إعداد تحليلات متقدمة لشركة تعدين - قصة نجاح Hiveon

تشارك Hiveon ، وهي شركة تعدين بيئية ، كيف قاموا ببناء أداة ميسورة التكلفة ومرنة لتحليل التسويق السريع بمساعدة منتجات OWOX وفريق OWOX.

تأسست Hiveon في عام 2017 ، وهي تقدم حل تعدين العملات المشفرة الرائد الكل في واحد ، مع 2 مليون مستخدم حول العالم. يشتمل نظام Hiveon البيئي حاليًا على Hiveon OS و Hiveon Pool و Hiveon ASIC Firmware و Hiveon ASIC Hub. جميع منتجات Hiveon مبنية على التآزر والسلامة والاستقرار.

يعد Hiveon OS أحد أنظمة التشغيل الأولى لتعدين العملات المشفرة. تم إنشاؤه وفقًا لهدف الشركة المتمثل في تبسيط الحلول المعقدة تقنيًا للمستخدمين ، مما يجعل الوصول إلى blockchain سهل الاستخدام ومفهوم. هذا ما ساعد Hiveon في بناء مجتمع كبير ومخلص يساعد الشركة على تحسين منتجاتها من خلال تعليقاتهم ومبادراتهم.

في Hiveon ، احتجنا إلى أداة ميسورة التكلفة ومرنة من أجل:

• سرعة تحليل مصادر حركة المرور. نعم ، ليس لدينا الكثير من الإعلانات المدفوعة ، ولكنها ليست المصدر الرئيسي لحركة المرور بالنسبة لنا ، لأنها ليست مصدرًا لحركة المرور الخاصة بمكانتنا المتخصصة. كان من المهم تحليل مسار حركة مرور الوسائط العضوية والمباشرة و (خاصة) على وسائل التواصل الاجتماعي. لدينا مجتمع كبير ، ويتم إجراء الكثير من الأنشطة ، على سبيل المثال ، على Twitter.
• التحليلات السلوكية - كل ما يتعلق بالموقع ومسارات التحويل داخل المنتج. هذه معرفة قيمة بشكل لا يصدق أن أعمالنا تتلقاها وتستخدمها لتحسين تجربة المستخدم ولتحديد الثغرات في مسار المنتج وإصلاحها.

بالإضافة إلى ذلك ، لدينا بيانات استرجاعية كافية للبحث عن رؤى وأنماط ، ونستخدم هذه المعرفة لتخطيط التطوير المستقبلي للشركة. لدى Google Analytics إمكانات محدودة في معالجة البيانات. لذلك ، من أجل تحرير أيدي محللينا فيما يتعلق بالوصول إلى البيانات ، قررنا استخدام Google BigQuery.

منتجنا معقد ولدينا حاليًا العديد من المجالات التي كان من الصعب عليها إعداد التتبع عبر النطاقات. عندما انتقل المستخدمون من مجال إلى آخر ، فقد معرّف العميل الأصلي.

كانت هناك مشكلة أخرى تتمثل في الوصول إلى حد Google Analytics البالغ 50000 معاملة يوميًا. في تقرير المعاملات في Google Analytics ، بعد الوصول إلى الحد الأقصى ، تظهر القيمة "(أخرى)" بدلاً من معرّف المعاملة المقابل.

لإنشاء تقرير الأداء ، قررنا استخدام OWOX BI و Google BigQuery.

لماذا اخترنا Google BigQuery لجمع البيانات وتخزينها:

• السهولة النسبية للإعداد لحالة الاستخدام الخاصة بنا
• الخبرة الحالية للمحللين في العمل مع GBQ
• إمكانية التكامل مع أدوات التصور

كيف نجمع البيانات للتقارير في Google Big Query:

1. بمساعدة OWOX BI Streaming ، نجمع بيانات سلوك المستخدم الأولية غير المستندة إلى عينات من موقع الويب وننقلها إلى BigQuery.
2. يتم إرسال بيانات المعاملات من موقع الويب إلى OWOX BI Streaming عبر بروتوكول القياس.
3. تتم معالجة البيانات المجمعة في Google BigQuery وعرضها على لوحات المعلومات في Google Looker Studio و Tableau باستخدام موصل مدمج.

أوضح لنا زملاء من OWOX كيفية إعداد التتبع عبر النطاقات. بالإضافة إلى جمع البيانات ، ساعدنا فريق OWOX في العديد من المهام التحليلية الشيقة.

في حالتنا ، من أجل تحديد مستخدم جديد ، نقوم بتشكيل جدول إضافي مع المعاملات على مستوى المستخدم. أي ، على مستوى المستخدم ، لدينا مجموعة مقابلة من المعاملات. يمكننا الاختيار من جلسات الجدول الإضافي التي تم خلالها إجراء الدفعة الأولى وتعيين حالتها المقابلة (0 أو 1). بعد ذلك ، نقوم بتوصيل الجدول الرئيسي للبيانات المتدفقة بالجدول الإضافي للمعاملات عن طريق معرف الجلسة. بعد ذلك ، يمكننا حساب عدد المستخدمين الذين أجروا الدفعة الأولى باستخدام صيغة. نحسب عدد المستخدمين الفريدين (client_id) إذا كانت لدينا جلسة بالدفعة الأولى.

نظرًا لأن المشروع يتضمن تجديد محفظة عبر الإنترنت ودفع رسوم الخدمة وسحب دخل المستخدمين ، فمن المستحسن تحليل مبالغ هذه المعاملات بشكل منفصل. لهذا ، أضاف فريق Hiveon سمة منتج لكل معاملة ، وعند إعداد التقرير ، تمكن فريق OWOX من استخدام هذه السمة كمرشح ولإنشاء مقاييس مختلفة لكل نوع من أنواع الدخل.

بفضل الحل الذي تم تنفيذه ، تمكنا من:

• تكوين فهم أفضل لكيفية استخدام المستخدمين للمجالات المختلفة وكيف يتنقلون فيما بينها
• زيادة الدقة في تحديد أول تسجيل دخول للمستخدم إلى الموقع
• اربط الدفعة الأولى للمستخدم بمصدر زيارات محدد
• حدد نوع المستخدم بناءً على وقت دفعه الأول
• حدد التحويلات بدقة أكبر في المراحل المختلفة وكذلك على صفحات مواقع الويب المختلفة من خلال تلقي معرف مستخدم OWOX فريد
• تجاوز حد Google Analytics البالغ 50000 معاملة يوميًا ، حيث يتم تسجيل المعاملات بالكامل باستخدام OWOX BI Streaming

بفضل OWOX BI و Google BigQuery ، لدينا الآن أداة ميسورة التكلفة ومرنة للتحليل السريع ، والتي بدورها تتيح لنا الاستجابة بسرعة للتغييرات.

المستخدمون الرئيسيون للتقرير هم محللون يستخلصون استنتاجات حول تشغيل الموقع وأداء حركة المرور. يساعدنا هذا التقرير في فهم التكوين الحقيقي للمستخدمين الجدد ومكرري الزيارة. بالطبع ، يوفر Google Analytics أيضًا مثل هذه المعلومات ، ولكن نظرًا للتعريف الأكثر دقة للمستخدم ، فقد تغير هيكلنا. مؤشرات التحويل ، التي يتم تحديدها الآن من خلال معرف مستخدم OWOX الفريد الجديد ، كما تغيرت أيضًا بنية حركة المرور حسب المصدر.

ومع ذلك ، كما هو مذكور أعلاه ، ذهبنا إلى أبعد من ذلك قليلاً ، ومع بعض التعديلات ، نقلنا التقرير إلى Tableau (نظرًا لأنه أداة BI الرئيسية لدينا ومن الملائمأن نكون قادرين على الحصول على جميع تقاريرنا في مورد واحد). بفضل OWOX ، تمكنا من تكييف التقرير مع احتياجاتنا الخاصة.

بفضل الحل من OWOX ، تمكنا من:

• وفر الوقت في جمع البيانات ومعالجتها. باستخدام التقارير التي تم إنشاؤها بمساعدة Google BigQuery ، أصبح من السهل مراقبة التغييرات في حركة مرور الويب ونشاط المستخدم بالإضافة إلى أنواع معينة من الأنشطة التسويقية.
• تحليل سلوك المستخدم بالتفصيل ، مما أثر بشكل مباشر على موثوقية النتائج والقدرة على البحث عن الرؤى. تم تحليل بعض عناصر الموقع لأول مرة ، مما سمح لنا بالتعامل مع تصميم الصفحات بشكل أكثر تفكيرًا وفعالية.

في المستقبل ، سننتقل إلى Google Analytics 4 ، مما يعني إعادة تكوين كل التتبع في Google Tag Manager لأن مخططات البيانات في GA Universal و GA 4 تختلف اختلافًا كبيرًا. نتوقع أن نطلب من زملائنا من OWOX المساعدة في هذا.