Как мы внедрили Yandex DataLens в оптовой компании и прокачали аналитику продаж

Компания — дистрибьютор, 18 менеджеров в отделе продаж, работает с B2B-клиентами: стройкомпании, прорабы, снабженцы.
CRM уже стояла — amoCRM, но по факту была “коробкой с контактами”:

Отчёты собирались вручную в Excel. Менеджер по аналитике тратил 2–3 часа в день, чтобы свести данные.

Руководитель отдела продаж не понимал, кто реально приносит деньги, а кто просто гоняет лиды.

Сделки терялись — фокус был размыт, менеджеры не знали, за что хвататься в первую очередь.

Сложно было планировать: не видно было трендов и “узких горлышек” в воронке.

Мы перебрали Power BI, Google Looker Studio, Tableau, но остановились на Yandex DataLens. Почему:

• 0 ₽ за тариф — клиент был не готов платить 100–200 тыс. ₽ в год за BI, особенно на старте.
• Интеграция через API — всё можно вытянуть напрямую из amoCRM.
• Облачный хостинг — не нужно ставить серверы, обновлять вручную и платить за инфраструктуру.
• Возможность кастомных формул и фильтров — можно сделать расчёт “стоимости сделки в деньгах на 1 встречу” или “коэффициент промедления”.

1. Интеграция amoCRM → PostgreSQL

Мы создали промежуточное хранилище на PostgreSQL (на сервере клиента в Selectel), настроили парсинг через API и автоматическое обновление данных раз в 4 часа. Это закрыло ключевую задачу — регулярный и стабильный фид данных.

Время на реализацию: 3 дня.
Использовали готовые коннекторы, плюс немного кастомного Python-скрипта для ошибок авторизации и повторных запросов.

2. Очистка и нормализация данных

Вот что мы нашли в CRM:

• 18% сделок были без ответственного менеджера.
• 24% контактов дублировались (из-за ручного ввода и импорта Excel).
• Были сделки, висящие по 90+ дней на стадии “Первичный контакт”.

Решили всё это так:

Добавили бизнес-правило в amoCRM: нельзя сохранить сделку без ответственного.
Настроили раз в неделю автоматическую проверку на дубли (через Integromat).
Вывели отчёт по “просроченным” сделкам — теперь видно, где нужно “пропылесосить”.

3. Подключение и настройка DataLens

Подключили PostgreSQL к DataLens, настроили датасеты с фильтрами по периодам, менеджерам, категориям клиентов.

Фишка: сделали динамический параметр “эффективность менеджера за X дней” — можно анализировать как “вчера”, так и “последние 60 дней”.

4. Разработка дашбордов

Воронка продаж. Показывает узкие места — например, на этапе "Согласование КП" терялось до 33% сделок.

Рейтинг менеджеров. Считаем не только выручку, но и "цена сделки / количество касаний" — это позволяет видеть, кто работает эффективно, а кто сливает ресурсы.

Анализ скорости закрытия. Стало видно, что у менеджера Петра среднее время закрытия — 13 дней, у Ивана — 42 дня. Начали разбираться — оказалось, Иван работает с самыми сложными проектами (комплектация стройки от фундамента до отделки). Подкорректировали KPI.

Прогноз продаж. Строим линейную модель по трендам — видно, когда пойдёт просадка, и можно заранее её компенсировать.

Метрика Было Стало
Время на создание отчёта ~3 часа ► 2 минуты
Количество “висячих” сделок 280+ ► <50
Среднее время закрытия сделки 27 дней ► 19 дней
Выручка за 3 месяца +0% ► +17%
Уровень прозрачности процессов низкий ► высокий

Лайфхаки и инсайты по пути.

Обязательно добавьте “менеджера без сделок за 7 дней” — это помогает вовремя замечать пассивных сотрудников.

Разделяйте дашборды по ролям: руководителю нужны метрики по воронке и бюджету, менеджерам — просроченные задачи и фокусные сделки.

Делайте автоматические выгрузки в PDF — один из наших дашбордов теперь отправляется в Telegram-чат каждое утро.

Не пытайтесь автоматизировать сразу всё — начните с трёх ключевых отчётов. Лучше меньше, но качественнее.