Jak napisać pracę magisterską z e-commerce

E-commerce w pracach magisterskich to obszar, gdzie student ma najwięcej dostępu do danych i najczęściej je marnuje. Wszyscy znamy Google Analytics, prawie każdy widział sklep online od środka, część pracowała w marketingu. A potem powstają prace, w których „branża e-commerce dynamicznie się rozwija” zajmuje 8 stron, a analiza koszyka, pół strony.

Z mojej praktyki, prace o e-commerce wpadają w jedną z dwóch pułapek. Pierwsza: czysto teoretyczna, oparta o raporty Gemius i E-Izby, bez własnych danych, bez analiz. Druga: praca w roli „raportu z firmy”, w której student opisuje, że pracował w sklepie X i widział, jak to działa, ale bez metodologii badawczej.

Tymczasem to jeden z najwdzięczniejszych kierunków na badania empiryczne. Pokażę Ci, jak to zrobić tak, żeby komisja kiwała głową, a nie kręciła nią.

Wybór tematu i pytania badawcze

E-commerce to ogromna dziedzina. Praca magisterska musi zawęzić temat do konkretnego procesu albo problemu, który da się zmierzyć.

Tematy, które dobrze sprawdzają się w pracach magisterskich:

• Optymalizacja konwersji (CRO), A/B testing elementów strony, analiza ścieżki użytkownika, identyfikacja punktów porzucenia w funnelu, optymalizacja landing pages
• Porzucenie koszyka (cart abandonment), analiza przyczyn (koszty wysyłki, brak preferowanej metody płatności, długi proces checkoutu), strategie odzyskiwania (remarketing, exit-intent popups, e-mail abandoned cart)
• Customer journey i analiza ścieżki zakupowej, multitouch attribution, time-to-purchase, kanały pierwszego i ostatniego kontaktu, role kanałów (assist vs. direct conversions)
• User experience i analizy heatmap, analiza zachowań użytkowników na stronie (Hotjar, Crazy Egg, Microsoft Clarity), scrollmaps, session recordings, identyfikacja problemów UX
• Pozyskiwanie klientów (UA) i koszty akwizycji, analiza CAC w poszczególnych kanałach (Google Ads, Facebook Ads, SEO, programy partnerskie), LTV:CAC ratio, payback period
• Personalizacja i systemy rekomendacji, silniki rekomendacji (collaborative filtering, content-based), wpływ personalizacji na AOV i konwersję, segmentacja klientów (RFM)
• Marketplace vs. własny sklep, analiza sprzedaży na Allegro/Amazon/Empik vs. własna strona, marże, kontrola nad marką, zależność od platformy
• Logistyka e-commerce, last mile delivery, lockery vs. kurier, return management, koszty zwrotów

Pytanie badawcze powinno wskazywać konkretny proces, miarę i kontekst. Nie: „Jak zwiększyć sprzedaż w sklepie internetowym?”, ale: „Czy wprowadzenie progresywnego paska postępu w trzyetapowym procesie checkoutu w sklepie z odzieżą damską (n=4000 sesji) wpływa na współczynnik porzucenia koszyka między etapem 1 a etapem 3?”

Jedno pytanie główne, dwie-trzy hipotezy. Tak ustawione pytanie zawsze ma odpowiedź i komisja to widzi.

Metodologia pracy magisterskiej z e-commerce

W e-commerce metodologia musi być twarda, bo dane są twarde, masz liczby, masz testy, masz statystycznie istotne wyniki. Komisja to wie i tego oczekuje.

Eksperyment A/B (split testing)
Najmocniejsza metodologicznie metoda w e-commerce. Podajesz: hipotezę zerową i alternatywną, definicję grupy kontrolnej i testowej, sposób losowania (random allocation), wielkość próby (sample size calculation, najczęściej kalkulator Optimizely lub VWO), poziom istotności (alfa = 0,05), moc testu (1-beta = 0,8), czas trwania testu (minimum jeden pełen cykl tygodniowy, najczęściej 2-4 tygodnie). Narzędzia: Google Optimize (do września 2023), VWO, Optimizely, AB Tasty, Convert. Po September 2023, opcje to Optimizely Web Experimentation, VWO, AB Tasty, lub własne implementacje przez Google Tag Manager.

Wyniki A/B testu, analiza statystyczna
Test chi-kwadrat dla zmiennych binarnych (konwersja: tak/nie), test Manna-Whitneya dla zmiennych ciągłych z rozkładem nienormalnym (AOV, time on site), test t-Studenta dla rozkładów normalnych. Podajesz: statystykę testu, wartość p, przedział ufności 95%, wielkość efektu (Cohen’s d lub odds ratio).

Analiza danych z GA4
Google Analytics 4 zbiera dane event-based. Opisujesz: konfigurację GA4, eventy e-commerce (view_item, add_to_cart, begin_checkout, purchase), enhanced ecommerce, źródła ruchu, segmenty użytkowników. Eksport danych: BigQuery (darmowy linking z GA4) dla zaawansowanych analiz, raporty standardowe dla podstawowych wskaźników. Okres analizy, minimum 3 miesiące, najlepiej rok dla wychwycenia sezonowości.

Heatmapy i session recordings
Hotjar (do 1050 sesji miesięcznie w wersji free, więcej w płatnej), Microsoft Clarity (free unlimited), Crazy Egg (płatny). Opisujesz: liczbę nagrań w analizie, kryteria selekcji (sesje konwertujące vs. nie, sesje z porzuceniem koszyka), kodowanie obserwacji (np. rage clicks, dead clicks, scroll depth, rapid scroll), analizę thematic, grupowanie problemów UX.

Wywiady z użytkownikami (user research)
W połączeniu z analizą ilościową, wywiady jakościowe z klientami sklepu. Liczba: 8-12 dla pracy magisterskiej. Pytania częściowo ustrukturyzowane, scenariusz w załączniku. Metoda: think-aloud protocol podczas użytkowania strony (moderator obserwuje), retrospective interview po doświadczeniu zakupu.

Analiza koszyka i funnel analysis
Pokazujesz lejek konwersji etap po etapie: view → add to cart → begin checkout → add shipping info → add payment info → purchase. Każdy etap ma swój drop-off rate. Analizujesz, gdzie jest największy spadek i dlaczego (cross-reference z heatmapami i recordings).

Analiza kohortowa
Dla retention analizy, kohorty użytkowników grupowanych według tygodnia pierwszego zakupu, śledzenie powtórnych zakupów w kolejnych tygodniach. Tablice kohortowe z procentem retention, analiza LTV.

Analiza RFM (Recency, Frequency, Monetary)
Segmentacja klientów na podstawie trzech wymiarów. Standardowe podejście: kwintyle dla każdego wymiaru, łączny score 1-555, segmenty: Champions, Loyal Customers, Potential Loyalists, New Customers, At Risk, Cannot Lose Them, Hibernating, Lost.

Sample size i power analysis
Komisja często pyta: „ile osób przebadałeś i czy to wystarczyło?”. Dla A/B testów, kalkulator wielkości próby z założeniami (baseline conversion rate, minimum detectable effect, alfa, beta). Dla ankiet, kalkulator wielkości próby dla populacji, z marginesem błędu (zazwyczaj 5%), poziomem ufności (95%).

Struktura i rozdziały

Praca magisterska z e-commerce zwykle liczy 60-90 stron. Typowa struktura:

1. Wstęp, kontekst rozwoju e-commerce w Polsce i na świecie (raporty Gemius, E-Izby Gospodarki Elektronicznej, Statista). Nie 8 stron, 2-3. Pokazujesz problem badawczy, lukę poznawczą.

2. Cel pracy, hipotezy, problem badawczy, 1-2 strony.

3. Teoretyczne podstawy e-commerce, modele biznesowe (B2C, B2B, C2C, D2C), klasyfikacje sklepów online, kluczowe metryki (GMV, AOV, conversion rate, CAC, LTV, churn rate), modele customer journey (AIDA, AARRR, Pirate Metrics, See-Think-Do-Care Avinash Kaushika), CRO jako dyscyplina, frameworki UX (Nielsen Heuristics, Jakob’s Law).

4. Charakterystyka badanego sklepu lub sektora, opis przedmiotu badań: branża, model biznesowy, technologie (CMS, WooCommerce, Shopify, Magento, dedicated), pozycja rynkowa, kanały sprzedaży.

5. Metodologia badań, szczegółowo, jak opisano wyżej.

6. Wyniki badań, prezentacja danych z analizami statystycznymi. Wykresy lejka konwersji, mapy ciepła z opisami, wyniki A/B testów z testami statystycznymi, segmentacja RFM, kohorty, analiza ruchu z GA4.

7. Dyskusja, interpretacja wyników w kontekście literatury CRO i UX. Porównanie z benchmarkami branżowymi (E-Commerce Foundation Reports, Baymard Institute, 70% to średni cart abandonment rate, 65-75% dla niektórych kategorii).

8. Rekomendacje wdrożeniowe, konkretne rekomendacje dla sklepu badanego lub branży. Priorytetyzacja (matryca impact x effort), szacunkowy ROI zmian.

9. Wnioski, odpowiedź na hipotezy, ograniczenia badania, kierunki dalszych prac.

10. Bibliografia, minimum 40-50 pozycji. Klasyka UX (Krug, Don’t Make Me Think; Nielsen, Usability Engineering; Norman, The Design of Everyday Things), CRO (Goward, You Should Test That; Eisenberg, Always Be Testing; Walmsley, The Behavioural Investor), e-commerce (Laudon & Traver, E-Commerce: Business, Technology, Society), raporty Baymard Institute (cart abandonment, mobile UX), Gemius E-commerce in Poland, raport Izby Gospodarki Elektronicznej.

Załączniki, scenariusze wywiadów, screeny strony przed i po zmianach, dashboardy GA4, surowe dane z testów.

Najczęstsze błędy

• Wstęp ogólny zamiast badawczego, „branża e-commerce dynamicznie się rozwija, w 2024 roku osiągnęła wartość X”. Komisja to czytała 50 razy. Wstęp ma postawić problem badawczy
• Wskaźniki bez kontekstu, „współczynnik konwersji w sklepie wynosi 1,8%”, czy to dużo? Czy mało? Bez porównania do branży (Baymard, E-Commerce Foundation) to liczba bez znaczenia. Średnia dla e-commerce to 2-3%, dla niektórych branż 4-5%.
• A/B test bez sample size calculation, przeprowadzenie testu bez kalkulacji wielkości próby to ryzyko false positive lub false negative. Komisja zapyta. Zawsze podajesz minimalną wymaganą próbę przed testem
• Test trwający 2 dni, w e-commerce zachowanie użytkowników różni się między dniami tygodnia i porami dnia. Minimum 1 tydzień, najczęściej 2-4 tygodnie testu
• Pomieszanie metryki „współczynnik konwersji”, czy liczysz konwersję od sesji, od użytkownika, czy od koszyka? Dla każdej miary to inna liczba. Określ jasno definicję
• GA4 bez konfiguracji enhanced ecommerce, jeśli badasz lejek zakupowy bez prawidłowo skonfigurowanych eventów e-commerce, dane są niepełne. Opisz konfigurację
• Heatmapy „bo są ładne”, heatmapa to nie ozdoba, to dane. Musisz powiedzieć, co z niej wynika, jakie hipotezy generuje, jak weryfikujesz te hipotezy
• Brak odniesień do Baymard Institute, to instytut, który publikuje najwięcej empirycznych danych o e-commerce UX. Cart abandonment, mobile UX, checkout usability, Baymard ma raporty na podstawie tysięcy godzin testów użytkowników. Praca magisterska z CRO bez Baymarda to luka
• Mylenie attribution modeli, last-click vs. first-click vs. linear vs. data-driven. To są zupełnie różne podejścia do przypisywania konwersji. W pracy o atrybucji musisz wybrać model świadomie i uzasadnić
• Wnioski bez biznesowych implikacji, „współczynnik porzucenia koszyka wynosi 72%”, i co z tego? Komisja oczekuje, że pokażesz, jakie z tego wynikają działania, jaki potencjalny impact, jak priorytetyzujesz zmiany

FAQ

Podsumowanie

Praca magisterska z e-commerce jest tak dobra, jak twarde są Twoje dane. Wskaźniki, testy A/B, heatmapy, segmenty RFM, to wszystko da się policzyć i pokazać. Komisja oczekuje, że nie napiszesz kolejnej pracy o „rozwoju e-commerce w Polsce”, ale konkretną analizę konkretnego procesu z konkretnymi miarami.

Jeśli zbliżasz się do obrony i chcesz mieć pewność, że metodologia trzyma się standardów, że terminologia (CR, AOV, CAC, LTV, AOV, RFM) jest spójna, że wykresy i tabele mają pełne opisy, zapraszam na dobrzenapisane.pl. Koretuję prace z marketingu i e-commerce regularnie, sprawdzam język, terminologię, spójność, podpisy pod rycinami. Napisz, odpiszę w ciągu 24 godzin.

Dowiedz się więcej

• Laudon, K.C., Traver, C.G. (2023). E-Commerce 2023: Business, Technology, Society (17th ed.). Pearson
• Krug, S. (2014). Don’t Make Me Think, Revisited: A Common Sense Approach to Web Usability (3rd ed.). New Riders
• Goward, C. (2013). You Should Test That! Conversion Optimization for More Leads, Sales and Profit. Sybex
• Baymard Institute, Cart Abandonment Research: https://baymard.com/lists/cart-abandonment-rate
• Gemius / IAB Polska, E-commerce w Polsce. Raport roczny: https://www.gemius.pl

Inne artykuły na blogu:
– Jak znaleźć literaturę do pracy dyplomowej
– Metodologia pracy magisterskiej, od czego zacząć
– Korekta pracy magisterskiej, co obejmuje i ile kosztuje

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.