Jak jsem analyzoval vliv reklamní kampaně pro Metagym

Problém, který jsem řešil

Potřeba zjistit, zda reklamní kampaň od 2. října měla vliv na prodej. Během spolupráce jsem aktivně kontroloval výsledky a upozornil jsem na kritickou chybu ve srovnávání období – původní analýza srovnávala 20 dní před reklamou se 7 dny po reklamě, což nebylo relevantní.

Jak jsem ho vyřešil

Nejprve jsem analyzoval CSV data pomocí Python skriptu, identifikoval jsem relevantní produkty a vytvořil jsem prvotní srovnání. Po upozornění na chybné srovnávací období jsem okamžitě korigoval metodiku a vytvořil jsem novou analýzu se stejnými časovými úseky.

Další korekce přišla při upřesnění data spuštění reklam (2.10. místo 1.10.), což vedlo k úplně odlišným závěrům. Vytvořil jsem komplexní Markdown report s finančními dopady, vizualizací dat a akčními doporučeními.

Finální analýza odhalila, že reklamní kampaň měla omezený vliv. Chodov zaznamenal výrazný nárůst o 57% (+4 předplatné), zatímco Příbram nereagoval vůbec (0% změna). Celkový nárůst byl jen 11% (+4 předplatné), ale denní průměry se zdvojnásobily (+104%). Finanční dopad: +3 600 CZK měsíčně, +43 200 CZK ročně.

Jak to funguje v praxi

Největším překvapením bylo, že kampaň fungovala jen pro jednu pobočku, což vedlo k doporučení revidovat strategii pro Příbram a rozšířit rozpočet pro Chodov. Agregovaná čísla ukázala mírný nárůst, ale detailní analýza po pobočkách odhalila skutečný příběh – kampaň je efektivní, ale oslovuje jen jednu cílovou skupinu.

Co jsem se naučil

Metodika je všechno. Tři iterace analýzy ukázaly, jak zásadní vliv má správné nastavení srovnávacích období. První analýza tvrdila 47% pokles, druhá 39% nárůst, třetí 11% nárůst s nulovým vlivem na jednu pobočku. Všechny vycházely ze stejných dat, ale odlišná metodika vedla k úplně odlišným závěrům a doporučením.

Human-in-the-loop je kritický. Bez aktivní kontroly by report obsahoval chybné závěry. AI dokáže rychle analyzovat data, ale potřebuje validaci předpokladů. V tomto případě upozornění na nesprávná období a později na chybné datum reklam bylo klíčové pro přesnost výsledků.

Granularita odhaluje příběh. Agregovaná čísla ukázala mírný nárůst, ale detailní analýza po pobočkách odhalila skutečný příběh – kampaň je efektivní, ale oslovuje jen jednu cílovou skupinu. To zjištění otevřelo prostor pro optimalizaci a A/B testování místo jednoduchého pokračování nebo zastavení kampaně.

Proč to stojí za to

Když máš CSV data o prodeji a chceš analyzovat vliv reklamní kampaně, nemusíš to dělat manuálně. Můžeš použít AI na automatickou analýzu a vytvoření prezentovatelného reportu.

Metagym kampaň analýza je teď součástí mého workflow. Šetří mi čas, protože nemusím manuálně analyzovat data. A zároveň mám kontrolu nad tím, jak analýza vypadá, protože všechno je v Markdown formátu.

Pokud máš podobný problém – potřebu analyzovat vliv reklamní kampaně – zkus to. Možná zjistíš, že je to jednodušší, než sis myslel.