«А что, так можно было?» Как мы переносим аналитические практики из BigTech в бизнес, у которого нет 1,5 млн ₽ в месяц на отдел аналитики

Когда маркетолог впервые оказывается внутри настроенного процесса аналитики, начинает пользоваться дашбордами, а не просто отчётами в Метрике или сводными таблицами в Excel, и видит данные, которые действительно помогают принимать решения, — реакция почти всегда одинаковая: 

«А что, так можно было?»

Я слышу это третий год подряд. На каждом проекте, где мы наконец начинаем считать нормально.

Проблема в том, что большинство компаний считают: если есть Метрика, рекламный кабинет и ежемесячный отчёт — значит аналитика уже есть. Но на практике решения часто принимаются на данных, которым нельзя доверять.

Отключили кампанию с высоким CPA — и внезапно просел весь поток заявок.Отчёты не сходятся — и никто не знает почему.

И проблема тут не в конкретном инструменте, а в отсутствии процесса.

Аналитика — это не отчёт, а цикл принятия решений

Когда говорят «аналитика», многие представляют дашборд с красивыми графиками. Но сам по себе график ничего не решает.На практике аналитический процесс выглядит гораздо проще и одновременно сложнее:

1. появляется вопрос или гипотеза;
2. мы ищем данные, которые помогут ответить;
3. проверяем, можно ли этим данным доверять;
4. приводим их в понятный вид;
5. принимаем решение;
6. повторяем цикл заново.

Именно так постепенно появляется понимание:

1. как работает маркетинг;
2. как ведут себя пользователи;
3. где растёт спрос;
4. что реально влияет на результат.

Проблема в том, что у большинства компаний этот цикл либо не выстроен совсем, либо работает фрагментарно.

Ниже — четыре ситуации, которые мы встречаем чаще всего.

Боль №1. Кладбище событий

Представьте: вы открываете Метрику, чтобы собрать отчёт. И видите цели с похожими названиями:

1. «заявка_хедер»
2. «заявка_футер»
3. «заявка_перезвон»
4. «заявка_квиз»
5. еще десяток похожих целей.

Нужно понять, сколько всего заявок за месяц, — и начинается.

Сложить напрямую нельзя: один и тот же пользователь мог попасть сразу в несколько целей.

Данные разъезжаются. Отчеты собираются руками. Никто не уверен, какая цифра правильная.

А дальше обычно выясняется ещё что-нибудь:

1. UTM-разметка у разных подрядчиков своя;
2. релизы сайта ломают события;
3. BI и Метрика показывают разные цифры;
4. часть событий вообще задваивается.

И снова — это все не проблема Метрики как инструмента. Проблема в том, что никто не договорился: что именно компания считает, как собираются и как устроены данные.

Что помогает

Любая аналитика начинается с фундамента:

1. единая структура событий;
2. понятные правила UTM-разметки;
3. описание всех сущностей;
4. ответственный за качество данных.

Звучит скучно, но без этого всё остальное превращается в декорацию из цифр.

Например, на одном из проектов мы пересобирали систему аналитики заново — выяснилось, что сайт работает как SPA-приложение (прим. SPA (Single Page Application, или одностраничное приложение) — это веб-приложение или сайт, который загружает весь необходимый код (HTML, JavaScript, CSS) всего один раз при первом открытии), а события просмотра страниц просто не отправлялись. Вся постраничная аналитика была искажена с самого начала.

После нормализации событий вместо хаоса из целей появляются отчеты, которым можно верить.

Читать подробнее о том, как мы распутывали клубок неопределенности и разношерстных UTM для одного из наших клиентов.

Боль №2. Wordstat, Excel и бесконечные ручные выгрузки

Следующий уровень боли знаком почти всем SEO- и performance-командам.

Нужно понять:

1. как меняется спрос;
2. что происходит с конкурентами;
3. растёт ли бренд;
4. какие интенты есть у пользователей.

И начинается:

1. Wordstat;
2. Excel;
3. ручные выгрузки;
4. сведение таблиц;
5. очистка данных;
6. повторение этого процесса каждую неделю.

Мы столкнулись с этим, когда начали исследовать рынок китайских автомобилей. Хотелось не просто смотреть отдельные запросы, а понимать общую динамику:

1. как меняется интерес к брендам;
2. какие интенты ищут пользователи;
3. где растёт спрос;
4. как меняется конкурентная ситуация.

Что мы сделали

ㅤㅤ

1. Взяли все бренды — с разными вариантами написания (Changan, Чанган — и это не шутка), 
2. Разметили интенты: человек ищет кредит, официальный сайт или просто смотрит что это такое. 
3. Сложили в базу, подключили визуализацию.

Вместо ручного анализа отдельных выгрузок появился дашборд, где можно:

1. смотреть динамику спроса
2. сравнивать бренды
3. отслеживать тренды
4. быстро находить аномалии.

Именно в этот момент чаще всего и возникает реакция: «А что, так можно было?»

Особенно в бизнесах, где спрос и конкурентная ситуация меняются постоянно.

Кстати, наш дашборд про китайские автомобили открытый, он лежит в Yandex DataLens Gallery в разделе «Лучшие работы».

Боль №3. Большой сайт — и ничего не понятно

Чем больше проект, тем сложнее становится аналитика. Особенно это заметно в SEO- и контентных проектах, когда у вас:

1. десятки разделов
2. разные языковые версии
3. разные устройства
4. большие объёмы трафика.

Если пытаться анализировать всё это только через интерфейс Метрики — начинается боль:

1. сэмплирование за длинный период
2. бесконечные фильтры вручную
3. невозможность быстро найти аномалию.

А иногда Метрика просто не открывается, потому что вся страна в понедельник утром строит отчеты одновременно, и Яндекс лимитирует нагрузку. Было у вас такое?

Что помогает 

В какой-то момент мы перестали работать с интерфейсом Метрики как с основным инструментом. И вместо этого начали забирать сырые данные через Logs API:

1. складывать их в базу;
2. сегментировать;
3. строить собственные витрины данных и дашборды.

После этого даже большой SEO-проект становится гораздо прозрачнее. За несколько кликов видно:

1. где просел трафик
2. какой раздел растёт
3. где появилась аномалия
4. какие изменения повлияли на динамику

И главное — перестать тратить часы на ручное накликивание. Настроить автообновление, и актуальный отчет будет каждое утро.

Посмотреть кейс о том, как мы строили seo-аналитику и визуализацию на больших данных для Rusprofile. 

Боль №4. Отключили кампанию — всё посыпалось

Это уже классика performance-маркетинга.

Ситуация:Откручиваете рекламу. В миксе — брендовые и услуговые кампании, сети. Смотрите отчет: услуговые дают CPA в разы выше нормы. Логичное решение — отключить. Отключаете. Через неделю заявки падают по всему кабинету.

Почему?

Потому что пользовательский путь почти никогда не состоит из одного касания.

Одни кампании знакомят с брендом. Другие — подогревают интерес. Третьи — становятся последним шагом перед заявкой.

Метрика по умолчанию показывает атрибуцию «последний значимый источник». 

То есть: пользователь увидел услуговую рекламу неделю назад, ушёл, потом нашёл через поиск, потом вернулся по брендовому запросу — и тогда оставил заявку. В last-click — брендовая кампания молодец, услуговая ни при чём. В реальности — услуговая привела его первой.

Что помогает

Сравнение разных моделей атрибуции:

1. first-click — засчитываем тому, кто привёл пользователя первым,
2. last-click — засчитываем последнему касанию перед заявкой (как Метрика по умолчанию),
3. time-decay — чем ближе касание к конверсии, тем выше его вклад,
4. U-shape — по 40% первому и последнему касанию, остаток делим на всех посередине,
5. ассоциированные конверсии — смотрим все кампании, которые участвовали в пути клиента.

Это позволяет увидеть реальный вклад кампаний в путь пользователя, а не только последнее касание перед заявкой. Иногда именно «дорогая» кампания оказывается той, которая вообще приводит человека в воронку.

Например, мы настраивали аналитику, performance-маркетинг и контекст для Уральских авиалиний и в кейсе показали, как сравнивали один рекламный канал в разных моделях атрибуции — один период, один бюджет:

1. Количество засчитанных конверсий расходилось в разы. 
2. CPA менялся пропорционально. 
3. Одни и те же данные, совершенно разные управленческие решения.

Почему всё это стало возможно именно сейчас

Еще несколько лет назад подобные вещи действительно были доступны в основном BigTech-компаниям. Там есть полноценные команды — дата-инженер, аналитик данных, BI-инженер и ещё пара ролей. Каждая по 200–300 тысяч в месяц после налогов. Итого — команда на полтора миллиона.

Сейчас ситуация изменилась. Появились доступные для малого и среднего бизнеса BI-системы, облачные базы данных и LLM-инструменты, которые помогают писать запросы и автоматизировать рутину в разы быстрее. 

То, что раньше требовало целой команды инженеров, которую мог позволить себе только BigTech, сегодня можно собрать небольшой командой — если понимать, как устроен процесс.

Что это меняет для бизнеса

У вас появляются:

1. Цифры, которым можно верить. Не три таблицы, которые надо сшивать в Excel.
2. Решения по кампаниям с пониманием полного пути клиента, а не только последнего клика.
3. Картина спроса и конкурентов — регулярно, без ручного труда. 

Плюс разговор маркетинга и бизнеса меняется с «кажется, что работает» на «вот данные, проверяем».

Главный эффект — не красивые графики, а уверенность в решениях: где резать бюджет, где усилить, куда развивать продукт.

С чего начинать

Самое важное — не пытаться построить идеальную систему сразу.

Я начинал вообще со сводных таблиц.

Потом появилась автоматизация. Потом визуализация. Потом базы данных. Потом более сложная аналитика.

Все это росло постепенно.

Однажды мы случайно загрузили новую CSV вместо обновления старой — и у нас рассыпался весь дашборд. После этого мы окончательно переехали на базы данных.

Сейчас мы в топ-7 Ruward по веб-аналитике. Ровно потому, что для агентства такой подход и экспертиза  – довольно редкое явление, и оно много дает .

Вместо вывода

Главный барьер — не технологии. Главный барьер — отсутствие процесса и человека, который умеет соединять бизнес-задачи, данные и инструменты в работающую систему.

Зрелая аналитика начинается с вопроса, а не с инструмента. Выберите 3–5 вопросов, на которые маркетинг хочет уверенно отвечать в ближайший год — стек и процесс соберутся под них.

Обычно все начинается с очень простого вопроса: «А тем ли данным мы вообще сейчас верим?»

Если хотите разобраться конкретно в вашей ситуации — напишите в бота в телеграме или на почту promo@jetstyle.ru. Покажем, как это выглядит на реальных данных.