Как получить быстрый доступ ко всем продуктовым KPI, важным для eCommerce
Чтобы развивать продукт, клиенту нужно опираться на полные данные и актуальные показатели эффективности. Так как рынок стремительно меняется и реагировать нужно оперативно, особенно при критических изменениях среднего чека и UPT (комплексность чека), данные должны быть доступны как можно быстрее, а постоянно просить аналитика подсчитывать одно и то же – долго и дорого. К тому же, необходим не просто отчет, а инструмент, позволяющий анализировать показатели в разных срезах за разные периоды времени.
Решение
Определяем систему показателей
Прежде чем приступать к созданию дашборда, наши аналитики совместно с продуктовой командой определили необходимые метрики и срезы.
Для анализа требовались показатели по всем точкам касания пользователя с сайтом: конверсии на ключевых этапах воронки, в том числе добавления в корзину и заказы, средний чек, количество товаров в чеке, ARPV, подписки, дни до транзакции и другие важные для принятия решений метрики.
Для срезов выбрали как стандартные сегменты аудитории (тип устройства, регион, источник), так и специфичные, рассчитываемые на данных (клиент/не клиент, подписан ли на email-рассылку и др.).
Многие стандартные срезы данных объединили в понятия более высокого уровня. Например, для анализа сегментов по разным источникам привлечения продуктовой команде не нужно опускаться до конкретной рекламной кампании, но нужно отделять брендовой трафик от небрендового, органику или трафик из СМС-рассылок.
Выстраиваем архитектуру данных
Компания уже собирала сырые данные о поведении пользователей с сайта в Google BigQuery с помощью OWOX BI. Но сырые данные к системе визуализации не подключишь, поэтому нужно было создать отдельный датасет (набор данных) специально для дашбордов.
Понимая, что дашборды будут постоянно дополняться, а скрипт для сбора датасета увеличиваться, аналитики решили выстраивать архитектуру данных на основе микротаблиц. Они создали отдельные таблицы для расчета сессионных характеристик, заказов, воронок, срезов и метрик.
Эти микротаблицы ежедневно обновляются и объединяются по ключам date, sessionid, owox_user_id в один результирующий датасет, который и передается в систему визуализации.
При этом датасет содержит агрегированные данные для отдельного пользователя в рамках дня и не содержит агрегаты высокого порядка — они вычисляются уже в системе визуализации. Это сделано для того, чтобы система фильтрации работала точно.
Такая своего рода микросервисная архитектура позволила компании не ломать то, что было построено ранее, и быстро добавлять новые сущности в результирующий датасет.
Строим дашборд
Дашборда в Google Data Studio создавали по принципу: все самое главное должно располагаться на первом экране, детальная 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 дашборд показывает данные за прошлую неделю в сравнении с предыдущей, но можно задать любой период и проанализировать, например, данные за квартал.
Дашборд позволяет фильтровать данные, анализируя только важный сегмент аудитории. При этом можно использовать сразу несколько фильтров для уточнения определенной группы пользователей. Например, можно узнать, какая конверсия у новых пользователей с мобильных устройств из Челябинска, пришедших на каталог распродаж.
Также в дашборде есть листы по первым точкам касания, детальным воронкам внутри сайта, аналитике корзин и другие.
Несмотря на то, что дашборд построен на слабо агрегированном датасете с миллионами строк, расчет показателей происходит быстро. При применении сложных фильтров данные отрисовываются за 10 секунд.
Результат:
- Продуктовая команда клиента получила удобный инструмент для быстрого доступа к большинству необходимых в работе показателей.
- Сейчас дашборд — это начало любого разговора продуктовой команды по улучшению сайта: в дашборде находят узкие места и на данных аргументируют необходимые улучшения. Например, анализ воронки показал, что самые большие отвалы (по сравнению с бенчмарками) на этапах от просмотра карточки товара до перехода в чекаут. Это знание задало фокус всей продуктовой работе на полгода вперед и привело к росту показателей по этим шагам воронки.
- Аналитическая команда не тратит время на постоянный подсчет одних и тех же показателей, а занимается расширением объема и глубины метрик, которые рассчитываются автоматически, а также больше времени может уделять на сложные Ad hoc запросы.
