Нейросеть для маркетинговой аналитики 2026: AI аналитика продаж и атрибуция

Автор: Silvana · Дата: 10.08.2026 · Verified: 01.09.2026 · Reading time: 25 минут · Prerequisite: —

Нейросеть для маркетинговой аналитики в 2026 — это способ поймать аномалию в рекламе через два часа вместо шестидесяти и получить AI аналитику продаж без ручной выгрузки CSV. Ниже — 12 инструментов, которые закрывают четыре задачи: автоматические инсайты, data-driven атрибуция, прогноз LTV и churn, разбор сырых данных через диалог с Claude, GPT и GigaChat.

Кратко

Маркетинговая аналитика 2026 идёт в четырёх направлениях, где работает AI: (1) автоматические инсайты (аномалии, тренды, всплески в данных), (2) data-driven атрибуция (ML-модели распределяют ценность конверсии между касаниями), (3) прогнозирование (предиктивные метрики LTV, churn, вероятность покупки), (4) LLM для анализа сырых данных (CSV, отчёты) через диалог.
Google Analytics 4 предлагает Analytics Insights как встроенную ML-функцию: автоматически детектит необычные изменения, поддерживает custom-инсайты с триггерами. Data-driven Attribution — модель по умолчанию для новых свойств.
Яндекс.Метрика — российский аналог, интеграция с Яндекс.Директ, Метрика Advisor даёт AI-подсказки, автоматические сегменты, отчёты.
Similarweb использует ML для competitive intelligence: анализ трафика конкурентов, market trends, ad spend intelligence.
HubSpot Agent Hub включает Data Agent — CRM-запросы через AI, HubSpot AEO для трекинга бренда в AI-ответах.
Roistat — российская end-to-end аналитическая платформа с call tracking, атрибуцией, интеграциями с российскими сервисами (Яндекс.Директ, Bitrix24, amoCRM).
LLM для аналитики: даёшь Claude, GPT, GigaChat CSV с рекламными данными — получаешь текстовый инсайт («вот 3 главных вывода», «что странно в данных»). Работает для быстрых проверок и объяснений менеджменту.
Что AI не заменяет: понимание бизнеса, выбор метрик, интерпретация в контексте (падение конверсии — это плохой лендинг или сезонность), решения по бюджетам.

Что это и зачем

Аналитика в маркетинге 2026 — это не «вручную выгрузить CSV и построить график». Это «настроенные дашборды, автоматические алерты и AI-помощник, который отвечает на вопросы про твои данные».

Три задачи, где AI даёт максимум:

Первая — заметить аномалии раньше человека. Реклама вечером в пятницу упала в 3 раза. Классический подход — увидишь в понедельник в отчёте. AI-подход — алерт в чат через 2 часа после начала аномалии. Разница в реакции — 60 часов, где деньги уходят впустую. Подробнее про сами кампании — AI для рекламы и кампаний.

Вторая — распределить ценность между касаниями. Пользователь пришёл из Google Ads, потом ещё раз через email (AI для email-маркетинга), потом через VK Реклама, купил. Last-click отдаст всё VK. Data-driven Attribution через ML распределит по вкладу. Это меняет решения про бюджеты.

Третья — понимать данные, а не смотреть в них. У тебя дашборд из 20 метрик. AI отвечает «главный вывод недели — стоимость лида в Facebook Ads выросла на 40% за счёт трёх компаний, посмотри их креативы». Экономит часы аналитика.

Что AI не заменяет:

Стратегические решения: увеличить бюджет на Google или на Яндекс.
Выбор метрик: что важнее — CAC или LTV, ROMI или ROAS.
Интерпретацию в контексте бизнеса: падение CTR — это плохой креатив или сезонное падение спроса.
Настройку tracking: какие события собираем, как считаем конверсии.
Общение с командой и клиентами.

Обзор аналитических платформ

Google Analytics 4. По документации Google, GA4 предлагает Analytics Insights — ML-функцию, которая автоматически детектит необычные изменения или новые тренды в данных. Есть Custom Insights: до 50 правил на property с частотой от часовой (только web-данные, для app-событий недоступно из-за offline-задержек) до месячной (проверено 10.08.2026). Поддерживает Data-driven Attribution как дефолт для новых свойств. Собирает события (event-based модель), интегрируется с BigQuery для сложных запросов.

Яндекс.Метрика. Российский аналог Google Analytics. Собирает трафик, конверсии, поведение пользователей на сайте. Интегрируется с Яндекс.Директом (сквозная передача данных о рекламных расходах и конверсиях), с CRM (через API и Метрика Advisor). Даёт стандартные отчёты и custom-сегменты. Точный набор AI-функций, доступных в 2026, сверять на yandex.ru/support/metrica.

Similarweb. По документации, платформа даёт «AI-powered digital data intelligence» для competitive intelligence: анализ трафика конкурентов, market trends, ad intelligence (сколько тратят на рекламу, какие креативы), SEO/AEO tracking, consumer insights. Используется для стратегических решений: куда идёт рынок, что делают лидеры, где растёт спрос.

HubSpot. По документации Agent Hub, платформа включает четыре AI-агента: Prospecting Agent (мониторинг buying signals, персональный outreach), Customer Agent (24/7 обработка запросов), Data Agent (ответы на кастомные вопросы по CRM), HubSpot AEO (трекинг бренда в AI-ответах). Ценообразование pay-per-performance: Data Agent — $0.10 за ответ, Prospecting Agent — $1.00 за лид, Customer Agent — $0.50 за resolution, AEO — pricing по запросу (проверено 10.08.2026).

Roistat. По описанию — российская end-to-end аналитическая платформа. Функции: end-to-end analytics (онлайн и офлайн источники дохода), multi-channel analytics на 200+ интеграциях, cohort analysis, custom dashboards с 80+ метриками, call tracking, Lead Catcher (exit-triggered формы), виртуальная АТС с call routing и AI speech analytics, A/B-тесты, Bid Manager, Campaign Auditor, SEO Auditor, email-кампании (проверено 10.08.2026). Интеграции: Яндекс.Директ, Google Ads, Bitrix24, amoCRM, Pipedrive, WooCommerce и другие (200+). Тарифы — субскрипшн, 14-дневный free trial.

Mixpanel, Amplitude, Heap. Международные product analytics платформы. Специализируются на event-based данных: воронки, retention, cohort analysis, path analysis. Есть встроенные AI-инсайты (например, что общего у пользователей, которые сконвертировались vs не сконвертировались). Оплата зарубежной картой.

Основной разбор: дашборды

Дашборд в 2026 — это не «страница с 20 графиками». Это «настроенный набор представлений для конкретной роли, который обновляется автоматически и алертит при аномалиях».

Три уровня дашбордов:

Операционный. Для таргетолога, SEO-специалиста, email-маркетолога. Метрики за сегодня и вчера: показы, клики, CTR, конверсии, CPA, CTR по каждой кампании. Обновление — каждые 1-6 часов. Цель — быстро увидеть, где что-то не так, и починить.
Тактический. Для маркетинг-менеджера, руководителя отдела. Метрики за неделю и месяц: ROMI по каналам, LTV, CAC, retention. Обновление — раз в день. Цель — принять решение о перераспределении бюджета.
Стратегический. Для CEO, CMO, инвестора. Метрики за квартал и год: рост выручки, доля рынка, unit-экономика, cohort-анализ. Обновление — раз в неделю или месяц. Цель — стратегические решения о продукте и рынке.

Инструменты для дашбордов:

Google Data Studio (Looker Studio). Бесплатный. Подключается к GA4, Google Ads, Google Sheets, BigQuery. Достаточно для большинства задач среднего бизнеса.
Power BI. От Microsoft. Мощнее Looker Studio, подключается к десяткам источников. Лучше для корпоративной отчётности.
Tableau. Топовое BI-решение. Дороже, глубже возможности. Для больших компаний.
Российские альтернативы: Yandex DataLens (в Яндекс.Облаке), Visiology, VK BI. Оплата российской картой напрямую.
Metabase, Superset. Open-source, self-hosted. Бесплатно, но требует технической настройки.

AI в дашбордах:

Natural Language Query: пишешь «покажи CAC по каналам за последний месяц», получаешь график.
Автоматические инсайты: платформа сама подсвечивает главные изменения в данных.
Прогнозы: линейная экстраполяция или ML-модели для forecasting.
Anomaly detection: алерт, если метрика вышла за ожидаемый диапазон.

Основной разбор: атрибуция

Атрибуция — вопрос, какому касанию отдать «заслугу» за конверсию. Пример: пользователь увидел баннер в Facebook, через 3 дня кликнул в Google Ads, через неделю получил email с промокодом, купил. Кому засчитать продажу?

Модели атрибуции:

Last-click. Всё последнему касанию. Простая, но недооценивает верхнюю воронку.
First-click. Всё первому касанию. Переоценивает верхнюю воронку.
Linear. Равномерно между всеми касаниями.
Time-decay. Больше веса ближе к конверсии.
Position-based (U-shaped). 40% первому, 40% последнему, 20% между.
Data-driven. ML-модель распределяет вес по паттернам, что реально приводит к конверсиям.

Data-driven Attribution в Google Analytics 4. По документации Google, DDA работает на алгоритмах машинного обучения и рассматривает данные по всем пользователям, не только по путям, ведущим к конверсиям. Учитывает такие сигналы как время до конверсии, тип устройства, количество взаимодействий с рекламой, порядок показов. Модель по умолчанию для новых свойств GA4.

Атрибуция в Яндекс.Метрике. Стандартно — атрибуция по последнему значимому переходу. Настраивается: по первому переходу, по последнему клику из Директа, по последнему переходу. Для сложных сценариев (омниканал, длинные циклы сделок) часто используют внешние платформы (Roistat, Mixpanel) с более гибкими моделями.

Практика применения:

Если у тебя короткий цикл покупки (1-3 дня) и один-два канала — last-click или first-click справятся.

Если цикл покупки длинный (недели, месяцы) и много каналов (реклама + контент + email + SEO + партнёры) — нужна DDA или ручная multi-touch attribution через внешнюю платформу.

Если ты запускаешь новый канал и хочешь понять его роль — DDA покажет, как он вписывается в общую воронку. Last-click может показать 0 конверсий, а на деле новый канал играет роль в верхней воронке.

Основной разбор: инсайты и AI-помощники по данным

Инсайты — это не «график», а «текстовое объяснение, что произошло с бизнесом». AI делает их доступными в масштабе.

Google Analytics 4 Insights. По документации Google, GA4 автоматически детектит необычные изменения и тренды. Пользователь может создать до 50 custom-инсайтов с триггерами (частота от часовой до месячной, конкретные метрики, пороговые значения, сегменты). Пример: «уведоми, если конверсия в мобильном сегменте упадёт больше 20% за неделю».

HubSpot Data Agent. По документации, Data Agent отвечает на кастомные вопросы про CRM-данные. Пример: «сколько лидов пришло из Google Ads в прошлом месяце с чеком выше 100000 рублей и статусом „closed won“». Ценообразование — $0.10 за ответ, pay-per-performance (проверено 10.08.2026). Полезно, когда часто нужны нестандартные запросы, а SQL-запрос писать не хочется.

LLM как аналитик. Отдельный сценарий — использование Claude, GPT, GigaChat, YandexGPT напрямую для анализа данных.

Как работает: экспортируешь CSV с данными (расходы по каналам, конверсии, доход). Загружаешь в чат. Спрашиваешь: «Проанализируй, где CAC вырос за последний месяц. Дай главные выводы и предложи гипотезы». Модель читает CSV, считает метрики, выдаёт текстовый анализ.

Что хорошо: быстро (5 минут вместо часа), объяснимо (можешь спросить «почему ты так думаешь»), гибко (любые вопросы, любой формат данных).

Что плохо: модель может ошибиться в арифметике на больших файлах, не видит контекста бизнеса (может интерпретировать сезонное падение как проблему кампании), нельзя доверять без проверки.

Идеальный сетап: BI-платформа для стандартных отчётов (Looker Studio, DataLens) + custom insights в GA4/Метрике для алертов + LLM для быстрых ad-hoc вопросов + Data Agent (HubSpot) или подобные для интеграции с CRM.

Промпты для аналитических задач

Анализ рекламных данных из CSV:

Ты — маркетинговый аналитик. Проанализируй данные из CSV ниже.

Данные: расходы, клики, конверсии по 15 рекламным кампаниям за последний месяц.

Задача:
1. Топ-3 самые эффективные кампании (по CAC).
2. Топ-3 самые неэффективные.
3. Кампании с необычным поведением (резкое падение или рост).
4. Гипотезы: почему одни работают, другие нет.
5. Что рекомендуешь: увеличить бюджет, снизить, оставить, остановить.

Формат ответа: структурированный отчёт с числами.
Правила:
- Все выводы подкреплены цифрами из данных.
- Никаких выводов «наверное» без цифр.
- Гипотезы отмечены как «гипотеза, требует проверки».

Данные:
[вставить CSV]

Объяснение падения метрики:

Ты — маркетинг-аналитик. У нас упала конверсия сайта на 30% за неделю (данные ниже).

Данные:
- Трафик по дням: [числа]
- Конверсии по дням: [числа]
- Разбивка по каналам: [таблица]
- Разбивка по устройствам: [таблица]
- Landing pages с наибольшим падением: [список]

Задача:
1. Что произошло — конкретное описание с числами.
2. 5 гипотез о причинах (от самых вероятных к менее).
3. Для каждой гипотезы — как проверить.
4. Что делать в первую очередь (приоритизация действий).

Формат ответа: диагностический отчёт для менеджмента.

Прогноз выполнения плана:

Ты — финансовый аналитик. Помоги оценить, выполним ли план на квартал.

Данные:
- План на квартал: [число]
- Факт за первые 6 недель: [числа по неделям]
- Динамика прошлого квартала для сравнения: [числа]
- Известные факторы: [запуск новой кампании / сезонность / изменение цены]

Задача:
1. Линейный прогноз на оставшиеся 6 недель (простой).
2. Прогноз с учётом сезонности (сравни с прошлым кварталом).
3. Диапазон: пессимистичный, реалистичный, оптимистичный.
4. Что нужно, чтобы попасть в план (какой прирост в неделю).
5. Риски: что может пойти не так.

Формат: короткий бриф на 1 страницу для CEO.

Cohort-анализ:

Ты — product-аналитик. Проанализируй cohort-таблицу retention.

Данные:
- Cohort по месяцам регистрации (12 месяцев)
- Retention по неделям (12 недель после регистрации)

Задача:
1. Тренд retention: улучшается, ухудшается, стабильный.
2. Какие cohorts выделяются (лучше или хуже среднего).
3. Гипотезы, почему.
4. Что означает для бизнеса (увеличение LTV, снижение churn).
5. Что можно сделать: продуктовые изменения, маркетинг, retention-кампании.

Данные:
[таблица]

Google Analytics 4 в деталях

Модель данных. GA4 работает на событиях, а не сессиях. Каждое действие пользователя — событие с параметрами. Автоматические события (page_view, scroll, click) + custom-события (registration, purchase, add_to_cart).

Custom events для маркетинга:

sign_up — регистрация с параметром method (google, email, phone).
purchase — покупка с value, currency, items.
generate_lead — заявка с параметром form_name.
begin_checkout, add_payment_info, add_shipping_info — этапы e-commerce воронки.

Enhanced measurement. Автоматически трекает: page views, scrolls, outbound clicks, site search, video engagement, file downloads. Настраивается в интерфейсе.

Аудитории. Собери пользователей по критериям (просмотрели страницу X, но не купили Y). Экспорт в Google Ads для ретаргетинга.

Настройка целей и конверсий. В GA4 нет «целей» в старом смысле — есть «conversions» — события, помеченные как конверсии. Максимум 30 конверсий на property.

Data-driven Attribution. Дефолт для новых свойств. Работает на основе всех данных, включая пути пользователей, которые НЕ привели к конверсии. Требует минимум 3000 путей за 30 дней для качественной модели.

Insights. Автоматические алерты о необычных изменениях. Настраиваемые custom-инсайты с триггерами.

BigQuery integration. Бесплатный экспорт сырых данных в BigQuery. Позволяет писать любые SQL-запросы, строить свои модели, соединять с другими источниками (CRM, ERP).

Яндекс.Метрика: работа с российским трафиком

Ключевые преимущества для российского бизнеса:

Полная интеграция с Яндекс.Директом (сквозная передача расходов и конверсий).
Работа с российскими доменами и IP без лагов.
Оплата российской картой напрямую.
Соответствие 152-ФЗ о персональных данных (сервера в РФ).
Метрика Advisor как AI-помощник с рекомендациями.

Основные отчёты:

Источники (трафик по каналам).
Аудитория (демография, устройства, гео).
Содержание (популярные страницы, воронка).
Электронная коммерция.
Целевые действия (конверсии).

Вебвизор. Уникальная функция Яндекс.Метрики — запись сессии пользователя (мышь, скроллы, клики). Позволяет вручную посмотреть, что реально делают пользователи. Ограничения: 24 часа хранения по умолчанию, платно за расширение.

Карты кликов и скроллинга. Визуализация, где пользователи кликают и как далеко скроллят. Полезно для оптимизации landing pages.

Segments. Кастомные сегменты пользователей по любым критериям. Экспорт в Яндекс.Директ для ретаргетинга.

Метрика Advisor. По описанию Яндекса — AI-помощник, который анализирует данные и даёт рекомендации. Точные функции сверять на yandex.ru/support/metrica.

Роль AI в атрибуции

Атрибуция — задача, где AI даёт больше всего пользы, но именно AI-модель.

Классическая проблема: last-click часто врёт, потому что пользователь мог получить 5 касаний до покупки, а last-click отдаст всё пятому. Multi-touch requires ML.

Как работает Data-driven Attribution в GA4:

Собирается история всех пользовательских путей (converting и non-converting).
ML-модель (по документации Google — модель на нейросетях) находит паттерны: какие последовательности касаний чаще приводят к конверсии.
Каждому касанию присваивается вес по вкладу в конечную конверсию.
Веса пересчитываются постоянно с новыми данными.

Что это даёт бизнесу:

Реальное понимание, какие каналы работают на верхней воронке (last-click их не видит).
Обоснование для перераспределения бюджета: если YouTube даёт 0 last-click конверсий, но 15% DDA — снижать бюджет было бы ошибкой.
Возможность считать ROMI по каналам корректно.

Ограничения DDA:

Требует минимум 3000 путей за 30 дней (Google рекомендация).
Работает только для конверсий, произошедших в отслеживаемых системах.
Cross-device и offline-конверсии частично теряются без дополнительных настроек.
Cookie-restrictions и privacy-регуляции (GDPR, iOS 17+) снижают качество данных.

Для сложных сценариев — сторонние платформы: Roistat в РФ (интеграция с CRM, call tracking, e-commerce), Mixpanel/Amplitude для product analytics, специализированные MMM-сервисы для крупного бизнеса.

FAQ

Что такое Data-driven Attribution в GA4?

Модель атрибуции на основе машинного обучения, которая распределяет ценность конверсии между всеми касаниями пользователя в его пути к покупке. Работает так: собирается история пользовательских путей (converting и non-converting), ML-модель находит паттерны, какие последовательности касаний чаще приводят к конверсии, каждому касанию присваивается вес по вкладу. По документации GA4, DDA — модель по умолчанию для новых свойств. Требует минимум 3000 путей за 30 дней для качественной работы.

Как понять, работает ли моя кампания, если атрибуция врёт?

Три подхода. Первое — использовать несколько моделей одновременно: last-click, first-click, DDA — если во всех трёх канал показывает результат, скорее всего он реально работает. Второе — incrementality testing: временно выключить канал и посмотреть, что происходит с общими продажами (не относительно last-click, а абсолютно). Третье — MMM (Marketing Mix Modeling) для крупного бюджета: эконометрическая модель, оценивающая вклад каждого канала на основе исторических данных о расходах и продажах.

Заменит ли AI маркетингового аналитика?

На 2026 год — нет. AI закрывает около 60% рутины: настройку дашбордов, автоматические инсайты, ad-hoc запросы через LLM, атрибуцию через ML-модели. Но требует человека для: понимания бизнеса, интерпретации в контексте (падение — сезонность или проблема), стратегических решений, коммуникации с командой. Аналитик с AI ведёт больше проектов и глубже погружается в стратегические вопросы вместо ручного сбора данных.

Что лучше — Google Analytics 4 или Яндекс.Метрика?

Оба нужны для российского бизнеса. GA4 — если у тебя международная аудитория, интеграция с Google Ads, использование BigQuery для сложной аналитики. Метрика — если основной трафик из России, интеграция с Яндекс.Директом, важен Вебвизор и запись сессий. Многие ставят оба параллельно: GA4 для международных данных и Google-инвентаря, Метрика для Яндекс-специфики и российских регуляторных требований.

Как настроить корректное отслеживание конверсий?

Пошагово. Первое — установи Google Tag (GA4) и/или Яндекс.Метрику на все страницы сайта. Второе — определи события конверсий: purchase, sign_up, generate_lead, add_to_cart. Третье — прошей UTM-метки на все рекламные ссылки (utm_source, utm_medium, utm_campaign обязательны). Четвёртое — настрой цели в CRM (какие лиды становятся клиентами, средний чек). Пятое — server-side tracking для потери данных из-за iOS ATT и блокировщиков. Шестое — проверь связки регулярно (Tag Manager Debug, GA4 DebugView).

Что такое HubSpot Data Agent?

По документации HubSpot, Data Agent — AI-агент, отвечающий на кастомные вопросы про CRM-данные. Пример: «сколько лидов пришло из Google Ads в прошлом месяце с чеком выше 100000 и статусом closed won». Пользователь пишет вопрос на естественном языке, агент выполняет запрос к CRM, возвращает ответ. Цена — $0.10 за ответ. Полезно, когда часто нужны нестандартные запросы, а SQL-запрос писать не хочется. Требует HubSpot CRM.

Как использовать LLM для анализа CSV?

Пошагово. Первое — экспортируй CSV с нужными данными (расходы, клики, конверсии). Второе — загрузи в Claude Projects, ChatGPT (с включённым Advanced Data Analysis) или GigaChat. Третье — напиши промпт: «проанализируй данные, найди топ-3 главных вывода, предложи гипотезы». Четвёртое — задавай уточняющие вопросы («почему ты так решил», «а если посмотреть только на mobile-трафик»). Осторожно с большими файлами (>10000 строк) — модели могут ошибаться в арифметике. Всегда проверяй ключевые числа вручную.

Что такое Roistat и когда его использовать?

По описанию, Roistat — российская end-to-end аналитическая платформа. Функции: end-to-end analytics (онлайн и офлайн), multi-channel analytics на 200+ интеграциях, call tracking, A/B-тесты, cohort analysis, custom dashboards с 80+ метриками, виртуальная АТС с AI speech analytics (проверено 10.08.2026). Интеграции: Яндекс.Директ, Google Ads, Bitrix24, amoCRM, Pipedrive и другие. Используется, когда: (1) много каналов, нужна корректная атрибуция и сквозная воронка, (2) важен call tracking (услуги, недвижимость, B2B), (3) нужна интеграция с российскими CRM-системами, (4) хочешь единую платформу вместо десятка сервисов.

Как отслеживать бренд в AI-ответах?

По документации Semrush — платформа отслеживает видимость бренда в ChatGPT, Perplexity, Gemini, Claude. HubSpot AEO делает то же. Ручной подход: составь список 20-50 промптов, которые твоя ЦА реально задаёт AI-помощникам, раз в неделю прогоняй и фиксируй, попадаешь ли ты в ответ. Метрика — «share of AI voice»: доля упоминаний твоего бренда в ответах на релевантные запросы.

Что такое Similarweb и когда он нужен?

По документации Similarweb — AI-powered digital data intelligence платформа для competitive intelligence: анализ трафика конкурентов, ad intelligence, SEO/AEO tracking, market trends, consumer insights. Используется для: (1) стратегического анализа рынка (кто лидер, где растёт спрос), (2) конкурентного бенчмаркинга (сколько трафика у конкурента, откуда), (3) поиска новых каналов трафика (где активны конкуренты), (4) оценки размера рынка перед выходом в новую нишу. Не для оперативной работы — для стратегических решений.

Как понять, что нужен BI-инструмент вроде Power BI?

Признаки. Первое — у тебя больше 3-5 источников данных (Google Ads, Яндекс.Директ, CRM, e-commerce, финансовая система) и постоянно приходится сводить их в Excel. Второе — регулярные отчёты для менеджмента, где нужен красивый визуальный формат. Третье — интерактивные дашборды для нескольких стейкхолдеров (маркетинг, продажи, финансы). Четвёртое — сложные метрики, требующие SQL или Python (LTV, cohort, retention). До этого порога Looker Studio (бесплатно) закрывает большинство задач.

Как AI помогает с прогнозированием?

Три уровня. Первое — линейная экстраполяция на основе исторических данных (простой forecasting в дашбордах). Второе — ML-модели: sk-learn, Prophet (от Meta), TabNet для более сложных прогнозов с учётом сезонности, тренда, внешних факторов. Третье — LLM для качественного прогноза: даёшь Claude или GPT данные и контекст, получаешь текстовый прогноз с обоснованием и рисками. Для маркетинга обычно достаточно первого уровня, для стратегического планирования — второго, для быстрых оценок — третьего.

Что такое predictive metrics в GA4?

По документации Google, predictive metrics в GA4 включают: purchase probability (вероятность покупки в следующие 7 дней), churn probability (вероятность ухода), predicted revenue (прогнозируемый доход от пользователя за 28 дней). Работают на ML-моделях Google, обученных на данных твоего property. Требуют минимум 1000 конверсий и 1000 non-converting пользователей за 28 дней для активации. Экспортируются в Google Ads для создания smart audiences.

Как обосновать перед CEO расходы на аналитические инструменты?

Три аргумента. Первое — economics: без корректной атрибуции ты тратишь 20-40% бюджета впустую (перекос на last-click канал, недоинвестирование в верхнюю воронку). Second — скорость реакции: аномалия в кампании, которую заметил алерт GA4 через 2 часа, а не через неделю в PDF-отчёте, экономит десятки тысяч рублей за месяц. Третье — data-driven decisions: без корректных данных стратегические решения принимаются интуитивно, ошибка масштабируется на весь бюджет.

Как настроить cross-device tracking?

В GA4 работает автоматически, если пользователь залогинен в Google Chrome на всех устройствах (Google Signals). Для более точного отслеживания — user_id: генерируешь уникальный ID для каждого зарегистрированного пользователя, передаёшь в GA4 при каждой сессии. Модель тогда связывает поведение на разных устройствах в единого пользователя. Для e-commerce и SaaS — обязательный сетап, иначе воронка искажена.

Что делать, если данные из GA4 и CRM не сходятся?

Классическая проблема. Возможные причины: (1) разное определение конверсии (GA4 считает по событию, CRM — по статусу сделки, разница может быть 20-40%), (2) блокировщики и iOS ATT снижают событий на 10-30% в GA4, (3) offline-конверсии (звонки, встречи) не попадают в GA4 без специальной настройки, (4) время задержки (GA4 показывает моментально, CRM — после ручной обработки менеджером). Решение: согласовать определения, настроить offline conversions upload из CRM в GA4, использовать одну систему как источник истины для финансовой отчётности (обычно CRM).

Как выбрать между GA4, Метрикой, Mixpanel, Amplitude?

Быстрый гид. Google Analytics 4 — обязательный минимум для любого сайта, бесплатный, интегрирован с Google Ads. Яндекс.Метрика — обязательный для российского трафика, интегрирован с Директом, есть Вебвизор. Mixpanel и Amplitude — product analytics для SaaS и приложений, глубже event-tracking, воронки, retention, cohort. Для e-commerce и лендингов достаточно GA4 + Метрика. Для SaaS с активными пользователями — GA4/Метрика + Mixpanel или Amplitude.

Актуальность

Актуально на 10.08.2026. Функции аналитических платформ и условия доступа меняются часто. Перед бизнес-решением всегда сверяйся с первоисточником — все ссылки в разделе Sources ниже.

Sources

https://support.google.com/analytics/answer/9443595 — Google Analytics 4 Insights, официальная документация (проверено 10.08.2026)
https://support.google.com/analytics — GA4 общая документация, включая Data-driven Attribution и predictive metrics (проверено 10.08.2026)
https://yandex.ru/support/metrica — Яндекс.Метрика документация (проверено 10.08.2026)
https://www.similarweb.com — Similarweb, competitive intelligence и marketing analytics (проверено 10.08.2026)
https://www.hubspot.com/artificial-intelligence — HubSpot Agent Hub, Data Agent, AEO (проверено 10.08.2026)
https://roistat.com/ru — Roistat, российская end-to-end аналитическая платформа (проверено 10.08.2026)
https://www.semrush.com/features/ — Semrush включая AEO tracking (проверено 10.08.2026)
https://claude.com/pricing — Claude тарифы (проверено 10.08.2026)
https://developers.sber.ru/docs/ru/gigachat/overview — GigaChat API (проверено 10.08.2026)
https://aistudio.yandex.ru/model-gallery — YandexGPT и другие модели в AI Studio Яндекса (проверено 10.08.2026)
https://docs.perplexity.ai/getting-started/overview — Perplexity API (проверено 10.08.2026)