為礦業公司設置高級分析——Hiveon 成功案例

Hiveon 是一家挖礦生態系統公司，分享了他們如何在 OWOX 產品和 OWOX 團隊的幫助下構建一個經濟實惠且靈活的工具來進行快速營銷分析。

Hiveon 成立於 2017 年，提供領先的一體式加密貨幣挖礦解決方案，在全球擁有 200 萬用戶。 Hiveon 生態系統目前包括 Hiveon OS、Hiveon Pool、Hiveon ASIC Firmware 和 Hiveon ASIC Hub。 所有 Hiveon 產品都是圍繞協同、安全和穩定而構建的。

Hiveon OS 是最早用於加密貨幣挖掘的操作系統之一。 它是根據公司的目標創建的，即為用戶簡化技術上複雜的解決方案，使區塊鏈易於訪問和理解。 這就是幫助 Hiveon 建立一個龐大、忠誠的社區的原因，該社區通過他們的反饋和主動性幫助公司改進其產品。

在 Hiveon，我們需要一個經濟實惠且靈活的工具來：

• 快速分析流量來源。 是的，我們沒有很多付費廣告，但它不是我們的主要流量來源，因為它不是我們利基市場特有的流量來源。 分析有機、直接和（尤其是）社交媒體流量的渠道非常重要。 我們有一個很大的社區，並且有很多活動，例如，在 Twitter 上。
• 行為分析——與網站和產品內渠道相關的一切。 這是非常寶貴的知識，我們的業務接收並使用這些知識來改進用戶體驗並識別和修復產品漏斗中的差距。

此外，我們有足夠的回溯數據來尋找洞察力和模式，我們利用這些知識來規劃公司未來的發展。 Google Analytics 的數據處理能力有限。 因此，為了解放我們分析師在數據訪問方面的雙手，我們決定使用Google BigQuery。

我們的產品很複雜，目前我們有多個域，很難在這些域中設置跨域跟踪。 當用戶從一個域移動到另一個域時，原來的 client_id 丟失了。

另一個問題是達到了 Google Analytics 每天 50,000 筆交易的限制。 在 Google Analytics 的交易報告中，達到限制後，將出現值“(other)”而不是相應的 transaction_id。

為了創建我們的性能報告，我們決定使用 OWOX BI 和 Google BigQuery。

為什麼我們選擇 Google BigQuery 進行數據收集和存儲：

• 我們的用例相對容易設置
• 分析師在使用 GBQ 方面的現有專業知識
• 與可視化工具集成的可能性

我們如何在 Google Big Query 中合併報告數據：

1. 在 OWOX BI Streaming 的幫助下，我們從網站收集未經抽樣的原始用戶行為數據，並將其傳輸到 BigQuery。
2. 來自網站的交易數據通過測量協議發送到 OWOX BI Streaming。
3. 收集的數據在 Google BigQuery 中處理，並使用內置連接器顯示在 Google Looker Studio 和 Tableau 的儀表板上。

OWOX 的同事向我們展示瞭如何設置跨域跟踪。 除了數據收集外，OWOX 團隊還幫助我們完成了幾項有趣的分析任務。

在我們的例子中，為了定義一個新用戶，我們在用戶級別形成一個包含事務的輔助表。 也就是說，在用戶層面，我們有一個對應的交易數組。 我們可以從這個輔助表中選擇第一次付款的會話，並設置它們相應的狀態（0 或 1）。 之後，我們通過session id連接流數據主表和交易副表。 接下來，我們可以使用公式計算首次付款的用戶數量。 如果我們有第一次付款的會話，我們會計算唯一用戶 (client_id) 的數量。

由於該項目包括充值在線錢包、支付服務費和提取用戶收入，因此建議分別分析這些交易的金額。 為此，Hiveon 團隊為每筆交易添加了一個產品屬性，並且在準備報告時，OWOX 團隊能夠將此屬性用作過濾器並為每種類型的收入創建不同的指標。

由於實施了解決方案，我們設法：

• 更好地了解用戶如何使用不同的域以及他們如何在這些域之間移動
• 提高確定用戶首次登錄站點的準確性
• 將用戶的首次支付與特定的流量來源綁定
• 根據首次付費時間判斷用戶類型
• 通過接收唯一的 OWOX 用戶 ID，更準確地確定不同階段以及不同網站頁面上的轉化
• 克服 Google Analytics 每天 50,000 筆交易的限制，因為使用 OWOX BI Streaming 完整記錄交易

多虧了 OWOX BI 和 Google BigQuery，我們現在有了一個經濟實惠且靈活的快速分析工具，這反過來又使我們能夠快速響應變化。

該報告的主要用戶是分析人員，他們對網站的運營和流量性能得出結論。 這份報告幫助我們了解新用戶和老用戶的真實構成。 當然，Google Analytics 也提供了這樣的信息，但是由於對用戶的定義更加精確，我們的結構發生了變化。 現在由新的唯一 OWOX 用戶 ID 確定的轉化指標以及按來源分類的流量結構也發生了變化。

然而，如上所述，我們走得更遠，經過一些修改，將報告轉移到 Tableau（因為它是我們的主要 BI 工具，並且能夠將我們所有的報告集中在一個資源中很方便）。 感謝 OWOX，我們能夠根據自己的需要調整報告。

得益於 OWOX 的解決方案，我們成功地：

• 節省收集和處理數據的時間。 使用在 Google BigQuery 的幫助下構建的報告，可以更輕鬆地監控網絡流量、用戶活動以及某些類型的營銷活動的變化。
• 詳細分析用戶行為，這直接影響結果的可靠性和搜索洞察力的能力。 首次對網站的某些元素進行了分析，使我們能夠更周到、更有效地進行頁面設計。

將來，我們將過渡到 Google Analytics 4，這意味著重新配置 Google 跟踪代碼管理器中的所有跟踪，因為 GA Universal 和 GA 4 中的數據架構有很大不同。 我們希望向 OWOX 的同事尋求幫助。