Ниша: IT

Системы визуализации данных: Yandex Datalens

Источники данных: Сloud Payments

Стек технологий: Python 3, ClickHouse

Точка А:

Продажи подписок на сайте работают и обрабатываются на стороне CMS-системы.

Решения без автоматизации:

Можно ежедневно в ручном режиме выгружать в Excel, на основании сложных формул считать необходимые показатели.

При большом потоке платежей Excel ломается. Сложно анализировать исторические данные

Предложенное решение:

Развернуть аналитическую базу данных, в которую в автоматическом режиме по API собирать данные по платежам из платежной системы.

На уровне БД рассчитывать нужные показатели. Итоговые значения выводить в удобном виде в Yandex Datalens.

Проблема:

Отсутствует аналитика продаж, не рассчитывается LTV, возвращаемость клиентов

В результате работы было сделано:

1

На основании данной информации можно делать выводы об эффективности работы маркетинга и удержании клиента. Проводить оценку LTV (Срок жизни клиента) клиента.

Слева выводится количество регистраций (без оплат) пользователей на определенную неделю. Далее считается конверсия из регистраций в первую оплату подписки. А затем конверсия из первой оплаты в последующие

2

Рассчитан когортный анализ по оплатам, в котором отражается количество оплативших пользователей, и выручка по ним

3

На дашборде рассчитывается MRR (Monthly Recurring Revenue) - регулярный месячный доход от продаж подписок.

В итоге был получен удобный и универсальный инструмент, который работает автоматически и обновляет данные ежедневно. С его помощью менеджмент компании может быстро и наглядно оценивать финансовое положение компании, принимать решения на основе данных