Πυροδοτείται ένα γεγονός. Καταγράφει μια αγορά. Το ποσό της αγοράς πρέπει να είναι $99. Καταγράφει όμως $990. Η υποδιαστολή είναι λάθος. Αυτά είναι κακά δεδομένα. Πυροδοτείται ένα γεγονός. Πρέπει να πιάσει μια κατηγορία προϊόντος. Δεν πιάνει τίποτα. Αυτά είναι δεδομένα που λείπουν. Τα κακά δεδομένα στρεβλώνουν τα analytics σου. Ακολουθούν λάθος συμπεράσματα. Παίρνεις αποφάσεις με βάση λάθος αριθμούς. Η ποιότητα δεδομένων είναι κρίσιμη. Κάθε γεγονός πρέπει να πιάνει ακριβή δεδομένα. Κάθε παράμετρος πρέπει να έχει τη σωστή τιμή. Αυτό απαιτεί προσεκτική ρύθμιση και συνεχή παρακολούθηση.
Αυτό το άρθρο εξηγεί πώς εξασφαλίζεις ότι οι παράμετροι γεγονότων πιάνουν ποιοτικά δεδομένα.
Γιατί μετράει η ποιότητα δεδομένων
Τα analytics είναι χρήσιμα μόνο αν τα δεδομένα είναι ακριβή. Αναλύεις ποσοστά μετατροπής. Βελτιστοποιείς με βάση τους αριθμούς. Αν όμως οι αριθμοί μετατροπών είναι λάθος, η βελτιστοποίησή σου είναι λάθος. Μπορεί να βελτιστοποιήσεις το λάθος πράγμα. Μπορεί να χάσεις ευκαιρίες.
Τα κακά δεδομένα συσσωρεύονται. Ένα μικρό λάθος σε ένα γεγονός γίνεται μεγάλο λάθος στο σύνολο. Αν το 10 τοις εκατό των γεγονότων αγοράς έχει λάθος ποσά, οι αριθμοί εσόδων σου αποκλίνουν κατά 10 τοις εκατό. Είναι σημαντικό λάθος για τις επιχειρηματικές αποφάσεις.
Η ποιότητα δεδομένων χτίζει εμπιστοσύνη. Η ομάδα σου εμπιστεύεται τα analytics όταν οι αριθμοί είναι ακριβείς. Παίρνει αποφάσεις με βάση αυτά. Αν τα δεδομένα είναι αναξιόπιστα, σταματά να τα εμπιστεύεται. Σταματά να χρησιμοποιεί τα analytics.
Όρισε με ακρίβεια τις παραμέτρους γεγονότων
Πριν φτιάξεις ένα γεγονός, όρισε τι πρέπει να περιέχει κάθε παράμετρος. Όνομα παραμέτρου. Περιγραφή παραμέτρου. Τύπο δεδομένων της παραμέτρου. Αναμενόμενο εύρος τιμών. Από πού έρχεται η τιμή.
Η παράμετρος ποσού αγοράς πρέπει να ορίζεται σαφώς. Είναι το σύνολο με φόρο και μεταφορικά; Ή μόνο το κόστος προϊόντος; Είναι σε λεπτά ή σε δολάρια; Είναι συμβολοσειρά ή αριθμός; Όρισέ το με ακρίβεια. Η υλοποίηση εξαρτάται από αυτό.
Κατάγραψε κάθε παράμετρο. Η τεκμηρίωση αποτρέπει τη σύγχυση. Ένας προγραμματιστής που υλοποιεί το γεγονός ξέρει ακριβώς τι να πιάσει. Ένας αναλυτής που διαβάζει τα δεδομένα ξέρει τι αντιπροσωπεύουν.
Πιάσε δεδομένα από τη σωστή πηγή
Η ποιότητα δεδομένων εξαρτάται από το να τα πιάνεις από τη σωστή πηγή. Το ποσό αγοράς πρέπει να έρχεται από το σύστημα επεξεργασίας παραγγελιών. Όχι εκτίμηση. Όχι είσοδο του χρήστη. Το πραγματικό επιβεβαιωμένο ποσό.
Η κατηγορία προϊόντος πρέπει να έρχεται από τη βάση δεδομένων προϊόντων. Όχι από ό,τι έγραψε ο χρήστης. Όχι από εικασία. Η έγκυρη κατηγορία.
Πάρε τα δεδομένα όσο πιο κοντά στην πηγή γίνεται. Τα πραγματικά συστήματα συναλλαγών ξέρουν τα πραγματικά ποσά. Οι πραγματικές βάσεις δεδομένων ξέρουν την πραγματική κατηγοριοποίηση. Τράβηξε από εκεί. Μην υπολογίζεις και μην εκτιμάς.
Επικύρωσε τα δεδομένα πριν πυροδοτηθούν τα γεγονότα
Επικύρωσε τα δεδομένα πριν τα στείλεις στα analytics. Έλεγξε ότι το ποσό αγοράς είναι αριθμός. Έλεγξε ότι είναι θετικό. Έλεγξε ότι το ID προϊόντος υπάρχει.
Η επικύρωση πιάνει τα λάθη πριν γίνουν προβλήματα στα analytics. Ένας προγραμματιστής κάνει λάθος. Η επικύρωση το πιάνει. Τα δεδομένα δεν φτάνουν ποτέ στα analytics. Το γεγονός πυροδοτείται με καλά δεδομένα.
Συνηθισμένες επικυρώσεις είναι ο έλεγχος τύπου (είναι συμβολοσειρά, αριθμός ή ημερομηνία), ο έλεγχος εύρους (είναι μέσα στις αναμενόμενες τιμές) και ο έλεγχος ύπαρξης (υπάρχει το αντικείμενο στο οποίο αναφέρεται).
Χρησιμοποίησε συνεπή ονόματα παραμέτρων
Η ονομασία των παραμέτρων έχει σημασία. Αν ένα γεγονός ονομάζει μια παράμετρο «amount» και ένα άλλο «purchase_amount», οι αναφορές σου τις αντιμετωπίζουν ως διαφορετικές παραμέτρους. Δεν μπορείς να τις συγκρίνεις.
Φτιάξε ένα πρότυπο ονομασίας. Όλες οι χρηματικές τιμές χρησιμοποιούν την κατάληξη «_amount». Όλα τα ID χρησιμοποιούν την κατάληξη «_id». Όλες οι μετρήσεις χρησιμοποιούν την κατάληξη «_count». Εφάρμοσε το πρότυπο με συνέπεια.
Μόλις ονομάσεις μια παράμετρο, μην την αλλάξεις. Η αλλαγή ονομάτων παραμέτρων χωρίζει τα δεδομένα σου. Τα παλιά δεδομένα είναι κάτω από το παλιό όνομα. Τα νέα κάτω από το νέο. Οι αναφορές δείχνουν χωρισμένα δεδομένα. Φρόντισε να είναι σωστή η ονομασία πριν βγεις live.
Χειρίσου οριακές περιπτώσεις και δεδομένα που λείπουν
Κάποια δεδομένα είναι δύσκολο να τα πιάσεις. Συναλλαγές εκτός σύνδεσης. Συναλλαγές από παλιά συστήματα. Ελλιπείς πληροφορίες χρήστη. Πώς χειρίζεσαι τα δεδομένα που λείπουν;
Μη στέλνεις ποτέ γεγονότα όπου λείπουν κρίσιμες παράμετροι. Αν δεν μπορείς να πάρεις το ποσό αγοράς, μην πυροδοτήσεις το γεγονός αγοράς. Στείλε το γεγονός μόνο όταν έχεις πλήρη δεδομένα.
Για προαιρετικά δεδομένα, χρησιμοποίησε null ή κενή συμβολοσειρά με συνέπεια. Μη χρησιμοποιείς «unknown» σε ένα σημείο και «N/A» σε άλλο. Ο συνεπής χειρισμός των δεδομένων που λείπουν κάνει την ανάλυση ευκολότερη.
Παρακολούθησε την ποιότητα δεδομένων με τον χρόνο
Η ποιότητα δεδομένων χειροτερεύει με τον χρόνο. Οι ενσωματώσεις χαλάνε. Τα συστήματα αλλάζουν. Ό,τι δούλευε τον περασμένο μήνα μπορεί να χαλάσει αυτόν τον μήνα. Παρακολούθησε συνεχώς.
Έλεγξε για απροσδόκητα μοτίβα. Τιμές null εκεί που δεν πρέπει. Ακραίες τιμές στα ποσά. Παράμετροι που λείπουν. Στήσε ειδοποιήσεις. Αν κάτι φαίνεται λάθος, ψάξε τον λόγο.
Έλεγχε τακτικά τις αναφορές ποιότητας δεδομένων. Οι περισσότερες πλατφόρμες analytics έχουν αναφορές ποιότητας δεδομένων. Χρησιμοποίησέ τες. Πιάσε τα προβλήματα νωρίς.
Συχνές ερωτήσεις
Πώς δοκιμάζουμε αν οι παράμετροι γεγονότων πιάνουν σωστά;
Χρησιμοποίησε αναφορές πραγματικού χρόνου. Κάνε την ενέργεια. Παρακολούθησε την αναφορά. Έλεγξε ότι το γεγονός εμφανίζεται με τις σωστές παραμέτρους και τιμές. Χρησιμοποίησε τα εργαλεία προγραμματιστή του browser. Εξέτασε τα δεδομένα πριν σταλούν στα analytics. Επαλήθευσε ότι ταιριάζουν με τις προσδοκίες. Με τον δημιουργό ιστοσελίδων του WEMASY, μπορείς να το στήσεις απευθείας στην ιστοσελίδα σου.
Τι κάνουμε αν η τιμή μιας παραμέτρου είναι πάντα κενή;
Τα δεδομένα δεν καταγράφονται. Έλεγξε την υλοποίησή σου. Είναι σωστά ρυθμισμένη η παράμετρος; Είναι διαθέσιμα τα δεδομένα όταν πυροδοτείται το γεγονός; Υπάρχει πρόβλημα χρονισμού; Βρες το πρόβλημα στην πηγή. Μη στέλνεις κενά δεδομένα. Διόρθωσε τη ρίζα του προβλήματος.
Μπορούμε να μετονομάσουμε μια παράμετρο αφού έχουν συλλεχθεί δεδομένα;
Τεχνικά ναι, αλλά μην το κάνεις. Τα παλιά δεδομένα μένουν κάτω από το παλιό όνομα. Τα νέα πάνε κάτω από το νέο. Οι αναφορές σου δείχνουν χωρισμένα δεδομένα. Φρόντισε να είναι σωστό το όνομα από την αρχή. Αν πρέπει να μετονομάσεις, σχεδίασε τον χωρισμό των δεδομένων.
Πώς χειριζόμαστε το νόμισμα στις παραμέτρους γεγονότων;
Κατάγραψε ξεχωριστά το αριθμητικό ποσό και τον κωδικό νομίσματος. Το ποσό σε μια παράμετρο όπως «purchase_amount». Το νόμισμα σε μια παράμετρο όπως «currency_code» με τιμές όπως «USD» ή «EUR». Έτσι μπορείς να αναλύεις ανάμεσα σε νομίσματα.
Να αποθηκεύουμε ακατέργαστα ή μορφοποιημένα δεδομένα στις παραμέτρους;
Αποθήκευσε ακατέργαστα δεδομένα. Ποσά σε λεπτά, όχι σε δολάρια. Timestamps σε μορφή ISO, όχι σε μορφή για ανθρώπους. Τα μορφοποιημένα δεδομένα είναι πιο δύσκολα στην ανάλυση και τη σύγκριση. Τα ακατέργαστα δεδομένα είναι πιο ευέλικτα. Μορφοποίησέ τα στις αναφορές αν χρειάζεται.
Ποιο είναι ένα λογικό ποσοστό λαθών στα δεδομένα γεγονότων;
Ο στόχος είναι μηδέν. Στην πράξη όμως, κάτω από 1 τοις εκατό είναι αποδεκτό. Κάποιες οριακές περιπτώσεις θα έχουν προβλήματα. Τα παλιά συστήματα μπορεί να μην έχουν δεδομένα. Αν όμως τα ποσοστά λαθών ξεπεράσουν το 1-2 τοις εκατό, ψάξε και διόρθωσε τη ρίζα του προβλήματος.