О компании
Федеральный институт повышения квалификации «ГлавПро» работает на рынке 12 лет и специализируется на быстром и доступном обучении сотрудников, а также на помощи компаниям в подготовке к проверкам надзорных органов.
Основная цель института – помогать сотрудникам и организациям через обучение, избавляя клиентов от штрафов и эмоциональных затрат при проверках. Сервис «ГлавПро» не только обучает сотрудников, но и поддерживает компании в работе со сложными правилами (например, требованиями по охране труда или пожарной безопасности), обеспечивая грамотную подготовку к проверкам надзорных органов.
Обучение и сопровождение проходят в онлайн‑формате на собственной платформе института, которой активно пользуются клиенты. При этом команда «ГлавПро» заметила, что не до конца видит картину поведения пользователей: кто регулярно возвращается к сервису, а кто перестаёт им пользоваться. Чтобы разобраться в этих вопросах, руководство платформы обратилось в агентство AMDG с запросом проанализировать пользовательское поведение, выявить активных пользователей и тех, кто прекратил использование сервиса.
Перед нами стояли следующие задачи
Выстроить систему аналитики пользовательской активности на платформе.
Отследить, какие функции платформы вызывают большую активность, и сравнить динамику использования у разных групп пользователей.
Сегментировать клиентскую базу по принципам:
стадия пути пользователя: новички, активные обучающиеся, завершившие обучение;
частота использования: ежедневные, еженедельные, редкие, ушедшие;
тип потребности: срочная подготовка к проверке, системное обучение, индивидуальное обучение;
профиль деятельности (отрасль).
Основная целевая аудитория: B2B
Портрет потребителя: российские компании, которые проходят проверки надзорных органов (например, МЧС) и обязаны направлять сотрудников на обучение по охране труда, гражданской обороне, пожарной и экологической безопасности.
Определение проблемы и стратегия для решения
В ходе анализа показателей мы выяснили, что данные о пользовательской активности и коммерческих результатах разрознены: метрики поведения пользователей собираются в Яндекс.Метрике, а данные о договорах и продажах хранятся в CRM.
Из‑за этого невозможно сопоставить активность пользователей с продажами – например, понять, какие действия на платформе чаще приводят к заключению договора или как поведение разных сегментов влияет на выручку. Поэтому в рамках решения проблемы нам нужно было объединить таблицы из обеих систем, чтобы связать показатели активности с результатами продаж.
Инструменты
Яндекс.Метрика. Сбор сырых событий (визиты, просмотры курсов).
CRM клиента. Данные о договорах, оплатах, ИНН, ОКВЭД.
PostgreSQL. Объединение данных через LEFT JOIN (ключи: visitid, clientid, inn, agreement_number), очистка дубликатов и приведение типов.
Power BI. Визуализация и автоматические меры (DAU/WAU/MAU, когорты).
Реализация проекта
Шаг 1. Объединили данные из Метрики и CRM через SQL
На входе было два источника данных: Яндекс.Метрика и CRM клиента. Чтобы связать поведение и результаты продаж, в PostgreSQL построили витрину из 4 таблиц, соединив их через LEFT JOIN по visitid, clientid, inn, agreement_number.
Шаг 2. Привели данные к единому виду
Убрали дубликаты, привели типы данных и названия столбцов к единому формату, подготовили структурированные таблицы для выгрузки в Power BI без дополнительных преобразований. Для анализа использовали поля: date_visit, clientid, inn, login, region, segment_name, company_size, first_date_visit, okved_name.
Шаг 3. Рассчитали MAU, WAU, DAU в Power BI через параметр Period
Создали параметр Period – фильтр, который позволяет переключать детализацию отчёта между днём, неделей и месяцем без дублирования мер. Все меры рассчитаны по clientid с фильтрацией по календарю. Выяснили, что аудитория демонстрирует выраженную сезонность, а пики активности совпадают с периодами аттестаций.
Шаг 4. Провели когортный анализ по неделям
Построили тепловую карту удержания пользователей. Определили для каждого пользователя дату первого визита, задали неделю старта когорты и индекс недели относительно старта. Рассчитали количество пользователей в каждой когорте, число вернувшихся в последующие недели и процент удержания. Результат позволил выявить ключевые периоды оттока и точки возврата аудитории.
Шаг 5. Выделили сегменты пользователей
Построили линейные графики, чтобы сравнить динамику активных, новых и вернувшихся пользователей. Для расчёта использовали поле date_visit и идентификатор clientid. Это позволило оценить приток и удержание аудитории в динамике.
Шаг 6. Сравнили динамику функций
Провели когортный анализ по функциям сервиса: определили для каждой функции начало и номер недели, рассчитали возврат пользователей. Построили тепловую карту, которая показывает, как пользователи возвращаются к функциям со временем. Это помогло оценить, какие функции удерживают пользователей дольше, а какие – теряют аудиторию.
Результаты
Рост удержания пользователей – после внедрения рекомендаций на основе когортного анализа доля возвращающихся пользователей выросла с 38 до 47% за два квартала.
Снижение оттока в сегменте B2B – компании, проходящие обучение по охране труда и смежным направлениям, стали дольше оставаться активными: месячный churn снизился с 11 до 7,5%.
Рост повторных визитов – за счёт персонализированных сценариев возврата частота повторных визитов выросла на 18%, а средний интервал между сессиями сократился примерно на четверть.
Сокращение времени на подготовку отчётов – с 20 часов в месяц до ~3 часов благодаря автоматизации в Power BI (экономия ~85%, около 200 часов в год на команду).
Увеличение конверсии из бесплатного в платное – выявили ключевую точку принятия решения и усилили её триггерным предложением: конверсия free→paid выросла с 4,2 до 6,1%.
Рост выручки за счёт возврата ушедших пользователей – повторные касания с неактивным сегментом принесли дополнительно ~1,2 млн ₽ в течение трёх месяцев после запуска дашборда (~+8% к выручке сегмента).