电子商务每年都在增长，这一趋势似乎势不可挡。客户正逐渐从线下购买转向线上购买，这一趋势每天都在加速。每一项新的研究都证实了电子商务行业的增长。这一趋势甚至适用于相对保守的行业。
在某些情况下，可能会有例外，但总体而言，随着特定电子商务业务的增长，其复杂性也随之增加。劳动力不断扩展，新的职位不断创造，额外的销售渠道被添加，新的广告平台、合作伙伴等。
与此同时，可用信息源的数量和数据本身的体量也在增加。每一个订单、每一次访问、每一次点击、每一次广告展示——这都是信息。这些信息有价值吗？如果正确解读，是的。巧妙地将来自不同来源的信息进行关联，可以带来前所未有的结果。此外，新的职业专门致力于数据工作：数据分析师、数据科学家、数据工程师、数据架构师、网络数据分析师和数据安全专家。
另一个问题是，随着业务的增长，越来越多的环节将人们彼此隔离。控制直接影响关键绩效指标的运营指标变得越来越具有挑战性。
业务扩展，新的工作组和部门不断形成。每个人都需要数据。不同类型的数据。销售数据、广告指标、客户参与度指标——用于分析、预测、规划等。每个人都输出自己的数据，这些数据作为他们有效性的指标。但如果数据分散在不同的来源和格式中，如何访问这些数据呢？
此外，还有选择一个集中分析和报告系统以及集中数据存储库的问题。
没有集中存储库：机会的损失
对于小型企业来说，缺乏集中数据存储库并不是一个重大问题。首先，数据量不大。其次，数据源的数量很少超过3-5个。因此，数据总是可以收集到一个Excel表格中，或者将几个CSV文件上传到分析系统中。是的，这需要大量的手动工作，但并不复杂。
然而，随着向内部电子商务业务的转型达到中型企业，差异开始显现。不同部门看到不同的输入数据，无法看到他们的行动对整体结果的影响。组织中的更多人开始使用有限的信息做出决策，导致失去统一性和效率下降。
结果是关键电子商务业务指标的增长放缓。
另一个关键点是潜在的新增长驱动因素的损失：
- A：它们可能会被忽视；
- B：在有限的数据环境中错误评估它们并做出错误决策。
电子商务中的ETL
ETL是收集、转换和存储数据到集中存储库的过程。作为一个过程，它在1970年代就已经出现并被正式化。然而，只有随着网络服务数量的增长，即可用数据源变得多样化和分支，ETL才得到了广泛应用。目前，有数十个免费和付费的服务可以完全覆盖将各种数据传输到统一存储库的需求。更多细节可以在这里找到：将所有数据集中在一个地方：ETL在Shopify商店中的力量
在电子商务的背景下，ETL的功能是将来自数十个来源的数据收集到一个单一的数据库中。因此，您获得了一个统一的存储库，所有数据都存储在其中。这反过来又标准化了对任何数据的访问，并显著简化了提供必要信息的过程。
因此，所有员工、承包商或其他个人或公司都可以访问他们在有效活动中所需的数据。
对于大多数电子商务数据库，以下信息将被包含：
- 自有商店数据或后端数据（订单、产品、库存、交易、税收）；
- 分析数据 - 访问量、展示量、CTR来自Google Analytics、Search Console、Mixpanel/Amplitude等服务；
- 广告平台 - 点击、展示、成本、表现来自Google Ads、FB、Criteo等服务；
- 营销 - Mailchimp、Sendgrid、Instagram、Hubspot等；
- CRM数据；
- 内部系统和报告（预算、计划、目标、供应商等）
电子商务的数据仓库
仓库在大多数情况下是一个云数据库，如Google BigQuery、Amazon Redshift或Snowflake。云仓库有几个关键优势，包括：
- 连接简便；
- 安全性；
- 可用性（正常运行时间很少低于99.9%）；
- 数据检索速度；
- 可扩展性。
也可以基于PostgreSQL或Microsoft SQL Server部署本地数据仓库。然而，这通常是一个不太可靠且成本效益较低的解决方案。
值得注意的是，即使您有一个单一的数据仓库，数据也可以轻松分配到访问组中，称为数据集市。这样，各个组和部门将仅访问完成其任务所需的数据。
一旦获得数据，下一步是分析、生成报告和输出指标。在这个阶段，限制仅在于那些使用数据和报告系统的人们的想象力，利用像PowerBI或Google Looker Studio这样的常用工具。
为什么选择ETL？
ETL本质上是一个过程。它对于创建统一的信息（数据）环境并保持其相关性是必要的。然而，它是少数几个关键过程之一。ETL不仅仅是将数据从源复制到仓库；它还会正确地结构化、清理和准备数据。
ETL过程在获取和准备数据以进行分析、报告或业务分析方面发挥着主导作用。
公司的每个部门都可以受益于或甚至应该使用数据进行规划和评估有效性。
探索相关报告
实施ETL的预期
仅仅实施ETL过程并创建统一的数据仓库是不够的。您需要从仓库中提取有用信息的能力和技能，许多分析系统可以派上用场，典型的如Power BI和Looker Studio，以及更专业的如Exploratory。
您可以根据任务和目标逐步实施和使用各种报告：
- 电子商务营销效果的360度概述；
- 漏斗分析和每个阶段的转化率提升；
- 客户画像和提升LTV；
- 新产品或服务的开发；
- 基于历史数据的折扣和促销；
- 客户服务的评估和改进；
- 有效的库存管理；
- 投资回报率的提升
对于这些任务，可以创建专门的Shopify报告——针对特定专业人士的报告、中层管理者的汇总报告，以及高层管理者的高级报告或仪表板。
重要的是，所有这些报告或Shopify仪表板都是基于相同的数据创建的，但具有不同的粒度水平，确保各个层级的准确性。
那么人工智能呢？
如今的趋势还包括在业务的各个方面实施人工智能技术，从内容创作到客户细分。即使在这里，统一的数据仓库也可以带来好处。
想象一下，所有客户沟通都存储在数据库中。相当简单的人工智能模型可以自动分析内容并：
- 将请求分类为不同组；
- 确定情感（客户满意度）；
- 整合相似请求并将其总结为一两句话；
- 识别询问数量最多的产品或组。
启动您的集中数据仓库
实施任何东西的第一阶段总是从分析我们目前拥有的东西和我们希望在未来实现的目标开始。清晰的需求理解（包括未来的视角）是影响实施过程中目标达成的关键因素。
- 首先，明确报告或分析的需求及其要求至关重要。
- 基于此，您可以识别构建这些报告所需的数据集。
- 接下来是数据源。您是否可以访问所有必要的数据源？
接下来是更技术性的步骤，但同样重要：
- 定义现有数据的结构；
- 确定数据的相关性和质量；
- 识别所需的数据结构，并基于此创建要应用于数据的转换列表；
- 选择ETL（提取、转换、加载）工具；
- 选择数据仓库；
- 实施、测试和调整。
显然，有些步骤不是快速的，但目标并不是一次性完成所有事情。最初，需要建立一个稳定的框架并启动整个交互链。然后，随着对新数据的需求出现，添加新的ETL过程并相应扩大数据仓库。
电子商务的ETL和数据仓库
如果您仍然不确定是否需要实施集中数据仓库以及它能为您的业务增加什么价值，我们邀请您预约与我们的技术专家进行免费的在线咨询。
