Как настроить понятную аналитику для маркетологов? Мы объединили ClickHouse и DataLens, сэкономив сотни человекочасов
Всем привет! На связи Виктория Качайкина — СРО букмекерской компании BetBoom. И сегодня простым языком расскажу о том, как мы закрыли сотни запросов маркетологов, сохранив время и нервы аналитиков.
Источники данных
BetBoom — большая компания, с более 600 сотрудников, которые регулярно проводят несколько маркетинговых акций одновременно. И чтобы понять эффективность рекламных кампаний, наши ребята постоянно анализируют огромное количество данных из разных источников и систем.
Мы используем несколько источников и систем хранения данных:
- Базы данных (ClickHouse,MySql, PostgreSQL и т.д)
- Системы для сбора и анализа данных web ресурсов (Google Analytics, Яндекс.Метрика)
- Системы для сбора и анализа данных мобильных приложений (AppMetrica, Firebase)
- Платформа для анализа рекламного трафика (AppsFlyer)
- Онлайн- и оффлайн-таблицы (Google Sheets, Excel)
Работать со всеми продуктами сразу можно и нужно, но главное правильно настроить процесс взаимодействия с данными.
Как мы работали раньше?
Маркетолог придумал акцию, запустил, а потом пытается выяснить, сколько регистраций принесла эта акция. Он идет к аналитику, аналитик выгружает данные, отдает маркетологу. Маркетолог ушёл довольный.
А в чем сложности? Проблема в том, что на второй день маркетолог понимает, что необходимо узнать не только количество регистраций, но и сумму депозитов, и снова идет к аналитику. Аналитик вновь подготавливает документ, снова отдает маркетологу.
Так, а в чем опять проблема? В том, что все это трудозатратный процесс, требующий много человеческих ресурсов. А можно было бы автоматизировать процесс анализа данных.
Итог такого подхода: постоянная загруженность аналитика однотипными
запросами, которые приходится решать вручную.
“Надо что-то менять!” — подумали мы и пришли к тому, что нужно научить всех работать с данными.
Какие решения у нас были
Казалось бы самое стандартное решение — это написать что-то свое, что закрыло бы наши нужды, или обратиться уже к готовым существующим системам.
Недостатки самописных систем
- Дорого (качественный продукт требует хороших разработчиков, а хорошие разработчики стоят дорого)
- Долго (продукт не разрабатывается и не внедряется быстро)
- Уступают готовым коммерческим продуктам
Недостатки готовых систем
- Требуют интеграции, на которую необходимо выделять ресурсы
- Без работы аналитика практически бесполезны
- Нужна постоянная интеграция, т.к нет возможности изменять и добавлять данные
Из-за весомых недостатков мы отказались от обоих вариантов.
Приложим небольшую памятку о базовой информации для внедрения аналитики и пойдем дальше.
.А дальше мы синкнулись по желаемому результату и требованиям к системе. Если коротко, нам нужно все.
Доступ к данным необходим всем. А значит необходим сервис, воплощающий удобство, простоту и легкость в использовании с неограниченным сроком хранения данных.
И как мы решили эту задачу?
Мы объединили возможности ClickHouse и DataLens.
Все наши данные из разных источников мы сливаем в ClickHouse, который служит DWH-системой. В ClickHouse мы собираем витрину данных, для этого используем возможности выбранной базы данных.
DataLens достаточно гибкий и простой в настройке и поддержке инструмент, позволяющий подключить множество источников данных, настроить персональные уровни доступа, визуализировать данные и кастомизировать под требования каждого подразделения.
К чему нас привел такой подход?
Мы минимизировали затраты на системы (они обходятся нам всего в 2500 рублей в месяц)
Дали доступ к данным в простом и удобном интерфейсе
- Получили удобный сервис, позволяющий получить все необходимое быстро и в режиме онлайн
Чем хотелось бы завершить эту статью?
Во-первых, благодарностью, что дочитали до конца. Спасибо!
Во-вторых, рекомендацией. Любой процесс требует профессионального подхода, недостаточно иметь доступ к данным и уметь пользоваться Python, нужно понимать в какой момент и откуда появляется информация. Только с таким подходом можно будет смело ориентироваться на данные и эффективно их использовать в своей работе.
На этом у нас все! Поделитесь в комментариях своим опытом интеграции систем аналитики.
Мне кажется, что у вас получилось очень крутое решение!
Мой опыт интеграции систем аналитики: Excel c помощью VBA использую как оболочку для доступа к данным. Например, данные хранятся где-то в MySql и их там куча таблиц с миллионами строк. Нет необходимости отдельно скачивать их и потом обрабатывать. Можно из VBA сформировать sql-запрос, отобрать только нужное, обработать на лету по требуемой логике, отформатировать и красиво вывести в отчете Excel (или разбить по страницам, или по отдельным файлам, или сгенерировать файлы вообще другого формата).
Спектр возможностей достаточно широкий, но о них далеко не все знают. Можно обрабатывать данные хранящиеся в разных источниках (Excel, txt, csv, html, xml, Access, MySql и т.п, плюс запросы к web сайтам и работа по api). Наверняка я не все перечислил. Все зависит от задачи и конечного результата.
Собираюсь написать развернутую статью на эту тему. Хочу сделать несколько примеров автоматизации (пусть даже небольших) для реальных компаний с vc, с честной обратной связью и полученным эффектом. Кому интересно поучаствовать - дайте знать.
Тоже не понимаете смысл картинки на привьюхе? 🤔
Хорошее решение! Спасибо за статью
А как вы следите за качеством хранимых данных и их актуальностью?
Пока готового автоматического функционала нет, мы вручную проверяем целостность и актуальность данных, но мы уже работаем на автоматизацией этого процесса, как только сделаем, обязательно напишем кейс! ;)
А сколько ресурсов потратили на настройку всех систем и сколько уходит на их поддержание?