Wie wir ein Webanalysetool für eine E-Commerce-Website entwickelt haben

Das Ergebnis: Ein praktisches Webanalysetool, das in 27 Stunden entwickelt wurde.

Die Herausforderung

Im November 2014 hat uns ein Kunde kontaktiert. Er wollte die Ereignisse auf seiner Website analysieren und Antworten auf nicht triviale Fragen in Form von Berichten erhalten, die in Google Analytics nicht erstellt werden konnten. Es war jedoch nicht ganz klar, welche Berichte geschäftliche Fragen beantworten könnten.

Gemeinsam mit dem Kunden haben wir eine Liste von Parametern und Metriken erstellt, die erforderlich waren, um Antworten zu erhalten. Auf ihrer Grundlage haben wir ein System von automatisch aktualisierten, nicht trivialen Berichten aufgebaut. Beim Öffnen der Datei werden alle Berichte automatisch täglich aktualisiert, weil die Datenvisualisierung mit einer täglich aktualisierten MySQL-Datenbank verknüpft war, in die die Informationen von Google Analytics über eine API dupliziert wurden.

Schema des Prozesses der Datenerfassung, -aggregation und -visualisierung:

1. Google Analytics sammelt Informationen über alle Sessions auf der Website.
2. Mithilfe der API werden die in Google Analytics gesammelten Informationen aggregiert und in die MySQL-Datenbank übertragen.
3. Die Excel-Datei stellt eine Verbindung zur MySQL-Datenbank her und sendet bei jedem Öffnen eine Anfrage nach aktuellen Daten, wodurch alle Tabellen und Diagramme aktualisiert werden.

Die Umsetzung

Die Lösung war:

1. Eine MySQL-Datenbank mit allen Informationen zu entwickeln, die der Kunde analysieren möchte.
2. Ein Skript zu schreiben, um die Datenbank täglich mit den Daten von gestern aufzufüllen.
3. Den Traffic nach Aktivität, Engagement und Typ des Besuchers zu segmentieren.

Nach Engagement:

• nicht interessierte Besucher (Sitzungsdauer von bis zu 60 Sekunden);
• interessierte Besucher (Sitzungsdauer von 60-180 Sekunden);
• beteiligte Besucher (Sitzungsdauer länger als 180 Sekunden).

Nach Aktivität:

• neue Besucher (Anzahl der Tage seit dem letzten Besuch — 0);
• Nutzer, die in den letzten zwei Wochen aktiv waren (Anzahl der Tage seit dem letzten Besuch — 1-30);
• Besucher, die zwei Wochen später zurückkehren (Anzahl der Tage seit dem letzten Besuch — mehr als 30).

Nach Besuchertyp:

• autorisierte Besucher (sie sind autorisiert, aber haben sich nicht mit dem Benutzerkonto angemeldet);
• angemeldete Besucher (Nutzer, die sich mit dem Benutzerkonto angemeldet haben);
• andere (Besucher, die nicht autorisiert sind und die sich nicht mit dem Benutzerkonto angemeldet haben).

Nach der Webseiteversion:

• Vollversion;
• Mobile Version.

Nach der Sprachversion der Website:

• RU (Russisch);
• KZ (Kasachisch).

Nach dem Gerätetyp:

• Desktop;
• Smartphone;
• Tablet.

4. Eine Datenvisualisierung mit verschiedenen Filteroptionen in einer Excel-Datei einzurichten, die mit einer MySQL-Datenbank verknüpft ist. Alle Berichte in dieser Datei sind so eingestellt, dass sie automatisch einmal pro Tag aktualisiert werden.

Die Entwicklung dieser BI-Lösung hat 27 Stunden gedauert. Es wurde eine Datenerfassung von Google Analytics direkt in die MySQL-Datenbank eingerichtet.

Das Ergebnis

Unsere Lösung ermöglicht:

1. Traffic-Volumen und die Verhaltensmerkmale nach Tagen zu betrachten.
2. Die Besuchersegmentierung in Form eines Berichts auszugeben.
3. Die Besuchersegmentierung in Form von Diagrammen darzustellen.
4. Veränderungen bei den Verhaltensmerkmale aufzuzeigen.
5. Den Wert neuer Inhalte aufzuzeigen.
6. Die Leistung einzelner Seiten einer Website zu vergleichen.

Lesen Sie auch:

• Bosch Siemens Hausgeräte Erfolgsgeschichte: +247% Klicks aus der organischen Suche innerhalb eines Jahres.
• OLX (von Naspers) Erfolgsgeschichte: Steigerung der Impressionen um 74% mit ASO-Diensten.
• Domino’s Pizza-Erfolgsgeschichte — wie eine internationale Marke ihren Platz in einem neuen, überhitzten Markt einnimmt.