Cara mendapatkan akses cepat ke semua KPI produk yang penting bagi e-commerce

Bagaimana peritel fesyen besar membangun sistem dasbor produk untuk akses cepat ke streaming data dari OWOX BI.

Untuk mengembangkan sistem dasbor, klien kami, peritel fesyen besar, perlu mengandalkan data lengkap dan metrik kinerja saat ini. Karena pasar berubah dengan cepat dan pengecer perlu merespons dengan cepat, terutama perubahan kritis dalam ukuran cek rata-rata dan unit per transaksi (UPT), data harus tersedia sesegera mungkin. Namun, terus-menerus meminta seorang analis untuk menghitung hal yang sama membutuhkan waktu dan mahal. Selain itu, klien kami tidak hanya membutuhkan laporan sederhana tetapi juga alat yang memungkinkan mereka menganalisis metrik dalam berbagai bagian selama periode yang berbeda.

Sebelum mulai membuat dasbor, analis kami, bersama dengan tim produk, mengidentifikasi metrik dan bagian yang diperlukan.

Analisis kinerja memerlukan metrik untuk semua poin kontak pengguna di situs web: konversi pada tahapan utama corong, termasuk penambahan keranjang dan pesanan; ukuran cek rata-rata; jumlah barang dalam cek; ARPV; jumlah langganan; hari sebelum transaksi; dan metrik lain yang penting untuk pengambilan keputusan.

Untuk irisan data, analis memilih segmen audiens standar (jenis perangkat, wilayah, sumber) dan segmen spesifik yang dihitung berdasarkan data (klien/non-klien, mendaftar ke buletin email, dll.).

Banyak irisan data standar telah digabungkan menjadi konsep tingkat yang lebih tinggi. Misalnya, tim produk tidak perlu menelusuri hingga tingkat kampanye iklan tertentu untuk menganalisis segmen menurut berbagai sumber akuisisi. Namun, perlu memisahkan lalu lintas merek dari lalu lintas non-merek, lalu lintas organik, atau lalu lintas dari SMS.

Klien kami telah mengumpulkan data perilaku pengguna mentah dari situs web mereka di Google BigQuery menggunakan OWOX BI. Namun mereka tidak dapat menghubungkan data mentah ke sistem visualisasi, jadi mereka perlu membuat kumpulan data terpisah khusus untuk dasbor.

Menyadari bahwa dasbor akan terus ditambah dan jumlah skrip untuk mengumpulkan kumpulan data akan meningkat, analis mereka memutuskan untuk membangun arsitektur data berdasarkan tabel mikro. Mereka membuat tabel terpisah untuk menghitung karakteristik sesi, pesanan, corong, lapisan, dan metrik.

Tabel mikro ini diperbarui setiap hari dan digabungkan menurut kunci seperti tanggal, sessionid, dan owox_user_id menjadi satu set data yang dihasilkan, yang ditransmisikan ke sistem visualisasi.

Pada saat yang sama, kumpulan data berisi data agregat untuk pengguna individu dalam satu hari, dan tidak memiliki agregat tingkat tinggi — semuanya dihitung dalam sistem visualisasi. Hal ini dilakukan agar sistem penyaringan bekerja secara akurat.

Jenis arsitektur layanan mikro ini memungkinkan perusahaan untuk tidak merusak apa yang dibangun sebelumnya dan dengan cepat menambahkan entitas baru ke kumpulan data yang dihasilkan.

Dasbor di Google Data Studio dibuat dengan prinsip bahwa hal yang paling penting harus ditempatkan di layar pertama, sedangkan informasi mendetail harus ada di halaman individual.

Di bawah ini adalah contoh layar beranda dasbor, yang berisi semua indikator kinerja utama situs web, corong yang disederhanakan, dan metrik lain yang diperlukan untuk pengambilan keputusan yang cepat.

Secara default, dasbor menampilkan data untuk minggu sebelumnya dibandingkan dengan dua minggu lalu, tetapi Anda dapat menyetel periode apa pun dan menganalisis, misalnya, data untuk kuartal tersebut.

Dasbor memungkinkan klien kami untuk memfilter data, hanya menganalisis segmen audiens yang penting. Pengguna dapat menerapkan beberapa filter sekaligus untuk menyaring grup pengguna tertentu. Misalnya, klien kami dapat mengetahui tingkat konversi untuk pengguna baru dari perangkat seluler yang datang ke katalog penjualan.

Ada juga halaman di titik kontak pertama, corong mendetail di dalam situs web, analisis keranjang belanja, dan banyak lagi.

Meskipun dasbor dibangun di atas kumpulan data yang dikumpulkan secara lemah dengan jutaan baris, metrik dihitung dengan cepat. Saat menggunakan filter kompleks, data divisualisasikan dalam 10 detik.

• Tim produk klien menerima alat yang nyaman untuk akses cepat ke sebagian besar metrik yang diperlukan.
• Sekarang, percakapan apa pun dalam tim produk tentang peningkatan situs web dimulai dengan menggunakan dasbor: kemacetan ditemukan di dasbor, dan peningkatan yang diperlukan diperdebatkan berdasarkan data. Misalnya, analisis corong menunjukkan bahwa penurunan terbesar (dibandingkan dengan tolok ukur) muncul pada tahapan antara melihat kartu produk dan halaman pembayaran. Pengetahuan ini menetapkan fokus tim produk enam bulan sebelumnya dan menghasilkan peningkatan metrik untuk langkah corong ini.
• Tim analitik tidak menghabiskan waktu terus-menerus menghitung metrik yang sama tetapi terlibat dalam memperluas volume dan kedalaman metrik yang dihitung secara otomatis dan dapat mencurahkan lebih banyak waktu untuk kueri ad hoc yang rumit.