为矿业公司设置高级分析——Hiveon 成功案例

Hiveon 是一家挖矿生态系统公司，分享了他们如何在 OWOX 产品和 OWOX 团队的帮助下构建一个经济实惠且灵活的工具来进行快速营销分析。

Hiveon 成立于 2017 年，提供领先的一体式加密货币挖矿解决方案，在全球拥有 200 万用户。 Hiveon 生态系统目前包括 Hiveon OS、Hiveon Pool、Hiveon ASIC Firmware 和 Hiveon ASIC Hub。 所有 Hiveon 产品都是围绕协同、安全和稳定而构建的。

Hiveon OS 是最早用于加密货币挖掘的操作系统之一。 它是根据公司的目标创建的，即为用户简化技术上复杂的解决方案，使区块链易于访问和理解。 这就是帮助 Hiveon 建立一个庞大、忠诚的社区的原因，该社区通过他们的反馈和主动性帮助公司改进其产品。

在 Hiveon，我们需要一个经济实惠且灵活的工具来：

• 快速分析流量来源。 是的，我们没有很多付费广告，但它不是我们的主要流量来源，因为它不是我们利基市场特有的流量来源。 分析有机、直接和（尤其是）社交媒体流量的渠道非常重要。 我们有一个很大的社区，并且有很多活动，例如，在 Twitter 上。
• 行为分析——与网站和产品内渠道相关的一切。 这是非常宝贵的知识，我们的业务接收并使用这些知识来改进用户体验并识别和修复产品漏斗中的差距。

此外，我们有足够的回溯数据来寻找洞察力和模式，我们利用这些知识来规划公司未来的发展。 Google Analytics 的数据处理能力有限。 因此，为了解放我们分析师在数据访问方面的双手，我们决定使用Google BigQuery。

我们的产品很复杂，目前我们有多个域，很难在这些域中设置跨域跟踪。 当用户从一个域移动到另一个域时，原来的 client_id 丢失了。

另一个问题是达到了 Google Analytics 每天 50,000 笔交易的限制。 在 Google Analytics 的交易报告中，达到限制后，将出现值“(other)”而不是相应的 transaction_id。

为了创建我们的性能报告，我们决定使用 OWOX BI 和 Google BigQuery。

为什么我们选择 Google BigQuery 进行数据收集和存储：

• 我们的用例相对容易设置
• 分析师在使用 GBQ 方面的现有专业知识
• 与可视化工具集成的可能性

我们如何在 Google Big Query 中合并报告数据：

1. 在 OWOX BI Streaming 的帮助下，我们从网站收集未经抽样的原始用户行为数据，并将其传输到 BigQuery。
2. 来自网站的交易数据通过测量协议发送到 OWOX BI Streaming。
3. 收集的数据在 Google BigQuery 中处理，并使用内置连接器显示在 Google Looker Studio 和 Tableau 的仪表板上。

OWOX 的同事向我们展示了如何设置跨域跟踪。 除了数据收集外，OWOX 团队还帮助我们完成了几项有趣的分析任务。

在我们的例子中，为了定义一个新用户，我们在用户级别形成一个包含事务的辅助表。 也就是说，在用户层面，我们有一个对应的交易数组。 我们可以从这个辅助表中选择第一次付款的会话，并设置它们相应的状态（0 或 1）。 之后，我们通过session id连接流数据主表和交易副表。 接下来，我们可以使用公式计算首次付款的用户数量。 如果我们有第一次付款的会话，我们会计算唯一用户 (client_id) 的数量。

由于该项目包括充值在线钱包、支付服务费和提取用户收入，因此建议分别分析这些交易的金额。 为此，Hiveon 团队为每笔交易添加了一个产品属性，并且在准备报告时，OWOX 团队能够将此属性用作过滤器并为每种类型的收入创建不同的指标。

由于实施了解决方案，我们设法：

• 更好地了解用户如何使用不同的域以及他们如何在这些域之间移动
• 提高确定用户首次登录站点的准确性
• 将用户的首次支付与特定的流量来源绑定
• 根据首次付费时间判断用户类型
• 通过接收唯一的 OWOX 用户 ID，更准确地确定不同阶段以及不同网站页面上的转化
• 克服 Google Analytics 每天 50,000 笔交易的限制，因为使用 OWOX BI Streaming 完整记录交易

多亏了 OWOX BI 和 Google BigQuery，我们现在有了一个经济实惠且灵活的快速分析工具，这反过来又使我们能够快速响应变化。

该报告的主要用户是分析人员，他们对网站的运营和流量性能得出结论。 这份报告帮助我们了解新用户和老用户的真实构成。 当然，Google Analytics 也提供了这样的信息，但是由于对用户的定义更加精确，我们的结构发生了变化。 现在由新的唯一 OWOX 用户 ID 确定的转化指标以及按来源分类的流量结构也发生了变化。

然而，如上所述，我们走得更远，经过一些修改，将报告转移到 Tableau（因为它是我们的主要 BI 工具，并且能够将我们所有的报告集中在一个资源中很方便）。 感谢 OWOX，我们能够根据自己的需要调整报告。

得益于 OWOX 的解决方案，我们成功地：

• 节省收集和处理数据的时间。 使用在 Google BigQuery 的帮助下构建的报告，可以更轻松地监控网络流量、用户活动以及某些类型的营销活动的变化。
• 详细分析用户行为，这直接影响结果的可靠性和搜索洞察力的能力。 首次对网站的某些元素进行了分析，使我们能够更周到、更有效地进行页面设计。

将来，我们将过渡到 Google Analytics 4，这意味着重新配置 Google 跟踪代码管理器中的所有跟踪，因为 GA Universal 和 GA 4 中的数据架构有很大不同。 我们希望向 OWOX 的同事寻求帮助。