«Я не понимаю, что у меня происходит в бизнесе» — именно так начал наш разговор Артём, владелец интернет-магазина рыболовных товаров с оборотом около 8 миллионов рублей в месяц.

Маркетплейсы давали свои дашборды. У него был 1С. Была таблица в Excel, которую раз в неделю заполнял менеджер. Но единой картины — не было.

Через 21 рабочий день картина появилась.

Что было до

Каждый понедельник Артём получал Excel-таблицу с данными за прошлую неделю. Формат данных зависел от того, кто заполнял (менеджеры периодически менялись). Данные из разных источников не сводились вместе.

Типичные решения выглядели так:

— «Кажется, красная приманка хорошо продаётся летом, надо закупить больше».
— «Не знаю точно, сколько у меня зарабатывают менеджеры с учётом всех наценок».
— «Наверное, надо дать скидку на этот SKU, он лежит давно. Но не уверен, сколько уже лежит».

Это не управление бизнесом. Это угадывание.

Что хотел клиент (и что реально нужно)

На первой встрече список желаний был большим:

  • Продажи в реальном времени
  • Аналитика по каждому SKU
  • Сравнение менеджеров
  • Воронка продаж
  • Прогноз остатков
  • ABC/XYZ-анализ
  • Когортный анализ покупателей
  • Сравнение с прошлым годом
  • Геоаналитика
  • ...

Стандартная ситуация. Мы аккуратно объяснили, что за 21 день это всё не реализовать, и попросили ответить на главный вопрос: «Какие три решения вы принимаете каждую неделю, и что вам нужно знать для каждого из них?»

После этого разговора список сократился до шести виджетов.

Что сделали за 21 день

Недели 1–2: интеграция данных

Источники данных у Артёма: - 1С (основной учёт, остатки, закупки) - Wildberries (через API) - Ozon (через API) - Собственный сайт на Tilda + Яндекс.Касса - Менеджеры через AmoCRM

Настроили ETL-пайплайн на Python: раз в час данные из всех источников забираются, нормализуются и складываются в PostgreSQL.

Самое сложное: разные источники по-разному хранят артикулы товаров. Wildberries — по WB-артикулу, 1С — по внутреннему коду. Потратили 2 дня на маппинг.

Неделя 3: дашборд и деплой

Дашборд сделали на Metabase — open-source BI-инструмент. Почему не Grafana, Power BI или Tableau?

  • Metabase разворачивается за час
  • Интерфейс понятен нетехническому пользователю
  • Можно делать новые отчёты без разработчика (SQL или click-through)
  • Стоимость: опенсорс или 500$/мес за облако. Мы развернули на сервере клиента.

Что получилось: шесть ключевых виджетов

1. Выручка сегодня / эта неделя / этот месяц

С разбивкой по каналам (WB, Ozon, сайт, офлайн). Обновляется каждый час.

Что изменилось: раньше Артём узнавал итоги недели в понедельник. Теперь видит тренд в реальном времени и реагирует быстрее.

2. Товары без движения > 30 дней

Автоматически подсвечивает SKU, которые не продаются дольше месяца.

Первое открытие: 23% SKU не продавалось больше 60 дней. На складе заморожено 1,2 млн рублей.

Через два месяца после внедрения дашборда Артём провёл распродажу и высвободил 800 000 рублей оборотных средств.

3. Маржинальность по товарным группам

Сопоставление себестоимости из 1С с ценой продажи и комиссией маркетплейсов.

Второе открытие: группа «эхолоты» приносила 40% выручки, но только 12% прибыли из-за высоких комиссий WB. Группа «блёсны» — 15% выручки, 28% прибыли.

Артём перераспределил маркетинговый бюджет на продвижение блёсен.

4. ABC-анализ по SKU

Автоматически классифицирует товары на категории A (20% SKU — 80% прибыли), B и C.

Использование: помогает принимать решения о закупке — фокус на A-товарах, сокращение ассортимента C.

5. Сравнение менеджеров

Конверсия из звонка в сделку, средний чек, возвраты по каждому менеджеру.

Третье открытие: один менеджер имел конверсию 34%, другой — 18%. Разница обнаружилась через неделю после запуска дашборда. После разбора звонков оказалось — первый всегда предлагал аксессуары к основному товару.

Внедрили скрипт для всей команды. Средний чек вырос на 11%.

6. Остатки и прогноз пополнения

На основе среднедневных продаж за 30 дней — прогноз, когда закончится каждый SKU.

Использование: Артём теперь делает закупки по данным, а не по ощущению.

Метрики до/после (через 60 дней)

Метрика До После
Время подготовки недельного отчёта 3–4 часа 0 (автоматически)
"Мёртвые" остатки на складе 1,2 млн ₽ 400 000 ₽ (-67%)
Средний чек 2 100 ₽ 2 330 ₽ (+11%)
Скорость реакции на проблемы ~1 неделя часы
Удовлетворённость управленческими данными (самооценка) 2/10 8/10

Сколько это стоило и что вошло

Стоимость проекта: 320 000 ₽

Что включало: - Аналитика и разработка ETL-пайплайна - Маппинг товарных артикулов между системами - Развёртывание Metabase на сервере клиента - Разработка 6 ключевых дашбордов - Обучение Артёма и двух менеджеров работе с системой - Поддержка 30 дней после запуска

Срок окупаемости (по оценке клиента): < 2 месяцев — только за счёт высвобождения оборотных средств из мёртвых остатков.

Что можно сделать самому

Если хотите начать без нас:

  1. Metabase (бесплатно, self-hosted) — подключите напрямую к вашей базе данных или Google Sheets
  2. Google Looker Studio — бесплатно, интеграция с Google Sheets, GA4, рекламными кабинетами
  3. Яндекс DataLens — бесплатно для малого бизнеса, хорошая интеграция с Яндекс.Метрикой

Если данные в разных системах и нужна интеграция — нужен разработчик или ETL-сервис (Airbyte, Fivetran).

Такие проекты — часть нашего портфеля. Если хотите посмотреть, как может выглядеть аналитика для вашего бизнеса — пишите в @hexbit_requests_bot, сделаем демо на ваших данных.

Следующая статья: почему 80% IT-проектов выходят за бюджет — разбор 12 реальных провалов.