Анти-кейс: сквозная аналитика под ключ — почему нельзя делать сквозную аналитику с нуля

Есть проекты, где желание «сделать всё идеально» превращается в дорогой и долгий процесс без окупаемости. Один из самых частых сценариев — попытка построить кастомную сквозную аналитику с нуля там, где она не нужна в таком виде.

Разберём реальный типовой кейс. Я сталкивался с ним при работе с одним из клиентов несколько лет назад. Когда я пришел, разработка этого решения уже велась.

Мне не удалось убедить собственника отказаться от этой разработки в пользу внедрения более простых систем, но дающих хорошие сквозные данные уже сейчас.

---

Исходные данные

Компания со сложной логистикой и большим количеством разрезов данных:

• несколько городов,
• разные точки складирования,
• разные схемы доставки и маршруты,
• сегментация по регионам/точкам/типам заказов,
• учёт выручки и маржинальности в 1С,
• привлечение клиентов через контекстную рекламу и другие каналы.

Оборот компании — около 15 млн рублей.

Задача звучала логично: «хотим видеть, какой рекламный трафик приносит прибыль в каждом городе, на каждой точке, по каждому сегменту, сквозная аналитика под ключ — и всё это связать с 1С».

---

Решение, которое выбрали

Вместо того чтобы начать с простой и постепенной автоматизации маркетинговой отчетности, приняли амбициозное решение:

1. Сделать кастомную аналитику с нуля
2. Связать 1С, рекламу, источники, сегменты, CRM/заказы
3. Заказать разработку у рекламного агентства, которое «умеет» и готово

На бумаге — сильная идея.

На практике — классический антикейс.

---

Почему это почти всегда заканчивается плохо

1) Недостаточно данных, чтобы такая аналитика вообще «заработала»

Кастомная сквозная аналитика окупается, когда у вас:

• большой поток заказов,
• стабильный объём трафика,
• достаточное число конверсий по каждому сегменту,
• возможность тестировать гипотезы и быстро получать статистику.

А теперь реальность: вы хотите кластеризовать данные по:

• городам,
• складам,
• типам доставки,
• категориям товаров,
• источникам трафика,
• кампаниям,
• ключевым словам,
• устройствам, аудиториям и т.д.

Каждый новый разрез умножает требования к количеству данных.

Если у компании 15 млн оборота, это очень часто означает, что:

• заказов не настолько много, чтобы любой сегмент был статистически значимым,
• часть городов/складов даёт редкие продажи,
• реклама распределяется тонким слоем по множеству направлений.

Итог: красивая аналитика существует, но внутри почти везде пусто.
Чтобы накопить достоверные цифры по микросегментам — придётся ждать месяцы и годы, а бизнесу решения нужны сейчас.

---

2) Рекламное агентство почти никогда не мотивировано делать систему “как для вас”

У агентства есть конфликт интересов, даже если оно “хорошее”:

• Агентству выгодно продать разработку и поддержку.
• Агентству выгодны сложные проекты (больше часов, больше чек).
• Агентство редко отвечает за финальную бизнес-ценность — обычно оно отвечает за «сделали интеграцию», «настроили отчёты», «передали доступы».

В результате мотивация часто выглядит так:
сдать проект по ТЗ, а не добиться того, чтобы собственник реально начал принимать решения на цифрах.

А в кастомной аналитике это критично: система ценна не тем, что она “есть”, а тем, что она регулярно используется, корректно считается и быстро развивается.

---

3) Сроки превращаются в отдельный проект, который живёт своей жизнью

Сквозная аналитика с нуля — это не “сделать один раз”.

Это:

• проектирование событий и сущностей,
• договорённости о правилах атрибуции,
• выбор модели данных,
• интеграция 1С (самая больная часть),
• нормализация номенклатуры/контрагентов/дублей,
• тестирование корректности,
• поддержка изменений (а они будут всегда),
• контроль того, что ничего не “сломалось”.

Практически в каждом таком проекте через 2–3 месяца появляется эффект:

маркетинг ждёт данные, IT/агентство ждёт уточнений, бизнес ждёт результат, а реклама продолжает работать «вслепую».

И чем меньше масштабы компании, тем меньше терпения и бюджета держать этот проект на плаву.

---

4) Масштаб бизнеса не соответствует амбициям системы

Кастомная сквозная аналитика оправдана, когда:

• большой оборот и большой рекламный бюджет,
• высокая стоимость ошибок в распределении бюджета,
• есть отдельный владелец продукта/аналитик внутри компании,
• много команд и нужна единая платформа данных.

Если бизнес средний, оборот 15 млн, а маркетинг нужен “чтобы заявки шли и окупались”, то попытка сделать «аналитику уровня корпорации» — часто просто нерациональна.

Потому что внедрение и поддержка начинают стоить сопоставимо с тем, что эта система может принести.

---

5) Сложная аналитика не нужна целиком — 70% можно решить проще

В большинстве компаний не проблема «нет кастомной аналитики».
Проблема в другом:

• не настроена корректная передача конверсий,
• нет нормальной разметки,
• нет базовых отчётов по прибыльности,
• нет дисциплины в данных (UTM, статусы, города, источники),
• нет понятного «какие вопросы мы хотим закрывать отчётами».

Часто 70–80% задач решаются через связку:

• стандартная веб-аналитика,
• коллтрекинг,
• CRM/1С выгрузки по заказам,
• BI (Power BI / Looker Studio),
• регулярные отчёты с нормальной структурой,
• автоматизация парой скриптов, а не платформой с нуля.

Чтобы не попасть в этот антикейс, лучше строить аналитику ступенчато.

Шаг 1. Сначала определить, какие решения вы хотите принимать

Не “хочу сквозную аналитику”, а:

• какие города окупаются?
• какие кампании приводят прибыльные заказы?
• где падает маржа из-за логистики?
• какой канал даёт повторные заказы?

Если на эти вопросы можно ответить 5–8 метриками — значит сначала строим именно их.

Шаг 2. Привести в порядок атрибуцию и данные

• UTM-стандарты
• единые справочники городов/складов
• единые правила статусов заказа
• коллтрекинг / источники звонков

Шаг 3. Подключить готовые внешние сервисы там, где это дешевле

А “кастом” делать только на узких местах, где реально необходимо.

Шаг 4. BI-отчёт поверх 1С + рекламы

Не “платформа сквозной аналитики с нуля”, а:

• выгрузка заказов из 1С,
• нормализация,
• сопоставление с источниками,
• визуализация в BI,
• автообновление раз в день.

Это дешевле, быстрее и полезнее.

---

Итог: почему делать сквозную аналитику с нуля — плохая идея в этом кейсе

В этом проекте совпали сразу несколько факторов риска:

• данных недостаточно для глубокой сегментации — статистика будет “копиться годами”;
• агентство заинтересовано в разработке, но не в долгосрочной пользе для бизнеса;
• сроки и стоимость поддержки непропорциональны масштабу компании;
• потребность в аналитике можно закрыть готовыми решениями и автоматизациями;
• бизнесу важнее быстрые управленческие цифры, чем идеальная система.

---

Короткий вывод

Сквозная аналитика с нуля — это не «инструмент», а отдельный продукт.
И если у компании нет масштаба и ресурсов поддерживать этот продукт, он превращается в дорогую витрину: красиво выглядит, но не помогает зарабатывать.

Хотите нормальную сквозную аналитику? Напишите мне: