АНАЛИТИКА ПЛЮС
Профессиональные услуги в сфере BI

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина

09.06.2022

 

Получить консультацию по архитектуре аналитического бизнес-решения, оптимизации источников данных, построению сложных дашбордов от экспертов компании АНАЛИТИКА ПЛЮС

Получить консультацию

 

Введение

Очень актуальная тема на сегодняшний день, как для производственных компаний (многие производственные компании в дополнение к продажам в реальных магазинах осуществляют продажи через интернет), так и для отдельных интернет-магазинов.

 

Проблемы анализа данных у интернет-магазинов

Множество интернет-магазинов сталкиваются с необходимостью анализа таких предметных областей, как продажи, активность пользователей на сайте и в социальных сетях и так далее. При этом, как правило, интернет-магазины построены на определенных движках. Движки могут быть совершенно разные, кто-то пишет свои, кто-то использует уже готовые, например Woocommerce или Битрикс, и как правило внутри движков уже есть некий аналитический модуль, эти модули позволяют в определенных разрезах анализировать ваши продажи, то есть внутри движков есть некие отчеты. Однако потребности пользователей зачастую выходят за рамки возможностей данных модулей отчетности, и рано или поздно анализ продаж сводится к тому, что просто выгружаются исходные данные из учетных систем и далее эти данные анализируются при помощи Excel. Как поступают большинство интернет-магазинов с анализом интернет активности пользователей? В целом очень просто — используют различные облачные сервисы, такие как Яндекс.Метрика и Google Analytics и, соответственно, данные о продажах анализируются отдельного в Excel, а об интернет активностях уже на стороне облачных сервисов. При этом как-то решить комплексно данную проблему достаточно сложно, исходя из того, что в штате интернет-магазинов, как правило, нет огромного количества IT-специалистов, которые готовы автоматизировать весь этот процесс построения отчетности, и, само собой, есть нехватка бюджета на различные ITпродукты и команду, исходя из этого приходится формировать эти отчеты самим бизнес-пользователям, а бизнес-пользователям не хватает технических навыков для качественного создания решения по автоматизации данной отчетности.

 

Итак, основные проблемы интернет-магазинов, связанные с анализом данных:

1. Низкий уровень автоматизации процессов обработки и анализа данных, отсутствие централизованного хранилища данных

2. Нехватка специалистов из сферы IT

3. Скромные бюджеты на IT

4. Необходимость анализа не только данных о продажах (заказы и товары), но и данных об активностях на сайте (источники трафика, рекламные кампании)

5. Высокая сложность разработки автоматизированных решений для анализа данных (процессы регулярной выгрузки данных из систем-источников, аналитические отчеты)

 

Решение от компании АНАЛИТИКА ПЛЮС

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №1

На наш взгляд, решение данной задачи можно представить в виде одного целостного интерактивного отчета, который забирает данные из нескольких различных источников, представляет их на одном экране в различных разрезах и при этом позволяет бизнес-пользователям видеть всю картину целиком. То есть, бизнес пользователи не будут «блуждать» между различными отчетами, часть которых находится в Excel, часть — в Яндекс.Метрике и так далее, а будут видеть картину целиком на одном экране, при этом один отчет должен (по-хорошему) отвечать на один или несколько вопросов конкретных бизнес-пользователей, например «каковы наши ключевые показатели за определенный период» и мы видим в рамках отчета (см. скриншот выше), что в верхней части отчета как раз представлены основные показатели, далее эти показатели уже детализированы по различным срезам, то есть например по продуктам, эти показатели продетализированы в динамике по датам с точность до часа, также на отчетах есть сведения о клиентах, которые совершили покупки, и благодаря тому, что мы связали данные о продажах с данными об активностях пользователей на сайте, мы смогли представить наши продажи в связке с источниками трафика на сайт. Таким образом пользователи смогут понять, что, например, одна из рекламных кампаний была более эффективной нежели чем остальные. Соответственно для этого необходимо просто выбрать одну определенную кампанию и весь отчет будет пересчитан исходя из тех продаж, которые были реализованы в рамках данной рекламной кампании.

Получить консультации по архитектуре аналитического бизнес-решения, оптимизации источников данных, построению сложных дашбордов можно на официальном сайте АНАЛИТИКА ПЛЮС.

 

Альтернативный подход №1: крупные интернет-магазины и маркетплейсы

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №2

У таких компаний, как маркетплейсы, как правило есть штат IT-специалистов, которые могут построить некое ETL решение, то есть решение по выгрузке данных из различных систем источников (будь то учетная система, или движок интернет магазина — здесь забирают данные о продажах, с Яндекс.Метрики — данные об активностях пользователей на сайте при помощи различных API, то есть программных интерфейсов, которые предоставляют доступ к исходным данным) и далее уже при помощи ETL инструментов сложить данные в хранилище данных. Хранилище данных — это специализированная аналитическая база данных, которая заточена на высокоскоростную обработку аналитических запросов. Соответственно, данные в хранилище данных лежат в структурированном виде, доступны для анализа при помощи языка SQL или современных аналитических решений. Современные аналитические решения — это инструменты, которые позволяет обращаться к различным источникам данных и визуализировать эти данные при помощи автоматизированного построения SQL запросов, то есть этот инструмент самостоятельно пишет SQL запросы, получает итоговые данные и далее представляет их в формате интерактивных визуализаций, так аналитики уже на выходе получают при помощи современных аналитических решений интерактивные аналитические отчеты, подобные тому, что мы продемонстрировали раннее.

Преимущества данного подхода:

1. Данные надежно и структурировано хранятся в базе данных и при этом регулярно обновляются при помощи ETL инструментов (например, раз в сутки — ночью)

2. Процесс формирования отчетности можно автоматизировать, то есть за счет того, что построен четкий алгоритм, который отрабатывает, например, раз в день — данные автоматом обновляются в хранилище, мы один раз сделали некий интерактивный отчет при помощи современного аналитического решения, сохранили его и далее мы его повторно используем — нам уже не нужно «крутить педали» для того чтобы сформировать отчет, например, как в Excel — каждый отчет Excel это ручная работа

3. Бизнес не тратит время на ручную подготовку регулярной отчетности (она обновляется автоматически)

Недостатки данного подхода:

1. Сложность разработки ETL-процессов и хранилища данных, обычно для этого используется дорогостоящий специализированный софт, либо (если такого софта нет), в таком случае зачастую крупные интернет-магазины и маркетплейсы прибегают к использованию каких-то открытых библиотек фреймворков, которые позволяют собственно реализовать этот процесс, то есть зачастую используется тот же самый Python и, например, какой-нибудь фреймворк, типа Apache Airflow, при этом сложность реализации сильно возрастает, но получается относительно дешевое решение с точки зрения того, что там нет лицензионной стоимости ПО

2. Нужна команда IT специалистов: специалисты, которые специализируются на разработке ETL-процессов; специалисты, которые отвечают отдельно за хранилище данных; специалисты, которые являются аналитиками — они уже используют современное аналитическое решение и работают с хранилищем данных

3. Высокая стоимость внедрения ПО и самого ПО (либо вы платите за дорогостоящее ПО и команду, либо используете бесплатные фреймворки и дорогостоящую команду)

 

Альтернативный подход №2. как крупные игроки, но упрощаем ETL

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №3

Второй альтернативный подход заключается в том, что мы начинаем использовать уже не какие-то определенные ETL-инструменты и строить свое хранилище данных, а начинаем обращаться к каким-то сторонним сервисам, которые позволяют нам автоматизировать процесс выгрузки данных и предоставления доступа к некому «облачному» хранилищу данных, то есть мы действуем примерно также, как крупные игроки, но при этом значительно упрощается сам процесс выгрузки данных. Примером такого сервиса может быть, например, myBI Connect — это сервис, которая позволяет выгружать данные из-за множества различных источников таких, как Яндекс.Метрика, Google Analytics, Яндекс.Директ и прочее — то есть различные рекламные площадки, статистика по сайтам, CRM-системам и так далее. Это позволяет очень быстро получить сами данные, которые будут доступны для анализа, при этом есть еще один значительный плюс — данные выгружаются в облачные базы данных, то есть вы не только упрощаете часть по разработке ETL-процессов и самого хранилища, но и снижаете трудозатраты на поддержку инфраструктуры, то есть, например, тех машин, на которых работает само хранилище.

Итак, преимущества данного подхода:

1. Не нужно разрабатывать ETL-процессы и схему хранилища данных

2. Крайне быстро получаем данные из множества наиболее популярных источников (рекламные площадки, статистика сайта, CRM и так далее)

3. Данные, как правило выгружаются в облачные базы данных, что упрощает инфраструктуру

Недостатки данного подхода:

1. Регулярные платежи за использование сервиса (оплачиваются услуги за месяц, то есть это облачная база данных и работа самого сервиса по выгрузке)

2. При отсутствии интеграции с необходимым вам источником придется искать другое решение (далее рассмотрим конкретный случай: аналитика малого интернет-магазина)

3. Иногда возникают проблемы с производительность облачных баз данных, связано это с тем, что используются подобными сервисами базы данных не самые мощные и динамически расширяющиеся с точки зрения производительности при повышении нагрузки на них, поэтому иногда необходимо подождать, особенно, это часто касается неких отчетов, которые разработаны в так называемом live-режиме, то есть они обращаются напрямую к источнику данных и ждут ответа от источника данных, пока само хранилище данных посчитает и выдаст уже какие-то агрегированные данные.

 

Альтернативный подход №3: наш подход (АНАЛИТИКА ПЛЮС)

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №4

Первый подход — это крупные маркетплейсы, и мы можем заметить, что присутствует высокая сложность реализации данного решения, и при этом ограничений, как правило, практически нет, многое можно реализовать своими силами.

Второй подход — низкая сложность решения и при этом есть некие ограничения с точки зрения функционала, то есть здесь мы можем получить быстрый эффект на каких-то популярных источниках данных, но если этого источника данных нет, то мы сталкиваемся с проблемой и отсюда появляется вопрос: возможно есть некий третий подход, который будет содержать в себе баланс сложности и гибкости самого решения?

Третий подход — использование максимально простого, функционального и бюджетного программного обеспечения, обучиться которому можно самостоятельно, и самостоятельно реализовать те отчеты, которые нужны именно вам.

Получить консультации по архитектуре аналитического бизнес-решения, оптимизации источников данных, построению сложных дашбордов можно на официальном сайте АНАЛИТИКА ПЛЮС.

 

Частный случай. Аналитика небольшого интернет-магазина

1. Интернет-магазин на WordPress + WooCommerce. WordPress — это система управления контентом сайта и поверх данной системы управления контентом установлен плагин WooСommerce, который собственно реализует движок интернет-магазина, то есть это такой самый базовый небольшой интернет-магазин

2. Данные по посещаемости лежат в Яндекс. Метрике ( мы собственно подключили к данному сайту некий счетчик Яндекс.Метрики, который собирает данные об активности пользователей на сайте и эти данные доступны в облачном сервисе Яндекс.Метрики)

3. В Google Ads, Facebook и VK запущена реклама, ссылки размечены UTM-метками (мы сделали несколько рекламных кампаний и соответственно эти кампании были реализованы при помощи Google Ads, рекламного кабинета Facebook и рекламного кабинета VK, запустили данную рекламу и при этом в рамках данной рекламы мы все ссылки, которые ведут на наш сайт разметили соответствующими UTM-метками для того, чтобы понимать откуда пришли пользователи на сайт, из какого источника)

Необходимо понять:

1. Откуда приходят пользователи, оформившие заказ (из какого источника, по какой рекламе)

2. Какие товары они покупают, а какие нам выгодно или невыгодно продавать (посчитать маржинальность)

3. Какова динамика продаж и других ключевых показателей, если продажи «проседают», то каковы причины

4. Каково распределение наших клиентов, которые оформили заказ, по продажи и прибыли (потому что возможно есть клиенты, которым много продаем, но при этом они приносят мало прибыли или, наоборот, клиенты, которым мы продаем достаточно мало, но они покупают достаточно маржинальный продукт)

 

Дашборд «Аналитика продаж интернет-магазина»

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №5

На дашборде представлены данные о продуктах, клиентах, динамика основных показателей и источники трафика на сайт. Дашборд полностью интерактивный (в данном случае представлен скриншот). Поскольку наши данные о заказах связаны с данными об активности пользователей на сайте, мы можем связать наши продажи, которые доступны у нас из таблиц, относящихся к продажам продуктов, связать эти данные с некими разбивками на стороне данных об активностях в пользователей на сайте, то есть с данными о рекламных кампаниях, которые у нас есть в группе источников трафика и самих источников. Таким образом, мы можем, например, при помощи одного отчета быстро, в один клик, проанализировать, что именно происходило в рамках определенной рекламной кампании или, например, группе источников относящихся к данной кампании, то есть, например нас интересует трафик в рамках кампании Sale_10, причем можно заметить, что у нас в рекламной кампании Sale_10 Facebook отражается дважды — есть Social и есть Ad. Facebook Ad нам говорит о том, что это реклама, которая давалась через рекламный кабинет Facebook, а Facebook Social — относится к прямым ссылкам в постах, то есть, допустим, вы написали какой-то пост и поставили ссылки на ваш сайт, пользователя пришли и сделали определенные заказы, соответственно сумма этих заказов у нас отображается здесь. Мы видим, что, например, за платную рекламу в Facebook мы получили 761 000 рублей продаж, а за некие посты, которые мы разместили на стене о нем к нам пришло некоторое количество пользователей, которые совершили покупки на 455 000 рублей. Если мы хотим проанализировать и понять, какие именно продукты покупали пользователи, которые пришли по рекламе в рамках кампании Sale_10, то мы просто кликаем на группу источника Ad и можем заметить, что наши столбцы, относящиеся к данной группе источников в рамках этой кампании, подсветились и все данные были пересчитаны, в соответствии с выбранной рекламной кампанией. (см. скриншот ниже)

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №6

Мы видим, что наша таблица по продуктам автоматически преобразовалась, причем сейчас отображаются как раз те продажи, которые были получены по данной группе источников трафика, и наши клиенты соответственно тоже пересчитались, можем заметить у нас есть некие аномалии, то есть большая часть клиентов у нас не покупали больше, чем на 60 000 и при этом прибыль от них составляла не более 11 000 рублей, однако есть некие клиенты, которые приносили нам существенно больше прибыли при незначительном росте продаж.

Мы также можем применить фильтр не только по нашей рекламной кампании и группе источников данных, но и по определенному товару. Например мы нашли некую аномалию, можем заметить, что у одного из продуктов Asics Gel — 1090 заметен сильный выброс по маржинальности, то есть маржинальность равна -19%, то есть мы продаем в убыток и отсюда появляется вопрос: а кто эти люди, которые купили этот товар? Соответственно, можем сделать клик по этому продукту и наш фильтр по группе источников остается, и появляется новый фильтр по продукту (см. скриншот ниже)

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №7

Здесь мы можем заметить, что есть определенный список клиентов, которые совершали покупки этого продукта, которые пришли при этом на сайт к нам через определенную рекламную кампанию и группу источников.

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №8

Можем снять фильтр по рекламной кампании и источникам трафика, и увидим, что все равно наша маржинальность на продукт Asics Gel — 1090 осталась такой же (см. скриншот выше), а именно -19%, то есть мы абсолютно для всех клиентов продаем этот продукт просто в убыток, и, возможно, нам стоит отказаться от него (примечание: это лишь идея, а конкретное бизнес-решение принимает бизнес-пользователь, — ведь данная модель, возможно, якорная, и если мы не будем ее продавать, причем в данном случае в убыток, то и покупатели будут закупать в других магазинах; другими словами, для таких решений может потребоваться углубленный анализ).

На визуализации «Динамика основных показателей» (см. скриншот ниже) мы можем заметить, что у нас иногда наблюдаются значительные провалы по маржинальности и по прибыли, то есть, иногда прибыль отрицательная, соответственно диаграмма по маржинальности, например, может нам подсказать, что если в данный момент времени средний чек у нас составляет 4790 рублей, то несложно догадаться, что именно этот конкретный товар Asics Gel-1090 нам и делает нашу отрицательную маржинальность (так как продуктов с отрицательной маржинальностью не так много, а если смотреть из них по цене, то это Asics Gel-1090)

#12 Анализ для производственных компаний: Аналитика продаж интернет-магазина, изображение №9

Получить консультацию по архитектуре аналитического бизнес-решения, оптимизации источников данных, построению сложных дашбордов от экспертов компании АНАЛИТИКА ПЛЮС

Получить консультацию

 

Заключение

Дашборд «Аналитика продаж интернет-магазина» — удобный интерактивный отчет для менеджеров и руководителей разных уровней. Современное аналитическое решение от компании АНАЛИТИКА ПЛЮС является достаточно удобным инструментом для анализа данных, сам процесс разработки не так сложен и его можно передать пользователям, не имеющим каких-то выдающихся навыков в области информационных технологий, то есть бизнес-пользователям.

Получить консультации по архитектуре аналитического бизнес-решения, оптимизации источников данных, построению сложных дашбордов можно на официальном сайте АНАЛИТИКА ПЛЮС.

Данная статья подготовлена по проектам, созданным командой АНАЛИТИКА ПЛЮС.

АНАЛИТИКА ПЛЮС — ваш надежный партнер по аналитическим решениям с 2012 года. Мы работаем, чтобы вы достигали поставленных целей. Чтобы ваши данные работали, приносили пользу, помогали вам зарабатывать и принимать стратегически правильные решения. Для достижения этого мы предоставляем нашу экспертизу и самые перспективные ИТ-инструменты, гарантирующие быстрый и удобный процесс сбора, обработки и анализа данных, в том числе больших данных.

За это время мы разработали и внедрили решения для компаний из разных сфер бизнеса:

1) Производство, в том числе:

— Строительство и производство строительных материалов — КНАУФ Инсулейшн, Самолет Девелопмент и Эталон

— Пищевая промышленность — Сибирский Гурман и Балтика

— Производство кормов для животных — Альпинтех

— Сельхозпроизводство — АгроТерра

— Целлюлозно-бумажная промышленность — ИЛИМ

— Фарминдустрия — Материа Медика и др.

— Металлургия — РусАл и НорНикель

— Нефтедобыча и нефтепереработка — ЛУКОйл

2) Оптовые и розничные поставщики — NO ONE, ЭТМ, Daichi и др.

3) Аптечные сети — Монастырёв и Апрель

4) Российские представительства — Dyson, Lindt & Sprüngli AG , Vileda и др.

5) Рекламные агентства — РОССТ, Dentsu Aegis, Publicis, Медиа Инстинкт и др.

6) Телеком — МегаФон, Yota и Ростелеком

7) Логистика и транспорт — НефтеТрансСервис и Smartavia

8) Е-commerce — Авито, Яндекс (включая Яндекс.Еда, Яндекс. Лавка, Яндекс.Такси и Яндекс. Маркет, а также другие команды ГК Яндекс), ГК Мail.ru , ivi.ru , Профи.Ру, Рамблер, СберМегаМаркет, gifts.ru

Получить консультации по архитектуре аналитического бизнес-решения, оптимизации источников данных, построению сложных дашбордов можно на официальном сайте АНАЛИТИКА ПЛЮС.

Академия Аналитики — онлайн-образовательный проект, который создан командой АНАЛИТИКА ПЛЮС для того, чтобы компании быстро и успешно внедряли решения для анализа данных, а их сотрудники профессионально росли.

x

Этот сайт использует файлы cookies, чтобы облегчить вам пользование нашим веб-сайтом.

Продолжая использовать этот веб-сайт, вы даете согласие на использование файлов cookies.