Reklama v reporte funguje. Zákazníci vám prichádzajú odinakiaľ (CX Signál · september 2026)

Pozriete sa na report, vidíte, že väčšinu nových zákazníkov priniesla reklama, a pridáte do nej. Je to logické rozhodnutie. Lenže report vám ukazuje, odkiaľ zákazníci prichádzajú, len tam, kam reklamný systém vidí — a ten najlepšie vidí kliknutia, ktoré sám sprostredkoval.

Kým neviete, koľko zákazníkov vám prišlo na odporúčanie, nemáte podklad na zvýšenie rozpočtu na reklamu. Túto vetu myslím vážne a vysvetlím prečo.

Čo report nevidí, nie je nula

Predstavte si e-shop, ktorý mesačne získa 100 nových zákazníkov. Analytika väčšinu z nich pripíše reklame, časť skončí v kolónke „priama návšteva“ a nikto ju nečíta. Zákazník, ktorému vás odporučil kolega, si vás našiel podľa mena a objednal. V reporte vyzerá ako niekto, kto prišiel sám od seba — alebo ako kliknutie na reklamu, ak cestou klikol na platený odkaz s vaším menom.

Spôsob, akým analytika prideľuje objednávku zdroju, sa volá atribúcia. Každý nástroj ju robí podľa svojho nastavenia a vidí len to, čo sa dá zachytiť cez kliknutia. Výsledok je rozhodnutie nástroja, nie fakt o tom, odkiaľ zákazník prišiel.

V júnovom článku som písal, že peniaze idú do tej časti cesty zákazníka, ktorú firma prestala riadiť. Jún bol o tom, kam rozpočet ide. September je o tom, podľa čoho o ňom rozhodujete. A k júnovej vete má dvojníka: peniaze idú aj do tej časti cesty, ktorú firma vie zmerať.

Dvaja z desiatich nových zákazníkov, väčšina zisku

V čísle Harvard Business Review za september – október vyšiel článok o odporúčaniach, ktorý stojí na údajoch o viac než 10 miliónoch spotrebiteľov. Autori píšu, že asi 20 % nových zákazníkov prichádza na odporúčanie, ale prinášajú 72 % zisku, ktorý zarobia všetci noví zákazníci spolu. Takto získaní zákazníci podľa nich stoja menej, zostávajú dlhšie, nakupujú viac a sami odporúčajú ďalších.

Preložené do vášho e-shopu: zo 100 nových zákazníkov by dvadsať, ktorým vás niekto odporučil, zarobilo viac než zvyšných osemdesiat dokopy. A práve týchto dvadsať váš report často nevidí. Autori to vysvetľujú tak, že systémy merania dávajú priveľa zásluh plateným kanálom a ústne odporúčanie nezachytia.

Teraz výhrada, ktorú treba povedať nahlas. Nie je to recenzovaná štúdia a metodika tohto čísla zverejnená nie je — nevieme, ako bola vzorka zložená, z akých odvetví a trhov je, ako sa zisk pripisoval ani čo presne sa počítalo ako odporúčanie. Dvaja autori sú z poradenskej firmy Bain a tretí je šéf firmy, ktorá odporúčací marketing predáva. A ľudia, ktorí prídu na odporúčanie, sa k vašej ponuke pravdepodobne hodia lepšie už vopred, takže časť toho rozdielu môže byť v tom, kto prišiel, nie v tom, ako.

Preto na čísle 72 % argument nestavím. Stavím ho na niečom jednoduchšom: čo report nevidí, nie je nula. Ak neviete, koľko zákazníkov vám prišlo na odporúčanie, nemusí to byť malý kanál. Je to medzera v podklade.

Priemerná hodnota zákazníka skrýva tých, na ktorých záleží

Ten istý problém vidím aj pri inej metrike, podľa ktorej sa rozhoduje o peniazoch. Celoživotná hodnota zákazníka — teda koľko vám zákazník zarobí za celý čas, čo u vás nakupuje — sa takmer vždy počíta ako jedno priemerné číslo.

Sarkar a De Bruyn v Journal of the Academy of Marketing Science ukázali, čo ten priemer skrýva. Na deväťročných dátach o 21 939 darcoch našli zákazníkov, ktorí stoja na rázcestí: môžu sa uberať jedným alebo druhým smerom. Tí reagovali na rovnakú výzvu úplne inak než zákazníci s rovnakou priemernou hodnotou, ktorí na rázcestí nestáli. Pri jednej skupine sa dodatočná výzva vrátila so ziskom 77 %, pri druhej prišla o polovicu vložených peňazí. Priemer ich od seba nerozlíšil. Keď autori vyberali, komu výzvu poslať, podľa toho, aký potenciál zákazník má, a nie podľa priemeru, trafili až o 8,3 % lepšie.

Výhrada: sú to dáta darcov z jedného súboru dát, nie nákupy v e-shope — chýba cena, konkurencia aj kategória. Čísla platia v tomto modeli a na týchto dátach, nie sú to benchmarky. Smer je však podľa mňa ten istý ako pri odporúčaniach. Číslo, ktoré vidíte, vám ukazuje priemer toho, čo sa dá zmerať, a rozhodnutie o peniazoch sa robí podľa neho.

Peniaze idú tam, kde ich vidno

Keď to dáte dokopy, vychádza z toho pre rozpočet nepríjemný kruh. Reklamný systém vidí zákazníkov, ktorých sám priviedol, a pripíše si ich. Odporúčania nevidí, takže vyzerajú ako nič. Majiteľ vidí kanál, ktorý funguje, a pridá doň. Peniaze idú tam, kde ich vidno — nie tam, kde vznikajú.

Tu čakám najviac nesúhlasu, hlavne od ľudí, ktorí robia reklamu a kampane. Dáta z reklamných systémov sú presné a pre riadenie kampaní nenahraditeľné. Netvrdím, že klamú. Tvrdím, že odpovedajú na inú otázku — čo urobila reklama — než tú, ktorú si kladiete pri rozpočte: odkiaľ vám prichádzajú zákazníci, ktorí zarábajú. Ak na tú druhú nemáte odpoveď, každé navýšenie rozpočtu stojí na podklade, ktorý časť obrazu nevidí.

Čo môžete spraviť tento týždeň bez rozpočtu

Pozrite sa, koľko nových zákazníkov vaša analytika nevie zaradiť. Vezmite objednávky nových zákazníkov za posledné tri mesiace a zistite, aký podiel z nich je zapísaný ako priama návšteva alebo nezaradený zdroj. To číslo nie je odpoveď. Je to veľkosť miesta, kam váš report nevidí.

Potom sa zákazníka opýtajte. Pridajte do objednávky alebo do e-mailu po nákupe jednu otázku: „Ako ste sa o nás dozvedeli?“ — a medzi možnosti dajte aj „odporučil mi vás niekto“. Nie je to nový systém, je to jedno pole. O dva mesiace budete prvýkrát vedieť, či odporúčania sú u vás pätina, desatina, alebo takmer nič. Že práve toto býva prvý krok, je moja skúsenosť z praxe, nie zistenie zo štúdie.

Pred ďalším navýšením rozpočtu jedna otázka

Rozpočet na reklamu sa dá navýšiť zajtra. Odpoveď na to, odkiaľ vám prichádzajú zákazníci, ktorí zarábajú, si musíte zistiť sami — reklamný systém vám ju nedá, lebo sa na ňu nepozerá.

Takže pred ďalším navýšením: koľko vašich nových zákazníkov prišlo, lebo vás niekto odporučil — a podľa čoho to viete?

Zdroje: Reichheld, Cleghorn & Kokoszka, „Don’t Underestimate the Power of Customer Referrals“, Harvard Business Review, september – október 2026 (10+ mil. spotrebiteľov, metodika nezverejnená) · Sarkar & De Bruyn, „A dual-LSTM model for CLV distributions: Diverging paths and bimodalities“, Journal of the Academy of Marketing Science (online-first, 21 939 darcov, 9 rokov). Akademickú štúdiu som čítal v abstrakte, plný text je za platenou bránou.