Erweiterte Analysen für eine CS:GO-Handelsseite einrichten

Standard-Analytics-Tools sind auf einfache Geschäftsmodelle zugeschnitten. Wenn Sie ein gemeinsames E-Commerce-Projekt mit ein oder zwei Conversion-Typen und einem einfachen Verkaufstrichter haben, gibt es normalerweise keine Schwierigkeiten mit dem Reporting. Aber was ist mit Unternehmen mit einem komplexeren Geschäftsmodell?

Einer unserer Kunden nutzte OWOX BI, um erweiterte Analysen für eine Plattform einzurichten, die es Kunden ermöglicht, CS:GO- und Dota 2-Artikel schnell und sicher auszutauschen, zu kaufen und zu verkaufen.

Wie die meisten Unternehmen, die im Laufe ihres Wachstums viele Daten ansammeln, erkannte unser Kunde, dass seine Daten verwendet werden könnten, um bessere Entscheidungen zu treffen. Das Hauptprodukt unseres Kunden ist eine Plattform zum Tauschen und Kaufen virtueller Gegenstände, die von mehr als fünf Millionen Menschen in rund 100 Ländern genutzt wird.

Ad-hoc-Berichte in Excel und einfache analytische Dashboards, in die Daten direkt aus verschiedenen Systemen importiert wurden, waren dem Unternehmen irgendwann entwachsen. Sie wollten ein Data Warehouse (DHW) mit all ihren Daten einrichten, verständliche Data Marts und analytische Business Intelligence (BI)-Berichte auf diesem Data Warehouse aufbauen und diesen Prozess automatisieren, um ihr bestes Leben zu führen.

Mit Hilfe von OWOX BI und Google BigQuery wollte das Unternehmen drei Hauptaufgaben erfüllen:

• Automatisieren Sie den Import von Daten aus verschiedenen Systemen
• Erstellen Sie analytische Data Marts
• Datenqualität verbessern

Das Unternehmen stand im Bereich der Datenanalyse vor mehreren Herausforderungen. Das erste war, dass Standard-Analytics-Tools auf weniger komplexe Geschäftsmodelle zugeschnitten sind als die unserer Kunden. Der Service des Unternehmens kombiniert die Funktionalität eines Shops und eines Marktplatzes. Außerdem können Käufer sowohl mit Geld als auch mit In-Game-Items bezahlen. Aus diesem Grund hat das Unternehmen mehrere Arten von Transaktionen und mehrere Arten von Einnahmen. Folglich benötigte unser Kunde maßgeschneiderte Berichte, um das Benutzerverhalten, die Konversionen und den ROI der Marketingkampagne zu analysieren.

Zwei weitere Herausforderungen waren schlechte Datenqualität und Datenabweichungen zwischen den Systemen. Der Kunde sah sich oft mit der Tatsache konfrontiert, dass dieselbe Metrik eine Bedeutung in Amplitude, eine andere in Google Analytics und noch eine andere in der Transaktionsdatenbank hatte. Um dies zu vermeiden, entschieden sie sich, mit einem Data Warehouse zu arbeiten und in Zukunft analytische Berichte auf der Grundlage von Daten aus dem Warmwasser und nicht aus einzelnen Quellen aufzubauen.

Bei der Auswahl eines DWH entschied sich das Unternehmen aufgrund der Expertise des Analyse- und Entwicklungsteams, des geeigneten Preismodells und des einfachen Einstiegs in die Google Cloud Platform für Google BigQuery.

Zunächst verwendete der Kunde OWOX-Produkte, um ein DWH in Google BigQuery zu erstellen und Rohdaten aus Google Analytics und Werbekonten zur weiteren Analyse durch das Marketingteam hochzuladen. Aber im Laufe der Zeit wurde dies zum primären Speicherort und wird jetzt von Analysten, Produktmanagern, Marketingfachleuten, einigen Entwicklern und sogar dem Kundensupport-Team verwendet.

So werden Daten für Berichte zusammengeführt:

1. Mittels OWOX BI Pipeline importiert das Unternehmen automatisch Kostendaten von Werbediensten (Facebook, Instagram, Bing etc.) in Google BigQuery.
2. OWOX BI Streaming sammelt Benutzerverhaltensdaten von der Website und überträgt sie an BigQuery.
3. Mit eigenen Lösungen lädt das Unternehmen Daten aus mehreren MySQL-Datenbanken, Amplitude sowie verschiedenen Ad-hoc-Dateien und Google Docs in BigQuery. Das Hochladen wird mit Google Cloud Composer orchestriert. Sie haben auch mehrere Streaming-Einfügungen von Daten.
4. Daten werden in Schichten gespeichert. Alle oben genannten Daten werden in ihrer Rohform in der Staging-Schicht in den Speicher eingegeben. Idealerweise sollte diese Ebene ein Datensatz mit vielen Tabellen sein, aber bisher hat der Kunde separate Datensätze für Daten aus verschiedenen Systemen (Google Analytics, Amplitude). Während sich das DWH weiterentwickelt, wird das Unternehmen dies in Ordnung bringen. Die Bildung dieser Schicht wird ebenfalls von Google Cloud Composer orchestriert.
5. Darüber hinaus wird basierend auf den Daten aus der Staging-Schicht eine Speicherschicht aufgebaut, in der die Daten einer gewissen Transformation unterzogen werden – alle Felder haben die entsprechenden Typen, Zeitstempel werden in dieselbe Zeitzone gebracht, einige Tabellen werden absichtlich denormalisiert, zusätzliche Schlüssel sind vorhanden hinzugefügt, um das Verknüpfen von Tabellen usw. zu vereinfachen. Diese Ebene ist für SQL-Abfragen optimiert, die von Analysten und Produktmanagern verwendet werden.
6. Es gibt auch eine data_marts-Schicht. Es speichert Data Marts zur späteren Verwendung in verschiedenen Berichten und Downloads. Data Marts werden unter Verwendung von Daten sowohl aus der Speicher- als auch aus der Staging-Schicht erstellt.
7. Das Unternehmen erstellt BI-Berichte in Google Data Studio und Power BI.

Darüber hinaus verfügt der Kunde über separate Datensätze für maschinelles Lernen und Sandboxen für einzelne Teams, in denen sie ohne Hilfe des DWH-Teams Tabellen und Ansichten für ihre internen Aufgaben erstellen können.

Dank der hier beschriebenen Lösung konnte unser Kunde den Arbeitsaufwand für die Analytics-Abteilung deutlich reduzieren. Mitarbeiter sammeln und bereinigen keine Daten mehr aus verschiedenen Quellen, um Marketingberichte zu erstellen. Die Kultur der Arbeit mit Daten hat sich verbessert, und Daten stehen allen Mitarbeitern besser zur Verfügung.

Die Zahl der Mitarbeiter, die Google BigQuery aktiv nutzen, um Antworten auf ihre Fragen zu finden (Abfragen schreiben und Visualisierungen in Google Data Studio erstellen), ist auf 11 (aus vier Abteilungen) angewachsen. Vor der Erstellung des Repositorys konnten dies nur drei Analysten tun.

Zuvor nutzte das Unternehmen hauptsächlich drei Datenquellen für Analysezwecke: Google Analytics, eine MySQL-Datenbank und separate Spesendokumente. Mittlerweile verfügen sie über mehr als 10 Datenquellen, und auch das Volumen der verarbeiteten Daten ist gewachsen.

Mit OWOX BI erhielt die Marketingabteilung komfortable Tools zur schnellen Auswertung ihrer Arbeit. Jetzt können Vermarkter die Kosten für die Gewinnung von Benutzern und vor allem den ROI genauer verfolgen. Auch die Zusammenarbeit mit Partnern nach dem Revenue-Share-Modell ist für beide Seiten transparenter und nachvollziehbarer geworden.

Der Kunde verwendet weiterhin OWOX BI-Produkte, um seine aktuellen Probleme zu lösen. In Zukunft plant das Unternehmen bei der Umstellung auf Google Analytics 4, das OWOX-Team mit der Analyse der exportierten Daten und dem Aufbau von Sitzungstabellen zu beauftragen.