Сьогодні багато розмов про GPT-5. Нова модель щойно вийшла і, за бенчмарками, демонструє чудові результати.
Ця стаття — мій варіант її оцінки: протестуємо, наскільки вона здатна закривати аналітичні завдання маркетингу.
Суть тесту така: я попросив Perplexity зібрати 20 запитань, які найчастіше ставлять на Reddit та інших форумах щодо даних у GA4. Далі я вибрав із них 10, які також найчастіше особисто чую від маркетологів, з якими працюю, консультую чи навчаю в межах корпоративного навчання. Ось фінальний перелік цих запитань.
- Які сторінки входу приносять найбільший дохід?
- Який відсоток користувачів, що додали товар у кошик, не завершили покупку?
- Які джерела/канали трафіку мають найкращі та найгірші коефіцієнти конверсії від додавання до кошика до покупки?
- Які товари/категорії найчастіше додають у кошик, але не купують?
- Які сторінки є основними “точками виходу” (exit pages)?
- Як змінилася конверсія за тижнями/місяцями?
- Який відсоток користувачів повертається повторно?
- Відвідувачі з яких браузерів дають найбільшу цінність?
- Які канали приносять найдорожчих (з найбільшою цінністю для бізнесу) покупців?
- Які канали зазнали падіння ROAS з тижня в тиждень?
І тепер, використовуючи MCP GA4, ми спробуємо отримати на них відповіді без жодних підказок. Я просто ставитиму запитання.
Не скажу, що відповіді сильно відрізнялись в обох мовних версіях, але все ж модель краще працює англійською, тому питання я ставив саме цією мовою.
- Which landing pages generate the highest revenue?
- What percentage of users who added a product to cart didn't complete the purchase?
- Which traffic source/medium have the best and worst conversion rates from add-to-cart to purchase?
- Which products or categories are most frequently added to cart but rarely purchased?
- Which pages are the main exit points for our users?
- How has our conversion rate changed week over week or month over month?
- What percentage of our users return to the site?
- Which browsers deliver the highest-value visitors?
- Which channels bring in the most expensive customers?
- Which campaigns deliver the highest return on ad spend (ROAS)?
Структура статті далі буде дуже простою. Для кожного запитання:
- Скрін спілкування з чатом
- Скрін з GA4
- Короткий висновок
Поїхали!
Які сторінки входу приносять найбільше доходу?
Для порівняння — дані з GA4:
Усе правильно. Вивів лише дві сторінки входу, але й справді таких, що принесли дохід, було всього дві.
Який відсоток користувачів, що додали товар у кошик, не завершив покупку?
Для порівняння — дані з GA4:
Прекрасна робота. Так, у GA4 я побудував воронку, щоб отримати ту саму відповідь, і візуально це виглядає краще, але часу в мене пішло у кілька разів більше.
Ускладнімо попереднє запитання.
Які джерела/канали трафіку мають найкращі та найгірші коефіцієнти конверсії від додавання до кошика до покупки.
Якщо ви читали мою попередню статтю про MCP, то знаєте, що з GPT-4.1 мені довелося писати окрему інструкцію, щоб отримати відповідь. Давайте оцінимо, як відпрацює нова модель:
В інтерфейсі GA4:
Ще одна гарна робота, і, на відміну від інтерфейсу, не довелося рахувати відсотки вручну.
У GA4 є декілька параметрів, які відповідають за джерело / канал трафіку. LLM обрала найочевидніший з точки зору назви в API параметр. Якщо вас цікавив інший - це легко фікситься, вказавши потрібний параметр у питанні.
Які товари/категорії найчастіше додають у кошик, але не купують?
Це питання далось складніше, але ось результат:
По назвах товарів:
По категоріях:
Два з двох. Мені явно подобається GPT-5.
Які сторінки є основними “точками виходу” (exit pages)?
Варіант від чату:
А ось що показує GA4:
- Для домену 1.
- Для домену 2
Цього разу в LLM не вийшло дати точну відповідь з першої спроби. Але в її захист давайте розглянемо початковий запит. Ідея була вірна, просто в API GA4 наразі немає показника exits. І справа не в тому, що модель обрала невірну назву — такого показника просто немає.
Тому модель і почала шукати рішення. І, заради тієї ж справедливості, скажу, що певна логіка в цьому рішенні є. Та й порівняйте результат для першого сайту. ТОП-4 хоч і відрізняється кількістю виходів, але сторінки вийшли правильні. Тому я б не казав, що це повний провал.
Як змінилася конверсія за тижнями/місяцями?
Відповідь чату:
Перед тим як дивитись на дані GA4 в цьому випадку, давайте проаналізуємо, що саме вивів GPT-5.
Purchaser rate згідно довідки показує “відсоток активних користувачів, які здійснили 1 або більше транзакцій покупки”
Так, зазвичай маркетолог, коли думає про конверсії, швидше за все уявляє звіт про залучення трафіку (Traffic Acquisition) і колонку Session key event rate (Коефіцієнт ключової події на сеанс). Але ми ж і не уточнювали, яку саме конверсію хочемо бачити у відповіді на запитання, тому я вважаю, що це завдання теж можна зарахувати.
Порівняти ці дані напряму з даними GA4 не вийде, оскільки, якщо в API нам доступні два показники — firstTimePurchaserRate і purchaserRate, — то в інтерфейсі GA4 є тільки перший. А чат використав другий, тому скріншота не буде. Але можу сказати після звірки, що дані з API взято правильно.
Який відсоток користувачів повертається повторно?
Відповідь чату:
Логіка в його розрахунках є, але давайте подивимось на дані GA4:
Зверніть увагу на колонку Returning users: чат математично нарахував 14 користувачів, які повернулися, але фактично їх було 19. Як виявилося, чат не знає, що в GA4 користувач за один період може бути порахований і як новий, і як той, що повернувся, тому він обрав не ті показники для відповіді на запитання.
Перший повний промах від GPT-5.
Відвідувачі з яких браузерів дають найбільшу цінність?
Версія чату:
Версія GA4:
У GA4 немає готового показника, який можна проаналізувати для відповіді на це запитання, тому чат сам підібрав потрібні дані й зробив це правильно. Як бачимо, все збіглося один в один із даними інтерфейсу. При цьому чат одразу порахував дохід на користувача і на сесію, тоді як у GA4 довелося б або підключати калькулятор, або використовувати Google Sheets. Також він запропонував подальші кроки для аналізу.
Це хороша відповідь — зараховано.
Для останніх двох питань я взяв не тестовий GA4, а реальний, і з більшою кількістю даних.
Які канали приносять найдорожчих покупців?
Відповідь чату:
Цього разу щось пішло не так, і він навіть не спробував отримати витрати. Проте написав про них, тому я дав підказку, і, на мою думку, ми отримали цілком пристойну відповідь. Скриншота тут не буде, оскільки це робочий проєкт. Але можете повірити мені — усі дані коректні й дійсно заслуговують на увагу.
Які канали зазнали падіння ROAS з тижня в тиждень?
Ну і наостанок - максимально практичне питання. Відповідь чату:
Тут знову не буде скріна, але знову повірте - всі дані він порахував вірно. Ще одна хороша робота.
Замість висновку
Фінальний результат нашого тесту з 10 завдань такий:
- 7 завдань виконано ідеально;
- 1 вирішено правильно, але реальний маркетолог зробив би його трохи по-іншому;
- 1 завдання виконано частково, але лише тому, що в API немає показника, який є в інтерфейсі GA4;
- 1 завдання виконано з помилкою.
Звісно, це не надто складні завдання - є багато складніших, де результати могли б бути гіршими. Але це саме ті питання, відповіді на які досить часто шукають маркетологи. І тепер, замість того щоб переглядати форуми, можна поставити їх у «чаті» й одразу отримати не просто підказку, а готову відповідь.
Так, це все ще не ідеальна технологія, і вона може давати помилки. Але не забувайте, що людям теж властиво помилятися, і, як ми побачили, відсоток помилок тут не такий уже й великий. А якщо додати до цього ще й чекліст, який формував ChatGPT у відповідь на кожне запитання, то в правильних руках це справді змінює правила гри.
Приклад із GA4 добре демонструє можливості нового підходу. Звісно, ідеально це розкривається, якщо використовувати MCP-сервери не лише з GA4, а й з іншими системами, з якими працює маркетолог.
Є й інша сторона медалі: як і будь-яка нова технологія, це рішення має і мінуси. Хтось, дізнавшись про нього, може подумати, що базові знання з GA4 уже не потрібні. Але це не так. Лише розуміння основних принципів роботи системи аналітики допоможе вам правильно інтерпретувати дані та робити вірні висновки. Тому саме база зараз стає ще більш важливою.
Якщо вас зацікавила ця тема, напишіть, які ще системи ви хотіли б, щоб я розглянув у наступних статтях. І також поділіться своїми враженнями в коментарях: чи плануєте ви використовувати технологію MCP у своїй повсякденній роботі?
Завантаження коментарів…