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
- Выстроить надёжный техстэк — на BigQuery и Looker, без ручного копипаста.
- Передать аналитику специалисту middle-уровня — с регламентами и понятной архитектурой.
- Разгрузить топ-менеджмент — чтобы CEO и финдиректор фокусировались на стратегии, а не проверяли формулы в Excel.
- Автоматизация отчетности
- Ключ: не в BI-инструменте. Ключ — в системной структуре данных и отчётов, которой можно доверять и масштабировать
Что сделали: по шагам
- Аудит источников данных
Проанализировали весь стек:
- PipeDrive — сделки, воронки, статусы, суммы, клиенты;
- 1С — 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.
- 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.
- 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.
- 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.