ETL и датавиз для Rusprofile: seo-аналитика на больших данных

Rusprofile — сервис для проверки и анализа контрагентов, который предоставляет подробную актуальную информацию о более чем 10 миллионах российских юридических лиц и 12 миллионах индивидуальных предпринимателей. Ежедневно сайт посещает более 500 000 пользователей.

Задача: разработать решение для анализа больших объемов данных, которое позволит контролировать и повышать эффективность поискового продвижения сайта, несмотря на ограничения сэмплирования в Яндекс Метрике. Несэмплированные данные доступны максимум за две недели, а для получения полного доступа необходимо подключать Метрику ПРО (от 300 тысяч рублей в месяц).

Мы начали с создания собственного хранилища данных и визуализации их в дашборде на основе Yandex DataLens.

Цели дашборда

1. Мониторинг ключевых метрик SEO: позволяет быстро отслеживать динамику органического трафика и видимость сайта по ключевым показателям (поисковая система, группа запросов, смысл поискового запроса).

2. Принятие решений на основе данных: из-за сэмплирования в Яндекс.Метрике данные часто искажены. Дашборд предоставляет чистые, несэмплированные данные для анализа, что упрощает принятие стратегических решений.

3. Идентификация точек роста и проблемных зон: дашборд показывает динамику роста по группам запросов и позволяет оперативно выявлять резкие падения позиций по отдельным группам, что дает возможность своевременно принимать меры.

Основная особенность проекта — действительно большой объем данных.

Например, выгрузка данных из Яндекс.Метрики за один месяц содержит около 15 млн строк и весит более 3 ГБ, и это при использовании всего 14 полей из всех доступных в Logs API.

Чтобы сохранить доступ к данным, мы использовали только российские и опенсорсные решения:

ClickHouse — для хранения данных, поскольку эта колоночная СУБД разработана специально для работы с большими объемами данных.

Airflow — для оркестрации потоков данных.

Yandex DataLens — для визуализации данных, так как инструмент российский, обладает нужным функционалом и активно развивается.

Jupyter Notebooks (Python) — для удобства работы с кодом (на основе опыта Netflix: Beyond Interactive: Notebook Innovation at Netflix и Part 2: Scheduling Notebooks at Netflix)

Мы спроектировали структуру датасета и его хранение в базе данных, чтобы:

— не выгружать лишние данные, которые не будут использоваться;

— предусмотреть защиту от дубликации данных при загрузке;

— защитить процесс загрузки данных от сбоев соединения.

Также мы написали коннекторы к:

— Logs API Яндекс Метрики;

— API Топвизора.

Для обеспечения безопасности и повышения скорости работы дашборда в базе данных создано несколько слоев:

— временные данные (tmp-слой) — сюда данные загружаются на начальном этапе. В случае обрыва соединения затронуты будут только временные таблицы, а основная таблица останется нетронутой;

— сырые, неагрегированные данные (raw-слой) — сюда данные импортируются из временных таблиц. Дополнительно проверяется отсутствие пересечения датасетов, а дата импорта фиксируется для возможности отслеживания изменений;

— витрины данных (dwh-слой) — этот слой формируется на основе raw-слоя и содержит агрегированные данные в нужных срезах. Использование витрин снижает нагрузку на базу и ускоряет загрузку чартов в дашборде.

Такая структура защищает от ошибок и ускоряет работу дашборда.

При загрузке данных мы дополнительно обогащаем их, чтобы получить дополнительные срезы, недоступные в текущих инструментах:

Для данных из Яндекс Метрики

— размечаем разделы сайта с помощью регулярных выражений, что позволяет быстро фильтровать по ключевым разделам в дашборде;

— вычисляем плановые показатели с индивидуальными коэффициентами для каждой поисковой системы, что даёт возможность гибко задавать план по трафику и контролировать его выполнение;

Для данных из Топвизора – размечаем запросы по группам и поисковому интенту на основе словаря в Google Sheets, что обеспечивает более гибкую сегментацию в отчетах.

Для обеспечения актуальности данных в отчетах мы разработали пайплайн в Apache Airflow:

— данные из Яндекс.Метрики выгружаются ежедневно за предыдущий день и загружаются в базу;

— по понедельникам пересчитывается агрегация данных о визитах из Яндекс.Метрики;

— также по понедельникам выгружаются данные Топвизора за прошедшую неделю и обновляется агрегация;

— по результатам всех операций в Telegram-чат отправляются уведомления о статусе и обновлении выгрузки, а логи хранятся на сервере в формате Jupyter-ноутбуков, что позволяет легко определить причину сбоя в случае возникновения ошибки.

Сам дашборд мы создали в Yandex DataLens, следуя продуктовой логике:

На старте у нас были четкое понимание ожиданий заказчика, примерное представление о конечном результате и важные для него срезы данных.

Настроив выгрузку данных из Яндекс.Метрики, мы сразу реализовали MVP вкладки с данными о посещаемости. После этого в ходе 3–4 итераций мы доработали дашборд: изменили логику расчета план-факта, внедрили витрины для повышения скорости, добавили сравнение произвольных периодов.

К моменту работы над вкладкой с позициями заказчик уже получил рабочий инструмент для отслеживания динамики поискового трафика. В процессе разработки вкладка с позициями также претерпела ряд изменений и улучшений.

После создания каждой вкладки мы проводили кросс-проверку данных, чтобы исключить ошибки в расчетах.

В процессе настройки дашборда у нас возникали интересные заморочки, например:

1. Раздел «план-факт»

Сначала он рассчитывался отдельно по месяцам и неделям на уровне DataLens и общей формулы. Позже стало понятно, что нужны разные коэффициенты для Яндекса и Google. Поэтому расчеты были перенесены на уровень базы данных, что упростило контроль и повысило скорость загрузки чартов.

2. Позиции в Топвизоре

Мы обнаружили, что из-за недостаточного баланса позиции могут не обновиться. На этот случай добавили возможность задавать позиции по шаблону для конкретного дня и среза в Google Sheets — эти данные подхватываются при агрегации и записываются в таблицу.

3. Загрузка датасета с историческими данными из Яндекс.Метрики

Для этой задачи потребовался стационарный ПК, так как на MacBook не хватило места на SSD-диске. Мы написали цикл, который целую ночью загружал данные в базу небольшими частями по 1 млн строк.

4. Неожиданные вопросы

Как-то раз Сергей Торкунов (наш заказчик) спросил, например, такое: «Сколько страниц нужно взять из 36 млн, чтобы выборка отражала положение дел с точностью 95%?». Нам периодически приходилось освежать знания по теории вероятностей, а однажды даже обратиться к преподавателю из университета, чтобы убедиться в правильности расчетов.

Работать с человеком, который входит в топ-20 известнейших SEO-персон, не только ответственно и круто, но и очень увлекательно!

5. Развитие дашборда

Пока писали этот кейс, доработали датасет по позициям на основе новых вводных. Теперь в мониторинге еженедельные данные по 515 000 поисковых запросов, которые можно отфильтровать и по сайту заказчика, и по конкурентам. При этом у всех будет разбивка по группам и смысловому интенту.

Мы создали ETL и систему дашбордов, которые решают проблему анализа больших объемов данных для контроля и повышения эффективности поискового продвижения сайта, осложненного из-за сэмплирования данных.

На данный момент:

— затраты на настройку системы визуализации окупились еще в августе;

— мы экономим для клиента по 300 000 рублей ежемесячно, исключив необходимость подключения Метрики ПРО для доступа к несэмплированным данным;

— за счет собственной системы хранения и обработки данных обеспечиваем постоянный доступ ко всему массиву информации.