Возьмите один период и посмотрите хотя бы четыре вещи по каждому источнику и менеджеру (как минимум, а можно ещё по другим параметрам, например, по регионам и т. п.)

1. Стоимость контакта и стоимость квалифицированного лида

2. Причины потери лидов — отдельно «не наш клиент», «не сейчас» и «не удалось конвертировать». И «не удалось конвертировать» разбейте на подпричины

3. Конверсию квалифицированного лида в продажу

4. Стоимость клиента и деньги, которые он приносит — тоже по источникам и менеджерам

А теперь сравните всё это с предыдущими периодами

Не просто: «конверсия в продажу — 14%». А: «была 18%, стала 14%. Падение началось три недели назад, только у двух менеджеров и только на лидах из одного источника»

Вот с такими данными уже можно искать причину, а не виноватого

Только проводить такое расследование руками каждый месяц или неделю — так себе идея

В примере выше понадобилось связать конкретного менеджера с конкретной рекламной кампанией, посмотреть качество его лидов, сравнить с другими менеджерами и только потом дойти до причины

Один раз это можно собрать руками

Но завтра просядет другой источник. Через неделю вырастет количество «дорого». Потом увеличите рекламный бюджет — и окажется, что менеджеры перестали успевать обрабатывать поток

Поэтому я бы советовала не ограничиваться разовыми разборами, а постепенно собирать свою систему аналитики, в которой всё это уже связано между собой

Чтобы в любой момент можно было пройти цепочку:

рекламная кампания → лид → квалификация → менеджер → причины потери → продажа → выручка и маржа.

Причём смотреть не только общие цифры, а любые нужные сочетания.

«конверсию каждого менеджера по рекламным кампаниям».

«Из каких источников за последний месяц выросла доля причины “дорого”?»

«Где CPL снизился, но стоимость квалифицированного лида выросла?»

Вот здесь аналитика начинает помогать не просто отчитываться, а принимать решения.

И необязательно для этого покупать огромную систему

Для этого существуют сервисы сквозной аналитики, BI-системы и другие готовые решения. Для некоторых компаний они действительно подходят

Но я довольно скептически отношусь к подходу: «сейчас подключим большой сервис — и у нас появится аналитика»

Сам по себе сервис ещё не делает данные правильными. Если менеджеры некорректно ставят статусы, потерялась часть источников или CRM и реклама связаны с ошибками, красивый график просто очень красиво покажет неправильную цифру

Готовую систему всё равно приходится настраивать под процессы компании. Иногда для этого нужен отдельный специалист или подрядчик. Плюс сам сервис, интеграции, настройка и дальнейшее обслуживание

А вместе с нужными пятью показателями легко получить ещё пятьдесят, которые никто никогда не использует

Поэтому я бы шла от обратного

Не «какие отчёты умеет строить сервис?», а «на какие вопросы руководители должны получать ответ за пять минут?»

Сначала выписать эти вопросы. Потом определить, какие данные нужны для каждого ответа. Посмотреть, что уже собирается. Найти, чего не хватает. И только потом решать, чем именно всё это связать

Иногда действительно понадобится полноценная BI-система. А иногда большую часть задачи можно решить на существующей CRM, Метрике, рекламных кабинетах, Google Таблицах и нескольких скриптах

Не бизнес подстраивать под систему аналитики, а аналитику собирать под реальные решения бизнеса.

Но даже хорошую аналитику кто-то должен регулярно смотреть

И здесь уже можно подключить правильно настроенного ИИ-помощника

ИИ не принимает решение вместо руководителя. Он помогает не пропустить место, которые можно пропустить

Если забрать из этой серии постов только одно

В следующий раз, когда продажи скажут «лиды — говно», а маркетинг ответит «вы просто не умеете продавать», не выбирайте сторону.

Спросите:

«Хорошо. Как мы это докажем — и сколько денег заработаем, если исправим?»

Потому что найти виноватого приятно. Найти, где лежат деньги, обычно полезнее

Немного честной рекламы: такую аналитику мы настраиваем. Если интересно — подробнее тут или пишите мне напрямую

А какие необычные выводы находили вы?