So erhalten Sie schnellen Zugriff auf alle für den E-Commerce wichtigen Produkt-KPIs

Wie ein großer Modehändler ein System von Produkt-Dashboards für den schnellen Zugriff auf Streaming-Daten aus OWOX BI erstellte.

Um ein System von Dashboards zu entwickeln, musste sich unser Kunde, ein großer Modehändler, auf vollständige Daten und aktuelle Leistungsmetriken verlassen. Da sich der Markt schnell verändert und Einzelhändler schnell reagieren müssen, insbesondere auf kritische Änderungen der durchschnittlichen Scheckgröße und der Einheiten pro Transaktion (UPT), müssen Daten so schnell wie möglich verfügbar sein. Ständig einen Analysten zu bitten, dasselbe zu berechnen, kostet Zeit und ist teuer. Darüber hinaus benötigte unser Kunde nicht nur einen einfachen Bericht, sondern ein Tool, mit dem er Metriken in verschiedenen Slices über verschiedene Zeiträume analysieren kann.

Bevor wir mit der Erstellung eines Dashboards begannen, identifizierten unsere Analysten zusammen mit dem Produktteam die erforderlichen Metriken und Slices.

Analyse der erforderlichen Leistungsmetriken für alle Benutzer-Touchpoints auf der Website: Konversionen in Schlüsselphasen des Trichters, einschließlich Hinzufügungen zum Warenkorb und Bestellungen; durchschnittliche Scheckgröße; Anzahl der Posten im Scheck; ARPV; Anzahl der Abonnements; Tage vor der Transaktion; und andere Metriken, die für die Entscheidungsfindung wichtig sind.

Für Datenausschnitte wählten die Analysten sowohl standardmäßige Zielgruppensegmente (Gerätetyp, Region, Quelle) als auch spezifische Segmente aus, die basierend auf Daten berechnet werden (Kunde/Nicht-Kunde, für einen E-Mail-Newsletter angemeldet usw.).

Viele Standard-Datenscheiben wurden zu übergeordneten Konzepten zusammengeführt. Beispielsweise muss das Produktteam nicht bis auf die Ebene einer bestimmten Werbekampagne vordringen, um Segmente nach verschiedenen Akquisitionsquellen zu analysieren. Dennoch ist es notwendig, Marken-Traffic von Nicht-Marken-Traffic, organischem Traffic oder Traffic von SMS zu trennen.

Unser Kunde hatte bereits Rohdaten zum Benutzerverhalten von seiner Website in Google BigQuery mit OWOX BI gesammelt. Aber sie konnten keine Rohdaten mit dem Visualisierungssystem verbinden, also mussten sie einen separaten Datensatz speziell für Dashboards erstellen.

Als sie erkannten, dass Dashboards ständig ergänzt und die Anzahl der Skripte zum Sammeln von Datensätzen zunehmen würde, entschieden sich ihre Analysten, eine Datenarchitektur auf Basis von Mikrotabellen aufzubauen. Sie erstellten separate Tabellen, um Sitzungsmerkmale, Aufträge, Trichter, Ebenen und Metriken zu berechnen.

Diese Mikrotabellen werden täglich aktualisiert und nach Schlüsseln wie Datum, Sitzungs-ID und owox_user_id zu einem resultierenden Datensatz kombiniert, der an das Visualisierungssystem übertragen wird.

Gleichzeitig enthält der Datensatz aggregierte Daten für einen einzelnen Benutzer innerhalb des Tages und keine übergeordneten Aggregate – sie werden im Visualisierungssystem berechnet. Dies geschieht, damit das Filtersystem genau arbeitet.

Diese Art von Microservice-Architektur ermöglichte es dem Unternehmen, das, was zuvor erstellt wurde, nicht zu beschädigen und dem resultierenden Datensatz schnell neue Entitäten hinzuzufügen.

Dashboards in Google Data Studio wurden nach dem Prinzip erstellt, dass sich das Wichtigste auf dem ersten Bildschirm befinden sollte, während detaillierte Informationen auf einzelnen Seiten zu finden sein sollten.

Unten sehen Sie ein Beispiel für den Startbildschirm des Dashboards, der alle wichtigen Leistungsindikatoren der Website, einen vereinfachten Trichter und andere Metriken enthält, die für eine schnelle Entscheidungsfindung erforderlich sind.

Standardmäßig zeigt das Dashboard Daten für die Vorwoche im Vergleich zu vor zwei Wochen an, aber Sie können einen beliebigen Zeitraum festlegen und beispielsweise Daten für das Quartal analysieren.

Das Dashboard ermöglicht es unserem Kunden, Daten zu filtern und nur ein wesentliches Zielgruppensegment zu analysieren. Benutzer können mehrere Filter gleichzeitig anwenden, um eine bestimmte Benutzergruppe zu verfeinern. Unser Kunde kann beispielsweise herausfinden, wie hoch die Konversionsrate für neue Benutzer von Mobilgeräten ist, die zum Verkaufskatalog gekommen sind.

Es gibt auch Seiten zu den ersten Berührungspunkten, detaillierte Trichter innerhalb der Website, Analysen von Warenkörben und mehr.

Obwohl das Dashboard auf einem schwach aggregierten Datensatz mit Millionen von Zeilen basiert, werden Metriken schnell berechnet. Bei Verwendung komplexer Filter werden Daten in 10 Sekunden visualisiert.

• Das Produktteam des Kunden erhielt ein praktisches Tool für den schnellen Zugriff auf die wichtigsten Metriken.
• Jetzt beginnt jedes Gespräch im Produktteam über die Verbesserung der Website mit der Verwendung des Dashboards: Engpässe werden im Dashboard gefunden und notwendige Verbesserungen werden auf der Grundlage der Daten argumentiert. Eine Trichteranalyse zeigte beispielsweise, dass die größten Einbrüche (im Vergleich zu Benchmarks) in den Phasen zwischen dem Anzeigen der Produktkarte und der Checkout-Seite auftreten. Dieses Wissen legte den Fokus des Produktteams sechs Monate im Voraus fest und führte zu einer Erhöhung der Metriken für diese Trichterschritte.
• Das Analyseteam verbringt keine Zeit damit, ständig dieselben Metriken zu berechnen, sondern ist damit beschäftigt, das Volumen und die Tiefe der automatisch berechneten Metriken zu erweitern, und kann mehr Zeit für komplexe Ad-hoc-Abfragen aufwenden.