OWOX BI Dönüşümü: Dijital pazarlama verilerinizi kolaylıkla normalleştirin, hazırlayın ve düzenleyin

Bir şirket çeşitli kaynaklardan ne kadar çok veri toplarsa, tüm analitik sistemi o kadar karmaşık hale gelir. Böylece, analitik sistemini yönetmek ve güvenebileceğiniz içgörüler bulmak daha da zorlaşıyor. Analistler, veri büyüme noktalarını ve risk alanlarını aramak yerine, raporlar için verileri işlemeye ve hazırlamaya daha fazla zaman harcamalıdır.

OWOX'ta 20 yılı aşkın bir süredir analitikle ilgileniyoruz ve analistlerin verilerle çalışmanın her aşamasında karşılaştıkları zorlukların çok iyi farkındayız. Sonuç olarak, analistlerin raporlamayı ve veri yönetimini basitleştirmesine ve iş için hazır verileri daha hızlı ve daha kolay elde etmesine yardımcı olan, analist dostu bir kullanıcı arayüzüne sahip bir yazılım oluşturduk.

İş için hazır veriler, iş modelinize uygun bir yapıda son temizlenmiş veri kümesidir. İş verileri aslında iş modelini tanımlar. Örneğin, belirli bir şirkette kullanıcılar, B2B kullanıcıları, işlemler, olası satışlar vb. terimlerle tam olarak ne kastedilmektedir? Bu tanımlar işi özünde tanımlar. İş verileri modeli, tüm çalışanların verilerin nasıl kullanıldığı ve anlaşıldığı konusunda ortak bir anlayışa sahip olmasını sağlar.

Başka bir deyişle, işletmeye hazır veriler pazarlama ve ürün raporlamasında kullanılmaya hazırdır ve herhangi bir görselleştirme hizmetine (Power BI, Tableau, Google Data Studio) gönderilebilir.

Ham, modellenmemiş veriler üzerinde raporlar oluşturursanız, birçok yinelenen sorunla karşılaşabilirsiniz: hataları ve tutarsızlıkların nedenlerini aramak çok zaman alır ve iş mantığının tüm SQL sorgularında sürekli olarak çoğaltılması gerekir.

Bu nedenle ham verileri iş için hazır verilere dönüştürmek, atlanmaması gereken önemli bir adımdır.

Analistler, farklı hizmetlerden ve sistemlerden veri toplar. Doğal olarak bu kaynaklardaki verilerin yapısı ve formatı da farklılık göstermektedir. Rapor oluşturmak için farklı kaynaklardan gelen verilerin doğru bir şekilde birleştirilmesi gerekir. Kendi başına, bağlayıcılar veya çeşitli ETL hizmetleri aracılığıyla yüklenen veriler hatalıdır (hatalar, kopyalar ve tutarsızlıklar içerir) ve birleşik bir mantık ve yapıdan yoksundur. Hatalı ve parçalanmış verilerin temizlenmesi ve analize hazır bir formatta normalleştirilmesi gerekir.

Farklı kaynaklardan gelen verileri tek bir biçime dönüştürmek zordur. Örneğin farklı reklam platformlarından (Google Ads, Twitter Ads, Facebook Ads) maliyet verileri toplayabilirsiniz ve her sistemin bu alan için kendi para birimi ve etiketi olabilir.

Veri normalleştirmenin bir başka amacı, veri fazlalığı sorunlarını çözmektir (aynı veriler veritabanında birkaç yerde depolandığında). Veri fazlalığı çeşitli anormalliklere katkıda bulunur, performansı düşürür ve veri yönetimini elverişsiz hale getirir.

Tüm verileri manuel olarak normalleştirmek oldukça zordur. Büyük miktarda veriyle çalışırken, çoğunlukla sonsuz SQL sorguları ve komut dosyalarıyla ilgili birçok hata ve tutarsızlık görünebilir. Bir şeyler ters giderse veya değişirse (örneğin, bir hizmet API'si güncellenirse), her şey çökecektir.

Veri normalleştirme, analistleri daha ilginç görevler üstlenmekten ve içgörü aramaktan alıkoyan bir iştir. Genellikle bir analistin çalışma süresinin %50'sini aldığından bahsetmiyorum bile.

OWOX, tüm pazarlama kaynaklarınızdan uygun bir biçimde analiz için verileri otomatik olarak toplar:

1. Google Analytics 4, Firebase ve AppsFlyer
2. Tam GDPR uyumluluğu ile ham web sitesi verileri
3. Reklam platformları
4. CRM sistemleri
5. Diğer pazarlama kaynakları

OWOX BI ile verileri manuel olarak temizlemeniz, yapılandırmanız ve işlemeniz gerekmez. Hizmet, ham verileri otomatik olarak aşağıdakileri yaparak analize hazır bir biçime normalleştirir:

• UTM etiketlerinde dinamik parametreleri tanıma, böylece reklam kampanyaları hakkında eksiksiz veriler elde edersiniz
• Reklam maliyetlerini birleştirip karşılaştırabilmeniz için tek bir para birimine dönüştürme
• Ülke ve bölgeye göre raporlar oluşturabilmeniz için kullanıcıların coğrafi konumunu belirleme
• Güncel olmayan veri raporlarınızı temizlemek için bot etkinliklerini algılama
• Veri tutarsızlıklarını ve yanlışlıklarını ortadan kaldırmak
• Tüm verileri tek bir formata dönüştürme (tarihler, para birimleri vb.)
• Hedef veri deposunun şemasına göre verileri tablolara biçimlendirme
• Gereksiz verileri ortadan kaldırmak için tekilleştirme yapılması
• Kullanılmayan verileri kaldırma ve anormallikleri işaretleme
• Gerekirse, iki değerden gelen verileri bire birleştirmek veya tersine, bir değerden gelen verileri ikiye bölmek
• Veri kalitesi denetimleri ve uygunluk kontrolleri yapmak

Bu veri manipülasyonlarının bir sonucu olarak, çıktı olarak doğru yapılandırılmış veriler elde edersiniz: birleşik etiket formatları, tek bir para birimi, iki katına çıkarılan veriler, vb.

Yukarıda da belirttiğimiz gibi raporların oluşturulabilmesi için farklı kaynaklardan gelen verilerin doğru bir şekilde birleştirilmesi gerekmektedir. Örneğin, dönüşümleri reklam kampanyalarına bağlamak için kullanıcı eylemlerinin oturumlarda birleştirilmesi gerekir. Farklı kaynaklardan gelen maliyetler, bu kaynakların etkinliğinin karşılaştırılabilmesi için tek bir yapıda birleştirilmelidir.

Farklı kaynaklardan veri uyumluluğunu incelemek çok zaman alır. Ek olarak, kaynak veriler güncellenirken veri birleştirme düzenli olarak gerçekleşmeli ve bir analist iş mantığını iş gereksinimlerine göre esnek bir şekilde yönetebilmelidir.

Bir raporlama sistemi hazırlamak için bir analistin, birbirine bağlı SQL veri dönüşümlerinden oluşan bir dizi oluşturması ve sürdürmesi gerekir. Zamanla, herhangi bir projede bu, hata ayıklaması çok zaman alan ve yeni değer katmayan bir SQL sorgusu ve komut dosyası karmaşasına dönüşür.

Veri hazırlama bir süreçtir. Bir rapor (hatta çok sayıda rapor) hazırlamak yeterli değildir. Veriler düzenli olarak güncellenmeli ve raporlardaki değişiklikler kalıcı olarak yapılmalıdır. Tüm bunlar, SQL sorguları ve komut dosyalarının yanı sıra çok zaman alan analistler tarafından manuel olarak yapılır.

Ham, iş için hazır olmayan veriler üzerine raporlar oluşturursanız, birçok yinelenen sorunla karşılaşabilirsiniz: hataları ve tutarsızlıkların nedenlerini aramak çok zaman alır ve iş mantığının tüm SQL sorgularında sürekli olarak çoğaltılması gerekir.

Ham veriler için rapor oluşturma süreci nasıl görünüyor?

İlk olarak, bir pazarlamacı bir analiste ne yapılması gerektiğini söyler. Ardından analist, SQL sorguları yazar ve sonuçlarına göre bir gösterge panosu oluşturur. Her zaman olduğu gibi bazı tutarsızlıklar bulunur, isteklere bazı yeni koşullar eklenir, birkaç tekrar yapılır, geri bildirim alınır. Ancak tüm kararlar bu tek rapor bağlamında alınır. Diğer kaynaklardan gelen veriler, yeni sütunlar veya birkaç veri dilimi içeren başka bir rapora ihtiyacınız olduğunda, veri yakınsamasını ve doğrulamasını kontrol etme sürecinin tekrarlanması gerekecektir. Veya bir analist, örneğin farklı hesaplama mantığı uygulandığı için müşteri sayısının farklı olduğu 10 rapor oluşturabilir. Veri dönüştürme ve modelleme ile bu görev, rapor oluşturulmadan önce çözülür.

OWOX BI Dönüşümü, oturum açma ve maliyet verilerini birleştirme gibi herkesin ihtiyaç duyduğu temel dönüşümleri otomatik olarak uygular. Ayrıca, kendi (özel) dönüşümlerinizi kolayca yapabilir ve uygulayabilirsiniz.

OWOX BI size analize hazır veriler sağlar ve veri hazırlamada saatler kazandırır.

1. Oturum isabetlerini otomatik olarak birleştir

OWOX BI algoritması, Google Analytics'in oturum oluşturma mantığına başvurmadan oturumlardaki isabetleri otomatik olarak birleştirir. Karmaşık veri dönüşümleri yazmanıza gerek kalmadan, kullanışlı bir yapıda, otomatik olarak güncellenen, kullanıma hazır oturum tablolarına sahip olacaksınız.

2. Kanallar arasında maliyet verilerinin harmanlanması

Reklam maliyetlerini dönüştürmek için analistlerin reklam hesabından verileri ayrı dosyalara yüklemesi ve ardından bunları BigQuery arayüzü aracılığıyla manuel olarak yüklemesi gerekir. Bu yöntemin dezavantajları açıktır - çok fazla gereksiz iş ve otomasyon yok.

İhtiyaç duyduğunuz bilgileri pazarlama hizmetinden indirecek kendi komut dosyalarınızı da yazabilirsiniz. Ancak bu çözümün çalışması sürekli olarak izlenmeli ve sürdürülmelidir. Bu durumda, geliştirici kaynaklarını farklı hesaplardan ve farklı tarihlere ait verileri birleştirmek, kalitesini kontrol etmek ve reklam hizmeti API'lerinde olası değişikliklere hızlı bir şekilde yanıt vermek için harcarsınız. Bu yapılmazsa, düşük kaliteli veriler, işletme için maliyetli olan kötü kararlara yol açabilir.

OWOX BI, büyük reklam hesaplarıyla sorunsuz çalışır ve kampanya sayısından bağımsız olarak tüm verileri yükler. Tüm maliyet verilerini otomatik olarak güncellenen, birleşik ve kullanıcı dostu bir tabloda gereksiz alanlar olmadan toplar.

OWOX BI, maliyet verilerini otomatik olarak içe aktarmanın yanı sıra, UTM etiketlerindeki dinamik parametreleri tanır, maliyetleri tek bir para birimine dönüştürür, reklam hizmetinde değişiklik olması durumunda Google BigQuery'deki verileri geriye dönük olarak günceller ve verilerin alaka düzeyini izler.

3. Tek cihazlar arası kullanıcı profilleri

Sitenizden ve çeşitli cihazlardan ve uygulamalardan gelen kullanıcı davranışlarıyla ilgili tüm veriler tek bir profilde birleştirilir. Reklam kampanyalarının kalitesini analiz etmek için her kullanıcının davranışının tam bir resmini elde edeceksiniz.

4. Kullanıcı türü (yeni veya geri dönen)

OWOX BI, farklı kullanıcı grupları hakkında raporlar oluşturabilmeniz için kullanıcı türünü (yeni veya geri dönen) tanımlar.

5. Her oturumla ilişkilendirilen reklam maliyetleri

OWOX BI, maliyet verilerini oturum düzeyinde ilişkilendirir. Artık bir reklam kampanyası kapsamında pazarlama etkinliğini değerlendirmekle sınırlı değilsiniz ve birim ekonomisini doğru bir şekilde hesaplayabilirsiniz. Farklı gruplar, bölgeler, açılış sayfaları ve ürün grupları için reklamların etkinliğini değerlendirin.

6. İlişkilendirme modellemesi

OWOX BI'da, herhangi bir standart ilişkilendirme modelini raporlamanıza bağlayabilir, OWOX dönüşüm tahminine dayalı veriye dayalı bir ilişkilendirme modeli kurabilir veya kurallarınıza ve satış huninize uyacak özel bir model oluşturabilirsiniz. Tüm bunlar, veri mühendislerinin yardımı olmadan ürün arayüzünde kolayca yapılabilir.

OWOX BI veri dönüşümleri ile kampanyaların dönüşümler üzerindeki etkisini ölçmek için geniş fırsatlara sahipsiniz:

• Önceden tanımlanmış şablonlardan sektörde tanınan herhangi bir ilişkilendirme modelini (son tıklama, ilk tıklama, U-şekli) seçin
• Algoritmik Huni Tabanlı ilişkilendirme modelini kullanın
• Kendi özel modellerinizi oluşturun
• Sonuçları karşılaştırmak için farklı ilişkilendirme modellerine dayalı raporlar oluşturun

7. Modellenmiş Dönüşüm

Çerezsiz ölçüm ve dönüşüm tahminleri için Modellenmiş Dönüşüm kullanın.

GDPR gerekliliklerine uymak için site sahibi, çerezlerini paylaşmak istemeyen kullanıcıları tanımlamayı reddetmeli ve sihirli “Çerezleri Kabul Et” düğmesine tıklamamalıdır. Sonuç olarak, İzin modu, bir trafik kaynağının belirlenebileceği dönüşümlerin sayısını %30 oranında azaltır.

Dönüşüm modelleme bu sorunun çözülmesine yardımcı olur. İlk olarak, makine öğrenimi sistemleri mevcut verileri ve geçmiş istatistikleri işler. Ardından, kullanıcıların yüzde kaçının çerezlerin ayarlanmasına izin verdiğini ve bu kullanıcıların nasıl dönüşüm sağladığını bilerek, yapmayanlar için en olası ilişkilendirme yolunu belirlerler. Bu, kampanya sonuçlarını kampanya maliyetleriyle daha doğru bir şekilde eşleştirmenize ve aynı zamanda çerezlerle ilgili kullanıcı kararlarına uymanıza olanak tanır.

Bu tür tutarsız işlemlerin kaynağını belirlemek için, tutarlı verilerin yanı sıra ek parametreler (Kullanıcı Aracısı, Coğrafi, Cihaz ve diğerleri) üzerinde eğitilmiş bir makine öğrenimi modeli kullanıyoruz. Basitçe söylemek gerekirse, model bilinen kaynaklarla eşleşen dönüşümleri analiz eder ve kalan tutarsız dönüşümleri verilerdeki kaynaklara ve ortamlara orantılı olarak dağıtır.

Raporlama için verileri nasıl hazırlarsanız hazırlayın, her zaman şunları yapmanız gerekir:

• Veri dönüştürme mantığını kontrol edin
• Verilerin birbiriyle nasıl ilişkili olduğuna dair net bir resme sahip olun
• Hata nedenlerini ve verilerin güncellenmesindeki gecikmeleri hızla belirleyin

Dahili veri deposu ne kadar dallanırsa, işe hazır verileri toplayacak herhangi bir mantık yazmak o kadar zor olur ve analistin verileri yönetmesi o kadar zor olur. Kullanışlı bir düzenleme aracı olmadan, analistler büyük miktarda veri, çok sayıda bağlayıcı ve çeşitli dönüşümler ve raporlar arasında, hepsinin nasıl bağlantılı olduklarına dair net bir resme sahip olmadan koşuşturur. Sonuç olarak, hataları ve tutarsızlıkları aramak ve ortadan kaldırmak uzun zaman alır.

OWOX BI Workspace, veri akışını analiz dostu bir kullanıcı arayüzünde yönetmenize olanak tanır. Analistlere verilerle çalışmanın tamamen yeni bir yolunu sunmak için tüm süreci basitleştirdik. Analistler, ham verileri elde etmekten, aynı ürün içinde kendi başlarına görselleştirmeye kadar gidebilirler.

• Verilerin bağlayıcılardan panolara nasıl taşındığını ve değiştiğini izleyin
• Her raporda veri dönüştürme ve metrik hesaplama mantığını ayarlayın ve kontrol edin
• Birkaç tıklamayla SQL dönüşümlerini yönetin
• Verileri taze tutmak için veri güncellemelerini planlayın
• Verileri güncellemede herhangi bir hatayı veya gecikmeyi hemen görün

Ürünümüz anlaşılmaz sonuçlar üreten kapalı bir kutu değildir. Verilerinizin nasıl, nerede ve neden hareket ettiğini açıkça gösteren net bir dönüşüm grafiği elde edersiniz. Hesaplama mantığını görmek ve etkilemek kolaydır. Sadece sonucu görmeyeceksiniz: nasıl ortaya çıktığını anlayacaksınız.

İlişkilendirme modelini tanımlamak, yeni veri kaynaklarını bağlamak ve zor veri dönüşümleri yapmak gibi analistlerin kendi başlarına yapamayacakları belirli şeyler vardır. Bu görevler için bir veri mühendisi gereklidir.

Airflow veya dbt gibi özel dönüşüm düzenleme araçlarını özelleştirmek ve sürdürmek, kıt bir kaynak olan veri mühendislerini gerektirir. Bu tür araçların kullanımı geliştiriciler için uygundur ancak analistler için uygun değildir. Bununla ilgili daha fazla bilgiyi benn.substack makalesinde okuyabilirsiniz.

Bu nedenle analistler genellikle yardım beklemek zorunda kalır ve veri mühendisleri genellikle ana görevlerinden uzaklaşır. Tüm bunlar, içgörülere ulaşma süresini yavaşlatarak iş kullanıcılarının zamanında veriye dayalı kararlar vermesini engeller.

OWOX, analistin kendi kendine yeterli ve son derece etkili bir iş birimi haline geldiği, verilerle çalışmak için tamamen yeni, daha verimli bir yol sunar. Analist, verilerle çalışmanın tüm akışı üzerinde kontrol sahibi olur ve rutin görevlere saplanıp kalmak yerine analizdeki yeteneklerini gerçekleştirebilir.

OWOX ile, içgörüleri kolayca keşfetmek için SQL'e hazır biçimde doğru, iş için hazır veriler elde edersiniz, bu da mühendisler ve analistler için kritik zaman tasarrufu sağlar. OWOX her şeyi otomatik olarak yaptığı için bir veri mühendisine ihtiyacınız yoktur.

İşe hazır bir formata giden yolda, verilerle yapılacak çok iş var. Ayrıca, raporlamaya yönelik veriler düzenli olarak güncellenmelidir. Bu rutin görevlerde analistlerin zamanını boşa harcamamak için, OWOX BI yardımıyla verilerle çalışma sürecinin tamamını otomatikleştirmek ve analistlerinizin verileri analiz etmek ve içgörü aramak için zamanlarını boşaltmak en iyisidir.