Configurazione di analisi avanzate per un sito di trading CS:GO

Gli strumenti di analisi standard sono adattati a semplici modelli di business. Se hai un progetto di e-commerce comune con uno o due tipi di conversione e un semplice imbuto di vendita, di solito non ci sono difficoltà con i rapporti. Ma per quanto riguarda le aziende con un modello di business più complesso?

Uno dei nostri clienti ha utilizzato OWOX BI per impostare analisi avanzate per una piattaforma che consente ai clienti di scambiare, acquistare e vendere in modo rapido e sicuro articoli CS:GO e Dota 2.

Come la maggior parte delle aziende che accumulano molti dati man mano che crescono, il nostro cliente si è reso conto che i propri dati potevano essere utilizzati per prendere decisioni migliori. Il prodotto principale del nostro cliente è una piattaforma per lo scambio e l'acquisto di oggetti virtuali che viene utilizzata da più di cinque milioni di persone in circa 100 paesi.

Ad un certo punto, l'azienda è diventata troppo grande per report ad hoc in Excel e semplici dashboard analitici in cui i dati venivano importati direttamente da vari sistemi. Volevano creare un data warehouse (DHW) con tutti i loro dati, creare data mart comprensibili e report di business intelligence (BI) analitici in cima a quel data warehouse e automatizzare questo processo per vivere la loro vita migliore.

Con l'aiuto di OWOX BI e Google BigQuery, l'azienda voleva svolgere tre attività principali:

• Automatizza l'importazione di dati da vari sistemi
• Crea data mart analitici
• Migliora la qualità dei dati

L'azienda ha affrontato diverse sfide nel campo dell'analisi dei dati. Il primo era che gli strumenti di analisi standard sono adattati a modelli di business meno complessi di quelli del nostro cliente. Il servizio dell'azienda combina la funzionalità di un negozio e di un mercato. Inoltre, gli acquirenti possono pagare sia in denaro che con oggetti di gioco. Ecco perché l'azienda ha diversi tipi di transazioni e diversi tipi di entrate. Di conseguenza, il nostro cliente aveva bisogno di report personalizzati per analizzare il comportamento degli utenti, le conversioni e il ROI delle campagne di marketing.

Altre due sfide erano la scarsa qualità dei dati e le discrepanze dei dati tra i sistemi. Il cliente si è spesso trovato di fronte al fatto che la stessa metrica aveva un significato in Amplitude, un altro in Google Analytics e un altro ancora nel database transazionale. Per evitare ciò, hanno deciso di iniziare a lavorare con un data warehouse e, in futuro, di costruire reportistica analitica basata sui dati dell'ACS e non da singole fonti.

Quando ha scelto un DWH, l'azienda ha optato per Google BigQuery grazie all'esperienza del team di analisi e sviluppo, al modello di prezzo adeguato e alla facilità di iniziare con Google Cloud Platform.

Inizialmente, il cliente ha utilizzato i prodotti OWOX per creare un DWH in Google BigQuery e caricare dati grezzi da Google Analytics e account pubblicitari per ulteriori analisi da parte del team di marketing. Ma nel tempo, questo è diventato il luogo di archiviazione principale e ora viene utilizzato da analisti, product manager, esperti di marketing, alcuni sviluppatori e persino dal team di assistenza clienti.

Modalità di unione dei dati per i rapporti:

1. Utilizzando OWOX BI Pipeline, l'azienda importa automaticamente i dati sui costi dai servizi pubblicitari (Facebook, Instagram, Bing, ecc.) in Google BigQuery.
2. OWOX BI Streaming raccoglie i dati sul comportamento degli utenti dal sito e li trasferisce a BigQuery.
3. Utilizzando le proprie soluzioni, l'azienda carica i dati in BigQuery da diversi database MySQL, Amplitude e vari file ad hoc e Google Docs. Il caricamento è orchestrato utilizzando Google Cloud Composer. Hanno anche più inserti di dati in streaming.
4. I dati vengono archiviati in livelli. Tutti i dati sopra menzionati entrano nello storage nella loro forma grezza nel livello di staging. Idealmente, questo livello dovrebbe essere un set di dati con molte tabelle, ma finora il cliente dispone di set di dati separati per i dati provenienti da sistemi diversi (Google Analytics, Amplitude). Man mano che il DWH si sviluppa, la società lo metterà in ordine. Anche la formazione di questo livello è orchestrata da Google Cloud Composer.
5. Inoltre, sulla base dei dati del livello di staging, viene creato un livello di archiviazione in cui i dati subiscono alcune trasformazioni: tutti i campi hanno i tipi appropriati, i timestamp vengono inseriti nello stesso fuso orario, alcune tabelle vengono intenzionalmente denormalizzate, chiavi aggiuntive vengono aggiunto per facilitare il collegamento di tabelle, ecc. Questo livello è ottimizzato per le query SQL utilizzate da analisti e responsabili di prodotto.
6. C'è anche un livello data_marts. Memorizza data mart per un utilizzo successivo in vari report e download. I data mart vengono creati utilizzando i dati provenienti sia dal livello di storage che da quello di staging.
7. L'azienda crea report BI in Google Data Studio e Power BI.

Inoltre, il cliente ha set di dati separati per l'apprendimento automatico e sandbox per i singoli team in cui possono creare tabelle e viste per le loro attività interne senza l'aiuto del team DWH.

Grazie alla soluzione qui descritta, il nostro cliente è stato in grado di ridurre notevolmente il carico di lavoro per il reparto di analisi. I dipendenti non raccolgono e puliscono più dati da varie fonti per compilare report di marketing. La cultura del lavoro con i dati è migliorata e i dati sono diventati più disponibili per tutti i dipendenti.

Il numero di dipendenti che utilizzano attivamente Google BigQuery per trovare risposte alle proprie domande (scrivere query e creare visualizzazioni in Google Data Studio) è salito a 11 (da quattro dipartimenti). Prima della creazione del repository, solo tre analisti potevano farlo.

In precedenza, l'azienda utilizzava principalmente tre fonti di dati per esigenze analitiche: Google Analytics, un database MySQL e documenti di spesa separati. Ora hanno più di 10 origini dati e anche il volume dei dati elaborati è cresciuto.

Con OWOX BI, il reparto marketing ha ricevuto strumenti utili per valutare rapidamente il proprio lavoro. Ora i professionisti del marketing possono monitorare in modo più accurato il costo per attirare gli utenti e, soprattutto, il ROI. Inoltre, la cooperazione con i partner che utilizzano il modello di compartecipazione alle entrate è diventata più trasparente e comprensibile per entrambe le parti.

Il cliente continua a utilizzare i prodotti OWOX BI per risolvere i suoi problemi attuali. In futuro, passando a Google Analytics 4, l'azienda prevede di arruolare il team OWOX per l'analisi dei dati esportati e la costruzione delle tabelle di sessione.