CS:GO 거래 사이트에 대한 고급 분석 설정

표준 분석 도구는 단순한 비즈니스 모델에 맞춰져 있습니다. 하나 또는 두 개의 전환 유형과 간단한 판매 경로가 있는 일반적인 전자 상거래 프로젝트가 있는 경우 일반적으로 보고에 어려움이 없습니다. 그러나 더 복잡한 비즈니스 모델을 가진 회사는 어떻습니까?

고객 중 한 명이 OWOX BI를 사용하여 고객이 CS:GO 및 Dota 2 아이템을 빠르고 안전하게 교환, 구매 및 판매할 수 있는 플랫폼에 대한 고급 분석을 설정했습니다.

성장함에 따라 많은 데이터를 축적하는 대부분의 회사와 마찬가지로 우리 고객은 데이터를 사용하여 더 나은 의사 결정을 내릴 수 있다는 것을 깨달았습니다. 우리 클라이언트의 주요 제품은 약 100개국에서 500만 명이 넘는 사람들이 사용하는 가상 아이템 교환 및 구매를 위한 플랫폼입니다.

어느 시점에서 회사는 다양한 시스템에서 직접 데이터를 가져오는 간단한 분석 대시보드와 Excel의 임시 보고서를 넘어섰습니다. 그들은 모든 데이터가 포함된 데이터 웨어하우스(DHW)를 설정하고 해당 데이터 웨어하우스 위에 이해하기 쉬운 데이터 마트 및 분석 비즈니스 인텔리전스(BI) 보고를 구축하고 이 프로세스를 자동화하여 최고의 삶을 살기를 원했습니다.

OWOX BI와 Google BigQuery의 도움으로 회사는 세 가지 주요 작업을 수행하고자 했습니다.

• 다양한 시스템에서 데이터 가져오기 자동화
• 분석 데이터 마트 구축
• 데이터 품질 향상

회사는 데이터 분석 분야에서 몇 가지 문제에 직면했습니다. 첫 번째는 표준 분석 도구가 고객보다 덜 복잡한 비즈니스 모델에 맞춰져 있다는 것입니다. 회사의 서비스는 상점과 시장의 기능을 결합합니다. 또한 구매자는 현금과 게임 내 아이템으로 결제할 수 있습니다. 그렇기 때문에 회사에는 여러 유형의 거래와 여러 유형의 수익이 있습니다. 결과적으로 고객은 사용자 행동, 전환 및 마케팅 캠페인 ROI를 분석하기 위한 맞춤형 보고서가 필요했습니다.

두 가지 다른 문제는 낮은 데이터 품질과 시스템 간 데이터 불일치였습니다. 고객은 종종 동일한 측정항목이 Amplitude에서, Google Analytics에서 또 다른 의미를, 트랜잭션 데이터베이스에서 또 다른 의미를 갖는다는 사실에 직면했습니다. 이를 방지하기 위해 그들은 데이터 웨어하우스 작업을 시작하기로 결정했고, 향후에는 개별 소스가 아닌 DHW의 데이터를 기반으로 분석 보고를 작성하기로 결정했습니다.

DWH를 선택할 때 회사는 분석 및 개발 팀의 전문 지식, 적절한 가격 책정 모델 및 Google Cloud Platform 시작 용이성으로 인해 Google BigQuery를 선택했습니다.

처음에 클라이언트는 OWOX 제품을 사용하여 Google BigQuery에서 DWH를 생성하고 마케팅 팀의 추가 분석을 위해 Google Analytics 및 광고 계정에서 원시 데이터를 업로드했습니다. 그러나 시간이 지남에 따라 이것이 기본 스토리지 위치가 되었고 지금은 분석가, 제품 관리자, 마케팅 담당자, 일부 개발자, 심지어 고객 지원 팀에서도 사용하고 있습니다.

보고서를 위해 데이터가 병합되는 방법:

1. 회사는 OWOX BI 파이프라인을 사용하여 광고 서비스(Facebook, Instagram, Bing 등)에서 Google BigQuery로 비용 데이터를 자동으로 가져옵니다.
2. OWOX BI Streaming은 사이트에서 사용자 행동 데이터를 수집하여 BigQuery로 전송합니다.
3. 회사는 자체 솔루션을 사용하여 여러 MySQL 데이터베이스, Amplitude, 다양한 임시 파일 및 Google Docs에서 BigQuery로 데이터를 로드합니다. 업로드는 Google Cloud Composer를 사용하여 조정됩니다. 또한 데이터의 여러 스트리밍 삽입이 있습니다.
4. 데이터는 레이어에 저장됩니다. 위에서 언급한 모든 데이터는 스테이징 계층의 원시 형식으로 저장소에 들어갑니다. 이상적으로 이 계층은 많은 테이블이 있는 하나의 데이터 세트여야 하지만 지금까지 클라이언트는 다른 시스템(Google Analytics, Amplitude)의 데이터에 대한 별도의 데이터 세트를 가지고 있습니다. DWH가 발전함에 따라 회사는 이를 정리할 것입니다. 이 레이어의 구성도 Google Cloud Composer에서 조정됩니다.
5. 또한 스테이징 계층의 데이터를 기반으로 데이터가 약간의 변환을 거치는 스토리지 계층이 구축됩니다. 모든 필드는 적절한 유형을 가지며 타임 스탬프는 동일한 시간대로 가져오고 일부 테이블은 의도적으로 비정규화되며 추가 키는 테이블 등을 쉽게 연결할 수 있도록 추가되었습니다. 이 계층은 분석가 및 제품 관리자가 사용하는 SQL 쿼리에 최적화되어 있습니다.
6. data_marts 레이어도 있습니다. 다양한 보고서 및 다운로드에서 나중에 사용할 수 있도록 데이터 마트를 저장합니다. 데이터 마트는 스토리지 및 스테이징 계층 모두의 데이터를 사용하여 구축됩니다.
7. 이 회사는 Google Data Studio 및 Power BI에서 BI 보고를 빌드합니다.

또한 고객은 DWH 팀의 도움 없이 내부 작업을 위한 테이블과 뷰를 생성할 수 있는 개별 팀용 샌드박스와 머신 러닝을 위한 별도의 데이터 세트를 가지고 있습니다.

여기에 설명된 솔루션 덕분에 클라이언트는 분석 부서의 작업 부하를 크게 줄일 수 있었습니다. 직원들은 더 이상 마케팅 보고서를 작성하기 위해 다양한 소스에서 데이터를 수집하고 정리하지 않습니다. 데이터 작업 문화가 개선되었고 모든 직원이 데이터를 더 많이 사용할 수 있게 되었습니다.

Google BigQuery를 적극적으로 사용하여 질문에 대한 답변을 찾는(Google Data Studio에서 쿼리 작성 및 시각화 생성) 직원 수가 4개 부서에서 11명으로 증가했습니다. 리포지토리를 만들기 전에는 세 명의 분석가만 이 작업을 수행할 수 있었습니다.

이전에 이 회사는 주로 분석 요구를 위해 Google Analytics, MySQL 데이터베이스 및 별도의 비용 문서의 세 가지 데이터 소스를 사용했습니다. 이제 그들은 10개 이상의 데이터 소스를 보유하고 있으며 처리되는 데이터의 양도 증가했습니다.

OWOX BI를 통해 마케팅 부서는 작업을 신속하게 평가할 수 있는 편리한 도구를 받았습니다. 이제 마케팅 담당자는 사용자 유치 비용과 가장 중요한 ROI를 보다 정확하게 추적할 수 있습니다. 또한 수익 공유 모델을 사용하는 파트너와의 협력이 양 당사자에게 더욱 투명하고 이해하기 쉬워졌습니다.

클라이언트는 OWOX BI 제품을 계속 사용하여 현재 문제를 해결합니다. 향후 Google 애널리틱스 4로 전환할 때 회사는 OWOX 팀을 참여시켜 내보낸 데이터 및 세션 테이블 구성을 분석할 계획입니다.