Як бізнес-аналітик у команді з 70 осіб втрачає 40 годин на місяць через ручну звітність

Минулого місяця мені довелося вручну збирати метрики з Google Ads, Facebook Library та внутрішньої CRM для 15 різних клієнтів. Я витратив близько 22 годин лише на копіювання цифр у зведену таблицю Excel, щоб підготувати щомісячний звіт для керівництва. Основна біда була в тому, що дані в різних системах не збігалися на 10-15% через різні часові пояси налаштувань. У результаті я працював три вечори поспіль до 21:00, щоб встигнути до дедлайну. Це була виснажлива рутина, яка абсолютно не давала мені часу на реальний аналіз показників.

Найскладніше — це величезна кількість дрібних помилок, які виникають при ручному перенесенні даних між вікнами браузера. Коли ти оперуєш бюджетами у 500 000 гривень і випадково пропускаєш нуль, це створює катастрофічну похибку в прогнозах. Також було важко синхронізувати API-запити, які постійно «відпадали» через обмеження сервісів. Мені доводилося кожні 20 хвилин перевіряти, чи завантажилися всі рядки без помилок. Постійне перемикання контексту між таблицями буквально випалювало мозок до кінця робочого дня.

Проблема в тому, що в нашому агентстві немає єдиного дата-хабу, і кожен відділ використовує свої інструменти. Маркетологи люблять одні сервіси, розробники — інші, а мені як бізнес-аналітику доводиться бути «клеєм» між ними. Відсутність автоматизованих скриптів змушувала мене робити все на рівні користувача, а не архітектора системи. Кожна зміна в структурі кампанії клієнта автоматично ламала мою формулу в Excel. Це створювало відчуття, що я будую замок на піску, де кожна хвиля оновлень руйнує мою роботу.

Ми спробували найняти фрілансера-розробника, який за 18 500 гривень написав нам кастомний конектор на Python. Це частково автоматизувало вивантаження даних з рекламних кабінетів у нашу базу даних. Проте підтримка цього скрипта вимагала постійної оплати годин розробника, що додавало ще близько 5 000 гривень щомісяця. Рішення допомогло зекономити мені близько 10 годин чистого часу, але воно все одно залишалося «костуром». Ми витратили загалом понад 25 000 гривень на розробку та первинне налаштування цієї системи. Втім, це було лише точкове розв'язання проблеми, яке не покривало аналітику веб-проєктів.

Рішення виявилося занадто жорстким і негнучким для наших динамічних завдань. Як тільки клієнт додавав нове джерело трафіку, скрипт переставав працювати, і нам знову доводилося чекати фрілансера. Я залишався залежним від технічного спеціаліста і не міг самостійно змінити логіку обробки даних. Вартість підтримки поступово зростала, а швидкість отримання звітів все одно була недостатньою для прийняття рішень у реальному часі. Зрештою, ми отримали дорогий інструмент, який застарів через два місяці після впровадження. Це не вирішило проблему масштабування моєї роботи як аналітика.