Ужасы белого человека: данных становится всё больше, источники – всё разнородней, а аналитика – всё сложнее.
Ситуация, в которой работают веб-аналитики, интернет-маркетологи или специалисты отдела продаж средней компании такова:
- компания ведет интернет-рекламу в нескольких системах;
- отдел продаж планомерно контактирует с холодной и тёплой аудиторией с разным результатом;
- с сайта и множества лэндингов поступают лиды и микроконверсии,
- а данные о транзакциях пишутся в базу данных.
Всю эту информацию можно и нужно использовать для оценки эффективности работы и принятия взвешенных решений. Т.е. нужны:
- сквозная аналитика, позволяющая видеть, сколько дохода в итоге приносят маркетинговые активности;
- возможность сегментации аудитории по доходности, поведению, времени жизни и т.д.;
- исследование влияния на доход, ROI и другие KPI различных факторов — дизайн, контент, интерфейс сайта, сотрудники компании, курсы валют и вообще что угодно, что можно оцифровать;
- оценка эффективности различных этапов воронки конверсии, поиск причин затыков на них
- и другие возможности получить ответы на бизнес-вопросы.
Популярные Google Analytics и Яндекс.Метрика при всей их наглядности предназначены, прежде всего, для анализа (причем, не очень глубокого) сайтов, мобильных и веб-приложений. Нам нужно что-то мощнее!
И тут на сцене появляется Google BigQuery — могучий инструмент для анализа данных.
BigQuery позволяет:
- собирать данные из разных источников в едином хранилище в одном формате;
- молниеносно обрабатывать огромные объемы данных без потерь точности;
- бесконечно гибко манипулировать данными (комбинировать, фильтровать, агрегировать и т.д.) с помощью языка SQL;
- выгружать обработанные массивы данных в инструменты визуализации и системы BI.
В обобщенном виде схема хранилища данных на основе BigQuery может выглядеть так.
Стоимость BigQuery при всей его колоссальной пользе невелика. Она рассчитывается исходя из использованных ресурсов и в основном состоит из тарифов на хранение данных и тарифов на запросы (то есть, вычисления). На сегодня цифры таковы:
- Хранение часто изменяемых таблиц: первые 10Гб бесплатно, далее — $0.02 за Гб в месяц.
- Хранение долго (от 90 дней) не меняющихся таблиц: первые 10Гб бесплатно, далее — $0.01 за Гб в месяц.
- Запросы по требованию (т.е. по факту запуска): первый Тб данных бесплатно, далее 5$ за Тб в месяц.
- Запросы по единой ставке (т.е. при резервировании мощностей на месяц или на час — имеет смысл только для крупных компаний с огромным объемом вычислений): 8,5-10 тыс. $.
Полное описание стоимости смотрите на официальной странице.
BigQuery имеет удобный веб-интерфейс, так что для начала работы достаточно зарегистрироваться в Google и создать проект на платформе Google Cloud. Как это сделать — читайте, например, здесь.
Таблицы с данными можно загружать в BigQuery вручную. Хороший обзор способов загрузки можно опять же найти в блоге сервиса OWOX, который я еще буду упоминать.
Но нас интересует автоматическая загрузка, т.е. регулярная и без участия человека. В следующих статьях я расскажу о том, как импортировать в BigQuery:
- данные из Yandex.Direct
- данные из Google.Ads
- данные о рекламных расходах из Facebook
- данные о расходах из VKontakte
- данные о расходах из target.Mail.Ru
- данные о вебинарах из Clickmeeting
- данные из AmoCRM
- и другое.
Подпишитесь на канал, чтобы ничего не пропустить!