ROAS is DEAD. PROFIT is KING.

Prezentacja argumentuje, że optymalizacja e-commerce pod ROAS jest błędna i należy przejść na strategię POAS (Profit on Ad Spend) oraz MER (Marketing Efficiency Ratio) w oparciu o Data Warehouse integrującą dane sprzedaży, zwrotów, kosztów i reklam w czasie rzeczywistym. Mateusz Haber (CEO JustIdea Agency / CMO Surf Inc.) przedstawia problem: zdecydowana większość e-commerce'ów dowiaduje się o swoim profitu dopiero około 20. dnia kolejnego miesiąca, po zamknięciu ksiąg. Bez znajomości realnego zysku nie da się wydajnie skalować sprzedaży. Profit definiowany jest jako przychód minus zwroty, reklamy, COGS, wysyłki, pakowanie, płatności, koszty zwrotów, agencja i inne (marża II stopnia). Prelegent porównuje ROAS (Przychody z reklamy / Koszt reklamy) i POAS (Profit bez kosztów reklamowych / Koszt reklamy) na konkretnych liczbach, pokazując że przy tej samej sprzedaży POAS może dawać odwrotne decyzje optymalizacyjne niż ROAS. Tłumaczy też ograniczenia perspektywy mikro (ROAS) vs makro (MER = Całkowite przychody / Całkowite koszty reklamowe), szczególnie w kontekście podwójnego liczenia transakcji przez Google Ads i Meta Ads. Omawia problemy z atrybucją: GDPR, cookies policy, AEM (iOS 14+), modelowanie konwersji przez Google i Facebook, oraz ograniczenia Google Analytics (in-app browser Facebook/Instagram, multi-device, modelowanie ruchu, faworyzowanie Google Ads, brak danych w czasie rzeczywistym, brak możliwości wgrywania COGS). Rozwiązanie: Profit Analytics by JustIdea Agency – Data Warehouse na BigQuery z Looker Studio, integrująca PrestaShop, BaseLinker, Google Ads, Meta Ads, Zalando, Comarch Optima, Google Search Console, GA4. Wymóg: partner musi przechowywać wszystkie zwroty w jednym wspieranym CMS z referencją do zamówienia bazowego (order_id). Pokazywane są dashboardy: główny, dzień po dniu, ekspansja, magazyn & bestsellers, LTV & CAC, z „paradoksem listopadowym” ilustrującym jak wysoki obrót może maskować stratę przy wysokich zwrotach. Planowane rozszerzenia: automatyzacja via API, ekstrapolacja/prognozowanie, integracja z ChatGPT. Case study: skalowanie marki własnej Surf Inc. od 0 do 1,5 mln GMV miesięcznie, 4-krotny wzrost w 5 miesięcy, z tabelą mnożników POAS miesiąc po miesiącu (3.10x, 3.64x, 2.87x, 2.91x, 3.21x oraz dalsze dane właściwe). Forma: studium przypadku połączone z prezentacją narzędzia i zmiany paradygmatu pomiarowego w performance marketingu.