Как Tableau используют в аналитике: кейсы Wix, MacPaw и Prozorro
Сегментация клиентов, результаты A/B-теста, тепловые карты и не только.
Tableau — платформа для визуальной аналитики, созданная в 2003 году исследователями из Стэнфордского университета. Она использует технологии машинного обучения, статистики и NLP для обработки данных.
Консалтинговая компания Gartner уже 9 лет называет инструмент лучшей платформой для BI-аналитики.
О задачах, которые решают с помощью Tableau, рассказали аналитики Елена Руденко (Prozorro), Мария Меркулова (MacPaw) Татьяна Пустельник и Елена Небайкина (Wix).
Елена Руденко, BI-аналитик в Prozorro
О компании
Prozorro — государственная компания, которая занимается развитием, администрированием и поддержкой одноименной платформы государственных закупок. В команде разработки — 4 системных аналитика, которые формируют структуры данных и собирают информацию. Еще один аналитик обрабатывает данные и анализирует работу новых функций.
Данными также занимается команда маркетинга и коммуникаций — я и моя коллега. Коллега работает с маркетплейсом для государственных заказчиков Prozorro Market. Мои задачи сейчас - анализ поведения участников закупок и разработка метрик для маркетинговой стратегии.
Зачем собирают данные
Мы собираем открытые данные о закупках: что покупали госструктуры, министерства, больницы, коммунальные предприятия. Также у нас можно проанализировать поставщиков и цены. Такая информация интересна для журналистов-расследователей, которые ищут нарушения, и контролирующим органам (Антимонопольному комитету и Госаудитслужбе).
Внутри компании мы используем эти данные в двух направлениях.
- Анализ нового функционала. Кто им пользуется и как активно, какая аудитория платформы.
- Информация для полисимейкера. Департамент Минэкономики регулирует государственные закупки, консультирует участников и часто вносит дополнения в законодательство.
Я собираю все, что касается участников закупок (бизнеса): кто, когда и сколько предложений подает и аукционов выиграет.
Профессиональный модуль закупок построен на другой платформе аналитики — QlikView. Там есть данные обо всех тендерах. Но их количество немного тормозит его работу. QlikView удобно использовать, когда требуется одна цифра — например, сколько участников подавали предложения в августе 2021. С QlikView обычно выгружают данные в менее агрегированном состоянии, часто из нескольких модулей, а уже в Tableau совмещаю отдельные таблицы в новую базу данных, где главная сущность — участник.
Tableau использую не только из визуализации, но и потому что там удобно создавать связи между таблицами и агрегировать данные.
Кейсы:
- Визуализация трендов новых поставщиков
Нам нужно было проверить, насколько сезонность притока новых поставщиков связана с сезонностью объявления закупок. Мы обнаружили, что больше всего закупок происходит в ноябре-декабре, а «мертвый сезон» - в январе-мае. Соответственно, меняется число прибывших участников тендеров. Так мы поняли, что новые участники приходят, потому что их приглашают сами заказчики. Задача нашей PR-кампании — не столько привлечь новых участников, сколько сформировать их ожидания, чтобы они не оставили систему после первой попытки.
Такую визуализацию можно сделать в QlikView, но не слишком удобно, так как данные находятся в разных модулях. Можно объединить данные в Python и там же визуализировать, но Tableau делает это красивее и позволяет «поиграть со шрифтами».
- Сегментация клиентов
Prozorro зарабатывает на подаче предложений на участие в тендере.
Стоимость участия зависит от суммы лота. Поэтому нам нужно было разделить участников на сегменты - «новичков», активных участников и топ-поставщиков, — чтобы выяснить, за счет чего компании попадают в тот или иной сегмент.
Такой анализ я около двух недель делала с помощью фильтров в Excel, и в нем не было визуализации. В Tableau его создания продолжалось 2:00 вместе с выгрузкой данных с QlikView.
Я разместила участников на точечной диаграмме с количеством их предложений по оси Х и количеству договоров по оси Y. Семь кластеров созданные по количеству лотов и суммах лота. Это позволяет проанализировать, какие компании подаются на крупные тендеры, а какие — на маленькие. Также кластеры могут быть фильтрами: их можно сохранить и посмотреть все показатели — например, медиану или средние значения. В примере — данные о подаче в 2020-2021 гг.
Мы смогли проанализировать, какие кластеры приносят больше дохода и из-за чего. Одни — из-за большого количества участников, а другие — через большее количество лотов. Затем мы говорили с представителями каждого из сегментов, чтобы выяснить их отношение к системе и компании и что мы могли бы улучшить.
Мария Меркулова, Product Analyst, MacPaw
О компании
Я работаю продуктовым аналитиком в команде Setapp. Это SaaS-продукт, который по подписке дает доступ к 200+ приложениям на Mac и iOS. У нас нет постоянных команд. Мы каждые 8 недель формируем новые кросс-функциональные команды под конкретные цели.
В Setapp сегодня 4 продуктовых аналитика. Каждый из нас во время забега из 8 недель отвечает за аналитику 2–3 команд. Выбираем команды по желанию, учитывая сильные стороны каждого. Главное, чтобы во всех командах был аналитик и везде поддерживался data-driven подход в принятии решений.
Зачем собирают данные
Setapp делится на 3 продуктовые составляющие: сайт, кабинет пользователя и десктопное приложение. Мы собираем и работаем с данными со всех частей продукта и синхронизируем их между собой.
Для визуализации данных все аналитики используют Tableau. Отмечу, что каждый может выбрать любой софт, который считает удобным.
Мы строим дашборды и публикуем их в Tableau Online, куда есть доступ у всей команды. Так каждый, кто работает над Setapp, может следить за состоянием продукта, находить инсайты и предлагать идеи для новых тестов.
Я люблю Tableau за гибкость. Часто кастомизирую дизайн дашбордов под дизайн нашего продукта. Например, во всех дашбордах использую наш шрифт, а цвета выбираю из палитры, которая синхронизирована с Zeplin. Чтобы не нагромождать дашборд, детальную информацию часто заношу в тултипы.
Кейсы:
- Опрос клиентов
Недавно мы с командой проводили опросы разных групп пользователей. Опросник сделали в Typeform, откуда ответы записывались строками в Google Sheets.
Когда мы стартовали, я вывела ключевую информацию на дашборд в Tableau, сделав все расчеты метрик, и поставила на обновление. Благодаря этому команда смогла следить за ходом и результатами опроса не по строкам в Google Sheets, а в удобном формате.
В Tableau можно добавлять датасорсы, среди которых csv, xlsx и Google Sheets. В этом случае я впервые строила дашборд, подключаясь к Google Sheets.
- Результаты А/В-теста
Мы проводим довольно много тестов в продукте. Для автоматизации работы с A/B-тестами у нас есть внутренний инструмент, с помощью которого мы отслеживаем результаты. Но иногда стандартизированного формата не хватает. В таких случаях я строю дашборд с результатами A/B-теста, выводя полную картину.
В этом случае тест был направлен на улучшение нетипичных для тестов показателей. Также было интересно наблюдать всю воронку нового свойства.
Татьяна Пустельник и Елена Небайкина (Wix)
О компании
Wix — облачная платформа для создания сайтов и управления бизнесом, которая предлагает решения для более 50 разных типов компаний.
Зачем собирают данные
Мы придерживаемся data-driven подхода: все решения принимаются на основе данных. У нас более 210 млн зарегистрированных пользователей, и в день мы получаем более 4 Тб данных об их поведении. Не очень удобно пользоваться Google Analytics и подобными решениями, работая с таким объемом данных. Поэтому у нас есть собственные инструменты для внутреннего пользования.
В Wix данными занимается Data Organization: продуктовые аналитики, дата-инженеры и дата-девелоперы, а также дата-сайентисты. Большинство данных, с которыми мы работаем, — о поведении пользователей на сайте: на какие кнопки нажимают, откуда переходят, сколько времени проводят.
Кейсы:
- Top Sites Report
Татьяна Пустельник, Analytical Team Lead
Моя команда Task Force работает над кросс-продуктовыми проектами. По запросу C-level менеджмента мы занимались регулярной рассылкой со списками топовых сайтов по разным критериям. Они затрагивали активность пользователей наших пользователей (UOU) в продуктах внутри Wix.
Мы начали работу над задачей, потому что:
- небольшое количество самых крупных клиентов генерирует большую часть суммарной выручки (GMV), трафика и UOU-взаимодействий. Нам нужна оперативная информация об этих клиентах
- кросс-продуктовый отчет как источник этой информации закрыл бы все похожие вопросы о многих ключевых продуктах. Это удобный инструмент для менеджмента.
На первом этапе мы сосредоточились на двух направлениях: Stores и Bookings, ранжируя их по GMV. Получился Tableau-отчет, который мы планировали рассылать по email каждую неделю, поэтому в нем не было интерактивных элементов.
Позже нам понадобилась интерактивная версия, в которой можно было бы управлять количеством топ-сайтов, выбирать разные периоды и возвращаться к историческим данным.
Кроме того, мы добавили два других типа рейтинга: по радикальным позитивным изменениям и по радикальным негативным (сравниваем сумму GMV в текущем периоде с суммой в прошлом аналогичном периоде).
В отчете появились другие продукты и KPI. Сейчас в нем доступно до топ-200 сайтов в 4 периодах, 27 разных типов продуктов и KPI, 3 варианта рейтинга с возможностью просмотра исторических данных.
За отчетом стоят 6,5 млн строк.
На нашем Tableau-сервере около 20 тыс. дашбордов, но Top Sites Report остается в ТОП-15 по количеству пользователей
- HeatMap Report
Елена Небайкина, Product Analyst
Я работаю с инструментом Media Studio, позволяющим пользователям загружать и обрабатывать изображения, которые они размещают на своих сайтах. UX-дизайнеры попросили нас исследовать, насколько разные элементы продукта привлекают внимание пользователей. Мы решили построить тепловую карту (heatmap) для определения ключевых функций Media Studio. Обычно для таких задач применяют специальные инструменты, например, Hotjar, FullStory, Glassbox. Они дают крутой результат, но требуют дополнительных ресурсов на имплементацию. Так как Wix — крупная компания, у нас огромные объемы данных, и тут возникает дополнительная сложность. При интеграции с другими инструментами нам приходится выбирать между полнотой информации и возможностью спуститься до уровня пользователя.
Поэтому нам было удобнее и эффективнее построить собственную heatmap, используя в качестве данных уже существующие BI-ивенты, которые описывают взаимодействие пользователя с продуктом: загрузка страниц, нажатие на кнопки, просмотр всплывающих панелей, — и визуализировать это в Tableau.
Отчет создали за 5 шагов:
- Подготовили скрины, heatmap которых мы хотим сделать, загрузили их как бэкграунд рабочего листа в Tableau. Один скрин — один рабочий лист.
- Создали справочник соответствия координат кнопок на скрине с кодами ивентов (для этого есть веб-дополнение для Tableau).
- Настроили вид отчета: условное форматирование, подписи данных.
- Добавили в отчет информацию: динамика изменений во времени, всплывающие подсказки, фильтры, дополнительные брейкдауны.
- Настроили обновление данных на сервере, при необходимости — подписали активных пользователей на рассылку.
В результате отчет позволил легко мониторить специфику использования всех элементов продукта.
