Informes sobre eventos eCommerce Order Placed en el generador de paneles

Crea gráficos personalizados de ingresos y pedidos a partir de eventos recomendados ecommerce.order_placed guardando consultas SQL en el generador de consultas y visualizando los resultados en el generador de paneles.

Acerca de este ejemplo

Flash & Thread, una marca ficticia de comercio minorista de ropa, registra pedidos con eventos recomendados de eCommerce. Su equipo de marketing quiere ver los ingresos diarios, el valor medio de pedido (AOV) y el volumen de pedidos en un solo panel, y no solo la vista prediseñada de atribución de último toque.

Este patrón usa Query Builder para consultar ecommerce.order_placed desde las tablas de eventos compartidas de Snowflake, y luego añade la consulta guardada como un mosaico de Custom Queries en Dashboard Builder. Puedes repetir el flujo de trabajo para métricas adicionales (compradores nuevos frente a recurrentes, categorías de producto o ingresos a nivel de Segment).

Usa este enfoque cuando los paneles de eCommerce integrados no cubran tu combinación de métricas. Para ingresos con atribución de último toque, consulta en su lugar el panel Revenue - Last Touch Attribution.

Consideraciones

• Implementación de eventos: ecommerce.order_placed debe estar implementado y enviando total_value (y datos de producto cuando sea necesario) antes de que las consultas devuelvan datos. Si usas el conector de Shopify, los eventos recomendados podrían estar ya disponibles.
• Acceso a Query Builder: Necesitas el permiso de usuario “View PII” para usar Query Builder.
• Retención de datos: Query Builder devuelve datos de los últimos 60 días de forma predeterminada. Con Snowflake Data Sharing, puedes consultar hasta dos años de datos retenidos. Consulta Query Builder.
• Tiempos de espera: Las consultas que se ejecutan durante más de seis minutos agotan el tiempo de espera. Reduce el rango de fechas, filtra por TIME o reduce el tamaño de la audiencia si un informe falla. Las tablas de eventos están agrupadas por TIME; es preferible filtrar por el momento en que ocurrió el evento.
• Campo de ingresos: Las consultas de ejemplo suman total_value a partir de las properties del evento. Los ingresos estandarizados de eCommerce de Braze en los informes del producto a menudo se derivan del price y la quantity de cada producto. Alinea total_value con tus líneas de producto o ajusta el SQL para que coincida con tu esquema.
• Etiquetas de columna: Envuelve los nombres de columna de visualización entre comillas dobles (por ejemplo, "Date", "Total Revenue") para que Dashboard Builder muestre encabezados de ejes y tablas legibles.
• Pruebas: El SQL de este artículo se proporciona como ejemplo. Valida las consultas en tu espacio de trabajo antes de compartir paneles de forma generalizada.

Configuración

Paso 1: Crear una consulta SQL para los ingresos diarios

1. Ve a Analytics > Query Builder.
2. Selecciona Create SQL Query y luego SQL Editor.
3. Asigna un nombre a la consulta (por ejemplo, Flash Thread — daily eCommerce revenue).
4. Pega y adapta la siguiente consulta para obtener los ingresos totales por día natural en los últimos 60 días:

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. Selecciona Run Query y luego selecciona Save.

Para más detalles sobre la configuración del Query Builder, consulta Ejecución de informes en el Query Builder.

Paso 2: Añadir la consulta a un mosaico del Dashboard Builder

1. Ve a Analytics > Dashboard Builder.
2. Selecciona Create Dashboard (o abre un panel existente).
3. Para el origen de datos, selecciona Custom Queries.
4. Selecciona + Add Tile y luego elige la consulta que guardaste en el paso 1.
5. Selecciona el icono de lápiz para editar el mosaico:
   • Establece el tipo de gráfico en Line graph.
   • Establece X-axis en Date.
   • Establece Y-axis en Total Revenue.
6. Cambia el tamaño del mosaico según sea necesario y selecciona Save.
7. Selecciona View Dashboard > Run Dashboard.

La generación del panel puede tardar unos minutos. Consulta Creación de un panel personalizado.

Paso 3: Añadir métricas adicionales de Order Placed (opcional)

Crea consultas guardadas por separado y luego añade cada una como su propio mosaico (hasta 10 mosaicos por panel).

Valor promedio de pedido y número de pedidos por día

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;

Usa un gráfico de líneas o de barras con Date en el eje X y ambas métricas en el eje Y (deselecciona las columnas que no quieras mostrar).

Compradores nuevos versus recurrentes por día

Este patrón compara el primer día de ecommerce.order_placed de cada usuario con los días de compra posteriores. Es más preciso cuando la ventana de tu Query Builder cubre el periodo completo de generación de informes (por ejemplo, la ventana predeterminada de 60 días).

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;

Categoría de producto a partir de los artículos del pedido

Aplana el arreglo products y filtra por tu campo de categoría. Sustituye metadata.category si utilizas una clave de metadatos de producto diferente.

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;

Compras e ingresos por Segment (análisis de Segments)

Esto requiere el seguimiento de análisis de Segments en los Segments sobre los que generas informes. Usa variables SQL para los selectores de fechas.

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;

Otros informes de eCommerce integrados

Artículos relacionados

• Eventos recomendados de eCommerce
• Query Builder
• Variables SQL en Query Builder
• Dashboard Builder
• Revenue - Last Touch Attribution
• Referencia de tablas SQL
• Seguimiento de análisis de Segment