Konfigurowanie zaawansowanych analiz dla witryny handlowej CS:GO

Standardowe narzędzia analityczne są dostosowane do prostych modeli biznesowych. Jeśli masz wspólny projekt e-commerce z jednym lub dwoma typami konwersji i prostym lejkiem sprzedażowym, zwykle nie ma trudności z raportowaniem. Ale co z firmami o bardziej złożonym modelu biznesowym?

Jeden z naszych klientów wykorzystał OWOX BI do skonfigurowania zaawansowanej analityki dla platformy, która pozwala klientom szybko i bezpiecznie wymieniać, kupować i sprzedawać przedmioty z CS:GO i Dota 2.

Podobnie jak większość firm, które w miarę rozwoju gromadzą mnóstwo danych, nasz klient zdał sobie sprawę, że jego dane mogą być wykorzystane do podejmowania lepszych decyzji. Głównym produktem naszego klienta jest platforma wymiany i zakupu wirtualnych przedmiotów, z której korzysta ponad pięć milionów ludzi w około 100 krajach.

W pewnym momencie firma przerosła doraźne raporty w Excelu i proste kokpity analityczne, w których dane były importowane bezpośrednio z różnych systemów. Chcieli założyć hurtownię danych (DHW) ze wszystkimi swoimi danymi, zbudować zrozumiałe hurtownie danych i analityczne raporty Business Intelligence (BI) na bazie tej hurtowni danych, a także zautomatyzować ten proces, aby zapewnić im najlepsze życie.

Z pomocą OWOX BI i Google BigQuery firma chciała zrealizować trzy główne zadania:

• Zautomatyzuj import danych z różnych systemów
• Twórz analityczne hurtownie danych
• Popraw jakość danych

Firma stanęła przed kilkoma wyzwaniami w zakresie analizy danych. Po pierwsze, standardowe narzędzia analityczne są dostosowane do mniej złożonych modeli biznesowych niż nasz klient. Serwis firmy łączy w sobie funkcjonalność sklepu i marketplace'u. Ponadto kupujący mogą płacić zarówno pieniędzmi, jak i przedmiotami w grze. Dlatego firma ma kilka rodzajów transakcji i kilka rodzajów przychodów. W związku z tym nasz klient potrzebował niestandardowych raportów do analizy zachowań użytkowników, konwersji i zwrotu z inwestycji w kampanię marketingową.

Dwa inne wyzwania to niska jakość danych i rozbieżności między systemami. Klient często spotykał się z faktem, że ta sama metryka ma inne znaczenie w Amplitude, inne w Google Analytics, a jeszcze inne w transakcyjnej bazie danych. Aby tego uniknąć, postanowili rozpocząć pracę z hurtownią danych, aw przyszłości budować raportowanie analityczne w oparciu o dane z CWU, a nie z poszczególnych źródeł.

Wybierając DWH, firma zdecydowała się na Google BigQuery ze względu na wiedzę zespołu analityków i programistów, odpowiedni model cenowy i łatwość rozpoczęcia korzystania z Google Cloud Platform.

Początkowo klient używał produktów OWOX do tworzenia DWH w Google BigQuery i przesyłania nieprzetworzonych danych z Google Analytics i kont reklamowych do dalszej analizy przez zespół marketingowy. Jednak z czasem stało się to głównym miejscem przechowywania, a teraz jest używane przez analityków, menedżerów produktu, marketerów, niektórych programistów, a nawet zespół obsługi klienta.

Jak dane są scalane w raportach:

1. Za pomocą OWOX BI Pipeline firma automatycznie importuje dane kosztowe z serwisów reklamowych (Facebook, Instagram, Bing itp.) do Google BigQuery.
2. OWOX BI Streaming zbiera dane o zachowaniu użytkowników z witryny i przesyła je do BigQuery.
3. Korzystając z własnych rozwiązań, firma ładuje dane do BigQuery z kilku baz danych MySQL, Amplitude i różnych plików ad hoc oraz Dokumentów Google. Przesyłanie odbywa się za pomocą Google Cloud Composer. Mają także wiele strumieniowych wstawek danych.
4. Dane są przechowywane w warstwach. Wszystkie wymienione powyżej dane są wprowadzane do magazynu w postaci nieprzetworzonej w warstwie pomostowej. Idealnie ta warstwa powinna być jednym zestawem danych z wieloma tabelami, ale jak dotąd klient ma osobne zbiory danych dla danych z różnych systemów (Google Analytics, Amplitude). W miarę rozwoju DWH firma będzie to porządkować. Tworzenie tej warstwy jest również koordynowane przez Google Cloud Composer.
5. Ponadto na podstawie danych z warstwy pomostowej budowana jest warstwa przechowywania, w której dane podlegają pewnej transformacji — wszystkie pola mają odpowiednie typy, znaczniki czasu są wprowadzane do tej samej strefy czasowej, niektóre tabele są celowo denormalizowane, dodatkowe klucze są dodany w celu ułatwienia łączenia tabel itp. Ta warstwa jest zoptymalizowana pod kątem zapytań SQL używanych przez analityków i menedżerów produktu.
6. Istnieje również warstwa data_marts. Przechowuje hurtownie danych do późniejszego wykorzystania w różnych raportach i plikach do pobrania. Składnice danych są tworzone przy użyciu danych zarówno z warstwy przechowywania, jak i pomostowej.
7. Firma buduje raportowanie BI w Google Data Studio i Power BI.

Dodatkowo klient posiada osobne zbiory danych do uczenia maszynowego oraz sandboxy dla poszczególnych zespołów, w których może tworzyć tabele i widoki do swoich zadań wewnętrznych bez pomocy zespołu DWH.

Dzięki opisanemu tu rozwiązaniu nasz klient był w stanie znacząco odciążyć dział analityki. Pracownicy nie zbierają już i nie czyszczą danych z różnych źródeł w celu sporządzania raportów marketingowych. Poprawiła się kultura pracy z danymi, a dane stały się bardziej dostępne dla wszystkich pracowników.

Liczba pracowników, którzy aktywnie korzystają z Google BigQuery w celu znalezienia odpowiedzi na swoje pytania (piszą zapytania i tworzą wizualizacje w Google Data Studio) wzrosła do 11 (z czterech działów). Przed utworzeniem repozytorium mogło to zrobić tylko trzech analityków.

Wcześniej firma korzystała głównie z trzech źródeł danych do celów analitycznych: Google Analytics, bazy danych MySQL oraz osobnych dokumentów wydatków. Teraz mają ponad 10 źródeł danych, a ilość przetwarzanych danych również wzrosła.

Dzięki OWOX BI dział marketingu otrzymał wygodne narzędzia do szybkiej oceny swojej pracy. Teraz marketerzy mogą dokładniej śledzić koszt pozyskania użytkowników i, co najważniejsze, zwrot z inwestycji. Również współpraca z partnerami korzystającymi z modelu udziału w przychodach stała się bardziej przejrzysta i zrozumiała dla obu stron.

Klient nadal korzysta z produktów OWOX BI do rozwiązywania swoich bieżących problemów. W przyszłości, przechodząc na Google Analytics 4, firma planuje zatrudnić zespół OWOX do analizy eksportowanych danych i budowy tabel sesyjnych.