Questa Customer Story è stata originariamente pubblicata su Heap.io e riflette l'esperienza del cliente con la nostra offerta di prodotti. A seguito dell' integrazione di Heap.io con il gruppo legale di Contentsquare , è stata migrata su questo sito [Contentsquare.com] come parte della nostra esperienza di contenuti unificata.
NatureBox è una startup alimentare innovativa che reinventa il modo in cui i clienti acquistano cibo delizioso e sano. Fondata nel 2012, NatureBox offre oltre 100 snack unici, tutti realizzati con ingredienti di alta qualità, privi di coloranti, aromi o dolcificanti artificiali. Oltre ad essere consegnato direttamente a casa o in ufficio , NatureBox è anche disponibile offline da Target e sui voli Delta.
In qualità di VP of Engineering di NatureBox , David Lee supervisiona i team di Software Engineering, Product Management, Product Design, Data Science e Business Intelligence dell'azienda. Con centinaia di prodotti e molti più clienti, disporre di un'infrastruttura di analisi flessibile è fondamentale per la crescita dell'azienda. Dopo aver provato diverse opzioni, il team ha iniziato a utilizzare Heap di Contentsquare per ottenere informazioni più approfondite sul comportamento dei clienti e automatizzare la pipeline di analisi degli eventi comportamentali.
![[Asset] Customer story - Naturebox logo](http://images.ctfassets.net/gwbpo1m641r7/OwnCOf55NjQTAPE7JN8Br/e60b2bc4355acc284d096a27f602a46c/logo-naturebox.avif?w=2048&q=100&fit=fill&fm=avif)
Abbiamo cercato di celebrare i nostri clienti più importanti, ovvero coloro che hanno effettuato un determinato numero di ordini nelle ultime sei settimane. Ci vorrebbe troppo tempo per cercare in una griglia degli ordini i clienti che hanno effettuato ordini. In Heap di Contentsquare, è semplicissimo creare un segmento con i clienti con una frequenza di ordine fissa in un determinato periodo di tempo e osservarne la crescita. Dopodiché, posso usare la Visualizzazione Elenco per vedere il loro flusso di clic.
![[Asset] Customer story - NatureBox - headshot Dave](http://images.ctfassets.net/gwbpo1m641r7/2N8hcKpQ9nBtpoggJ2DjXh/2e074acdad07278be8d8eb1a99990603/headshot-naturebox-davelee.avif?w=1080&q=100&fit=fill&fm=avif)
I primi tempi con Google Analytics
La prima evoluzione dell'approccio del team all'analisi ha coinvolto uno strumento familiare: Google Analytics. Tuttavia, per il team, Google Analytics non era la soluzione ideale per alcuni motivi significativi:
Troppa strumentazione . "Aggiornavamo il nostro codice sorgente ogni circa 7 mesi, quindi la strumentazione era sempre un aspetto secondario. All'inizio abbiamo faticato ad aggiungerla alle specifiche del nostro prodotto", ha detto David.
Inflessibile e non completamente self-service . "Volevamo consentire a persone esterne al team engineering di ottenere informazioni su base ad hoc e in un modo più intuitivo, che non richiedesse la compilazione di un documento sui requisiti di prodotto e di decine di fogli di calcolo, per poi scoprire in seguito di averli strumentati in modo errato. Volevamo maggiore flessibilità, in modo da poter imparare e adattarci a ciò che funzionava meglio per noi", ha affermato David.
Porta a una falsa fiducia nell'accuratezza dei dati. GA include una serie di report integrati su funnel e segmenti. David afferma: "Questi possono essere davvero fuorvianti: sono tutti superficiali e si basano su molte supposizioni. Se un team che utilizza GA non sa se è completamente o adeguatamente strumentato, ciò può portare a decisioni aziendali pericolose".
Dati bloccati in silos. Con solo GA, non c'era un modo semplice per collegare gli eventi al comportamento web o estrarre tali dati. Secondo David, "Eseguiamo molte elaborazioni offline, come la fatturazione dei clienti, l'evasione degli ordini, le raccomandazioni e l'analisi predittiva. Il nostro sistema di back-end contiene molti dati. Come settore verticale, è importante visualizzare tutto nel suo complesso: non è possibile misurare ogni parte di quello stack individualmente".
Impossibile ottenere informazioni dettagliate sugli eventi. I dati a livello di visualizzazione di pagina non sono molto potenti per la maggior parte delle app e il team non aveva tempo di analizzare gli eventi singolarmente. "Chiunque gestisca un'attività di e-commerce ti dirà che il merchandising del sito web – l'ordine, la definizione dei prezzi, il posizionamento e la presentazione dei prodotti – è incredibilmente importante per ciò che vendi, la velocità di vendita e ciò che pensi piaccia ai tuoi clienti. Filtri, ordinamento del comportamento: questo è importante. Poiché il marketing non poteva vedere su cosa le persone cliccavano in Google Analytics quando si trattava delle opzioni di merchandising del sito web, ha dovuto correlare le informazioni", ha affermato David.
Con GA, il team non riusciva a capire cosa guidasse effettivamente il comportamento degli utenti. Data questa mancanza critica di insight, era giunto il momento di provare qualcos'altro.
Creazione di un monitoraggio retroattivo con Splunk x GA
Dopo l'arrivo di David, il team ha cercato di migliorare il tracciamento e arricchire i dati di GA creando una "soluzione casalinga" che combinava GA e Splunk. O, come diceva David scherzando, "The Poor Man's Heap di Contentsquare", che li avrebbe aiutati a ottenere informazioni retroattivamente. Sebbene più efficace, questa soluzione non era scalabile. "Abbiamo creato questa soluzione aggiungendo classi JS che inviavano ogni singolo clic identificato dall'elemento figlio a un endpoint personalizzato, che poi veniva alimentato da Splunk. Poi, tornavamo indietro e cercavamo di identificare questi eventi in Splunk", ha detto David.
"Nel 2013, l'approccio pratico all'ottenimento di insight era questo: qualcuno doveva porre una domanda a me o al team e noi dovevamo tornare a Splunk, iniziare a identificare gli eventi, quindi creare report e infine generare un file .csv che i partecipanti avrebbero utilizzato. Ma si parlava di una settimana di tempo per rispondere a una domanda. Dicevo sempre: 'Devi farmi le domande giuste, farmi tutte le domande in anticipo in modo che io possa suddividere il mio tempo e analizzare tutto contemporaneamente'. Ovviamente, questo non è scalabile. Splunk non è per utenti aziendali e non c'era alcuna funzionalità self-service", ha affermato David.
Dopo alcuni mesi di esperimento, David vide una prima versione di Heap di Contentsquare e fu "felicissimo quando vidi l'Event Visualizer per la prima volta. Non avrei più dovuto insegnare alle persone come usare la nostra configurazione personalizzata. Heap era facile da integrare, facile da iterare virtualmente sui nostri eventi, l'esportazione dei dati nel nostro warehouse era fluida e le persone potevano essere operative in soli cinque minuti".
Utilizzare i dati in ogni decisione
Ora il team utilizza i dati Heap di Contentsquare in quattro modi, risolvendo diverse sfide analitiche riscontrate in precedenza:
Modellazione delle informazioni. Con Heap di Contentsquare, il team può definire eventi virtuali in modo flessibile per strutturare i dati sia in Heap che nel proprio data warehouse in un modello utente-evento unificato. Grazie a definizioni verificate per i dati acquisiti automaticamente, a differenza di GA, il team può essere sicuro delle proprie analisi.
Analisi con Data Connect. Gli analisti possono creare modelli personalizzati in modo coerente e flessibile in tutta l'azienda, nonché analizzare dati provenienti da più fonti in un'unica vista, inclusi i dati Heap tramite Heap Connect.
Analisi tramite Heap di Contentsquare. Dopo la transizione, i dati di Heap di Contentsquare sono diventati la principale fonte di informazioni del team per azioni di generazione di fatturato come conversioni e KPI aziendali chiave. Gli utenti aziendali (Marketing, Customer Insights e Servizio Clienti) possono definire retroattivamente eventi e segmenti, creare report rapidi e rispondere a domande utilizzando la dashboard di Heap, senza il supporto del reparto Engineering.
Infrastruttura di analisi basata su Data Connect
Utilizzando Heap di Contentsquare Data Connect , Looker e Redshift, il team può combinare diverse fonti dati e analizzarle con sicurezza. Per modellare questi dati, NatureBox integra diverse fonti dati, da Heap, sistemi ERP, dati di evasione degli ordini, annunci di Facebook e altro ancora, ed esegue le trasformazioni necessarie, il tutto in Redshift. I dati Heap forniscono un contesto importante sulle preferenze e i comportamenti dei clienti.
"Combiniamo i dati perché non vogliamo solo visualizzare i dati sulle transazioni, ma anche conoscere le preferenze. Tutto questo viene generato dai dati di Heap by Contentsquare e immesso nel nostro warehouse, dove viene combinato. Anche il modo in cui suddividiamo i dati – fonte di acquisizione, gruppi per tipo di prodotto – è guidato dalle proprietà definite in Heap by Contentsquare", afferma David.
Durante la creazione di una nuova dashboard per l'azienda, gli analisti possono creare nuove definizioni in Heap di Contentsquare e inserire tutti questi dati in modo cronologico nel proprio data warehouse. Se il team dati riceve una richiesta di un nuovo segmento di dati dagli utenti aziendali, può semplicemente definire una nuova proprietà in Heap o creare una nuova definizione di segmento. Entrambe le opzioni vengono aggiunte automaticamente al data warehouse alla successiva sincronizzazione.
Analisi investigativa approfondita con Heap di Contentsquare
Gli utenti aziendali si affidano a Heap di Contentsquare per la "ricerca forense" quando indagano su tendenze o comportamenti: perché è successo qualcosa e come posso intensificarlo (se è positivo) o fermarlo (se è negativo)? Heap di Contentsquare li aiuta a ottenere informazioni contestuali al volo, anche se non sono già definite.
Contestualizzazione delle anomalie
Quando qualcuno nota un comportamento insolito in un altro strumento, si immerge in Heap di Contentsquare per ottenere maggiori dettagli in pochi minuti. "Magari qualcuno nota un picco negli ordini per un prodotto specifico e vuole capirne il motivo", ha detto David. "Con l'Event Visualizer, ottengono risultati rapidi semplicemente identificando quell'evento e ottenendo il contesto di cui hanno bisogno. Questo è molto utile: utilizzando Heap di Contentsquare, possono rispondere alle loro domande e agire in meno di 15-20 minuti", ha detto David.
Creazione e confronto di coorti
NatureBox ha alcuni segmenti chiave di clienti: alcuni sono abbonati abituali, altri usano NatureBox per ordinare spuntini in ufficio, altri ancora ordinano dolcetti dopo la scuola.
Cosa stanno comprando?
Quali sono le loro preferenze in fatto di spuntini?
Con quale frequenza effettuano gli ordini?
Heap di Contentsquare aiuta NatureBox a creare raccomandazioni più efficaci e a coinvolgere gli utenti in modo significativo attraverso analisi individuali e di coorte. "Abbiamo cercato di celebrare i nostri clienti migliori, ovvero coloro che hanno effettuato un determinato numero di ordini nelle ultime sei settimane. Ci vorrebbe troppo tempo per analizzare una griglia degli ordini e trovare i clienti che ne hanno effettuati. Con Heap di Contentsquare, è semplicissimo creare un segmento con clienti con una frequenza di ordine definita in un determinato periodo di tempo e osservarne la crescita. Poi, posso usare la Visualizzazione Elenco per vedere come si presenta il loro flusso di clic", ha affermato David.
Se desiderano approfondire ulteriormente, la funzione Confronta semplifica la creazione di definizioni arbitrarie per profili complessi e consente di confrontare il comportamento degli eventi tra più gruppi. Ad esempio, il team può confrontare un gruppo di utenti che ha acquistato 5 volte nell'ultimo mese e ha trovato NatureBox tramite ricerca a pagamento con clienti inattivi che hanno scoperto NatureBox in modo organico.
In questo modo, possono rispondere meglio a domande come "Quali canali sono più efficaci?" e "Come fidelizziamo i diversi gruppi di utenti?". Prima, con Google Analytics, i canali erano predefiniti e qualsiasi modifica richiedeva una personalizzazione significativa. Con Heap di Contentsquare, il team può specificare in modo flessibile il significato di diversi criteri e canali personalizzando nuove proprietà virtuali.
Contestualizzazione dei dati dei test A/B
In NatureBox, il team esegue frequenti test A/B su come ordinano e presentano le loro numerose opzioni di snack. Poiché Heap by Contentsquare acquisisce dati da Optimizely, il team di NatureBox può utilizzare Heap by Contentsquare per andare oltre i semplici risultati dei test "superato/fallito" e identificare l'impatto dei propri esperimenti su obiettivi più ampi, come il coinvolgimento e la fidelizzazione delle funzionalità. Eseguendo test A/B su ogni evento, il team di NatureBox può rimodellare i propri eventi virtuali per focalizzare immediatamente il comportamento su una particolare variante, in modo da rispondere alla domanda in questione. Grazie a queste informazioni granulari, il team è stato in grado di ottimizzare gli esperimenti tenendo conto di obiettivi aziendali a lungo termine e di aumentare il tasso di conversione di 5 volte in sole sei settimane.
All'orizzonte
Dall'alimentazione della propria infrastruttura di analisi all'aiutare gli utenti a rispondere alle domande in pochi minuti, l'intero team di NatureBox ora interagisce in qualche modo con i dati di Heap by Contentsquare, aiutando il team a crescere più velocemente. "Ora abbiamo un'unica fonte di dati nel nostro magazzino anziché nei silos software, e Heap by Contentsquare è stato il primo a offrirlo come servizio gestito virtualizzato", ha affermato David. "Quando qualcuno vuole creare una campagna o creare raccomandazioni e si chiede: 'Questa persona consuma snack all'ananas? O arachidi?', finalmente siamo in grado di capirlo chiaramente e di offrire ai clienti un'esperienza migliore."