CS:GO 取引サイトの高度な分析の設定

標準的な分析ツールは、単純なビジネス モデルに合わせて調整されています。 1 つまたは 2 つのコンバージョン タイプと単純なセールス ファネルを備えた一般的な e コマース プロジェクトがある場合、通常、レポート作成に問題はありません。 しかし、より複雑なビジネス モデルを持つ企業はどうでしょうか。

クライアントの 1 人は OWOX BI を使用して、顧客が CS:GO および Dota 2 アイテムを迅速かつ安全に交換、売買できるプラットフォームの高度な分析をセットアップしました。

成長するにつれて大量のデータを蓄積するほとんどの企業と同様に、クライアントは、データを使用してより良い意思決定を行うことができることに気付きました。 クライアントの主な製品は、仮想アイテムを交換および購入するためのプラットフォームで、約 100 か国で 500 万人以上が使用しています。

ある時点で、会社は、データがさまざまなシステムから直接インポートされる Excel のアドホック レポートと単純な分析ダッシュボードを超えて成長しました。 彼らは、すべてのデータでデータ ウェアハウス (DHW) をセットアップし、そのデータ ウェアハウスの上にわかりやすいデータ マートと分析ビジネス インテリジェンス (BI) レポートを構築し、このプロセスを自動化して最高の生活を送ることを望んでいました。

OWOX BI と Google BigQuery の助けを借りて、同社は次の 3 つの主なタスクを達成したいと考えていました。

• さまざまなシステムからのデータのインポートを自動化する
• 分析データ マートを構築する
• データ品質の向上

同社は、データ分析の分野でいくつかの課題に直面していました。 1 つ目は、標準的な分析ツールが、クライアントのビジネス モデルほど複雑でないビジネス モデルに合わせて調整されていることです。 同社のサービスは、ストアとマーケットプレイスの機能を兼ね備えています。 さらに、購入者はお金とゲーム内アイテムの両方で支払うことができます。 そのため、会社にはいくつかの種類のトランザクションといくつかの種類の収益があります。 その結果、クライアントは、ユーザーの行動、コンバージョン、およびマーケティング キャンペーンの ROI を分析するために、カスタマイズされたレポートを必要としていました。

その他の 2 つの課題は、データ品質の低さとシステム間のデータの不一致でした。 クライアントは、同じ指標が Amplitude で 1 つの意味を持ち、Google アナリティクスで別の意味を持ち、さらにトランザクション データベースで別の意味を持つという事実に直面することがよくありました。 これを回避するために、彼らはデータ ウェアハウスの使用を開始し、将来的には、個々のソースからではなく、DHW からのデータに基づいて分析レポートを作成することにしました。

DWH を選択する際、同社は分析および開発チームの専門知識、適切な料金モデル、および Google Cloud Platform の使い始めの容易さから、Google BigQuery に決定しました。

クライアントは当初、OWOX 製品を使用して Google BigQuery で DWH を作成し、Google アナリティクスと広告アカウントから生データをアップロードして、マーケティング チームがさらに分析できるようにしました。 しかし、時間が経つにつれて、これが主要な保管場所になり、現在ではアナリスト、プロダクト マネージャー、マーケティング担当者、一部の開発者、さらにはカスタマー サポート チームによって使用されています。

レポートのデータのマージ方法:

1. 同社は OWOX BI パイプラインを使用して、広告サービス (Facebook、Instagram、Bing など) から Google BigQuery にコスト データを自動的にインポートします。
2. OWOX BI ストリーミングは、サイトからユーザーの行動データを収集し、BigQuery に転送します。
3. 同社は独自のソリューションを使用して、複数の MySQL データベース、Amplitude、さまざまなアドホック ファイル、Google ドキュメントからデータを BigQuery に読み込みます。 アップロードは、Google Cloud Composer を使用して調整されます。 また、データの複数のストリーミング挿入もあります。
4. データはレイヤーに格納されます。 上記のすべてのデータは、ステージング レイヤーの生の形式でストレージに入ります。 理想的には、このレイヤーは多くのテーブルを含む 1 つのデータセットである必要がありますが、これまでのところ、クライアントには異なるシステム (Google アナリティクス、Amplitude) からのデータ用に個別のデータセットがあります。 DWHが発展するにつれて、会社はこれを整理します。 このレイヤーの形成も、Google Cloud Composer から調整されます。
5. さらに、ステージング レイヤーからのデータに基づいて、データが何らかの変換を受けるストレージ レイヤーが構築されます。テーブルなどのリンクを容易にするために追加されました。このレイヤーは、アナリストや製品マネージャーが使用する SQL クエリ用に最適化されています。
6. data_marts レイヤーもあります。 後でさまざまなレポートやダウンロードで使用するために、データ マートを保存します。 データ マートは、ストレージ レイヤーとステージング レイヤーの両方のデータを使用して構築されます。
7. 同社は、Google Data Studio と Power BI で BI レポートを構築しています。

さらに、クライアントには、機械学習用の個別のデータセットと個々のチーム用のサンドボックスがあり、DWH チームの助けを借りずに内部タスク用のテーブルとビューを作成できます。

ここで説明したソリューションのおかげで、クライアントは分析部門の作業負荷を大幅に削減することができました。 従業員は、マーケティング レポートを作成するために、さまざまなソースからデータを収集して整理する必要がなくなりました。 データを扱う文化が改善され、すべての従業員がデータをより利用できるようになりました。

Google BigQuery を積極的に使用して質問に対する回答を見つける (Google データポータルでクエリを作成し、視覚化を作成する) 従業員の数は、4 つの部門から 11 人に増えました。 リポジトリが作成される前は、3 人のアナリストしかこれを行うことができませんでした。

以前は、同社は主に 3 つのデータ ソースを分析のニーズに使用していました。Google アナリティクス、MySQL データベース、および個別の経費ドキュメントです。 現在、10 を超えるデータ ソースがあり、処理されるデータの量も増加しています。

OWOX BI により、マーケティング部門は業務を迅速に評価するための便利なツールを手に入れました。 マーケティング担当者は、ユーザーを引き付けるためのコストと、最も重要な ROI をより正確に追跡できるようになりました。 また、収益分配モデルを使用したパートナーとの協力は、双方にとってより透明で理解しやすいものになりました。

クライアントは、現在の問題を解決するために OWOX BI 製品を引き続き使用しています。 将来、Google アナリティクス 4 に切り替える際には、OWOX チームにエクスポートされたデータの分析とセッション テーブルの構築を依頼する予定です。