MAQL II. - MAQL Reuse factů & Nesting metrik | Mňamka #454
Papír do modrého, plast do žlutého a barevné sklo do zeleného. Recyklujeme, abychom znovu využili suroviny a neplýtvali zdroji. Stejně tak je tomu i s daty. Pokud už někde máme zpracovaná data, ze kterých potřebujeme vycházet, můžeme je využít a ušetřit si čas i zdroje.
V minulém článku jsme si osvětlili rozdíl mezi SQL a MAQL. Jestli ještě nevíte, o čem mluvím, tak tady se můžete nachytřit. Dnes se trochu zaměříme na výhodu metrik vytvořených přes MAQL a jejich recyklaci. K čemu všemu nám mohou být metriky dobré?
Reuse factů
Když poprvé otevřu nástroj Analyzer v GoodDatě, může se zdát, že pro jednoduché agregační metriky mi bohatě stačí loupnout si nějaký fact, tedy číselnou hodnotu, rovnou do kolonky určené pro metriky. GoodData sama mi z factu metriku jednoduchou agregací vytvoří a já si ušetřila půl minuty práce. Teď. Ale v budoucnu mě to může taky spoustu času stát, a to úplně zbytečně.
Chytřejší řešení je totiž si z agregace factu, i z úplně jednoduchého, udělat nejprve metriku pomocí MAQL. Pokud totiž budu stejnou sumu mého factu, říkejme mu třeba Suma tržeb za malinové palačinky, využívat ve více než jednom insightu, a že se mi to dozajista časem stane, házím prakticky PET láhve do směsného odpadu.
Problém totiž přichází, když zjistím, že potřebuji napříč celým workspacem najít všechny tyhle moje Sumy tržeb za malinové palačinky a udělat z nich třeba Sumy tržeb za palačinky s lesním ovocem. To jsem dosti nahraná, protože výskyt metrik si můžu snadno dohledat, například přes GD extension, ale facta, nějak upravená jednotlivě pro každý insight stejně, najdu už hůře.
Když si to shrneme, použití metrik v insightech místo factu má následující výhody:
- Nemusím upravovat fact několikrát stejně
- Při změně na jednom místě se mi kaskádovitě změní všechny výskyty
- Snadno dohledatelné použití metriky
Nesting metrik
Nesting metrik je použití metriky v metrice další. Funguje to tedy jako matrjošky, metriku zabalíme do jiné metriky a tuhle metriku opět můžeme zabalit do metriky další, a dokud nás to baví, můžeme pokračovat. Velkou výhodou je, že si nabalujeme logiku agregací či filtrů postupně a u složitějších metrik to nejen velmi zlepší přehlednost, ale i ušetří znovuvytváření stejného kódu. A v případě, že se zpětně potřebujeme vrátit a zjistit, co dělá nestovaná metrika, stačí nám jeden klik na ni, a to je velmi rychlé řešení.
Výhody nestingu metrik:
- Mnohonásobné použití stejné logiky
- Orientace ve složitějších metrikách
- Změna v jedné metrice ovlivní kaskádovitě všechny ostatní
A co vy? Jste ekologičtí při stavbě metrik v GoodDatě?
Pilíře úspěšného datového projektu | Mňamka #544
V Bizztreatu máme za sebou desítky datových projektů napříč různými odvětvími např. jako e-commerce, retail, výroba, média nebo obchod. Z praxe víme, že mnoho datových projektů selhává – nedoručí očekávaný přínos, uvíznou na půli cesty nebo se zacyklí v nekonečném „ještě to ladíme“. Bez ohledu na typ projektu či sektor platí, že úspěch vždy stojí na pevných základech – pilířích, které rozhodují o tom, jestli výstup skutečně přinese byznysovou hodnotu. Právě proto je klíčové zaměřit se na to, co dělá datový projekt opravdu úspěšným. Tak pojďme na to.
Ikony v reportu: Zaujměte na první pohled a zjednodušte navigaci | Mňamka #543
Vizuální zkratky, které promění datovou džungli v přehlednou mapu. Zjistěte, jak s pomocí ikon zjednodušit navigaci, zvýraznit klíčové informace a proměnit suchá data v poutavý příběh. Naučte se vybírat vhodné ikony, pracovat s nimi efektivně a odhalte, proč je jejich správné použití klíčové pro srozumitelnost a úspěch vašich reportů.
Jak předvídat chování zákazníků: Churn, životní hodnota a další klíčové ukazatele | Mňamka #542
Porozumění chování zákazníků a jeho predikce jsou dnes klíčové pro firmy, které chtějí budovat loajalitu, zlepšit cílení kampaní a efektivně řídit své marketingové investice. Jak předpovědět, kdy zákazník odejde, jakou má pro firmu hodnotu nebo kdy s největší pravděpodobností znovu nakoupí? V článku se podíváme na klíčové koncepty, jako je predikce odchodu zákazníků (churn), výpočet jejich životní hodnoty (Lifetime Value), odhad pravděpodobnosti další interakce či modelování sklonu k nákupu. Získané poznatky mohou pomoci vytvářet efektivnější marketingové strategie a lepší zákaznickou zkušenost.