Configurando análises avançadas para um site de negociação CS:GO

As ferramentas analíticas padrão são adaptadas para modelos de negócios simples. Se você tem um projeto de comércio eletrônico comum com um ou dois tipos de conversão e um funil de vendas simples, geralmente não há dificuldades com relatórios. Mas e as empresas com um modelo de negócios mais complexo?

Um de nossos clientes usou o OWOX BI para configurar análises avançadas para uma plataforma que permite aos clientes trocar, comprar e vender itens de CS:GO e Dota 2 com rapidez e segurança.

Como a maioria das empresas que acumulam muitos dados à medida que crescem, nosso cliente percebeu que seus dados poderiam ser usados ​​para tomar melhores decisões. O principal produto do nosso cliente é uma plataforma de troca e compra de itens virtuais que é utilizada por mais de cinco milhões de pessoas em cerca de 100 países.

Em algum momento, a empresa superou os relatórios ad hoc em Excel e os painéis analíticos simples nos quais os dados eram importados diretamente de vários sistemas. Eles queriam configurar um data warehouse (DHW) com todos os seus dados, criar data marts compreensíveis e relatórios analíticos de inteligência de negócios (BI) sobre esse data warehouse e automatizar esse processo para viver melhor.

Com a ajuda do OWOX BI e do Google BigQuery, a empresa queria realizar três tarefas principais:

• Automatize a importação de dados de vários sistemas
• Crie data marts analíticos
• Melhore a qualidade dos dados

A empresa enfrentou vários desafios no campo da análise de dados. A primeira foi que as ferramentas analíticas padrão são adaptadas a modelos de negócios menos complexos do que os de nossos clientes. O serviço da empresa combina a funcionalidade de uma loja e um marketplace. Além disso, os compradores podem pagar tanto com dinheiro quanto com itens do jogo. É por isso que a empresa tem vários tipos de transações e vários tipos de receitas. Consequentemente, nosso cliente precisava de relatórios personalizados para analisar o comportamento do usuário, as conversões e o ROI da campanha de marketing.

Dois outros desafios foram a baixa qualidade dos dados e as discrepâncias de dados entre os sistemas. O cliente frequentemente se deparava com o fato de que a mesma métrica tinha um significado no Amplitude, outro no Google Analytics e ainda outro no banco de dados transacional. Para evitar isso, eles decidiram começar a trabalhar com um data warehouse e, no futuro, criar relatórios analíticos com base nos dados do AQS e não em fontes individuais.

Ao escolher um DWH, a empresa optou pelo Google BigQuery devido à experiência da equipe de análise e desenvolvimento, ao modelo de preços adequado e à facilidade de começar a usar o Google Cloud Platform.

Inicialmente, o cliente usou produtos OWOX para criar um DWH no Google BigQuery e fazer upload de dados brutos do Google Analytics e contas de anúncios para análise posterior pela equipe de marketing. Mas, com o tempo, esse se tornou o principal local de armazenamento e agora é usado por analistas, gerentes de produto, profissionais de marketing, alguns desenvolvedores e até mesmo pela equipe de suporte ao cliente.

Como os dados são mesclados para relatórios:

1. Usando o OWOX BI Pipeline, a empresa importa automaticamente dados de custos de serviços de publicidade (Facebook, Instagram, Bing, etc.) para o Google BigQuery.
2. O OWOX BI Streaming coleta dados de comportamento do usuário do site e os transfere para o BigQuery.
3. Usando suas próprias soluções, a empresa carrega dados no BigQuery de vários bancos de dados MySQL, Amplitude e vários arquivos ad hoc e Google Docs. O upload é orquestrado usando o Google Cloud Composer. Eles também têm várias inserções de dados em streaming.
4. Os dados são armazenados em camadas. Todos os dados mencionados acima entram no armazenamento em sua forma bruta na camada de teste. Idealmente, esta camada deve ser um conjunto de dados com muitas tabelas, mas até agora o cliente tem conjuntos de dados separados para dados de diferentes sistemas (Google Analytics, Amplitude). À medida que o DWH se desenvolve, a empresa colocará isso em ordem. A formação dessa camada também é orquestrada a partir do Google Cloud Composer.
5. Além disso, com base nos dados da camada de preparação, uma camada de armazenamento é criada na qual os dados passam por alguma transformação - todos os campos têm os tipos apropriados, carimbos de data/hora são trazidos para o mesmo fuso horário, algumas tabelas são desnormalizadas intencionalmente, chaves adicionais são adicionada para facilitar a vinculação de tabelas, etc. Essa camada é otimizada para consultas SQL usadas por analistas e gerentes de produto.
6. Há também uma camada data_marts. Ele armazena data marts para uso posterior em vários relatórios e downloads. Os data marts são construídos usando dados das camadas de armazenamento e preparação.
7. A empresa cria relatórios de BI no Google Data Studio e no Power BI.

Além disso, o cliente tem conjuntos de dados separados para aprendizado de máquina e sandboxes para equipes individuais nas quais podem criar tabelas e exibições para suas tarefas internas sem a ajuda da equipe DWH.

Graças à solução aqui descrita, nosso cliente conseguiu reduzir significativamente a carga de trabalho do departamento de analytics. Os funcionários não coletam mais e limpam dados de várias fontes para compilar relatórios de marketing. A cultura de trabalhar com dados melhorou e os dados estão mais disponíveis para todos os funcionários.

O número de funcionários que usam ativamente o Google BigQuery para encontrar respostas para suas perguntas (escrever consultas e criar visualizações no Google Data Studio) aumentou para 11 (de quatro departamentos). Antes da criação do repositório, apenas três analistas podiam fazer isso.

Anteriormente, a empresa usava principalmente três fontes de dados para necessidades analíticas: Google Analytics, um banco de dados MySQL e documentos de despesas separados. Agora eles têm mais de 10 fontes de dados e o volume de dados processados ​​também cresceu.

Com o OWOX BI, o departamento de marketing recebeu ferramentas convenientes para avaliar rapidamente seu trabalho. Agora, os profissionais de marketing podem rastrear com mais precisão o custo de atrair usuários e, o mais importante, o ROI. Além disso, a cooperação com parceiros que usam o modelo de compartilhamento de receita tornou-se mais transparente e compreensível para ambas as partes.

O cliente continua a usar os produtos OWOX BI para resolver seus problemas atuais. No futuro, ao migrar para o Google Analytics 4, a empresa planeja recrutar a equipe OWOX para analisar os dados exportados e construir tabelas de sessões.