使用 Metabase 进行自助式产品分析

作为一名产品经理，我很高兴能够在日常工作中依靠数据。我知道我可以流畅地工作，而不会因缺少所需的洞察而被打断。我的目标是通过为我的团队提供所需的仪表板和有用的数据可视化，来培养他们的数据素养。这有助于我们保持在正轨上，并提前发现趋势和绩效变化。

但并非一直如此。

我过去常常使用大型 Google 表格，这些表格超过 1 万行，速度非常慢。我构建了大量的透视表来分析数据，仅仅等待结果就花费了很长时间。

通过学习 SQL，我将自己从这种情况中解救出来。我与我的经理进行了交谈，并获准测试 Google BigQuery，并获得了一位数据工程师的帮助。这为我们的自助式产品分析奠定了基础。

我如何使用 Metabase 为我的产品团队设置自助式分析

我目前的一项职责是弄清楚报告应该是什么样子以及如何构建它们。通过与数据工程师紧密合作，我们准备了所有基础设施，以便我们的团队可以做出数据驱动的决策。

我们将 Metabase 设置为我们基于 Google BigQuery 的商业智能工具。通过 API，我设置了我们的第三方数据以每天提取。一些数据仍然存储在 Google 表格中，但现在也已连接到 Google BigQuery。我还使用 dbt 来转换所有原始数据以进行进一步分析。

以下是我遵循的步骤

确保数据每天都提取。
- 一些广告网络通过 API 提供他们的数据（例如，Audience Networks Ads API、Google Ad Manager API）。我使用 Google Cloud Function 安排每日运行，以将数据导入 Google BigQuery。
- 一些广告网络要求我们从他们的后台或电子邮件下载数据。我没有每天手动下载 CSV/XLS，而是使用 Python 脚本将 CSV/XLS 格式传输到 Google BigQuery。
- 我添加了测试作为监控，以检查数据是否每天都提取。如果没有，我将收到 Slack 频道的警报。
为数据转换做准备。
- 所有原始数据都存储为 Google BigQuery 中的 raw_XX 表（见下图）。
- 有些表格在连接到 Google BigQuery 的 Google 表格中手动编辑。这些是业务规则，例如，我们合作的广告网络和我们添加的广告单元。请参阅下面的 All_Adunits_v2。
传输原始数据
- 我的目标是构建 report_adnetwork 和 report_adrevenue。report_adnetwork 整合了所有原始数据和业务规则，以便轻松查看来自广告网络的广告单元的展示次数。report_adrevenue 是 `report_adnetwork` 的扩展，因此我可以轻松比较来自所有广告网络的广告单元的展示次数。
根据传输到 Google BigQuery 的数据创建仪表板。

以下是结构：原始数据 → 按广告网络划分的表 → 按广告收入划分的表

an image with data sctructure of Karen's project

最终表格显示了不同时期的收入。借助此表格，我的团队可以从不同角度分析数据：按平台、按广告网络、按广告单元等。

对于许多项目，我使用 Metabase 和 Google Data Studio 来帮助我。我的团队非常喜欢使用 Metabase 仪表板订阅功能，该功能将报告发送到我们公司的 Slack 频道，并将最重要的指标展示在我们面前。我们还使用 Data Studio 用于我们的一些自助服务仪表板。

即使我花了几个月的时间来学习和构建仪表板，它也帮助我的团队更好地了解了我们的绩效。

作为产品经理，我从这种数据驱动的方法中受益匪浅。当出现任何对话时，我可以快速提取所有需要的信息并做出周全的决策。

最好的事情是数据通常为自己说话并团结团队。当我们进行实验时，我们都看到它们的表现，并且我们不再花费时间争论它。