Datový sklad pro e-shop: jeden zdroj pravdy místo 8 Excelů

Typický středně velký e-shop má data rozházená v osmi různých systémech. GA4 měří návštěvnost, Shoptet nebo Shopify eviduje objednávky, Google Ads a Sklik hlásí výdaje na reklamu, Meta Ads má vlastní přehled konverzí, Heuréka sbírá recenze a data o produktech, CRM sleduje historii zákazníků a skladový systém zná stav zásob. Každý systém funguje dobře sám o sobě. Ale nikde neexistuje jedno místo, kde byste viděli celkový obraz.

Výsledek? Marketingový ředitel sleduje čísla v Google Ads, obchodní ředitel kouká do Shoptetu a majitel firmy dostane každé pondělí ručně sestavený Excel, který v okamžiku odeslání už zastarává. Datová analytika pro e-shop za těchto podmínek není analytika — je to boj s chaosem.

Co je datový sklad a proč ho potřebujete

Datový sklad je centrální databáze, kam natáhnete data ze všech zdrojů, transformujete je do konzistentního formátu a vytvoříte z nich jeden zdroj pravdy. Není to aplikace, kterou si stáhnete a hned používáte. Je to architektura — způsob, jak data v organizaci uchopit.

Pro e-commerce v roce 2025 to v praxi znamená tyto vrstvy:

Datové zdroje — GA4, Shoptet, Google Ads, Meta Ads, Heuréka, CRM, sklad
ETL konektory — nástroje jako Airbyte, Stitch nebo Fivetran, které data pravidelně stahují a nahrávají do databáze
BigQuery — cloudová databáze od Googlu, kde jsou data uložena v raw podobě
Transformační vrstva (dbt nebo Dataform) — zde se data čistí, propojují a modelují do tabulek, které dávají smysl pro byznys
BI nástroj — Looker Studio, Metabase nebo Power BI, kde výsledky vidí celý tým

Čtyři konkrétní problémy, které datový sklad řeší

1. Každý vidí jiné číslo

GA4 hlásí 1 000 objednávek za minulý měsíc. Shoptet eviduje 950. Meta Ads tvrdí, že přispěla ke 1 200 konverzím. Kdo má pravdu? Ve skutečnosti každý z nich — jen každý počítá jinak. GA4 měří sessions, Shoptet eviduje dokončené objednávky po odečtení storen, Meta Ads počítá view-through i click-through konverze z reklamního okna 28 dnů zpět.

Datový sklad tento zmatek odstraní. Definujete jednou a pro všechny, co je objednávka, co je konverze a jak se počítá výkon kampaně. Tato definice žije v transformační vrstvě a platí pro celou firmu.

2. Ruční stahování reportů každý týden

Analytik nebo marketér každé pondělí ráno stáhne export z GA4, export z Google Ads, export ze Shoptetu, zkopíruje data do sdíleného Excelu, ručně sladí sloupce a po hodině práce pošle report, který je okamžitě zastaralý. Tento proces je drahý, chybový a demotivující.

S datovým skladem ETL konektory stahují data automaticky — typicky každou hodinu nebo každý den. Report v Looker Studiu se aktualizuje sám. Pondělní ráno se věnuje analýze, ne kopírování buněk.

3. Nemožnost propojit zákaznická data

Kdo z vašich zákazníků nakoupil více než třikrát? Jaká je průměrná životní hodnota zákazníka (LTV) podle akviziční kampaně? Kteří zákazníci z loňského vánočního výprodeje se vrátili? Bez datového skladu na tyto otázky neodpovíte — data zákazníků jsou v CRM, data objednávek v Shoptetu a akvizice v Google Ads. Tři ostrovy bez mostu.

Příklad z praxe: E-shop s oblečením zjistil po propojení dat, že zákazníci akvizovaní přes Meta Ads mají průměrnou LTV 1 800 Kč za 12 měsíců, zatímco zákazníci z Google Shopping dosahují 2 400 Kč. Přitom CPA z Meta vypadala lépe. Bez datového skladu by toto zjištění nebylo možné.

4. Zpoždění rozhodování

Pokud máte data až druhý den ráno po ručním stažení, nemůžete reagovat na výpadek kampaně nebo náhlý nárůst košíkových opuštění v reálném čase. Datový sklad s automatickým ETL dodává data s minimálním zpožděním — rozhodnutí pak děláte na základě aktuálních čísel, ne včerejšího pocitu.

Kdy datový sklad skutečně potřebujete

Máte tři a více datových zdrojů, které chcete propojovat
Roční tržby přesahují 10 milionů Kč a data jsou klíčovým vstupem pro rozhodování
Pravidelně ztrácíte čas ručním sestavováním reportů
Chcete analyzovat chování zákazníků napříč kanály nebo měřit LTV

Jak dlouho trvá implementace a co stojí

Základní datový sklad pro e-shop — propojení čtyř až šesti zdrojů, transformace do reportovacích tabulek a dashboard v Looker Studiu — trvá typicky čtyři až osm týdnů. Provozní náklady na BigQuery pro středně velký e-shop se pohybují v řádu stovek korun měsíčně.

-- Příklad: propojení objednávek se zákaznickými segmenty v BigQuery
SELECT
  o.order_id,
  o.customer_email,
  o.revenue,
  c.acquisition_channel,
  c.first_order_date,
  DATE_DIFF(o.order_date, c.first_order_date, DAY) AS days_since_first_order
FROM orders o
LEFT JOIN customers c
  ON o.customer_email = c.email
WHERE o.status = 'completed'
  AND o.order_date >= DATE_SUB(CURRENT_DATE(), INTERVAL 90 DAY)

Tento dotaz v Excelu bez datového skladu napsat nelze. V BigQuery běží za sekundy.

Datový sklad není IT projekt

Nejčastější omyl: "To je pro nás moc technické, to je věc pro IT." Datový sklad je business nástroj. Stejně jako CRM nebo účetní software. Ano, implementace vyžaduje technické znalosti — ale výstupem je dashboard, kde marketér vidí ROAS podle kanálu, obchodní ředitel sleduje LTV a majitel firmy má přehled o celkovém výkonu bez jediného ručního exportu.

Investice do datové analytiky pro e-shop se vrátí v okamžiku, kdy přestanete plýtvat reklamními výdaji na segmenty zákazníků, které nepřinášejí hodnotu — a začnete škálovat to, co funguje.