Як старший маркетолог Динамо Логістика скоротила час на аналіз 15+ філій з 40 годин до 15 хвилин

Минулого місяця мені потрібно було вручну проаналізувати понад 1200 активних контрагентів, щоб зрозуміти причини падіння замовлень на 18%. Я вивантажувала дані з 1С та CRM у величезну таблицю Excel, де було понад 50 колонок з історією відвантажень. Три дні я витратила лише на те, щоб звести дані по різних регіонах та категоріях товарів. У результаті ми знайшли 45 критичних точок відтоку, але на аналіз пішло забагато робочого часу команди. Це була виснажлива робота з формулами та зведеними таблицями, яка повторюється щоквартально.

Найскладнішим виявилося об'єднання розрізнених даних від логістичних диспетчерів та відділу продажів у єдину картину. Дані часто дублювалися, мали помилки у назвах компаній або некоректні дати останніх транзакцій. Мені доводилося вручну перевіряти близько 300 рядків, де система видавала помилки в розрахунках LTV. Крім того, неможливо було швидко візуалізувати динаміку по кожній з 15 філій без створення окремих графіків для кожної. Весь цей процес забирав фокус від стратегічного планування рекламних кампаній.

Проблема полягає в тому, що за 15 років роботи компанії накопичилося багато застарілих методів ведення звітності, які не адаптовані під сучасний маркетинг. Наша CRM не дозволяє робити глибоку предиктивну аналітику, тому все лягає на плечі маркетолога. Кожна помилка в Excel-формулі могла призвести до того, що ми б інвестували 200 000 гривень бюджету не в той регіон. Психологічно тиснуть терміни, адже керівництво чекає на звіт вже «на вчора», а дані постійно оновлюються. Відсутність автоматизованого зв'язку між маркетинговими показниками та реальною логістичною дебіторкою робить процес майже некерованим.

Ми спробували найняти зовнішнього фрілансера-аналітика, щоб він налаштував нам дашборди в Power BI. Це рішення обійшлося компанії у 45 000 гривень за разове налаштування та близько 10 000 гривень щомісячної підтримки. Він інтегрував наші основні таблиці, але система виявилася дуже негнучкою до змін у структурі дистрибуції. Кожного разу, коли ми додавали новий склад або категорію товарів, доводилося знову платити за доопрацювання. Це частково зняло рутину, але не дало мені інструменту для швидкого самостійного аналізу гіпотез.

Головна проблема в тому, що я стала залежною від стороннього спеціаліста, і будь-яка правка займала 2-3 дні очікування. Вартість підтримки постійно зростала, а гнучкості в аналізі так і не з'явилося. Дашборди часто «ламалися» після оновлень в нашій внутрішній базі, і ми залишалися без даних у найвідповідальніші моменти. Крім того, система не вміла інтерпретувати дані, вона лише їх показувала, тому висновки все одно доводилося робити вручну. Ми витрачали гроші на інструмент, який не допомагав нам передбачати поведінку клієнтів, а лише фіксував минуле.