CRM хороша тем, что помогает управлять продажами. Можно быстро увидеть воронку, конверсию, работу менеджеров, динамику сделок и другие показатели.
Но CRM показывает эффективность процесса. Руководителя же в какой-то момент начинает интересовать эффективность бизнеса.
А это разные задачи❗️
Например, отдел продаж увеличил выручку на 20%. В CRM это выглядит как успех. Но если одновременно выросли затраты на привлечение клиентов, снизилась маржинальность или увеличилась нагрузка на команду, финансовый результат может оказаться совсем другим.
В этот момент становится понятно, что бизнесу уже недостаточно анализировать процессы по отдельности 🔍
Появляется потребность видеть не сами показатели, а связи между ними. Потому что прибыль редко меняется из-за одной цифры. Обычно на нее одновременно влияют десятки факторов, которые находятся в разных частях бизнеса.
А CRM перестает быть центром аналитики и становится одним из источников данных 📇
Общая статистика не всегда показывает реальную картину бизнеса. Например, выручка может расти, а качество новых клиентов — снижаться. Одни пользователи совершают только одну покупку, другие регулярно возвращаются и формируют основную часть прибыли.
Чтобы увидеть такие различия, используют когортный анализ.
Что такое когортный анализ
Когортный анализ — это метод исследования данных, при котором пользователей объединяют в группы по общему признаку и анализируют их поведение с течением времени.
Когорты можно формировать по дате регистрации, первой покупке, рекламной кампании, каналу привлечения или любому другому значимому событию. После этого анализируют, как меняются ключевые показатели каждой группы.
В отличие от общей статистики, когортный анализ позволяет понять, как ведут себя разные группы клиентов и какие факторы влияют на результат.
Какие задачи решает когортный анализ
Когортный анализ помогает:
оценивать качество каналов привлечения;
анализировать удержание клиентов и причины оттока;
сравнивать результаты до и после изменений в продукте или маркетинге;
рассчитывать LTV и долгосрочную ценность клиентов.
Например, два рекламных канала могут приводить одинаковое количество клиентов. Однако когортный анализ покажет, какой из них обеспечивает повторные покупки и приносит больше выручки в долгосрочной перспективе.
Какие метрики обычно анализируют
Выбор показателей зависит от задач бизнеса. Чаще всего используют:
Retention Rate — удержание пользователей;
повторные покупки;
средний чек;
LTV;
выручку по когортам;
конверсию на разных этапах воронки.
Эти метрики позволяют оценить не только привлечение клиентов, но и их дальнейшую ценность для бизнеса.
Как провести когортный анализ
Шаг 1. Определить цель анализа
Сначала необходимо понять, на какой вопрос должен ответить отчет. Например, выяснить причины оттока клиентов, оценить качество каналов привлечения или проверить эффективность новой маркетинговой кампании. От поставленной задачи будут зависеть выбор когорты и метрик для анализа.
Шаг 2. Выбрать признак формирования когорты
Далее необходимо определить событие, по которому пользователи будут объединяться в группы. Это может быть дата регистрации, первая покупка, подключение тарифа, рекламная кампания или любой другой значимый для бизнеса параметр.
Шаг 3. Определить метрики
Следующий этап — выбрать показатели, которые будут анализироваться. Чаще всего используют Retention Rate, повторные покупки, конверсию, средний чек, выручку или LTV. Набор метрик зависит от поставленной задачи.
Шаг 4. Построить когорты
После подготовки данных пользователей распределяют по группам и сравнивают их между собой. Например, можно проанализировать покупателей, совершивших первый заказ в разные месяцы, или сравнить клиентов из разных рекламных каналов.
Шаг 5. Найти закономерности
На последнем этапе анализируют результаты и ищут причины различий между когортами. Например, определяют, какие каналы привлекают более ценных клиентов, на каком этапе происходит отток пользователей или как изменения в продукте повлияли на удержание аудитории.
Типичные ошибки
Одна из самых распространенных ошибок — сравнение когорт разного возраста. Например, нельзя напрямую сравнивать группу клиентов, которую наблюдают шесть месяцев, с группой, которая существует только один месяц.
Также важно учитывать сезонность и анализировать не только количество клиентов, но и финансовые показатели. Иногда небольшая когорта приносит бизнесу больше прибыли, чем крупная группа пользователей.
Какие инструменты использовать
Выбор инструмента зависит от объема данных и задач бизнеса.
Для небольших выборок когортный анализ можно проводить в Excel или Google Таблицах. Такой вариант подходит для разовых исследований и проверки гипотез. Однако при росте количества данных отчеты приходится регулярно обновлять вручную, что требует времени и увеличивает риск ошибок.
Если необходимо анализировать поведение пользователей на сайте или в мобильном приложении, можно использовать Яндекс Метрику, AppMetrica, Mindbox, AppsFlyer и другие аналитические платформы. Они позволяют быстро строить когортные отчеты по пользователям, рекламным каналам и маркетинговым активностям. При этом анализ ограничен данными конкретной системы.
Когда данные хранятся в нескольких источниках — CRM, ERP, рекламных кабинетах, системах веб-аналитики, телефонии и финансовых сервисах — компании переходят к BI-платформам.
BI-системы автоматически собирают данные из всех источников в единое пространство и обновляют отчеты без участия сотрудников. Это позволяет анализировать когорты по любым бизнес-разрезам: каналам привлечения, продуктам, регионам, клиентским сегментам, менеджерам и другим параметрам.
Когортный анализ в Yandex DataLens
Выше представлен пример когортного анализа в Яндекс DataLens. Отчет показывает, как меняется конверсия пользователей по когортам в зависимости от недели регистрации. Дашборд обновляется автоматически.
Вывод
Когортный анализ позволяет понять, какие клиенты приносят бизнесу долгосрочную ценность, какие каналы привлечения работают эффективнее и что влияет на удержание аудитории.
По мере роста компании проводить такой анализ вручную становится все сложнее, поэтому многие компании автоматизируют его с помощью BI-платформ.
К нам обратилась компания из сферы продажи стройматериалов. Они активно работали с рекламой в Яндекс Директ и Google Ads (клиент вел деятельность в Казахстане), следили за аналитикой сайта в Яндекс Метрике, в качестве CRM использовали Битрикс24.
Исходная ситуация клиента
Проблемой для них было то, что на аналитику уходило слишком много времени.
Рекламные кабинеты показывали эффективность кампаний с точки зрения маркетинговых метрик (показы, клики, CTR, количество заявок).
Но бизнесу необходимо изучать рекламные компании глубже:
Какие рекламные кампании приводят реальные продажи?
Какие объявления дают клиентов с высоким средним чеком?
Где стоимость лида низкая, но сделки в итоге не закрываются?
Какие источники трафика приносят не просто обращения, а прибыль?
Какая реальная окупаемость рекламных расходов?
Получить ответы было сложно, потому что данные о рекламе и данные о продажах существовали отдельно друг от друга.
Маркетологам приходилось регулярно выгружать статистику из Яндекс Директа и Google Ads, отдельно собирать данные из CRM, после чего вручную сводить отчеты через Excel или Google Sheets.
Технически такой подход работал. Практически — создавал сразу несколько ограничений.
Подготовка отчетов занимала много времени.
Данные быстро устаревали.
Было тяжело анализировать рекламу именно с точки зрения выручки и сделок, а не только маркетинговых метрик.
Процесс работы:
Мы предложили классическую схему сквозной аналитики:
Развернуть отдельную аналитическую базу данных.
Автоматически собирать данные из всех систем по API.
Совмещать сделки и рекламные источники по UTM-меткам.
Строить дашборды в Power BI.
Этап 1. Аудит данных и точек интеграции
Перед разработкой мы сначала разобрали, как вообще внутри компании движутся данные.
Если сразу начать «тянуть API и строить графики», очень быстро выясняется, что половина данных нестыкуется между собой.
Поэтому сначала мы картировали весь путь клиента:
Реклама → Переход на сайт → Заявка → Лид → Сделка → Продажа
Собрали всю информацию, где именно хранятся данные на каждом этапе.
Этап 2. Построение аналитической базы и автоматизация сбора данных
Следующим этапом мы развернули отдельную аналитическую базу на MySQL и вынесли в нее всю работу с данными. Это был промежуточный слой между рекламными системами, CRM и Power BI, который позволял не строить аналитику напрямую поверх API и не зависеть от ручных выгрузок.
После этого на Python настроили автоматическую загрузку данных. В аналитическую базу начали регулярно поступать данные по рекламным кампаниям, расходам, переходам на сайт, UTM-меткам, лидам, сделкам и продажам.
Этап 3. Очистка и объединение данных
Когда данные начали собираться в едином хранилище, стало видно несколько типичных проблем, которые часто возникают. Одни и те же рекламные кампании могли называться по-разному в разных системах, часть UTM-меток передавалась не полностью, а данные между CRM и рекламными кабинетами местами не совпадали.
Поэтому следующим шагом мы построили слой обработки данных. На этом этапе очищались дубли, стандартизировались UTM-метки, приводились к единому виду рекламные кампании, проверялись ошибки и пустые значения. После обработки данные уже можно было объединять в единую аналитическую модель и использовать для построения сквозной аналитики.
Этап 4. Формирование аналитической модели
Здесь мы начали формировать единую аналитическую модель для Power BI.
Связали между собой рекламные кампании, переходы на сайт, лиды из CRM, сделки и суммы продаж, чтобы получить единую модель данных, в которой можно проследить весь путь клиента — от клика по рекламе до реальной продажи.
Основой для объединения стали UTM-метки, которые передавались вместе с рекламным трафиком и фиксировались в Битрикс24.
После этого Power BI уже мог работать с единой моделью данных, в которой маркетинговые показатели были напрямую связаны с продажами и выручкой.
Этап 5. Разработка дашбордов в Power BI
Когда модель данных была готова, мы начали собирать дашборды в Power BI.
Все подготовленные данные были объединены в единую систему визуализации, где маркетинг и руководство компании могли отслеживать эффективность рекламы, источников трафика, лидов и продаж.
Примеры графиков из дашбордов
Таблица, в которой с детализацией до одного дня можно проследить эффективность рекламы.
Детализация эффективности рекламы
Легенда: ДРР - доля рекламных расходов в %, CpC - Стоимость клика, CTR - Конверсия из показа рекламы в клик, CpL - Стоимость лида, CR - конверсия, CpO - Стоимость сделки (клиента)
2. Таблица показывает эффективность каждого источника трафика с точки зрения реальных продаж, выручки, количества покупателей и доходности визитов, а не только объема переходов на сайт.
Эффективность источников трафика по продажам и выручке
3. Составлена таблица, в которой рассчитана эффективность каждой отдельной рекламной кампании. По ней можно легко оценить, насколько действенно объявление.
Эффективность рекламных кампаний
4. График показывает динамику CTR и стоимости лида во времени и позволяет отслеживать, как изменение эффективности рекламных кампаний влияет на стоимость привлечения клиентов.
Динамика CTR и стоимости лида (CpL) по рекламным кампаниям
5. Группа графиков, которые показывают дополнительную аналитику по лидам. Основные источники привлечения, возрастные сегменты аудитории и интересы пользователей, что помогает лучше понимать целевую аудиторию и оценивать качество входящего трафика.
Аналитика лидов по источникам, возрасту и интересам аудитории
Результат
В результате компания получила систему сквозной аналитики, которая автоматически объединяет данные из рекламных кабинетов, CRM и Яндекс Метрики в едином пространстве Power BI.
Маркетинг перестал оценивать рекламу только по CTR, кликам и количеству заявок. Появилась возможность видеть реальную эффективность кампаний с точки зрения продаж, выручки, среднего чека и окупаемости рекламных расходов.
Отдельно удалось сократить объем ручной работы. Данные начали обновляться автоматически, а подготовка отчетности перестала занимать часы работы маркетологов.
В итоге руководство получило инструмент для оперативного управления рекламным бюджетом, а маркетинг — прозрачную систему аналитики, в которой можно быстро находить неэффективные кампании и принимать решения на основе данных, а не предположений.
В девелопменте и строительстве аналитика часто выглядит как десятки Excel-файлов, ручные сводки, разные цифры у отделов и постоянные попытки собрать нормальную картину проекта. Особенно когда объектов становится много.
Хочу поделиться примерами дашбордов для застройщиков и строительных компаний, которые помогают сделать аналитику эффективнее. Покажу, как обычно выстраивают аналитику в девелопменте, что выводят на главные экраны, как контролируют стройку, продажи, подрядчиков, проектное финансирование и внутренние процессы.
Думаю, материал будет полезен тем, кто сейчас пытается уйти от разрозненных отчетов и понять, как вообще может выглядеть современная аналитика в строительстве.
Главный дашборд проекта
Главный управленческий дашборд застройщика
Главный отчет проекта — это центр управления стройкой. Здесь обычно собирают стройготовность, продажи, проектное финансирование, эскроу и статус ключевых этапов.
Главная ценность такого дашборда — показатели видны вместе, а не отдельно друг от друга. Например, объект может нормально идти по графику, но хуже наполнять эскроу. Или наоборот — продажи растут быстрее стройготовности, что увеличивает риски по срокам передачи.
Такой экран помогает быстро понять общее состояние проекта и увидеть, куда нужно проваливаться глубже.
Дашборд проектного финансирования
Дашборд для контроля финансовой устойчивости проекта
Финансовый дашборд для анализа экономики проекта
Часто девелоперы собирают отдельные финансовые дашборды, где видно как проект наполняет эскроу, что происходит с кредитной линией, как меняются ключевые финансовые показатели и денежный поток.
Такие экраны особенно полезны для контроля экономики проекта в динамике, а не только по итоговым цифрам.
Дашборд продаж и контрактации
Дашборд аналитики воронки продаж
Дашборд для анализа эффективности агентств недвижимости и менеджеров
В продажах проблемы тоже появляются не сразу. Сначала начинают зависать брони, проседает конверсия, определенные типы квартир продаются хуже, а агентства дают объем без реальных сделок.
Поэтому коммерческий блок обычно собирают в отдельный дашборд, где видно не только выручку, но и структуру спроса, динамику продаж, остатки, эффективность менеджеров и агентств.
Это помогает быстрее замечать проблемы внутри воронки, пока они еще не начали влиять на денежный поток проекта.
Дашборд маркетинга
Аналитика маркетинга и рекламных каналов строительных компаний
Маркетинг в девелопменте давно перестал быть просто отчетом по лидам. Важно понимать, какие каналы реально приводят сделки, а какие просто расходуют бюджет.
Поэтому маркетинговые дашборды обычно связывают рекламу с продажами. Здесь анализируют стоимость привлечения клиента, окупаемость рекламы, конверсии и вклад каналов в реальные сделки.
Особенно полезно это в моменты, когда рынок начинает замедляться и стоимость привлечения клиента растет.
Дашборд отдела продаж
Дашборд для контроля работы отдела продаж и call-центра
Многие проблемы продаж начинаются еще до падения сделок — например, с перегрузки менеджеров или потери части обращений.
Такие дашборды помогают быстро увидеть пропущенные звонки, скорость обработки лидов, нагрузку на сотрудников и просадку конверсии по этапам.
Это особенно важно для крупных отделов продаж, где ручной контроль уже перестает работать.
Дашборд подрядчиков и строительного контроля
Дашборд для контроля подрядчиков
Когда подрядчиков становится много, стройка начинает тормозить не только из-за самих работ, но и из-за документов, согласований и допусков.
Поэтому строительный контроль часто выносят в отдельный дашборд. В нем видно статус подрядчиков, исполнительной документации, договоров и ключевых согласований.
Дашборд инженерных сетей и технических задач
Дашборд для контроля процессов выноса инженерных сетей
Дашборд для контроля задач технических подразделений
В девелопменте многие задержки начинаются внутри процессов, например, согласования, инженерные сети, документация, задачи между подразделениями.
Поэтому технические блоки также собирают в отдельные дашборды, где видно статус задач, просрочки, выполнение этапов и загрузку подразделений.
Такие системы особенно полезны на сложных проектах с большим количеством подрядчиков и инженерных работ.
Где реализовать такие дашборды
Подобные системы строятся с помощью BI-аналитики. Данные из CRM, 1С, Excel, ERP и других систем сначала собираются и структурируются, а затем превращаются в интерактивные дашборды для руководителей и подразделений.
Такие решения почти всегда разрабатываются индивидуально под компанию. У каждого застройщика свои процессы, структура проектов и управленческие задачи.
Собирать BI можно в разных системах, например, в Yandex DataLens, Power BI, Apache Superset.
Итог
Когда проектов становится много, компания начинает терять время на сбор информации и ручные отчеты. BI-аналитика решает эту проблему. Продажи, стройка, подрядчики, финансирование и внутренние процессы собираются в одной системе.
В результате руководители быстрее видят отклонения, проще контролируют экономику проектов и принимают решения на основе актуальных данных, а не разрозненных Excel-файлов.
Почти все компании начинают построение аналитики в Excel. Это удобно потому, что на старте данных немного и все можно собрать в одну таблицу, быстро посчитать и в целом понимать, что происходит.
Excel довольно универсальный инструмент. Хочешь — отчет собери, хочешь — модель посчитай, хочешь — гипотезу проверь. Но постепенно его начинает не хватать.
Сначала компании разрастаются данными. Потом они появляются в разных местах , таких как, CRM, рекламные кабинеты, бухгалтерия, сайт. Потом с ростом компании появляются дополнительные отчеты. И тебе уже приходится работать сразу в нескольких файлах и системах.
Сначала это терпимо. Потом начинает раздражать. А потом ловишь себя на мысли, что даже на простой вопрос по бизнесу нужно потратить время: открыть несколько таблиц, сверить цифры, проверить формулы.
Тогда многие компании начинают задумываться об усовершенствовании аналитики и внедрении BI.
Почему Excel так популярен
По данным «КОРУС Консалтинг», около 43% компаний до сих пор строят аналитику именно в Excel. Ещё примерно треть используют его вместе с другими инструментами.
И это абсолютно объяснимо. Excel — это быстрый и доступный старт. Не нужно ничего внедрять, никого обучать. Открыл файл — и работаешь. Можно быстро собрать отчёт, прикинуть экономику, проверить гипотезу.
Я до сих пор им пользуюсь. Просто уже не как основным инструментом, а как вспомогательным. Для точечных задач он по-прежнему удобен.
Проблема не в Excel как инструменте. Проблема в том, что со временем бизнес становится сложнее, чем таблицы.
Где Excel начинает тормозить
Обычно это не один резкий момент, а постепенное накопление.
Сначала подготовка отчётов начинает занимать чуть больше времени. Потом ещё чуть больше. В какой-то момент это превращается в часы ежедневной работы.
Причина здесь простая. Excel — это всегда ручной процесс. Нужно выгрузить данные, привести их к одному виду, объединить, проверить расчёты. И так каждый раз.
Да, в какой-то момент многие начинают подключать данные через API. Это можно сделать через Power Query или другие коннекторы, и это действительно упрощает жизнь. Данные начинают подтягиваться автоматически и становится меньше ручных выгрузок.
Но по факту это не меняет сам подход. Таблица всё равно остается таблицей. Ее нужно поддерживать, проверять, пересобирать логику. Как только структура усложняется — все снова начинает ломаться.
Плюс есть важный момент, который часто недооценивают — актуальность. Excel всегда показывает прошлое. То, что было на момент последнего обновления. Даже если данные подтягиваются автоматически, это не полноценная система, а все та же таблица с ограничениями. И решения всё равно часто принимаются с задержкой.
Ну и ошибки. С ними сталкивался, наверное, каждый. Чем сложнее файл, тем выше вероятность, что где-то сломалась формула или логика. Есть исследование нескольких университетов Австралии и Гонконга, где говорится, что от 80% до 94% корпоративных таблиц содержат ошибки. И по опыту это очень похоже на правду.
Пока это простые задачи — ничего страшного. Но когда речь идёт о деньгах или управлении, такие вещи начинают напрямую влиять на результат.
Excel и BI-аналитика — не конкуренты
Мне часто задают вопрос: что лучше — Excel или BI. Но на практике этот вопрос вообще не так стоит.
Excel никуда не уходит. Он остаётся удобным инструментом для расчётов, быстрых проверок, финансовых моделей.
BI-аналитика закрывает другую задачу. Она нужна, когда важно не просто посчитать, а выстроить систему работы с данными. Чтобы они были собраны в одном месте, считались одинаково и всегда были актуальны.
Поэтому в реальности эти инструменты живут вместе. Просто используются в разных задачах.
Главное отличие
Самое заметное отличие, которое я вижу — подход к работе с данными.
В Excel ты каждый раз заново собираешь аналитику. Даже если есть шаблоны и автоматизация, это всё равно повторяющийся процесс. Нужно выгрузить, проверить, обновить, пересобрать данные. И чем сложнее бизнес, тем больше времени это начинает съедать.
В BI-аналитике ты один раз выстраиваешь систему, и дальше она работает постоянно. Данные подтягиваются сами, логика расчетов уже задана, отчеты обновляются без участия человека. Ты просто открываешь дашборд и смотришь текущую картину.
Но есть и другие важные отличия.
Скорость. В Excel аналитика всегда запаздывает, потому что между событием и отчётом есть ручной процесс. В BI этого разрыва почти нет — данные обновляются регулярно, и ты работаешь с актуальной ситуацией.
Управляемость. В Excel каждая новая задача — это новая таблица или усложнение старой. Со временем это превращается в набор файлов, в которых сложно разобраться. В BI-аналитике, наоборот, все строится вокруг единой модели данных, и система не разваливается по мере роста.
Стоимость. Это тот момент, который часто понимают не сразу. На первый взгляд Excel кажется бесплатным или дешевым инструментом. Но если посчитать время команды на сбор, проверку и исправление отчетов, стоимость оказывается довольно высокой. BI требует вложений на старте, но сильно экономит время дальше — и в итоге это почти всегда окупается.
Откуда берутся «разные цифры»
Есть ещё одна история, которая почти в каждой компании повторяется. Разные отделы начинают считать показатели по-разному. У финансов одна логика, у маркетинга другая, у продаж третья. В итоге вместо анализа начинается выяснение того, какие цифры правильные. Я это сам видел много раз. И это сильно тормозит работу, хотя внешне кажется, что все заняты аналитикой.
BI-аналитика эту проблему закрывает довольно жестко. Все метрики считаются в одной модели. Если выручка определена одним образом, она такой и остается во всех отчетах.
И после этого обсуждать уже нечего. Можно наконец переходить к решениям.
Как понять, пора ли переходить с Excel на BI
Здесь нет универсального момента, когда «все, теперь точно пора». Я видел небольшие команды, которым BI был критичен, и крупные компании, которые годами жили в Excel.
Если говорить просто, Excel хорошо работает до тех пор, пока аналитика остается локальной задачей. Когда нужно что-то быстро посчитать, проверить гипотезу или собрать разовый отчет. Он удобен и полностью закрывает задачу.
Но дальше начинает играть масштаб и регулярность.
Я обычно смотрю на несколько вещей:
Сколько времени уходит на отчёты. Если это часы каждую неделю или, тем более, каждый день — это уже сигнал. Потому что это время команда тратит не на анализ, а на подготовку данных.
Сколько источников данных участвует. Пока всё в одном месте — Excel справляется. Как только появляется CRM, реклама, бухгалтерия, сайт — ручная сборка начинает усложняться и давать ошибки.
Насколько вы доверяете цифрам. Если регулярно возникают ситуации, когда «что-то не сходится» и нужно перепроверять расчеты — это прямой индикатор, что текущая система не держит нагрузку.
И ещё один важный момент — скорость решений. Если между вопросом «что происходит?» и ответом проходит несколько часов или дней, значит аналитика уже тормозит бизнес.
Теперь про деньги, потому что это всегда главный вопрос.
BI-аналитика почти всегда требует вложений на старте. И если у вас маленький объём данных и простые задачи, эти вложения действительно могут не окупиться сразу. В таком случае лучше выжать максимум из Excel и не усложнять систему раньше времени.
Но если аналитика уже начинает забирать ресурсы команды, появляются ошибки, а решения принимаются с задержкой — BI, как правило, быстро окупается за счёт экономии времени и более точных решений.
Пример одной компании
К моей команде обратилась компания, которая делает аналитику для селлеров маркетплейсов. У них свой собственный сервис аналитики, который помогает продавцам на Wildberries и Ozon управлять продажами, расходами и прибылью.
Изначально вся аналитика была в Google Sheets и Excel. Данные подтягивались через API, дальше обрабатывались вручную. Пока объём был небольшой, это работало.
Но с ростом начались проблемы. Данных стало больше, таблицы начали тормозить, периодически ломались, появлялись расхождения в цифрах. Подготовка отчетов занимала по несколько часов в день и превращалась в рутину.
Тогда мы выстроили для них BI-аналитику в Yandex DataLens. Пример дашбордов ниже.
Сводный дашборд для селлера
Дашборд ключевых показателей
В результате время на аналитику у них сократилось с 15–20 часов в неделю до 2–3 часов. Ушла путаница в цифрах, появилась единая логика расчетов.
Это как раз хороший пример, когда компания вовремя заметила, что текущий подход перестал работать, и не стала тянуть дальше.
Мы с ними до сих пор продолжаем работу — дорабатываем и улучшаем дашборды по мере роста задач. И по их словам, внедрение BI у них окупилось примерно за 4 месяца.
Итог
Если смотреть с позиции практики, Excel — это нормальная точка старта. Я не видел ни одной компании, которая сразу начинала с BI. Все проходят через таблицы, и это ок.
Проблема начинается тогда, когда он перестает справляться с нагрузкой. Когда данных становится больше, чем удобно держать в голове и в файлах. Когда команда тратит время не на анализ, а на сбор цифр. Когда решения начинают запаздывать.
Я это вижу практически в каждом проекте, с которым работаю. И в какой-то момент у всех наступает одинаковая точка: либо продолжаешь жить в таблицах и мириться с ограничениями, либо выстраиваешь систему и начинаешь управлять бизнесом через данные.
Кстати, я также часто делюсь такими наблюдениями из практики и веду телеграм-канал От цифр к делу🔎 | Никита Василевский, где разбираю реальные кейсы и то, как компании на самом деле выстраивают аналитику. Буду рад встретиться с вами и там
24 апреля 2026 году Банк России снизил ключевую ставку на 50 б.п. — до 14,5% годовых. Это продолжение цикла, который начался в 2025 году после длительного периода ужесточения. В 2023 году ставку повышали пять раз, в 2024 — еще три. В октябре 2024 года она достигла 21% и держалась на этом уровне несколько месяцев.
Снижение происходит на фоне замедления экономики и стабилизации инфляции, но условия остаются сдержанными.
Что будет со ставкой дальше
На текущий момент инфляция держится около 5,7%, устойчивая — в диапазоне 4–5%. При этом инфляционные ожидания остаются повышенными, поэтому Банк России не закладывает быстрое смягчение политики.
Базовый сценарий: средняя ставка в 2026 году — 14,0–14,5%, в 2027 году — 8–10% при условии выхода инфляции к цели 4%. Решения будут приниматься на каждом заседании отдельно.
Экономика при этом растет медленно. Прогноз ВВП на 2026 год — 0,5–1,5%, инвестиции и кредитование остаются сдержанными. Это означает, что эффект снижения ставки будет проявляться постепенно.
Отдельно эксперты отмечают, что цикл снижения может идти с паузами. При консервативном сценарии ставка к концу 2026 года может быть около 13%, при более мягком — ближе к 12% .
Как снижение ставки проходит через экономику
Изменение ключевой ставки и уровня инфляции в России в период 2013-2026 г.г. Источник: cbr.ru
На графике видно, как после пиковых значений ставка начинает снижаться только тогда, когда инфляция стабилизируется. После резкого роста до 21% в 2024 году ставка удерживалась на высоком уровне, и только в 2025 году начался постепенный цикл снижения.
Снижение ставки не меняет условия мгновенно. Сначала банки пересматривают собственную стоимость ресурсов, затем — ставки по новым кредитам, и только после этого изменения доходят до бизнеса и спроса.
Решение ЦБ и реальные изменения в продажах компаний могут быть разнесены на несколько месяцев.
Параллельно меняется движение денег в экономике. При высокой ставке средства уходят в депозиты, при снижении — постепенно возвращаются в оборот через инвестиции и потребление.
Кредиты и финансовая нагрузка
Для бизнеса ставка — это в первую очередь стоимость заемного финансирования. В России около 70% инвестиций обеспечивается за счет кредитов (данные Минэкономразвития), поэтому изменения ставки быстро отражаются на инвестиционной активности .
При ставке выше 15% кредиты доходят до 20–25% годовых. В этих условиях компании откладывают развитие и сокращают заимствования.
Снижение ставки возвращает в работу отложенные проекты, но не запускает новый инвестиционный цикл автоматически. Банки продолжают жестко оценивать заемщиков, а бизнес — осторожно брать новые обязательства.
Малый и средний бизнес реагирует сильнее: у него выше зависимость от кредитов и меньше запас прочности.
Инвестиции и рост
Снижение ставки влияет на инвестиции через окупаемость проектов. Чем ниже ставка, тем больше проектов проходит по расчетам.
Бизнес начинает активнее инвестировать не в момент снижения ставки, а когда появляется уверенность в дальнейшем улучшении условий и спроса .
Поэтому в начале цикла инвестиции остаются сдержанными, а рост появляется позже.
Спрос и продажи
Основной эффект снижения ставки проявляется через спрос. По мере удешевления кредитов растет число одобренных займов, затем увеличиваются покупки.
Сначала это видно в сегментах, завязанных на кредит: недвижимость, автомобили, техника. Затем эффект распространяется шире.
Но этот канал работает только при росте доходов и уверенности потребителей. Если эти факторы не меняются, снижение ставки почти не влияет на продажи .
Валюта и издержки
Снижение ставки может ослаблять рубль. Это повышает стоимость импорта и увеличивает себестоимость для компаний, зависящих от закупок за рубежом.
При этом экспортеры получают обратный эффект — рост рублевой выручки.
В результате влияние ставки распределяется неравномерно: часть бизнеса выигрывает, часть — компенсирует эффект ростом затрат.
Конкуренция
По мере смягчения условий увеличивается число проектов и усиливается конкуренция.
Эксперты отмечают, что в условиях слабого спроса это приводит к давлению на маржу. Компании получают доступ к финансированию, но не всегда — к росту выручки.
Важное ограничение
Снижение ставки — это реакция на замедление экономики, а не признак ее роста.
Регулятор снижает ставку, когда спрос уже ослабевает. Поэтому сама по себе ставка не запускает рост бизнеса, а только создает для него условия.
Практика показывает, что компании в этот период решают две задачи: снижают долговую нагрузку и возвращаются к проектам с понятной экономикой. Масштабирование без подтвержденного спроса чаще приводит к перегрузке по обязательствам.
Итог
Снижение ключевой ставки в 2026 году уже началось, но быстрых изменений ждать не стоит. В ближайший год ставка останется около 14%, а условия в экономике — сдержанными.
Эффект для бизнеса проявляется поэтапно: сначала снижается нагрузка по обязательствам, затем возвращаются инвестиции, и только после этого может расти спрос.
Поэтому ориентироваться нужно не на саму ставку, а на рынок. Если спрос не восстанавливается, снижение ставки не дает роста.
