İç analizlerimiz için DataLab’e nasıl geçtik

DataLab ilk kez piyasaya çıktığında, veri bilimi ve veri analizi çalışmalarını yürütmek için en iyi deneyimi sunmak adına çok çalıştık. Bu da hızlı, hafif bir düzenleyici oluşturmak, gerçek zamanlı işbirliğini etkinleştirmek ve yalnızca okunabilir profesyonel raporlar üretmek anlamına geliyordu.

Aynı zamanda, iç analizlerimizi yürütmek için üçüncü taraf araçlara güveniyorduk. DataLab’i kullanan kullanıcı sayısı ve platformda geçirilen süre gibi ürün metrikleri başka araçlarla takip ediliyordu. DataLab’i profesyonel işler için bir araç olarak ciddiye almak istiyorsak, onu bizim de kullanmamız gerektiğini fark ettik.

Bu makale, geçmişte iç analizleri nasıl yürüttüğümüzü ve DataLab’e nasıl geçtiğimizi derinlemesine ele alacak. Ayrıca geçişten elde ettiğimiz avantajları ve öğrendiklerimizi de kapsayacak.

DataLab öncesi analizlerimiz

DataLab’den önce, ürüne dair iç analizler için birincil aracımız Metabase idi. Metabase, DataLab içeriği ve etkinliği hakkında bilgi içeren bir veri gölüne bağlı bir iş zekâsı aracıdır. Metabase ile hızlıca SQL sorguları çalıştırabilir, raporlar oluşturabilir ve hatta dinamik panolar yaratabilirdik.

Metabase ekip genelinde yaygın olarak kullanılıyordu. Farklı içerik türleriyle kullanıcıların ne kadar etkileşimde bulunduğunu, kullanıcılarımızın Workspace’te ne kadar zaman geçirdiğini ve günlük, haftalık ve aylık bazda kaç kullanıcının DataLab ile etkileşim kurduğunu izlemek için kullanıyorduk. 

Bu noktada analizlerimiz için DataLab’i kullanmak o kadar yaygın değildi. Genellikle yalnızca SQL’in ya da Metabase’in kodsuz görselleştirme yeteneklerinin sınırlarına takıldığımızda başvuruyorduk. Bu durumlarda ham veriyi dışa aktarır, elle yeni bir çalışma kitabına ekler ve analize Python’da devam ederdik. Ancak bu süreç zahmetliydi ve verileri güncellemeyi sıkıntılı hale getiriyordu.

Neden DataLab’e geçtik

DataLab büyüdükçe, kullanıcılarımız ve onların DataLab’de geçirdiği süre hakkında yanıtlamak istediğimiz sorular giderek karmaşıklaştı. Metabase her ne kadar pratik olsa da sorularımızın çoğu, Python ve R’ın sunduğu ek araçları gerektiriyordu.

Ayrıca, en iyi kullanıcı deneyimini sunmak istiyorsak, ürünü bizim de kullanmamız gerektiğini, “dogfooding” olarak adlandırılan bir uygulamayı, biliyorduk. Gerçekten de DataLab’in sınırlamalarını ve hayal kırıklıklarını anlamanın en iyi yolu, onu bizzat kullanmaktan daha iyi ne olabilirdi?

Bu iki nedenle, 2022 yazından itibaren analizlerimizin büyük kısmını Metabase’ten DataLab’e taşımayı hedefledik.

Geçiş

Geçiş, DataLab içinde SQL hücrelerini kullanıma sunduğumuzda başladı. Artık Metabase’te eriştiğimizle aynı verileri sorgulayabiliyor, ancak sorgu sonuçlarını anında bir Python veya R DataFrame’ine (kullandığımız araca bağlı olarak) dönüştürebiliyorduk. Veritabanımızı sorgulamak ile sonuçları tercih ettiğimiz araçlarla analiz etmek arasında kolayca geçiş yapabiliyorduk. Birkaç hafta içinde mevcut sorgularımızın çoğunu Metabase’ten DataLab’e taşıdık.

Bu yazının yazıldığı tarih itibarıyla, DataLab içinde 30 dakika veya daha fazla zaman geçirmiş 141 farklı DataCamp kullanıcısı var. Grafikte de görülebileceği gibi bu istikrarlı bir ilerleme oldu!

Sürekli olarak yeni DataCamper’ları DataLab’e katıyoruz!

DataLab’e geçmenin avantajları

DataLab’e geçişimizden bu yana günlük çalışmalarımızda birkaç temel avantaj bulduk:

1. Tamamen özelleştirilebilir görselleştirmeler: Metabase çok sayıda görselleştirme ve özelleştirilebilir öznitelik sunsa da olanaklar sınırsız değil. DataLab’de SQL sorgularımızın sonuçları DataFrame olarak döner. Bu da açıklamalar, özel temalar ve benzersiz grafik türleriyle görseller oluşturmak için Plotly gibi Python kütüphanelerini kullanabileceğimiz anlamına gelir.

İç verilerimize erişerek DataLab içinde oluşturduğumuz görselleştirmelerden birine örnek.

1. İleri düzey analitik: SQL’i Python veya R ile birleştirerek, SQL’de mümkün olmayan tekniklerle verilerimizi anında analiz edebiliyoruz. Bu sayede kullanıcılarımızı segmentlere ayırmak ve DataLab içinde nasıl çalıştıklarını tahmin etmek için sınıflandırma modelleri eğitmek gibi işler yapabildik.
2. Betimleyici raporlama: Ürüne aşina kullanıcılar için bir pano harikadır. Ancak ekip dışındakiler veya yeni başlayanlar için bir panoyu yorumlamak zor olabilir. DataLab ile raporlarımızın genelinde daha sonra ilgili paydaşlar tarafından okunabilecek yazılı özetleri gömebiliyoruz.
3. Paylaşılabilir ve sosyal yayınlar: Yayınlanmış bir çalışma kitabına bağlantı paylaşabilme olanağı son derece değerli oldu. Yayınlanan analizler CEO’muzun ve diğer yöneticilerin eline ulaştı; onlar da yorum ve sorularla geri bildirim eklediler. Yayınlanan çalışma kitaplarının betimleyici doğasıyla birleştiğinde, yönetim yüz yüze bir bilgilendirmeye gerek olmadan kendi zamanlarında analitik çalışmaları okuyabildi.
4. Kodsuz grafikler: Çoğu DataCamper’ın SQL becerisi var, ancak herkes Python veya R’da aynı derecede rahat değil. Grafik hücreleri, daha az teknik kullanıcıların tek satır kod yazmadan yüksek kaliteli görsellerle içgörülerini aktarmalarını sağlar.

Kodsuz grafik hücrelerimiz iş başında!

Şimdiye kadar neler öğrendik

Ekim ortası itibarıyla, DataCamper’lar DataLab içinde toplamda 4132 saat geçirdi! Artık üç aylık hedefler ve ürün kullanımıyla ilgili tüm merkezi raporlamayı DataLab’e taşıdık. Aşağıda temel öğrenimlerimizin özeti ve bunların DataLab’e bir ürün olarak nasıl yansıdığı yer alıyor:

1. Hız kritik önemde: Çalışma kitabınızın yüklenmesi, kodun yürütülmesi veya sorgunun sonuç döndürmesi beklenenden uzun sürdüğünde sinir bozucu olur. Deneyim en azından yerelde çalışan bir Jupyter Notebook kadar hızlı, ideal olarak da daha hızlı olmalıdır. Ekibimiz, not defteri ve yayın yükleme sürelerini azaltmada önemli ilerleme kaydetti. Ayrıca kod yürütmenin yerel bir not defteriyle karşılaştırılabilir olmasını sağlamak için çalıştılar.
2. Herkes kodu görmek istemiyor: Geçmişte yayınlarımız, karmaşık SQL sorguları ve yoğun Python kodlarıyla dolu büyük hücreler içerirdi. Bu, bir raporun teknik yönlerini meslektaşların gözden geçirmesi için faydalı olsa da çoğu zaman gerçek içgörülerin önüne geçiyordu. DataLab’de JupyterLab düzenleyicisine geçerek hücreleri ve yayınları gizleyebilirdiniz, ancak bu DataCamp Notebook düzenleyicisinde yansımıyordu. Bunu bildiğimiz için, çalışma kitaplarınızdaki kod ve SQL hücrelerini zahmetsizce gizlemenin bir yolunu kullanıma sunduk. Bu sayede, herhangi bir paydaşla paylaşabileceğiniz, yalnızca okunabilir ve estetik bir rapor sunmanızı sağlıyor. Kullanıcılarımız bu özelliği çok seviyor.
3. Not defterlerini yeniden çalıştırmak can sıkıcı olabilir: Takibimizin büyük bir kısmında, kullanıcı sayıları, etkinlik seviyeleri ve özellik benimseme oranlarına ilişkin günlük güncellemelere yoğun şekilde dayanıyoruz. Yeni veri geldiğinde yenilenen dinamik bir panodan farklı olarak, çalışma kitaplarının her seferinde yeniden çalıştırılması gerekir. Kendi deneyimlerimize dayanarak, çalışma kitabı yürütme zamanlamasını desteklemeyi planlıyoruz. Bu, raporların her zaman en güncel içgörüleri içermesini sağlayacak.

Bu öğrenimler, DataLab’e geçtiğimizden beri düzenleyicide yaptığımız sayısız küçük iyileştirmeyi kapsamıyor. Kullanıcı arayüzü, pano ve grafik hücreleri gibi özellikler, hem iç hem de dış kullanıcıların geri bildirimleriyle sürekli olarak geliştiriliyor.

İleriye dönük

Ürünü kendimizin kullanması, geliştirebileceğimiz pek çok alan ortaya çıkarmış olsa da bunun hikâyenin yalnızca yarısı olduğunu biliyoruz. İçeriden aldığımız geri bildirimlerle birlikte, ekibimiz DataLab kullanıcılarıyla röportaj yapmak için yoğun şekilde çalışıyor. Bu görüşmeler bulgularımızı tamamlıyor ve iç testlerle gözden kaçırabileceklerimizi yakalamamıza yardımcı oluyor.

Ayrıca iki haftada bir yayımlanan bültenimizin bir parçası olarak Eylül ayı sonunda bir kullanıcı anketi başlattık. Bu anket, kullanıcılarımızdan nicel bilgi toplamamıza olanak tanıdı. Bu sonuçlar, DataLab için yüksek öncelikli girişimleri belirlememize ve ürünümüzün nasıl kullanıldığını anlamamıza yardımcı oluyor. Ve elbette, anket verileri DataLab ile analiz edilip görselleştirildi!

Kullanıcılarımızın DataLab’i kullanma nedenleri arasında ilk sırada, kod örneklerini hızlıca denemek yer aldı. Siz DataLab’i nasıl kullanıyorsunuz?

Önümüzdeki aylarda, yalnızca DataLab’e özel bir analitik ortamına daha da fazla yaklaşmayı planlıyoruz. Mühendislik ekibimizin ürüne kazandırdığı her yeni özellikle ve iyileştirmeyle birlikte bu geçiş daha da kolaylaşıyor.

Kendi iç veri analitiği ve veri bilimi ihtiyaçlarınız için DataLab’i kullanmakla ilgileniyorsanız, daha fazlasını buradan okuyabilirsiniz. Ya da daha da iyisi, boş bir Python veya R çalışma kitabına atlayın ve hemen kodlamaya başlayın!