Full Funnel Analytics Ru

Full-Funnel Analytics (RU) — сквозная когортная аналитика на масштабе

Методология сквозной аналитики уровня B2B-сервисов «под ключ». Это не про метрики отдельного канала, а про зонтичный уровень над всеми каналами: как видеть реальную окупаемость, считать LTV и перераспределять бюджет туда, где бизнес зарабатывает больше.

Чем отличается от соседних скиллов. performance-analytics — метрики по каналам (email/social/paid/SEO) + tracking plan под веб-аналитику. capi-no-code-setup — техническая настройка server-side/CAPI/офлайн-конверсий (источник событий). Этот скилл — методология анализа на масштабе: когортная воронка, Predict LTV, дашборды, процесс еженедельного анализа, правила выбора атрибуции для управленческих решений. Конкретный дашборд одного продукта в веб-аналитике — уже реализация поверх этой методологии.

Перед началом прочитай ~/.claude/business-context.md — разделы «Воронка» (шаги от первого касания до оплаты), «Экономика» (средний чек, CPL, CAC, LTV, отток) и «Учёт и аналитика» (где источник правды по выручке и связаны ли между собой реклама, CRM и платежи). Файла нет — заведи из ~/.claude/templates/business-context.md.

Без него сквозной аналитики не выйдет по определению: весь смысл скилла — дотянуть цепочку от клика до денег, а её звенья перечислены именно там. Если в разделе «Учёт и аналитика» стоит «источник правды по выручке — не знаю», это и есть первая задача; строить когорты и Predict LTV поверх неизвестной выручки — считать красивые числа ни о чём.

Зачем full-funnel: только CPL недостаточно

Главный тезис: без полной воронки данных невозможно принимать корректные управленческие решения.

Если смотреть только на лиды / CPL / клики, можно принять решение, которое выглядит логичным, но на уровне бизнеса окажется убыточным. Логика большинства маркетологов: «льём бюджет туда, где лид дешевле». По CPL самая дешёвая кампания всегда выглядит лучшей.

Когда подтягиваются данные CRM (дозвонились ли, прошли ли квалификацию, длительность звонка) и backend (конверсия в оплату, сумма сделки, возвраты), картина меняется:

• дешёвые лиды почти не покупают;
• дорогие лиды дают кратно больше денег.

Полная воронка (управленческий минимум):

Расходы → Клики → Лиды → Квал-лиды → Платящие → Первая выручка → LTV → Маржинальность

Самое важное — когортная выручка. Некоторые каналы не окупаются в день 0, но прекрасно окупаются на горизонте 3-6 месяцев. Именно здесь принимается стратегическое решение: масштабировать или выключать. Сравнение каналов по «зеркальной» (мгновенной) выручке вводит в заблуждение — нужна выручка когорты во времени.

Это превращает маркетинг из «генерации лидов» в инструмент управления выручкой и маржинальностью.

12-шаговая когортная воронка

Воронка выкладывается горизонтально, со всеми шагами, чтобы видеть конверсии между этапами и где теряется эффективность:

1.  Расходы (AdSpend)
2.  Показы
3.  Клики
4.  Сессии
5.  Первый целевой шаг
6.  Создание аккаунта
7.  Начало оплаты
8.  Оплата
9.  Выполненный заказ
10. Первая выручка
11. Повторные заказы
12. Lifetime revenue → LTV

Что важно видеть на этой воронке:

• конверсии между этапами (где валится поток);
• где теряется эффективность (узкое место воронки);
• различия между каналами — один и тот же CPL может скрывать кратно разное качество.

Детальная разбивка по шагам, формулы конверсий и шаблон Google-таблицы — references/cohort-funnel.md.

4 уровня оптимизации

Если смотреть только агрегированно («Google окупается, Facebook почти окупается»), внутри канала может прятаться 50% бюджета, который сливается в ноль. Поэтому оптимизация идёт сверху вниз:

Канал → Кампания → Adset / группа → Ключ / креатив

На каждом уровне — те же когортные метрики. Найденная проблема (неэффективная кампания, мёртвый креатив) отключается точечно, а не «весь канал».

Когорты по неделям / месяцам

Когорта = клиенты, привлечённые в конкретную неделю или месяц. Смотрим, сколько денег они принесли со временем (день 0, +7, +30, +90, +180). Это база для оценки LTV, прогноза и понимания качества каналов. Без когортного анализа легко принять решение «на основе погоды на Марсе».

Workflow построения сквозной аналитики

Шаг 1. Прототип в Google Sheets — ВСЕГДА первый

Не начинай с покупки сервиса или BI. Сначала собери ручную Google-таблицу: выгрузки из рекламных кабинетов + CRM + backend, соединённые через VLOOKUP.

На этом этапе ты:

• определяешь метрики;
• понимаешь формулы;
• обсуждаешь логику с командой;
• согласуешь, что и как считается.

Этот прототип = техзадание для аналитиков, база для будущего BI и точка синхронизации маркетинга и бизнеса. Даже если конечная цель — DWH+BI, начинаешь с Google-таблицы.

Шаг 2. Выбор уровня системы аналитики (3 эволюционных уровня)

Шаг 3. Контроль качества данных

Без качественных данных вся аналитика (тем более AI) бесполезна. Нужны: корректная атрибуция, сходящиеся цифры, валидная воронка, контроль Unknown, правильные когорты.

• Unknown source: 1-10% — норма; 20-40% — проблема; выше — данным нельзя доверять.
• Частая критичная ошибка: из отчёта убирают клиентов с неизвестным источником. Так делать нельзя — это искажает картину. Растущий Unknown — сигнал поломки трекинга, его надо чинить, а не прятать.
• Атрибуция <95% → доп. проверки (см. атрибуцию ниже).

Шаг 4. Дашборд + процесс анализа

Когда воронка собрана и данные сходятся — настраиваешь one-screen дашборд и 9-шаговый процесс еженедельного анализа (см. ниже и references/dashboards.md).

One-screen дашборд + Predict LTV

Когда бюджеты растут, нужен короткий отчёт, который помещается в один экран — чтобы принимающий решение видел всё сразу:

AdSpend │ Новые платящие │ Zero Day Revenue │ ROAS │ LTV │ Refunds │ Predict LTV

Predict LTV — не ждать 6 месяцев

Нельзя ждать полгода, чтобы понять окупаемость когорты. Базовый подход:

Predict LTV = Zero Day Revenue × коэффициент

Где коэффициент берётся из исторических когорт и может отличаться:

• по каналам (трафик с разных источников по-разному дозревает);
• по тарифам / продуктам.

В 99% случаев простого множителя достаточно. Сложные ML-прогнозы нужны только при очень больших объёмах. Не усложняй раньше времени.

Полная механика дашборда, расчёт коэффициента и шаблоны — references/dashboards.md.

9-шаговый процесс еженедельного анализа

Аналитика нужна не ради отчётов, а ради перераспределения бюджета. Последовательность:

1. Overview            — общее состояние бизнеса
2. Динамика            — валовые метрики во времени
3. Когорты             — поведение клиентов по неделям/месяцам
4. Каналы              — разбивка по источникам
5. Кампании            — разбивка внутри каналов
6. Аномалии            — проверка выбросов и поломок
7. Гипотезы            — что и почему изменить
8. Изменения           — внести правки в бюджет/кампании
9. Эффект              — проверить результат на следующей неделе

Это превращает «отчёты ради отчётов» в рабочий цикл управления бюджетом.

Атрибуция — выбор модели под решение

Атрибуция — процесс определения источников, которые привели к конверсии. Выбор модели влияет на то, какие каналы выглядят эффективными, а значит — на распределение бюджета.

Ключевые правила:

• единый часовой пояс для всех источников (кабинеты, веб-аналитика, CRM) — иначе расхождения в отчётах;
• регулярная сверка: рекламные кабинеты ↔ CRM ↔ веб-аналитика;
• порог <95% атрибуции → доп. проверки;
• команда аналитики = маркетологи + аналитики + технические специалисты.

Полные правила выбора, 7-пунктовый чек-лист организации аналитики и связь с когортной воронкой — references/attribution.md.

Техническая реализация атрибуции (server-side, CAPI, офлайн-конверсии, External ID / Client ID / GCLID, хеширование, дедупликация) — отдельный скилл capi-no-code-setup (там же подробная references/attribution.md про идентификаторы и server-side). Этот скилл — про методологию и решения, не про настройку трекинга.

Vibe-marketing (Cursor) — аналитика как код

Идея для масштаба: AI поверх качественных данных может анализировать данные, отвечать на сложные вопросы, генерировать отчёты, запускать регулярные workflow и автоматически оптимизировать бюджеты. На инструментах вроде Cursor можно автоматизировать до ~80% рутинных задач команды аналитики. Но без качественных данных AI бесполезен — сначала корректная воронка и атрибуция, потом автоматизация. Подробнее про AI-стек маркетолога — см. ai-marketing-stack-ru (если установлен).

Когда применять

• Бюджет на трафик вырос, и решения по CPL/CPA начинают приводить к потере денег.
• Нужно решить, какой канал/кампанию масштабировать, а какой выключить.
• Каналы с длинной окупаемостью (3-6 мес) выглядят убыточными в мгновенных отчётах.
• Нужен один дашборд для собственника/CMO вместо десятка вкладок.
• Растёт Unknown-доля или цифры в кабинетах и CRM не сходятся.
• Для продукта с B2C+B2B на масштабе — ядро управления unit-экономикой.

Cross-links

• performance-analytics — метрики по каналам (email/social/paid/SEO), отчётные шаблоны (weekly/monthly/QBR), tracking plan под веб-аналитику. Этот скилл — слой когортного анализа поверх.
• capi-no-code-setup — техническая настройка server-side/CAPI, офлайн-конверсии, идентификаторы атрибуции, единый часовой пояс. Источник качественных событий для этой воронки.
• yandex-direct-pro-ru / google-ads-pro-ru — офлайн-конверсии в кабинеты и аукционная оптимизация кампаний (уровень «Кампания/Adset/Ключ» из 4 уровней).
• revops-ru — lead lifecycle, MQL/SQL, hand-off marketing→sales; квал-лид как этап воронки.

References

• references/cohort-funnel.md — 12-шаговая когортная воронка детально, 4 уровня оптимизации, когорты по неделям, шаблон Google-таблицы.
• references/dashboards.md — one-screen дашборд, формула Predict LTV и расчёт коэффициента, прототип в Google Sheets, 9-шаговый процесс анализа.
• references/attribution.md — модели атрибуции и правила выбора под цикл сделки, единый часовой пояс, пороги, 7-пунктовый чек-лист организации аналитики (cross-link на server-side детали в capi-no-code-setup).