Ketika DataLab pertama kali diluncurkan, kami bekerja keras untuk memastikan bahwa ia memberikan pengalaman terbaik untuk melakukan pekerjaan data science dan analitik data. Ini berarti membangun editor yang cepat dan ringan, memungkinkan kolaborasi waktu nyata, dan menghasilkan laporan profesional hanya-baca.
Pada saat yang sama, kami mengandalkan alat pihak ketiga untuk melakukan analisis internal kami. Metrik produk seperti jumlah pengguna yang menggunakan DataLab dan waktu yang dihabiskan di platform dilacak menggunakan alat lain. Kami menyadari bahwa jika kami ingin serius menjadikan DataLab sebagai alat untuk pekerjaan profesional, kami harus menggunakannya sendiri.
Artikel ini akan mengulas bagaimana kami melakukan analitik internal di masa lalu dan bagaimana kami beralih ke DataLab. Artikel ini juga akan membahas keunggulan dan pembelajaran yang kami dapatkan dari transisi tersebut.
Analitik kami sebelum DataLab
Sebelum DataLab, alat utama kami untuk analitik internal pada produk adalah Metabase. Metabase adalah alat business intelligence yang terhubung ke data lake yang berisi informasi tentang konten dan aktivitas DataLab. Dengan Metabase, kami dapat dengan cepat menjalankan kueri SQL, membuat laporan, dan bahkan membuat dasbor dinamis.
Metabase digunakan secara luas di seluruh tim. Kami menggunakannya untuk memantau seberapa terlibat pengguna dengan berbagai jenis konten, berapa banyak waktu yang dihabiskan pengguna di Workspace, dan berapa banyak pengguna yang berinteraksi dengan DataLab setiap hari, setiap minggu, dan setiap bulan.
Menggunakan DataLab untuk analitik kami pada tahap ini belum umum. Ini hanya terjadi ketika kami menemui batasan SQL atau kemampuan visualisasi tanpa kode milik Metabase. Dalam kasus seperti itu, kami mengekspor data mentah, menambahkannya secara manual ke buku kerja baru, lalu melanjutkan analisisnya di Python. Namun, proses ini merepotkan dan membuat pembaruan data menjadi menyulitkan.
Mengapa kami beralih ke DataLab
Seiring pertumbuhan DataLab, pertanyaan yang ingin kami jawab tentang pengguna dan waktu mereka di DataLab menjadi semakin kompleks. Walaupun Metabase sangat praktis, banyak pertanyaan kami membutuhkan alat tambahan yang disediakan oleh Python dan R.
Kami juga tahu bahwa jika kami ingin memberikan pengalaman pengguna terbaik, kami harus menggunakannya sendiri, sebuah praktik yang disebut “dogfooding”. Memang, cara terbaik untuk memahami keterbatasan dan hal-hal yang membuat frustrasi di DataLab adalah dengan menggunakannya sendiri.
Karena dua alasan ini, kami menetapkan tujuan untuk memindahkan sebagian besar analitik kami dari Metabase ke DataLab mulai musim panas 2022.
Transisinya
Transisi dimulai ketika kami meluncurkan sel SQL di dalam DataLab. Kini, kami dapat mengkueri data yang sama seperti yang kami akses di Metabase, tetapi hasil kueri langsung diubah menjadi DataFrame Python atau R (tergantung alat yang kami gunakan). Kami dapat dengan mudah beralih antara mengkueri basis data dan menganalisis hasilnya dengan alat pilihan kami. Dalam beberapa minggu, kami memigrasikan sebagian besar kueri yang ada dari Metabase ke DataLab.
Hingga saat artikel ini ditulis, ada 141 pengguna DataCamp berbeda yang telah menghabiskan 30 menit atau lebih di dalam DataLab. Seperti yang terlihat pada grafik, ini merupakan kemajuan yang stabil!
Kami terus merekrut DataCamper baru ke dalam DataLab!
Keuntungan beralih ke DataLab
Sejak beralih ke DataLab, kami menemukan beberapa keunggulan utama dalam pekerjaan sehari-hari kami:
- Visualisasi yang sepenuhnya dapat dikustomisasi: Meskipun Metabase menawarkan banyak visualisasi dan atribut yang dapat disesuaikan, kemungkinannya tidak tak terbatas. Dengan DataLab, hasil kueri SQL kami dikembalikan sebagai DataFrame. Ini berarti kami dapat menggunakan pustaka Python seperti Plotly untuk membuat bagan dengan anotasi, tema kustom, dan jenis plot yang unik.
Contoh salah satu visualisasi yang kami buat di dalam DataLab dengan mengakses data internal kami.
- Analitik lanjutan: Dengan menggabungkan SQL dengan Python atau R, kami dapat langsung menganalisis data menggunakan teknik yang tidak dimungkinkan di SQL. Ini memungkinkan kami melakukan hal-hal seperti segmentasi pengguna dan melatih model klasifikasi untuk memprediksi bagaimana pengguna bekerja di dalam DataLab.
- Pelaporan deskriptif: Dasbor sangat baik untuk pengguna yang sudah familier dengan produk. Namun, dasbor bisa sulit ditafsirkan bagi pendatang baru atau orang di luar tim. Dengan DataLab, kami dapat menyisipkan ringkasan tertulis di seluruh laporan kami yang dapat dibaca kemudian oleh para pemangku kepentingan terkait.
- Publikasi yang dapat dibagikan dan bersifat sosial: Kemampuan membagikan tautan ke buku kerja yang dipublikasikan sangat berharga. Analisis yang dipublikasikan sampai ke tangan CEO dan eksekutif lain, yang kemudian menambahkan umpan balik berupa komentar dan pertanyaan. Dikombinasikan dengan sifat deskriptif buku kerja yang dipublikasikan, manajemen dapat membaca pekerjaan analitik kapan pun tanpa perlu pengarahan langsung.
- Bagan tanpa kode: Sebagian besar DataCamper memiliki keterampilan SQL, tetapi tidak semua nyaman dengan Python atau R. Sel bagan memungkinkan pengguna yang kurang teknis menyampaikan wawasan mereka menggunakan visualisasi berkualitas tinggi tanpa menulis satu baris kode pun.
Sel bagan tanpa kode kami saat beraksi!
Apa yang telah kami pelajari sejauh ini
Per pertengahan Oktober, para DataCamper telah menghabiskan total 4132 jam di dalam DataLab! Kami kini telah memigrasikan semua pelaporan utama terkait target triwulanan dan penggunaan produk ke DataLab. Berikut ringkasan pembelajaran utama kami dan bagaimana hal ini memengaruhi DataLab sebagai produk:
- Kecepatan itu krusial: Menyebalkan jika harus menunggu lebih lama dari perkiraan untuk memuat buku kerja, mengeksekusi kode, atau mengembalikan hasil kueri. Pengalaman seharusnya setidaknya sama cepatnya dan idealnya lebih cepat daripada bekerja di Jupyter Notebook lokal. Tim kami telah membuat kemajuan besar dalam mengurangi waktu pemuatan notebook dan publikasi. Mereka juga bekerja untuk memastikan eksekusi kode setara dengan notebook lokal.
- Tidak semua orang ingin melihat kodenya: Dahulu, publikasi kami berisi sel besar penuh kueri SQL yang rumit dan kode Python yang padat. Meskipun ini berguna bagi rekan kerja untuk meninjau aspek teknis laporan, sering kali hal itu mengaburkan wawasan utama laporan. Anda bisa menyembunyikan sel dan publikasi dengan beralih ke editor JupyterLab di DataLab, tetapi ini tidak tercermin di editor DataCamp Notebook. Mengetahui hal ini, kami merilis cara untuk menyembunyikan sel kode dan SQL di buku kerja Anda dengan mudah. Ini memungkinkan Anda menyiapkan laporan hanya-baca yang indah untuk dibagikan kepada pemangku kepentingan mana pun. Pengguna kami menyukainya.
- Menjalankan ulang notebook bisa membuat frustrasi: Untuk sebagian besar pelacakan, kami sangat bergantung pada pembaruan harian jumlah pengguna, tingkat aktivitas, dan adopsi fitur. Tidak seperti dasbor dinamis yang menyegarkan saat data baru tersedia, buku kerja harus dijalankan ulang setiap saat. Berdasarkan pengalaman kami sendiri, kami berencana mendukung penjadwalan eksekusi buku kerja. Ini akan memastikan laporan selalu memuat wawasan terbaru.
Pembelajaran ini belum termasuk banyak penyesuaian kecil yang kami buat pada editor sejak kami beralih ke DataLab. Antarmuka pengguna, dasbor, dan fitur seperti sel bagan terus ditingkatkan, didorong oleh umpan balik pengguna, baik internal maupun eksternal.
Ke depan
Walaupun proses menggunakan produk kami sendiri telah mengungkap banyak cara untuk meningkatkan, kami tahu itu baru separuh cerita. Dikombinasikan dengan umpan balik yang kami terima secara internal, tim kami giat mewawancarai pengguna DataLab. Wawancara ini melengkapi temuan kami dan membantu kami menangkap hal-hal yang mungkin terlewat melalui pengujian internal.
Kami juga meluncurkan survei pengguna pada akhir September sebagai bagian dari buletin dwimingguan kami. Survei ini memungkinkan kami mengumpulkan informasi kuantitatif dari pengguna. Hasil ini membantu kami mengidentifikasi inisiatif prioritas tinggi untuk DataLab dan memahami bagaimana produk kami digunakan. Dan, tentu saja, data survei dianalisis dan divisualisasikan dengan DataLab!
Alasan utama pengguna kami melaporkan menggunakan DataLab adalah untuk mencoba contoh kode dengan cepat. Bagaimana Anda menggunakan DataLab?
Dalam beberapa bulan mendatang, kami berencana melangkah lebih jauh menuju lingkungan analitik eksklusif DataLab. Transisi ini menjadi semakin mudah dengan setiap fitur dan perbaikan baru yang dibuat oleh tim rekayasa kami terhadap produk.
Jika Anda tertarik menggunakan DataLab untuk kebutuhan analitik data dan data science internal Anda, Anda dapat membaca selengkapnya di sini. Atau lebih baik lagi, langsung buka buku kerja Python atau R kosong dan mulai ngoding sekarang!
