Warum zulily eine Plattform für Selfservice-Marketing-Analytics mit Tableau und Google BigQuery eingerichtet hat

Hinweis: Die Autorin dieses Beitrags ist Sasha Bartashnik, Marketing Analytics Manager bei zulily. Zulily ist ein schnell wachsendes E-Commerce-Unternehmen mit einem Umsatz von 1,6 Mrd. US-Dollar und startet täglich über 100 neue Verkaufsaktionen, bei denen die vorwiegend weibliche Kundschaft außergewöhnliche Entdeckungen machen kann. Dieser Artikel ist der erste in einer zweiteiligen Reihe.

Tag für Tag startet zulily 100 neue Verkaufsaktionen mit über 9.000 Produktstilen. Dabei werden Tausende Conversions erzielt und Millionen Benutzeraktionen verarbeitet. Als kundenorientiertes Unternehmen sind wir immer bestrebt, unsere Kunden besser zu verstehen und ihre Erfahrung zu optimieren. Angesichts der gewaltigen Datenmengen, die aus internen und externen Quellen einströmen, wurde der schnelle Zugriff auf wichtige Daten als Grundlage für Marketingentscheidungen zunehmend zum Problem für uns. Auch der Zeitaufwand für den durchschnittlichen Geschäftsanwender war erheblich. In der Folge verbrachten unsere Analysten mehr Zeit damit, Code zu schreiben, um auf Ad-hoc-Datenanfragen zu reagieren, als brauchbare Erkenntnisse zu liefern, die das Unternehmen voranbringen. Daher waren wir auf der Suche nach einer Methode, wie wir die richtige Botschaft schneller vermitteln können – zum richtigen Zeitpunkt, im richtigen Kanal und an sämtliche Kunden.

Also erstellten wir eine Selfservice-Marketing-Analytics-Plattform, die auf einer Google BigQuery-Integration in Tableau basiert. Diese Plattform lieferte uns erstmals auf einen Blick Daten zu verschiedenen Marketing-Touchpoints wie Facebook Ads, Google Ads und E-Mails. So konnten wir Daten mit internen Quellen wie Clickstream, Produktkatalog und Bestelltransaktionen kombinieren, um schneller und besser geschäftliche Entscheidungen zu treffen. Dank der Plattform sind BigQuery und Tableau für unser Marketing-Analytics-Team zum unverzichtbaren Hilfsmittel avanciert. Unsere maßgeschneiderte Implementierung dieser beiden Technologien versetzt uns in die Lage, komplexe Daten im Nu zu analysieren und Empfehlungen als Basis für strategische Echtzeitentscheidungen abzugeben. In diesem Beitrag erfahren Sie, wie Sie die gleichen Strategien auch in Ihrem Unternehmen zu Ihrem Vorteil anwenden können.

Ich leite bei zulily ein Team aus Analysten und Data Scientists, das die Aufgabe hat, unsere Marketingstrategie anhand datengesteuerter Erkenntnisse zu optimieren. Dabei arbeiten wir eng mit einem technischen Team aus Daten- und Softwareingenieuren zusammen. Diese Kooperation ist ein besonderer Pluspunkt an meiner Arbeit mit Marketing Analytics bei zulily, denn mir steht ein talentiertes, kreatives Technikerteam zur Seite. Die Hauptaufgabe für unser Technikerteam besteht darin, ständig neue Funktionen für eine hochgradig skalierbare Kundenerfahrung mit täglich mehreren Millionen Transaktionen auf verschiedenen Plattformen zu entwickeln. Daneben müssen die Infrastruktur und die Tools geschaffen werden, die wir zur Verwaltung unserer ausgefeilten Kunden- und Marketingplattformen brauchen. Folglich können unsere Techniker keine Zeit mit banalen innerbetrieblichen IT-Anfragen vertändeln, wie sie in herkömmlichen IT-Abteilungen von Unternehmen sonst häufig vorkommen. Vielmehr programmieren unsere Techniker Tools, die uns bei alltäglichen Arbeitsaufgaben unterstützen, ohne dass wir jedes Mal die kostbare Zeit der Techniker in Anspruch nehmen müssen. Ein Beispiel dafür ist zuFlow, ein Abfrage-Workflow- und Planungstool für BigQuery, mit dem Analysten aller zulily-Abteilungen anhand einer Point-and-Click-Webschnittstelle eigene komplexe Workflows zur Datenvorbereitung (ETL) erstellen können.

Unser technisches Team teilt auch meine Vision: nämlich jede einzelne Entscheidung auf Daten zu stützen, ganz gleich auf welcher Unternehmensebene. Diese Vision ermöglicht es unseren Teams, innerhalb von zulily innovative Tools und Techniken durchzusetzen und so die Datennutzung im Unternehmen auf eine breitere Grundlage zu stellen. 2014 erkannten unsere Techniker, dass unsere alte Datenplattform – eine Kombination aus einem SQL-Server für strukturierte und einem Hadoop-Cluster für unstrukturierte Daten – den Anforderungen bald nicht mehr gewachsen sein würde, und machten sich in weiser Voraussicht an die Gestaltung einer neuen Big-Data-Plattform. Die neue Plattform nutzt BigQuery als Data Warehouse für geschäftliche Daten und stellt einen hochgradig skalierbaren Analytics-Dienst dar, mit dessen Ergebnissen wir im Handumdrehen entschlussfähig sind.

In der Plattform wird der ganze Prozess nun auf folgende Schritte verkürzt:

1. Sämtliche Daten – ob strukturiert oder unstrukturiert, Echtzeit- oder Batch-Daten – werden in BigQuery eingespeist.
2. Marketinganalysten und Data Scientists verknüpfen verschiedene Datenquellen mithilfe von SQL in BigQuery.
3. Auf der Grundlage von Business-Data-Marts in BigQuery werden mit verschiedenen Datentools (z. B. Anaconda, RStudio, Google Cloud Datalab) vor Ort und in Google Cloud Modelle entwickelt.
4. Als Plattform für Berichte und Visual Analytics nutzen wir Tableau. Marketinganalysten und Data Scientists verwenden Tableau für Selfservice-Analytics zu Daten, die in BigQuery gespeichert sind, sowie zur Berichterstattung von Erkenntnissen aus den oben genannten Modellen. Dies hilft uns Tag für Tag bei Echtzeitentscheidungen und liefert obendrein langfristige Erkenntnisse strategischer Art.

Die Integration von Tableau und BigQuery lässt aufgrund des Selfservice-Modells zwei wesentliche Effizienzverbesserungen zu:

1. Zum einen kann das Analytics-Team im Handumdrehen Daten abrufen, verarbeiten und basierend darauf Berichte und Modelle erstellen, ohne für alltägliche Aufgaben die IT-Abteilung hinzuziehen zu müssen.
2. Zum anderen haben Geschäftsanwender in Echtzeit Zugriff auf wichtige Daten, die als Grundlage für schnelle Entscheidungsfindungsprozesse dienen, und können einfache Erkenntnisse ohne Unterstützung durch Analysten selbst gewinnen.

Da alle Daten in BigQuery-Tabellen gespeichert sind, kann mein Team Daten praktisch jeder Größe und in jeder beliebigen Granularität abrufen oder die Daten aufteilen, um sie wie gewünscht in unsere Modelle einzuspeisen. Anschließend haben wir in Tableau die Möglichkeit, die Daten zu untersuchen sowie Berichte und Visualisierungen zu erstellen, die den Endbenutzern die Daten und Modelle veranschaulichen. Mit Tableau können auch unsere Geschäftsanwender kritische Kennzahlen genauer unter die Lupe nehmen, um die Leistung aller Werbeanzeigen, Programme und Kanäle nachzuvollziehen.

Um die beiden oben beschriebenen Effizienzverbesserungen tatsächlich realisieren zu können, benötigte das Marketing-Analytics-Team eine einzelne, zentrale Übersicht über den Kunden. Zunächst kombinieren wir alle Marketingdaten, die das Technikerteam in BigQuery abgelegt hat – einschließlich Kosten- und Klickdaten für Facebook Ads, Google Ads, E-Mails und alle sonstigen Kundenmarketing-Touchpoints. Dann stellen wir mit BigQuery SQL eine Verknüpfung zu Clickstream, Bestelltransaktionen und anderen Metadaten über Kundenaktionen auf Kunden- und Anzeigenebene her. Vor der Einführung von BigQuery war das Kombinieren solch großer Datenmengen unverhältnismäßig zeitraubend. Heute dagegen haben wir binnen Minuten oder sogar Sekunden, je nach Abfrage, die gewünschten Ergebnisse. Dank dieses Zeitgewinns kann das Team basierend auf sämtlichen Aspekten des Kundenverhaltens – darunter Kundenausgaben im zeitlichen Verlauf, Häufigkeit der Interaktion per E-Mail oder Surfgewohnheiten auf der Website – ein Datenmodell erstellen Dieses umfassende Kundendatenmodell lässt sich dann wieder mit den konkreten Werbe- und Marketingkampagnen, die das Verhalten des Kunden beeinflussen, in Beziehung setzen.

Mit diesem Selfservice-Ansatz und unserem Kundenmodell kann sich unser technisches Team voll und ganz auf die wirklich wichtigen Aufgaben wie die Erstellung einer robusten Systemarchitektur zur Optimierung von Werbeanzeigen in Echtzeit konzentrieren. Zudem bieten Marketing Analytics nun die Chance, für das Verständnis unseres Geschäfts maßgebliche Aspekte eingehender zu untersuchen. Seitdem unsere Geschäftsanwender mit Tableau viele Fragen selbst stellen und beantworten oder eigene Datenansichten erstellen können, muss sich unser Team nicht mehr mit dem Klein-Klein von Berichtsaktualisierungen oder einfachen Datenänderungsanfragen herumschlagen. Stattdessen können wir die zulily-Datenplattform heute zur Entwicklung fortgeschrittener Machine-Learning-Modelle einsetzen, mit denen das Unternehmen seine Kundenakquise optimieren und das Verständnis der Kundenerfahrung verbessern kann.

Die Verfügbarkeit sämtlicher zulily-Daten in BigQuery macht es uns möglich, ein solides Machine-Learning-Modell zur Vorhersage des Customer Lifetime Value (CLV) zu erstellen. Als Eingangsdaten dienen unterschiedliche Kundenverhalten; die Ergebnisse werden dann zu konkreten Marketingkampagnen in Bezug gesetzt, um die langfristige Leistung zu messen.
Dazu ziehen wir einen historischen CLV-Wert heran, mit dem wir umsatzstarke Bestandskunden ermitteln. Anschließend gleichen wir mit Gradient Boosting über 1.000 Transaktions- und Verhaltensvariablen ab und testen Hunderte Modelle. Am Ende bleiben etwa 30 Schlüsseleigenschaften als Einflussfaktoren zur Prognostizierung des Customer Lifetime Value übrig.

Das Ergebnis ist ein Modell, das sehr genaue Vorhersagen über die Wahrscheinlichkeit zulässt, dass ein zulily-Neukunde einen hohen CLV erreicht. Diese Vorhersagen können wir dann mit Marketing-Datensätzen in BigQuery verknüpfen. Die kombinierten Marketing-Leistungsdaten lassen sich in hoch dynamischen und individuell anpassbaren Dashboards – intern Channel Metrics Dashboard (CMD) genannt – auf unserem Tableau-Server darstellen. Mit CMD können der Marketingkanal-Manager und die jeweiligen Experten aus historischen und prognostizierten Daten spielend leicht ihre eigenen Erkenntnisse ableiten, indem sie Kennzahlen, Datumsbereiche und sogar die gewünschte Granularität auswählen. So lassen sich direkt auf dem Server individuelle Graphen und Berichte erstellen. Dank dieser Lösung ist das Marketingteam von zulily heute imstande, im Nu Entscheidungen über die Optimierung von Werbeanzeigen, E-Mails und Angeboten für diejenigen Kunden zu treffen, die am besten auf zulily-Aktionen reagieren.

Beim Umstieg auf diese neue Datenplattform erhielten wir viel Hilfe und Unterstützung sowohl von unserem zulily-Technikerteam als auch von den Google Cloud-Ingenieuren und den Tableau-Wartungstechnikern.

Im zweiten Teil dieser Reihe verraten Ihnen Experten von Google Cloud und Tableau einige Tipps und Tricks zur Integration von BigQuery und Tableau – es lohnt sich also, dranzubleiben!