W rozmowie z Tomkiem Runowiczem i Maćkiem Czerniakiem z wecanfly, w ich podcaście Flying with Shopify, sporo czasu zeszło nam na AI. Nie na sklepach, w których agent sam robi zakupy, tylko na czymś dużo bardziej przyziemnym: na tym, co dzieje się, gdy wrzucasz do modelu dane swoich klientów i pytasz, jak idzie Ci retencja.
Robię to regularnie. Dane są zanonimizowane, pytanie proste: kto kupował najczęściej, co kupował, po co wracał. Po minucie, dwóch mam tabelę i kilka hipotez, na które kiedyś potrzebowałbym dwóch analityków. I prawie za każdym razem dostaję ten sam błąd.
Top 10 do eliminacji, czyli wszystkie nowości
Kiedy nie powiesz modelowi, od kiedy dany produkt jest w sprzedaży, policzy powracalność dla wszystkich tak samo. Wtedy na liście produktów, po które nikt nie wraca, lądują te, które weszły dwa miesiące temu. Jeśli klient zużywa krem przez pół roku, to po dwóch miesiącach nie mógł jeszcze wrócić. Model tego nie wie, więc proponuje je do wyłączenia.
Po drugiej stronie listy są produkty najstarsze. Mają najwyższą retencję, bo leżą w ofercie od lat i klienci zdążyli się do nich przyzwyczaić. To nie znaczy, że są najlepsze. Znaczy tylko, że miały najwięcej czasu.
Rozwiązanie jest proste i nudne: daj modelowi datę wejścia każdego produktu i każ porównywać klientów w kohortach, czyli grupach z tego samego okresu pierwszego zakupu. Produkt sprzedawany od dwóch miesięcy porównuj z tym, jak inne produkty wyglądały w swoich pierwszych dwóch miesiącach, a nie z bestsellerem sprzed pięciu lat.
Na scenie Ecommerce.pl Event 6.0 pokazywałem, jak zapisać to wprost w poleceniu: policz produkty, po które klienci wracają, ale tylko te, które są w sprzedaży co najmniej 12 miesięcy. Przy okazji warto zadać drugie pytanie, o produkt wejścia: co klienci kupują za drugim razem po konkretnym produkcie. Jeśli po torebce najczęściej przychodzi portfel w tym samym kolorze, wiesz, co pokazać w mailu przed spodziewanym kolejnym zakupem.
Gdzie AI naprawdę pomaga
Ten błąd nie jest powodem, żeby z AI rezygnować. Jest powodem, żeby wiedzieć, o co pytać. W rozmowie podałem kilka przykładów, gdzie model robi robotę, której w małym sklepie nikt by nie zrobił.
| Zadanie | Co daje AI | Co musisz dopowiedzieć albo sprawdzić |
|---|---|---|
| Powracalność per produkt | Listę produktów, po które klienci wracają, i tych, po które nie wracają | Datę wejścia produktu i długość cyklu zakupowego |
| Czas do drugiego zakupu | Medianę i moment, po którym klient, który nie wrócił, zwykle nie wraca już wcale | Czy patrzysz na całość, czy na konkretną kategorię |
| Rytm komunikacji | Informację, kiedy po danym zakupie przychodzi następny, np. po torebce | Czy w tym czasie nie wysyłasz promocji na produkt, który klient właśnie kupił |
| Tematy maili | Podział klientów na tych, którzy reagują na pytania, liczby albo ikony w temacie | Czy grupy są dość duże, żeby wynik nie był przypadkiem |
| Hipotezy „dlaczego” | Kilka możliwych przyczyn w minutę | Wszystko. To hipotezy, nie wnioski |
Przykład z torebką opowiadałem w podcaście. Model wyciągnął z danych, że po zakupie torebki następny zakup przychodzi zwykle po około sześciu miesiącach. To od razu mówi dwie rzeczy. W tygodniu po zakupie nie ma sensu wysyłać klientce rabatu na kolejną torebkę, bo może się tylko zirytować. A jeśli chcesz ten czas skrócić, to mocniejsza oferta ma sens raczej po czterech miesiącach niż po czterech dniach.
Cztery liczby, zanim zapytasz o cokolwiek więcej
Prowadzący zapytali, od czego zacząć, jeśli w firmie nikt dotąd retencji nie mierzył. Moja odpowiedź: od czterech liczb, sprawdzanych raz w miesiącu, a nie raz w tygodniu, bo w retencji nic nie zmienia się z tygodnia na tydzień.
Pierwsza to czas do drugiego zakupu. Jeśli wynosi 90 dni, żadna zmiana, którą wprowadzisz dziś, nie pokaże efektu szybciej niż za 90 dni. Pisałem o tym szerzej w tekście o tym, ile czeka się na efekty retencji. Ta sama liczba mówi, kiedy komunikować się z klientem najmocniej sprzedażowo: przy około 80–90% tego czasu, zanim zacznie szukać produktu gdzie indziej.
Druga to powracalność, czyli odsetek klientów, którzy kupili co najmniej drugi raz. Liczona na klientach, nie na zamówieniach. Sto zamówień od dziewięćdziesięciu klientów może oznaczać, że dziesięciu wróciło, ale może też oznaczać jednego hurtownika z dziesięcioma zamówieniami i dziewięćdziesiąt jednorazowych zakupów. AI policzy jedno i drugie, jeśli powiesz mu, które z nich chcesz.
Trzecia to częstotliwość, czyli ile razy w roku kupuje klient, który już wraca. Czwarta to LTV, czyli ile zarabiasz na kliencie, na przykład w ciągu 12 miesięcy. Ta ostatnia mówi, ile możesz zapłacić za pozyskanie. Jeśli klient przynosi Ci w roku 1000 zł obrotu, a Twoja marża to 20%, masz 200 zł zysku i wiesz, że pozyskanie za 150 zł ma sens, nawet jeśli pierwsze zamówienie się nie spina.
Co z tego wynika
Na start nie potrzebujesz analityka ani nowego narzędzia. Wystarczy eksport zamówień bez danych osobowych i jedno pytanie do modelu. Dopisz do niego datę wejścia każdego produktu i poproś o porównanie w kohortach. Bez tego dostaniesz raport, który wygląda przekonująco i każe Ci wyłączyć to, co dopiero zaczyna działać.
Ja traktuję odpowiedź modelu tak, jak traktowałbym notatkę od młodszego analityka: szybko, przydatnie, ale zanim cokolwiek wyłączę, sprawdzam sam. Produkt, po który klienci jeszcze nie wrócili, może być tym, który za pół roku otworzy Ci najlepszą grupę klientów. To jest pierwszy poziom piramidy, produkt, i to na nim, według mojej autodiagnozy, najczęściej się odpada.
AI policzy Ci retencję w dwie minuty. Tylko Ty wiesz, ile czasu produkt miał, żeby na nią zapracować.
Źródło: moja rozmowa w podcaście Flying with Shopify agencji wecanfly (odc. #83 „Jak budować retencję w e-commerce?”, opublikowany 20 października 2026). Prowadzący to Tomek Runowicz i Maciek Czerniak. Polecenie z warunkiem 12 miesięcy i pytanie o produkt wejścia pochodzą z mojego wystąpienia na Ecommerce.pl Event 6.0 (1 października 2026, nagranie na kanale ecommerce.pl w serwisie YouTube). Przykłady z torebką, nowymi produktami i rachunkiem 1000 zł obrotu przy 20% marży to moje obserwacje i przykłady rachunkowe podane w rozmowie, nie wyniki badania. Zestawienie w tabeli, rekomendacja porównywania nowości w kohortach według daty wejścia i porównanie do notatki młodszego analityka to moja interpretacja. To, że w autodiagnozie na stronie najwięcej osób odpada na poziomie produktu, powiedziałem w rozmowie na podstawie dotychczasowych odpowiedzi, a nie zamkniętego badania. Analizując dane klientów w narzędziach AI, usuń z nich dane osobowe.
