• W projekcie dla klienta z branży Health & Beauty / FMCG Conversion wykorzystał wcześniej wdrożoną architekturę server-side GTM, aby uruchomić dodatkowy pomiar konwersji zakupowych dla wybranych marek promowanych w aplikacji mobilnej.
• Kluczowym wyzwaniem była potrzeba szybkiego wdrożenia nowej logiki analitycznej bez angażowania zespołu IT, bez zmian w kodzie aplikacji i bez czekania na release oraz aktualizacje po stronie użytkowników.
• Dodatkowo pierwsze próby budowy zdarzenia po stronie aplikacji nie dawały kompletnych danych.
• Zespół przeanalizował dane przesyłane z aplikacji, opracował logikę identyfikującą transakcje dla wskazanych marek i przygotował dodatkowe zdarzenie zakupowe w warstwie server-side GTM, dbając o poprawność danych i zgodność z wymaganiami ekosystemu Google.
• Całość wdrożono bez angażowania zespołu developerskiego klienta.
• Efektem było znaczące skrócenie czasu wdrażania zmian analitycznych, większa elastyczność przy działaniach promocyjnych i partnerskich oraz mniejsze uzależnienie marketingu i analityki od backlogu IT.
• Klient zyskał możliwość uruchamiania nowych konwersji zakupowych w aplikacji bez każdorazowego wydawania nowej wersji aplikacji.
• Projekt potwierdził, że dobrze zaprojektowana architektura server-side GTM może nie tylko poprawiać jakość pomiaru, ale też realnie zwiększać szybkość działania biznesu i przewagę operacyjną w środowisku retailowym.

Punkt wyjścia

W retailu i marketingu cyfrowym sama dostępność danych to za mało. Równie ważna jest możliwość szybkiego reagowania na potrzeby biznesu. Problem zaczyna się wtedy, gdy nawet drobna zmiana w analityce wymaga zaangażowania zespołu IT, publikacji nowej wersji aplikacji i czekania, aż użytkownicy ją zaktualizują.

W tym przypadku klient potrzebował uruchomić dodatkowy pomiar konwersji zakupowych dla wybranych marek promowanych w aplikacji mobilnej. Na pierwszy rzut oka była to niewielka modyfikacja. W praktyce mogła jednak oznaczać długi proces po stronie developmentu i znacznie ograniczyć tempo działania biznesu.

Dzięki temu, że wcześniej wdrożyliśmy server-side GTM, mogliśmy podejść do tego inaczej – szybciej, sprawniej i bez konieczności wprowadzania zmian w kodzie aplikacji.

Wyzwanie: nowa konwersja, stary problem

Klient działa na polskim rynku w modelu retail, w segmencie Health & Beauty / FMCG. W projekcie współpracowaliśmy bezpośrednio z osobą odpowiedzialną za analitykę online w obszarze Marketingu, MarTech & Own Media.

Potrzeba biznesowa była jasna: uruchomić dodatkowe konwersje zakupowe dla transakcji obejmujących wybrane marki, tak aby dokładniej mierzyć skuteczność działań promocyjnych prowadzonych w aplikacji mobilnej. Wydawałoby się proste, a jednak.

W tym projekcie pojawiły się dwa kluczowe ograniczenia. Po pierwsze, dostępność zespołu IT była ograniczona, co utrudniało szybkie wdrażanie zmian. Po drugie, pierwsze próby przygotowania dodatkowego zdarzenia po stronie aplikacji nie dały oczekiwanego efektu — zdarzenia były niekompletne i nie zawierały wszystkich parametrów potrzebnych do dalszego wykorzystania.

To oznaczało realne ryzyko, że zmiana, która biznesowo powinna być szybka i operacyjna, utknie w procesie developmentu, testów, publikacji nowej wersji aplikacji i oczekiwania na aktualizacje po stronie użytkowników

Rozwiązanie: więcej z danych, mniej pracy po stronie aplikacji

Klient miał już wcześniej wdrożony server-side GTM dla aplikacji mobilnej, który zrealizowaliśmy w ramach naszej współpracy. Dzięki temu mieliśmy solidną bazę do kolejnych działań.

Zamiast ingerować w kod aplikacji, zaproponowaliśmy wykorzystanie istniejącej architektury server-side, która daje pełną kontrolę nad danymi jeszcze zanim trafią one na serwery Google. Dzięki temu nie trzeba było przebudowywać aplikacji — wykorzystaliśmy istniejącą warstwę pośredniczącą, by przetworzyć i rozszerzyć dane, które już były zbierane z aplikacji.

Po naszej stronie zakres prac obejmował:

• analizę danych przesyłanych z aplikacji,
• opracowanie logiki identyfikującej transakcje dotyczące wskazanych marek,
• przygotowanie dodatkowego zdarzenia zakupowego w warstwie server-side GTM,
• zadbanie o poprawność i zgodność danych z wymaganiami ekosystemu Google.

Całość wdrożyliśmy bez konieczności angażowania zespołu developerskiego klienta.

W praktyce oznaczało to, że zamiast przebudowywać aplikację, wykorzystaliśmy istniejącą warstwę pośredniczącą do przetworzenia i rozszerzenia danych, które były już zbierane z aplikacji.

Klasyczny model vs. nasze podejście

Klasyczny model:

• angażuje zespół IT i zwiększa koszty implementacji,
• wymaga zmian w kodzie aplikacji,
• oznacza testy i nowy release,
• zależy od aktualizacji aplikacji przez użytkowników,
• utrudnia szybkie reagowanie na potrzeby biznesu.

Nasze podejście:

• wykorzystuje istniejącą architekturę server-side,
• nie wymaga zmian w kodzie aplikacji,
• pozwala wdrażać logikę po stronie GTM,
• uruchamia zmiany bez czekania na aktualizację aplikacji,
• daje większą elastyczność i krótszy time-to-market.

To podejście okazało się szczególnie wartościowe także dlatego, że w trakcie projektu pojawiła się potrzeba zmiany listy marek objętych dodatkową logiką. W klasycznym modelu oznaczałoby to kolejny cykl developmentu i następny release aplikacji. W naszym modelu mogliśmy zareagować znacznie szybciej.

Efekt: szybsze wdrożenia, większa elastyczność, mniej zależności od IT

Najważniejsza zmiana polegała na tym, że Klient zyskał możliwość uruchamiania nowych konwersji zakupowych w aplikacji bez każdorazowego angażowania developerów i bez wydawania nowej wersji aplikacji.

Biznesowo przełożyło się to na:

• krótszy czas wdrażania zmian analitycznych,
• większą elastyczność przy działaniach promocyjnych i partnerskich,
• mniejsze uzależnienie marketingu i analityki od backlogu IT,
• możliwość szybszego uruchamiania pomiaru pod konkretne potrzeby kampanijne.

W środowisku retailowym, gdzie okna decyzyjne są krótkie, a działania promocyjne wymagają szybkiej reakcji, to realna przewaga operacyjna. Dzięki server-side GTM klient nie musiał wybierać między jakością danych a tempem działania.

Big Picture: więcej niż jednorazowe wdrożenie

Ten case nie był jednorazowym obejściem problemu. Potwierdził wartość wcześniej wdrożonej architektury ssGTM – zarówno po stronie webu, jak i aplikacji mobilnej.

I właśnie to jest najważniejszy wniosek z całego projektu: dobrze zaprojektowana architektura analityczna nie tylko zbiera dane. Daje biznesowi większą kontrolę, skraca czas reakcji i pozwala szybciej przekładać potrzeby marketingowe na konkretne działania.

The post Case Study – Gdy analityka musi nadążać za biznesem first appeared on Conversion.

Co znajdziesz w tym artykule?
Co to jest Big Data?
Jakie cechy definiują wielkie zbiory danych? Model 5V
Jakie rodzaje danych składają się na Big Data?
Jakie technologie i narzędzia służą do przetwarzania Big Data?
Gdzie znajduje zastosowanie analityka Big Data?
Jakie korzyści przynosi firmom wykorzystanie Big Data?
Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?
Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Co to jest Big Data?

Big Data to termin opisujący duże zbiory danych. A właściwie tak duże, tak zróżnicowane i tak szybko zmieniające się, że tradycyjne narzędzia przestają wystarczać. Bywają też przez to określane jako wielkie zbiory danych lub po prostu gigadane. Ich skala i złożoność (complexity) przekraczają możliwości arkuszy kalkulacyjnych czy klasycznych baz danych.

W praktyce chodzi jednak nie tylko o sam rozmiar. Big Data to również sposób, w jaki odbywa się przetwarzanie informacji, ich porządkowanie i analiza danych – po to, by wykrywać wzorce, przewidywać zjawiska i podejmować trafniejsze decyzje. To właśnie dlatego temat stał się tak ważny dla biznesu, technologii i innych obszarów, w których liczy się szybka reakcja na zmiany.

Co ważne, dane napływają z wielu różnych źródeł jednocześnie. Mogą pochodzić z mediów społecznościowych, urządzeń Internetu Rzeczy (IoT), aplikacji mobilnych, systemów sprzedażowych czy z innych zasobów, takich jak np. logi systemowe. W efekcie Big Data jest dziś jednym z fundamentów tego, co nazywamy transformacją cyfrową – ponieważ pozwala przekładać ogromne strumienie danych na wiedzę, a następnie na konkretne działania.

Jakie cechy definiują wielkie zbiory danych? Model 5V

Najczęściej wielkie zbiory danych opisuje się współcześnie przez model 5V, który rozwinął wcześniejszy model 3V (skupiający się głównie na skali, szybkości i różnorodności danych – volume, velocity, variety). W niektórych opracowaniach można spotkać model 4V, który do klasycznego 3V dodaje veracity, czyli wiarygodność/jakość danych.

Czasem pojawia się też pojęcie zmienności (variability), które opisuje niestabilność danych i zmieniający się kontekst ich interpretacji. To jednak model 5V pozostaje dziś najczęściej używanym sposobem porządkowania tematu. Obejmuje on pięć kluczowych cech Big Data:

Volume (wolumen)

Inaczej: ilość danych. W praktyce nie mówimy już o megabajtach czy gigabajtach, ale o zasobach liczonych w terabajtach, petabajtach, a czasem nawet w eksabajtach i zettabajtach. To właśnie wolumen danych w Big Data sprawia, że tradycyjne narzędzia szybko przestają być wystarczające.

Velocity (prędkość)

Tempo, w jakim dane są generowane, przesyłane i analizowane. Prędkość ma ogromne znaczenie w Big Data, bo wiele informacji napływa niemal w czasie rzeczywistym – z aplikacji, systemów transakcyjnych, czujników czy platform cyfrowych. W takich warunkach liczy się nie tylko sam dostęp do danych, ale też zdolność do szybkiej reakcji.

Variety (różnorodność)

Big Data to nie jeden format i nie jeden typ informacji. Różnorodność oznacza, że w jednym środowisku mogą pojawiać się jednocześnie liczby, tekst, obrazy, nagrania wideo, logi, dane lokalizacyjne czy dane sensoryczne. Ta “mieszanka” mocno zwiększa stopień trudności analizy.

Veracity (wiarygodność)

Dane muszą być sensowne. Wiarygodność odnosi się do jakości, rzetelności i spójności przetwarzanych informacji. Jeśli dane są błędne, niepełne albo przypadkowe, nawet najlepsza analiza może prowadzić do złych wniosków. Dlatego tak ważna jest ich weryfikacja.

Value (wartość)

Ostatecznie najbardziej liczy się to, czy dane da się przełożyć na decyzje, oszczędności, lepsze prognozy albo przewagę konkurencyjną. Wartość pokazuje, że Big Data nie jest sztuką dla sztuki. Dane mają sens dopiero wtedy, gdy wspierają konkretne cele biznesowe lub operacyjne.

Jakie rodzaje danych składają się na Big Data?

Od formy danych zależy zarówno sposób ich przechowywania, jak i późniejsze przetwarzanie oraz analiza. Big Data obejmuje trzy główne typy informacji:

Dane ustrukturyzowane

Nazywane też danymi strukturalnymi. Mają uporządkowaną formę. Łatwo zapisać je w tabelach, kolumnach i rekordach, dlatego dobrze pasują do relacyjnych baz SQL czy nawet do Excela. Przykładem mogą być dane transakcyjne, listy klientów, stany magazynowe albo wyniki sprzedaży.

Dane nieustrukturyzowane

Znacznie większym wyzwaniem są dane nieustrukturyzowane (niestrukturalne). Nie mają one sztywnego schematu, więc trudniej je zamknąć w klasycznej tabeli. To między innymi teksty, obrazy, nagrania audio, wideo, wiadomości e-mail, posty z mediów społecznościowych czy logi systemowe. Często przyjmuje się, że właśnie ten typ stanowi większość zasobów Big Data – nawet około 80%. Również z tego powodu tak duże znaczenie mają obecnie analiza tekstu i analiza wideo.

Dane częściowo ustrukturyzowane

Pomiędzy nimi znajdują się dane częściowo ustrukturyzowane (półstrukturalne). Mają pewną wewnętrzną organizację, ale nie na tyle sztywną, by traktować je jak klasyczne dane tabelaryczne. Dobrym przykładem są pliki JSON, XML, logi aplikacyjne czy dane z formularzy online.

Dane strumieniowe i sensoryczne

We współczesnych systemach coraz większą rolę odgrywają też dane strumieniowe i dane sensoryczne. To właśnie one sprawiają, że Big Data jest dziś tak dynamiczne i tak mocno związane z analizą zdarzeń “tu i teraz”.

• Dane strumieniowe napływają w sposób ciągły, często w czasie rzeczywistym, np. z aplikacji, platform płatniczych czy systemów monitoringu.
• Dane sensoryczne natomiast pochodzą z czujników, urządzeń IoT, maszyn przemysłowych albo urządzeń wearable.

Jakie technologie i narzędzia służą do przetwarzania Big Data?

Samo zgromadzenie danych to dopiero początek. Żeby Big Data miało wartość, potrzebne są jeszcze odpowiednie technologie, które poradzą sobie z dużą skalą, różnorodnością formatów i szybkim napływem informacji. W praktyce oznacza to przetwarzanie rozproszone, elastyczne magazynowanie danych i narzędzia, które pozwalają analizować je szybciej niż klasyczne systemy.

Apache Hadoop i Apache Spark

Jednym z fundamentów Big Data pozostaje ekosystem Apache Hadoop. To zestaw narzędzi zaprojektowanych do pracy na dużych zbiorach danych w wielu maszynach jednocześnie. Ważną rolę odgrywa HDFS (Hadoop Distributed File System), czyli system plików rozkładający dane pomiędzy różne węzły klastra, oraz MapReduce, model obliczeń, który dzieli zadania na mniejsze części i przetwarza je równolegle.

Obok Hadoop bardzo ważny jest dziś również Apache Spark. W przeciwieństwie do klasycznego MapReduce stawia on mocniej na przetwarzanie w pamięci (in-memory), dzięki czemu wiele operacji wykonuje się szybciej. To szczególnie istotne w projektach, gdzie liczy się analiza interaktywna, praca na strumieniach danych albo uczenie modeli analitycznych.

NoSQL i obsługa danych nieustrukturyzowanych

Niestety, nie wszystko da się wygodnie zapisać w tabelach. Z pomocą przychodzi tutaj NoSQL, czyli podejście inne niż klasyczne relacyjne bazy danych. Bazy danych NoSQL dobrze radzą sobie z danymi nieustrukturyzowanymi i półstrukturalnymi, a także z bardzo dużą skalą zapisu i odczytu.

Do najczęściej przywoływanych przykładów należą MongoDB i Cassandra. MongoDB jest popularny przy pracy z dokumentami i elastycznym schematem danych, a Cassandra sprawdza się tam, gdzie liczy się wysoka dostępność i rozproszenie danych pomiędzy wieloma serwerami. Klasyczny SQL wciąż pozostaje ważny, ale w Big Data często działa obok narzędzi NoSQL, a nie zamiast nich.

Jeziora danych i hurtownie danych

W kontekście przechowywania danych często pojawiają się dwa pojęcia: jezioro danych (data lake) oraz hurtownia danych.

Hurtownia danych to ustrukturyzowane repozytorium, w którym dane są najpierw oczyszczane, transformowane i organizowane według z góry określonego schematu, a dopiero potem trafiają do systemu. Dobrze sprawdzają się w sytuacjach, gdzie pytania analityczne są z grubsza znane z góry (np. raporty sprzedażowe, finansowe, operacyjne). Dane są gotowe do użycia od razu po załadowaniu, ale elastyczność jest ograniczona.

Jezioro danych działa odwrotnie. Dane trafiają do systemu w surowej postaci – ustrukturyzowane, częściowo ustrukturyzowane i nieustrukturyzowane – bez narzuconego z góry schematu. Nakłada się go dopiero w momencie odczytu, zależnie od tego, do czego dane mają służyć. To zapewnia dużą elastyczność, ale wymaga większej dojrzałości analitycznej po stronie użytkownika. Co to znaczy? Bez dobrego zarządzania jezioro danych szybko zamienia się w tzw. bagno danych – zbiór plików, z którego nie da się już wydobyć niczego sensownego.

Chmura, integracja i automatyzacja analizy, machine learning

Coraz więcej środowisk Big Data działa dziś w modelu chmury obliczeniowej (cloud computing). Zapewnia ona skalowalność, której firmy potrzebują dziś tak bardzo przy rosnących wolumenach danych. Nie trzeba też od razu budować własnej infrastruktury – można dowolnie zwiększać moc obliczeniową i przestrzeń dysku.

Duże znaczenie mają wreszcie narzędzia do przesyłania i przygotowywania danych. Kafka jest często wykorzystywana do obsługi strumieni danych, a procesy ETL i ELT pomagają przenosić, porządkować i przekształcać dane pomiędzy systemami.

W warstwie analitycznej nadal królują Python i SQL, bo pozwalają zarówno przygotowywać dane, jak i budować modele analityczne. Coraz częściej dochodzi do tego także sztuczna inteligencja i uczenie maszynowe, które automatyzują wykrywanie wzorców i przyspieszają analizę.

Gdzie znajduje zastosowanie analityka Big Data?

Analityka Big Data znajduje zastosowanie wszędzie tam, gdzie dane napływają szybko, w dużej skali i z wielu źródeł jednocześnie. Dotyczy to dzisiaj już nie tylko biznesu cyfrowego.

Medycyna i ochrona zdrowia

W sektorze zdrowia Big Data wspiera diagnostykę medyczną, analizę wyników badań i ocenę ryzyka chorób. Duże znaczenie ma też analiza genomu, która pozwala lepiej rozumieć zależności genetyczne i dobierać bardziej precyzyjne terapie. Do tego dochodzą wearables, czyli urządzenia monitorujące aktywność, tętno czy sen, które dostarczają danych niemal w czasie rzeczywistym.

Finanse i bankowość

W finansach analityka danych pomaga w wykrywaniu oszustw, ocenie ryzyka i monitorowaniu nietypowych zachowań transakcyjnych. Jest też wykorzystywana w obszarach takich jak HFT (High-Frequency Trading), gdzie liczy się błyskawiczne przetwarzanie informacji i reakcja na zmiany rynkowe.

Logistyka, inteligentne miasta i fabryki

W transporcie Big Data wspiera planowanie dostaw, zarządzanie flotą i optymalizację procesów operacyjnych.

Na tej samej zasadzie działa koncepcja Smart City, w której dane z kamer, czujników, sygnalizacji i systemów miejskich pomagają lepiej zarządzać ruchem, energią czy bezpieczeństwem w miastach.

W tzw. obszarze Przemysłu 4.0 analityka Big Data wspiera automatyzację i nadzór nad produkcją. W praktyce oznacza to inteligentne fabryki, w których maszyny, sensory i systemy raportują dane bez przerwy, dzięki czemu możliwa jest konserwacja predykcyjna (przewidywanie awarii, zanim faktycznie do nich dojdzie).

Marketing i e-commerce

W marketingu i handlu internetowym Big Data napędza personalizację oferty, rekomendacje produktów i segmentację klientów. To właśnie na tej logice działają systemy rekomendacji znane z takich platform jak Netflix czy Spotify.

Jakie korzyści przynosi firmom wykorzystanie Big Data?

Najważniejsza korzyść z Big Data polega na tym, że firmy mogą podejmować decyzje na podstawie faktów i twardych danych, a nie intuicji (podejście data-driven). Zapewniają to narzędzia z obszaru Business Intelligence, a także czytelna wizualizacja danych i dashboardy, które porządkują najważniejsze wskaźniki. To przekłada się na szybsze reakcje, lepsze planowanie i większą kontrolę nad kosztami, a więc także na realną oszczędność czasu.

Równie ważne jest lepsze zrozumienie klientów. Analiza behawioralna pozwala sprawdzać, jak użytkownicy podejmują decyzje, a analiza churn pomaga wychwycić sygnały odejścia. Łatwiej stworzyć spersonalizowane oferty i produkty. Z kolei analiza predykcyjna, modele predykcyjne, analiza trendów i prognozowanie trendów wspierają planowanie przyszłości – od sprzedaży po zarządzanie ryzykiem.

Jakie wyzwania dotyczą bezpieczeństwa i prywatności danych?

W Big Data wyzwaniem nie jest tylko ilość informacji, ale też ich legalne, bezpieczne i etyczne wykorzystanie. Dokładniej rzecz biorąc:

Rosną wymagania związane z RODO (GDPR). Unia Europejska nakłada ścisłe zasady dotyczące tego, jak firmy zbierają, przechowują i wykorzystują dane użytkowników. Chodzi tu nie tylko o ochronę danych osobowych, ale też o prywatność danych, zgodność celu przetwarzania i przejrzystość wobec osób, których dane dotyczą.

Co do zasady, im większy zbiór danych, tym mniejsza jego odporność na incydenty z obszaru cyberbezpieczeństwa, więc zapewnienie odpowiedniego poziomu zabezpieczeń stanowi osobne wyzwanie.

Istotna pozostaje kwestia jakości danych i ich wiarygodności, bo błędne lub niepełne informacje prowadzą do błędnych analiz i złych decyzji.

Dochodzi do tego wreszcie etyka: nawet jeśli dane można przetwarzać formalnie zgodnie z prawem, to czy sposób, w jaki je wykorzystujemy, jest uczciwy i proporcjonalny wobec użytkownika?

Kim jest Data Scientist i jaką rolę odgrywa w procesie analizy?

Data Scientist to zawód, który łączy statystykę, programowanie i rozumienie biznesu, żeby zamieniać dane w użyteczne wnioski. Taka osoba zajmuje się m.in. eksploracją danych (data mining), szukaniem zależności, budowaniem modeli opartych o uczenie maszynowe (machine learning) oraz wykorzystywaniem rozwiązań z obszaru sztucznej inteligencji (AI). W praktyce właśnie na tym polega nauka o danych (data science): nie tylko na zbieraniu informacji, ale też na ich interpretacji, modelowaniu i przekładaniu wyników na decyzje.

W codziennej pracy Data Scientist korzysta z narzędzi takich jak Python, język R i SQL, a wyniki prezentuje często przez Tableau lub Power BI. Jego zadaniem jest zrozumieć dany problem i zaproponować model, który pomoże przewidywać zjawiska albo lepiej wspierać biznes.

Warto odróżnić tę rolę od innych specjalizacji z dziedziny danych. Analityk danych (data analyst) zwykle skupia się bardziej na raportowaniu, dashboardach i interpretacji bieżących wyników, a inżynier danych (data engineer) odpowiada przede wszystkim za infrastrukturę, przepływ danych i przygotowanie środowiska do analizy. Data Scientist stoi trochę pomiędzy nimi. Korzysta z gotowych danych, ale idzie też o krok dalej – buduje modele i szuka odpowiedzi na bardziej złożone pytania.

The post Big Data – co to jest i dlaczego ma dziś tak duże znaczenie? first appeared on Conversion.