Автоматизация отчетности для торговой компании: от Excel к BigQuery и управляемому росту

Исходная ситуация

Компания стабильно работает через несколько каналов: офлайн-магазины, интернет-магазин и маркетплейсы (Rozetka, Epicentr, Kaspi). Продажи идут, команды загружены, данные есть. Но с аналитикой — перегруз, нужна автоматизация отчетности.

Всё собирается вручную:

  • из PipeDrive — данные по клиентам и сделкам,
  • из 1С — финансы, остатки, закупки,
  • из маркетплейсов — выгрузки Excel,
  • из рекламы — отчёты из Google Ads, FB Ads и маркетплейсов

Каждую неделю нужно сводить отчёты вручную, сверять бюджеты, выручку, заказы. Всё это делает либо финдир, либо CEO, либо человек «на ручнике» с высоким уровнем вовлечённости.

???? При этом задача — не в кризисе. Бизнес растёт. Просто структура данных не тянет. Чтобы её вести, нужен сеньор-аналитик, которого сложно найти и удержать. А хочется: понятная система, которую можно отдать специалисту среднего уровня — и быть уверенным, что цифры сходятся.

Цель проекта

  1. Выстроить надёжный техстэк — на BigQuery и Looker, без ручного копипаста.
  2. Передать аналитику специалисту middle-уровня — с регламентами и понятной архитектурой.
  3. Разгрузить топ-менеджмент — чтобы CEO и финдиректор фокусировались на стратегии, а не проверяли формулы в Excel.
  4. Автоматизация отчетности
  •  Ключ: не в BI-инструменте. Ключ — в системной структуре данных и отчётов, которой можно доверять и масштабировать

Что сделали: по шагам

  1. Аудит источников данных

Проанализировали весь стек:

  • PipeDrive — сделки, воронки, статусы, суммы, клиенты;
  • — выручка, себестоимость, расходы, налоги, движение денег;
  • Маркетплейсы — Rozetka, Epicentr, Kaspi (экспорт заказов, комиссий, возвратов);
  • Рекламные платформы — Google Ads, FB ADS, маркетплейсы (отчёты по рекламе, бюджетам, заказам).

Разметили все поля, где данные пересекаются: по SKU, ID сделок, датам. Это помогло избежать дубликатов и создать единую модель клиента и заказа.

  1. Проверка и очистка данных

Классика: без чистки никуда.

Найдено:

  • дубли сделок и клиентов;
  •  пустые поля: нет суммы, даты, источника;
  • несоответствия названий товаров (один и тот же товар в CRM, 1С и Rozetka — три разных названия);
  • отсутствие связки между рекламой и фактом продаж.

Что сделали:

  • создали карты соответствия товаров и услуг,
  • настроили правила валидации,
  • стандартизировали даты и числовые поля,
  • нормализовали справочники (товары, источники, категории).

После этого стало возможно считать реальный ROMI, LTV, себестоимость и не путать выручку по каналам.

  1. Настройка базы в Google BigQuery

Технологии:

  • Google BigQuery — централизованное облачное хранилище;
  • AppScript + Python — скрипты для автоматической загрузки данных;
  • Google Sheets — как промежуточный буфер для ручных выгрузок (на первом этапе);
  • Looker Studio — визуализация и фильтрация данных.

Потоки данных:

  • CRM → API → BigQuery;
  • 1С → выгрузка → нормализация → BigQuery;
  • Реклама → .csv (на первом этапе) → BigQuery;
  • Маркетплейсы → Excel-файлы → Google Sheets → BigQuery.

Таблицы в BigQuery:

  • sales_raw — все продажи;
  • leads_crm — лиды, воронки, конверсии;
  • ads_costs — рекламные расходы;
  • mp_orders — маркетплейсы: Rozetka, Epicentr, Kaspi;
  • products_dict — справочник товаров;
  • finance_summary — агрегаты по доходам и расходам;
  • kpi_view — представление ключевых метрик (выручка, GMV, COGS, ROMI, LTV, ROAS, CAC).

SQL-расчёты:

  • GMV (объём продаж),
  • Gross Profit,
  • ROI, ROMI,
  • LTV по категориям,
  • AOV (средний чек),
  • CPA / ROAS по источникам,
  • Выручка на 1 клиента.

Данные обновляются по расписанию: ежедневно или еженедельно, в зависимости от источника.

  1. Проработка дашбордов и логики метрик

Создали систему отчётов с распределением по ролям:

Для отдела продаж:

  • Выручка по каналам, магазинам, регионам;
  • Динамика по неделям и месяцам;
  • Конверсия из лида в продажу;
  • Повторные покупки.

Для маркетинга:

  • CPL, CPA, ROAS по каждой кампании;
  • ROMI в разрезе каналов;
  • Факт vs Бюджет по рекламным расходам;
  • Влияние рекламы на рост в маркетплейсах.

Для финансов:

  • Средняя маржа;
  • Себестоимость на единицу товара;
  • Движение денег по категориям;
  • Убытки / прибыль по направлениям.

Для СEO :

  • Единый управленческий дашборд;
  • Все ключевые KPI: продажи, расходы, прибыль, ROI;
  • Моментальный доступ к текущему состоянию бизнеса.

Все отчёты адаптированы для неаналитиков: пояснения, фильтры, комментарии. Можно копировать отчёт и делать версию под конкретную гипотезу.

Вывод: аналитика — это не про графики, это про зрелость бизнеса

Многие компании откладывают внедрение аналитики, считая это «игрой для больших». Но BI — это не Power BI, не графики и не модный дашборд.

Это:

  • Упрощение процессов,
  • Снижение зависимости от ручного труда,
  • Возможность делегировать,
  • Управляемый рост.

Когда бизнес «видит цифры» — он становится управляемым. И вместо интуиции и хаоса появляется реальный рычаг масштабирования.

Хочешь внедрить такую систему в своём бизнесе? Напиши — покажем, как это работает на практике, и с чего лучше начать.