В Shopify, GA4 и Meta — три разные правды. Что с этим делать?

Недавно работал с интернет-магазином на Shopify. Meta показывала один объём трафика и покупок, GA4 — другой, Shopify — третий.

Пока зарабатываешь в пять раз больше, чем тратишь, это мало кого беспокоит.

У клиента было иначе: тратили больше, чем зарабатывали.

Юнит-экономика была на грани. Нужно было расти к таргету, отключать слабые кампании, усиливать сильные. Но принимать решения было не на чем: непонятно, сколько людей пришло и сколько купило.

В такой момент я и подключился. Магазин на Shopify, команда в Австралии, продажи в основном в США. Трафик закупали в Meta и Google Ads. Продавали игровые устройства со средним чеком $300–500, целевой CAC — до $90. Таргет — тысяча проданных устройств в месяц. Данные, как водится, грязные и расходятся между системами.

Сначала сделал подробный аудит. Нашёл несколько проблем:

1. Трекинг в Shopify. За последние годы платформа закрутила гайки: sandbox-режим для чекаута и множество ограничений усложнили отслеживание пользователей. В настройке были ошибки.

2. Conversion API для передачи данных в Meta. Проблемы были в параметрах и дедупликации. С ходу такое почти не заметно.

3. Команда принимала решения только по агрегированным данным из рекламных кабинетов и счётчиков. По средней температуре по больнице.

Короче, если есть возможность, решения нужно принимать по сырым данным — до уровня пользователя и покупки. Для этого нужно своё хранилище. Мы собрали его в BigQuery и быстро вывели визуализацию в Looker Studio. Хранилище может быть и другим, принцип тот же.

Сетап простой. Самое важное — детальный аудит на входе.

Что получила команда

Несколько точных дашбордов, которые быстро обновляются и сходятся с реальными продажами и расходами из кабинетов. Один из них — когортный: для e-commerce это способ видеть воронку и здоровье когорт.

Сразу стало видно, какие кампании тянут результат вверх, а какие — вниз. Одни отключаешь, другие усиливаешь — и двигаешься к таргету. Решения стали быстрее и точнее. Команда перестала жить в выгрузках из Excel и вручную склеивать отчёты.

Мораль

E-commerce нужна детальная аналитика — вплоть до пользователя и покупки. Готовые решения обычно не дают такой детализации из коробки.

Когда данные не сходятся, сначала проведите аудит. Атрибуцию и дашборды имеет смысл дорабатывать уже после него — хоть вместе с Claude.

Крупный магазин, льёте в Google Ads и Meta и ловите проблемы с данными, consent mode или трекингом? Напишите в личку канала, подскажу, с чего начать.

@marketing_analysis