- Home
- /
- Newsletters
- /
- Дайджест з вебаналітики #48
від 11 Грудня 2025р.
Привіт 🙌
Це передостання розсилка в цьому році. І — на жаль чи, може, вже й на щастя — багато хто, включаючи, як мені здалося, і розробників сервісів, які ми щодня використовуємо, потихеньку перейшов у режим «давайте після свят». Тож новин від сервісів цього тижня не надто багато, але ті, що є, справді важливі.
Ми теж не сиділи без діла: на блозі з’явилися нові матеріали, і я, як завжди, відібрав кілька цікавих матеріалів, тож розсилка хоч і невелика, але цікава.
🔍 Сьогодні в розсилці:
🌟 Як передавати події в Pinterest через GTM.
🌟 Безкоштовний курс від Google "ШІ для бізнесу".
Новини Google Analytics
🔹 Динамічний ремаркетинг для вебмедійної реклами в Google Analytics.
🔹 Новий параметр customer_type для purchase.
Новини Google BigQuery
🔹 У BigQuery з’явився власний MCP-сервер.
Інші новини
🔹 Новий асистент для Google Ads API.
Корисні матеріали
🔸 Яка з LLM найкраще пише DAX?
🔸 Яку роботу AI реально замінює, а яку — ні. Порівняння рік до року.
📰 Як передавати події в Pinterest через GTM
Як завжди, почнемо з наших новин.
І перша — справді радісна. Мені завжди приємно, коли на блозі з’являється новий автор із числа наших студентів. Цього разу — Аня Приходько. Вона не просто студентка, а ще й моя колега, і тепер у неї вийшла дебютна стаття на блозі.
Не те щоб ми ніколи не налаштовували події для Pinterest, але в статтях блогу ця система з’являється вперше. Тому якщо ти давно хотів розібратися, як працює передача подій у Pinterest через GTM — саме час.
🙌 Нагадую, якщо ти теж хочеш написати власну статтю на блозі академії, я завжди радий допомогти. Якщо є ідея чи просто бажання - напиши мені в телеграм, фейсбук або у відповідь на цей лист. Буду чекати!
Як натхнення для ідей можеш використовувати сірі (неактивні) пункти у нашому Довіднику з налаштування GA4 :)
🔥 Безкоштовний курс від Google "ШІ для бізнесу"
Цього разу в нас не лише нові статті, а й нові активності. Мене запросили провести вебінар на курсі від Google "ШІ для бізнесу", де я розповідав, як можна використовувати AI в аналізі даних. Говорили про Gemini-CLI, Gemini-Canvas, Google Antigravity, Vertex-AI та інші інструменти.
До речі, сам курс — безкоштовний. Тож якщо хочеш послухати цей вебінар у записі, просто реєструйся і дивись. Мій виступ знаходиться в четвертій лекції.
Перейдемо до новин сервісів, які ми всі щодня використовуємо 🔥
Сьогодні буде три офіційні новини від знайомих нам сервісів: від Google Analytics і BigQuery. Хоча їх небагато, але кожна справді варта твоєї уваги.
Google Tag Manager нас цього разу не потішив оновленнями — на їхній сторінці останні зміни датуються ще першим серпня. Щомісячний апдейт Power BI також ще не вийшов, тож поговоримо про нього вже в наступному листі.
👉 Google Analytics 4
🚩 Динамічний ремаркетинг для вебмедійної реклами в Google Analytics.
Про це оновлення вже дуже давно говорили в Community, усі чекали, коли воно нарешті стане реальністю — і ось цей момент настав. Google додав можливість використовувати дані з єкому GA4 для роботи динамічного ремаркетингу.
Це означає, що тепер можна передавати динамічні атрибути — такі як product ID, ціни та інші параметри — безпосередньо в Google Ads для кампаній динамічного ремаркетингу. Більше не потрібно налаштовувати додаткові скрипти. Процес став простішим, швидшим і значно менш болючим.
Це просто супер-новина. Думаю, багато хто вже втомився тримати два окремі коди — і для eCommerce, і для динамічного ремаркетингу Google Ads — особливо якщо налаштовувати це без GTM. Тепер усе вирішується одним оновленням.
Код eCommerce фактично не змінився. Усе, що додається — це один новий параметр, який я виділив на скрині нижче: google_business_vertical.
Читати офіційну новину в довідці >>>
Детальніше про функції динамічного ремаркетингу можна прочитати тут >>>
А якщо хочеш розібратися в eCommerce-коді загалом — офіційна довідка доступна тут, а мою статтю з більш детальними поясненнями залишив тут.
🚩 Нові шаблони аудиторій.
Ця новина менш масштабна, але все одно корисна. У GA з’явилися два нових шаблони аудиторій, які можна використовувати як у звітах, так і в Google Ads.
- High-Value Purchasers
Аудиторія користувачів із високою цінністю — за кількістю покупок або Lifetime Value. Додали навіть нове поле LTV percentile, де можна вибрати, наприклад, топ 10% чи топ 5% користувачів за цінністю. Зручно, якщо хочеш працювати саме з найціннішою частиною бази.
2. Disengaged Purchasers
Користувачі, які давно нічого не купували. Формується за кількістю днів після останньої покупки.
Ці аудиторії можна використовувати і в аналітиці, і в Google Ads — вони вже адаптовані під цілі customer lifecycle. High-Value підійде для режиму залучення цінних нових клієнтів, а Disengaged — для реанімування або утримання тих, хто давно не повертався.
Читати офіційну новину в довідці >>>
🚩 Новий параметр customer_type для purchase.
Хоча я казав, що офіційних новини від сервісів всього три, є ще одна зміна, про яку Google чомусь ніде не оголосив. А дізнався я про це від моєї колеги Ані Приходько.
У події purchase тепер доступний новий параметр customer_type. Він дозволяє передавати, чи це new користувач, чи returning.
Ще один крок в сторону Google Ads і сегментації твоїх відвідувачів/клієнтів.
👉 Google BigQuery
А тепер новина з числа моїх улюблених в цьому році: У BigQuery з’явився власний MCP-сервер, який дозволяє напряму підключати твою улюблену LLM-модель до BigQuery.
Раніше це теж можна було зробити за допомогою MCP Toolbox for Databases, але то був більш загальний підхід. Новий же підхід — нативний саме для BigQuery, а отже, дає додаткові можливості та розширені функції.
Зараз підтримуються такі тули і, відповідно, можливості:
До речі, на тому самому вебінарі курсу ШІ для бізнесу, про який я згадував вище, я показував, як можна підключитися до BigQuery MCP прямо з Google Antigravity і навіть продемонстрував практичний кейс: як за кілька хвилин натренувати модель на власних історичних даних і спрогнозувати трафік на наступний місяць.
👉 Новий асистент для Google Ads API
І наостанок — новина, яка трохи виходить за межі тем, про які я зазвичай пишу, але для аналітики вона точно важлива.
Google представив Ads API Developer Assistant v1.0 — інструмент, що працює через Gemini CLI та дозволяє взаємодіяти з Google Ads API звичайною мовою. Фактично ти описуєш задачу текстом, а інструмент генерує GAQL або Python-запит, може одразу його виконати в read-only режимі та повернути результат у вигляді таблиці або CSV.
Так, з першого погляду це може здатись схожим на Google Ads MCP, про який я писав раніше. Але ідеї у цих сервісів різні.
Для роботи знадобляться developer token, файл google-ads.yaml (конфігураційний файл в якому зберігаються всі креденшели й налаштування підключення), Python 3.10+ та встановлений Gemini CLI.
У підсумку це виглядає як приємне підсилення інструментарію для тих, хто працює з автоматизацією та API в Google Ads.
Переходимо до корисних матеріалів 🔥
Сьогодні їх буде чотири: два більш практичних і два — більше «на подумати». Почнемо з практики.
🔥 Яка з LLM найкраще пише DAX?
Матеріал для тих, хто любить Power BI і регулярно пише міри на DAX. З появою LLM багато хто намагається делегувати їм частину роботи, але не всі моделі однаково добре справляються з DAX-завданнями.
Maxim Anatsko зробив класну штуку: він підготував рейтинг LLM-ок за тим, наскільки якісно вони пишуть DAX. Там є список задач, на яких моделі тестувалися, і можна подивитися, хто показав себе найкраще.
До речі, можеш порівняти себе з цим тестом: подивись, скільки задач ти б розв’язав сам?
Якщо ти працюєш з Power BI регулярно, рекомендую обзавестись підпискою на одну з LLM в топі цього списку (якщо її, звісно, ще немає).
🔥 Як працює MATCH_RECOGNIZE?
А цей матеріал уже для тих, хто любить BigQuery.
Я нещодавно писав кілька новин про функцію MATCH_RECOGNIZE, але руки так і не доходили показати практичний приклад, щоб реально пояснити.
Google це зробив за мене. Ось стаття з практичним прикладом, яка допомагає краще зрозуміти, як працює MATCH_RECOGNIZE, чому її поява — це велика подія для аналітики, і які задачі вона спрощує.
🔥 Яку роботу AI реально замінює, а яку — ні. Порівняння рік до року
А тепер перший матеріал «на подумати».
Ми зараз часто бачимо подібні спекулятивні заголовки типу: «AI забере роботу». Але я хочу вас заспокоїти: ШІ не забере роботу аналітика.
Я про це вже багато разів казав, і скажу ще раз: "Так ШІ змінить роботу аналітика, але ШІ не забере роботу аналітика".
Так, ChatGPT може написати SQL чи зібрати графік. - Але що це означає?
- Що аналітик тепер сидітиме без роботи? - Ні.
Це означає, що аналітик не витрачає тепер 30 хвилин на рутину, а може ці 30 хвилин витратити на те, чим він і мав би займатись, але на що раніше часто не вистачало часу — на аналіз.
Роль аналітика ніколи не була про знання GA4, SQL, Power BI, GTM... Це все лише інструменти, які допомагали вирішувати основну задачу: розуміти процеси й надавати бізнесу дані для прийняття рішень.
І зміни на ринку праці, які досліджуються в наступному матеріалі, ще раз це все підтверджують.
🔥 Що нас може навчити аналіз цін на БігМак.
І наостанок — класична історія, в яку дуже часто потрапляють аналітики: ми думаємо що знайшли відповідь на питання, бо ну все ж супер логічно і «очевидно». Але ось тут і треба бути обережними.
Якщо ти не знаєш детально бізнес, дані якого аналізуєш, і не розумієш його бізнес-процеси - дуже легко зробити хибні висновки. А реальна причина може бути далеко не там, де її шукали.
Візьмемо для прикладу причини подорожчання Big Mac.
Інтуїція підказує просту історію: інгредієнти + електрика + зарплати → собівартість → ціна. Але коли закопуєшся в дані й деталі, ця “красива” версія сиплеться: очевидні фактори не пояснюють стрибок ціни.
Як завжди, найцікавіше знаходиться глибше, і в цьому випадку тобі доведеться це "глибше" - прочитати матеріал самостійно і таки дізнатись, що насправді стоїть за ціною бургеру.
На всяк випадок нагадую, що існує англомовна версія розсилки на LinkedIn, на яку ти теж можеш підписатися та поділитися з англомовними колегами.
Твій сенсей, Макс Гапчук 🔥
Будь в курсі актуальних новин зі світу аналітики!
