymień KPI i targety].

ROLA:
Senior Marketing Analyst tworzący executive summary dla zarządu.

INSTRUKCJE:
1. Porównaj wyniki bieżącego tygodnia z poprzednim (WoW)
2. Porównaj wyniki z targetami miesięcznymi (% realizacji)
3. Wyróżnij top 3 metryki "na zielono" i top 3 "na czerwono"
4. Napisz executive summary w 3-5 zdaniach
5. Zaproponuj 1-2 quick wins na następny tydzień

SZCZEGÓŁY:
- Format: Executive summary + tabela KPI + quick wins
- Ton: zwięzły, data-driven, zorientowany na działanie
- Używaj emoji-flag: zielone/czerwone dla trendów
- Max 400 słów

CEL: Tygodniowy raport do przeglądu w 2 minuty.

Prompt 2: Analiza kohorty retencji Narzędzie: Claude Sonnet

KONTEKST:
Mam dane kohortowe użytkowników/klientów z ostatnich [X] miesięcy.
Format: kohorta (miesiąc pozyskania) x miesiąc od pozyskania
x metryka retencji [aktywność/zakupy/logowania].

Branża: [branża]. Model biznesowy: [SaaS/e-commerce/subskrypcja].

ROLA:
Retention Analyst specjalizujący się w [branża].

INSTRUKCJE:
1. Oblicz wskaźniki retencji dla każdej kohorty (miesiąc 1, 3, 6, 12)
2. Porównaj kohorty - która ma najlepszą/najgorszą retencję?
3. Zidentyfikuj "moment odpływu" - kiedy tracisz najwięcej?
4. Znajdź korelacje: co łączy kohorty z najlepszą retencją?
   (kanał pozyskania? sezon? kampania?)
5. Zaproponuj 3 działania poprawiające retencję

SZCZEGÓŁY:
- Wizualizuj jako heatmapę kohortową (tabela z kolorami)
- Benchmarki retencji dla mojej branży
- Skup się na "aha moment" - kiedy użytkownik zostaje na stałe

CEL: Zrozumieć, dlaczego klienci odchodzą i jak ich zatrzymać.

Prompt 3: Diagnoza spadku konwersji Narzędzie: Claude Opus (Extended Thinking / CoT)

KONTEKST:
Zaobserwowałem spadek konwersji o [X]% w okresie [daty].
Dotyczy: [kanał/kampania/cała strona].
Załączam dane z okresu spadku i okresu referencyjnego.

Zmiany, które wprowadziliśmy w tym okresie:
- [Zmiana 1]
- [Zmiana 2]
- [Brak zmian - jeśli nie było]

Czynniki zewnętrzne:
- [Sezonowość, święta, pogoda, konkurencja]

ROLA:
Marketing Diagnostician. Myśl jak detektyw - szukaj dowodów,
nie zgaduj.

INSTRUKCJE:
Przeprowadź analizę root cause KROK PO KROKU:

1. Rozbij lejek konwersji na etapy i wskaż, GDZIE dokładnie
   występuje spadek (ruch? CTR? bounce? add to cart? checkout?)
2. Segmentuj spadek: urządzenie, źródło ruchu, geografia,
   dzień tygodnia, pora dnia
3. Dla każdego segmentu z anomalią sformułuj hipotezę przyczyny
4. Oceń prawdopodobieństwo każdej hipotezy (niskie/średnie/wysokie)
5. Zaproponuj test weryfikujący dla top 3 hipotez
6. Wskaż najbardziej prawdopodobną przyczynę

SZCZEGÓŁY:
- Nie przeskakuj do wniosków - pokaż tok rozumowania
- Uwzględnij zarówno czynniki wewnętrzne, jak i zewnętrzne
- Jeśli dane są niewystarczające, powiedz, czego jeszcze potrzebujesz

CEL: Znaleźć przyczynę spadku i zaproponować test weryfikujący.

Prompt 4: Cross-channel Attribution Narzędzie: Claude Opus (CoT)

KONTEKST:
Prowadzę kampanie w [X] kanałach jednocześnie:
- [Kanał 1]: budżet [X], konwersje [Y], ROAS [Z]
- [Kanał 2]: budżet [X], konwersje [Y], ROAS [Z]
- [Kanał 3]: budżet [X], konwersje [Y], ROAS [Z]

GA4 pokazuje dane z last-click attribution.
Mam też dane z modelu data-driven attribution.

ROLA:
Attribution Analyst z doświadczeniem w multi-channel marketingu.

INSTRUKCJE:
1. Porównaj wyniki kanałów w modelu last-click vs data-driven
2. Zidentyfikuj kanały "asystujące" (inicjujące ścieżki konwersji)
3. Oceń, czy obecna alokacja budżetu jest optymalna
4. Zaproponuj realokację budżetu z uzasadnieniem
5. Wskaż ryzyka realokacji (np. spadek awareness)

SZCZEGÓŁY:
- Uwzględnij różne role kanałów (awareness vs consideration vs conversion)
- Nie optymalizuj tylko pod last-click ROAS
- Wskaż kanały, które są niedofinansowane i przefinansowane

CEL: Optymalny podział budżetu między kanałami.

Prompty D.A.T.A. Framework (poziom 2-4)

Prompt 5-8 to prompty z sekcji frameworka D.A.T.A. powyżej (Detect, Analyze, Transform, Act). Skopiuj je stamtąd - są kompletne i gotowe do użycia.

Prompty strategiczne (poziom 3-4)

Prompt 9: Raport kampanii all-in-one Narzędzie: Claude Opus

KONTEKST:
Załączam kompletne dane kampanii [nazwa] z okresu [daty].
Platforma: [Meta/Google/LinkedIn].
Cel kampanii: [konwersje/leady/awareness].
Budżet: [kwota]. Branża: [branża]. Grupa docelowa: [opis].

Kontekst biznesowy:
- Sezon: [np. Q1, wyprzedaże, back to school]
- Cele na okres: [konkretne KPI + targety]
- Benchmarki branżowe: [jeśli masz]

ROLA:
Senior Performance Marketing Strategist z 10+ lat doświadczenia.
Nie raportuj - analizuj. Nie opisuj - rekomenduj.

INSTRUKCJE:
Przeprowadź pełną analizę D.A.T.A.:

DETECT:
1. Przeskanuj wszystkie metryki, wykryj anomalie i wzorce
2. Porównaj z benchmarkami branżowymi

ANALYZE:
3. Dla top 3 anomalii przeprowadź root cause analysis (CoT)
4. Zidentyfikuj "wycieki" w lejku konwersji

TRANSFORM:
5. Zaproponuj 5 rekomendacji w macierzy Impact/Effort
6. Priorytetyzuj - co robić najpierw?

ACT:
7. Plan wdrożenia top 3 rekomendacji (kto, co, kiedy, jak mierzyć)

SZCZEGÓŁY:
- Executive summary na początku (max 200 słów)
- Konkretne liczby, nie ogólniki
- Rekomendacje typu "zwiększ budżet kampanii X o 20%",
  nie "zoptymalizuj budżet"
- Dodaj sekcję "ryzyka i zastrzeżenia"

FORMAT:
1. Executive Summary
2. Dashboard KPI (tabela)
3. Analiza D.A.T.A. (4 sekcje)
4. Action Plan
5. Ryzyka

CEL: Kompletny raport gotowy do wysłania stakeholderom.

Prompt 10: Prognoza ROAS Narzędzie: Gemini / Claude Opus

KONTEKST:
Załączam historyczne dane kampanii z ostatnich [6/12] miesięcy:
- Miesięczne wydatki, konwersje, przychody, ROAS
- Sezonowość branży: [opis cyklów]
- Planowany budżet na kolejne [3] miesiące: [kwoty]

ROLA:
Predictive Analytics Specialist w marketingu digital.

INSTRUKCJE:
1. Zidentyfikuj trendy i wzorce sezonowe w danych historycznych
2. Na podstawie trendów prognozuj ROAS na kolejne 3 miesiące
3. Podaj prognozę w 3 scenariuszach:
   - Optymistyczny (górna granica)
   - Bazowy (najbardziej prawdopodobny)
   - Pesymistyczny (dolna granica)
4. Wskaż czynniki, które mogą wpłynąć na realizację każdego scenariusza
5. Zaproponuj targetowy ROAS i budżet optymalny

SZCZEGÓŁY:
- Zaznacz ograniczenia prognozy (niepewność rośnie z czasem)
- Uwzględnij diminishing returns (więcej budżetu ≠ liniowo wyższy ROAS)
- Porównaj z benchmarkami branżowymi

CEL: Realistyczna prognoza do planowania budżetu.

Prompt 11: Segmentacja klientów RFM Narzędzie: Claude Opus

KONTEKST:
Załączam dane transakcyjne klientów [CSV] z ostatnich [12] miesięcy.
Kolumny: customer_id, transaction_date, transaction_value.
Liczba klientów: [X]. Branża: [branża].

ROLA:
CRM Analyst specjalizujący się w segmentacji behawioralnej.

INSTRUKCJE:
1. Przeprowadź analizę RFM:
   - Recency: kiedy ostatni zakup (dni)
   - Frequency: ile zakupów w okresie
   - Monetary: łączna wartość zakupów
2. Podziel klientów na segmenty (scoring 1-5 dla każdego wymiaru):
   - Champions (5-5-5): najlepsi klienci
   - Loyal (4-4-4+): lojalni, regularne zakupy
   - Potential Loyalists (3-3+): obiecujący
   - At Risk (2-3-3+): dawniej aktywni, teraz cichną
   - Lost (1-1-X): straceni
3. Dla każdego segmentu zaproponuj:
   - Strategię komunikacji
   - Typ kampanii (retencja, win-back, upsell, cross-sell)
   - Przykładowy komunikat
   - Priorytet (budżet i uwaga)

SZCZEGÓŁY:
- Podaj wielkość każdego segmentu (% bazy)
- Oblicz CLV (Customer Lifetime Value) per segment
- Wskaż, który segment ma największy potencjał wzrostu

CEL: Segmentacja do personalizacji kampanii marketingowych.

Segmentacja RFM to fundament hiperpersonalizacji i skutecznego AI email marketingu. Bez niej personalizujesz na ślepo.

Prompt 12: Audyt marketingowy - pełna analiza Narzędzie: Claude Opus

KONTEKST:
Przeprowadzam kwartalny audyt efektywności marketingu.
Załączam dane ze WSZYSTKICH kanałów za ostatni kwartał:
- Paid: [Meta Ads, Google Ads, LinkedIn Ads - dane per kanał]
- Organic: [SEO - ruch organiczny, pozycje, konwersje]
- Email: [open rate, CTR, konwersje, lista]
- Social: [engagement, reach, follower growth]
- Content: [traffic per artykuł, konwersje z contentu]

Cele kwartalne: [wymień]
Budżet kwartalny: [kwota] + podział per kanał

ROLA:
CMO-level Marketing Auditor. Patrzysz na big picture,
nie na pojedyncze kampanie.

INSTRUKCJE:
1. PERFORMANCE OVERVIEW:
   - Który kanał generuje najlepszy ROI?
   - Który kanał jest przefinansowany vs niedofinansowany?
   - Jaki % celów kwartalnych zrealizowano?

2. CHANNEL-BY-CHANNEL ANALYSIS:
   - Top 3 insighty per kanał
   - Benchmarki vs branża
   - Trend QoQ (vs poprzedni kwartał)

3. CROSS-CHANNEL SYNERGIES:
   - Które kanały wzmacniają się wzajemnie?
   - Gdzie są silosy (kanały nie współpracujące)?

4. STRATEGIC RECOMMENDATIONS:
   - Top 5 rekomendacji na następny kwartał
   - Proponowany podział budżetu
   - Nowe kanały/taktyki do przetestowania

5. RYZYKA I SZANSE:
   - Co może pójść nie tak?
   - Jakie okazje rynkowe widzisz?

SZCZEGÓŁY:
- Executive summary na początku (max 300 słów)
- Tabele porównawcze per kanał
- Konkretne liczby i procenty
- Rekomendacje z priorytetem i timeline

CEL: Kwartalny raport strategiczny dla zarządu.

Mapa źródeł danych marketera

Zanim wrzucisz dane do AI, musisz wiedzieć, skąd je wziąć i w jakim formacie. Oto kompletna mapa:

Źródło	Typ danych	Format eksportu	Najlepsze AI	Co wyciągniesz
GA4	Ruch, konwersje, ścieżki	CSV, BigQuery	Gemini, Claude	Zachowania, attribution, lejki
Meta Ads	Kampanie, kreacje, audience	CSV, API	Claude, ChatGPT	ROAS, audience insights, creative performance
Google Ads	Kampanie, keywords, aukcje	CSV, API	Gemini, Claude	Quality Score, bid strategy, search terms
CRM	Leady, pipeline, deals	CSV, API	Claude	CLV, lead scoring, sales velocity
Email (GetResponse/Mailchimp)	Open rate, CTR, lista	CSV	Claude	Engagement patterns, churn risk
Social media	Engagement, reach, followers	CSV, API	Claude, ChatGPT	Content performance, best posting times
Heatmapy (Hotjar)	UX, click maps, scroll	Screenshot	ChatGPT (Vision)	UX bottlenecks, conversion blockers

Pro tip: Eksportuj do CSV, nie do screenshotów. AI analizuje surowe dane 10x lepiej niż obrazki dashboardów. Jedyny wyjątek - heatmapy, gdzie wizualny format jest kluczowy.

Pro tip 2: Łącz źródła. Najcenniejsze insighty powstają na styku danych. Kampania Meta Ads + dane GA4 o zachowaniu na stronie + dane CRM o jakości leadów = pełny obraz. Każde źródło osobno to kawałek puzzla.

Więcej o budowaniu zintegrowanego ekosystemu danych znajdziesz w artykule o social media marketingu z AI (sekcja o danych) oraz o email marketingu z AI.

Automatyzacja analityki z agentami AI

Framework D.A.T.A. działa świetnie manualnie. Ale prawdziwa magia zaczyna się, gdy go zautomatyzujesz.

Tygodniowy cykl analityczny

Oto cykl, który rekomenduję:

Poniedziałek - Detect Agent AI automatycznie pobiera dane z wszystkich platform za ostatni tydzień. Uruchamia prompt Detect. Wysyła alert na Slacka z listą anomalii i wzorców. Ty przeglądasz w 5 minut.

Środa - Analyze Dla anomalii oznaczonych jako KRYTYCZNE i WAŻNE - agent uruchamia prompt Analyze. Generuje hipotezy i root cause analysis. Ty weryfikujesz i dodajesz kontekst biznesowy (10 minut).

Piątek - Act Agent generuje tygodniowy raport z rekomendacjami (Transform) i planem wdrożenia (Act). Ty przeglądasz, zatwierdzasz i delegujesz. Weekend spokojny.

Jak to zbudować?

Narzędzia: Make.com lub n8n + Claude API.

[Poniedziałek 7:00]
  │
  ▼
Trigger (Schedule) → Pull danych (GA4 API + Meta API + Google Ads API)
  │
  ▼
Agregacja danych → Claude Sonnet API (prompt Detect)
  │
  ▼
IF anomalie KRYTYCZNE → Slack alert natychmiastowy
IF anomalie WAŻNE → Dodaj do kolejki na środę
IF brak anomalii → Raport "Wszystko OK" na Slacka

Szczegółowy poradnik budowania takich workflow znajdziesz w moim artykule o automatyzacji marketingu z AI. A jeśli chcesz pójść dalej - wieloagentowe systemy z orkiestracją opisuję w artykule o zespołach agentów AI.

Koszt? Make Pro (~80 PLN/msc) + Claude API (~30-60 PLN/msc) = 110-140 PLN miesięcznie za w pełni zautomatyzowaną analitykę. Przy oszczędności 5+ godzin tygodniowo ROI jest absurdalny.

Średni ROI z wdrożenia AI w marketing to 300% w ciągu 6 miesięcy. A 74% marketerów z AI segmentacją zaobserwowało wzrost konwersji. To nie są moje liczby - to dane branżowe.

Compliance - RODO i prywatność danych w AI analytics

Zanim zaczniesz wrzucać dane klientów do ChatGPT, przeczytaj tę sekcję. Poważnie.

77% pracowników wkleiło dane firmowe do narzędzi AI. 82% z nich - na kontach prywatnych, nie firmowych. To nie jest statystyka - to tykająca bomba compliance.

Co NIE wolno wrzucać do AI

Dane PII (Personally Identifiable Information): imiona, e-maile, numery telefonów, adresy klientów
Dane finansowe klientów: historia transakcji z identyfikatorami osobowymi
Dane medyczne, biometryczne, rasowe (kategorie szczególne RODO)
Wewnętrzne dane strategiczne firmy (na kontach prywatnych)

Co MOŻNA wrzucać (bezpiecznie)

Dane zagregowane: “CTR kampanii X = 2,3%” - OK
Dane zanonimizowane: customer_id zamiast imienia i nazwiska - OK
Dane publiczne: benchmarki branżowe, dane z raportów publicznych - OK
Metryki kampanii: wydatki, kliknięcia, konwersje (bez PII) - OK

Rekomendacje bezpieczeństwa

Używaj planów Enterprise (Claude for Business, ChatGPT Enterprise) - dane nie trenują modeli
Anonimizuj przed uploadem - zamień nazwiska na ID, usuń e-maile, usuń adresy
Zero PII - żadnych danych osobowych w promptach
Dokumentuj użycie AI - EU AI Act wymaga dokumentacji od sierpnia 2026

Pełny przewodnik po regulacjach AI, w tym timeline wdrożenia EU AI Act i checklistę zgodności, znajdziesz w moim artykule: EU AI Act dla marketerów.

FAQ - 10 najczęstszych pytań o AI w analityce marketingowej

1. Czy AI może zastąpić analityka marketingowego? Nie zastąpi, ale zmieni jego rolę. AI przejmie zbieranie danych, wykrywanie anomalii i generowanie raportów - zadania operacyjne. Analityk ewoluuje w stratega, który interpretuje insighty w kontekście biznesowym, podejmuje decyzje i nadzoruje jakość analiz AI. Rutynowe raportowanie znika. Myślenie strategiczne zostaje.

2. Jakie dane można bezpiecznie wrzucać do ChatGPT lub Claude? Dane zagregowane i zanonimizowane - metryki kampanii (CTR, CPC, ROAS), wydatki, wolumeny bez danych osobowych (PII). Nigdy nie wrzucaj imion, e-maili, adresów czy numerów telefonów klientów. Dla pełnego bezpieczeństwa używaj planów Enterprise, gdzie dane nie trenują modeli. Anonimizuj customer ID przed uploadem.

3. Ile kosztuje wdrożenie AI w analitykę? Od zera do kilkuset złotych miesięcznie. Claude Pro / ChatGPT Plus to ~85 PLN/msc. Automatyzacja przez Make + Claude API to ~130 PLN/msc. Pełny stack z Supermetrics, Make i Claude API to 200-500 PLN/msc. ROI pojawia się zazwyczaj w pierwszym miesiącu - 5+ godzin zaoszczędzonych tygodniowo przy stawce 150 PLN/h to 3000+ PLN wartości.

4. Czy AI popełnia błędy w analizie danych? Tak. Halucynacje w danych występują w ~3-6% przypadków, zależnie od modelu. Claude ma najniższy wskaźnik (~3%), ChatGPT i Gemini ~6%. Dlatego kluczowa zasada: weryfikuj kluczowe obliczenia, szczególnie wartości procentowe, średnie ważone i trendy. AI to asystent analityczny, nie wyrocznia.

5. Jak zacząć z AI w analityce bez doświadczenia z danymi? Zacznij od eksportu danych z jednej platformy (np. GA4 lub Meta Ads) do CSV. Wrzuć do Claude z promptem Detect z tego artykułu. Przeanalizuj wyniki. Powtórz. Nie musisz znać SQL ani Pythona - prompt engineering zastępuje te umiejętności. Framework D.A.T.A. prowadzi Cię krok po kroku.

6. Które narzędzie AI najlepiej integruje się z GA4? Gemini 3 Pro - natywna integracja z ekosystemem Google (GA4, BigQuery, Sheets). Możesz analizować dane GA4 bezpośrednio w Gemini bez eksportu. Dla głębszych analiz eksportuj do BigQuery i analizuj w Gemini lub Claude. Claude jest lepszy w interpretacji strategicznej, Gemini w operacyjnej integracji.

7. Jak często analizować dane kampanii z AI? Tygodniowy cykl D.A.T.A. to minimum: Detect w poniedziałek, Analyze w środę, Act w piątek. Dla kampanii o budżecie ponad 10 000 PLN/msc - codzienne skanowanie anomalii (zautomatyzowane). Dla kampanii strategicznych - miesięczny pełny audyt z promptem nr 12 z tego artykułu.

8. Czy mogę używać AI do analizy danych konkurencji? Tak, ale tylko danych publicznych: Meta Ad Library, Google Ads Transparency Center, publiczne profile social media, raporty branżowe. AI świetnie analizuje wzorce w komunikacji konkurencji, częstotliwość publikacji, typy kreacji. Nie używaj AI do analizy danych pozyskanych nielegalnymi metodami.

9. Jak mierzyć ROI z wdrożenia AI w analitykę? Formuła: (Wartość zaoszczędzonego czasu + Wartość lepszych decyzji) / Koszt narzędzi AI x 100%. Praktycznie: zmierz czas raportowania przed i po wdrożeniu. Zmierz jakość decyzji (np. ROAS kampanii optymalizowanych z AI vs bez). Typowy ROI w pierwszych 6 miesiącach to 200-400%.

10. Czym różni się analityka predykcyjna od preskrypcyjnej? Predykcyjna odpowiada “co się stanie?” - prognozuje wyniki na podstawie trendów historycznych (np. “ROAS spadnie o 15% w marcu”). Preskrypcyjna idzie dalej i odpowiada “co powinienem zrobić?” - rekomenduje konkretne działania (np. “przenieś 20% budżetu z kampanii A do B, zwiększ częstotliwość kreacji o 30%”). Preskrypcyjna to poziom 4 - najwyższy.

Podsumowanie: brakujące ogniwo zamknięte

Strategia. Egzekucja. Pomiar. Optymalizacja.

Przez miesiące budowaliśmy na tym blogu System Operacyjny Marketera - od frameworków strategicznych, przez narzędzia do egzekucji, po zaawansowane workflow. Ten artykuł zamyka pętlę. D.A.T.A. to brakujące ogniwo.

Bez pomiaru - nie wiesz, co działa. Bez diagnozy - nie wiesz, dlaczego nie działa. Bez rekomendacji - nie wiesz, co zmienić. Bez wdrożenia - nic się nie zmieni.

D.A.T.A. rozwiązuje wszystkie cztery problemy. W 15 minut. Za ~130 PLN miesięcznie.

Co teraz?

Zacznij od jednego raportu. Wyeksportuj dane z jednej kampanii. Wrzuć do Claude z promptem D.A.T.A. Detect. Zmierz, ile czasu to zajęło.
Porównaj z tradycyjnym podejściem. Ile czasu zajęło Ci to samo ręcznie ostatnio? Zapisz różnicę.
Iteruj. Jeden raport tygodniowo. Po miesiącu masz proces. Po kwartale masz system.

Framework D.A.T.A. uzupełnia ekosystem:

CRISP - jak pisać prompty
CoT - jak wymuszać głębokie rozumowanie
AIMS - jak wdrażać agentów AI
JTBD - jak rozumieć potrzeby klientów
Performance Marketing - jak optymalizować kampanie
AI Power User - jak pracować z AI na zaawansowanym poziomie

Dane zbierasz. Teraz zacznij je rozumieć.

Masz pytania o wdrożenie frameworka D.A.T.A. w swoim zespole? Napisz - odpowiadam na każde.