Configuration d'analyses avancées pour un site de trading CS:GO

Les outils d'analyse standard sont adaptés à des modèles commerciaux simples. Si vous avez un projet de commerce électronique commun avec un ou deux types de conversion et un simple entonnoir de vente, il n'y a généralement aucune difficulté avec les rapports. Mais qu'en est-il des entreprises au modèle économique plus complexe ?

L'un de nos clients a utilisé OWOX BI pour mettre en place des analyses avancées pour une plate-forme qui permet aux clients d'échanger, d'acheter et de vendre rapidement et en toute sécurité des articles CS:GO et Dota 2.

Comme la plupart des entreprises qui accumulent beaucoup de données au fur et à mesure de leur croissance, notre client s'est rendu compte que leurs données pouvaient être utilisées pour prendre de meilleures décisions. Le produit principal de notre client est une plateforme d'échange et d'achat d'objets virtuels utilisée par plus de cinq millions de personnes dans une centaine de pays.

À un moment donné, l'entreprise a dépassé les rapports ad hoc dans Excel et les simples tableaux de bord analytiques dans lesquels les données étaient importées directement de divers systèmes. Ils voulaient mettre en place un entrepôt de données (DHW) avec toutes leurs données, créer des data marts compréhensibles et des rapports analytiques de business intelligence (BI) en plus de cet entrepôt de données, et automatiser ce processus pour vivre leur meilleure vie.

Avec l'aide d'OWOX BI et de Google BigQuery, l'entreprise souhaitait accomplir trois tâches principales :

• Automatisez l'importation de données à partir de divers systèmes
• Construire des datamarts analytiques
• Améliorer la qualité des données

L'entreprise a fait face à plusieurs défis dans le domaine de l'analyse des données. La première était que les outils d'analyse standard sont adaptés à des modèles commerciaux moins complexes que ceux de notre client. Le service de l'entreprise combine la fonctionnalité d'un magasin et d'une place de marché. De plus, les acheteurs peuvent payer à la fois avec de l'argent et avec des objets en jeu. C'est pourquoi l'entreprise a plusieurs types de transactions et plusieurs types de revenus. Par conséquent, notre client avait besoin de rapports personnalisés pour analyser le comportement des utilisateurs, les conversions et le retour sur investissement des campagnes marketing.

Deux autres défis étaient la mauvaise qualité des données et les écarts de données entre les systèmes. Le client était souvent confronté au fait que la même métrique avait une signification dans Amplitude, une autre dans Google Analytics et encore une autre dans la base de données transactionnelle. Pour éviter cela, ils ont décidé de commencer à travailler avec un entrepôt de données et, à l'avenir, de construire des rapports analytiques basés sur les données de l'ECS et non de sources individuelles.

Lors du choix d'un DWH, l'entreprise a opté pour Google BigQuery en raison de l'expertise de l'équipe d'analyse et de développement, du modèle de tarification approprié et de la facilité de démarrage avec Google Cloud Platform.

Initialement, le client a utilisé les produits OWOX pour créer un DWH dans Google BigQuery et télécharger des données brutes de Google Analytics et des comptes publicitaires pour une analyse plus approfondie par l'équipe marketing. Mais au fil du temps, c'est devenu le principal emplacement de stockage, et il est maintenant utilisé par les analystes, les chefs de produit, les spécialistes du marketing, certains développeurs et même l'équipe de support client.

Comment les données sont fusionnées pour les rapports :

1. À l'aide d'OWOX BI Pipeline, l'entreprise importe automatiquement les données de coût des services publicitaires (Facebook, Instagram, Bing, etc.) dans Google BigQuery.
2. OWOX BI Streaming collecte les données de comportement des utilisateurs du site et les transfère à BigQuery.
3. À l'aide de ses propres solutions, l'entreprise charge des données dans BigQuery à partir de plusieurs bases de données MySQL, d'Amplitude, de divers fichiers ad hoc et de Google Docs. Le téléchargement est orchestré à l'aide de Google Cloud Composer. Ils ont également plusieurs insertions de données en continu.
4. Les données sont stockées dans des couches. Toutes les données mentionnées ci-dessus entrent dans le stockage sous leur forme brute dans la couche intermédiaire. Idéalement, cette couche devrait être un ensemble de données avec de nombreuses tables, mais jusqu'à présent, le client dispose d'ensembles de données distincts pour les données de différents systèmes (Google Analytics, Amplitude). Au fur et à mesure que le DWH se développera, l'entreprise mettra cela en ordre. La formation de cette couche est également orchestrée depuis Google Cloud Composer.
5. De plus, sur la base des données de la couche intermédiaire, une couche de stockage est construite dans laquelle les données subissent une certaine transformation - tous les champs ont les types appropriés, les horodatages sont amenés dans le même fuseau horaire, certaines tables sont intentionnellement dénormalisées, des clés supplémentaires sont ajouté pour faciliter la liaison des tables, etc. Cette couche est optimisée pour les requêtes SQL utilisées par les analystes et les chefs de produit.
6. Il existe également une couche data_marts. Il stocke les magasins de données pour une utilisation ultérieure dans divers rapports et téléchargements. Les magasins de données sont construits à l'aide de données provenant à la fois des couches de stockage et de transfert.
7. L'entreprise crée des rapports de BI dans Google Data Studio et Power BI.

De plus, le client dispose d'ensembles de données distincts pour l'apprentissage automatique et de bacs à sable pour les équipes individuelles dans lesquels ils peuvent créer des tableaux et des vues pour leurs tâches internes sans l'aide de l'équipe DWH.

Grâce à la solution décrite ici, notre client a pu réduire considérablement la charge de travail du service d'analyse. Les employés ne collectent et ne nettoient plus les données de diverses sources pour compiler des rapports marketing. La culture de travail avec les données s'est améliorée et les données sont devenues plus accessibles à tous les employés.

Le nombre d'employés qui utilisent activement Google BigQuery pour trouver des réponses à leurs questions (écrire des requêtes et créer des visualisations dans Google Data Studio) est passé à 11 (de quatre départements). Avant la création du référentiel, seuls trois analystes pouvaient le faire.

Auparavant, l'entreprise utilisait principalement trois sources de données pour ses besoins analytiques : Google Analytics, une base de données MySQL et des documents de dépenses distincts. Ils disposent désormais de plus de 10 sources de données, et le volume de données traitées a également augmenté.

Avec OWOX BI, le service marketing a reçu des outils pratiques pour évaluer rapidement son travail. Désormais, les spécialistes du marketing peuvent suivre plus précisément le coût d'attraction des utilisateurs et, surtout, le retour sur investissement. En outre, la coopération avec les partenaires utilisant le modèle de partage des revenus est devenue plus transparente et compréhensible pour les deux parties.

Le client continue d'utiliser les produits OWOX BI pour résoudre ses problèmes actuels. À l'avenir, lors du passage à Google Analytics 4, l'entreprise prévoit de faire appel à l'équipe OWOX pour analyser les données exportées et la construction de tables de session.