Примеры работ и кейсы по направлению «Бизнес-аналитика»

Клиент - компания из ниши промышленных полов. Реклама велась через Яндекс.Директ, VK, Авито, SEO, партнерский трафик и закуп лидов. Задача - сделать прозрачную систему контроля рекламы: видеть эффективность каждого канала, оценивать работу подрядчиков по цифрам и быстрее находить неэффективные расходы. Проблема была в разрозненных данных. Рекламные каналы, CRM и отчеты подрядчиков не давали единой картины. Было сложно понять, какой канал реально дает заявки, где завышен CPL, кто из подрядчиков работает эффективно, а где бюджет расходуется без понятной отдачи. Полный пересчет аналитики занимал много часов. Я интегрировал рекламные каналы с Roistat и CRM, собрал управленческую аналитику в Google Sheets, пересобрал архитектуру таблиц и алгоритмы расчета метрик. Настроил отдельные отчеты для директологов, таргетологов и других подрядчиков по их каналам. В отчетах отслеживались расходы, лиды, CPL, конверсии и эффективность источников. На основе этих данных были введены KPI подрядчиков, еженедельный контроль показателей и корректировка рекламной стратегии. В результате был найден альтернативный источник трафика с сопоставимым объемом лидов относительно Яндекс.Директ, но со стоимостью лида в 4 раза ниже. Время полного пересчета отчетности сократилось с нескольких часов до нескольких минут. Клиент получил систему, которая показывает, куда уходит рекламный бюджет, какие каналы окупаются и как контролировать подрядчиков не по отчетам на словах, а по фактическим показателям.

Выполняю 3D-моделирование и фотореалистичную визуализацию. Проекты созданы в Cinema 4D с использованием Octane Render. В работе выполнял моделирование объектов с нуля, настройку материалов, освещения, композиции и финальный рендер.

Разработала проект по предотвращению вакуумирования бункеров.

Точка А: Расчёт выплат операторам велся вручную. Данные хранились в разных файлах, суммы расходились, не было единой картины расходов и эффективности сотрудников. Проблема: Расходы на операторов были непрозрачными. Невозможно быстро определить, сколько и за что начислены выплаты, как они формируются по стадиям продаж и какие сотрудники наиболее эффективны. Предложенное решение: Разработан BI-дашборд на основе данных из Битрикс24. Настроена автоматизация расчётов с учётом индивидуальных ставок операторов и их действий на разных стадиях воронки. Все ключевые показатели собраны в одном интерфейсе. Расчет выплат операторам полностью автоматизирован. Компания получила прозрачный контроль расходов, точные данные по каждому сотруднику и возможность оперативно управлять бюджетом отдела продаж без ручных таблиц и ошибок.

Точка А: Школа вела учет клиентов, посещаемости, оплат и лидов в Alfa CRM, но не имела единой системы аналитики. Для анализа показателей приходилось собирать данные вручную, что не позволяло быстро видеть реальную картину работы школы. Проблема: Отсутствие централизованной аналитики мешало контролировать посещаемость, отслеживать отток клиентов, анализировать эффективность привлечения и оценивать финансовые показатели. Руководству было сложно принимать решения на основе данных. Решение: Разработана единая система аналитики школы с автоматическим сбором, обработкой и визуализацией данных. Настроена передача информации из Alfa CRM в хранилище PostgreSQL через API. В базе данных реализованы представления и материализованные представления для подготовки данных, а также проведена индексация для ускорения работы системы. Хранилище подключено к Yandex DataLens, где создана система управленческих BI-дашбордов. В аналитике объединены данные о посещаемости, клиентской базе, лидах и финансовых показателях с возможностью детализации по направлениям, группам, тренерам и периодам. Вся аналитика структурирована в 5 дашбордов: посещаемость, отток клиентов, лиды, финансы и ключевые показатели бизнеса. Каждый дашборд включает графики, таблицы и фильтры для комплексного анализа работы школы и отслеживания динамики показателей.

Точка А: Процент загрузки автомобилей, состояние автомобиля, отчет по лидам и конверсии фиксируется в Битрикс24. Проблема: Большой объем данных, который сложно совмещать друг с другом, чтобы видеть общую картину по бизнесу и делать прогнозы на будущие периоды. Решение: Агрегировать данные между собой, собрать таблицы с фильтрацией, а так же разработать дашборды и отчеты, которые в режиме реального времени будут показывать загруженность автомобилей, эффективность менеджеров по продажам, а так же статусы состояния. В итоге был получен удобный и универсальный инструмент, который работает автоматически и обновляет данные ежедневно. С его помощью менеджмент может быстро и наглядно оценивать эффективность работы отдела продаж и востребованность каждой марки машины.

Точка А: У клиента отсутствовала единая система аналитики по проектам. Данные по продажам, строительной готовности, финансам, задачам подрядчиков и выносу сетей хранились в разных источниках. Проблема: Аналитика велась через ручные выгрузки и сведение данных в таблицах. Отчёты по продажам, стройке, задачам и финансам собирались вручную из разных источников. Это требовало постоянного обновления и проверки данных, занимало значительное время и не позволяло отслеживать ключевые показатели в динамике и в разрезе задач, подрядчиков и этапов строительства. Решение: Построена единая BI-система для застройщика на базе Apache Superset, которая объединила данные из всех -источников. Настроена инфраструктура в Yandex Cloud и централизованное хранилище данных на PostgreSQL с использованием view и materialized view для ускорения обработки и загрузки данных. Разработаны скрипты на Python для автоматической выгрузки и обновления данных, что позволило отказаться от ручного сбора и обеспечить актуальность информации. В Superset созданы и настроены дашборды под ключевые задачи бизнеса: главный дашборд с финансовыми и проектными показателями, аналитика по задачам ОКС, ПТО и сетям с оценкой эффективности, контроль подрядчиков через чек-листы, отслеживание ТЗ на СМР и мониторинг выноса сетей. Настроены метрики, формулы и фильтры, что позволило в реальном времени отслеживать состояние проектов, финансы и эффективность выполнения работ.

Точка А: Клиенты получали аналитику по WB и Ozon в Google Sheets, но ручной сбор и разрозненная обработка данных осложняли анализ и контроль. Проблема: Данные собирались вручную в отдельных Google Sheets, что вызывало ошибки, мешало масштабированию и усложняло централизованный анализ Решение: Мы разработали Backend, который автоматически получает данные с WB и Ozon через API, обрабатывает их и сохраняет в ClickHouse. Для контроля и удобства администрирования создан TG-бот, а агрегированные данные автоматически выгружаются в клиентские Google Sheets. Клиенты сервиса аналитики для маркетплейсов теперь получают актуальную аналитику напрямую в Google Sheets без ручной работы. Менеджмент сервиса контролирует обработку данных через TG-бот. Инструмент полностью автоматизирован, позволяет быстро получать данные, строить отчеты и принимать решения на основе актуальной аналитики

Точка А: Данные по приёмам, врачам, филиалам, финансам и звонкам находились в разных системах, что не позволяло видеть полную картину по бизнесу. Проблема: Отсутствие единой аналитики мешало контролировать загрузку врачей, оценивать эффективность филиалов и операторов, анализировать конверсию звонков в запись, а также управлять выручкой, прибылью и рентабельностью на уровне всей сети клиник. Решение: Собрать данные из всех источников, объединить их в единую модель и визуализировать в Power BI в виде дашбордов. Панель будет показывать в режиме реального времени ключевые показатели клиник, что позволит управлять бизнесом на основе актуальных данных. Компания получила единую систему аналитики продаж, которая объединяет ключевые показатели в одном интерфейсе. Руководство видит полную картину работы отдела продаж, может управлять эффективностью менеджеров, продуктовой матрицей и каналами привлечения на основе данных в режиме реального времени.

Был проведен аудит на производстве, по результатам которого был сформирован отчет, в рамках которого были описаны возможные мероприятия для проведения с целью повышения экономической эффективности (внедрение категорийного менеджмента, оцифровка процессов и переход на работу через выполнение SLA)