Дашборды для бизнеса: 3 примера практического применения
Современные системы аналитики способны отслеживать каждое действие посетителей сайтов. Но просто отправлять эту информацию в Google Analytics не достаточно. Чтобы не тратить ресурсы без видимой пользы и не упустить возможную выгоду, данные нужно анализировать, причём в полном объёме.
Поэтому в этой статье мы делимся примерами отчетов, которые строятся на основе полных данных и обновляются в реальном времени. Такие отчеты будут полезны маркетологам, разработчикам, контент-менеджерам и аналитикам, помогая своевременно решать задачи Ecommerce-проектов.
Используя эти дашборды, вы ответите на многие важные вопросы, например:
- Как определить эффективность онлайн рекламы с учетом офлайн заказов?
- В чем причина падения показателей конверсии — в рекламных кампаниях или проблемах на сайте?
- Все ли работает на сайте после обновления JQuery?
В описанном решении мы учли следующие пожелания:
- Не совершать дополнительных внедрений и покупок.
- Собирать данные из Google Analytics и использовать привычные Google Sheets.
- Автоматически (а при необходимости — и вручную) загружать данные в отчёты.
- Выгружать данные в CSV / JSON формате в любых количествах и в любое время.
- Высокий уровень безопасности. И ров с аллигаторами по периметру.
Обо всём по порядку: поговорим о том, как организовать сбор и обработку данных, что такое Google BigQuery и где в Google Sheets искать сводные таблицы.
1. Собираем данные
Для объединения и обработки данных наши клиенты используют Google BigQuery. Этот инструмент выбран не случайно: данные из каждого сервиса загружаются в удобном формате и режиме, при этом не нужно беспокоиться о свободном месте на сервере.
Если вы ещё не знакомы с Google BigQuery — это облачный сервис для быстрой обработки и анализа больших объёмов данных при помощи SQL-подобных запросов. Вы платите только за объём хранящихся и обрабатываемых данных, причём первый терабайт данных в месяц обрабатывается бесплатно. Также при регистрации пользователи получают 300 USD на расходы в течение 60 дней.
- Быстрый старт без подписания контрактов и приобретения серверов;
- Данные из Google Analytics не семплируются и собираются в режиме реального времени;
- Невысокая стоимость обработки данных — 5$ за 1 TB;
- Данные принадлежат владельцу проекта, а не подключенным сервисам.
- Сервис платный;
- Существует только облачная версия;
- Нет частичного обновления (UPDATE), только полное пересоздание таблицы.
Для получения полных данных советуем использовать OWOX BI Pipeline. С его помощью несемплированные данные из Google Analytics отправляются напрямую в Google BigQuery в режиме реального времени, а из остальных сервисов (CRM, почтовые сервисы, коллтрекинг) данные можно загружать автоматически или вручную.
2. Обрабатываем данные
Чтобы данные из Google BigQuery попали в Google Sheets, можно использовать OWOX BI Pipeline. С помощью аддона можно получить результаты SQL-запросов и сохранить нужный запрос для последующего использования.
Преимущество использования SQL-запросов для построения отчётов том, что количество метрик и структура отчётов ничем не ограничены, а полученные данные всегда полные и несемплированные.
К тому же, аналитику или разработчику достаточно составить запрос один раз. В дальнейшем данные в Google Sheets обновляются автоматически или по запросу:
- Не нужно заботиться об индексах в базе данных и свободном месте на серверах;
- Можно создавать отчеты в любой структуре;
- Любые объемы данных обрабатываются очень быстро;
- Не нужно изучать дополнительный язык запросов, достаточно знания SQL.
- Не нужно изучать дополнительный язык запросов, достаточно знания SQL.
- Очень сложные запросы могут выполняться в течение нескольких минут.
3. Строим отчеты
Исходя из нашего опыта отчеты удобнее всего строить при помощи сводных таблиц и условного форматирования.
3.1. Для маркетинга
В приведенной таблице представлено сравнение основных показателей рекламных кампаний — количества сессий, дохода и ROAS по неделям.
Преимущества:- Уровень сегментации (source, medium или campaign) можно легко поменять;
- ROAS посчитан с учетом исполненных заказов, маржи на товарах и даже заказов из физических магазинов — например, если покупатель воспользовался картой лояльности (или другим идентификатором).
Обратите внимание, в отличии от количества сессий и дохода, ROAS должен оставаться вычислимым показателем, иначе он будет считаться неправильно при изменении глубины сегментации.
3.2. Для измерения показателей конверсии
Ключевые микроконверсии, такие как добавление в корзину или переход на оформление заказа, можно использовать для контроля эффективности сайта. Мы рекомендуем разделять их по типам страниц и браузерам и придерживаться нескольких простых правил, для удобной поддержки и обновления отчетов:
- Один документ — один отдел;
- Одна метрика — один лист (и один SQL-запрос).
Если нужно объединить несколько метрик для сводной таблицы, это можно сделать вот так:
Например, просел коэффициент конверсии. При помощи отчета проверяем, связано ли падение конверсии с сайтом в целом или только с отдельными страницами. Видим, что больше всего конверсия просела на карточках товара, причём именно в Firefox. Проблема возникла потому, что разработчики допустили ошибку при обновлении jQuery, а благодаря дашборду ее удалось быстро выявить и локализовать.
Преимущества:- Микроконверсии можно проанализировать с сегментацией до каждого типа страницы и браузера;
- Новые данные о действиях пользователей появляются в Google BigQuery не позже, чем через пять минут; при этом частоту обновления данных в отчётах вы можете выбрать по своему усмотрению.
Обратите внимание: если данных для сравнения недостаточно — они автоматически фильтруются и не создают искажений.
3.3. Для IT-отдела
Некоторые технические показатели тоже полезно отслеживать, к примеру:
- Время ответа сервера;
- Время загрузки страницы;
- Долю JavaScript-ошибок у пользователя.
Эти метрики мы также рекомендуем сегментировать по типам страниц и браузерам, чтобы локализовать причину проблем было быстрее и проще.
Стоит уточнить, что измерение этих показателей происходит «с пользовательской точки зрения», поэтому такие данные будут более объективны, чем полученные от сервисов мониторинга работы сервера (таких как Zabbix или Munin).
Заключение
- Возможность строить отчёты любой структуры и выбирать любые параметры;
- Хорошо знакомый и гибкий интерфейс Google Sheets;
- Двухфакторная авторизация и управление доступами на основе Google-аккаунтов.
- При выгрузке в Google Sheets более 100 000 значений, работа сервиса ощутимо замедляется;
- Нет встроенного функционала отправки уведомлений при изменении показателей (только через Apps Script).
А где же аллигаторы? Стерегут данные в дата-центрах Google.
- Регистрация и промо-код 300 USD для Google BigQuery;
- Google Sheets Add-on для Google BigQuery;
- Активация экспорта из Google Analytics Premium в Google BigQuery;
- Сбор данных Google Analytics в Google BigQuery для тех, кто не пользуется Google Analytics 360.