Το Google Data Studio έχει εξελιχθεί σε ένα από τα καλύτερα visualization reporting tools στον κόσμο, ενώ χρησιμοποιείται από όλο και περισσότερους digital marketers και data analysts.
Το Data Studio σου επιτρέπει να οργανώνεις και να οπτικοποιείς δεδομένα από διαφορετικές πηγές, ενώ τα δεκάδες integrations και customizations έχουν κάνει το εργαλείο αυτό να ξεχωρίζει για τις δυνατότητές του.
Σε αυτό το άρθρο θα αναλύσουμε το κομμάτι του data blending – δηλαδή την ανάμειξη δεδομένων, ένα πολύ δυνατό feature που μπορεί να συνδυάσει δεδομένα από διαφορετικές πηγές σε ένα και μόνο visualization.
Τι είναι το data blending
Το data blending επιτρέπει τη δημιουργία γραφημάτων με βάση πολλές και διαφορετικές πηγές δεδομένων.
Ξεχωριστές πηγές δεδομένων – όχι μόνο αυτές της ίδιας εφαρμογής – μπορούν να συνδυαστούν εφόσον είναι συγκρίσιμες (δηλαδή να μοιράζονται ένα κοινό join key, κάτι που θα δούμε και παρακάτω).
Ο “παραδοσιακός” τρόπος για να συγκρίνεις ή να συνδυάσεις δεδομένα από διαφορετικές πηγές, ήταν να εξάγεις δεδομένα από κάθε πηγή και να τα κάνεις την “ένωση” σε ένα excel.
Όμως έτσι έχανες την έννοια του “δυναμικού” report, καθώς αν ήθελες να μελετήσεις ένα μεγαλύτερο διάστημα, έπρεπε να κατεβάσεις ξανά τα δεδομένα και να ξεκινήσεις από την αρχή.
By default, κάθε γράφημα ή πίνακας στο Data Studio αντλεί πληροφορίες από μία πηγή δεδομένων.
Θα μπορούσες να συνδέσεις πολλές πηγές δεδομένων σε ένα dashboard, αλλά μέχρι να λανσάρει η Google το data blending, δεν θα μπορούσες να παρουσιάσεις αυτά τα δεδομένα σε ένα μόνο πίνακα ή γράφημα.
Τι είναι τα join keys και γιατί είναι απαραίτητα στο data blending
Για να κάνεις blend data, οι πηγές δεδομένων θα πρέπει να μοιράζονται ένα κοινό στοιχείο -ή αλλιώς dimension.
Το στοιχείο αυτό ονομάζεται “join key.”
Το join key είναι ένας κοινός παρονομαστής όταν συγκρίνουμε δεδομένα. Αυτό θα μπορούσε να είναι μια διεύθυνση URL, ένας κωδικός προϊόντος (SKU), ένα user ID, μια ημερομηνία και πολλά άλλα.
Το πιο απλό join key είναι η ημερομηνία, δηλαδή το “Date.” Η μέτρηση των πραγμάτων σε συνάρτηση του χρόνου είναι κάτι συνηθισμένο στο data analysis, οπότε ας το χρησιμοποιήσουμε ως παράδειγμα.
Το να επιλέξεις το “Date” ως join key σου επιτρέπει να εντοπίσεις συσχετισμούς σε data sets.
Για παράδειγμα, αν θες να συγκρίνεις την επισκεψιμότητα μιας σελίδας επικοινωνίας στα Google Analytics, με τις τηλεφωνικές κλήσεις σε ένα online shop, το γράφημα θα μοιάζει κάπως έτσι:
Η επιλογή του σωστού key εξαρτάται από το τι προσπαθείς να απεικονίσεις.
Μια καλή αρχή είναι να ξεκινήσεις με μια υπόθεση. Για παράδειγμα, μια υπόθεση είναι ότι “οι χρήστες είναι πιο πιθανό να κάνουν τηλεφωνικές κλήσεις σε ένα ηλεκτρονικό κατάστημα τα σαββατοκύριακα.”
Σε αυτή την περίπτωση, θα έπρεπε να συνδυάσεις δεδομένα από την πλατφόρμα διαχείρισης τηλεφωνικών κλήσεων ή το ERP σύστημα, με τα Google Analytics. Το join key θα ήταν η ημερομηνία (Date).
Πώς θα κάνεις blend data στο Google Data Studio
Υπάρχει ο εύκολος και ο λιγότερο εύκολος τρόπος.
Ο εύκολος τρόπος
1. Δημιούργησε δυο charts που θες να συγκρίνεις/ενώσεις.
2. Επέλεξε τα δυο charts (CTRL + δεξί κλικ).
3. Κάνε δεξί κλικ και επέλεξε το “Blend Data.”
Ο όχι-και-τόσο-εύκολος τρόπος
1. Κάνε κλικ στο “Resource > Manage blended data.”
2. Κλικ στο “Add a data view.”
3. Στο παράθυρο που θα εμφανιστεί, επέλεξε την πρώτη πηγή που θες να συγκρίνεις.
4. Κλικ στο “Add another data source.” Αυτή θα είναι η δεύτερη πηγή δεδομένων.
5. Επέλεξε τα join keys που είναι διαθέσιμα και στα δυο data sources.
6. Επέλεξε τα dimensions και τα metrics που θες να συγκρίνεις.
7. Κάνε τις υπόλοιπες ρυθμίσεις και πάτα “Save.”
8. Η νέα πηγή δεδομένων (blended data source) θα είναι διαθέσιμη στο πεδίο “Data Source.”
Μπορείς να ξεκινήσεις με την εύκολη επιλογή, να πειραματιστείς και να δοκιμάσεις διαφορετικές συνδέσεις πριν προχωρήσεις στον πιο advanced τρόπο.
Είναι σημαντικό να γνωρίζεις ότι το data blending στο Data Studio χρησιμοποιείς μεθοδολογία “left-outer join”, πράγμα που σημαίνει ότι τα γραφήματα και τα visualizations θα περιέχουν όλες τις τιμές από το Data Source A – ανεξάρτητα από το αν υπάρχουν αντίστοιχα δεδομένα στο Data Source B. Επιπλέον, τιμές στο Data Source B που δεν υπάρχουν στο Data Source A θα αγνοούνται.
Επίσης, αν θες να μάθεις περισσότερα για το πώς δουλεύει το data blending, η Google παρέχει ένα αναλυτικό documentation που θα σε βοηθήσει να ξεκινήσεις.
Ενδεικτικές εφαρμογές data blending στο Google Data Studio
1. Συνδυασμός δεδομένων από διαφορετικές πηγές σε line graphs
Αν θες να παρουσιάσεις σχέσεις μεταξύ data sets που ανήκουν σε διαφορετικές πηγές, τα line graphs είναι ο κατάλληλος τρόπος.
Αν πάρουμε ως παράδειγμα το παραπάνω γράφημα που χρησιμοποιήσαμε, μπορείς εύκολα να παρουσιάσεις σχέσεις μεταξύ επισκέψεων σε ένα landing page και τηλεφωνικών κλήσεων.
Ένα άλλο παράδειγμα είναι ο συσχετισμός είναι η αύξηση σε visibility score ορισμένων keywords (π.χ. SEMRush ή Ahrefs), με την αύξηση σε organic traffic (Google Analytics).
2. Συνδυασμός δεδομένων από Google Analytics και Facebook
Χρησιμοποιώντας έναν πιστοποιημένο Google’s Partner Connector, μπορείς να ενώσεις περισσότερες από 800 πλατφόρμες με το Data Studio και να εισάγεις third-party data για να αναλύσεις. Το Facebook είναι ένα τέτοιο παράδειγμα, καθώς υπάρχουν connectors που επιτρέπουν τη σύνδεσή του με το Data Studio.
Ένα από τα πιο συνηθισμένα reports, είναι ο συνδυασμός δεδομένων από Google Analytics (clicks, impressions, conversion rate%, bounce rate) και Facebook (reach, engagement, amount spent και άλλα).
3. Συνδυασμός Google Analytics με CRM και ecommerce platform
Ο συνδυασμός δεδομένων από Google Analytics, CRM και ecommerce platform μπορεί να σου δώσει χρήσιμα insights για μια πληθώρα πραγμάτων που συμβαίνουν ταυτόχρονα στις τρεις πλατφόρμες.
Για παράδειγμα, ένας συνδυασμός αγορών, bounce rate και επισκέψεων σε προϊοντικές σελίδες (Sessions/Bounce Rate/Transactions από Google Analytics) μπορεί να συνδυαστεί με τις επιστροφές ή ακυρώσεις ενός fashion ecommerce site (Returns/Cancelations από CRM).
Σε αυτό το παράδειγμα, το join key θα μπορούσε να είναι η ημερομηνία (Date).
Επιπλέον ιδέες και παραδείγματα
Οι υλοποιήσεις που μπορείς να κάνεις είναι αμέτρητες. Ας δούμε κάποια best cases:
| Data Source 1 | Data Source 2 | Metric Comparison | Insight Gained | Join Keys |
| Google Analytics | Google Search Console | Correlate organic search impressions to organic traffic | Determine whether increases in SERP visibility are impacting traffic to drive future SEO strategy | Page |
| Google Ads | Google Search Console | Compare paid search impressions to organic search impressions | Assess overall SERP visibility for paid and organic traffic sources | Search term / Query |
| Google Analytics | Ecommerce platform | Compare product stock levels to product sales via the website | Spot check inventory against product sales; manage stock for busy/slow periods | Product |
| Google Analytics | Google Sheets | Correlate any metric to blog length, title style, etc. | Compare blog post-performance to editorial decisions | Page |
| Google Analytics (Site 1) | Google Analytics (Site 2) | Compare the performance of two websites | Visualize the performance trend of a portfolio of websites in a single chart or table | Any dimension |
Στο web υπάρχουν πολλά tutorials, ιδέες και έτοιμα templates από τα οποία μπορείς να αντλήσεις ιδέες για να φτιάξεις τα δικά σου blending projects.
Take away
Το data blending μπορεί να σου λύσει τα χέρια σε πολλές περιπτώσεις, ενώ θα σε βοηθήσει να δημιουργήσεις dashboards στο Google Data Studio που είναι δυναμικά, περιέχουν real-time visualizations και μπορείς εύκολα να τα μοιραστείς ή να τα κάνεις exports σε αρχεία PDF, CSV και XLSX.
Καθώς η Google αυξάνει τις συνεργασίες τις με third-party πλατφόρμες, το data blending θα γίνεται όλο και πιο εύκολο και ευέλικτο.
Ωστόσο, υπάρχουν και κάποιες λεπτομέρειες τις οποίες θα πρέπει να γνωρίζεις:
1. Το data blending σου επιτρέπει να συνδυάζεις μέχρι πέντε ξεχωριστές πηγές σε ένα single table.
2 .Ένα κοινό στοιχείο, το join key, συνδέει δεδομένα από διαφορετικές πηγές.
3. Ξεκίνα με μια υπόθεση πριν αποφασίσεις ποιες πηγές θες να ενώσεις.
4. Δεν θέλει κόπο, θέλει τρόπο. Το data blending μπορεί να αποδειχθεί πολύπλοκο αν δεν είναι ξεκάθαρο το που θες να φτάσεις. Προτίμησε “clean and clear” data visualizations για να μοιραστείς με συναδέλφους και stakeholders!