В BI-проектах есть момент, который на бумаге выглядит как финал работы, а на практике часто оказывается только началом более сложной части.

Отчёт готов, данные обновляются, показатели считаются, доступы выданы, на демонстрации заказчик в целом согласен с логикой и просит разве что добавить несколько разрезов или поправить формулировки. С точки зрения проекта всё выглядит неплохо: есть артефакт, есть согласование, есть ощущение, что теперь у бизнеса появился нормальный инструмент для работы с данными.

Потом проходит месяц, иногда два, и выясняется, что компания по-прежнему принимает решения примерно так же, как и раньше. Руководители снова уточняют цифры в чате, менеджеры продолжают выгружать Excel “для себя”, финансовая команда сверяется со своими файлами, коммерческий блок опирается на свои расчёты, а дашборд открывают перед встречей или в тот момент, когда нужно быстро найти подтверждение уже сложившейся версии.

Формально BI появился. Но способ управления почти не изменился.

Я не пишу это как претензию к бизнесу или к конкретным BI-инструментам. Обычно причина не в одном неудачном решении, а в том, что техническая часть проекта и управленческая часть проекта существуют отдельно друг от друга. DataLens, Power BI, Tableau, Metabase или самописный фронт могут быть вообще ни при чём. Отчёт может быть быстрым, аккуратным и полезным для просмотра, но при этом так и не стать частью процесса, в котором принимаются решения.

Кажется, проблема часто появляется раньше, чем аналитик открывает редактор дашборда.

В сети 26 кофеен на 240k чеков в месяц всё выглядело достаточно хорошо (поток гостей, выручка растёт, но прибыль не соответствует ожиданиям). Рассказываю, как мы собрали ежедневную BI аналитику для управления сетью: от R-Keeper и ETL до витрин в ClickHouse и дашбордов в Yandex DataLens. По дороге упёрлись в типичную проблему: справочники, из-за которых отчёты неточны.

Топ-менеджеры юрфирмы по банкроству физлиц тратили несколько часов в день на подготовку к еженедельной планёрке. Например, руководитель колл-центра делал кучу выгрузок в amoCRM, открывал каждую сделку вручную, копировал и вставлял её в Excel.

На еженедельных планёрках собирались сразу несколько отделов — маркетинг, колл-центр, продажи и отдел качества. Каждый отдел готовил отчёт вручную, опираясь на свои источники данных. В итоге на обсуждении цифры не сходились.

Маркетинг утверждал: «Мы привели лиды, а вы просто не умеете продавать». Продажи отвечали: «Ваши лиды — говно».

В статье я расскажу, как мы помогли топ-менеджерам перестать тратить полноценный рабочий день на ведение отчётности, а собственнику – составить прозрачную картину, кто прав, кто виноват, и что делать, чтобы достичь плановых показателей.

Несколько лет назад я был совладельцем франшизы детских развивающих центров Smartykids. Мы тратили больше миллиона рублей в рекламу, но часть из них улетала в трубу. 

Никакой полноценной системы аналитики у нас не было. Потому мы не знали, сколько лидов и из каких каналов к нам пришло, и не могли перераспределить бюджет в пользу более эффективных каналов. 

В статье я расскажу, с какими сложностями мы сталкивались, какой инструмент нам помог, и как вы можете повторить наш опыт в своей компании.

В B2C SaaS от CPO постоянно ждут ответов на вопросы в цифрах. Сколько новых клиентов пришло за неделю? Сколько отвалилось? Что этому предшествовало? Всё это уже есть в базе данных, но универсального способа быстро достать эти ответы — нет.

Когда аналитики начинают забирать одни и те же данные, становится ясно, что пора автоматизировать процесс. Появляются стабильные дашборды, которые отвечают на повторяющиеся вопросы без участия специалистов. Вместе с этим — куча новых терминов и рост расходов на команду. Зарплаты хороших аналитиков легко переваливают за 300 тысяч в месяц, и в этот момент CPO начинает задумываться о стоимости такого подхода.

При этом первые MVP аналитики можно сделать гораздо проще и дешевле, чем кажется. Они уже приносят пользу: позволяют быстро отвечать на ключевые бизнес-вопросы, не ломая основную инфраструктуру и не собирая штат инженеров. Именно об этом я и поговорю в статье.

Вы когда-нибудь задумывались, в каких нишах аналитика критична даже на самом старте бизнеса? 

Это бизнесы, продающие лидов другим компаниям: массовые колл-центры, спам-рассылки, объявления и т.д.

В статье я не буду обсуждать этичность бизнеса. Вместо этого расскажу, как такие компании умудряются выживать даже в самых кровавых рыночных условиях, как эти бизнесы достают наши контакты и почему им не выжить без аналитики.

В карьере каждого специалиста наступает момент, когда он размышляет, стоит ли ему уйти в свой бизнес или всё же лучше остаться в найме. Один из самых простых и очевидных способов начать своё дело – это открыть агентство.

В этой статье я расскажу, о чём важно знать, прежде чем начать этот бизнес, какие сложности вас ждут и почему вы не сможете управлять командой из 20-30 человек без продвинутой аналитики.

Собственники и топ‑менеджеры МСБ часто сталкиваются с парадоксом: обороты растут, а прибыль тает. Причина не в рынке и не в ценах, а в хаосе внутри компании.

Отчёты собираются вручную, ключевые показатели никто не считает, решения принимаются на интуиции, без опоры на цифры.

В статье рассказываем, как таким компаниям наладить управляемость бизнеса и повысить маржинальность.

Чем лучше разработчик, тем хуже он делает аналитику. Просто потому, что для этого требуется разный технологический стек.

Системы, которые пишут разрабы, шикарно записывают и хранят данные. Но попытка прочесть большой объём данных сразу роняет всю систему, так как она плохо для этого предназначена. 

В этой статье я расскажу про 2 ключевых подхода к хранению и обработке данных, какой мы выбрали для аналитики в Saas-платформе и к чему это привело.

Мне всегда было интересно, как управляются разные бизнесы: как работает завод, ритейл, другие сферы. Я пытался изнутри наблюдать за бизнесом, где создаётся конечная ценность. Где-то работает автократия, в других компаниях уже есть зрелая бюрократия, а где-то все договариваются на словах, но нигде это не прописано.

Я видел, что даже в среднем бизнесе решения принимаются на основании чуйки хозяина. Тогда как в entreprise решения принимаются на основании процедур, отчётов. Люди страдают и ненавидят этот процесс, так как много времени уходит на оцифровку. Но при этом корпорации довольно эффективны, что показал мой дальнейший опыт. Они работают на 4-ку, но стабильно. Малый бизнес может сегодня сработать на 5, а завтра на 2.

Так у меня появилось убеждение, что в своих решениях нужно опираться на данные. Большой компанией можно стать только та, где есть система принятия решений.