Konfigurowanie zaawansowanej analityki dla firmy wydobywczej – historia sukcesu Hiveon

Hiveon, firma zajmująca się ekosystemem wydobywczym, opowiada, jak zbudowała niedrogie i elastyczne narzędzie do szybkiej analizy marketingowej przy pomocy produktów OWOX i zespołu OWOX.

Założona w 2017 roku firma Hiveon oferuje wiodące, kompleksowe rozwiązanie do wydobywania kryptowalut, z 2 milionami użytkowników na całym świecie. Ekosystem Hiveon obejmuje obecnie Hiveon OS, Hiveon Pool, Hiveon ASIC Firmware i Hiveon ASIC Hub. Wszystkie produkty Hiveon są zbudowane wokół synergii, bezpieczeństwa i stabilności.

Hiveon OS to jeden z pierwszych systemów operacyjnych do kopania kryptowalut. Został stworzony zgodnie z celem firmy, aby uprościć technicznie złożone rozwiązania dla użytkowników, czyniąc blockchain dostępnym i zrozumiałym. To właśnie pomogło Hiveon zbudować dużą, lojalną społeczność, która pomaga firmie ulepszać jej produkty dzięki ich opiniom i inicjatywie.

W Hiveon potrzebowaliśmy niedrogiego i elastycznego narzędzia do:

• Szybka analiza źródeł ruchu. Tak, nie mamy dużo płatnych reklam, ale nie jest to dla nas główne źródło ruchu, ponieważ nie jest to źródło ruchu specyficzne dla naszej niszy. Ważna była analiza lejka dla ruchu organicznego, bezpośredniego i (zwłaszcza) w mediach społecznościowych. Mamy dużą społeczność i wiele działań odbywa się na przykład na Twitterze.
• Analityka behawioralna — wszystko, co dotyczy strony internetowej i lejków w produkcie. Jest to niezwykle cenna wiedza, którą nasz biznes otrzymuje i wykorzystuje do ulepszania UX oraz identyfikowania i naprawiania luk w lejku produktowym.

Ponadto mamy wystarczająco dużo danych retrospektywnych, aby szukać spostrzeżeń i wzorców, a wiedzę tę wykorzystujemy do planowania przyszłego rozwoju firmy. Google Analytics ma ograniczone możliwości przetwarzania danych. Dlatego, aby uwolnić ręce naszych analityków w zakresie dostępu do danych, zdecydowaliśmy się na wykorzystanie Google BigQuery.

Nasz produkt jest złożony i obecnie mamy kilka domen, w których skonfigurowanie śledzenia w wielu domenach było trudne. Kiedy użytkownicy przenosili się z jednej domeny do drugiej, oryginalny identyfikator_klienta został utracony.

Kolejnym problemem było osiągnięcie limitu Google Analytics wynoszącego 50 000 transakcji dziennie. W raporcie transakcji w Google Analytics, po osiągnięciu limitu, zamiast odpowiedniego identyfikatora transakcji pojawia się wartość „(inne)”.

Do stworzenia naszego raportu Performance zdecydowaliśmy się wykorzystać OWOX BI oraz Google BigQuery.

Dlaczego wybraliśmy Google BigQuery do gromadzenia i przechowywania danych:

• Względna łatwość konfiguracji dla naszego przypadku użycia
• Istniejące doświadczenie analityków w pracy z GBQ
• Możliwość integracji z narzędziami do wizualizacji

Jak łączymy dane do raportów w Google Big Query:

1. Za pomocą OWOX BI Streaming zbieramy surowe, niespróbkowane dane o zachowaniu użytkowników ze strony internetowej i przesyłamy je do BigQuery.
2. Dane transakcyjne z serwisu przesyłane są do OWOX BI Streaming za pośrednictwem protokołu pomiarowego.
3. Zebrane dane są przetwarzane w Google BigQuery i wyświetlane na dashboardach w Google Looker Studio i Tableau za pomocą wbudowanego konektora.

Koledzy z OWOX pokazali nam, jak skonfigurować śledzenie w wielu domenach. Oprócz zbierania danych zespół OWOX pomógł nam w kilku ciekawych zadaniach analitycznych.

W naszym przypadku w celu zdefiniowania nowego użytkownika tworzymy tabelę pomocniczą z transakcjami na poziomie użytkownika. Oznacza to, że na poziomie użytkownika mamy odpowiednią tablicę transakcji. Możemy wybrać z tego stołu pomocniczego sesje, podczas których została dokonana pierwsza płatność i ustawić odpowiadający im status (0 lub 1). Następnie łączymy główną tabelę danych strumieniowych z pomocniczą tabelą transakcji według identyfikatora sesji. Następnie za pomocą wzoru możemy policzyć liczbę użytkowników, którzy dokonali pierwszej płatności. Liczymy liczbę unikalnych użytkowników (client_id) jeśli mamy sesję z pierwszą wpłatą.

Ponieważ projekt obejmuje uzupełnianie portfela online, wnoszenie opłat za usługi i wypłacanie dochodów użytkownikom, wskazane jest osobne przeanalizowanie kwot tych transakcji. W tym celu zespół Hiveon dodał atrybut produktu do każdej transakcji, a przygotowując raport, zespół OWOX był w stanie wykorzystać ten atrybut zarówno jako filtr, jak i do tworzenia różnych metryk dla każdego rodzaju dochodu.

Dzięki wdrożonemu rozwiązaniu udało się:

• Lepsze zrozumienie, w jaki sposób użytkownicy korzystają z różnych domen i jak się między nimi poruszają
• Zwiększ dokładność określania pierwszego logowania użytkownika do serwisu
• Powiąż pierwszą płatność użytkownika z określonym źródłem ruchu
• Określ typ użytkownika na podstawie czasu jego pierwszej płatności
• Dokładniej określaj konwersje na różnych etapach i na różnych stronach serwisu, otrzymując unikalny identyfikator użytkownika OWOX
• Pokonaj limit 50 000 transakcji Google Analytics dziennie, ponieważ transakcje są rejestrowane w całości dzięki OWOX BI Streaming

Dzięki OWOX BI i Google BigQuery mamy teraz niedrogie i elastyczne narzędzie do szybkiej analizy, co z kolei pozwala nam szybko reagować na zmiany.

Głównymi użytkownikami raportu są analitycy, którzy wyciągają wnioski na temat działania serwisu i wydajności ruchu. Ten raport pomaga nam zrozumieć prawdziwy skład nowych i powracających użytkowników. Oczywiście Google Analytics również dostarcza takich informacji, jednak w związku z dokładniejszym zdefiniowaniem użytkownika, zmieniła się nasza struktura. Zmianie uległy również wskaźniki konwersji, które teraz określa nowy unikalny identyfikator użytkownika OWOX oraz struktura ruchu według źródła.

Jednak, jak wspomniano powyżej, poszliśmy trochę dalej i z pewnymi modyfikacjami przenieśliśmy raport do Tableau (ponieważ jest to nasze główne narzędzie BI i wygodniejest mieć wszystkie nasze raporty w jednym zasobie). Dzięki OWOX mogliśmy dostosować raport do własnych potrzeb.

Dzięki rozwiązaniu firmy OWOX udało nam się:

• Oszczędź czas na gromadzeniu i przetwarzaniu danych. Korzystając z raportów, które zostały zbudowane przy pomocy Google BigQuery, łatwiej stało się monitorowanie zmian w ruchu w sieci, aktywności użytkowników, a także niektórych rodzajów działań marketingowych.
• Szczegółowo analizuj zachowanie użytkowników, co bezpośrednio wpłynęło na rzetelność wyników i możliwość wyszukiwania spostrzeżeń. Niektóre elementy serwisu zostały przeanalizowane po raz pierwszy, co pozwoliło nam na bardziej przemyślane i efektywne podejście do projektowania stron.

W przyszłości przejdziemy na Google Analytics 4, co oznacza zmianę konfiguracji całego śledzenia w Menedżerze tagów Google, ponieważ schematy danych w GA Universal i GA 4 znacznie się różnią. Spodziewamy się, że poprosimy o pomoc naszych kolegów z OWOX.