Как получить быстрый доступ ко всем KPI продукта, важным для электронной коммерции

Как крупный фэшн-ритейлер построил систему продуктовых дашбордов для быстрого доступа к потоковым данным из OWOX BI.

Для разработки системы дашбордов нашему клиенту, крупному ритейлеру модной одежды, понадобились полные данные и текущие показатели эффективности. Поскольку рынок быстро меняется, и ритейлерам необходимо быстро реагировать, особенно на критические изменения среднего размера чека и количества единиц на транзакцию (UPT), данные должны быть доступны как можно скорее. Однако постоянно просить аналитика рассчитать одно и то же требует времени и стоит дорого. Кроме того, нашему клиенту нужен был не просто отчет, а инструмент, позволяющий анализировать метрики в разных срезах за разные периоды.

Прежде чем приступить к созданию дашборда, наши аналитики совместно с продуктовой командой определили необходимые метрики и срезы.

Анализ необходимых показателей производительности для всех точек взаимодействия с пользователем на сайте: конверсии на ключевых этапах воронки, включая добавления в корзину и заказы; средний размер чека; количество товаров в чеке; ARPV; количество подписок; дней до сделки; и другие показатели, важные для принятия решений.

Для срезов данных аналитики выбрали как стандартные сегменты аудитории (тип устройства, регион, источник), так и специфические сегменты, которые рассчитываются на основе данных (клиент/не клиент, подписка на email-рассылку и т. д.).

Многие стандартные срезы данных были объединены в концепции более высокого уровня. Например, продуктовой команде не нужно углубляться до уровня конкретной рекламной кампании, чтобы анализировать сегменты в соответствии с различными источниками привлечения. Тем не менее, необходимо отделять брендовый трафик от небрендового, органического или SMS-трафика.

Наш клиент уже собирал необработанные данные о поведении пользователей со своего сайта в Google BigQuery с помощью OWOX BI. Но они не могли подключить необработанные данные к системе визуализации, поэтому им нужно было создать отдельный набор данных специально для информационных панелей.

Понимая, что дашборды будут постоянно дополняться и количество скриптов для сбора наборов данных будет увеличиваться, их аналитики решили построить архитектуру данных на основе микротаблиц. Они создали отдельные таблицы для расчета характеристик сеансов, заказов, воронок, слоев и метрик.

Эти микротаблицы ежедневно обновляются и объединяются по таким ключам, как дата, sessionid и owox_user_id в один результирующий набор данных, который передается в систему визуализации.

При этом набор данных содержит агрегированные данные по отдельному пользователю в течение дня, и в нем нет высокоуровневых агрегатов — они рассчитываются в системе визуализации. Это сделано для того, чтобы система фильтрации работала точно.

Такая микросервисная архитектура позволила компании не ломать то, что было построено ранее, и быстро добавлять новые сущности в полученный набор данных.

Дашборды в Google Data Studio созданы по принципу, что самое важное должно располагаться на первом экране, а подробная информация — на отдельных страницах.

Ниже приведен пример главного экрана дашборда, который содержит все ключевые показатели эффективности сайта, упрощенную воронку и другие метрики, необходимые для оперативного принятия решений.

По умолчанию на дашборде отображаются данные за предыдущую неделю по сравнению с двумя неделями ранее, но вы можете задать любой период и анализировать, например, данные за квартал.

Дашборд позволяет нашему клиенту фильтровать данные, анализируя только необходимый сегмент аудитории. Пользователи могут одновременно применять несколько фильтров для уточнения определенной группы пользователей. Например, наш клиент может узнать, какой коэффициент конверсии у новых пользователей с мобильных устройств, пришедших в каталог распродаж.

Также есть страницы о первых точках взаимодействия, подробные воронки внутри сайта, анализ корзин и многое другое.

Несмотря на то, что дашборд построен на слабо агрегированном наборе данных с миллионами строк, метрики рассчитываются быстро. При использовании сложных фильтров данные визуализируются за 10 секунд.

• Продуктовая команда клиента получила удобный инструмент для быстрого доступа к большинству необходимых метрик.
• Теперь любой разговор в продуктовой команде об улучшении сайта начинается с использования дашборда: на дашборде находятся узкие места, и на основе данных аргументируются необходимые улучшения. Например, воронкообразный анализ показал, что самые большие падения (по сравнению с бенчмарками) приходятся на этапы между просмотром карточки товара и страницей оформления заказа. Это знание определило фокус команды разработчиков продукта на шесть месяцев вперед и привело к увеличению показателей для этих шагов воронки.
• Команда аналитиков не тратит время на постоянное вычисление одних и тех же метрик, а занимается расширением объема и глубины метрик, которые рассчитываются автоматически, и может уделять больше времени сложным специальным запросам.