Örnek olay: E-ticaret için önemli olan tüm ürün KPI'larına nasıl hızlı erişim sağlanır

Büyük bir moda perakendecisi, OWOX BI'dan gelen akış verilerine hızlı erişim için bir ürün panoları sistemini nasıl oluşturdu?

Bir pano sistemi geliştirmek için, büyük bir moda perakendecisi olan müşterimizin eksiksiz verilere ve mevcut performans ölçütlerine güvenmesi gerekiyordu. Pazar hızla değiştiğinden ve perakendecilerin, özellikle ortalama çek boyutundaki ve işlem başına birim (UPT) kritik değişikliklere hızla yanıt vermesi gerektiğinden, verilerin mümkün olan en kısa sürede erişilebilir olması gerekir. Ancak bir analistten sürekli aynı şeyi hesaplamasını istemek zaman alır ve pahalıdır. Ayrıca, müşterimizin yalnızca basit bir rapora değil, farklı dönemlerde farklı dilimlerdeki metrikleri analiz etmesine olanak tanıyan bir araca ihtiyacı vardı.

Bir gösterge panosu oluşturmaya başlamadan önce, analistlerimiz ürün ekibiyle birlikte gerekli metrikleri ve dilimleri belirledi.

Web sitesindeki tüm kullanıcı temas noktaları için gerekli performans metriklerinin analizi: alışveriş sepetine ve siparişlere eklemeler dahil olmak üzere dönüşüm hunisinin önemli aşamalarındaki dönüşümler; ortalama çek boyutu; çekteki öğelerin sayısı; ARPV; abonelik sayısı; işlemden önceki günler; ve karar verme için önemli olan diğer metrikler.

Analistler, veri dilimleri için hem standart kitle segmentlerini (cihaz türü, bölge, kaynak) hem de verilere dayalı olarak hesaplanan belirli segmentleri (müşteri/istemci olmayan, bir e-posta bültenine kaydolmuş vb.) seçti.

Birçok standart veri dilimi, daha üst düzey kavramlarla birleştirilmiştir. Örneğin, ürün ekibinin segmentleri çeşitli edinme kaynaklarına göre analiz etmek için belirli bir reklam kampanyasının düzeyine inmesine gerek yoktur. Yine de marka trafiğini marka dışı trafikten, organik trafikten veya trafiği SMS'den ayırmak gerekiyor.

Müşterimiz, OWOX BI kullanarak Google BigQuery'deki web sitelerinden ham kullanıcı davranışı verilerini zaten toplamıştı. Ancak ham verileri görselleştirme sistemine bağlayamadılar, bu nedenle özellikle panolar için ayrı bir veri kümesi oluşturmaları gerekiyordu.

Gösterge tablolarının sürekli olarak destekleneceğini ve veri kümelerini toplamak için komut dosyalarının sayısının artacağını fark eden analistleri, mikro tablolara dayalı bir veri mimarisi oluşturmaya karar verdi. Oturum özelliklerini, siparişleri, hunileri, katmanları ve ölçümleri hesaplamak için ayrı tablolar oluşturdular.

Bu mikro tablolar günlük olarak güncellenir ve date, sessionid ve owox_user_id gibi anahtarlara göre görselleştirme sistemine iletilen tek bir sonuç veri kümesinde birleştirilir.

Aynı zamanda, veri kümesi gün içinde tek bir kullanıcı için toplu veriler içerir ve üst düzey toplamaları yoktur - bunlar görselleştirme sisteminde hesaplanır. Bu, filtreleme sisteminin doğru bir şekilde çalışması için yapılır.

Bu tür bir mikro hizmet mimarisi, şirketin daha önce inşa edilenleri bozmamasına ve ortaya çıkan veri kümesine hızla yeni varlıklar eklemesine izin verdi.

Google Data Studio'daki Dashboard'lar, en önemli şeylerin ilk ekranda yer alması, ayrıntılı bilgilerin ise tek tek sayfalarda olması prensibiyle oluşturulmuştur.

Aşağıda, web sitesinin tüm temel performans göstergelerini, basitleştirilmiş bir dönüşüm hunisini ve hızlı karar vermek için gerekli diğer ölçümleri içeren bir pano ana ekranı örneği verilmiştir.

Varsayılan olarak, gösterge tablosu iki hafta öncesine kıyasla önceki haftanın verilerini gösterir, ancak herhangi bir dönemi ayarlayabilir ve örneğin üç aylık döneme ait verileri analiz edebilirsiniz.

Pano, müşterimizin yalnızca önemli bir kitle segmentini analiz ederek verileri filtrelemesine olanak tanır. Kullanıcılar, belirli bir kullanıcı grubunu hassaslaştırmak için aynı anda birden çok filtre uygulayabilir. Örneğin müşterimiz satış kataloğuna gelen mobil cihazlardan yeni kullanıcılar için dönüşüm oranının ne olduğunu öğrenebilir.

Ayrıca ilk temas noktalarıyla ilgili sayfalar, web sitesi içindeki ayrıntılı huniler, alışveriş sepetlerinin analizi ve daha fazlası var.

Kontrol paneli, milyonlarca satırdan oluşan zayıf bir şekilde toplanmış bir veri kümesi üzerine kurulmuş olmasına rağmen, metrikler hızlı bir şekilde hesaplanır. Karmaşık filtreler kullanıldığında veriler 10 saniyede görselleştirilir.

• Müşterinin ürün ekibi, gerekli ölçümlerin çoğuna hızlı erişim için uygun bir araç aldı.
• Artık ürün ekibinde web sitesinin iyileştirilmesiyle ilgili herhangi bir konuşma, gösterge tablosunu kullanmakla başlıyor: gösterge tablosunda darboğazlar bulunur ve verilere dayanarak gerekli iyileştirmeler tartışılır. Örneğin, bir huni analizi, en büyük düşüşlerin (kıyaslamalara kıyasla) ürün kartını görüntüleme ile ödeme sayfası arasındaki aşamalarda ortaya çıktığını gösterdi. Bu bilgi, ürün ekibinin odak noktasını altı ay önceden belirledi ve bu huni adımları için ölçümlerde artışa yol açtı.
• Analitik ekibi, aynı metrikleri sürekli olarak hesaplamak için zaman harcamaz, ancak otomatik olarak hesaplanan metriklerin hacmini ve derinliğini genişletmekle meşgul olur ve karmaşık geçici sorgulara daha fazla zaman ayırabilir.