Как мы построили сквозную аналитику в Power BI

Всем привет! Меня зовут Никита и я CEO компании VSL-BI. Мы занимаемся внедрением BI-аналитики.

К нам обратилась компания из сферы продажи стройматериалов. Они активно работали с рекламой в Яндекс Директ и Google Ads (клиент вел деятельность в Казахстане), следили за аналитикой сайта в Яндекс Метрике, в качестве CRM использовали Битрикс24.

Исходная ситуация клиента

Проблемой для них было то, что на аналитику уходило слишком много времени.

Рекламные кабинеты показывали эффективность кампаний с точки зрения маркетинговых метрик (показы, клики, CTR, количество заявок).

Но бизнесу необходимо изучать рекламные компании глубже:

• Какие рекламные кампании приводят реальные продажи?

• Какие объявления дают клиентов с высоким средним чеком?

• Где стоимость лида низкая, но сделки в итоге не закрываются?

• Какие источники трафика приносят не просто обращения, а прибыль?

• Какая реальная окупаемость рекламных расходов?

Получить ответы было сложно, потому что данные о рекламе и данные о продажах существовали отдельно друг от друга.

Маркетологам приходилось регулярно выгружать статистику из Яндекс Директа и Google Ads, отдельно собирать данные из CRM, после чего вручную сводить отчеты через Excel или Google Sheets.

Технически такой подход работал. Практически — создавал сразу несколько ограничений.

2. Подготовка отчетов занимала много времени.

3. Данные быстро устаревали.

4. Было тяжело анализировать рекламу именно с точки зрения выручки и сделок, а не только маркетинговых метрик.

Процесс работы:

Мы предложили классическую схему сквозной аналитики:

1. Развернуть отдельную аналитическую базу данных.

2. Автоматически собирать данные из всех систем по API.

3. Совмещать сделки и рекламные источники по UTM-меткам.

4. Строить дашборды в Power BI.

Этап 1. Аудит данных и точек интеграции

Перед разработкой мы сначала разобрали, как вообще внутри компании движутся данные.

Если сразу начать «тянуть API и строить графики», очень быстро выясняется, что половина данных нестыкуется между собой.

Поэтому сначала мы картировали весь путь клиента:

Реклама → Переход на сайт → Заявка → Лид → Сделка → Продажа

Дальше начали смотреть, где именно хранятся данные на каждом этапе.

Получилась такая схема:

Этап 2. Построение аналитической базы и автоматизация сбора данных

Следующим этапом мы развернули отдельную аналитическую базу на MySQL и вынесли в нее всю работу с данными. Это был промежуточный слой между рекламными системами, CRM и Power BI, который позволял не строить аналитику напрямую поверх API и не зависеть от ручных выгрузок.

После этого на Python настроили автоматическую загрузку данных. В аналитическую базу начали регулярно поступать данные по рекламным кампаниям, расходам, переходам на сайт, UTM-меткам, лидам, сделкам и продажам.

Этап 3. Очистка и объединение данных

Когда данные начали собираться в едином хранилище, стало видно несколько типичных проблем, которые часто возникают. Одни и те же рекламные кампании могли называться по-разному в разных системах, часть UTM-меток передавалась не полностью, а данные между CRM и рекламными кабинетами местами не совпадали.

Поэтому следующим шагом мы построили слой обработки данных. На этом этапе очищались дубли, стандартизировались UTM-метки, приводились к единому виду рекламные кампании, проверялись ошибки и пустые значения. После обработки данные уже можно было объединять в единую аналитическую модель и использовать для построения сквозной аналитики.

Этап 4. Формирование аналитической модели

Здесь мы начали формировать единую аналитическую модель для Power BI.

Связали между собой рекламные кампании, переходы на сайт, лиды из CRM, сделки и суммы продаж, чтобы получить единую модель данных, в которой можно проследить весь путь клиента — от клика по рекламе до реальной продажи.

Основой для объединения стали UTM-метки, которые передавались вместе с рекламным трафиком и фиксировались в Битрикс24.

После этого Power BI уже мог работать с единой моделью данных, в которой маркетинговые показатели были напрямую связаны с продажами и выручкой.

Этап 5. Разработка дашбордов в Power BI

Когда модель данных была готова, мы начали собирать дашборды в Power BI.

Все подготовленные данные были объединены в единую систему визуализации, где маркетинг и руководство компании могли отслеживать эффективность рекламы, источников трафика, лидов и продаж.

Примеры графиков из дашбордов

1. Таблица, в которой с детализацией до одного дня можно проследить эффективность рекламы.

Легенда: ДРР — доля рекламных расходов в %, CpC — Стоимость клика, CTR — Конверсия из показа рекламы в клик, CpL — Стоимость лида, CR — конверсия, CpO — Стоимость сделки (клиента)

2. Таблица показывает эффективность каждого источника трафика с точки зрения реальных продаж, выручки, количества покупателей и доходности визитов, а не только объема переходов на сайт.

3. Составлена таблица, в которой рассчитана эффективность каждой отдельной рекламной кампании. По ней можно легко оценить, насколько действенно объявление.

4. График показывает динамику CTR и стоимости лида во времени и позволяет отслеживать, как изменение эффективности рекламных кампаний влияет на стоимость привлечения клиентов.

5. Группа графиков, которые показывают дополнительную аналитику по лидам. Основные источники привлечения, возрастные сегменты аудитории и интересы пользователей, что помогает лучше понимать целевую аудиторию и оценивать качество входящего трафика.

Результат

В результате компания получила систему сквозной аналитики, которая автоматически объединяет данные из рекламных кабинетов, CRM и Яндекс Метрики в едином пространстве Power BI.

Маркетинг перестал оценивать рекламу только по CTR, кликам и количеству заявок. Появилась возможность видеть реальную эффективность кампаний с точки зрения продаж, выручки, среднего чека и окупаемости рекламных расходов.

Отдельно удалось сократить объем ручной работы. Данные начали обновляться автоматически, а подготовка отчетности перестала занимать часы работы маркетологов.

В итоге руководство получило инструмент для оперативного управления рекламным бюджетом, а маркетинг — прозрачную систему аналитики, в которой можно быстро находить неэффективные кампании и принимать решения на основе данных, а не предположений.

В завершение хочу еще сказать, что у меня есть личный телеграм-канал От цифр к делу🔎 | Никита Василевский, где я делюсь своими наблюдениями из практики, разбираю кейсы и делюсь полезной информацией для бизнеса. Буду рад встретиться с вами и там!