Dataplattform för e-handel - 15 datakällor till en BigQuery-sanning
Ett illustrativt case baserat på verkligt arbete: hur en svensk e-handlare med 3 MSEK i månadsomsättning konsoliderade 15 spridda datakällor till en BigQuery-baserad plattform som driver realtidsbeslut inom marknad, lager och kundanalys.
15
datakällor konsoliderade
25%
ökning i ROAS från bättre målgrupper
40 h/v
sparade i manuell rapportering
Utmaning
Fyra konkreta problem som drev fram beslutet att bygga en central dataplattform.
Data i silos
Shopify, Google Analytics 4, Meta Ads, Google Ads, Klarna, lagerhantering och kundtjänst - alla i separata system med egna definitioner. Ingen kunde säga vad en kund faktiskt var värd.
Manuella rapporter varje vecka
Två personer i marknadsteamet tillbringade två dagar i veckan med att kopiera data mellan kalkylblad. Rapporterna var inaktuella redan när de publicerades.
Ingen enhetlig kundbild
Kundresan sträckte sig över annonsplattformar, webb, e-post och kundtjänst - men ingen såg hela bilden. Retargeting byggde på fragmenterad data.
Beslut baserade på magkänsla
Budgetering och kampanjprioritering styrdes av senaste månadens siffror i Excel - inte av faktisk avkastning. Miljonbeslut fattades utan datastöd.
Lösning
Sex byggstenar i en dataplattform byggd för e-handelns verklighet.
Dataingestion med Fivetran
Femton källor anslöts via Fivetran till BigQuery: Shopify, GA4, Meta Ads, Google Ads, Klarna, Småland (lager), Zendesk och email-plattform. Data landar rå i separata dataset.
dbt för transformation
All transformation i versionshanterade dbt-modeller. Rådata → staging → marts. Affärsentiteter som kund-LTV, kanal-ROAS och lagerprognoser byggs med SQL och testas automatiskt.
Enhetlig kundmodell
En kundidentifierare som följer över alla kanaler: från första annonsklick till order, retur och supportärende. Attribution på användarnivå med走后 blick i 180 dagar.
Looker Studio-dashboardar
Rollbaserade dashboardar: marknad ser kanal-ROAS och CPA i realtid, inköp ser lageromsättning och prognoser, ledning ser kohortanalys och LTV per förvärvskanal.
Kostnadskontroll från start
Partitionering på datum, clustering på kund-ID och kanal. Budget alerts på 80% av månadsbudget. SQL-kostnad per query caps via max_bytes_billed.
Scheduled pipelines och larm
Pipelines körs på schema: kritiska tabeller uppdateras var 30:e minut. Datafreshness-alarm via Slack om en källa inte har levererat data inom utsatt tid.
Teknikstack
Resultat
Vad förändrades efter tio veckor.
25% högre ROAS på betald trafik
Med enhetlig kunddata kunde marknadsteamet bygga målgrupper baserade på verkligt LTV i stället för senaste ordern. CPA sjönk med 18% samtidigt som AOV ökade.
40 timmar sparade per vecka
Manuell rapportering är helt eliminerad. Marknad och ledning har realtidsdata utan mellanled. Två personer har frigjorts till analys och strategi.
Datadrivet beslut som standard
Varje veckomöte utgår från samma dashboard. Budget omfördelas baserat på faktisk ROAS - inte senaste månadens trend. Inga fler Excel-bråk.
Fakta om uppdraget
Bransch
E-handel
Tidslinje
10 veckor
Format
Solo-leverans + intern produktchef
Kund
Anonymiserad - svensk e-handlare
Detta case är anonymiserat - siffror och tekniska val är representativa men inte exakta. Den underliggande arkitekturen och arbetsmodellen är dock direkt återanvändbar för liknande uppdrag.
Bygga dataplattform för er e-handel?
Tjänsten Dataplattform täcker hela vägen - genomlysning, ingestion, modellering, BI och förvaltning. För djupare bakgrund i metoden, se guiden BigQuery-dataplattform från noll.
Läs om tjänsten