Всем привет! 👋

У трейдеров есть один интересный индикатор под названием Аллигатор 🐊. Интересен он тем, что его можно использовать не только в трейдинге для анализа котировок, но и для анализа продаж в компании.

🔍 Что он из себя представляет?
В основе стратегии Аллигатор лежат 3 скользящих средних: быстрая (например, за 20 дней), средняя (за 50 дней) и медленная (за 100 дней).
И если:
📈 быстрая > средняя > медленная и направлены вверх – то тренд котировки восходящий;
📉 быстрая < средняя < медленная и направлены вниз – то тренд котировки нисходящий;
➖линии переплетаются – рынок находится во флэте.

💵 Как его применить в анализе продаж?
Для его использования вам необходимо определить периоды для скользящих средних в суммах продаж. Например, можно сделать:
➖ быстрая: без скользящей средней, просто продажи за месяц
➖ средняя: скользящая средняя за полгода
➖ медленная: скользящая средняя за год
И вывести эти линии на общий график.

Из анализа графика можно сделать интересные выводы:
1️⃣ Аллигатор "спит": Когда линии плотно переплетены, это может означать отсутствие сильного движения в продажах. В компании может наблюдаться период стагнации.
2️⃣ Аллигатор "просыпается": Если линии начинают расходиться, это признак того, что может начаться рост или спад в объёме продаж. Чем дальше расходятся линии, тем сильнее тренд.
3️⃣ Аллигатор "наелся": После длительного движения тренда (вверх или вниз) линии снова сближаются, что может сигнализировать о завершении текущего тренда. Если график показывает, что темп роста продаж замедляется, то это повод провести более глубокий анализ продаж.

#useful

Всем привет!

Я ранее писал про методы прогнозов продаж: тут и тут. А зачем вообще нужно прогнозирование продаж? Так или иначе прогноз продаж делают во всех компаниях. И вот для чего:
1️⃣ Во-первых, прогноз помогает бизнесу более точно рассчитывать будущие доходы и выставлять планы, цели и KPI для менеджеров по продажам, принимать решения о расширении бизнеса, инвестициях в новые продукты или рынки.

2️⃣ Во-вторых, примерно понимая будущий доход и конверсию сделок, можно рассчитать необходимый бюджет на рекламу и другие операционные расходы.

3️⃣ Управлять запасами также легче с прогнозом спроса на продукцию. Это снижает риск нехватки товаров или, наоборот, избыточных запасов.

4️⃣ Прогноз продаж помогает предсказать будущие поступления денежных средств. Это критично для поддержания ликвидности бизнеса и выполнения своих обязательств перед поставщиками, сотрудниками и кредиторами.

5️⃣ Прогнозирование продаж помогает выявить возможные проблемы, такие как спад спроса или сезонные колебания, которые могут повлиять на бизнес. Это позволяет заранее подготовить план действий для минимизации рисков.

Ну а сравнивая прогноз с фактом, можно сделать множество полезных выводов об эффективности рекламного канала, менеджеров по продажам, рынка, продукта и т.д.

#useful

Часто на дашборды просят вывести воронку продаж, с конверсией от пользователя на сайте и заканчивая оплатой договора.
Воронка – это простой и понятный формат представления результативности продаж.

Я решил собрать в этом посте все плюсы воронки, что можно узнать из ее анализа и какие выводы сделать:
1️⃣ Эффективность на каждом этапе. Прежде всего анализ воронки показывает, сколько потенциальных клиентов переходит с одного этапа воронки на следующий. Это помогает выявить, на каких этапах клиенты «отваливаются» и где требуется улучшение процессов. Например, путём усиления маркетинговых активностей, оптимизации стратегии взаимодействия с клиентами или внедрения новых инструментов.
2️⃣ Качество лидов. Если на ранних этапах воронки происходит много отсева, это может указывать на низкое качество лидов. В таком случае стоит пересмотреть стратегию генерации лидов или методы их квалификации.
3️⃣ Скорость прохождения. Добавив среднее время прохождения стадии на воронку, можно узнать, как быстро клиенты продвигаются по стадиям. Долгое нахождение на определённом этапе может свидетельствовать о сложностях в процессе продаж или неэффективной работе менеджеров.
4️⃣ Прогнозирование доходов. Знание конверсии на каждом этапе позволяет лучше прогнозировать будущие продажи и доходы, основываясь на количестве лидов в начале воронки.
5️⃣ Эффективность команды продаж / каналов лидов. Сравнивая воронку разных менеджеров, можно оценить их производительность и выявить лучших и тех, кому нужно больше поддержки или обучения. Аналогично, сравнивая воронки по разным каналам привлечения трафика и лидов, вы можете определить лучшие и понять, где необходимы усиления мер.

✔️ Хотите сделать дашборд с воронкой своих продаж? Обращаетесь через сайт или в личку!

#useful

ЛОГАРИФМЫ, ЛОГАРИФМЫ, ЛОГАРИФМЫ 🙀
Страшный сон многих школьников. И многие после школы думали, что никогда в жизни им не пригодятся логарифмы.
Мне пригодились. Расскажу, где и как они полезны в аналитике данных. Но вспомним для начала, что такое логарифм.

Легко можно посчитать, что 2 в 3-ей степени будет 8. А логарифм - это ответ на вопрос, в какую степень нужно возвести число 2, чтобы получить число 8.

В каких задачах поможет логарифм:
1️⃣ В прогнозировании продаж. Часто, перед тем как спрогнозировать продажи на следующий период, необходимо исторические данные по продажам логарифмировать. Логарифмическое преобразование часто применяется к данным с большими колебаниями или широким диапазоном значений. Это уменьшает влияние экстремальных значений и повышает точность прогноза.
2️⃣ На графиках полезно использовать логарифмические шкалы, когда выводимые данные намного меньше или намного больше остальных данных.
3️⃣ Измерение роста и трендов. Логарифмы помогают анализировать процессы с экспоненциальным ростом, такие как популяционные модели, финансовые рынки и эпидемии. Логарифмическое представление позволяет более чётко увидеть тренды и делать прогнозы.

Вот интересный пример, как seo-специалист применил логарифмирование в кластеризации семантического ядра https://m.seonews.ru/analytics/kak-standartizirovat-dannye-semantiki-s-pomoshchyu-logarifmov/

#useful

Всем привет! 👋

Для анализа продаж товарных позиций часто применяют ABC-анализ. В его основе лежит принцип Парето: 20% усилий обеспечивают 80% результата. Применительно к товарному ассортименту его можно сформулировать так: 20% товаров делают 80% оборота компании.

Пометим 20% товаров категорией А, еще 15% оборота категорией B и 5% – категорией C. Ну а дальше для каждой категории будем решать, какие применить маркетинговые акции, или как оптимизировать сток для максимизации прибыли.

Недавно для одного из своих клиентов я создал дашборд с ABC анализом по партнерам компании, которые приносят выручку клиенту. У клиента тысячи активных партнеров, и цель стояла – разбить на группы, чтобы не распылять силы отдела поддержки партнеров на всех подряд.

Поэтому партнеры были разделены на 3 группы:
A – партнеры, приносящие суммарно 80% выручки
B – партнеры, приносящие 20% выручки
C – партнеры, которые не приносили деньги за выбранный период

Благодаря тому, что эти данные выведены на дашборд, можно легко регулировать период отчета, а также делать дополнительные срезы (по категории партнера, региону и т.д.). Все это делает ABC-анализ в дашборде в разы гибче его аналогов в экселе.

Аналогично ABC-анализ можно применить к чему угодно: к страницам сайта с разбивкой по трафику, кол-ву лидов или суммам продаж, к услугам по сумме продаж, к точкам продаж по сумме и т.д.

✔️ Обращаетесь за любой аналитикой в дашбордах через сайт или в личку!

#adviсe

Один из важнейших показателей для бизнеса, который работает по модели подписки или абонентской оплаты (например, SaaS-компаний, бухгалтерского учета и т.п.) – это MRR (Monthly Recurring Revenue).

MRR — это ежемесячный регулярный доход, который компания получает от подписок или контрактов с клиентами. Этот показатель помогает измерить стабильный поток доходов от существующих клиентов.

🔍 В чем особенности MRR:
Регулярные платежи. MRR включает только те доходы, которые поступают на регулярной основе, обычно ежемесячно. Разовые платежи или непредсказуемые доходы не учитываются.

Простота прогнозирования. MRR позволяет компании точно прогнозировать будущие доходы, что полезно для бюджетирования, планирования ресурсов и управления ростом.

Влияние на показатель. MRR можно увеличивать за счёт привлечения новых клиентов, апселлинга или повышения цен.

📌 Типы MRR:
New MRR - доход от новых клиентов.
Expansion MRR - дополнительный доход от существующих клиентов, например, за счёт апселлинга или перехода на более дорогие тарифы.
Churned MRR - доход, который компания потеряла из-за оттока клиентов.
Net New MRR - разница между приростом (New MRR + Expansion MRR) и потерями (Churned MRR).

💵 Пример расчета MRR
Общая формула выглядит так:

MRR = количество клиентов * доход с каждого в месяц

Если у компании 100 клиентов, и каждый платит 500 руб. в месяц, то MRR составит:

MRR = 100 × 500 = 50 000 рублей в месяц

Обычно MRR выводят в виде графика со значением на каждый месяц и отслеживают по нему динамику изменения.

Постоянный рост MRR говорит о востребованности продуктов/услуг компании и успехах в продажах. Если же показатель не меняется долгое время или падает, то это говорит о проблемах с продажами.

MRR помогает бизнесу понимать свою финансовую устойчивость и способность к росту.

#advice

Всем привет! 👋

В сегодняшней рубрике #cases расскажу про клиента из сферы общепита Это широкая сеть моно-брендовых баров и ресторанов, расположенных в различных странах Европы.

Основной источник данных компании – это кассы в местах обслуживания клиентов. Руководство компании тратило много времени на анализ продаж по кассовым программам.
Во-первых, каждый раз нужно было руками выгружать данные из разных кассовых программ, а во-вторых сводить все так, чтобы потом можно было сделать отчет или график. В одних странах используется одна кассовая программа, а в других - другая. Анализ продаж требовал больших усилий и временных затрат, поэтому выполнялся не часто.

В итоге клиент решил автоматизировать сбор данных. В качестве аналитической базы данных была выбрана Google BigQuery, как быстрое и недорогое решение.

🔍 Что реализовано мной:
➖ Экспорт чеков из кассового сервиса. Создан коннектор для получения данных по чекам из одной кассовой программы. Информация по покупкам в чеках преобразовывается и загружается в Google BigQuery.
➖ REST API для приема кассовых данных. Реализован API-сервис на Python для приема данных из другой кассовой программы. Сервис преобразовывает данные и также сохраняет в Google BigQuery для последующего использования в дашбордах.
➖ Созданы витрины данных. В Google BigQuery созданы таблицы и представления, используемые специалистами компании для подготовки дашбордов в Google Looker Studio и оперативного анализа через Google Sheets.

📊 Благодаря этим решениям:
Реализован автоматический сбор данных в режиме реального времени из нескольких кассовых программ в единую базу. Тем самым клиент смог разработать необходимые дашборды для анализа продаж и получать статистику продаж за любой период.

✔️ Если вам также нужно упорядочить и автоматизировать аналитику, обращаетесь через сайт или в личку!

📞 Для многих менеджеров по продажам общение по телефону с клиентами составляет основу их продаж. Они дозваниваются до клиента, вовлекают в разговор, пытаются управлять разговором и вызвать нужные действия со стороны клиента.

Для аналитика все это кладезь полезных данных и метрик, которые можно и нужно анализировать, чтобы выводить KPI, строить планы и повышать качество звонков.

🔍 Давайте посмотрим, какие метрики тут напрашиваются. Только для звонков можно выделить:
Среднее время обработки
Это среднее время, которое менеджер или оператор затрачивает на один звонок, включая время общения с клиентом и время пост-звонка для записи или завершения задачи.
Показатель помогает планировать время сотрудников, конверсию и в некоторых ситуациях показывает эффективность менеджера.

Среднее время ожидания
Для входящих звонков важно отслеживать время, которое клиент проводит в очереди до соединения.
Длинное время ожидания может вызывать недовольство клиентов и приводить к потере звонков.

Процент пропущенных звонков
Процент звонков, которые были прерваны клиентом до соединения с оператором.
Высокий процент пропущенных звонков может говорить о проблемах с АТС, неправильных настройках переадресации или недостаточном количестве операторов.

Конверсия в следующий шаг
Каждый звонок должен оканчиваться переходом на какой-то последующий шаг, следуя скрипту. Но не все этого достигают. Поэтому важно измерять конверсию перехода в следующий шаг, отслеживать ее динамику и сравнивать по ней менеджеров между собой.

Наличие ключевых слов в разговоре
Нейронные сети позволяют отслеживать ключевые слова и фразы, произнесенные менеджером. Наличие этих слов показывает, идет ли менеджер по скрипту, не отклонился ли в сторону. Благодаря этому можно автоматически определять конверсию и повышать эффективность менеджеров.

Сегментация по сентименту
Современные нейронные сети умеют анализировать эмоциональную окраску разговора. Речь клиента в разговоре с менеджером можно разделить на 3 типа по эмоциональному окрасу: позитивная, негативная или нейтральная.
Тем самым выделить звонки, которые стоит проверить (с негативным окрасом), или сопоставить с конверсией, чтобы понять, почему при позитивном окрасе конверсия не была достигнута, что менеджер не дожал.

✔️ Обращайтесь через сайт или в личку, если вам нужно реализовать аналитику звонков и построить дашборды для мониторинга в реальном времени.

#advice

Всем привет! 👋

Опубликовал на своем сайте небольшую статью на тему «Как ускорить дашборд?».

Если кратко, то:
➖ Оптимизируйте SQL-запросы
➖ Откажитесь от представлений
➖ Добавьте индексы и партиции
➖ Подготовьте витрины данных
➖ Перейдите на аналитическую БД
➖ Увеличьте ресурсы БД и сервера
➖ Уменьшите период фильтрации
➖ Упростите дашборд

Получается, что ускорение дашборда - это в основном работа не с самим дашбордом, а с базой данных.
Подробнее читайте на моем сайте.

#material

📊 Дашборд для дашбордов – бывает и такое. В своей практике я часто создаю дополнительный дашборд для контроля качества данных и метрик основных дашбордов.

На такой дашборд обычно выводятся графики и таблицы, которые показывают:
➖ пропуски в поступающих из внешнего источника данных
➖ динамику изменения кол-ва строк в таблицах базы для поиска аномалий
➖ таким же образом пропуски и аномалии в наиболее важных расчетных метриках
➖ инциденты в этапах сбора и подготовки данных (например, кол-во задач по экспорту, которые завершились успешно или неудачно)
➖ время, которое затрачивается скриптами и коннекторами на экспорт/импорт данных
➖ статистику использования дашбордов пользователями, если ее позволяет собрать BI-система (Google Looker, например, позволяет подключить GA, как к сайту)

Такой дашборд поможет отслеживать динамику изменения в качестве собираемых данных и в надежности процессов по сбору и обработке (ETL).

Кроме того, он поможет понять, а что именно важно отслеживать для оценки качества данных, на какие инциденты необходимо реагировать незамедлительно. И по таким критически важным событиям настраивается получение уведомлений в тг-бота, по емейлу или телефону.

✔️ Если нужна моя помощь в мониторинге качества данных, пишите через сайт или в лс!

#useful

Прочитал на медиуме интересную статью про работу над качеством данных.
В ней рассказывается о том, почему бизнес-пользователи дашбордов не могут полностью доверится цифрам в них. И что с этим можно сделать BI-аналитику.

Есть несколько самых частых проблем, о которых говорят бизнес-пользователи дашбордов:
➖ «Похоже, что данные на дашборде не верные, но нет возможности узнать из-за технических вопросов или бизнес-проблем».
➖ «Цифры, которые мы видим в одном дашборде, не совпадают с цифрами в другом» или что часто встречается мне: «не совпадают с тем, что мы посчитали в экселе»
➖ «Данные за нужный период отсутствуют».
➖ «Метрика рассчитывается неверно» или «у нас другое определение этой метрики и методика ее расчета» (например, «Выручка», «Активные клиенты» и т.п.).

Чтобы показать решения этих проблем, автор разделяет работу с данными на слои:
1️⃣ Слой сырых данных – это все, что касается получения данных из внешних источников, их преобразования и хранения (ETL-процессы, пайплайны, БД и т.д.).
2️⃣ Слой обработки данных – на этом слое поступившие данные обрабатываются и сохраняются в витрины данных (специальные таблички для использования в дашбордах).
3️⃣ Слой метрик – здесь идет работа над созданием бизнес-метрик.
4️⃣ Контекстный слой – на этом слое фокусировка происходит на том, как пользователь данных взаимодействует с данными.

На 1-м и 2-м слоях работа над качеством идет на уровне мониторинга, уведомлений и тестов системы. По большей части все то, что я описал в предыдущем посте. Проверяются пропуски, дубли, типы данных, соответствие значений заданным, доступность источника и т.д.

На 3-м слое контролируется соответствие формул расчета метрик документации, создаются мониторинг и алерты по бизнес-метрикам, проводится обучение пользователей правильному пониманию метрик.

На 4-м слое стандартизуют создание дашбордов, проводят обучение пользователей правильному пониманию и использованию того, что выведено на дашборд.

Хороший подход для компаний с развитой командой аналитиков!

#material

Всем привет! 👋
Дашборды конечно глубоко проникли в бизнес и без них многие уже не представляют свою работу. Но принимать решение только на основе цифр с дашборда не всегда бывает полезным.

И вот почему:
➖ Во-первых, цифры могут быть недостоверными, устаревшими или не полными. Перед тем, как делать выводы, стоит перепроверить показатели сравнением с другим источником или старыми периодами в дашборде. Особенно, если вы заметили сильное отклонение в метриках.
➖ Во-вторых, далеко не всегда на дашборде отображаются нужные метрики или достаточное кол-во метрик, по которым можно принимать решение. Предположим, вы развиваете партнерскую программу, и для оценки вывели на дашборд метрики «Кол-во рефералов по партнеру», «Сумма вознаграждения партнера», «Выручка с реферала». Казалось бы, по этим тремя метрикам можно оценить и эффективность партнерской программы в целом и каждого партнера в отдельности. Но если каждый реферал может стать партнером, то это в корне меняет ситуацию, и нужны метрики, которые покажут наличие и выручку рефералов 2-го и т.д. уровней.
➖ Дашборд может не показывать влияние внешних и внутренних факторов. Упали продажи, трафик и т.д. – нужно понимание, идет ли влияние общей тенденции или сезонности на рынке. Изменились процессы, структура в компании – это тоже может отразиться на метриках.
➖ Дашборды зачастую не учитывают человеческий фактор, который играет существенную роль в бизнесе. При чем, как внутри компании, так и вне ее (поведение потребителей, реакция местных властей и т.д.).
Стоит хотя бы вспомнить ситуацию с Xsolla, когда только на основе данных модели машинного обучения были уволены около 100 человек. Все ради сохранения роста в 40% в год. По данным Bloomberg в 2021 году у нее была выручка 100 млн дол. Интересно, помогло ли...

#advice

Всем привет! 👋

Часто в компаниях вместе с аналитиками (или вместо них) дашборды создают или правят менеджеры, руководители или владельцы компании. В целом это понятно – кто же, как не руководитель отдела продаж знает все про свое дело: знает какие показатели ему нужно контролировать, в каком разрезе, как выводить на дашборд, и сделает это быстрее, чем напишет ТЗ для аналитика.

В небольших компаниях это оправдано и экономически выгодно. Но в компаниях, где есть свой аналитик, а также большое количество потребителей дашбордов, это может привести к проблемам. И вот почему:
➖ Во-первых, менеджер или руководитель не учитывает технические аспекты: построенный самостоятельно дашборд может сильно грузить базу данных, потреблять лишние платные ресурсы или тормозить работу других дашбордов.
➖ Во-вторых, он может использовать не те данные или не верно составить формулу расчетной метрики. Например, посчитать выручку, взяв один параметр из таблицы и не учесть наличие другого параметра, который влияет в некоторых случаях.
➖ В-третьих, используя общие датасеты (в Яндекс Даталенсе датасет описывает набор данных и его структуру), менеджер может изменить формулу ранее созданной метрики. При этом не факт, что он вспомнит, в чьих дашбордах еще используется эта метрика. Тем самым, у других пользователей данные на дашборде могут существенно исказиться.

И что не мало важно, после обнаружения этих проблем, менеджер или руководитель пойдет к аналитику, чтобы тот поправил его ошибки. Очень частый кейс с двойной работой! 💵💵

#useful