Клиент
Poison Drop – универмаг дизайнерских украшений, представляющий более 100 брендов, включая как известные международные марки, так и работы молодых отечественных дизайнеров. Компания представлена в онлайн-формате и через сеть оффлайн-магазинов в нескольких городах России.
Проблема
Компания еженедельно сталкивалась с трудоемким процессом подготовки аналитических план-факт отчетов. Сотрудникам приходилось вручную собирать данные из различных источников, переносить их в Google Sheets, проверять на соответствие и только затем формировать итоговые отчеты. Такой подход требовал значительных временных затрат (десятки человеко-часов еженедельно) и создавал высокие риски ошибок из-за человеческого фактора.
Существующая система отчетности имела ряд критических ограничений:
- Данные обновлялись только раз в неделю, что не позволяло оперативно отслеживать изменения ключевых показателей;
- Возможности анализа были ограничены сравнением с аналогичным периодом прошлого года;
- Отсутствовала гибкость в выборе периодов для анализа (нельзя было получить данные за произвольные даты);
- Не предусматривалось оперативное изменение структуры отчетов под новые бизнес-задачи.
Дополнительной сложностью стал переход компании на новые системы аналитики (Яндекс.Метрика и AppMetrica). Это потребовало полного пересмотра существующих процессов формирования отчетности.
Задача
Таким образом перед нами стояли следующие задачи:
- Автоматизация план-факт отчета.
- Расчет показателей за любой выбранный период от нескольких дней до нескольких месяцев.
- Сравнение показателей за разные периоды с возможностью выбора периода для сравнения.
- Объединение данных из разных источников таких как Яндекс.Метрика, AppMetrica, RetailCRM и Google Sheets.
Решение
Один из важных показателей для клиента — количество уникальных посетителей сайта или пользователей мобильного приложения. Чтобы обеспечить правильный подсчет этого показателя за разные промежутки времени, данные необходимо хранить в сыром виде. Основные расчеты должны производиться уже после выбора периода. Поэтому мы приняли решение создать Data Warehouse (DWH) на основе ClickHouse, а сам отчет представить в виде дашборда в BI системе Superset.
При работе с Appmetrica мы столкнулись с необходимостью объединять данные о рекламном источнике, взятые из отчета об установках, с данными о визитах и заказах, взятыми из отчета о событиях. В результате нам пришлось использовать две разные таблицы с сырыми данными Appmetrica. Они объединяются с помощью SQL запроса.
Покупатели могут отменять заказы или изменять их после оформления. Поэтому актуальные статусы заказов сверялись с информацией из RetailCRM. Мы объединяли данные из CRM с данными о заказах из Яндекс.Метрики и Appmetrica по идентификатору заказа. Затем осуществлялась фильтрация по актуальному статусу заказа.
В системах аналитики Яндекс.Метрика и AppMetrica появились новые рекламные источники. К тому же часть источников была объединена для удобства визуализации. Мы создали Google таблицу, в которой каждому источнику и каналу из Яндекс.Метрики и Appmetrica соотнесли тип и источник из плана.
Клиент составляет план на месяц. Поэтому, для возможности расчета плановых показателей за произвольный период, каждому дню в месяце назначен вес. Данные плана и веса дней автоматически переносятся из Google Sheets в DWH. Далее они используются в SQL запросах в системе Apache Superset. Это позволяет учитывать только веса дней, соответствующих выбранному периоду.
Для сравнения показателей за разные периоды в BI системе Apache Superset были написаны дополнительные SQL запросы. В результате этого мы смогли применить две разные группы фильтров периода к данным из одной таблицы. Если период для сравнения не выбран, автоматически происходит сравнение с аналогичным периодом предыдущего года.
Чтобы сделать сравнение разных периодов в динамике наглядным, мы реализовали смещение начала периода для сравнения к началу текущего периода.
Для автоматического обновление данных из разных источников, включая Google Sheets, мы использовали ETL потоки, настроенные в StreamMyData.
Ниже вы можете увидеть схему всех этапов обработки данных:
Визуализация данных
План-факт отчет представлен в виде сводной таблицы.
Данные сгруппированы по типу и источнику рекламы, а также по типу площадки с которой осуществляется заход (браузер или мобильное приложение). В качестве показателей используются: количество уникальных посетителей или пользователей, количество заказов и CR. Для каждого показателя мы привели планируемое значение и фактическое значение. К тому же вы можете увидеть разницу между фактом и планом, выраженную в процентах. Помимо этого для фактических значений осуществлено сравнение с показателями за предыдущий период.
Для удобства мы привели отдельную таблицу с суммарными значениями показателей для каждой площадки.
К тому же в данной таблице можно увидеть долю от общего значения пользователей и заказов для каждой площадки.
Фактические значения количества пользователей, количества заказов и CR также отображены в динамике в виде линейных графиков. Значения для разных типов платформы (web, mobile) мы представили отдельными линиями. Вдобавок на графике можно увидеть значения за выбранный период для сравнения. Благодаря этому возможно наблюдать схожие паттерны поведения клиентов в определенные периоды.
Еще один тип визуализации позволяет отслеживать динамику доли показателей между сайтом и мобильном приложением.
Для графиков динамики доступны два варианта гранулярности по датам: по дням, по месяцам. Выбор осуществляется переключением между вкладками на дашборде.
Заключение
Представленный дашборд позволяет сильно сократить время, уходящее на составление план-факт отчетов. Такая возможность осуществляется за счет полной автоматизации процесса от выгрузки данных до расчета показателей.
Использование BI системы позволяет производить вычисление количества уникальных пользователей за любой выбранный период времени. Это делает отчет более гибким, а также позволяет своевременно выявлять отклонения от намеченных планов и оперативно реагировать на изменения.
Благодаря сравнению показателей за различные периоды, возможно быстро и наглядно определять изменение динамики активности покупателей. На долгосрочных промежутках времени это также позволяет выявлять повторяющиеся паттерны поведения клиентов, связанные с сезонностью.
Миронова Ксения
Head of performance marketing
