Google BigQuery w marketingu
Google BigQuery a dojrzałość analityczna firmy
Google BigQuery – case study w Ecommerce
Podsumowanie
Wykorzystanie Google BigQuery w marketingu stało się bardziej powszechne od momentu pojawienia się Google Analytics 4. Firmy coraz częściej sięgają po to narzędzie do pracy z danymi, co naturalnie przekłada się na rosnące koszty wykorzystania go. Warto przyjrzeć się temu zjawisku i zastanowić się, jak optymalizować koszty, aby maksymalnie wykorzystać potencjał BigQuery bez nadmiernych wydatków.
Kiedyś Google BigQuery było zarezerwowane jedynie dla płatnej wersji Google Analytics 360. Gdy bezpłatna wersja stała się dostępna dla wszystkich, firmy zaczęły częściej korzystać z tego narzędzia. O wykorzystaniu Google BigQuery pisaliśmy w innym artykule, do którego warto zajrzeć, aby dowiedzieć się więcej o samym narzędziu.
Wprowadzenie Google BigQuery w firmie, szczególnie w marketingu, jest naturalnym krokiem w miarę wzrostu dojrzałości analitycznej. Po połączeniu z Google Analytics 4, BigQuery często integruje różne źródła danych, tworząc jedno źródło prawdy dla działań marketingowych. Dzięki temu eliminowane są wątpliwości co do różnic w danych z różnych systemów reklamowych. Google BigQuery staje się tym jednym źródłem prawdy.
Gdy wszystkie dane są już zgromadzone w BigQuery, firmy najczęściej podpinają do niego Looker Studio, które pełni funkcję warstwy wizualizacyjnej. To narzędzie business intelligence w marketingu pozwala na lepsze zrozumienie i prezentację danych.
W kontekście kosztów związanych z Google BigQuery, warto zwrócić uwagę na wzrost tych kosztów w wyniku większego wykorzystania, zwłaszcza w marketingu. Koszty BigQuery składają się z dwóch elementów: ilości przechowywanych danych oraz częstotliwości ich przetwarzania.
Im więcej danych gromadzimy, tym wyższy jest koszt ich przechowywania. Drugi składnik kosztów wynika z intensywności pracy na tych danych – częstotliwości wykorzystania ich w raportach i analizach. Jeżeli chcesz dowiedzieć się, ile wykorzystanie Google BigQuery kosztowałoby Twoją firmę, skorzystaj z naszego bezpłatnego kalkulatora kosztów.
Z mojej perspektywy, obserwując rachunki naszych klientów za Google BigQuery, największą wagę ma właśnie ten drugi składnik – intensywność wykorzystywania danych w codziennej pracy. Przedstawię teraz case, na co warto zwrócić uwagę i co może prowadzić do znacznego wzrostu kosztów. Weźmy na tapet firmę e-commerce z branży fashion, działającej na ośmiu rynkach, zarówno polskim, jak i zagranicznych. Firma ta, oprócz witryny internetowej, posiada również aplikację mobilną. Z danych zgromadzonych w Google BigQuery korzysta ponad 30 osób z różnych departamentów. Dostęp do danych odbywa się głównie za pośrednictwem Looker Studio.
Dashboardy podpięte do tych danych mają ograniczenie do maksymalnie trzech lat wstecz. W oparciu o te informacje, można zauważyć, że koszty przy zespole liczącym ponad 30 osób, które regularnie analizują dane za pomocą Lookera, wynoszą około 80 tys. zł miesięcznie. Skąd tak wysoki koszt korzystania z narzędzia?
Problemem była metryka Total Users, która przy każdym odpytaniu, zmianie zakresu danych czy filtrowaniu za pomocą Looker Studio, wymagała przetworzenia wszystkich danych. Po zoptymalizowaniu tego zapytania udało się oszczędzić 46%, co przekłada się na ponad 30 tys. zł miesięcznie kosztu wykorzystania Google BigQuery.
To przykład sytuacji, w której warto zwrócić uwagę na ilość dashboardów podpiętych do Google BigQuery oraz na to, jak zoptymalizowane są zapytania SQL w kontekście danych, które te dashboardy prezentują. Każda zmiana zakresu danych czy użycie filtra w dashboardzie powoduje przetwarzanie zapytania SQL. Oczywiście, istnieje także BI Engine w Looker Studio, który ma niższy cennik, jednak nie zwalnia to z odpowiedzialności za optymalne dostarczanie danych do wizualizacji, co w tym przypadku było powodem generowania niepotrzebnych, a zarazem znaczących kosztów.
Nie trudno wpaść w pułapkę niekontrolowanego rozwoju stacku analitycznego. Rozwój firmy i wzrost jej dojrzałości analitycznej to pozytywny proces, jednak trzeba pamiętać, że wraz z nim pojawia się więcej danych do gromadzenia. Pojawia się także więcej interesariuszy mających dostęp do tych danych, co prowadzi do większej liczby wizualizacji i dashboardów. Zwiększa się liczba zapytań do bazy danych, która jest głównym źródłem prawdy, a w efekcie rosną koszty.
Warto zastanowić się, czy dane dostarczane użytkownikom końcowym za pomocą różnych wizualizacji mają optymalną strukturę pod kątem zapytań do zasobów BigQuery. Jeśli nie masz pewności, warto skonsultować się ze specjalistą, który przeanalizuje Twoją sytuację i podpowie optymalne rozwiązanie.
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
