Jak zaoszczędzić czas specjalisty podczas pracy nad dużym projektem — case OLX

“Czas się nie śpieszy — to my nie nadążamy.” - powiedział kiedyś Lew Tołstoj. Wiadomo dokładnie, czym specjaliści ds. reklamy kontekstowej zajmują się w dużych projektach większość czasu — przygotowaniem raportów, ręcznym opracowaniem danych otrzymanych za pomocą AdWords, Facebook i dziesiątków innych źródeł.

Postanowiłem zaoszczędzić czas zespołu reklamująсemu OLX za pomocą wdrożenia specjalnego narzędzia analitycznego.

Co postanowiliśmy zrobić?

Zautomatyzować proces zbierania i konsolidacji danych z Google, Facebook, MyTarget, AT Internet oraz AdJust według kategorii kampanii reklamowych, typów urządzeń a platform, i skonfigurować wizualizacje danych otrzymanych ze wszystkich przeliczonych źródeł, z możliwością dostępu do raportów online.

W rezultacie mieliśmy otrzymać dwa raporty: dla reklamy desktopowej i dla mobilnej.

Trochę więcej na ten temat:

Do tabeli przeznaczonej dla reklamy desktopowej zbieraliśmy informacje na temat promocji w zależności od kategorii kampanii reklamowych (brandowe, ogólne kampanii), typów urządzeń oraz źródeł.

Główne wskaźniki:

• Day — dzień, w którym została zebrana statystyka;
• Source — platforma reklamowa / źródło;
• Device — typ urządzenia;
• Category — kategoria kampanii reklamowej;
• Impressions — odsłony;
• Clicks — liczba kliknięć;
• Cost — koszt;
• AdPosts — liczba rekłam na stronie;
• Reply — liczba otrzymanych odpowiedzi.

Źródła danych:

• Google AdWords — dane, dotyczące kliknięć, odsłon i wydatków na reklamę;
• AT Internet — dane dotyczące publikacji a odpowiedzi na ogłoszenie.

Do tablicy, przeznaczonej dla reklamy mobilnej, zbieraliśmy ibformacji dotyczące promocji aplikacji w zależności od źródeł, typów kampanii reklamowych i platform (Android, iOS).

Główne wskaźniki:

• Day — dzień, w którym została zebrana statystyka;
• Source — źródło;
• CampaignType — typ kampanii reklamowej;
• Platform — platforma Android lub iOS;
• Impressions — odsłony;
• Clicks — liczba kliknięć;
• Cost — wartość;
• Installs — liczba pobrań;
• DAUs —  średnia liczba aktywnych użytkowników w ciągu jednego dnia;
• MAUs — średnia liczba aktywnych użytkowników w ciągu jednego miesiąca;
• RetainerUsers — liczba użytkowników, co powrócili do aplikacji;
• CohortsSessions — liczba sesji powracających użytkowników;
• CohortsAdPost — liczba szerów powracających użytkowników;
• CohortsReplies — liczba polubień i komentarzy powracających użytkowników.

Źródła danych:

• AdWords — kliknięcia, odsłony, wartość;
• Facebook — kliknięcia, odsłony, wartość;
• MyTarget — kliknięcia, odsłony, wartość;
• AdJust — pobrania, liczba powracających użytkowników, liczba sesji powracających użytkowników, liczba szerów powracających użytkowników, liczba polubień i komentarzy powracających użytkowników, DAUs, MAUs.

Z których narzędzi korzystałem?

1. Język R — do zbierania informacji ze wszystkich źródeł za pośrednictwem API, konsolidacji oraz przechowywania danych.

Jakie pakiety języku R wykorzystałem?

• RAdwords — API Google AdWords;
• adjust — API AdJust;
• rfacebookstat — API Facebook;
• rmytarget — API MyTarget.

2. Google BigQuery — bardzo łatwa w użyciu baza danych w chmurze. Nie wymaga żadnego dodatkowego administrowania. Ponadto, jest warunkowo bezpłatna.
3. Microsoft Power BI — darmowe narzędzie do wizualizacji danych.

Co się udało?

Napisałem dwa skrypty, które zbierają wszystkie dane, konwertują je na jedną walutę (UAH) i zapisują do Google BigQuery. Do BigQuery podłączyliśmy konto w Power BI. W rezultacie, w każdej chwili można zaktualizować wszystkie dane za pomocą jednego przycisku i dzielić się nimi z zespołem naciskając przycisk „Opublikuj”.

Jak pracuje to narzędzie?

1. Od poniedziałku do piątku skrypty R są automatycznie uruchamiane w celu zbierania i konsolidacji danych ze wszystkich źródeł za pośrednictwem API.
2. W trakcie zbioru danych do Google BigQuery zapisują się logi związane z pracą skryptów zbierających informacji za pośrednictwem API.
3. Uruchamia się skrypt R, który sprawdza logi związane z pracą zbierających informacji skryptów.
4. Jeżeli wśród logów znaleziono błędy lub ostrzeżenia związane z tym, że dane mogą być zebrane w sposób nieprawidłowy, automatycznie generuje się komunikat z informacją, dotyczącą błędów i ostrzeżeń. Komunikat jest wysłany do odpowiedniego specjalisty i projektanta.
5. Jeśli podczas sprawdzaniф nie były znalezione problemy, wtedy zebrane dane przenoszą się do odpowiednich tablic Google BigQuery.
6. Dane są aktualizowane i publikowane za pomocą dwóch przycisków.

Tak wygląda raport dotyczący reklamy desktopowej:

Raport dotyczący reklamy mobilnej:

Projektowanie instrumentu zajęło 30 godzin, ponieważ wiele czasu poszło na konfigurację zbioru danych z sześciu źródeł. Zwykle dane są zbierane z dwóch lub trzech źródeł, a projektowanie potrzebuje o wiele mniej czasu: 10-15 godzin.

Wyniki:

1. Wcześniej zbiór danych, składanie i sprawdzanie raportów ręcznie zajmowały specjalistom około 30 godzin miesięcznie. Dzisiaj — kilka minut.
2. Wcześniej raporty były aktualizowane tygodniowo, teraz — codziennie.