Разбор кейса: сырые данные, коммуникация и вайбкодинг — как я собрал дашборд 📈 Контекст Недавно наша команда получила доступ к общебанковской CRM. В ней хранятся данные по всем кампаниям продаж — настоящий кладезь информации. Как только коллеги из бизнес‑подразделения узнали об этом, они пришли к нам с запросом: «Сделайте дашборд по кампаниям другого департамента. Хотим понять, влияют ли их лиды на продажи нашего продукта». На всякий случай напишу: Лид (конкретно в моей сфере ) — это клиент, который соответствует критериям потенциально склонного к покупке продукта. Информация о таких клиентах передается сейлзам, которые предлагают потенциальным клиентам продукты. Кампания продаж — логика отбора лидов + процесс постановки задач по этой логике сейлзам. Задача звучала просто: собрать статистику за последний год и оценить эффект. Но на практике всё оказалось куда интереснее. Первые шаги ▶️ Начал выгружать данные — и сразу две проблемы: 1. Кампании без названий (одни описания). 2. Дубликаты лидов (на одного клиента — несколько лидов за короткое время). Дубликаты схлопнул скриптом. С кампаниями без названий помог аналитик из того департамента: объяснил, что это тестовые/нетиповые кампании, и я объединил их. Инструменты и решение ⚙️ Когда данные были приведены в порядок, встал вопрос визуализации. Я насмотрелся красивых примеров Plotly Dash и решил попробовать, чтобы заодно попрактиковаться в Plotly. Но синтаксис Dash оказался очень неприятным. Тогда я решил прибегнуть к вайбкодингу, но не напрямую: - В ipynb построил графики и таблицы. - Скопировал код в нейросеть с описанием нужной структуры - Получил код, запустил — что-то съехало. Уточнил промт, через пару итераций заработало. - Каждый раз сверял расчёты, чтобы нейросеть не исказила логику. В итоге нейросеть написала 80% кода, а я сэкономил несколько дней. Что получилось на дашборде 👀 На дашборде несколько блоков — каждый закрывает свой вопрос: 1. Таблица с детализацией по кампаниям (лиды, сделки, отказы, доход) + фильтры — фото 1. 2. Динамика доходов: наши клиенты vs клиенты с лидами — фото 2. 3. Работа с лидами: выставлено vs отработано по месяцам — фото 3. 4. Сделки и отказы по месяцам — фото 4. 5. Документация с формулами — чтобы дашборд не был чёрным ящиком. Польза для бизнеса 🏆 Благодаря дашборду коллеги из бизнес‑команды сделали несколько важных выводов: - Доля «лидовых» доходов росла в течение 2025 года. Значит, есть потенциал для совместной работы департаментов. - Нашлись кампании-чемпионы, регулярно приводившие клиентов к покупке нашего продукта. Логику этих кампаний будут анализировать, чтобы запустить похожие. - Процент отработанных лидов и скорость отработки оказались на высоком уровне, значит сейлзы не забывают про лиды. Но главное — дашборд стал рабочим инструментом. Коллега из бизнеса теперь заходит в него перед встречами с тем самым департаментом и использует наши расчёты, чтобы аргументированно обсуждать эффективность совместной работы. Рефлексия: что пошло не так и чему я научился 🤔 На самом деле не всё прошло гладко с первого раза. Когда я показал первую версию дашборда коллеге из бизнеса, его ожидания не совпали с реальностью. Оказалось, что заказчику важно видеть немного другие разрезы, другие сравнения. Пришлось переделывать. Из этого я вынес два урока: 1. ТЗ нужно уточнять до мелочей. Не просто «сделай дашборд по кампаниям», а «какие метрики, в каких разрезах, с какой периодичностью ты будешь смотреть». Лучше потратить час на уточнение в начале, чем неделю на переделку в конце. 2. Двигаться итеративно. Вместо того чтобы две недели чистить данные и строить всё сразу, стоило показать сырые данные, потом простые графики, согласовать метрики, и только потом дотачивать визуал. Тогда не пришлось бы переделывать. А вы сталкивались с ситуацией, когда ожидания заказчика и реальность расходились? Делитесь опытом в комментариях 💬 Ставьте 🤩 если понравилась рубрика с разбором кейсов с моей работы ❤️ если интересны посты про то, как