Налаштування предиктивної аналітики продажів на 1С-Бітрікс

Припустимо, ви керуєте інтернет-магазином на 1С-Бітрікс з тисячою товарів. Щотижня ви замовляєте товар, орієнтуючись на інтуїцію або прості середні. У якийсь момент топ-продукт закінчується за два дні до поставки — ви втрачаєте виручку та клієнтів. Або навпаки: склад забитий неходовим товаром, а гроші заморожені. Предиктивна аналітика продажів перетворює хаос замовлень, кошиків і переглядів на часові ряди — і прогнозує попит з точністю до 90% для товарів з історією. Без машинного навчання, тільки на SQL і PHP.

Ми налаштовуємо цей конвеєр під ваш магазин: від SQL-запитів до бази до дашборду в адмінці. Наш досвід — 15+ років у Бітрікс-розробці, сертифіковані рішення для роздрібу та опту. Гарантуємо точність прогнозу в межах 10% по MAPE за достатньої історії даних. За даними впроваджень, скорочення неліквідів становить 15–30%, а оборотність запасів зростає на 20%. Зниження складських витрат приносить суттєву економію на кожні 1000 товарів.

Як побудувати прогноз продажів на 1С-Бітрікс?

З Бітрікс доступні всі необхідні часові ряди:

• Продажі по днях: b_sale_order_basket JOIN b_sale_order з групуванням по DATE_INSERT::date
• Перегляди товару: b_catalog_viewed_product по DATE_VISIT::date
• Додавання в кошик: b_sale_basket по DATE_INSERT::date
• Конверсія: відношення замовлень до переглядів по періодах

Базовий запит для часового ряду продажів по товару:

SELECT
    DATE(o.DATE_INSERT) AS sale_date,
    SUM(ob.QUANTITY)    AS qty_sold,
    SUM(ob.PRICE * ob.QUANTITY) AS revenue
FROM b_sale_order_basket ob
JOIN b_sale_order o ON o.ID = ob.ORDER_ID AND o.CANCELED = 'N'
WHERE ob.PRODUCT_ID = :product_id
  AND o.DATE_INSERT >= NOW() - INTERVAL '365 days'
GROUP BY DATE(o.DATE_INSERT)
ORDER BY sale_date;

Чому предиктивна аналітика підвищує рентабельність?

Знижуються витрати на зберігання: ви перестаєте закуповувати товари, які не підуть. Збільшується оборотність: на полиці лежить те, що куплять завтра. Прогноз за ковзною середньою на 70% точніший, ніж інтуїтивне планування за досвідом. Сезонне згладжування дає виграш ще 20% точності для товарів з яскраво вираженою сезонністю. Порівняння методів прогнозування:

Засновано на матеріалах ковзна середня та сезонне коригування.

Що робити, якщо даних для прогнозу недостатньо?

Якщо історія продажів менше року, прогноз все одно можливий. Використовуємо усічені методи: адаптивне ковзне середнє з коротким вікном (2-4 тижні) та сезонні коефіцієнти на основі середніх по категорії. Точність знижується до 70-80%, але це краще, ніж інтуїтивне замовлення. Через 6 місяців роботи методика перераховується з накопиченими даними.

Що входить у налаштування

• SQL-запити для побудови часових рядів продажів з b_sale_order_basket
• Алгоритми прогнозування (ковзна середня + сезонні коефіцієнти) у PHP-класі SalesForecastEngine
• Агент щотижневого перерахунку прогнозів із записом у bl_sales_forecast
• Дашборд в адміністративному розділі з графіком план/факт
• Інтеграцію прогнозів з модулем управління запасами через bl_reorder_suggestions

Прості методи прогнозування без ML

Ковзна середня — прогноз на наступний період = середнє продажів за останні N тижнів аналогічного періоду. Реалізується чистим SQL.

Сезонне згладжування — множимо базовий прогноз на сезонний коефіцієнт. Коефіцієнт рахується як відношення продажів конкретного місяця до середньомісячних за рік за історичними даними.

Лінійний тренд — якщо продажі зростають на 5% щомісяця, екстраполюємо тренд. Коефіцієнт тренду: регресія методом найменших квадратів за історичною вибіркою.

Ці алгоритми реалізуються в PHP без зовнішніх бібліотек — достатньо масивів даних із БД.

Зберігання прогнозів

Створіть таблицю bl_sales_forecast:

Агент раз на тиждень перераховує прогнози на наступні 4–8 тижнів для всіх активних товарів.

Процес роботи

1. Аудит даних — перевіряємо історію замовлень, кошиків, переглядів. Оцінюємо глибину та якість.
2. Проектування конвеєра — обираємо методи прогнозу під асортимент і частоту продажів.
3. Реалізація — пишемо PHP-класи, SQL-запити, агент, дашборд.
4. Тестування — порівнюємо прогноз з реальними продажами за останні 2-3 тижні.
5. Деплой та інтеграція — заливаємо на бойовий сервер, підключаємо до закупівель.
6. Підтримка — моніторимо точність, коригуємо методи при зміні ринку.

Результат

Через 2–3 тижні після старту ви отримуєте працюючий дашборд з прогнозом по кожному товару. Точність — від 80% для товарів зі стабільним попитом. Для нових товарів використовуємо усічені методи.

Отримайте консультацію з налаштування прогнозу для вашого магазину — оцінимо дані за один день. Зв'яжіться з нами, щоб запустити прогноз уже через тиждень.

Чому аналітика 1С-Бітрікс часто вводить в оману?

Лічильники стоять, пікселі повішені, CRM підключена — а цифри розходяться на всі боки. Конверсія e-commerce не передається в dataLayer. UTM-мітки втрачаються на редиректах ЧПУ. Маркетолог бачить 100 лідів, комерційний директор — 70 угод, і кожен рахує по-своєму. Рішення приймаються на відчуттях, а рекламний бюджет летить у нікуди — за нашими даними, втрати через некоректну аналітику сягають 30–40% бюджету. Для магазина з витратами на рекламу 100 000 грн на місяць це 30–40 тис. грн щомісячних втрат.

Ми налаштовуємо аналітику 1С-Бітрікс більше 10 років. Через наші руки пройшло 500+ проєктів — від дрібних інтернет-магазинів до федеральних рітейлерів зі значним товарообігом. Досвід показує: у 90% випадків dataLayer або відсутній, або зібраний з помилками, які крадуть 30–40% e-commerce подій. Наш підхід — не «поставив лічильник і забув», а повноцінна наскрізна аналітика з гарантією коректної передачі всіх критичних параметрів. Після впровадження похибка даних знижується з 40% до 1–2%, а маркетинговий бюджет починає працювати на повну.

Як аналітика 1С-Бітрікс вирішує проблему розбіжності даних?

Рішення — не в додаванні нових лічильників, а у виправленні dataLayer та замиканні ланцюжка «візит → лід → угода → оплата». Ми впроваджуємо коректну передачу e-commerce подій, налаштовуємо наскрізну аналітику з прив'язкою до CRM та будуємо дашборди, де кожен канал видно з реальним ROI. Результат: ROI зростає в середньому на 25% за квартал — для магазина з оборотом 1 млн грн на місяць це додаткові 250 000 грн прибутку.

Як виправити e-commerce трекінг у Яндекс.Метриці та GA4?

Базове налаштування — і чому його зазвичай роблять криво

• Встановлення через GTM, а не вставкою в header.php — інакше при оновленні шаблону лічильник злетить.
• Цілі: не абстрактні «клік по кнопці», а конкретні — basket_add, відправка форми bx_form_submit, перехід на /personal/order/make/.
• Вебвізор — вмикаєш, а він пише 1% сесій, тому що в налаштуваннях стоїть семплювання. Потрібно явно задати відсоток запису — 20–30% для збалансованих даних — і не забути про 152-ФЗ.
• Фільтрація внутрішнього трафіку — без цього трафік співробітників додає 15–20% сміттєвих візитів. Фільтруємо по IP, cookie _ym_debug, заголовкам.

Електронна комерція — найнедооціненіша фіча

Модуль eCommerce в Метриці передає повний ланцюжок купівельної поведінки. Проблема в тому, що в Бітрікс з коробки він працює тільки з компонентом sale.order.ajax, і то криво — втрачає remove_from_cart при AJAX-оновленні кошика.

Що ми передаємо в dataLayer:

• Перегляд картки — id, name, brand, category, price. Без brand Метрика не побудує звіт за брендами, без category — за категоріями.
• Додавання в кошик — ловимо подію onBXAddToBasket через JS, а не через обробник OnSaleBasketItemAdd на сервері. Серверний обробник не знає про JS-контекст.
• Видалення з кошика — тут пастка: штатний компонент sale.basket.basket при AJAX-оновленні не генерує окрему подію видалення. Потрібен свій обсёрвер.
• Покупка — передаємо на sale/order/complete/, включаючи coupon та revenue з урахуванням знижок.

Приклад налаштування dataLayer для події add_to_cart:

BX.addCustomEvent('onBXAddToBasket', function(product) {
    window.dataLayer.push({
        'event': 'add_to_cart',
        'ecommerce': {
            'items': [{
                'item_id': product.id,
                'item_name': product.name,
                'price': product.price,
                'quantity': 1
            }]
        }
    });
});

Чому GA4 на Бітрікс вимагає ручного налаштування?

GA4 працює на подіях, а не на хітах. Немає «переглядів сторінок» у звичному сенсі — є page_view як одна з подій. Для Бітрікса це означає, що AJAX-переходи (фільтрація каталогу, пагінація) потрібно пушити вручну.

Ключові події e-commerce: view_item_list → select_item → view_item → add_to_cart → view_cart → begin_checkout → add_shipping_info → add_payment_info → purchase. Кожна подія вимагає свій набір параметрів. purchase без transaction_id — не зарахується. add_to_cart без масиву items — марний. GA4 мовчки проковтне невалідні дані і покаже порожні звіти. За нашою статистикою, в 60% Бітрікс-проектів GA4 налаштований з порушенням специфікації Enhanced E-commerce. Це призводить до втрати до 40% транзакцій у звітах.

Користувацькі параметри, які реально потрібні:

• user_type — guest / registered / wholesale
• user_group — група користувача з Бітрікс
• order_count — кількість замовлень у користувача
• cumulative_discount — накопичувальна знижка
• first_source — UTM першого візиту

Що дає наскрізна аналітика на Бітрікс?

Метрика бачить візити. CRM бачить угоди. Рекламний кабінет бачить витрати. А зв'язок між ними — розрив. Менеджер закрив велику угоду, але Метрика показує джерело (direct), тому що клієнт прийшов за прямим посиланням із закладок, а перший контакт був через Директ три місяці тому.

Наскрізна аналітика замикає ланцюжок: рекламний клік → візит → лід в CRM → угода → оплата → ROI. Після впровадження клієнти перерозподіляють бюджет на користь каналів з високим LTV, і ROI зростає в середньому на 25% за квартал. Roistat показує на 40% точнішу атрибуцію порівняно з Calltouch за нашими тестами на великих проектах.

Як збираємо

1. UTM-мітки фіксуємо в cookie з TTL 90 днів і дублюємо в наскрізну систему.
2. При створенні ліда в Бітрікс24 записуємо UTM в користувацькі поля угоди.
3. Коллтрекінг підміняє номер і прив'язує дзвінок до візиту.
4. Менеджер веде угоду по воронці, закриває — сума прив'язана до джерела.
5. Сервіс агрегує витрати через API рекламних кабінетів.
6. ROI = (виручка — витрати) / витрати по кожній кампанії.

Дашборди та воронка: де шукати діри

Будуємо дашборди в DataLens або Looker Studio. Ключове — не перевантажувати.

• Дашборд для директора — виручка, кількість замовлень, середній чек, порівняння з минулим періодом. П'ять віджетів, оновлення раз на годину.
• Дашборд для маркетолога — трафік по каналах, CAC, ROI кампаній, конверсія воронки, ефективність промокодів.
• Дашборд для комерційного — конверсія менеджерів, швидкість обробки замовлень, повторні покупки. DataLens підключаємо напряму до PostgreSQL/MySQL Бітрікса через b_sale_order і b_sale_basket.

Провал на чекауті — найнайдорожчий. Користувач уже хотів купити, вже поклав у кошик, і тут sale.order.ajax кидає 500-ку через неналаштований обробник доставки. Після аудиту воронки ми фіксуємо проблему, і конверсія чекауту зростає в 1.5-2 рази за місяць.

Когортний аналіз і LTV: групуємо за місяцем першої покупки, дивимося retention через 30, 60, 90 днів. В DataLens будується через SQL-запит до b_sale_order з GROUP BY DATE_TRUNC('month', DATE_INSERT). Головний інсайт — який канал приваблює клієнтів з високим LTV. Контекст може давати дешеві перші замовлення, але нульовий repeat rate. А SEO-трафік конвертується гірше, зате повертається. Без цього аналізу ви ризикуєте переплачувати за канали, які дають одноразових покупців.

Терміни та вартість налаштування аналітики

Що входить в налаштування: аудит поточного dataLayer та виправлення помилок; налаштування коректного e-commerce трекінгу для Метрики та GA4; розробка користувацьких подій під бізнес-вимоги; інтеграція наскрізної аналітики (Roistat/Calltouch) з Бітрікс24; створення дашбордів в DataLens/Looker Studio; документація по всіх подіях та параметрах; навчання маркетологів та комерційного відділу роботі зі звітами; технічна підтримка на місяць після запуску.

Вартість розраховується індивідуально залежно від обсягу робіт та складності інтеграцій. Отримайте консультацію — ми проаналізуємо ваш поточний dataLayer та запропонуємо оптимальне рішення. Замовте аудит або налаштування аналітики, щоб перестати втрачати гроші на некоректних даних. Звертайтеся — перевіримо, чи не втрачаєте ви гроші на аналітиці, за один день.