Client-SDK's
4 platforms
- voedt
- Kafkavalideren
Alle case studies
ProductanalyticsExperimenterenPersonalisatie6 maanden
Masters
Vier analyticstools waren het oneens over dezelfde cijfers. Nu is er één set die iedereen vertrouwt.
CTR aanbiedingen
6.4%
Gerankte aanbiedingen met experimentcontroles
Was
4.5%
Statische regels, hetzelfde aanbod voor iedereen
In gewone taal
Wat dit is.
Geen jargon in deze sectie. De technische uitwerking staat verderop.
Wat er misging
Het bedrijf draaide op vier platforms die gebruikers elk anders telden, zodat twee dashboards een vijfde konden verschillen en niemand kon zeggen welke klopte. Over productbeslissingen werd gediscussieerd in plaats van gemeten.
Wat we bouwden
We hebben met product, growth en finance samen één definitie per belangrijk getal afgesproken, de rapportage op die definities opnieuw opgebouwd en de controles toegevoegd die nodig zijn om wijzigingen goed te testen.
Wat er veranderde
Eén gedeelde set cijfers, negen tests tegelijk in plaats van twee, en discussies over attributie van de vergaderagenda. Het aandeel mensen dat op een aanbod klikt, ging van 4,5% naar 6,4%.
Architectuur
Hoe het in elkaar past.
Scroll door de fasen. Alles wat als toegevoegd is gemarkeerd, is een component dat vóór dit project niet bestond.
Kafka
contracten
- ontvangt van
- Client-SDK'svalideren
- voedt
- ClickHouse
ClickHouse
raw + marts
- ontvangt van
- Kafka
- voedt
- dbt-metrics
dbt-metrics
beheerd
- ontvangt van
- ClickHouse
- voedt
- LightGBMfeatures
LightGBM
ranking aanbiedingen
- ontvangt van
- dbt-metricsfeatures
- voedt
- Experimentenserveren
Experimenten
lift + bias
- ontvangt van
- LightGBMserveren
Client-SDK's
4 platforms
- voedt
- Kafkavalideren
Kafka
contracten
- ontvangt van
- Client-SDK'svalideren
- voedt
- ClickHouse
ClickHouse
raw + marts
- ontvangt van
- Kafka
- voedt
- dbt-metrics
dbt-metrics
beheerd
Dit hebben wij toegevoegd- ontvangt van
- ClickHouse
- voedt
- LightGBMfeatures
LightGBM
ranking aanbiedingen
Dit hebben wij toegevoegd- ontvangt van
- dbt-metricsfeatures
- voedt
- Experimentenserveren
Experimenten
lift + bias
Dit hebben wij toegevoegd- ontvangt van
- LightGBMserveren
De uitwerking
Hoe het gebouwd zou worden.
Dataset, aanpak, doelmetrics en de stack. Geschreven voor wie het moet reviewen.
ProductanalyticsExperimenterenPersonalisatie6 maanden
Masters
Eén analyticsbasis en personalisatie, zodat teams betrouwbare experimenten draaien en sneller werken.
Probleem
Vier platforms stuurden onverenigbare eventschema's, zodat niemand het eens kon worden over wat een behouden gebruiker was. Productbeslissingen werden genomen op dashboards die tot 20% van elkaar afweken.
Dataset
- rijen
- 412M events
- features
- 86
- bronnen
- iOS, Android, Web, CRM
- periode
- 24 maanden
Aanpak
- 01Eén eventtaxonomie gedefinieerd, met trackingcontracten afgedwongen in CI
- 02Alle bronnen naar één warehouse gestreamd, met identity stitching
- 03Cohort- en retentieweergaven gebouwd op een beheerde metrics-laag
- 04Een rankingmodel voor aanbiedingen uitgerold achter een experimentframework
Metrics
- 0.87
- ranking-AUC +0.11
- 6.4%
- CTR aanbiedingen +1.9pp
- <1%
- metric-drift tussen teams
- 340ms
- query p95 -2.1s
Bewijs
- bron
- Referentieontwerp
- cijfers
- Illustratief — typische waarden voor dit ontwerp
- meting
- Niet gemeten. Gangbare waarden voor een referentieontwerp van dit type, niet waargenomen op een klantsysteem.
- referentie
- Niet beschikbaar voor dit project
- laatst gecontroleerd
- 2026-08-25
Bedrijfsimpact
- Eén gedeelde KPI-definitie voor product, growth en finance
- Experimenteersnelheid omhoog van 2 naar 9 gelijktijdige tests
- Discussies over attributie verdwenen als terugkerend vergaderonderwerp
Tech stack
- Python
- ClickHouse
- Apache Kafka
- dbt
- Airflow
- FastAPI
- LightGBM
- Metabase
Volgende
Een systeem als dit nodig?
Beantwoord zes vragen en we vertellen je of deze opzet bij je probleem past — ook als dat niet zo is.