Аналитика для проектов с электронной коммерцией
Этот сайт стремится продемонстрировать и дать сопутствующие пояснения по следующим темам:
- Выстраивание аналитичеких процессов
- Аналитика маркетинговых и пользовательских путей посетителей для улучшения KPI в проектах электронной коммерции
- Обход ограничений и багов популярных аналитических платформ
- Использование BigQuery для сквозной веб-аналитики и в качестве аналитического хранилища данных (DWH)
- Объединение маркетинговых данных из разных систем в единый аналитический DWH
- Особенности стриминга сырых данных (хитов) в облачный DWH и создание аналитических пайплайнов данных
- Лучшие практики для построения отчетов с помощью Data Studio и приемы визуализации данных
- Развертывание веб аналитики с попомщью GTM, в том числе на React (SPA, микросервисы) сайтах
Краткие характеристики некоторых аналитических платформ и вспомогательных сервисов
BigQuery
Недорогой сервис хранилища данных полностью поддерживаемый Google, который в частности можно использовать для анализа несемплированных низкоуровневых данных (хитов) из Google Analytics.
Плюсы:- Позволяет анализировать данные на низком уровне через SQL запросы, что расширяет возможности аналитики
- Позволяет интегрировать данные из различных источников в единую комплексную систему аналитики посредством SQL
- Требует технических знаний для интеграции стриминга данных из GA в Bigquery, а также познаний в SQL и javascript-подобных языках для использования всех его возможностей.
Google Analytics
Хорошо всем известный инструмент, предназначенный для быстрого создания стандартных, а также пользовательских (кастомных) отчетов веб аналитики через удобный интерфейс. Отчеты формируются на основе агрегированных данных (т. е. обработанных данных с некоторыми подсчетами), которые собираются с помощью установленного на сайте снипета javascript кода.
Плюсы:- Универсальность, позволяющая формировать широкий набор отчетов
- Большое профессиональное сообщество и накопленные готовые решения в виде библиотек легко доступных для использования
- Прозрачность отправляемых данных в аналитику отправляются только те данные, которые вы задаете
- Технический аудит требует познаний в javascript и умение пользоваться на базовом уровне инструментами разработчика (devtools)
- Вариант установки "из коробки", практически всегда требует донастройки
- Исторически GA базируется на анализе сессий, что создает определенные трудности при анализе поведения индивидуальных либо групп пользователей
Новая версия аналитики, на которую делается акцент вектора развивития системы. Позволяет объединять аналитику сайтов и приложений на основе новой модели данных - иерархии событий и параметров. Имеет новый интерфейс с рядом отчетов и графиков отсутствующих в Universal Analytics. Также интересны новые возможности построения аудиторий на базе предиктивных моделей. На данный момент рекомендуется параллельная установка с Universal Analytics.
Data Studio
Сервис для построения информационных панелей (дашбордов) и отчетов из различных источников данных, которые легко кастомизируются, в том числе визуально, и которыми легко поделиться с коллегами.
Плюсы:- Имеет ряд встроенных нативных конекторов к сервисам Google и позволяет визуализировать аналитические данные из GA, Google Ads и BigQuery наиболее простым и в то же время функциональным способом.
- Встроенные коннекторы к ряду популяпных баз данных.
- Community Connectors - если вы знаете Javascript и основы работы с API, вы можете написать свой собственный коннектор практически к любому сервису, например: Яндекс Метрика, Яндекс Директ, Facebook Ads и т.п.
- Поддерживаются вычисляемые параметры, объединение данных из разных источников и SQL запросы к Bigquery, что дает основу для аналитики BI
- Несмотря на широкий набор элементов визуализации есть ограничения по стилистике и представлению некоторых данных
Tableau
Гибкий и в тоже время комплексный инструмент визуализации данных
Плюсы:- Достаточно легко интегрируется с большим набором внешних источников данных.
- Tableau один из старейших инструментов, имеет хорошо проработанный интерфейс, надежно работающий базовый набор фитчей.
- Широкий набор визуализаций.
- Комплексность инструмента несколько удлиняет процесс его изучения в полном объеме.
- Некоторые простые вещи, как например, сравнение с предыдущим отчетным периодом, приходится делать с помощью функций скриптового языка.
Power BI
Один из популярных инструментов подготовки и визуализации данных
Плюсы:- Если ваш стек хранения и аналитики данных имеет продукты компании Microsoft, то Power BI позволит вам наиболее легко подключаться, интегрировать и визуализировать данные из этих источников, включая облачные сервисы Azure.
- Имеет широкий набор возможностей по трансформации и подготовке данных, в том числе с использованием языка Python.
- Внутренние скриптовые языки (M и DAX) дают вам возможность автоматизировать трансформацию данных для последующей визуализации.
- Есть сложности с интеграцией со сторонними источниками данных, в том числе с Google Cloud Platform.
- Основной набор инструментов содержится в десктопной версии, это накладывает ограничения для построения cloud-first решений c мультиплатформенными интеграциями данных.
Apache Airflow
Идин из самых популярных инструментов оркестрирования ETL для пайплайнов данных.
Плюсы:- Если вы знаете Python, то свою первую последовательность задач вы сможете создать достаточно быстро.
- Проект развивается давно и уже имеет большой набор встроенных операторов, в том числе поэтому используется рядом крупных компаний, в частности на его основе работает Cloud Composer - оркестратор в GCP.
- Имеет удобный интерфейс для мониторинга и визуального представления DAG-ов.
- Для развертывания Airflow самостоятельно вам потребуются компетенции DevOps.
Jupyter Notebook
Удобный инструмент интерактивной аналитики
Плюсы:- Среда позволяет в удобной форме сочетать, объединять различные сниппеты кода, в процессе интерактивного анализа или исследования данных, например, при работе с несколькими API одновременно.
- Позволяет удобно комментировать все шаги и сниппеты кода, например для пояснения коллегам или, как техническое описание.
- Данные можно получать из разных источников, например из BigQuery, Google Analytics Reporting API или же просто из csv файла и помещать их в Pandas DataFrame для дальнейшего анализа или визуализации.
- Есть варианты использования, как на своем компьютере, так и в облачных сервисах, например, Yandex DataSphere и Google Colab.
- Есть возможность конвертировать и сохранять файлы ноутбуков в удобные для демонстрации или размещения на сторонних ресурсах форматы, например, в html, markdown, pdf.