Étude de cas : Comment accéder rapidement à tous les KPI produits importants pour le e-commerce

Comment un grand détaillant de mode a construit un système de tableaux de bord de produits pour un accès rapide aux données de streaming d'OWOX BI.

Pour développer un système de tableaux de bord, notre client, un grand détaillant de mode, avait besoin de s'appuyer sur des données complètes et des mesures de performance actuelles. Étant donné que le marché évolue rapidement et que les détaillants doivent réagir rapidement, en particulier aux changements critiques de la taille moyenne des chèques et des unités par transaction (UPT), les données doivent être disponibles dès que possible. Cependant, demander constamment à un analyste de calculer la même chose prend du temps et coûte cher. De plus, notre client avait besoin non seulement d'un simple rapport, mais d'un outil lui permettant d'analyser les métriques dans différentes tranches sur différentes périodes.

Avant de commencer à créer un tableau de bord, nos analystes, en collaboration avec l'équipe produit, ont identifié les métriques et tranches nécessaires.

Analyse des mesures de performance requises pour tous les points de contact des utilisateurs sur le site Web : conversions aux étapes clés de l'entonnoir, y compris les ajouts au panier et les commandes ; taille moyenne des chèques ; nombre d'articles dans le chèque; ARPV ; nombre d'abonnements ; jours avant la transaction ; et d'autres paramètres importants pour la prise de décision.

Pour les tranches de données, les analystes ont sélectionné à la fois des segments d'audience standard (type d'appareil, région, source) et des segments spécifiques calculés en fonction des données (client/non-client, abonnement à une newsletter par e-mail, etc.).

De nombreuses tranches de données standard ont été fusionnées dans des concepts de niveau supérieur. Par exemple, l'équipe produit n'a pas besoin de descendre jusqu'au niveau d'une campagne publicitaire spécifique pour analyser les segments en fonction de diverses sources d'acquisition. Pourtant, il est nécessaire de séparer le trafic de la marque du trafic sans marque, du trafic organique ou du trafic des SMS.

Notre client avait déjà collecté des données brutes sur le comportement des utilisateurs de son site Web dans Google BigQuery à l'aide d'OWOX BI. Mais ils ne pouvaient pas connecter les données brutes au système de visualisation, ils devaient donc créer un ensemble de données distinct spécifiquement pour les tableaux de bord.

Constatant que les tableaux de bord seraient constamment complétés et que le nombre de scripts de collecte des jeux de données augmenterait, leurs analystes ont décidé de construire une architecture de données basée sur des micro tables. Ils ont créé des tableaux séparés pour calculer les caractéristiques de session, les commandes, les entonnoirs, les couches et les métriques.

Ces microtables sont mises à jour quotidiennement et combinées en fonction de clés telles que date, sessionid et owox_user_id dans un ensemble de données résultant, qui est transmis au système de visualisation.

Dans le même temps, l'ensemble de données contient des données agrégées pour un utilisateur individuel au cours de la journée, et il n'a pas d'agrégats de haut niveau — ils sont calculés dans le système de visualisation. Ceci est fait pour que le système de filtrage fonctionne avec précision.

Ce type d'architecture de microservice a permis à l'entreprise de ne pas casser ce qui avait été construit précédemment et d'ajouter rapidement de nouvelles entités à l'ensemble de données résultant.

Les tableaux de bord de Google Data Studio ont été créés sur le principe que les éléments les plus importants doivent être situés sur le premier écran, tandis que les informations détaillées doivent figurer sur des pages individuelles.

Vous trouverez ci-dessous un exemple d'écran d'accueil du tableau de bord, qui contient tous les indicateurs de performance clés du site Web, un entonnoir simplifié et d'autres mesures nécessaires à une prise de décision rapide.

Par défaut, le tableau de bord affiche les données de la semaine précédente par rapport à il y a deux semaines, mais vous pouvez définir n'importe quelle période et analyser, par exemple, les données du trimestre.

Le tableau de bord permet à notre client de filtrer les données, en analysant uniquement un segment d'audience essentiel. Les utilisateurs peuvent appliquer plusieurs filtres à la fois pour affiner un groupe spécifique d'utilisateurs. Par exemple, notre client peut connaître le taux de conversion des nouveaux utilisateurs d'appareils mobiles qui sont venus sur le catalogue de vente.

Il existe également des pages sur les premiers points de contact, des entonnoirs détaillés à l'intérieur du site Web, une analyse des paniers d'achat, etc.

Bien que le tableau de bord soit construit sur un ensemble de données faiblement agrégé avec des millions de lignes, les métriques sont calculées rapidement. Lors de l'utilisation de filtres complexes, les données sont visualisées en 10 secondes.

• L'équipe produit du client a reçu un outil pratique pour un accès rapide aux mesures les plus nécessaires.
• Désormais, toute conversation au sein de l'équipe produit sur l'amélioration du site Web commence par l'utilisation du tableau de bord : les goulots d'étranglement sont détectés dans le tableau de bord et les améliorations nécessaires sont argumentées en fonction des données. Par exemple, une analyse en entonnoir a montré que les baisses les plus importantes (par rapport aux benchmarks) apparaissent dans les étapes entre la visualisation de la fiche produit et la page de paiement. Cette connaissance a fixé l'orientation de l'équipe produit six mois à l'avance et a conduit à une augmentation des métriques pour ces étapes de l'entonnoir.
• L'équipe d'analyse ne passe pas de temps à calculer constamment les mêmes métriques, mais s'occupe d'augmenter le volume et la profondeur des métriques qui sont calculées automatiquement et peut consacrer plus de temps aux requêtes ad hoc complexes.