Marketing napędzany danymi i AI.

Marka antykwaryczna na Facebooku: od zera do 418 tys. wyświetleń

Od września 2023 zbudowałem strategię contentową opartą na czterech filarach i danych z Meta Business Suite. Z raportów wyczytałem, że kategoria Home & Garden daje 861% lepszy zasięg, więc przesunąłem tam 40% treści. Efekt: profil z kilkudziesięcioma obserwującymi urósł do ponad 11 500, a wyświetlenia do 418 tys. Wszystko organicznie, bez Marketplace i grup sprzedażowych.

Kampania Meta Ads z niskim CPM

Samodzielnie skonfigurowałem i poprowadziłem kampanię w Meta Ads Manager przy budżecie 74,51 zł. Targetowanie postawiłem na hipotezie: kobiety 25-65+ zainteresowane antykami, a dane potwierdziły ją wynikiem 75,5% kobiet wśród odbiorców. Za niecałe 75 zł dotarłem do 10 851 unikalnych osób w całej Polsce, przy CPM 5,39 zł i CTR ogółem 10,3%.

Kampanie Google Ads sterowane danymi z API

Prowadzę i optymalizuję kampanie przez Google Ads API. Pobieram metryki programowo, analizuję search-term insights z kampanii Performance Max i rozdzielam ruch płatny od organicznego pod konkretne grupy produktów. Wynik za dwa tygodnie (1-14 czerwca 2026): 233 wytyczone trasy do sklepu z wizytówki Google (konwersja kampanii) przy średnim koszcie 2,54 zł.

Wizytówka Google: rosnący ruch do sklepu

Prowadzę wizytówkę firmy w Google, z której klienci trafiają prosto do sklepu. Od stycznia do czerwca 2026 profil zebrał 815 próśb o wskazówki dojazdu, z rosnącym trendem: od około 75 miesięcznie na starcie do około 275 w czerwcu. To ruch płatny i organiczny łącznie, czyli całościowy efekt widoczności lokalnej, szerszy niż sama płatna kampania z sekcji 03.

Własne narzędzia: scheduler social i pipeline treści AI

Zbudowałem system kolejkowania i automatycznej publikacji postów na Facebooku i Instagramie: kolejka w bazie, GitHub Actions jako cron, posty wychodzą bez mojej obecności (Instagram API nie ma natywnego planowania). Do tego pipeline generujący opisy, wpisy i posty z weryfikowanej bazy wiedzy, gdzie każdy fakt jest sprawdzany w źródłach przed publikacją.

Hurtownia danych marketingowych: Google Ads → SQL → Looker Studio

Zbudowałem własny pipeline danych: skrypt w Node.js pobiera metryki z Google Ads API, ładuje je do bazy PostgreSQL, a cała logika (KPI, koszt konwersji, inteligencja popytu i wykrywanie przepalanego budżetu) siedzi w widokach SQL. Looker Studio czyta z tych widoków i renderuje żywy, interaktywny dashboard. Podpięty tutaj dashboard obrazuje wcześniejszy okres tej samej kampanii (17 maja do 4 czerwca 2026), więc jego liczby różnią się od sekcji 03. Widoki są modułowe, więc łatwo dopasować je do dowolnego modelu: e-commerce, lead-gen czy lokalnej konwersji.

Architektura jest uniwersalna: w dowolnej branży ten sam system pokazuje, które produkty i frazy generują popyt, gdzie przepala się budżet i jak zmienia się koszt konwersji.