Shoptet má vlastní přehled statistik — tržby, objednávky, návštěvnost. Pro první rok provozu to stačí. Pak přijde chvíle, kdy potřebujete vědět, která kategorie má nejlepší marži, jak se liší zákaznická hodnota podle zdroje akvizice, nebo proč se obrat zvýšil, ale zisk ne. A v té chvíli vám Shoptet statistiky přestanou stačit.
Řešením je přesunout data ze Shoptetu do BigQuery, propojit je s reklamními platformami a GA4 a vizualizovat v Looker Studiu. Výsledek je dashboard, který aktualizuje se automaticky každý den a dá vám odpovědi, které z Shoptetu nepřečtete.
Co Shoptet umí nativně — a kde to nestačí
Shoptet nabízí přehled objednávek, produktových statistik a základní přehled tržeb. Má i napojení na GA4 přes ecommerce tracking. To je solidní základ, ale naráží na několik omezení:
- Data ze Shoptetu nejdou propojit s náklady na reklamu — nevíte, kolik vás stál zákazník z Google Ads vs. z Mety.
- Marže v reportech není, protože Shoptet nezná vaše nákupní ceny (nebo je má jen částečně).
- Historická data jsou omezená a jejich export do Excelu je ruční práce.
- Segmentace zákazníků — RFM analýza, opakované nákupy, zákaznická hodnota — to Shoptet neumí vůbec.
Všechna tato data existují. Jsou v Shoptetu, v GA4, v Meta Ads, v Google Ads. Chybí jen místo, kde se propojí.
Jak dostat data ze Shoptetu do BigQuery
Shoptet nabízí několik cest exportu. Která je pro vás správná, závisí na tarifu a na tom, jak často data potřebujete aktualizovat.
Shoptet REST API — nejlepší volba pro Premium tarif
Shoptet REST API je dostupné na tarifu Premium a výše. Přes API dostanete kompletní data v reálném čase: objednávky se všemi položkami, zákazníky, produkty se skladovými zásobami, kategorie, kupóny. Autentizace probíhá přes OAuth2 a dokumentace je na developer.shoptet.com dobře zpracovaná.
Konektor, který stavím pro klienty, volá API v pravidelných intervalech (typicky každých 15 minut nebo jednou denně pro historická data), výsledky zapisuje do BigQuery jako append-only tabulky a přes SQL views vytváří aktualizované pohledy na data. Pipeline běží automatizovaně v cloudu — bez serveru, platíte jen za skutečné spuštění.
CSV/XML export — funkční řešení pro nižší tarify
Pokud nemáte Premium tarif, Shoptet umožňuje ruční nebo plánovaný CSV export objednávek a produktů. Automatizovat jde přes Shoptet Feed URL nebo plánovaný export do e-mailu. Data pak zpracujete Python skriptem nebo přes Make.com a nahrajete do BigQuery.
Nevýhoda je jednoznačná: denní granularita a nutnost řešit inkrementální load — jak poznat, která data jsou nová a která se změnila (například stornovaná objednávka).
Webhooky + Make.com pro real-time přenos
Shoptet podporuje webhooky pro klíčové události — nová objednávka, změna stavu, nový zákazník. Přes Make.com nebo n8n zachytíte event, zpracujete payload a zapíšete přímo do BigQuery. Výhodou je okamžitá aktualizace bez polling API. Vhodné pro dashboardy, kde potřebujete data v řádu minut, ne hodin.
Co s daty v BigQuery udělat
Surová data ze Shoptetu jsou jen začátek. Hodnotu vytváří transformace — SQL dotazy, které z raw tabulek udělají analytické modely.
Typické transformace, které stavím pro Shoptet e-shopy:
- Denní souhrn tržeb a marže — objednávky × produkty × nákupní ceny = marže na každou objednávku a kategorii.
- Zákaznický model — první nákup, poslední nákup, počet objednávek, průměrná hodnota, RFM skóre. Tohle Shoptet neumí, BigQuery ano.
- Propojení s GA4 — GA4 BigQuery export přidá session data, source/medium, kampaně. JOIN přes session_id nebo user_id odhalí, které kanály přivádějí zákazníky s nejvyšší LTV.
- Propojení s reklamními platformami — náklady z Google Ads a Meta Ads přes jejich API doplní ROAS na úrovni kampaně, setu a inzerátu. Ne agregovaný ROAS z GA4 — skutečný, s každou korunou nákladů.
Klíčový insight, který tento setup odhalí téměř vždy: zákazníci z Heuréky mají průměrně nižší LTV než zákazníci z organického vyhledávání nebo e-mailového marketingu — přestože ROAS Heuréky vypadá na první pohled dobře. BigQuery vám ukáže 12měsíční zákaznickou hodnotu podle zdroje. Shoptet statistiky ne.
Dashboard v Looker Studiu
Looker Studio (dříve Google Data Studio) se přímo připojuje k BigQuery jako zdroji dat. Výhodou je, že dotazy běží na BigQuery — Looker Studio jen vizualizuje výsledky. Žádný sampling, žádná omezená retence. SQL view v BigQuery je přesně ten report, který vidíte v dashboardu.
Pro Shoptet e-shopy stavím typicky tři obrazovky:
- Obchodní přehled — tržby, marže, počet objednávek, průměrná hodnota košíku, trend vs. minulý měsíc a rok. Filtr na období.
- Zákaznická analytika — noví vs. vracející se zákazníci, RFM segmenty, top zákazníci, geografické rozložení.
- Marketingový výkon — výdaje, ROAS, CPA, PNO na úrovni kanálu a kampaně. Propojeno s Shoptet objednávkami, ne jen s GA4 konverzemi.
Technické požadavky a cena provozu
Celý stack stojí na Google Cloud Platform: BigQuery pro data, Looker Studio pro vizualizaci — to je zdarma. Automatizace pipeline běží v cloudu bez nutnosti vlastního serveru.
Náklady na BigQuery při typickém objemu Shoptet e-shopu (desítky tisíc objednávek ročně) jsou v řádu stokorun měsíčně. Provoz automatizace je prakticky zdarma — platíte za data, ne za compute. Looker Studio je zdarma. Shoptet Premium tarif, pokud ho ještě nemáte, je nutný pro API přístup.
Závěr
Shoptet je skvělá platforma pro spuštění a provoz e-shopu. Ale jeho built-in reporting nestačí e-shopům, které chtějí růst na základě dat — ne odhadů. Napojení Shoptetu na BigQuery není složité technické cvičení. Je to investice do toho, abyste věděli, co ve vašem e-shopu skutečně funguje a co ne — a mohli se rozhodovat podle čísel, která sedí.