Telemedi B2C: czy to, co widać na dashboardzie, jest wzrostem?

Rozwiązanie zadania rekrutacyjnego na stanowisko Head of B2C. Dane to dwa lata biznesu B2C (1.10.2024 – 30.09.2026), wygenerowane na potrzeby zadania.

Narzędzie: https://jakubgierasimiuk.github.io/kohorty-i-lejki/ — strona otwiera się w przeglądarce, bez instalacji i bez konta.

Repozytorium (ślad pracy): https://github.com/jakubgierasimiuk/kohorty-i-lejki

Odpowiedź w skrócie

Nie: pacjentów przybywa, ale wracają rzadziej. Prawie cały przyrost pacjentów (86%) to pacjenci dwóch nowych kampanii na zwolnienie lekarskie (L4), w Mecie i w TikToku, a na ich pacjencie po koszcie pozyskania prawie nic nie zostaje: 7 zł w ciągu 180 dni wobec 30 zł na pacjencie pozostałych kampanii płatnych, a na pacjentach pozyskanych od wiosny 2026 szacunkowo wychodzimy na zero. Marża po wszystkich kosztach wzrosła o 27%, w 88% dzięki zakupom pacjentów pozyskanych w pierwszym roku. Pacjenci pozyskani w ostatnich 12 miesiącach zarobili w roku pozyskania, po kosztach kampanii, tylko o 3% więcej niż ci pozyskani rok wcześniej, choć było ich o 52% więcej.

• Więcej pacjentów: tak, ale. Nowych pacjentów jest o 52% więcej niż rok wcześniej (24 687 wobec 16 231), ale bez dwóch nowych kampanii na L4 tylko o 7%.
• Lepsza retencja: nie. W ciągu 90 dni wraca 17% nowych pacjentów wobec 24% rok wcześniej (te same dni kalendarzowe). Pacjenci nowych kampanii prawie nie wracają (4%), a bez nich powrót też spada, do 22%.
• Więcej zarabiamy: tak, ale. Marża po wszystkich kosztach (po wynagrodzeniu lekarzy, wydatkach na kampanie i prowizji afiliacyjnej) wzrosła z 828 do 1 048 tys. zł. 88% tego przyrostu to kolejne zakupy pacjentów pozyskanych w pierwszym roku, a wynik pacjentów pozyskanych w danym roku, po kosztach kampanii, wzrósł tylko o 3%. To nie jest lepsza retencja: tych zakupów rok wcześniej nie było, bo w danych nie ma pacjentów sprzed 1.10.2024.
• Ile zostaje na nowym pacjencie po koszcie pozyskania (marża w 180 dniach od pierwszego zakupu minus wydatki na kampanię podzielone przez jej nowych pacjentów): na pacjencie nowych kampanii na L4 7 zł, na pacjencie pozostałych kampanii płatnych 30 zł (rok wcześniej 32 zł). Koszt pozyskania pacjenta nowych kampanii rośnie z 27–30 zł (listopad 2025 – luty 2026) do 33–37 zł (kwiecień – wrzesień 2026), a jego marża stoi na poziomie 34–40 zł, więc od kwietnia zostaje od −1 do +3 zł. TikTok na L4 traci od marca 2026. Według sesji z płatnością obie kampanie średnio tracą na pacjencie od grudnia 2025.
• Z kwartału na kwartał wydatki na kampanie rosną szybciej, a marża przed ich kosztem wolniej. W III kwartale 2026 wydatki były ponad dwa razy wyższe niż rok wcześniej, a marża przed ich kosztem wyższa o 25%. Wzrost marży po kosztach kampanii się zatrzymał: w III kwartale 2026 spadła o 7% rok do roku, a po odjęciu jednorazowego startu sprzedaży TelemediGO w newsletterze rok wcześniej byłaby wyższa tylko o 1%.
• Czego nie wiemy przy tej odpowiedzi: ilu pacjentów nowych kampanii przyszłoby i bez reklamy. Odpowie na to test z pozycji 9 listy priorytetów: wyłączenie kampanii Meta na L4 na 4–6 tygodni w losowej połowie województw i porównanie wszystkich nowych pacjentów z drugą połową.
• Gdzie i od kiedy tracimy pacjentów: wśród osób, które jeszcze nie kupowały, od kwietnia 2026 płaci 8% sesji wobec 11% w tych samych miesiącach rok wcześniej (liczba płatności rośnie, spada ich odsetek). Powody są dwa. Pierwszy to zmiana ruchu: spadek zaczyna się w lutym 2026, gdy ruch z nowych kampanii przekracza 30% sesji nowych osób, a te sesje płacą o połowę rzadziej niż pozostałe. Drugi to awaria: od 17.03.2026 nowe osoby w Safari na iPhone'ach rzadziej kończą zakładanie konta. Poza osobami z nowych kampanii (licząc według pierwszego wejścia, jak w retencji) od kwietnia wyraźnie płacą rzadziej tylko sesje w Safari na iPhone'ach: 8% wobec 12% rok wcześniej. W innych przeglądarkach konwersja jest bez istotnej zmiany.
• TelemediGO rośnie razem z liczbą zamówień (+40%), a nie dzięki większej chęci zakupu. Opłata 89 zł nie pokrywa zniżek, co widać w marży powtórnych zamówień.
• Dashboard pokazuje więcej wzrostu, niż jest w danych. Liczy 604 zdublowane zamówienia, zamówienia 22 kont testowych i przychód przed zwrotami. Po oczyszczeniu zamówień przybyło o 56%, a nie o 61%, a przychodu z konsultacji po zwrotach o 45%, a nie o 50%.

Źródło pacjenta przypisujemy na dwa sposoby i w całym narzędziu nazywamy je tak samo. Pacjentów i retencję liczymy według pierwszego wejścia (pierwsze wejście pacjenta na stronę, a kod kampanii na pierwszym zamówieniu rozstrzyga). Według sesji z płatnością do innych kanałów trafia 2 081 pacjentów nowych kampanii: 1 918 weszło z ich reklamy, a zapłaciło w innej sesji, a 163 zapłaciło z kodem kampanii po wejściu z innego kanału. Bez nich obie reguły przypisania dają ten sam przyrost pacjentów, powrót i marżę. W ekonomii kampanii pokazujemy oba.

Co robimy w pierwszym tygodniu

Ta sama lista stoi w narzędziu: w zakładce „Czy to wzrost” i w zasadach listy priorytetów (pozycje 1, 3 i 4 oraz pierwsze kroki pozycji 2, 5, 6, 8 i 11).

1. Naprawiamy zakładanie konta w Safari na iPhone'ach (od 17.03.2026 konta powstają tam rzadziej). Awaria jest widoczna w danych, a naprawa jest warta do 83 tys. zł marży rocznie (górny scenariusz, pozycja 1).
2. Czyścimy codzienny raport (bez duplikatów, bez kont testowych, przychód po zwrotach), dodajemy alarmy na lejku i sprawdzamy, czy lekarze dostają wynagrodzenie za wizyty testowe (pozycja 2).
3. Wstrzymujemy kampanię TikTok na L4 i kampanię Google Ads na specjalistów. Obie średnio tracą na pacjencie według obu reguł przypisania, a pauzę da się cofnąć w jeden dzień (pozycje 3 i 4).
4. Robimy krótkie sprawdzenia, każde na dzień albo dwa: co obiecują reklamy L4 (pozycja 5), poranne grafiki internistów (pozycja 6), ręczny zakup po zalogowaniu (pozycja 8) i kliknięcia w panelach Meta i TikToka wobec sesji (pozycja 11).

Lista priorytetów obejmuje działania wynikające z problemów widocznych w danych (naprawy, pauzy i testy), a celowo nie obejmuje działań na wzrost, które wymagają wiedzy spoza tych danych (nowe kanały i kampanie, rozwój oferty i TelemediGO poza naprawą warunków z pozycji 10, rozmowy z pacjentami); plan wzrostu przygotujemy po wynikach pierwszych testów (pozycje 7, 9 i 12).

Jak używać narzędzia na co dzień

• Lejek: domyślnie osoby, które jeszcze nie kupowały. Każdy krok dzień po dniu według przeglądarki i kampanii. Spadek jednego kroku w jednej przeglądarce to sygnał awarii, tak jak w Safari 17.03.2026.
• Kohorty: kohorty dzienne z ostatnich dni, w podziale na źródło i pierwszą usługę. Najpierw powrót w 30 dniach u kohort, które mają już pełne okno, potem marża na pacjenta.
• Po zakupie: punktualność porannych wizyt u internisty i zwroty po wizycie według kampanii.
• Wynik biznesu: marża przed kosztem kampanii i po nim, kwartał do kwartału rok wcześniej, i wynik na pacjenta każdej kampanii według pierwszego wejścia i według sesji z płatnością.
• Zdarzenia: czy zmiana, którą widać w kohortach albo w lejku, ma już datę i opis.

Pełna odpowiedź, lista 12 priorytetów (wartość w marży, sposób pomiaru, czas wdrożenia) i lista niewiadomych z testami są w narzędziu, w zakładkach „Czy to wzrost”, „Priorytety” i „Czego nie wiemy”. Każda karta ma zwijane „Szczegóły” z liczebnościami, wynikiem według sesji z płatnością (druga reguła przypisania), metodą i źródłem liczb.

Co jest w narzędziu

Zakładka	Co pokazuje
Czy to wzrost	odpowiedź na pytanie zadania: werdykt z trzema linijkami (więcej pacjentów, lepsza retencja, więcej zarabiamy) i osiem kroków, każdy z pytaniem, odpowiedzią i tym, co znaczy dla biznesu: liczby z dashboardu, skąd są nowi pacjenci, czy wracają, ile zostaje na nowym pacjencie po koszcie pozyskania, skąd +27% marży, kierunek z kwartału na kwartał, co robimy (z decyzjami na pierwszy tydzień) i czego nie wiemy; TelemediGO osobno
Kohorty	wniosek o powrotach, pasek „Pacjenci w analizie” (przypisanie źródła, zawężenia, „Przywróć domyślne”), mapa kohort miesięcznych, tygodniowych albo dziennych z nazwami zdarzeń, kohorty dzień po dniu z przyciskami zdarzeń (porównanie 60 dni przed i po) i tabelą grup (kolor tylko przy zmianie większej niż przypadek), krzywa powrotu
Lejek	pasek „Sesje w analizie” z „Przywróć domyślne”, kroki od wejścia na stronę do płatności, dzień po dniu z przyciskami zdarzeń i tabelą grup (urządzenie, przeglądarka, kanał, kampania, strona wejścia), rozpoznane problemy (Safari, przeglądarki w aplikacjach)
Po zakupie	punktualność wizyt według pory i specjalizacji, opóźnienia według godziny i porannego ruchu, powrót i oceny po spóźnionej wizycie, zwroty, anulacje i wizyty nieodebrane
Zdarzenia	na górze tabela zdarzeń i naszych decyzji, które zmieniły kohorty i wynik (skutek w złotych, pewność, co robimy, odnośnik do porównania 60 dni przed i po na kohortach dziennych); oś czasu zdarzeń znalezionych w danych (lejek, retencja, obsługa pacjenta, jakość danych) i ich opisy
Wynik biznesu	wniosek o marży, kwartały rok do roku, marża i wydatki na kampanie w czasie, ekonomia kampanii według pierwszego wejścia i według sesji z płatnością
Jakość danych	podejrzane rzeczy w danych i to, jak je potraktowaliśmy
Priorytety	12 działań od najważniejszego
Czego nie wiemy	czego dane nie rozstrzygają i jaki test albo jakie dane by to domknęły
Mapa biznesu	cały biznes B2C na jednym widoku: źródła nowych osób, lejek, zamówienia i wizyty, powroty, rachunek do marży, oś zdarzeń i 12 pozycji listy priorytetów jako znaczniki na mapie; suwak miesięcy; liczby wyłącznie z danych pozostałych zakładek

Co jest w repozytorium

Folder	Zawartość
narzedzie/	strona narzędzia: HTML, JavaScript, biblioteka wykresów uPlot w przypiętej wersji i przeliczone dane (dane_strony/, bez danych pojedynczych pacjentów z identyfikatorami)
analiza/	cały kod analizy w Pythonie (DuckDB i pandas), kolejność uruchamiania w analiza/README.md
analiza/wyniki/	raporty i zestawienia z każdego kroku; każda liczba w notatkach i w narzędziu pochodzi z tych plików
notatki/	ślad pracy: założenia (ZALOZENIA.md), znaleziska w danych (ZNALEZISKA.md), decyzje (DECYZJE.md), plan (PLAN.md) i notatki z kolejnych kroków
notatki/recenzje/	niezależne recenzje drugiego modelu AI: polecenia, odpowiedzi i to, co poprawiliśmy
notatki/konsylium/	ocena listy priorytetów i końcowa weryfikacja całego rozwiązania przez kilka modeli AI różnych firm, z wynikiem
bezpieczenstwo/	kontrola paczki z danymi przed rozpakowaniem i raporty z niej

Surowych danych, paczki i bazy danych nie ma w repozytorium.

Jak odtworzyć liczby

1. Python 3.13 z pakietami duckdb 1.5.5, pandas 2.3.3 i pyarrow.
2. Rozpakowane pliki CSV z zadania w folderze dane/.
3. Z głównego folderu repozytorium uruchom kolejno skrypty z tabeli w analiza/README.md, zawsze przez python -I. Pierwsze dwa budują bazę: python -I analiza/a1_baza.py, potem python -I analiza/a2_czyste.py. Każdy następny skrypt tylko czyta bazę i zapisuje raport do analiza/wyniki/.
4. Dane strony narzędzia odtwarza python -I analiza/b_eksport.py. Uruchamia on też analiza/b2_eksport_c.py i moduły tekstów analiza/e_teksty.py oraz analiza/e_teksty_zakladki.py, które składają zdania z liczb w raportach. Eksport sprawdza każdą liczbę na stronie z raportami i z notatkami z tekstami.
5. Podgląd strony lokalnie: python -m http.server 8765 uruchomione w folderze narzedzie/, potem http://127.0.0.1:8765/.

Jak pracowaliśmy

• Kolejność:
  • kontrola bezpieczeństwa paczki;
  • jakość danych;
  • dokładne odtworzenie liczb dashboardu;
  • definicje (nowy pacjent, powrót, źródło pozyskania, przychód) ustalone przed kohortami;
  • kohorty, lejek, to, co dzieje się po zakupie, i zdarzenia;
  • ekonomia kampanii;
  • lista priorytetów i niewiadomych.
• Każdy krok kończył się przeglądem i decyzją, zapisaną w notatki/DECYZJE.md.
• Analiza i narzędzie powstały z AI (Claude Code). Analizę robiliśmy kodem, a do rozmowy trafiały tylko wyliczenia.
• Każdy większy krok sprawdzał drugi, niezależny model (Codex, OpenAI). Przeliczał liczby własnym kodem i recenzował definicje, metodę i brzmienie wniosków. Uwagi i poprawki są w notatki/recenzje/.
• Listę priorytetów oceniło konsylium: kilka modeli różnych firm dostało ten sam opis bez naszej opinii. Zarzuty, które dało się sprawdzić w danych, sprawdziliśmy kodem.
• Każde założenie jest nazwane w notatki/ZALOZENIA.md. Tam, gdzie dane dopuszczają więcej niż jedno wyjaśnienie, nie przesądzamy przyczyny i podajemy test, który ją rozstrzygnie.

Jak pracowaliśmy z AI: prompty, ślepe uliczki, poprawki

Głównym narzędziem był Claude Code. Pracował w kilku sesjach naraz: sesja prowadząca rozdzielała punkty planu, a pozostałe sesje je wykonywały i zgłaszały wynik. Kuba (autor rozwiązania) zatwierdzał każdy punkt planu i każdy wniosek.

Gdzie są prompty i rozmowy:

• rozmowy/ — oczyszczony zapis wszystkich rozmów z Claude Code: polecenia Kuby słowo w słowo, odpowiedzi Claude i polecenia, które sesje wysyłały sobie nawzajem i agentom pomocniczym. W rozmowy/README.md jest opis, co usunęliśmy i dlaczego (między innymi tekst zadania i adresy stron).
• notatki/e_runda.md, notatki/d_poprawki.md i cytaty w notatki/DECYZJE.md — dłuższe polecenia Kuby z kolejnych rund, przepisane do notatek.
• CLAUDE.md — zasady pracy z AI w tym projekcie: kontrola bezpieczeństwa danych, kiedy zatrzymać się u Kuby, jak sprawdzamy liczby, kiedy sięgamy po drugi model.
• notatki/recenzje/ — polecenia i odpowiedzi drugiego modelu (Codex) oraz tabele „co przyjmujemy, co odrzucamy i dlaczego”.
• notatki/konsylium/ — briefy i odpowiedzi konsylium, czyli kilku modeli różnych firm, które oceniały to samo bez naszej opinii.
• notatki/lekcje.md — lekcje, które Claude zapisywał po drodze w pamięci projektu: co poszło źle, dlaczego i jak tego unikać.

Ślepe uliczki i poprawki. Historii commitów nie przepisywaliśmy, więc każda pomyłka jest w repozytorium razem z poprawką. Poniżej dziesięć najważniejszych. Miejsca, w których dzieją się w rozmowach, są w rozmowy/README.md.

1. Pierwszy plan pracy (19.10). Claude zaproponował, że sam przeprowadzi całą analizę, a narzędzie zbuduje równolegle. Kuba odrzucił ten plan: wnioski wyciągamy razem po każdym większym kroku, narzędzie powstaje dopiero na sprawdzonych definicjach, a liczby dashboardu odtwarzamy dokładnie, a nie „mniej więcej”. Commit f596688, notatki/DECYZJE.md (19.10, plan pracy).
2. Zdania mocniejsze niż dane (19.10). W streszczeniach dla Kuby Claude dwa razy podał przyczynę, której dane nie rozstrzygały: że wzrost nowych pacjentów od października do stycznia „pasuje do sezonu infekcji” i że sama zmiana struktury źródeł nie tłumaczy spadku powrotu w Mecie. Kuba poprawił oba zdania, bo w tych samych miesiącach rosły wydatki na kampanie, a w Mecie doszła w drugim roku nowa kampania na L4. Oba wątki rozdzieliła potem osobna część analizy. Commity 12a0128 i cab14b8, notatki/DECYZJE.md (dwie korekty po uwadze Kuby z 19.10).
3. Kontrola Codeksa a hipoteza Kuby (19.10). Kuba podejrzewał, że nowe kampanie na L4 przeciążyły porannych internistów. Po kontroli Codeksa Claude wycofał to powiązanie, bo przy tej samej liczbie wizyt w godzinie pacjenci nowych kampanii zmieniali odsetek spóźnionych wizyt tylko o 0,7 punktu procentowego, a Kuba odpowiedział, że przy przeciążeniu to wynik oczekiwany, bo lekarza nie obchodzi, skąd przyszedł pacjent. Porównanie, które rozdziela oba odczytania, pokazało o 26,4 punktu procentowego więcej spóźnionych porannych wizyt niż rok wcześniej przy tym samym ruchu w dniu, więc narzędzie mówi o spadku porannej przepustowości i nie przesądza jego przyczyny. Commity 8f0a767 i 0696058, notatki/a5_retencja.md, notatki/recenzje/a5r_codex2.md.
4. Błędy w kodzie, które złapał drugi model (19.10). Średnia w DuckDB po cichu pomijała sesje bez późniejszego zamówienia, więc odsetek zamówień w ciągu 7 dni po wejściu z newslettera albo SMS-a wyszedł 14,3% zamiast 2,6%. Opóźnienie wizyty liczone funkcją date_diff liczyło przekroczone granice minut, a nie upływ czasu; po poprawce data wzrostu opóźnień przesunęła się z 17.11 na 24.11.2025 i przestała się dokładnie pokrywać ze skokiem ruchu kampanii. Oba błędy znalazł Codex, który przeliczał liczby własnym kodem. Commity 0b157c4 i 8f0a767, notatki/recenzje/a5p_codex.md, notatki/recenzje/a5r_codex2.md, notatki/lekcje.md.
5. Safari: awaria schowana pod „zmianą ruchu” (19.10 i 22.10). Pierwszy nagłówek części o lejku brzmiał: „Konwersja lejka spadła, bo zmienił się ruch, a nie dlatego, że lejek gorzej działa”. Kuba go odrzucił, bo gubił awarię zakładania konta w Safari na iPhone'ach od 17.03.2026 i przeglądarki w aplikacjach, które tracą na każdym kroku lejka. Trzy dni później zdanie „poza nowymi kampaniami konwersja się nie zmieniła” znów przykrywało awarię; po przeliczeniu według pierwszego wejścia, z Safari osobno, wyszło, że poza nowymi kampaniami od kwietnia 2026 wyraźnie rzadziej płacą tylko sesje w Safari na iPhone'ach (8% wobec 12% rok wcześniej). Commity i , (19.10, pozyskanie; 22.10, trzecia lista Kuby).

Co w danych wygląda podejrzanie (szczegóły: notatki/ZNALEZISKA.md)

• 604 zamówienia zapisane dwa razy, wszystkie z 10–24.06.2026.
• 22 konta testowe z 2 071 zamówieniami: kod TEST-QA i zamówienia bez kodu na tych samych kontach, każda wizyta trwa 1 minutę. Testów przybywa.
• Od 17.03.2026 w Safari na iPhone'ach i iPadach gwałtownie spada skuteczność zakładania nowego konta.
• Żadna z 22 068 sesji pacjentów zalogowanych od wejścia nie kończy się zakupem konsultacji. Dane nie rozstrzygają, czy to wizyty „sprawdzam konto”, czy zepsuta ścieżka zakupu.
• Na kliknięcie reklamy w Meta i TikToku przypada wyraźnie mniej sesji niż w Google Ads.
• Wizyta u pediatry kosztuje pacjenta mniej niż wynosi koszt lekarza (przy założeniu opartym na zadaniu: 100 zł za każdego specjalistę poza internistą i psychiatrą).