Mise en place d'analyses avancées pour une société minière - Hiveon success story

Hiveon, une entreprise de l'écosystème minier, explique comment elle a construit un outil abordable et flexible pour une analyse marketing rapide avec l'aide des produits OWOX et de l'équipe OWOX.

Fondée en 2017, Hiveon propose la principale solution de minage de crypto-monnaie tout-en-un, avec 2 millions d'utilisateurs dans le monde. L'écosystème Hiveon comprend actuellement Hiveon OS, Hiveon Pool, Hiveon ASIC Firmware et Hiveon ASIC Hub. Tous les produits Hiveon sont construits autour de la synergie, de la sécurité et de la stabilité.

Hiveon OS est l'un des premiers systèmes d'exploitation pour l'extraction de crypto-monnaie. Il a été créé conformément à l'objectif de l'entreprise de simplifier les solutions techniquement complexes pour les utilisateurs, en rendant la blockchain accessible et compréhensible. C'est ce qui a aidé Hiveon à créer une grande communauté fidèle qui aide l'entreprise à améliorer ses produits grâce à leurs commentaires et à leur initiative.

Chez Hiveon, nous avions besoin d'un outil abordable et flexible pour :

• Analyse rapide des sources de trafic. Oui, nous n'avons pas beaucoup de publicité payante, mais ce n'est pas la principale source de trafic pour nous, car ce n'est pas une source de trafic spécifique à notre créneau. Il était important d'analyser l'entonnoir du trafic organique, direct et (surtout) des médias sociaux. Nous avons une grande communauté et de nombreuses activités ont lieu, par exemple sur Twitter.
• Analyse comportementale - tout ce qui concerne le site Web et les entonnoirs de produit. Il s'agit de connaissances incroyablement précieuses que notre entreprise reçoit et utilise pour améliorer l'expérience utilisateur et pour identifier et corriger les lacunes dans l'entonnoir du produit.

De plus, nous disposons de suffisamment de données rétrospectives pour rechercher des idées et des modèles, et nous utilisons ces connaissances pour planifier le développement futur de l'entreprise. Google Analytics a des capacités de traitement de données limitées. Par conséquent, afin de libérer les mains de nos analystes en termes d'accès aux données, nous avons décidé d'utiliser Google BigQuery.

Notre produit est complexe et nous avons actuellement plusieurs domaines sur lesquels il était difficile de mettre en place un suivi inter-domaines. Lorsque les utilisateurs se déplaçaient d'un domaine à un autre, le client_id d'origine était perdu.

Un autre problème était d'atteindre la limite de Google Analytics de 50 000 transactions par jour. Dans le rapport de transaction de Google Analytics, une fois la limite atteinte, la valeur "(autre)" apparaît à la place du transaction_id correspondant.

Pour créer notre rapport de performance, nous avons décidé d'utiliser OWOX BI et Google BigQuery.

Pourquoi nous avons choisi Google BigQuery pour la collecte et le stockage des données :

• Relative facilité de configuration pour notre cas d'utilisation
• Expertise existante des analystes dans le travail avec GBQ
• Possibilité d'intégration avec des outils de visualisation

Comment nous combinons les données pour les rapports dans Google Big Query :

1. Avec l'aide d'OWOX BI Streaming, nous collectons des données brutes et non échantillonnées sur le comportement des utilisateurs du site Web et les transférons à BigQuery.
2. Les données de transaction du site Web sont envoyées à OWOX BI Streaming via le protocole de mesure.
3. Les données collectées sont traitées dans Google BigQuery et affichées sur des tableaux de bord dans Google Looker Studio et Tableau à l'aide d'un connecteur intégré.

Des collègues d'OWOX nous ont montré comment configurer le suivi inter-domaines. En plus de la collecte de données, l'équipe OWOX nous a aidés dans plusieurs tâches analytiques intéressantes.

Dans notre cas, afin de définir un nouvel utilisateur, nous formons une table auxiliaire avec des transactions au niveau de l'utilisateur. Autrement dit, au niveau de l'utilisateur, nous avons un tableau correspondant de transactions. Nous pouvons sélectionner dans cette table auxiliaire les sessions au cours desquelles un premier paiement a été effectué et définir leur statut correspondant (0 ou 1). Après cela, nous connectons la table principale des données de streaming avec la table auxiliaire des transactions par identifiant de session. Ensuite, nous pouvons compter le nombre d'utilisateurs qui ont effectué un premier paiement à l'aide d'une formule. Nous comptons le nombre d'utilisateurs uniques (client_id) si nous avons une session avec le premier paiement.

Étant donné que le projet comprend la reconstitution d'un portefeuille en ligne, le paiement de frais de service et le retrait des revenus des utilisateurs, il est conseillé d'analyser séparément les montants de ces transactions. Pour cela, l'équipe Hiveon a ajouté un attribut de produit à chaque transaction, et lors de la préparation du rapport, l'équipe OWOX a pu utiliser cet attribut à la fois comme filtre et pour créer des mesures différentes pour chaque type de revenu.

Grâce à la solution mise en place, nous avons réussi à :

• Mieux comprendre comment les utilisateurs utilisent différents domaines et comment ils se déplacent entre eux
• Augmenter la précision de la détermination de la première connexion d'un utilisateur au site
• Associez le premier paiement de l'utilisateur à une source de trafic spécifique
• Déterminer le type d'utilisateur en fonction de l'heure de son premier paiement
• Déterminez plus précisément les conversions à différentes étapes ainsi que sur différentes pages du site Web en recevant un ID utilisateur OWOX unique
• Dépassez la limite de Google Analytics de 50 000 transactions par jour, car les transactions sont enregistrées dans leur intégralité avec OWOX BI Streaming

Grâce à OWOX BI et Google BigQuery, nous disposons désormais d'un outil abordable et flexible pour une analyse rapide, qui nous permet à son tour de réagir rapidement aux changements.

Les principaux utilisateurs du rapport sont des analystes qui tirent des conclusions sur le fonctionnement du site et les performances du trafic. Ce rapport nous aide à comprendre la véritable composition des nouveaux utilisateurs et des utilisateurs connus. Bien sûr, Google Analytics fournit également de telles informations, mais en raison de la définition plus précise de l'utilisateur, notre structure a changé. Les indicateurs de conversion, désormais déterminés par le nouveau User ID unique OWOX, et la structure du trafic par source ont également changé.

Cependant, comme mentionné ci-dessus, nous sommes allés un peu plus loin et, avec quelques modifications, avons transféré le rapport vers Tableau (puisque c'est notre principal outil de BI et qu'il est pratiquede pouvoir avoir tous nos rapports dans une seule ressource). Grâce à OWOX, nous avons pu adapter le rapport à nos propres besoins.

Grâce à la solution d'OWOX, nous avons réussi à :

• Gagnez du temps sur la collecte et le traitement des données. À l'aide de rapports créés à l'aide de Google BigQuery, il est devenu plus facile de surveiller les changements dans le trafic Web, l'activité des utilisateurs, ainsi que certains types d'activités marketing.
• Analysez en détail le comportement des utilisateurs, ce qui affecte directement la fiabilité des résultats et la capacité à rechercher des informations. Certains éléments du site ont été analysés pour la première fois, nous permettant d'aborder la conception des pages de manière plus réfléchie et efficace.

À l'avenir, nous passerons à Google Analytics 4, ce qui signifie reconfigurer tout le suivi dans Google Tag Manager, car les schémas de données dans GA Universal et GA 4 sont très différents. Nous prévoyons de demander de l'aide à nos collègues d'OWOX.