Dyrektor finansowy sieci 8 salonów potrafi powiedzieć dokładnie, ile kosztowały zeszłomiesięczne wydatki reklamowe. Zapytaj go, który dolar z tej puli przyniósł sprzedaż, która naprawdę przyniosła zysk — nie jakąkolwiek sprzedaż, ale tę z niedoszacowanym rozliczeniem auta w rozrachunku, z podpisanym pakietem F&I, z pojazdem sprzedanym po cenie wywoławczej, a nie tym, który stał 90 dni i wyszedł z 2000 dolarów rabatu — i okazuje się, że odpowiedź nie istnieje. Nie dlatego, że nikt jej nie szuka. Dlatego, że dwa systemy, które musiałyby się co do niej porozumieć, nigdy nie zostały zbudowane, by rozmawiać o tym samym pojeździe.
Dlaczego „który kanał zdobył kliknięcie" nie odpowiada na pytanie CFO?
GA4 raportuje konwersję jako sesję, która przekroczyła cel — wypełnienie formularza, kliknięcie w numer telefonu, zaangażowanie na stronie VDP oznaczone jako zdarzenie leadowe. To jest prawdziwa liczba. Jest to jednak inna liczba od tej, której dyrektor finansowy faktycznie potrzebuje, a mianowicie: czy ten konkretny pojazd został sprzedany, po jakiej cenie względem jego wartości i które dolary ekspozycji reklamowej dotknęły go na drodze do podpisania umowy.
To nie są te same pytania sformułowane inaczej. Kanał może generować dwadzieścia konwersji miesięcznie przy świetnym CPL i nadal być tym kanałem, który w największym stopniu odpowiada za wyprzedawanie przestarzałego, zawyżonego cenowo towaru z rabatem, którego nikt nie chciał brać na siebie. Inny kanał może generować dwanaście konwersji przy gorszym CPL i po cichu sprzedawać jednostki, które nie wymagały żadnej obniżki. Dashboard GA4 za każdym razem wyżej klasyfikuje ten pierwszy kanał, bo wolumen i koszt za lead to jedyne dostępne dane wejściowe. Marży nie ma w schemacie.
To ta sama ślepa plamka, którą opisuje niezdolność GA4 do śledzenia historii ekspozycji konkretnego VIN-u — z tą różnicą, że marżowa wersja tego problemu jest gorsza, bo nawet dealer, który rozwiąże kwestię śledzenia ekspozycji na poziomie VIN-u, zazwyczaj robi to pod kątem atrybucji leadów, a nie wyniku cenowego. Wiedza o tym, że Tundra była widziana na Meta i wyszukiwana w Microsoft, nie mówi, czy sprzedała się za tyle, ile była warta.
Który dolar wydatków reklamowych przyniósł sprzedaż z dodatnią marżą?
Zestawmy dokładne pytanie CFO z tym, co typowy stos raportowy sieci 8 salonów jest w stanie faktycznie wyprodukować, a luka okaże się strukturalna — nie do naprawienia konfiguracją. Platformy reklamowe raportują koszty i konwersje per kampania. Własna strona dealera pokazuje, za ile dany pojazd był wystawiony w danym dniu. Żaden z tych systemów sam w sobie nie zna końcowej ceny sprzedaży pojazdu w odniesieniu do historii jego ceny wywoławczej, ani nie wie, które konkretne ekspozycje reklamowe poprzedzały sprzedaż tego pojazdu.
W efekcie budżet jest broniony kosztem za lead na poziomie kanału, co jest złą jednostką rozliczeniową w biznesie, gdzie pozycja marketingowa warta 700 dolarów i pozycja warta 4000 dolarów mogą być obie „jednym leadem" — i dopiero po finalizacji dokumentacji okazuje się, że reprezentują całkowicie różne wyniki. CFO broniący miksu kanałów na podstawie CPL broni złej liczby z pełnym przekonaniem, co jest gorsze niż brak pomiaru w ogóle — wygląda rygorystycznie.
To ta sama pułapka opisana w pytaniu CFO o koszt na sprzedany pojazd w sieci wielu salonów: koszt za lead utrzymuje się jako standard raportowania dokładnie dlatego, że jest metryką łatwą do wyprodukowania — nie dlatego, że odpowiada na pytanie, które faktycznie zadaje dyrektor finansowy. Marża per kanał jest trudniejsza do wyprodukowania ze względu strukturalnego — wymaga połączenia danych platformy reklamowej z rzeczywistą historią cen pojazdu, a prawie nic w typowym stosie tego połączenia nie wykonuje.
Dlaczego dealerzy wciąż szukają „dealership CRM" i „digital sales vs. digital marketing"?
Wolumen autouzupełnień dla obu tych fraz utrzymuje się na stałym poziomie od miesięcy i żadna z nich nie jest tak naprawdę zapytaniem zakupowym. Dyrektor GM wpisujący „dealership CRM" w Google nie szuka zamiany dostawcy CRM — CRM już wie, kto kupił. GM wpisujący „digital sales vs. digital marketing" rysuje rozróżnienie, które nie istnieje jako pozycja na żadnej fakturze, którą kiedykolwiek otrzymał: raport marketingowy kończy się na leadzie lub kliknięciu, a wynik sprzedaży — za ile naprawdę sprzedało się auto — żyje w zupełnie osobnym rekordzie, którego nikt nie skonfrontował z wydatkami reklamowymi.
Ten wzorzec wyszukiwań jest symptomem tej samej luki, od której zaczął się ten artykuł. Dealerzy po omacku szukają pytania, na które ich obecni dostawcy nie odpowiadają, nie mając jeszcze nazwy dla brakującej warstwy. Kiedy wystarczająca liczba dyrektorów GM i CFO wpisuje warianty tego samego pytania bez odpowiedzi w wyszukiwarkę, to jest sygnał rynkowy, że istniejący zestaw narzędzi milczy na temat tego, co naprawdę ma znaczenie — niezależnie od tego, co twierdzi dashboard każdej poszczególnej platformy.
Dlaczego CRM ani platforma reklamowa nie może odpowiedzieć na to pytanie samodzielnie?
Podzielmy problem na dwie połowy — każda z nich wygląda na samodzielnie rozwiązalną. I właśnie dlatego nikt nie naprawił wersji złożonej.
Strona platformy reklamowej: raportowanie na poziomie produktu w Google Shopping i Performance Max może rozbić dane o konwersjach według product_item_id, który w feedzie pojazdów dealera jest VIN-em, a statystyki reklam katalogowych Meta obsługują podział według product_id mapującego na ten sam VIN, gdy reklama była wyświetlana z katalogu pojazdów. Strona platformy reklamowej widoku per pojazd jest więc technicznie dostępna — jeśli ktoś zbuduje pipeline do pobierania tych danych na poziomie ziarna VIN zamiast ziarna kampanii, czego prawie nikt nie robi.
Strona cenowa to osobny problem: wiedza o tym, za ile konkretny VIN sprzedał się w stosunku do tego, ile był wyceniony, wymaga historii cen tego pojazdu w czasie — nie tylko aktualnie wystawionej ceny. Strona dealera pokazuje dzisiejszą cenę. Nie pokazuje, że ten sam VIN był 2000 dolarów droższy trzy tygodnie temu albo że cena spadła dwa razy zanim pojazd się sprzedał. Bez tej historii „auto się sprzedało" i „auto sprzedało się z rabatem, który wymazał rentowność transakcji" wyglądają identycznie z punktu widzenia platformy reklamowej — oba to po prostu zdarzenie konwersji.
Ani CRM, ani platforma reklamowa samodzielnie nie wypełnią tej luki, bo CRM nigdy nie był budowany do przyjmowania ekspozycji reklamowej per VIN, a platforma reklamowa nigdy nie była budowana do śledzenia historii cen pojazdu. Połączenie musi nastąpić w trzecim miejscu, zbudowanym specjalnie do przechowywania obu połówek.
Dlaczego lepszy model atrybucji tego nie naprawi?
Instynkt, gdy CFO zauważa lukę, to poprosić o bardziej wyrafinowany model atrybucji — oparty na danych zamiast last-click, testy przyrostowości zapożyczone z branży FMCG. To nie dotyka właściwego problemu. Lepszy model zastosowany do liczb konwersji, które nigdy nie zostały połączone z historią cen, produkuje jedynie bardziej pewną wersję tej samej niekompletnej odpowiedzi. Można zbudować elegancką wielodotykową wagę między pięcioma kanałami i nadal nie mieć pojęcia, czy pojazd, którego dotyczyły te pięć interakcji, sprzedał się z przyzwoitą marżą, czy został wyrzucony w celu czyszczenia dni magazynowych.
Modelowanie atrybucji odpowiada na pytanie „której interakcji przypisać zasługę za konwersję". Nie odpowiada na pytanie „czy konwersja była warta przypisania zasługi". To różne pytania, a grupa dealerska, która spędza cykl budżetowy na dopracowaniu pierwszego, podczas gdy drugie pozostaje bez odpowiedzi, zoptymalizowała niewłaściwą warstwę stosu.
Co byłoby potrzebne, by zobaczyć ekspozycję reklamową pojazdu obok jego wyniku cenowego?
Trzy rzeczy muszą istnieć w tym samym miejscu, zanim to pytanie stanie się odpowiedzialne dla jednego VIN-u, nie mówiąc o całym portfelu: dane o zaangażowaniu pokazujące, że kupujący faktycznie oglądał stronę tego pojazdu, dane platformy reklamowej pokazujące, w jakich kampaniach pojawiał się ten sam pojazd, oraz historia cen pokazująca, za ile pojazd był wystawiony przez cały czas jego reklamowania — nie tylko jego cena w dniu sprzedaży.
GA4 może raportować wyświetlenia stron i zaangażowane sesje na poziomie poszczególnych stron szczegółów pojazdu (VDP), gdy witryna dealera jest skonfigurowana do przekazywania tożsamości tej strony jako parametru zdarzenia. To rozwiązuje pierwszą część. Opisane powyżej raportowanie per VIN na platformach reklamowych rozwiązuje drugą. Trzecia część — historia cen w czasie, a nie pojedynczy zrzut aktualnej ceny — to ta, której prawie żaden stos dealerski w ogóle nie przechowuje, bo większość feedów inwentaryzacyjnych nadpisuje poprzednią cenę w momencie ustawienia nowej.
Jak AUTONOMi rozwiązuje ten problem
AEGIS prowadzi analizę lejka per pojazd jako stałą codzienną operację, łącząc zaangażowanie GA4 na stronach szczegółów pojazdu z wynikami reklamowymi per VIN z raportowania na poziomie produktu Google Shopping/PMax oraz podziału product_id reklam katalogowych Meta, połączonych z historią cen per VIN przechwytywaną ze scrapowania własnego inwentarza dealera. To właśnie to połączenie, które opisuje ten artykuł — nie integracja z CRM, nie feed DMS, ale trzy elementy (zaangażowanie, ekspozycja reklamowa, historia cen) w jednym miejscu, bo AEGIS jest systemem, który już generuje i przechowuje wszystkie trzy.
AEGIS pobiera inwentarz dealera scrapując publiczną stronę dealera w cyklicznym rytmie, co oznacza, że każda zmiana ceny VIN-u jest rejestrowana jako datowany rekord, a nie nadpisywana — element historii cen, który większość stosów celowo odrzuca, jest produktem ubocznym sposobu, w jaki AEGIS już teraz śledzi inwentarz. Ta historia sprawia, że obniżka ceny jest widoczna jako obniżka, zamiast stać się niewidzialna w momencie, gdy nowa cena zastępuje starą na stronie.
W efekcie powstaje diagnoza per pojazd, a nie dashboard na poziomie kanału: dla danego VIN-u — czy ekspozycja reklamowa była wystarczająca, a cena była rzeczywistą przeszkodą, czy ekspozycja była zbyt mała i widoczność to faktyczna luka, czy pojazd sprzedał się z rabatem, który wydatki reklamowe na niego powinny były uwzględnić już od samego początku. To zasadniczo inny odczyt niż „Kanał X wygenerował N konwersji w tym miesiącu" — odczyt, który odnosi się do tego, czy wynikająca sprzedaż była sprzedażą wartą zrealizowania. Ten widok wydajności reklamowej per VIN obejmuje obecnie Google i Meta — dwie platformy z raportowaniem na poziomie produktu lub katalogu, które AEGIS odczytuje aż do poziomu VIN — i nie rozciąga się jeszcze na TikTok ani Microsoft na tym samym poziomie szczegółowości.
Nic z tego nie jest integracją z DMS ani CRM i nie jest tak prezentowane. To jest to, co AEGIS może zobaczyć, bo już prowadzi kampanie, już odczytuje property GA4 i już scrapuje inwentarz — trzy źródła danych, których jeden system już dotykał, połączone na poziomie pojazdu zamiast pozostawione jako trzy osobne raporty, których nikt nie zestawia.
Co powinien zrobić CFO sieci 8 salonów przed przyszłomiesięcznym spotkaniem budżetowym?
Uczciwa wersja tezy tego artykułu jest węższa niż „AUTONOMi rozwiązuje atrybucję". Jest taka: pytanie, na które CFO faktycznie chce odpowiedzi — który dolar przyniósł sprzedaż z dodatnią marżą — nie może zostać udzielone przez system, który widzi tylko kliknięcia, i nie może zostać udzielone przez system, który widzi tylko dzisiejszą cenę. Wymaga systemu zbudowanego do przechowywania zaangażowania, ekspozycji reklamowej i historii cen w odniesieniu do tego samego pojazdu, w sposób ciągły — a nie rekonstruowanego raz na kwartał z trzech eksportów, które nie mają wspólnego klucza.
CFO, który chce zobaczyć, jak to połączenie wygląda dla jego własnej liczby salonów i miksu kanałów przed zaangażowaniem budżetu w jego przebudowę, może zamodelować wydatki grupy i alokację kanałów w odniesieniu do widoku liczb na poziomie pojazdu — zamiast kolejnej rundy obrony CPL na poziomie kanału, która odpowiada na pytanie, którego nikt na szczeblu finansowym w rzeczywistości nie zadawał.