ShopifyQL ノートブック: コマースレコードでクエリを簡素化

最近リリースされた ShopifyQL Notebooks は、マーチャントが業界の指標がどのように変化しているかを調査し、スワップの理由を認識し、豊富なデータの話としての調査結果。 ShopifyQL ノートブックは、まさにその質問言語 ShopifyQL と、特にコマース用に構築されたデータデバイスによって強化されています。マーチャントに加えて、Shopify コンパニオンは、ShopifyQL とコマースデータデバイスを使用して、ニッチなマーチャントのニーズに対応するアプリをプロットできます。

コマースデータデバイスを構築する際に、業界に精通した顧客が SQL の専門知識がなくても直感的なシステムでデータを問い合わせることができるようにするために、私たちの重要なレベルの好奇心がかつてありました。このビジョンを実現するために、当社のコマースデータデバイスは、さまざまな業界プロセスのある段階でマーチャント業界の主要な指標をカプセル化します。例として、純粋な業界の質問は、「先月の製品 X の売上と購入からキャプチャへの変換メトリクスは?」です。これまでは、営業部門とマーケティング部門が所有するデータソースにクエリを実行し、その 2 つを結合する必要があったため、おそらくデータアナリストがこの質問に同意する必要がありました。

構築クエリを簡素化する計画を備えたコマースデータデバイスは、以前は煩わしいものでした。私たちは、マーチャントが回答する必要がある業界の質問を完全にまとめることから始めました. 次に、これらの質問に答えるために、データモデルに restful を含めることができる列を定義します。最後に、データモデルの道徳的な粒度を解決する必要がありました。つまり、データモデルの各行は何を意味するのでしょうか。コマースデータモデルを構築する際に直面した関連するプロットは、例として、前述の販売データとマーケティングデータの間で、さまざまなデータセットの粒度の適応を調整することでした。これらすべてに加えて、データモデルが非常に巨大なマーチャントに対してもフラッシュのような結果を返すことを確認する必要がありました.

マーチャントに提供するデータデバイスが原因である必要があります. -プッシュされ、探索可能で、拡張可能です。これらのそれぞれのシークをさらに詳細に蓄積してみましょう. 私たちの場合、商品、注文、可能性に相当するさまざまなドメインのある段階で、商取引関連の質問に顧客が同意する必要があります。モデルを構成するデータについて意見を述べたいと思います。すべての列は、その人物への提案において明確な目標を持っています。

探索可能なデータデバイスは、最高の粒度、かなりの次元、複雑ではない組み合わせのメトリックで構築されています。最良の粒度を見つけることは、最良のバランスをとることです。例として、データモデルの各行を 2 番目の時間単位にする必要がありますか? 顧客は、2×2 の基盤でデータから Web への選択を必要とするでしょうか? 私たちの場合、承認はおそらくもうありません。一方で、データモデルを構築して月ごとの時間粒度を使用することは、お客様にとってもはや明示的に十分ではありません。コマースでは、顧客がウェブ上の道徳的選択を希望する規模についても意見を述べています。一例として、マーチャントに重要な「販売チャネル」と「商品名」のディメンションを提供し、マーチャントにとって最も重要なトピックをドリルダウンできるようにしました。

すべての次元のある段階で完全に追加的なメトリクスを顧客に提供することで、Web 探索データセットをより単純にすることができます。これは、利用可能なすべての次元に適合する機能の組み合わせについて、顧客が災害を望んでいないことを意味します。肉厚な加法的メトリックの利点を称賛する声で、他の 2 種類のメトリック、準加法的メトリックと非加法的メトリックを認識してみましょう。以下の不貞データをシークしてみましょう:

イベントの場所

商品名

お声をかけてくださったお客様

不適切売上

サーバ価値%

2022-01-02

一番簡単なTシャツ

$60

2022-01-02

クールジーンズ

$200

10%

2022-01-0 3

すごい絆

$1345

20%

2022-01-03

一番簡単なTシャツ

$90

このデータセットには 5 つの刺激的な可能性があります。すべての顧客がさまざまな商品を注文しました。例として、顧客 1 は「最も簡単な T シャツ」と「クールなジーンズ」にボイスを配置しました。「声を唸らせる可能性」は、寓話の半加法的指標です。毎日の合計可能性を計算するために列を合計しようとすると、可能性を二重に数えることになります。一方、「不適切な販売」は、ある段階で「Event At」ディメンションと「Product Name」ディメンションの両方で合計されるという話に完全に加算されます。「サーバーの価値 %」メトリックは非加算的であり、どのスケールでも合計することはできません。もしそうなら、あなたは多分100%以上の素晴らしい評価で終わるでしょう。彼または彼女が機能するために、これらのデバイスの上に構築します。販売データモデルを使用して人物を表示するとします。おそらく、その人は、顧客の喜びを音楽にするための毎週の顧客維持費モデルを構築することに惹かれます。また、データデバイスを構築するときに、これらすべての抽象化を提案で安静に保存することもできます。同様に、お客様がモデルで提供するものからさまざまなメトリックを作成できるようにすることもできます。例として、次のデータを使用して、売上の指標を取得して顧客を作成したいと考えています:

不適切な販売

担当者売上

戻り値

運送

割引

$500.00

$30.00

$10.00

$50.00

)
$420.00

私たちのデータセットでは、Rep Sales を次のように計算します:
Rep販売=不適切な販売 – 返品 – 値引き

しかし、お客様が望んでいるのは輸送手段です。彼らの取得の e 売上計算。「担当者の売上」メトリックのため、同じディメンションで組み合わせて使用できるようにする必要があります。

商品、
注文、およびベンチマークデータセット。私たちは、お客様がさまざまな程度の技術データを喜んでいただけるように、これらのデータデバイスを構築しました。データモデルに必要なプロパティを概説しました。この後半では、これを製造するためのテクニックをお伝えします。おそらく、さまざまな方法でデータモデリングを意図しているようです。これが私たちのために働いた意図です。

1 . 代替質問のチェックリスト付き配信

最初のステップは、あなたやあなたの顧客にとって重要な指標とディメンションを理解することです (私たちにとってそれはマーチャントです)。これにより、顧客は山積みのデータの話を口にすることができ、スリザーの確実な計画を概説するよう促されます。私たちの場合、私たちの商人が彼または彼女の最高の変換商品のマーケティングキャンペーンを作成するというこの流行.

私たちは、プロダクトマネージャー、UX リサーチャー、その他のドメインコンサルタントと何度も会話を交わすことで、この計画に近づきました。あなたやあなたの顧客が蓄積できる機能アクションをもたらすために、これらの問い合わせに満足してください。ここに、マーチャント向けに用意した 2 つの質問があります:

私の高値の変換手数料はいくらですか
宣伝効果の高い商品の変換手数料がわずかに増えるだけで、収入に大きな影響を与えることができます。

プロモーションに成功していない商品はどれですか?
今までの商品チェックリスト定期的に検討されていますが、それにもかかわらず、もはや高い宣伝ではありません.

目標は、業界の疑問をできるだけ多く書き留めてから、それらを分解して、データを構成するデータ列のリストを作成することですモデル.

2. Bear Mock Records

モックデータを増やすと、データモデルがモラルの粒度に基づいており、モラルの列が含まれていることを確認できます。これを実行するには 2 つの方法がありますが、私は通常、Google スプレッドシートを作成し、手動でデータを作成します。私は十分なモックデータを作成し、各列の刺激的な値のペアを楽しんでいます。その後、BigQuery または Trino に相当する別のデータプラットフォームに問題なくロードできる可能性があります。商品モデルの場合、データは次のように見えました:

データがクエリ可能になったので、おそらく書き込みクエリも開く可能性があります。すべての業界の質問に対して、質問を承認できる対応する質問に安らかな喜びを感じることができます。 ShopifyQL ノートブックでは、これらを「テンプレート」として扱います。テンプレートを使用すると、提供されたデータからおそらく利益を得る可能性があるモデルを認識することができます。

これは、業界の質問「私のコンバージョン率の高い商品は何ですか?」の質問とその結果 (模擬データの使用) の例です:

ShopifyQL には have 構文と組み合わせ関数があるため、モックデータにクエリを記述することで、言語は最良のデータが与えられた業界の質問を認識することができます。

3. Get the Records

では、データレイクを精査してデータを取得します。ステップ 1 と 1 対のヘルプ音声で、どのデータを検索するか、またはそれ以上を検索することが重要です。データモデルをプロットすることが重要ではないテーブルの合計リストを用意してください。データが存在しない場合は、それを構築するための実現をまとめて配置します。下の図では、商品モデルを構築するために必要な総上流データの最高の表現もおそらく検出できる可能性があります.

4. 記録の品質と一貫性を評価する
記録の効果と一貫性は、顧客と一緒に信頼を得るために非常に重要です。ユーザーは、下品な値や欠落したデータを検出しなくなり、安心することもできます。下品なデータを確認するには、しばらく時間をかけて、データモデルのさまざまな列の分布を分析してください。外れ値、欠落データ、無効なデータについては、声を上げてください。

私たちの探索的データ予測の実施に関する公開モデルに関する追加の山のような提案については、おそらくデータの有効性も評価する可能性があります。

データの欠落と外れ値に加えて、データの一貫性を示すプロットもあります。記録は、組織のある段階で常に多くの場所で複製されます。データがさまざまなデータデバイスでさまざまな方法で変換される場合、これにより、場合によっては問題が発生する可能性があります。ユーザーは、2 つのさまざまな場所にあるさまざまな数の窮屈な小さなビットを検出することもできます。例として、Shopify では、Shopify 管理画面の多くの部分で商品に関するデータをフロアに表示しています。 Shopify 管理画面は、マーチャントが Shopify にログインしたときに表示される場所です。 Shopify 管理者は、マーチャントがストアを立ち上げ、設定を構成し、業界に対応するのを支援します。マーチャントが、Shopify 管理画面の 1 回のうなり声で特定の製品の総閲覧数の指定を確認した場合、それは他の場所とも一致します。一致しない場合は、なぜその人が不一致を見ているのか、連絡を取り続けるようにしたいと思います.

5. モデルの鮮度を評価する
情報は、データモデルに対するすべてのクエリに対して一意であり、パフォーマンスが高い必要があります。上流のデータセットにもよりますが、通常、鮮度は適切なプロットバックであり、顧客に対するデータモデルのレート提案を低下させます。例として、計算量が多く、プロット時間が長いアップストリームデータモデルを喜んで使用する可能性があります。これは、モデルの鮮度にも役立ちます。あなたのモデルの鮮度は、最もユニークでないアップストリームモデルと同じくらい道徳的です。私たちの商品モデルの。利害関係者に通知し、モデルの鮮度が許容可能であり、個人の旅を低下させないことを輝かせます。

6. モデル効率の評価

モデル効率も 2 つのコースに分けられます:

プロット時間
と質問効率。モデルプロット時間とは、データパイプラインが入力データセットをまとめて最終モデルにステッチするのにかかる時間を指します。プロット時間を最適化するさまざまな方法があります。

商品モデルのプロット時間を改善したシステムの 1 つは、データパイプラインを肉厚データモデルから増分データモデルに変更することです。フレッシュフォールデータモデルとは、フレッシュデータモデルが現在のデータモデルを新しいデータモデルに完全に置き換える場合です。増分データモデルでは、モデル内の現在のデータと提供される一意のデータとの間の適応を最適にロードする必要があります。

インクリメンタルデバイスは、データモデルのプロット時間を大幅に強化することができます。一方で、インクリメンタルデバイスは肉付きの良いものよりも入手が困難ですが、私たちの場合、利点は料金をはるかに上回ります. 私たちのユースケースの最初の利点は、効率的に取り出す必要がありました。インクリメンタルデバイスパスは、一度にはるかに少ないデータのパスを作成するため、肉付きの良いデータデバイスよりもモデルプロットインスタンスが早くなります。インクリメンタルデバイスも、現在のデータからさまざまな一意のデータが取りまとめられているため、非常に煩わしいものです。この一意の受信データは、データモデルの肉厚な履歴の再構築を必要とする余分な列で構成されている可能性があります。最後に、増分デバイスは通常、データパイプラインに追加の依存関係を必要とするため、クルーによる監視に余分な時間がかかります。

需要効率には、データモデルに反して書かれたクエリをいかに急いで完了するかという質問エンジン (私たちにとっては ShopifyQL) が伴います。過剰なカーディナリティ列も GROUP BY にとって煩わしいため、ロールアップが必要になります。データセットの粒度を考えると、多くの行をスキャンして目的の結果を生成したいと思うかもしれません。選択した時間枠が大きいほど、余分な行も安静にスキャンできます。これは、場合によっては、おそらくクエリの背後にあり、望ましくない人の移動につながる可能性があります. 一方で、データがぎこちなく壊れている場合、またはもはやスワップする責任がなくなるとすぐに (例として、月に記録した売上の修正を求める責任がなくなります)。今まで)。また、取得したいデータの粒度もわかっています。例として、各製品タイトルごとに日々の売り上げを上げたいと考えており、必要な最高の粒度は毎日です。そのため、製品ごとに 1 日の合計行を 1 つの行に「ロールアップ」し、それを別のデスクに保存できます。このデスクを介してシークを行うと、スキャンする行が少ないため、生データを使用してデスクでシークを行うよりもはるかにコストがかからず、処理も早くなります。この道のりは、非常に多くの質問のインスタンスを強化し、驚くべきより大きな個人の旅につながる可能性があります。

この半分では、ShopifyQL ノートブックを使用して、Shopify の商品データモデルもクエリされる仕組みを指摘します。マーチャンダイズデータモデルは、商品がどのように宣伝され、変換されているかについてマーチャントに伝えるために構築されています。

当社の商品がどのように変換されているかを探してみましょう.

私は今、質問の宝物を認める立場にいます。

また、チェックアウト時に放棄された商品に相当する、強化したい商品を確立するためのクエリを作成する立場にあります.

マーチャンダイズモデルを使用すると、顧客は、商品ページやチェックアウトまでの過程で魅力的な可能性を認識することができます。消費者ストリークを解決し、ウェブサイトの訪問者を支払いの可能性に変える際のボトルネックを把握することは、収入を改善するために非常に重要です. 重要なポイントを確認しましょう:

レコードデバイスが原因である必要があります-プッシュされ、探索可能で、拡張可能です。
業界の質問のリスト. 利害関係者とドメインコンサルタントに通知して、データモデルが解放するはずの活力をよりよく認識します.
模擬データを用意して質問してください。 ShopifyQL が業界の質問を確実に認識できるようにするために、不誠実なデータに対抗して適切なクエリを書き留めたい. アクセス可能なデータを確認してください。データモデルをプロットするために必要なアップストリームデータデバイスを確立します。
データモデルの有効性、鮮度、効率性を評価します。 これらは提供において非常に重要です。おいしい人の旅。
コーディ・マザ＝アンソニー

は、Insights クルーのシニアレコードサイエンティストです。 Cody は、マーチャントが業界を発展させるための賢明な方法を構築することを楽しんでいます。コーディに参加したい場合は、LinkedIn.
私たちの
理工学系職種のページで、当社の出身職種を検索できます。私たちの遠く離れたクルーに参加して、(ほとんど) どこでも働きましょう。まとめて長期的である未来を創造するために、私たちがどのように採用しているかについて学んでください。作成者によるデジタル.

𝚆𝚊𝚝𝚌𝚑 𝙽𝙾𝚆 📺