Аналитика продаж на Wildberries с помощью BI инструментов
Как посчитать сколько денег я зарабатываю с одного товара на wildberries.ru?
Я думаю, с таким вопросом сталкивался каждый поставщик Маркетплейса. Существующие данные, которыми делиться Wildberries, довольно объемные и полезные, но не дают ответа на вопрос о чистой прибыли с единицы товара.
В данной публикации хочу поделиться своим опытом реализации расчёта unit-экономики товара для своего мини магазина на Wildberries с помощью бесплатных BI инструментов Tableau public и Yandex Datalens.
На данный момент существует очень много сервисов аналитики, как платных так и бесплатных, в которых для получения информаций о продажах достаточно зарегистрироваться и указать свой API-ключ из личного кабинета WB. Где его найти API ключ и подробная информация по выгружаемым данным тут:
Примеры таких сервисов:
- Mp.stats;
- Marketguru;
- Mayak.bz и др (даже Тинькофф Бизнес создал свою платформу).
Каждый сервис имеет свои плюсы и минусы.
Во всех сервисах для подсчета товарной аналитики необходимо внести предварительно рассчитанную себестоимость товара (стоимость закупки + стоимость упаковки + стоимость логистики до маркетплейса + различные накладные расходы).
Сервисы не позволяют точно посчитать стоимость хранения, затраты на рекламу. Эту информацию приходится отдельно выгружать из личного кабинета и только потом считать чистую прибыль.
Для кастомных отчётов о продажах, где много составляющих себестоимости товара, подойдёт вариант с выгрузкой данных по API и составлением отчёта с помощью BI-инструментов (например: Yandex Datalens, Tableau)
Для выгрузки данных, нужно подключиться к API Wildberries.
Я испробовал 3 варианта выгрузки:
- Google Sheets;
- Microsoft Excel;
- скрипт на Python.
Из-за простоты и удобства использования выбор пал на Google sheets, архитектура такого решения очень простая:
Так выглядит выгрузка данных в Google sheets и визуализация Yandex DataLens. Да, конечно наиболее стабильными вариантами выглядят выгрузка данных напрямую в BI инструменты (Tableau, Power BI) или развертывание базы данных (в облаке или локально) с дальнейшим подключением BI инструмента. В данной статье делюсь более простым способом, который можно реализовать без знания кода.
Отдельно в Goggle Sheets добавляются данные по себестоимости товара, рекламе, хранению (на основе фактических данных). Обновление этих данных производится 1 раз в неделю.
С помощью встроенных коннекторов BI инструментов производится подключение к Google Sheets.
Далее происходит расчёт нужных показателей, построение графиков и итогового Дашборда.
Реализованный Дашборд в Yandex DataLens:
Старый дашборд в Tableau public:
Преимущества такого способа:
- Возможность индивидуального расчёта показателей;
- Расчёт чистой прибыли с учётом всех факторов;
- Выдача доступа для ограниченного числа пользователей.
Недостатки:
- ручное обновление части данных;
- для полной автоматизации нужно писать код.
Также в дальнейшем планирую сделать подобные дашборды в Google DataStudio, PowerBI и развернуть облачную базу данных для полной автоматизации аналитики продаж на маркетплейсах.
Расскажите, какой сервис аналитики продаж на маркетплейсах лучший на ваш взгляд? Используете ли BI инструменты для аналитики или используете excel таблицы?
Также оставлю ссылки на полезные статьи, чтобы смогли сами попробовать реализовать такие Дашборды:
- информация по API Wildberries.ru;
- выгрузка данных с API в Google Sheets;
- пример построения дашборда в Yandex DataLens.
А есть готовое чтобы вставить только свои данные
Нет, для этого нужно немного кодить, здесь просто кастомное решение для быстрой и визуально понятной аналитики)
Огонь, спасибо за статью! Как раз нахожусь в процессе изучения всех этих BI инструментов и попытках прикрутить отчеты ВБ)
Если не сложно, можете в двух словах описать, как реализовать схему с использованием python-скрипта? В частности интересует:
1) какую логику должен реализовывать скрипт?
2) от куда его запускать - из облака или локально?
Python скрипт в моем случае использовал для выгрузки и первичной обработки данных.
1,2) Скрипт выгружает и сохраняет данные:
- локально на диске в виде csv/xlsx и к ним подключаешь BI, можно этот скрипт поставить в расписание (чтобы он сам отрабатывал, например раз в час/день) либо в ручную запускать, но лучше автоматизировать;
- локально этот скрипт добавить в поддерживаемые BI (например: в Power BI);
- локально запускать и заливать данные в базу данных;
- на мой взгляд лучшее решение все сделать и запускать в облаке (выставить в расписание), заливать данные в базу данных с бэкапами, но такое решение уже не бесплатное (все сервисы предоставляющие облака, позволяют развернуть такую схему)