E-ticaret için önemli olan tüm ürün KPI'larına nasıl hızlı erişim sağlanır?

Büyük bir moda perakendecisi, OWOX BI'dan akış verilerine hızlı erişim için bir ürün panoları sistemini nasıl oluşturdu?

Büyük bir moda perakendecisi olan müşterimizin bir pano sistemi geliştirmek için eksiksiz verilere ve mevcut performans ölçütlerine güvenmesi gerekiyordu. Pazar hızla değiştiğinden ve perakendecilerin, özellikle ortalama çek boyutu ve işlem başına birimdeki (UPT) kritik değişikliklere hızla yanıt vermesi gerektiğinden, verilerin mümkün olan en kısa sürede kullanıma sunulması gerekir. Ancak, bir analistten sürekli olarak aynı şeyi hesaplamasını istemek zaman alır ve pahalıdır. Ek olarak, müşterimizin yalnızca basit bir rapora değil, farklı dönemlerde farklı dilimlerdeki metrikleri analiz etmesine olanak tanıyan bir araca ihtiyacı vardı.

Pano oluşturmaya başlamadan önce analistlerimiz, ürün ekibiyle birlikte gerekli metrikleri ve dilimleri belirledi.

Web sitesindeki tüm kullanıcı temas noktaları için gerekli performans metriklerinin analizi: alışveriş sepetine ve siparişlere yapılan eklemeler dahil, dönüşüm hunisinin önemli aşamalarındaki dönüşümler; ortalama çek boyutu; çekteki kalem sayısı; ARPV; abonelik sayısı; işlemden önceki günler; ve karar verme için önemli olan diğer ölçümler.

Analistler, veri dilimleri için hem standart kitle segmentlerini (cihaz türü, bölge, kaynak) hem de verilere dayalı olarak hesaplanan belirli segmentleri (müşteri/müşteri dışı, bir e-posta bültenine kaydolmuş vb.) seçti.

Birçok standart veri dilimi, üst düzey kavramlarla birleştirilmiştir. Örneğin, ürün ekibinin segmentleri çeşitli edinme kaynaklarına göre analiz etmek için belirli bir reklam kampanyası düzeyine inmesi gerekmez. Yine de marka trafiğini marka dışı trafikten, organik trafikten veya SMS trafiğinden ayırmak gerekir.

Müşterimiz, OWOX BI kullanarak Google BigQuery'deki web sitelerinden ham kullanıcı davranışı verilerini zaten toplamıştı. Ancak ham verileri görselleştirme sistemine bağlayamadılar, bu nedenle panolar için özel olarak ayrı bir veri kümesi oluşturmaları gerekiyordu.

Panoların sürekli olarak tamamlanacağını ve veri kümelerini toplamak için komut dosyalarının sayısının artacağını fark eden analistleri, mikro tablolara dayalı bir veri mimarisi oluşturmaya karar verdi. Oturum özelliklerini, siparişleri, hunileri, katmanları ve metrikleri hesaplamak için ayrı tablolar oluşturdular.

Bu mikro tablolar günlük olarak güncellenir ve tarih, sessionid ve owox_user_id gibi anahtarlara göre görselleştirme sistemine iletilen tek bir sonuç veri kümesinde birleştirilir.

Aynı zamanda, veri kümesi, gün içinde bireysel bir kullanıcı için birleştirilmiş verileri içerir ve üst düzey toplamalara sahip değildir - görselleştirme sisteminde hesaplanırlar. Bu, filtreleme sisteminin doğru çalışması için yapılır.

Bu tür bir mikro hizmet mimarisi, şirketin daha önce oluşturulmuş olanı bozmamasına ve elde edilen veri kümesine hızla yeni varlıklar eklemesine olanak sağladı.

Google Data Studio'daki gösterge tabloları, en önemli şeylerin ilk ekranda yer alması, ayrıntılı bilgilerin ise ayrı sayfalarda yer alması prensibiyle oluşturulmuştur.

Aşağıda, web sitesinin tüm temel performans göstergelerini, basitleştirilmiş bir dönüşüm hunisini ve hızlı karar vermek için gerekli diğer ölçümleri içeren gösterge tablosu ana ekranının bir örneği bulunmaktadır.

Varsayılan olarak gösterge tablosu, iki hafta öncesine göre önceki haftaya ait verileri gösterir, ancak herhangi bir dönemi ayarlayabilir ve örneğin üç aylık verileri analiz edebilirsiniz.

Pano, müşterimizin yalnızca önemli bir kitle segmentini analiz ederek verileri filtrelemesine olanak tanır. Kullanıcılar, belirli bir kullanıcı grubunu hassaslaştırmak için aynı anda birden çok filtre uygulayabilir. Örneğin, müşterimiz satış kataloğuna mobil cihazlardan gelen yeni kullanıcılar için dönüşüm oranının ne olduğunu öğrenebilir.

Ayrıca ilk temas noktaları, web sitesi içindeki ayrıntılı huniler, alışveriş sepetlerinin analizi ve daha fazlası hakkında sayfalar vardır.

Pano, milyonlarca satırdan oluşan zayıf bir şekilde birleştirilmiş bir veri kümesi üzerine inşa edilmiş olmasına rağmen, metrikler hızlı bir şekilde hesaplanır. Karmaşık filtreler kullanıldığında, veriler 10 saniyede görselleştirilir.

• Müşterinin ürün ekibi, en gerekli metriklere hızlı erişim için uygun bir araç aldı.
• Artık, ürün ekibinde web sitesini iyileştirmeyle ilgili herhangi bir görüşme, panonun kullanılmasıyla başlar: panoda darboğazlar bulunur ve verilere dayalı olarak gerekli iyileştirmeler tartışılır. Örneğin, bir huni analizi, en büyük düşüşlerin (karşılaştırmalarla karşılaştırıldığında) ürün kartının görüntülenmesi ile ödeme sayfası arasındaki aşamalarda ortaya çıktığını gösterdi. Bu bilgi, ürün ekibinin odak noktasını altı ay önceden belirledi ve bu dönüşüm hunisi adımları için metriklerde artışa yol açtı.
• Analitik ekibi sürekli olarak aynı metrikleri hesaplamak için zaman harcamaz, bunun yerine otomatik olarak hesaplanan ve karmaşık ad hoc sorgulara daha fazla zaman ayırabilen metriklerin hacmini ve derinliğini genişletmekle meşgul olur.