Berichte zu E-Commerce-Order-Placed-Events im Dashboard Builder

Erstellen Sie angepasste Umsatz- und Bestell-Charts aus empfohlenen ecommerce.order_placed-Events, indem Sie SQL-Anfragen im Query Builder speichern und die Ergebnisse im Dashboard Builder visualisieren.

Über dieses Beispiel

Flash & Thread, eine fiktive Bekleidungsmarke im Einzelhandel, protokolliert Bestellungen mit empfohlenen E-Commerce-Events. Das Marketing-Team möchte den täglichen Umsatz, den durchschnittlichen Bestellwert (AOV) und das Bestellvolumen in einem einzigen Dashboard sehen – und nicht nur die vorgefertigte Last-Touch-Attribution-Ansicht.

Dieses Muster verwendet den Query Builder, um ecommerce.order_placed aus den gemeinsam genutzten Snowflake-Event-Tabellen abzufragen, und fügt die gespeicherte Abfrage dann als Custom Queries-Kachel im Dashboard Builder hinzu. Sie können den Workflow für zusätzliche Metriken wiederholen (neue gegenüber wiederkehrenden Käufer:innen, Produktkategorien oder Umsatz auf Segment-Ebene).

Verwenden Sie dieses Vorgehen, wenn die integrierten E-Commerce-Dashboards Ihren Metrik-Mix nicht abdecken. Für Last-Touch-attributierten Umsatz verwenden Sie stattdessen das Dashboard Revenue - Last Touch Attribution.

Überlegungen

• Event-Implementierung: ecommerce.order_placed muss implementiert sein und total_value (sowie Produktdaten bei Bedarf) senden, bevor Abfragen Daten zurückgeben. Wenn Sie den Shopify-Konnektor verwenden, sind empfohlene Events möglicherweise bereits verfügbar.
• Zugriff auf den Query Builder: Sie benötigen die Nutzer:innenberechtigung „View PII“ (Nutzer:innenberechtigungen), um den Query Builder zu verwenden.
• Datenspeicherung: Der Query Builder gibt standardmäßig Daten der letzten 60 Tage zurück. Mit Snowflake Data Sharing können Sie bis zu zwei Jahre gespeicherter Daten abfragen. Siehe Query Builder.
• Timeouts: Abfragen, die länger als sechs Minuten laufen, werden abgebrochen. Schränken Sie den Datumsbereich ein, filtern Sie nach TIME oder reduzieren Sie die Zielgruppengröße, wenn ein Bericht fehlschlägt. Event-Tabellen sind nach TIME geclustert; bevorzugen Sie die Filterung nach dem Zeitpunkt des Events.
• Umsatzfeld: Beispielabfragen summieren total_value aus den Event-properties. Der standardisierte E-Commerce-Umsatz von Braze in Produktberichten wird häufig aus price und quantity jedes Produkts abgeleitet. Stimmen Sie total_value mit Ihren Produktpositionen ab oder passen Sie das SQL an Ihr Schema an.
• Spaltenbeschriftungen: Setzen Sie Anzeige-Spaltennamen in doppelte Anführungszeichen (zum Beispiel "Date", "Total Revenue"), damit der Dashboard Builder gut lesbare Achsen- und Tabellenüberschriften anzeigt.
• Testen: Das SQL in diesem Artikel dient als Beispiel. Validieren Sie Abfragen in Ihrem Workspace, bevor Sie Dashboards breit teilen.

Einrichtung

Schritt 1: SQL-Abfrage für den täglichen Umsatz erstellen

1. Gehen Sie zu Analytics > Query Builder.
2. Wählen Sie Create SQL Query und dann SQL Editor aus.
3. Benennen Sie die Abfrage (zum Beispiel Flash Thread — daily eCommerce revenue).
4. Fügen Sie die folgende Abfrage für den Gesamtumsatz pro Kalendertag der letzten 60 Tage ein und passen Sie sie an:

1
2
3
4
5
6
7
8
9

SELECT
  DATE_TRUNC('day', TO_TIMESTAMP_NTZ(TIME))::DATE AS "Date",
  SUM(PARSE_JSON(PROPERTIES):total_value::NUMBER(18, 2)) AS "Total Revenue"
FROM USERS_BEHAVIORS_CUSTOMEVENT_SHARED
WHERE NAME = 'ecommerce.order_placed'
  AND TO_TIMESTAMP_NTZ(TIME) >= DATEADD(day, -60, CURRENT_TIMESTAMP())
  AND TO_TIMESTAMP_NTZ(TIME) <= CURRENT_TIMESTAMP()
GROUP BY 1
ORDER BY 1;

5. Wählen Sie Run Query und dann Save aus.

Details zur Einrichtung des Query Builders finden Sie unter Berichte im Query Builder ausführen.

Schritt 2: Abfrage zu einer Dashboard-Builder-Kachel hinzufügen

1. Gehen Sie zu Analytics > Dashboard Builder.
2. Wählen Sie Create Dashboard aus (oder öffnen Sie ein bestehendes Dashboard).
3. Wählen Sie als Datenquelle Custom Queries aus.
4. Wählen Sie + Add Tile und dann die Abfrage aus, die Sie in Schritt 1 gespeichert haben.
5. Wählen Sie das Stiftsymbol aus, um die Kachel zu bearbeiten:
   • Setzen Sie den Chart-Typ auf Line graph.
   • Setzen Sie die X-Achse auf Date.
   • Setzen Sie die Y-Achse auf Total Revenue.
6. Passen Sie die Kachelgröße nach Bedarf an und wählen Sie dann Save aus.
7. Wählen Sie View Dashboard > Run Dashboard aus.

Die Dashboard-Erstellung kann einige Minuten dauern. Siehe Ein angepasstes Dashboard erstellen.

Schritt 3: Zusätzliche Order Placed-Metriken hinzufügen (optional)

Erstellen Sie separate gespeicherte Abfragen und fügen Sie jede als eigene Kachel hinzu (bis zu 10 Kacheln pro Dashboard).

Durchschnittlicher Bestellwert und Bestellanzahl pro Tag

1
2
3
4
5
6
7
8
9
10

SELECT
  DATE_TRUNC('day', TO_TIMESTAMP_NTZ(TIME))::DATE AS "Date",
  AVG(PARSE_JSON(PROPERTIES):total_value::NUMBER(18, 2)) AS "Average Order Value",
  COUNT(*) AS "No. of Orders"
FROM USERS_BEHAVIORS_CUSTOMEVENT_SHARED
WHERE NAME = 'ecommerce.order_placed'
  AND TO_TIMESTAMP_NTZ(TIME) >= DATEADD(day, -60, CURRENT_TIMESTAMP())
  AND TO_TIMESTAMP_NTZ(TIME) <= CURRENT_TIMESTAMP()
GROUP BY 1
ORDER BY 1;

Verwenden Sie ein Linien- oder Balkendiagramm mit Date auf der X-Achse und beiden Metriken auf der Y-Achse (deaktivieren Sie Spalten, die Sie nicht anzeigen möchten).

Neue gegenüber wiederkehrenden Käufer:innen pro Tag

Dieses Muster vergleicht den ersten ecommerce.order_placed-Tag jeder Nutzer:in mit späteren Kauftagen. Es ist am genauesten, wenn Ihr Query-Builder-Fenster den vollständigen Berichtszeitraum abdeckt (zum Beispiel das standardmäßige 60-Tage-Fenster).

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

WITH order_days AS (
  SELECT DISTINCT
    USER_ID,
    DATE_TRUNC('day', TO_TIMESTAMP_NTZ(TIME))::DATE AS purchase_day
  FROM USERS_BEHAVIORS_CUSTOMEVENT_SHARED
  WHERE NAME = 'ecommerce.order_placed'
),
first_purchase AS (
  SELECT
    USER_ID,
    MIN(purchase_day) AS first_day
  FROM order_days
  GROUP BY USER_ID
),
per_day_purchasers AS (
  SELECT DISTINCT
    USER_ID,
    purchase_day
  FROM order_days
)
SELECT
  p.purchase_day AS "Date",
  COUNT(DISTINCT CASE
    WHEN f.first_day = p.purchase_day THEN p.USER_ID
  END) AS "New Purchasers",
  COUNT(DISTINCT CASE
    WHEN f.first_day < p.purchase_day THEN p.USER_ID
  END) AS "Returning Purchasers"
FROM per_day_purchasers AS p
INNER JOIN first_purchase AS f
  ON p.USER_ID = f.USER_ID
GROUP BY 1
ORDER BY 1;

Produktkategorie aus Bestellpositionen

Entfalten Sie das products-Array und filtern Sie nach Ihrem Kategoriefeld. Ersetzen Sie metadata.category, wenn Sie einen anderen Produkt-Metadaten-Schlüssel verwenden.

1
2
3
4
5
6
7
8
9
10
11

SELECT
  f.value:metadata:category::STRING AS "Product Category",
  COUNT(*) AS "Line Items"
FROM USERS_BEHAVIORS_CUSTOMEVENT_SHARED,
  LATERAL FLATTEN(INPUT => PARSE_JSON(PROPERTIES):products) f
WHERE NAME = 'ecommerce.order_placed'
  AND f.value:metadata:category::STRING IS NOT NULL
  AND TRIM(f.value:metadata:category::STRING) != ''
  AND LOWER(TRIM(f.value:metadata:category::STRING)) != 'undefined'
GROUP BY 1
ORDER BY 2 DESC;

Käufe und Umsatz nach Segment (Segment-Analytics)

Dafür ist Segment-Analytics-Tracking für die Segmente erforderlich, über die Sie berichten. Verwenden Sie SQL-Variablen für Datumsauswahlen.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

WITH event_conversions AS (
  SELECT
    user_id,
    time,
    TRY_CAST(GET_PATH(PARSE_JSON(PROPERTIES), 'total_value')::string AS FLOAT) AS price,
    id AS purchase_event_id,
    f.value::string AS user_segment_membership_id
  FROM USERS_BEHAVIORS_CUSTOMEVENT_SHARED,
    LATERAL FLATTEN(input => user_segment_membership_ids) AS f
  WHERE NAME = 'ecommerce.order_placed'
    AND time > {{start_date.${Start Date}}}
    AND time < {{end_date.${End Date}}}
)
SELECT
  user_segment_membership_id AS "Segment Analytics Id",
  COUNT(DISTINCT purchase_event_id) AS "Total Purchases",
  ROUND(SUM(price), 2) AS "Total Revenue"
FROM event_conversions
GROUP BY 1
ORDER BY 3 DESC;

Weitere integrierte E-Commerce-Berichte

Verwandte Artikel

• Empfohlene E-Commerce-Events
• Query Builder
• SQL-Variablen im Query Builder
• Dashboard Builder
• Revenue - Last Touch Attribution
• SQL-Tabellenreferenz
• Segment-Analytics-Tracking