Как настроить сквозную аналитику для интернет-магазина: UTM, CRM и дашборды в DataLens

Зачем интернет-магазину нужна сквозная аналитика в 2026 году?

Почему стандартных отчетов Яндекс Метрики недостаточно для e-commerce?

Как невыкупы, возвраты и логистика искажают реальный ROMI?

Какие ключевые бизнес-метрики должна собирать единая система?

• ROMI (Return on Marketing Investment): отношение чистой маржинальной прибыли от рекламы к рекламным затратам.
• ДРР (Доля рекламных расходов): процентное отношение затрат на маркетинг к фактически полученной кассовой выручке.
• Real CPO (Cost Per Order): стоимость привлечения фактически выкупленного и оплаченного заказа.
• CAC (Customer Acquisition Cost): совокупная стоимость привлечения нового платящего клиента с учетом всех накладных расходов.
• AOV (Average Order Value): средний чек выкупленных транзакций за вычетом возвратов.
• Когортный LTV (Lifetime Value): совокупная валовая прибыль, принесенная клиентом за весь жизненный цикл взаимодействия с магазином.
• Процент выкупа (Buyout Rate): отношение числа полностью оплаченных заказов к общему числу созданных отправлений в разрезе каждого канала трафика.

Какая архитектура данных необходима для надежной аналитики?

Какие уровни сбора данных включает современный стек e-commerce?

Как правильно передавать ClientID, UserID и TransactionID?

// Пример извлечения ClientID из Яндекс Метрики и записи в скрытое поле чекаута
ym(XXXXXX, 'getClientID', function(clientID) {
    var clientField = document.getElementById('order_client_id');
    if (clientField) {
        clientField.value = clientID;
    }
    // Дублирование в LocalStorage для защиты от потери при перезагрузке
    localStorage.setItem('ym_client_id', clientID);
});

1. ClientID (_ym_uid): уникальный номер анонимного браузера, генерируемый Яндекс Метрикой. При загрузке страницы чекаута скрипт считывает этот ID и помещает в скрытый input формы. При отправке заказа ClientID записывается в пользовательское поле сделки в CRM.
2. UserID: постоянный идентификатор зарегистрированного клиента. Присваивается при авторизации на сайте (по номеру телефона или ID в базе) и передается в Метрику через метод ym(XXXXXX, 'setUserID', 'USER_12345'). Это позволяет склеивать сессии одного человека с разных устройств (ноутбук, рабочий ПК, смартфон).
3. TransactionID: уникальный номер фискальной транзакции. Генерируется CMS при оформлении заказа (например, ORD-2026-9841) и сквозным образом передается в платежный шлюз, кассовый аппарат, CRM и Метрику в параметрах электронной коммерции.

В чем специфика связки с 54-ФЗ и фискальными онлайн-кассами?

Как стандартизировать UTM-разметку для исключения хаоса в источниках?

Какой регламент UTM-меток защищает от дублей и потери трафика?

• Строгий Lowercase: все параметры и значения пишутся исключительно строчными латинскими буквами. Использование заглавных букв запрещено.
• Разделители: для разделения смысловых блоков внутри параметров используется исключительно нижнее подчеркивание _ или дефис -. Использование пробелов, точек и спецсимволов категорически запрещено.
• Унификация utm_source: строго фиксированные системные имена: yandex_direct, vk_ads, telegram_ads, tg_seeding, avito_ads, email, sms, organic.
• Типизация utm_medium: обозначение платной модели закупки трафика: cpc (оплата за клик), cpm (оплата за показы), cpa (оплата за действие), retargeting (кампании возврата), social_post (посевы в каналах).
• Исключение дублирующих слэшей: ссылка должна вести на канонический URL с закрывающим слэшем перед знаком вопроса (например, `).

Как динамические параметры Директа и VK Рекламы передаются в CRM?

Как отслеживать органические переходы, маркетплейсы и мессенджеры?

Как настроить передачу данных из CRM и CMS в базу данных?

Как настроить вебхуки и API-интеграцию с 1C, RetailCRM или МойСклад?

# Пример структуры обработчика вебхука на Python (FastAPI)
from fastapi import FastAPI, Request
import clickhouse_connect

app = FastAPI()
client = clickhouse_connect.get_client(host='ch-server.yandexcloud.net', port=8443, username='writer', password='***', secure=True)

@app.post("/webhook/order-update")
async def process_order(request: Request):
    payload = await request.json()
    order = payload.get('order', {})
    
    # Подготовка строки для вставки в ClickHouse
    row = [
        order.get('id'),
        order.get('created_at'),
        order.get('status'),
        float(order.get('total_sum', 0)),
        float(order.get('paid_sum', 0)),
        order.get('custom_fields', {}).get('client_id', ''),
        order.get('custom_fields', {}).get('utm_source', ''),
        order.get('custom_fields', {}).get('utm_campaign', '')
    ]
    
    client.insert('orders_stream', [row], column_names=['order_id', 'created_at', 'status', 'total_sum', 'paid_sum', 'client_id', 'utm_source', 'utm_campaign'])
    return {"status": "success"}

1. Создание микросервиса-приемника: развертывание легковесного сервера (Python/FastAPI или Node.js) в облаке с защищенным HTTPS-эндпоинтом.
2. Конфигурация вебхука в CRM: добавление триггера на события order.create и order.status_change в RetailCRM или МойСклад с указанием адреса микросервиса.
3. Обогащение данными: скрипт-приемник обращается к справочнику номенклатуры, сопоставляет переданные артикулы с их себестоимостью и рассчитывает чистую маржинальность по каждой позиции.
4. Вставка в буфер ClickHouse: запись очищенных данных в стриминговую таблицу orders_stream с движком ReplacingMergeTree для автоматической актуализации статусов по первичному ключу order_id.

Как сопоставить статус заказа с реальным фактом поступления денег?

Как отслеживать когортный LTV и повторные продажи покупателей?

Как развернуть хранилище данных и подключить Yandex DataLens?

ClickHouse или PostgreSQL: какую базу данных выбрать под задачи магазина?

Как настроить подключение источников и создать датасеты в DataLens?

SELECT 
    c.date AS event_date,
    c.utm_source AS utm_source,
    c.utm_campaign_id AS utm_campaign_id,
    c.utm_campaign AS campaign_name,
    c.ad_id AS ad_id,
    c.costs AS ad_cost,
    c.clicks AS clicks_count,
    o.order_id AS order_id,
    o.status AS order_status,
    o.total_sum AS gross_revenue,
    o.paid_sum AS paid_revenue,
    o.cost_price AS cost_price,
    o.delivery_cost AS delivery_cost
FROM ecommerce_dwh.ad_costs c
LEFT JOIN ecommerce_dwh.orders o 
    ON c.utm_campaign_id = o.utm_campaign_id 
    AND c.ad_id = o.ad_id 
    AND c.date = toDate(o.created_at)

Какие формулы и вычисляемые поля необходимы для когортного анализа?

• Фактический ROMI (%): (SUM([paid_revenue]) - SUM([ad_cost])) / SUM([ad_cost]) * 100
• Операционный ДРР (%): SUM([ad_cost]) / SUM([paid_revenue]) * 100
• Реальный CPO выкупленного заказа: SUM([ad_cost]) / COUNT_DISTINCT(IF([order_status] = 'PAID', [order_id], NULL))
• Процент выкупа заказов (%): COUNT_DISTINCT(IF([order_status] = 'PAID', [order_id], NULL)) / COUNT_DISTINCT([order_id]) * 100
• Чистая маржинальная прибыль магазина: SUM([paid_revenue]) - SUM([cost_price]) - SUM([delivery_cost]) - SUM([ad_cost])

Какие дашборды в DataLens необходимы для собственника и маркетолога?

Дашборд 1: Сводная финансовая юнит-экономика и операционный ДРР

• Верхний блок индикаторов (KPI Widgets): фактический расход на маркетинг, кассовая выручка (оплаты по 54-ФЗ), чистая валовая маржа, совокупный ДРР магазина, процент выкупа и количество новых покупателей.
• Линейный график план-факт: посуточная динамика выручки в сравнении с установленным финансовым планом месяца с линией накопительного итога.
• Круговая диаграмма структуры выручки: доли каналов привлечения (контекст, таргет, органика, прямые заходы, CRM-база) в фактически поступивших денежных средствах.
• Индикатор кассового разрыва: объем денежных средств, находящихся в заказах со статусом «В пути» (замороженный оборотный капитал).

Дашборд 2: Эффективность рекламных каналов до чистой прибыли

• Сводная таблица каналов трафика: строки — источники (utm_source) и кампании (utm_campaign), столбцы — показы, клики, CPC, расход, создано корзин, выкуплено заказов, процент выкупа, реальный CPO выкупа, кассовая выручка, ДРР (%), маржинальная прибыль, ROMI (%).
• Тепловая карта объявлений: визуальное ранжирование креативов по показателю реального ROMI (зеленый — высокорентабельные, красный — генерирующие убыточные невыкупы).
• Воронка конверсии: процент перехода пользователей между этапами Клик -> Корзина -> Оформление -> Подтверждение -> Фискальная оплата.

Дашборд 3: Товарная аналитика, маржинальность и ABC/XYZ-анализ

• Матрица «Трафик — Маржа»: выявление товаров-локомотивов, которые привлекают новых клиентов с высоким чеком, и товаров-«паразитов», на которые сливается бюджет при низкой маржинальности и частых возвратах.
• ABC/XYZ-анализ ассортимента: автоматическая классификация SKU по доле в валовой прибыли (группы A, B, C) и стабильности потребительского спроса (группы X, Y, Z).
• Срез по брендам и категориям: сравнительный анализ окупаемости продвижения различных товарных линеек для перераспределения бюджетов в пользу высокомаржинальных категорий.

Топ-5 сервисов сквозной аналитики: сравнительный рейтинг

Каковы плюсы и минусы коробочных решений против кастомного стека на DataLens?

• Преимущества: наличие готовых интеграций с популярными CMS и CRM в формате плагинов, быстрый запуск базовых отчетов за несколько дней, встроенные виджеты обратного звонка и генераторы лид-форм.
• Недостатки: высокая ежемесячная подписка, растущая пропорционально трафику (от 30 000 до 120 000+ руб/мес), закрытая структура базы данных, невозможность написания произвольных SQL-запросов к транзакциям, риск блокировки доступа при задержке оплаты.

• Преимущества: полностью бесплатная лицензия BI-системы DataLens, стопроцентное владение сырыми данными, хранящимися в защищенном контуре Yandex Cloud, неограниченная глубина кастомизации любых когорт и дашбордов под специфику ритейла, прямая интеграция с кассами 54-ФЗ.
• Недостатки: необходимость профессиональной первичной сборки конвейера данных силами опытных инженеров.

Как оценить совокупную стоимость владения аналитической системой?

• Абонентская плата по тарифу (100 тыс. визитов + интеграция CRM): 45 000 руб/мес × 12 мес = 540 000 рублей.
• Настройка и интеграция штатными специалистами или интегратором: 60 000 рублей.
• Итоговые затраты за первый год: 600 000 рублей.
• Затраты за второй год: 540 000 рублей.

• Разовая разработка архитектуры, скриптов, вебхуков и сборка дашбордов: 180 000 рублей (единоразово).
• Хостинг базы данных Managed ClickHouse в Yandex Cloud: ~3000 руб/мес × 12 мес = 36 000 рублей.
• Лицензия Yandex DataLens: 0 рублей (бесплатно без ограничений).
• Итоговые затраты за первый год: 216 000 рублей.
• Затраты за второй год: 36 000 рублей (только облачный сервер).

Какие типичные ошибки ломают сквозную аналитику интернет-магазина?

Ошибка 1: Потеря меток при редиректах и мобильном чекауте

• Настройка конфигурации Nginx с обязательным сохранением строки аргументов: `return 301
• Добавление платежных шлюзов в список исключений рефереров в Яндекс Метрике.
• Сохранение ClientID и UTM-меток в LocalStorage браузера при первом визите с последующим чтением на финальной странице оплаты.

Ошибка 2: Игнорирование ассоциированных конверсий и моделей атрибуции

Ошибка 3: Нарушение требований закона о персональных данных 152-ФЗ

Как агентство «Гибкий маркетинг» внедряет сквозную аналитику?

Этапы аудита, сборки пайплайнов и настройки дашбордов под ключ

Экспертный контроль от Александра Антощенко и Ильи Калмыкова

• Александр Антощенко — старший маркетолог по стратегии и аналитике. Отвечает за разработку сквозной архитектуры данных, юнит-экономику, проектирование BI-дашбордов и финансовую окупаемость проектов.
• Илья Калмыков — старший маркетолог по трафику и реализации. Курирует настройку платного трафика, связку автостратегий с офлайн-конверсиями и техническую оптимизацию связок в 9 источниках рекламы.

10 лет опыта | 700+ проектов

Александр Антощенко

Маркетолог-аналитикГибкий Маркетинг/ Вконтакте, Яндекс, Авито

Маркетолог и эксперт по рекламе. Специалист с уникальным сочетанием технической экспертизы, творческих навыков и масштабным опытом. Закрываю полный цикл digital-продвижения: от контента до аналитики и масштабирования. Официальный партнёр и амбассадор ВКонтакте.

Реализовал 485+ млн руб. бюджета

Заработал клиентам 1.3+ млрд руб

Официальный амбассадор ВК

700+ проектов, 3+ млн лидов

ВКонтактеTelegramТелефон

Expert Verified · E-E-A-T

Часто задаваемые вопросы о сквозной аналитике e-commerce

Заключение