Как «Лента» сократила отчётность по промо в 12 раз через BigQuery и dbt

Как «Лента» сократила отчётность по промо в 12 раз через BigQuery и dbt

Задача: у ритейлера «Лента» 12 форматов магазинов, 250+ гипермаркетов и супермаркетов, и маркетинговая команда тонула в ручной отчётности по промо-акциям. Каждое утро аналитик собирал данные из 1С, Excel-файлов регионов и CRM в один отчёт — процесс занимал 2,5 часа, данные расходились между регионами, а решения о корректировке акций принимались на вчерашних цифрах.

Решение: команда перенесла витрину промо-аналитики в BigQuery и переписала слой трансформаций на dbt. Источники — выгрузки из 1С, кассовые данные, CRM и медиаплан — легли в сырой слой (raw-слой, данные в исходном виде без преобразований). На нём dbt собрал модель из 14 витрин: продажи в разрезе SKU (товарных позиций), механик, регионов, глубины скидки и каннибализации между товарами внутри одной акции. Логика расчёта промо-ROI (окупаемости акции) описана в dbt как тестируемые SQL-модели, а не как формулы в ячейках Google Sheets. Расчёт выполняется по расписанию — результат в Looker (BI-платформа для визуализации данных) появляется до 8:00 утра.

Результат: время подготовки отчёта сократилось с 2,5 часов до 12 минут, точность данных по регионам выросла за счёт единой логики расчёта, команда перестала спорить «чей Excel правильнее». Как побочный эффект — категорийные менеджеры начали замечать каннибализацию между собственными промо и корректировать глубину скидки до старта акции, а не после провала продаж.

Урок для маркетолога: ручная отчётность по промо — скрытая налоговая ставка на маркетинг. Каждый час аналитика в Excel — это час, который не потрачен на поиск причин, почему акция не сработала. Если у вас больше одного формата магазинов или больше трёх источников данных по продажам — BigQuery + dbt окупается за один квартал. Начать стоит с одной витрины, самой болезненной, и собрать вокруг неё сообщество внутренних пользователей, прежде чем масштабировать.

— @BigQuery4MarketingPro