Analityka

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

13
1
0

“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?

  1. Google BigQuery — bardzo łatwa w użyciu baza danych w chmurze. Nie wymaga żadnego dodatkowego administrowania. Ponadto, jest warunkowo bezpłatna.
  2. 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:

Отчет по десктопной рекламе

Отчет по десктопной рекламе

Отчет по десктопной рекламе

Отчет по десктопной рекламе

Raport dotyczący reklamy mobilnej:

Отчет по рекламе мобильного приложения

Отчет по рекламе мобильного приложения

Отчет по рекламе мобильного приложения

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.

“Podczas pracy z dużymi projektami, prędzej czy później przychodzi czas, kiedy zaczynasz tonąć w morze raportów. Załóżmy, że już wiesz, jakie wskaźniki i metryki należy analizować, jednak jeśli przygotowywać raporty ręcznie, masz co najmniej dwie problemy:

  1. Czynnik ludzki — nikt nie jest odporny na błędy.
  2. Czas — zbieranie i konsolidacja wszystkich danych zajmuje bardzo dużo czasu na stałe.

Po automatyzacji otrzymaliśmy, po-pierwsze, zawsze aktualne i prawidłowe dane, i, po-drugie, czas wolny, który obecnie nie tracimy na przygotowanie raportów, tylko wykorzystujemy dla rozwoju projektu.

Found a mistake? Select it and press Ctrl + Enter

Komentarze (0 )

Последние комментарии

    Aby zostawić komentarz, zaloguj się

    Zapisz się

    na najbardziej użyteczny newsletter, dotyczący marketingu internetowego

    Najbardziej

    komentowane popularne czytane

    This site uses cookies and other tracking technologies to help navigate and your ability to provide feedback, analyze the use of our products and services, helps in our advertising and marketing efforts for better user convenience.