Aufbau von Advanced Analytics für ein Bergbauunternehmen – Erfolgsgeschichte von Hiveon

Hiveon, ein Bergbau-Ökosystemunternehmen, teilt mit, wie es mit Hilfe von OWOX-Produkten und dem OWOX-Team ein erschwingliches und flexibles Tool für schnelle Marketinganalysen entwickelt hat.

Hiveon wurde 2017 gegründet und bietet die führende All-in-One-Mining-Lösung für Kryptowährungen mit 2 Millionen Benutzern weltweit. Das Hiveon-Ökosystem umfasst derzeit Hiveon OS, Hiveon Pool, Hiveon ASIC Firmware und Hiveon ASIC Hub. Alle Hiveon-Produkte basieren auf Synergie, Sicherheit und Stabilität.

Hiveon OS ist eines der ersten Betriebssysteme für das Kryptowährungs-Mining. Es wurde in Übereinstimmung mit dem Ziel des Unternehmens erstellt, technisch komplexe Lösungen für Benutzer zu vereinfachen und die Blockchain zugänglich und verständlich zu machen. Dies hat Hiveon geholfen, eine große, loyale Community aufzubauen, die dem Unternehmen hilft, seine Produkte mit ihrem Feedback und ihrer Initiative zu verbessern.

Bei Hiveon brauchten wir ein erschwingliches und flexibles Tool für:

• Verkehrsquellen schnell analysieren. Ja, wir haben nicht viel bezahlte Werbung, aber es ist nicht die Hauptverkehrsquelle für uns, weil es keine spezifische Verkehrsquelle für unsere Nische ist. Es war wichtig, den Trichter für organischen, direkten und (insbesondere) Social-Media-Traffic zu analysieren. Wir haben eine große Community und viele Aktivitäten finden zum Beispiel auf Twitter statt.
• Verhaltensanalyse – alles, was mit der Website und In-Product-Funnels zu tun hat. Dies ist ein unglaublich wertvolles Wissen, das unser Unternehmen erhält und nutzt, um die UX zu verbessern und Lücken im Produkttrichter zu identifizieren und zu beheben.

Darüber hinaus haben wir genügend retrospektive Daten, um nach Erkenntnissen und Mustern zu suchen, und wir nutzen dieses Wissen, um die zukünftige Entwicklung des Unternehmens zu planen. Google Analytics verfügt über begrenzte Datenverarbeitungsfunktionen. Um unseren Analysten beim Datenzugriff die Hände frei zu machen, haben wir uns daher für Google BigQuery entschieden.

Unser Produkt ist komplex und wir haben derzeit mehrere Domains, über die es schwierig war, domainübergreifendes Tracking einzurichten. Wenn Benutzer von einer Domäne zu einer anderen wechselten, ging die ursprüngliche client_id verloren.

Ein weiteres Problem war das Erreichen des Google Analytics-Limits von 50.000 Transaktionen pro Tag. Im Transaktionsbericht in Google Analytics erscheint nach Erreichen des Limits statt der entsprechenden Transaction_id der Wert '(other)'.

Um unseren Leistungsbericht zu erstellen, haben wir uns entschieden, OWOX BI und Google BigQuery zu verwenden.

Warum wir uns für Google BigQuery zur Datenerfassung und -speicherung entschieden haben:

• Relativ einfache Einrichtung für unseren Anwendungsfall
• Vorhandene Expertise von Analysten in der Arbeit mit GBQ
• Möglichkeit zur Integration mit Visualisierungstools

Wie wir Daten für Berichte in Google Big Query kombinieren:

1. Mit Hilfe von OWOX BI Streaming sammeln wir rohe, nicht abgetastete Daten zum Benutzerverhalten von der Website und übertragen sie an BigQuery.
2. Transaktionsdaten von der Website werden über das Messprotokoll an OWOX BI Streaming gesendet.
3. Die gesammelten Daten werden in Google BigQuery verarbeitet und mithilfe eines integrierten Konnektors auf Dashboards in Google Looker Studio und Tableau angezeigt.

Kollegen von OWOX haben uns gezeigt, wie man Cross-Domain-Tracking einrichtet. Neben der Datenerhebung half uns das OWOX-Team bei mehreren interessanten analytischen Aufgaben.

In unserem Fall bilden wir zur Definition eines neuen Benutzers eine Hilfstabelle mit Transaktionen auf Benutzerebene. Das heißt, auf Benutzerebene haben wir ein entsprechendes Array von Transaktionen. Wir können aus dieser Hilfstabelle Sitzungen auswählen, während denen eine erste Zahlung geleistet wurde, und ihren entsprechenden Status (0 oder 1) setzen. Danach verbinden wir die Haupttabelle der Streaming-Daten mit der Hilfstabelle der Transaktionen nach Sitzungs-ID. Als Nächstes können wir mithilfe einer Formel die Anzahl der Benutzer zählen, die eine erste Zahlung getätigt haben. Wir zählen die Anzahl der eindeutigen Benutzer (client_id), wenn wir eine Sitzung mit der ersten Zahlung haben.

Da das Projekt das Auffüllen einer Online-Brieftasche, das Bezahlen von Servicegebühren und das Abheben der Einnahmen der Benutzer umfasst, ist es ratsam, die Beträge dieser Transaktionen separat zu analysieren. Dazu fügte das Hiveon-Team jeder Transaktion ein Produktattribut hinzu, und bei der Erstellung des Berichts konnte das OWOX-Team dieses Attribut sowohl als Filter als auch zum Erstellen unterschiedlicher Metriken für jede Art von Einkommen verwenden.

Dank der implementierten Lösung ist es uns gelungen:

• Verschaffen Sie sich ein besseres Verständnis dafür, wie Benutzer verschiedene Domänen verwenden und wie sie sich zwischen ihnen bewegen
• Erhöhen Sie die Genauigkeit bei der Bestimmung der ersten Anmeldung eines Benutzers bei der Website
• Binden Sie die erste Zahlung des Benutzers an eine bestimmte Verkehrsquelle
• Bestimmen Sie den Benutzertyp basierend auf dem Zeitpunkt seiner ersten Zahlung
• Bestimmen Sie Conversions in verschiedenen Phasen sowie auf verschiedenen Webseiten genauer, indem Sie eine eindeutige OWOX-Benutzer-ID erhalten
• Überwinden Sie das Google Analytics-Limit von 50.000 Transaktionen pro Tag, da Transaktionen mit OWOX BI Streaming vollständig erfasst werden

Dank OWOX BI und Google BigQuery haben wir jetzt ein günstiges und flexibles Tool für schnelle Analysen, mit dem wir schnell auf Veränderungen reagieren können.

Die Hauptnutzer des Berichts sind Analysten, die Rückschlüsse auf den Betrieb und die Verkehrsleistung der Website ziehen. Dieser Bericht hilft uns dabei, die wahre Zusammensetzung neuer und wiederkehrender Benutzer zu verstehen. Natürlich liefert auch Google Analytics solche Informationen, aber durch die genauere Definition des Nutzers hat sich unsere Struktur geändert. Auch die Konversionsindikatoren, die jetzt durch die neue eindeutige OWOX-Benutzer-ID bestimmt werden, und die Struktur des Datenverkehrs nach Quelle haben sich geändert.

Wie oben erwähnt, sind wir jedoch noch etwas weiter gegangen und haben den Bericht mit einigen Änderungen an Tableau übertragen (da dies unser wichtigstes BI-Tool ist und es bequem ist, alle unsere Berichte in einer Ressource zu haben). Dank OWOX konnten wir den Bericht an unsere eigenen Bedürfnisse anpassen.

Dank der Lösung von OWOX haben wir es geschafft:

• Sparen Sie Zeit beim Sammeln und Verarbeiten von Daten. Mithilfe von Berichten, die mit Hilfe von Google BigQuery erstellt wurden, wurde es einfacher, Änderungen im Webverkehr, bei Benutzeraktivitäten sowie bei bestimmten Arten von Marketingaktivitäten zu überwachen.
• Analysieren Sie das Benutzerverhalten im Detail, was sich direkt auf die Zuverlässigkeit der Ergebnisse und die Fähigkeit auswirkte, nach Erkenntnissen zu suchen. Bestimmte Elemente der Website wurden zum ersten Mal analysiert, was es uns ermöglichte, das Design der Seiten durchdachter und effektiver anzugehen.

In Zukunft werden wir auf Google Analytics 4 umstellen, was bedeutet, dass das gesamte Tracking im Google Tag Manager neu konfiguriert werden muss, da sich die Datenschemata in GA Universal und GA 4 erheblich unterscheiden. Wir werden voraussichtlich unsere Kollegen von OWOX um Hilfe bitten.