<\/p>\n<\/p>\n
Нередко компании, которые обращаются к нам за системой сквозной аналитики, уже используют какие-то инструменты для работы с данными. Иногда это «коробочные» решения. Сразу отказываться от них в пользу кастома не обязательно — на старте их можно интегрировать в новую систему, чтобы сэкономить время и деньги на разработку. Но в этом случае надо быть готовым к тому, что готовые решения не гарантируют точность данных на том же уровне, что специально построенная под вас система аналитики. Именно с этой проблемой мы столкнулись, когда начали строить аналитику для стартапа Refocus: до нас они использовали Roistat, но ошибки в его работе вынудили нас отказаться от него раньше, чем мы планировали.<\/p>\n
Способов построить сквозную аналитику, не обращаясь к готовым решениям, немало: можно собрать in-house отдел аналитики или найти специалистов на аутсорсе.<\/p>\n
При этом нужно учитывать, что работа целой команды аналитики может стоить порядка 5-7 тысяч евро или 500-700 тысяч рублей в месяц. И это не предел — все зависит от размеров компании-заказчика, состояния аналитики до начала работ и других факторов.<\/p>\n
На начальном этапе для многих компаний, у которых объем данных небольшой, такие расходы неоправданы. Из-за этого они часто предпочитают «коробочные» продукты — например, тот же Roistat.<\/b> Это самое популярное решение на рынке, которое предлагает премиум-тариф с максимумом функционала и полной поддержкой от 1500 евро \/ 150 тысяч рублей в месяц. Базовые тарифы у них и того дешевле. У этого инструмента больше 200 встроенных интеграций, и не только с популярными Google Analytics или Яндекс Директ, но и с целым списком нишевых кабинетов и систем, о которых вы даже не слышали.<\/p>\n
После настройки интеграций с вашими источниками Roistat позволит создать дашборды за пару кликов, а сверху предложит автоматизацию маркетинга и лидогенерации. Конкуренты Roistat вроде OWOX BI<\/b> или Alytics<\/b> также предоставляют базовые возможности для аналитики и визуализации. В общем, недорогих решений под любые потребности много.<\/p>\n
Хотя “коробка” гораздо лучше бесконечных таблиц и поначалу хорошо оптимизирует работу с данными, она далеко не идеальна. С точки зрения эксперта все минусы универсальных решений видны как на ладони:<\/p>\n
Кроме того, у вендоров таких готовых решений почти никогда нет ресурсов и возможностей, чтобы подогнать его под специфические требования каждого клиента. Более того, чаще такие “кастомные” требования многократно превосходят стоимость самой коробки (в этом суть готового решения). Если что-то не так на бэке у юзера, если меняется воронка в CRM, если нужно настроить кастомные интеграции — велики шансы, что за это придется доплатить немаленькие деньги, если вендор вообще согласится реализовать эти “специфичные требования”.<\/p>\n
На одном из наших проектов нам довелось поработать именно с такой ситуацией: Roistat не смог обеспечить точность данных и интеграций со всеми нужными источниками, и с этим пришлось разбираться самой компании — и нам.<\/p>\n
Один из наших заказчиков, который строил аналитику на самых ранних этапах — EdTech-стартап Refocus. Неудивительно, что когда мы пришли создавать для них кастомную систему, они уже работали с Roistat.<\/p>\n
Почему Refocus выбрали именно его? Во-первых, он доступен на русском языке, и это было удобно для команды, в которой много русскоязычных сотрудников. Во-вторых, им нужна была именно система сквозной аналитики, а не CRM с функцией автоматического построения графиков, поэтому альтернативы вроде HubSpot не подходили. В-третьих, все базовые потребности компании он удовлетворял за относительно небольшую сумму. Ну и в-четвертых — многие сотрудники из команды Refocus уже имели опыт работы с Roistat, так что для них это был удобный и знакомый инструмент.<\/p>\n
Roistat тянул данные из двух основных рекламных кабинетов — Google и Facebook<\/b>*. В нем трекались все базовые метрики — бюджеты, показы, клики, конверсия — и отражались на автоматически созданных внутри программы дашбордах.<\/p>\n
.png)
<\/p>\n
К сожалению, скрины дашбордов из Roistat у нас не сохранились, но мы нашли для вас пример в интернете — выглядели они примерно так.<\/p>\n
Там даже присутствовал свой пользовательский идентификатор — когда мы вводили общий айди студентов, мы думали попробовать использовать его для мэтчинга персональных данных. На практике оказалось, что сопоставление по нему проходит очень неточно, и эту идею оставили.<\/p>\n
Стартап рос, число требований и людей увеличилось, поэтому нас позвали строить для ребят кастомную аналитику и более подробные дашборды, и подключились мы.<\/p>\n
Мы провели аудит существующей системы, получили доступы к нужным ресурсам и начали выстраивать инфраструктуру и готовить первый дашборд — маркетинговый, самый актуальный для компании на тот момент.<\/p>\n
Откуда мы тянули данные для этого дашборда? Конечно, из Roistat, ведь именно там уже лежали готовые маркетинговые показатели. Настройка хранилища и выгрузка данных из источников, которые Roistat не трекал, еще не была закончена, а смотреть на классные, качественные дашборды хотелось уже сейчас.<\/p>\n
Например, так выглядел код для выгрузки данных о затратах на рекламу через API:<\/p>\n
def get_costs(channel, channel_level, date_from, date_to, source):\r\n \r\n data = '{"dimensions": ["marker_level_2", "marker_level_3", "marker_level_4"],\\\r\n "metrics":["visitsCost", "impressions", "visits"],\\\r\n "period":{"from":"' + date_from + '","to":"' + date_to + '"},\\\r\n "filters":[{"field":"' + channel_level + '", "operation":"=", "value":"' + channel + '"}],\\\r\n "interval": "1d"}'\r\n columns=['dimensions.marker_level_2.value',\r\n 'dimensions.marker_level_2.title',\r\n 'dimensions.marker_level_3.value',\r\n 'dimensions.marker_level_3.title',\r\n 'dimensions.marker_level_4.value',\r\n 'dimensions.marker_level_4.title',\r\n 'dateFrom'\r\n ]\r\n headers = {'content-type': 'application\/json'}\r\n\r\n response = requests.request("POST", url, data=data, headers=headers)\r\n df = response.json()['data']\r\n\r\n l = []\r\n for i in range(len(df)):\r\n if df[i]['items'] != []:\r\n l.append(df[i])\r\n if len(l) > 0:\r\n res1 = pd.json_normalize(l, 'items', ['dateFrom'])[columns]\r\n res2 = pd.DataFrame()\r\n q = pd.json_normalize(l, ['items', 'metrics'])\r\n for x in ["visitsCost", "impressions", "visits"]:\r\n res2[x] = q.query('metric_name == @x')['value'].values\r\n res = pd.concat([res1, res2], axis=1)\r\n res['source'] = source\r\n return res\r\n else:\r\n return pd.DataFrame()<\/code><\/pre>.png)
<\/p>\n