Cómo obtener acceso rápido a todos los KPI de productos importantes para el comercio electrónico

Cómo un gran minorista de moda creó un sistema de paneles de productos para acceder rápidamente a la transmisión de datos desde OWOX BI.

Para desarrollar un sistema de tableros, nuestro cliente, un gran minorista de moda, necesitaba contar con datos completos y métricas de rendimiento actuales. Dado que el mercado está cambiando rápidamente y los minoristas deben responder rápidamente, especialmente a los cambios críticos en el tamaño promedio de los cheques y las unidades por transacción (UPT), los datos deben estar disponibles lo antes posible. Sin embargo, pedir constantemente a un analista que calcule lo mismo lleva tiempo y es costoso. Además, nuestro cliente necesitaba no solo un informe simple, sino una herramienta que le permitiera analizar métricas en diferentes segmentos durante diferentes períodos.

Antes de comenzar a crear un tablero, nuestros analistas, junto con el equipo de producto, identificaron las métricas y segmentos necesarios.

Análisis de las métricas requeridas de rendimiento para todos los puntos de contacto del usuario en el sitio web: conversiones en las etapas clave del embudo, incluidas las adiciones al carrito y los pedidos; tamaño promedio del cheque; número de artículos en el cheque; ARPV; número de suscripciones; días antes de la transacción; y otras métricas importantes para la toma de decisiones.

Para las porciones de datos, los analistas seleccionaron segmentos de audiencia estándar (tipo de dispositivo, región, fuente) y segmentos específicos que se calculan en función de los datos (cliente/no cliente, suscrito a un boletín informativo por correo electrónico, etc.).

Muchos segmentos de datos estándar se han fusionado en conceptos de nivel superior. Por ejemplo, el equipo de productos no necesita profundizar hasta el nivel de una campaña publicitaria específica para analizar segmentos según diversas fuentes de adquisición. Aún así, es necesario separar el tráfico de marca del tráfico sin marca, el tráfico orgánico o el tráfico de SMS.

Nuestro cliente ya había recopilado datos de comportamiento de usuario sin procesar de su sitio web en Google BigQuery utilizando OWOX BI. Pero no pudieron conectar los datos sin procesar al sistema de visualización, por lo que necesitaban crear un conjunto de datos separado específicamente para los tableros.

Al darse cuenta de que los tableros se complementarían constantemente y que aumentaría la cantidad de scripts para recopilar conjuntos de datos, sus analistas decidieron construir una arquitectura de datos basada en microtablas. Crearon tablas separadas para calcular las características de la sesión, los pedidos, los embudos, las capas y las métricas.

Estas microtablas se actualizan diariamente y se combinan de acuerdo con claves como fecha, ID de sesión y owox_user_id en un conjunto de datos resultante, que se transmite al sistema de visualización.

Al mismo tiempo, el conjunto de datos contiene datos agregados para un usuario individual dentro del día y no tiene agregados de alto nivel: se calculan en el sistema de visualización. Esto se hace para que el sistema de filtrado funcione correctamente.

Este tipo de arquitectura de microservicio permitió a la empresa no romper lo que se creó anteriormente y agregar rápidamente nuevas entidades al conjunto de datos resultante.

Los paneles en Google Data Studio se crearon según el principio de que las cosas más importantes deben ubicarse en la primera pantalla, mientras que la información detallada debe estar en páginas individuales.

A continuación se muestra un ejemplo de la pantalla de inicio del tablero, que contiene todos los indicadores clave de rendimiento del sitio web, un embudo simplificado y otras métricas necesarias para una rápida toma de decisiones.

De forma predeterminada, el tablero muestra los datos de la semana anterior en comparación con hace dos semanas, pero puede establecer cualquier período y analizar, por ejemplo, los datos del trimestre.

El tablero le permite a nuestro cliente filtrar datos, analizando solo un segmento de audiencia esencial. Los usuarios pueden aplicar varios filtros a la vez para refinar un grupo específico de usuarios. Por ejemplo, nuestro cliente puede saber cuál es la tasa de conversión de nuevos usuarios desde dispositivos móviles que llegaron al catálogo de ventas.

También hay páginas sobre los primeros puntos de contacto, embudos detallados dentro del sitio web, análisis de carritos de compras y más.

A pesar de que el tablero está construido sobre un conjunto de datos débilmente agregado con millones de líneas, las métricas se calculan rápidamente. Al usar filtros complejos, los datos se visualizan en 10 segundos.

• El equipo de producto del cliente recibió una herramienta conveniente para acceder rápidamente a la mayoría de las métricas necesarias.
• Ahora, cualquier conversación en el equipo de producto sobre la mejora del sitio web comienza con el uso del tablero: los cuellos de botella se encuentran en el tablero y las mejoras necesarias se argumentan en función de los datos. Por ejemplo, un análisis de embudo mostró que las caídas más grandes (en comparación con los puntos de referencia) aparecen en las etapas entre ver la tarjeta del producto y la página de pago. Este conocimiento fijó el enfoque del equipo de producto con seis meses de anticipación y condujo a un aumento en las métricas para estos pasos del embudo.
• El equipo de análisis no dedica tiempo a calcular constantemente las mismas métricas, sino que se dedica a expandir el volumen y la profundidad de las métricas que se calculan automáticamente y puede dedicar más tiempo a consultas ad hoc complejas.