Настройка расширенной аналитики для горнодобывающей компании — история успеха Hiveon

Hiveon, компания, занимающаяся экосистемой майнинга, рассказывает, как они создали доступный и гибкий инструмент для быстрого маркетингового анализа с помощью продуктов OWOX и команды OWOX.

Компания Hiveon, основанная в 2017 году, предлагает ведущее комплексное решение для майнинга криптовалюты с 2 миллионами пользователей по всему миру. Экосистема Hiveon в настоящее время включает ОС Hiveon, пул Hiveon, прошивку Hiveon ASIC и Hiveon ASIC Hub. Все продукты Hiveon построены на синергии, безопасности и стабильности.

Hiveon OS — одна из первых операционных систем для майнинга криптовалюты. Он создан в соответствии с целью компании упростить технически сложные решения для пользователей, сделав блокчейн доступным и понятным. Именно это помогло Hiveon создать большое лояльное сообщество, которое помогает компании улучшать свои продукты благодаря их отзывам и инициативе.

В Hiveon нам нужен был доступный и гибкий инструмент для:

• Быстрый анализ источников трафика. Да, у нас не так много платной рекламы, но она не является для нас основным источником трафика, потому что это не специфичный для нашей ниши источник трафика. Было важно проанализировать воронку для органического, прямого и (особенно) трафика из социальных сетей. У нас большое сообщество, и много активностей происходит, например, в Твиттере.
• Поведенческая аналитика — все, что связано с сайтом и воронками внутри продукта. Это невероятно ценные знания, которые наш бизнес получает и использует для улучшения UX, а также для выявления и исправления пробелов в воронке продукта.

Кроме того, у нас достаточно ретроспективных данных для поиска инсайтов и закономерностей, и мы используем эти знания для планирования дальнейшего развития компании. Google Analytics имеет ограниченные возможности обработки данных. Поэтому, чтобы развязать руки нашим аналитикам в плане доступа к данным, мы решили использовать Google BigQuery.

Наш продукт сложный, и в настоящее время у нас есть несколько доменов, для которых было сложно настроить междоменное отслеживание. Когда пользователи переходили из одного домена в другой, исходный client_id терялся.

Еще одна проблема заключалась в достижении лимита Google Analytics в 50 000 транзакций в день. В отчете о транзакциях в Google Analytics после достижения лимита вместо соответствующего transaction_id появляется значение «(другое)».

Для создания нашего отчета о производительности мы решили использовать OWOX BI и Google BigQuery.

Почему мы выбрали Google BigQuery для сбора и хранения данных:

• Относительная простота настройки для нашего варианта использования
• Существующая экспертиза аналитиков в работе с GBQ
• Возможность интеграции со средствами визуализации

Как мы объединяем данные для отчетов в Google Big Query:

1. С помощью OWOX BI Streaming мы собираем необработанные несемплированные данные о поведении пользователей с сайта и передаем их в BigQuery.
2. Данные о транзакциях с сайта отправляются в OWOX BI Streaming через протокол измерений.
3. Собранные данные обрабатываются в Google BigQuery и отображаются на дашбордах в Google Looker Studio и Tableau с помощью встроенного коннектора.

Коллеги из OWOX показали, как настроить междоменное отслеживание. Помимо сбора данных, команда OWOX помогла нам с несколькими интересными аналитическими задачами.

В нашем случае для определения нового пользователя мы формируем вспомогательную таблицу с транзакциями на уровне пользователя. То есть на уровне пользователя у нас есть соответствующий массив транзакций. Мы можем выбрать из этой вспомогательной таблицы сеансы, во время которых был сделан первый платеж, и установить их соответствующий статус (0 или 1). После этого мы связываем основную таблицу потоковых данных со вспомогательной таблицей транзакций по идентификатору сессии. Далее мы можем подсчитать количество пользователей, совершивших первый платеж по формуле. Считаем количество уникальных пользователей (client_id), если у нас есть сессия с первым платежом.

Поскольку проект включает в себя пополнение онлайн-кошелька, оплату сервисных сборов и вывод доходов пользователей, целесообразно анализировать суммы этих транзакций отдельно. Для этого команда Hiveon добавила в каждую транзакцию атрибут продукта, и при подготовке отчета команда OWOX смогла использовать этот атрибут как в качестве фильтра, так и для создания разных метрик для каждого вида дохода.

Благодаря внедренному решению нам удалось:

• Лучше понять, как пользователи используют разные домены и как они перемещаются между ними.
• Повысить точность определения первого входа пользователя на сайт
• Привязать первый платеж пользователя к конкретному источнику трафика
• Определить тип пользователя по времени его первого платежа
• Более точно определять конверсии на разных этапах и на разных страницах сайта, получая уникальный User ID OWOX
• Преодолеть ограничение Google Analytics в 50 000 транзакций в день, так как транзакции полностью фиксируются с помощью OWOX BI Streaming

Благодаря OWOX BI и Google BigQuery у нас появился доступный и гибкий инструмент для экспресс-анализа, который, в свою очередь, позволяет быстро реагировать на изменения.

Основными пользователями отчета являются аналитики, которые делают выводы о работе сайта и показателях посещаемости. Этот отчет помогает нам понять истинный состав новых и вернувшихся пользователей. Конечно, Google Analytics также предоставляет такую ​​информацию, но из-за более точного определения пользователя наша структура изменилась. Также изменились показатели конверсии, которые теперь определяются новым уникальным User ID OWOX, и структура трафика по источникам.

Однако, как было сказано выше, мы пошли немного дальше и с некоторыми изменениями перенесли отчет в Tableau (поскольку это наш основной инструмент BI и удобноиметь возможность иметь все наши отчеты в одном ресурсе). Благодаря OWOX мы смогли адаптировать отчет под собственные нужды.

Благодаря решению от OWOX нам удалось:

• Экономьте время на сборе и обработке данных. С помощью отчетов, построенных с помощью Google BigQuery, стало проще отслеживать изменения веб-трафика, активности пользователей, а также отдельные виды маркетинговой активности.
• Детально проанализируйте поведение пользователей, что напрямую повлияло на достоверность результатов и возможность поиска инсайтов. Отдельные элементы сайта были проанализированы впервые, что позволило более вдумчиво и эффективно подойти к оформлению страниц.

В будущем мы перейдем на Google Analytics 4, что означает перенастройку всего отслеживания в Диспетчере тегов Google, поскольку схемы данных в GA Universal и GA 4 существенно различаются. Мы рассчитываем обратиться за помощью к нашим коллегам из OWOX.