Nem járok gyakran képzésekre. Nyolc órát bezárva ülni egy tanteremben manapság többnyire elvesztegetett időnek tartok. Ez azonban nem vonatkozik azokra a szakosított adatelemzés képzésekre, amelyek egy konkrét problémámat oldják meg. Nekem pedig épp volt egy ilyen problémám.
A problémám: rengeteg adatunk van a cégben, de nem tudok velük elég jól dolgozni
A nanoSPACE cégünk egésze sok részmegoldásból áll össze, nincs egyetlen központi rendszerünk (pl. ERP), amely mindent irányítana. A puzzle-ünk jól működik, gond nélkül lekezelünk havonta akár több tízezer megrendelést is, a robusztus megoldások árának töredékéért – de vannak hibái is.
A legnagyobb ezek közül az adatok szétaprózottsága. A megrendelések a Shoptetbe futnak be, a visszáruk a Retinóba, az e-mail kampányokat az Ecomailen keresztül küldjük, a könyvelési bizonylatok a Flexibee-be ömlenek, az Amazont az Expandón keresztül kezeljük, a projektmenedzsmentet a Freelo segítségével oldjuk meg, a B2B megrendelések félig a Shoptetben, félig közvetlenül a könyvelésben vannak… és így folytathatnám még egy jó darabig.
És akkor még nem is beszéltem arról, hogy a Shoptetnek nincs semmilyen megfelelő modulja a megrendelésekről vagy vásárlókról szóló mélyebb elemzésekhez, az RFM-elemzésről pedig rögtön elfeledkezhetünk.
Mindez rendkívül megnehezíti az egész cég teljesítményének kiértékelését, és oda vezet, hogy legalább száz Excel- és Google Sheets-táblázatunk van, amelyekben külön-külön vezetünk különféle teljesítményadatokat, amiket aztán bonyolultan kell összefésülnöm.
A legutóbbi koronavírus-hullám után, amikor a cégben kissé lecsendesedtek a dolgok, több időm jutott az analitikára, és elkezdtem mélyebben foglalkozni különféle riportokkal, csak úgy találomra:
- Az egyes marketingcsatornák forgalma / nyeresége, visszárukkal és reklamációkkal tisztítva
- A marzsok időbeli alakulásának követése egészen az egyes termékek szintjéig
- A kedvezménykuponok automatikus szétosztása, teljesítményük követése
- RFM-elemzés, vásárlói szegmentálás, kohorszok
- A traffic builderek meghatározása stb.
- Pénzügyi elemzés, költségbontás, a cashflow követése és előrejelzése (pl. a kézbesített, de még ki nem fizetett utánvétek értékének automatikus kiszámítása)
Minden ilyen riport egy halom exportot és összefüggéstelen adatok Excelben való összefésülését jelentette számomra, ráadásul az eredményben sem igazán bízhattam. Természetesen tudtam, hogy létezik út, amellyel az egész rendszert alapoktól fel lehet építeni: összekötni az összes rendszer adatait, megtisztítani a szélsőségektől, és riportolni a PowerBI-ba vagy a Lookerbe. Csakhogy hogyan?
Business Intelligence: a cég vezetése adatok alapján
Épp ekkor botlottam bele egy meghívóba egy „Vidd az adatelemzésedet az Excel határain túlra” című képzésre. A képzés azt ígérte, hogy végre megtanulom, hogyan tegyek rendet a céges, marketing-, vásárlói és pénzügyi adatok között. Így hát elmentem 😎
A képzés pontosan nekem szólt! Nem vagyok teljesen adatelemzési analfabéta, a cégben van saját adattárházunk, és néhány személyre szabott riportot már összeraktunk a Digitális Architektákkal – hiányzott azonban a nagyobb rálátás és a lehetőségek áttekintése, hogy mi mindent kezdhetek a rendszereink adataival. És ezt megtudtam a képzésen.
A képzést Přemek Horáček vezeti, aki véleményem szerint tapasztalt Business Intelligence szakember. Abból él, hogy cégeknek köti össze az adatforrásokat és keresi bennük az összefüggéseket, aminek köszönhetően az ügyfelek megtanulják nem érzésre, hanem kemény adatok alapján vezetni a cégüket.
Keboola: adatkinyerő bármilyen rendszerből
Ha csak egyetlen dolgot kellene magammal vinnem a képzésről, az ez lenne: hozz létre egy Keboola-fiókot! A Keboola az az eszköz, amire szükségem volt. Lehetővé teszi az adatok rendszeres letöltését bármilyen forrásból, én ezeket a forrásokat kötöttem hozzá:
- Google Analytics
- Google Ads
- Facebook Ads
- Sklik
- Shoptet
- Flexibee
- Marketing Miner
- Google Táblázatok
A Keboola API segítségével csatlakozik az egyes forrásokhoz, és letölti a kért adatokat.
Az adatokat a Keboolában át lehet alakítani (SQL vagy R segítségével, az alapparancsokat Přemek tanítja a képzésen), majd elmenteni vagy exportálni egy tárolóba – én a Google BigQuery-be exportálok, de a Google Táblázatokat is kezeli.
A transzformáció lehet például a szélsőséges értékektől való megtisztítás (tesztmegrendelések eltávolítása, kivételes, 20 000 eurós megrendelések stb.), különböző táblázatok adatainak összekötése közös azonosító alapján) vagy bármilyen más módosítás, amelyet az adatokon el kell végezned.
Mire használható?
Az adatok előkészítésére bármilyen riporthoz, amit az adataidból összeállíthatsz. Amit én megvalósítottam / tervezek:
- A reklámrendszerekből származó adatok megtisztítása a sztornózott / visszaküldött megrendelésektől
- Automatizált riport készítése a felhasznált kuponokról, a nyújtott valós kedvezmény és a megszerzett marzs kiszámításával
- Az egyes megrendelések marzsainak kiszámítása és bucketelése (a megrendelések csoportosítása méret / marzs szerint)
- RFM-elemzés a Shoptetből letöltött vásárlói adatokon
- Cashflow dashboard, utánvétadatokkal kiegészítve
A képzésen szó esik a Google BigQuery-ről is, amely egy hasonló eszköz az adatok kinyerésére és módosítására. Bizonyos felhasználásra talán alkalmasabb, de az átlagos felhasználó számára nem annyira intuitív.
Hogyan módosítsuk / transzformáljuk az adatokat?
Sajnos egy kis programozást nem tudsz megúszni. A big data nagy táblázatokat jelent, így ismerned kell az SQL vagy az R alapjait. Mindkettőt tárgyalják a képzésen, és a végén kaptunk egy „puskát” az alapparancsokról. Nincs ambícióm, hogy mélyebben megtanuljam ezeket a nyelveket, de a képzésnek köszönhetően elegendő rálátásom van ahhoz, hogy tudjam, mit és milyen mértékben kérjek az adatelemzőinktől. Sokan az adatelemzés Pythonnal való megközelítését is javasolják, de a kezdéshez a Keboola és az SQL bőven elég.
A Keboola ráadásul sablonokat készít az egyszerű adatkinyeréshez. Ez a funkció egyelőre bétaverzióban van, de már van néhány alapséma a reklámrendszerek adatainak összekötésére és a Google Sheetsbe vagy a PowerBI-ba való küldésére. A leggyakoribb felhasználásokhoz tehát belátható időn belül egyáltalán nem lesz szükség programozásra.
Hogyan vizualizáljuk az adatokat?
Ha előkészítetted az adatokat, akkor valahogyan vizualizálni is szeretnéd őket – hiszen ezért csinálod az egészet. A marketingesek biztosan ismerik a Lookert (Google Data Studio), amelyet én is bőségesen használok a legkülönfélébb marketingriportokhoz.
Engem azonban jobban lenyűgözött a PowerBI, amelyet eddig (főleg amiatt, hogy nem fut Macen 😎) sikeresen figyelmen kívül hagytam. A képzés elvégzése után megértettem, hogy a Looker csak amolyan demóverziója a PowerBI-nak, és bár a két rendszer folyamatosan közeledik egymáshoz, a PowerBI még mindig előrébb jár.
A képzésen összesen 8 órát töltöttem, amit jó befektetésnek tartok. Új szemléletet vittem magammal a vállalati adatokról és a velük való munkáról. Szabadidőmben saját riportokat próbálok készíteni, és fokozatosan új feladatlistát állítok össze a Digitális Architektáknak, mert érzem, hogy itt az ideje az analitikánkat a következő szintre emelni 😎
