Sprawdziliśmy w niezależnym, własnym badaniu, czy polskie sklepy e-commerce są gotowe na zakupy wykonywane przez wyszukiwarki i agentów AI. Czy ChatGPT, Gemini lub Perplexity są w stanie znaleźć informację, zrozumieć ją oraz zarekomendować produkt?
W badaniu ROI and Shine przeanalizowaliśmy 31 sklepów internetowych i 100 kart produktu według własnej metodologii Data Made Good. Wzięliśmy pod uwagę 6 kluczowych obszarów i aż 46 czynników. To pierwsze i tak obszerne badanie w Polsce gotowości na agentic commerce, które ocenia gotowość sklepów na zakupy z udziałem AI na poziomie pojedynczych kart produktu.
Jak badaliśmy. Każdą kartę oceniliśmy w sześciu obszarach, od odpowiedzi na 16 pytań kupującej po informacje wymagane prawem. Analizowaliśmy kod, który serwer sklepu wysyła od razu, bo tak stronę pobiera większość robotów AI. Wynik sklepu to średnia wyników jego kart w skali od 0 do 100 pkt. Pełną metodologię opisujemy w dalszej części artykułu.
Najważniejsze wnioski
- Tylko 2 z 31 sklepów (6%) są gotowe na zakupy z udziałem AI, czyli uzyskały co najmniej 80 na 100 pkt. Kolejnych 9 sklepów jest blisko progu. Mediana wyniku wynosi 65,6 pkt.
- Agent AI odczyta podstawy, a informacje zamykające zakup znajdzie rzadko. Nazwę i cenę produktu znajdzie na 96% kart. Zasady zwrotu - istotne do podjęcia decyzji - już tylko na 18%, dowód działania produktu na 24%, kod EAN na 42%.
- 74% sklepów ma na kartach sprzeczne informacje - więc agent widzi inne informacje w kodzie strony, inne na samej stronie. To również stanowi problem w dalszej ocenie i rekomendacji. Najczęściej dotyczą dostępności, ceny i opisu skopiowanego z innego produktu.
- Dane strukturalne to najsłabsza warstwa techniczna - a szkoda, bo ta część powinna być najmocniejsza, wiedząc, że te dane są najłatwiejszą warstwą do odczytu dla wyszukiwarek AI. Mediana wynosi 14,9 z 25 pkt, a 6 sklepów nie ma ich wcale.
- O wyniku decyduje szablon karty produktu. Karty jednej marki, sprzedawanej przez tę samą firmę, uzyskały 72 pkt w jednym sklepie i 21 pkt w drugim.
- Wielkość firmy nie przesądza o gotowości. Pierwsze miejsce zajęła marka spoza grona liderów rynku.
Podium: trzy sklepy, od których warto się uczyć
sklep.
resibo.plGotowy
eveline.plBliskoMiejsce 1: Resibo (resibo.pl), 81,9 pkt
- Każda badana karta ma w danych strukturalnych kod EAN i ocenę produktu.
- Efekty są podane liczbą, np. krem na noc „w trakcie snu poprawia nawilżenie skóry nawet o 61%”. Asystent może przytoczyć konkretny wynik.
- Najlepsza treść w badaniu: 14,3 z 18 pkt. Opisy wyjaśniają działanie, skład, sposób użycia i grupę docelową.
- Na kartach nie ma sprzecznych informacji.
Miejsce 2: Dr Irena Eris (sklep.drirenaeris.com), 80,2 pkt
- Kod EAN, cena za 100 ml i koszt dostawy są czytelne na każdej badanej karcie.
- Dane strukturalne zawierają poprawny kod GTIN i ocenę produktu.
- Efekty są podane liczbą, np. „100% badanych zauważa poprawę elastyczności skóry”.
- Sklep udostępnia publiczny feed produktowy.
- Za odpowiedzi dla agenta sklep uzyskał 25,4 z 30 pkt, najwięcej wśród sklepów głównych marek (ex aequo z tolpa.pl). Na kartach nie ma sprzecznych informacji.
Miejsce 3: Eveline Cosmetics (eveline.pl), 79,7 pkt
- Najlepsze dane strukturalne w badaniu: 20,9 z 25 pkt. Zawierają zasady wysyłki i zwrotów oraz oceny klientów, np. 4,9 na podstawie 144 opinii.
- Najlepsza pojedyncza karta produktu w badaniu: 84,2 pkt.
- Sklep udostępnia feed produktowy.
- Do progu „gotowy” zabrakło 0,3 pkt.
Wyróżnienia w poszczególnych obszarach dla marek kosmetycznych
| Obszar | Sklep | Wynik | Co wyróżnia sklep |
|---|---|---|---|
| Odpowiedzi dla agenta |  pharmaceris.comPharmaceris | 26,8 z 30 | Najwięcej odpowiedzi na pytania kupującej w całym badaniu, efekty podane liczbą |
| Dane strukturalne | eveline.plEveline Cosmetics | 20,9 z 25 | Zasady wysyłki i zwrotów oraz oceny klientów zapisane w danych |
| Treść | resibo.plResibo | 14,3 z 18 | Pełne opisy z efektami podanymi liczbą |
| SEO techniczne |  paese.plPaese | 9,9 z 10 | Najlepsze podstawy techniczne w badaniu, oceny i poprawny GTIN w danych |
| Dostęp dla AI i agentów |  mokosh.plMokosh | 11,8 z 12 | Otwarty dostęp dla robotów AI, feed produktowy, opis firmy w danych strukturalnych |
| Informacje wymagane prawem |  tolpa.plTołpa | 4,8 z 5 | Cena jednostkowa, najniższa cena z 30 dni podana kwotą, dane producenta |
Pełne wyniki z listą rekomendowanych poprawek przekazujemy bezpośrednio sklepom objętym badaniem.
Wyniki: jak wypadła branża
Mediana wyniku 31 sklepów wynosi 65,6 pkt. 11 sklepów (35%) jest gotowych lub blisko progu. Pozostałe mają luki, które w większości da się usunąć w szablonach kart produktu.
Mediana 19 sklepów należących do liderów rynku wynosi 65,6 pkt, a 12 sklepów pozostałych marek 61,4 pkt. Pierwsze miejsce i dwa ostatnie zajęły sklepy marek spoza grona liderów. Wynik zależy od tego, jak zbudowana jest karta produktu.
Pełny ranking 31 sklepów w branży kosmetycznej
Ranking obejmuje wszystkie 31 sklepów ocenionych 29 września 2026 r. Wynik sklepu to średnia wyników jego kart produktu w skali od 0 do 100 pkt. Sklep bielenda.com występuje trzy razy, bo karty marek Bielenda, Tołpa i Miya Cosmetics mają tam różne szablony. Dwa sklepy z wynikiem 62,0 pkt dzielą 19. miejsce. Szczegółowe karty wyników z listą rekomendowanych poprawek wysyłamy sklepom objętym badaniem na życzenie.
| Miejsce | Sklep (marka) | Wynik /100 | Poziom |
|---|---|---|---|
| 1 | resibo.plResibo | 81,9 | Gotowy |
| 2 | sklep.drirenaeris.comDr Irena Eris | 80,2 | Gotowy |
| 3 | eveline.plEveline Cosmetics | 79,7 | Blisko |
| 4 | pharmaceris.comPharmaceris | 78,5 | Blisko |
| 5 | mokosh.plMokosh | 78,2 | Blisko |
| 6 |  veolibotanica.plVeoli Botanica | 77,3 | Blisko |
| 7 | tolpa.plTołpa | 76,2 | Blisko |
| 8 |  edax.plDAX Cosmetics: Celia, Dax Sun | 73,1 | Blisko |
| 9 |  bielenda.comBielenda | 72,2 | Blisko |
| 10 |  bielenda.comMiya Cosmetics | 71,9 | Blisko |
| 11 |  basiclab.shopBasicLab | 70,5 | Blisko |
| 12 |  perfecta-kosmetyki.plPerfecta | 69,5 | Luki |
| 13 |  radicalexpert.comRadical | 67,9 | Luki |
| 14 |  nacomi-shop.plNacomi | 67,2 | Luki |
| 15 |  mybionature.plBio Nature | 65,7 | Luki |
| 16 |  ideederm.comIdeederm | 65,6 | Luki |
| 17 |  evreecosmetics.comEvree | 65,3 | Luki |
| 18 |  farmona.pl/sklepFarmona | 64,4 | Luki |
| 19 | bielenda.comTołpa | 62,0 | Luki |
| 19 |  hellotuttifrutti.plTutti Frutti | 62,0 | Luki |
| 21 |  inglot.plInglot | 60,8 | Luki |
| 22 |  oceanic.plAA, Biovax, L'biotica | 58,2 | Luki |
| 23 | paese.plPaese | 55,5 | Luki |
| 24 |  sylveco.plSylveco | 54,6 | Niegotowy |
| 25 |  biolaven.plBiolaven | 54,0 | Niegotowy |
| 26 |  sklep.joanna.plJoanna | 51,9 | Niegotowy |
| 27 |  vianek.plVianek | 51,2 | Niegotowy |
| 28 |  lirene.plLirene | 49,7 | Niegotowy |
| 29 |  ziaja.comZiaja | 49,1 | Niegotowy |
| 30 |  yope.meYOPE | 24,8 | Niegotowy |
| 31 | miyacosmetics.comMiya Cosmetics | 21,4 | Niegotowy |
Wynik zależy od szablonu karty
Najwyraźniej widać to w firmach, które prowadzą kilka sklepów. Karty jednej marki, sprzedawanej przez tę samą firmę, uzyskały 72 pkt w jednym sklepie i 21 pkt w drugim. Trzy sklepy jednego operatora uzyskały 80, 79 i 50 pkt. W innej firmie sześć sklepów na wspólnej platformie powiela ten sam błąd szablonu, dlatego ich wyniki różnią się o niespełna 6 pkt.
Dla zespołów e-commerce to dobra wiadomość. Poprawka w jednym szablonie działa od razu na wszystkich produktach, a w firmach z kilkoma sklepami często na kilku domenach jednocześnie.
Co poprawić: najczęstsze luki w branży
Poniżej opisujemy luki, które powtarzały się w całej próbie, i to, jak powinna wyglądać karta przygotowana na agenta AI.
Jedna wersja informacji na karcie
74% sklepów (23 z 31) i 48 ze 100 kart ma sprzeczne informacje, które niezależnie zauważyli obaj oceniający. Przykłady: komunikat „produkt wyprzedany” obok aktywnego przycisku „dodaj do koszyka”, inna cena w danych strukturalnych niż na stronie, inna liczba opinii w kodzie niż na karcie, opis efektu skopiowany z innego produktu, dwie różne listy składników na jednej karcie.
Jak powinno być: każda informacja pochodzi z jednego źródła, a szablon pokazuje ją w tej samej wersji w tekście, w danych strukturalnych i w feedzie. Agent, który dostaje dwie wersje, może pominąć produkt albo podać klientce błędną informację.
Kompletne dane strukturalne
6 sklepów (19%) nie ma danych strukturalnych produktu. W 7 sklepach (23%) agent zamiast opisu dostaje kod szablonu, czyli niewypełnioną zmienną w nawiasach klamrowych. Poprawny kod GTIN ma tylko 6 sklepów, oceny produktu w danych 10 sklepów, a zasady dostawy lub zwrotu 3 sklepy.
Jak powinno to być zoptymalizowane: każda karta ma blok danych Product w formacie JSON-LD z nazwą, marką, ceną, dostępnością, kodem GTIN, oceną oraz zasadami dostawy i zwrotu. Wartości są takie same jak w tekście karty.
Informacje, które zamykają zakup
Dowód działania produktu z liczbą ma 24% kart, opinie 44%, zasady zwrotu 18%.
Jak zoptymalizować: przy cenie widać koszt dostawy i zasady zwrotu. Efekty są podane liczbą razem z metodą badania, np. liczbą osób i czasem testu. Opinie są w tekście karty i w danych strukturalnych.
Treść dostępna bez JavaScriptu
W aż 4 z 31 sklepów kluczowe informacje handlowe pojawiają się dopiero po uruchomieniu JavaScriptu, którego wyszukiwarki AI normalnie nie czytają. W skrajnym przypadku serwer wysyła pustą stronę, a nazwa, cena i dostępność produktu ładują się później. Boty zazwyczaj nie uruchamiają skryptów JS, nie dowiedzą się więc o takim produkcie niczego.
Jak powinno być: karta produktu jest renderowana po stronie serwera (SSR) albo sklep udostępnia robotom gotową wersję strony (prerendering).
Świadomy dostęp dla robotów AI
W 2 sklepach automatyczna przeglądarka zatrzymała się na zabezpieczeniu antybotowym. W kilku sklepach roboty AI dostały w naszym teście odmowę dostępu. Takie blokady często wynikają z domyślnych ustawień zabezpieczeń serwera. Publiczny feed produktowy udostępniają 4 sklepy.
Jak powinno być: dostęp robotów AI jest decyzją zespołu, sprawdzoną w logach serwera. Karty produktu są dostępne bez testu antybotowego, a feed produktowy jest aktualny.
Informacje wymagane prawem w formie czytelnej dla maszyn
Dane producenta czytelne dla maszyny ma 12 z 31 sklepów, cenę za litr lub kilogram w tekście 20 z 31. W 3 sklepach procent obniżki liczono od ceny wyższej niż najniższa cena z 30 dni.
Jak powinno być: przy cenie widać cenę jednostkową i najniższą cenę z 30 dni podaną kwotą, a dane producenta, czyli nazwa i adres, są w tekście karty.
Agentic commerce Polska i USA: gdzie jesteśmy?
W Stanach Zjednoczonych zakupy z udziałem AI są już osobnym kanałem sprzedaży. Według danych Adobe Analytics ruch z narzędzi AI do amerykańskich sklepów internetowych wzrósł w I kwartale 2026 r. o 393% rok do roku. W marcu 2026 r. ten ruch konwertował o 42% lepiej niż pozostałe źródła. Przychód z jednej wizyty z AI był o 37% wyższy niż z innych źródeł.
Salesforce szacuje, że AI i agenci wpłynęli na ponad 20% globalnej sprzedaży online w sezonie świątecznym 2025. Według Morgan Stanley 23% Amerykanów w ciągu ostatniego miesiąca kupiło coś z udziałem AI.
W USA działa też infrastruktura do zakupów przez agentów. W styczniu 2026 r. Google uruchomił Universal Commerce Protocol (UCP), otwarty standard, dzięki któremu agent AI może złożyć zamówienie w sklepie. Korzystają z niego m.in. Walmart, Target, Etsy i Wayfair. Wielka Brytania wdraża UCP etapami od połowy 2026 r. Dla Europy kontynentalnej termin nie został jeszcze ogłoszony.
W marcu 2026 r. OpenAI ograniczył funkcję zakupu bezpośrednio w ChatGPT (Instant Checkout) i skupił się na wyszukiwaniu i porównywaniu produktów. Zamówienie klient składa w sklepie sprzedawcy. Ścieżka zakupu zaczyna się więc w AI i kończy na karcie produktu marki. Ta karta musi odpowiedzieć na pytania asystenta i przekonać klientkę, która przyszła z rekomendacji.
Amerykańskie sklepy też mają zaległości. W indeksie Aidō Lighthouse 2026 wynik 80 pkt lub wyższy, oznaczający gotowość na AI, osiągnęło tylko 2% dużych sklepów internetowych. W rankingu AI Commerce Rankings przygotowanym przez Digital Commerce 360 i ReFiBuy najbardziej gotowy na AI okazał się sklep, który pod względem sprzedaży online zajmuje 814. miejsce wśród tysiąca największych sprzedawców w USA. Te badania mają inne metodologie niż nasze, dlatego nie porównujemy wyników wprost. Wniosek jest podobny: gotowość wynika z pracy nad danymi, a skala firmy ma mniejsze znaczenie.
| Obszar (październik 2026) | USA | Polska |
|---|---|---|
| Wyszukiwanie i rekomendacje z AI | Ruch z AI do sklepów wzrósł o 393% rok do roku (I kw. 2026) | Przegląd od AI od marca 2025 r., Tryb AI po polsku od października 2025 r., 63% internautów pozwoliło AI wyszukać i zaproponować produkt |
| Zakup przez agenta | UCP działa u dużych sprzedawców | Brak wdrożeń w Europie kontynentalnej, operatorzy płatności przygotowują infrastrukturę |
| Udział AI w sprzedaży online | Ponad 20% globalnej sprzedaży w sezonie świątecznym 2025 pod wpływem AI i agentów (Salesforce) | Ok. 5% transakcji online w 2025 r. z udziałem AI (OC&C) |
| Sklepy z wynikiem 80 pkt i więcej | 2% dużych sklepów (Aidō Lighthouse, inna metodologia) | 6% sklepów marek kosmetycznych (ROI and Shine) |
Różnica między rynkami dotyczy dziś głównie etapu zakupu. Wyszukiwanie i rekomendacje z AI działają w Polsce już teraz, więc jakość danych na kartach produktu ma znaczenie od dziś.
Co nas czeka w 2027 i 2028 roku
Prognozy dla rynku amerykańskiego wskazują ten sam kierunek. Morgan Stanley szacuje, że do 2030 r. zakupy realizowane przez agentów AI obejmą 10-20% amerykańskiego e-commerce, czyli 190-385 mld dolarów. W handlu między firmami Gartner przewiduje, że w 2028 r. 90% zakupów będzie przechodzić przez agentów AI.
Porządek w danych produktowych opłaca się w każdym z tych scenariuszy. Poprawia widoczność w wyszukiwarce, w porównywarkach, na marketplace'ach i w odpowiedziach asystentów AI.
Na podstawie tych danych spodziewamy się w Polsce dwóch zmian:
- 2027: zakup przez agenta dociera do Europy kontynentalnej. Operatorzy płatności już się przygotowują. Worldline we wrześniu 2026 r. uruchomił obsługę płatności dla UCP, a Nexi w marcu 2026 r. podpisał z Google Cloud porozumienie dotyczące handlu agentowego. Jako pierwsze podłączą się sklepy z uporządkowanymi danymi.
- 2028: asystent AI zawęża wybór na podstawie danych. Porównuje cenę, dostępność, koszt dostawy, zasady zwrotu, skład i opinie. Produkt bez tych danych w formie czytelnej dla maszyn wypada z porównania.
To nasza prognoza, oparta na kierunku zmian w USA i Wielkiej Brytanii.
Własna metodologia pomiaru Data Made Good i poprawy widoczności w AI
Dane są niezmiernie ważne - są kluczem dla sztucznej inteligencji i matematyczną ścieżką. To one wyznaczają kierunek. Nazwa naszej metodologii pomiaru i pracy nad danymi jest zainspirowana żeglugą i pojęciem „Course Made Good”, czyli kurs, który jednostka rzeczywiście obrała, aby dopłynąć do celu. W badaniu liczy się to samo: informacja, którą agent AI rzeczywiście odczyta ze strony.
Pytanie badawcze
Czy sklep ma infrastrukturę i dane na stronie, dzięki którym agent AI może produkt znaleźć, odczytać, porównać, polecić, a w przyszłości kupić?
Próba
31 sklepów internetowych na 29 domenach i 100 kart produktu. W sklepie głównym marki ocenialiśmy 4 karty, w sklepie dodatkowym lub kanale wielomarkowym 2 karty. Jeden sklep wielomarkowy ocenialiśmy osobno dla trzech marek, bo każda ma tam inny szablon karty. Sklepy należą do 19 właścicieli marek: 10 liderów rynku oraz 9 marek naturalnych, dermokosmetycznych i kosmetyków kolorowych. Pomiar wykonaliśmy 29 września 2026 r.
Sześć obszarów oceny i sprawdzonych aż 46 czynników dla każdego sklepu w prekursorskim badaniu agentic commerce ROI and Shine
| Obszar | Maks. pkt | Co sprawdzamy |
|---|---|---|
| Odpowiedzi dla agenta | 30 | Czy agent znajdzie na karcie odpowiedzi na 16 pytań kupującej, od „co to jest” i „ile kosztuje” po „czy mogę zwrócić”. |
| Dane strukturalne | 25 | Czy karta ma opis produktu zapisany w kodzie strony w standardzie schema.org, zwykle w formacie JSON-LD. Pola wymagane przez Google, pola zalecane, warianty, polityki wysyłki i zwrotu, encja sprzedawcy i nawigacja, spójność danych z widoczną stroną. Wyszukiwarki i asystenci AI odczytują ją bez interpretowania tekstu. |
| Treść | 18 | Czy opis wyjaśnia działanie, skład, sposób użycia i grupę docelową oraz czy efekty są poparte liczbami. Opis, struktura, opinie, media, kompletność, język, kara za sprzeczność. |
| SEO techniczne | 10 | Czy roboty łatwo znajdą i poprawnie zindeksują stronę: mapa strony, adres kanoniczny (wskazanie głównej wersji strony), nagłówki, meta title, meta description, H1, JS bez renderu, Open Graph. |
| Dostęp dla AI i agentów | 12 | Czy sklep wpuszcza roboty AI, nie zatrzymuje automatycznej przeglądarki i udostępnia feed produktowy, czyli plik z danymi wszystkich produktów dla wyszukiwarek i platform, encja marki. |
| Informacje wymagane prawem | 5 | Cena jednostkowa za litr lub kilogram, najniższa cena z 30 dni przed obniżką i dane producenta są czytelne dla maszyny. |
Oceniamy to, co widzi robot
Kartę oceniamy na podstawie surowego HTML, czyli kodu, który serwer wysyła od razu, przed uruchomieniem JavaScriptu. Analiza ruchu robotów przeprowadzona przez Vercel i MERJ wykazała, że roboty OpenAI i Perplexity nie uruchamiają JavaScriptu. Gemini korzysta z infrastruktury Google i JavaScript wykonuje. Informacja widoczna dopiero po uruchomieniu skryptów dostaje w naszej ocenie tylko część punktów.
Weryfikacja wyników
Wynik każdej karty liczą reguły automatyczne. Następnie dwóch niezależnych oceniających sprawdza odpowiedzi, a każdą odpowiedź potwierdza dosłowny cytat z kodu strony. Rozbieżność ocen o 2 pkt lub więcej wystąpiła na 2 ze 100 kart. Wynik sklepu to średnia wyników jego kart.
Poziomy gotowości
Gotowy: 80 pkt i więcej. Blisko: 70-79 pkt. Luki: 55-69 pkt. Niegotowy: poniżej 55 pkt.
Ograniczenia
- Pomiar jest jednorazowy. Ceny, stany magazynowe i szablony stron mogą się zmienić.
- 4 karty w sklepie głównym i 2 w dodatkowym reprezentują szablon karty, nie cały katalog. Wynik sklepu z 2 kartami jest mniej stabilny.
- Ocenialiśmy sklepy marek. Marketplace'y, porównywarki i odpowiedzi samych asystentów AI były poza zakresem tej edycji.
- Wynik opisuje sklep, nie markę ani firmę. Obszar „informacje wymagane prawem” mierzy czytelność informacji dla maszyn i nie jest opinią prawną.
Jak uporządkować dane produktowe z pomocą AI
Większość luk z badania ma wspólną przyczynę. Dane o produkcie są rozproszone między platformą sklepu, systemem ERP, arkuszami i opisami pisanymi ręcznie. AI pomaga je zebrać, uzupełnić i utrzymać w porządku. W ROI and Shine robimy to w pięciu krokach wraz z agentami AI, którzy przyśpieszają pracę i unifikację danych:
- Audyt spójności. Porównujemy, co o produkcie mówi karta, dane strukturalne, feed i marketplace'y. Wychodzą sprzeczności i braki.
- Jedno źródło atrybutów. AI wyodrębnia atrybuty z opisów, list INCI, etykiet i wyników badań: typ skóry, składniki aktywne ze stężeniem, pojemność, EAN, efekty z liczbą i metodą badania. Zespół marki zatwierdza zmiany hurtowo.
- Wzbogacenie treści. Uzupełniamy brakujące odpowiedzi: sposób użycia, grupę docelową, warunki dostawy i zwrotu. Efekty bierzemy wyłącznie z badań marki, zgodnie z zasadami uzasadniania oświadczeń dotyczących produktów kosmetycznych (rozporządzenie Komisji (UE) nr 655/2013).
- Publikacja. Generujemy dane strukturalne JSON-LD w kodzie wysyłanym przez serwer, feed do Google Merchant Center i marketplace'ów oraz dane gotowe do podłączenia pod protokoły zakupowe agentów (UCP, ACP).
- Stała kontrola. Po każdej zmianie ceny, promocji lub szablonu automatyczne testy sprawdzają, czy cena, dostępność i dane strukturalne są spójne.
Pracujemy na systemach, które sklep już ma: platformie sklepowej, ERP, PIM albo pliku z danymi produktów. Zespół marki zachowuje kontrolę nad treścią, a AI wykonuje pracę na skalę całego katalogu.
Sprawdź swój sklep
Twój sklep jest w badaniu? Napisz do nas. Prześlemy kartę wyników Twojego sklepu z listą poprawek dla każdej badanej karty produktu.
Prowadzisz sklep spoza badania? Wykonamy ten sam pomiar dla Twoich kart produktu.
Kolejne badania. W najbliższych tygodniach i miesiącach, do końca 2026 r., opublikujemy kolejne badania i analizy innych branż e-commerce.