Kitobni o'qish: «Маркетинговая аналитика с ИИ»

Серия «Маркетинг в эпоху искусственного интеллекта»

Маркетинговая аналитика с ИИ : как превратить маркетинговые данные в решения, прибыль и систему управления бизнесом.

Книга 7 серии «Маркетинг в эпоху искусственного интеллекта».

Все цифры, названия компаний и примеры в книге — учебные, вымышленные. Любые совпадения с реальными компаниями случайны.

Аннотация

В эпоху искусственного интеллекта преимущество получает не тот, у кого больше отчётов и графиков, а тот, кто быстрее превращает данные в понимание, понимание — в решение, а решение — в измеримый результат.

«Маркетинговая аналитика с ИИ» — практическое руководство по построению системы, которая связывает действия маркетинга с клиентами, продажами, выручкой, маржой и прибылью. Книга предназначена для российских предпринимателей, маркетологов, руководителей отделов маркетинга, специалистов по рекламе, аналитиков и владельцев малого и среднего бизнеса.

В книге читатель найдёт шесть слоёв маркетинговых метрик, сквозную аналитику в российском цифровом контуре (Яндекс, VK, Telegram, маркетплейсы), юнит-экономику с числовыми примерами, библиотеку из 50+ готовых промптов для ИИ-помощников, 24 шаблона для построения Marketing Intelligence System и пошаговый план внедрения за 30 дней.

Главный тезис: маркетинговая аналитика — не наблюдение за прошлым, а система понимания настоящего, проверки гипотез и подготовки решений о будущем. ИИ ускоряет анализ, но не отменяет проверку данных и ответственность человека.

Введение. Маркетинг, который можно измерить

Эта книга — про цифры. Не про цифры вообще, а про те, что связывают действия маркетолога с деньгами, которые остаются на счёте компании. Большинство книг об аналитике начинаются с фразы о том, что мир стал «ориентированным на данные». Это верно, но почти бесполезно. Данных стало так много, что они перестали сами по себе что-либо означать. Понимания больше не стало — стало больше шума, отчётов и объяснений постфактум.

Маркетинг в России за последние годы прошёл путь от «покупки показов» до попыток собрать полную картину: от клика до сделки, от сделки до повторной покупки, от расхода на рекламу до вклада в валовую прибыль. Этот переход не завершён. Большинство компаний по-прежнему измеряют рекламу в показателях, которые не связаны с финансовым результатом. И в этом нет вины маркетологов — инструменты учёта устроены так, что удобно показывать промежуточные метрики и сложно — экономику. Но ситуация меняется: появились ИИ-помощники, сквозная аналитика, готовые скрипты и шаблоны. Теперь проблема не в том, как посчитать, а в том, что именно считать и зачем.

Центральная мысль книги: маркетинговая аналитика — это не наблюдение за прошлым. Это система понимания настоящего, проверки гипотез и подготовки решений о будущем. Если вы оглянетесь на собственный отчёт за прошлый месяц, скорее всего, увидите набор чисел с пояснениями «что было». Хорошая аналитика отвечает на другой вопрос: «что делать дальше, почему и какой результат мы ожидаем». Этот сдвиг — от описания к управлению — и есть главная тема книги.

Чем отличается аналитика от отчётности

Многие путают три вещи: сбор данных, отчётность и аналитику. Сбор данных — это техническая операция: счётчик на сайте зафиксировал визит, рекламный кабинет сохранил клик, CRM получила лид. Отчётность — это структурированное представление собранных данных за период: «в прошлом месяце было 14 800 визитов, 312 лидов, 48 сделок». Аналитика начинается там, где вы спрашиваете: «почему лидов стало меньше, хотя трафик вырос; что это значит; что изменить; и как мы поймём, что изменение сработало».

Разница кажется очевидной, пока не сталкиваешься с практикой. Большинство еженедельных отчётов маркетолога — это отчётность, не аналитика. В них есть графики, сравнения с прошлым периодом, иногда — комментарии в духе «рост обусловлен увеличением бюджета». Но в них нет ни гипотезы о причинах, ни проверки, ни рекомендации, ни ответственности за следующий шаг. Когда собственник читает такой отчёт, он получает набор цифр и ничего, что помогло бы ему решить, что делать. Аналитика же всегда заканчивается действием — иначе это пустая работа.

Почему данных стало больше, а понимания — нет

Парадокс последних лет: данных собирается в десятки раз больше, чем десять лет назад, а управленческие решения принимаются с той же степенью неуверенности. Причин несколько. Первая — данные разрозненны: рекламный кабинет знает одно, CRM — другое, финансовый учёт — третье. Вторая — метрики выбраны случайно, потому что так было в шаблоне отчёта, а не потому, что они отвечают на вопрос бизнеса. Третья — данные не проверяются: дубликаты, пропуски, ошибки разметки искажают картину, и никто не знает, насколько можно доверять цифре. Четвёртая — выводы формулируются так, что их нельзя проверить: «реклама сработала хорошо» звучит как результат, но не позволяет ни повторить успех, ни объяснить провал.

Появление ИИ-помощников усилило этот парадокс. Теперь можно за минуту получить «анализ» из тысяч строк таблицы. Но без понимания, какие вопросы задавать, как проверять данные и как интерпретировать результаты, ИИ-анализ превращается в уверенно сформулированную догадку. Один и тот же набор цифр можно объяснить тремя разными способами — и все три будут звучать убедительно. Разница между профессионалом и любителем не в том, кто быстрее построит график, а в том, кто первым задаст вопрос: «как мы проверим, что этот вывод верен?».

Главный вопрос книги

Как построить систему, которая помогает понять, что работает, почему это работает и что делать дальше?

Этот вопрос — единственный, на который книга пытается дать практический ответ. Не «какие метрики модны», не «какой сервис лучше», не «как написать промпт для ChatGPT». Все эти темы важны, но они вторичны. Главное — построить в компании систему, в которой действия маркетинга связываются с измеримым результатом бизнеса, гипотезы проверяются, а выводы не формулируются раньше, чем данные дают на них право.

Такая система не требует ни больших бюджетов, ни сложного оборудования, ни команды дата-сайентистов. Она требует дисциплины: чётко зафиксированных определений метрик, понимания источников данных, регулярной проверки качества, готовности признавать ограничения и привычки заканчивать отчёт не графиком, а конкретным решением. ИИ в этой системе — не волшебный ящик, а инструмент ускорения: он помогает находить аномалии, формулировать гипотезы, готовить черновики отчётов и объяснять изменения. Но ответственность за решения остаётся на человеке.

Сквозные кейсы этой книги

Чтобы теория не висела в воздухе, в книге используются два параллельных кейса. Все цифры в них — учебные, вымышленные; они помечены как условные и нужны только для иллюстрации методов.

Кейс 1. «Дом и Сад» — интернет-магазин товаров для дома

Средний бизнес: ~250 SKU, три категории (текстиль, посуда, декор), трафик из Яндекс Директа, VK Рекламы, органического поиска, рассылок и Telegram-канала. Средний чек — 4 200 рублей. Повторные покупки — 28% за год. Маржинальность — около 35%. Магазин существует четыре года, но собственник не может точно ответить, какой канал приносит прибыль, а какой съедает бюджет.

Кейс 2. «ПрофКонсалт» — B2B-услуга для малого бизнеса

Бухгалтерское и налоговое сопровождение для ИП и ООО. Цикл сделки — от двух недель до трёх месяцев. Каналы: контекстная реклама, LinkedIn-кросс-постинг, Telegram-канал эксперта, рекомендации, вебинары. Лиды — заявки с сайта, звонки и письма. CRM с разметкой источников. Средний чек — 36 000 рублей в год на клиента. Отток — около 18% в год. Маржинальность — около 60%. Главный вопрос собственника: в какие каналы вкладывать следующие 1,5 млн рублей маркетингового бюджета.

Эти два кейса выбраны не случайно. Первый — e-commerce: много транзакций, короткий цикл, понятная выручка. Второй — B2B-услуга: мало транзакций, длинный цикл, важна повторная покупка и LTV. Вместе они покрывают большинство ситуаций, в которые попадает российский малый и средний бизнес. Методы, которые мы будем обсуждать, применимы к обоим; разница — в пропорциях и в том, какие метрики выходят на первый план.

Как читать эту книгу

Книга построена как путь от мышления к системе. Часть I — про то, как мыслить цифрами: какие вопросы задавать, какие метрики выбирать, какие из них — показатели тщеславия. Часть II — про данные: где они живут, как их объединять, как проверять качество, как работать с российским цифровым контуром. Часть III — про метрики, экономику и воронки: формулы, юнит-экономику, анализ потерь. Часть IV — про ИИ как аналитика: какие задачи ему передавать, как строить промпты, как делать дашборды, как прогнозировать и как понимать, что действительно сработало. Часть V — переход от аналитики к управлению: эксперименты, автоматизация, план внедрения за 30 дней.

Главы можно читать последовательно — так логика системы раскрывается максимально полно. Можно и выборочно: каждая глава построена как самостоятельный модуль с практическими примерами, чек-листами и заданиями. Если вы собственник — начните с главы 1, главы 8 и главы 18. Если маркетолог — с главы 3, главы 12 и главы 17. Если аналитик — с главы 6, главы 11 и главы 15. Но в конечном счёте все части связаны, и пропущенная глава рано или поздно напомнит о себе.

О чём эта книга не учит

Важно обозначить границы. Эта книга — не учебник по математической статистике. Мы не будем выводить формулы и доказывать теоремы — но будем использовать статистические идеи там, где без них нельзя принять решение (например, при оценке A/B-теста). Это не каталог сервисов: названия инструментов упоминаются, но правила работы с ними меняются, и мы делаем упор на принципы, которые остаются актуальными. Это не набор готовых скриптов на Python — но вы найдёте в приложениях промпты и шаблоны, которые можно скопировать и использовать. И, наконец, это не манифест «ИИ заменит аналитика»: книга систематически показывает, что ИИ ускоряет работу, но не отменяет проверку и ответственность.

Если после прочтения вы будете по-другому смотреть на собственный еженедельный отчёт — книга уже сделала свою работу. Если начнёте задавать вопрос «как мы это проверим?» перед тем, как формулировать вывод, — книга сделала больше. Если в течение месяца построите первую рабочую версию Marketing Intelligence System по плану из главы 18 — у вас появится конкурентное преимущество, которое невозможно купить за рекламный бюджет.

Перейдём к части I. Сначала — мышление. Без него любые цифры остаются просто цифрами.

Главное про эпоху ИИ

Появление широко доступных ИИ-помощников в 2023–2025 годах изменило аналитику радикальнее, чем появление любой аналитической платформы за последние 20 лет. Раньше «провести анализ» означало: открыть таблицу, написать формулу, построить график, сформулировать вывод — на это уходило от 30 минут до нескольких дней. Сегодня один промпт даёт тот же результат за 30 секунд. Это означает, что у каждого маркетолога, у каждого собственника, у каждого аналитика появился в кармане «виртуальный аналитик», который работает почти бесплатно. Это меняет не «как считать», а «что считать».

Главная ловушка эпохи ИИ — иллюзия понимания. ИИ формулирует выводы так уверенно, что пользователь принимает их за факты. «ROMI вырос на 18% благодаря оптимизации кампании Х» — звучит как истина, но может быть галлюцинацией. «CTR ниже рынка — нужно пересмотреть креативы» — звучит профессионально, но без проверки это догадка. Без навыка проверки ИИ-выводов пользователь получает иллюзию аналитики, не аналитику. С навыком — ускоряет работу в разы. Эта книга учит именно этому навыку: как использовать ИИ как помощника, не делая его судьёй.

Вторая ловушка — смешение ответственности. ИИ не несёт ответственности за свои выводы. Если вы приняли решение на основе ИИ-вывода, и оно оказалось неверным — виноваты вы, не ИИ. Это означает, что перед принятием стратегического решения нужно проверять ИИ-вывод вручную, не полагаться на «авторитет ИИ». Глава 11 и глава 17 подробно разбирают эту тему; здесь — главное правило: ИИ — инструмент, не начальник. Решение и ответственность всегда на человеке.

Третья ловушка — снижение планки мышления. Когда ИИ быстро даёт ответы, аналитик привыкает не думать сам. Гипотезы формулирует ИИ, выводы делает ИИ, рекомендации даёт ИИ. Аналитик превращается в «перекладывателя ИИ-выводов в отчёты». Через 1–2 года такой работы аналитик теряет способность мыслить самостоятельно. Решение: использовать ИИ для ускорения рутины, но обязательно формулировать гипотезы и выводы самостоятельно, проверять ИИ-выводы, понимать, почему ИИ сказал то, что сказал. Без этого мышление атрофируется, и через 2 года аналитик становится заменяемым — потому что если вся его работа сводится к ИИ-промптам, то любой сотрудник с тем же ИИ делает то же самое.

Книга построена так, чтобы научить работе с ИИ без потери мышления. Все промпты в главе 12 и приложении Б — структурированы, с проверкой. Все выводы в примерах — сопровождаются «как проверить». Все рекомендации — «вот что ИИ предложил, вот что проверил аналитик, вот что решил собственник». Эта триада — ИИ → аналитик → собственник — основа системы, в которой ИИ ускоряет, аналитик проверяет, собственник решает. Без одной из трёх ролей система ломается.

ЧАСТЬ I. МЫШЛЕНИЕ В ЦИФРАХ

Глава 1. Почему маркетинг больше не может работать вслепую

Маркетинг в России прошёл несколько волн. В ранней — всё измерялось интуицией собственника: «вроде работает, звонят». Потом появились счётчики и рекламные кабинеты — метрики стали частью речи, но чаще как ornament: «у нас CTR 2,4%». Третья волна — данные есть везде, но они не складываются в управленческую картину. Четвёртая волна, в которую мы сейчас вступаем, отличается тем, что данные и инструменты есть даже у небольшой компании, а понимания — не всегда. И в этих условиях «работать вслепую» уже не означает «не иметь данных». Это означает «иметь данные, не понимать, что они значат, и принимать решения всё равно интуитивно».

Как меняется роль аналитики

Аналитика в маркетинге прошла путь от поясной функции к управленческой. Раньше аналитик или маркетолог был человеком, который «собирал отчёт»: раз в неделю скачивал цифры из кабинетов, складывал в Excel, рисовал графики и отправлял руководителю. Сегодня такая работа либо автоматизирована, либо должна быть. Аналитика как функция управления — это не про сбор, а про ответы. Что изменилось за неделю? Почему? Что сделать на следующей? Как мы поймём, что сработало? Если этих ответов нет — отчёт можно не отправлять, потому что он не помогает принимать решения.

В малом и среднем бизнесе роль аналитика часто совмещает сам маркетолог, собственник или руководитель отдела. Это не упрощает задачу, а усложняет: времени на анализ меньше, чем в крупной компании, а цена ошибки — выше. Поэтому книга строится на идее, что аналитика должна быть встроена в процесс, а не быть отдельным «отчётом по выходным». Встроенная аналитика занимает 30 минут в день и предупреждает о проблеме до того, как она станет убытком.

Почему интуиция без данных рискованна

Интуиция — это сжатый опыт. Она хорошо работает в стабильной среде, где паттерны повторяются: если вы десять лет продаёте один и тот же товар одной и той же аудитории, можно «чувствовать», что сработает. Но российский рынок за последние годы нестабилен: меняются каналы, поведение покупателей, цены, правила платформ, доступность иностранных инструментов. В такой среде интуиция систематически ошибается в одну сторону — в сторону привычных ответов. «Нам всегда помогал Директ, значит, и сейчас поможет». «VK Реклама не работает — мы пробовали в 2022-м». Эти утверждения основаны на опыте, который мог устареть.

Кейс «Дом и Сад» хорошо иллюстрирует риск. Собственник три года вкладывал основную часть бюджета в Яндекс Директ, потому что «он всегда работал». Когда мы построили когортный анализ, оказалось, что повторные покупки у клиентов из органического поиска в 2,3 раза выше, чем у клиентов из Директа. С учётом LTV органика — более выгодный канал, но её не развивали, потому что она «не давала мгновенной выручки». Интуиция, основанная на первом контакте, переоценивала платный трафик и недооценивала органический.

Это не означает, что интуиции нет места. Опытный маркетолог чувствует, когда цифра «выглядит странно», ещё до проверки. Это полезно — но как сигнал к анализу, а не как окончательный вывод. Интуиция говорит, что проверить. Данные показывают, что нашли. Решение принимает человек, опираясь и на то, и на другое.

Почему данные без контекста не менее опасны

Если интуиция без данных — это риск привычки, то данные без контекста — это риск ложной точности. «CTR вырос на 18%» звучит как достижение, пока не узнаешь, что показы сократились вдвое (а нецелевые показы дают высокий CTR, потому что кликают те, кто случайно попал на рекламу). «ROMI 320%» впечатляет, пока не выясняется, что в расчёт включили только рекламный бюджет и забыли себестоимость, обработку заказов и возвраты. «Стоимость лида снизилась до 380 рублей» — отлично, если лид — это заявка с заполненной формой. И катастрофа, если лидом считается любой клик по рекламе.

У любой цифры есть контекст. Период: рост по сравнению с прошлым месяцем может быть сезонностью, а не результатом. Источник: разные системы считают одно и то же событие по-разному. Сегмент: общий рост может скрывать падение в прибыльном сегменте и рост в убыточном. Методика: CPA по одной формуле — это одно, по другой — другое. Без этих пояснений цифра — это не знание, а стимул к обсуждению. К сожалению, в большинстве отчётов контекста нет — есть только число и комментарий «рост обусловлен кампанией Х».

Контекст — это не дополнение к данным. Это часть данных. Цифра без контекста — это шум, который выглядит как информация. ИИ-помощники здесь опасны вдвойне: они умеют уверенно формулировать выводы из голых чисел, не указывая на ограничения. Глава 11 подробно разбирает, как с этим работать. Пока — главное правило: если в отчёте есть число, должно быть ясно, период, источник, методика и сегмент.

Разница между активностью и результатом

Маркетинг полон «активности без результата». Запустили 12 кампаний — активность. Получили 1 200 показов — активность. Собрали 90 лидов — активность. Но если из этих 90 лидов ни один не закрылся в сделку, активность не создала результата. Активность — это то, что делалось. Результат — то, что изменилось в бизнесе. Смешение этих двух категорий — самая распространённая ошибка маркетинговых отчётов.

Типичный пример из «ПрофКонсалт». В отчёте за квартал значилось: «Опубликовано 18 постов в Telegram, 6 вебинаров, 24 email-рассылки, рост подписчиков на 14%». Активность впечатляющая. Но выручка за квартал упала на 9%, а отток клиентов вырос. При более внимательном анализе оказалось, что 80% новых подписчиков пришли из одной виральной публикации, нецелевой для услуги; вебинары посещали текущие клиенты, а не новые; рассылки не приводили к заявкам. Активность была, результата не было.

Аналитика должна разделять эти слои. Метрики активности — показы, охват, количество публикаций, число писем, клики. Метрики результата — лиды, оплаченные сделки, выручка, валовая прибыль, удержание. Метрики результатов без метрик активности — не видят причины. Метрики активности без метрик результата — создают иллюзию работы. Хороший отчёт всегда показывает и те, и другие в одной связке.

Почему отчётность не равна управлению

Управление — это цикл: цель → план → действие → измерение → корректировка → новая цель. Отчётность — это только один элемент цикла: измерение. Если в компании есть только отчётность, то цикл управления разорван. Действия совершаются по интуиции, измеряются, но не корректируются — потому что отчётность не связана с решением. Это похоже на вождение автомобиля, где спидометр работает, а руль — нет: вы знаете скорость, но не можете на неё влиять.

Большинство российских МСБ именно так и управляют маркетингом. Раз в месяц собственник получает отчёт, в котором увидел рост или падение, даёт указание «бюджет сократить» или «бюджет увеличить», и на этом цикл заканчивается. Гипотезы не формулируются. Эксперименты не проводятся. Результат следующего месяца не сравнивается с прогнозом. Через год собственник не может сказать, какие из принятых решений сработали. Это не управление — это реактивная реакция на цифры.

Переход к управлению требует трёх вещей. Первая — у каждого отчёта есть управленческое решение, которое с ним связано. Вторая — решения формулируются как гипотезы («если мы увеличим бюджет на X, то Y вырастет на Z»), а не как догмы. Третья — после действия происходит измерение результата и сравнение с прогнозом. Это и есть цикл, который в книге называется Marketing Intelligence System. Без него аналитика остаётся дорогим хобби.

Как аналитика связывает маркетинг с бизнесом

Главный механизм связи — последовательность: маркетинговые расходы → лиды → клиенты → выручка → валовая прибыль → маржинальный результат. Каждое звено в этой цепи — это метрика, и у каждой метрики есть «точка обрыва». На уровне маркетинговых расходов обрыв — это когда рекламный бюджет потрачен, но не ясно, на какой канал. На уровне лидов — когда заявка получена, но не размечена по источнику. На уровне клиентов — когда лид закрыт, но не отнесён к каналу. На уровне выручки — когда продажа прошла, но не связана с источником клиента. На уровне маржи — когда выручка известна, но себестоимость, возвраты и скидки не учтены.

В кейсе «Дом и Сад» цепь обрывалась на уровне лидов: заявки с сайта фиксировались, но UTM-разметка не передавалась в CRM. В кейсе «ПрофКонсалт» — на уровне клиентов: сделки закрывались, но не было привязки к каналу, поэтому собственник не знал, какие клиенты пришли с вебинаров, а какие — из контекста. У каждой компании своё «слабое звено», и задача аналитики — найти его. Усиливать нужно то звено, где обрыв, а не то, которое уже работает.

Эта глава — про общее мышление. Начиная с главы 2, мы будем разбирать конкретные метрики, формулы, инструменты. Но без понимания, что аналитика — это система управления, а не набор цифр, любая метрика остаётся украшением. Закрепим главное правилом: любой отчёт заканчивается решением. Если решения нет — отчёт не нужен. Если решение есть, но не проверено — это не решение, а догадка. Путь от догадки к решению — основная тема остальной книги.

Краткие выводы

Ключевые тезисы главы 1

— Аналитика — функция управления, а не отчётности. Отчёт без решения — пустая работа.

— Интуиция без данных систематически ошибается в сторону привычных ответов в нестабильной среде.

— Данные без контекста создают иллюзию точности; любая цифра требует периода, источника, сегмента и методики.

— Активность — не результат. Метрики активности и метрики результата нужно показывать вместе.

— Управление — это цикл «цель → план → действие → измерение → корректировка». Отчётность без цикла — это наблюдение.

— Связь маркетинга с бизнесом проходит через цепь: расходы → лиды → клиенты → выручка → маржа. Обрыв любого звена ломает всю систему.

Практическое задание

Возьмите последний еженедельный или ежемесячный отчёт по маркетингу в вашей компании. Ответьте письменно на пять вопросов. 1) Какое управленческое решение принято по этому отчёту? 2) Где в отчёте указан контекст цифр — период, источник, сегмент, методика? 3) Какие метрики активности и метрики результата приведены и можно ли их различить? 4) Какая часть цепи «расходы → маржа» в отчёте не показана? 5) Какая гипотеза была проверена за период, и какие выводы сделаны? Если на четыре из пяти вопросов вы ответили «не знаю» или «не указано» — у вас есть отправная точка для работы по этой книге.

Глава 2. От показов до прибыли: новая логика маркетинговых метрик

В этой главе мы сделаем то, чего не делает большинство книг по маркетингу: разложим метрики по слоям, от самых «верхних» (показы, охват) до самых «нижних» (прибыль, возврат инвестиций). Слои связаны между собой, и понимать связь — значит понимать, какая метрика действительно отражает то, что вас интересует. Цель главы — не перечислить формулы (это будет в главе 8), а построить систему, в которой любая метрика имеет своё место.

Слои маркетинговых метрик

Все маркетинговые метрики можно разделить на шесть слоёв. Каждый слой — это шаг ближе к бизнес-результату. Метрики верхних слоёв легко считаются, быстро меняются и потому любимы в отчётах. Метрики нижних слоёв трудно считать, они меняются медленно, но именно они показывают, есть ли у бизнеса результат. Аналитик, который умеет двигаться по этим слоям, — это аналитик, который говорит на языке собственника.

Слой 1. Метрики внимания

Это «верх» воронки: показы, охват, частота. Они отвечают на вопрос «сколько человек вообще увидели нас». Показ — это одно отображение рекламы или страницы. Охват — это уникальные пользователи, увидевшие (а не просто «которым показали»). Частота — сколько раз в среднем один пользователь видел рекламу за период. Эти метрики важны для оценки охватных кампаний, брендинга и верха воронки. Их проблема: они ничего не говорят о том, что человек сделал после показа. 100 000 показов в «Дом и Сад» могут означать 100 000 заинтересованных или 100 000 случайно кликнувших мимо — без метрик следующего слоя не разобрать.

Часто путают показы и охват. Если один пользователь видел рекламу 10 раз, это 10 показов и 1 охваченный. В отчётах любят показывать «показы» — цифра всегда больше и впечатляет. Охват — честнее. Частота выше 5–7 за неделю обычно означает, что вы перенасыщаете аудиторию: она перестаёт реагировать. Это не закон, а ориентир — в разных нишах терпимость разная.

Слой 2. Метрики привлечения

Это переход от «видели» к «отреагировали»: клики, CTR, CPC, CPM, посещаемость сайта, глубина просмотра, отказы. Клик — это действие, но не результат. CTR (click-through rate) — отношение кликов к показам. CPC (cost per click) — средняя цена клика. CPM (cost per mille) — цена за тысячу показов. Эти метрики показывают, насколько привлекательно предложение на уровне рекламы или сниппета. Высокий CTR может означать отличную рекламу, а может — кликбейт, который приведёт нецелевой трафик и быстро отвалится. Низкий CPC может означать экономию, а может — дешёвый, но нецелевой трафик, который не превращается в лиды.

Метрики привлечения — самый частый источник ложных выводов. «CTR вырос с 1,2% до 2,8%» — отлично? Не обязательно. Если одновременно показы упали вдвое, то кликов в абсолюте могло стать меньше. Если при этом выросла доля мобильного трафика, который чаще кликает, но реже покупает, — рост CTR вообще не означает улучшения. Метрики этого слоя нужно смотреть в паре с метриками следующего слоя — иначе они вводят в заблуждение.

Слой 3. Метрики конверсии

Здесь — переход от посетителя в лид. Конверсия (CR, conversion rate) — отношение целевых действий к числу возможностей для них. Например, конверсия из посетителя в лид — это отношение числа заявок к числу посетителей. Конверсия из лида в сделку — отношение числа сделок к числу лидов. CPL (cost per lead) — средняя цена лида. CPA (cost per action) — цена за целевое действие (не обязательно лид; может быть подпиской, регистрацией, добавлением в корзину).

Здесь впервые появляются осмысленные коммерческие метрики. Но и здесь много ловушек. Конверсия — не абсолютная величина, она всегда считается для конкретного шага в конкретной воронке. «Конверсия 4,5%» без указания, из чего во что, не означает ничего. У «Дома и Сад» конверсия из посетителя в оформленный заказ может быть 1,2%, из оформленного заказа в оплаченный — 65%, из посетителя в оплаченный заказ — 0,78%. Любая из этих цифр может быть «конверсией», но интерпретация радикально разная.

Слой конверсии — это граница между маркетингом и продажами. Дальше начинается «коммерческий» слой, и в большинстве компаний метрики этого слоя уже считаются в CRM, а не в рекламном кабинете. Это одновременно и благо, и проблема: благо — потому что появляются реальные цифры, проблема — потому что данные из двух систем часто не сходятся. Этому посвящена глава 6.

Слой 4. Метрики продаж

Сделки, средний чек (AOV, average order value), выручка, число клиентов, доля повторных покупок. Эти метрики считает CRM или финансовая система. Здесь впервые появляется «деньги» — то, что интересно собственнику. Выручка — это сумма, которую заплатили клиенты. AOV — средний чек одного заказа. Число клиентов — уникальные плательщики за период. Доля повторных — процент клиентов, сделавших второй и более заказ.

В B2B-кейсе «ПрофКонсалт» этот слой — основной. Один новый клиент за месяц — норма. AOV — 36 000 рублей в год. Выручка — десятки миллионов, но считается по нескольким десяткам сделок. Здесь анализ продаж — это не агрегаты, а индивидуальный разбор каждой сделки. В e-commerce — наоборот, миллионы событий, и работает только агрегированный анализ. Слой метрик продаж по-разному выглядит в разных моделях бизнеса, но принцип общий: речь идёт о конкретных деньгах, которые прошли через кассу.

Слой 5. Метрики удержания

Retention (доля клиентов, сделавших повторную покупку за период), churn (отток), LTV (lifetime value — пожизненная ценность клиента), частота повторных покупок, среднее время между покупками. Это «длинные» метрики: их нельзя посчитать за один день, они требуют наблюдения за клиентом во времени. Они показывают, создаёт ли маркетинг долгосрочную ценность, или только разовые продажи. Для бизнеса с подписками (SaaS, услуги) — это центральные метрики. Для e-commerce — часто недооценивается.

У «Дома и Сад» собственник не считал LTV, потому что «это сложно». Когда построили когортный анализ за 24 месяца, оказалось: 28% клиентов делают повторную покупку, и их LTV за год — 8 700 рублей против 4 200 первого чека. То есть повторные клиенты приносят в 2,07 раза больше, чем новые. Это означало, что_channel, приводящий повторных клиентов (органика, email), недооценён, а канал, приводящий разовых (Директ на нецелевые запросы), переоценён.

Слой 6. Финансовые показатели

Валовая прибыль, маржинальность, ROAS (return on ad spend), ROMI (return on marketing investment), CAC (customer acquisition cost) в связке с LTV, точка безубыточности. Это язык собственника. Здесь впервые появляются не «деньги, которые пришли», а «деньги, которые остались». Валовая прибыль = выручка − себестоимость. Маржинальность = валовая прибыль / выручка. ROAS = атрибутированная выручка / расходы. ROMI = (дополнительный маржинальный доход − маркетинговые затраты) / маркетинговые затраты × 100%.

Эти метрики сложнее считать, потому что они требуют объединения данных из нескольких источников и включения расходов, которые маркетолог обычно не видит: себестоимости, затрат на обработку, возвратов, скидок. Но именно они показывают, создаёт ли маркетинг деньги для бизнеса, или только для рекламных систем. Глава 8 подробно разбирает формулы и определения. Глава 9 — юнит-экономику. Здесь же главное: метрики финансового слоя — это финальный шаг в иерархии.

Связь маркетинговых действий с прибылью

Шесть слоёв не существуют отдельно. Любое маркетинговое действие проходит по всей цепи. Увеличили бюджет на Директ → выросли показы (слой 1) → выросли клики (слой 2) → выросли лиды (слой 3) → выросли сделки (слой 4) → выросла валовая прибыль (слой 6). На каждом шаге часть «протекает»: не все показы становятся кликами, не все клики — лидами, не все лиды — сделками, не все сделки — прибылью. Каждая протечка — это коэффициент, и умножение этих коэффициентов даёт полную связь.

Если на одном из шагов коэффициент резко ухудшится, итоговая цифра пострадает, даже если предыдущий шаг «вырос». Пример: увеличили показы на 50%, но при этом снизилась конверсия из клика в лид на 30% (потому что расширили аудиторию и захватили нецелевых). Итог: лидов станет на 5% больше, но себестоимость лида вырастет, и прибыль может упасть. Без понимания всей цепи собственник видит «рост лидов» и не видит падения маржи. Аналитика без всех шести слоёв — это как смотреть на спортсмена только в одной точке дистанции: можно подумать, что он побеждает, когда на самом деле проигрывает.

Как не перепутать промежуточный показатель с конечным результатом

Главный риск в этой иерархии — принять промежуточный слой за финальный. Маркетолог, которому платят за показы, оптимизирует показы. Компании, у которой KPI — CTR, оптимизируют CTR. Агентства, которые отчитываются кликами, не отчитываются прибылью. Промежуточный показатель — это хорошо для диагностики, но плохо как цель. Цель — это всегда слой 6: маржа, прибыль, ROMI, LTV/CAC. Все предыдущие слои — инструменты для понимания, как получается эта цель.

Простой тест: если в вашем отчёте KPI — это CTR или CPC, спросите себя, что произойдёт, если этот показатель удвоится. Станет ли бизнесу лучше? Не всегда. Высокий CTR может означать кликбейт, который даёт дешёвые лиды, не превращающиеся в клиентов. Низкий CPC может означать нецелевой трафик. Если ответ на вопрос «что произойдёт с маржой, если X вырастет?» — не очевиден, метрика не должна быть KPI. Это диагностический показатель, не целевой.

То же с воронкой. Конверсия в лид — диагностический показатель. Конверсия в оплаченный заказ — ближе к цели. LTV — ещё ближе. Чистая маржа на клиенте за весь срок его жизни — финальный показатель. Двигайтесь от верха вниз. На какой глубине вы перестаёте считать — там и есть ваш текущий предел аналитики. Цель книги — опустить этот предел до слоя 6 для большинства компаний, и дальше — до сегментированного и сценарного анализа.

Краткие выводы

Ключевые тезисы главы 2

— Все маркетинговые метрики делятся на шесть слоёв: внимание, привлечение, конверсия, продажи, удержание, финансы.

— Метрики верхних слоёв легко считать, но они не отражают бизнес-результат; метрики нижних слоёв — наоборот.

— Связь между слоями — это коэффициенты, перемножение которых даёт путь от показа к марже.

— Любое маркетинговое действие проходит всю цепь; если один коэффициент ухудшится, итог пострадает, даже если остальные выросли.

— Промежуточный показатель не может быть KPI. KPI — это метрика, которая отвечает на вопрос «что произойдёт с маржой, если X улучшится?».

— Аналитик должен уметь двигаться по слоям — от показа к марже и обратно, локализуя проблему.

Практическое задание

Возьмите текущий набор метрик вашей компании. Распределите их по шести слоям. Отметьте, какие слои у вас считаются, какие — нет. Для каждого «пустого» слоя запишите, что мешает посчитать метрики этого слоя (нет данных, нет интеграции, нет формулы). Определите, какой «коэффициент протечки» между слоями вы не знаете — например, не знаете конверсию из лида в сделку, потому что CRM не размечает лиды. Это и есть карта приоритетов для следующих глав: чинить нужно то звено, где обрыв.

Глава 3. Как задавать правильные аналитические вопросы

Любой анализ начинается с вопроса. Без вопроса данные — это просто таблица. С вопросом — это исследование. Самая распространённая проблема аналитики не в том, что нет данных, а в том, что никто не сформулировал, на какой вопрос эти данные должны ответить. В итоге строятся «обзорные» отчёты, в которых есть всё, а ответов — нет. Эта глава — про то, как переводить управленческую тревогу в аналитический вопрос, который можно проверить.

Как переводить бизнес-задачу в аналитический вопрос

Управленческие вопросы обычно звучат неформально: «что-то маркетинг стал хуже», «куда уходят деньги», «почему продаж стало меньше». Это сигналы, не вопросы. Аналитический вопрос должен быть конкретным, измеримым и проверяемым. Хорошая формулировка: «Какой канал привёл больше всего клиентов с LTV выше среднего за последние 12 месяцев, и какова доля этого канала в общем CAC?». Плохая формулировка: «какие каналы лучше работают».

Перевод управленческого вопроса в аналитический — это сужение. Из бесконечного множества возможных ответов нужно выбрать тот, который ведёт к решению. Если собственник спрашивает «почему продаж стало меньше», сначала определите, о каком периоде речь (месяц, квартал), о каком продукте или канале, в каком сравнении (с прошлым месяцем, с аналогичным месяцем прошлого года). Только после этого вопрос становится анализируемым. Иначе аналитик получит «общую картину», в которой нет ответа, и собственник скажет: «я это и так знал».

Дерево вопросов

Хороший приём — дерево вопросов. Начальный вопрос «почему упала выручка?» раскладывается на под-вопросы: «упало ли число клиентов, или средний чек, или и то, и другое?». Если число клиентов — «упали ли новые клиенты, или вырос отток, или и то, и другое?». Если новые клиенты — «упали ли показы, или CTR, или конверсия из клика в лид, или конверсия из лида в сделку?». На каждом уровне вопрос становится конкретнее, и в какой-то момент упирается в конкретный показатель, который можно посчитать. Это и есть аналитический вопрос, на который данные реально ответят.

Дерево вопросов помогает не застрять на «верхних» объяснениях. Часто собственник получает ответ «выручка упала, потому что стало меньше клиентов» — и считает, что это анализ. На самом деле это переформулировка. Настоящий анализ — это движение вниз по дереву, пока не найдётся конкретный показатель, который изменился, и гипотеза, почему он изменился. Глава 11 подробно разбирает, как ИИ помогает строить такие деревья; пока — главное правило: остановитесь, когда вопрос стал проверяемым.

Как формулировать измеримую цель

Цель — это не «улучшить маркетинг». Это конкретное изменение конкретной метрики на конкретную величину за конкретный срок. «Увеличить ROMI по каналу Яндекс Директ с текущих 180% до 240% к концу третьего квартала» — измеримая цель. «Сделать маркетинг эффективнее» — не измеримая. Формула измеримой цели: метрика + направление + абсолютное или относительное изменение + срок. Без любого из этих четырёх элементов цель остаётся пожеланием.

Измеримая цель решает три задачи. Первая — фокус: понятно, какие данные нужны, а какие — нет. Если цель — ROMI по Директу, не нужно тянуть в отчёт показатели по VK Рекламе. Вторая — критерий успеха: ясно, достигнута ли цель. Это снимает споры «получилось/не получилось». Третья — план проверки: заранее известно, что будем сравнивать. «Сравним ROMI за квартал до и квартал после» или «сравним с контрольной группой кампаний». Без проверки цель превращается в надежду.

В кейсе «ПрофКонсалт» собственник поставил цель: «увеличить долю повторных покупок в общей выручке с 42% до 55% за 12 месяцев». Это измеримая цель. Дальше — аналитический вопрос: какие сегменты клиентов дают наибольшую долю повторных, какие каналы приводят «долгих» клиентов, какие факторы связаны с повторной покупкой. Без такой цели непонятно, что анализировать. С целью — ясно, какие данные собирать и какие гипотезы проверять.

Как выбирать метрики

Метрик много. Измеримая цель требует одной-двух. Как выбрать? Возвращаемся к шести слоям из главы 2. Цель — это всегда метрика нижнего слоя (продажи, удержание, финансы). Если цель сформулирована через метрику верхнего слоя (CTR, показы), это не бизнес-цель, а операционная задача. Операционные задачи полезны, но они не могут быть финальной целью маркетинга. Финальная цель — что-то из денег, прибыли или удержания.

Если цель — маржа, метрикой результата может быть валовая прибыль, маржинальность или ROMI. Если цель — удержание, метрикой может быть Retention за период, доля повторных в выручке или LTV. Если цель — рост, метрикой может быть число новых клиентов, выручка или доля рынка. Выбор зависит от того, что собственник действительно хочет изменить. Не путайте «объём» (выручка, число клиентов) с «эффективностью» (маржа, ROMI, LTV/CAC). Это разные цели, требующие разных метрик и разных действий.

Как определять период анализа

Период анализа — это не произвольное решение. Он зависит от двух факторов: цикла сделки и сезонности. Цикл сделки — это время от первого контакта до закрытия. В «Дом и Сад» это 1–7 дней. В «ПрофКонсалт» — 2–12 недель. Период анализа должен быть в 3–5 раз длиннее цикла сделки, иначе вы измеряете незавершённые процессы. Если цикл — неделя, минимум для анализа — месяц. Если цикл — три месяца, минимум — квартал.

Сезонность — второй фактор. Если бизнес имеет выраженную сезонность (новый год, лето, периоды промо), нужно сравнивать сопоставимые периоды. Январь с декабрём сравнивать бессмысленно — декабрь в e-commerce всегда лучше. Сравнение января с январем прошлого года, или с январём нормированным, или с ноября по февраль текущего года — имеет смысл. Без учёта сезонности любые выводы о росте или падении ненадёжны.

Третий фактор — горизонт прогноза. Если вы хотите прогноз на квартал, нужно минимум 8–12 кварталов исторических данных. Если горизонт — месяц, нужно 24–36 месяцев истории. Чем длиннее ряд, тем надёжнее прогноз, но тем труднее учесть структурные изменения (например, что рынок в 2022 был не такой, как в 2024). Глава 14 разбирает это подробно; здесь — правило: период анализа должен быть достаточно длинным, чтобы делать вывод, и достаточно коротким, чтобы условия были сравнимы.

Как учитывать сезонность

Сезонность — это систематическое колебание спроса, связанное с временем года, праздниками, событиями. У «Дома и Сад» пики — ноябрь-декабрь (подарки, текстиль) и март (весеннее обновление). У «ПрофКонсалт» — конец квартала (бухгалтерская отчётность) и конец года. Чтобы не спутать сезонный рост с результатом действия, используют три приёма. Первый — сравнение год-к-году: январь этого года с январём прошлого. Второй — скользящее среднее: сглаживание колебаний за несколько месяцев. Третий — сезонная декомпозиция: разделение ряда на тренд, сезонность и остаток.

Простой приём — индекс сезонности. Для каждого месяца считается среднее значение за несколько лет и делится на среднегодовое. Если январь в среднем даёт 70% от среднегодового, индекс — 0,7. Если декабрь — 1,6, то есть 160% от среднего. При анализе роста фактические значения делятся на индекс, и получается «очищенный от сезонности» ряд. В малом бизнесе это можно сделать в Excel за 30 минут. ИИ-помощники умеют делать это автоматически, но нужно проверять — они часто путают сезонность с трендом.

Как избегать показателей тщеславия

Показатели тщеславия (vanity metrics) — это метрики, которые выглядят впечатляюще, но не ведут к решению. Классические примеры: «число подписчиков», «число показов», «число лайков», «трафик сайта». Каждая из этих цифр может расти, а бизнес — стагнировать. Чтобы отличать полезную метрику от показателя тщеславия, задайте три вопроса. 1) Если эта метрика удвоится, станет ли бизнесу лучше? 2) Можно ли по этой метрике принять конкретное решение? 3) Эта метрика — средство или цель? Если на первый вопрос — «не обязательно», на второй — «неясно», на третий — «скорее средство», это показатель тщеславия.

Это не означает, что такие метрики не нужно отслеживать. Число подписчиков важно для оценки охвата. Трафик важен для верхней воронки. Проблема начинается, когда эти метрики попадают в KPI маркетолога или собственника. Тогда маркетолог оптимизирует метрику, а не результат. «Нам нужно 10 000 подписчиков в Telegram» — это показатель тщеславия как цель. «Нам нужно 10 000 подписчиков, чтобы достичь 8% конверсии в платную услугу» — это средство с измеримой целью. Разница в формулировке определяет разницу в действиях.

Как отличать симптом от причины

Симптом — это видимая проблема. Причина — её скрытый механизм. Снижение выручки — симптом. Рост стоимости клика при том же бюджете, ведущий к снижению трафика, ведущий к снижению лидов, ведущий к снижению выручки — причинно-следственная цепь. Аналитика заканчивается тогда, когда найдена причина, а не когда описан симптом. Иначе решение будет «лечить симптом» — и проблема вернётся.

Метод «пяти почему» помогает докапываться. Снижение выручки → почему? Меньше оплаченных заказов. Почему? Меньше оформленных корзин. Почему? Выросла доля брошенных корзин. Почему? Изменилась форма оформления, добавили поле «отчество». Почему? Юрист попросил для договора. Решение: убрать поле «отчество» из обязательных на этапе оформления, добавить его в форму уже после оплаты. Симптом (выручка падает) исправлен через причину (новое поле в форме).

ИИ в этом процессе полезен, но ограничен. Он может предложить гипотезы причин, но не может проверить их без данных. Он может навести на цепочку «пять почему», но финальное звено — за человеком. Глава 11 подробно разбирает, как использовать ИИ для такого анализа. Пока — главное правило: каждый «почему» должен вести к конкретному проверяемому факту, не к ещё одному «возможно».

Ограничения и риски

Даже правильно сформулированный вопрос не гарантирует правильного ответа. Три типичных риска. Первый — неверно выбранный период: анализ за слишком короткий срок даёт случайные колебания, за слишком длинный — усредняет разные режимы работы. Второй — неверно выбранный сегмент: общий ответ может скрыть, что в прибыльном сегменте всё хорошо, а в убыточном — катастрофа. Третий — неверно выбранная методика сравнения: «до/после» без контрольной группы может приписать эффект действию, которое на самом деле ни при чём.

Эти риски — не повод отказываться от анализа. Это повод формулировать вопрос так, чтобы учесть ограничения. «Выросла ли конверсия в сделку после изменения лендинга, по сравнению с предыдущим месяцем, в сегменте клиентов из Яндекс Директа» — конкретный вопрос. «Получится ли такой же результат, если мы запустим это на всех каналах» — следующий вопрос, требующий уже эксперимента. Глава 16 разбирает эксперименты; здесь — главное: любой вывод содержит область применимости, и её нужно формулировать явно.

Краткие выводы

Ключевые тезисы главы 3

— Аналитика начинается с вопроса. Без вопроса данные — это просто таблица.

— Управленческий вопрос нужно сузить до аналитического: периода, сегмента, метрики, сравнения.

— Дерево вопросов помогает двигаться от симптома к причине, пока вопрос не станет проверяемым.

— Измеримая цель = метрика + направление + величина + срок. Без любого элемента — это пожелание.

— Период анализа должен быть в 3–5 раз длиннее цикла сделки и учитывать сезонность.

— Показатели тщеславия — это метрики, которые растут, а бизнес не меняется. Они не могут быть KPI.

— Анализ заканчивается, когда найдена причина, а не когда описан симптом.

Практическое задание

Выберите одну текущую управленческую задачу в вашем маркетинге. Сформулируйте её в виде: «что мы хотим узнать, по какому периоду, по какому сегменту, по какой метрике, с каким сравнением». Разложите вопрос в дерево из 4–6 уровней, пока не дойдёте до конкретного показателя, который можно посчитать. Сформулируйте 2–3 гипотезы о причинах. Определите, какие данные нужны для проверки. Это и есть техническое задание на следующий аналитический цикл.

ЧАСТЬ II. ДАННЫЕ И ИНФРАСТРУКТУРА

Глава 4. Карта маркетинговых данных

Данных много, но они разрозненны. Сайт знает одно, рекламный кабинет — другое, CRM — третье, финансовая система — четвёртое. Чтобы аналитика работала, нужно знать, где живут данные, что они означают, какие ограничения у каждого источника и как их связывать. Эта глава — карта источников данных. После неё вы должны понимать, какие данные у вас есть, какие нужны, какие дублируются, какие — несовместимы между собой.

Зачем нужна карта данных

Карта данных — это документ, в котором перечислены все источники маркетинговой информации в компании, их назначение, объём, частота обновления, ответственные, ограничения и интеграции. Без такого документа аналитик работает вслепую: он не знает, можно ли доверять источнику, не знает, когда он обновляется, не знает, есть ли другой источник с той же информацией. В российском МСБ карта данных существует редко — обычно она «в голове у маркетолога», который может уволиться.

Карта данных решает три задачи. Первая — поиск пробелов: ясно, какие данные нужны, но не собираются. Вторая — устранение дубликатов: видно, что одна и та же информация учитывается в двух системах по-разному, и нужно выбрать одну. Третья — понимание ограничений: каждый источник имеет свои искажения, и без их учёта выводы будут неверны. Глава 6 подробно разбирает качество данных; здесь — инвентаризация источников.

Сайт и посадочные страницы

Сайт — основной источник данных о поведении посетителей. Счётчик Яндекс Метрики (или альтернативы) фиксирует визиты, просмотры, время на странице, действия, конверсии. Сайт даёт информацию, которой нет нигде: что человек делал до заявки, какие страницы смотрел, сколько времени провёл, что добавил в корзину и бросил. Без сайта невозможно анализировать воронку от клика до лидов.

Ограничения сайта как источника: он видит только онлайн-поведение, не видит офлайн-продажи, не знает, кто именно посетитель (если не авторизован), теряет данные при блокировке счётчиков (что в России не редкость). Сайт также даёт данные с задержкой: счётчик фиксирует визит мгновенно, но события конверсии — только после завершения сессии. Сайт не различает пользователя, зашедшего с рекламного клика, и пользователя, который пришел напрямую, если UTM-метка не передана.

Посадочные страницы

Посадочные (landing pages) — особый тип страниц, оптимизированных под конкретную рекламную кампанию. У них обычно одна цель — получить лид. Аналитика посадочных страниц отличается от аналитики основного сайта: меньше метрик, выше требования к точности, быстрее цикл эксперимента. Каждая посадочная страница должна иметь свою цель (получить заявку, скачать PDF, зарегистрироваться) и отслеживать только эту цель. Смешивание целей посадочной страницы с общими целями сайта — частая ошибка, приводящая к неверно посчитанной конверсии.

Рекламные кабинеты

Яндекс Директ, VK Реклама, рекламные кабинеты Telegram, маркетплейсы и другие — каждый кабинет даёт данные о показах, кликах, расходах, иногда — о конверсиях. Эти данные — первичный источник информации о маркетинговых расходах. Без них невозможно посчитать CPM, CPC, CTR, CPL по каналам. Кабинет — это «бухгалтерия» рекламной кампании, и его данные должны совпадать с тем, что попадает в CRM (через UTM-разметку).

Ограничения рекламных кабинетов. Первый — атрибуция: кабинет считает продажу «своей», если в течение периода атрибуции был клик по рекламе. Это не означает, что реклама вызвала продажу (см. главу 15). Второй — задержка: данные о конверсиях появляются через несколько часов или дней после события. Третий — несовместимость методик: разные кабинеты считают по-разному (last-click, multi-touch, view-through), и прямое сравнение метрик между кабинетами часто некорректно. Четвёртый — изменения в алгоритмах: сегодня и завтра одна и та же кампания может показывать разные цифры из-за пересчёта атрибуции.

Главное правило: данные рекламного кабинета не истина в последней инстанции. Это данные рекламной системы о её собственной работе. Истина — в CRM, где фиксируется реальная сделка. Расхождение между кабинетом и CRM — нормальное явление, и его нужно знать, но не пытаться «свести к нулю» любой ценой. Часто расхождение — это просто разница методик, не ошибка.

CRM — система управления клиентами

CRM фиксирует лиды, сделки, контакты, историю взаимодействия. Это основной источник данных о продажах. В российском МСБ чаще всего встречаются amoCRM, Битрикс24, retailCRM (в e-commerce). CRM отвечает на вопросы: сколько лидов, сколько сделок, какой статус, кто менеджер, сколько времени от первого контакта до закрытия, какие причины отказа. Без CRM аналитика маркетинга остаётся на уровне «лидов и кликов», без связи с деньгами.

Ограничения CRM. Главное — CRM содержит только то, что в неё вводят. Если менеджер не разметил источник лида, аналитика не сможет связать сделку с рекламным каналом. Если не зафиксировал причину отказа, нельзя анализировать причины потерь. CRM требует дисциплины: любой не введённый manually поле — это потерянная информация. Поэтому первый шаг в любой аналитике — проверка полноты заполнения CRM. Если по 30% сделок не указан источник, аналитика маркетинга будет ошибаться на 30%.

Системы продаж и финансовый учёт

В e-commerce это система заказов (встроенная в CMS, отдельная, или часть платформы вроде 1С). В B2B-услугах — бухгалтерская система (1С, Контур, СБИС). Эти системы знают то, чего не знает CRM: себестоимость, маржу, скидки, возвраты, повторные покупки, отгрузки, акты. Без этих данных невозможно посчитать юнит-экономику, ROMI, LTV. Связь CRM с финансовой системой — ключ к переходу от «лидов и сделок» к «прибыли и возврату инвестиций».

В российском МСБ эта связь часто отсутствует или сделана поверхностно. CRM знает, что сделка на 100 000 рублей закрыта. Финансовая система знает, что 100 000 рублей пришли. Но связи «сделка №123 в CRM = платёж №456 в 1С» нет. В итоге нельзя посчитать: какие из закрытых сделок реально оплачены, какие — нет, сколько из оплаченных — с возвратом, сколько — со скидкой. Без этого нельзя посчитать реальную маржу по каналам. Глава 5 подробно разбирает, как эту связь строить.

Веб-аналитика: что мы знаем о посетителях

Яндекс Метрика (в России — основной инструмент), Google Analytics (доступ ограничен), системы аналитики сайтов (для e-commerce — Вебвизор, для событий — Mixpanel-like системы). Веб-аналитика даёт данные о поведении на сайте: источник трафика, страницы, события, длительность сессии, глубина просмотра, путь пользователя. Эти данные — основа для анализа воронки от клика до конверсии.

Ограничения веб-аналитики. Главное — блокировка счётчиков. Часть пользователей используют блокировщики рекламы, часть — браузерные расширения, блокирующие трекинг. В России доля таких пользователей в B2B может доходить до 30–40%. Это означает, что веб-аналитика систематически недоучитывает определённые сегменты. Также веб-аналитика не видит офлайн-каналов: телефонные звонки, мессенджеры, обращения в офис. Их нужно учитывать отдельно, через коллтрекинг и интеграции с мессенджерами.

Коллтрекинг и телефония

Коллтрекинг — система подмены номеров телефонов на сайте для отслеживания источников звонков. Динамический коллтрекинг даёт каждому посетителю свой номер (или пул номеров), и связывает звонок с источником визита. Статический коллтрекинг — закрепляет разные номера за разными каналами (один номер в Директе, другой в VK). Коллтрекинг необходим, если по телефону приходит значительная часть лидов — без него невозможно связать звонок с рекламным каналом.

У «ПрофКонсалт» 38% лидов — звонки. Без коллтрекинга собственник не знал, какие из них пришли из рекламы, а какие — из органики. Внедрение статического коллтрекинга с тремя номерами (для Директа, VK, органики) дало разметку 80% звонков. Остальные 20% — звонки напрямую с визиток и рекомендаций — не имеют источника в коллтрекинге, но их можно отнести к «органике» как дефолт. Без коллтрекинга эти 38% лидов были бы «неизвестным каналом», и аналитика каналов была бы неточной на 38%.

Формы, чаты и мессенджеры

Формы на сайте (заявки, обратная связь) — основной источник лидов для многих ниш. Чаты на сайте (JivoSite, Tawk.to, другие) — для оперативных вопросов и квалификации. Мессенджеры (Telegram, WhatsApp) — отдельный канал, особенно в B2C. У каждого из этих источников своя специфика учёта: форма передаёт данные в CRM через интеграцию, чат — через оператора, мессенджер — часто требует ручного ввода лида в CRM.

Главное правило для этих источников — единая точка учёта. Лид из формы, лид из чата и лид из мессенджера должны попадать в CRM по одному формату, с разметкой источника. Если мессенджер не интегрирован с CRM и лиды из него вводятся вручную с опозданием в 2–3 дня, аналитика будет систематически ошибаться: сделки из мессенджеров будут выглядеть «длиннее» по циклу, чем они есть на самом деле. Внедрение единой точки учёта — типичная задача для первой недели построения Marketing Intelligence System (глава 18).

Данные электронной коммерции

В e-commerce это данные о заказах: позиции, цены, количества, скидки, способ доставки, способ оплаты, статус заказа, возвраты. Эти данные обычно хранятся в CMS (Битрикс, OpenCart, Magento-подобные), в системах управления продажами (retailCRM) или в 1С. Без этих данных невозможно посчитать средний чек, маржу, LTV, долю повторных покупок. Это самый «жирный» источник данных с точки зрения аналитики юнит-экономики.

Ограничения. Главное — согласованность с финансовой системой. Заказ в CMS может быть «оплачен», но платёж в 1С не проведён. Или заказ может быть отменён, но не удалён из выгрузки. Нужна регулярная сверка: заказы в CMS → платежи в 1С → выручка в отчёте о финансовых результатах. Если эти три источника не сходятся на 1–2%, аналитика юнит-экономики не точна.

Опросы и обратная связь

Опросы (NPS, CSAT, опросы после покупки, опросы отказавшихся) — источник качественных данных. Они говорят, почему клиент выбрал вас, почему ушёл, что не понравилось, что понравилось. Эти данные невозможно получить из «поведенческих» источников. Опросы дополняют картину, но не заменяют её: если только 5% клиентов отвечают на опрос, у вас данные о 5% — скорее всего, не представительны.

В российском МСБ опросы используются редко, и зря. Опрос «Почему вы выбрали нас?» на странице после покупки с одним открытым вопросом и тремя вариантами — даёт больше инсайтов, чем тонны данных веб-аналитики. Главное — короткий опрос (1–3 вопроса), по одной воронке (сразу после покупки или через неделю), без спама. ИИ может обрабатывать открытые ответы и группировать их по темам — это превращает 500 текстовых ответов в 8–10 категорий причин.

Данные о повторных покупках

Это данные о том, кто из клиентов сделал вторую, третью, последующие покупки. Они хранятся в CRM или системе заказов. Без них нельзя посчитать Retention, LTV, долю повторных покупок, частоту. Главный вопрос при работе с этими данными — горизонт наблюдения. Клиент, который не сделал повторную покупку за 3 месяца, не обязательно «ушёл» — у некоторых товаров цикл повторной покупки — год. Чтобы правильно считать Retention, нужно знать типичный цикл повторной покупки для вашей ниши.

У «Дома и Сад» цикл повторной покупки — 3–6 месяцев (текстиль, посуда). У «ПрофКонсалт» — год (бухгалтерское сопровождение). Сравнивать Retention за 3 месяца в этих двух бизнесах бессмысленно. Аналитик должен знать нормальный цикл для своей ниши и считать Retention за период, в 2–3 раза длиннее цикла. Глава 13 подробно разбирает когортный анализ; здесь — главное: данные о повторных покупках должны собираться достаточно долго, чтобы быть полезными.

Карта данных для сквозных кейсов

Таблица 4.1. Источники данных в кейсе «Дом и Сад»

Источник

Что знает

Чего не знает

Яндекс Метрика

Визиты, события, конверсии на сайте

Кто конкретно посетитель, офлайн-покупки

Яндекс Директ

Расходы, показы, клики, цели

Реальные сделки, возвраты, маржа

VK Реклама

Расходы, показы, клики

Сквозные конверсии без отдельной настройки

CMS (Битрикс)

Заказы, состав, статус, способ оплаты

Источник клиента, если UTM не передан

1С

Платежи, себестоимость, возвраты

Источник клиента, если нет связи с CMS

CRM (amoCRM)

Лиды, сделки, контакты, история

Финансы, если нет интеграции с 1С

Email-платформа

Рассылки, открытия, клики, отписки

Что произошло после клика

Аналогичная карта для «ПрофКонсалт» отличалась бы: вместо CMS — система заказов в CRM, вместо 1С — бухгалтерская платформа, добавляются LinkedIn-аналитика, Telegram-канал, вебинары. Принцип построения карты — тот же: перечислить все источники, указать, что каждый из них знает и не знает, отметить пробелы.

Краткие выводы

Ключевые тезисы главы 4

— Карта данных — это документ, без которого аналитик работает вслепую. Её нужно составить до начала анализа.

— Каждый источник имеет ограничения: сайт не видит офлайн, рекламный кабинет приписывает себе продажи, CRM зависит от ручного ввода, финансовая система — от качества связи с CRM.

— Данные о повторных покупках требуют горизонта наблюдения, в 2–3 раза длиннее типичного цикла сделки.

— Расхождение между источниками — норма, не ошибка. Главное — понимать методику каждого источника.

— Опросы и качественные данные дополняют количественную картину, но не заменяют её.

— Коллтрекинг обязателен, если звонки — значимый канал лидов.

Практическое задание

Составьте карту данных вашей компании по образцу таблицы 4.1. Для каждого источника укажите: название, что он знает, чего не знает, как часто обновляется, кто отвечает. Найдите три крупнейших пробела — данные, которые нужны, но не собираются. Для каждого пробела оцените, сколько времени и денег потребуется, чтобы его закрыть. Это и есть карта приоритетов для работы над инфраструктурой аналитики на ближайший месяц.

Глава 5. Как объединить данные в единую картину

Источники данных — разрозненные. Чтобы аналитика работала, их нужно связать в единую картину: понять, что клик по рекламе в Директе, визит на сайт, заявка в форме, сделка в CRM и платёж в 1С — это один и тот же пользователь на разных этапах. Эта задача называется «сквозная аналитика». В российском МСБ её часто пытаются решить «в лоб»: свести всё в Excel и угадывать связи вручную. Эта глава — про то, как строить сквозную аналитику правильно, какие бывают идентификаторы, как с ними работать и какие ошибки подстерегают.

Разрозненные источники: проблема фрагментации

Каждый источник данных — это своя «версия правды». Рекламный кабинет говорит, что было 1 200 кликов. Сайт говорит, что было 980 визитов с UTM-меткой этой кампании. CRM говорит, что было 240 лидов с этим источником. Финансовая система говорит, что 180 сделок с этим каналом оплачено. Все четыре цифры правильные — но они измеряют разные вещи. Клик ≠ визит (часть кликов теряется из-за редиректов, блокировок, медленных загрузок). Визит ≠ лид (часть посетителей не делают целевое действие). Лид ≠ оплаченная сделка (часть сделок отменяется или не оплачивается).

Фрагментация создаёт три проблемы. Первая — невозможно посчитать итоговую метрику (ROMI, CAC, LTV) без «пробросов» между системами. Вторая — разные источники по-разному определяют одно и то же событие (что считается «лидом»?), и без общего словаря нельзя их сравнивать. Третья — аналитик тратит часы на ручную работу, которую можно автоматизировать. Решение всех трёх — единая модель данных и единые идентификаторы.

Идентификаторы пользователей и клиентов

Идентификатор — это уникальный код, по которому можно связать события в разных системах. Для пользователя сайта это clientId (или _ym_uid в Метрике) — случайная строка, присваиваемая счётчиком и хранящаяся в cookie. Для клиента в CRM — внутренний id контакта или сделки. Для плательщика в 1С — id контрагента. Если эти три id не связаны, нельзя понять, что визит X на сайте = клиент Y в CRM = платёж Z в 1С. Связывание — это либо ручная работа (заполнять вручную «внешние id» в CRM), либо автоматическая через общий идентификатор.

Общий идентификатор в российских реалиях — чаще всего email или телефон. Когда клиент оставляет заявку, он указывает email и телефон. CRM создаёт контакт с этими данными. При оплате 1С получает от CRM эти же поля. По ним можно связать. Это не идеальный идентификатор: один человек может использовать разные email, разные телефоны, у разных людей может быть общий рабочий номер. Но в МСБ это обычно достаточный уровень точности. Более точный — единый ID пользователя через личный кабинет, но это требует разработки.

UTM-метки: язык связи рекламы и сайта

UTM-метка — это параметры в URL рекламной ссылки, которые передают счётчику и CRM информацию об источнике. Стандартные параметры: utm_source (рекламная система: yandex, vk, telegram), utm_medium (тип трафика: cpc, cpa, social, email), utm_campaign (название кампании), utm_term (ключевое слово, для контекста), utm_content (объявление или баннер). UTM-метки — основной язык связи между рекламным кабинетом и сайтом/CRM. Без них невозможно сказать, из какой кампании пришёл клиент.

Правила работы с UTM. Первое — единый шаблон. Все кампании должны размечаться по одному стандарту: utm_source=yandex, не «Яндекс», «Я», «yndx» и «yandex» одновременно. Второе — обязательность. Если кампания запущена без UTM, она будет в отчётах как «неизвестный источник» — и аналитика каналов будет неточной. Третье — передача в CRM. UTM-метки, попадающие на сайт, должны передаваться в форму заявки и далее в CRM. Без этого связь обрывается на этапе лида. Четвёртое — защита от перезаписи. Если один и тот же пользователь сначала пришёл из Директа, а потом из VK, в CRM должно остаться несколько значений UTM (multi-touch), или выбрано одно по правилу атрибуции (last-click, first-click).

Типовая ошибка в «Дом и Сад»: у 30% заявок UTM-метки отсутствовали, потому что форма не передавала их в CRM. После исправления формы и добавления скрытых полей UTM связь восстановилась. Но «история» до исправления осталась потерянной — у этих заявок невозможно восстановить источник. Это типично: ретроспективно восстановить разметку нельзя. Поэтому внедрять UTM нужно до начала сбора данных, не после.

Дедупликация: один клиент — одна запись

Дедупликация — процесс устранения повторяющихся записей. Один и тот же человек может быть в CRM как «Иван Иванов» с email ivan@example.com и телефон +7 999 111-22-33, и как «И. Иванов» с тем же телефоном, но другим email. Без дедупликации аналитика посчитает его как двух клиентов, и метрики CAC, LTV, Retention будут неточны. Дедупликация в МСБ обычно делается по двум правилам: одинаковый нормализованный телефон или одинаковый нормализованный email — это один клиент.

Нормализация — обязательна. Телефон должен быть в едином формате (например, +7XXX XXX-XX-XX без пробелов, скобок, дефисов). Email — в нижнем регистре, без пробелов. Имя — в едином формате (или не используется как ключ, потому что «Иван Иванов» = «Иван И.» = «И.И. Иванов» — формально разные строки). Без нормализации дедупликация не работает: счётчик считает «+7 (999) 111-22-33» и «+79991112233» как два разных телефона. В CRM с хорошей дедупликацией (amoCRM, Битрикс24) это часто встроено, но в 1С и в самописных формах — нет.

Единые справочники

Справочник — это список допустимых значений для поля. Например, справочник каналов: «yandex», «vk», «telegram», «email», «organic», «referral». Справочник статусов сделки: «new», «in_progress», «won», «lost». Справочник причин отказа: «price», «competitor», «timing», «no_decision». Если в разных записях CRM используются разные значения для одного и того же («Яндекс» и «yandex» в поле «канал»), аналитика не сможет их объединить. Единый справочник — обязательная предпосылка для любых отчётов по каналам, причинам, менеджерам.

Внедрение единого справочника — это не техническая, а дисциплинарная задача. Маркетологу нужно составить список допустимых значений, зафиксировать в инструкции для менеджеров, настроить в CRM выбор из списка (а не свободный ввод), проверять раз в месяц. Если менеджеры свободно вводят причины отказа, через год в CRM будет 200 разных причин, и любая аналитика превратится в ручную работу по группировке. Лучше 10 стандартизованных причин, чем 200 произвольных.

Связь рекламного контакта с лидом и продажей

Это и есть сквозная аналитика в её простейшем виде. Цепочка: показ → клик по рекламе (с UTM) → визит на сайт (с UTM в cookie) → заполнение формы (UTM передаётся в форму) → лид в CRM (UTM сохранён в полях) → сделка (UTM наследуется от лида) → платёж в 1С (сделка связана с платёжным документом). Каждый шаг имеет свой идентификатор, и каждый шаг должен передавать идентификатор следующему. Если хотя бы один шаг теряет идентификатор, цепь обрывается, и аналитика не может связать начало и конец.

Где обычно обрывается цепь. Самое частое — на шаге «форма → CRM». Форма на сайте принимает данные пользователя, но скрытые поля UTM не передаются в интеграцию. Второе по частоте — на шаге «сделка → платёж». Сделка закрыта, но платёж в 1С не связан с идентификатором сделки. Третье — на шаге «клик → визит»: пользователь кликает по рекламе, но сайт не получает UTM (из-за редиректа, блокировки, кэширования). Построение сквозной аналитики — это последовательное закрытие этих обрывов, начиная с самого важного.

Интеграции с CRM: как не превратить в хаос

Интеграций должно быть мало, и они должны быть надёжными. Типовая ошибка — подключить к CRM десяток интеграций (с Метрикой, с Директом, с VK, с Telegram, с email-платформой, с коллтрекингом, с 1С, с мессенджерами) и надеяться, что всё заработает. На практике интеграции часто конфликтуют: одна перезаписывает поле, которое должна заполнять другая; одна падает, и данные не доходят; в одной изменился формат, и теперь сделки не создаются. Аналитик не знает, чему верить.

Правила интеграций. Первое — одна интеграция на источник. Не подключайте две разные интеграции с Яндекс Метрикой — будет конфликт. Второе — единая точка входа в CRM. Все лиды должны создаваться через один шлюз (или API, или единый вебхук-обработчик), а не через пять разных. Третье — логирование. Любая интеграция должна вести журнал: что получила, что создала, что не получилось. Без журнала невозможно отладить расхождение. Четвёртое — регулярная проверка. Раз в неделю — выборочная сверка 10 последних лидов в CRM с 10 последними событиями в источнике.

Ошибки объединения данных

Самые частые ошибки объединения. Первая — двойной счёт. Один и тот же пользователь засчитывается как два клиента, потому что нет дедупликации. Вторая — потеря идентификатора. Событие фиксируется, но без UTM, и попадает в «неизвестный источник». Третья — перезапись. Второй визит перезаписывает UTM первого, и в отчёте канал выглядит как «последний», а не как «первый» (или наоборот — зависит от правил). Четвёртая — смешение методик. Данные из двух систем считаются одинаковыми, но методики у них разные (last-click в одной, multi-touch в другой), и суммирование даёт ошибку.

Чтобы избежать этих ошибок, нужно два документа: карта идентификаторов (что и какому событию присваивается) и словарь методик (как каждая система считает ключевые метрики). Без этих документов любые объединения данных — это надежда на удачу. С ними — это воспроизводимый процесс, который можно проверить и улучшить.

Почему нельзя автоматически считать все источники сопоставимыми

Это самая опасная иллюзия: «у нас сквозная аналитика, значит, все источники сопоставимы». На практике — почти никогда. Яндекс Директ и VK Реклама по-разному считают атрибуцию. Метрика и Google Analytics по-разному считают сессии. CRM и 1С по-разному фиксируют оплату. Если просто сложить данные, получится невязка, и аналитик не знает, что правильно. Решение — не «сводить воедино любой ценой», а зафиксировать методику для каждой метрики: «CAC считается по данным CRM с проверкой платежей в 1С; расхождения свыше 5% расследуются вручную».

Сквозная аналитика — это не «все цифры сходятся». Это «понятно, какие цифры должны сходиться, какие могут расходиться, и почему». Если расхождение объяснимо методикой — это не ошибка. Если расхождение — из-за пропуска данных или ошибки интеграции — это ошибка, которую нужно исправлять. Различать эти два случая — задача аналитика. Глава 6 подробно разбирает, как проверять качество данных; здесь — главное: единство данных достигается через единство методики, а не через принудительное сведение.

Ограничения и риски

Сквозная аналитика в МСБ — всегда компромисс между точностью и затратами. Идеальная сквозная аналитика с единым ID пользователя через личный кабинет стоит дорого и требует разработки. Приемлемая — через UTM, email и телефон — стоит недорого, но имеет погрешность 5–10%. Аналитик должен знать, в каком диапазоне погрешности он работает, и не делать выводов, требующих точности выше этого диапазона. Например, если ROMI по каналу — 180%, а погрешность — 10%, то реальный ROMI — в диапазоне 162–198%; вывод «канал работает» корректен. Если ROMI — 102%, а погрешность — 10%, реальный — в диапазоне 92–112%; вывод «работает» — уже не корректен, потому что возможна зона убытка.

Главный риск — переоценка точности. Собственник видит в отчёте «ROMI по Директу — 215%», и принимает решение увеличить бюджет. Если реальный ROMI с учётом погрешности — 180%, всё ещё выгодно. Если реальный — 165%, тоже выгодно. Но если в отчёте «ROMI 215%» за счёт того, что не учли возвраты и скидки, реальный — 95%, решение «увеличить бюджет» — убыток. Поэтому критически важные решения нужно проверять двумя способами: по данным сквозной аналитики и по данным финансовой системы. Если они существенно расходятся — останавливаемся и разбираемся.

Краткие выводы

Ключевые тезисы главы 5

— Сквозная аналитика — это связывание событий в разных системах через общие идентификаторы.

— UTM-метки — основной язык связи рекламы и сайта. Без них аналитика каналов невозможна.

— Дедупликация по нормализованному телефону или email — обязательна; без неё CAC и LTV неточны.

— Единые справочники — дисциплинарная задача, не техническая.

— Цепь обрывается там, где идентификатор не передаётся. Найти обрыв — задача аналитика.

— Сквозная аналитика не означает, что все цифры сходятся. Это означает, что понятно, какие должны сходиться и почему.

— Точность сквозной аналитики в МСБ — обычно ±5–10%. Выводы должны учитывать эту погрешность.

Практическое задание

Постройте цепочку идентификаторов для вашей компании: показ → клик → визит → лид → сделка → платёж. Для каждого перехода отметьте, передаётся ли идентификатор. Найдите место обрыва. Оцените, какой процент событий проходит всю цепочку. Если меньше 70% — это приоритет №1 для исправления. Если больше 90% — можно переходить к следующей главе. Между 70% и 90% — определите, какой процент событий не доходит до конца, и решите, является ли потеря критичной для ключевых решений.

Глава 6. Качество данных: мусор на входе — ошибки на выходе

Аналитик не начинает с анализа. Аналитик начинает с проверки данных. Это скучная истина, которую приходится повторять каждому, кто хочет построить работающую аналитику. Любой вывод, основанный на непроверенных данных, — это в лучшем случае догадка, в худшем — управленческое решение, основанное на ошибке. Эта глава — про то, какие бывают проблемы с качеством данных, как их находить и как выстроить регулярную проверку.

Пропуски: что мы не видим

Пропуск — это событие, которое произошло, но не зафиксировано в данных. Пропуски бывают двух типов: явные (поле пустое) и скрытые (поле заполнено, но значение «неизвестно» или дефолтное). С явными пропусками проще — видно, что данных нет. Со скрытыми сложнее: поле «источник» заполнено значением «другое» — это может означать реальный канал «другое», а может — «менеджер не разметил». Различать эти два случая — задача аналитика.

В «Дом и Сад» в поле «источник» в CRM у 23% заявок стояло «неизвестно». Собственник считал, что это нормально. Когда мы попросили менеджеров в течение недели проставлять источник каждому лиду (хотя бы приблизительно), доля «неизвестно» упала до 7%. Остальные 16% — это были реальные каналы: Instagram-реклама, посевы в Telegram-каналах, рекомендации. Без них аналитика каналов была неточной на 23%. После разметки — стала неточной на 7%, что приемлемо для управленческих выводов.

Как находить пропуски

Базовая проверка — по доле заполнения каждого поля. Для каждого ключевого поля в CRM (источник, продукт, причина отказа, менеджер) считается: сколько записей имеют непустое значение? Если меньше 95% — это проблема. Если меньше 80% — это серьёзная проблема, с которой нельзя работать, пока не исправлено. Доля заполнения — самый простой и самый недооценённый показатель качества данных. ИИ-помощник может за минуту посчитать долю заполнения по всем полям и подсветить проблемные.

Дубликаты: одна и та же история дважды

Дубликаты — это повторяющиеся записи, которые на самом деле описывают одно событие или одного клиента. Бывают технические дубликаты (один и тот же лид создан дважды из-за ошибки интеграции) и человеческие (менеджер завёл нового клиента, который уже есть в базе). Технические решаются правилами дедупликации (глава 5), человеческие — обучением и регулярной проверкой. Дубликаты искажают все метрики: CAC, LTV, Retention, AOV — всё считается на основе «уникальных клиентов», и если клиент не уникальный, метрика неточна.

Простой способ проверить дубликаты — сгруппировать записи по «нормализованному телефону или email» и посмотреть, сколько групп имеют больше одной записи. Если доля групп с 2+ записями — больше 5%, база нуждается в дедупликации. После дедупликации нужно следить, чтобы CRM не позволяла создавать новый контакт с уже существующим телефоном/email без подтверждения. Это настройка в большинстве современных CRM.

Некорректные события: данные есть, но они не значат то, что значат

Событие зафиксировано, но на самом деле оно не произошло. Например, в CRM есть запись «сделка закрыта, сумма 100 000», но менеджер поставил статус «won» по ошибке — клиент ещё не оплатил. Или на сайте зафиксирована «конверсия в покупку», но это была тестовая операция сотрудника. Или коллтрекинг записал звонок, который на самом деле был спамом. Некорректные события — самые опасные, потому что они выглядят правильно. Их можно обнаружить только сверкой с другим источником: «сделки со статусом won» в CRM сверяются с «платежами» в 1С; «конверсии» на сайте сверяются с реальными заказами в CMS.

В «ПрофКонсалт» у 8% сделок со статусом «won» в CRM не было соответствующего платежа в 1С. Это могло означать одно из трёх: клиент не оплатил (тогда статус won преждевременный), платёж есть, но не связан со сделкой (тогда связь в CRM разорвана), или это была ошибка при изменении статуса. Без сверки собственник видел «выручку» выше реальной на 8%. Регулярная сверка со статусом «won» в CRM и «оплачено» в 1С — обязательный процесс, который нужно проводить раз в неделю.

Непоследовательные названия каналов

Один и тот же канал в разных записях называется по-разному: «Яндекс Директ», «Яндекс», «директ», «Я», «yandex direct». Без единых названий невозможно посчитать агрегаты по каналу. Эта проблема решается единым справочником (глава 5), но даже со справочником в данных накапливаются нестандартные значения, потому что менеджеры не всегда выбирают из списка. Регулярная проверка: сгруппировать значения поля «канал», посмотреть, какие из них отличаются от стандарта, и заменить или удалить нестандартные.

Ошибки разметки

UTM-метка проставлена неправильно: вместо «utm_source=yandex» стоит «utm_source=Yandex» (с большой буквы), или «utm_campaign=campaign_1» в одной кампании и «utm_campaign=camapaign_1» (с опечаткой) в другой. Это две разные кампании с точки зрения аналитики, хотя фактически одна. Проверка UTM — отдельный процесс: выгрузить все уникальные значения utm_source, utm_medium, utm_campaign за период, посмотреть на аномалии (слишком много значений, опечатки, разные регистры), и исправить в рекламных кампаниях.

Расхождения между рекламным кабинетом и CRM

Рекламный кабинет говорит: 240 конверсий. CRM говорит: 180 лидов с этим UTM. Расхождение — 60 событий. Почему? Во-первых, методика атрибуции. Кабинет считает «конверсией» событие на сайте, которое могло быть просто кликом по кнопке «оформить» без завершения. CRM считает «лидом» только заполненную и отправленную форму. Во-вторых, потеря данных при передаче. Сайт зафиксировал, что форма отправлена, но в CRM лид не создался из-за ошибки интеграции. В-третьих, задержка. Кабинет уже посчитал, а CRM ещё не создала лид (через несколько минут создаст).

Это расхождение — нормальное, если оно в диапазоне 5–10% и объяснимо. Если расхождение больше или необъяснимо — нужно расследовать. Алгоритм: взять 10 конкретных конверсий из кабинета, найти соответствующие события в Метрике, найти соответствующие лиды в CRM. Если на каком-то шаге 10 событий превращаются в 4 — обрыв найден. Чаще всего обрыв в одном из двух мест: счётчик на сайте не передаёт событие в Метрику, или Метрика не передаёт лид в CRM. ИИ-помощник может ускорить эту сверку, если ему дать данные из всех источников и попросить найти «потерянные» события.

Неполная фиксация офлайн-продаж

Если у вас есть офлайн-точка (магазин, офис, склад) или офлайн-канал продаж (выставки, переговоры, рекомендации), часть сделок не фиксируется в CRM. Покупатель пришёл в магазин, оплатил товар, ушёл. В CRM — ничего. Аналитика такого бизнеса принципиально неполна, потому что видит только половину картины. Решение — обязательная фиксация всех продаж в единой системе: либо через кассу, интегрированную с CRM, либо через ручной ввод менеджером в конце дня. Без этого аналитика маркетинга даёт картину «онлайн-части бизнеса», не всего бизнеса.

В «Дом и Сад» был один пункт самовывоза, через который проходило 18% заказов. Изначально эти заказы не фиксировались в CRM — только в кассе. Когда внедрили обязательный ввод в CRM, выяснилось, что средний чек самовывоза на 30% выше, чем доставки, и доля повторных покупок — выше. Это изменило понимание экономики каналов: самовывоз стал рассматриваться как канал, который нужно развивать, а не «дополнительная опция».