9.000.000 рублей прибыли в первый месяц: профессиональный подход к аналитике маркетплейсов

Всем привет!

Давно хотел поделиться эффективным инструментом по аналитике заказов на маркетплейсе Ozon, которая принесла нам более 9 млн рублей прибыли в первый месяц активного использования, более того мы смогли оптимизировать расходы и повысить рентабельность проекта.

Я работаю в торговой компании Трейдинг-БТ, мы продаем бытовую технику известных и малоизвестных брендов на рынке РФ: Beko, Hotpoint, Indesit, Simfer, Kiwi & Aprilla и другие, оборот за 2024 год составил около 3 млрд рублей.

За прошлый год мы перепробовали множество различных отчетов и подходов к анализу данных, которые должны были помочь увеличить выручку и прибыль компании. После 3-4 месяцев тестирования мы нашли золотую середину. Сначала отчеты были ручными, далее мы автоматизировали весь процесс от получения и обработки данных до готового отчета.

Будет рассмотрен отчет на примере маркетплейса Ozon, но тоже самое можно внедрить для всех маркетплейсов: Яндекс.Маркет, WB, Леруа Мерлен, Все Инструменты, Мвидео и так далее.

Перейдем сразу к делу.

Подход заключается в том, чтобы мониторить нетто маржинальность по каждому заказу с самыми актуальными на текущий момент данными. То есть строить UNIT-экономику каждого товара с максимальной частотой, таким образом получая некоторое табло с помощью которого мы понимаем абсолютно все про свои текущие и прошедшие заказы.

Как известно многим селлерам, Ozon имеет свои API-интерфейсы:

1. Seller API: https://docs.ozon.ru/api/seller/?__rr=1

2. Perfomace API: https://docs.ozon.ru/api/performance/

Используя их и свое DWH получаем следующее облачное архитектурное решение - некоторое небольшое хранилище данных (см. рисунок 1).

Архитектура решения подробно описана в статье от Yandex: https://yandex.cloud/ru/blog/posts/2023/03/yandex-query-and-yandex-datalens

Основная задача была - в условиях санкций и рисков от западных продуктов, найти решение, которое будет устойчиво в долгосрочной перспективе. Таким BI решением оказался Yandex DataLens, вокруг которого было построено все, что указано на диаграмме выше.

Основные ETL процессы мониторятся с помощью Airflow. DAG, который отвечает за отчет по позаказной маржинальности называется ozon_data_model_orders_expense (см. рисунок 2).

Его граф выглядит следующим образом (см. рисунок 3).

Здесь собрана вся необходимая информация из нашей базы и из API Ozon для построения отчета. Максимальная проверка и валидация данных для обеспечения качества. После его выполнения обновляется отчет в Yandex DataLens, который могут анализировать менеджеры и аналитики компании. Среднее время обновления составляет около 6 часов (процесс происходит ночью).

Логика отчета заключается в подтягивании всех расходов по тарифам Ozon на 1 единицу товара:

1. Себестоимость (берем из нашей базы 1С)

2. Последняя миля и логистика

3. Комиссия продаж по FBO и FBS

4. Расход на маркетинг (все типы рекламных кампаний)

5. Платное хранение

6. Обработка товаров, если заказ был сделан по модели FBS

7. Эквайринг

Кроме того, нужно обязательно иметь ввиду, при получении данных о заказах за прошедший день, что через время его статус может измениться. Например, с "собирается" на "доставлен" или с "собирается" на "отменен". Поэтому нужно использовать метод CDC (Change Data Capture) для текущих заказов в базе данных. Например, в нашем случае мы забираем заказы за 7 дней по обновленным статусам и меняем текущие статусы, далее 1 раз в месяц меняем статусы по заказам за прошлый месяц и так далее. Таким образом, погрешность в количестве и сумме заказов минимальна.

Эффективное использование этого отчета продолжает помогать увеличивать выручку и прибыль ежемесячно. Как вы можете заметить в этом отчете есть еще некоторые вкладки, которые помогают принимать эффективные бизнес-решения. О них я поговорю в следующей статье.

Безусловно, эта статья не представляет из себя учебное пособие. Мы показали как это реализовано у нас, если у вас есть какие-либо вопросы, вы всегда можете написать @zhdanovdmitriy - TG.