Як використовувати аналітику для оптимізації процесів в ecommerce проєкті — кейс «Touch.com.ua»

Аналітика для бізнесів ecommerce критично важлива — завдяки їй компанії визначають найпопулярніші товари, відстежують шляхи клієнтів до покупки й виявляють, на яких етапах і внаслідок чого покупці втрачають інтерес.

Це дає змогу покращувати асортимент, персоналізувати пропозиції, а також ефективніше управляти запасами й маркетинговими кампаніями.

Хто наш партнер

Touch.com.ua — український інтернет-магазин, що пропонує товари для дому, електроніку, гаджети й аксесуари. Компанія забезпечує клієнтів якісною продукцією за доступними цінами й широким вибором товарів для різних потреб. Завдяки швидкому обслуговуванню, зручній доставці Touch.com.ua динамічно зростає і входить до перспективних гравців українського ecommerce.

Цілі співпраці

Партнер звернувся до Netpeak Ukraine із запитом дослідити, від яких товарів покупці найчастіше відмовляються й чому. Для Touch.com.ua це важливо, адже компанія прагне покращити клієнтський досвід. Детальна статистика дає змогу оптимізувати асортимент, виявляти проблеми з доставленням чи якістю товарів і робити покупки зручнішими.

Аналіз причин відмов допомагає компанії швидко реагувати на зміни ринку, коригувати стратегії продажів і знижувати кількість скасованих замовлень. Це позитивно впливає на прибуток і підвищує рівень задоволеності клієнтів.

Стратегія проєкту

Для Touch.com.ua ми розробили стратегію з поетапним впровадженням ключових рішень для кращого розуміння потреб партнера й ефективної інтеграції аналітики. Першим кроком команда створила схему аналітичного рішення, це допомогло визначити основні етапи роботи:

Дії команди

Розпочали ми із серії консультацій, щоби детально зрозуміти специфічні вимоги Touch.com.ua щодо аналітики скасованих замовлень. Після визначення ключових бізнес-процесів наша команда зосередилася на досягненні конкретних результатів.

Першим викликом стала робота з SFTP-сервером, зокрема збір великих обсягів даних. Ми налаштували інтеграцію для автоматичного завантаження списків товарів, номенклатури й супутньої інформації. Це стало основою для подальшої аналітики й агрегації даних і дало змогу підтримувати актуальний асортимент.

Особливості роботи з даними з SFTP-сервера

Щоби побудувати наскрізну аналітику, необхідно забезпечити передачу даних з ERP-системи (система планування ресурсів підприємства). Один зі способів це реалізувати — передавати дані з ERP на SFTP-сервер, звідки вони вже завантажуються до Google BigQuery. Цей підхід універсальний і працює з будь-якою ERP, що особливо корисно для індивідуальних рішень без стандартних інтерфейсів інтеграції.

Проте є певні виклики, головний із них — швидке отримання даних із SFTP без перевантаження ERP. Ми вирішили це розпаралелюванням потоків, завдяки чому оптимізували імпорт, збалансували навантаження і суттєво прискорили передачу даних.

Функція отримує параметри через події Pub/Sub — це спеціальний механізм, що дає змогу автоматично запускати функцію за розкладом або через певну подію. Це зручно для регулярного імпорту даних без ручного втручання.

Google також рекомендує перехід на інший спосіб запуску — HTTP-тригери. Вони працюють аналогічно, але мають кілька переваг. Це дешевше, оскільки хмарні ресурси використовуються ефективніше. Також HTTP-тригери легше інтегрувати з іншими сервісами, і система стає гнучкіше.

Якщо Pub/Sub можна порівняти із розсилкою сповіщень у месенджері, то HTTP-тригери — наче сайт, який ви відкриваєте за потребою. Він не займає ресурси, поки його не запустять, що економить гроші й дає більше можливостей для управління процесами.

Збільшивши кількість потоків до 10 і реалізувавши паралельну обробку файлів, ми суттєво підвищили продуктивність функції. Тепер вона працює швидше й обробляє водночас кілька файлів, що забезпечує ефективну роботу з великими обсягами даних.

Функція сама визначає, як обробляти файл, орієнтуючись на його назву. Щоби додати новий тип файлів, достатньо оновити налаштування — змінювати код не потрібно.

Перед завантаженням у BigQuery дані проходять кілька етапів підготовки:

• форматуються числові значення;
• додаються стандартні значення для відсутніх полів;
• дані приводяться до потрібного формату, зокрема, конвертуються дати.

Це гарантує, що навіть файли з незначними неточностями будуть завантажені у BigQuery коректно.

Функція дає змогу обирати період обробки даних — за конкретною датою, діапазоном або виключно за попередній день. Це зручно для відновлення пропущених даних і регулярного оновлення.

Особливості роботи з даними з CRM-системи

Робота з CRM-системами має свої особливості, зокрема вибір бібліотеки для інтеграції. Вона повинна підтримувати зчитування, передачу й обробку даних, але не всі бібліотеки мають необхідний функціонал.

Зазвичай дані в популярних CRM передаються через API, що зручніше за отримання із сервера. API допомагає швидко перезаписувати дані в разі помилок чи змін. Водночас можливості залежать від функціоналу API, тому важливо ретельно вивчати документацію і адаптувати інтеграцію за потреби.

Цей конектор використовує асинхронну обробку, що прискорює запити до CRM і завантаження в BigQuery. Завдяки цьому всі процеси працюють паралельно, значно скорочуючи час обробки великих обсягів даних.

Ми зіткнулися з тим, що великі обсяги даних повільно збиралися. Щоб оптимізувати процес, реалізували асинхронність для запуску паралельних потоків. Це значно прискорило інтеграцію і запобігло перевантаженню системи.

Для відповідності стандартам конфіденційності конектор виключає певні поля перед завантаженням у BigQuery. Наприклад, поля ADDITIONAL_INFO і COMMENTS не передаються, що відповідає вимогам GDPR.

Агрегація даних в Google BigQuery

Ключова мета першого етапу робіт — аналіз часу виконання операцій. Ми розрахували середню кількість днів між різними стадіями процесу доставки, що допомагає оцінювати ефективність і швидкість виконання.

Другий блок зосереджений на визначенні статусів продуктів і угод. Логіка запитів автоматично класифікує дані за статусами типу «Успішний», «Недоступний» чи «В роботі». Це спрощує управління даними на всіх етапах обробки.

Головним викликом стало впровадження логіки обробки статусів із кількома рівнями складних перевірок для визначення кінцевого результату запису. Мета — чітка класифікація даних за бізнес-правилами й точний облік статусів на кожному етапі.

Як це працює

Спершу система визначає, чи входить статус у заданий діапазон. Наприклад, він може належати до групи проміжних етапів, котрі потребують уточнення. Коли статус відповідає початковим умовам і є першим у групі, система перевіряє наявність завершальних етапів для об’єкта.

Також враховуються кількісні показники, що визначають готовність об’єкта до подальшої роботи.

Ця логіка забезпечує точність і контроль: кожен запис отримує статус за чіткими правилами. Система розпізнає нетипові ситуації, залишаючи можливість для подальшого аналізу. Завдяки цьому бізнес може легко відстежити, на якому етапі перебуває об’єкт і чи потребує він додаткової уваги.

Такий підхід допомагає класифікувати дані з урахуванням усіх можливих сценаріїв, спрощує управління й аналіз. Чітка структура записів допомагає зручно контролювати статуси на кожному етапі процесу.

Результати співпраці

Аналітична робота будується на перевірці наших гіпотез за такими критеріями:

1. Точність даних — щоб аналітика відображала реальну картину.
2. Можливість регулярного оновлення — для забезпечення актуальності даних.

Завдяки налаштуванню кастомної аналітики ми:

Цей звіт — потужний інструмент для швидкого аналізу ключових показників, відстеження змін у динаміці продажів і оперативного прийняття рішень на основі найсвіжіших даних із щоденними оновленнями.

Врахувавши всі критерії, ми створили не лише ефективне, а й оптимізоване і високотехнологічне рішення, що дає змогу вирішувати завдання на якісно новому рівні.

Цей кейс підтверджує, що інвестиції в аналітику — це не просто про цифри, а про глибше розуміння бізнесу, підвищення конкурентоспроможності й сталий розвиток у динамічному середовищі ecommerce.

Відгуки про співпрацю

Touch.com.ua, СЕО

Демчук Володимир, Data Analyst в Netpeak Ukraine