Configuración de análisis avanzados para una empresa minera: caso de éxito de Hiveon

Hiveon, una empresa del ecosistema minero, comparte cómo crearon una herramienta asequible y flexible para un análisis de marketing rápido con la ayuda de los productos OWOX y el equipo de OWOX.

Fundada en 2017, Hiveon ofrece la solución líder de minería de criptomonedas todo en uno, con 2 millones de usuarios en todo el mundo. El ecosistema de Hiveon actualmente incluye Hiveon OS, Hiveon Pool, Hiveon ASIC Firmware y Hiveon ASIC Hub. Todos los productos de Hiveon se basan en la sinergia, la seguridad y la estabilidad.

Hiveon OS es uno de los primeros sistemas operativos para la minería de criptomonedas. Fue creado de acuerdo con el objetivo de la empresa de simplificar soluciones técnicamente complejas para los usuarios, haciendo que la cadena de bloques sea accesible y comprensible. Esto es lo que ha ayudado a Hiveon a construir una gran comunidad leal que ayuda a la empresa a mejorar sus productos con sus comentarios e iniciativas.

En Hiveon, necesitábamos una herramienta asequible y flexible para:

• Analizando rápidamente las fuentes de tráfico. Sí, no tenemos mucha publicidad paga, pero no es la principal fuente de tráfico para nosotros, porque no es una fuente de tráfico específica para nuestro nicho. Era importante analizar el embudo para el tráfico orgánico, directo y (especialmente) de las redes sociales. Tenemos una gran comunidad y se realizan muchas actividades, por ejemplo, en Twitter.
• Análisis de comportamiento: todo lo relacionado con el sitio web y los embudos en el producto. Este es un conocimiento increíblemente valioso que nuestra empresa recibe y utiliza para mejorar la UX y para identificar y corregir las brechas en el embudo del producto.

Además, tenemos suficientes datos retrospectivos para buscar ideas y patrones, y utilizamos este conocimiento para planificar el desarrollo futuro de la empresa. Google Analytics tiene capacidades limitadas de procesamiento de datos. Por lo tanto, para liberar las manos de nuestros analistas en términos de acceso a los datos, decidimos usar Google BigQuery.

Nuestro producto es complejo y actualmente tenemos varios dominios en los que fue difícil configurar el seguimiento entre dominios. Cuando los usuarios se trasladaban de un dominio a otro, se perdía el client_id original.

Otro problema fue alcanzar el límite de Google Analytics de 50.000 transacciones por día. En el informe de transacciones de Google Analytics, una vez alcanzado el límite, aparece el valor '(otro)' en lugar del id_transacción correspondiente.

Para crear nuestro informe de rendimiento, decidimos utilizar OWOX BI y Google BigQuery.

Por qué elegimos Google BigQuery para la recopilación y el almacenamiento de datos:

• Relativa facilidad de configuración para nuestro caso de uso
• Experiencia existente de los analistas en el trabajo con GBQ
• Posibilidad de integración con herramientas de visualización

Cómo combinamos datos para informes en Google Big Query:

1. Con la ayuda de OWOX BI Streaming, recopilamos datos de comportamiento del usuario sin procesar y sin muestrear del sitio web y los transferimos a BigQuery.
2. Los datos de transacción del sitio web se envían a OWOX BI Streaming a través del Protocolo de medición.
3. Los datos recopilados se procesan en Google BigQuery y se muestran en paneles en Google Looker Studio y Tableau mediante un conector integrado.

Los colegas de OWOX nos mostraron cómo configurar el seguimiento entre dominios. Además de la recopilación de datos, el equipo de OWOX nos ayudó con varias tareas analíticas interesantes.

En nuestro caso, para definir un nuevo usuario, formamos una tabla auxiliar con transacciones a nivel de usuario. Es decir, a nivel de usuario, tenemos una matriz correspondiente de transacciones. En esta tabla auxiliar podemos seleccionar las sesiones en las que se realizó un primer pago y establecer su estado correspondiente (0 ó 1). Después de eso, conectamos la tabla principal de transmisión de datos con la tabla auxiliar de transacciones por ID de sesión. A continuación, podemos contar el número de usuarios que realizaron un primer pago mediante una fórmula. Contamos el número de usuarios únicos (client_id) si tenemos una sesión con el primer pago.

Dado que el proyecto incluye recargar una billetera en línea, pagar tarifas de servicio y retirar los ingresos de los usuarios, es recomendable analizar los montos de estas transacciones por separado. Para esto, el equipo de Hiveon agregó un atributo de producto a cada transacción y, al preparar el informe, el equipo de OWOX pudo usar este atributo tanto como filtro como para crear diferentes métricas para cada tipo de ingreso.

Gracias a la solución implementada, logramos:

• Formar una mejor comprensión de cómo los usuarios usan diferentes dominios y cómo se mueven entre ellos
• Aumente la precisión de determinar el primer inicio de sesión de un usuario en el sitio
• Vincule el primer pago del usuario a una fuente de tráfico específica
• Determinar el tipo de usuario en función del momento de su primer pago
• Determine con mayor precisión las conversiones en diferentes etapas, así como en diferentes páginas del sitio web al recibir una ID de usuario OWOX única
• Supere el límite de Google Analytics de 50.000 transacciones por día, ya que las transacciones se registran en su totalidad con OWOX BI Streaming

Gracias a OWOX BI y Google BigQuery, ahora contamos con una herramienta asequible y flexible para un análisis rápido, que a su vez nos permite responder rápidamente a los cambios.

Los principales usuarios del informe son analistas que sacan conclusiones sobre el funcionamiento del sitio y el rendimiento del tráfico. Este informe nos ayuda a comprender la verdadera composición de los nuevos usuarios y los usuarios que regresan. Por supuesto, Google Analytics también proporciona dicha información, pero debido a la definición más precisa del usuario, nuestra estructura ha cambiado. Los indicadores de conversión, que ahora están determinados por la nueva ID de usuario única de OWOX, y la estructura del tráfico por fuente también han cambiado.

Sin embargo, como se mencionó anteriormente, fuimos un poco más allá y, con algunas modificaciones, transferimos el informe a Tableau (ya que es nuestra principal herramienta de BI y es convenientepoder tener todos nuestros informes en un solo recurso). Gracias a OWOX, pudimos adaptar el informe a nuestras propias necesidades.

Gracias a la solución de OWOX, logramos:

• Ahorre tiempo en la recopilación y el procesamiento de datos. Mediante el uso de informes creados con la ayuda de Google BigQuery, se hizo más fácil monitorear los cambios en el tráfico web, la actividad de los usuarios y ciertos tipos de actividades de marketing.
• Analice el comportamiento de los usuarios en detalle, lo que afectó directamente la confiabilidad de los resultados y la capacidad de buscar información. Ciertos elementos del sitio se analizaron por primera vez, lo que nos permitió abordar el diseño de las páginas de manera más cuidadosa y eficaz.

En el futuro, haremos la transición a Google Analytics 4, lo que significa reconfigurar todo el seguimiento en Google Tag Manager porque los esquemas de datos en GA Universal y GA 4 son significativamente diferentes. Esperamos pedir ayuda a nuestros colegas de OWOX con esto.