ინტეგრირებული ანალიტიკა

1) განმარტება და მნიშვნელობა

ჩამონტაჟებული ანალიტიკა არის მიდგომა, რომელშიც მოხსენებები, დაშბორდები, მეტრიკა, რეკომენდაციები და ინტერაქტიული კვლევითი ინსტრუმენტები ღრმად არის ინტეგრირებული საბოლოო მომხმარებლის მთავარ პროდუქტში/ბიზნეს პროცესებში. მიზანია არა „გრაფიკის ჩვენება“, არამედ გადაწყვეტილების მიღების დაჩქარება მოქმედების კონტექსტში: CRM, სალარო აპარატების, ერთგულების პლატფორმების, გადახდის ოფისების, ადმირებისა და კლიენტის პროგრამების შიგნით.

• აჩქარება და გადაწყვეტილების ხარისხი: ნაკლები კონტექსტის შეცვლა.
• LTV- ის ზრდა და შენარჩუნება: მომხმარებლები ბრუნდებიან ინსაითებისა და კონტროლისთვის.
• პროდუქტის დიფერენციაცია: ანალიტიკა ხდება ღირებულების მიწოდების ნაწილი.
• ანალიტიკის დატვირთვის შემცირება/BI გუნდი: თვით შენარჩუნება ინტერფეისში.

2) გამოყენების სტანდარტული სკრიპტები

ოპერაციული დაშბორდები: KPI კონვერტირებაში, ფინანსური ნაკადების, რისკების, SLA.
ჩამონტაჟებული რეკომენდაციები: შემდეგი - საუკეთესო მოქმედება, აფსილი/ჯვარედინი - სელი, ალერტები.
სეგმენტები/ტენანტები: ბრენდები, რეგიონები, პარტნიორები, მერჩანტები.
Self სერვისის ანალიტიკა: ფილტრები, drill-down, შენახული სპექტაკლები.
ექსპორტი/ბიულეტენები: CSV/XLSX, PDF ფიფქები, გამოწერები, Webhook ალერტები.

3) სამიზნე აუდიტორია და როლები

ოპერატორები/მენეჯერები: მონიტორინგი, რეაგირება, დაგეგმვა.
ანალიტიკოსები/პროდუქტის მენეჯერები: სწრაფი A/B ინსაითები, ჰიპოთეზები, QoE.
ფინანსები/შესაბამისობა: GGR კონტროლი, ანგარიშგებები, თავისუფალი ნიმუშები.
პარტნიორები/B2V კლიენტები: გამჭვირვალობა, სელფის მომსახურება და ნდობა.

4) არქიტექტურა: მიმოხილვა

1. მონაცემთა წყაროები: OLTP, მოვლენები (ნაკადები), მესამე მხარის API.

2. შეგროვება და გაწმენდა: CDC/ETL/ELT, სქემები, დედაპლიკაცია, SLA ჩატვირთვა.

3. საცავი/ფანჯრები: Data Lake + DWH (ვარსკვლავი/ფიფქია), OLAP/HTAP.

4. სემანტიკური ფენა: ბიზნეს მეტრიკა, ერთიანი განმარტებები, ACL.

5. ვიზუალიზაციის/გაშვების სერვისი: გრაფიკის/დაშბორდის ძრავა.

6. ინტეგრაცია: iframe/JS-SDK/Component API, მობილური SDK.

7. უსაფრთხოება და იდენტურობის ფედერაცია: SSO/JWT/SCIM, RLS/CLS.

8. ოპერაცია: ქეშირება, მონიტორინგი, შინაარსის ვერსია, observability.

მნიშვნელოვანი პრინციპი: გამოყავით სემანტიკა (როგორც მეტრიკებს მიგვაჩნია) ვიზუალიზაციიდან (როგორც ჩვენ ვაჩვენებთ), რათა გააკონტროლოს ცვლილებები მასობრივი დამუშავების გარეშე.

5) მონაცემთა მოდელი და სემანტიკა

ერთი ტერმინალი KPI: განმარტებები, წყაროები, ფორმულები, მფლობელები.
Staging: currated marts; ნედლეული განცალკევებულია ფანჯრებისგან.
სტაბილური გასაღებები და SCD: ფრთხილად ჩაატარეთ მოთხრობები (SCD2) ფანჯრებისთვის.
Row-/Column-Level Security (RLS/CLS): ფილტრაცია ტენის/როლის/რეგიონის მიხედვით.
მონაცემთა ტესტები: ახალი, სისრულე, უნიკალურობა, ანომალიები.

6) ინტეგრაცია

IFrame ინტეგრაცია: სწრაფად დაწყება; მნიშვნელოვანია: უსაფრთხო ნიშნები, sandbox.
JS-SDK/Component ინტეგრაცია: რეაქტიული კომპონენტები, bidirectional კავშირი პროდუქტთან (ფილტრები, მოვლენები).
Headless/Graph API: სერვერის სერვერი ბეჭდვის, ექსპორტის, მასობრივი მოხსენებების შესახებ.
მობილური SDK: მშობლიური ეკრანები, ოფლაინ ქეში, გამომწვევი.

header: { alg: "RS256", typ: "JWT" }
payload: { sub: "<user_id>", tenant_id: "<tenant>", roles: ["manager"], exp: <ts> }

ნიშანს ხელს აწერს მიმწოდებლის პირადი გასაღები და შემოწმებულია გამყიდველის სერვისით; 'tenant _ id/roles- ის საფუძველზე გამოიყენება RLS/CLS და წვდომის შაბლონები.

7) უსაფრთხოება და წვდომა

SSO: SAML/OIDC, როლების/ჯგუფების SCIM დებულებები.
RLS/CLS: მარცვლოვანი პოლიტიკოსები სტრიქონების/სვეტების დონეზე.
PHI/PII/PCI: შენიღბვა, ტოკენიზაცია, ფსევდონიზაცია.
აუდიტის ტრეილები: ვინ დაინახა რა, რა ფილტრები გამოიყენა, ექსპორტზე გაიტანა თუ არა.
ლიმიტები და დაცვა: rate limits, მოთხოვნის ხელმოწერა, anti-scraping.

8) მრავალმხრივი და იზოლაცია

ლოგიკური იზოლაცია: 'tenant _ id' გასაღებებში + RLS; სწრაფი დასაწყისი.
ფიზიკური იზოლაცია: გამოყოფილი DD/სქემები დიდი მომხმარებლებისთვის/რეგიონებისთვის.
შინაარსის შაბლონები: „ერთი დაშბორდი - ათასობით მოიჯარე“ პარამეტრების საშუალებით.
É tas/SLO: ექსპორტის შეზღუდვები, განახლების სიხშირეები, SLA რენდერინგი.

9) პერსონალიზაცია და კონტექსტი

კონტექსტური ფილტრები: როლი, გეო, არხი, მომხმარებლის სეგმენტი.
დაცული წარმოდგენები და დაშბორდები შერჩეულია.
რეკომენდაციები/რჩევები: „რა გადავხედოთ შემდეგ“, „დღეს ანომალიები“.
Nudges: მიკრო საავტორო უფლებები, KPI განათება, მოქმედების შემოწმების ფურცლები.

10) პროდუქტიულობა და მასშტაბები

ქეშირება: მრავალ ფენიანი (query-cache, materialized views, CDN სტატიკური გრაფიკისთვის).
ბუკეტები: გრაფიკული დანაყოფები, roll-ups, cube/aggregate tables.
HTAP/OLAP: გაფართოება OLTP და ანალიტიკური დატვირთვები; გამოიყენეთ სვეტის DBMS.
ნაკადი: near-real-time მეტრიკა Kafka/Kinesis + incremental upserts- ის მეშვეობით.
წინა ოპტიმიზაცია: ცხრილების ვირტუალიზაცია, lazy-load, ფილტრების მორბენალი.

11) ხელმისაწვდომობა და UX

Zero-click ინსაითები: მინიშნებები არსების ცხრილში/ბარათზე.
Drill-down/Drill-through: გზა KPI- დან პირველადი მოვლენებამდე.
Explored KPI: „როგორც მეტრიკა ითვლება“, წყაროები, განახლების დრო.
წვდომა (a11y): კონტრასტი, კლავიატურის ნავიგაცია, ARIA ეტიკეტები.
მობილურობა: ადაპტირებული ბარათები, KPI ფილები, სწრაფი ფილტრები.

12) შინაარსის კონტროლი (შინაარსის პლატფორმა)

დაშბორდებისა და წყაროების ვერსია, მონახაზები/პუბლიკაციები.
ანალიტიკოსების კანარის გამოშვებები, ახალი გრაფიკებისთვის feature-flags.
ფორმულირებისა და სემანტიკის ცვლილებების კონტროლი.
კატალოგი/ძებნა მეტრიკის, ჭდეების, მფლობელების მიხედვით.

13) ინტეგრირებული ანალიტიკის მონეტიზაცია

ტარიფები: ძირითადი KPI - უფასოდ, მოწინავე ანგარიშები - Pro/Enterprise- ში.
ფასიანი ადონები: ექსპორტი, API წვდომა, თეთრი-ლაბელი, გაზრდილი ლიმიტები.
B2B არხი: პარტნიორების/მეწარმეებისთვის წვდომა დამატებითი სერვისის მსგავსია.
გაჯერებული ღირებულება: ანალიტიკა, როგორც ძირითადი პროდუქტის აფსულების გასაღები.

14) შესაბამისობა და რეგულირება

GDPR/SRA/ადგილობრივი სტანდარტები: იურიდიული საფუძვლები, მონაცემების მინიმიზაცია.
დაშვების/მოცილების უფლება: DSAR პროცესები და „დავიწყების უფლება“.
შენახვა და ჭრა: მონაცემთა ტიპების და რეგიონების ვადების პოლიტიკოსები.
მონაცემთა ლოკალიზაცია: შენახვის რეგიონები, ტრანსსასაზღვრო გადაცემები.

15) წარმატების მეტრიკა (სავარაუდო ნაკრები)

გააქტიურება: აქტიური ანალიტიკური მომხმარებლების წილი (WAU/MAU).
ჩართვა: სესიაზე ვიჯეტებთან ურთიერთქმედების საშუალო რაოდენობა.
ინსაითი სიჩქარე: დრო მოვლენიდან ხელმისაწვდომი KPI.
ბიზნეს ეფექტი: uplift კონვერტში/retenshne, frode/charn Rhite- ის დაქვეითება.
საიმედოობა: Aptime Render service, p95 ლატენტობა, ექსპორტის შეცდომების წილი.

16) ტექნოლოგიური დასტის (ვარიანტები)

საცავი: BigQuery/Snowflake/Redshift/ClickHouse/DuckDB.
ორკესტრი: Airflow/Argo/DBT/Prefect.
ნაკადი: Kafka/Kinesis/PubSub.
სემანტიკა: dbt metrics/LookML/Headless BI.
ვიზუალიზაცია: საკუთარი React კომპონენტები, კომერციული/OSS BI ძრავები, WebGL დიაგრამები დიდი მოცულობისთვის.
Auth/SSO: Keycloak/Auth0/Azure AD, OIDC/SAML, JWT.
Observability: Prometheus/Grafana/OpenTelemetry, ლოგის აგრეგაცია.

17) ოპერაციები და მხარდაჭერა

SLO/alerts: p95 rander <X წამი, ფანჯრის სიახლე <Y წუთი.
Runbooks: მონაცემების დეგრადაციის აღმოფხვრა, ფორმულების რეგრესია, „წითელი“ დაშბორდები.
Capacity planning: საათის/კვირის დატვირთვის პროგნოზი, ექსპორტის შეზღუდვები.
ინციდენტების პოლიტიკა: კომუნიკაციები, დროებითი დანამატები, პოსტმორტები.

18) ანტიპატერები

„გრაფიკები გრაფიკებისთვის“: მომხმარებლის ქმედებებთან კავშირის არარსებობა.
სპაგეტის მეტრიკა: ერთი KPI- ს სხვადასხვა ფორმულები სხვადასხვა ეკრანებში.
RLS/CLS- ის არარსებობა: ინტერტენანტული მონაცემების გაჟონვა.
მძიმე ცოცხალი მოთხოვნები OLTP- ში: პროდუქტიული გარიგების დეგრადაცია.
დამოკიდებულება მხოლოდ iframe- ზე: შეუქცევად შეზღუდული UX და კონტროლი.

19) განხორციელების გზის რუკა (ეტაპზე)

1. Discovery: გადაწყვეტილებების რუკა, JTBD, KPI მინიმუმის სია, რისკები.
2. MVP: 3-5 კრიტიკული დაშბორდი, SSO, ძირითადი RLS, ქეში/მასწავლებლები.
3. სკალი: სემანტიკური ფენა, კატალოგები, ვერსიები, Headless API, ექსპორტები.
4. მხარდაჭერა და ზრდა: მიზნობრივი რჩევები, ალერტები, A/B გამეორება, მონეტიზაცია.

20) ჩეკის სია გამოქვეყნებამდე

• SSO და როლები შემოწმებულია stajing- ში.
• RLS/CLS პოლიტიკოსები მოიცავს ყველა ფანჯარასა და ექსპორტს.
• გამოქვეყნებულია ერთიანი KPI ფორმულები და მონაცემთა ტერმინები.
• p95 ლატენტობა და მონაცემთა სიახლე შეესაბამება SLO- ს.
• Logs/traces/Autodit კვალი ხელმისაწვდომია, ალერტები დაკავშირებულია.
• UX ნიმუშები (შენახული ფილტრები, KPI განმარტებები) შემოწმებულია.
• შეთანხმებულია იურიდიული მოთხოვნები და რეაგირების პოლიტიკა.

შედეგი: ჩაშენებული ანალიტიკა არ არის ცალკეული „BI ეკრანი“, არამედ პროდუქტის ორგანული ნაწილი, რომელიც მონაცემებს ეფექტს ხდის. წარმატება განისაზღვრება სემანტიკის ხარისხით, უსაფრთხო მრავალმხრივობით, გაშვების სიჩქარით, სტაბილური ექსპლუატაციით და რამდენად ცვლის ანალიტიკა მომხმარებელთა გადაწყვეტილებებს.