Привіт 🙌
Скоро завершується моє міжсезоння — так я називаю період, коли немає навчання (вебінарів і перевірок домашніх завдань) на PRO-курсах.
Зазвичай до цього моменту я вже встигаю відновитися й знову хочу запускати купу різних активностей. Цього разу не виняток: попереду нові цікаві вебінари, не менш цікаві апдейти й, звісно, старт навчання на PRO-курсах.
Але, як завжди, про все по порядку 👇
Наші матеріали та новини:
🔸 Перший вебінар вже сьогодні: "Як розширення PROANALYTICS економить час у роботі з GA4 та GTM".
🔸 Практичний воркшоп: "Аудит GA4 на реальному сайті".
🔸 Знайомі імена в командах або де працюють наші студенти.
🔸 Детальний огляд нового функціоналу дашбордів в GA4.
Новини Google Analytics 4:
Новини Google Tag Manager:
🔹 AI пропонує назву й опис версії в GTM.
Новини Google BigQuery:
🔹 WHERE можна використовувати всередині агрегатної функції (Preview).
🔹 Conversational Analytics у BigQuery тепер підтримує ML.CORRELATION.
🔹 У пайплайнах BigQuery можна запускати unit-тести.
🔹 У BigQuery з’явилися AI.CAUSAL_EFFECT і ML.METRICS (Preview).
🔹 Data Engineering Agent використовує BigQuery Graph для зіставлення схем.
🔹 Метадані BigQuery Graph доступні в Knowledge Catalog (Preview).
🔹 Генеративні AI-функції BigQuery підтримують gemini-3.8-flash.
Інші новини:
🔹 OpenAI тестує спонсорованих агентів у рекламі ChatGPT.
🔹 Рекламний бізнес ChatGPT Ads досяг річного темпу виручки в $1 млрд.
🔹 Amazon Ads допоможе рекламодавцям рекламуватись в ChatGPT.
Корисні матеріали:
⚡ Вебінар "Як розширення PROANALYTICS економить час у роботі з GA4 та GTM".
Минулого тижня я викотив великий апдейт безкоштовного розширення PROANALYTICS. І це була лише частина оновлень, очікуй продовження найближчим часом.
Тепер розширення допомагає дебажити відправлення подій у Google Analytics 4, Google Ads, Meta, TikTok та деяких інших системах. Звісно, ти вже бачив сотні таких розширень і користуєшся ними. Але PROANALYTICS іде далі, він не просто перехоплює події, він допомагає тобі шукати помилки.
Понад 100 вбудованих перевірок, серед яких: дублі подій, помилки в назвах параметрів ecommerce-подій, некоректні значення value та інші проблеми, які зазвичай доводиться вишукувати вручну.
І ще й все це автоматично збирається на одній сторінці, щоб ти нічого не забув перенести в свій аудит.
Цей апдейт запустив цілий ланцюжок подій. Не буду розповідати всю історію, щоб не займати твій дорогоцінний час, але почалося все з цього відео, а завершилося тим, що сьогодні о 16:00 я проведу вебінар.
На ньому розберу весь функціонал розширення й покажу, як воно може економити тобі час у роботі з GA4 та GTM. Якщо ти відкриваєш хоча б один із цих інструментів кілька разів на тиждень, повір, тобі точно буде цікаво.
🧩 Практичний воркшоп: "Аудит GA4 на реальному сайті".
Але на цьому не все. Як ти, мабуть, уже помітив, одним вебінаром у мене зазвичай не обмежується 🙂 Цього разу проведу ще й практичний воркшоп з аудиту Google Analytics 4.
Навіть якщо ти вже вмієш проводити аудит GA4, думаю, мені вдасться тебе здивувати й показати кілька прийомів, які допоможуть тобі робити це краще та швидше.
Кому буде корисно відвідати вебінар:
- якщо в тебе є GA4 і ти хочеш перевірити, чи коректно він налаштований і збирає дані;
- якщо ти маркетолог, PPC- чи SEO-спеціаліст і хочеш навчитися надавати послугу "Аудит GA4" для клієнтів;
- якщо ти вже надаєш таку послугу, але хочеш підглянути, як це роблю я, або дізнатися як це робити швидше і простіше.
Ідея воркшопу проста: я оберу один із сайтів учасників і проведу на ньому аудит, пояснюючи кожен крок. Перевіримо базові налаштування GA4, відстеження подій і технічні моменти сайту, які можуть впливати на збір даних. Частину перевірок ти зможеш одразу повторювати у своєму ресурсі. Ну і, звісно, в кінці можна буде задати питання щодо свого ресурсу і отримати відповіді.
📢 Якщо хочеш, щоб я розглянув твій сайт, надішли посилання у відповідь на лист із запрошенням, який прийде за день до воркшопу. Серед надісланих сайтів я випадково оберу один для аудиту.
📅 Коли? 29 вересня о 16:00 (за київським часом)
Записатися на воркшоп >>>
🌟 Знайомі імена в командах або де працюють наші студенти
Уже в понеділок, 28 вересня, починаємо навчання на PRO ANALYTICS. А поки я готуюся до нового потоку, почав збирати інформацію про те, де зараз працюють наші випускники.
І це реально ВАУ, а я тільки почав збирати інфо!
Наші випускники потроху проникають кругом:
- розвивають відомі українські бренди
- працюють, а інколи й засновують українські агентства
- їх з радістю беруть в американські та європейські компанії
- і ми вже дійшли до того, що в 2 з 6 (а по деяким даним з 9) українських єдинорогів* ми вже теж представлені))
*Під українськими єдинорогами маю на увазі компанії з українським корінням, які досягли оцінки $1 млрд+.
Якщо ти працюєш в інших представниках з цього списку - дай мені знати. Знаєш когось, хто там працює - познайом їх з Академією)
І це тільки ті, про кого я вже встиг зібрати інформацію.
Серед наших випускників є вебаналітики, маркетологи, PPC- та SEO-спеціалісти. Мені подобається, що люди з різним досвідом зустрічаються на курсі, а потім продовжують спілкуватися в нашому ком’юніті.
Якщо ти давно думав приєднатися до цієї тусовки, ось програма PRO ANALYTICS.
А якщо поки придивляєшся до навчання, можеш почати з відкритого відео з курсу, яке вийшло буквально вчора: «Аналіз залучення та утримання в GA4: як відрізнити аномалію від норми?»
Переглянути демо-відео з курсу >>>
💬 Якщо маєш питання або бажання записатися — пиши мені в особисті в телеграм, фейсбук або у відповідь на цей лист.
📊 Детальний огляд нового функціоналу дашбордів в GA4.
Попри вебінари, воркшоп і підготовку до старту PRO ANALYTICS, я продовжую розбирати важливі оновлення сервісів Google в своїх статтях.
Минулого тижня я детально розібрав новий функціонал, його можливості й обмеження, а також накидав трохи думок, куди все це може рухатися далі.
Читати гайд по Dashboards у GA4 >>>
На цьому з нашими новинами все. Перейдемо до оновлень сервісів, якими ми щодня користуємося.
Power BI цього місяця ще не встиг порадувати нас апдейтом. А от команди Google попрацювали, тож сьогодні мені є про що розповісти. Почнемо, як завжди, з Google Analytics 4.
👉 Новини Google Analytics 4
Якщо не рахувати вихід дашбордів, про які я вже писав раніше, сьогодні в нас лише один апдейт GA4. Але який! Це функція, на яку ми давно чекали і яка, сподіваюся, допоможе зменшити кількість спаму в даних.
🚩 Фільтр за іменем хоста в GA4.
У фільтрі даних з’явився новий тип — «Трафік за іменем хоста вебсайту» (Web hostname traffic). Він дає змогу вказати, з яких імен хостів включати або виключати події.
Якщо в тебе один сайт з одним іменем хоста й ти не використовуєш Measurement Protocol, можеш налаштувати фільтр включення за прикладом на моєму скріні: GA4 залишатиме події лише з указаним доменом.
Якщо використовуєш Measurement Protocol, будь уважний. Google прямо попереджає: фільтр включення за іменем хоста не застосовується до подій, надісланих через Measurement Protocol.
І про всяк випадок нагадаю: фільтри даних GA4 не змінюють історичні дані. Після активації вони впливатимуть лише на нові дані.
👉 Новини Google Tag Manager
Команда GTM теж вирішила порадувати нас лише одним апдейтом. Але яким! Просто подивись на цей скріншот 👇
🚩 AI пропонує назву й опис версії в GTM.
Тепер під час публікації версії AI може запропонувати назву й опис на основі змін у робочій області. Тобі не потрібно вигадувати їх самостійно, а якщо запропонований текст не підходить — його можна підправити.
І якщо ти подумав, що я радію лише тому, що тепер витрачатиму менше часу на назви версій, — так, це правда. Але є й друга причина:
Знаєш цей момент, коли треба розкопати, після якої публікації щось зламалося і перед тобою сто версій без зрозумілих назв і описів, а часто взагалі без будь-яких назв і описів? Тепер це питання нарешті вирішено.
Тому я радий цьому апдейту з обох боків. Ура-ура-ура 🙂
👉 Новини Google BigQuery
Команда BigQuery, як завжди, постаралась більше — новин тут більше (все-таки GCP зараз приносить Google значну частину прибутку, а GA4 і GTM все ж, в більшості випадків, мають безкоштовних користувачів).
Тому я, як завжди, розставив їх у своєму рейтингу: від найкорисніших, на мою думку, до менш корисних.
🚩 WHERE тепер можна писати всередині агрегатної функції (Preview).
У BigQuery з’явилася можливість додавати умову прямо в агрегатну функцію — наприклад, AVG() або SUM(). Вона визначає, які рядки враховувати саме в цьому розрахунку. Тож в одному запиті можна задати різні умови для кількох показників.
Ось простий приклад: я рахую середній дохід від покупки окремо для подій до 15 серпня і починаючи з 15 серпня.
А тепер подумай, як би ти написав цей запит раніше — і наскільки читабельніше він виглядає зараз. На мою думку, це дуже круте спрощення для багатьох задач. Тут навіть коментувати більше нічого 🙂
🚩 Conversational Analytics у BigQuery тепер підтримує ML.CORRELATION (Preview).
На другому місці — оновлення Conversational Analytics. Тепер, коли ти запитуєш про зв’язок між показниками, він може використовувати ML.CORRELATION: функція рахує кореляцію між обраним показником і одним або кількома іншими. Наприклад, можна перевірити, чи корелює збільшення тривалості сеансу користувача з вищою цінністю клієнта за весь час?.
Як це виглядає на практиці? Google показав приклад, у якому агент шукає показник, найтісніше пов’язаний із чайовими в даних про поїздки таксі >>>
І нагадаю: до 30 вересня ти ще можеш протестувати Conversational Analytics без плати за AI-токени. Залишився буквально тиждень, тож не пропусти 🙂 За обробку даних у BigQuery плата може нараховуватися як зазвичай.
🚩 У пайплайнах BigQuery тепер можна запускати unit-тести.
Тепер ти можеш перевірити логіку SQL-перетворень на контрольному наборі даних: задати вхідні дані, вказати очікуваний результат і порівняти його з тим, що насправді повертає запит.
Простою мовою це відповідь на запитання: «Чи мій SQL на відомому наборі вхідних даних повертає саме той результат, який я очікую?»
Для мене контроль якості даних завжди був важливою темою. І що більше з’являється можливостей перевіряти, чи правильно працюють перетворення в пайплайні, то краще. Такі речі зайвими точно не бувають.
Серед інших оновлень BigQuery, про які тобі може бути корисно знати:
- нова функція AI.CAUSAL_EFFECT допомагає оцінити, як певна дія вплинула на показник у часі: наприклад, порівняти продажі після запуску кампанії з прогнозом того, що могло б бути без неї. У блозі Google є приклад використання AI.CAUSAL_EFFECT на даних про поїздки.
- нова функція ML.METRICS рахує метрики якості прогнозів для задач класифікації та регресії, якщо в тебе є фактичні й передбачені значення. Створювати для цього модель у BigQuery не потрібно. Приклади запитів є в документації.
- Data Engineering Agent тепер використовує BigQuery Graph для зіставлення схем, тобто враховує зв’язки між таблицями, коли зіставляє схеми джерела й цільових таблиць для пайплайна
- Метадані графів автоматично потрапляють у Knowledge Catalog, де їх тепер можна знайти через пошук.
- Генеративні AI-функції BigQuery підтримують gemini-3.8-flash.
На цьому з новинами BigQuery все. Але є ще декілька новин, про які, на мою думку, тобі варто знати.
👉 OpenAI тестує спонсорованих агентів у рекламі ChatGPT.
Мені здається, ця новина пройшла досить тихо, хоча для реклами вона важлива. OpenAI почала тестувати в США Sponsored Agents — спонсорованих агентів, з якими можна поговорити після натискання на рекламу в ChatGPT.
Замість того щоб одразу переходити на сайт рекламодавця, ти можеш поставити агенту запитання про товар чи послугу, уточнити деталі й зрозуміти, чи підходить тобі пропозиція. А коли будеш готовий — перейти на сайт. Така розмова чітко позначена як спонсорована й відокремлена від звичайної розмови з ChatGPT. Поки що функцію тестують з окремими рекламодавцями у США.
Тобто тепер реклама може допомагати людині розібратися з вибором ще до переходу на сайт. Такий собі новий етап еволюції реклами виходить: колись рекламодавці платили за місце поруч із пошуковим запитом, потім — за нашу увагу в стрічці, а тепер з’являється можливість бути поруч із людиною в момент, коли вона приймає рішення. Які твої враження щодо цього?
Детальніше в анонсі OpenAI >>>
Якщо ти подумав, що OpenAI поки ще невеликий гравець на рекламному ринку й ці оновлення тебе не скоро стосуватимуться, далі кілька цифр і новин для контексту.
👉 Рекламний бізнес ChatGPT Ads досяг $1 млрд.
Наприкінці серпня OpenAI повідомила, що ChatGPT Ads знадобилося менше ніж 200 днів після запуску, щоб вийти на річний темп виручки в $1 млрд. Тут важливе формулювання: це annualized revenue run rate — темп, перерахований на рік, а не вже зароблений мільярд. На платформі, за даними OpenAI, працюють десятки тисяч рекламодавців. Ось сам анонс >>>
Масштаб і швидкість, з якою росте цей напрям, уже досить показові.
👉 Amazon Ads допоможе рекламодавцям показувати рекламу в ChatGPT.
І ще одна новина в продовження: Amazon Ads оголосила про співпрацю з OpenAI. Завдяки інтеграції рекламодавці зможуть розширювати свої кампанії Amazon Ads на рекламні розміщення в ChatGPT. Зараз це тестують окремі рекламодавці у США.
Рекламна платформа росте OpenAI росте дуже активно, до неї підключаються великі партнери, а нам як спеціалістам рано чи пізно доведеться працювати і з її аналітикою.
До речі, з тим, як відстежувати конверсії з цієї реклами, ми розібралися ще декілька місяців назад. А на блозі ProAnalytics Team лежить детальний матеріал про налаштування пікселя OpenAI Ads і відстеження конверсій.
🧰 Корисні матеріали
Сьогодні тут матеріали не стільки на почитати, скільки обдумати. Почну з досить незвичної теми для цієї розсилки.
🔥 Реклама посеред гри: новий патент Microsoft?
Натрапив на тижні на патентну заявку Microsoft про показ реклами та іншого промоконтенту під час гри (наприклад, комп’ютерної або консольної). Ідея в тому, щоб знайти момент, коли гравця можна перервати, показати йому рекламу, а потім повернути до гри без особливого впливу на ігровий процес.
Чому я цим ділюсь тут? Я колись досліджував монетизацію мобільних ігор, і там особливо добре видно, скільки всього можна придумати навколо реклами: коли її показувати, у якому форматі й що дати гравцеві натомість. Більше того, можливо ти не знав, але мобільні ігри свого часу стали одним із головних полігонів для розвитку нових рекламних механік. Тому мені цікаво спостерігати, чи піде ця логіка далі — у комп’ютерні та консольні ігри і як це вплине на ринок.
Трохи цікавих деталей з самої заявки:
- розробник гри може сам позначити через API моменти, коли переривання буде доречним;
- система може визначати такі моменти за зображенням, звуком і станом гри, зокрема за допомогою ML;
- на час показу реклами гра може ставати на паузу або переставати реагувати на керування;
- після перегляду гравець може отримати певний час гри без наступного рекламного переривання.
Поки що це лише ідея з патентної заявки, а не анонс запуску реклами в іграх Microsoft. Але як матеріал для роздумів про те, де ще ми можемо зустріти рекламу, вона цікава. Якщо хочеш розібратися в механіці детальніше — ось сама заявка >>>
Такими темпами, ще трохи і мій айфон замість заставки в фоні буде крутити мені рекламу (надіюсь, ні).
🔥 Реальні дані + правильні розрахунки ≠ правильна відповідь, або що може піти не так в аналізі AI-агента?
І наостанок трохи думок, навіяних підготовкою AI дата-агента для одного з наших партнерів.
Спочатку глянь на скрін нижче. Чи є щось, що тебе бентежить? Наскільки ти готовий довіряти цим підрахункам?
А тепер додам дві деталі. Чи змінюється твоя думка після кожної з них?
- Агент нічого не вигадав: він узяв реальні дані бізнесу з потрібних таблиць.
- SQL виконав саме ті розрахунки, які агент описав, і самі розрахунки правильні.
Поки ти думаєш, чи є тут підвох, ось ще дещо цікаве:
- Дослідження про ухвалення рішень показує, що люди можуть уникати зайвих розумових зусиль, коли простішого способу достатньо, щоб прийняти рішення.
- А в іншому дослідженні довші пояснення від LLM підвищували впевненість людей у відповіді, хоча не допомагали краще відрізняти правильні відповіді від неправильних.
На початку я спеціально попросив тебе придивитися до скріну. Можливо, це змусило тебе шукати помилку уважніше. Але як часто ти так само перевіряєш відповіді, які отримуєш від LLM у звичайній роботі?
Чим більше задач ми передаємо AI, тим важливіше розуміти, коли йому можна довіряти. І для цього все ще потрібно знати предмет, про який ти його питаєш. Інакше можна опинитися в ситуації, як люди, які поклалися на поради ChatGPT або Gemini під час планування походу й зрештою потребували допомоги рятувальників.
У поході наслідки поганої поради можуть стати очевидними вже за кілька годин. У бізнесі все складніше: неправильне рішення можна прийняти сьогодні, а помітити його наслідки через тиждень, місяць або квартал.
Написати агенту «проаналізуй мої дані» дуже легко. Наприклад, запитати, яка група користувачів приносить більше грошей, яка рекламна кампанія працює краще або які матеріали блогу приводять більше продажів. Агент піде в базу, візьме реальні дані, напише валідний SQL і впевнено пояснить результат. Може, ще й запропонує наступні дії. Цифри є, висновок є, і це все всього за п’ять хвилин, поки ти робив собі каву. Ну клас же?
Якби не одне але: у прикладі на скріні агент помилився.
І цю помилку досить складно помітити:
- цифри вірні і з правильних таблиць
- SQL сам по собі теж хороший
- і висновки, які він робить на отриманих цифрах теж наче питань не викликають.
Що ж тоді не так? Вся його відповідь не має сенсу: для відповіді на поставлене запитання як мінімум потрібно орієнтуватись не просто на фактичні дати оплат, а на когорти і дату їх залучення. Інакше дуже легко отримати красивий, але хибний висновок.
Наприклад, користувачі, які зареєструвалися в серпні, фізично ще не могли потрапити в групу «перша оплата через 1–3 місяці». У цій групі будуть лише старіші когорти — наприклад, люди, залучені у травні, червні чи липні. Якщо влітку змінився маркетинг, продукт або ціни, агент легко може побачити, що користувачі з довшим шляхом до оплати платять більше, і зробити висновок: «чим довше користувач думає, тим більший у нього перший чек».
А це лише один приклад, якби не обмеження на кількість символів в листі, я б міг би написати значно більше. І ось тут ми підходимо до головного: LLM пришвидшив обробку даних, але швидка обробка неправильних даних - це просто більша кількість помилок на одиницю часу.
AI пришвидшує обробку даних, та швидкий розрахунок сам по собі ще не робить висновок правильним.
Замість висновків просте нагадування: не забувай про якість даних і критичне мислення. З кожним днем це стає ще більш важливим.
До зустрічі в наступних розсилках!
Будь в курсі актуальних новин зі світу аналітики!