Jak uzyskać szybki dostęp do wszystkich kluczowych dla e-commerce KPI produktowych

Jak duży detalista modowy zbudował system kokpitów produktowych do szybkiego dostępu do strumieniowych danych z OWOX BI.

Aby opracować system kokpitów, nasz klient, duża sieć sklepów odzieżowych, musiał polegać na pełnych danych i aktualnych wskaźnikach wydajności. Ponieważ rynek szybko się zmienia, a sprzedawcy detaliczni muszą szybko reagować, zwłaszcza na krytyczne zmiany średniej wielkości czeku i jednostek na transakcję (UPT), dane muszą być dostępne tak szybko, jak to możliwe. Jednak ciągłe proszenie analityka o obliczenie tego samego wymaga czasu i jest kosztowne. Ponadto nasz klient potrzebował nie tylko prostego raportu, ale narzędzia, które pozwoli mu analizować wskaźniki w różnych przekrojach w różnych okresach.

Przed przystąpieniem do tworzenia pulpitu nawigacyjnego nasi analitycy wraz z zespołem produktowym zidentyfikowali niezbędne metryki i wycinki.

Analiza metryk wymaganych wydajności dla wszystkich punktów styku użytkownika na stronie: konwersje na kluczowych etapach lejka, w tym dodanie do koszyka i zamówienia; średni rozmiar czeku; liczba pozycji w czeku; ARPV; liczba subskrypcji; dni przed transakcją; oraz inne wskaźniki ważne dla podejmowania decyzji.

W przypadku segmentów danych analitycy wybrali zarówno standardowe segmenty odbiorców (typ urządzenia, region, źródło), jak i określone segmenty, które są obliczane na podstawie danych (klient/nieklient, subskrybent biuletynu e-mailowego itp.).

Wiele standardowych segmentów danych zostało połączonych w koncepcje wyższego poziomu. Na przykład zespół produktowy nie musi drążyć do poziomu konkretnej kampanii reklamowej, aby analizować segmenty według różnych źródeł pozyskania. Mimo to konieczne jest oddzielenie ruchu związanego z marką od ruchu niezwiązanego z marką, ruchu organicznego lub ruchu z SMS-ów.

Nasz klient zebrał już surowe dane o zachowaniu użytkowników ze swojej witryny w Google BigQuery za pomocą OWOX BI. Nie mogli jednak połączyć nieprzetworzonych danych z systemem wizualizacji, więc musieli utworzyć osobny zestaw danych specjalnie dla pulpitów nawigacyjnych.

Zdając sobie sprawę, że dashboardy będą stale uzupełniane, a liczba skryptów do zbierania zbiorów danych będzie rosła, ich analitycy postanowili zbudować architekturę danych w oparciu o mikrotabele. Stworzyli osobne tabele do obliczania charakterystyki sesji, zamówień, ścieżek, warstw i metryk.

Te mikrotabele są codziennie aktualizowane i łączone według takich kluczy jak date, sessionid i owox_user_id w jeden wynikowy zbiór danych, który jest przesyłany do systemu wizualizacji.

Jednocześnie zbiór danych zawiera zagregowane dane dla pojedynczego użytkownika w ciągu dnia i nie posiada agregatów wysokiego poziomu — są one wyliczane w systemie wizualizacji. Odbywa się to tak, aby system filtrowania działał dokładnie.

Taka architektura mikroserwisów pozwoliła firmie nie psuć tego, co zostało zbudowane wcześniej i szybko dodawać nowe podmioty do wynikowego zbioru danych.

Dashboardy w Google Data Studio powstały w myśl zasady, że najważniejsze rzeczy powinny znajdować się na pierwszym ekranie, a szczegółowe informacje na poszczególnych stronach.

Poniżej znajduje się przykład ekranu głównego pulpitu nawigacyjnego, który zawiera wszystkie kluczowe wskaźniki wydajności witryny, uproszczony lejek i inne dane niezbędne do szybkiego podejmowania decyzji.

Domyślnie dashboard pokazuje dane za poprzedni tydzień w porównaniu do dwóch tygodni temu, ale można ustawić dowolny okres i analizować np. dane za kwartał.

Dashboard pozwala naszemu klientowi filtrować dane, analizując tylko istotny segment odbiorców. Użytkownicy mogą zastosować wiele filtrów jednocześnie, aby uściślić określoną grupę użytkowników. Nasz klient może np. dowiedzieć się jaki jest współczynnik konwersji dla nowych użytkowników z urządzeń mobilnych, którzy weszli do katalogu sprzedażowego.

Są też strony o pierwszych punktach styku, szczegółowe lejki wewnątrz serwisu, analiza koszyków zakupowych i nie tylko.

Pomimo tego, że pulpit nawigacyjny jest zbudowany na słabo zagregowanym zbiorze danych z milionami wierszy, metryki są obliczane szybko. W przypadku korzystania ze złożonych filtrów dane są wizualizowane w ciągu 10 sekund.

• Zespół produktowy klienta otrzymał wygodne narzędzie umożliwiające szybki dostęp do większości potrzebnych metryk.
• Teraz każda rozmowa w zespole produktowym na temat ulepszenia strony internetowej zaczyna się od korzystania z dashboardu: w dashboardzie znajdują się wąskie gardła, a niezbędne ulepszenia są argumentowane na podstawie danych. Na przykład analiza lejkowa wykazała, że ​​największe spadki (w porównaniu do benchmarków) pojawiają się na etapach między wyświetleniem karty produktu a stroną kasy. Ta wiedza wyznaczyła cel zespołu produktu z sześciomiesięcznym wyprzedzeniem i doprowadziła do wzrostu wskaźników dla tych kroków ścieżki.
• Zespół analityczny nie spędza czasu na ciągłym obliczaniu tych samych metryk, ale jest zaangażowany w zwiększanie ilości i głębokości metryk, które są obliczane automatycznie, i może poświęcić więcej czasu na złożone zapytania ad hoc.