Estudo de caso: Como obter acesso rápido a todos os KPIs de produtos importantes para o e-commerce

Como um grande varejista de moda construiu um sistema de painéis de produtos para acesso rápido a dados de streaming do OWOX BI.

Para desenvolver um sistema de dashboards, nosso cliente, um grande varejista de moda, precisou contar com dados completos e métricas de desempenho atuais. Como o mercado está mudando rapidamente e os varejistas precisam responder rapidamente, especialmente a mudanças críticas no tamanho médio dos cheques e unidades por transação (UPT), os dados precisam estar disponíveis o mais rápido possível. No entanto, pedir constantemente a um analista para calcular a mesma coisa leva tempo e é caro. Além disso, nosso cliente precisava não apenas de um relatório simples, mas de uma ferramenta que permitisse analisar métricas em diferentes fatias em diferentes períodos.

Antes de começar a criar um dashboard, nossos analistas, juntamente com a equipe de produto, identificaram as métricas e fatias necessárias.

Análise de métricas de desempenho exigidas para todos os pontos de contato do usuário no site: conversões em etapas-chave do funil, incluindo adições ao carrinho e pedidos; tamanho médio do cheque; número de itens no cheque; ARPV; número de assinaturas; dias antes da transação; e outras métricas importantes para a tomada de decisão.

Para fatias de dados, os analistas selecionaram segmentos de público padrão (tipo de dispositivo, região, origem) e segmentos específicos que são calculados com base em dados (cliente/não cliente, inscrito em um boletim informativo por e-mail etc.).

Muitas fatias de dados padrão foram mescladas em conceitos de nível superior. Por exemplo, a equipe de produto não precisa detalhar o nível de uma campanha publicitária específica para analisar segmentos de acordo com várias fontes de aquisição. Ainda assim, é necessário separar o tráfego da marca do tráfego sem marca, tráfego orgânico ou tráfego de SMS.

Nosso cliente já havia coletado dados brutos de comportamento do usuário de seu site no Google BigQuery usando o OWOX BI. Mas eles não podiam conectar dados brutos ao sistema de visualização, então eles precisavam criar um conjunto de dados separado especificamente para painéis.

Percebendo que os dashboards seriam constantemente complementados e o número de scripts para coleta de conjuntos de dados aumentaria, seus analistas decidiram construir uma arquitetura de dados baseada em microtabelas. Eles criaram tabelas separadas para calcular as características da sessão, pedidos, funis, camadas e métricas.

Essas microtabelas são atualizadas diariamente e combinadas de acordo com chaves como date, sessionid e owox_user_id em um conjunto de dados resultante, que é transmitido ao sistema de visualização.

Ao mesmo tempo, o conjunto de dados contém dados agregados para um usuário individual dentro do dia e não possui agregados de alto nível — eles são calculados no sistema de visualização. Isso é feito para que o sistema de filtragem funcione com precisão.

Esse tipo de arquitetura de microsserviço permitiu que a empresa não quebrasse o que foi construído anteriormente e adicionasse rapidamente novas entidades ao conjunto de dados resultante.

Os painéis no Google Data Studio foram criados com base no princípio de que as coisas mais importantes devem estar localizadas na primeira tela, enquanto as informações detalhadas devem estar em páginas individuais.

Abaixo está um exemplo da tela inicial do dashboard, que contém todos os principais indicadores de desempenho do site, um funil simplificado e outras métricas necessárias para a tomada de decisão imediata.

Por padrão, o painel mostra os dados da semana anterior em comparação com duas semanas atrás, mas você pode definir qualquer período e analisar, por exemplo, os dados do trimestre.

O dashboard permite que nosso cliente filtre dados, analisando apenas um segmento de público essencial. Os usuários podem aplicar vários filtros de uma vez para refinar um grupo específico de usuários. Por exemplo, nosso cliente pode descobrir qual é a taxa de conversão para novos usuários de dispositivos móveis que acessaram o catálogo de vendas.

Há também páginas sobre os primeiros pontos de contato, funis detalhados dentro do site, análise de carrinhos de compras e muito mais.

Apesar do painel ser construído em um conjunto de dados fracamente agregado com milhões de linhas, as métricas são calculadas rapidamente. Ao usar filtros complexos, os dados são visualizados em 10 segundos.

• A equipe de produto do cliente recebeu uma ferramenta conveniente para acesso rápido às métricas mais necessárias.
• Agora, qualquer conversa na equipe de produto sobre como melhorar o site começa com o uso do painel: gargalos são encontrados no painel e as melhorias necessárias são discutidas com base nos dados. Por exemplo, uma análise de funil mostrou que as maiores quedas (em comparação com os benchmarks) aparecem nos estágios entre a visualização do cartão do produto e a página de checkout. Esse conhecimento definiu o foco da equipe de produto com seis meses de antecedência e levou a um aumento nas métricas para essas etapas do funil.
• A equipe de análise não gasta tempo calculando constantemente as mesmas métricas, mas está empenhada em expandir o volume e a profundidade das métricas que são calculadas automaticamente e podem dedicar mais tempo a consultas ad hoc complexas.