Kompletní technický průvodce sběrem first-party dat přes dataLayer, jejich normalizací, hashováním a odesíláním přes server-side GTM do Google Ads a Meta.
V první části seriálu o využití first-party dat v online reklamě jsme vysvětlili proč jsou first-party data důležitá pro mediální cílení a zvýšení výkonu kampaní. V této části si podrobně popíšeme jak first-party data správně sbírat a posílat do mediálních systémů. Projedeme celou cestu first-party dat od dataLayeru přes normalizaci a hashování až po odeslání skrze server-side Google Tag Manager (sGTM) do Google Ads a Meta. Cílem je poskytnout vám konkrétní návod, který můžete rovnou implementovat včetně code snippetů, edge casů včetně míst, kde to v praxi skřípe nejvíc.
Dobrou zprávou je, že samotné odeslání first-party dat do reklamních systémů není technicky složité. Horší zpráva: detaily, na kterých záleží, jsou schované v normalizaci, hashování a v tom, jak přesně data zabalíte před odesláním. Pokud víte, jak na to, je to záležitost na jedno odpoledne. Pokud ne, strávíte daleko víc času laděním toho, proč se hash neshoduje (v horším případě to ani vědět nebudete) nebo proč data v platformě chybí.
Tenhle článek vám ušetří obojí. Projdeme celou technickou flow od sběru dat v dataLayeru přes normalizaci a hashování až po odeslání do Google Ads a Meta:
1. Uživatel provede akci na webu (nákup, odeslání formuláře), při které vám poskytne svoje osobní údaje a ty web vydá do datalayer objektu user_data.
2. Browserový GTM kontejner zachytí dataLayer event a například GA4 tag (lze odesílat i přes jiné trackery a templates) odešle hit na váš sGTM endpoint (nikoliv na Google servery) i s těmito údaji
3. Na straně sGTM přijme hit GA4 Client (speciální komponenta v sGTM, jejíž úkolem je rozpoznat v jakém formátu data přichází a správně je zpracovat), který přijme příchozí payload a transformuje ho do tzv. Event Data Objectu, strukturovaného datového objektu. Tento objekt obsahuje veškerá pole odeslaná z prohlížeče včetně objektu user_data.
4. Následně se aktivují příslušné tagy:
a. Google Ads Conversion Tracking tag na konkrétním konverzním eventu (např. purchase) automaticky parsuje user_data z Event Data Objectu, provede SHA- 256 hashování polí v objectu user_data a odešle konverzní hit na Google Ads servery (upřímně setup je ve skutečnosti hybridní - Google Ads tag v sGTM vrací v HTTP response instrukci pro GA4 knihovnu v prohlížeči, aby provedla redirect na DoubleClick doménu pro third-party cookie stitching).
b. Meta (Facebook) CAPI template (ať už používáte ten oficiální od Meta nebo třeba ten od Stape.io) si taktéž automaticky bere user_data z Event Data Objectu - pozor na to, dělá to i když mu je nenastavíte manuálně napřímo.
Sběr first-party dat začíná na vašem webu - konkrétně ve chvíli, kdy vám uživatel své údaje předá: při registraci, odeslání objednávky nebo přihlášení k newsletteru. Standardní cestou je push do dataLayeru. Už tady můžete narazit na první úskalí.
Několik klíčových best practices:
- user_data musí být součástí stejného pushe jako event, protože GTM zpracovává data v kontextu konkrétního eventu a data pushnutá samostatně nemusí být dostupná v okamžiku spuštění tagu
- před pushnutím nových ecommerce dat by měl být vždy vymazán předchozí stav nebo obsah datové vrsty: dataLayer.push({ ecommerce: null }); zabrání to „prosakování" dat z předchozích eventů.
- i když Google dokumentace tvrdí opak, nestačí přidat user_data pouze do Google tagu (konfiguračního tagu), přidejte ho i na jednotlivé GA4 event tagy (purchase, generate_lead atd.). Více specialistů se shoduje, že přidání pouze na config tag není vždy spolehlivé.
- pokud některá hodnota z user_data není k dispozici, pole jednoduše vynechte, nikdy neposílejte placeholder (prázdný řetězec, "unknown", "N/A" apod.). Systémy placeholder zahashují a použijí jako regulérní identifikátor, čímž sloučí všechny uživatele bez dané hodnoty do jednoho profilu. Výsledkem je zkreslená analytika jak v reklamních platformách, tak v GA4.
Zásadní prvek implementace first-party dat je hashování. Ve světě reklamních platforem typu Google nebo Meta se standardně používá jeden konkrétní algoritmus - SHA-256. SHA-256 je jednosměrný hashovací algoritmus, který převede libovolný vstup na 64znakový hexadecimální řetězec. Google, Meta, ale i Reddit, X, Pinterest, TikTok a další používají SHA-256 pro matching first-party dat proti své databázi přihlášených uživatelů.
Klíčové rozhodnutí je, kde hashovat. Na klientovi (v prohlížeči), nebo na serveru (v sGTM)?
Dobrá zpráva - pokud si chcete ušetřit práci a starosti, z praktického hlediska nemusíte hashování řešit ručně; všechny tagy a templaty pro Google Ads i Meta Pixel/CAPI provádějí hashování automaticky - ať už na browseru nebo v serveru. Google Ads tag automaticky hashuje pole user_data před odesláním a Meta CAPI tag (jak oficiální Facebook šablona, tak Stape šablona) dělá totéž. Navíc dokáží detekovat, zda data už hashovaná jsou, a v tom případě je nehashují znovu.
Otázka ale není jen technická, ale i bezpečnostní. Chcete otázku ochrany citlivých dat svěřit automatizovanému skriptu od Googlu nebo Mety? Pokud ne, máte v zásadě tři úrovně možného zabezpečení:
1. hashovat data ještě před odesláním do datové vrstvy, takže raw e-mail nebo telefon se v prohlížeči nikdy neobjeví;
2. osobní údaje v prohlížeči vynechat a poslat je ze svého CRM a hashovat přes funkci na server-side GTM
3. hashovat na vlastním serveru nebo backendu ještě před odesláním do sGTM
Každá z těchto cest má jiné nároky na implementaci i jiný bezpečnostní dopad. Otázce kdy a kde hashovat se budeme věnovat podrobněji v jednom z dalších dílů.
Normalizace je krok, který rozhoduje o tom, jestli vaše data vůbec budou k něčemu. Špatně normalizovaný hash se s databází platformy neshodne a konverze se nepřiřadí. Navíc Google a Meta mají pravidla na několika místech odlišná, takže jedna funkce pro obě nestačí.
Dokumentace Google: https://developers.google.com/google-ads/api/docs/conversions/upload-offline#prepare-data
Dokumentace Meta: https://developers.facebook.com/docs/marketing-api/conversions-api/parameters/customer-information-parameters/#formatting-the-user-data-parameters
Obě platformy vyžadují převod na lowercase a odstranění úvodních/koncových mezer (trim). Zásadní rozdíl je ale v zacházení s Gmail adresami - Google Ads Enhanced Conversions vyžaduje pro adresy na gmail.com a googlemail.com odstranění teček z username části a odstranění všeho za znakem + (plus-addressing). Meta CAPI toto nevyžaduje, jejich dokumentace explicitně uvádí pouze trim a lowercase. Odstranění teček z Gmail adresy pro Meta by vedlo k nesprávnému hashi.
Obě platformy vyžadují formát se country prefixem:
- Google požaduje E.164 formát Google Support s + na začátku
- Meta vyžaduje prakticky totéž, ale bez znaku + pouze číslice včetně kódu země.
Žádné mezery, pomlčky ani závorky. Vždy uvádějte kód země, i když všechna data pocházejí z jedné země.
Obě platformy: lowercase, bez interpunkce. Meta navíc požaduje odstranění speciálních znaků (ale česká diakritika je OK a má být zachovaná).
Meta hashuje všechna adresní pole (město, stát, ZIP, země), zatímco Google hashuje pouze jméno, příjmení a ulici - město, region, PSČ a země se posílají v plaintextu. Země musí být ve formátu ISO 3166-1 alpha-2 (CZ, SK, DE) pro Google, zatímco Meta chce lowercase (cz, sk)
Normalizovat byste měli optimálně už na webu, tzn. aby vám vývojář posílal do datové vrstvy rovnou normalizované a klidně i rovnou hashované osobní údaje. Pokud to z nějakého důvodu není možné, můžete si normalizační funkci v GTM napsat sami, může vypadat třeba takto:
Google:
function normalizeEmail(email, platform) {
email = email.trim().toLowerCase();
if (platform === 'google') {
const [user, domain] = email.split('@');
if (['gmail.com', 'googlemail.com'].includes(domain)) {
let cleanUser = user.replace(/\./g, '');
if (cleanUser.includes('+')) {
cleanUser = cleanUser.substring(0, cleanUser.indexOf('+'));
}
return cleanUser + '@' + domain;
}
}
return email;
}
function normalizePhone(phone, platform) {
let digits = phone.replace(/[\s\-\(\)]/g, '');
if (!digits.startsWith('+')) digits = '+' + digits;
// Meta: without +
return platform === 'meta' ? digits.replace('+', '') : digits;
}
Meta:
function normalizeEmailMeta(email) {
return email.trim().toLowerCase(); // no gmail dot-stripping
}
function normalizePhoneMeta(phone) {
let digits = phone.replace(/[\s\-\(\)]/g, '');
if (!digits.startsWith('+')) digits = '+' + digits;
return digits.replace('+', ''); // no +: 420234567890
}
Minimální požadavek: alespoň jeden identifikátor (e-mail, telefon, nebo kompletní adresa (jméno + příjmení + PSČ + země) - pokud pošlete jen jméno a příjmení, dojde k silent failu = raději neposílejte nekompletní adresu).
Implementujte fallback logiku: pokud telefon není k dispozici, pošlete alespoň e-mail. Pokud nemáte ani jedno, konverze se stále odešle. Platforma ji nezmatčuje, ale může ji započítat jako unattributed conversion a použít modeling.
Meta hashuje všechna customer information pole (e-mail, telefon, jméno, příjmení, město, stát, PSČ, země). V Meta Ads získávají vaše události hodnocení tzv. Event Match Quality (EMQ), což je Meta skóre na stupnici 0 až 10, která hodnotí kvalitu matchování.
Vaším cílem by mělo být získat 6+ pro hlavní konverzní eventy, ideálně 8+ pro purchase. Přidání hashovaného e-mailu přinese zhruba +4 body, telefonu +3 body. Lepší je poslat méně přesných, ale správně normalizovaných parametrů, než mnoho špatně zpracovaných.
Prerekvizity
- first-party údaje v datové vrstvě
- GTM kontejner nasazený na webu
- nastavené serverové měření sGTM (přes vlastní server v GCP nebo třetí stranu)
1. Předpokládejme, že máte v datové vrstvě nasazené údaje s událostí purchase:
window.dataLayer.push({
event: 'purchase',
ecommerce: {
transaction_id: '78342916504217',
value: 249,
tax: 43.21,
shipping: 0,
currency: 'CZK',
coupon: '',
items: [
{
item_id: 'ALZMNTB01',
item_name: 'Alzament PLA Basic 1kg Black',
item_brand: 'Alzament',
item_category: 'Počítače a notebooky',
item_category2: '3D tisk',
item_category3: 'Filamenty pro 3D tiskárny',
price: 249,
quantity: 1,
index: 0
}
]
},
new_customer: true,
customer_type: 'new',
user_data: {
email: 'jan.novak@example.cz',
phone_number: '+420731458920',
address: {
first_name: 'Jan',
last_name: 'Novák',
street: 'Hlavní 456',
city: 'Brno',
region: 'Jihomoravský kraj',
postal_code: '602 00',
country: 'CZ'
}
}
});
2. V GTM si vytvoříte pro každý údaj proměnnou typu “Data Layer Variable”
3. Pro Google Ads si pomocí těchto proměnných zaplníte hodnotami proměnnou “User-Provided data”
4. V browser GTM můžete nastavit odesílání first-party data pro Meta tags pomocí oficiální šablony od Meta (Meta Pixel). Stačí zaškrtnout “Enable Advanced Matching” a poté doplnit příslušná pole:
5. Pro odesílání first-party data do serveru musíte ve své transportní GA4 značce přidat proměnnou User-provided data jako součást config parametrů nebo si jednotlivé first-party proměnné poslat s jiným typem transportního tagu jednotlivě (Data tag)
6. V sGTM díky předchozímu kroku budete dostávat user_data object spolu s událostí purchase (nebo kdykoli budou data k dispozici v datové vrstvě. Pro měření konverzí do Google Ads máte hotovo - značka si údaje bere z objectu user_data automaticky.
Teď už zbývá jen nastavení odesílání uživatelských údajů pro serverové značky Meta Ads - ať už používáte template od Mety nebo od Stape:
Po nasazení je dobré si validovat, že vše chodí jak má - ve správném formátu a správně odchází.
V rámci GTM preview mode:
-> web GTM
-> zkontrolujte si, že se vám user_data v pohodě plní - jednotlivě i jako object:
-> a že se také odesílají do Meta tagu a sGTM v konverzních značkách:
Tímto máte hotovou základní architekturu: data tečou z dataLayeru přes sGTM do Google Ads i Meta, jsou správně normalizovaná a hashovaná. To je ta těžší část.
Jenže jak poznáte, že to opravdu funguje?
Match rate může být nízká ze tří různých důvodů a každý se řeší jinak. V příštím dílu si projdeme debugging = jak číst signály v GTM preview, co vám řekne Google Tag Diagnostics a jak interpretovat Event Match Quality skóre v Meta. Tedy: jak si ověřit, že všechna ta práce, kterou jste právě udělali, skutečně přináší výsledky.
Jak dostat data z reklamních systémů do jednoho warehouse, typicky BigQuery? Projdeme si základní architekturu a rozhodování, než se pustíte do exportů dat z Google Ads, Meta Ads, Skliku a dalších.
Třetí díl seriálu o first-party datech bude opět hodně technický – ukážeme si, jak zkontrolovat, že data správně odcházejí do jednotlivých systémů a dělají to, co mají. Podíváme se na odchozí hity v DevTools i na kontrolu přímo v reklamních platformá
Detailní průvodce sessionizací GA4 BigQuery exportu – od identifikace session a spolehlivého řazení eventů po dva atribuční modely (First Event Available a Session Start), jejich limity a validaci shody mezi nimi.
Nahlédněte do našeho řešení zálohování ClickUpu. Automatické exporty, GitHub repozitář a praktický postup, jak mít firemní data pod kontrolou.
Naučte se, jak nasadit serverový GTM na Cloud Run. Porovnáme Stape s vlastním řešením, vysvětlíme náklady a typy účtování a ukážeme, jak se vyhnout častým chybám při nastavení.
Kompletní technický průvodce sběrem first-party dat přes dataLayer, jejich normalizací, hashováním a odesíláním přes server-side GTM do Google Ads a Meta.
Testovali jsme ClickUp MCP pro management úkolů za pomoci AI. Zjistěte víc o praktických limitech, bezpečnostních omezeních a pro koho se tento nástroj hodí.
Naučte se jak first-party data zlepšují výkon kampaní. Základní příručka pro rozšíření konverze a pokročilý matching.
Zjistěte jak jsme migrovali 250 mediálních tagů (Facebook CAPI, Google Ads, Sklik, Bing) na server-side GTM. Praktické tipy, návody a zkušenosti.
Pokročilé workshopy digitální analytiky pro agenturní týmy. BigQuery, server-side tracking, správa souhlasů a marketingové datové sklady v praxi.
Ženy v analytice se často potýkají s imposter syndromem, přestože vynikají v práci s detailem i datovém storytellingu. Přidejte se ke komunitě Data Sisters.
Naučte se, jak přenést historická data z Google Analytics 4 do nového projektu v BigQuery pomocí Data Transfer Service. Podrobný návod krok za krokem se screenshoty.
Reshoper poradenská zóna a několik hodin konzultací pro návštěvníky veletrhu – letos v příjemných prostorách Křižíkových pavilonů na Výstavišti.
48 hodin vývoje aplikace s AI na hackathonu #HackYourWeekend v Brně. Od nápadu po nasazení pomocí Claude Code, měření přes BigQuery a získané zkušenosti.
6. 9. se v prostorách Brněnského Gen konal další ročník MeasureCamp - naší oblíbené komunitní akce. Potěšilo nás, že MeasureCampu se letos zúčastnilo 74 žen.
Postřehy z víkendového PPC kempu: legální cookieless tracking, pokročilý Consent Mode, Facebook konverze bez souhlasu a export Google Ads do BigQuery.
Výpočet dat Velikonoc v BigQuery pomocí algoritmu Computus. SQL skript generuje data Velikonoční neděle, Velkého pátku a Velikonočního pondělí pro analýzu dat z GA4.
Přednáška o integraci GA4 s BigQuery na akci Visibility Digital. Praktické ukázky využití od IKEA, Shoptetu, McDonald’s a České spořitelny.
80minutový podcast o digitální analytice pro e-commerce: metriky v GA4, náklady na server-side tracking, přínosy BigQuery a vyhodnocování kampaní.
Naučte se využívat export Google Ads do BigQuery pro získávání byznysových insightů. Kombinujte jej s daty z GA4 a CRM, řešte atribuční výzvy a zlepšete reporting.
Data retention v GA4 určuje, jak dlouho budou k dispozici informace o uživatelích a událostech. Prodlužte si dobu uchovávání až na 14 měsíců.
Poslední květnový den jsme strávili s týmem neziskové organizace Tereza a věnovali se základům Google Analytics 4 pro jejich program Učíme se venku.
Přednáška o nových možnostech e-commerce analytiky s využitím GA4, BigQuery a Google Cloud Platform pro maximalizaci hodnoty dat a výkonnosti kampaní.
Naučte se pracovat s raw daty z GA4 v BigQuery a Google Cloud Platform. Materiály z workshopu, SQL dotazy a praktické příklady z Marketing Festivalu 2024.
Vojta se v MeasureDesign věnuje vývoji technických a datových řešení, která mají být nejen funkční, ale i dobře použitelná v praxi. Baví ho propojovat webový vývoj, automatizaci a práci s daty tak, aby věci dávaly smysl jak z pohledu uživatele, tak z pohledu technického fungování na pozadí. Nejvíc ho těší moment, kdy se podaří složit komplexnější problém do čistého a spolehlivého řešení.
Jirka pracuje v marketingu přes 10 let a pokud existuje něco, co ho baví více než čísla sama, tak je to jejich propojování. Miluje matematiku a datovou analytiku a protože rád zkoumá i zdrojové kódy, dokáže se hravě domluvit i s programátory jejich jazykem. V MeasureDesign se specializuje na napojování nových datových zdrojů – vytváří vlastní konektory pomocí Pythonu, testuje kvalitu dat a zkoumá, co všeho by se dalo propojit, aby to mělo význam pro business. S Looker Studiem je jako ryba ve vodě a velkou zkušenost má také s vyhodnocováním PPC kampaní.
Lenka se k MeasureDesign připojila na konci roku 2025 s bohatými zkušenostmi z PPC marketingu, kde dlouhodobě pracovala s Google Ads, Meta Ads a dalšími reklamními systémy. Právě při řízení kampaní ale opakovaně narážela na tentýž problém – špatně nebo nedostatečně nastavenou webovou analytiku, která znemožňovala efektivní optimalizaci. To ji vedlo k tomu, že se analytice začala věnovat nejdřív z nutnosti, postupně však zjistila, že ji baví víc než samotné reklamy. Dnes se zaměřuje především na implementaci webové analytiky a datových řešení, která firmám zajišťují kvalitní a spolehlivá data pro strategické rozhodování i výkonný marketing. Část PPC projektů si ponechává – jednak proto, že ji stále baví, ale hlavně aby zůstala v kontaktu s realitou mediálních systémů a skutečnými potřebami klientů.
Marťa se k MeasureDesign připojila v roce 2025 během studia webových aplikací. Fascinuje ji, jak rychle se vyvíjí svět umělé inteligence, a proto se zaměřila na výzkum velkých jazykových modelů. Ve firmě pomáhá integrovat AI do každodenní práce – tak, aby byla rychlejší, efektivnější a zároveň dostupná pro všechny členy týmu. Nejvíc ji baví hledat způsoby, jak AI využít prakticky a přetavit nové technologie v užitečné nástroje.
Markéta začínala v marketingu, ale pak přišla mateřská – a s ní nekonečný chaos. Potřebovala si zachovat aspoň zbytky zdravého rozumu, a tak se vrhla na data. Čísla totiž nekřičí, nerozsypávají křupíky do klávesnice a dávají aspoň nějaký smysl. V Engeto Academy prošla kurzem datové analytiky, kde se spřátelila se SQL, Power BI, Excelem a Pythonem a začala hledat vzorce i mimo dětské omalovánky. Dnes v MeasureDesign pomáhá klientům zjistit, co jim jejich čísla doopravdy říkají.
Blanka se stala součástí našeho týmu v roce 2024 a od té doby má na starosti oblast back office, včetně fakturace a administrativních úkolů. Využívá své zkušenosti z České pošty a vzdělání v oboru finančního managementu, aby zajistila hladký chod všech procesů. Ve volném čase se věnuje svým dvěma dětem, s nimiž ráda cestuje, a zároveň si užívá práci na zahrádce, kde nachází svůj odpočinek.
Do MeasureDesign nastoupila v roce 2023 a specializuje se na implementaci měření a reporting. Největší radost jí dělá moment, kdy se po všech nastaveních a testech konečně rozběhnou první data. Naopak největší výzvou jsou nečekané (a často nezadokumentované) změny od Google – chvíle, kdy se z analytika stává paranormal behaviour expert. 👻 Byla členkou našeho týmu do léta 2026.
Anička má více jak 7 let zkušeností z agenturního prostředí, kde spravovala pro klienty reklamní kampaně na sociálních sítích, nejradši pro obsahové weby. Chtěla získat trochu větší pohled nejen na kampaňová data, a tak více směřovala svou práci k webové analytice. K našemu týmu se přidala v roce 2022 a nyní se zaměřuje na datovou analytiku, kde s využitím GA4, BigQuery, Looker Studia a dalších nástrojů může propojovat a analyzovat data ještě víc do hloubky a přinést klientům zajímavé analýzy i podklady pro business rozhodování. Anička byla členkou našeho teamu do roku 2026.
Klára je ve firmě od roku 2019. Věnuje se hlavně webové analytice, ale nezalekne se ani práce s daty v BigQuery. Nejvíc ji baví, když může klienta provést od definování jeho potřeb přes implementaci měření až k výsledné vizualizaci dat. Až podezřele velkou radost jí dělá pohled na hezky přehledný GTM kontejner nebo report plný užitečných dat.
Vašek se již více než 15 let věnuje digitální analytice – od nastavování měření po uložení, vizualizaci a interpretaci dat. Firmám pomáhá mít v datech pořádek a umět je naplno využít. Věnuje se primárně datům z digitálních platforem jako jsou weby, aplikace, klientské zóny apod. a propojování těchto dat s dalšími firemními daty jako jsou mediální a zákaznická data. Po letech na volné noze spoluzaložil analytické studio MeasureDesign, kde kromě analytických projektů a školení na míru vzdělává nové analytičky a analytiky.
Zuzčina kariéra vedla přes řízení inovací a výzkumu v korporátu, vedení “wom” (word of mouth) projektů do digitální agentury, kde projektově řídila tvorby webových stránek. Zuzka je ale dost zvědavá a potřebovala vědět, jak web funguje, když je vypuštěn do světa. To ji motivovalo ke studiu webové analytiky, a následně přivedlo k osudové spolupráci s Vaškem a v roce 2019 spolu založili firmu.
