Маркетинговая «сквозная» аналитика для e-commerce: как связали кампании, продажи и retention в одном Power BI

Маркетинговая «сквозная» аналитика для e-commerce: как связали кампании, продажи и retention в одном Power BI дашборде (на примере Lamoda)

Контекст
В 2026 большинство e-com-команд живёт в логике: меньше эффекта от первой покупки, заметное давление на средний чек (в среднем минус 5–8% из‑за экономии пользователей) и рост роли удержания и LTV. Параллельно attribution становится «шумнее»: privacy-first (серверная атрибуция, MMM и incrementality) постепенно вытесняет last-click. В Lamoda маркетинг и аналитики регулярно сталкивались с типичной проблемой: отчетов много, но решения принимаются «по кускам» — отдельно по трафику, отдельно по заказам, отдельно по повторным покупкам. В итоге сложно ответить на главный вопрос RevOps-эпохи: какие связки маркетинг→продажи→успех клиента реально улучшают выручку.

Задача
Собрать единый контур измерения, который:
— объединяет расходы на каналы и фактические продажи по когортам;
— показывает инкрементальность (хотя бы приближённо) вместо ощущения «отрабатывает/не отрабатывает»;
— даёт аналитику retention (повторные заказы, доля выручки от когорты) и влияние на LTV;
— позволяет находить «перекос»: когда дешёвый CAC достигается ценой снижения повторных покупок.

Решение (дизайн Power BI)
Мы построили витрину в модели Star Schema: факты заказов, факты маркетинговых затрат, справочники пользователей/каналов/кампаний и отдельную таблицу когорт по первому заказу. Дальше — визуальный каркас в Power BI:

1) Дашборд «Выручка и CAC по каналам» с контролем качества данных
— метрики: выручка, маржа (если доступна), CAC, ROAS;
— слайсер по периоду, устройству/региону и типу привлечения;
— предупреждение о разрывах: показываем долю заказов без корректной связки «клик/просмотр→кампания» (в реальности такие разрывы часто достигают 10–20% и ломают интерпретацию).

2) Когортный модуль retention/LTV
— когорта = месяц первого заказа;
— линия: повторные заказы через 1/2/3/6 месяцев;
— таблица: «выручка 2‑й покупки» и «доля выручки от когорты на горизонте N».
Ключевая логика: канал может быть эффективным по первой покупке, но уводить качество аудитории. Это видно не по ROAS, а по форме retention-кривой.

3) Блок «Инкрементальность (приближённая)»
Мы не пытались выдать точную MMM-оценку на уровне каждого канала в одном отчёте. Вместо этого добавили слой:
— сравнение контрольных/гео-сегментов (где они были доступны);
— оценка lift в процентах к базовой линии;
— разрез по когортам (инкремент может проявляться позже первой покупки).
Визуально это оформлено как распределение lift и статус доверия к оценке (низкое/среднее/высокое) — чтобы команда не принимала решения «на глаз».

4) “Drill-through” до кампаний и диагностика “почему”
По каждому каналу есть переход в детализацию: что именно случилось — рост бюджета, смена ассортимента, просадка конверсии, эффект от промо. Для этого в модели хранятся признаки: тип оффера, сезонность, креатив-версия (даже если креативы генерируются автоматически — важна связь с периодом и предложением).

Результат (что поменялось в управлении)
После внедрения команда получила практический эффект:
— сократилось время на сбор согласованной версии цифр между маркетингом и аналитиками: вместо ручных выгрузок стали опираться на единый слой;
— стало легче выявлять «каналы-паразиты» — когда первые продажи растут, но retention падает; такие кейсы в тестовом периоде давали отклонения по 3‑месячному повтору на величину порядка нескольких процентных пунктов (и это уже достаточно, чтобы пересобрать медиаплан);
— управленческие решения по бюджету начали приниматься с учётом горизонта LTV: часть ставок перенесли не только по ROAS, но и по форме когортных кривых, что улучшило долю выручки от повторных покупок для целевых сегментов.
…