Настройка расширенной аналитики для торговой площадки CS:GO

Стандартные инструменты аналитики адаптированы к простым бизнес-моделям. Если у вас обычный e-commerce проект с одним-двумя типами конверсий и простой воронкой продаж, обычно сложностей с отчетностью не возникает. А как насчет компаний с более сложной бизнес-моделью?

Один из наших клиентов использовал OWOX BI для настройки расширенной аналитики для платформы, которая позволяет клиентам быстро и безопасно обменивать, покупать и продавать предметы CS:GO и Dota 2.

Как и большинство компаний, которые накапливают много данных по мере своего роста, наш клиент понял, что их данные можно использовать для принятия более эффективных решений. Основной продукт нашего клиента — платформа для обмена и покупки виртуальных предметов, которой пользуются более пяти миллионов человек примерно в 100 странах мира.

В какой-то момент компания переросла специальные отчеты в Excel и простые аналитические панели, в которые данные импортировались напрямую из различных систем. Они хотели настроить хранилище данных (DHW) со всеми своими данными, построить понятные витрины данных и аналитические отчеты бизнес-аналитики (BI) поверх этого хранилища данных и автоматизировать этот процесс, чтобы жить своей лучшей жизнью.

С помощью OWOX BI и Google BigQuery компания хотела решить три основные задачи:

• Автоматизируйте импорт данных из различных систем
• Создавайте аналитические витрины данных
• Улучшить качество данных

Компания столкнулась с рядом проблем в области анализа данных. Во-первых, стандартные инструменты аналитики приспособлены к менее сложным бизнес-моделям, чем у нашего клиента. Сервис компании сочетает в себе функционал магазина и маркетплейса. Кроме того, покупатели могут расплачиваться как деньгами, так и внутриигровыми предметами. Вот почему у компании есть несколько видов сделок и несколько видов выручки. Следовательно, нашему клиенту понадобились настраиваемые отчеты для анализа поведения пользователей, конверсий и рентабельности маркетинговых кампаний.

Двумя другими проблемами были низкое качество данных и расхождения данных в разных системах. Клиент часто сталкивался с тем, что одна и та же метрика имела одно значение в Amplitude, другое в Google Analytics и третье в транзакционной базе данных. Чтобы этого избежать, решили начать работать с хранилищем данных и в дальнейшем строить аналитическую отчетность на основе данных из ГВС, а не из отдельных источников.

При выборе хранилища данных компания остановилась на Google BigQuery из-за опыта команды аналитиков и разработчиков, подходящей модели ценообразования и простоты начала работы с Google Cloud Platform.

Изначально клиент использовал продукты OWOX для создания DWH в Google BigQuery и загрузки необработанных данных из Google Analytics и рекламных аккаунтов для дальнейшего анализа маркетинговой командой. Но со временем это стало основным местом хранения, и теперь его используют аналитики, продакт-менеджеры, маркетологи, некоторые разработчики и даже служба поддержки клиентов.

Как данные объединяются для отчетов:

1. С помощью OWOX BI Pipeline компания автоматически импортирует данные о затратах из рекламных сервисов (Facebook, Instagram, Bing и др.) в Google BigQuery.
2. OWOX BI Streaming собирает данные о поведении пользователей с сайта и передает их в BigQuery.
3. Используя собственные решения, компания загружает в BigQuery данные из нескольких баз данных MySQL, Amplitude, различных специальных файлов и Google Docs. Загрузка организована с помощью Google Cloud Composer. У них также есть несколько потоковых вставок данных.
4. Данные хранятся слоями. Все упомянутые выше данные поступают в хранилище в необработанном виде на промежуточном уровне. В идеале этот слой должен быть одним набором данных с множеством таблиц, но пока у клиента есть отдельные наборы данных для данных из разных систем (Google Analytics, Amplitude). По мере развития СХД компания будет приводить это в порядок. Формирование этого слоя также организовано из Google Cloud Composer.
5. Далее на основе данных из staging слоя строится уровень хранения, в котором данные претерпевают некоторую трансформацию — все поля имеют соответствующие типы, временные метки приведены в один часовой пояс, некоторые таблицы намеренно денормализованы, дополнительные ключи добавлен для простоты связывания таблиц и т. д. Этот уровень оптимизирован для SQL-запросов, используемых аналитиками и менеджерами по продуктам.
6. Существует также слой data_marts. Он хранит витрины данных для последующего использования в различных отчетах и ​​загрузках. Витрины данных строятся с использованием данных как из хранилища, так и из промежуточного уровня.
7. Компания создает отчеты BI в Google Data Studio и Power BI.

Кроме того, у клиента есть отдельные наборы данных для машинного обучения и песочницы для отдельных команд, в которых они могут создавать таблицы и представления для своих внутренних задач без помощи команды DWH.

Благодаря описанному здесь решению наш клиент смог значительно снизить нагрузку на отдел аналитики. Сотрудники больше не собирают и не очищают данные из различных источников для составления маркетинговых отчетов. Повысилась культура работы с данными, и данные стали более доступными для всех сотрудников.

Количество сотрудников, которые активно используют Google BigQuery для поиска ответов на свои вопросы (пишут запросы и создают визуализации в Google Data Studio), выросло до 11 (с четырех отделов). До создания репозитория это могли сделать только три аналитика.

Ранее для аналитических нужд компания в основном использовала три источника данных: Google Analytics, базу данных MySQL и отдельные расходные документы. Сейчас у них более 10 источников данных, вырос и объем обрабатываемых данных.

С OWOX BI отдел маркетинга получил удобные инструменты для быстрой оценки своей работы. Теперь маркетологи могут более точно отслеживать стоимость привлечения пользователей и, самое главное, ROI. Также сотрудничество с партнерами по модели распределения доходов стало более прозрачным и понятным для обеих сторон.

Клиент продолжает использовать продукты OWOX BI для решения текущих задач. В дальнейшем при переходе на Google Analytics 4 компания планирует привлечь команду OWOX для анализа экспортируемых данных и построения таблиц сессий.