Як аналітик з Digital Wave скоротила час на звітність для 15 клієнтів з 40 до 4 годин

Минулого місяця ми готували квартальний звіт для 5 великих інтернет-магазинів, де потрібно було об’єднати дані з Google Ads, Facebook, TikTok та внутрішніх CRM. Я особисто витратила понад 45 годин на вивантаження CSV-файлів та їх ручне чищення в Excel, щоб знайти розбіжності в ROMI. У нашій команді з 70 людей цей процес зазвичай займає близько 30% робочого часу кожного аналітика. Ми намагалися налаштувати базові коннектори, але вони часто відключалися через оновлення API. В результаті ми мали затримку у звітності на 4 робочі дні, що викликало невдоволення клієнтів.

Найбільшим викликом була дедуплікація даних та приведення їх до єдиного формату, оскільки кожна платформа рахує конверсії по-різному. Мені доводилося вручну перевіряти понад 10 000 рядків даних, щоб переконатися, що замовлення з CRM не дублюються з атрибуцією Google Analytics. Постійні помилки в назвах UTM-міток від медіабайєрів змушували переробляти зведені таблиці по декілька разів. Це виснажлива монотонна робота, яка повністю вбиває будь-який творчий аналіз стратегії. Кожна помилка в цифрах коштувала нам довіри клієнтів, які витрачають на маркетинг понад 500 000 грн на місяць.

Складність полягає в архітектурі наших даних: рітейл-клієнти мають складні воронки, і стандартні інструменти візуалізації не бачать всієї картини без кастомних скриптів. У нас в «Digital Wave» немає окремого дата-інженера, тому вся технічна робота по налаштуванню API падала на мене як на бізнес-аналітика. Я не є програмістом, тому написання складних запитів на Python займало втричі більше часу, ніж мало б. Будь-яка зміна в структурі сайту клієнта ламала наші напівручні парсери. Це створювало «вузьке місце», де вся робота відділу залежала від моєї здатності швидко «полагодити» таблиці.

Ми вирішили найняти фрілансера-розробника для написання кастомного скрипта на Python, який би автоматично збирав дані в BigQuery. Це коштувало агентству близько $1,200 за разову розробку та ще $200 щомісяця за підтримку серверів. Процес впровадження тривав 3 тижні, протягом яких ми все одно паралельно рахували все вручну для перевірки. Хоча це частково автоматизувало збір, гнучкість звітів залишилася низькою. Ми витратили значний бюджет, але будь-яке нове джерело трафіку знову потребувало додаткових витрат на програміста.

Це рішення виявилося занадто «негнучким» для динамічного маркетингового середовища, де нові інструменти з'являються щомісяця. Щоразу, коли клієнт просив додати новий показник, наприклад, LTV за конкретним регіоном, нам доводилося знову звертатися до розробника і чекати 3-5 днів. Вартість підтримки системи почала зростати, а я все одно витрачала по 10 годин на тиждень на валідацію того, що скрипт спрацював коректно. Ми отримали автоматизацію, але залишилися залежними від зовнішнього коду, який ніхто в команді не міг швидко відредагувати. Це не дало нам тієї швидкості прийняття рішень, на яку ми розраховували за такі гроші.