Бизнес все чаще опирается на аналитику, пытаясь принимать решения не на интуиции, а на точных данных. Особенно это актуально для конкурентных сфер, где своевременная и достоверная информация напрямую влияет на эффективность рекламных кампаний, удержание клиентов и рост прибыльности.
В кейсе расскажем, как Qatar Insurance Company совместно с Adventum смогли увеличить скорость принятия решений в компании на 20% через выстраивание инхауз BI-аналитики, автоматизацию сбора данных и исключение рутинных ошибок ручных отчетов.
О проекте
Заказчик проекта
Qatar Insurance Company (QIC) — один из лидеров страхового рынка Аравийского полуострова, работающий более 60 лет. Компания обслуживает тысячи клиентов в разных странах и активно инвестирует в цифровую трансформацию. В штате свыше 1000 сотрудников, из них более 200 специалистов — эксперты digital-направлений, включая аналитиков, разработчиков и маркетологов. За последние три года QIC значительно расширила портфель цифровых продуктов, сделав ставку на автоматизацию процессов и интеграцию BI-решений.
Проблема проекта
Qatar Insurance Company, активно развивая цифровые каналы и инвестируя в маркетинг, столкнулась с типичной, но критичной для крупного бизнеса ситуацией: данные, необходимые для принятия решений, были разбросаны между разными источниками и требовали ручной обработки. Маркетинговая аналитика занимала слишком много времени, а отсутствие единого централизованного хранилища приводило к несогласованности показателей и недостоверным отчетам. При работе в Google Таблицах ошибки ввода и человеческий фактор становились причиной искаженной картины эффективности рекламных кампаний. Каждый лишний день на подготовку отчетности означал упущенные возможности — как в корректировке стратегии продвижения, так и в оптимизации затрат. В условиях высокой конкуренции на страховом рынке и стремительных изменений в поведении клиентов, медленная и разрозненная аналитика превращалась в серьезное бизнес-ограничение, мешая компании максимально использовать потенциал digital-маркетинга.
Задачи проекта
Создание современной, устойчивой и полностью автоматизированной системы маркетинговой аналитики, которая обеспечит руководство и маркетинг-отдел точными и актуальными данными в режиме реального времени. Для этого предстояло объединить разрозненные источники информации в единую экосистему BI, автоматизировать процесс загрузки и обработки данных, исключить необходимость ручного формирования отчетов и минимизировать любые ошибки. Важным условием было внедрение визуальных дашбордов, позволяющих специалистам и топ-менеджменту моментально видеть ключевые показатели эффективности кампаний и оперативно вносить изменения в стратегию.
Решение
Для реализации поставленных задач было решено использовать методологию DataCraft, разработанную Adventum, и целиком опираться на open-source инструменты. Такой подход обеспечил не только гибкость и независимость от дорогостоящих лицензий, но и возможность максимально быстро интегрировать новые процессы в уже существующую IT-инфраструктуру компании.
Проектная команда объединила усилия разработчиков Adventum и внутренних специалистов QIC. Всего за один месяц была развернута многоуровневая архитектура данных, охватывающая весь путь информации — от сбора первичных показателей до их визуализации в удобных BI-инструментах.
Поэтапная реализация
Внедрение системы аналитики для Qatar Insurance Company происходило по методологии DataCraft и включало последовательную работу с каждым уровнем данных — от первичной интеграции до визуализации метрик.
Этап 1. Сбор и нормализация данных
В самом начале был выстроен процесс автоматического импорта информации из рекламных кабинетов, CRM и систем веб-аналитики.
Откуда собирали данные:
- Рекламные площадки (Google Ads, Twitter Ads, Рекламный кабинет известной американской соцсети, Tik-tok Marketing, Snapchat Marketing, Mailchimp)
- Приложения (Google Play, App Store)
- Сервисы по аналитике (Google Analytics, Google Search Console)
- Рекламные платформы
- Email-маркетинговые сервисы
Для интеграции использовались open-source коннекторы Airbyte, что дало проекту гибкость при подключении новых источников и масштабируемость без дополнительных затрат на лицензии. Все данные проходили нормализацию и загружались в централизованное хранилище Google BigQuery. Параллельно был настроен механизм инкрементальной догрузки, который обеспечивал постоянное обновление показателей из каждого источника практически в реальном времени.
Этап 2. Объединение потоков и построение архитектуры
После первичной загрузки данные объединялись по потокам (streams), а затем агрегировались в общие аналитические таблицы. На этом этапе применялось хеширование — генерация уникальных идентификаторов, необходимых для корректного сопоставления информации между разными системами. Оркестрация всех ETL-процессов была реализована в Apache Airflow, что позволило автоматизировать расписания загрузок, контролировать актуальность данных и оперативно реагировать на сбои.
Архитектура системы
Этап 3. Обработка и дедупликация
Для формирования аналитических витрин использовался инструмент DataForm (аналог dbt), в котором бизнес-логика описывалась в виде модульных SQL-моделей. Здесь агрегировались данные по продуктам и рекламным кампаниям, создавались модели атрибуции, а также выполнялась ключевая операция — графовая дедупликация. Этот процесс позволял объединять разрозненные идентификаторы (email, phone, client_id) в единый master ID и выстраивать полные поведенческие цепочки клиента на всех этапах воронки продаж.
Этап 4. Визуализация и доступ к данным
Завершающей стадией стало внедрение BI-инструментов Google Looker Studio и Tableau. На их основе были разработаны интерактивные дашборды, которые предоставляют прозрачный доступ к ключевым показателям и позволяют проводить как быструю сводную отчетность, так и глубокий аналитический разбор. Система поддерживает детальное разграничение прав доступа — от уровня отдельных проектов до конкретных графиков и метрик, что делает ее безопасной и удобной для команд разного уровня. Вся архитектура изначально спроектирована с учетом легкой масштабируемости и может работать как на локальных серверах, так и в международных облачных инфраструктурах.
Сложности реализации
До внедрения новой платформы в QIC существовала разрозненная архитектура данных: отделы использовали собственные, часто устаревшие решения, что приводило к несогласованности метрик и усложняло поддержку инфраструктуры. Разные методики расчета, высокая нагрузка на команду и высокий риск сбоев делали систему нестабильной и трудно масштабируемой. Централизация процессов на базе Airbyte позволила унифицировать подключение и обновление данных, снизив техническую сложность и повысив надежность аналитики.
Результаты
Внедрение новой аналитической платформы полностью автоматизировало сбор и обработку данных, заменив ручную работу в Google Таблицах. Задачи, которые ранее занимали часы перед каждой планеркой, теперь выполняются автоматически, что позволило экономить до 50 часов в неделю на подготовке отчетов и визуализаций.
Благодаря подключению всех ключевых сервисов команды QIC получили возможность строить визуализации заранее — еще до запуска промо-кампаний. Это дало маркетологам инструмент управления кампаниями «на лету»: видеть актуальные метрики, понимать, какие креативы и ключевые слова работают лучше, и оперативно корректировать медиапланы. Такой подход позволил снизить нецелевые расходы и повысить ROI рекламных активностей, а скорость принятия решений выросла примерно на 20%.
Эффект от перехода на масштабируемую сквозную аналитику оказался ощутимым и в финансовых показателях: в третьем квартале 2024 года QIC зафиксировала рост чистой прибыли на 16% по сравнению с предыдущими периодами, напрямую связанный с внедрением автоматизированной BI-системы.
Визуализация результата
Работа команд
Платформа стала единым рабочим инструментом для всех ключевых команд компании. Аналитики и интернет-маркетологи используют дашборды для оценки эффективности кампаний и быстрого сопоставления рекламных активностей с результатами. Контент- и project-менеджеры анализируют вклад каналов в достижение бизнес-целей, а руководители получают нужные данные напрямую, без ожидания ручных отчетов. Разработчики поддерживают техническую инфраструктуру, а топ- и продакт-менеджеры используют агрегированные отчеты для стратегических решений. Гибкая ролевая модель обеспечивает каждому удобный и своевременный доступ к релевантной информации.
Планы развития
Следующий этап развития проекта — масштабирование аналитической платформы за рамки маркетинга в продуктовую, CRM и операционную аналитику. Такой шаг позволит отслеживать полный цикл взаимодействия клиента с компанией, находить узкие места не только в воронках привлечения, но и в использовании продукта, анализировать повторные покупки и уровень лояльности.
В приоритете — внедрение моделей прогнозирования LTV и оттока, совершенствование сегментации пользователей и развитие предиктивной аналитики для персонализированных кампаний. Планируется автоматизация сценариев реагирования: система будет самостоятельно сигнализировать о рисках (например, падении конверсии) и предлагать варианты корректирующих действий.
Новый технологический стек создаст единый аналитический контур для всех подразделений — от маркетинга и продуктовых команд до HR и службы поддержки. В перспективе платформа станет сквозной экосистемой бизнес-аналитики, где любые решения принимаются на основе согласованных метрик и актуальных данных в реальном времени.
