Продукт CheMondis — международный химический B2B-маркетплейс, который помогает поставщикам расширять каналы продаж, а покупателям — находить надежных партнеров. Платформа объединяет более 10 000 компаний и обрабатывает 30 000 сделок в год, что делает её одной из крупнейших в химической индустрии.

Моя роль Я проводил исследования пользователей: организовывал и проводил интервью, анализировал поведение через логи, формировал гипотезы и проектировал решение. На основе полученных данных вместе с командой я спроектировал новую аналитику, ориентированную на потребности поставщиков, а также собирал данные для оценки её эффективности.

Исследование текущей аналитики Чтобы лучше понять, как работает текущая аналитика, я начал с её анализа. Она работала через iFrame из MetaBase и предоставляла пользователям доступ к различным показателям, таким как количество показов продуктов поставщика в поисковой выдаче, число взаимодействий покупателей с продуктами поставщика и т. д.

Мы с аналитиком изучили 12-месячные логи использования аналитики, анализируя количество заходов, глубину взаимодействий, время сессии и активность по разделам. Это позволило выявить ключевые паттерны: 68% пользователей копируют данные и сразу закрывают страницу: это могло означать, что либо аналитика не давала им полезных инсайтов, либо они предпочитали анализировать данные в сторонних инструментах (Excel, BI-системах и т. д.); 81% пользователей использую функционал аналитики ограниченно активно работают только с двумя разделами, отображающими количественные показатели просмотров продуктов.

Первые гипотезы Анализ логов дал нам первые предположения о возможных проблемах, из-за которых пользователи не использовали аналитику эффективно: Пользователи предпочитают анализировать данные в других инструментах, так как платформа не позволяет гибко работать с информацией; Из-за отсутствия фильтрации, поиска и сортировки данные в текущем виде неудобны для работы; В интерфейсе чата должна отображаться контактная информация и данные о компании; Пользователям не хватает более детализированной информации (например, данных по странам или индустриям, которые просматривают их товары).

Проверка гипотез: интервью с пользователями Мы провели 10 интервью с поставщиками, которые использовали аналитику. Респондентов отбирали из разных сегментов (по размеру компании, типу бизнеса), чтобы собрать более объективные данные. Вот ключевые выводы: 70% респондентов подтвердили, что выгружают данные в Excel, так как текущий интерфейс не позволяет их фильтровать и анализировать; 100% респондентов отметили, что им важно видеть детальную информацию о компаниях, которые просматривали их товары, а не только общие показатели просмотров; 80% респондентов воспринимают раздел аналитики как дополнительный инструмент для привлечения новых покупателей, однако текущая аналитика не позволяет этого делать.

Выводы и решение После анализа логов и интервью я сделали несколько ключевых выводов и на их основе сформировал список ключевых изменений, которые должны сделать аналитику удобнее и полезнее для поставщиков: Гипотеза 1 подтверждена: аналитика воспринимается как "экспорт данных", а не как рабочий инструмент; Гипотеза 2 подтверждена: нехватка фильтров и кастомизации делает аналитику неудобной для работы; Гипотеза 3 требует уточнения: помимо количественных показателей, пользователями важна информация о компаниях, просматривающих их продукты, чтобы они могли связаться с заинтересованными покупателями.

Выбор варианта реализации Учитывая, что на платформе уже использовалась аналитика от MetaBase, мы рассматривали два варианта реализации: Кастомизировать текущее решение, основываясь на данных, полученных от пользователей; Отказаться от Metabase и разработать собственную аналитику с нуля.

Попытка касмотизации Metabase Поскольку MetaBase уже использовался, первым шагом было понять, можно ли адаптировать его под наши задачи или же потребуется полное перепроектирование. Полученные выводы от пользователей определили две ключевые доработки, которые могли бы улучшить аналитику: Добавить фильтры и улучшить систему представления данных; Показать информацию о компаниях, просматривающих продукты поставщика.

Я быстро накидал необходимые изменения в черновой дизайн и снова встретился с разработчиками, чтобы понять, можно ли их реализовать. Оказалось, что у MetaBase есть критические ограничения: Ограниченные возможности кастомизации: нельзя гибко настраивать вывод информации, типы графиков и фильтры; Проблемы с API: токен действовал только 20 минут, после чего страницу приходилось перезагружать вручную; Зависимость от стороннего решения: любые изменения в MetaBase создавали риски для стабильной работы аналитики; Проблемы с интеграцией: использование iFrame замедляло загрузку страницы и ухудшало UX.

Разработка аналитики с нуля C командой мы начали работу с воркшопа, где определили ключевые показатели и сценарии использования аналитики. Для первой итерации решили сосредоточиться на двух разделах, которые оказались наиболее ценными для пользователей: Покупатели, просмотревшие товары поставщика: инструмент для отслеживания спроса и интереса со стороны конкретных покупателей; Покупатели, в результатах поиска которых показывались товары поставщика: инструмент, позволяющий анализировать позиции в выдаче и улучшать видимость продуктов.

Далее я сравнил аналитические разделы в других B2B-маркетплейсах, включая Brenntag, Knowde, Pinpools и Büfa, чтобы понять, какие функции они предлагают и какие из них мы можем адаптировать или улучшить.

После анализа я решил учесть в своём решении следующее: Показывать детализированные отчёты с информацией о компаниях, а также ключевые данные о них (страна, индустрия, тип компании); Добавить систему фильтров, чтобы пользователи могли анализировать данные по регионам, компаниям, индустриям и продуктам;

Первый дизайн и тестирование с пользователями Дизайн предполагал значительные изменения, поэтому я начал разрабатывать первый прототип нового аналитического раздела. Из тестирования я хотел узнать следующее: Будет ли удобнее работать с аналитикой, когда все данные сгруппированы по компаниям; Насколько полезны новые фильтры и детализация информации о компаниях и продуктах; Насколько удобен новый интерфейс и воспринимается ли он интуитивно.

Я провёл 7 тестов. Вот ключевые результаты тестирования: Все 7 пользователей отметили, что новая фильтрация данных значительно удобнее, чем в старой версии аналитики; Все 7 пользователей положительно оценили группировку данных по компаниям, но также отметили, что должна быть возможность фильтрации не только по компаниям, но и по стране и продукту; 6 пользователей высоко оценили новые фильтры, но предложили добавить фильтрацию по индустрии и статусу.

Переход к финальном дизайну Практически весь фидбэк от пользователей был положительным, поэтому я решил учесть недостатки первой версии дизайна и сразу перейти к финальной версии без повторного тестирования.

Чтобы рассказать пользователям об обновлении, я добавил новый паттерн, показывающий информацию о новых функциях на платформе. Это позволяло пользователям сразу замечать обновления и быстрее осваивать новые возможности.

Когда дизайн был готов, я также подготовил компоненты и документацию для разработчиков.